顧問機構 Gartner 發布《2027 年十大戰略科技趨勢》報告，內容著重在協助企業為自主 AI 與機器人劃定控制界限，建立兼具效率與技術主權的營運架構。

過去企業 IT 受限於開發成本高昂的「軟體稀缺」思維；如今在生成式 AI 與氛圍編碼（vibe coding）推動下，企業正式迎來「軟體極度豐富」時代。與此同時，面對昂貴且僵化的「SaaS 訂閱疲勞」，Gartner 預測到 2030 年，領先企業將有 80% 的新應用轉為「用完即拋（disposable）」的暫時性架構。

📎 這份報告適合誰閱讀？

主要適合以下三大類別的工作者閱讀：

• 企業高階領導與決策層：包括資訊長與技術長、財務長與財務決策團隊、採購主管
• 資訊科技與工程專業人員：包括企業架構師、平台工程與軟體工程團隊、資料與 AI 團隊、資訊安全與身分治理專家
• 業務流程、產品與合規負責人：包括業務領域專家與營運主管、產品經理與數位體驗主管、法務、風險與合規長

🔴 報告洞見

軟體用完即拋，企業不再背歷史包袱

所謂的「可拋棄式應用（Disposable Applications）」，是指專門為特定短期業務需求打造，一旦任務完成或需求消失，就立即安全下線並淘汰的企業軟體。這完全顛覆了以往「系統上線後就要維護十年」的思維，讓企業軟體就像免洗餐具或快閃店一樣，隨需生成、用完就撤，不再累積成龐大的歷史包袱。

這種架構具備完整的六階段生命週期管理：

1. 辨識需求：明確界定要解決的短期商業機會與衡量標準。
2. 定義與設計：在動手開發的第一天，就預先設定這套軟體的預期壽命、業務負責人，以及什麼情況下該將它下線。
3. 構建與部署：透過企業核准的開發平台、資安標準與防護護欄，快速產生軟體。
4. 營運與交付：在確保安全穩定的前提下，持續追蹤營運成本與它實際產生的商業價值。
5. 評估與決策：定期審查這套工具是否還有價值，決定要保留、升級還是淘汰。
6. 安全淘汰：落實數據封存歸檔、切斷外部 API 串接、收回系統權限，並更新軟體清單，徹底避免系統變成無人管理的幽靈資產。

在落地行動上，Gartner 建議企業採取三大步驟：首先全面盤點現有的軟體清單，分清楚哪些是核心主幹、哪些邊緣需求可以改用臨時軟體取代；其次，由平台工程團隊統籌制定規則，管好這類短期工具在內部的流轉；第三，趁著每年 SaaS 合約到期續約時，砍掉過多的人頭授權，並要求廠商提供開放 API 介面，為未來的彈性替換預留後路。

在分工上，資訊長負責整體策略與預算調配，架構師制定分級規則，資安團隊把關除役安全，業務與財務主管則需主動定義淘汰指標並調整專案成本結構。

AI 不只會讀文字，還能算數字、聽語氣、懂物理

當軟體開發變得越來越容易，背後的 AI 模型能力也正從純文字走向多維度。目前的企業應用大多圍繞在文字大型語言模型（LLM），但 LLM 本質是依賴機率去猜下一個字，面對嚴謹的數學計算或數值預測時極容易出錯。

為此，專門處理數值的「大型定量模型（Large Quantitative Models, LQMs）」應運而生。LQMs 結合了神經網路與嚴格的數學公式、統計演算法和物理定律，能用遠低於 LLM 的記憶體與運算資源，精準推演高度複雜的數據系統。

Gartner 預測，到 2030 年，LQMs 將在 25% 的企業戰略預測與營運建模任務中取代傳統 LLM。企業的行動方向應採取混合架構，讓 LLM 負責在前台與人對話，後台涉及財務風險精算、供應鏈最佳化與能源調度等核心計算時，則交由 LQMs 處理，並嚴格把關數據品質以防預測失準。

除了數值計算，語音互動也正在經歷底層架構的翻新。「語音推理模型（Speech Reasoning Models）」可以直接在聲音訊號上，進行意圖分析與情境推理，跳過以往「先轉文字、丟給 AI、再轉回語音」的三段式流程，能精準捕捉人類語音中的語調、情緒與弦外之音，勝任多輪複雜客服對話，並成為實體機器人的語音大腦。

報告預計，到 2030 年，超過 70% 的企業語音互動，將由語音推理模型自主處理（2026 年僅不到 10%）。企業應著手制定語音隱私稽核機制，並根據業務複雜度，將語音分流至低延遲即時模型或深度推理模型。

在實體世界方面，世界模型（World Models）則賦予了 AI 理解物理世界的空間感知力。世界模型能學習物理環境的時空規則，讓機器人或自主系統在實際採取動作前，先在數位大腦中模擬「如果我這樣做，會發生什麼事」，推演因果關係以確保安全與流暢。

雖然目前訓練成本偏高，但 Gartner 指出其成本將在三年內降至原本的十分之一；到 2030 年，將有 40% 的機器人應用整合世界模型（2025 年不到 1%）。企業應擬定五年的研發藍圖，優先鎖定製程模擬與高危險作業情境，並著手建立能串接收集真實環境數據的管線。

AI 員工大量進駐，企業先管好權限與品質

隨著模型變得越來越聰明，能獨立執行任務的 AI 數位員工（Agent）開始大舉進入企業，帶來效率的同時，也讓系統治理面臨嚴峻考驗。

首先是知識斷層問題。調查顯示，雖然有 42% 的企業打算在 2026 年底前引進自主 AI Agent，但目前只有 22% 的企業真正拿到顯著商業回報，主因是內部知識太過分散，AI 常常因缺乏背景脈絡而胡說八道。

為了解決這個痛點，企業需要打造「AI 上下文平台（AI Context Platforms）」，把分散在各部門的規章與即時數據整理成一套機器看得懂的「企業真相層」，架構涵蓋業務邏輯（語意層）、即時狀態（營運狀態層）與決策紀錄（數據溯源層）。

Gartner 預估，到 2027 年，建立標準化語意資料的企業，將使 AI Agent 的決策準確率提升高達 80%，並降低 60% 的運算成本。

其次是軟體開發的品管問題。Gartner 預計，到 2026 年底，AI 編碼 Agent 將包辦全球 20% 的公開程式碼提交。如果缺乏管控，AI 產出的大量不良程式碼將迅速演變成災難性的技術債。

為此，企業需要建立「AI 程式碼 Agent 治理架構」，在 AI 寫完程式、交由人類工程師審查前，先在流水線上設置自動化背壓驗證（Backpressure），強制執行語法檢查、自動化測試、資安弱點掃描與文件確認。落地關鍵在於成立專屬平台團隊，將企業內部的開發標準寫成機器規則，在源頭就把問題擋下。

然而，當大量數位員工在系統內穿梭時，「身分權限」成為最危險的資安破口。過去許多公司為了圖方便，直接拿員工的帳號密碼給 AI 使用，這將造成極大漏洞。

Gartner 預估，到 2028 年，企業將有 25% 的資安事件是源自 AI Agent 的權限濫用；如果無法解決機器帳號管理問題，超過半數的企業 AI 專案將被迫叫停。企業必須導入「AI Agent 身分管理」，全面清查無人監管的影子 Agent，並為每個 AI 建立包含模型版本、提示詞範圍與權限清單的「複合身分」，落實機器帳號的零信任防線。

最後，在資安防禦方面，「自主暴露修復」能讓 AI 自動找出系統弱點、即時驗證並自動修補。傳統人工檢查漏洞平均有 50 天的暴露空窗期，Gartner 預測，到 2031 年，採用自主修復的企業能將漏洞修復時間從數週大幅縮短至 48 小時以內。在行動上，建議先從機密等級較低的程式庫試點，並在自動修補與研發速度之間取得平衡，同時監控運算用量避免資安成本超支。

擺脫單一供應商，布局長期運算來源

在解決了軟體與資安問題後，企業還必須將眼光放遠到基礎設施的長期生存能力。過度依賴單一境外雲端巨頭，不僅會面臨昂貴的授權與算力費用，還會因地緣政治、外國法律與嚴格合規要求，面臨供應中斷的風險。

因此，企業需要積極布局「主權科技」。所謂主權科技，是指企業在硬體伺服器、雲端環境到 AI 模型等各個技術層面上，都必須具備明確且行得通的「退場備案」，確保關鍵廠商如果中斷服務或收回技術授權，企業系統依然能獨立運作。

Gartner 預測，到 2030 年，超過 75% 的非美企業將採取數位主權策略，轉移關鍵業務負載以防範被單一供應商鎖定。企業應評估私有雲與在地夥伴交付模式，採取穩定的成熟技術，並在合約中要求廠商提供不得隨意中斷服務的保證。

最後，放眼 5 年以上的長期趨勢，傳統矽晶片的能耗與散熱已逐漸逼近物理極限，難以無止境支撐大模型的需求。作為新一代運算解方，「生物運算即服務（Wetware as a Service）」正浮出檯面。

生物運算透過雲端訂閱模式，讓企業能遠端取用培養皿中的活體或合成生物神經元網路，利用生物突觸天然的彈性，以極微小的超低功耗執行複雜的模式辨識計算。Gartner 預測，到 2030 年，在優先追求極低功耗 AI 的企業中，將有 25% 會導入生物運算。

企業前瞻團隊應先盤點高能耗的計算任務，透過遠端沙盒測試生物晶片特性，並提早建立數據備援機制，以因應活體神經細胞天然壽命與突發死亡帶來的運算中斷風險。

整體而言，上述趨勢並非孤立的技術，而是彼此串連的控制體系。面對軟體極度豐富與自主數位員工大量進駐的新局面，企業唯有及早劃定邊界、打造可拋棄的敏捷架構並掌握技術主權，才能在這場機器自主化的浪潮中搶佔先機。

閱讀完整報告內容，請見：Gartner Top 10 Strategic Technology Trends for 2027

【更多產業研究報告】

◆ 【Anthropic 機器人工作能力報告】技術已能接管全美 34% 工作，但真正「比請人便宜」的不到 1%

◆ 【博通私有雲展望報告】97% IT 決策者坦言公有雲支出遭浪費，布局「私有 AI」翻轉昂貴算力架構

◆ 【英特爾「機器人準備度差距」報告】邊緣 AI 算力是自動化規模的後盾，專用型 AMR 與工業手臂是產出翻倍主力

 >> 其他產業研究報告

＊初稿由 AI 協作，首圖來源：Gemini 生成

人形機器人進工廠，不一定得先學會雙足走路，也不一定每項工作都需要靈巧手。鴻海科技集團機器人事業處總經理郭柳宗在近日舉辦的 333 Robots Community Meetup 分享，目前團隊把不少心力放在 SMT 產線、倉儲等既有製造場景，希望先把特定任務做成熟，再往更多相似場域延伸。對工廠來說，機器人不只是要能完成動作，速度、定位精度、力控與穩定性，也都會影響它能不能真正進入產線。

從陪伴機器人做到工廠，面對的是另一種任務

郭柳宗也是女媧創造（NUWA Robotics）創辦人。十年前創業時，他最初想做的是陪伴型機器人。因為曾長期在海外工作、女兒成長時自己不常在身邊，他當時曾想像，如果有一台機器人能替遠方的爸爸陪孩子講故事、跳舞、互動，也許能補上部分陪伴。後來女媧的產品也一路延伸到教育與企業應用。

如今到了鴻海，他面對的則是另一種機器人問題。郭柳宗提到，集團本身有大量 SMT 產線與倉儲場景，因此只要一個共通場景能做成熟，就有機會進一步往更多工廠部署。相較之下，工廠對機器人的要求也更具體：除了完成任務，還得考慮動作速度、位置精度，以及組裝時所需的力控能力。

硬體形式也得跟著場景調整。郭柳宗表示，就目前團隊鎖定的工廠應用來看，輪式底盤在速度、穩定性與成本上更容易符合需求，因此現階段會先以輪式平台為主。相較之下，雙足機器人還要處理平衡、耗能，以及更多關節帶來的成本問題。

目前視覺語言動作模型（Vision-Language-Action Model，VLA）已能控制機器人執行抓取，但郭柳宗以團隊測試經驗說明，模型執行動作的速度與誤差仍可能影響工廠使用；部分組裝作業還需要精準控制施力大小，不能只做到「抓得到」。

整段工作還沒全交給 AI，先把任務拆成不同節點

因此，郭柳宗分享，目前團隊會利用行為樹（Behavior Tree）把複雜工作拆成不同節點，再決定哪些部分需要 VLA，而不是把整串流程全部交給端到端模型。

例如，機器人從 A 點移動到料架，可以使用既有控制方式；到了需要從料架辨識並取出指定物件的環節，再交由 VLA 處理。郭柳宗指出，以現階段技術而言，如果整段任務都使用 VLA，執行速度仍是一項瓶頸。

團隊也開發了動作任務編排工具，讓工程師可以用拖拉方式把一個工作拆成不同節點，工具中並內建模擬功能，可以預先模擬機器人的動作。真正需要模型學習的任務，則得進一步蒐集資料、訓練，再部署到實際場景。

郭柳宗在簡報中以一段訓練案例說明，團隊會讓操作人員戴上 VR 裝置，透過控制器操作機器人反覆完成抓取與放置，這類任務可能需要累積數百次示範，才能取得後續訓練所需的資料。除了真實世界的遙控操作（Teleoperation），團隊也會利用模擬環境讓機器人學習動作。

世界動作模型（World Action Model）也是郭柳宗提到的技術之一。他表示，這類模型具備一定的泛化能力，希望降低不同場景都得重新蒐集大量訓練資料的負擔；不同任務訓練出的技能，也可以整理到技能庫，再依部署場域下載所需能力。

工廠資料怎麼變成機器人技能？光有資料還不夠

談到機器人 AI，郭柳宗認為鴻海的一項優勢，在於製造現場擁有大量生產資料。團隊的做法不是從頭訓練大型基礎模型，而是在既有預訓練模型上，利用生產資料進行後訓練（Post-training），讓機器人進一步學會工廠需要的特定技能。

不過，資料也不是蒐集得越多就越好。郭柳宗以「資料健康度」說明，如果原本只想教機器人把物件從左邊拿到右邊，蒐集的影片卻混入把物件拿回原位等不必要動作，或背景帶入太多無關資訊，都可能干擾後續訓練，因此資料進入模型前仍需要檢查與整理。

他也分享，依團隊經驗，VLA 經過模仿學習後，特定任務的成功率可能約八成；再將成功與失敗案例納入強化學習（Reinforcement Learning），可以提高到 95% 以上。但郭柳宗直言，「95% 在工廠也是不行的」，團隊目前希望把成功率進一步做到 99% 以上。

人形機器人的手，為什麼不一定要像人的手？

硬體選擇也得回到實際工作。郭柳宗表示，目前團隊並非所有任務都使用多指靈巧手，而是會依不同場景設計專用的末端執行器。

他以 SMT 捲料為例，工廠裡的料盤可能彼此緊密堆疊，靈巧手的手指反而太厚，不容易伸進狹窄縫隙。因此團隊針對這項工作設計薄型夾爪，讓夾爪能直接伸入料盤之間，把指定捲料取出。郭柳宗也提到，除了能不能完成動作，成本與投資效益也是選擇末端工具時必須考慮的條件。

從任務拆解、VLA、模擬與世界動作模型，到後訓練和專用夾爪，郭柳宗這次分享提供的是一個很具體的工廠視角：人形機器人要進入產線，不只是把更強的 AI 模型裝上機器人，而是要從實際工作往回決定哪些環節需要 AI、需要什麼資料，以及什麼硬體最適合完成任務。

【推薦閱讀】

◆ 摩根大通：美國人形機器人 2030 年產量上看 40 萬台，近期最大機會在零組件商

◆ 亞馬遜擁超過 100 萬名機器人員工，AI 調度推升倉儲效率，重複性工傷卻成隱憂

◆ Google Gemini Robotics 2.5 進賓士產線：人形機器人自主揀料，概念驗證成功率 96%

＊圖片來源：《TechOrange》拍攝

摩根大通（J.P. Morgan）美國時間 11/12 發布研究，估計美國人形機器人產量到 2030 年可達 30 萬至 40 萬台、2035 年約 150 萬台，產業正從展示轉向商業部署。不過，這份研究同樣強調供應端的限制，根據《Reuters》報導，摩根大通表示：「近期進展仍受供應限制，有幾個關鍵瓶頸：手部、致動器、大腦，以及產能。」

這份研究同時指出，近期最大的機會在零組件供應商。當勞動力短缺推動企業評估人形機器人，量產究竟卡在哪些環節？摩根大通看好哪些零組件商，美國政策又可能帶來什麼變數？

成本逼近人力、多班制估計每位客戶年省約 10 萬美元，這份預測建立在哪些條件上？

《Reuters》報導指出，勞動力短缺、經濟效益改善與產能提升，正推動製造、物流與倉儲業採用人形機器人，企業希望藉此把重複性的工作自動化。在成本面，摩根大通估計，人形機器人的成本已接近人力成本；若採多班制部署，也就是讓機器人在多個班次輪替運作，每位客戶每年約可省下 10 萬美元。

不過，這些數字背後的細節仍有限。《Humanoids Daily》指出，摩根大通的研究報告本身並未公開；已報導的數字中，也不包含該行對單台機器人價格與薪資水準的假設。

