應用程式開發的門檻已經被 AI 抹平，但賺錢的難度沒有跟著下降，反而更集中在少數玩家手上？

打造一款軟體產品已非難事，真正的戰場在於「如何讓使用者持續買單」。訂閱數據平台 RevenueCat 發布的《2026 訂閱制應用程式現況》（State of Subscription Apps 2026）報告，內容透過龐大的底層營運紀錄，客觀檢視產品的變現體質。

以下摘要梳理報告的關鍵發現，剖析驅動留存與轉換的底層邏輯，釐清開發團隊在面對人工智慧轉型、付費牆設計與平台基礎設施時常見的評估盲區，提供具體的對標指標。

📎 這份報告適合誰閱讀？

《2026 訂閱制應用程式現況》報告立基於超過 11.5 萬款應用程式、160 億美元的真實金流與超過 10 億筆交易數據，其中的量化數據與業界專家洞察，適合以下五類科技與商業工作者閱讀：

• 企業創辦人、CEO 與高階決策者
• 成長駭客與使用者獲取行銷團隊
• 產品經理與變現策略團隊
• 技術長與工程開發團隊
• 創投機構 (VC)、私募股權與市場分析師

🔴 報告洞見

隨著 AI 技術消除了過去十年的軟體開發門檻，我們迎來前所未有的「應用程式供給過剩」浪潮。

然而，這場供給爆發並沒有帶來市場的均富，反而讓獲客成本與流失率急遽攀升，市場規則已經被重新改寫。

以下分析來自超過 11.5 萬款應用程式、160 億美元真實金流數據，涵蓋獲客、定價、AI 留存與支付基礎設施四大面向。

💡 市場宏觀全貌：贏家通吃的「K 型市場」

目前的應用程式市場呈現極端兩極化的 K 型發展趨勢。數據顯示，前 25% 表現最好的應用程式其每月經常性收入（MRR）年成長率高達 80% 以上，而後 25% 的應用程式則面臨了超過 33% 的嚴重衰退。訂閱經濟已經成為一個極度「贏家通吃」的賽局。

自 2022 年以來，每月新上市的訂閱制應用程式數量狂飆了 7 倍，目前每個月都有將近 1.5 萬款新應用湧入市場，其中 iOS 平台更佔據了高達 77% 的新發布份額。

但是新應用的數量爆發並不等於市場營收的重新分配。2020 年以前發布的老牌應用程式，至今仍牢牢掌握著全市場高達 69% 的訂閱營收。而 2025 年之後在 AI 浪潮下誕生的新應用，總共只分得了 3% 的營收大餅。

在程式碼商品化的時代，真正的商業護城河不再是開發速度，而是歷經數年優化的漏斗轉換率與品牌信任度。

💡 獲客與轉換漏斗：打破直覺的「付費牆」與「試用期」真相

當市場陷入流量紅海，決戰點已經被極限壓縮到用戶下載的「第 0 天」。

要求用戶先付費才能使用的「強制付費牆」，其下載到付費的轉換率高達 10.7%，是傳統「免費增值」模式（2.1%）的 5 倍之多。

此外，業界目前普遍迷信「縮短試用期能加快資金回籠」，導致將近一半（46.5%）的應用程式採用 4 天以下的超短試用期——但是，長達 17 到 32 天的免費試用期，其付費轉換率高達 42.5%，比超短試用期（25.5%）足足高出了 1.7 倍。

試用期的長短，同樣反直覺，高達 55.4% 的「3 天免費試用」取消退訂，是發生在用戶下載的第一天（第 0 天）。

這意味著，如果你無法在用戶打開 APP 的最初幾分鐘內創造「Aha! moment」，無論試用期多短，他們都會立刻取消。

行動指南：

1. 採用強制付費牆最大化早期現金流：在用戶理解產品核心價值後，應立刻展示強制付費牆，這能最快確保單一用戶的經濟效益。
2. 善用「反向試用」：當用戶拒絕付費牆時，與其立刻塞給他們折扣，不如短暫開放高級功能讓其免費體驗。這能觸發強烈的「損失規避」心理，當用戶習慣後，為了避免失去這些功能，轉換率往往能飆升數倍。
3. 減少選項，利用「摩擦力」建立信任：Tinder 透過機器學習預測，每次只向用戶推薦「單一最佳方案」，有效降低了決策疲勞，創造數百萬美元營收。而 Duolingo 則反其道而行，讓用戶「自己選擇」哪一天收到試用到期提醒；這個刻意增加的摩擦力展現了極大的透明度，大幅提升了付費轉換。

💡 商業變現與定價策略：網頁端漏斗與折扣基礎設施

在定價方面，市場中位數出乎意料地穩定，週訂閱維持在 5 美元，月訂閱微升至 10 美元，年訂閱則落在 34.8 美元。

然而，受到 ChatGPT 等工具的錨定效應影響，消費者對於高價值應用的付費天花板已被拉高，頂尖產品的月費輕易突破過往 60 美元的認知上限。

更關鍵的增長落差出現在「網頁端營收」。在排名前 20% 的頂尖應用程式中，高達 41.4% 具備網頁端營收能力；相較之下，在初創階段的小型應用程式中，這個比例僅有可憐的 1.3%。

網頁端不僅能避開高昂的平台抽成，更是建立多多元管道獲客的關鍵基礎設施。

行動指南：

1. 網頁端應「推銷問題」而非解方：App 內的用戶通常已經準備好尋求解決方案，但網頁端的受眾還處於考慮階段。因此，網頁漏斗必須更深入幫助用戶認知並個人化他們的「痛點」，隨後再帶入產品。
2. 以「折扣引介優惠」取代免費試用：在付費廣告獲客上，採用「首月 0.99 美元，次月原價續訂」的模式，遠勝於純免費試用。這能有效過濾掉只想白嫖的用戶，並為廣告演算法提供更精準的高價值轉換訊號，避免被無效名單污染。
3. 勇敢拉高基礎定價：較高的基礎定價能為成長團隊創造更大的「折扣空間」。將原價從 40 美元拉高到 80 美元，能讓你設計出極具侵略性的促銷活動，以支撐當前不斷攀升的行銷成本。

💡 AI 應用程式的殘酷現實：高吸金力與留存困境

2026 年是 AI 應用全面落地的一年，整體市場有高達 27.1% 的應用程式已導入 AI，在「照片與影片」類別滲透率高達 61.4%，「生產力」類別也達到 41.1%。

AI 也確實展現了極強的早期吸金力。帶有 AI 功能的應用程式，在用戶付費的第一年內，擁有遠超傳統 App 的「變現能力」與「客單價」——多產生 41% 的營收（中位數 30.16 美元 vs. 非 AI 的 21.37 美元）。

然而，亮眼的首年營收背後，卻隱藏著嚴重的留存危機。

數據指出，AI 應用程式的年度留存率僅有 21.1%，遠低於非 AI 應用的 30.7%。退款數據也印證了同樣的問題，AI 應用的退款率（4.2%）明顯高於傳統應用（3.5%）。

這表明，AI 帶來的炒作確實能推動首波銷售，但多數產品尚未創造出足以支撐長期留存的底層價值。

行動指南：

1. 打好 AI 成本防禦戰：LLM 伺服器推論的邊際成本並非零，AI 每一秒的運算都在燒錢，開發者已經無法承擔「先讓用戶免費用到爽，再慢慢想辦法讓他掏錢」的免費增值模式策略，必須嚴格利用強制付費牆與引導年訂閱，來確保每次下載都能快速實現資金回籠與正向的單位經濟效益。
2. 護城河在「通路」而非程式碼：AI 讓所有人的開發速度變快，意味著你的產品隨時會被複製。你的防禦策略不應只放在迭代新功能，而應利用 AI 建立自動化防護機制，每天掃描應用商店的抄襲者與競品廣告。強大的分發通路與品牌心佔率，才是 AI 時代唯一的護城河。

💡 留存危機的真正元凶：平台支付漏洞

許多團隊看著流失率飆升，總以為是產品出了問題，但數據顯示，真正的漏洞往往藏在平台底層的支付基礎設施中。

在 Google Play 上，高達 32.2% 的訂閱取消是肇因於「非自願的扣款失敗（Billing error）」，這個比例是蘋果 App Store（15.2%）的兩倍以上。

這意味著近三分之一的 Android 流失用戶其實根本不想離開，單純是信用卡扣款機制崩潰。

此外，不同訂閱週期的「喚回率」呈現極大差異。月訂閱用戶的喚回率通常高達 18-24%，而年訂閱用戶一旦流失，喚回率僅有 4-6%。

行動指南：

1. 修復 Android 支付是首要成長駭客手段：別急著做介面 A/B 測試，工程團隊應優先解決 Google Play 的扣款失敗漏洞，這能挽回的營收絕對大於任何前端按鈕顏色的優化。
2. 別太早慶祝 A/B 測試的勝利：一個看似提升了初期轉換率的付費牆實驗，如果後續引發了大量的退款與信用卡拒付，最終將變成淨虧損。務必在實驗後的第 3 個月與第 6 個月設定檢核點，確認這些「勝利」沒有被後期的流失給吃掉。
3. 設計符合「週期性需求」的挽回策略：年度訂閱流失幾乎是不可逆的，但針對月訂閱（如交友、健身），用戶往往會在需求重現時回歸。提供「暫停訂閱」的選項取代徹底取消，並降低他們回歸時的摩擦力，才是最有效的留存策略。

💡 技術框架迷思與 2026 三大核心戰略

最後，關於技術開發框架的選擇，不要迷信某種程式語言或開發框架自帶「招財」屬性，團隊的商業變現能力與產品開發實力（執行力），才是決定能賺多少錢的關鍵。

雖然由 React-Native 開發的應用程式，其首年用戶終身價值中位數達到 31.78 美元，領先於 Native 原生的 20.88 美元與 Flutter 的 21.18 美元，但同一框架內部好壞表現的差距（高達 20 到 30 倍），遠超過了框架之間的差異。這個邏輯同樣適用於整體市場策略的選擇。

總結 2026 年的訂閱制市場戰略，企業決策者必須緊抓三大核心：

第一，大膽擁抱強制付費牆與引介優惠來極大化早期轉換；

第二，針對 AI 應用建立快速回本的定價防禦機制；

第三，修補網頁端獲客漏斗與 Android 扣款失敗等底層基礎設施。

在供給過剩的紅海中，誰能精準掌握這些數據背後真正的獲利槓桿，誰就能在這個贏家通吃的市場中穩佔一席之地。

＊閱讀完整報告內容，請見：State of Subscription Apps 2026

【更多產業研究報告】

◆【Hill & Valley Forum 2026】美國正重寫科技冷戰規則，台灣為何成為難以替代的關鍵盟友？
◆ 麥肯錫：72% 企業將主權 AI 納入 2026 年發展，推動主權 AI 須執行的 3 階段藍圖是什麼？
◆ 【Google 雲端威脅展望報告】攻擊空窗期縮至數天，企業如何轉向「自動化調度」確保營運韌性？

➡️ 其他產業研究報告

＊初稿由 AI 協作，首圖來源：Unsplash

Anthropic 推出最新通用 AI 模型 Claude Opus 4.7。表面上看，這是一次例行的旗艦模型升級；但若對照 Anthropic 近日才公開、卻暫不對外全面釋出的 Mythos Preview，就會發現這次發表真正想回答的問題，不只是模型有沒有更強，而是模型夠不夠可控。

根據 Anthropic 官方說法，Opus 4.7 在進階軟體工程、長時間任務執行、指令遵循與高解析視覺理解上，都較前代 Opus 4.6 有明顯提升，尤其更擅長處理過去仍需高度人工監督的複雜編碼工作。

Anthropic 也特別強調，這款模型雖然不如 Mythos Preview 那麼強大，卻是公司用來測試新一代資安防護機制與模型治理方式的第一個公開版本。這讓 Opus 4.7 的定位，不只是更強的 Claude，而是 Anthropic 在「高能力模型如何安全商業化」這條路上的一次壓力測試。

如果把近期幾家前沿模型公司的動作放在一起看，會更清楚這個趨勢。過去市場總把焦點放在基準測試排名、誰分數更高、誰能力更全面；但從 Anthropic 的 Mythos Preview，到 OpenAI 的 GPT-5.4-Cyber，再到這次的 Opus 4.7，產業重心正逐漸從能力邊界，轉向能力如何被控制、部署與授權。也就是說，AI 競賽已不再只是模型軍備競賽，而是開始進入「可控 AI」的新戰場。

微幅領先 OpenAI、Google，而非全面式碾壓

從基準測試成績來看，Anthropic 確實有理由把 Opus 4.7 包裝成新一代高階商用模型。根據 Anthropic 官方資料，Opus 4.7 在 GDPval-AA、Finance Agent 等知識工作與金融分析評測上表現突出，也在視覺推理、長任務一致性與多模態能力上較 Opus 4.6 進一步提升。

《VentureBeat》整理 Anthropic 公布的資料指出，Opus 4.7 在多個關鍵評測上小幅領先 OpenAI 的 GPT-5.4 與 Google 的 Gemini 3.1 Pro，尤其在代理式編碼、長任務自主執行與金融分析這類需要可靠性與持久性的場景中，展現出較強優勢。

不過，《VentureBeat》也提醒，這並不是一場全面碾壓的勝利。以 agentic search、多語問答與部分終端機編碼場景來看，GPT-5.4 或 Gemini 3.1 Pro 仍在部分指標上維持領先。這代表 Opus 4.7 的市場定位，不是全能型冠軍，而是一款更偏向「可靠執行者」的模型。換句話說，它強的地方不只是生成答案，而是更適合那些需要模型長時間穩定工作、自己查核輸出、並減少人類來回修正成本的工作流程。

從更強，走向更可靠

這也是 Anthropic 這次最想突顯的能力變化。根據 Anthropic 說法，Opus 4.7 的一個關鍵升級，是它更懂得在回覆前先驗證自己的輸出。Anthropic 用「rigor」來形容這種特質，也就是模型不只是完成任務，而是會自己設計額外步驟，確認答案或程式碼是否可靠，再把結果交還給使用者。

《VentureBeat》認為，這種自我驗證能力，正是 Anthropic 試圖解決代理式 AI 常見問題的核心：當模型被要求長時間自主工作時，真正的瓶頸往往不是它能不能做，而是它會不會在錯誤路徑上一路跑下去。

