這份《數位資產的未來》（The Future of Digital Assets）報告，由波士頓顧問集團（BCG）發布，內容瞄準金融業董事會與高階主管製作，將數位資產重新定位為「金融底層基礎設施」的典範轉移。

報告指出，在數位極速擴張的情境下，若傳統金融機構僅保持觀望，到 2035 年恐面臨利潤蒸發 30%、營收萎縮 14%、資產負債表縮水 10% 的結構性危機。

然而，這也是一場巨大的財富重分配，數位真實世界資產（RWA）預計在未來十年內帶來高達 88 兆美元的潛在市場。以下摘要報告內容，從宏觀情境推演、四大業務線的營收衝擊，到技術與風險的底層重置，梳理數位資產的未來。

🔴 報告洞見

💡 搞懂三類數位資產

要制定正確的戰略，決策者必須先精準界定數位資產的三大核心領域，並理解其截然不同的經濟邏輯與市場天花板。

首先是加密貨幣。作為目前規模最大的板塊，其市值高達約 3 兆美元，並創造了約 900 億美元的高利潤交易與服務營收池。然而，加密貨幣本質上屬於高波動、受週期驅動的交易資產。對銀行而言，這是一個由客戶需求驅動的營收來源，不應被視為金融基礎設施轉型的核心。

其次是數位貨幣，主要以穩定幣（Stablecoins）為代表。目前穩定幣市值約 3,000 億美元。數據顯示，目前高達 65% 的穩定幣供給量，仍綁定於加密貨幣交易與去中心化金融（DeFi）活動，約 25% 作為新興市場的價值儲存手段，僅約 10% 用於實體經濟支付，但這塊正處於高速成長階段。

不過，穩定幣的整體規模並非無限。報告指出，除非全球貨幣制度發生根本性變革，否則穩定幣的市場規模將面臨自然上限。由於穩定幣不具備孳息與信貸創造能力，其發展極限預估將落在全球廣義貨幣供給量（M2，為衡量市場流通貨幣總量的指標）的 15% 左右，即約 9 兆美元。

最後是目前檯面上規模最小、但戰略意義最重大的數位真實世界資產（Digital RWAs）。目前公開可見的規模僅約 300 億美元，但它卻是未來十年對銀行業最具結構性影響的黑馬。

在積極發展的情境下，到了 2035 年，全球將有高達 16% 的可投資資產被代幣化，總市場規模上看 88 兆美元。這將徹底重構發行、結算、託管與資產服務的底層邏輯。

面對這個規模的結構性變化，董事會的第一個問題不是「要不要做」，而是「不做的代價是什麼」。

💡 董事會視角：不作為的生存代價與四大未來情境推演

在基礎設施的轉型下，董事會面臨的核心戰略張力在於，究竟該漸進式防禦現有特許經營權，還是該在對手行動前主動重塑業務？

報告指出，在基礎設施轉型中，最大的錯誤往往不是行動太早，而是行動太晚。

數位資產將對傳統銀行帶來三股結構性的財務逆風：

第一，代幣化降低了對中介機構的需求；
第二，價值將從傳統銀行加速轉移至非銀行平台與資產管理公司；
第三，傳統系統與代幣化軌道「雙軌並行」的過渡期，將帶來沉重的成本重疊。

量化數據顯示，若市場走向「數位極速擴張」情境而銀行未能及時應對，至 2035 年銀行的資產負債表將縮水 10%、營收下降 14%，利潤更將大幅衰退 30%。

為了應對高度不確定性，報告推演了四種未來情境，包含由私人機構與消費者推動的「私人主導極速擴張」、缺乏跨國標準的「碎片化多軌並行」、由大型機構主導的「機構級數位演進」，以及受限於監管的「防禦性重置」。

董事會的職責並非押注單一終局，而是建立戰略選擇權。決策者必須認知到，保持中立本身也是一種高風險的下注，唯有具備跨情境的適應力，才能在不同未來中確保銀行的生存與話語權。

💡 執行委員會視角：四大業務線的衝擊與黃金機遇

從防守轉向進攻，代幣化同時也為各業務線帶來了實質的營收擴張機會。對於一家全球系統性重要銀行（G-SIB）而言，這些機遇的規模皆達「十億美元級」。

一、零售與財富管理

• 衝擊：隨著數位原生世代將資產存放於非銀行錢包或加密平台，銀行面臨嚴重的存款流失與「客戶介面被去中介化」的風險。
• 機遇：銀行必須透過提供安全的銀行級數位錢包、託管服務，以及將數位資產整合進投資顧問服務中，重新奪回客戶介面。預估這能為一家 G-SIB 帶來約 3.4 億至 6 億美元的年營收成長空間。

二、企業銀行

• 衝擊：當可程式化貨幣與穩定幣成為跨境支付的可靠替代軌道，傳統企業銀行在跨境支付手續費、外匯利差以及流動性浮存金上的利潤將受到嚴重擠壓。
• 機遇：企業銀行的角色必須從「交易處理者」升級為「可程式化全球流動性的編排者」。透過提供代幣化資金管理、穩定幣跨境結算，以及為加密原生企業提供銀行服務，G-SIB 可創造 2 億至 6 億美元的年營收上升空間。

三、資產管理

• 衝擊：代幣化帶來的極致透明度與產品可比較性，長期而言將壓縮單一產品的利潤率。
• 機遇：這是所有業務線中潛力最大的一塊。代幣化能大幅降低私募信用、基礎建設與房地產等另類資產的操作摩擦，實現碎片化與更高效的通路分發。對於一家管理規模 2 兆美元的資管公司而言，透過擴大可投資資產池與提升分配效率，有望解鎖高達 15% 至 30%（約 12 億至 25 億美元）的營收爆發性跳升。

四、資本市場與交易

• 衝擊：隨著結算速度從 T+2 壓縮至近乎即時的 T+0，傳統依賴結算延遲所產生的浮存金與後端服務利潤將會萎縮。
• 機遇：代幣化帶來的「原子結算（Atomic DvP）」能大幅釋放原本被困在保證金與預先撥款中的資本。流動性與資本週轉率的提升，將使交易業務的股東權益報酬率（RoE）有效提升高達 4%，這相當於為一般 G-SIB 增加超過 10 億美元的淨利潤。

然而，這些商機的實現有一個前提：底層的風險與技術框架必須同步重構。

💡 風險長與技術長的新任務

數位資產並未創造出全新的風險類別，但它徹底改變了風險產生與傳導的物理法則。在 24/7 全天候運作、智能合約自動執行的環境中，風險的傳導速度被極度壓縮，技術長與風險長必須重構底層思維。

風險長的防禦新基準：

傳統的防制洗錢高度依賴靜態的「客戶身分（KYC）」審查，但在數位資產市場，風險往往潛伏在交易流與去中心化錢包中。

風險長必須將 AML 機制轉向「資金流與錢包導向」，監控多個交易節點外的間接曝險。此外，「合法保管權」與「技術控制權（私鑰）」的脫節是重大的託管災難來源，智能合約更應被視為「高風險財務模型」來納管，必須確保在極端市場壓力下，銀行仍保有暫停或干預的「緊急切斷開關」。

技術長的建構藍圖：

技術長必須將分散式帳本技術（DLT）視為全行共享的底層基礎設施，而非單一部門的孤立專案。

在技術路線上，應摒棄「公有鏈 vs 私有鏈」的二元對立，從第一天起就採用「多鏈並行」架構；公有鏈開放所有人參與，私有鏈由機構控制存取權限，而多鏈並行策略則讓銀行依場景靈活選擇，以避免被單一技術供應商或生態系鎖死。

在「自建、合作或收購」的決策框架中，CTO 應堅持自建銀行的核心「控制層」（如私鑰管理、智能合約治理、權限政策），而在標準化的生產引擎與網路連線上，則應積極尋求第三方合作，以兼顧控制力與規模化速度。