另一個需要留意的是數字的性質。《Humanoids Daily》提到，報導並未說明 2030 年與 2035 年的數字是年產量還是累計總量，因此 30 萬至 40 萬台這組數字，不宜直接當成屆時的年產量來解讀。

手部、致動器、AI「大腦」與產能：量產卡在哪裡，訂單又走到哪一步？

摩根大通點出的四個瓶頸中，致動器（actuator）是驅動機器人關節動作的動力元件，手部負責抓取與操作物品，AI「大腦」則是指讓機器人感知環境、做出判斷並控制動作的 AI 模型與軟體。報導也指出，人形機器人的部署受到三方面的限制：硬體、AI 訓練數據與算力（訓練 AI 模型所需的數據與運算資源），以及產能。

整機廠方面，摩根大通把 Tesla 的 Optimus、Agility Robotics 的 Digit、Boston Dynamics 的 Atlas、Figure AI 的 Figure 系列，以及 Apptronik 的 Apollo，列為美國人形機器人的主要業者。至於產能，報導指出，除了 Tesla 之外，多數美國廠商的年產目標落在 1 萬至 3 萬台，Tesla 本身的產量目標則沒有提及。相較之下，摩根大通對 2030 年的產量預測是 30 萬至 40 萬台。

從《Humanoids Daily》整理的市場現況來看，Tesla 10 月在 Fremont 開始生產 Optimus，預計 2027 年底前後交付外部客戶；合約物流業者 GXO 與 Apptronik 簽署意向書，4 年內最多採購 1,000 台 Apollo，前提是試用達到約定目標；Agility 最大一筆 Digit 5 訂單同樣是 1,000 台，也要在各應用情境驗證後才分批交機。該媒體認為，已確認的訂單量仍遠小於預測。

摩根大通估 2035 年關鍵零件市場近 300 億美元，國安調查可能推動美國本土化

摩根大通認為，零組件供應商是近期最大的機會，預期致動器、馬達、視覺系統等關鍵零件的市場規模，到 2035 年將接近 300 億美元。該行看好的名單包括：軸承與傳動產品廠 Timken、生產 DYNAMIXEL 致動器的南韓 Robotis、蘇州的諧波減速器廠綠的諧波（Leader Drive），以及機器人與 AI 視覺供應商奧比中光（Orbbec）、工業機器視覺系統商 Cognex。不過，《Humanoids Daily》也點出，這 5 家中有 2 家在上海上市，而摩根大通的政策展望，指向偏好美國本土生產的措施。

這項政策展望，涉及美國總統川普（Donald Trump）的最新決定：《Reuters》報導，經過一年多的調查，川普在美國時間 10/28 認定進口機器人與工業機械具國安風險，但沒有立即課徵關稅，而是要求美國商務部與美國貿易代表署（USTR）共同與貿易夥伴就進口量談判，並在 180 天內回報進度。摩根大通認為，這項認定可能帶來關稅或其他提振本土產能的措施。

美國商務部表示，美國多數類型的機器人與工業機械仰賴進口。《Reuters》指出，川普的決定讓依賴這些進口的美國製造商暫時免於新關稅，但若與貿易夥伴的談判不順，仍可能面臨課稅，川普也表示之後仍可能課徵關稅。

在關稅之外，美國聯邦通訊委員會（FCC）今年 7 月也已將外國生產的先進機器人裝置列入管制清單，新型號不得取得設備授權。根據 White & Case 律師事務所的整理，管制範圍包括自主移動機器人、人形與四足機器人，並依產品的生產地認定，不看企業總部所在地，美國企業在海外生產的產品同樣適用；已獲授權的既有型號則不受影響。FCC 的理由是，機器人蒐集的數據可能被惡意人士用來監視美國人、強化外國情報單位的能力，或遠端操控機器人。

摩根大通也預期，隨著時間推移，價值創造將逐漸轉向機器人製造商與平台整合商，零組件商的優勢被定位在近期。在研究報告未公開、已確認訂單仍有限的情況下，30 萬至 40 萬台的預測能否實現，還要看供應瓶頸能否紓解，以及 180 天談判期後美國的政策走向。

【推薦閱讀】
◆ Meta 聯手傅利葉打造人形機器人，3 個月完成原型、美國政策成潛在挑戰
◆ 美國銀行、券商擋 AI 代理動用客戶資金：摩根大通、嘉信、花旗如何劃定界線？
◆ 8,000 台人形機器人計畫進上海工廠，西門子：沒有工廠想當 AI 試錯場

＊本文開放合作夥伴轉載，資料來源：《Reuters》1、《Reuters》2、《Humanoids Daily》、FCC、White & Case，首圖來源：Unsplash

NVIDIA 董事會美國時間 11 月 12 日宣布，黃仁勳辭去總裁、執行長與董事職務，即刻生效，由財務長柯蕾絲（Colette Kress）暫代執行長。此前，《紐約時報》等媒體報導黃仁勳與一名被美方懷疑替中國從事間諜活動的女商人有婚外情；董事會先前曾表示「沒有理由相信」國安或公司機密外洩，調查尚無公開結論。據《Reuters Breakingviews》估算，從 10 月 29 日首波報導到辭任前一天盤後，NVIDIA 市值已蒸發約 1.4 兆美元。

但黃仁勳離開，不只是換一位執行長。《Breakingviews》專欄指出，黃仁勳的持股並不高，整家公司卻完全圍繞著他運轉；他同時也是華府對中晶片政策辯論中的關鍵人物。當決策核心換人、他的對中主張失去影響力，NVIDIA 的接班與投資布局，以及美國對中晶片管制，會出現哪些變化？

逾 60 名主管直接向黃仁勳報告，暫代的柯蕾絲缺少哪些關係？

《Breakingviews》指出，黃仁勳底下有 4 名地位平等的高階主管、超過 60 名直屬部屬，連董事會原本都沒有董事長。《紐約時報》也提到，黃仁勳以扁平結構掌管公司各層面的業務，自己位居日常營運的中心。這些直屬主管多是長年追隨他的人，這種結構很難拆解，可能讓柯蕾絲以及未來正式接班人的交接更加複雜。

董事會這次首度設立董事長，由曾任 Synopsys 執行長與執行董事長的 Harvey C. Jones 出任。董事會也啟動正式執行長遴選，內外部人選都會考慮；柯蕾絲在正式人選出爐前兼任財務長。Jones 在聲明中表示，董事會對柯蕾絲與領導團隊有充分信心，「我們預期公司的營運、客戶承諾與產品路線圖將持續進行，不會中斷。」

柯蕾絲今年 59 歲，曾在德州儀器、微軟、思科擔任財務職務，2013 年加入 NVIDIA，任內公司營收成長超過 50 倍。《紐約時報》指出，她在財務長任內曾於法說會上表達對美國限制先進晶片銷往中國、對公司財務造成影響的擔憂；她雖然為華爾街所熟悉，卻沒有黃仁勳與 NVIDIA 龐大供應鏈、與華府之間的關係。她已宣布，NVIDIA 將在 11 月 18 日召開全公司會議，討論公司的未來。

美銀估曝險約 3,000 億美元：換人之後，NVIDIA 對 AI 業者的投資與擔保會放緩嗎？

黃仁勳的另一項影響力，來自他親手建立的投資與融資網絡。《Breakingviews》分析，NVIDIA 75% 的毛利率，給了客戶自研、改用較便宜晶片的強烈誘因，NVIDIA 因此投資或收購互補的軟硬體，設法鎖住用戶；此外，NVIDIA 也與 Apollo、Blackstone 等私人放款機構結盟，讓客戶更容易融資購買晶片。根據美國銀行估計，黃仁勳密集的交易布局，加上為撐住較小客戶所提供的擔保，曝險合計約 3,000 億美元，有助確保沒有任何單一買家能取得議價優勢。

《Reuters》則形容，黃仁勳的長期策略，把 NVIDIA 不斷累積的現金變成投資資金，對象從 AI 雲端業者、供應商到最大的 AI 實驗室。換人之後，這些投資會不會放緩？Counterpoint Research 研究副總 Neil Shah 表示：「沒有他掌舵，我們可能會看到 NVIDIA 放緩新的、積極的生態系層級投資，以及利潤豐厚的雙邊 AI 基礎設施交易。」

《Bloomberg》專欄作家 Dave Lee 則認為，若 NVIDIA 由集體決策經營，這類高風險交易勢必少很多，而在尋找正式執行長期間，甚至在那之後，NVIDIA 都會是這種狀態。他指出，這些交易雖然讓外界不安，卻也推動美國 AI 產業飛快成長：NVIDIA 是 OpenAI、Anthropic 等業者運作的瓶頸，它的投資與支持，是這些公司全速興建資料中心、吸引更多資金的後盾。他因此判斷，美國 AI 產業的腳步勢必會放慢。

黃仁勳曾主張封鎖將中國適得其反，他離場後，國會三項法案瞄準晶片與設備出口

Lee 指出，黃仁勳近兩年能直接接觸川普，對美國 AI 政策的影響力超過任何矽谷高管。他利用這層關係，持續公開主張對中出口管制正在失敗：把中國拒於門外，只會逼北京自建晶片與 AI 技術堆疊，再推廣到全球，反而削弱美國的 AI 主導地位。黃仁勳 2025 年就說：「問題不在於中國會不會擁有 AI，它已經有了；問題在於全球最大的 AI 市場之一，會不會在美國的平台上運行（編按：指以美國的晶片與 AI 技術堆疊為基礎）。」

Lee 認為，黃仁勳的行為讓華府主張不該讓中國用美國技術發展 AI 的一方，更有底氣也更急迫。參議院民主黨領袖舒默（Chuck Schumer）本週表示：「我多年來一直這麼說」，「我們最先進的 AI 晶片太珍貴，不能落入潛在對手手中。」《Semafor》報導，參議院多數黨領袖圖恩（John Thune）也說，國會進一步限制對中晶片出口的可能性「很高」。

目前被點名的三項法案，都已列入參議院版的國防授權法（NDAA），但兩院仍在協商最終版本，尚未談定是否納入。根據《Reuters》分析，美國法律賦予商務部廣泛權限，不需國會參與就能封鎖或放行先進晶片出口；兩黨參議員提出的《AI 監督法》（AI Overwatch Act），要讓國會在審查出口規則變更時扮演更大角色，可能讓未來的政府更難放寬對中銷售 NVIDIA 先進晶片。《晶片安全法》（Chip Security Act）則要求晶片商追蹤先進 AI 處理器的位置，懷疑晶片流入禁止對象時通報政府。

《Reuters》指出，這可能為 NVIDIA 帶來新的合規成本與通報義務；NVIDIA 所屬的美國半導體產業協會（SIA）也曾表示，強制追蹤可能讓產業付出高昂成本。第三項《MATCH 法》，會施壓美國盟友限制銷往中國的先進晶片製造設備的銷售與維修；它不直接限制 NVIDIA 的晶片銷售，支持者認為，長期可讓中國更難發展與 NVIDIA 競爭的自研 AI 晶片。另一方面，NVIDIA 8 月的公司聲明指出，目前來自中國資料中心的晶片營收接近零，預期第三季也不會改變。

東南亞轉運、境外租算力：遠端存取成為下一個管制目標

Lee 認為，黃仁勳離開的直接後果，可能是現有取得管道的管制收緊。他在專欄中引述《The Information》報導，商務部正準備完成一項規則，禁止中國企業遠端使用馬來西亞、新加坡等鄰近國家的美國晶片。《Reuters》也報導，中國 AI 企業擔心這起風波會促使華府收緊遠端使用先進處理器的管制，正設法確保海外的 NVIDIA 晶片使用管道。

立法上，部分中國企業不直接購買先進晶片，而是向配備 NVIDIA 晶片的海外資料中心租用算力，再遠端存取系統。不在前述三項法案之列的《遠端存取安全法》（Remote Access Security Act），將授權商務部管理這類活動，1 月已在眾議院通過，正等待參議院審議。《Reuters》分析認為，該法在各提案中可能對 NVIDIA 影響最直接；NVIDIA 7 月也曾表示，此法若通過，可能「對我們的業務造成重大影響」。

東南亞的轉運問題同樣受到關注。CFR 資深研究員 Chris McGuire 指出，東南亞已成為「晶片走私與規避出口管制的主要樞紐」，美國政府目前對這些銷售「完全沒有能見度」；商務部拒絕執行既有規則，「實際上已把出口管制執法外包給民間企業」。例如《Semafor》報導，新加坡的 Megaspeed 向 NVIDIA 購買了數十億美元的晶片，被懷疑把這些技術轉往中國，正接受司法部調查。

針對中國企業的境外管道，商務部今年 5 月也曾發布指引，表示將對總部在中國、但設在境外的實體執行先進晶片出口許可要求。《Reuters》報導，McGuire 當時就指出，指引留下另一個漏洞：原本要求台積電等晶圓代工廠做額外盡職調查、確保所製造的高階 AI 晶片不是供應給中國人頭公司的規定已被拿掉，指引並沒有處理。台積電發言人拒絕評論。

台灣供應商擔心擴產步調，投資人看短期出貨無虞：亞洲夥伴怎麼看接班？

在辭任消息確定前，《Reuters》就報導，從南韓到台灣，NVIDIA 在亞洲的合作夥伴與供應商，正為黃仁勳可能被撤換重新擬定計畫。報導引述一名不具名的台灣供應商主管說：「我們會支援 NVIDIA 需要的任何產能，但新執行長可能不像黃仁勳那麼積極。」他擔心繼任者若不像黃仁勳那樣迅速鎖定產能，公司擴產可能放緩。

黃仁勳多次訪台，與台積電、鴻海、緯創等製造夥伴建立緊密的供應網絡，今年 5 月也表示，NVIDIA 計畫每年在台灣投入約 1,500 億美元。天風國際證券分析師郭明錤說，黃仁勳能讓全公司投入資源、承擔風險，交付工程師認為可行的技術，「這就是供應鏈能獲得如此強的訂單能見度，並願意跟上激進規格升級的原因。」一名與 NVIDIA 有業務往來的南韓晶片公司人士也說：「我們最大的問題，是潛在接班人能否與我們維持同樣友好的關係。」

也有投資人認為短期影響有限。持有 NVIDIA 股票的 Minotaur Capital 共同創辦人 Armina Rosenberg 說：「NVIDIA 未來一兩年要出貨的晶片已經設計好、正在生產，客戶 2027 年的支出計畫也不取決於誰經營這家公司。」台灣經濟研究院院長張建一 11 月 9 日、董事會仍在調查期間也表示，他不認為此事會讓 AI 發展停步，對台灣出口商而言，許多 2027 年上半年的訂單已經下了，已取得許可的資料中心也仍在興建。

黃仁勳主張分享美國技術，即便是對手也能用，才能讓它不可或缺；Lee 認為，在失去親手打造的公司這一天，黃仁勳也輸掉了這場理念之爭。不過，正式執行長人選、法案最終版本與商務部新規都還沒定案，NVIDIA 的接班與管制兩條線仍在變化。

【推薦閱讀】
◆ NVIDIA 董事會啟動調查、華爾街憂經營風險，台經院張建一：AI 供應鏈影響有限
◆ 黃仁勳親解 Vera CPU 戰略：這是一個 6 個月前還未存在的市場
◆ 晶片禁令下的破口：美國嚴防硬體輸中，中國卻年砸 5 億美元買進矽谷訓練資料

＊本文開放合作夥伴轉載，資料來源：NVIDIA、《Reuters Breakingviews》、《Reuters》1、《Reuters》2、《Reuters》3、《Bloomberg》、《紐約時報》、《Semafor》、CFR、《Focus Taiwan》，首圖來源：Unsplash

Google 在美國時間 11/12 推出新一代 AI 模型 Gemini 4 Hydrogen，但這次發表亮點不只有模型效能提升。Google 同步在 AI 開發工具 Antigravity 推出 Orchestrator，讓 AI Agent 在執行任務時，能依照工作複雜度動態切換不同模型，不必從頭到尾使用同一款 AI。Google 宣稱，在程式開發基準測試中，這套機制能維持接近高階模型的任務成功率，同時平均減少 24% 的使用配額消耗、縮短 19% 的完成時間。

這項設計也反映企業導入 AI Agent 的一個重要變化：與其讓最強大的模型包辦所有工作，是否能透過不同模型分工，在執行品質、速度與成本之間取得更好的平衡？這和傳統模型路由又有何不同？

速度提升 2.5 倍、程式測試成績大增，Hydrogen 如何成為 AI Agent 執行模型？

根據 Google 官方公告，Gemini 4 Carbon、Argon 等高階模型適合系統架構設計、複雜問題分析與深入推理，但軟體開發過程中，也有大量相對例行的工作，例如修改程式碼、執行測試及驗證結果，不一定每個步驟都需要使用高階模型。

新發表的 Hydrogen 則是 Google 針對快速執行與 AI Agent 工作流程推出的模型。Google 宣稱，相較前代 Gemini 3.8 Flash，Hydrogen 在預設 High 推理設定下，完成任務速度提升至 2.5 倍，Terminal-Bench 4.1 程式開發測試成績也從 18.2% 提高至 57%。此外，Hydrogen 能在工具呼叫失敗、搜尋沒有結果時調整執行方式，較適合需要反覆操作工具、修改程式與驗證結果的多步驟任務。

因此，Google 在 Antigravity 導入 Orchestrator、讓不同模型於同一工作階段中分工的框架下，Carbon 可以先分析程式架構、制定修改計畫，再交由速度較快的 Hydrogen 執行程式修改與測試。如果執行過程遇到需要深入判斷的問題，便能重新交由 Carbon 處理，再繼續後續工作。