若從企業導入角度看，這點的重要性或許高過基準測試分數本身。因為在真實工作環境中，企業需要的不是一個偶爾很驚豔、但常常需要人工重新修正產出的模型，而是一個能在較長流程中維持穩定、在模糊任務中少犯錯、能更像可靠同事的系統。

根據 Anthropic，Intuit、Replit、Notion 等早期測試者的回饋，幾乎都在強調同一件事：Opus 4.7 的進步，不只是能力更強，而是更值得信任。Notion 就提到，模型在多步驟工作流程中的表現提升 14%，同時工具呼叫錯誤大減；Replit 則形容它「更像一個更好的 coworker」。

Anthropic 開始把「成本可控性」做進模型裡

除了可靠性，Anthropic 也同步把「成本可管理性」納入產品設計。Anthropic 在官方公告中宣布，Opus 4.7 新增 xhigh effort 等級，讓使用者可以在 high 與 max 之間，選擇更細緻的推理深度。

同時 Anthropic 也在 API 平台推出「任務預算（task budgets）」公測版，讓開發者可以為長時間代理任務設定 token 預算，控制模型在單一任務上的資源消耗。這顯示 Anthropic 已不再只把模型視為能力產品，而是視為一項需要被管理的企業基礎設施。

企業應該升級到 Opus 4.7 嗎？

Anthropic 也在官方文件中提醒，Opus 4.7 使用了更新的 tokenizer，可能導致同樣輸入轉成 1.0 到 1.35 倍不等的 token；再加上高 effort 模式下模型會「思考更多」，輸出 token 也可能提高。也就是說，雖然定價維持與 Opus 4.6 相同，仍是每百萬 input token 5 美元、output token 25 美元，但企業實際帳單不一定會維持原狀。

此外，Anthropic 也提醒 Opus 4.7 雖然是 Opus 4.6 的直接升級版，但由於它更嚴格遵循指令，過去為較舊模型設計、語氣較鬆散的 prompt，現在可能反而產生過度僵硬或出乎預期的結果。

這些都是《VentureBeat》特別提醒企業不要急著「整包升級」到 Opus 4.7 的原因。因此，若企業原本已在生產環境中使用 Opus 4.6，最理想的做法不是直接替換，而是分階段導入，重新調整 prompt、重新測試成本與拒答邊界，確認它在自己的工作流中真的能帶來淨效益。

AI 競爭邏輯已經變了

Opus 4.7 的另一層意義，還在於它扮演了舊模型與 Mythos 之間的「中介模型」。《The Verge》就點出，Anthropic 自己坦承這款模型其實並沒有推進公司的「能力前沿」，因為 Mythos Preview 在所有相關評測上都更強。換句話說，Anthropic 現在已明確把「產品前沿」與「能力前沿」拆開處理。最強的模型不一定先上市；能上市的模型，則必須先通過治理、授權與風險控制的考驗。

若從這個角度看，Opus 4.7 的真正對手，未必只是 GPT-5.4 或 Gemini 3.1 Pro，而是各家公司各自提出的高能力模型如何安全部署方案。

Anthropic 現在的答案，是建立一個介於一般商用模型與高風險前沿模型之間的 airlock（氣閘艙），也就是一種分層、限權、可驗證的過渡區。根據《implicator.ai》的分析，Opus 4.7 就像這個 airlock 的外層艙門：一方面向市場提供足夠強大的公開模型，另一方面又替更高風險的 Mythos 類模型試跑新的防護與驗證制度。

對企業來說，這意味著未來選模型時，不能只看能力表現，還要看供應商如何設計授權制度、風險控管與營運護欄。

【推薦閱讀】

◆ Anthropic 不敢全面公開的 AI：Claude Mythos 為何正在重寫網路安全規則？

◆ 當 AI「硬回答」反而害企業虧錢？Appier 拆解企業 AI 導入挑戰提 4 大解法

◆ 微軟悄悄研發「類 OpenClaw」功能：Copilot 走向全自主運作，爭奪企業 AI 主導權

＊本文開放合作夥伴轉載，資料來源：Anthropic、《VentureBeat》、《implicator.ai》、《CNBC》、《The Verge》，首圖來源：Anthropic

Google 在最新發布的《2025 廣告安全報告》（2025 Ads Safety Report），揭示數位廣告生態的關鍵轉變：生成式 AI 的普及已成為雙面刃，讓惡意人士得以用史無前例的速度與規模，大量產製垃圾內容與詐騙廣告。

為了應對這波由科技驅動的數位威脅，Google 全面升級防線，將自家 AI 模型 Gemini 深度整合至系統中，主動在使用者接觸到惡意內容前進行精準攔截。因此，這份報告不僅凸顯違規內容的氾濫趨勢，更標誌平台治理已正式跨入「AI 生成詐騙、AI 即時攔截」的全新攻防紀元。

生成式 AI 助長威脅，垃圾與詐騙廣告進入「規模化量產」階段

垃圾廣告與詐騙原本就是網路世界長年存在的舊問題，但生成式 AI 正在全面放大其生成的「速度與規模」。《Washington Times》引述分析師的觀察指出，從聲稱能包治百病的草藥廣告，到模仿名人聲音的影音素材，AI 正讓各種形式的詐騙內容更容易被快速生成與大量投放。

Google 的官方數據也印證這個趨勢：2025 年全球共攔下創紀錄的 83 億則違規廣告，遠高於前一年的 51 億則。其中，與詐騙最密切相關的違規廣告就高達 6.02 億則，並有 400 萬個帳號因涉嫌詐騙遭停權。這些數據皆凸顯，惡意內容已不再只是零星出現，而是藉由生成式 AI 進入工業化、規模化的擴散階段。

Google 用 Gemini 升級平台防線，在曝光前攔下超過 99% 違規廣告

面對海量的違規內容，Google 的執法策略也出現轉向。《TechCrunch》指出，雖然 2025 年攔下的廣告數量創新高，但帳號停權數並未同步暴增，這反映出平台正逐漸將重心轉向「先擋廣告」，而不是過度依賴「暫停帳號」這類手段。

這項轉變的背後核心是 Gemini 模型的深度應用。Google 表示，Gemini 現在已能分析包含帳號年齡、行為線索與投放模式等數百億個訊號。Google 廣告隱私與安全副總裁 Keerat Sharma 強調：「與早期基於關鍵字的系統不同，我們最新的模型能更好地理解意圖，幫助我們發現惡意內容並預先進行攔截，即使這些惡意內容被設計用來規避偵測。」

在速度與精準度上，Gemini 將原本需要數秒到數分鐘的素材分析壓縮到「毫秒級」完成，並讓系統能在廣告曝光前攔下超過 99% 的違規廣告，更重要的是，Gemini 的辨識能力讓 2025 年的誤停權情況大幅下降 80%，這代表平台在更快擋下惡意廣告的同時，也能避免誤傷合法商家。

除此之外，到 2025 年底，大多數在 Google Ads 建立的「回應式搜尋廣告」（Responsive Search Ads）已經能被即時審查，並在提交當下攔截有害內容。Gemini 的高效率也讓團隊在 2025 年處理的使用者檢舉數量達到 2024 年的四倍，這種速度讓安全專家能將心力集中在需要人類判斷的複雜案件上。同時，在提升科技工具之外，Google 更強調「廣告主驗證計畫」，要求投放廣告的企業確認身分，這也發揮關鍵預防作用，讓惡意人士在進入系統前就被擋在門外。 

AI 詐騙全球擴散中，在不同市場長出不同風險樣貌

然而，同一波 AI 廣告攻防，在不同市場中也演變出截然不同的挑戰與樣貌。例如在美國市場，Google 於 2025 年移除超過 17 億則違規廣告、停權 330 萬個帳號，最常見的違規類型為濫用廣告聯播網、不實陳述與性相關內容。 

在澳洲，Google 於 2025 年共封鎖 4.386 億則廣告、停權 59.4 萬個帳號。值得注意的是，「性相關內容（sexual content）」與「約會服務（dating services）」在澳洲的違規比例暴增，從前一年未進前五名，躍升為 2025 年最突出的違規類型之一。

至於在印度這個 Google 最大的用戶市場，則被封鎖或移除近 4.837 億則違規廣告、停權 170 萬個帳號。印度當地的主要違規樣態則高度集中於商標、金融服務、版權、個人化違規與濫用廣告網路。這些各國數據的差異顯示，這場由 AI 掀起的攻防戰，在不同市場也會發展出不同的風險樣貌。

從創紀錄的廣告攔截量，到跨國市場的惡意廣告型態差異，Google 在《2025 廣告安全報告》清楚表明，生成式 AI 的濫用已迫使平台治理全面升級，正如威斯康辛大學麥迪遜分校 AI Hub 主任 Matt Seitz 所言：「未來的發展會更加走向純粹的『AI 對抗 AI（AI versus AI）』，因為這個問題的規模太龐大了，已經無法直接透過人力來管理。」

＊本文開放合作夥伴轉載，參考資料：Google、《Washington Times》、《TechCrunch》、《Mumbrella》、《The Economic Times》，首圖來源：Google

當美國、中國、俄羅斯等國加速把 AI 導入自主無人機、攻擊系統與軍事決策平台，戰爭競賽已不再只是傳統軍備競爭，而是進一步走向「無人機對抗無人機、演算法對抗演算法」的新階段。

《紐約時報》指出，這場競賽涵蓋可自主飛行並伴隨戰機作戰的無人機、在人類未下達指令的情況下自主選擇目標的攻擊型無人機，以及能快速分析情報並推薦打擊方案的 AI 中央系統。另一方面，烏克蘭與伊朗相關戰事，也正進一步推動海上無人載具走向實戰化。

從自主無人機到無人攻擊艇，戰場正快速走向自主化與海上無人化

這場變革首先體現在無人硬體載具的自主化能力上。在 2025 年 9 月北京閱兵時，展示中國可自主伴飛戰機的無人機後，美國國防部官員便判斷美方無人戰鬥機計畫已落後中國。為彌補差距，美國要求新創防務公司 Anduril 提前三個月在俄亥俄州工廠量產 AI 自主飛行無人機 Fury。

《紐約時報》也指出，中國與俄羅斯都在試驗讓 AI 自行做出部分戰場決策：中國正發展可在無人介入下協同攻擊的多機群系統，俄羅斯則讓其在烏克蘭戰場測試的 Lancet 無人機加入自主選擇目標的能力。

與此同時，海上攻擊也正走向無人化。例如，烏克蘭使用的無人攻擊艇已大致把俄羅斯黑海艦隊逐出附近水域。若中東戰事擴大，英國新型無人艇也可能投入行動，顯示這類載具愈來愈被視為未來海戰的一部分，未來更將接手許多「骯髒、枯燥且危險」的任務。這些海上無人載具不僅可由遠端人員透過衛星通訊系統操作，也朝無須通訊連結的更高自主化發展，並能搭載監視設備、機槍或足以擊沉大型船艦的爆炸物。

AI 決策大腦幾乎消除從識別到打擊的延遲，開始顛覆現代作戰

除了硬體載具的升級，軟體系統的 AI 化更是這場競賽的核心。《紐約時報》回顧，美國 Project Maven 原本是為了處理龐大的無人機影像與情報資料，後來在 2019 年由 Palantir 接手。在 2026 年伊朗戰事中，該平台結合 Anthropic 的 Claude 軍用版，協助生成優先目標清單、推薦武器、計算燃料與彈藥並快速產生打擊方案。

Project Maven 所代表的現代化作戰方式，是透過 AI 系統分析多源情報、生成依優先順序排列的目標名單，並推薦武器，因此幾乎消除從識別目標到執行打擊之間的延遲。美國國防部首席數位與 AI 官員形容此系統具「革命性」，並指出這讓人類的參與僅剩下「左鍵單擊，右鍵單擊，左鍵單擊」而已。

軍備競賽的關鍵轉向：低成本、模組化與高速量產

現在，這場競賽不只關乎 AI 能不能分析、推薦與控制，也關乎誰能把這些能力更快整合進低成本、可大量部署的武器系統。

《路透》報導，由創投支持的英國新創 Kraken 已取得英國皇家海軍首批 20 艘小型攻擊艇訂單，也拿下美國特種作戰司令部與美國海軍的其他合約，顯示海上無人系統正快速進入正式軍事採購。Kraken 表示，其 8.5 公尺的 Scout Medium 是目前最受歡迎、也最容易大量生產的型號，並稱今年可交付多達 500 艘遠端操控載具，2027 年將透過與多國造船廠的合約讓產能再翻倍。目前 Kraken 創辦人 Mal Crease 正以愈來愈可大量生產的模組化零件來打造不同船型，再快速以人工方式組裝，他形容這「就像超級跑車一樣」。

新一代無人武器公司與傳統國防巨頭不同，前者規模更小、成立時間通常僅有兩年左右，但更能快速交付實體武器系統。《紐約時報》指出，這場 AI 軍備競賽的動態或許類似冷戰，但專家警告其與冷戰不同之處在於，新創公司、投資人與可快速擴散的 AI 技術正共同推進軍事能力發展。現在，關於將生死抉擇交給機器的倫理與治理討論，正被各國建軍與製造的急迫性所壓過。

另一方面，海上無人載具的快速崛起，顯示未來軍事競爭的關鍵，正從昂貴的大型武器平台，轉向低成本、可量產、可快速部署的自主系統。然而，當各國拚的不只是火力，而是速度、規模與反應時間，AI 軍備競賽也正把戰場推向一個更難預測，也更容易失控的新階段。

＊本文開放合作夥伴轉載，資料來源：《The New York Times》、《Reuters》，首圖來源：Anduril

聯網電視（CTV）正快速重塑廣告版圖，而「首頁螢幕」正在成為品牌搶佔注意力的關鍵入口。根據 HUB Research 2024 年的研究數據，約有 48% 的觀眾在打開智慧電視時，尚未決定要觀看的內容，這使首頁成為觀眾探索內容的第一站，也讓廣告得以在用戶進入串流平台前即發揮影響力。

對品牌而言，這不只是曝光機會，更是提前介入決策路徑的關鍵節點。媒體平台 Teads 根據自家平台 HomeScreen 的數據指出，首頁廣告能帶來高達 50% 的無提示回想率（unaided recall），意味著一半觀眾即使沒有任何提示，仍能記住品牌，顯著優於傳統廣告格式。