🧭 迎戰未來 12 到 36 個月的五大關鍵行動

面對這場將重塑未來十年的金融洗牌，高階領導團隊需要建立具備戰略彈性的營運能力。報告總結出未來 12 到 36 個月內的五大實戰步驟：

1. 量化財務衝擊：必須在 90 天內，具體盤點各業務線在代幣化衝擊下受威脅的營收池、潛在的可開發市場，以及維持新舊雙軌運作的預期成本，將數位資產從抽象概念轉化為具體的管理數據。
2. 立即鎖定客戶介面：不論底層的結算軌道最終由誰勝出，將「銀行級數位錢包與託管基礎設施」視為「無悔投資（No-regret move）」優先建置。只要掌握了客戶介面，就能確保銀行的長期價值。
3. 聚焦 2-3 個高價值場景：避免「為了代幣化而代幣化」。應集中資源投資於具備明確商業價值的領域，例如代幣化基金與另類資產、跨境資金池編排，或高效率的附買回協議（Repo）與擔保品移動。
4. 建立銀行級控制平面：在推動任何業務規模化之前，必須先完善底層的安全機制。建置涵蓋私鑰管理、智能合約治理、AML 工具及危機處理程序的共通 DLT 控制平台，確保所有創新都在可控的基礎上運行。
5. 縮短戰略週期並年度檢討：數位資產市場演進極快，決策者應將傳統 3 到 5 年的戰略規劃縮短，每年定期覆盤。持續追問目前的「不作為風險」是否已經大於「執行風險」？銀行是否正不知不覺中陷入對外部技術的依賴鎖死？隨時保持戰略的靈活度與選擇權。

＊閱讀完整報告內容，請見：The Future of Digital Assets

【更多產業研究報告】

◆ 【Redpoint 發佈全球創投風向】AI 獨角獸展開極速生長週期，解析 AI 創投三大賽道與企業「二次創業」藍圖
◆ 【國際 AI 安全報告】圖靈獎得主＋百位頂尖專家指引，決策者如何在技術創新與系統性風險取得戰略平衡？
◆ 【行銷長 AI 趨勢報告】78% CMO 陷資料孤島、顧客仍盼真人服務：解析 AI 代理規模化的多重挑戰

➡️ 其他產業研究報告

＊初稿由 AI 協作，首圖來源：Unsplash

Visual Components 業務發展總監 Graham Wloch 近日在《The Robot Report》撰文分析，近年製造業加速導入虛擬工具，重點已不只是把生產流程數位化呈現，而是希望能在正式投產前，先完成測試、調整與流程優化。模擬（simulation）與數位分身（digital twin）因此成為企業推動數位轉型的重要技術。不過，許多製造商在導入過程中，仍不清楚兩者實際上的功能差異與應用場景。理解這些技術在系統設計、產線規劃與後續營運中的角色，已成為企業評估投資效益與制定策略時的重要關鍵。

數位分身不是模擬：解析兩者在智慧製造中的角色差異

Graham Wloch 指出，模擬與數位分身雖然都能建立虛擬化的生產環境，但兩者的用途其實並不相同。

模擬比較像是在假設情境中進行測試。系統會根據預設條件與規則，推演產線運作可能出現的結果。在製造業裡，常見的是離散事件模擬（discrete event simulation），也就是把機器、輸送帶、機器人與各項作業流程轉換成虛擬模型，再透過邏輯運算觀察整體運作情況，藉此提前找出瓶頸或效率問題。

至於數位分身，它不只是建立一套虛擬模型，而是讓虛擬系統與真實設備持續同步、即時互動。也就是說，現場設備的狀態、數據與變化，會不斷更新到虛擬系統中，而系統分析後的結果，也能反過來影響實際運作。這是數位分身與一般數位模型最大的差別。

目前製造業中的數位分身應用，已經從單一設備擴展到整條產線，甚至整座工廠。這些虛擬系統會隨著實際環境持續更新，除了讓管理者掌握現況，也有助於分析問題發生的原因，進一步提升決策效率與生產彈性。

不只同步資料，數位分身下一階段關鍵在「語意智慧」

模擬與數位分身技術都建立在虛擬模型之上，因此具有不少相似性，但模擬具有基礎性的角色，它能協助製造商探索不同可能性、驗證設計方案，並在系統真正與真實資料流整合之前建立信心。如果缺乏完善的模擬基礎，數位分身很可能只是複製了系統的複雜性，卻無法帶來真正清晰的洞察。Graham Wloch 說明，模擬是「思考發生的地方」，因為假設會在此被驗證、洞察會在此被產生；而數位分身則是這些思考與真實世界接軌的地方。

另一方面，加拿大軟體公司 OpenText 在官方部落格補充，數位分身（Digital Twin）相關論述已經出現明顯轉變。未來的數位分身不只需要同步設備資料，更要能理解事件背後的營運意義，這種讓系統具備理解情境與推理能力的技術，被稱為「語意智慧」（semantic intelligence），能理解這些事件在營運層面上的真正意義。例如它們將如何影響生產排程、庫存供應、維護優先順序、永續發展目標、法規遵循，以及對客戶的承諾。

過去，數位分身通常被定位為實體資產或環境的虛擬複製體；然而，如今的願景則更加宏大，目標是建立能夠理解系統狀態、行為、關係、情境，以及歷史意義的智慧系統。許多討論也指出，傳統數位分身架構正逐漸顯現其限制。它們在模擬系統狀態與行為方面非常有效，但當關係產生動態變化，或系統缺乏語意理解能力時，其效能便明顯不足。這項洞察，很可能將定義數位分身創新的下一個階段。

＊本文開放合作夥伴轉載，資料來源：《The Robot Report》、OpenText，圖片來源：Unsplash。

當 AI 從「回答問題」走向「完成工作」，企業需要的不再只是一個聊天機器人，而是一整套能建構、治理、擴展 AI 代理人的基礎設施。

Google Cloud NEXT 2026 的焦點為何是「代理平台」？

2026 年 4 月 22 日，Google Cloud 在拉斯維加斯揭開年度大會 Google Cloud Next 2026 的序幕。從 Google CEO Sundar Pichai 到 Google Cloud CEO Thomas Kurian 的主題演講，再到各大媒體的現場直擊，整場活動的核心主題只有一個：「代理式企業 (Agentic Enterprise)」。

其中最受矚目、也最被外界認定為本屆大會「C 位」的發佈，正是全新的 Gemini Enterprise Agent Platform。這不只是一次產品更新，而是 Google 把原本用於 AI 開發的 Vertex AI 整個「升級換代」，重新打造成專為 AI 代理人 (AI Agents) 而生的一站式平台。

根據 Sundar Pichai 的現場分享，Gemini Enterprise 的付費月活用戶在 2026 Q1 季比前一季成長了 40%，API 每分鐘處理超過 160 億個 tokens，這些數字也讓 Google 決心把「代理平台」當成下一個十年的主戰場。

Gemini Enterprise Agent Platform 到底是什麼？

簡單來說， Gemini Enterprise Agent Platform 可以被理解為 Vertex AI 的進化版，也是企業打造 AI 代理人的「任務控制中心」。

過去，Vertex AI 主要協助企業處理模型訓練、測試、部署與機器學習維運等問題；但進入代理時代後，企業面對的是更複雜的挑戰：AI代理人如何彼此協作?怎麼被治理？怎麼安全地存取企業資料？如何被監控、治理與稽核？當代理數量從幾個擴大到數百、數千個時，又該如何避免失控？Google 的答案，是把「建構、整合、編排、DevOps、安全、治理」六件事合併到同一個平台，讓企業能用一致的方式管理 AI 代理人的完整生命週期，其四層核心能力架構如下：

Gemini Enterprise Agent Platform 核心能力四層架構

Google 公布 Gemini Enterprise Agent Platform 的核心能力為 Build（建構）、Scale（擴充）、Govern（治理）、Optimize（最佳化） 四大面向。這代表企業導入 AI agents（AI 代理），不再只是「打造一個 AI Agent」，而是需要從開發、上線、治理到持續優化，建立完整的生命週期管理能力。