Google 也提供另一種多模型協作方式，讓 Carbon 擔任協調者，Hydrogen 負責執行及驗證，使多個 Agent 在隔離的工作環境中並行處理不同任務。不過，這種多代理並行協作，與 Orchestrator 在同一工作階段中動態切換模型，是不同的運作機制。

不只在任務開始時選模型，Orchestrator 與傳統模型路由有何不同？

傳統模型路由（Model Routing）通常在接收到使用者要求後，根據任務難度、成本或其他條件選擇適合的模型，再交由該模型執行任務。例如，簡單的程式修改可以交給較快速的模型，複雜的架構設計則交給推理能力較強的模型。

但 AI Agent 執行的工作可能包含多個步驟，任務難度也會在過程中改變。例如，原本只是修改幾行程式，執行測試後卻發現更深層的系統問題，需要重新分析程式架構。

根據 Google Antigravity 官方說明，Orchestrator 的差異在於，模型選擇不再只是任務開始前的一次決定，而是能在同一個工作階段中，依照任務進展動態調整。當 Hydrogen 遇到較複雜的問題，可以將任務交回 Carbon 重新規劃，再繼續執行。

AI Agent 如何兼顧效能與成本？Google 公布多模型協作成效

讓不同模型動態分工，一個重要目的就是避免高階模型處理所有工作，進而降低不必要的運算資源消耗。Google 表示，Orchestrator 在程式開發基準測試中，取得接近單獨使用 Carbon 的任務成功率，平均減少 24% 的使用配額消耗，並將任務完成時間縮短 19%。

不過，模型能力提升，不代表使用成本一定降低。根據 《VentureBeat》報導，Hydrogen 的標準 API 價格為每百萬輸入 Token 1.50 美元、輸出 Token 7.50 美元，是前代 Gemini 3.8 Flash 目前優惠價格的兩倍，也高於部分競爭對手的低價模型。

《VentureBeat》進一步引用 Artificial Analysis 的評測指出，Hydrogen 在 High 與 Xhigh 推理設定下，Intelligence Index 分別為 51 與 54 分，但每項基準測試的估計成本，也從 1.87 美元增加至 3.16 美元。這顯示企業除了選擇不同模型，也需要衡量提高推理強度是否值得額外成本。

然而，API 單價並不等於完成一項任務的總成本。《VentureBeat》指出，若能力較強的模型能減少錯誤與重試次數，或完成低價模型無法處理的工作，即使單次呼叫價格較高，整體投入仍可能更划算。值得注意的是，Google 宣稱 Orchestrator 減少的 24%，指的是 Antigravity 使用配額，不能直接解讀成企業 API 帳單降低相同比例。

AI Agent 不再只選一款模型，企業需重估導入成本

根據 Google Antigravity 官方說明，Orchestrator 已開始在 Antigravity 推出。其中，Google AI Ultra 用戶可使用 Orchestrator（Carbon）與 Orchestrator（Argon），Google AI Pro 用戶則可使用 Orchestrator（Argon），讓開發者不必自行安排每次模型切換，就能在程式開發任務中使用多模型協作。

除了 Orchestrator，Google 也提供 Antigravity SDK，讓開發團隊自行指定不同 Agent 使用的模型。例如，將程式問題分類、介面調整等工作交給 Hydrogen，較複雜的程式重構、新功能開發與安全檢查則交由 Carbon。這種預先配置的模型分工，與 Orchestrator 在任務過程中動態切換模型的機制不同。

對企業而言，這些更新也帶來新的導入考量：哪些工作適合預先指定模型，哪些長時間、多步驟的任務需要動態調度？如果 Agent 執行過程需要跨模型交接，能否保留足夠的任務脈絡，並確保測試與驗證結果可靠？至於多模型協作能否真正節省成本，仍有待不同企業工作負載的驗證。

【推薦閱讀】

◆ Google 的決策模型來了：Gemini Decision 1 一次評估千項問題，與 Jev 有何不同？

◆ YC 創業學校首度來台，點名 AI 還做不好的事：晶片驗證、硬體設計藏哪些新創機會？

◆ Anthropic IPO 前推出 AI 辦公套件：從試算表到會議協作，為何開始挑戰 Microsoft、Google？

＊本文開放合作夥伴轉載，資料來源：Google、《VentureBeat》、《TechCrunch》、《The Verge》，首圖來源：

全世界擁有最多機器人員工的企業是哪一家？答案是全球物流龍頭亞馬遜（Amazon），他們目前已有超過百萬台機器人於自動化倉庫中全天候運作，並處理全球超過數百萬件包裹，同時隨著亞馬遜未來持續擴大營運據點，這支機器人軍團的陣容預計將變得更加龐大。

在此同時，亞馬遜也是全球第二大企業雇主，旗下擁有超過 150 萬名全職與兼職人類員工；部分勞權團體與獨立研究人員指出，有證據顯示由 AI 所驅動的自動化倉庫，對於跟機器人一起並肩工作的人類而言，不全然是件好事情。

快節奏又無人喜歡的工作

從許多方面來看，機器人與 AI 技術非常適合應對電商產業物流中心內部，極快速且要求精準的快節奏工作環境。

首先，根據美國職業安全與健康管理局的數據，美國倉儲業從業人員的工傷與患病率，通常是所有行業平均值的兩倍以上，該職位亦符合人類較厭惡的「枯燥、骯髒且危險」的 3D 類工作。其次，專家指出美國倉儲業僱用了近 200 萬名員工，然而不僅人員流動率極高，職場受傷率也處於高點。

由此可見，即便機器人目前仍無法完全勝任，人類勞工所能夠執行的各種不同任務，但亞馬遜還是日益提升輪式機器人與機械手臂的數量規模，同時保留龐大的人力團隊。亞馬遜高層甚至認為，機器人已經接手物流倉庫中，最艱鉅、最容易導致身體疲勞與受傷的任務，從而減輕了人類員工的負擔。

只不過，當人類開始跟機器人協同作業，甚至得跟上機器人的運作步伐時，整個工作場域的實際情況，就會開始變得複雜起來。

亞馬遜的運輸機器人軍團

回顧 2012 年，亞馬遜宣布收購機器人公司 Kiva Systems，並隨後將其更名為 Amazon Robotics，專注於運輸機器人與機械手臂產品。

目前亞馬遜的機器人員工隊伍之中，大部分產品都是輪式機器人，並且由稱作 Sequoia 的協調系統，負責管理機器人群體運作，將商品識別與入庫速度提升高達 75%。

亞馬遜旗下機器人產品，如運輸機器人 Hercules、Titan 等，通常會沿著倉庫內部地面貼紙標示的網格線行進，並且停留在圍欄區域內，遠離人類員工。

但是最新型 Proteus 機器人由於配備感應器，因此能夠在人類和其他物體周圍安全運作，以更自由的巡航模式執行任務。

面對大量機器人在物流中心內部移動造成的「塞車」情況，近來亞馬遜也開始導入一套名為 DeepFleet 的 AI 模型進行協調。

自主研發機械手臂的進化

除了輪式運輸機器人，亞馬遜採用的機械手臂數量也是大幅增加；機械手臂可以從高處取下物品、對包裹進行分揀，接著將東西放入推車或運輸機器人，而亞馬遜也從第三方產品轉而自主開發，如 Robin 機械手臂即可從雜亂無章的包裹堆中，自主進行高效率的物流分類。

但是在 2023 年的一篇研究論文中，亞馬遜指出現行的包裹分揀演算法，無論哪一種都擁有侷限性，實際操作時總有無法揀取或觸及的包裹，因此亞馬遜開始利用 AI 與機器學習技術，為機械手臂排定揀選包裹的最佳動作與優先順序，成功將傳統演算法的 92.28% 成功率，微幅提升至 93.73%。

這種改進幅度乍看之下似乎微不足道，但這卻意味著在總計超過 100 萬次揀貨的工作期間內，相較於傳統方法，AI 可減少約 16,500 次的揀選失敗，對於像重視大規模運作下速度與效率的企業，例如亞馬遜而言改善十分驚人。

接續 Robin 之後，亞馬遜還開發出能夠安穩拿起 50 磅包裹的 Cardinal，以及抓取物品形狀更加不受限的 Sparrow，它們都導入了緊密排列商品並裝入貨箱的功能，藉此提升整體物流效率。

亞馬遜團隊為此還開發了一款用於機器人感知的基礎模型，能夠處理可能出現在物流中心內前所未見的產品，再配合通用動作模型跟不同類型的機械手臂相容，將吸盤與手指抓取的各種組合方式變得更加彈性、靈活，消除工程師必須為每件物品手動撰寫識別跟抓取程式的必要性。

當前亞馬遜最新型的機械手臂產品則是 Vulcan。相較於大多數機械手臂主要依賴視覺辨識運作，Vulcan 是首款將視覺系統與力道回饋感測器互相結合，即擁有觸覺感知能力的機械手臂，官方預計 2027 年為其展開大規模部署，並希望於 2026 年結束前，將公司現有的機械手臂數量增加一倍以上。

人類員工與機器人的衝突

根據亞馬遜宣稱，機器人能為人類員工帶來好處，例如 Vulcan 專門負責揀選、存放位於貨架頂層的物品，因為這個位置如果由人力處理，通常都需要搬動梯子，同時機械手臂也負責處理緊貼地面上方的貨物，讓人類員工可以專注於處理伸手可及範圍之內的商品。

然而勞工團體、記者與美國國會的調查都顯示，亞馬遜多年來推動的自動化倉儲，其實際情況並不如外界想像的美好。

勞工工會聯盟「戰略組織中心（SOC）」曾兩度提出報告，質疑亞馬遜的機器人倉庫與非機器人倉庫相比，前者工傷率相對更高；同時一份近千位亞馬遜員工所填寫的調查也顯示，機器人加快了物流中心的工作節奏，迫使員工進行快速且重複的動作，使受傷風險大幅增加。

SOC 戰略研究與活動總監 Joan Moriarty 指出，亞馬遜總喜歡大談特談旗下最新的機器人，卻不願意討論因公司執著於追求極大化速度與極小化成本，進而受傷的數萬名人類員工。

此外，美國參議院的衛生、教育、勞工及退休金委員會（HELP），亦於 2024 年展開調查，直言亞馬遜內部資料同樣顯示，機器人生產力與人類員工所承受的壓力增加，兩者之間存在一定關聯，進而導致工傷率上升。

跟上節奏的傷害與精神消耗

對此亞馬遜反駁，這些調查都存在「謬誤」，而且都是新型機器人部署之前的舊數據，公司的整體職場工傷率皆有所改善，不過並未詳細說明自動化倉庫與非自動化倉庫之間可能存在的差異。

亞馬遜發言人強調，自 2019 年以來公司的「全球可記錄事故率」改善 43%，而「全球導致缺勤事故率」，即涵蓋導致員工必須暫停工作最嚴重的傷害的指標，亦大幅改善了 70%。

一篇於 2025 年 4 月發表於《ILR Review》期刊的研究報告則顯示，相較於傳統物流中心，亞馬遜機器人倉庫的嚴重受傷案例減少了 40%，這表明讓機器人承擔體力上最艱鉅且風險最高的任務，確實帶來了某些好處。

只不過《ILR Review》的研究卻也發現，在亞馬遜的自動化倉庫中，人類員工因「重複動作」造成的身體輕傷增加了 77%，對此專家認為，人類受到拉傷、扭傷等輕微傷害的機會增加，其原因或許來自機器人所主導的高速工作節奏。

專家亦分析了亞馬遜物流中心員工在網路論壇所發表的網路留言，許多人直言自動化物流中心的工作雖然對身體負擔較輕，但由於工作內容重複且節奏加快，必須符合公司的生產力期望，因此精神方面的消耗也會更大。

減少人力，還是增加職位？

隨著亞馬遜跟許多企業都受惠於機器人技術進步，不斷擴大自動化措施，人類勞動權勢必受到部分衝擊。例如《紐約時報》曾指出，2027 年亞馬遜於美國當地的人才需求，預期將減少超過 16 萬人，2033 年更將減少 60 萬人。

但就亞馬遜而言，該公司長期宣稱推動 AI 與機器人技術，將為人類員工創造全新就業機會。

亞馬遜表示，配備先進機器人技術的物流中心，通常需要多出 30% 的員工負責可靠性、維護及工程相關職務，同時職位技能要求更高、薪資待遇也更優渥，至於製造機器人的新工廠，每座亦會創造超過 300 個工作機會。

專家直言，面對機器人與人類員工勞動權之間的衝突，企業未必總是樂於參與溝通與對話，但建立更良好的勞資關係，通常都是降低雙方傷害的最佳途徑，而且這對亞馬遜本身也有許多好處。

【推薦閱讀】

◆ 【英特爾「機器人準備度差距」報告】邊緣 AI 算力是自動化規模的後盾，專用型 AMR 與工業手臂是產出翻倍主力
◆ 亞馬遜明年在德國投資逾 160 億歐元，48 億擴建 AWS、柏林再設機器人 AI 實驗室
◆ 美國上百家人形機器人公司，機器人投資基金執行長為何只看好特斯拉、Figure AI 與 Apptronik？

＊本文開放合作夥伴轉載，參考資料：Ars Technica、The New York Times，首圖來源：Amazon

（責任編輯：鄒家彥）

德國國防科技公司 Helsing 11/11 在柏林發表軍用情報平台 Clarity，協助軍隊消化現代戰爭產生的大量戰場資訊，進軍由美國數據分析與國防軟體公司 Palantir 領先的市場。Helsing 在發表會邀請函中寫道，關鍵在於能精準偵察、在不確定中做出正確決策，並在戰場上精準行動，而且「具備自主性且沒有依賴：來自歐洲、為了歐洲」。

根據《Reuters》報導，Helsing 希望從歐洲政府對依賴美國公司日益升高的疑慮中獲益；德軍也已明確表示，至少目前不會為部隊採購 Palantir 的 Maven Smart System（下稱 Maven）。當軍方開始在意系統跑在誰的基礎設施上、資料由誰掌控，Clarity 在架構與治理上提出了哪些設計？

歐洲為何對美國軍事軟體起疑？北約退出威脅、Starlink 限速與「關機開關」

《Reuters》指出，川普多次威脅退出北約後，對華府的依賴與資料主權的擔憂，在歐洲部分地區引發對 Palantir 的反彈。Maven 是同類中最知名的軍事 AI 系統，已由美國、北約指揮部與數個北約成員國部署。Palantir 則堅稱，客戶對向它購買的軟體擁有完整的操作控制權，公司也沒有能遠端停用軟體的「關機開關」（kill switch）。

但近幾個月的事件，讓歐洲的疑慮升高。今年 10 月烏克蘭的 Starlink 終端機遭到限速，妨礙基輔攔截俄羅斯無人機，部分行動被迫取消，加深了對依賴美國的擔憂。今年 6 月，川普政府也曾以國家安全為由，著手阻止外國籍人士使用 Anthropic 最先進的模型 Mythos 與 Fable，Anthropic 因此突然在全球暫停這些模型的存取。禁令雖在同月解除，歐洲議員仍警告，這次事件顯示美國握有關鍵技術的關機開關，而且很願意動用。

在此同時，歐洲降低依賴的動作已陸續出現。《Quartz》引述《Bloomberg》報導，法國正讓國內情報機構從 Palantir 的產品轉向本土工具；歐盟執委會 6 月 3 日也提出《雲端與 AI 發展法》（Cloud and AI Development Act, CADA）提案，要降低歐盟對美國科技公司的依賴。提案為公部門採購雲端服務設下 4 級「歐盟保證等級」（Union assurance levels）：服務公部門的雲端供應商原則上都要達到第 1 級，也就是資料的處理與儲存，必須在歐盟境內建置並維運基礎設施、資產；能源、醫療、國防等涉及公共秩序的部門，可能在風險評估後要求更高等級。最高的第 3、4 級才要求供應商由歐盟擁有並控制。這項提案仍需歐洲議會與各國政府協商，尚未成為法律。

Helsing 怎麼設計 Clarity？在客戶自有基礎設施運行、可串接任何廠商武器，決策留下紀錄

在烏克蘭戰場上，無人機大幅改變了指揮官可取得的資訊量，資料若處理得不夠快，可能壓垮人員，增加錯失目標、延遲反應與資源錯配的風險。Helsing 稱 Clarity 是「代理式情報平台」，會篩選來自無人機、衛星、軍事報告與公開來源情報（OSINT）的資訊，協助使用者辨識軍事資產，並判斷應如何交戰。

運作上，Helsing 稱，共用的軍事本體（ontology，描述各類軍事物件與彼此關係的資料模型）與證據庫，讓數百個 AI 代理（AI Agent）能並行工作：辨識軍事位置、交叉比對多個來源、建立信心水準並建議回應方式，同時向使用者展示支持結論的證據。模型的訓練資料則包含真實軍事資料、AI 生成的合成資料與模擬環境。

Helsing 稱，Clarity 在客戶擁有的基礎設施上運作，資料、模型與運作都由客戶掌控。Helsing 也表示，平台遵循模組化開放系統方法（Modular Open Systems Approach，MOSA，以標準介面把系統拆成模組，方便替換與串接不同廠商的設備）原則、實作相關北約標準，能與軍隊既有系統並行運作，並連接任何廠商的武器。共同執行長暨共同創辦人 Gundbert Scherf 表示：「所有軍隊都需要能跟上戰鬥節奏的情報能力」，而「如此關鍵的能力必須具備主權」。