CTV 廣告運用地理定位、事件共鳴，強化場景化行銷

之所以有這樣的廣告效果，歸功於 CTV 在數據與創意上的同步進化。2026 年，廣告的地理圍欄（geo-targeting）已成為標準配備，廣告主可以依據觀眾所在位置、家庭收入結構，甚至即時天氣變化調整廣告內容。例如，在下雨的城市推送防水外套，在晴朗天氣則切換為夏季服飾，讓創意與情境高度貼合。這種動態調整不僅提升相關性，也強化了廣告的即時轉換潛力。

同時，CTV 也正在改寫「大眾共時收視」逐漸消失的敘事。過去由電視節目創造的全國同步觀看高峰雖已不再，但透過在地化投放與數據分群，品牌得以重新構建「群體共鳴」。無論是地方球隊奪冠、區域性文化事件，或選舉等高關注議題，廣告都能針對特定地區觀眾傳遞具情緒張力的訊息。這讓中小型品牌也有機會以更精準的預算參與大型事件，放大影響力，不必直接競逐最昂貴的全國性曝光時段。

數據驗證首頁螢幕的高互動潛力

在成效層面，首頁廣告的表現更進一步驗證其價值。根據媒體平台 Teads 的數據，其自家 CTV 產品「HomeScreen」廣告的點擊率為傳統展示廣告的 2 倍，轉化率更達 3 倍，且有 70% 的觀眾在接觸廣告後採取進一步行動，反映出首頁版位在高互動與高轉換上的潛力。

此外，LG Ad Solutions 的研究則指出，進階互動式首頁廣告相較於標準格式，可提升 66% 的廣告好感度、61% 的無提示記憶度，並讓用戶造訪網站的可能性增加 31%、互動意願提高 28%。這些數據共同指向一個趨勢：當首頁成為用戶進入內容世界的「入口」，廣告不再只是插入式訊息，而是轉化為一種可探索、可互動的體驗。

隨著串流服務、免費廣告支援內容（AVOD）與 FAST（Free Ad-supported Streaming TV）頻道持續擴張，使用者進出首頁的頻率也日益增加。這種高頻觸達，加上精準數據與創意形式的融合，使首頁螢幕逐漸演變為結合品牌建立與效果轉換的關鍵場域。2026 年的 CTV 廣告競爭，將不再只是爭奪內容播放前的幾秒鐘，而是提前在首頁這個尚未做出選擇的時刻，影響用戶接下來的行動。

【推薦閱讀】

◆ 零售 3.0 是什麼？實體店用 AI 預測力＋零摩擦設計，打造顧客回流的隱形黏性

◆ Costco 的 RMN 變革：放棄流量變現思維，如何靠封閉式數據實現「廣告到購買」？

◆ 告別關鍵字堆砌：2026 零售行銷新戰場，如何餵養 AI 想要的評論數據？

＊本文開放合作夥伴轉載，參考資料：《EMARKETER》、《The Drum》、Advance Television，首圖來源：Unsplash

（責任編輯：廖紹伶）

每個人手中的智慧型手機，其實都是一台整合了電話、相機、媒體播放器、網頁瀏覽器、衛星導航與各種先進功能的精密裝置。

至於在戰場上，由美國企業 NxGenComm 所研發的「Phoenix」，就是集結了傳訊、干擾器、無人機操控於一身，有望顛覆科技作戰樣貌的創新通訊設備。

AI、神經網路與 SDR 技術

在現代戰爭中，通訊干擾早就已經成為常態，尤其無人機領域更是如此。舉例來說，當今的烏克蘭戰場上，許多軍方車輛總搭載著密密麻麻的天線，用以干擾攻擊無人機的作戰任務，無線電通訊也充斥著混亂的電子干擾訊號。

即便美國軍方本來就擁有一套多樣化的系統，能夠應對戰場的複雜情況，但 Phoenix 則試圖利用單一解決方案，取代過去所有的類似系統。

就跟消費者所擁有的智慧型手機類似，Phoenix 系統的基礎源於軍用版 5G 通訊技術，但是在搭配軟體定義無線電（SDR）後，Phoenix 即跳脫了 5G 框架，成為可以輕鬆整合、操控各種軍事設備的整合型系統。

根據 NxGenComm 行銷總監 David Gross 的說法，起初公司只是在思考，如何運用 AI 與神經網路技術，提升 5G 系統的整體效能。

隨後，NxGenComm 決定導入軟體定義無線（SDR）技術，以幾乎無限的靈活性，讓 Phoenix 系統能夠於邊緣設備端，直接於作戰環境執行多種功能。

抵銷干擾訊號，維持穩定通訊

嚴格來說，Phoenix 在軍事領域俗稱的「殺傷網路（Kill Web）」體系中處於核心地位，它能夠監控所有感測器所輸入的資料，並直接指揮各項應對行動，包括真實的無人機打擊在內。

為了突顯 Phoenix 系統強大的指揮作戰能力，NxGenComm 近期於美國陸軍所舉辦的 Ivy Sting 軍事演習當中，實際展示了「搜尋並摧毀戰場訊號干擾器」的關鍵情境作戰。

在該次軍事演習中，NxGenComm 使用了一台體積只有筆記型電腦大小，重量僅 5.4 公斤的核心設備 Phoenix Enterprise，配合市售版的 5G 智慧型手機作為連線終端。

在 5G 手機跟 Phoenix 系統建立起通訊連結後，美國軍方就立即啟動訊號干擾器，釋放高斯雜訊（Gaussian noise）試圖切斷訊號，接著便是 Phoenix 大展身手的時刻。

David Gross 解釋，在發現訊號受到干擾後，Phoenix 首先執行的工作，就是透過獨立的射頻掃描，配合智慧型手機回傳的連線報告，偵測整體環境情況，並且分析干擾器的訊號特性。

緊接著，經過 AI 訓練足以抵抗干擾的 Phoenix 系統，就會開始即時調整自身所發射的訊號波形，抵消外部傳來的干擾，使整體通訊效能提升最高 40%。

鎖定干擾源位置，出動無人機打擊

只不過，單純減少訊號干擾以維持通訊，對於戰場環境遠遠不夠，軍事單位必須給予反制，這就意味著 Phoenix 系統接下來必須找出干擾源。

透過計算方向向量的方式，Phoenix 系統可以將干擾來源的搜尋範圍誤差，控制到僅僅 5 度以內，同時隨著未來技術的進步與迭代，該誤差還有機會降到 1 度以下。

戰場反干擾解決方案的最後一步，就是由 Phoenix 系統主動派出無人機，以內建軟體的「感測融合技術（sensor fusion）」，同步整合測向儀、攝影機及熱成像儀的數據，建立干擾源的完整圖像，並運用 AI 影像辨識出干擾設備的身分，接著於精確定位後，以其他手段加以處理。

David Gross 特別強調，無人機在搜尋目標並執行目視確認的過程中，儘管仍會持續受到訊號干擾，但 Phoenix 系統依然可以保持影像的穩定回傳。

對於軍方來說，由 Phoenix 系統所策動的干擾源反制方案，除了直接利用無人機摧毀干擾器外，也可以將座標轉發給其他單位實施攻擊。

此外，由於無人機所搭載的 Phoenix 系統軟體為本機運算，因此即使發動打擊的途中失去聯繫，它依然能精準執行任務，無論是單純確認目標並回傳數據，或是直接發動攻擊都不在話下。

消除人類猶豫，所有操作僅一分鐘

回顧開發 Phoenix 系統的過程，David Gross 表示，當 NxGenComm 開始跟眾多軍事作戰單位進行互動交流後，他們發現這些身處前線的官兵，最需要的東西終究是一套整合型的解決方案。

David Gross 說，即便只是一套 Phoenix 系統，就可以充當基地台、干擾器、通訊中繼站、無人機控制器、無線電測向儀，亦可作為誘餌引導敵方主動出擊，並於毫秒之內不斷切換自身所擔當的角色。

另一方面，擁有 AI 技術的 Phoenix 系統，還會主動適應並做出決策，以最貼近操作者意圖的方式執行任務，其機械化的運作速度，徹底消除人類在多種功能間切換所造成的瓶頸，比方說前述演習過程，從反干擾、定位干擾到打擊干擾，全部操作其實僅僅耗時 60 秒。

David Gross 強調，由於 Phoenix 系統定位於殺傷網路（Kill Web）的核心，所以能夠跟戰場上的邊緣設備進行通訊，進一步掌控與執行任務，甚至還能夠整合到小型無人機上，使 Phoenix 系統的優勢變得無所不在。

NxGenComm 期待，未來 Phoenix 系統將可以直接操控大量無人機群，執行各種飛行與導航任務，標記出戰場上所有無線電訊號發射源，繪製出一張資料地圖，即時且智慧的進行戰術應對，比方說干擾或鎖定目標，同時把資料回傳給人類指揮官。

至於 NxGenComm 另一種更遠大的構想，則是讓 Phoenix 系統成為「無人機力場」的核心，不只能用以偵測來襲的敵方無人機，還可以主動發射攔截機迅速反制。

技術雖然創新，採購仍有挑戰

在 Ivy Sting 軍事演習的示範中，Phoenix 系統獲得美國軍方的熱烈迴響，不過其後續可能將遭遇美軍常見的採購挑戰。

David Gross 解釋，以慣例而言，美國國防部通常喜歡將一套解決方案的不同部分，各自分開處理，如通訊、干擾或其他領域，各自都有分別的採購部門。

因此，即便 NxGenComm 的技術具備革命式創新，但公司仍是以提供「完整解決方案」為優先，並非只發展單一項目，這對於習慣分割式思考的客戶來說，若想體會其中的必要性與發展可能性，或許還需要更多時間。

David Gross 比喻，智慧型手機之所以能快速普及，主要是由於消費者原本就已經分別購買過手機、相機、音樂播放器等產品，所以他們能夠體會將所有功能整合於單一裝置的優勢；然而，當購買決策需要由不同部門的不同人員一起決定時，整個採購流程就會變得十分複雜。

新一代通訊應用的無窮潛力

無論如何，有能力不斷更新且持續學習的 AI，結合發展已久的軟體定義無線電（SDR）技術，使 Phoenix 這類足夠靈活、適應性強的通訊、反通訊解決方案，擁有近乎無限的發展空間。

因此，真正關鍵或許將會落在美國軍方，是否擁有跟先進技術一樣的靈活性與適應性，決心採購並充分發揮其無窮的應用潛力，讓新一代的通訊應用能夠在戰場上發光發亮。

【推薦閱讀】

◆ 用 2.5 億美元撬動 1 兆美元！美國啟動「矽和平」基金，AI 供應鏈從製造回流轉向資本結盟
◆ 4 天鎖定 2,000 個目標：AI 驅動的「殺傷鏈」成形，拆解美軍如何用演算法改寫戰爭速度
◆ 未來資料中心要配備飛彈防禦系統？波斯灣 3,000 億美元 的 AI 豪賭，正被迫進行戰爭壓力測試

＊本文開放合作夥伴轉載，參考資料：Forbes、NxGenComm，首圖來源：Flickr

（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。

＊Tesla AI5 完成設計定案，馬斯克點名台積電與三星

特斯拉（Tesla）執行長馬斯克（Elon Musk）15 日在社群平台 X 表示，自研 AI 晶片 AI5 已完成設計定案，也就是正式進入製造流程的下一階段。馬斯克同時點名感謝台灣積體電路製造公司（TSMC）與三星電子（Samsung Electronics）的生產支持，並透露團隊已同步開發 AI6 與 Dojo3。

市場普遍預期，AI5 將用於 Tesla 車輛、自動駕駛系統、Optimus 人形機器人以及資料中心運算。這也讓外界持續關注，Tesla 的自研晶片布局是否正從車端一路往機器人與資料中心延伸。

＊台積電上修全年展望，魏哲家：AI 需求比 1 月更強

台灣積體電路製造公司（TSMC）16 日召開法人說明會，董事長暨總裁魏哲家表示，AI 相關需求依然非常強勁，而且比今年 1 月法說時看到的還要更高。台積電預估第二季營收將落在 390 億到 402 億美元之間，季增約 10%，年增約 32%；全年美元營收成長，也上修為超過 30%。第一季獲利年增 58%，再創單季新高。

除了先進製程，魏哲家也提到，成熟製程策略沒有改變，重點不是單純擴標準產能，而是深化高良率與差異化特殊製程能力。台灣仍是台積電研發與先進製程核心基地，台南 3 奈米新產線預計 2027 年上半年量產；面對競爭與擴產議題，他則重申一句話：沒有捷徑。

＊NVIDIA GTC Taipei 6 月回歸，黃仁勳 6 月 1 日在台北開講

NVIDIA 宣布，GTC Taipei 2026 將於 6 月 1 日到 4 日舉行，活動將在台北國際會議中心與多個場地展開。根據 NVIDIA 官網，執行長黃仁勳將於 6 月 1 日上午 11 點在台北流行音樂中心發表主題演講，揭曉新一代 AI 技術進展。

今年議程涵蓋 AI 工廠、擴充基礎架構、代理型與推理型 AI、科學 AI、物理 AI 與機器人等主題。由於 GTC Taipei 與 6 月初登場的台北國際電腦展（COMPUTEX）時間重疊，外界也高度關注，黃仁勳今年將在台北釋出哪些新的技術與供應鏈訊號。

＊台股市值超車英國，AI 供應鏈續推台灣站上全球第 7

根據《彭博》彙整數據，截至 4 月 15 日，台灣股市總市值升至 4.14 兆美元，超越英國股市的 4.09 兆美元，成為全球第 7 大市場。這波推升主力，仍然來自 AI 供應鏈帶動的權值股表現，其中台灣積體電路製造公司（TSMC）續創高點，是關鍵推力。

市場也把這波資金回流，和 AI 硬體供應鏈持續走強連在一起。對台灣來說，這不只是股市排名變動，而是全球資本市場正重新反映台灣在 AI 產業鏈裡的位置。

＊魏哲家入選《時代》百大人物，黃仁勳撰文介紹

《時代》雜誌公布 2026 年百大最具影響力人物名單，台灣積體電路製造公司董事長暨總裁魏哲家入選，並由 NVIDIA 共同創辦人暨執行長黃仁勳撰文介紹。黃仁勳在文中表示，台積電早已不只是晶片製造商，而是眾多產業賴以建立的技術平台。

