董事會與經營層在審視行銷預算時常面臨一個痛點：大家知道預算花出去了，但到底帶回多少實質收益？如果只看報表上的「最後點擊」來發放獎金或分配預算，很容易漏算那些在前期默默幫企業「創造需求」的行銷投資。這不僅是報表誤差，更會影響管理層的資本配置判斷。

Google 發佈的《The Science of Demand: Ads measurement in the AI Era（需求科學：人工智慧時代的曝光成效衡量）》報告，希望協助企業回答這些問題。為確保每一筆投入都能精準轉換為業績，以下報告摘要從對齊財務目標、釐清報表盲點、升級數據資產、驗證真實因果，以及統一決策標準等面向，為經營層梳理清晰的決策路徑。

📎 這份報告適合誰閱讀？

報告主要針對企業內負責預算分配、商業成長，以及數據基礎建設的決策者及專業人員所撰寫，適合以下五類工作者閱讀：

• 行銷長與行銷高階主管
• 財務長與財務團隊
• 董事會與 C-Level 高階決策層
• 數據科學家與行銷分析團隊
• 專業行銷代理商與媒體企劃

🔴 報告洞見

行銷不只是捕捉需求，而是創造需求

對於現代企業的行銷長而言，最大的挑戰已經從「參與市場」，升級為「透過精準度將價值倍數放大」。

過去那種依賴直覺、容許預算浪費的黑箱花費時代已正式宣告終結，取而代之的是高度波動與預算嚴格審查的新常態，這意味著企業投入的每一分錢，都必須能產出實質的商業價值。

為了在這場由 AI 驅動的極速競爭中勝出，Google 在報告中提出「需求科學（The Science of Demand）」的概念，以此描述一套將行銷從成本中心轉向長期獲利引擎的分析框架，核心建立在一個獲利方程式之上：數據＋因果關係＋更好的決策＝獲利性成長。

企業必須意識到，行銷的任務已不再只是被動「捕捉現有需求」，而是必須主動出擊去「創造需求」。但現實是，多數企業的報表系統根本看不見這類前期投資的價值。

只看最後點擊，會漏掉高達 14 倍的真實行銷價值

在行銷部門追求長期成長與財務部門要求短期實證之間，長年存在著巨大的摩擦與「能見度落差」。許多企業至今仍過度依賴「最後點擊」思維與標準的「30 天回溯期」來評估行銷成效，這種為了迎合財報週期而產生的短視盲點，正在扼殺企業真正的成長動能。

如果高管只願意獎勵促成最後轉換的那個點擊，將會摧毀在前端負責播種、創造消費者渴望的行銷引擎。

最新的實證研究指出，標準的 30 天點擊與 3 天參與觀看回溯期，雖然足以捕捉 70% 的一般搜尋曝光轉換，但對於著重於「創造需求」的曝光格式卻嚴重失真。同樣的短效回溯期，只能捕捉到 50% 的最高成效曝光轉換，以及僅 40% 的需求開發曝光轉換。

這代表超過一半以上的行銷價值，在傳統財報上是完全「隱形」的。

外部研究也佐證了這個問題的嚴重性，根據 Fospha 的研究數據指出，過度依賴傳統的最後點擊歸因，會導致 YouTube 與 Demand Gen 這類前期需求創造活動的真實投資報酬，被嚴重低估高達 14 倍。這不僅是報表上的誤差，更是企業在資本配置上的重大失靈。

第一方數據策略，讓企業表現優於對手 1.5 倍

既然 AI 是驅動未來行銷的核心引擎，決策層就必須認清 AI 的效能極限，完全取決於企業輸入的數據品質。

在當前充滿隱私限制與瀏覽器阻擋的環境下，仍依賴第三方或過時外部追蹤技術的企業，將失去運算的主導權——數據顯示，具備第一方數據策略並啟用 AI 行銷工具的企業，其表現優於競爭對手的機率高達 1.5 倍。

要建立這道防禦護城河，企業必須從「數據租客」轉變為「數據擁有者」，進行基礎建設的底層升級。

面對日益嚴格的隱私規範，導入伺服器端標記技術（報告以 Google Tag Gateway 為例）是目前維持數據高保真度的主流做法之一。這項技術讓企業透過自有伺服器運行數據標記，繞過瀏覽器限制，奪回流失的轉換信號。與此同時，它也能確保隱私合規，不會因為追蹤數據而踩到法規紅線。

全球數據證實，採用 Google Tag Gateway 的廣告主，其測量信號準確度平均獲得了 11% 的顯著提升。以線上旅遊平台 DoYouSpain 為例，透過伺服器端基礎建設的升級，成功使其在 Google Ads 中的可觀察轉換量提升了 11.7%。這不再只是 IT 部門的技術升級，而是攸關企業獲利準確度的資產保衛戰。

增量測試成本大降，因果驗證不再是大企業專屬

當數據基礎建置完成後，下一步就是找出推動業績成長的「真正因果關係」，用科學實證來取代主觀猜測。

過去，能釐清行銷真實價值的「增量測試（Incrementality testing）」，單次實驗成本高達 10 萬美元，幾乎是大企業專屬的武器；如今增量測試的成本已大幅降至 5,000 美元，這項工具的普及化，賦予了所有企業重新檢視投資效益的權力。

以 Rocket Mortgage 為例，他們透過增量測試驗證了需求創造活動的成效，結果發現行銷活動帶來的真實價值，比原先模型估算的還要高出 23%，這個清晰的數據讓他們成功贏得了財務部門的信任，並促成後續更大膽的品牌重塑計畫。

然而，如果長期需求創造活動需要數個月才能發酵，企業該如何提早預測獲利？

解方在於追蹤「領先使用者行動（LUAs）」，LUAs 是消費者邁向最終轉換前所留下的數位麵包屑，例如從廣泛搜尋轉向品牌關鍵字搜尋、在 YouTube 上訂閱或分享影片，或是將商品加入購物車。

將這些可驗證的中介指標餵給 AI 演算法，企業就能在長效轉換落袋前，提早針對未來的長期成長進行出價與優化，徹底打破 30 天回溯期的短視枷鎖。

MMM 模型復興：用單一數據視角，取代各平台互打的報表混戰

解決了回溯期的問題，還有一個更根本的困境：各平台的報表數字根本對不上。

當 Meta、Google、Amazon 的報表 KPI 無法對齊時，看似亮眼的數據往往無法與最終的商業利潤劃上等號。要解決這個在董事會上永遠爭論不休的問題，企業需要導入一個具備公信力、能整合全局的「單一真相（Single source of truth）」。

而這正是行銷組合模型（MMM）迎來復興的關鍵，Google 開源的 Meridian 模型是目前市場上少數公開可驗證的 MMM 工具之一。Meridian 的戰略價值在於，它整合了測量領域的歸因分析（提供速度與方向）、增量測試（驗證真實結果）以及 MMM（提供跨管道的投資組合策略）。

與傳統模型不同，Meridian 採用能持續根據新數據自我修正的統計演算法，並納入了真實世界的搜尋意圖數據，同時以精準的「觸及與頻率」取代了粗糙的「曝光數」指標。它能在保護隱私、無需依賴第三方 Cookie 的前提下，將雜亂無章的行銷數據統整為具備高管公信力的決策指引，讓企業的預算配置真正建立在無可辯駁的科學基礎上。

🧭 決策者的跨部門行動清單

要將上述的需求科學徹底落實，行銷長必須啟動「成長治理（Growth governance）」的管理變革，即像管理投資組合一樣管理行銷預算的機制。

成長治理的核心是，將行銷預算從必須防禦的「消耗預算」轉型為推動企業成長的「資本投資」；它要求行銷主管像管理投資組合一樣，基於證據進行注資、校準，並對最終的投資回報率負責。

要贏得財務長的全面信任與支持，行銷領導者必須採取以下具體行動。首先，停止爭論行銷預算的多寡，改為與財務部門共同針對「商業成果」制定計畫；其次，別把 AI 當成炫技的創新玩具，而是將其定位為提升營運效率與成本轉換的治理工具。

再者，行銷人必須勇敢拋棄虛榮的混合 ROAS 指標，坦誠呈現較低但「絕對真實」的邊際增量數據，因為準確度才是建立跨部門信任的唯一基石。

最後，透過嚴謹的先導測試來驗證成效，為財務部提供擴大投資組合的清晰藍圖。

除了內部對齊，企業也應積極借力外部的專業賦能。數據指出，專業代理商在各項關鍵的行銷測量技術上，平均領先一般企業高達 35%。透過與具備先進技術的代理商結盟，企業能更快建立起第一方數據基礎、推行嚴格的增量實驗文化，並無縫導入 Meridian 等單一真相模型。

在 AI 時代的極速賽道上，行銷長必須立刻行動，將行銷測量從「事後的防禦性報告」，轉化為主動驅動企業獲利成長的「決策方向盤」。能夠率先建立這套因果驗證機制的企業，在資源配置上將比仍依賴傳統報表的對手更具優勢。

＊閱讀完整報告內容，請見：The Science of Demand: Ads measurement in the AI Era

【更多產業研究報告】

◆ 【人工智慧經濟現狀】AI 擴張比網路時代快 3 倍，但總經佔比僅 0.42%，為何獲利仍不見實質爆發？

◆ 【麥肯錫人力資源監測報告】HR 職能的存亡分水嶺：主導 AI 勞動力與人機協作或被全面取代

◆ 【2026 網路安全創投趨勢】告別單點防禦工具，「AI 原生資安架構」正在改寫估值邏輯

➡️ 其他產業研究報告

＊初稿由 AI 協作，首圖來源：Unsplash

製造業正以前所未有的速度將 AI 導入日常營運場景，然而這股技術熱潮的成果，卻無法完全體現在財務報表中。根據 Grant Thornton 最新發布的「2026 年 AI 影響力調查」（Grant Thornton’s 2026 AI Impact Survey），在受訪的 100 位製造業主管中，沒有任何一個人表示 AI 為企業帶來顯著的營收增長，同時也沒有人說明 AI 已經帶來顯著的成本節省。相較之下，在參與同一項調查的其他產業中，對於營收成長、成本節省兩項成果的回報比例，分別都達到 12%。因此，這種在調查中出現「零回報」的現象，也格外吸引關注。

這項數據並不代表製造業在 AI 投資上毫無收穫，因為仍有高達 64% 的受訪製造業主管，明確表示 AI 確實有提升營運效率，且有 62% 的主管希望在營運部門中進一步擴大 AI 應用，這一比例在所有受調查的產業中位居首位。

然而，「效率提升」與「財務回報」之間存在著巨大的脫節，這也成為效率成果無法進入財報損益表（P&L）的卡關點。 生產線上的效率提升，雖然在技術演示中看起來非常完美，但除非這項效率提升能夠具體轉化為減少廢料、降低非計畫停機時間、下降庫存水準，或是減少保固索賠件數，否則就永遠只是虛擬的技術指標，無法化為財務長願意在損益表上簽字認可的成果。至於這股技術活動與實際財務收益間的巨大落差，實際上深植於製造業在採購、技術部署與治理上的三大核心盲點。

盲點一：製造業被競爭焦慮推著走，先啟動 AI 才再尋找商業問題

首先，許多製造業投入 AI 專案的出發點，往往來自於非理性的市場恐慌。調查指出，高達 45% 的製造業主管坦言，競爭焦慮是他們採用 AI 的最主要驅動力，這代表他們並不是從已經計算出成本的瓶頸、瑕疵率或其他具體的營運痛點出發，而只是因為擔心被競爭對手超越。

這種「先啟動、再找問題」的模式，在製造業屢見不鮮。許多團隊容易從「AI 也許能幫忙」的直覺想法，直接跳躍到「啟動試點」的執行階段，卻忽略在專案開始前，應該定義清楚該專案預計要改善哪一項營運或財務數字。這種做法導致 AI 模型與技術架構先被定義出來，但支持這項投資的商業案例卻還沒有建立的荒謬現象。

Epicor 產品暨創新長 Arturo Buzzalino 對此提出警告。他認為，當企業將 AI 視為科學實驗，推出與目標、價值以及核心流程脫節的獨立試點、通用聊天工具或客製化模型時，其實就是在浪費資金。

盲點二：用通用 AI 硬解工廠難題，卻忽略設備、數據與流程斷點

其次，要在實體工廠的運行線路上進行 AI 整合，其代價與複雜度遠超乎想像。因為製造業的營運數據大多殘缺不全，或者被牢牢鎖在舊式產線設備，以及可程式化邏輯控制器（PLC）中，這些設備當初設計時根本沒有考慮過 AI 數據對接。

另一方面，許多製造業高層期待引進通用的水平型 AI 工具來解決複雜的工廠問題，但這往往會落入不切實際的預算陷阱。QAD 的 Champion AI 副總裁 Anam Rahman 以微軟的 Copilot 為例，說明如果 AI 轉型將由水平型平台來實現，那絕對不可能發生，因為這類水平型工具雖然價格較低，也容易用來建立一些簡單的基礎應用，但根本無法完整處理製造業整套複雜的工作流程。因此，如果企業希望特定工廠職務能夠節省 80% 至 90% 的時間，就必須採用高度垂直化、專門針對該特定角色與流程設計的專業工具。

除了軟硬體平台脫節，數據治理與員工腦袋中的隱性知識，也是阻礙 AI 產生財務價值的瓶頸。igus 執行長 Felix Brockmeyer 強調，在缺乏良好、結構化數據與數據治理的情況下購買 AI 工具，很難取得好成果，特別是當現有的製造知識與經驗，長期存在於資深員工的大腦中，且數據本身仍高度需要人類進行解讀，因此 AI 的效果便會大打折扣。 

退一步來說，即便企業已經具備良好的數據基礎，也不代表 AI 專案就能順利開花結果。Epicor 產品暨創新長 Arturo Buzzalino 補充說明，數據「準備就緒」並不等於「執行力」，許多企業即便擁有強大的數據基礎，卻依然缺乏導入 AI 所需的工作習慣、流程與組織紀律，這才是 AI 難以產生實際價值的硬傷。

盲點三：只看 AI 使用量、不設損益責任，讓專案困在「試點煉獄」

最後，製造業 AI 專案正面臨高昂代價與極低成功率的雙重打擊。調查顯示，製造業 AI 專案停留在試點階段的比例高達 48%，遠高於跨產業平均的 34%。 此外，僅有 14% 的製造業主管表示 AI 加快了企業的創新速度，這項比例在其他產業中則高達 31%。

MIT 媒體實驗室（Project NANDA）在「GenAI Divide」研究中揭露更令人震驚的數據：在企業砸下高達 300 億至 400 億美元的 AI 支出後，最終竟然只有大約 5% 的整合試點真正為企業帶來實際價值。這些高達 48% 的製造業專案之所以會長期陷入「試點煉獄」而無法自拔，原因往往不是技術無法運作，而是因為沒有人對一項明確的損益（P&L）指標負責。在缺乏明確損益目標的情況下，一個試點專案既無法被判定為成功，也無法被定義為失敗，最終只能無止盡地拖延並消耗企業預算。

與此同時，許多企業開始陷入本末倒置的迷思。Fluke Corporation 產品長 Vineet Thuvara 透露，有些大型科技公司宣稱，員工的績效表現將根據他們所消耗的「AI Token 數量」進行衡量，這完全是為了 AI 而 AI 的盲目現象。Vineet Thuvara 也強調，在人機協作的時代裡，雖然團隊會使用 Claude 等工具來加速既有資訊的收集與協調，但問責制永遠在人類身上。

此外，製造業在 AI 的治理與風險管理上也存在致命缺口。在調查中，僅有 7% 的製造業主管表示公司已經測試過 AI 判斷出錯時的應變計畫，這項比例是所有受調查產業中最低的一個。 這也代表，許多已經在排程、品質控制或供應鏈決策中實施 AI 輔助的工廠，平日雖然會定期進行演習，卻從未針對 AI 軟體在生產線上判斷錯誤的場景進行演練，無形中將整個生產線暴露在極高的營運風險中。

未來，製造業若想縮小 AI 效率與財務回報的落差，關鍵在於改變採購與管理方式：先從已量化成本的痛點出發，明確設定廢料率、停機時間、庫存天數等指標，再審慎評估自建或外購，避免整合與維護成本侵蝕價值。同時，每項 AI 專案都應像資本支出一樣，設有投資門檻、責任主管、預期改善幅度與退場日期，才有機會讓 AI 走出試點、創造回報。

【推薦閱讀】
◆ 高雄市政府經濟發展局局長廖泰翔：讓 AI 應用從過去的單點案例，串連成產業網
◆ 飛彈裝上汽車晶片、火箭用上製藥設備：新一代軍工業為何跨界「借技術」？
◆ 供應鏈 AI 導入瓶頸不在技術，而在「決策權」：Deloitte 給主管的 5 個提醒

＊本文開放合作夥伴轉載，資料來源：《Forbes》、《Manufacturing.Net》，首圖來源：Unsplash

手指能撿起錢包裡的硬幣、旋轉並裝上燈泡、拉起外套拉鍊，也能察覺物品正從掌中滑落，立即調整抓握。人形機器人新創 1X 最新公開 NEO 的新一代機器手，試圖把人類每天不假思索完成的手部動作，交給機器人。

根據《WIRED》報導，NEO 的五指機器手具備 25 個自由度，接近人手常見的 27 個自由度，並採類似人體肌腱的驅動設計。1X 表示，開發這雙手的目標，是移除限制人形機器人能力的「硬體上限」，讓資料成為能力擴張的主要障礙。

1X 更給這雙手一個特殊定位：「通往物理世界的 API」。

Introducing NEO’s 25 Degrees of Freedom, tendon-driven hands — nearing or surpassing human-level dexterity, strength, speed, and reliability.