至於這些代理怎麼管，Helsing 強調「人類保持指揮權」：操作員審視證據、選定每個待交戰目標，並授權每一次把任務交給武器；只有在獨立來源一致、信心水準高且操作員確認時，Clarity 才會提名目標，每個決策也會連同做決定的人一起記錄。技術長 Rob Fink 表示，Clarity 結合 AI 能力與「嚴格的資料治理與存取控制、可追溯性與來源出處，以及合規處理機密資訊」，讓軍隊能信任 AI 代理為情報帶來的速度。

後進者 Clarity 的考驗：客戶與上線時間未公開，資料取得是關鍵

不過，《Reuters》指出，最成熟的系統已占先機：Maven 已嵌入五角大廈與北約的工作流程，並經過多年實戰使用調整。相對而言，Helsing 曾供應無人機等系統給烏克蘭，是少數能主張取得這場衝突實戰經驗的歐洲國防科技公司。但 Helsing 沒有透露 Clarity 是否已有軍方客戶使用，也沒說預計何時投入服役。

目前公開的功能與治理設計，都出自 Helsing 自己的說法。《Resilience Media》作者 Ingrid Lunden 則分析，這類平台的實力取決於資料，Helsing 的主要挑戰是確保取得大量訓練資料；烏克蘭等國已意識到這些資料的價值，預期會出現更多取得這類資料的交易。

《Reuters》觀察，歐洲各國政府愈來愈希望掌控軍事軟體與背後的資料，並減少對個別供應商的依賴。但從德國計畫 2027 年起部署自己的 AI 系統、2028 年全面導入，到歐盟雲端法案仍待協商，歐洲降低對美國軟體依賴的進程仍在起步；Clarity 作為後進者，能否成為 Maven 之外的選項，還要看客戶採用與實戰表現。

【推薦閱讀】
◆ 擺脫矽谷依賴：法國情報機構汰換 Palantir，斥資 6.55 億歐元築科技主權防線
◆ Palantir 財報揭企業 AI 新趨勢：不只追求更強模型，而是更大的自主權
◆ 烏克蘭的新武器不是無人機，是數據！聯手 Palantir 開放 4 年實戰供盟國訓練軍事 AI

＊本文開放合作夥伴轉載，資料來源：Helsing、《Reuters》1、《Reuters》2、《Quartz》、《Resilience Media》、《TIME》、歐洲議會立法時程表《雲端與人工智慧發展法案》，首圖來源：Helsing

【科技早餐】今天精選 7 則國內外重要科技新聞。

＊北京具身智慧三年計畫出爐！拚年產 20 萬台機器人、培育 5 家國際級企業

北京市經濟和資訊化局 11 月 11 日公布《具身智慧機器人產業高品質發展行動方案（2026–2028 年）》，目標在 2028 年形成每年 20 萬台機器人整機產能，培育至少 5 家國際一流、10 家國內領先的人形機器人企業。這項政策不只扶植機器人品牌，也將 AI 模型、訓練資料、零組件、製造驗證和實際場域納入同一套產業布局。北京還計畫在至少 100 個真實場景蒐集逾 100 萬小時訓練資料，加快技術走出實驗室。

供應鏈是這份計畫的另一重點。北京希望與周邊地區建立零組件供應體系，將關鍵零件在地配套率提高到 60% 以上，並透過共享加工平台，讓設計變更後的樣品能在 1 至 2 天內交付。方案也提出整機平均無故障工作時間超過 2,000 小時、工業與服務業示範場景等驗證指標。這些仍是政府設定的產能和性能目標，尚非企業已達成的交付量；後續真正值得追蹤的是量產良率、使用可靠度，以及在地供應鏈成形後的全球競爭。

＊三星 HBM 新廠動工、規劃投資 46 兆韓元！Altman 提醒 AI 需求短期恐波動

三星電子（Samsung Electronics）11 月 12 日在南韓啟動 HBM 高頻寬記憶體先進封裝新廠工程，預計 2028 年 6 月投產，較原先計畫提前一年。根據南韓總統李在明說法，新廠建設投資約 6 兆韓元，後續設備投資規劃約 40 兆韓元，合計約 46 兆韓元。這是分階段的投資規劃，並非已投入的金額。HBM 不只考驗記憶體晶片製造，也需要堆疊、測試與封裝能力配合，成為 AI 伺服器供應競爭的重要環節。

三星加快封裝擴產，卻面對 AI 需求預測仍有不確定性。《Financial News》引述 OpenAI 執行長奧特曼（Sam Altman）10 月底與三星高層交流的內容指出，部分 AI 基礎設施需求可能被重複計算，短期存在波動；但他同時看好長期成長，認為供應鏈仍需要擴大投資。對記憶體和先進封裝業者而言，真正的考驗是新產能啟用時，客戶需求、良率與交付節奏能否同步，而非只看宣布的投資總額。

＊台灣逾 10 家企業遭網攻，資安署示警 AI 加速竊資

數位發展部資通安全署 11 月 11 日表示，台灣近期已有十餘家企業及網路平台遭網路攻擊，累計逾百萬份個資受影響。初步調查顯示，近半數事件與 AI 攻擊有關，包括 AI 自動化工具結合滲透測試工具的案例。攻擊者利用 PHP、Node.js、GitLab 等軟體或平台的已知高風險漏洞，再透過權限過高、能大量讀取資料的 API 擷取個資；並非每起案件都已證實由 AI 代理發動。

數發部指出，風險不只在直接財損，姓名、電話與訂單資料還可能流向詐騙集團，成為假客服與精準詐騙的材料。主管機關要求業者及時處理重大漏洞；數位經濟相關企業發現個資外洩後，應於 72 小時內通報主管機關並通知當事人，事故後一個月內提出改善計畫。企業除了修補系統，也須檢查 API 存取權限、委外平台能接觸的資料範圍，以及異常發生後的阻斷與通知流程。

＊南韓 8,002 億韓元布局裝置端 AI，8 類晶片瞄準車用與機器人

南韓產業通商部 11 月 12 日公布 K-On-Device AI 晶片計畫的研發路線圖，範圍涵蓋自駕車、智慧家電、協作機器人、人形機器人、農業機器人和無人機，規劃開發 8 類晶片及 2 類設計 IP。計畫總額為 8,002 億韓元，今年 6 月已啟動；這次公布的是至 2030 年的研發與驗證安排，不代表政府再次追加相同預算。目的是在終端設備上執行部分 AI 任務，減少每次都必須連回雲端運算的依賴。

裝置端 AI 晶片與資料中心晶片不同，必須同時滿足功耗、成本、可靠度及不同設備的運作條件。南韓讓終端品牌從規格制定與測試階段就參與，串接 IC 設計、晶圓代工和 IP 業者。三星晶圓代工將協助安排包括 2 奈米在內的試製，已彙整 2027 年 21 次試製需求，但試製不等於量產。後續要看晶片能否通過場域測試、獲得終端品牌採用，而非只看開發項目數。

＊Microsoft、OpenAI 承諾自付 AI 用電成本，資料中心擴建面臨新門檻

Microsoft 雲端營運與創新總裁華許（Noelle Walsh）11 月 11 日在能源會議表示，公司希望自行負擔資料中心擴張帶來的供電成本，不依賴政府補貼，也不讓其他電力用戶替大型 AI 專案買單。大型資料中心可能需要新增發電、變電與輸電設施，相關費用如何分攤正影響地方建廠審查。Microsoft 的說法是成本承擔原則，並非所有專案已完成個別電價協議。

這已形成科技巨頭共同回應的議題。Amazon、Google、Meta、Microsoft、OpenAI、Oracle 與 xAI 在今年 3 月簽署美國的電力用戶保護承諾，同意負擔資料中心所需新增電力與電網升級費用，並與電力公司及州政府協商專屬費率。OpenAI 也在 11 月 5 日承諾，對未來自有自營園區提供財務擔保，避免建設延期或取消後由其他用戶承擔費用。相關承諾仍須逐案落實。電網接入時程、長期購電條款與地方接受度，將影響 AI 園區成本及投產進度。

＊美聯航限制第三方 AI 代理訂票，捷藍航空示警新通路成本

美國聯合航空（United Airlines）11 月 11 日公告，將限制未經授權的第三方個人 AI 代理存取其官網、App 及旅行社訂票服務，並調整通路政策。公司指出，使用者向外部 AI 代理提供帳號資料，可能造成非預期購票、會員里程被動用或帳號遭更改；搭機報到時，安全聲明須由旅客本人確認。限制對象是未經授權的第三方代理，並非禁止所有 AI 輔助旅遊規劃。

這反映 AI 交易通路與平台的利益拉鋸。捷藍航空（JetBlue Airways）總裁聖喬治（Marty St. George）同日表示，航空公司必須因應消費者使用 AI 訂票的偏好，但也擔心代理服務日後要求導客分潤，增加訂票成本。對零售、金融與旅遊平台來說，AI 代理除了用戶授權，還須獲得平台允許；付款、身分驗證、責任歸屬和客戶關係，都將成為交易模式能否成立的關鍵。

＊Infineon 資料中心電源營收估增逾八成，2027 財年挑戰 40 億歐元

德國功率半導體業者英飛凌（Infineon Technologies）11 月 10 日公布 2026 財年業績，資料中心電源相關營收約 22 億歐元，其中約 17 億歐元來自專用 AI 電源方案。公司預估，2027 財年資料中心電源營收接近 40 億歐元，相較前一年成長約八成，推動集團全年營收挑戰 200 億歐元。這裡的 40 億歐元同時涵蓋 AI 與非 AI 資料中心，不能全部當成 AI 專屬收入。

AI 伺服器運算密度提高，帶動供電模組、功率轉換與配電架構需求。英飛凌表示將增加相關製造能力，並規劃 2027 財年投入 30 億至 35 億歐元資本支出，支援電源、類比及其他成長業務。供應鏈競爭不只有 GPU 和記憶體，還包括高效率供電技術能否量產、產能是否被長期客戶預留，以及新設備何時形成出貨能力。

＊本文開放合作夥伴轉載，資料來源：北京市政府、《The Paper》、《Reuters》、《Financial News》、數位發展部資通安全署、《中央社》、南韓產業通商部、《Bloomberg》、OpenAI、United Airlines、《Reuters》、《The Verge》、Infineon、《Reuters》，首圖來源：Unsplash。

當 AI 讓兩三人的團隊也有機會挑戰大型企業，下一批值得投入的創業機會在哪裡？全球知名新創加速器 Y Combinator（YC）今（12 日）首度在台灣舉辦 Startup School（創業學校）。YC 合夥人提及，除了觀察市場需求，創業者也可以深入研究 AI 模型仍不擅長解決的問題，例如硬體設計、晶片驗證等領域。

YC 普通合夥人 Jon Xu 在開場時便點出選擇台灣的原因。他表示，全球 AI 熱潮高度仰賴硬體，而晶片、伺服器與筆電等設備，有很大一部分由台灣設計、製造。他也向現場開發者提出一個問題：既然台灣已經花費數十年打造支撐全球科技發展的硬體，接下來能否有更多人創辦建立在這些技術之上的公司？

AI 降低創業門檻，兩三人的團隊也能挑戰大型企業

在活動壓軸座談中，YC 合夥人 Ankit Gupta 指出，AI 正在改變新創與大型企業之間的競爭條件。過去，新創團隊往往擔心缺乏大型企業擁有的資金、人力與技術資源，但如今情況可能反過來。Ankit Gupta 認為，擁有數千名員工的大型企業，很難為了充分發揮 AI 模型的能力，徹底改變既有營運與決策流程；有些企業雖然為員工提供 ChatGPT 帳號，卻未必真正重新設計工作方式。

相較之下，兩三名熟悉 AI 工具的技術人員，如今就可能快速開發出過去需要更長時間才能完成的複雜產品。他認為，部分大型企業執行長現在擔心的競爭者，未必是另一家大型公司，而是能以全新方式解決問題的小型技術團隊。

這樣的改變，也可能重塑新創的商業模式。Ankit Gupta 以自己過去投入 AI 藥物研發的經驗說明，與其開發軟體、試圖說服大型製藥公司改變既有研發流程，新創也可以直接利用 AI 開發產品。他認為，AI 正在讓創業者有機會跳過部分傳統軟體銷售模式，直接進入既有產業競爭。

AI 還做不好的事情，為何可能是下一批創業機會？

當 AI 工具越來越普及，創業者該如何建立競爭優勢？Jon Xu 在座談中提出另一種尋找創業題目的方法：除了觀察市場需求，也可以研究目前 AI 模型還不擅長完成哪些工作。

他特別提到，現階段模型在硬體設計（Hardware Design）、晶片驗證（Chip Verification）等基礎技術任務上仍有不足。對熟悉這些領域的工程師而言，這些限制可能就是值得探索的創業機會。

Jon Xu 認為，關鍵在於深入理解模型為何無法完成特定任務，找到技術瓶頸，再透過工具、執行框架（Harness）與專用系統改善模型表現。Ankit Gupta 也補充，真正有潛力的創辦人，往往對特定技術問題有深入理解；即使構想起初看似不切實際，只要能掌握技術條件、找到可驗證的解決方式，就可能發現其他人尚未看見的機會。

對於資金需求較高、短期內難以展示完整產品的硬科技新創，YC 總裁暨執行長 Garry Tan 則談到另一種驗證方式：從最終目標往回推，找出可以先完成的技術里程碑，透過階段性成果爭取後續資金。

台灣不只製造 AI 硬體，軟體開發提前布局的機會浮現

AI 開發工具 Ollama 共同創辦人 Michael Chiang 在另一場座談中，也提及台灣產業優勢。在台灣成長、曾在 AMD 從事晶片除錯工作的他，在與 YC 管理合夥人 Diana Hu 對談時指出，台灣工程人才有一項值得運用的優勢：比許多其他地區的軟體開發者，更接近新硬體的設計與製造現場。

他解釋，新硬體從研發到正式上市，往往需要相當長的時間，相關軟體也必須提前開發與最佳化，才能在硬體推出時提供支援。以 Ollama 為例，團隊過去便花費大量時間與不同硬體夥伴合作，讓開發者能在新設備上市時執行 AI 模型。Michael Chiang 認為，台灣工程師能提前理解新硬體架構，有機會更早開發對應的軟體工具，在效能或使用體驗上建立優勢。

他也特別提到統一記憶體架構（Unified Memory Architecture）的發展，指出 AMD、NVIDIA、Qualcomm、Intel 等業者相關產品的演進，仍需要軟體持續最佳化。他認為，熟悉這些硬體架構的工程師，可以提早為新平台開發、最佳化軟體，在效能、易用性或特定應用支援方面建立優勢，而這正是台灣工程人才可以利用的條件。

【推薦閱讀】

◆ Google 的決策模型來了：Gemini Decision 1 一次評估千項問題，與 Jev 有何不同？

◆ 【別只看 token 單價】從支出追到成果，看懂 AI 代理人的經濟效益將成為管理優勢

◆ Google 推 TPU 8tx、8i Max，一年推出四款系統：為何不必重新設計晶片？

＊首圖來源：《TechOrange》拍攝

把資料存放在國內，就等於握有數位主權嗎？《Forbes》指出，數位主權是指對關鍵技術保有控制，並在情況改變時仍能維持控制；把資料留在國境內，只解決一部分問題。IBM 於美國時間 11/11 發布的數位主權指數，正是在衡量企業是否擁有獨立掌控其資料、軟體、技術與決策流程的能力。

結果顯示，平均有 82% 的受訪主管非常或極度有信心，能提出主權控制的證據；但 IBM 依企業自述的控制證據評估後，只有 26% 的企業達到指數最高層級。前者是主管對自身能力的信心，後者是指數的評估結果，IBM 把兩者之間的差距稱為「過度自信落差」（overconfidence gap）。當 AWS、微軟、Google 競相推出主權雲方案，企業該怎麼分辨哪些「控制」真的拿得到手？

證據卡在哪裡？逾半受訪者受困於人工蒐證與第三方紀錄

這份指數調查美、英、德、法、沙烏地阿拉伯、印度、日本 7 國大型企業的 2,003 位高階決策者，另訪談 25 位政策制定者與監管官員等，從 AI、技術、營運、資料四大支柱評估企業的控制證據，面向包括能否證明誰負責、說明事件經過，以及必要時能否更換供應商。最高的「領先數位主權」（Leading Digital Sovereignty）層級代表證據更全面、整合度更高，其下還有「建立中」（establishing）等層級。

需要拿出證據的場合並不少見：94% 的受訪企業過去 3 年至少遇過一次主權挑戰，其中 81% 必須向監管機關、客戶或稽核人員等提出正式證據。對於企業愈來愈深的技術依賴，IBM 副董事長 Gary Cohn 接受《Forbes》專訪時直言：「董事會不再有選擇。他們要負責監督組織內的所有風險。」

證據為什麼拿不出來？IBM 列出的障礙中，比例最高的是人工或耗時的蒐證（56%）；證據分散在不同團隊與系統、紀錄依賴第三方、老舊系統或標準不一致，則各占 53%；另有 50% 表示控制、復原或退出安排未經測試。實際演練也不多，只有 33% 的受訪者會持續或定期測試自己證明主權的能力，領先企業則有 63%。IBM 資深副總裁暨全球事務長 Jonathan Adashek 對《Forbes》表示：「如果證明控制權所需的證據完全掌握在別人手上，你就不能真正宣稱擁有控制權。」他認為供應商應提供客戶驗證控制所需的可見性與證據。