黃仁勳也提到，全球運算格局已從行動優先轉向 AI 優先，而魏哲家很早就意識到這個轉變，推動台積電從單純晶圓代工，進一步走向整合型晶片系統、先進封裝與矽光子布局。這份名單，也再次凸顯台積電在全球 AI 供應鏈中的位置。

＊艾司摩爾上修 2026 年展望，AI 把設備需求一路推高

全球最大半導體設備供應商艾司摩爾（ASML）15 日公布第一季財報，營收 87.6 億歐元、淨利 27.6 億歐元，雙雙優於市場預期，並把 2026 年全年營收展望由 340 億到 390 億歐元，上修至 360 億到 400 億歐元。

執行長福克（Christophe Fouquet）表示，晶片需求仍然供不應求，客戶正在加快 2026 年與之後的擴產規劃。ASML 也預估，今年可出貨 60 台低數值孔徑 EUV 設備，2027 年進一步提升到 80 台，顯示 AI 熱度已一路往設備端傳導。

＊Meta 智慧眼鏡傳評估人臉辨識，逾 70 團體要求喊停

《Wired》報導，Meta 內部正評估將名為「Name Tag」的人臉辨識功能導入智慧眼鏡，引發美國公民自由聯盟 (ACLU)、電子隱私資訊中心 (EPIC) 等超過 70 個民權與隱私團體聯名反對，要求 Meta 直接放棄計畫，而不是只靠產品設計或退出機制補強。

爭議焦點在於，一旦眼鏡可即時辨識公開帳號對應身分，公共空間中的旁觀者將難以得知自己是否正在被掃描。Meta 對外則表示，目前並未推出這類人臉辨識功能，若未來有相關規畫，會以審慎態度處理。

＊黃仁勳談美中 AI ，認為安全議題需要研究層面共識

NVIDIA 執行長黃仁勳近日在 Dwarkesh Podcast 受訪時表示，隨著像 Anthropic 開發的Mythos 模型這類技術強大的 AI 技術持續出現，美國與中國研究人員之間應該展開更多對話，尤其在「哪些領域不應使用 AI」這類安全議題上，更需要研究層面的共識。

黃仁勳也提到，中國擁有大量能源、資料中心與主流晶片製造能力，若美國完全以出口限制切斷交流，未必能真正阻止對方發展 AI。這番說法，也與 Anthropic 執行長阿莫戴（Dario Amodei）主張更嚴格管制的立場形成對比。

＊本文開放合作夥伴轉載，資料來源：《wccftech1》、《Reuters1》、《Reuters2》、NVIDIA、《Bloomberg1》、《Time》、《Reuters3》、《Wired》、《Bloomberg2》、《wccftech2》，首圖來源：Elon Musk。

企業導入生成式 AI 的初衷，是讓工作更快、更有效率，但近期一項研究卻揭露一個反直覺的現象：AI 雖然讓工作變快，卻未必讓工作變少。

根據企業軟體公司 Workday 2025 年底、針對全球 3,200 名企業領導者和員工的調查，企業透過 AI 節省的時間中，有接近 40% 最終被用於修正錯誤、重寫內容與驗證輸出，形成一種隱性的成本，被稱之為「AI 稅」。

看起來更快，但未必真的有效率

從表面上的數據來看，AI 的確正在提升效率。根據 Workday 研究，多數受訪員工表示 AI 每週可協助節省 1 至 7 小時，且有 77% 使用者認為自己變得更有效率。但是當企業進一步檢視「淨生產力」時，情況卻出現落差。

同一份研究指出，受訪員工每節省 10 小時工作時間，就有 4 小時被用於修正 AI 產出。換言之，40% 的效率被「重工」抵銷。《HR Dive》直接點出背後關鍵問題：多數企業只關注「gross efficiency」（產出速度），卻忽略「net value」（實際價值），導致 AI 效益被高估。

這種生產力流失，背後有一個逐漸被業界關注的現象：workslop，指的是 AI 生成大量看似有用、但實際需大量修正的低品質工作內容。根據《CIO》報導與 Workday 研究，AI 正被廣泛用於從會議摘要到複雜報告的各類任務，但在高專業內容中，可能導致修正時間超過撰寫時間。

該研究更發現，只要導入 AI 卻沒有同步調整技能、職務設計與支援機制，低品質的 AI 輸出就會普遍出現，而且這個問題並不限於特定產業或地區。

科技顧問公司 iTech AG 高層 Laura Stash 指出，AI 很適合用在低價值、可重複的工作，但如果在沒有足夠訓練或驗證機制的情況下，把同樣的方式套用到高度專業的任務上，反而會帶來更多問題。她提醒，「當使用者無法有效修正或信任 AI 的輸出時，生產力提升就會消失，長期下來甚至可能削弱原本的專業能力。」

最努力用 AI 的人，也很努力修補 AI 產出

值得關注的是，AI 稅並非平均分配的現象，而是集中在高頻率使用者身上。根據 Workday 數據，77% 的高頻率使用者會以與人類相同甚至更嚴格的標準審核 AI 內容；這些員工每年平均多花約 1.5 週時間修正 AI 輸出。

《CIO》引述人力資源公司 Dice 總裁 Paul Farnsworth 指出，企業中最優秀的員工往往成為「最後一道防線」，負責確保 AI 錯誤不被帶入正式產出，而這也導致人才過度消耗的長期風險。

缺乏配套培訓，反而讓 AI 成為生產力負擔

根據 Workday 報告，66% 的企業主管將 AI 技能培訓列為優先投資項目，但實際上，只有 37% 的日常 AI 使用者表示獲得更多訓練資源。《CIO》分析，這造成許多企業出現落差：一方面要求員工用 AI 產出高品質成果，另一方面卻沒有提供相應的能力培養與支援。

Farnsworth 指出，企業應讓 AI 期待與培訓策略對齊，不只是教員工「怎麼用 AI」，而是教他們「怎麼用得好」，同時建立必要的規範與品質控管機制，並持續評估 AI 的實際效益。這也可能意味著需要重新定義職務角色、更新技能需求，並清楚告訴員工在什麼情境下應該使用 AI。

人力資源顧問公司 Robert Half 的 Osman 強調，企業必須提供明確指引，包括何時使用 AI、如何驗證輸出，以及成功標準是什麼；真正做得好的企業，會把 AI 與培訓、品質標準與責任機制結合，讓員工不只是更快完成工作，而是做出更好的工作。

【推薦閱讀】

◆ 當 AI「硬回答」反而害企業虧錢？Appier 拆解企業 AI 導入挑戰提 4 大解法

◆ 有人用 AI，沒人為 AI 負責：500 位全球高管調查揭示企業 AI 部署的結構性危機

◆ 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

＊本文開放合作夥伴轉載，資料來源：《CIO》、《HR Dive》，首圖來源：Unsplash

目前，人工智慧在認知與軟體任務上已取得驚人成就，例如能夠在國際數學奧林匹亞競賽（IMO）中奪得金牌、表現超越人類化學家，以及撰寫出色的程式碼。然而，根據史丹佛大學最新發布的《AI Index 2026》報告，研究人員點出 AI 發展的「參差不齊」（jagged frontier）現象：AI 可以解決最高深的數學題，卻可能無法可靠地幫人類撿起地上的髒襪子。

儘管人形機器人已開始進入市場，但報告指出，機器人在真實家庭任務中，能夠完全且安全達成任務的成功率僅有約 12%，這代表高達 88% 的家務任務依然會失敗。這項數據清楚地顯示，人形機器人從「進入家庭」到「真正可用」之間，仍然存在明顯落差。

模擬表現進步很快，但在真實家庭場景仍失靈

《AI Index 2026》指出，人形機器人在受控的軟體模擬環境中，操作成功率已經可達 89.4%，與 2022 年約 48% 的表現相比有非常顯著的提升。然而，當機器人離開實驗室，進入混亂且不可預測的真實家庭環境時，其成功率便會大幅下滑。

報告進一步分析，對 AI 來說最困難的基準測試（benchmark），正是那些必須在真實世界中採取行動的任務，這是因為現實環境充滿不可預測性，且一旦發生錯誤，就會帶來實際影響。即使是目前表現最頂尖的模型，在必須同時滿足「完成任務」與「安全性」時，仍然經常面臨失敗，甚至有超過三分之一的任務無法被安全地完成。這背後的核心問題在於，目前頂尖的 AI 模型多半是透過網路上的文字進行訓練，這對理解文字很有用，但要在真實世界中規劃並執行實體動作時，仍面臨巨大挑戰與不夠成熟的狀況。

《Forbes》也透過具體的家庭場景，生動地說明這種現實與模擬間的巨大落差：在真實的家庭環境中，地板可能會變得濕滑、杯子擺放的角度可能剛好偏離機器人的手、試圖打開抽屜時可能會卡住，或是孩子不小心把樂高玩具留在地板上，這些日常生活中微小的不確定性，都是造成機器人在家庭環境中容易失手的原因。

家用人形機器人已開始出現，但實用性與成熟度皆需補強

目前市場上已經可以買到不同價位的人形機器人產品，例如價格約 5,000 美元的入門款、要價 20,000 美元的 1X Neo，或是超過 40,000 美元的 AiMoga 新款 M1。然而，現階段消費者還不能期待這些機器人像完美的「機械管家」（mechanical Jeeves）一樣，穩定地代勞繁雜家務。

《Forbes》提到，要評估機器人是否能勝任家庭工作，最嚴苛的考驗之一是「Behavior-1K」測試。這項測試包含 1,000 項基於真實人類回報的家庭需求任務，在近期的挑戰中，表現最佳的團隊在這些任務上，僅達到 25% 的「可接受品質」成功率，而完整達成任務的成功率則還要更低。這也代表，我們仍需要投入更多研究，才能了解如何驅動機器人安全且成功地執行動作。

好消息是，部分領先的企業已經邁出下一步。例如 Figure AI 這類機器人公司，已經開始在真實的家庭環境中訓練這些機器人，並展示機器人完成清空洗碗機、整理雜貨等現實任務的能力。雖然《Forbes》認為這些機器人的動作還不夠快，但它們已經展現出一定程度的判斷力，例如能夠分辨哪些物品該放進冰箱，哪些該收進櫥櫃。

此外，Physical Intelligence 也展示能跨越不同機器人平台摺衣服的視覺-語言-動作模型（VLA），NVIDIA 與 Gemini Robotics 也正朝向訓練單一模型控制不同機器人的方向發展。然而，目前這類實體 AI 仍面臨資料缺乏的最大限制，因為機器人的訓練資料需要透過真實操作或高保真模擬取得，過程既緩慢又昂貴。

如今，人形機器人已開始進入家庭場景，市場上也出現不同價格帶的產品化選項。然而，根據《AI Index 2026》的評估，我們距離讓人形機器人成為真正安全、可靠且價格可負擔的家庭幫手，仍有一段明顯的改善空間。在 AI 真正克服真實世界的物理複雜性之前，要實現機器人全面處理家務的願景，仍需耐心等待。

＊本文開放合作夥伴轉載，資料來源：《Forbes》、《The 2026 AI Index Report》，首圖來源：1X

OpenClaw 是什麼？

2026 年初，全球科技社群正被 Clawdbot、Moltbot、OpenClaw 以及「龍蝦」等名詞襲捲。這幾個近期在網路上掀起熱烈討論的標籤，其實指的都是同一個開源 AI Agent 平台；它能搭配 LLM 使用，實際操作使用者的電腦並調用網路服務，將任務自動化推向全新境界。

OpenClaw 這個名稱可拆解為 Open 與 Claw 兩個部分：前者象徵其開源 (Open Source) 的性質，後者則取自龍蝦的特徵 : 螯。至於 Clawdbot 與 Moltbot，則是該專案在初期曾使用過的名稱。而「龍蝦」這個綽號則源於其官方 Logo，由於 Claw 本意即為蝦蟹的螯，對於一個擁有強大執行力的 AI Agent 而言，螯就如同人類的手臂，能賦予 AI 實體運作的能力，進而替使用者完成任務。

事實上，AI Agent 並非新興概念。相較於 ChatGPT、Gemini 或 Claude 等僅止於回答問題的 LLM，AI Agent 更具備了長期記憶、邏輯推理、調用外部工具，甚至是指揮子代理的能力，能處理更複雜的流程。然而，過往的 AI Agent 平台多鎖定在企業端 (如 Gemini Enterprise 或 Claude Code)，且能執行的範圍往往受限於特定的應用程式，難以進行跨平台或系統層級的任務。

OpenClaw 之所以能在社群引發巨大轟動，首先因為它是完全開源的平台，任何人都能免費下載、修改並自定義使用；其次，它更進一步實現了對電腦系統與瀏覽器的實質操控。過去我們若要求 LLM 到特定網站下載檔案，它僅能提供詳細步驟說明；而 OpenClaw 則是真的能直接開啟瀏覽器、定位目標網頁並替你完成下載動作。

OpenClaw 框架與運作原理

OpenClaw 雖然看起來很厲害，可以執行各式各樣的任務，但它並不是 LLM，只是一個不具備智慧的 AI Agent 平台，就像一個殼，需要套在 LLM 上才能使用，所以雖然 OpenClaw 本身是開源免費的，但過程如果有用到要收費的 LLM api 依然會產生開銷。

此外，OpenClaw 支援與 20 多種通訊軟體串接，例如 Telegram、Discord 或 WhatsApp，讓使用者可以透過常用的通訊軟體直接與 OpenClaw 互動並遠端操控 OpenClaw 所在的電腦等裝置。

那作為殼的 OpenClaw 具體是什麼呢？它的核心是一個自託管網關 (Self-hosted Gateway)，也就是傳遞資訊給 LLM 的橋梁，並且運行在使用者自己的機器上。由於 LLM 本身不具備執行能力，接收來自通訊軟體的訊息、處理工具調用 (接收 LLM 產生的工具指令並將工具執行結果反饋回 LLM ) 等傳遞任務是由網關 (Gateway) 負責，將 LLM 的意圖轉化為實際執行。