1. Build（建構）：選擇合適的代理開發環境
在建構階段，企業可依照任務需求與開發團隊能力，選擇低程式碼、視覺化介面的 Agent Studio（代理工作室），或程式碼優先的 Agent Development Kit, ADK（代理開發套件） 來打造 AI agents（AI 代理）。Google 官方指出，這樣的設計能簡化代理開發生命週期，協助企業更快推出可用於正式環境的 AI agents（AI 代理人）。

此外，Agent Platform（代理平台） 也持續強化 ADK 的開發能力。Google 官方指出，目前每月已有超過 6 兆個 tokens 透過 ADK 在 Gemini 模型上處理；新版 ADK 也支援 sub-agent network（子代理人網路）的圖形化框架，讓開發者能定義多個代理之間的協作邏輯，協助 AI agents 處理更複雜的任務。

除了開發工具外，Gemini Enterprise Agent Platform 也透過 Model Garden（模型選擇） 提供超過 200 個模型與工具，包含 Google 自家的 Gemini 3.1 Pro、Gemini 3.1 Flash Image、Lyria 3，開放模型 Gemma 4，以及 Anthropic 的 Claude Opus、Claude Sonnet、Claude Haiku 等第三方模型。這代表企業能依照不同任務需求選擇最合適的模型，而不被限制在單一模型之中。

2. Scale（擴充）：讓 AI 代理人從概念驗證走向正式環境
在 Scale 階段，Gemini Enterprise Agent Platform 透過重新設計的 Agent Runtime（代理執行環境），協助企業將 AI agents 從 POC（概念驗證）推向 production（正式環境）。Agent Runtime 支援可維持狀態長達數天的 long-running agents（長時間運行代理），並透過 Memory Bank（記憶庫） 提供持久、長期的上下文，讓 AI agents 能處理更複雜、跨多步驟的企業任務。

這對企業來說，代表 AI agents 不再只是短時間回應單一問題的工具，而是能在更長時間範圍內維持任務狀態、記住重要上下文，並支援更接近真實業務流程的代理式工作模式。

3. Govern（治理）：集中控管代理身分、權限與防護機制
當 AI agents 開始被大量部署，企業最關注的問題便是如何進行治理。在治理階段，Gemini Enterprise Agent Platform 透過 Agent Identity（代理身分）、Agent Registry（代理登錄檔） 與 Agent Gateway（代理閘道） 建立集中控管能力，確保每個 AI agent（AI 代理），無論是由企業自行建構，或來自合作夥伴生態系，都具備可追蹤的身分，並能在企業級防護機制下運作。

這有助於企業面對代理數量快速增加後的治理挑戰，降低權限不清、責任難追與安全風險，讓 IT 團隊能更有系統地管理代理人的存取權限、活動紀錄與稽核軌跡。

4. Optimize（最佳化）：持續追蹤代理品質與推理過程
AI agents 上線後，真正的挑戰才開始。企業需要知道代理是否正確完成任務、推理過程是否可追蹤、錯誤發生在哪裡，以及如何持續改善代理表現。

在最佳化階段，Gemini Enterprise Agent Platform 提供 Agent Simulation（代理模擬）、Agent Evaluation（代理評估） 與 Agent Observability（代理可觀測性），協助企業在代理上線前測試代理表現，並在正式環境中追蹤完整執行路徑與代理推理過程。這讓企業不只是部署 AI agents（AI 代理），更能持續監控、改善與最佳化代理品質，確保代理能穩定達成業務目標。

為什麼 Gemini Enterprise Agent Platform 成為本屆焦點？

翻開 TechRadar、ITPro、SiliconANGLE、TechCrunch 等多家科技媒體的現場報導，幾乎所有報導都把 Gemini Enterprise Agent Platform 放在頭條位置， 原因如下：

1. 解決企業從 POC（概念驗證）走向 production（正式環境）最迫切的痛點

過去一年，幾乎每家企業都在做 AI POC（概念驗證），但真正把代理人部署到生產環境的比例極低。原因很簡單：缺乏安全、治理、擴展的統一框架。Gemini Enterprise Agent Platform 的核心價值，就在於把開發、部署、治理、觀測與安全能力整合在同一個平台，協助企業把 AI 代理人從實驗性專案推向可管理、可擴展的企業級應用。

2. 重新定義 Google Cloud 的產品邊界

Google 明確指出，未來所有 Vertex AI 未來的服務與路線圖，都將透過 Agent Platform 交付，而不再作為獨立服務這代表 Google Cloud 正在將企業 AI 開發的核心，從「模型平台」推進到「代理平台」。

3. 串連本屆大會的所有重要發佈

Cloud Next ’26 還有一長串重要發佈，也都圍繞著 Agentic Enterprise 展開，包括：

• 第八代 TPU (TPU 8t 訓練版 / 8i 推論版)：專為代理時代設計，TPU 8i 單一 pod 可連接 1，152 顆晶片，支援大量代理人同時運作所需的低延遲與高吞吐
• Virgo Network：新一代百萬級資料中心網路架構，作為 AI Hypercomputer 的底層網路基礎
• Agentic Data Cloud：跨雲端 Lakehouse 與知識目錄，讓代理人能取得更完整的企業資料與業務上下文
• Workspace Intelligence：把代理能力帶進 Docs、Sheets、Gmail，讓工作者在 Docs、Sheets、Gmail 等工具中運用更即時的上下文理解能力
• 7.5 億美元合作夥伴基金：Google 在大會上宣布投入 7.5 億美元，協助合作夥伴建構、部署並推動 AI 代理人落地，說明 Gemini Enterprise Agent Platform 不只是 Google Cloud 自身的產品策略，更是透過合作夥伴共同推動 AI 代理人進入企業市場的重要布局。

這些發佈全部都圍繞著一個目的，讓 Gemini Enterprise Agent Platform 上的代理人，具備更快的晶片、更強的網路、更豐富的資料、更廣的通路、更成熟的導入生態系。

邁向 Agentic Enterprise：企業導入 AI Agent 前必須思考的三件事

如果你是企業的技術決策者，以下三件事值得優先思考：

1. 代理人不再是單點工具，而是系統工程：未來衡量 AI 成熟度的指標，不再是「有沒有用 ChatGPT」等生成式 AI 工具，而是「有沒有一套能治理 1,000 個代理人的平台」，當代理數量持續增加，代理人治理將成為企業 AI 擴展的核心能力。
2. 模型選擇自由度成為標配： Google 主動支援 Claude 系列這件事意義重大，說明「多模型策略」才是企業的真實需求，誰想把客戶鎖死在單一模型上，誰就會被淘汰。
3. 企業 AI 將從「管理任務」走向「委派成果」： Google 這次把核心訊息定調為：「從管理個別 AI 任務，轉變為有信心地委派業務成果。」這是 AI 應用典範的轉移，AI 不再只是被動回覆問題，而是能在企業設定的規則、權限與治理框架內，協助完成具體業務流程。

2026 年將成為代理式企業的元年

如果說 2023 年是生成式 AI 元年、2024 年至2025 年是企業 AI 試水溫的階段，那麼 2026 年很可能會被視為「代理式企業元年」，成為代理式企業真正走向落地的關鍵轉折年。

Gemini Enterprise Agent Platform 的發佈，不只是 Google Cloud 的一次產品升級，更是一個明確的訊號：科技巨頭們已經準備好把 AI 代理人從 Demo 階段，推向生產環境的主戰場。

接下來的關鍵問題不是「要不要導入代理人」，而是「你的組織準備好讓 1,000 個代理人在安全且可治理的架構下一起工作了嗎?」

從 AI Agent 到雲端治理  CloudMile 萬里雲助企業打造 Agentic Enterprise 核心戰力

在 Agentic Enterprise 時代，企業需要的不只是單一 AI 工具，而是能串連模型、資料、應用、資安與治理的完整架構。CloudMile 具備超過 165 張 Google Cloud 專業技術證照，並於 Google Cloud Next 2026 榮獲亞太區四項 Google Cloud 合作夥伴大獎，可協助企業評估 AI 代理人導入場景，規劃兼顧治理、資安與擴展性的 AI 落地路徑。如欲了解更多 CloudMile AI 與雲端轉型服務，歡迎聯繫 CloudMile 專業顧問。