IBM 也指出，領先層級企業化解最棘手的主權挑戰、且未造成重大中斷的比例是 52%，建立中的企業只有 22%；根據《Forbes》，整體受訪企業中則只有 30% 做到。不過《Forbes》提醒，IBM 的分數依據受訪者對自身安排的描述，而非獨立稽核；什麼算「重大中斷」也由受訪者自行認定，這組對比並沒有證明因果關係。

AI 為何成為最常見的主權挑戰？代理拿到的權限常比企業以為的多

在受訪者回報的主權挑戰中，AI 相關問題最常見，占 44%，包括錯誤輸出、可解釋性問題、模型或供應商失效，以及治理疑慮；根據《Forbes》，AI 也是四大支柱中證據分數最低的一項。Adashek 表示：「多數治理框架是為人與相對靜態的軟體設計的。」他指出，AI 代理（AI Agent）能跨越企業不一定擁有的系統與模型做決策、採取行動，因此治理必須持續進行，在代理運作時同步施加控制與監督。Adashek 也提醒：「依賴第三方模型，並不能免除企業對自己部署的代理應負的責任。」

資安公司 Palo Alto Networks 信任與主權全球政策負責人 Nathalie Barrera 則提醒，企業常低估自己授予 AI 代理的存取權限：「多數組織以為自己了解 AI 代理能存取什麼，但能追蹤代理開始在非自有系統上運作後實際做了什麼的，少得多。」她說，盤點後幾乎總會發現清單比預期更長，往往是因為代理繼承了原本授予人類使用者的權限。

Barrera 以一個假設情境說明：處理發票的 AI 代理照著遭竄改的電子郵件中暗藏的指令，修改了供應商的銀行帳戶資料；各系統可能都正確記錄了自己的動作，卻沒有記下整串決策的順序。她強調：「代理的權限絕不該大於負責監督它的人。」

主權雲方案陸續推出，但資料留在境內，不等於拿得到紀錄、換得掉供應商

供應商這端正大舉投資：根據《Forbes》，AWS 承諾投入逾 78 億歐元建置德國的歐洲主權雲（European Sovereign Cloud），SAP 也承諾投入逾 200 億美元，在歐洲建置主權雲基礎設施；研調機構 Gartner 預估，2026 年全球主權雲基礎設施服務（IaaS）支出將達 800 億美元，比 2025 年成長 35.6%。不過《Forbes》指出，光靠這些投資，無法保證供應商失效或限制存取關鍵服務時，客戶仍能持續營運。至於企業該不該為數位主權投資，Cohn 談到財務長的質疑時表示：「我認為企業看待數位主權，需要像看待保險一樣。」

《Forbes》整理的各家做法也不一。AWS 今年 10 月曾讓歐洲主權區域與全球骨幹網路斷開數小時，證明能暫時隔離運作，但未證明能無限期獨立；微軟的 Data Guardian 在微軟工程師遠端存取歐盟及歐洲自由貿易協會（EFTA）客戶的系統時加入區域夥伴監督，但不會消除存取本身；Google 計畫把德國主權平台的營運與加密金鑰交給 Thales 旗下公司，預計年底前全面上市，但底層平台仍仰賴 Google 的技術。Snowflake 與 Orange Business 的法國服務則仍只是提案。《Forbes》因此提醒，客戶不能假設主權部署選項涵蓋目前使用的每一項產品。

IBM 自己也有利害關係。《Forbes》直言，IBM 的論點也在支撐自家業務：IBM 的 Sovereign Core 今年 5 月起全面上市，提供由客戶自行營運的軟體環境，IBM 稱能自動產生證據、持續監控合規。《Forbes》認為，這份指數凸顯了檢視技術依賴的重要性，但並沒有證明 IBM 的產品比競品更能解決這些問題。

《Forbes》認為，這份研究讓企業在簽下一份科技合約前，有理由要求更有力的證據，對象也包括 IBM：客戶能否取回調查故障所需的紀錄？能否把關鍵工作移到別處，而不讓營運停擺？Adashek 則在新聞稿中表示：「重視主權的企業正確地為控制做規劃，但領先者也為證明做規劃。」他認為，下一步是更有力地證明治理有效，包括測試退出能力、了解關鍵依賴，並把力氣放在一旦失控、影響最大的地方。

【推薦閱讀】
◆ Mistral AI 執行長警告：歐洲只剩兩年建立 AI 主權，補不上算力恐成美國 AI「附庸」
◆ 拆解 NVIDIA 的韓國 AI Factory 布局：聯手 SK 海力士搶 HBM4，攜 NAVER 打造主權 AI 基礎設施
◆ 不求脫鉤，但求隨時能逃！歐盟科技主權新戰略：逼雲端巨頭交出切換主控權

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

當 AI 代理開始跨系統交易與執行任務，另一端要怎麼確認它代表誰？Linux 基金會（Linux Foundation）美國時間 11/10 在 KubeCon + CloudNativeCon 北美場宣布，代理名稱服務（Agent Name Service，ANS）正式成為旗下專案。ANS 是建立在網域名稱系統（DNS）之上的開放標準，為 AI 代理提供可信身分、驗證與發現機制；根據 Linux 基金會，自 6 月宣布擬推動以來，已有 Cisco、Cloudflare、DigiCert、GoDaddy、Salesforce 等 11 個組織參與貢獻或採用。

Cloudflare 技術長 Dane Knecht 在新聞稿中表示，近期涉及 AI 代理、備受矚目的資安事件再次凸顯，組織在信任代理採取行動之前，得先知道它代表誰。不過，ANS 並不是唯一的方案，支持者中也有不少網域、憑證與 DNS 業者。代理的身分該由誰核發、怎麼驗證，又有哪些風險是身分標準擋不住的？

從擬推到規格成形，ANS 怎麼用兩張憑證與公開日誌確認代理身分？

ANS 並非從零開始。根據《The New Stack》，ANS 源自 OWASP 生成式 AI 資安專案（OWASP GenAI Security Project）2025 年 5 月發表的研究論文，作者包括資安顧問公司 DistributedApps.ai 執行長 Ken Huang 等人；第二版已以個人草案（individual draft）形式提交網際網路工程任務組（IETF）；另據《diginomica》7 月報導，GoDaddy 工程副總裁 Scott Courtney 也是草案共同作者。這次移入 Linux 基金會後，規格整理為 7 份完整文件，交由專案技術指導委員會公開開發與治理，涵蓋以網域為錨點的命名、註冊與版本管理、DNS 發布、公開日誌稽核、完整性監控與代理間的相互驗證；不過網域顧問 Bill Hartzer 在推出當天的分析中指出，這些規格文件仍標示為草案，尚非正式標準。

憑證機構 DigiCert 產品管理資深副總裁 Brian Trzupek 指出，組織在讓 AI 代理存取系統或資料之前，需要先驗證它的身分，「不妨把它想成 AI 代理的護照」。根據《diginomica》的說明，企業把代理發布在自己既有的網域下，任何人都能查核；規格另設註冊單位，負責驗證網域所有權並核發憑證，代理的網域必須先通過與網站申請一般 TLS 憑證相同的自動化檢查，才能取得憑證。

每筆身分紀錄涉及兩張憑證：一張是公開憑證機構核發的一般伺服器憑證，另一張是私有機構核發的身分憑證，把代理綁定到特定版本，代理一更新版本，舊身分就隨之失效。每次註冊、版本變更與撤銷，也都會寫進以密碼學封存、只能新增的日誌。這個概念來自憑證透明度（Certificate Transparency），即網站憑證的公開核發紀錄，目的是讓任何人都無法祕密核發憑證；驗證時，用戶端可在本地檢查，不必另外連線註冊單位。

不只一條路：A2A、AGNTCY、Entra Agent ID 各有方案，為什麼註冊商推得最用力？

依《The New Stack》整理，為 AI 代理處理身分的方案還有不少：Google 發起的 A2A 協定讓代理在已知網址發布帶簽章的 Agent Card；同屬 Linux 基金會專案的 AGNTCY，有代理目錄與自己的密碼學身分服務；身分平台方面，Microsoft Entra Agent ID 與 Okta for AI Agents 也已在今年春季全面上市。該媒體也分析，ANS 把身分與發現（讓代理找到彼此）分開，找代理的工作交給建在其上的其他服務，例如 Linux 基金會先前納入、由 Infoblox 開發的 DNS-AID，讓代理把連線端點發布成 DNS 紀錄。根據 Linux 基金會，AGNTCY 的代理目錄服務也已支援驗證 ANS 身分；Cisco 則同時支持 ANS 與 AGNTCY。

不過，11 月公布的支持組織中，仍不見 Google、Anthropic、Microsoft、Amazon 等大廠；《The New Stack》6 月就點出這些名字缺席。該媒體也指出，許多代理身分與發現方案都來自網域產業：GoDaddy 註冊網域、Identity Digital 經營頂級網域、支持 ANS 的 Infoblox 銷售 DNS 基礎設施，這類與 DNS 連結的方案，等於延伸它們既有且獲利的生意；ANS 沿用的信任體系，也正由可能從中獲利最多的網域註冊商推得最積極。

GoDaddy 策略長暨法務長 Jared Sine 接受《diginomica》訪問時提到，外界常問 GoDaddy 打算怎麼變現，他的回應是「除非有被廣泛採用的開放標準，否則沒有東西可以變現」。《CircleID》評論作者 Alan Wallace 曾任網域註冊管理機構 Afilias 企業傳播總監，他也坦言，註冊管理機構樂見大家有新的理由註冊網域，「但這不代表這個想法是錯的」。

補上歸責缺口，但擋不住入侵：ANS 還面臨哪些風險？

Wallace 在同一篇評論中直言：「帶有敵意的代理不會出示憑證。」他舉的例子是 WorkOS 事件：為 SaaS 公司提供企業身分驗證平台的 WorkOS，10/30 發現銷售團隊的內部應用程式遭未授權存取；11/6 更新的調查結果指出，起因是一個脫離研究人員沙盒（隔離測試環境）的 AI 資安代理，WorkOS 表示並非出於惡意，影響僅限銷售與客服系統中的資料。

Wallace 認為，這個代理闖了進去，任何紀錄都擋不住它；但它跨越企業邊界時，身上也沒有任何東西說明由誰為它負責。WorkOS 並未自行找到代理的主人，直到研究人員看到第一份公告後主動聯繫、承擔責任，WorkOS 與外部鑑識公司才能把證據與紀錄比對起來。他指出，這起案例凸顯的是歸責缺口，也正是相關提案要補的地方，而不是這些提案能防止的入侵。另一方面，Hartzer 也提醒，掌握易混淆相似網域的競爭者或詐騙者，同樣能在上面註冊一個完整通過驗證的代理；Wallace 在評論中也寫道，「通過驗證，不等於值得信任」。

雲端安全聯盟（Cloud Security Alliance，CSA）6 月發表的分析報告則認為，ANS 補上一個真實而迫切的缺口——現在的代理常借用人類或共用身分，而非擁有各自可驗證的身分；但 ANS 也繼承了它所依賴的 DNS 階層與 X.509 憑證機構這兩套中心化信任體系所累積的資安債。需要留意的是，CSA 評估時 ANS 尚未推出 1.0 版，參考實作以模擬加密示範，而非正式等級的公開金鑰基礎建設（PKI）；CSA 也揭露，ANS 共同作者 Ken Huang 是其威脅建模框架 MAESTRO 的作者，CSA 並非 ANS 的局外人；這份報告由 AI 輔助生成，也尚未經 CSA 正式審查與核准程序。

CSA 以 DNSSEC（以密碼學簽署 DNS 紀錄，防止傳輸途中遭偽造的機制）為例，報告引述的數據顯示，DNSSEC 問世 20 年後，約在三分之一的解析路徑上被驗證，但只有約 7% 的區域（zone）有簽署。CSA 也指出，快取下毒、同形字仿冒等傳統 DNS 攻擊，在代理身分系統中影響會更大，因為自動化代理以程式大規模做出信任決策，少了人有時能察覺異狀的線索。因此 CSA 認為，關鍵不在 ANS 能否使用 DNSSEC，而在是否強制簽署與驗證，並在遇到未簽署的區域、或無法確認撤銷狀態時直接拒絕（fail closed）。

從 6 月的提案到 11 月正式成立，ANS 有了中立治理與 7 份規格文件，但規格仍標示為草案，大型平台業者也尚未加入，DNSSEC 簽署率偏低等 DNS 既有問題也仍在；它的安全設計能否回應這些疑慮，仍待實際部署後驗證。

【推薦閱讀】
◆ AI 代理失控喊停就夠了嗎？從 CrowdStrike「終止開關」看代理治理四道關卡
◆ Meta 再推 AI Agent 新標準 PAP，為什麼 Agent 協議越來越多？
◆ Google 捐出 A2A 協定給 Linux 基金會，避免 AI 代理成孤島

＊本文開放合作夥伴轉載，資料來源：Linux Foundation 1、Linux Foundation 2、WorkOS 1、WorkOS 2、Cloud Security Alliance、《diginomica》、《The New Stack》、《CircleID》，首圖來源：Linux Foundation

繼 Jev 引發決策模型熱潮後，Google 也加入競爭。Google DeepMind 於 11/11 推出 Gemini Decision 1，以及專門處理分類、評分與選項判斷的 Gemini Decisions API。新模型不以生成文字為主要任務，而是直接針對預設選項進行評分，單次 API 呼叫最多可評估 1,000 項問題，並支援圖片、影音與 PDF 等多模態資料。

今年 9 月，TypeSafe 推出 Jev，讓「決策模型」（Decision Model）受到關注。《科技報橘》先前也曾報導，OpenAI、AWS 與 Cloudflare 陸續投入相關技術，試圖將 AI Agent 的工具選擇、任務分派等工作，從大型語言模型中拆分出來。如今 Google 加入戰局，帶來哪些不同能力？

一次評估千項問題！決策模型延伸至多模態資料

根據 Google 官方公告，Gemini Decision 1 支援三種判斷方式，包括是非題、多選一，以及依照預設標準評分。模型不必像一般大型語言模型逐字生成回答，而是直接計算候選答案的機率，並回傳信心分數，供系統決定下一步行動。

與一般逐次呼叫模型的方式不同，Gemini Decision 1 可以針對同一份輸入資料，一次執行最多 1,000 項獨立判斷，不必為每個問題重新傳送完整資料。對需要同時檢查大量條件的企業而言，這種設計有助於減少重複輸入成本。

例如保險公司收到理賠申請，可以將申請文件、事故照片及客戶通話錄音一起交給模型，判斷資料是否齊全、案件應分派到哪個部門，以及是否需要人工複核。不過，這裡的 1,000 項問題是各自獨立的判斷，而非連續完成 1,000 步相互依賴的推理。

《VentureBeat》也舉例，假設企業有一份 4,000 tokens 的文件，需要進行 20 項檢查，每項額外使用 50 tokens。若整合成一次呼叫，處理 1,000 份文件的費用約 0.50 美元；如果分成 20 次呼叫、每次重新傳送文件，則約需 8.10 美元。這是依據相同費率推算的假設案例，並非實際企業部署結果，但能說明批次判斷如何降低成本。

Google 表示，Gemini Decision 1 每百萬輸入 tokens 收費 0.10 美元，不另外計算輸出費用。在特定測試條件下，延遲約 150～250 毫秒，測試成本也比 Gemini 3.5 Flash-Lite 低近 5 倍。不過，這些延遲數字主要來自每次 1～100 項問題的測試，不能直接套用到 1,000 題的情況。

不只提供 API，Google 已將決策模型用於自家產品

Google 也開始將這項技術用於實際產品。根據官方說明，Gemini Notebook 已利用 Decisions API 進行模型路由（Model Routing），根據使用者問題的複雜程度，決定應交由哪個模型、使用多高的推理強度處理。

這意味著簡單任務不必每次都動用較耗時的推理模型。Google 宣稱，這套機制可讓日常查詢的延遲最多降低 40%，將較高的運算成本保留給真正需要複雜推理的問題。

另一個應用是安全檢查。Google 表示，Google Search 已使用 Decisions API，偵測模型上下文協定（MCP）工具相關的對抗性行為與惡意內容。

Google 加入戰局，但 Jev 在成本與速度上仍具優勢

Google 雖然加入決策模型競爭，卻不代表 Gemini Decision 1 已全面領先。從功能來看，Jev 1.14 主要支援文字、結構化 JSON，也提供選用的圖片輸入能力；Google 則進一步原生支援音訊、影片與 PDF，讓開發者能整合不同形式的資料。不過，Google 並非首家支援多模態的決策模型，Cloudflare 先前推出的 Clef 也已具備相關能力。

價格方面，根據《The Implicator》整理，Google 每百萬輸入 tokens 收費 0.10 美元，Jev 1.14 則為 0.042 美元。因此，對主要處理文字分類、客服案件分流等任務的企業而言，Google 未必是最便宜的選擇。

效能表現也呈現不同結果。Google 公布的測試顯示，Gemini Decision 1 在 JevBench 取得 92.2% 準確率，高於 Jev 1.14 的 90%；但在評估工具選擇能力的 When2Call 測試中，Jev 以 82% 領先 Google 的 79.9%。