以下透過一個範例流程來說明 OpenClaw 的運作方式 (圖一)：使用者在通訊軟體傳訊息給 OpenClaw，抵達第一層網關接收到訊息進行驗證以及標準格式轉換後傳給 LLM，接著在第二層也就是 OpenClaw 的 LLM 大腦所在地，會載入記憶、可調用工具清單、身份資訊等等，結合來自使用者的訊息， LLM 會生成工具指令或產生回覆 ; 第三層是關於記憶儲存，會將過去的對話紀錄留存並適時進行壓縮產生長期記憶，確保資訊保留與 Context window 容量限制之間的平衡 ; 第四層則是包含管理已安裝技能的 Skill Registry，以及執行這些技能所需的沙箱環境 (專門隔離的環境)。

整個過程在 LLM 與 OpenClaw 之間不斷循環，直到 LLM 認為任務完成並生成最終回應。最後，OpenClaw 將 LLM 生成的回應傳遞給 Gateway，再由 Gateway 發送回使用者的通訊軟體。

此外，OpenClaw 可以被設定心跳機制，就是每隔一段時間去檢查是否有特定的任務可以被執行，不同於以往的 LLM 永遠要等待使用者傳訊息給他才會回應，這樣的設計可以大幅提高 AI Agent 的主動性。

OpenClaw 的實際應用場景

作為一個可以存取並操作各種資訊及網頁的 AI Agent，OpenClaw 最常見的應用就是個人助理，包含整理 email 中的訊息、重要信件回覆提醒、每日總結特定主題的新聞並送到指定的通訊軟體等等。

除此之外，不少社群上的使用者也實作出針對特定情境的 AI Agent，例如會自己產影片腳本、製作簡報並配音的 OpenClaw youtuber，人類只需要審核它提出的腳本與製作出的影片，其他如帳號創建、影片從製作到上架都可以自動被執行 ; 可以自動分析市場並下單的加密貨幣交易機器人 ; 從商品上架到客服、行銷全程自動的電商系統等等。

OpenClaw 的出現讓 AI Agent 的普及與應用情境再向前推了一步，過去 LLM 雖然在內容生成有許多傑出的表現，但受限於執行能力往往需要使用者拆解任務並手動完成對於生成內容的後續使用，OpenClaw 賦予了 LLM 更全面的執行能力，讓我們離理想中高度自主性可以真的完成任務的 AI Agent 又近一步。

OpenClaw 的使用挑戰 從權限控管到成本優化的實踐指南

然而，高自主性也意味著權限的高度開放。

為了確保 OpenClaw 能順利執行任務，使用者必須賦予其大量的系統權限，包含電腦控制權、各類帳號授權、API 金鑰，甚至是信用卡資訊。這不僅讓設備在遭受駭客攻擊時面臨資訊外洩的風險，近期也開始出現專為 AI Agent 設計的誘騙式網頁。此外，若 LLM 在操作過程中判斷失誤，極可能導致不可逆的後果，例如：

1. 誤刪系統重要檔案，或是在自動化流程中將敏感資訊意外公開至網路。
   
2. 目前社群上已經有許多使用者提出應該將 OpenClaw 隔離在一個專門的環境，而非直接裝在日常使用的電腦，並且提供它專門的帳號不要與使用者共用等建議，可以使用格式化後的舊電腦來使用 OpenClaw 避免個人資料外洩。
   
3. 謹慎提供它各方面的權限，並且在 system prompt 層面提及相關限制以及在框架中設定強制人類用戶確認的環節，若只在對話中進行說明，有可能不會被準確遵守或在記憶壓縮的過程中喪失這個資訊。

除了資安問題，費用也是使用時應注意的地方，儘管 OpenClaw 本身是開源免費的框架，但為了達到好的執行能力，往往使用推理能力比較好的模型，費用可能會比較高。這些 LLM 的使用量是根據 token 計算，也就是模型接收與產出的字數規模，然而為了保持記憶，OpenClaw 每次將用戶資訊傳給 LLM 的同時還會附上記憶、system prompt 等等內容，實際上使用的輸入量可能比用戶輸入的那條訊息多很多。

OpenClaw 本身的記憶系統就結合了逐條紀錄與長期壓縮，目的是精簡記憶的資料量避免超出context window (輸入上限值) 的限制。此外也可以善用 skills 功能讓將特定任務的處理方法包裝成 skill，只提供 skill list 讓 LLM 判斷需要調用的技能，就不用把全部的指令都塞在 system prompt 中。

從單純的聊天機器人到具備高度執行能力的 OpenClaw，我們正經歷 AI 從給予建議到解決問題的過程。雖然高自主性帶來了資安與權限管理的新挑戰，但開源社群的介入也讓我們能以更透明、更具彈性的方式去應對這些風險。 

OpenClaw 的出現，不僅是技術上的突破，更是在重新定義人類與電腦的協作關係。當我們不再需要拆解繁瑣的步驟，而是能直接賦予 AI 任務並看著它自動完成，那種理想中高度自主的 AI 生活似乎已不再遙不可及，而在享受這份便利的同時，保持警覺並建立安全的執行環境，將是使用者的必修課。

(本文訊息由 CloudMile 萬里雲提供，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：CloudMile 萬里雲。）

當 AI 應用正式步入生產環境時，企業可能面臨著資料四散、資安威脅與基礎設施成本增加的挑戰。NetApp 資深技術顧問徐榮君在近期舉辦的 AI Ready 資料治理論壇，以「確保資料暢行無阻，滿足企業 AI 所需燃料」為題，剖析 AI 資料管道在建構過程中的成本與安全痛點，分享如何透過 NetApp 一站式管理平台，協助企業打破資料孤島，建立嚴密的資安護欄。

「從 POC 邁向真實生產環境，企業平均需動用約 13 種工具，在資料準備與模型訓練的各個階段，往往需要複製 6 到 7 份資料副本，要將非結構化資料轉換為 AI 所需的向量資料庫時，資料量同時也會膨脹 10 到 20 倍，大幅增加企業成本，」徐榮君指出，面對龐雜的資料量以及高昂成本，企業需要大規模優化運算與儲存效能的自動化解決方案。

針對資料孤島與搬移的挑戰，NetApp 提供 NetApp Console 一站式資料管理平台，涵蓋地端與三大公有雲 AWS、Microsoft Azure、Google Cloud 作業系統。企業只需透過簡單拖拉的方式就能設定資料傳輸，且無需進行繁瑣的格式轉換，能在正確的時間與地點取得需要的資料。同時為了加速 AI 檢索效率，NetApp 透過 Metadata 引擎讓資料從業人員能與儲存管理員協作，輕鬆找到並理解資料，背後採取輕量且優化的 API 查詢 Metadata，有助於大幅減少約 70% 的 NFS 目前流量，同時自動變更偵測，實現 AI 工作流程自動化，保持取得最新的資料，加速和簡化 AI 驅動的資料處理、管理和治理。

資料護欄系統，能在 AI 讀取前自動識別機敏資訊

當大語言模型開始存取企業內部資料時，確保使用合規的資料成為企業最關注的資安議題。NetApp 資料護欄系統能在資料提供給 AI 使用前，自動資料分類與穩健的資料保護政策，識別資料中的敏感內容，徐榮君舉例，「譬如信用卡卡號或者是薪資結構，系統能夠事先辨識分類並進行匿名化，假設 AI 運算需要這些資料，系統也能確保資料不被揭露。」此外，資料護欄具有事先完整排除特定檔案或文件的能力，若有敏感資料誤入 AI 系統，管理者也能執行事後追溯與剔除，從源頭根除資料外洩風險。系統更內建防毒與威脅偵測，一旦資料遭受勒索軟體攻擊或異常加密，系統能在第一時間自動攔截。

「我們不只是單純的儲存平台，而是可以利用儲存的特性，加速企業在 AI 資料整理與生成的過程，」徐榮君表示，針對跨雲資產調度不易的痛點，透過混合多雲的一站式資料管理平台，企業能實現更無縫且高效的資源調配。

零風險試用 NetApp 產品&服務： https://www.netapp.com/zh-hant/test-drives/

更多 NetApp 相關資訊請參考：https://www.netapp.com/zh-hant/

當 Claude 與 Gemini 兩大模型都已在 TPU（張量處理單元）上訓練時，越來越多人開始關注：TPU 與客製化 ASIC 的崛起，是否正在鬆動 NVIDIA 長年建立的 AI 算力主導地位？對此，NVIDIA 執行長黃仁勳近日在 Dwarkesh Patel Podcast 訪談中給出的解答是：NVIDIA 做的從來不是單一的張量處理單元，而是更廣義的「加速運算」（accelerated computing）。

科技媒體《Implicator》進一步分析，黃仁勳在這場訪談中展現的戰略企圖心，遠大於單純的晶片規格之爭。面對客製化晶片的競爭、高達數兆美元規模的供應鏈需求壓力，乃至於中美半導體出口管制的角力，NVIDIA 正重新定調自己的角色：不只是一家 GPU 供應商，而是企圖成為掌控整個 AI 經濟的「調車場（switchyard）」。

TPU 能吃下特定工作負載，但 NVIDIA 瞄準的是更大的運算版圖

面對客製化晶片的競爭，黃仁勳直言：「我們打造的是非常不同的東西，我們的市場觸及範圍遠遠大於任何 TPU 或 ASIC 所能擁有的。」 他進一步指出，TPU 確實能針對特定的 AI 工作負載進行優化，但 NVIDIA 的加速運算架構卻能同時支援分子動力學、資料處理、流體力學、粒子物理與 AI 等更廣泛的應用場景。

更重要的是，NVIDIA 的系統設計宗旨是「讓其他人能夠輕易操作」。這使得 NVIDIA 的設備能順利進入 Google、Amazon、Azure 與 OCI 等所有主要雲端平台，並延伸至企業與科研領域，例如協助禮來公司（Lilly）建立用於藥物研發的超級電腦。對此，《Implicator》分析，NVIDIA 想掌握的，不是單純製造某一顆跑得最快的晶片而已，而是要進化 AI 算力流通與生態協調的連接能力。

真正的護城河是 CUDA 生態加上龐大安裝基礎

另一方面，隨著 OpenAI、Anthropic 等 AI 實驗室已具備自行編寫 kernels 的能力，加上 Google 這一類科技巨頭紛紛自研晶片，也讓外界思考 CUDA 的護城河是否正在瓦解？黃仁勳並未否認這些變化，但他將戰場從單一的矩陣乘法（matrix multiplication）拉高到整個 AI 系統層級，並強調：「矩陣乘法是 AI 的重要部分，但不是唯一的部分，如果你想提出新的注意力（attention）機制，以不同的方式分解或是發明一種全新的架構，你會需要一個具備通用可程式化能力的架構。」

他進一步說明，AI 技術的推進仰賴混合專家模型（MoE）等新架構，以及網路與系統的協同設計，因此市場極需高度可程式化的平台，而非單一負載最優化的窄型晶片。在這樣的基礎上，黃仁勳將 CUDA 視為極其豐富的生態系統，且支援各種開發框架，同時點出對開發者而言，最大的價值在於 NVIDIA 龐大的安裝基礎（install base）：「我們現在有數億顆 GPU 部署在外，每一個雲端都有，這種安裝基礎意味著一旦你開發軟體或模型，在任何地方都會很有用，這有著令人難以置信的價值。」 這種遍及雲端、機器人與企業內部場景的跨平台覆蓋率，正是 CUDA 難以被短期取代的核心原因。

此外，黃仁勳更透露，NVIDIA 派駐了大量工程師協助 AI 實驗室最佳化其軟體堆疊，這項專業服務往往能讓客戶的模型效能再提升 2 到 3 倍，成為客戶難以輕易離開的關鍵實力。

從晶片競賽走向營運戰，NVIDIA 為何仍握有主要優勢？

然而，Anthropic 在本月宣布與 Google、Broadcom 簽下多吉瓦（gigawatt）級別的 TPU 容量協議，並表示會在 AWS Trainium、Google TPU 與 NVIDIA GPU 上同時運行 Claude 模型。這看似是 NVIDIA 護城河裂開的警訊，但實際上，《Implicator》認為 AI 運算的需求規模已經龐大到沒有任何單一買家、單一晶片或單一雲端平台能夠完全吸收，因此 Anthropic 不是在離開 NVIDIA，而是在極度渴求運算資源的市場中，購買更多的選擇權。

黃仁勳也直言，Anthropic 只是特例而非整體趨勢，若沒有 Anthropic，TPU 與 Trainium 根本不會有現在的成長幅度。他也點破外界認為客製化晶片能省下大筆費用的迷思，進一步指出 ASIC 的利潤率高達 65%，與 NVIDIA 約 70% 的利潤率相比，客戶實際省下的成本有限，且還要面臨 NVIDIA 每年大幅提升效能的壓力。

《Implicator》進一步點出，未來的 AI 競賽將是一場「營運戰」。NVIDIA 現在的優勢在於它能協調台積電、記憶體供應商、封裝廠與雲端買家，將供應鏈的「稀缺性」組織起來並轉化為競爭力。當客戶需要的不只是一顆晶片，而是交貨期、伺服器機架與軟硬體調校服務時，NVIDIA 強大的供應鏈調度能力便成為最強的後盾。這場主導權之爭的真正考驗將落在 2027 年，因為屆時 Anthropic 的 TPU 產能將大量上線，而 NVIDIA 的新一代 Rubin 架構也將部署，市場會驗證算力發展是否仍照著 NVIDIA 所定義的節奏運作。

TPU 確實能在特定工作負載上分走一部分的算力需求，但 NVIDIA 難以被取代的根本原因，已經不是過去熟知的 CUDA 軟體鎖定而已，而是來自於高度可程式化的架構、業界出色的總體擁有成本（TCO）表現、龐大的跨雲安裝基礎，以及協調整體 AI 運算生態系統的能力。若 NVIDIA 未來仍能持續掌握這個 AI 經濟中的「調車場（switchyard）」，那麼這些客製化晶片就更像是一條接入同一張龐大電網的新路線，而不必然是摧毀其護城河的破口。

＊本文開放合作夥伴轉載，資料來源：Dwarkesh Podcast、《implicator.ai》，首圖來源：Dwarkesh Podcast

Google 推出了一種新的 AI 模型，目的在幫助機器人更好地理解物理世界並進行互動，進而解決機器人領域的核心挑戰之一：超越指令進行推理。

該模型名為 Gemini Robotics-ER 1.6，專注於「實體推理」（embodied reasoning），讓機器人能夠解釋視覺輸入、規劃任務，並確定任務何時完成。《Interesting Engineering》指出，這代表了機器人從單純服從命令，轉向能夠做出情境感知決策的系統。