(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：Google Cloud 部落格。）

從資料脈絡到引用來源，讓 AI Agent 的每一次推理都有跡可循。

隨著企業導入 AI 的速度持續加快，真正的難題也開始浮現：AI 雖然會整理資料、回答問題，卻不一定理解企業內部的業務專屬邏輯。

根據麥肯錫《2025 年 AI 全球調查：應用、創新與轉型》報告顯示，88% 受訪者表示其組織已在至少一項業務職能中規律使用 AI；然而，調查結果也指出，雖然 AI 工具已相當普及，但多數企業尚未將 AI 深度整合至日常工作流程與業務流程中，因此 AI 仍難以實現企業級價值。

正如這次 Google Cloud 在 Next ’26 大會上強調的核心觀點，沒有上下文的推理，最終只是一種猜測。

當我們期望 AI Agent 不只是回答問題，而是能協助判斷庫存風險、合規問題、客戶流失原因，甚至自動提出行動建議時，最大的阻礙在於企業的資料與數據是分散在不同角落，有些在 PDF、有些藏在視訊會議記錄、以及各個資料庫和應用程式中。為了解決這個痛點，Google Cloud 在 Next ’26 推出了 Agentic Data Cloud，並將 Knowledge Catalog 定位為企業的「通用上下文引擎 (Universal Context Engine)」。

簡單來說，Agentic DataCloud 就像是企業資料的「智慧導航系統」，將分散的企業資料串成一張 AI 看得懂的知識地圖，讓 AI Agent 不只會搜尋資料，還能沿著資料脈絡找到來源、理解關聯，最後做出有憑有據的判斷。

從「資料生命週期」看 Knowledge Catalog：AI 需要先看懂資料，才能做出正確決策

若只把 Knowledge Catalog 看做 BigQuery 整合、Smart Storage 或零複製存取的集合，很容易低估它真正的價值，因為這樣的理解只回答了「它有哪些功能」，卻沒有回答更重要的問題：為什麼這些功能需要被設計在一起？

理解 Knowledge Catalog 最有效的方式，是回到資料工程的本質，一個能讓 AI 使用的企業資料系統，通常需要經過聚合 (Aggregation)、豐富化 (Enrichment)、檢索 (Search) 等三個階段：

• 聚合 (Aggregation)：把散落在不同系統的資料，匯聚到同一個邏輯層
• 豐富化 (Enrichment)：賦予資料語義、標籤與關聯
• 檢索 (Search)：讓 AI 能基於語義進行多步推理

這三個階段，是企業資料要真正被 AI Agent 使用時，幾乎繞不開的核心流程。Knowledge Catalog 的價值，就在於它需要工程師手動串接的流程升級為更貼近 AI 原生、自動化、可追溯的資料生命週期。

Google Cloud 在大會中展示的「新口味優格 Midnight Swirl 的上市評估」案例，完美詮釋了這個三階段框架。

某食品公司即將推出新口味優格 Midnight Swirl。上市前，營運團隊必須確認食譜中是否含有大豆等過敏原。棘手的是，這個關鍵資訊散落在兩份獨立的 PDF 中：一份食譜寫著成分包含「Base 204」，另一份供應商手冊才記載「Base 204 含有大豆」。傳統 AI 搜尋幾乎必然會漏掉這層隱藏關聯。

階段一、Aggregation：打破結構化、非結構化、SaaS 三大孤島，將散落的資料放到同一張地圖上

第一階段的任務，是把散落各處的資料聚合到同一個邏輯視野下。Knowledge Catalog 用以下三個機制解決這個問題：

• BigQuery 原生映射：對結構化資料來說，Knowledge Catalog 可以與 BigQuery 原生整合 ，將資料表與元數據 (Metadata) 等連結業務邏輯，過去 AI 看到的可能只是一張張表格與欄位名稱，透過語義映射後，它才能理解哪些欄位代表產品、供應商等資訊。
• Smart Storage：針對非結構化資料，當圖片或 PDF 一進入 Google Cloud Storage，Gemini 就會原生介入，自動進行標記、摘要與資訊萃取，讓原本「看得到檔案、但看不懂內容」的問題被大幅降低。
• 零複製 (0-Copy) 存取：對 SaaS 系統，Knowledge Catalog 可以直接連接 Palantir、Salesforce、SAP、ServiceNow、Workday 等應用程式，Agent 不需要先把資料搬進來，就能即時取得橫跨整個企業的上下文。

在 Midnight Swirl 場景中，Aggregation 階段做的是：讓食譜 PDF (存在 GCS)、供應商主檔 (可能在 SAP)、合規規則 (可能在 BigQuery) 被納入同一個可被 Agent 查詢的視野。這一步本身還沒有產生答案，但它確保了「所有可能相關的資料都已經被放到桌面上」。

階段二、Enrichment：從「黑暗數據」到 Agent – Ready

資料聚合進來只是第一步。對 AI Agent 而言，沒有被理解的資料，等同不存在。一份 PDF 即使被掃描進系統，如果沒有人告訴 Agent 這份文件裡哪些段落代表「成分」、哪些文字代表「過敏原」、「供應商」這些實體，Agent 還是無法將資訊轉化為決策依據。

這同時也是傳統資料工程最耗時的環節：人工標註、實體萃取、建關聯表，佔掉資料團隊一半以上的時間。Knowledge Catalog 的關鍵，在於使用以下兩個機制，將這些過去高度仰賴人工的工作，轉化為更自動化的語義建構流程。

• 檔案落地即豐富化：Smart Storage 觸發後，Gemini 會自動萃取實體、標籤與關聯，讓資料一進系統就是「Agent-ready」狀態。
• 自主語義學習：Knowledge Catalog 不只抽取通用名詞，而是協助 AI 學習企業內部的專屬語義。當 Agent 看到「淨營收」、「風險」、「合規」這些詞，它理解的不是字典定義，而是這些詞在企業脈絡下的精確含義。當 Agent 理解這些定義後，才有可能做出符合企業邏輯的判斷。

回到案例：Enrichment 階段對食譜 PDF 自動萃取出「Base 204」作為「成分」實體；對供應商手冊自動萃取出「大豆」作為「過敏原」實體；並且識別出「Base 204」這個料號在兩份文件中是同一個東西。這些關聯原本需要食安團隊手動建表維護，現在由 Gemini 自動完成。

階段三、Search：從找關鍵字，升級成跨文件推理

當資料被聚合並豐富化後，搜尋的層次也隨之提升。傳統的生成式 AI 搜尋本質上仍是「關鍵字比對 + 向量相似度」，這種方式很擅長找到文件中「直接提到的資訊」，但很容易漏掉「需要跨文件推理的隱藏關聯」。Knowledge Catalog 在這一層做了兩件事：

• 基於關聯圖譜的跨文件檢索：因為 Enrichment 階段已經建立了實體間的關聯，Search 不再是平面的文字比對，而是類似沿著地圖找路的概念，在語義圖譜上進行多跳查詢。Agent 可以從產品名稱「Midnight Swirl」追到「食譜」、從「食譜」追到原料代號「Base 204」、再從原料代號追到「供應商手冊」、最終找到過敏原資訊「大豆」，這條推理鏈在傳統搜尋中幾乎不可能完成。
• 與 Deep Research Agent 整合：Knowledge Catalog 可以與 Gemini 企業版的 Deep Research Agent 整合，進行跨越內部資料與公開網路資訊的多步驟推理，最終產出附帶引用來源的業務解答。這對需要「可稽核、可追溯」的企業決策場景特別重要。

當營運團隊輸入「Midnight Swirl 是否包含過敏原?」時，AI Agent 能夠自動從產品名稱跳到食譜、再跳到供應商手冊一路追查，最終準確抓出產品含有大豆，並動態生成一份名為「product specs」的資料 Schema 作為引用證據。整個過程不到五分鐘，而傳統人工流程可能需要跨部門協調、花上半天時間。最終，這個流程在新品上市前就揭露了潛在的食安風險，避免了上市後才發現過敏原而需召回產品的代價。