For seventy years, robotics worked around the hand problem. The humanoid bet is the reverse: it lives or dies at the fingertips. pic.twitter.com/Dz1KMykUCy

— Bernt Bornich (@BerntBornich) July 9, 2026

1X：人形機器人的能力上限，可能就在手臂末端

「人形機器人就像一台電腦，而雙手就是它連接物理世界的 API。」1X 在官方技術文章中如此形容。

1X 認為，模型、感知系統與雙腿，讓機器人理解任務、辨識環境並移動；雙手則決定它抵達物體面前後能做什麼。若機器人只有兩指夾爪，大致只能抓取、放置與推動，即使 AI 模型持續升級，應用仍只能組合有限的動作。

NEO 新手部共有 25 個自由度，其中手指與手掌占 22 個、手腕占 3 個。1X 參考人體手部結構配置自由度，尤其強化拇指與其他手指相對運動的能力。

但關節數量並非 1X 此次發布的唯一重點。官方花了更多篇幅解釋，NEO 如何從接觸物體的過程「感覺」外界。

不只下指令，1X 想讓機器手也能讀回力量

1X 指出，許多機器手本質上仍是「只寫不讀」（write-only）。控制系統要求手指移動到指定位置，機器手便執行動作；但常見的高齒輪比傳動結構，可能讓物體接觸手指產生的力量，在傳動過程中被摩擦消耗，難以回傳至馬達。也就是說，機器手知道自己被要求移動到哪裡，卻難以直接從關節判斷外界施加多少力量。

NEO 採取另一種設計。1X 把馬達配置在前臂，再以自家腱索穿過手腕帶動手指，模仿人體前臂肌肉拉動肌腱的方式。其 Tendon Drive 採約 5：1 至 15：1 的低齒輪比，讓外界力量能沿著傳動路徑回到馬達。

25 個自由度都具備原生力量控制與完全可反向驅動能力。外力推動 NEO 的手指時，手指可以順勢退讓，系統也能回報受到多少力量。1X 稱這項特性為「力量透明度」（force transparency）。

1X 因此以「read-write」形容 NEO 的手：它能向外施力，也能沿著相同的物理路徑讀回接觸資訊。這正是「通往物理世界的 API」所指的概念，手不只負責執行命令，也成為機器人感知外界的管道。

手指還得知道，物品何時開始滑落

光從關節讀取力量仍不夠。NEO 手指表面也整合高解析度觸覺感測，可測量法向力、接觸位置與剪切力。其中，剪切力能讓 NEO 察覺物體開始在手中滑動，在完全掉落前重新抓握。

這對小型、透明、柔軟或遭遮蔽的物體尤其重要，因為相機未必能完整看見手指與物體的接觸狀況。1X 公開展示中，NEO 能握住脆弱的摺紙而不造成破壞，也能透過壓力熱圖觀察握手時的接觸力量。

《WIRED》在與 1X 團隊的 Zoom 通話中，也觀看一台全自動 NEO 展示手指速度。機器人從逐指緩慢抬起開始，不斷加速，直到手指快速敲動，在螢幕上幾乎模糊成一片。

不過，《WIRED》提醒，目前仍難單靠展示影片判斷所有動作的自主程度。1X 回應，部分影片由機器自主驅動，部分則由操作人員控制，用來展示硬體能力上限。NEO 現階段也保留 Expert Mode，遇到複雜任務時，可由人類遠端操作。

NEO’s Hands
An API to the Physical World pic.twitter.com/zds5rlxfzT

— 1X (@1x_tech) July 9, 2026

機器人會走之後，業界開始攻「手」

1X 對手部的投入並不是特例。《The Guardian》7 月初以「機器人最難的問題」形容機器手。人類看似簡單的綁鞋帶、扣鈕扣，背後都涉及複雜神經指令與精細動作協調。

中國更已有一批新創專攻靈巧手。LinkerBot 創辦人周勇向《The Guardian》形容，打造機器手比製造人形機器人「難 100 倍」；Wuji Technology 創辦人 Pan Yunzhe 則認為，「操作物體的問題遠比移動問題重要」。機器人即使能在空間中移動，若無法使用工具，實際用途仍相當有限。

硬體進步後，控制問題隨即浮現。英國布里斯托大學機器人與 AI 教授 Nathan Lepora 指出，機器手的硬體挑戰正在逐步解決，但如何控制它們，「沒有人知道該怎麼做」。

教機器手拿起一袋雜貨、拉拉鍊或操作工具，需要三維空間中的動作、力量與觸覺資料。《The Guardian》指出，透過遠端操作教機器人完成裝袋等簡單任務，就可能需要數百小時的訓練資料。這也回到 1X 此次發布機器手時提出的主張：讓資料成為能力的主要障礙。

1X 已為 NEO 機器手建立專用產線，目前已有數百隻手下線，今年具備生產 1 萬隻的產能。該公司直言，「無法規模生產的手，就無法進行大規模實驗；沒有規模化資料，就沒有具身 AGI。」

對 1X 而言，量產也是其 AI 策略的一環。更多硬體意味著能進行更多實驗，累積機器人在真實世界抓握、接觸與操作物體的資料，再用於訓練操作能力。

NEO 的 25 自由度機器手，目前還不能證明人形機器人已能自主包辦家務。但 1X 這次從一雙手談起，已點出人形機器人要真正工作的另一道難題：理解任務、走到物體面前之後，機器人還得伸出手，碰觸、感覺，最後把事情做完。

【推薦閱讀】

◆ 【人形機器人家用化】22 度手指自由度、22 分貝靜音，1X NEO 用硬體差異化搶進家庭市場

◆ 歐洲人形機器人新勢力：特斯拉前科學家成立 UMA，靠什麼吸引 50 家企業洽談？

◆ 飛彈裝上汽車晶片、火箭用上製藥設備：新一代軍工業為何跨界「借技術」？

＊本文開放合作夥伴轉載，資料來源：1X、《WIRED》、《The Guardian》，首圖來源：1X

搜尋引擎最初的設計並非用來診斷疾病，但如今已有數百萬人在看醫生之前，會先諮詢所謂的「Google 醫生」。現在，AI 也正在對個人財務領域帶來極為相似的影響。

目前通用型聊天機器人已被越來越多人用來詢問理財問題，這股新興趨勢更被《金融時報》形容為「ChatIFA」。根據英國金融行為監理局（FCA）發布的報告顯示，已有約 1,100 萬名英國消費者願意或正在使用 AI 協助理財決策，範圍涵蓋儲蓄、借貸等層面。這些消費者不只是利用 AI 彙整與簡化資訊，其中高達 61% 的 AI 使用者表示他們會向機器人尋求具體的理財建議，甚至有將近四分之一的用戶，會把銀行對帳單等個人極度敏感的隱私資料上傳給 AI，以獲得更精確的回答。

這項轉變讓金融服務業面臨一個立即且嚴峻的課題：當 AI 能夠免費提供看似高度個人化、具體且具說服力的財務建議時，用戶未來是否還會願意付費聘請昂貴的傳統理財顧問？雖然客戶最終可能仍需要透過券商或特定管道，來執行這些由機器人推薦的交易，但這種純粹的通道服務，在金融服務鏈中絕對不是利潤的核心。因此，這股「AI 搶佔理財入口」的焦慮感，近期已在資本市場上掀起波瀾，進而重挫美國大眾市場財富管理龍頭 Charles Schwab、Raymond James，以及英國 St James’s Place 等機構的股價。

AI 理財顧問的真正優勢：不是更懂金融，而是更不受約束

這並不是一個老派金融巨頭因為技術落後，而輕易被新科技顛覆的故事。事實上，市場上已建立聲譽的傳統金融集團，完全有能力在技術上超越聊天機器人，因為他們擁有龐大的科技預算來打造數位投資諮詢介面，同時也握有海量的客戶數據支撐這些建議。甚至在便利性上，傳統金融機構可能更具優勢，因為銀行原本就掌握客戶的薪資、日常消費與儲蓄習慣，讓客戶不需要像面對聊天機器人一樣，重新手動上傳自己的隱私資料。

然而，傳統機構面臨的最大限制往往不是技術，而是無法擺脫的監管枷鎖。正規金融機構無法隨意提供客戶個人化的財務建議，因為金融市場存在極為嚴格的消費者保護規範，一旦給出錯誤建議，傳統機構將面臨巨大的法律責任、客戶賠償與監管處罰。

相較之下，通用 AI 工具目前卻能憑藉極少資訊給予建議。例如，當一名英國儲戶僅提供極為簡略的個人背景時， AI 聊天機器人就能直接給出具體回覆。這種在灰色地帶直接給出具體個人化建議的能力，讓通用 AI 工具在與受監管的金融機構競爭時，擁有不對等的優勢。

AI 能快速回答所有問題，卻不用承擔錯誤代價

為了解決這項競爭劣勢，Lloyds 與 Barclays 等英國主流銀行，目前正積極開發「目標支持」 工具。這是一項試圖介於具體「財務建議」與一般性「理財指引」之間的中間型服務。然而，這類工具的每一項輸出仍必須經過極其審慎的合規校準，不太可能像通用聊天機器人那樣，以高度靈活的自然語言，快速回覆用戶各種個人化的財務提問。

在面對 AI 給出的理財建議時，《金融時報》指出，我們很難期望單靠溫和的「免責聲明」就能降低壞建議所帶來的危害。大型語言模型在本質上就被設計成聽起來非常有說服力，這導致人類在實踐中往往會過度信任 AI 的輸出結果。

這種過度信任背後隱藏著極大的消費者保護黑洞。根據 FCA 的調查顯示，在曾經向 AI 諮詢個人財務建議的受訪者中，僅有 40% 的人意識到，如果他們聽從 AI 財務建議並在事後出現虧損，目前其實沒有任何正式的申訴管道可以尋求救濟。《衛報》也進一步強調，這些 AI 模型目前完全沒有受到金融監管機構的審查，消費者一旦蒙受資金損失，是無法獲得補償的。

AI 理財的下一戰：誰能給建議，誰必須負責？

FCA 其實已經在報告中明確注意到，受監管金融機構與科技平台之間存在著「不公平競爭環境」的風險。《金融時報》點出，監管機關未來可能介入，干預手段包括要求聊天機器人在英國用戶詢問財務問題時，在介面上強制顯示類似「菸盒警語」的醒目警示，或者強制要求這些科技平台必須將有需求的用戶導向真正持牌、受監管的專業人類理財顧問。

《衛報》進一步報導，這份由 FCA 執行董事 Sheldon Mills 領軍、著眼於 2030 年後 AI 如何重塑金融業的調查報告具有里程碑意義。Sheldon Mills 強調，這場變革本質上是一場軍備競賽，監管機構自己也必須在內部採用 AI 監管模型，才能跟上科技變革的速度，並有效偵測潛在風險。

這場變革揭示，通用 AI 理財顧問的優勢，未必是因為技術更成熟，而是因為能在監管尚未明確覆蓋的灰色地帶，提供近似金融建議的服務，卻不必像傳統業者承擔合規與責任。不過，這種不對等競爭未必會長期存在，《金融時報》報導，若英國未來對金融聊天機器人採取更嚴格監管，表面上可能限制創新，實際上卻可能成為本地財富管理業者的利多。因此，這場競爭的關鍵，將體現在金融業、科技平台與監管機關如何重新界定：誰能提供建議，誰又必須為結果負責。

＊本文開放合作夥伴轉載，參考資料：《Financial Times》、《The Guardian》，首圖來源：Unsplash

製造業升級目前的瓶頸，是老師傅腦中累積數十年的隱性經驗難以複製與傳承。當資深員工陸續退休、師徒制逐漸瓦解，如何用 AI 把「人」的 know-how 留下來，成為台灣製造業共同的課題。

TechOrange 科技報橘日前在高雄舉辦「2026 AI 智慧大工廠論壇」，以跨越經驗斷層，重塑製造韌性為主題，邀請高雄市政府經濟發展局指導，並集結鴻海科技集團、華碩、金屬工業研究發展中心、杰倫智能、谷林運算等專家，分享 AI 如何驅動傳統產業升級——從智慧排程、視覺檢測、預測性維護，到把老師傅的經驗轉化為可規模化、可傳承的數位資產。

為降低在地企業的 AI 轉型門檻，高雄市政府經濟發展局局長廖泰翔表示，經發局將持續協助企業對接像鴻海、華碩等 AI 技術、算力資源，把高雄既有的硬體製造優勢轉化為 AI 應用服務，讓 AI 從過去的單點案例串連成全面的產業網。

鴻海談未來工廠：AI 負責繁瑣事務，人類做決策判斷

鴻海科技集團正將傳統工廠轉型為具備「可帶走的製造能力」的智慧生產場域。面對全球龐大的生產體系與數據，鴻海科技集團智慧製造平台處長郭錦斌指出製造業升級的瓶頸並非缺乏 AI 模型，而是老師傅的隱性知識與經驗難以被複製與傳承。

「為什麼要做 GenAI，就是把個人經驗轉換成讓系統可以理解、流程被採用，被不同工廠持續改善的一個製造過程，」郭錦斌表示，為了跨越這個門檻，鴻海推出 Project Genesis 智慧製造平台，重新定義問題，並將複雜的現場痛點拆解為 AI 可執行的任務，並導入多代理協作（Multi-Agent）架構，透過 AI 將個人經驗轉化為系統能理解、流程能採用，且能在不同工廠間持續優化的可複用資產。

「當繁瑣的事務被機器取代後，人類就能進行更有價值的判斷，」郭錦斌強調，高度自動化與 AI 的介入，將人類的角色從過去的「資料整理者」，轉變為「問題定義者與決策審核者」，未來工廠的運作也將打破單點資訊孤島，透過品質、設備與排程等不同領域的 AI Agent 共同推理，提供經過多方權衡的綜合決策方案，透過這樣的人機閉環（Human-in-the-loop）治理護欄，共同推動製造業升級。

華碩四大 AI 解方，協助製造業跨越被動管理瓶頸

華碩智慧解決方案處長呂文成指出，華碩整合 4 種 AI 解決方案以及工業安全防護平台 AIEHS，全面解決工廠營運的轉型痛點。

第一是智慧排程派工系統「AISODA」：打破過去人工排程耗時、能見度低且插單溝通冗長等問題，華碩透過 AI 以「最短作業時間、最少在製存貨、最高產能利用率」等目標進行最佳化排程調度。