三大核心升級：空間推理、多視角理解與任務完成判斷

在過去，Google 已發表機器人 AI 模型如 Gemini Robotics-ER 1.5 和 Gemini 3.0 Flash，這次推出的 Gemini Robotics-ER 1.6 則在早期版本的基礎上，改進了空間推理與多視角理解能力，讓機器人具備更高程度的自主性。

在空間推理能力方面，Google DeepMind 指出「指向」（pointing）是實體推理的基本能力。Gemini Robotics-ER 1.6 能更精準地辨識物體、進行計數，並判斷物體之間的關係；同時也能在推理過程中指認目標物，協助將複雜任務拆解為多個較小的步驟。這項能力在真實環境中特別重要，因為機器人必須與物體互動、在雜亂空間中移動，並在資訊不完整或持續變動的情況下做出決策。

其次是多視角理解能力。在現實場景中，機器人往往同時依賴多個攝影機（如手腕與俯視鏡頭）。新模型能整合不同視角資訊，即使畫面遮蔽或環境混亂，也能建立完整場景認知。

第三則是任務完成判斷（success detection）。Google DeepMind 認為，在機器人學中，知道任務何時完成與知道如何開始任務同等重要，而前者能力讓機器人能判斷任務是否正確完成，並決定下一步是重試還是繼續執行流程。這被視為實現自主化（autonomy）的關鍵能力，因為它讓系統不再依賴人類確認。

工業應用關鍵突破：機器人開始「讀懂儀表」

這次最具實用價值的新增能力，是「儀表讀取」（instrument reading）。透過與 Boston Dynamics 的合作，Gemini Robotics-ER 1.6 能讀取壓力錶、液位計與數位顯示器等工業設備資訊。這項能力結合視覺辨識與程式運算，讓機器人可以解析指針位置、刻度與單位，甚至在不同角度下仍能精準判讀。

官方數據顯示，儀表讀取準確率從早期模型的 23% 提升至最高 93%。Boston Dynamics Spot 機器狗已導入該能力，用於工廠巡檢與設備監控。

從 AI 模型到決策中樞：機器人大腦開始成形

不同於傳統 AI 模型多半專注單一任務，Gemini Robotics-ER 1.6 被設計為「高層決策中樞」，能透過原生呼叫各類工具來執行任務，例如使用 Google Search 搜尋資訊、調用視覺—語言—動作模型（VLA），或整合其他由使用者自訂的第三方功能。

這種架構，讓機器人可以在不同任務間切換，並動態整合資訊來源。換言之，機器人 AI 正從單點能力，轉向類似「代理式 AI（agentic AI）」的運作模式。隨著該模型已透過 Gemini API 與 Google AI Studio 開放給開發者，並開始在工業場景中實測，機器人 AI 的發展也正從研究階段，正式走向產業落地。

【推薦閱讀】

◆ 98% 自動化、每輛車 2 萬項數據回傳：解析 BMW 慕尼黑廠的 iFACTORY 數位升級邏輯

◆ 【不是從零開始】為何自動駕駛走過的漫長彎路，成了機器人產業珍貴的競爭資產？

◆ 目標 2030 財年實現機器自主運作：軟銀、本田等四大日本巨頭結盟瞄準實體 AI

＊本文開放合作夥伴轉載，資料來源：Google DeepMind、《Interesting Engineering》、《decrypt》，首圖來源：Google DeepMind

過去數十年，實體零售的競爭邏輯歷經多次轉變。最早是價格與規模的競賽，接著是便利與速度的提升，再到品牌與體驗的塑造。如今，隨著科技與消費結構的變化，零售正進入一個新的階段：一個更貼近真實生活的「零售 3.0」。

消滅隱形摩擦！零售 3.0 的體驗設計邏輯

這一波轉型的核心，是讓整個購物過程「更容易」。設計不再服務於理想化的平均客群，而是回應不同年齡、能力與生活情境下的真實需求。設計公司 Michael Graves Design 執行長 Ben Wintner 在其觀察中指出，零售體驗本質上是一連串環節的串聯，從停車、進店、選購、結帳到回家使用，每一個細節都可能累積摩擦。一旦某個環節讓人感到費力，顧客未必能明確說出問題，但會直接用不回訪、不回購做出回應。

這些摩擦往往極為日常，卻影響深遠。推著嬰兒車的父母在狹窄走道中移動困難，年長顧客因長時間站立而縮短購物時間，照顧者在有限時間內需要快速決策，或是消費者在強光下難以辨識商品資訊。當零售設計能夠針對這些「極端但常見」的使用狀況進行優化，體驗的門檻就會顯著下降。

其中，包裝是最容易被忽視、卻影響整段消費旅程的關鍵節點。清晰的字體與對比降低閱讀負擔，直覺的資訊層級讓消費者快速理解產品，簡化的開封方式則減少使用前的挫折。這些設計細節直接影響消費者對品牌的第一印象，也左右是否願意再次購買。同樣地，賣場動線與商品陳列若能考量不同身高與行動能力，並維持一致且易理解的標示系統，會讓決策過程更加順暢，減少猶豫與疲勞。

這種「零摩擦」思維的價值，並不只體現在體驗層面，也直接反映在營運指標上。當資訊更清楚、路徑更直觀，顧客更容易完成購買決策，提袋率自然提高；當商品理解度提升，錯誤購買的機率下降，退貨與客服壓力也隨之減輕。這種看似細微的優化，長期累積後會形成穩定的競爭優勢。

AI 數據預測，化解零售營運的不確定性

如果說設計正在減少體驗當下的摩擦，那 AI 則是負責處理未來的不確定性。Tanger 執行長兼總裁 Stephen Yalof 指出，實體零售長期面臨三個難題：資源應該配置在何時何地、商品需求如何預測，以及如何在規模擴張的同時維持個人化服務，AI 正在逐步提供解法。

在營運層面，AI 的預測能力讓零售商能夠提前掌握銷售與人流趨勢，預測時間甚至可達 15 個月。這種長週期預測結合歷史數據、天氣、經濟指標與活動資訊，使得庫存與人力配置更加精準。原本需要大量人工分析的預測工作，如今可由模型持續運行與更新，將 Tanger 此任務的年度工時從數十小時壓縮至十幾小時，大幅釋放人力，轉而投入更具價值的顧客服務與現場體驗優化。

在前端體驗上，AI 也正在重新定義「個人化」。系統能夠整合消費者的購買紀錄、季節偏好與跨通路行為，在適當時機提供對應的商品建議或優惠資訊。這類推薦不再只是廣告，而更接近於即時的購物協助。例如在天氣變化或人流波動時，行銷預算可自動調整投放區域與內容，使訊息更貼近當下情境，提升轉換效率。

更重要的是，AI 並未削弱實體零售的人性價值，反而讓人員角色重新聚焦。當預測、分析與優化交由系統處理，門市人員可以專注於建立關係、提供建議與解決問題，回到零售最原始的本質：理解顧客。這種由 AI 支撐的人性化服務，成為零售 3.0 的另一個關鍵特徵。

即便電商快速發展，多數消費仍發生在實體場域，實體零售依然佔據主導地位。這意味著，未來的競爭並非線上取代線下，而是誰能將科技能力與實體體驗整合得更自然，當 AI 負責預測與優化，設計負責降低摩擦，兩者結合所形成的，是一種難以被快速複製的「隱形黏性」。

【推薦閱讀】

◆ 當 AI「硬回答」反而害企業虧錢？Appier 拆解企業 AI 導入挑戰提 4 大解法

◆ Costco 的 RMN 變革：放棄流量變現思維，如何靠封閉式數據實現「廣告到購買」？

◆ 告別廣告代操中間商：AI 代理人如何重構程序化廣告市場？

＊本文開放合作夥伴轉載，參考資料：《Fast Company》1、《Fast Company》2，首圖來源：Unsplash

（責任編輯：廖紹伶）

Baddie Betty 今年 82 歲，社群上有 150 萬名粉絲，她熱衷於分享感情建議，過著令人稱羨的奢華生活，但她卻從未在這世界上活過。

這樣的存在，幾年前或許還只是噱頭。但現在 AI 虛擬網紅簽下品牌合約、拍攝開箱影片、出版人生哲學書籍卻不再是稀有事件、不再是科幻情節，而是現實中正在發生的事情。

為何市場會急速膨脹？這股熱潮並非憑空而來

2024 年，全球虛擬網紅市場規模約為 60.6 億美元，預計到 2030 年將達到 458.8 億美元，年複合成長率高達 40.8%。同時，已有 63% 的行銷專業人士計劃，將 AI 與機器學習整合進他們的網紅行銷策略中。

推動市場成長的力量，恰恰是品牌端最為剛性的需求。對於任何一個需要穩定產出內容的品牌團隊而言，AI 虛擬網紅的吸引力幾乎無法忽視：不必擔心代言人爆出醜聞、能夠大規模複製內容、製作成本大幅低於真人拍攝。少了交通費、住宿費、繁瑣的檔期協調，一個提示詞就能在一天內生成數十個針對不同平台優化過的素材。

在目前的虛擬網紅類型中，「人形虛擬人」佔據超過 68%的市場份額，因擬人化的外貌更容易讓消費者產生情感連結；而「非人形虛擬角色」的成長速度則更快，預估年複合成長率超過 42%，因為它們不受現實外貌的限制，在創意上有著近乎無限的可能性。

地域上，北美目前以超過 42% 的市場份額居主導地位，但成長最快的區域是亞太地區，預期年複合成長率超過 44%。日本的文化對虛擬角色接受度較高，中國則已出現 Ayayi 這類高度擬真的虛擬網紅，並獲得大量品牌資源挹注。

從應用來看，時尚與生活風格類別是目前虛擬網紅的最大主場。這不意外，時尚本就是一門關於「美學」的生意，虛擬形象的精緻可控性，在這個領域幾乎是優勢而非限制。

市場很殘忍：參與度高，不等於轉換率高

不過，當視角從市場轉向消費者真實態度，就沒那麼樂觀了。只有 15% 的消費者表示信任 AI 網紅，而願意基於 AI 網紅推薦而購買的比例，也僅有 27%。這兩個數字，恰好是衡量網紅行銷是否值得投資的兩項核心指標，都低得令人警覺。

這裡存在一個常被品牌誤讀的陷阱：參與度高，不等於轉換率高。

研究顯示，AI 生成的內容在吸引瀏覽、觸發分享這件事上，表現並不遜色，有時甚至能超越真人創作者。但當話題從「看」轉向「買」，差距就出現了。新鮮感確實能帶動觀看，但信任才能促成購買。把病毒式傳播誤判為購買意圖，是品牌在 AI 網紅策略上最常犯的錯誤。

傳統網紅行銷之所以有效，是因為創作者長年在受眾面前建立起真實的信譽，而這份信譽可以延伸到他們推薦的品牌與產品上。這是一種「信任轉移」的機制。

但當品牌使用 AI 虛擬網紅時，這個機制就消失了。品牌等於是在跳過中介，直接要求受眾信任自己，而這是一個難度高得多的要求，大多數品牌並沒有意識到這個差異。

AI 能夠製造關注，能夠引發好奇，甚至能讓人覺得有趣。但它無法複製一個真實的人類在時間累積下建立起的可信度，那種在脆弱時刻袒露自我、在爭議時刻展現立場所形成的連結感，是演算法模擬不出來的。

娛樂、時尚、電競等類別是 AI 虛擬網紅的天然主場

所以，品牌該怎麼看 AI 網紅？正確的問法不是「該不該用」，而是「在哪裡用才對」。

有些場景是 AI 虛擬網紅的天然主場。高流量的 UGC 風格內容（User Generated Content，使用者生成內容）、產品展示、電商轉換導向的素材，這些格式本來就是在比拼視覺效率與產出速度，AI 在這裡如魚得水。

對於資源有限的中小型電商品牌而言，AI 虛擬網紅已經是一個現實可行的規模化替代方案。特別是娛樂、時尚、電競等類別，因為在這些產業「美學」本身就是賣點的一部分，AI 的人工感反而能成為品牌個性的延伸。

但不是所有場景都吃這套。健康、家庭、金融這類領域，消費者本來就是帶著疑慮在做決策，信任是他們願意採取行動的前提。用一個從未生病、從未養育孩子、從未管過錢的虛擬形象，要說服真實的人類本身就有一定的難度。

特別的是，最不可能被 AI 取代的，是那些社群型創作者、教育型創作者、長期深耕特定領域建立起真實影響力的人，他們的核心資產是身分與信任，而不只是內容本身。

消費者對「什麼是真實的」敏感度只會越來越高

在思考 AI 網紅策略時，還有一個面向需要品牌關注：監管與揭露要求。

目前全球多數市場尚未強制要求品牌標示 AI 身份，這讓不少品牌端在灰色地帶運作。但這個空窗期不會永遠存在。隨著 AI 內容持續普及，消費者對「什麼是真實的」敏感度只會越來越高，各地主管機關遲早會跟進要求更明確的揭露標準。

更值得思考的是，當 AI 內容氾濫成為常態，人類創作者的「真實性」反而可能成為更稀缺、更有價值的東西。AI 虛擬網紅的效率是真實的，但與人類的信任缺口也是真實的。能夠在兩者之間建立橋樑的品牌或許才能掌握 AI 帶來的力量。

【推薦閱讀】

◆ 當 AI「硬回答」反而害企業虧錢？Appier 拆解企業 AI 導入挑戰提 4 大解法
◆ 【受遊戲《模擬市民》啟發】Simile 訓練 AI 模擬人類做市調，老牌民調公司蓋洛普也買單
◆ 【引導 AI 推薦自家產品】萊雅、聯合利華宣布採用，解析 Azoma 為 AI 代理打造的 AMP 平台

＊本文開放合作夥伴轉載，參考資料：《Grand View Research》、《Forbes》，圖片來源：由 ChatGPT 生成

【科技早餐】今天精選 7 則國內外重要科技新聞。

＊Meta 聯手博通，AI 晶片合作一路簽到 2029，1GW 算力提前卡位

Meta 宣布，已把與博通（Broadcom）的客製化 AI 晶片合作延長到 2029 年，並提出超過 1GW 的初步算力部署承諾。根據雙方說法，這次合作不只涵蓋晶片設計，也包括用來連接 AI 叢集的乙太網路技術。作為協議一部分，博通執行長陳福陽（Hock Tan）也將離開 Meta 董事會，轉任客製化晶片策略顧問。