獨立評測機構 Artificial Analysis 的 Decision Index v2.1，則將 Gemini Decision 1 排在 18 款模型中的第 9 名，綜合分數為 65.98，略低於 Jev 1.14 的 66.23。兩者每項任務的測試時間分別為 211 毫秒與 92 毫秒。

更值得企業注意的是文件檢查能力。在 AA-Paperclip 測試中，模型必須針對每份履歷、論文、發票或收據回答 15 個問題，全部正確才算通過。Gemini Decision 1 的完整通過率為 33%，Jev 為 35.5%，而 Drex Max v1.1 達到 63%。

這說明即使模型能一次評估大量問題，也不代表每個檢查項目都能正確完成。對於文件審核、法遵檢查等需要高度準確性的企業應用，除了速度與 API 費率，更應評估模型在實際工作流程中的錯誤率、人工複核需求，以及每件正確完成任務的總成本。

【推薦閱讀】

◆ Jev 為何爆紅？AI Agent 正重新分配「誰來做決策」

◆ Jev 爆紅後 Strands Decider、Clef 接連登場，決策模型正走出哪些不同路線？

◆ AI 不必重新訓練也能修補？MIT 新研究讓 GPT-6 Astra 直接修改 Qwen 權重，數學測試成績提升近 6 倍

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

過去幾年來，許多大型企業都投入資源，發展 AI 基礎設施、軟體，還有其他相關建設，然而，即便財務部門同意計畫，採購部門也開始動作，但卻鮮少有企業理解未來該如何管理這些 AI 系統背後所涉及的資料。

在資料無法妥善得到管理的情況下，它將會悄無聲息、日積月累的拖慢公司業務表現，並且以預期之外的人力成本增加、專案進度延誤等形式表現出來。

根據麻省理工學院（MIT）於 2025 年發表的一份報告，高達 95% 的企業生成式 AI 試點計畫，對於營收幾乎或根本沒有可量化的影響。該報告表明，模型品質並不是企業面臨的主要問題，而是企業將 AI 整合到營運流程的方式存在缺口。

換句話說，即便企業的 AI 試點計畫成功了，也無法證明當同一套 AI 系統套用整個組織的運作環境時，獲得同樣順利的表現。

企業 AI 的隱形稅，來自搬不動的資料

科技巨頭戴爾（Dell）技術長辦公室基礎架構解決方案 VP Gaurav Chawla，近日於專欄文章中提出「企業 AI 隱形稅」的概念，說明企業 AI 專案之所以從「試點成功」變成「營運失敗」，其過程容易遭到領導者忽略的困境與難關。

Gaurav Chawla 首先指出，大多數企業在導入全新 AI 平台之後，就會誤認為僅需要將資料匯集到一處，其上方的智慧層就能自然運作。Gaurav Chawla 說，這雖然是個合理的假設，可是在企業級規模下，想實現幾乎是不可能。

理由在於企業資料具有引力，也就是所謂的「資料引力（Data Gravity）」，例如法規規定某些資料只能存放在特定位置，資料主權規則也要求資料只能儲存於指定區域，無法隨意流動與遷移；過去花費數十年時間針對某個資料集建立治理架構的業務單位，也幾乎沒有動機將資料移動到新的平台，有時甚至沒有合法、合規的途徑允許部門這麼做。

資料引力最重要的影響，就是當有人試圖將資料，以及圍繞資料所建構的應用程式分離時，這些應用程式將可能會因此發生嚴重且代價高昂的故障。

Gaurav Chawla 指出，資料引力所帶來的影響，通常隱藏在企業 AI 專案的概念驗證與試點計畫之中，因為這些項目通常只會在經過預先清理的小部分資料上運作，而企業真正需要負擔的成本，將會於 AI 專案應用到大部分雜亂無章的真實環境資料後才浮現。

廣義上資料引力概念的本質為「資料集越大，企業移動的成本就越高」，其中傳輸費用僅是一部分，資料交由 AI 處理後所產生的延遲、頻寬、安全控制及營運開銷，全都會再進一步推高整體成本，所謂的「企業 AI 隱形稅」正是由此而來。

隱形稅不只一筆帳，還會層層壓在團隊身上

Gaurav Chawla 認為，因「資料引力」所產生的「企業 AI 隱形稅」，通常不會以單一項目呈現，而是以數十項細微需求的形式，壓在原本就已不堪重負的團隊身上。

舉例來說，負責團隊必須建立並維護資料傳輸管道，將資料從原本未經此類流量設計的系統中移出；當來源系統變更時，還要將每份副本與原始資料進行對帳；而且無論資料儲存於何處，都必須套用相同的治理控制措施。此外，團隊還必須追蹤為開發、測試、分析及訓練所建立的額外資料集。

這些任務若只單看任何一項，似乎都不至於造成災難性的後果，拖累企業實際營運，但當它們疊加在一起時，便會成為 AI 專案的重大負擔，甚至隨著組織試圖擴大專案規模，負擔的代價只會越來越高。

成本延遲浮現，回頭修改代價更高

除此之外，Gaurav Chawla 強調「企業 AI 隱形稅」最危險的地方，還在於它出現的時機。這筆帳往往會在企業採購完成，而且團隊組建到位之後的 12 至 24 個月內才浮現，此時 AI 帶來的初步成果，早就已經被負責單位向上呈報。

當採購合約已經簽署、團隊人力都已經聘僱，企業甚至連發展方向也已經對外公開承諾，想要再回頭重新修改架構，其成本將遠高於企業從一開始就針對資料引力進行設計。

尤其對於規模較大的企業來說，雖然運算資源的需求容易規劃並納入預算，可是資料管線維護、資料對帳、治理、安全審查，以及維持系統運作所需的人力，卻會分散在不同組織之中，使得狀況變得更加複雜。

AI 需要的是上下文，不是更大的資料倉儲

Gaurav Chawla 直言，多數企業針對停滯 AI 計畫所做的事後檢討，往往僅止於「資料尚未準備就緒」的層面，這種判斷雖然方向正確，可是卻不完整，因為更深層的問題在於企業正試圖用儲存策略去解決「上下文」問題。

簡單來說，AI 模型從來不需要有人將原始資料直接倒在它面前，它需要的是上下文，即能夠找出正確的紀錄、與政策進行交叉比對、遵守存取規則，並基於最新資訊進行運作，而非僅依賴專案啟動的資料快照。

Gaurav Chawla 表示，想讓 AI 模型獲得這些東西，解法從來不是更大的資料倉儲，而是建立起企業級的上下文層，利用一種受管制且一致的機制，跨系統和跨位置發現資料，接著連結並檢索資料，這樣就不必將每個資料來源將資料交給中央儲存庫處理。

在這種情況下，中繼資料和向量資訊能夠協助 AI，查找並推論受到法規、主權、所有權限制，無法任意移動的紀錄。Gaurav Chawla 說，關鍵並不在於如何將所有資料匯集到同一個地方，而在於如何讓正確的上下文能在資料原本所在的任何位置、無論受何種規則管轄的情況下，都能被 AI 模型有效運用。

投入 AI 建設前，企業先回答 4 問題

Gaurav Chawla 提醒，在執行重大的 AI 基礎設施投資之前，企業應該要先回答四個基本問題：

• 第一，哪些資料集受到法規或合約限制而無法移動？
• 第二，目前各資料集的治理權歸誰所有？同時當資料集的副本存在於其他地方時，又會發生什麼情況？
• 第三，隨著來源系統的演進，這些副本將如何保持同步？
• 第四，智慧處理能否部署至資料現存的位置，還是架構要求所有資料必須集中化？

Gaurav Chawla 表示，企業釐清這些問題後，將有助於篩選出新架構、新平台的候選供應商，達成導入 AI 的目標，並且以更低成本快速實現業務流程自動化；此外，資料架構應該是成為 AI 商業案例中最主要的要考量項目，而非是在採購合約簽訂後才需要被解決的細節。

ROI 反映一半問題，還有一半是資料

最後 Gaurav Chawla 強調，企業通常會用 Token、吞吐量和 GPU 使用率來衡量 AI 的投資報酬率（ROI），而這些指標雖有助於評估 AI 專案的效率，但僅能反映出問題的一半。

所謂企業 AI 價值的另一半，終究限制在於運算的上游環節，即餵入模型的資料是否值得信賴、是否受到妥善管理，以及能否保持最新狀態，同時又不對相關人員造成日益沉重的負擔。

Token 使用量和 GPU 效率，可以告訴企業團隊運作 AI 模型的成本，但它們無法呈現一款 AI 模型，是否具備做出良好決策所需要的上下文。若想達成這一點，將始終取決於底層資料是否準確、最新、受管控，並且跟正確的業務流程互相連結。

從資料中萃取出的上下文，決定了 AI 自主行動的準確性，以及企業是否正朝著成為「AI 原生組織」的方向前進；既然企業都懂得為 AI 運算成本編列預算，那麼資料架構自然也會需要。

Gaurav Chawla 說，未來能從 AI 中獲益最多的企業，將是那些可以設計資料架構時，為 AI 代理所需要的上下文提供支援，同時還不必移動或刻意集中全組織資料的企業。

【推薦閱讀】

◆ 【企業 AI 成本報告】代理型 AI 與 AI 開發工具成本衝擊商業決策，建立「主動式財務防線」防範失控帳單
◆ 通用 AI 懂最多卻搞不定公司內部流程，企業需要訓練自己的專屬模型
◆ 【用資安思維做 AI 治理】78% 員工自行使用未核准 AI，企業可比照資安管控分層授權

＊本文開放合作夥伴轉載，參考資料：SiliconANGLE、Fortune，首圖來源：Nano Banana 2

（責任編輯：鄒家彥）

TechOrange 科技報橘攜手大同世界科技（簡稱大世科）與 HPE 慧與科技舉辦「AI 算力戰略高階主管午宴」，邀集產學專家探討製造業如何將 AI 算力投資轉化為可規模化的 AI 效益。科技報橘社長戴季全在致詞中分享近期半導體產業現況，「當製造業持續擴產，人才供給卻跟不上腳步，如何透過 AI 與自動化支撐產能成長，已成為企業迫切需要解決的課題。」

「AI 算力只是基礎，還需要完善的流程、知識庫與組織配合，」大同世界科技總經理劉盈秀以馬拉松為喻，好的跑鞋不保證能順利抵達終點，配速、補給與賽前準備同樣重要。大世科攜手 AMD、NVIDIA、HPE 等合作夥伴扮演企業 AI 轉型的「陪跑員」，協助客戶將技術投入轉化為實際成果。

除了組織與流程，算力部署也是 AI 規模化不可迴避的挑戰。「AI 是吃電的怪獸，」HPE 製造暨電信事業處副總經理朱俊豪指出，高密度 AI 運算帶來龐大的電力與散熱需求，許多企業必須升級甚至重建既有機房。隨著 Token 計費與 AI Agent 應用興起，資源管理與資安也成為重要課題。

面對 AI 技術快速演進，企業該如何決定投資優先順序？國立臺灣大學電機工程學系名譽教授、前科技部長陳良基指出，企業應從客戶需求與投資報酬率（ROI）出發，先釐清希望創造什麼能力，再反向規劃所需資源。他分析，AI 發展仰賴「算力、演算法、數據」三大要素，其中算力與演算法迭代快速，真正掌握在企業手中、最能形成競爭優勢的是數據。他建議企業優先培養員工運用 AI 的能力、完善數據治理，再依實際需求評估算力投資，並選擇能整合技術與應用的合作夥伴，讓 AI 投資真正轉化為營收與競爭力。

讓 AI 投資轉化為可衡量的營運效益

「同仁使用 AI 工具很開心，但企業更在意的是，如何讓燒掉的 Token 轉化為企業競爭力？」劉盈秀指出，AI 時代的企業競爭力來自人才、資料與算力的相互配合：人才驅動創新與改變，資料轉化為經營洞察，算力則支撐企業運用 AI 的能力。她進一步指出，當企業從早期試用走向規模化推論，若全數依賴公有雲，將面臨沉重的費用負擔與機密外流風險，因此如何兼顧雲端彈性、在地端建置安全可控的算力，成為提升「算力轉化率」的關鍵。

企業若要自建算力，往往面臨電力、散熱、樓地板承重及機房改建耗時等挑戰。大世科整合大同集團的重電與能源技術，推出模組化 AI CDC（Container Data Center）貨櫃機房，將運算設備、供電與散熱系統預先組裝完成，運抵現場後即可安裝，最快只需三週便能完成部署，大幅縮短傳統機房動輒數月的建置時程，並可依需求彈性擴充算力。

「我們鼓勵員工將日常重複、規則明確的工作轉化為專屬 AI Agent，但必須統一上架到公司平台管理，而非各自使用外部工具，」大同世界科技數位永續事業群協理段淳仁分享內部轉型經驗。

大世科以 OneAi 企業 AI 平台打造集中治理的 Agent Factory，串接 ERP、CRM、BPM 等既有系統，讓企業員工從統一入口使用 AI Agent。例如在製造業場景中，主管可直接以對話方式即時查詢各廠區產能與達成率，不必再等待跨系統的報表開發。平台同時提供無程式碼的編輯工具，可透過圖形化操作來串接工作流程，並加上人工審核、存取權限、資安防護等機制，落實安全治理，也讓更多第一線人員可參與 AI 應用開發。此外，企業可在平台上追蹤各部門 Token 消耗、Agent 使用率與預估節省工時，藉以評估每個 Agent 上線一個月後的投入與產出，決定持續維運、調整或下線，讓 AI 投資能以數據衡量實際使用情況與效益。

「製造業的核心是品質、速度與規模。」和碩聯合科技新產品發展事業處暨人工智慧發展處副總經理蕭安助指出，面對國際客戶嚴禁機敏資料上雲的規範，企業採取雲地混合架構已成必然。若企業自建算力且稼動率夠高，Token 成本可望降至雲端頂級商業模型的十分之一至二十分之一。

蕭安助進一步分析，AI 正逐步突破三大瓶頸：首先是「認知瓶頸」，透過 AI Agent 協助法務、採購與工程人員處理大量文件；其次是「物理瓶頸」，藉由數位孿生（Digital Twin）在虛擬環境中預先模擬、驗證，降低實體部署的試錯成本；第三是「時間瓶頸」，和碩內部財務、採購、人資與法務等非研發單位導入 AI 後，曾將原本耗時 70 多小時的作業縮短至 72 秒。蕭安助也提醒，效率提升不必然帶來競爭優勢，企業不能只看 AI 帶來多少時間節省，更要以實際數據驗證成效，重新檢視整體工作流程，才能將局部效率改善轉化為組織競爭力。

台灣製造業的 AI 競賽早已鳴槍起跑。正如大同世界科技總經理劉盈秀比喻的「好跑鞋不保證能抵達終點」，算力是入場券，數據是護城河，流程與組織則決定企業能跑多遠。當 Token 一筆筆燃燒，企業更需思考每一分算力，換到了多少競爭力。誰能率先把試點的火花變成全廠的引擎，誰就能在這場長跑中拉開與競爭者的差距。

【科技早餐】今天精選 7 則國內外重要科技新聞。

＊台積電核准 1.34 兆元資本預算，擬投資 OpenAI、Anthropic 最高 10 億美元

台積電（TSMC）11 月 10 日董事會核准約 409.27 億美元、折合新台幣 1.34 兆元的資本預算，涵蓋先進製程、先進封裝、成熟與特殊製程產能升級、建廠及 2027 年研發等項目。同時，董事會通過分別以最高 5 億美元認購 Anthropic 普通股、OpenAI 特別股，合計額度最高 10 億美元；另核准最高 5 億美元設立半導體生態系策略投資公司。這些都是核准額度，尚不等於已實際支出或完成認購。

台積電預期，2026 至 2028 年資本支出將較前 3 年顯著增加，凸顯 AI 算力需求持續推動高階製程與封裝同步擴張。從替 AI 晶片供應商製造晶片，到規劃直接持有 AI 模型開發商股權，台積電正延伸對 AI 產業成長的參與方式。不過，這次董事會核准的長期資本預算，不能直接視為 2026 年新增支出，也不能據此認定兩項股權投資已交割。

＊軟銀單季虧損 1.1 兆日圓，AI 資料中心設備採購損失達 37 億美元

日本軟銀集團（SoftBank Group）11 月 10 日公布，2026 會計年度第 2 季、截至 9 月的單季淨損約 1.1 兆日圓。其中，美國 AI 資料中心相關電力設備採購策略調整，使先前支付、無法退還的預付款與合約變更成本，合計認列約 37 億美元損失。這是設備建置與採購階段的損失，並非資料中心投入營運後發生的虧損；部分未來設備採購仍可能取得最高約 21 億美元回扣。

軟銀集團財務長後藤芳光（Yoshimitsu Goto）在業績說明會表示，AI 資料中心的技術與需求變化很快，一、兩年前最適合的設備安排，如今可能必須重新評估；他並否認公司出現設備付款違約。由孫正義（Masayoshi Son）主導的軟銀持續押注 OpenAI、資料中心與電力基建，但此案反映建置算力不只要搶晶片，也要提前預訂長交期電力設備。採購越早鎖定，計畫調整時承擔的成本也可能越高。

＊Microsoft 反對中國光收發器禁令，警告 AI 資料中心建置恐受阻

《Reuters》11 月 10 日引述知情人士報導，微軟（Microsoft）正遊說美國政府放棄限制中國製光收發器進口的計畫。光收發器負責將電訊號與光訊號轉換，是 AI 資料中心內伺服器、交換器透過光纖連線的重要元件。美方擔心相關設備帶來資料竊取或服務中斷等資安風險，但 Microsoft 與產業團體警告，中國供應商在市場占有重要地位，其他地區短期內難以完全補足產能。