第二是 AI 視覺檢測「AISVision」：提供無程式碼的視覺開發環境，只需資料蒐集、資料標記、模型訓練、模型部署 4 個步驟即可完成 AI 模型建立。

第三是預測性維護與狀態監控方案「AISSENS + AISPHM」：傳統設備監控往往在無預警故障後才發出警報，導致意外停機與高昂維修成本，透過 AISPHM 監控平台、內建 Trend GPT 智慧判讀異常趨勢，以及 Spectrum GPT 自動解析倍頻特徵，協助工程師提升診斷效率與準確性。

第四是非視覺信號的 AI 異常檢測「AISDetector」：針對工廠內的機台隱患，僅需透過 4 步驟進行零代碼 AI 模型系統整合開發，打破過去 AI 訓練的限制，只需要提供五條良品數據就能快速建模，並且系統能自主掌握閾值微調，擺脫 AI 過去如黑盒子般無法控制的疑慮。

第五是工業安全防護平台 AIEHS：整合攝影機及 CCTV 系統，內建 AI 模型將風險識別、評估、導正等流程數據、可視化，並具備本地推論、快速部署、彈性配置以及全面管理等服務優勢。

為了解決傳統製造業高度仰賴人工經驗與被動式管理的瓶頸，華碩將複雜的 AI 技術轉化為低門檻的實用工具，透過這套完整的分層協作架構，加速產業轉型。

金屬工業研究發展中心用 AI 留住造船業老師傅獨門心法

過去工業 4.0 追求無人化的「關燈工廠」，但對台灣高達九成以上的中小企業而言門檻過高，因此產業趨勢逐漸轉向人機協作的工業 5.0 模式，將 AI 定義為賦能人類的輔助角色。

金屬工業研究發展中心精密機電組組長林佳賓以造船業為例，造船業的銲接技術不同於汽車板金，往往是非常厚的鋼板，且需要進行多層道銲接，這種高度客製化且高溫的製程無法即時量測，極度仰賴老師傅累積的經驗來控制與細微調整，幾乎無法用傳統自動化取代。因此金屬中心將影像數據化、老師傅經驗 AI 模型化，並導入重量低於 20 公斤的輕量化手臂，並結合 2D 即時影像辨識與 3D 雷射掃描技術，讓 AI 能夠自動精準辨識如氣孔、過熔等銲道瑕疵。

林佳賓指出技術落地的真正核心在於打造「人本數位孿生」，透過老師傅作業時進行觀測，記錄師傅工作時的判斷準則，系統會將這些經驗萃取、標準化並轉移至 AI 模型與機器手臂中，縮短新進人員的學習曲線，降低人工作業的負擔。

杰倫智能協同 AI 左右腦，用老師傅經驗培育 AI 學徒

面對勞動力緊縮與供應鏈分散的雙重夾擊，傳統製造業過去仰賴的「師徒制」正逐漸瓦解。面對資深員工退休引發的核心知識流失問題，杰倫智能提出「Domain Twin（領域數位孿生）」概念，將專家的隱性知識轉化為企業可傳承的 AI 資產。

「把人的知識經驗萃取出來，變成一個可規模化、複製化，持續優化的企業模型，就是 Domain Twin 的核心訴求，」杰倫智能執行長特助陳星光表示，Domain Twin 的目的並非取代員工，而是將隱性經驗轉化為結構化的數位數據，而這套系統架構結合處理結構化數據的機器學習「左腦」，以及處理文本知識的大語言模型「右腦」，透過左右腦的結合，成功地將老師傅的經驗與避錯方法轉換成數位化的 AI 學徒。

谷林運算建構工業數據中台，讓老舊機台開口說話

「AI 就像是負責分析與診斷的醫生，感測器就像聽診器，而工業數據中台則是病歷系統，」谷林運算創辦人暨執行長馮輝譯指出，谷林運算透過加裝外掛式工業感測器的方式，擷取電流、溫度與振動等物理訊號，將過去難以記錄的老師傅經驗與機台狀態轉化為可讀取的數據，成功讓原本無法聯網的老機台也能開口說話。

谷林運算應用數據中台將四散、格式不一的碎片化資訊進行整合、轉換與連結，轉換成 AI 能讀懂的脈絡，並透過數據波形，將過去工廠仰賴老師傅的隱性經驗（如火侯、加工聲響或機台虛工）具象化，提煉成全廠共享的數位資產。

立即預約收看 2026 AI 智慧大工廠＿高雄場演講精華

在 SpaceXAI 推出新模型、OpenAI 發表最新 GPT 5.6 之際，Meta 隨後也推出最新的專有 AI 模型 Muse Spark 1.1。這款內部研發代號為「Avocado（酪梨）」的新模型，不僅在功能上瞄準 AI Coding 與 Agentic AI，更在商業策略上搭配極具競爭力的超低價 API 與免費額度，試圖在開發者採用及大規模商業部署的入口處，正面迎戰 OpenAI、Anthropic 與 Google 等強勁對手。這也象徵 Meta 正式跨出過去以 Llama 開源模型為主的路線，試圖透過全新的 Meta Model API，向企業與開發者收取模型使用費。

Meta 推出低價 API 的策略與野心

為了在競爭激烈的市場中迅速吸引用戶，Meta 將 Muse Spark 1.1 的 API 價格設定為每百萬輸入 token 收費 1.25 美元、每百萬輸出 token 收費 4.25 美元，並為每個新帳號提供 20 美元的免費額度。Meta AI 長 Alexandr Wang 指出，Muse Spark 1.1 的核心目標，是提供能隨大規模消費與使用量擴展的定價方案。Meta 執行長 Mark Zuckerberg 則表示，這個價格大約只有 Anthropic 和 OpenAI 同級模型的四分之一，可說是「極度便宜」。

這項低價戰略背後，緊扣當前企業部署 AI 的核心痛點。隨著企業對高昂 AI 運算成本的焦慮不斷攀升，愈來愈多公司開始尋求各種省錢手段，包括採用免費的開源模型，或嘗試將非核心任務轉移到更具成本效益的模型上。在這樣的市場氛圍下，Meta 顯然並不急於透過銷售模型立即獲利，而是希望以低價作為誘因，說服企業用戶至少先嘗試其新模型，進一步在工作流程中建立使用習慣，並在占領市場、建立生態系後，未來再調高價格。

這種先燒錢擴大市占、後續再尋求營收空間的戰術，與 Netflix、Uber 過去的擴張路徑如出一轍。儘管目前該 API 仍處於公開預覽階段，且暫不打算上架至 OpenRouter 這類第三方平台，但 Replit、Cline、Box 等部分早期合作夥伴已經搶先接入，新用戶也可加入候補名單。

為何先攻 AI Coding？Alexandr Wang：程式能力是 Agent 的基礎

然而，光有低價並不足以在企業級應用中留住用戶，模型本身的技術實力才是決定成敗的關鍵。在 Muse Spark 1.1 的核心能力中，Meta 選擇將「程式設計（Coding）」能力作為最關鍵的突破口。Alexandr Wang 解釋，之所以全力提升模型的 Coding 能力，是因為程式設計是 AI Agent 能夠在數位世界中自主、跨應用程式執行多步驟任務的底層基石。這樣的技術定位也精準切中前代模型的痛點，因為在今年 4 月發布的初代 Muse Spark 中，程式設計能力曾被市場視為相對薄弱的一環。

為了扭轉這項劣勢，Meta 特別訓練 Muse Spark 1.1，使其能與開發者常用的各種主流 Agent harnesses 相容，並支援規劃模式、目標設定、子代理分工及上下文壓縮等進階 Agentic Coding 功能。

另一方面，當 Muse Spark 1.1 作為主代理運作時，能蒐集上下文、制訂詳細計畫，並將具體執行工作分派給多個平行運作的子代理協作。同時，模型更配備高達 100 萬 token 的龐大上下文視窗，能記住較早階段的操作步驟，並主動進行上下文壓縮（Context Compaction），以保留後續工作所需的決策關鍵。

在企業級應用中，Muse Spark 1.1 在處理大型且複雜的程式碼時展現出顯著進步，可自主診斷並修復複雜 bug、為企業級系統加入新功能，以及執行大規模程式碼遷移。在 Meta 所展示的 OpenCode 偵錯示範中，可以看到模型能獨立建立聊天網頁、自動截圖辨識視覺上的渲染錯誤、追蹤相關程式碼、執行修復並完成最終驗證，融合程式開發、多模態感知與工具調用能力。

此外，在更具挑戰性的電腦操作（Computer Use）任務中，模型也能跨多個應用程式維持長期工作脈絡，並適應動態變化的需求，同時自主判斷何時該撰寫程式腳本自動執行、何時該直接操作網頁介面。Meta 甚至展示「Facebook Marketplace 拍賣 Agent」的實際場景，呈現模型如何讀取智慧型手機拍攝的短片、擷取產品照片、分析商品資訊，進而操控瀏覽器，協助用戶自動完成上架與拍賣。

從開源 Llama 到付費 Muse，Meta 驚人資本支出下的商業策略轉向

從技術展示回到商業本質，Meta 這次推出付費專有模型 API 的策略轉型，揭示其背後沉重的財務與資本支出壓力。儘管 Meta 強調仍會支持開源社群，且旗下 Meta Superintelligence Labs（MSL）也正在研發 Muse Spark 的開源變體，但目前尚未透露該版本的發布時間，也凸顯 Meta 當前推動專有付費 API 商業化的急迫性。

這種策略轉向的背後，是極為可觀的資金投入。《The Information》報導，Meta 預估在 2026 年將投入高達 1,250 億至 1,450 億美元的資本支出，主要用於建造 AI 資料中心與基礎設施。此外，Meta 執行長 Mark Zuckerberg 正承受華爾街的巨大壓力，市場要求他證明這筆龐大的 AI 投資能夠帶來實質財務回報，尤其是在 Meta 尚未擁有成熟雲端基礎設施業務的前提下。再加上自 2020 年以來，Meta 專注於元宇宙發展的 Reality Labs 已累積高達 870 億美元的鉅額虧損，迫使 Meta 在過去兩年逐步淡化元宇宙敘事，轉而全力押注 AI。

低價就是 AI 民主化？Meta 搶 Agent 入口，也得面對信任與落地考驗

面對外界對 Meta 商業動機的質疑，Mark Zuckerberg 試圖將 Muse Spark 1.1 的超低定價，包裝成一場對抗「技術專制」的 AI 民主化戰役。他主張，應將「個人超級智慧」的力量交到每個人手中，而不是由少數幾家巨頭壟斷。Mark Zuckerberg 表示，Meta 的願景是將個人超級智慧帶給每個人，讓大眾自行主導生活中重視的事。他在接受《Bloomberg》採訪時，更不留情面地將矛頭指向競爭對手 Anthropic，指責其「將最強的模型藏在自己手裡，卻只釋出受限、簡化版的模型給外界」。

Mark Zuckerberg 這番言論刻意呼應社群上對於「永久下流階級（permanent underclass）」的擔憂，也就是一般大眾因付不起昂貴的 AI token 費用，注定受制於少數掌控頂尖 AI 技術巨頭的現象。這樣的說法，也確實引起部分因高昂 token 成本而開始棄用 Anthropic 的企業領袖共鳴。

然而，歷史紀錄顯示，Meta 長期部署以追求用戶互動率為優先的演算法，近期更因青少年心理健康與平台成癮問題，面臨高達 1.4 兆美元的集體訴訟。因此，僅憑一款低價 AI 模型，顯然還不足以說服外界忘記 Meta 過去的平台爭議。

此外，儘管 Meta 宣稱 Muse Spark 1.1 在多項代理指標上擊敗對手，但現實中的 AI Agent 依然錯誤頻出。例如，近期 Replit 的 AI 代理就在 Vibe Coding 過程中，發生意外移除整家公司程式碼庫的事件。這與 Meta 描繪的未來形成強烈對比，也再次揭示自主代理在實際商業落地時的潛在風險。

透過推出 Muse Spark 1.1，Meta 展現出將低價、百萬 token 上下文、多代理協作及電腦操作能力深度結合的商業與技術野心。這套低價策略或許會成功吸引不少對成本敏感的企業改用 Meta 模型，但在 OpenAI 發表 GPT 5.6、Anthropic 仍快速推進的紅海市場中，Meta 是否能憑藉持續的價格補貼與強大的自有硬體基礎設施，在 AI 應用市場站穩腳步，仍有待全球開發者與企業長期檢驗。

【推薦閱讀】
◆ ChatGPT Work + GPT-5.6 同日登場，OpenAI 這次比的不是誰更聰明
◆ 比 Claude、GPT 便宜一半：Grok 4.5 不爭最強模型，要用成本效率戰撼動 AI 市場
◆ OpenAI 推 GPT-Live 加入 AI 全雙工競賽，「聊天框的終點」比想像更近？

＊本文開放合作夥伴轉載，資料來源：《Gizmodo》、《The Information》、《QUARTZ》、《CNBC》、Meta，首圖來源：Meta

OpenAI 同時端出兩項產品：主打企業市場的 AI 代理 ChatGPT Work，以及新一代模型 GPT-5.6。《Reuters》形容，前者是期待已久的 AI「超級 App」正式登場，後者的重點則從更聰明轉向更省──OpenAI 執行長 Sam Altman 強調的，GPT-5.6 做同樣的事更省。

搶白領工作入口，ChatGPT Work 正面對決 Claude Cowork

ChatGPT Work 的定位，是把 OpenAI 的聊天機器人 ChatGPT 與其 AI 寫程式工具 Codex 結合起來，讓原本不會寫程式的一般工作者，也能用上程式設計工具的能力。

根據《The Verge》，它能從使用者選定的 App、檔案與工作流程中蒐集脈絡，產出文件、試算表、簡報與網頁應用等成品；OpenAI 並提供「統一外掛目錄」，讓 ChatGPT 可連接 Slack、Gmail、Google Drive、行事曆與 CRM 等工具。

Mac 與 Windows 桌面版應用程式的全球用戶（含免費用戶）已可立即使用；網頁與行動端則先開放給 Pro、Enterprise 與 Edu 用戶，Plus 與 Business 用戶會在接下來幾天陸續取得。OpenAI 同時推出新的 ChatGPT 桌面應用程式，以及可直接透過 ChatGPT Work 建立與分享網站的代管網站功能。

值得注意的是它的競爭定位。《Reuters》指出，ChatGPT Work 是對 Anthropic Claude Cowork 的直接回應：後者於今年 1 月推出，能自主規劃並執行多步驟任務；同時，它也正面對上微軟的 Copilot Cowork。

這幾款產品的共通點，是都瞄準想借助 AI 寫程式工具、卻缺乏專業知識的非工程背景使用者。而在這場競爭背後，還有更實際的商業盤算：《Reuters》分析，Anthropic 與 OpenAI 都在為可能的首次公開發行（IPO）做準備，兩者正爭奪比消費者市場更有利可圖的企業客戶。

GPT-5.6 主打 token 效率提升 54%，把「花費對價值」推上戰場

支撐 ChatGPT Work 的，是同日亮相的 GPT-5.6。這款模型分成三個版本：Sol 效能最強、Luna 主打速度、Terra 則在兩者間取得平衡、鎖定日常工作；Sol 另有 ultra 模式，可讓系統在任務上更用力，並把工作分派給不同子模型。

真正被 OpenAI 放到台前的賣點是效率。Altman 向《CNBC》表示，GPT-5.6 Sol 在 agentic coding（代理式寫程式）任務上的 token 效率提升 54%，表現「與市面上的模型同級或更好」。他直言，現在每一家企業都在衡量投入的花費，以及換得的價值。ChatGPT Work 產品經理 Ty Geri 也以類似口徑形容 GPT-5.6：與昂貴得多的模型相比具競爭力，速度快一倍、成本卻低得多。