Meta 表示，首款 MTIA 晶片已用在排名與推薦系統，後續幾代產品則將一路推進到推論需求。這也顯示，大型平台不只持續購買 GPU，而是開始把未來幾年的自研晶片、算力供給與網路架構一起提前綁定，為旗下 AI 服務擴張預作準備。

＊亞馬遜砸 115.7 億美元收購 Globalstar，衛星網路競爭再升溫

亞馬遜（Amazon）宣布，同意以 115.7 億美元收購衛星業者全球星（Globalstar），交易預定在 2027 年完成。這筆收購案，被視為亞馬遜補強衛星布局的重要一步。根據《路透》報導，Globalstar 目前已擁有運作中的低軌衛星網路，也長期為 Apple 的衛星 SOS 緊急服務提供支援。

對亞馬遜來說，直接收購現成網路，能比完全從零開始更快補齊太空端連線能力，也讓它與太空探索科技公司（SpaceX）旗下星鏈（Starlink）的競爭進一步升溫。地面在搶資料中心、搶晶片、搶電力，太空端的連線節點，也正被大型平台一起納入布局。

＊三星 2 奈米良率仍未過量產門檻，先進製程競爭再成焦點

根據市調與產業鏈消息，三星（Samsung）2 奈米 GAA 製程良率目前約在 55% 左右；若計入後段製程，可能再往下滑，距離穩定量產與大規模接單所需水位，仍有一段距離。報導指出，三星在 2025 年下半年時，2 奈米良率還只有約兩成，現在已經拉升到五成以上，代表技術仍在推進當中。

不過，若要進一步吸引高通（Qualcomm）等大型客戶，市場普遍認為，良率通常仍需達到更高水準。這也使台積電與三星在 2 奈米世代的競爭再次成為焦點。先進製程不只比誰先推出，更比誰能穩定量產、真正接住客戶需求。

＊NVIDIA 推出 Ising，量子電腦的校準與糾錯開始交給 AI

為了呼應 4 月 14 日世界量子日，NVIDIA 宣布推出開放式 AI 模型系列 Ising，主打量子校準與量子錯誤修正。NVIDIA 表示，Ising Calibration 可把原本需要數天的校準流程縮短到數小時；Ising Decoding 則針對量子錯誤修正的速度與準確度進行優化，目標是加快量子處理器走向實用化。

NVIDIA 創辦人暨執行長黃仁勳指出，AI 將成為量子機器的控制平面，也就是量子系統的作業層。NVIDIA 也提到，包括哈佛大學、中央研究院等研究機構，已開始採用相關模型。這代表 AI 的角色，正從大模型訓練，進一步延伸到量子運算的底層流程。

＊Google 出手訓練 AI 勞動力，華府就業討論提前升溫

根據《Axios》報導，Google 正資助新的研究與技能培訓計畫，希望幫助勞工為 AI 經濟做好準備。這波計畫一方面包括與學術機構合作，研究企業如何運用 AI 減少行政庶務；另一方面，也與醫療、製造與就業組織合作，推動實際的技能培訓與學徒制度，讓更多勞工提早進入 AI 轉型流程。

Google 首席經濟學家法比安．庫爾托．米勒（Fabien Curto Millet）表示，AI 對工作的影響不是被動發生，而是可以被塑造。不過，工會端也提出不同看法，認為若沒有更強的集體談判與勞工保障，企業主導的 AI 轉型仍可能把風險留給員工。AI 對就業的討論，也因此提早走進華府政策層面。

＊全球 AR 智慧眼鏡出貨年增 98%，Meta、Rokid 帶動新一波放量

根據 Counterpoint Research 最新報告，2025 年全球 AR 智慧眼鏡市場出貨量年增 98%，創下歷史新高，其中 2025 年下半年年增更達 148%。這波成長主要來自 Rokid 出貨放量、Meta Ray-Ban Display 推出，以及 RayNeo、VITURE、Even Realities、INMO 與阿里巴巴（Alibaba）等品牌密集推新。

報告也指出，採用導波技術、以資訊顯示為主的 AR 眼鏡成長尤其明顯，年增超過 600%，在整體市場的占比快速拉升。除了影音與顯示功能外，新一波產品也開始強調即時翻譯、導航、語音提示與影像辨識等 AR 結合 AI 的應用，顯示智慧眼鏡正從單一裝置走向更完整的使用情境。

＊Palantir Maven 進入伊朗戰事，AI 首度深度介入大規模軍事決策

《華盛頓郵報》報導，美軍今年 3 月對伊朗發動大規模行動時，Palantir 的 Maven 智慧系統結合 Anthropic 的 Claude，在 24 小時內協助分析大量情報，並排序超過 1,000 個打擊目標。報導指出，這套系統已被美軍多個軍種日常使用，能把原本需要數天的人工作業，壓縮到更短時間內完成。

這次事件也讓 AI 在軍事決策中的角色再次受到關注。支持者認為，系統能加快戰場分析與後勤判斷；批評者則擔心，當目標排序與建議速度愈來愈快，人類是否還有足夠時間驗證輸出結果。AI 進入國防體系的速度，正在明顯加快。

＊本文開放合作夥伴轉載，資料來源：《Reuters1》、《Reuters2》、TrendForce、NVIDIA、《Axios》、Counterpoint、《The Washington Post》，首圖來源：Meta。

AI 代理時代來臨，當 AI 越來越會回答問題、具備自主執行任務的能力，其回答內容「是否可被信任」，已成為企業導入 AI 關注的焦點。Agentic AI 即服務（AaaS）公司 Appier 的 AI 研究團隊近年聚焦可信任的 Agentic AI 研究，獲得 NeurIPS、ACL、EMNLP 等國際權威學術會議肯定，在今（15 日）公開讓 AI 具備精準提問、進行風險評估、掌握自身能力邊界的「自我覺察能力」研究成果。

Appier 執行長游直翰表示，在 AI 產業鏈中，AI Agent 是最關鍵且熱鬧的一環，因為只有當 Agent 能實際應用並幫企業賺到錢，才有辦法支撐並支付底層龐大的運算成本，因此，如何讓 Agent 在企業中可靠地運作並得到好結果，是目前重要的發展方向。他也強調，未來 AI Agent 將加速串聯人、工具與軟體，形成更複雜的 Agent society，企業能否搶佔 Agentic AI 先機，關鍵就在 AI 是否具備可被信任的決策力。

你的 AI 不考慮風險、硬回答？它在「幫你虧錢」

Appier AI 團隊研究科學家林玠言表示，現有 LLM 的核心盲區在於無法評估自身能力的邊界，而這樣的 AI 風險已有企業在付出代價。舉例來說，Air Canada 的客服機器人曾在與客戶溝通時自行虛構了一套退款機制，導致客戶信以為真並要求退款。儘管該航空公司實際上沒有這項機制並試圖拒絕退款，但法院最終判決航空公司敗訴並必須賠償。

林玠言指出，Appier 針對 6 個主流大型語言模型進行了一項計算「平均期望報酬」的系統性實驗，規則為答對得 1 分，拒絕作答得 0 分，答錯則倒扣 8 分。結果顯示，當 AI 依照本能、不考慮作答風險直接去回答所有問題時，期望報酬全面為負，這證明 AI 為了「硬回答」而盲目瞎猜的結果，是在「幫企業虧損」，甚至比直接拒絕回答（0 分）還要糟糕。

怎麼讓 AI 從「很會瞎掰」變成「值得信任」？

整體而言，Appier 分析企業導入 AI 面臨四大關鍵挑戰，並提出解法。第一，模型在微調後雖能強化特定任務表現，卻可能因此「忘記」原有的邏輯能力，出現持續學習中的災難性失憶；第二，AI 遇到模糊指令時會盲目猜測，但過度追問又可能造成使用者負擔；第三，AI 缺乏風險感知，難以依據情境判斷何時該答、拒答或上報；第四，傳統信心校準只看單次回答對不對，卻無法真正衡量模型「是否具備解題能力」。

為協助企業因應上述挑戰，Appier 提出精準提問、評估風險、掌握自身能力邊界、防止失憶共四項核心解法。

針對精準提問，Appier 發現，如果 AI 只靠主觀判斷，往往難以準確決定何時該提問，但透過導入可驗證的外部回饋，並在回答前由其他 LLM 進行交叉驗證，能讓 AI 問得更準、問得更有必要，讓任務精準度與使用者體驗之間的平衡效益提升超過三成。

針對風險評估，Appier 採用「技能拆解」方法，將解題、信心評估與期望值決策分開處理，讓 AI 能依據風險高低採取更理性的回答策略，將高風險預期虧損降低六至七成（以 AI 期望報酬數值計算）。

至於能力掌握，Appier 則提出全新的能力校準機制，讓 AI 不只評估單次回答是否正確，而是在回答前先預估答對機率，更準確界定能力邊界；其推論成本甚至低於 1 Token。

另一方面，針對模型微調後常見的失憶問題，Appier 提出穩定微調方法，從源頭辨識並迴避高困惑度 token，避免模型在強化新任務表現時遺忘既有的推理或指令遵循能力。Appier 研究顯示，該方法已可將非目標任務的退化率降至接近 0%，且前處理時間只需 8 分鐘，以協助 Agentic AI 在企業場景中更高效地持續學習與穩定落地。

研究成果整合進產品線，攔截約 80% 風險回應

Appier 已將上述研究發現迅速整合進自家產品線。Appier 個人化雲產品副總監林冠樺指出，AI Agent 在企業流程中大致可分為「對外」與「對內」兩種角色，且這兩種場景需要注意的事項與風險考量非常不同。對外部考量的重點，需要避免說錯話與過度打擾；對內部的考量點則是不能只是附和，而是具備主動找出盲點與潛在風險的能力，並給出實質建議。

Appier 指出，旗下 Sales 與 Service Agent 已能掌握自身能力範圍，不亂答不屬於自身專業的問題；當用戶提問資訊不足或條件不明確時，也會先釐清、再回應，並在合適時機自然推薦相關商品，降低錯誤資訊與不當互動帶來的風險。

在企業內部營運場景中，Appier Audience Agent 在行銷人員要求為母親節規劃近五年、且人數超過十萬的合適受眾時，如果系統實際只能存取一年資料，該 Agent 不會為了迎合需求硬湊答案，而是會如實提醒資料限制、主動釐清條件，並提出可行替代方案。根據 Appier，目前這套機制已可協助企業攔截約 80% 的風險回應，且隨數據迭代持續提升中。

林玠言表示，對於 Appier 來說，未來的企業 AI 評估標準，不只在於「它有多聰明」，更在於「它有多誠實」，能不能在不會的時候主動尋求幫助。

＊圖片來源：《TechOrange》拍攝，由左至右為 Appier 個人化雲產品副總監林冠樺、Appier 執行長暨共同創辦人游直翰、Appier AI 團隊研究科學家林玠言。

當生成式 AI 持續推高 GPU 算力需求之際，量子運算公司 D-Wave 執行長 Alan Baratz 近日在接受《Yahoo Finance》採訪時表示，若自己是 NVIDIA，絕對會 「嚇得發抖」。

Alan Baratz 主張，量子電腦在特定問題上能以極低功耗、在更短時間內完成傳統 GPU 系統難以負荷的運算。舉例來說，D-Wave 的量子系統運行只需約 10 kilowatts 的電力，大約相當於 5 到 10 張 GPU 的耗電量，就能在幾分鐘內解決大型 GPU 系統可能需要近百萬年與「全世界的電力」才能完成的問題。

當量子陣營正在叫陣，NVIDIA 近日推出的開放 AI 模型家族「Ising」，則揭示 NVIDIA 對於量子技術的態度。Ising 瞄準量子校準與錯誤修正，目標是協助研究人員與企業打造可執行實用應用，且具備高度可擴展性的量子系統。

NVIDIA 從量子校準與錯誤修正切入，瞄準量子實用化的關鍵瓶頸

NVIDIA 為何選擇從校準與錯誤修正切入？原因在於，量子電腦若要真正進入大規模實用階段，必須先處理量子位元（qubits）極度脆弱、容易受噪音干擾且系統極易出錯的根本問題。NVIDIA 量子產品總監 Sam Stanwyck 解釋，解碼與校準正是目前量子系統擴展最迫切的障礙，且兩者都屬於非常適合導入 AI 的「AI 驅動型工作負載」（AI-shaped workloads）。

為此，NVIDIA 針對這兩大痛點推出了 Ising Calibration 與 Ising Decoding 兩套模型。Ising Calibration 運用視覺語言模型（vision language model）即時解析量子處理器數據，讓物理學家能藉由調整、測量與優化微波或雷射等物理控制訊號來準備系統，以應對硬體的不穩定性與參數漂移，並將原本需要數天的校準流程大幅縮短至數小時。另一方面，Ising Decoding 則透過 3D 卷積神經網路（3D convolutional neural network）進行即時錯誤修正解碼，相較於現有開放標準 pyMatching，其速度最高可提升 2.5 倍、準確度更能大幅提升高達 3 倍。

Ising 的關鍵角色：量子機器的「作業系統」與未來藍圖

「AI 是讓量子運算變得實用的關鍵，」NVIDIA 執行長黃仁勳強調，透過 Ising，AI 將成為量子機器的「控制平面」（control plane），也就是作業系統，負責將脆弱的量子位元轉化為可擴展且可靠的量子-GPU 系統。

同時，NVIDIA 的長期願景不僅止於此，未來還計畫利用 AI 來建構與優化量子電路。為了打造完整生態系，除了開放模型本身，NVIDIA 同步提供工作流程指南（cookbook）、訓練資料以及 NIM 微服務，並允許這些模型在研究人員的本地系統上安全運行，以保護專有與敏感資料。此外，Ising 更將與 CUDA-Q 軟體平台及 NVQLink QPU-GPU 互連技術深度整合，為開發者提供一套無縫銜接的混合量子與經典運算工具組合。

競爭外溢：加速量子實用化同時引發加密與資安風險

隨著 NVIDIA 等科技巨頭加速量子計算的實用化進程，這場技術革命的影響力已不僅限於運算平台的競爭，更外溢到全球資訊安全領域。《CoinEdition》指出，Ising 模型的推出再度提醒市場：量子技術若加速成熟，未來必將對現有密碼學與區塊鏈安全機制造成極大衝擊。