Knowledge Catalog 能夠實際改變 AI 決策鏈的可行性

把三個階段串起來看，你會發現 Knowledge Catalog 真正改變的，不只是單一環節的處理效率，而是將過去很難落地的企業 AI 決策鏈，變得可信任且可追溯。

這樣的改變不只是「更快」，而是讓很多過去根本做不到、或高度依賴人工經驗的流程，第一次有機會被 AI 系統化處理。 在傳統架構下，Midnight Swirl 這樣跨文件、跨業務語義的隱藏風險，很容易在人工審核時被漏掉，直到產品上市後才被發現；但在 Knowledge Catalog 的架構下，這些關聯可以被提前建立、檢索與引用，成為 AI Agent 做決策時的可信依據。

對技術團隊的實際建議：資料治理將成為 AI Agent 落地關鍵

讀到這裡，你可能會問：這對資料工程師、雲端架構師而言代表什麼實務意義？以下三點是值得注意及思考的重點轉變：

• 資料工程師角色將從「搬資料」轉向「設計語義」：資料工程師的時間將從 ETL pipeline 上釋放出來，轉向更上游的工作：定義企業的核心實體、關係、指標， 讓 AI 能正確學習。
• RAG 系統的檢索曾將從「相似度檢索」走向「圖譜推理」： 向量檢索擅長找相似內容，但企業的問題已轉變為「哪些文件、資料表、業務規則之間存在關聯」，，單純依賴向量搜尋可能已經不夠了。 
• 資料治理不再是「IT 苦差事」，而是「AI Agent 導航圖」：在 Agentic AI 的時代，每一個被正確定義的指標、每一條被維護好的業務規則、每一份被標註好的文件，都可能直接影響 AI Agent 的判斷品質，資料治理的 ROI 變得清晰可見。

讓資料治理成為 AI Agent 的導航圖

可信任的上下文，是將「聰明的猜測」轉化為「可靠行動」的關鍵。Knowledge Catalog 的真正價值，不在於它新增了哪些花俏功能，而在於它重新定義了企業資料如何被 AI 使用，透過 Aggregation 匯聚全局視野、透過 Enrichment 賦予深層語義、再透過 Search 實現精準推理。對於正在 GCP 上打造資料平台、RAG 系統或 AI Agent 的團隊來說，這是一次徹底重新思考「資料治理意義」的機會，當企業走向 Agentic AI 時代，真正的競爭力不只來自模型本身，而是來自模型背後那張完整、可信任、可追溯的企業知識地圖。

CloudMile 萬里雲助企業打造可信任的 AI Agent 資料基礎

當 AI Agent 開始實際參與企業工作流程時，資料治理便是決定 AI 能否正確理解業務、引用可信來源並做出可靠判斷的關鍵基礎。CloudMile 萬里雲可協助企業從現有資料架構出發，盤點資料來源、治理流程與 AI 應用場景，並結合 Google Cloud 資料平台、Knowledge Catalog、Smart Storage 與 AI Agent 相關技術，打造更完整、可信且可追溯的企業知識地圖，讓 AI 不只是回答問題，更能在有脈絡、有依據的基礎上協助企業進行決策。歡迎至此聯繫 CloudMile 專業顧問。

(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。）

美國中央司令部（USCENTCOM）近期首度向國會揭露一道國安破口：他們坦承已收到多起通報，證實美軍在現役戰區的行蹤，正被敵方透過隨手可得的「商業定位資料」追蹤掌握，這也是美方首次承認這類商業數據已對戰場造成實質威脅。

令人毛骨悚然的是，引發這場國安危機根本不需要駭客發動攻擊，因為真正的漏洞，就在每個人的手機 App 與廣告推播裡。這條由數位廣告和數據仲介商交織而成的「全球監控經濟（global surveillance economy）」產業鏈，原本是為了精準行銷，現在卻成為敵方隨手可得的情報網。

從精準行銷到精準打擊，廣告工具如何變成敵方情報來源？

這一切究竟是如何發生的？在數位廣告領域，定位資料被廣泛用於精準行銷，通常由 App 或服務供應商從手機中蒐集，隨後賣給資料經紀商進行彙整與轉售，或在複雜的中介網路中持續流通。

《Business Insider》點出，正是這種讓廣告商追蹤一般民眾日常行蹤的機制，如今正將美軍推向致命風險。美國議員在致五角大廈的信中嚴正警告，這些商業定位資料能輕易拼湊出美軍的聚集地與日常移動模式，「這可能被敵方利用來鎖定飛彈、無人機和路邊炸彈等攻擊目標，以及用於反情報目的」。面對此風險，參議員 Ron Wyden 甚至發布聲明呼籲，現在是時候「開始將廣告科技產業視為國家安全威脅」。

美國海軍陸戰隊司令 Eric Smith 上將也曾多次警告，在戰場上使用手機可能致命，並以烏克蘭戰爭為例，指出俄羅斯軍隊就屢次因為手機使用、社群媒體發文與開源定位資訊而遭鎖定打擊。 

風險早已浮現，五角大廈卻長達十年未採取足夠作為

然而，這項威脅並非近期才突然出現，五角大廈其實早已知情。《WIRED》報導，早在 2016 年，政府技術人員就曾在加州布拉格堡（Fort Bragg）向美軍高層展示，如何僅憑「買來的」商業定位資料，就能精準追蹤特種部隊手機，一路從美國本土基地追蹤至敘利亞北部的秘密前線。這批資料能被美軍買到，代表外國情報機構同樣能輕易取得。

事實上，這類外洩事件層出不窮。《WIRED》在 2024 年與德國媒體合作的調查中，單憑從資料經紀商取得的免費樣本，就成功追蹤駐德美軍及情報人員的日常移動，這也讓人聯想到過去健身應用程式 Strava 曾意外暴露美軍基地跑步路線，以及法國總統馬克宏保鑣行蹤的資安災難。 

更令人擔憂的是，取得這些資料的門檻與成本極低。2023 年，杜克大學的研究人員曾模擬外國敵方行動，在數百個資料經紀商網站上找到數千筆販售軍人資料的清單。研究人員甚至以每筆 12 美分的價格，在幾乎沒有任何身分審查的情況下，買到現役軍人的姓名、住址、健康狀況與財務細節。因此《The Register》引述議員信件，強烈抨擊五角大廈很可能在十年前就已知曉此威脅，卻未採取足夠的防禦措施來保護軍人免於資料外洩風險。

難以全面防堵的原因：無法完全關掉的定位與 BYOD 政策

為了解決這個存在已久的漏洞，美國議員要求五角大廈採取更積極的具體措施，包含停用軍方裝置上的廣告 ID、在戰區自動關閉手機的定位分享功能，並讓人員改用更重視隱私的瀏覽器而非 Google Chrome。

然而，在執行面上，軍方卻面臨難以全面防堵的困境。首先，即使有規範，裝置的定位與廣告追蹤依然難以徹底關閉。《The Register》指出，雖然美國中央司令部已發布指引，要求人員在不需要的時候停用定位功能並定期檢查隱私設定，但軍方坦承，商業產品的設計使得這些功能往往無法被完全關閉。

此外，五角大廈雖透過行動裝置管理伺服器（MDM）停用個人化廣告設定，但國防部承認，這並不等於停止廣告 ID 的傳輸，相關設定仍可能存在，且使用者依然可以自行修改或重新開啟。儘管國防部表示正轉移至新的 MDM 解決方案，目標在五月初全面停用政府發放裝置的定位服務，但目前成效是否達成仍屬未知。 

其次是個人裝置帶來的管理盲區。《Business Insider》提到，美軍人員在中東戰區仍被允許持有及使用個人手機，且美國陸軍目前正推行「自攜設備」（BYOD，Bring Your Own Device）作為主要連線方式，這項政策也讓軍方更難掌握及控管個人裝置上的 App、定位權限與廣告追蹤風險，使得原先保護部隊安全的指引顯得捉襟見肘。

這起事件凸顯，當廣告科技能輕易讓敵方用來追蹤前線軍人時，我們必須重新審視手機定位資料的本質，因為這已經不只是單純的數位行銷資產或消費者隱私風險，而是亟需防範的國家安全威脅。