效率的說服力，還來自小模型的表現。顧問公司 Creative Strategies 分析師 Max Weinbach 觀察，GPT-5.6 最小的版本能把一項任務完成得幾乎和最大版本一樣好，成本卻只有約五分之一，他說這是他第一次看到小模型能完成這類任務。

從國安考量到放行：一場與美國政府的來回協作

GPT-5.6 的登場並不完全順利。《The Verge》指出，大約兩週前，這款模型一度捲入監管風波，在「限量預覽」期間只開放給獲政府核准的組織；直到近日取得川普政府放行，才進入公開推出階段。

根據《CNBC》，OpenAI 最初把發布限制在一小群受信任的合作夥伴，是應美國政府要求；公司就核准流程，與商務部長 Howard Lutnick、財政部長 Scott Bessent，以及國家網路主任 Sean Cairncross 密切合作。Altman 形容這是一段「來回協作」的過程，由政府進行測試、提出問題，再交由公司處理，他並稱政府的技術能力令人印象深刻。他也說明：如果想要廣泛開放、手上又握有強大的模型，就必須對自身的安全宣稱有把握，否則情勢可能很快變得棘手。

當「花費與 ROI」成為新規則

這一週熱鬧的不只 OpenAI。《CNBC》整理，Meta 同日發表最新模型 Muse Spark 1.1，稱其為目前在代理與程式設計工作上最強的模型；SpaceXAI 也在前一天推出 Grok 4.5，標榜定價與執行效率。在各家你追我趕之際，一個共同的背景是《The Verge》所描述的產業「資金擠壓」：AI 實驗室的成本正被轉嫁到客戶身上，抱怨聲不斷。

在這個背景下，OpenAI 一手用 ChatGPT Work 搶白領工作的入口，一手用 GPT-5.6 把效率做成模型的主打賣點，兩者指向同一個判斷：當企業評估 AI 的標準從「模型有多聰明」轉向「花費與 ROI」，競爭的規則也隨之改寫。

至於這套打法能否讓 OpenAI 在與 Anthropic、Meta、SpaceXAI 的競賽中拉開差距，接下來要看的，會是真實工作場景裡的成效。

【推薦閱讀】

◆ OpenAI 推 GPT-Live 加入 AI 全雙工競賽，「聊天框的終點」比想像更近？

◆ Meta 首款 AI 圖像模型 Muse Image 登場：真正難複製的優勢，藏在 Instagram 裡

◆ 比 Claude、GPT 便宜一半：Grok 4.5 不爭最強模型，要用成本效率戰撼動 AI 市場

＊本文開放合作夥伴轉載，資料來源：《The Verge》、《CNBC》、《AXIOS》、《Reuters》，首圖來源：OpenAI

「AI 能力越強，越需要高品質、可信、可治理的企業知識」。生成式 AI 持續改變企業取得與運用知識的方式，如何讓組織知識更容易保存、查找及活用，也成為企業推動 AI 轉型的重要課題。歷經 20 多年的深耕與超過 800 家企業客戶的實務淬鍊，知識管理領導品牌 Vitals ESP 日前迎來跨世代重大改版。除了優化平台介面、強化使用者體驗，更深化 AI 智能與資訊安全應用，全面提升日常使用便利性，協助企業打造更智能、高效、安全的數位大腦。

Vitals ESP 始終以「成為企業最值得信賴的知識中樞」為願景，透過新技術與使用者回饋不斷優化產品。面對 AI 時代的來臨，知識管理不再只是文件保存工具，更是企業累積智慧資產、串聯組織經驗的重要基礎。

持續深化 AI 應用 讓知識取得更直覺

隨著生成式 AI 改變使用者取得資訊的習慣，企業對知識管理的期待也從過去的「找得到」，進一步提升為「問得到、看得懂、學得會」。然而，面對龐大的文件與多元資料來源，如何提高回答精準度、降低理解門檻，並讓知識真正被活用，已成為企業導入 AI 過程中的關鍵挑戰。

因此，Vitals ESP 7 持續深化 AI 應用，推出單一或自選資料集口語問答、附檔 AI 摘要、即時翻譯多國語、自我評量及 AI 問卷等功能，協助企業提升知識查找、學習與傳承效率，讓知識不只是被保存，更能在日常工作中發揮價值。

另一方面，隨著企業內部 AI 應用與異質系統日益增加，如何讓知識不侷限於單一平台，而能成為各項應用共同的智慧基礎，已成為企業邁向智慧化的重要關鍵。為此，系統提供彈性的 API，讓企業能將知識與生成能力延伸至更多應用場景，串聯不同系統與服務，逐步朝向企業數位大腦發展。

優化使用體驗與安全機制 兼備便利與安全

除了持續深化 AI 應用外，叡揚資訊也不斷傾聽使用者需求，致力於提供更便捷且友善的使用體驗。Vitals ESP 7 採用簡潔現代化的介面設計，並優化首頁資訊呈現、行動上傳及文件管理等功能，讓使用者能更專注於內容閱讀與知識分享，提升日常工作的便利性與效率。

另一方面，隨著企業累積大量重要知識與機敏資料，資訊安全也成為知識管理不可忽視的一環。除既有的異常使用偵測機制外，本次亦新增限制內網閱讀等功能，進一步強化敏感資料保護，在兼顧知識分享效率的同時，也守護企業核心知識資產。

持續深化知識治理 邁向企業數位大腦

AI 的價值建立在高品質的資料與知識之上。企業知識需要經過有系統的梳理、管理、治理與定期更新，才能避免資訊分散與內容過時，進而成為可信任且可被有效運用的智慧資產。

未來，將進一步深化知識管理與 AI 技術的結合，讓知識不只是被保存於系統中，更能成為組織內各類 AI Agent 的重要知識來源，協助企業建立能隨組織成長不斷演進的知識治理機制，逐步打造真正的企業數位大腦。

(本文訊息由叡揚資訊提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：pr@fusionmedium.com，經編輯檯審核並評估合宜性後再行刊登。圖片來源：叡揚資訊。）

企業導入 AI 已是不可逆的趨勢，但管理這些 AI 與 AI 代理，卻成為多數組織最棘手的問題。IT 和網路安全軟體公司 Ivanti 針對 6 個國家共 3,900 名企業員工的調查顯示，組織領導者隱瞞自身使用 AI 工具的比例幾乎是中基層員工的兩倍（42% 對 23%），其中 52% 坦承隱瞞是為了獲得「秘密優勢」。

責任歸屬也同樣模糊，雖然 85% 的 IT 專業人員聲稱每個 AI 代理背後都有明確負責人，但只有 42% 認為公司內部的責任劃分已經足夠清楚。

找出所有影子 AI 是不可能的任務

美國金融科技公司 Clearwater Analytics 資安長 Sam Evans 向外媒表示，對於像他們這種支撐著高達 8.8 兆美元資產的企業來說，AI 時代下最糟糕的情況，其實是員工直接將客戶資料，輸入到組織根本無法管理的 AI 應用之中。

舉例來說，曾經有大型企業員工私下對外透露，為了避開公司內部冗長的審核流程，他們會自行在 Google Colab 中建立影子 AI 應用，並且將數據儲存於外部資料庫，藉此將原本需要一週的財務分析工作，大幅壓縮到一個小時之內完成。

資安公司 Menlo Security 執行長 Bill Robbins 轉述某位美國前三大銀行資安長的說法，指出在 AI 科技的普及之下，企業選擇找出所有影子 AI 是不可能的任務，畢竟 AI 確實已經深入到員工所使用的每款應用程式和瀏覽器之中，因此該銀行選擇將 AI 治理策略，轉向確保資料環境獲得安全隔離。

行為沒有區別，意圖也難以判斷

CrowdStrike 技術長 Elia Zaitsev 解釋，為什麼 AI 工具與 AI 代理所觸發的攻擊面，對於企業來說竟如此難以控管，關鍵在於無論是由 AI 代理操作網頁瀏覽器，還是由使用者親自操作瀏覽器，從表面行為來看，這兩者其實根本就沒有區別。

換句話說，觀察程式的實際動態行為，並接著加以防範、應對，依舊還是結構化、可解決的問題，但是判斷 AI 甚至人類的「意圖」卻非常困難。

Elia Zaitsev 認為，影子 AI 已經不是企業資安團隊，可以透過列表、清單等手段進行管理的東西，而是企業 IT 必須先假設，一定會存在於組織內部的安全風險。

AI 代理擅自擴權，防守方疲於應對

企業 AI 所帶來的資安與治理問題，比外界所想像的更深、更廣。許多企業雖然會於 AI 應用上線之前，進行審查以確認模型的功能是否合格，但卻從未檢查過 AI 模型的來源、行為偏差，或者是 AI 代理是否會於啟動後擴大自身權限。

CrowdStrike 執行長 George Kurtz 分享了一個案例，他指出，某家《財星》前 50 強企業執行長所使用的 AI 代理，曾主動竄改該公司的資安政策以擴大自身權限，而且該公司還是在「偶然」情況下發現該問題，因為所有憑證、驗證全都正常通過。

George Kurtz 警告，在 AI 代理盛行的時代下，若想防禦由 AI 賦能的攻擊者，並且確保 AI 系統本身的安全，那麼防守方就必須以機器般的速度運作。

即便有 AI 幻覺，人類仍選擇信任

另一方面，所謂的「AI 幻覺」也使問題變得更加複雜。

同樣根據 Ivanti 的調查，高達 68% 的 IT 專業人員，曾經親眼目睹 AI 產生可能對營運造成影響的錯誤幻覺，其中超過半數員工於 AI 帶來實際損害前，就早先一步發現錯誤，但還是有 16% 未能及時發現。

即便如此，Ivanti 的調查仍指出，在最先進 AI 的使用者群體中，仍有 49% 的人完全信任能夠影響 IT 決策的 AI，以及由那些 AI 所輸出的結果。

美國體驗管理公司 Qualtrics 資安長 Assaf Keren 分析前述的矛盾，源於企業在 AI 時代下，正將「非確定性決策」引入原本為「確定性」所設計的環境中，畢竟目前確實並沒有明文規定的門檻，以區分哪些任務可由 AI 代理自動執行，而哪些則需要人類介入。

AI 應用全面投入，治理已迫在眉睫

AI 為企業帶來的資安與治理問題仍層出不窮，解決問題的時機窗口卻逐漸縮窄。

根據 Ivanti 的調查，多數 IT 組織預期 AI 將會在 18 個月之內，實現自家公司 46% 營運流程的自動化；同時治理問題已是阻礙加速部署最常見的障礙，其重要性甚至高於技能、技術及數據方面的挑戰。

在 AI 成熟度較高的企業中，其 IT 專業人員每週可節省約 6 小時工作時間，為成熟度最低層級的兩倍；而在已經大規模部署 AI 的組織中，近九成 IT 專業人員表示，AI 經常能夠在員工受到影響之前，協助偵測或解決問題。

當然，隨著 AI 應用逐漸普及，有 69% 已大規模部署 AI 的企業表明，他們已經全面建立治理機制，相較之下，處於早期實驗階段的組織僅有 15%。

總歸來說，面對企業 AI 治理失效問題，Ivanti 統整為 6 大主要面向，分別是：

• 高階主管私下執行的影子 AI、
• 現行 AI 代理所有權不明、
• AI 應用僅在部署之前審查、
• AI 治理政策執行不一致、
• 對 AI 預設的信任閾值過高、
• 以及缺乏針對 AI 代理每一次動作進行的「逐次授權」機制。

加強稽核、降低信任、適當授權

企業的 AI 治理政策不該只停留在紙本文件，因為 AI 代理為達到目標，往往會主動越過安全邊界，此時企業 AI 團隊就可以藉由伺服器端閘道的稽核軌跡紀錄，清楚列出 AI 代理「受控」與「未受控」動作的數據比例。

至於 AI 信任閾值過高的問題，企業則可檢查、分析已記錄的閾值矩陣，用以將每個 AI 代理的動作，分類為「自動執行」或「人工審查」，清楚區分哪些 AI 決策可交由自動執行，哪些又必須得有人類介入。

最後關於 AI 操作授權問題，考慮到 AI 代理每秒都在執行動作，權限極易於不知不覺中無限膨脹，所以企業 IT 團隊得時刻確認系統運行時的授權日誌，確保它能明確顯示每次動作的閘道攔截事件，以及權限重新授權的時間戳記。

【推薦閱讀】

◆ OpenAI 啟動開源資安計畫 Patch the Planet：資安戰場正從「找漏洞」轉向「修漏洞」
◆ 【金融業資安新威脅】駭客改打 IT 支援電話，傳統憑證防禦出現結構性破口
◆ 6 成受訪企業找不到懂 AI 的資安人才，資安主管年薪飆至 800 萬美元不罕見

＊本文開放合作夥伴轉載，參考資料：VentureBeat、Ivanti，首圖來源：PxHere

（責任編輯：鄒家彥）

企業採購正迎來新一波 AI 轉型浪潮。隨著生成式 AI、AI 代理（AI Agents）以及智慧自動化工具快速成熟，採購部門開始擺脫過去仰賴人工分析報表、比價與彙整資料的工作模式，將重心轉向更高價值的策略決策。

波士頓顧問集團（BCG）指出，企業若將 AI 整合至採購流程，最高可降低 45% 的整體成本，並減少採購團隊約 30% 的工作量，使人力得以投入供應商管理、策略規劃等更具價值的工作。另一份 2025 年美國生產力中心（APQC）研究也顯示，80% 採用 AI 的企業改善了資料品質，64% 的企業表示決策變得更加精準且有效，顯示 AI 已逐漸成為企業提升採購效率的重要工具。

TAMKO 靠 AI 代理整合系統，龐雜數據變決策依據

建材製造商 TAMKO 便是積極導入 AI 的代表案例。該公司採購長 Dean Czuma 表示，公司並沒有以 AI 取代原有採購系統，而是在既有的基礎執行系統之上增加一層智慧分析能力，希望透過數位化與 AI，加快洞察速度、優化工作流程，進一步提升整體營運成效。

TAMKO 導入的是 dSilo 開發的 Procure AI Agents（採購 AI 代理），其核心概念是在企業既有資料架構上建立一個智慧分析層，整合採購專業知識、AI 演算法與進階資料視覺化能力，自動分析散落在各系統中的採購資訊，萃取出具決策價值的「支出情報（Spend Intelligence）」。

過去，採購人員往往需要花費大量時間整理 ERP、財務系統及供應商資料，才能理解企業支出結構。如今，AI 能自動找出隱藏於龐大資料中的採購模式、成本變化與潛在節省機會，協助團隊更快掌握異常支出、供應商績效以及採購趨勢，讓管理者能更迅速做出決策。

Dean Czuma 表示，dSilo 的 AI Agents 正在重新定義企業辨識與創造價值的方式。透過結合採購專業能力、AI 技術與資料視覺化，系統可以將原本分散於企業資料中的重要資訊轉化成容易理解的洞察，並直接支援管理層制定決策，大幅提升採購工作的效率與影響力。

超越聊天機器人！Amazon Quick 幫企業進行定價策略壓力測試

Amazon Business 也推出 AI 助理 Amazon Quick，希望將 AI 延伸到採購人員的日常工作。Amazon Quick 並非傳統聊天機器人，而是具備代理能力的 AI 助理，可連結企業常用的應用程式，理解使用者的工作優先順序，並主動協助完成各項任務。

例如，採購人員可以利用 Amazon Quick 判斷哪些電子郵件需要優先處理，也能快速整理簡報內容、彙整資訊，減少重複性的行政工作。更進一步，Prime Business 會員還能請 AI 協助研究競爭對手與成本資料，並針對企業的定價策略進行風險壓力測試，提前找出可能忽略的問題，讓決策建立在更完整的資訊基礎上。

隨著 AI 分析能力與 AI 代理技術逐漸成熟，採購工作的定位也持續改變。過去大量依賴人工整理資料、建立報表的流程，正逐步交由 AI 處理；採購人員則能投入更多時間分析市場、管理供應商關係與制定採購策略。