研究機構 Bernstein 評估，量子技術對加密系統的威脅是真實存在的，儘管目前仍屬可管理範圍，但距離量子系統足以挑戰當前加密體系，大約只剩下 3 到 5 年的緩衝期。為了因應這項迫在眉睫的威脅，比特幣社群已積極討論如 BIP-360 這一類的升級方案，以降低公鑰暴露的風險。同時，科技巨頭 Google 也早在 2016 年便開始著手準備後量子安全機制。這些行動皆顯示，量子運算的爆發力正從硬體實驗室，迅速延伸至全球加密治理與資安防護的戰略布局中。

D-Wave 與 NVIDIA 其實分別代表量子競賽的兩條路線：前者試圖證明量子運算終將在效率與能耗上顛覆傳統 GPU 的統治地位，後者則發揮自身軟硬體整合的優勢，選擇先卡位量子系統最核心的控制層與工具鏈。這也代表，下一代運算主導權之戰，不見得會先由單一硬體的絕對算力分出勝負，而是由誰能率先掌握校準、錯誤修正，並建立平台生態系來決定最後的競爭版圖。

＊本文開放合作夥伴轉載，資料來源：《SiliconANGLE》、《Coin Edition》、《Yahoo Finance》、NVIDIA，首圖來源：NVIDIA

近日 Amazon 正式宣布收購行動衛星服務供應商 Globalstar。這筆收購案的背景，是因為 Amazon 正積極建置其低軌衛星網路「Amazon Leo」（前身為 Project Kuiper），試圖藉由併購取得 Globalstar 的營運體系與基礎設施，替將在未來推出的「direct-to-device（D2D）」手機直連服務鋪路，藉此加速追趕由馬斯克（Elon Musk）帶領、目前在市場上佔據主導地位的 SpaceX Starlink 衛星網路。

值得注意的是，Apple 此前不僅是 Globalstar 的最大客戶，更持有其約 20% 的股份，也曾挹注約 15 億美元的巨額資金支持 Globalstar 衛星擴張計畫。因此，伴隨這筆估值約 108 億至 116 億美元收購案的曝光，Amazon 也同步宣布與 Apple 達成全新合作協議，確認未來將由 Amazon Leo 承接，繼續為 iPhone 與 Apple Watch 提供衛星連線服務，讓這場收購案也成為軟硬體巨頭間的合作延伸。

Amazon 買下稀缺頻譜與營運能力，為 2028 年 D2D 服務鋪路

Amazon 表示，Globalstar 的衛星、無線電頻譜與營運專業，將使 Amazon Leo 能在未來世代衛星網路中加入 D2D 服務。Amazon 與 Globalstar 這筆交易內容，包括取得 Globalstar 現有的衛星營運、基礎設施、資產，以及具全球授權的行動衛星服務（MSS）頻譜執照。此外，Amazon 也將接手 Globalstar 原本委託加拿大製造商 MDA Space 正在生產、且原本預留容量給 Apple 的新一代 LEO 衛星星系計畫。

結合 Globalstar 的頻譜與既有 MSS 能力後，Amazon Leo 將可為消費者、企業與政府客戶提供更連續的連線能力。其中最關鍵的資產在於，Globalstar 擁有「獨家存取（exclusive access）」的中頻頻譜 Band 53，範圍為 2483.5 至 2495 MHz，該頻段特別適合高效能、低延遲、低干擾的 D2D 通訊。因此，Amazon 計畫自 2028 年起部署自家新一代 D2D 衛星群，屆時這項稀缺的頻譜資源將是實現更快速、更高效的手機直連服務的重要基礎，且這個 D2D 新系統，將能與 Amazon Leo 既有的第一、二代系統無縫整合。

承接 Apple 合作關係，確保 iPhone 衛星功能無縫接軌

除了基礎設施的擴張，Amazon 與 Apple 的新協議更是外界關注焦點。未來 Amazon Leo 將取代 Globalstar，成為 iPhone 和 Apple Watch 的主要衛星服務供應商。Amazon 說明，將持續支援目前仰賴 Globalstar 網路的 iPhone 14 之後機型與 Apple Watch Ultra 3，確保使用者能無縫使用聯絡緊急服務、傳送訊息、請求道路救援與分享位置等功能。

針對這項合作，Apple 全球產品行銷資深副總裁 Greg Joswiak 表示，Apple 與 Amazon 在核心基礎設施上早有實績，並期待透過 Amazon Leo 進一步深化合作，確保用戶在偏遠地區也能保持安全與聯繫。此外，《Bloomberg》指出，Apple 正在準備一系列新的衛星功能，包含衛星地圖、照片訊息，以及支援第三方應用程式使用衛星連線，而 Amazon Leo 擴張後的龐大衛星網路，將能為 Apple 這些未來的進階服務提供所需的傳輸頻寬與支援。

Amazon 縮小與 SpaceX 的規模差距，爭取監管支持以全面迎戰 Starlink

《GeekWire》進一步分析，Amazon 收購 Globalstar，不只增加衛星機隊，更一併取得監管嚴格且極難取得的關鍵行動頻譜 Band 53，並成功拉攏 Apple 這個旗艦合作夥伴。然而，Amazon 若要追趕 SpaceX，仍有很長的路要走。

目前 SpaceX 的 Starlink 憑藉自家 Falcon 9 火箭的發射優勢，已建立約 1 萬顆運作中的衛星網路，其中超過 650 顆專門連接手機，並已透過 T-Mobile 這一類電信商提供 D2D 服務。相較之下，Amazon Leo 先前因合作發射載具的延宕，目前僅部署 241 顆衛星，即便加上 Globalstar 既有的 24 顆 LEO 衛星，規模仍有巨大差距，Amazon 甚至還得將部分衛星發射合約交由 SpaceX 執行。

不過，這筆交易對 Apple 而言同樣是抗衡 Starlink 的關鍵。據《Ars Technica》與《Bloomberg》報導，Apple 曾在 2022 年拒絕馬斯克將 Starlink 引入 iPhone 的提議，有分析師指出，Apple 一直希望能找到「一個非 SpaceX 的知名大廠」來合作，因此 Amazon 的雄厚財力與 Leo 星系擴張野心，正好為 Apple 提供能與 Starlink 匹敵的後盾，讓 Apple 有底氣繼續維持並擴展其專屬的衛星服務。

在監管層面，Amazon 在納入 Band 53 頻譜後，將增加與 SpaceX 競爭的動能。儘管 Amazon 與 SpaceX 過去經常在美國聯邦通訊委員會（FCC）因頻譜與衛星部署計畫發生激烈衝突，但這項併購案目前卻有望獲得監管機關的青睞。例如 FCC 主席 Brendan Carr 認為，這項結合符合 FCC 的長期願景，也就是在 D2D 市場中培育出至少三家主要衛星營運商，以促進市場競爭，並維持美國在下一代直連技術上的領先地位。

Amazon 與 Globalstar 這筆交易，同時把 Globalstar 的衛星營運、MSS 頻譜執照、Band 53 所代表的手機直連能力，以及 Apple 既有的 iPhone 衛星服務關係，一起納入 Amazon Leo 的後續發展版圖中。當 Apple 選擇與 Amazon 結盟、共同對抗 Starlink，這場交易也宣告低軌衛星競爭已從單純的太空基建戰，升級為一場結合頻譜、終端入口與生態合作的通訊主導權之爭。

＊本文開放合作夥伴轉載，資料來源：Amazon、《The Register》、《Bloomberg》、《WSJ》、《GeekWire》、《Ars Technica》，首圖來源：Amazon

生成式 AI 正快速滲透資安領域，而這場競賽已從模型能力延伸至「如何釋出」。在 Anthropic 發表資安模型 Claude Mythos 一週後，OpenAI 隨即推出 GPT-5.4-Cyber，揭開 AI 資安模型競賽的下一階段：不只是誰能找漏洞，更是誰能在「開放與風險」之間建立合理邊界。

從模型競賽走向資安戰場，AI 開始直接參與漏洞攻防

OpenAI 最新推出的 GPT-5.4-Cyber，是針對資安防禦場景微調的模型，核心能力聚焦於漏洞偵測與分析，甚至可進一步支援二進位反向工程（binary reverse engineering），協助研究人員在沒有原始碼的情況下分析軟體安全性。

這類能力的出現，反映 AI 在資安領域的角色已出現質變。過去，AI 多用於輔助程式開發或簡單掃描漏洞；如今，模型已能跨系統推理、分析複雜攻擊面，甚至參與完整資安工作流程。

也因此，風險同步升高。AI 不僅能幫助防禦者，也可能被駭客與國家級攻擊者利用。這正是 Anthropic 在推出 Mythos 時採取高度保守策略的原因。該模型據稱已能在作業系統與瀏覽器中找出大量高風險漏洞，引發金融機構與政府高度關注。

同樣限量釋出，但兩家公司走出不同路徑

面對 AI 風險，OpenAI 與 Anthropic 選擇了截然不同的釋出策略。Anthropic 透過「Glasswing 計畫」將 Mythos 嚴格限制在約 40 個組織內，包括 Amazon、Apple 與 Microsoft 等大型企業，採取高度控管與封閉測試模式。

相較之下，OpenAI 則選擇「分級開放」。透過其 Trusted Access for Cyber（TAC）機制，先讓數百名經驗證的資安研究人員與組織使用，並計畫逐步擴大至數千名參與者。不同驗證等級對應不同模型能力，高階用戶才能存取 GPT-5.4-Cyber 這類「較寬鬆限制」的版本。據《implicator.ai》報導，OpenAI 目前暫未向美國政府機構開放 GPT-5.4-Cyber，相關討論仍在進行中，最終決定將經過內部治理與安全審查程序。

這種差異，反映兩家公司對風險控管的核心假設不同：Anthropic 強調「限制能力」，OpenAI 則聚焦「管理使用者」。

OpenAI 三大原則：不是關閉能力，而是擴大可控使用

在策略層面，OpenAI 在官方文章中明確提出三個核心原則，作為其資安模型部署路線的依據。

第一是「民主化存取」。OpenAI 強調目標是盡可能廣泛地提供工具，同時防止濫用，透過明確、客觀的標準，例如嚴格的認識你的客戶（KYC）身份驗證，決定誰能存取更進階的能力，並逐步將這些流程自動化，避免由人工主觀決定存取資格。

第二是「迭代部署」。OpenAI 表示將謹慎地將系統推向市場，並持續改進，包括提升對越獄攻擊與其他對抗性攻擊的韌性，同時強化防禦能力、降低危害。

第三是「投資生態韌性」。OpenAI 透過信任存取管道、專項補助、開源安全計畫貢獻，以及 Codex Security 等工具，持續支持資安防禦者社群。此外，OpenAI 的資安補助計畫自 2023 年啟動，並於今年 2 月承諾提供 1,000 萬美元的 API 點數支持。

批評 Anthropic：安全不該只靠封閉

兩家公司的釋出策略呈現差異，據《WIRED》報導，OpenAI 在發布文章中明確表示，「目前使用中的這類防護措施，已足以將資安風險降低至足以支持現有模型廣泛部署的程度」，並暗示過度限制可能反而削弱整體防禦能力，語氣上刻意與 Anthropic 的警示性論述拉開距離。

Anthropic 的 Mythos 發布被《implicator.ai》形容為近乎「曼哈頓計畫式」的敘事框架，強調模型能力引發的資安危機感；OpenAI 則選擇走相反方向：更廣泛的存取、身份驗證作為管控核心、較少災難性的修辭。《implicator.ai》指出，OpenAI 將「身份驗證優於能力限縮」作為管控手段，與資安領域長期以來「負責任的揭露優於保密」的傳統邏輯一脈相承。

OpenAI 對 Anthropic 的 Glasswing 計畫也提出批評。OpenAI 在文章中表示，不認為由少數人集中決定誰有資格保護自己是實際可行或適當的做法，而應讓盡可能多的合法防禦者取得工具，並以驗證、信任信號與問責機制作為基礎。

AI 資安進入新階段：能力、治理與責任同步競爭

資安專家界對於 AI 資安的最佳處理方式仍存在分歧。據《WIRED》報導，部分專家認為 Anthropic 對模型風險的憂慮被過度渲染，甚至可能助長新一波反駭客情緒，進一步鞏固科技巨頭對關鍵基礎設施防禦資源的壟斷；另一部分人則強調，現有資安防禦中的漏洞與不足早已廣為人知，在代理式 AI 時代，這些弱點確實可能被更廣泛的攻擊者以更快的速度、更高的強度加以利用。

《The New York Times》引述 OpenAI 董事會成員、卡內基美隆大學專攻資安與 AI 領域的教授 Zico Kolter 的說法指出，「大約四到五個月前，這些系統的能力出現了一次躍進式的變化」，為 AI 資安模型競賽的急迫性提供了具體佐證。

而據《Bloomberg》報導，Anthropic 的 Mythos 發布已在金融機構與政府機構之間引發疑慮，美國財政部長 Scott Bessent 與聯準會主席 Jerome Powell 召集華爾街領袖開會，提醒與會者應認真看待 Mythos 的潛在影響；財政部技術團隊也正積極尋求取得 Mythos 的存取權限，以展開漏洞排查工作。

這場釋出路線之爭，反映出 AI 開發商在追求模型能力突破的同時，也正積極探索風險控管與使用邊界的最佳實踐。OpenAI 表示，目前的防護措施已足以降低當前模型的網路風險，但他們也坦言，未來的模型能力將迅速超越現有防禦系統，屆時勢必需要更廣泛、更嚴格的保護機制。

無論是 Anthropic 還是 OpenAI，都清楚標示著一個趨勢：AI 在資安領域的應用已不再是純粹的技術展示，而是正式進入必須兼顧攻防雙方火力平衡的審慎測試與部署階段。

【推薦閱讀】

◆ Anthropic 不敢全面公開的 AI：Claude Mythos 為何正在重寫網路安全規則？

◆ Anthropic Mythos 進入大型銀行、美英加三國監管體系同步介入：為何美財長緊急召集華爾街 CEO？

◆ 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

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《WIRED》、《Reuters》、OpenAI、《The New York Times》、Constellation Research、《implicator.ai》，首圖來源：Unsplash