＊本文開放合作夥伴轉載，資料來源：《Reuters》、《WIRED》、《The Register》、《Business Insider》，圖片來源：Unsplash

台灣電商龍頭富邦媒今(29)日受邀出席「FineEvent 2026 台灣帆軟用戶大會」，首度對外分享 momo 推動數據治理與智慧決策的實務經驗。momo表示，隨著生成式 AI 與代理式分析(Agentic Analytics)快速發展，企業競爭已不再只是比數據量，而是能不能讓第一線團隊更快找到資訊、看懂問題並做出決策。數據應用也正從過去的「看報表」，逐步走向「和數據對話」的新階段。

今年大會以「十年共進．智領新局」為主題，聚焦企業數據治理、AI 分析與智慧決策應用。momo 由倉儲運輸暨平台研發處處長吳康德代表出席，分享 momo 如何透過數據治理、自助分析工具與 AI 技術整合，逐步建立兼具即時性與效率的智慧運作架構，讓數據不只留在後台，而是成為企業營運與策略判斷的重要依據。

打破報表塞車　「FineBI × CDP」雙引擎推動精準營運

隨著市場競爭加劇，傳統數據使用模式正面臨挑戰。吳康德指出，過去商業分析多以週報、月報形式呈現，且資料使用權限集中於資訊單位，業務單位從提出需求、撈資料到產出報表，往往需要花費不少時間，難以跟上市場變化與消費需求。

為了解決「報表塞車」問題，momo 近年持續導入 FineBI 自助分析工具，降低資料使用門檻，讓業務、營運、行銷與物流等第一線團隊，也能直接查詢與分析資料。原本需要仰賴資訊部門支援的流程，逐步轉變為業務端可自主查詢、自主分析的模式，縮短從發現問題到採取行動的時間，加快決策速度。

在會員經營方面，momo 也同步深化第一方數據應用，透過 CDP(顧客數據平台)整合消費者行為與交易資訊，並結合 One ID 技術建立更完整的會員輪廓。FineBI 幫助團隊了解「發生了什麼」，CDP 則進一步補足「是誰」以及「下一步可能需要什麼」，透過雙系統整合，讓行銷與營運團隊更精準掌握消費者需求。

串聯54個部門、整合近千份報表　建立全公司共通語言

吳康德表示，自助分析要真正發揮價值，關鍵仍在於「數據治理」。為此，momo 啟動跨部門數據治理工程，串聯經營管理、電商、物流與財會等 54 個單位，建立數據字典、整合近千份報表，統一指標定義與資料標準，建立全公司共通的數據語言。透過一致的標準，不同部門在解讀營運與業績數字時，就能站在同一基準上討論，也讓 AI 未來更容易理解資料背後的商業邏輯，而不只是停留在表面數字。

資料架構升級　工時最高減少八成，決策從等待走向即時

除了數據治理外，momo 也同步升級資料基礎架構，目前已導入湖倉平台、K8s 容器化管理，以及「存算分離」技術，提升大規模資料查詢效率。即使面對千萬級資料量與高頻查詢需求，系統仍可維持秒級回應速度。同時，過去大量人工彙整與重複整理報表的流程也大幅簡化，整體工時最高減少八成，降低資料處理成本與等待時間。原本需要等待資料、反覆整理的流程，逐步轉變為即時掌握與快速分析。對 momo 而言，資料架構升級不只是技術優化，更代表企業決策模式正從「等待資料」走向「即時掌握」。

從「會用工具」到「會提問題」　讓分析能力成為每個人的日常工具

展望下一階段發展，momo 規劃導入 FineChatBI 等 AI 分析工具，透過自然語言問答降低資料使用門檻，未來同仁不一定需要熟悉複雜報表或分析語法，只要用對話方式提問，就能直接取得洞察與分析結果。

吳康德表示：「企業真正的競爭力，不是擁有多少資料，而是能不能比別人學得更快、行動得更準。」

未來資料應用將從「會使用工具」逐步走向「會提出問題」。隨著 AI 與自然語言技術日漸成熟，資料分析不再只是少數專業人員的工作，而將逐步成為全團隊的基本能力。未來企業比的，也許不只是誰資料多，而是誰更會問問題。

（本文訊息由 momo 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：momo。）

法國 AI 新創公司 Mistral AI 舉辦首屆官方大會，釋出多項重大擴張計畫。這家成立僅三年的法國公司，透過進軍工業製造、於巴黎南部打造全新推理資料中心，以及全面重塑消費端 AI 助理品牌等三大核心策略，展現其野心。Mistral 的目標明確：許多企業拒絕將最敏感的數據拱手讓給微軟、亞馬遜等美國雲端巨頭，而 Mistral 希望成為這些企業心目中值得信賴的首選企業級 AI 服務商。

《VentureBeat》報導，這次大會最受矚目的焦點是工業工程專用 AI 平台 Mistral for Industrial Engineering。這套軟硬體整合的完整技術堆疊，將 Mistral 旗下的大型語言模型，與今年五月初剛收購的 Emmi AI 物理模擬技術深度結合。該平台鎖定航太、汽車與半導體三大產業，提供能大幅加速產品設計、驗證模擬並優化製程的工具。

不只做聊天機器人，Mistral 瞄準航太與汽車產業核心

隨著新平台亮相，Mistral 也祭出重量級的合作陣容。在航太領域，Mistral 將與空中巴士展開全面合作，範圍橫跨商用飛機、直升機、國防及太空部門，將 AI 深度導入從研發初始設計到機載設備的各個環節。在汽車製造方面，Mistral 成為 BMW 集團大型工業模型計畫的核心夥伴，雙方將聯手開發專門用於碰撞模擬等複雜工程的多模態推理模型。此外，身為 Mistral 最大股東的半導體設備巨頭 ASML，也是這項技術的早期採用者。

Mistral AI 執行長 Mensch 表示，這波工業化布局切中了目前 AI 落地的痛點。他對峰會觀眾表示，現在的 AI 雖然很擅長幫知識工作者和軟體工程師自動化處理日常工作，但傳統工程師的需求卻被嚴重忽略了。他進一步解釋，這背後是結構性問題：不論是模擬飛機機翼的氣流還是工廠的製程，都需要耗費大量算力的物理方程式計算軟體，每改一次設計變體，就要等上好幾天甚至幾週。這種傳統模擬帶來的時間瓶頸，導致工程師根本沒辦法利用 AI 進行快速的設計迭代。

為了打破僵局，Mistral 研發出核心技術物理 AI。這套數據驅動模型直接透過求解器的輸出數據進行訓練，過去需要耗費數小時的物理行為預測，現在只要在單個 GPU 上運行，幾秒鐘之內就能完成。Mistral 官方部落格坦言，物理 AI 還無法在所有情境下完全取代最根本的「第一性原理求解器」，但它能扮演加速器的角色，讓傳統求解器專注於最終驗證與極端邊緣案例。Mensch 表示，當公司同時掌握了語言智慧與物理智慧模型，就能將兩者結合建立自動化循環，進而打造出更好的工具與實體產品，真正對實體物理世界帶來改變。

在這場大會上，Mistral 正式宣布將在巴黎南部的萊敘利斯（Les Ulis）打造一座全新的 10 MW 推理專用設施，預計今年第三季就能啟用。Mistral 技術長 Lacroix 也透露，預計 2027 年開發的瑞典博倫厄（Borlänge）站點，將會直接引入 NVIDIA 次世代的 Vera Rubin GPU。他強調，掌控硬體層最大的好處，就是能讓 Mistral 永遠站在硬體基礎設施的最前沿。Lacroix 坦言，當前全球算力市場的供給越來越緊繃，Mistral 之所以不惜重金大舉擴建資料中心，除了供自家訓練模型之外，核心目的就是要幫客戶確保未來的算力供應無虞。

Le Chat 退場，Mistral 將 AI 助理升級為代理平台

《VentureBeat》提及，除了進軍工業界，Mistral 這次也對消費端產品進行了品牌重塑，而這項變革將對企業應用帶來深遠影響。官方宣布，在 2024 年 2 月推出的對話式 AI 助理「Le Chat」正式走入歷史，全面更名為「Vibe」，升級定位為專為企業生產力與軟體開發打造的統一 AI 代理平台。