另一方面，資訊安全仍是企業推動 AI 時最主要的顧慮之一。Amazon Business 的《2025 State of Procurement Data》報告指出，34% 的高階主管以及 30% 的採購決策者擔心 AI 導入後可能帶來新的資安風險，因此如何兼顧效率與治理，也成為企業規劃 AI 採購策略的重要課題。

【推薦閱讀】

◆　員工都在用 AI，為何公司還看不到 ROI？Google Cloud 揭企業 AI 落地斷點

◆ 高盛預估到 2030 年 Token 用量暴增 24 倍，企業如何避免 AI 帳單失控？

◆ 供應鏈 AI 導入瓶頸不在技術，而在「決策權」：Deloitte 給主管的 5 個提醒

＊本文開放合作夥伴轉載，參考資料：《Procurement Magazine》、Amazon Business、《EME Outlook》，首圖來源：Unsplash

（責任編輯：廖紹伶）

受惠於全球對 AI 晶片與資料中心的龐大需求，南韓半導體巨頭三星電子（Samsung Electronics）與 SK 海力士（SK Hynix）的市值雙雙突破 1 兆美元。在工會的推動下，晶片部門的員工甚至迎來高達將近 40 萬美元的平均獎金。然而，這股令人矚目的 AI 紅利並未均等地流向所有勞工，而是沿著既有的勞動市場斷層分配：利益高度向擁有強大就業保護的「大企業內部員工」傾斜，而外包商、中小企業以及最關鍵的「年輕求職者」，則被隔絕在大門之外。

這並非南韓獨有的現象。橫跨萬里的歐洲金融重鎮瑞士，同樣正在發生類似變革。一項針對瑞士求職平台 jobs.ch 超過 730 萬則職缺廣告的研究指出，隨著企業加速採用 AI，瑞士初階職缺的廣告數量已顯著低於 2023 年以前的水準。

這兩國的案例共同揭示一個關鍵警訊： AI 對勞動市場的衝擊並非單純、粗暴的「全面取代工作」，而是正在悄悄改變招募偏好，讓初階職缺快速萎縮，而資深職位則更受重視。這種被稱為「資歷偏誤」的招募趨勢，極可能導致企業未來的人才培養出現嚴重的世代斷層。

AI 正在形成「資歷偏誤」：南韓青年職缺消失，資深工作者更吃香

南韓近年來的青年就業數據，持續為社會敲響警鐘。韓國銀行（Bank of Korea）經濟學家 Jinsu Han 與 Samil Oh 引述行政資料指出，在過去三年中，南韓 15 至 29 歲的青年工作減少 21.1 萬個，與此同時，50 多歲工作者的就業人數卻反向增加 20.9 萬個。這種青年就業下降的趨勢，在 AI 暴露程度較高（AI-exposed）的白領與技術產業中尤為明顯。數據顯示，資訊服務業的青年就業大幅減少 23.8%、出版業減少 20.4%，電腦程式設計、系統整合與管理領域下降 11.2%，而專業服務業也減少 8.8%。

經濟學家將這種勞動結構的轉變定義為「資歷偏誤的技術變革（seniority-biased technological change）」，背後的邏輯在於，初階工作者所仰賴的技能，多為可公式化、標準化的教科書知識，而這恰好是 AI 最擅長、最容易快速替代的領域。相反地，資深工作者長期累積的隱性知識、社會人際交往能力與職涯經驗，則更難被 AI 複製，甚至能因 AI 的輔助而提高價值。

此外，南韓特殊的「雙軌制」勞動市場結構更放大這個問題。韓國勞動研究院高級研究員 Jiyeun Chang 指出，「大企業內部的在職正式員工享有極強的就業保護，因此當企業面對新技術進行調整時，調整的壓力就會不成比例地落在招募邊際上，也就是正試圖進入職場的年輕人」。這也讓沒有既有職位保障的年輕求職者，成為技術變革下首當其衝的群體。

瑞士初階職缺大減 32%，AI 正在改寫白領招募結構

在瑞士，有數據印證這股資歷偏誤的招募結構變化。瑞士最大求職平台 jobs.ch 於 2026 年發布的研究顯示，2025 年瑞士初階職缺的占比，比 2019 至 2022 年，也就是 ChatGPT 問世前的「前 AI 時代」，平均水準大幅下降 32%。研究特別指出，行銷、行政、金融與 IT 是最容易受到 AI 採用衝擊的四大重災區，在這些 AI 暴露程度高的職務中，招募結構出現極端的兩極化趨勢。

更進一步來看，在 2025 年，AI 暴露職務中的資深職缺需求比 2023 年之前的四年，平均增長 26%。然而，在同類型 AI 暴露職務中，初階職缺的招募需求卻大幅下降了 16%。

對於期望進入白領知識型產業的年輕人而言，這無疑是一場生存危機。在一項針對 3,600 多名工作者的調查中，25 歲以下的年輕族群有高達 41% 坦言自己正遭受 「AI 恐慌症（AI FOBO，Fear of Becoming Obsolete）」 的折磨，極度擔心自己的技能和價值在職場上會因 AI 的普及而加速貶值。

新人進不了門，資深人才從哪裡來？AI 轉型下的人才培育難題

南韓與瑞士這兩國的趨勢，共同指向一個企業管理與國家政策上的盲點：如果新人進不了門，未來的資深人才要從哪裡養成？企業為了追求短期效率，利用 AI 替代初階白領工作，並將資源集中在招募現成的資深人才。然而，資深人才的核心優勢，也就是那些被 AI 增強的隱性知識與人際協調能力，並不是憑空產生的，而是必須在初階職務中，經歷無數次實務磨練、試錯與社交互動，才能逐漸養成。

因此，當企業大規模關閉初階招募窗口，等同於切斷人才供應鏈的源頭。即便短期效率提升，卻極可能換來未來 5 到 10 年內，市場上完全找不到合格資深專家的災難性斷層。

事實上，在 AI 浪潮襲來之前，南韓年輕人就已因結構性問題陷入困局。隨著大型企業走向資本與技術密集，並高度依賴外包，導致職缺逐年減少。面對潛在的人才危機，南韓政府正試圖利用半導體繁榮帶來的超額稅收進行政策干預。例如，南韓政府目前正規劃成立「未來應對基金」，用於投資大型計畫、解決不平等問題，並為 20 多歲與 30 多歲的青年族群提供就業支持。

對此，經濟學家與政策評論家提出一個務實的解方。他們認為政府應撥出部分財政盈餘，直接補貼大企業雇用並培訓年輕人，以維持國家整體的人才供應鏈。

AI 堵住職場入口，也可能催生新一代創業者

AI 轉型的過程，絕不只是一場單純追求短期效益的運動，如果政府與企業一味放任資歷偏誤的技術變革堵塞人才入口，社會將付出高昂代價。

然而，對於年輕世代而言，這場危機或許也孕育著另一條破局之路。正如《Financial Times》專欄作家 Sarah O’Connor 提出的前瞻性觀點，如果大企業與公部門的傳統招募大門不再敞開，在具備足夠的安全網、培訓資源與資本支持下，這群數位原生、對 AI 技術極具敏銳度的科技青年，完全有能力利用 AI 工具創造出效率更高、運作更靈活的新創企業。

新時代需要新的生存法則。當傳統的大型企業巨頭拒絕給年輕人入場券時，利用 AI 工具的賦能，這群被排擠的年輕破局者，或許正是未來顛覆那些老牌巨頭的最強對手。

＊本文開放合作夥伴轉載，資料來源：《Financial Times》、《Reuters》，首圖來源：Unsplash

【科技早餐】今天精選 8 則國內外重要科技新聞。

＊Apple 加碼 Broadcom 逾 300 億美元，美國將增產 150 億顆晶片

Apple 宣布，將在與 Broadcom 合作延長至 2031 年的基礎上，擴大金額超過 300 億美元的多年期合作，雙方將在美國設計及生產客製化晶片元件與先進無線連線技術，預計帶動超過 150 億顆美國製晶片生產，並支持數百個美國工作機會。Broadcom 將投入 15 億美元，擴建及升級位於科羅拉多州（Colorado）科林斯堡（Fort Collins）的製造設施。

這項協議是 Apple 美國製造計畫目前規模最大的合作承諾，也是公司未來四年投資美國 6,000 億美元布局的一部分。Apple 執行長庫克（Tim Cook）表示，美國製造的晶片對產品效能與連線能力相當重要。不過，產能回流也面臨人才壓力。根據麥肯錫（McKinsey & Co.）、國際半導體產業協會（SEMI）等機構的研究，到 2030 年，美國半導體產業可能短缺約 15.7 萬名技術人才。

＊中國考慮限量放行 NVIDIA H200，DeepSeek、字節跳動可望受惠

中國政府正考慮允許部分大型 AI 業者限量採購 NVIDIA H200 AI 晶片。根據《The Information》報導，中國官員近期已向阿里巴巴（Alibaba）、字節跳動（ByteDance）與 DeepSeek 表示，相關企業可能很快取得採購許可，但最終核准數量仍在評估，可能低於 20 萬顆，不到企業原先需求的一半。

美國政府先前已允許 NVIDIA 向部分中國企業銷售 H200，但中國仍在技術自主與補足 AI 算力需求之間評估採購規模。H200 採用 NVIDIA Hopper 架構，雖然不是最新一代產品，效能仍高於中國企業目前可穩定取得的多數 AI 晶片。若政策正式放寬，將有助中國大型 AI 業者擴充訓練與推論算力，但實際採購條件與核准數量仍待中國政府確認。

＊美國調查中國 AI 模型採用，中國示警 Claude Code 風險

中國 AI 模型近來因效能提升及使用成本較低，逐漸獲得部分美國企業採用。美國眾議院國土安全委員會（House Committee on Homeland Security）與美中戰略競爭特別委員會（House Select Committee on China），已針對企業導入 DeepSeek、阿里巴巴（Alibaba）、月之暗面（Moonshot AI）與 MiniMax 等中國模型展開聯合調查，並檢視相關資安與國家安全風險。

另一方面，中國工信部主管的國家漏洞資料庫警告，Anthropic 程式開發工具 Claude Code 的部分版本，可能在未經使用者同意的情況下，回傳所在地區與身分識別資訊。Anthropic 工程師表示，相關機制用於防止未經授權使用帳號、資料遭竊及模型蒸餾。阿里巴巴則已將 Claude Code 列為高風險軟體，並禁止員工在公司內部使用。

＊OpenAI 推 GPT-Live，ChatGPT 語音可邊聽邊說、背景處理複雜任務

OpenAI 發表新一代語音模型 GPT-Live，採用全雙工（full-duplex）架構，讓 AI 可以同時聆聽與回應，不必等待使用者完全停止說話後才開始處理。GPT-Live 能持續接收語音輸入，依照停頓、打斷與說話節奏，判斷何時回應或繼續聆聽，改善過去語音模型容易在不自然時間插話的問題。

OpenAI 同時將即時語音互動與複雜推理分開。一般問題可由語音模型直接回答；遇到搜尋、深度推理或 AI 代理（AI agent）任務時，則可交由背景模型處理，同時維持語音對話不中斷。GPT-Live 已成為 ChatGPT 的預設語音模型，付費方案使用 GPT-Live-1，免費使用者則使用 mini 版本。OpenAI 表示，目前每週已有超過 1.5 億人使用 ChatGPT 的語音與聽寫功能；GPT-Live 上線初期尚未支援相機及螢幕分享，也還沒有開放應用程式介面（API）。

＊Waymo 再擴四城，Tesla 無安全員 Robotaxi 開進邁阿密

Alphabet 旗下自駕公司 Waymo 宣布，正準備在聖地牙哥（San Diego）、拉斯維加斯（Las Vegas）、坦帕（Tampa）與丹佛（Denver），啟動沒有真人安全員隨車的全自動駕駛（Fully Autonomous）營運。初期將先開放 Waymo 員工搭乘，再逐步向一般乘客提供服務。四座城市加入後，Waymo 的全自動駕駛布局將涵蓋超過十座美國城市。

Tesla 也已將自駕計程車（Robotaxi）服務擴大到邁阿密（Miami）部分地區，並移除車內安全監控人員（Safety Monitor）。目前 Waymo 已在邁阿密提供全自動駕駛服務，Amazon 旗下 Zoox 也正在當地測試無人車隊。隨著多家業者擴大營運城市與無人化範圍，邁阿密成為美國 Robotaxi 業者持續布局的重要市場。

＊NVIDIA 聯手 Hugging Face，開源模型加速機器人 AI 開發

NVIDIA 宣布擴大與 AI 模型社群平台 Hugging Face 的合作，將更多機器人模型、資料與開發工具整合進開源機器人平台 LeRobot。此次新增內容包括 NVIDIA 最新的 Isaac GR00T 1.7 視覺、語言與動作基礎模型，以及 Isaac Teleop 遠端操作框架，讓開發者能在同一套開源環境中訓練、測試、分享及部署機器人模型與工作流程。

Hugging Face 的 LeRobot 提供機器人模型、資料集、控制策略與開發工具，支援從低成本機械手臂到人形機器人等不同硬體平台。NVIDIA 表示，這次整合可讓其超過 300 萬名機器人開發者，進一步連結 Hugging Face 約 1,600 萬名 AI 開發者，降低取得實體 AI 模型與工具的門檻。透過開源模型與共用工作流程，研究團隊及企業可在既有模型基礎上進行微調與測試，不必從零建立完整的機器人 AI 系統。

＊Apple 挑戰歐盟守門人認定敗訴，App Store 續受 DMA 規範

歐盟普通法院駁回 Apple 針對數位市場法（Digital Markets Act，DMA）提出的多項訴訟，維持歐盟執委會將 Apple 認定為「守門人」（Gatekeeper）的決定。法院確認，Apple 旗下不同裝置使用的 App Store，可被視為單一核心平台服務，因此仍須遵守數位市場法針對大型平台業者制定的競爭與開放規範。

Apple 同時挑戰歐盟先前針對 iMessage 展開市場調查的程序，但法院認定相關訴訟不具受理條件。歐盟先前已決定暫不把 iMessage 列入數位市場法規範，因此目前不需強制與其他通訊服務互通。Apple 表示，數位市場法的部分要求可能影響產品隱私、安全及創新，但尚未公布是否針對最新裁決提出進一步法律行動。

＊Meta 砸 130 億加元蓋加拿大 AI 中心，1 GW 算力押注天然氣

Meta 宣布，將在加拿大亞伯達省（Alberta）史特金郡（Sturgeon County）興建公司首座加拿大資料中心，總投資超過 130 億加元，初期電力規模為 1 GW，未來可進一步擴充至 1.8 GW。這將成為 Meta 全球第 33 座資料中心，預計在兩到三年內投入營運，施工高峰期將創造超過 3,000 個工作機會，正式營運後則提供約 300 個長期職缺。

Meta 將全額負擔新發電設施與相關電網基礎建設，電力主要來自天然氣。新發電廠上線前，加拿大能源公司 Capital Power 將先提供 250 MW 電力。Meta 表示，資料中心將採用封閉式液冷系統，以降低用水需求；亞伯達省穩定的能源供應、既有工業用地及較低氣溫，也是選擇當地興建大型 AI 基礎設施的重要條件。

＊本文開放合作夥伴轉載，資料來源：Apple、《Reuters》、《The Economic Times》、《The Information》、《CNBC》、《The Wall Street Journal》、《TechCrunch》、OpenAI、OpenAI、Waymo、《Electrek》、《Reuters》、NVIDIA、Court of Justice of The European Union、《Business Insider》，首圖來源：AI 生成圖。

一家已有 138 年歷史、承保業務遍及全球的保險公司，已投入超過 5,000 萬美元發展生成式 AI，執行長見到 Google Cloud 亞太區 AI 上市業務董事總經理 Harsha Konduri，第一個問題卻是：「為什麼我們仍看不到合適的 ROI？」