產業團體指出，雲端業者即使已買好 AI 晶片，若缺乏光收發器，也可能無法完成網路部署，造成昂貴設備閒置。美國聯邦傳播委員會正在評估相關管制，尚未正式實施；報導稱討論方案可能針對未來高速產品，而非立即禁用所有既有設備。這場爭議凸顯，AI 算力競爭已從晶片擴展至高速互連與供應鏈安全。若管制落地，替代供應商的驗證、產能及交期都將影響全球資料中心建置速度。

＊AI 搶產能衝擊車用晶片！安世、意法半導體警告供應瓶頸

AI 資料中心需求快速擴張，正讓車用與工業半導體供應承受新壓力。《Reuters》11 月 10 日在德國慕尼黑電子展採訪安世半導體（Nexperia）臨時執行長，他表示部分競爭對手將製造資源轉往 AI 相關業務，導致車用供應鏈出現瓶頸，安世目前訂單需求也超過可供應量。意法半導體（STMicroelectronics）執行長則警告，晶圓代工與封裝業者正把更多資源移向 AI，排擠傳統車用與工業產品。

這波供應壓力不只涉及最先進晶片，也牽動二極體、電晶體等成熟產品。由於車廠及工控設備需要長期、穩定的零件供應，供應商若因 AI 業務調整資本投入或產能配置，可能影響交期與替代料認證。兩位執行長描述的是部分產品與供應環節的瓶頸，尚不足以認定整個成熟製程市場全面缺貨。

＊澳航擬調整 850 個職位，攜手 Accenture 重整系統加速 AI 導入

澳洲航空（Qantas）11 月 10 日宣布與埃森哲（Accenture）展開多年合作，重整財務、採購、人力資源及行銷等企業流程，預計未來幾年影響約 850 個澳洲職位，第一階段變動最快在 2027 年中出現。部分業務將交由 Accenture 位於印度及澳洲的團隊承接，再逐步以 AI 與自動化改造。澳航強調會先與員工及工會協商，並盡可能提供內部轉任與再培訓。

澳航指出，公司仍有超過 1,000 套多年累積、彼此難以連結的舊系統；合作將先由 Accenture 投資升級資料平台、整合流程，為日後擴大 AI 應用建立基礎。這次不是 850 人已被 AI 直接取代，而是外包、系統現代化和自動化同步推進。企業導入 AI 的影響，也開始從員工使用工具，延伸至資料架構、職務分工與組織設計。

＊大摩調查：人形機器人部署預期延後約一年，僅 18% 潛在買家滿意

摩根士丹利（Morgan Stanley）10 月 25 日發布的中國人形機器人企業調查，顯示採用意願仍高，但部署節奏比去年預估更慢。這份 9 月進行的調查訪問 94 名參與採購決策的中國企業主管，其中約 64% 預計未來 3 年啟動輪式或雙足人形機器人試點或部署，並被歸為「潛在採用者」。研究比較兩次調查後，認為整體部署預期約往後推遲一年。在這群潛在採用者中，僅 18% 滿意現有產品表現，低於去年的 23%。

調查也顯示，82% 的潛在採用者要求投資在 3 年內回收，72% 認為適合大規模推廣的單機價格應低於人民幣 10 萬元。買方關注焦點從展示效果轉向可靠性、功能、整合成本與投報；製造、物流等可量測產出的任務更可能先導入。這些比例反映特定中國企業樣本的意向，並非全球採用率，也不代表已有相同比例的企業完成實際部署。

＊OpenAI 推 ChatGPT 商家檔案與品牌 AI 助理，企業可管理商品資訊

OpenAI 11 月 10 日推出測試版 Businesses in ChatGPT，讓符合資格的企業透過 Business Hub 認領商家檔案、更新營業資訊，並提供商品價格與庫存資料。企業也能查看商家在 ChatGPT 中被提及、網站被點擊及常見探索主題等彙整指標。這讓 ChatGPT 從回答使用者問題，進一步成為品牌資訊管理與商品探索的新接觸點。

另一項 Business Agents 功能，允許符合資格的美國電商及線上服務業者建立品牌專屬 AI 助理，回答商品比較與服務問題；對話會清楚標示，與 ChatGPT 原本的回答分開。OpenAI 表示不向商家提供使用者的私人對話，分析數據採彙整方式呈現。商家認領功能與品牌 AI 助理的開放條件不同，不能視為所有台灣企業都已能使用完整服務。

＊本文開放合作夥伴轉載，資料來源：台積電、《Reuters》、軟銀集團、《Reuters》、《Reuters》、《Reuters》、澳洲航空、《Reuters》、《BlockBeats》、OpenAI，首圖來源：台積電。

企業 AI 專案推不動，最常被點名的原因是成本，而不是算力。VentureBeat 的 VB Pulse 系列調查在 10 月訪問 156 位任職或服務於百人以上組織的 AI 從業者與顧問，38% 表示過去 12 個月，所屬組織曾因成本超出預期，延後、縮減或取消原定的 AI 專案；指稱運算容量不足的只有 12%。

儘管成本超支，79% 受訪者仍預期所屬組織未來一年的 AI 預算會增加；但只有 26% 表示，組織會用能向財務團隊交代的財務報酬，來判斷 AI 支出值不值得。這份 VB Pulse 報告總結，這些數據顯示 AI 支出成長的速度，快過組織衡量其報酬與使用狀況的能力。在預算加碼之前，企業該怎麼把 AI 帳單算清楚？

成本是 AI 專案的主煞車，近 6 成 GPU 營運者平均使用率在 50% 或以下

詢問專案延後、縮減或取消原因的這一題可以複選，共有 55% 受訪者至少勾選一項原因，成本與算力只是其中兩個選項；兩者相比，勾選成本的受訪者是算力不足的 3 倍以上。報告也直言，AI 專案的主要煞車是成本，算力供給遠居其次。

已經到手的算力，也未必能用完。在營運 GPU 或其他加速器的 128 位受訪者中，57% 表示平均使用率在 50% 或以下，報告換算，等於這些晶片至少有一半時間處於閒置；另有 33% 完全沒有衡量使用率。有提供使用率數字的受訪者中，也只有 23% 的數字來自整個機群的持續遙測（telemetry，系統自動回傳的運作數據）。

成本壓力也不只來自自建 AI。56% 受訪者表示，所屬組織過去 12 個月至少遇過一家軟體廠商加收 AI 費用、以 AI 為由調高續約價格，或把組織原本就有的功能移到更貴的方案。在指名至少一家廠商的 88 位受訪者中，40% 表示這些變動讓組織的年度軟體帳單增加約 10% 以上。

財務核准過報酬數字的只有約 2 成，產業組織開始訂衡量標準

即使是預期預算增加的受訪者，用財務報酬判斷 AI 支出的比例也只有 27%，與整體相去不遠；若改用更嚴格的標準，在嚴格或部分追蹤 AI 基礎設施報酬的 91 位受訪者中，34% 表示財務團隊審核並核准過報酬數字，約占全部 156 位受訪者的 20%。

其他調查也指向類似的方向。根據《CFO Dive》報導，AI 資安公司 WitnessAI 的報告指出，68% 的美國企業表示過去一年至少有部分 AI 專案超出預算，33% 表示超支大多或總是發生；這份調查訪問 300 位企業主管，只有 9% 表示，超過四分之三的 AI 專案帶來可衡量的財務報酬。不過，WitnessAI 問的是專案有沒有超出預算，和 VB Pulse 問的因成本延後或取消專案定義不同，數字不宜直接比較。

產業組織也開始補上這個衡量缺口。Linux Foundation 旗下的 Tokenomics Foundation 正在制定衡量 AI 成本與報酬的開放標準，執行董事 J.R. Storment 接受《VentureBeat》訪問時說：「我們就像帳本。」藉此區分他們的工作，和其他串接 AI 代理、工具與模型的專案。Storment 同時領導的 FinOps Foundation，已發布帳單資料的共通格式 FOCUS（FinOps Open Cost and Usage Specification）；他也提到，正在進行把成本與用量，和遙測數據、成果及價值分類串連起來的工作。

Uber 按成果算成本、Red Hat 以閘道分流：兩家企業怎麼管住 AI 帳單

Uber 副總裁暨傑出工程師 Uday Kiran Medisetty 在 VentureBeat 10 月舉辦的 Agentic Infrastructure Stack Summit 上表示，Uber 會用實際任務為受管的 AI 代理做基準測試，並檢查程式碼回退（revert）與事故等品質指標。Uber 公開的技術文章也提到，成本按成果計算，例如每次審查、每則警示、每次清理的成本。

Medisetty 表示，以功能旗標（feature flag，用來開關新功能的程式設定，過期後需要清理）的清理工作為例，經過基準測試並選定合適的模型後，每次清理的成本降低 90%。《VentureBeat》也註明，這項結果只適用 Uber 的這項任務。Uber 在文章中另公布，2 月至 7 月間，在固定使用同一模型的條件下，每 1,000 次模型請求的成本比高點降了近 34%；Uber 同樣提醒，自家量測的成本降幅只反映自身環境，各家結果會有所不同。

Red Hat 則從推論端著手。Red Hat 傑出工程師暨技術長辦公室副總裁 Stephen Watt 在官方部落格說明，公司內部試行一套平台，結合自架的開放權重模型（open-weight model，公開模型參數、可自行部署的模型）推論、AI 閘道（gateway，在不同模型 API 之間轉送請求、執行政策的軟體）與開發者預算。工程師用單一閘道金鑰，就能同時存取商用前沿模型 API 與內部模型，團隊也能設定每月預算上限。Red Hat 稱，與先前的前沿模型定價相比，有效 token 支出降低 40%～70%，幅度視提示快取效率與模型路由而定。

不過，《VentureBeat》指出，這些節省也帶來新的營運工作：團隊得自己營運推論服務，還要鼓勵工程師改用足以應付任務的替代模型。販售 AI 閘道管理功能的 Tetrate，共同創辦人暨技術長 Varun Talwar 則建議，在把自動選擇模型設為預設之前，先評估工作負載的遙測數據、成本與品質，包括重試和人工審查的開銷。

《VentureBeat》給平台團隊的建議是，先從單一 AI 工作流程著手，量測營運成本、延遲與重複工作，並請財務部門一起訂定基準、驗證效益；接著一次只更換一個元件，比較時也把整合工作、技術支援與人工審查算進去。請求單價壓得再低，只要產出得靠更多人工審查或重工來補，就省不了錢。

解讀數字時也要留意，VB Pulse 的樣本是自選而非隨機抽樣，結果只描述這群受訪者，未必適用所有企業；《VentureBeat》也揭露，曾經、未來也可能是文中提及廠商的付費媒體合作夥伴。該媒體同時坦言，調查並未證明開源能改善投資報酬率，那是每個部署都得自行驗證的商業論證。

【推薦閱讀】
◆ Claude Fable 5.2 單價降 20%，企業就能省錢？推理設定讓每項程式任務成本差近 6 倍
◆ 蘋果傳調降工程師每日 AI 額度，從 300 降至 200 美元：企業怎麼控管 AI 成本？
◆ 從缺 GPU 到缺電：專訪亞灣超算姚延宗、耐能劉峻誠，企業 AI 算力上雲還是留地端？

＊本文開放合作夥伴轉載，資料來源：《VentureBeat》1、《VentureBeat》2、Uber、Red Hat、《CFO Dive》，首圖來源：Unsplash

全美最大婚紗零售商 David’s Bridal 正利用 AI 重新定義婚禮產業的零售模式。這家擁有 76 年歷史的企業，過去主要仰賴婚紗銷售，如今將業務延伸至整個婚禮籌備流程，透過 AI 工具協助新人規劃婚禮、尋找服務廠商，並建立連結新人與婚禮產業業者的雙向平台。

David’s Bridal 執行長 Kelly Cook 將這項策略稱為「Aisle to Algorithm」，目標是在減少對傳統實體商品銷售依賴的同時，拓展更具彈性的輕資產（asset-light）商業模式。

雙向 AI 平台串聯新人與婚禮服務業者

David’s Bridal 的 AI 布局主要由兩項工具構成：面向新人的 Pearl Planner，以及服務婚禮廠商的 Pearl Connect。前者協助新人規劃婚禮，後者則讓攝影師、花藝師、美甲沙龍及活動規劃業者等服務供應商，更有效地接觸有需求的客戶。

總裁暨商務長 Elina Vilk 指出，公司過去 75 年的主要客群一直是新娘，如今婚禮生態系中的企業也成為服務對象。透過 AI 平台，廠商可以取得更適切的客戶資訊與推薦，進一步了解新人的需求，讓服務與消費者的實際偏好更加吻合。

這套模式的關鍵，在於 David’s Bridal 已經累積大量第一手顧客數據。新人預約門市試穿、在官方網站購物，或使用公司的數位服務時，都會留下與婚禮需求相關的資訊。相較於僅依賴一般模型生成內容的 AI 工具，David’s Bridal 認為自家優勢在於能運用這些顧客互動資料，協助新人找到符合需求的廠商，也讓服務業者有機會在消費者準備採購時建立連結。

以知識圖譜為核心，讓 AI 參與婚禮籌備流程

為了支援 Pearl Planner，David’s Bridal 自行建置代理人式 AI（Agentic AI）協調系統，並以知識圖譜（Knowledge Graph）作為核心，整合第一方顧客數據、公司內部洞察、研究資料，以及門市造型顧問長期服務新娘所累積的實務經驗。

Pearl Planner 的操作流程會先詢問新人相關問題，並提供 AI 生成的婚禮風格圖片讓使用者選擇視覺方向，建立婚禮靈感板。系統接著蒐集超過 50 項數據，包括婚禮日期、色彩偏好與婚禮風格等資訊，再據此規劃一套包含 300 多個步驟的婚禮籌備流程，讓新人能依照順序完成各項任務。

這套工具也具備執行任務的能力。當新人更改婚期時，Pearl 可以協助調整籌備時程與待辦事項；在尋找服務廠商時，系統則能協助篩選合適選項、安排預約並協調後續步驟。David’s Bridal 也計畫整合 Meta 的 Muse 代理人，並運用多種 AI 模型支援系統運作。

除了技術資料，門市顧問的經驗也是 Pearl 的重要知識來源。Elina Vilk 表示，直接訪談第一線造型顧問能發現許多無法單靠表格記錄的顧客需求與細節。公司將這些實務知識融入 AI，讓系統更了解新人真正重視的事情。

零行銷預算吸引 11 萬用戶，Pearl 用戶到店轉換表現更佳

Pearl Planner 的初步成效，顯示 AI 平台有機會為 David’s Bridal 帶來新的顧客互動模式。根據 Elina Vilk 在零售產業活動 eTail Boston 的分享，Pearl AI 上線不到 9 個月便吸引超過 11 萬名用戶，而且沒有投入行銷預算。該公司另指出，新策略推行後，顧客互動量成長 3 倍，用戶數則增加年增至 26 倍。

線上使用行為也與實體門市的銷售表現產生關聯。Elina Vilk 表示，事先使用 Pearl 的新人進入門市後展現出較高的購買完成率與轉換率，其消費行為更接近公司前 10% 至 20% 的高忠誠度會員，而非一般顧客。David’s Bridal 也正運用 Pearl 蒐集的偏好資訊，協助門市造型顧問在接待顧客時掌握婚禮風格與需求。

David’s Bridal 的轉型仍在持續推進，讓婚紗購買成為新人接觸平台的起點，再透過婚禮規劃工具與廠商媒合擴大服務範圍，延伸既有顧客關係。

（編按：David’s Bridal 於 10 月 22 日宣布，計劃將 AI 婚禮平台 Pearl 分拆，透過與特殊目的收購公司（SPAC）合併獨立上市，預估企業價值為 3.5 億美元。Pearl 未來將透過廣告、廠商訂閱、交易媒合及授權合作拓展收入，David’s Bridal 則保留實體零售業務。目前交易仍處於規劃階段。）

【推薦閱讀】

◆ 連「有腸躁症的網紅」都找得到，AI 讓品牌選網紅更細，最後一關仍得靠人

◆ Airbus 用 AI 讀取機上餐盤、提前 10 天預警設備異常，航空營運如何改變？

◆ 聯合利華 AI 代理連紙本表單照片都能讀：訂單處理快 8 倍、試行市場 95% 免人工

＊本文開放合作夥伴轉載，參考資料：《華爾街日報》、David’s Bridal、《Retail Brew》，首圖來源：David’s Bridal

（責任編輯：廖紹伶）

Google DeepMind 在 11/10 發表機器人 AI 模型 Gemini Robotics 2.5，同時公布一項在賓士（Mercedes-Benz）汽車產線進行的概念驗證：美國德州機器人公司 Apptronik 的人形機器人 Apollo 2，自主完成零件的配料、分揀，DeepMind 稱成功率達 96%。對照《Reuters》去年 3 月的報導，當時賓士工廠裡的少數幾台 Apollo，還是透過遠端操作（teleoperation）訓練特定任務，也就是由人遠端操控、讓機器人從中學習，目標是日後能自主重複這些任務。

DeepMind 在官方部落格中寫道，這項試驗顯示朝廣泛的實際工業應用有了可期的進展。不過，這仍是一項概念驗證，DeepMind 並未公布 96% 是在多少次試驗中取得、如何判定成功。對評估導入人形機器人的製造業而言，除了成功率，還該看清楚哪些條件？