Lacroix 向觀眾解釋，這次從 Le Chat 到 Vibe 家族的蛻變，核心驅動力來自 Agent 模型，特別是全新發表的 Mistral Medium 3.5。他透露，先前研發團隊在內部使用 Vibe 的指令列界面（CLI）處理越來越複雜的開發任務時，意識到這套工具其實不必被侷限在終端機或寫程式上，它能做到的事情遠比想像中更多。

全新亮相的 Vibe 平台主要劃分為兩大應用模式。第一種是主打商務辦公的 Vibe for Work，這款支援網頁與行動端的 AI 助理能無縫串接 Google Workspace、Outlook、SharePoint、Slack 和 GitHub 等企業日常工具，自動執行總結郵件、數據分析、撰寫報告及排定自動化工作流程等跨步驟任務。第二種則是針對開發者的 Vibe for Code，提供網頁界面、全新 VS Code 擴充功能及既有的 CLI，具備開發新功能、修復 Bug、重構程式碼，甚至直接提交 Pull Request。

Mistral 科學家 Guillaume Lample，則闡述了 Mistral 核心模型戰略的哲學轉變。未來 Mistral 將不再維持多條分化的專業產品線，而是採取「精兵政策」，將所有頂尖能力全數整合到少數幾款全能型模型中。

Guillaume Lample 同時強調，邁入 Agent 時代後，開源模型的身價不減反增。他指出，當企業在背景運行這些 AI 代理工作流程時，模型需要頻繁執行各種操作並呼叫外部工具，這會導致 Token 的消耗量出現爆炸性成長，遠超以往。因此，業界現在迎來的，反而是輕量且高效模型的強勢回歸。Mistral 接下來推出的模型將支援超過 200 種語言，這項多語言優勢，目前也已導入他們與亞馬遜的戰略合作中，全力優化次世代智慧語音 Alexa+ 的非英語互動體驗。

開闢歐洲新戰線：Mistral 押注企業與政府 AI 主權戰

《VentureBeat》分析，相較於美國競爭對手，Mistral 走了一條截然不同的路。當 OpenAI 和 Anthropic 靠著數以億計的消費端用戶、從訂閱制產品中賺進大把鈔票時，Mistral 反其道而行，把所有籌碼都押在企業與政府的本地端部署上。Mensch 透露，公司目前的年度經常性收入（ARR）正朝著突破 10 億美元的大關邁進，而這筆驚人營收，幾乎全由企業客戶一手包辦。

Mistral 表示，目前已與法國、盧森堡、新加坡、摩洛哥、希臘和斯洛伐克等國展開合作，聯手打造公眾服務專用的 AI。應用範例多元，從協助法國勞工局開發求職專用的 AI 代理，到為摩洛哥量身打造能聽懂在地達里賈語（Darija）與阿馬齊格語（Amazigh）的模型。Mensch 在台上強調，AI 必須走向在地專業化，深刻理解不同文化的結構差異，「AI 說其他語言時，必須要像說英語一樣流暢。」

《VentureBeat》指出，這套戰略意味著 Mistral 必須在好幾個戰線上同時開火，每一條戰線都是吞噬龐大資金與頂尖人才的無底洞。更何況，眼前的對手一個比一個強悍：OpenAI 正在瘋狂擴張企業版圖；背靠亞馬遜數十億美元金援的 Anthropic，正大舉建立自家的企業 AI 顧問團隊；更不用說 Google、微軟和亞馬遜這三大科技巨頭，早就將自家的 AI 平台與企業常用的雲端基礎設施綁在一起、建立起難以撼動的護城河。

「AI 太具戰略價值了，絕對不能只掌控在少數幾家美國巨頭手裡，」Mensch 的這句話，不僅是在回應現狀，也是他三年前創辦 Mistral 的初心。《VentureBeat》補充，這場宏大的主權豪賭，究竟能為 Mistral 奠定長治久安的商業帝國，還是會因為戰線拉得太長而彈盡援絕，是這家估值高達 117 億歐元的獨角獸，命運轉折的關鍵。

＊本文開放合作夥伴轉載，資料來源：《VentureBeat》、Mistral AI，圖片來源：Mistral AI。

AI 新創 Anthropic 在美國時間週四同一天連續投下兩枚震撼彈：一手完成新一輪鉅額融資、成為全球估值最高的 AI 新創公司，另一手則發表最新旗艦模型 Claude Opus 4.8。值得關注的是，這次新模型主打的不是更強的運算能力，而是「更誠實」。而這個組合，正好說明了 Anthropic 的整套策略。

估值反超 OpenAI，記憶體與晶片廠成新股東

根據《implicator.ai》報導，Anthropic 已完成 650 億美元融資，投後估值達 9,650 億美元，超越了 OpenAI 先前約 7,300 億美元的估值，成為全球最有價值的 AI 新創。這輪估值約為 Anthropic 三個月前 3,800 億美元的 2.5 倍。

根據《紐約時報》，本輪由 Greenoaks Capital、Sequoia Capital、Altimeter Capital 與 Dragoneer Investment Group 等投資人領投。值得注意的是新進股東名單。Anthropic 引進了 Samsung、Micron 與 SK Hynix，也就是它最需要產能的記憶體與晶片供應商。《Reuters》日前報導，Anthropic 為了因應市場對 Claude 的龐大需求，已不得不在尖峰時段實施使用限制。

41 天推出新版 Opus，Anthropic 押注「誠實 AI」

《TechCrunch》報導，Opus 4.8 在 Opus 4.7 推出後僅 41 天就登場，比 Anthropic 平常的更新節奏快上許多。報導指出，這次的快速改版，可能與部分使用者對 Opus 4.7 反應冷淡有關，同一期間 OpenAI 的 Codex 與 Google 的 Gemini Flash 也都有重要更新，墊高了 Anthropic 跟上腳步的壓力。

這次升級的重點，落在模型如何處理錯誤或不確定的資料。Anthropic 表示，AI 模型普遍會在證據薄弱時就妄下結論、自信宣稱有進展，而 Opus 4.8 的誠實度提升正是針對這個問題。

Anthropic 指出，早期測試者發現新模型「更傾向標示自己工作中的不確定之處，也更不會做出沒有根據的宣稱」。一則來自 Bridgewater 員工的見證則說，這次升級最大的差別，在於「Opus 4.8 會主動標示分析輸入與輸出的問題，這是其他模型經常漏掉、只能留給使用者自己抓的部分」。

從數據來看，在 Anthropic 的「程式碼摘要誠實度」測試中，Opus 4.8 有 3.7% 的機率未能向使用者標示重要問題，相較之下，Claude Mythos Preview 為 27.6%，較舊的 Sonnet 4.6 則更高。它也是首個在「未經批判就回報有瑕疵結果」項目上拿到零分的 Claude 模型；而源自約 2,600 次模擬調查的「失準分數」，則從 Opus 4.7 的 2.5 降到約 1.9，效果上與能力更強的 Mythos 打平。Anthropic 並表示，Opus 4.8 讓自身程式碼瑕疵未被指出的機率，大約是 Opus 4.7 的四分之一。

在原始能力上，Opus 4.8 的進步較為溫和。Anthropic 也將該模型定調為「一次雖然小但確實的改進」。它在較難的 SWE-bench Pro 程式測試拿下 69.2%，僅略高於先前的 64.3%；在數學方面，於 USAMO 2026 取得 96.7%，則勝過前一代的 69.3%。另外，新版還加入「努力程度控制（effort control）」，可在速度與深度之間取捨。

不過，儘管誠實度提升，Opus 4.8 在部分安全性指標上仍有待改善。《implicator.ai》指出，這些誠實度宣稱大多是 Anthropic 自行評測的結果，輔以英國 AI Security Institute 與 Andon Labs 的評估，其中的關鍵數字非外部稽核。此外，系統卡指出 Opus 4.8 比 Opus 4.7 更容易受到提示注入（prompt injection）攻擊：在開啟延伸思考時，AI 資安公司 Gray Swan 的紅隊測得 9.6% 的攻擊成功率，前一代則為 6.0%，而 Anthropic 表示其部署的防護在實務上可縮小此差距。