這不是單一企業的困境，Harsha Konduri 在今（7/9）日舉辦的 Google Cloud Day Taipei 主題演講指出，87% 的企業 AI 專案從未達到生產規模，仍有大量專案停留在展示階段；真正把 AI 嵌入營運流程、形成競爭優勢的專案，占比甚至不到 5%。

Harsha Konduri 認為，問題往往從企業如何定義 AI 策略就已經開始。他歸納企業最常見的幾項誤區，包括把 AI 策略押在單一模型或供應商、認為擁有大量資料自然能形成優勢，甚至只把 AI 當成降低人力成本的工具。

台灣 57% 企業已部署生成式 AI，焦慮卻從怕不懂變怕跟不上

這股壓力在台灣更加明顯。IDC 台灣總經理江芳韻在 Google Cloud Day 活動中指出，IDC 去年下半年調查亞洲超過 950 家企業，台灣已有 57% 企業部署代理式 AI，高於亞太平均的 36%。企業對代理式 AI 的期待也相當高，61% 受訪企業預期投資報酬（ROI）可超過 3 倍。

Google Cloud 台灣技術總經理林書平觀察，過去企業高階主管的焦慮，多半來自不了解 AI 是什麼、可以做什麼；如今則逐漸轉為「擔心跟不上」，開始急著盤點企業流程中有哪些工作應盡快導入 AI 或 AI 代理。

然而，導入速度加快，不代表價值自然出現。Google Cloud 大中華區 AI 技術總監蔡力宏點出一個常被企業忽略的差異：Personal Context（個人上下文）與 Enterprise Context（企業上下文）。

個人使用 AI 助理時，可以利用自己的 Gmail、Google Drive 等個人情境提升生產力；但到了企業環境，AI 真正需要理解的還包括 SOP、CRM 系統資料，以及公司獨有的營運流程。

蔡力宏說，許多企業「把 Gemini App 給所有員工」，就期待很快產生成效，「但坦白說，有很多 Enterprise Context 並不是非常 visible（可見的）。」

換句話說，讓所有員工用上 AI，不代表 AI 已經理解企業如何運作；缺少 SOP、CRM 資料與內部流程，提升的仍可能只是個人生產力。

Agent 做出來了，為何還是做不大？企業卡在 3 道關卡

即使企業找到適合的應用場景，下一道難題則是：如何讓成功的 AI 專案從概念驗證走向規模化部署？

江芳韻歸納，目前企業發展代理式 AI 面臨三大痛點：資料尚未就緒、缺乏可擴展的平台，以及難以整合既有系統。

當企業沒有統一的資料骨幹，各部門往往有什麼資料就先做什麼，例如客服用自己的資料建立 Agent，行銷、財務也各自開發，最後企業內部出現大量各自為政的小型 Agent，卻無法串起更大的效益。

她也引述 IDC 調查強調平台的重要性：擁有平台的企業，Agent 部署數量比沒有平台的企業高出 2 倍以上。針對既有系統整合，江芳韻表示若 Agent 無法讀取、寫入或觸發企業內部系統，即使能回答問題，也難以真正執行任務。

林書平則提醒，企業認為 AI 投資 ROI 不足，有時並非應用本身沒有價值，而是資源投入錯誤的技術層級。

AI 從哪裡開始導入？先找「本來就有 KPI」的高頻流程

面對 ROI 壓力，企業應該從哪裡開始？林書平歸納兩類較容易產生價值的場景。第一，是資料大量散落在不同系統，需要頻繁搜尋、彙整與摘要的工作；第二，則是高頻率、可高度自動化的商業流程。

江芳韻則觀察，目前台灣較具體落地的三大領域是客戶支援、風險管理與供應鏈優化。這三類工作有一項共同點：在 AI 出現以前，就已有明確的績效指標。例如客訴解決時間、成功攔截多少詐欺金額，或平均庫存天數。江芳韻指出，這些流程導入 Agent 後，前後差異更容易衡量。

這也提供企業一個更實際的 AI 導入思路：與其先問「AI 能做什麼」，不如先盤點公司內部哪些流程每天重複發生，而且早已有明確 KPI。

模型人人都買得到，企業如何讓 AI 優勢「愈滾愈大」？

找到適合的流程、建立資料與平台，是讓 AI 走出概念驗證的基礎。但 Harsha Konduri 提出另一個問題：當競爭者也能取得相近的模型與技術，企業如何利用 AI 建立長期差異？他的答案是「複利優勢」（compounding advantage）。

「如果沒有數據飛輪，就不存在所謂的 AI 策略。」Harsha Konduri 認為，企業只是持有資料並不足以形成優勢。企業必須先將資料轉化為 AI 可使用的「燃料」，用來改善決策，再把決策自動化進流程；隨著更多員工與客戶使用，又產生新的資料，持續改善 AI 與決策品質。

但要讓這套循環運轉，企業還需要「組織的 AI 代謝力」（organizational AI metabolism）：AI 能力能否快速被組織吸收，並由真正熟悉業務流程的人持續轉化成新的應用。

他以一家擁有 1.1 萬名員工的保險公司為例。若 Agent 永遠只靠 AI 團隊中的 3、4 人開發，能改善的流程終究有限；這家公司因此讓更多員工參與建立 Agent。其中一名保險從業人員便自行打造健康保險 Agent，交叉比對複雜保單資料、提供客戶洞察，相關驗證流程的回答速度提升 37%。

企業 AI 落地已不只是模型選擇問題。找到可衡量成果的流程、準備 Agent 所需的企業情境、解決平台與既有系統整合，或許是把 AI 接進營運流程的起點。

【推薦閱讀】

◆ 高盛預估到 2030 年 Token 用量暴增 24 倍，企業如何避免 AI 帳單失控？

◆ 供應鏈 AI 導入瓶頸不在技術，而在「決策權」：Deloitte 給主管的 5 個提醒

◆ Human-in-the-Loop 不再是黃金標準？亞馬遜揭 AI Agent 治理最大盲點

＊圖片來源：《TechOrange》拍攝，由左至右為蔡力宏、林書平、江芳韻。

目前，AI 技術的採用與投資正在邁入新階段，也就是將 AI 的應用版圖，逐漸擴展至實體經濟中。在這一波實體 AI（Physical AI）與世界模型熱潮中，總部位於紐約的 AI 新創 General Intuition 正嘗試在競爭激烈的市場中開闢一條新路。

《TechCrunch》旗下 Podcast 節目《Equity》，近期特別專訪 General Intuition 的共同創辦人暨執行長 Pim de Witte，深入剖析 General Intuition 如何利用電子遊戲數據，顛覆傳統機器人的訓練模式。

傳統大型語言模型（LLM）的預訓練方法，主要是複製網路上所有的文字數據，並要求模型預測下一個文本標記以發展出理解能力。雖然文字是極佳的資訊壓縮媒介，但這種模式會產生在某些領域表現出色，卻在某些領域表現不佳的狀況。這個癥結點在於，文字本質上會移除現實世界運作所需的空間與時間資訊；相較之下，卻有一種數據來源不只包含網際網路級別的資訊密度，更具備現實世界的空間及時間動態，那就是「電子遊戲」。因此，General Intuition 也將電子遊戲數據，視為預訓練實體 AI 的新藍海。

General Intuition 看見的資料缺口：實體 AI 需要真實動作標籤

傳統大型語言模型所依賴的文字數據，本質上都是從作者的主觀視角出發，所以難免帶有個人偏見。由於文字代表的是一種「被描述的現實」，但實體 AI 必須在「被感知的現實」中訓練，以一種中立且無偏差的方式理解世界，這就是為什麼網路上雖然有數百萬部 YouTube 影片，卻無法直接用來訓練高品質的實體 AI 世界模型，因為最關鍵的局限就在於，這些網路影片缺乏畫面外的「真實動作標籤」。例如，在一段飛機降落的影片中，飛行員移動方向舵的具體物理動作，無法在影片像素流或畫面影格中呈現。

Pim de Witte 指出，雖然有些 AI 實驗室主張可以單純從像素中推導出動作資訊，但當客戶要求模型在極端情況下依然要做出完美表現時，這種推測出來的數據就會出現嚴重誤差，進而導致系統失控。因此，如果缺乏真實的動作標籤，AI 模型在面對邊緣案例（Edge Cases）時，誤差會不斷累積，且模型將無法有效把自身的動作與周遭環境區隔開來。面對這樣的挑戰，General Intuition 決定利用獨家的「遊戲畫面加上玩家按鍵輸入數據」進行訓練，讓模型得以在精確的時空維度中推理與控制。

數億小時遊戲影片與玩家操作數據，如何變成機器人的世界模型？

為了實現這個願景，General Intuition 擁有獨特且具規模的專有數據庫，因為該公司是從 Metal TV 平台拆分而來，這讓他們可以直接繼承數億小時的遊戲影片，以及玩家按下按鍵的真實動作數據。這種規模高達數兆個標記（Tokens）的獨家數據集，為其提供了網際網路級別的預訓練庫，這在當前的世界模型研發中是絕無僅有的。

基於這些富含動作標籤的遊戲數據預訓練出來的基礎模型，在實體機器人應用上展現極其驚人的泛化能力。Pim de Witte 舉例，在 General Intuition 辦公室內，一台大型四足機器狗只接受短短八分鐘來自真實世界街道的機器人後訓練數據進行微調，就能在從未見過辦公室環境的情況下，僅憑前方鏡頭，在充滿走動行人和動態障礙物的辦公室中，成功進行零樣本導航。

這項突破對研發團隊而言是一個巨大的驚喜，這代表機器人開發者或許不再需要耗費巨資收集數百萬小時的真實世界數據，因為基礎模型的空間推理與泛化能力，就已經是可以直接輸出的產品。

Nerve 平台啟動資料飛輪：玩家遠端操控機器人，反過來訓練 Physical AI

物理世界模型的本質，就是在像素空間中精確預測隨著時間展開的環境動態。General Intuition 在預訓練中使用真實的動作數據而非推測數據，讓模型能夠內化物理與碰撞規則，提供直覺且可預測的模擬環境，而這正是與傳統模型最根本的不同。

這樣的差異，可以從 General Intuition 的模型與 Google DeepMind 開發的 Genie 模型對比中看出。Genie 為了追求極致的廣泛性，允許用戶輸入任何圖片，但這也導致模型容易遇到未曾內化物理碰撞規則的特定環境，進而產生不穩定的結果。相較之下，General Intuition 的模型能確保環境的預測與實體運作完全一致。

為了延續並擴大這個訓練生態，General Intuition 推出 Nerve 平台，提供數據標註與機器人遠端操控（Teleoperation）工作。當玩家透過 Nerve 平台遠端操作機器人時，系統便能即時收集人類在真實世界中實際採取的動作數據。因此，這項計畫不僅能減緩 AI 帶來的就業衝擊，更為 General Intuition 建立「創造工作與收集數據」的雙向飛輪。

透過多元且具備真實動作標籤的遊戲數據，General Intuition 正在打造一個能預測時空物理規則、控制模擬行為的通用基礎模型。General Intuition 的投資人 Vinod Khosla 對此指出，如同推理能力改變大型語言模型的遊戲規則，對於物理世界模型與具身 AI（embodied AI）而言，「直覺」（Intuition）與對物理規律的理解，將會是下一個重大飛躍。

【推薦閱讀】
◆ 歐洲人形機器人新勢力：特斯拉前科學家成立 UMA，靠什麼吸引 50 家企業洽談？
◆ 不賣家用人形機器人夢：Agility Robotics 如何用 RaaS、工業認證與真實數據打進倉儲物流現場？
◆ 【人形機器人家用化】22 度手指自由度、22 分貝靜音，1X NEO 用硬體差異化搶進家庭市場

＊本文開放合作夥伴轉載，資料來源：《TechCrunch》、《Axios》，首圖來源：General Intuition

當 AI、機器人與電動車快速發展，企業對具備硬體實作與系統整合能力的人才需求持續提升。台灣六支學生方程式賽車隊每年集結超過 300 名工程學生投入開發，是國內少數能培養跨領域系統整合能力的重要學生團隊。亞德諾半導體（Analog Devices, ADI）與安馳科技（Macnica Anstek）於 2026 年 7 月 7 日共同舉辦「智慧感測與能源系統工作坊」，邀請國立臺灣大學、國立清華大學、國立陽明交通大學、國立成功大學、國立臺灣科技大學及國立臺北科技大學六校車隊分享 ADALM2000（M2K）量測應用與電池管理系統（BMS）開發經驗，打造學生車隊與產業之間的技術交流平台。

本次工作坊聚焦「智慧感測」與「能源系統」兩大主題，由各車隊分享實際造車過程中的技術成果與開發經驗。國立陽明交通大學分享如何運用 M2K 量測工具驗證 BSPD（Brake System Plausibility Device）安全機制，確保油門與煞車訊號符合賽事安全規範；國立臺北科技大學則分享 DC-DC 轉換器開發經驗，說明如何透過量測分析切換雜訊、驗證系統效率並優化電源設計。其他車隊也分享電池管理、電源系統及整車開發等實務經驗，透過跨校交流彼此學習，累積更多工程實作與系統整合經驗。

在能源系統方面，六校車隊多數採用 ADI LTC6813、LTC6811 系列多電芯電池監控 IC 作為電池管理系統（BMS）核心元件，協助提升高壓電池系統的量測精度、通訊可靠性與安全性，也是目前國際學生方程式賽車廣泛採用的解決方案。活動最後也比照學生方程式賽事中的靜態賽（Static Event）形式，由企業代表針對各車隊提案提供回饋，不僅讓學生從產業角度檢視設計成果，也讓企業更深入了解學生團隊的系統整合、工程思維與問題解決能力。在校園裡，這些車隊就像在有限資源中努力成長的工程花朵。他們沒有企業完整的研發設備與資源，卻必須完成接近業界開發流程的挑戰，從設計、製造，到不斷修改，每年重新打造一輛全新的電動賽車，在反覆驗證與問題解決的過程中，累積系統整合與工程實作能力。

ADI 資深銷售經理陳曜桎和安馳科技總經理陳發勇則表示，希望此次工作坊成為企業與學生團隊深化交流的起點，未來持續串聯更多企業資源，推動智慧感測與能源系統相關技術交流，陪伴更多台灣年輕工程師站上國際舞台。隨著各車隊即將啟程前往日本、歐洲及澳洲參與學生方程式賽事，也期許學生將一年來的努力成果帶向國際，在世界舞台展現台灣工程人才的實力。

(本文訊息由安馳科技提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：pr@fusionmedium.com，經編輯檯審核並評估合宜性後再行刊登。圖片來源：安馳科技。）

SpaceXAI 與 AI 程式開發新創公司 Cursor 深度整合後，正式推出首款聯合開發模型 Grok 4.5。相較於以往的 Grok 版本，Grok 4.5 被明確定位為面向軟體工程、法律與金融服務等高難度、長時間任務的旗艦產品，擺脫過去一般聊天機器人的定位。

《Bloomberg》指出，這款旗艦模型是 SpaceXAI 爭奪企業客戶、追趕 Anthropic 與 OpenAI 等強勁對手的關鍵行動，特別是在金融服務領域，SpaceXAI 正在積極強化處理金融工作流程的能力，核心目標就是要贏得華爾街客戶的青睞，藉此開拓更龐大、穩固的營收來源。

Grok 4.5 基準測試未登頂，成本效率卻突圍

在各大 AI 基準測試中，Grok 4.5 其實並未在所有維度上都取得壓倒性的領先。例如，在測試複雜命令列任務的 Terminal Bench 2.1 中，Grok 4.5 取得了 83.3% 的佳績，幾乎追平獲得 83.4% 的 GPT-5.5，與 Anthropic 的 Fable 5 也僅差 1 個百分點。然而，在解決真實 GitHub 問題的 DeepSWE 1.1 測試中，Grok 4.5 的得分僅為 53%，明顯落後於 GPT-5.5 的 67% 與 Fable 5 的 70%。