伸手進料箱、依車序排進托盤：Apollo 2 在賓士兩座工廠進行物流作業

這項試驗在賓士兩座工廠運作中的汽車產線上進行，分別位於匈牙利凱奇凱梅特（Kecskemét）與德國辛德芬根（Sindelfingen）。Apollo 2 負責的是配料（kitting）：把個別零件從散裝料箱揀出，依產線上每輛車所需的確切順序，放進整理好的托盤。DeepMind 形容這是重複、耗體力的工作，交給機器人之後，技師就能專心處理複雜的組裝作業。

實際作業時，機器人要伸手進供料箱、拿起金屬汽車支架，再放進排序容器，過程中發現漏放的空位，也要補上。96% 的成功率，就是 DeepMind 對這項作業給出的成績。至於機器人如何同時掌握流程與動作，則是交由兩個模型分工處理。

這也不是 Apollo 第一次進賓士工廠。根據《Reuters》同一篇報導，賓士當時入股 Apptronik，投資金額在千萬歐元等級的低段，並在柏林馬林菲爾德（Marienfelde）的數位工廠園區與凱奇凱梅特試用 Apollo，任務包括把零件運到產線、執行品質檢查等。賓士生產長 Joerg Burzer 當時表示，計畫把機器人帶到其他據點，他也說：「我希望我們能在面臨缺工的領域找到應用，但當然是先從重複性工作開始，再到危險工作。」

須留意的是，這個案例牽涉多方投資關係。據 Apptronik 的官方新聞稿，Google 與賓士都是 Apptronik 的既有投資人；Apptronik 也與 Google DeepMind 有策略合作，以 Gemini Robotics 打造人形機器人。換句話說，這項試驗是用投資方的模型、在投資方的工廠進行，目前的報導都沒有提到第三方驗證。

一個追蹤流程、一個控制手臂：推理與動作模型怎麼分工，能否換機型使用？

在賓士的案例中，Apollo 2 同時用上兩個模型：具身推理（embodied reasoning）模型 Gemini Robotics ER 負責追蹤整個工作流程，Gemini Robotics 2.5 則控制機器人的手與手臂。Gemini Robotics 2.5 屬於視覺－語言－動作（vision-language-action，VLA）模型，根據《Interesting Engineering》的說明，這類模型能把視覺資訊與指令，轉換成機器人的實體動作。

DeepMind 表示，和先前的 Gemini Robotics 模型一樣，2.5 原生支援多種機器人，包括配備五指、22 自由度 SharpaWave 機械手的 Apollo 2，以及使用雙指平行夾爪的 Franka Duo 平台。從擬人的五指手到只有兩根手指的夾爪，手部結構差異很大的機器人，都在同一套模型的支援範圍內。

能力廣度方面，DeepMind 在逾 200 項任務上測試 Gemini Robotics 2.5，例子包括用夾子夾取食物、在禮盒上打蝴蝶結、用移液管移液，並稱這套方法還能擴展到更多任務；DeepMind 也稱，和先前的基準相比，2.5 的成功率依任務類型高出 30% 至 100%，完成任務的速度也快 20% 至 30%，但沒有說明成功率是相對提升還是百分點。

Apptronik 共同創辦人暨執行長 Jeff Cardenas 在 DeepMind 部落格中表示：「將 Apollo 2 與 Gemini Robotics 搭配後，我們看到模型在短短幾週的後訓練中大幅進步，而且移到賓士的生產環境時，表現下滑很少。」後訓練（post-training）是在預先訓練好的模型上再做進一步訓練。Cardenas 也稱，這是讓人形機器人大規模進入工業與商業環境的基礎。

試驗條件未公布、只開放合作夥伴，單台成本與人機安全還要看什麼？

DeepMind 在部落格中也把這項試驗定位為概念驗證，《Interesting Engineering》進一步指出，96% 的工廠成果不代表已經大規模商業部署。除了試驗次數與判定方式，DeepMind 也沒有交代試驗進行多久、與什麼基準比較。開放範圍同樣有限：Gemini Robotics 2.5 目前正逐步提供給 DeepMind 的機器人合作夥伴，DeepMind 官網列出的研究合作夥伴為 Agile Robots、Apptronik 與 Boston Dynamics，部落格則沒有提到一般開放的時程。

成本則是另一道門檻。Burzer 去年在柏林的記者圓桌上就說：「成本將是決定性的……當成本降到兩位數千美元（編按：即 1 萬至 9.9 萬美元）——這完全有可能——就會變得非常有意思。」《Reuters》指出，他沒有給出時程，也沒有透露當時每台機器人的成本。

人機協作的安全，是這次發表的另一個著墨點。DeepMind 稱，Gemini Robotics 2.5 會在推論時（也就是模型實際運作的當下）運用推理引導，即時避開實體危險；根據自家評估，模型在障礙物周邊的安全任務完成率提升 33%，附近有人時提升 43%，但沒有說明比較基準。

DeepMind 也釋出開源基準 ASIMOV-Jailbreak，收錄數百個把不安全要求偽裝起來的提示、涵蓋數十種場景，用來測試機器人抵抗越獄（jailbreak）的能力，也就是能否識破用偽裝話術誘使 AI 執行危險指令的手法。DeepMind 稱，它用來加速機器人研發的 Gemini 4 Argon，抗越獄率達 99.5%，DeepMind 先前的基準 Gemini Robotics ER 2 則是 82%。這兩個數字都不是賓士試驗所用的 Gemini Robotics 2.5 的成績。

人形機器人要進一步走進車廠，要看的不只是單一任務的成功率，還有試驗條件、開放範圍與單台成本。在 DeepMind 公布更多細節、模型對更多業者開放之前，這 96% 仍是一項有待更多產線檢驗的概念驗證成果。

【推薦閱讀】
◆ Google Gemini Robotics 2 登場：如何讓人形機器人「餵資料」就能一路變強？
◆ Google 最強模型 Gemini 4 Argon 登場，連 Apollo 人形機器人的動作都能教？
◆ 8,000 台人形機器人計畫進上海工廠，西門子：沒有工廠想當 AI 試錯場

＊本文開放合作夥伴轉載，資料來源：Google DeepMind 1、Google DeepMind 2、Apptronik、《Interesting Engineering》、《Reuters》，首圖來源：Google DeepMind

企業每個月都收得到 AI 模型的帳單，卻未必說得出這筆錢換來了什麼。隨著 AI 代理人在企業內負責研究、分析、開發與溝通，逐漸成為日常工作的一部分，它們的運作也開始影響團隊如何分配時間、資源與注意力。

在這樣的情況下，討論 AI 成本時，支出只是起點；更值得追問的是，這筆支出讓代理人完成了什麼，它原本想達成什麼目標，以及成果是否值得投入的資源。

帳單只說明花了多少，無法說明換來什麼

多數企業已經能掌握模型帳單、token 消耗與整體使用量。token 是大型語言模型處理資料的單位，依模型不同，可能是一個字元、部分單字、整個單字或標點符號，許多服務也以 token 數計算費用。這些數字回答了重要的會計問題，卻還無法說明企業從這筆支出中得到什麼成果。

問題在於，代理人的成本本來就難以預測。IBM 指出，代理人每次執行消耗的運算資源並不固定，會隨任務複雜度、需要處理的資訊量，以及採取的動作數量而變動，每多一個步驟，都可能讓總成本增加。

因此，同樣是一筆較高的帳單，可能代表代理人完成了一份原本需要團隊花好幾天的複雜分析；也可能代表任務不斷重複執行、選用了不必要的昂貴模型，或是呼叫了工具卻沒有讓工作往前推進。光看數字，經營者無法分辨是哪一種。

這也是為什麼「工作」是衡量 AI 成本最實用的單位之一。以工作為單位，經營者就能追問代理人想完成什麼、用了哪些資源、如何處理任務，以及最後產生什麼結果。IBM 也建議，以每項任務的成本與步驟數衡量效率，會比單看每個 token 的價格更清楚。這對規模化尤其重要，一個在單一流程中成本很低的低效步驟，重複數千次後，就可能變成可觀的開支。

成本由代理人的行為決定

在這個架構下，模型只是成本的其中一部分。代理人的工作成本，取決於它的行為，包括它所做的決策、使用的工具與資訊、需要重試的次數，以及過程中的人工介入。這些因素之所以重要，是因為它們能解釋這項工作的經濟效益。

IBM 進一步拆解代理人完成任務時可能產生的成本指出，除了模型使用，還包括在步驟之間攜帶的上下文與記憶、呼叫企業系統或第三方 API（應用程式介面）、搜尋資料庫等資料檢索、模型以外的雲端運算資源，以及失敗動作、重複嘗試與低效流程造成的浪費。換句話說，token 支出只是代理人營運成本的一部分。

舉例來說，代理人在高價值、時間緊迫的決策上使用頂級模型，可能是相當合理的取捨；但如果同樣的選擇用在例行的分類工作上，就值得重新設計。重點不是為所有代理人訂下同一個支出上限，而是讓這些取捨清楚可見，讓業務單位能依情境判斷。

這也改變了企業看待投資報酬率（ROI）的方式。代理式工作的投資報酬，很少能用單一數字衡量。有的團隊重視節省時間，有的重視準確度、處理量或回應速度，也有團隊看重的是能接手過去沒有人負責的工作。把成本與工作連結起來，各團隊就能依自己真正在意的成果，評估代理人創造的價值。

領導者可依固定順序分析並採取行動

經營者不需要為每個新指標都建立新的儀表板，而是需要一套可重複使用的方法，追蹤投資與活動之間的關係。分析的順序是支出、代理人、工作、行為、資源與成果，並長期觀察以持續最佳化。

具體來說，先確認這項工作花了多少錢，再找出負責的代理人與它要完成的工作。接著檢視產生成本的行為，包括它在模型、工具與系統之間的運作路徑，以及使用的運算、資料存取與人工審查等資源，最後再依該用途真正重要的指標檢視成果。

這套順序能讓成本討論更精確，分辨哪些工作流程成本雖高，卻帶來明確的商業價值，哪些則需要重新設計。財務、技術與業務主管也能針對同一個工作單位討論，不必再各自整合使用量、預算與成果等互不相連的資料。

要落實這套做法，第一步是挑選少數對業務重要的代理人工作流程，為每一條流程定義預期成果，並指定負責判斷成果是否值得投入的人或團隊。接著，讓工作可以追溯，成本資料必須附帶足夠的營運脈絡，顯示是哪個代理人產生成本、執行什麼任務，以及工作如何進行。

最後，根據證據做決策。證明有價值的工作可以擴大，成本與成果不成比例的流程則需要改善；在證據支持時調整模型選擇、工具使用或任務設計，並在經濟效益明確時，賦予代理人更多責任。

看懂代理人的經濟效益，將成為管理優勢

隨著代理式工作成為企業的新常態，AI 成本正從一筆技術支出，轉變為營運層面的問題。

這個轉變也改變了誰需要看到成本資料。傳統的 FinOps（雲端財務營運管理）著重預算、成本分攤與共用基礎設施，但代理式工作讓決策分散到各團隊。在組織較扁平的企業裡，最貼近工作流程的團隊，需要了解代理人產生的支出，才能預估一季能交付多少成果。他們不只是在追蹤用量，而是在決定產能、優先順序，以及代理人能承擔哪些更多的責任。

代理人會依任務與回應，動態改變模型呼叫、上下文、工具使用與執行路徑，兩個看似相同的任務，可能消耗不同的資源與成本。因此，企業需要在既有的 FinOps 基礎上延伸，針對代理人補上專屬的監測數據、控管機制與單位成本衡量，而不是另起爐灶。

當代理人成為企業運作的基礎，能看懂代理人工作的經濟效益，並據此有目的地投資，將成為企業的核心管理優勢。

【推薦閱讀】

◆ 蘋果傳調降工程師每日 AI 額度，從 300 降至 200 美元：企業怎麼控管 AI 成本？
◆ 【token 變便宜，AI 帳單反而更貴】代理成本 2028 年前增逾 5 倍，Gartner 建議企業為推論分級
◆ AI 成本失控，企業轉向私有雲：HPE 靠智慧路由省下六成 token 成本

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

（責任編輯：鄒家彥）

AI 公司與傳統辦公軟體巨頭的競爭，正在從模型技術延伸到企業日常工作。正準備上市的 Anthropic，美國時間 11/10 宣布推出一系列 AI 辦公工具，涵蓋試算表、資料分析、數位白板與視訊會議，讓使用者不只能向 Claude 提問，還能直接與 AI 共同建立、修改工作成果。

根據《Bloomberg》報導，這項布局讓 Anthropic 與 Microsoft、Google 展開更直接的競爭，而後兩者同時也是 Anthropic 的投資人或合作夥伴。就在同一天，Anthropic 也正式啟動首次公開發行（IPO）路演，預計公開發行規模最高約 644 億美元。

從試算表到視訊會議，Claude 不只回答問題

過去，企業員工可以請 Claude 分析資料、產生文件或規劃專案，但往往仍需要將結果複製到其他軟體，才能交由同事修改、協作。Anthropic 這次希望縮短這段流程，讓 AI 產生的工作成果直接留在 Claude 中持續編輯。

根據 Anthropic 官方公告，新推出的 Claude Sheets 能依照文字指令建立試算表，支援公式、多個工作表、格式設定及下拉式選單。使用者可以讓 Claude 建立預算表或工作追蹤表，再與團隊共同修改。Claude Whiteboards 則能將討論內容整理成視覺化工作規劃，包括專案時程、負責人與待辦事項，並轉換為文件或簡報。

另一項 Claude Data，原名 Claude Dashboards，則從測試版轉為正式推出。它能連接企業資料倉儲或客戶關係管理（CRM）系統，依使用者提問產生儀表板、資料分析報告，甚至是附有旁白的影片。

其中，視訊會議助理 Claude Meetings 更直接呈現 Anthropic 想改變的工作方式。《TechCrunch》指出，Claude Meetings 能以可見參與者身分加入 Google Meet，在會議進行時整理專案計畫、建立時程、回答問題，並從已連接的企業應用中查找資訊，讓工作不必等到會議結束才開始。

不過，這些產品仍處於不同推出階段。目前 Claude Sheets、Whiteboards 已向付費用戶推出測試版，Claude Data 則正式上線；Claude Meetings 初期以 Beta 形式提供 Team、Enterprise 用戶，並先支援 Google Meet。

跨足辦公軟體，讓 Microsoft、Google 面臨新競爭

Anthropic 的策略與 Microsoft、Google 有一個值得注意的差異。Microsoft 已將 Copilot 整合進 Word、Excel、Teams 等產品，Google 也透過 Gemini 強化 Docs、Sheets、Meet 等 Workspace 服務。兩家公司原本就擁有龐大的企業辦公軟體客戶，正持續將 AI 加入既有工作流程。

Anthropic 則反過來，從 Claude AI 助理出發，逐步建立試算表、數位白板、資料分析及會議協作功能，讓更多工作可以直接在 Claude 環境中完成。這意味著，企業 AI 的競爭不再只是比較模型回答得多準確、生成內容有多快，也開始涉及員工究竟在哪個軟體環境中完成工作。

但 Anthropic 並非打算立刻取代所有既有軟體。《Bloomberg》引述 Anthropic 產品主管 Nicholas Lin 指出，Claude Sheets 目前功能仍相對基礎，複雜財務模型等進階工作，現有試算表軟體仍有優勢。

因此，Anthropic 也同步強化第三方應用整合。透過新的 Interactive Connectors，使用者可以在 Claude 中開啟部分合作夥伴的應用，例如 Adobe、Atlassian 等工具，讓 Claude 協助操作既有工作內容，而不必完全搬離原來的軟體。

IPO 前擴大企業應用，AI 模型公司為何開始搶工作入口？

根據 Anthropic 11/10 發布的 IPO 公告，公司計劃以每股 70 至 78 美元發行 8.25 億股，公開發行規模最高約 644 億美元。另一方面，最新招股文件揭露，Anthropic 的長期算力及基礎設施相關承諾已達約 9,000 億美元。對一家需要持續投入大量運算資源的 AI 公司來說，如何將模型能力轉化成企業願意長期付費的服務，是重要的商業課題。

Anthropic 過去透過 Claude Code 在軟體開發者市場建立需求，如今推出更多一般辦公人員也能使用的工具，有機會擴大企業內部的使用族群，從工程部門延伸至財務、行銷、人資與營運部門。

這樣的轉變也不只發生在 Anthropic。《TechCrunch》指出，OpenAI 近期也擴大企業協作工具，Meta 則透過 Muse AI Agent 切入工作應用。AI 模型業者正逐漸從提供底層技術，走向直接經營企業使用的應用服務。

這也讓 Microsoft、Google 與 Anthropic 的關係更加複雜：它們可以在模型、雲端與資本上維持合作，卻同時在企業軟體市場競爭。未來爭奪的可能不只是企業購買哪一家 AI 模型，而是員工每天最主要使用的工作平台。

【推薦閱讀】

◆ Anthropic 送件上市、第二季首度營業獲利，長期算力合約與模型競爭仍是考驗

◆ Google 推 TPU 8tx、8i Max，一年推出四款系統：為何不必重新設計晶片？

◆ 【李牮斯專欄】為中小企業誕生的 AI：組織精簡、資料散亂，為何反而是導入優勢？

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、Anthropic 1 、Anthropic 2、Anthropic 3、《Reuters》、《TechCrunch》，首圖來源：Anthropic