面對部分測試落後的結果，馬斯克強調，這款模型的開發理念是圍繞實際應用，而非單純的基準測試。他指出，根據內部評估，Grok 4.5 的能力大致與 Opus 4.7 相當，但速度更快，團隊正在把焦點放在現實世界的實用性，而不只是 benchmark。

這種對「務實」的追求，最直接的體現就在其顛覆性的定價與執行效率。儘管基準測試表現並非全面稱霸，但 Grok 4.5 在價格上展現出極強競爭力，其定價為每百萬 input tokens 僅需 2 美元、output tokens 僅需 6 美元。相較之下，市場上同等級競品的定價高出數倍：Anthropic 的 Opus 4.8 每百萬 input／output tokens 分別為 5 美元、25 美元；GPT-5.5 與 GPT-5.6 則為 input 5 美元、output 30 美元。

價格約為這些競爭對手三分之一的 Grok 4.5，以「性能足夠好，然後用價格碾壓對手」的策略，與智譜、DeepSeek 等中國大模型廠商的價格戰邏輯如出一轍。除了單價低，Grok 4.5 在實際運作中的資源消耗也極具競爭力。《The Decoder》指出，在 SWE Bench Pro 任務中，Grok 4.5 產出結果的速度高達每秒 80 個 tokens，且其所消耗的 token 數量比 Opus 4.8 減少 4.2 倍。這種低單價、高效率的雙重結合，使 Grok 4.5 成為同等性能級別中成本最低的選擇。

不只補強 coding 短板，Grok 4.5 也搶進法律、金融工作流

這款兼具低成本與高效率的旗艦模型，正是 SpaceXAI 用來搶攻高價值專業工作流的利刃。馬斯克曾坦言，他的 AI 團隊在程式開發能力上已經落後，這也推動他大幅調整團隊以重建研發力量。因此，這次推出的 Grok 4.5 正是直擊此痛點，要直接切入軟體工程、法律與金融等重度工作流，鎖定高難度且長時間的業務場景。

在軟體開發場景中，Grok 4.5 展現出處理大型程式碼庫、產出生產環境等級代碼、修復軟體錯誤、規劃開發任務，並在整個軟體開發生命週期中協助開發者的能力，成為 OpenAI 與 Anthropic 先進開發工具的強力對手。

除了程式設計，Grok 4.5 也精準切入法律與金融兩大高門檻行業。在法律工作流中，Grok 4.5 能協助專業人員審查合約、摘要案件、對比法律文件、分析法規，並協助起草法律內容。在金融工作流中，Grok 4.5 被設計用來支持財務報表分析、投資研究、獲取市場情報、撰寫企業報告以及進行風險評估。

模型之外的戰場：Grok 4.5 背後的算力、資料與開發者生態系

然而，這場企業 AI 市場的爭奪戰，戰線早已延伸至模型本身之外。《The Tech Portal》分析，這場競賽已不只是模型本身性能的對決，更是背後技術與商業生態系統的全面戰役。

Grok 4.5 展現出 SpaceXAI 垂直整合計算基礎設施、數據，以及核心開發者通路的強大實力。在底層算力與訓練技術方面，Grok 4.5 建立在 SpaceXAI 龐大的 AI 計算基礎設施之上。這款模型是在數萬張 NVIDIA GB300 GPU 上，採用針對大規模運行設計的技術訓練而成。在強化學習階段，更涵蓋了數十萬個任務，並採用自動化評分機制。值得注意的是，SpaceXAI 也建構專用於非同步學習（asynchronous learning）的訓練基礎設施，這也讓需要持續數小時的 AI Agent 在任務運行的同時，模型訓練仍可在底層並行不悖，大大提升研發與實用效率。

更具威脅性的是對開發者通路的高度掌控。Grok 4.5 目前已透過 Grok Build、Cursor 以及 xAI 主控台開放使用，並在微軟 Word、PowerPoint 和 Excel 等辦公軟體中上線外掛程式。最關鍵的戰略佈局在於，Grok 4.5 將全面導入至 Cursor 的桌面端、網頁端、iOS、命令列介面（CLI）以及 SDK 等全平台。作為當前成長最快且處於 Vibe Coding 時代核心的 Cursor，擁有極為龐大且高度活躍的工程師社群。因此，透過將 Cursor 納入版圖，SpaceXAI 不僅與 Cursor 共享資料與算力資源，更掌握這群開發者的日常入口，這使得 SpaceXAI 得以將開發者資料、先進模型與核心開發通路緊密綁定，形成對手難以突破的垂直閉環。

這套從底層算力到終端通路的完整佈局，正是 Grok 4.5 的底氣。Grok 4.5 的意義，是把企業 AI 競爭推向更現實的戰場：實用性、速度與成本。當 AI Agent 逐漸進入長時間、多步驟的企業工作流，token 消耗將快速放大，部署成本也成為決策關鍵。因此，若 Grok 4.5 能以足夠強的能力、更低價格、更高效率與 Cursor 通路切入市場，那麼企業採購邏輯將可能被重新改寫。

【推薦閱讀】
◆ OpenAI 推 GPT-Live 加入 AI 全雙工競賽，「聊天框的終點」比想像更近？
◆ 便宜中國 AI 模型還能用多久？北京擬限制海外存取權，企業省下成本卻換來供應鏈風險
◆ Meta 首款 AI 圖像模型 Muse Image 登場：真正難複製的優勢，藏在 Instagram 裡

＊本文開放合作夥伴轉載，資料來源：《The Tech Portal》、《Bloomberg》、《The Decoder》、《VentureBeat》，首圖來源：SpaceXAI

過去兩年，和 AI 對話大致有兩種樣子：在聊天框裡打字，或是對著麥克風口述，再等上一兩秒聽它一句略顯生硬的回覆。OpenAI 最新推出的語音模型 GPT-Live，想改寫的正是這個節奏，它讓 ChatGPT 能一邊說、一邊持續聆聽，正式把 OpenAI 推進 AI 全雙工（full-duplex）競賽。《VentureBeat》更指出，在多家業者已經投入相同技術的此刻，聊天框走向終點的那一天，可能比任何人預期的都更近。

不必等你把話說完：全雙工如何改變人與 AI 的互動

GPT-Live 由 GPT-Live-1 與 GPT-Live-1 mini 兩款模型組成，即日起在 iOS、Android 與 ChatGPT.com 全球上線，取代原本的進階語音模式（Advanced Voice Mode）。付費用戶預設使用 GPT-Live-1，免費用戶則用 GPT-Live-1 mini。

它最關鍵的技術轉變，OpenAI 稱為全雙工架構。在電信領域，全雙工指通話雙方能同時說與聽；放到 AI 上，意思是模型在生成回應的同時，仍持續處理你正在說的話，不再需要等一個乾淨的靜默，才判斷你講完了沒。用 OpenAI 的說法，模型每秒可做出多次互動決策：該說話、繼續聽、停頓、插話，還是呼叫工具。

實際體驗上，這讓語音助理能在你還在說話時插入「嗯哼」、「對」、「了解」這類回應，在自然的停頓處接話而不搶快，也能在被打斷時不至於整段脫軌。《Business Insider》的示範中，使用者要求 ChatGPT 一邊確認會議日期、一邊查天氣與路況，模型以簡短的「嗯」、「好」回應，並在使用者不斷追加需求時仍沒有跟丟。

相比之下，OpenAI 在 2024 年 9 月推出的進階語音模式雖然已把處理與生成收進單一模型，卻仍以僵硬的輪流方式運作。由於它靠靜默來判斷發言結束，一個短暫停頓或背景雜音都可能被誤判成「你講完了」，於是不合時宜地插話。有研究者在 X 上形容那種體驗像「對講機式的輪流」，而 GPT-Live 要終結的正是這個時代。從 2023 年初代 ChatGPT 語音的串接式管線（語音轉文字、大型語言模型、文字轉語音三段接力，早期約有 1,700 毫秒延遲），到單一模型的進階語音模式，再到如今能連續處理的 GPT-Live，語音 AI 的互動節奏正一代比一代更接近真人對話。

把「聲音」和「腦袋」拆開：語音層與推理層分離

GPT-Live 的第二個結構性改變，對企業應用或許同樣關鍵：它把語音互動層和推理層拆開。當使用者問的是直接問題，GPT-Live 自己就能回答；一旦問題需要網路搜尋、更深的推理或代理式（agentic）工作，它會把任務交給在背景運行的前沿模型，上線時是 OpenAI 四月發表的 GPT-5.5，並在運算非同步進行的同時，繼續和你把對話講下去。

這是一個模組化的設計：OpenAI 能替換背後的推理引擎，而不必重新訓練語音模型本身，未來推出更強的前沿模型時，也能直接更新 GPT-Live 所調用的模型。《VentureBeat》指出，這對企業與開發者工作流的意義不小，建立在這套架構上的語音代理，可以一邊和客戶自然對話，一邊在背景查詢資料庫、搜尋網路或執行多步驟推理，而這些在舊有管線下往往會製造好幾秒的空白。GPT-Live 也能在語音對話中帶出天氣、股價、運動比分與地圖等視覺卡片，並讓使用者在即時、中等、高三種推理強度間選擇。

一位取得預覽權限的使用者在 X 上的評論，某種程度點出了重點：真正變新的不是「智商」，困難的問題仍交給 GPT-5.5，變新的是「感覺」，一種邊說邊聽的全雙工體驗。

全雙工正在變成基本款：Google、字節跳動、NVIDIA 都在場上

在 OpenAI 打磨產品的同時，對手早已推出各自的全雙工系統。Google 的 Gemini Live 已在 Gemini App 提供全雙工對話，還支援 GPT-Live 上線時尚未具備的相機與螢幕分享；Google 也在三月釋出 Gemini 3.1 Flash Live，主打低延遲的即時語音。字節跳動四月在旗下豆包（Doubao）App 推出 Seeduplex，宣稱是首個大規模部署的量產級全雙工語音 AI，並表示相較前一代半雙工系統，錯誤回應與錯誤插話率降低約 5 成。NVIDIA 一月發表的 PersonaPlex，則為全雙工模型加入可自訂的聲音與角色控制，打破了自然語音模型只能綁定單一固定聲線的限制。

不只大廠。前 OpenAI 技術長 Mira Murati 領軍的 Thinking Machines 五月預告了類似技術，強調要讓互動原生地跨音訊、影像與文字連續處理，而不是逼人去遷就 AI 的介面；Apple、Amazon 也讓各自的助理更會對話、更能掌握上下文；由 Oculus 共同創辦人 Brendan Iribe 等人成立的 Sesame，同樣推出能自然對話、並在背景完成任務的 AI 助理。

《VentureBeat》觀察，全雙工語音正在成為消費級 AI 產品的基本門檻，而不是差異化的賣點。OpenAI 的優勢，主要落在既有龐大的使用者基礎、與 GPT-5.5 推理能力的整合，以及 ChatGPT 生態系的廣度，每週已有超過 1.5 億人透過語音與聽寫功能使用 ChatGPT。但任何一家公司能獨占自然語音的窗口，其實已經關上。

語言、影像、API 都還沒到位：能走多快，取決於補完這些缺口

在介面轉變的同時，GPT-Live 也還有明顯缺口：它上線時不支援語音搭配影像或螢幕分享，而這正是 Gemini Live 已有的能力；語言支援有限，OpenAI 坦言某些語言可能出現非母語口音或流暢度不足，《TechCrunch》就觀察到，即時翻譯的印地語示範帶著濃重美式口音、語氣偏書面而不自然。

此外，GPT-Live 上線首日並未開放 API，意味著企業開發者還無法直接以它打造商用語音代理，而 Google、ElevenLabs、Deepgram 等對手早已備妥面向開發者的產品，這道時間差可能拖慢它進入商業工作流的速度。

安全上，OpenAI 為 GPT-Live 建立了以即時語音風險為核心的評估，新增音訊原生測試，涵蓋自我傷害、性內容、違法行為、情感依賴、心理健康與仇恨言論等類別，並設計了能在模型說話當下介入的即時防護：導向較安全的回應、提供危機資源，或在較高風險情境直接結束語音對話，另有針對青少年的額外保護。

儘管主打自然，OpenAI 也強調目標並非打造 AI 陪伴者。值得注意的是，在使用真實用戶語音的評測中，GPT-Live 多數類別持平或改善，唯獨情感依賴出現小幅退步，OpenAI 稱此變化未達統計顯著。這也是為什麼它表示，會針對情感依賴展開更長期的追蹤與上線後監測，GPT-Live 所追求的自然，本身就可能構成一種新的風險。

回到最初的問題。OpenAI 產品負責人形容，他在散步時已能和語音功能進行 30 到 40 分鐘的對話，公司也明言看好語音成為處理複雜、長時間、代理式工作的主要介面。就現況而言，全雙工從差異化賣點變成基本門檻的趨勢已相當明確，人與 AI 的互動節奏也確實一代比一代接近真人；至於「聊天框的終點」是否真的近了，答案或許就藏在語言、影像與 API 這幾道尚未補完的缺口裡。

【推薦閱讀】

◆ Meta 首款 AI 圖像模型 Muse Image 登場：真正難複製的優勢，藏在 Instagram 裡

◆ 企業 AI 太難用，員工就自己找工具？企業治理影子 AI 的 90 天解法

◆ 為什麼 AI 做的 App 一眼就被看穿？三大跡象揭開 Vibe Coding 的 UI/UX 盲點

＊本文開放合作夥伴轉載，資料來源：《VentureBeat》、《Business Insider》、《TechCrunch》、OpenAI，首圖來源：OpenAI

過去，資訊長（CIO）職責主要圍繞在維護 IT 基礎設施，確保組織系統運作順暢。然而在生成式與 Agentic AI 席捲企業的此刻，這個角色經歷三十年來最劇烈的重塑。

在拉斯維加斯舉行的 Info-Tech LIVE 2026 大會上，IT 研究及顧問公司 Info-Tech Research Group 執行長 Tom Zehren 說，「CIO 已經沒有所謂正常的位置了」，一句話道盡 CIO 當前的處境。

Tom Zehren 指出，過去十二個月出現了三十年來最高的 CIO 更替率，背後主因是董事會與執行長對 AI 落地速度逐漸失去耐心。

Zehren 在會上拋出 CIO 心態必須轉變的方向，「過去許多領導者習於扮演『CI-NO』的角色，一遇到風險就先否決、先喊停；如今則必須切換成『CIO-yes, and⋯』的態度，也就是先肯定說『可以』，再主動為組織尋找前進的路徑，並擁抱可規模化的代理式 AI 架構，而不是成為創新的煞車鍵。」

CIO 存續的關鍵：如何把技術轉化為真實業務價值？

這正是 CIO 角色的根本轉變：衡量 CIO 的標準，已經不是看他構建了多少技術，而是看這些技術在組織裡被用得多好、又擴展到多大規模。

寶僑（P&G）資訊長 Seth Cohen 直言，最有效的 CIO 如今首先是業務領導者，運用 AI、資料與數位能力加速組織成長、改善決策、創造更好的體驗；Krispy Kreme 的全球資訊與技術長 Angela Yochem 也認為，CIO 已從監督 IT 營運，進化為業務策略家、創新催化者與成長推手。

Foundry 第 25 屆 State of the CIO 報告顯示，高達 83% 的 CIO 同意自己正成為組織中的「變革者」，愈來愈多地主導業務與技術倡議。換言之，技術能力已是基本門檻，能否把技術轉化為真實業務價值，才是這個位置存續的關鍵。

未受治理的 AI 工具在企業環境中蔓延，成技術高管的挑戰

且除了創新的壓力之外，CIO 還必須在日益險峻的威脅環境中守護組織安全，這構成了第二重壓力。當前端 AI 模型加速漏洞揭露的同時，企業內各團隊部署工具的速度，也快過 IT 部門所能跟上的腳步，等於為威脅行為者打開了新的入侵點。

IBM 一項針對兩千名技術高管的調查發現，70% 的受訪者表示，各業務單位部署技術的速度已超過 IT 所能追蹤的範圍；59% 將資安與合規，視為擴展 AI 代理的最大障礙；而真正自認為已為下一波 AI 代理部署做好充分準備的 CIO 與 CTO，僅有 11%。

內華達州資訊長 Timothy Galluzi 對此感受深刻。去年該州遭遇一起重大資安事件，一名員工從仿冒網站下載惡意軟體，攻擊者藉此刪除備份並部署勒索軟體；Galluzi 的辦公室協調超過六十個州級機構與十餘家廠商展開修復，最終在二十八天內復原九成資料、恢復營運，且未支付任何贖金。

這類事件凸顯，當愈來愈多未受治理的 AI 工具在企業環境中蔓延，所謂「影子 AI」便成為資安破口的新來源。

對此，Galluzi 認為，儘管資安始終是他心頭最掛念的事，他並未選擇全面封鎖，反而在整個行政部門部署 Microsoft Copilot，讓員工能在有治理與護欄的前提下使用生成式 AI，並同步建立能見度更高的治理計畫。他表示，若領導者不主動提供良好且受治理的工具，員工終究會向外尋找。

這個邏輯與企業過去應對「影子 IT」如出一轍，封鎖往往徒勞，提供更好的官方替代方案才是治本之道。

速度是必要也可能存在成本風險

然而，價值與安全之間還橫亙著第三重張力：速度與決策品質的矛盾。

問題在於，多數領導者根本不具備快速決策的能力。研究顯示，93% 的 CIO 承認他們的組織沒有能力做出快速、明智的決策，主因不外乎是系統碎片化、缺乏能見度與即時可信的資料。而當決策的地基本身就不穩固，要求加速反而可能放大風險。

更棘手的是，AI 正大幅壓縮決策時間。AI 公司 Tanium 的公部門資訊長 Claire Bailey 觀察到，過去技術領導者享有「時間」這項奢侈品，新風險出現時，總還有評估、規劃與逐步實作的餘裕，但 AI 讓這些時間軸急遽收縮，過去可能數月才被察覺的風險，如今幾乎即時暴露。

她提出，問題往往不在於資訊是否足夠，因為很多時候早已知道問題在哪，真正的關鍵在於能否趕在情勢再次改變之前採取行動。這意味著昨日以「自動化任務與流程」為核心的 CIO 詞彙，必須升級為以「自主運營」（autonomy）為核心的思維，將 IT 功能遷移至自主且近乎隱形的運作模式，並確保這個過程安全可控。

速度本身也可能成為風險，Uber 的案例是最好的警示。Uber 在短短四個月內就燒光了全年的 AI 預算。它說明代理式 AI 的試點，若缺乏可規模化與成本效益的設計，盲目求快不僅無法創造價值，反而會帶來失控的支出。

面對影子 AI，最有效的方式應是擁有官方替代選項

綜觀這三重壓力，可以得出幾個關鍵思考。第一，CIO 的核心挑戰已不再是技術能力本身，而是能否在創新速度與治理品質之間，找到一個可持續的平衡點，跑得太慢會被董事會替換，跑得太快則可能引火自焚。

第二，面對影子 AI，最有效的應對不是築牆封鎖，而是提供更好、更受信任的官方替代選項，這與過去處理影子 IT 的智慧一脈相承：人們之所以使用未授權工具，往往是因為官方選項不夠好用。

第三，也是多數組織最薄弱的環節，正是「採用」與「價值」之間的連結。當企業上層追問 AI 投資的回報，能夠建立清晰衡量指標、把工具採用率轉譯為可量化業務成果的 CIO，將在這場壓力測試中佔據明顯優勢。

【推薦閱讀】

◆ 資安長看不到的「暗物質」：放手讓 AI 自動修補前，先過 5 道門檻
◆ 影子 AI 2.0 來臨？專家揭「設備端推理」為何成為資安長新盲點
◆ 【Google 2026 網路安全預測報告】資安長的關鍵難題：誰來監管 AI？治理失控將比外部攻擊更早發生

＊本文開放合作夥伴轉載，參考資料：《Forbes》、OrbusSoftware，圖片來源：unsplash

（責任編輯：鄒家彥）

【科技早餐】今天精選 8 則國內外重要科技新聞。

＊中國擬限制海外使用先進 AI 模型，模型出口也成國安議題

《路透》引述知情人士報導，中國政府最近與多家科技企業開會，討論是否限制海外存取中國最先進的 AI 模型。參與會談的企業包括阿里巴巴、字節跳動與智譜 AI，會議由中國商務部主導，國家發展和改革委員會也派員參與。

消息人士表示，討論內容包括是否對最先進 AI 模型加上限制，不論是閉源模型，還是開放權重模型，都可能納入範圍。官員也提到，若涉及專有 AI 技術外流或遭竊，可能依中國國安相關法律處理。目前限制範圍仍在討論中，可能只適用於未來模型，也還不確定何時生效。

＊GPT-5.6、Fable 5 陸續放行，美國前沿模型先審再上線

《Axios》報導，美國商務部已批准 OpenAI 更廣泛推出 GPT-5.6。這款模型原本因美國政府基於國安疑慮要求延後，OpenAI 先限制給少數經審查的合作夥伴使用。這次獲准後，OpenAI 預計推出 GPT-5.6 系列三款模型。

這和 Anthropic 的案例相互呼應。美國政府之前對 Fable 5 和 Mythos 5 實施出口管制，由於 Anthropic 無法即時驗證使用者國籍，曾暫停兩款模型存取。6 月底限制解除後，Fable 5 恢復全球使用，Mythos 5 則先恢復給部分美國組織與合作夥伴。Fable 5 在部分付費方案的促銷期結束後，將改由 usage credits 按量計費，顯示前沿模型上線後仍面臨算力與成本限制。

＊DeepSeek 自研推論晶片，中國 AI 自主化卡在供應鏈

《路透》報導，中國 AI 新創 DeepSeek 正在開發自家 AI 晶片，目標鎖定推論市場，降低對 NVIDIA 與華為晶片的依賴。推論晶片不同於訓練晶片，訓練晶片支撐大型模型開發，推論晶片則更接近 AI 商業化應用，重點在成本、功耗和部署效率。

DeepSeek 過去因低成本模型快速打開全球知名度，但如果長期依賴外部晶片供應商，仍會受到供應鏈與平台限制。自研晶片的意義，不只是降低成本，也是在模型能力之外，掌握推論服務背後的運算基礎。不過，DeepSeek 真正的挑戰可能不在設計，而在供應鏈。受美國出口限制影響，中國 AI 晶片仍面臨先進製程、HBM 記憶體與先進晶圓代工能力限制。

＊Amazon 發債 250 億美元，科技巨頭用資本市場補 AI 基建

Amazon 計畫透過美元公司債籌資 250 億美元，用於一般企業用途，包括支援未來資本支出，以及償還部分既有債務。這是 Amazon 近一年來最新一波大型融資行動，也延續大型科技公司為 AI 基礎建設尋找資金來源的趨勢。

隨著 AI 資料中心、晶片與基礎設施支出快速增加，大型科技公司正越來越常透過債券市場或股權市場籌措資金。不只 Amazon，近期 Alphabet、Meta、Microsoft 等公司，也都曾透過發債或股權募資支撐 AI 投資。Amazon 先前預估，2026 年資本支出將達 2,000 億美元，高於 2025 年的 1,310 億美元。

＊SK 海力士赴美募資 280 億美元，HBM 供應商迎來重新定價

南韓晶片製造商 SK 海力士（SK Hynix）啟動美國 ADR 售股，計畫透過 Nasdaq 發行 1,779 萬股新股，募資約 280 億美元。根據文件，10 張 ADR 將代表 1 股普通股，最終價格預計在本週稍晚確定。

這起交易受到關注，關鍵在於 SK 海力士是全球 HBM 主要供應商。HBM 也就是高頻寬記憶體，是 AI 伺服器的重要零組件，負責把資料快速送進 GPU，直接影響 AI 系統效能。過去記憶體廠商常被視為高度景氣循環產業，但 HBM 需求讓市場重新評估它們在 AI 基礎建設中的角色。SK 海力士希望透過美國市場，吸引更多國際資金，募得資金也將用於南韓晶片廠建設與採購 ASML 的 EUV 設備。

＊Perplexity 採用 NVIDIA Vera CPU，AI 代理帶動資料中心 CPU 新戰線

AI 新創 Perplexity 表示，計畫採用 NVIDIA 新一代 Vera CPU。這是 NVIDIA 首款從零打造、專為 AI 代理工作負載設計的通用處理器，也代表 NVIDIA 正把硬體產品線從 GPU 延伸到資料中心 CPU 市場，進一步挑戰 Intel 與 AMD 長期主導的領域。

Perplexity 負責企業與基礎設施的副總裁 Nate Kupp 表示，Vera 執行 AI 代理編碼任務的速度約比傳統 CPU 快 1.5 倍。NVIDIA 則指出，OpenAI、Anthropic 與 Oracle 也有採用 Vera CPU 的計畫。隨著 AI 代理從實驗室走向企業部署，CPU 不只負責一般伺服器任務，也會影響代理能否長時間、低延遲地執行工作。

＊美國用電量再創高，AI 資料中心推升電力需求

美國能源資訊署（EIA）最新預測指出，美國用電量在 2025 年創高後，預計 2026 年和 2027 年會再創新高。主要原因包括 AI 資料中心快速擴張、加密貨幣挖礦，以及交通與供暖系統電氣化。

EIA 預估，美國用電量將從 2025 年的 4.195 兆度，增加到 2026 年的 4.269 兆度，並在 2027 年進一步升至 4.399 兆度。商業部門用電也預計在 2026 年首次超越住宅用電，反映資料中心與企業設施正成為電力需求成長的重要來源。AI 基礎建設不只改變科技公司的資本支出，也開始改變電力市場的需求結構。

＊歐洲央行要求銀行防 AI 攻擊，金融監理開始納入前沿模型風險

歐洲央行要求歐元區銀行在四個月內提出計畫，因應 AI 驅動的網路攻擊風險。歐洲央行要求銀行優先保護對外連網系統、第三方軟體與開源元件，並加快漏洞修補、強化監控。

這項要求顯示，AI 風險不只停留在模型公司與科技平台，也開始進入金融監理。隨著前沿模型提升攻擊者自動化、偵測漏洞與擴大攻擊規模的能力，銀行等關鍵金融機構需要更快調整資安防線。相較美國聯準會與英國央行較溫和的語氣，歐洲央行這次採取更具體的要求，凸顯金融監理機關對 AI 資安風險的關注升高。

＊本文開放合作夥伴轉載，資料來源：《Reuters》、《Reuters》、《Axios》、《Reuters》、《Bloomberg》、《Reuters》、《Reuters》、《Reuters》、《Reuters》，首圖來源：AI 生成圖。

人形機器人競賽長期由美國與中國企業主導，如今歐洲也出現新的參賽者。曾參與 Tesla Optimus 與 Autopilot AI 開發的機器學習科學家 Rémi Cadene，與前 Google DeepMind、Hugging Face 工程師共同創立巴黎機器人新創 UMA，並在近日正式發表首款人形機器人 Northstar。

根據《Bloomberg》報導，UMA 已與約 50 家潛在客戶洽談實際應用場景，並決定優先進軍歐洲市場。Cadene 將原因指向歐洲的高勞動成本與人口結構變化。他表示，歐洲人口老化日益嚴重，勞動成本居高不下，市場對於機器人的需求將會非常強勁。

Starting with the fundamentals

Prototype Version 0
AI, Software, Hardware
A small team, 9 months
Designed and assembled in Paris at @UMA_Robots pic.twitter.com/BJvtpgHctL

— Remi Cadene (@RemiCadene) July 7, 2026

一支從巴黎出發的「夢幻團隊」

UMA 之所以一亮相就受到關注，很大程度來自它的團隊經歷。Cadène 在 Tesla 工作約三年（2021 至 2024 年），任職於 Autopilot 團隊，參與駕駛輔助系統與 Optimus 背後的 AI，離開後加入 AI 平台 Hugging Face，主導開源機器人函式庫 LeRobot，這套工具在約一年內從零成長到超過 1.2 萬顆 GitHub star，成為機器人學習領域的基礎建設之一。

他身邊的共同創辦人陣容同樣資歷深厚。《The Next Web》指出，UMA 的科學長 Pierre Sermanet 出身 Google DeepMind，技術長 Simon Alibert 是 LeRobot 共同創辦人，機器人長 Robert Knight 則是廣泛使用的開源機械臂 SO-100 的設計者。

UMA 全名為 Universal Mechanical Assistant，於 2025 年 12 月走出隱形模式，《The Robotics Media》提到團隊分布於巴黎、倫敦與日內瓦。顧問名單則包括 Meta 首席 AI 科學家、圖靈獎得主 Yann LeCun。根據 UMA 官網，公司創投投資人還包括 Greycroft、Relentless、Unity Growth Fund、Red River West 與 Factorial。

40 公斤輕量化設計，不急著讓機器人看起來像人

根據報導，UMA 預計在 2026 年底前交付 Northstar 概念驗證版本。這款機器人將以輪子取代雙腿，外部則覆蓋一層柔軟材質，Cadene 將其比喻為「工作服」。該公司的目標是將機器人重量控制在約 40 公斤，使其能更安全地與人類互動。

這條產品路線，與許多人形機器人業者急於展示行走、奔跑能力有所不同。根據 UMA 發布資料，該公司正在開發兩個互補的系統：一款是適用於倉儲與組裝線的雙臂移動式工業機器人，另一是更適合在醫院、實驗室與家庭等以人類為中心的空間中導航、直接與人類協作的緊湊型人形機器人。

UMA 對 Northstar 外觀也採取較克制的設計：採用中性面罩、柔性外殼與外露機械關節，刻意讓使用者知道眼前的是機器，而非模仿人類的替代者。

但現階段仍不能忽略 Northstar 的產品成熟度。《Electrek》直接指出，從目前公開影像判斷，UMA 在機器人硬體方面似乎仍處於相對早期階段。換言之，UMA 現在最突出的籌碼，未必是機器人本體。

從 Optimus 到 LeRobot，UMA 押注機器人「如何學習」

根據《Bloomberg》，Northstar 的 AI「大腦」採用一種稱為「即時學習」（real-time learning）的方法進行訓練。這套方法讓機器人能觀看示範、學習技能，並在執行新任務的過程中持續進步，而不必針對每一項應用重新編寫程式。

Cadene 表示：「這就像孩子學習綁鞋帶。首先有人教他怎麼做，接著再透過反覆練習持續進步。」在巴黎實驗室中，他也向外媒展示搭載電腦視覺的機械手臂，能依照顏色抓取並分類塑膠壁塞。

美、中搶跑之際，歐洲也開始組自己的機器人團隊

UMA 的另一層意義，在於它出現在歐洲人形機器人投資升溫的時間點。《Bloomberg》指出，隨著工作年齡人口下降，投資人正加碼能協助工業自動化的 AI 機器人。除了 Tesla、Figure AI 等美國業者，歐洲也陸續出現法國 Genesis AI、德國 NEURA Robotics 等新創取得資金。

不過，要說歐洲人形機器人生態已經成形仍言之過早。《The Next Web》也直言，UMA 面對的問題與所有燒錢投入 Physical AI 的新創相同：能否把一支明星研究團隊，真正轉化為可交付的產品。

50 家潛在企業是否會成為付費客戶，Real-Time Learning 能否在工廠與倉庫的複雜環境中持續學習，Northstar 又能否從 40 公斤的早期原型走向量產，仍是 UMA 接下來必須回答的問題。

【推薦閱讀】

◆ 人形機器人 Atlas 首登世界盃，真正突破卻在場外：把它「變簡單」為何是關鍵？

◆ 【1 萬美元的社交機器人】社交優先、放棄步行，Codey 對美國照護缺口的另類押注

◆ 當中國人形機器人從產線走進家庭，優必選 U1 必須跨過哪些量產與倫理門檻？

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《The Next Web》、《The Robotics media》、《AI Weekly》、《Elektrek》、《BusinessWire》，首圖來源：截取自 Remi Cadene