不只是模型升級：Anthropic 想做「多代理 AI 作業系統」

更值得關注的，是 Anthropic 同步推出、以研究預覽形式開放的 Dynamic Workflows（動態工作流）。《TechCrunch》報導，這套系統用來協助 Opus 這類較大型的模型，管理橫跨數百個平行子代理的複雜任務。

Anthropic 在文章中說明，「搭配 Opus 4.8 的 Claude Code，現在可以從啟動到合併，完成跨越數十萬行程式碼的整個程式庫規模遷移，並以既有的測試套件作為標準。」

換句話說，當 OpenAI 與 Google 把焦點放在 AI 代理工具時，Anthropic 押注的似乎是另一條路：讓一群 AI 代理協同工作，從聊天機器人供應商，進一步朝「多代理 AI 作業系統」邁進。綜合來看，Anthropic 似乎在賭一件事：企業願意為一個可靠到能放手無人值守的模型付更多錢，勝過為一個最強、卻基於安全因素暫不普遍開放的模型付費。

Mythos 即將解禁，市場聲勢同步走高

至於先前因資安疑慮而延後推出的更強模型，也有了新進展。《TechCrunch》報導，Anthropic 在這次發表中暗示，一旦必要防護完成，Mythos 的預覽期可能很快結束，該公司寫道「我們正快速推進這些防護措施的開發，預計在未來數週內，能將 Mythos 等級的模型帶給所有客戶」。

Anthropic 曾形容 Mythos「在使用者指示下，能在每一個主要作業系統與每一個主要網頁瀏覽器中辨識並利用漏洞」，因此今年 4 月起，僅透過名為 Project Glasswing 的計畫，開放給少數科技與華爾街公司。Anthropic 當時也表示，計劃與美國及盟友政府合作，把 Project Glasswing 擴展到更多夥伴，並打算讓類似 Mythos 的模型更廣泛開放，但未提供確切時程。

支撐這波聲勢的，是 Anthropic 在市場上的實際成長。《紐約時報》、《Bloomberg》與《implicator.ai》均提到，Anthropic 表示其「營收執行率」本月已跨過 470 億美元，主要由代理式程式工具 Claude Code 帶動。《紐約時報》指出，Anthropic 自去年 11 月強化程式編寫技術以來，已有數百家企業付費採用該軟體，使這項技術成為一門穩健的生意。

【推薦閱讀】

◆ 當企業開始管理 15 萬個 AI 代理：Google Cloud 高層解析 AI Agent 導入三大支柱

◆ AI 代理戰場轉移：超越模型智商軍備賽，Anthropic 卡位企業代理執行層

◆ Google 搶先 Apple 發表 Gemini Intelligence，揭開 AI 代理作業層大戰序幕

＊本文開放合作夥伴轉載，資料來源：《TechCrunch》、《Simon Willison》、《Bloomberg》、《New York Times》、《The Deep View》、《PCWorld》、《implicator. ai》、Anthropic，首圖來源：Anthropic

IBM 宣布未來 5 年將投入逾 100 億美元發展量子運算，目標是在 2029 年打造第一台能可靠執行複雜計算，且具備大型容錯能力（fault-tolerant）的量子電腦。這項投資涵蓋研發、資本支出、生態系合作、製造擴張與潛在併購，凸顯 IBM 正在把量子運算從長期的研究計畫，正式推向更明確的商用化時程。

押注 Starling 系統與「容錯能力」，嘗試跨越商用門檻

IBM 這次的核心目標並非單純增加物理量子位元數，而是致力於打造大型容錯量子電腦。目前實驗性的量子系統極易受到環境雜訊影響，讓高錯誤率大幅限制實用性。因此，《The Quantum Insider》指出，「容錯能力」正是現今實驗室機器與未來實用型商用系統之間的關鍵分水嶺。

為了跨越這個技術門檻，IBM 規劃推出名為「IBM Quantum Starling」的系統，預計具備 200 個邏輯量子位元（logical qubits），並可執行高達 1 億次量子閘（quantum gates）操作。《CryptoBriefing》說明，邏輯量子位元是經過錯誤校正的量子位元，能支撐更可靠的大規模計算。其中，1 億次量子閘的運算能力，則代表 Starling 將有機會處理目前古典電腦難以解決的複雜問題，例如分解現有密碼學的大型質數。

解決製造瓶頸，IBM 聯手美國政府打造專屬晶圓代工廠 Anderon

這項鉅額投資案是在美國政府上週的一項關鍵決策之後：美國決定對 9 家量子運算公司投入 20 億美元的股權投資。其中，IBM 將取得一半的資金，用於成立名為 Anderon 的新事業。《Reuters》指出，Anderon 將成為美國第一座專門的量子晶片製造工廠，除了政府資金外，IBM 也將投入 10 億美元現金，並提供智慧財產、資產與專業人力給這家新公司。此外，Anderon 未來也計畫將其晶片製造技術提供給外部客戶，目前已經與潛在客戶展開洽談。 

《The Quantum Insider》補充，Anderon 總部將設於紐約，目標是在美國製造 300 毫米的量子晶圓，這被外界視為美國在量子運算領域至今最積極的產業政策之一。由於量子產業目前面臨的其中一個瓶頸就是「製造難以規模化」，因此專門的量子晶圓代工廠將有助於標準化生產流程、降低供應鏈限制，並加速讓量子技術從實驗室走向工業規模製造。

IBM 研究部門負責人 Jay Gambetta 強調：「既然我們正在加速，我們希望能有一支非常敏捷的團隊來設計並部署新的量子處理器與量子電腦，我們需要晶圓廠達到可靠的程度，這才是真正的關鍵。」

未來量子商用的想像：從藥物、材料到雙重信任基礎建設

《Reuters》指出，量子運算近期的技術突破進一步帶動投資人的強烈興趣，市場期待其未來可大幅加速藥物發現、金融建模與密碼學等各種任務。《The Quantum Insider》也提到，各國政府與科技公司正加速爭奪量子領導地位，因為這項技術極可能徹底改變製藥、化學、物流、國防與網路安全等龐大產業。根據預估，全球量子技術市場規模將在 2040 年達到 1,060 億美元，並可望於 2035 年創造高達 1 兆美元的經濟價值。

目前，IBM 表示至今已在全球部署超過 90 套量子系統，數量勝過所有同業公開報告的總和。同時，其量子網路已有超過 325 家 Fortune 500 企業、新創、大學與政府機構加入使用，專注於化學、生物與材料科學領域的研究。

然而，算力突破卻也帶來資安隱憂。《CryptoBriefing》從加密資產安全的角度指出，若量子電腦持續進展，未來確實可能挑戰目前保護數位資產的加密機制，即業界擔憂的 Q-Day。儘管目前 200 個邏輯量子位元本身還不足以在短期內破解比特幣，但 Starling 的出現將成為關鍵的「概念驗證」。

為應對未來的技術與資安挑戰，IBM 這次的布局也被視為「兩條企業級信任基礎建設」的雙重押注：一邊是逾 100 億美元的量子計算投資；另一邊則是與旗下 Red Hat 相關、斥資 50 億美元的 Project Lightwell，該計畫將動員兩萬名工程師並結合 AI，用於強化開源軟體的供應鏈安全。

《Reuters》提醒，量子運算目前仍面臨重大技術挑戰。Alphabet 執行長 Sundar Pichai 去年也曾表示，真正「具實用性」的量子電腦，可能仍需 5 到 10 年才會問世。因此，這次 IBM 投入百億美元的計劃，關鍵在於大型科技公司與美國政府正聯手將容錯量子電腦的研發、專用量子晶片的製造連成一線，並積極應對未來的資安挑戰，藉此揭開下一階段全球算力競爭的序幕。

【推薦閱讀】

◆ 運算力即主權！AI 時代地緣新賽局：英國如何靠「量子科技」突圍美中夾擊
◆ 量子運算還沒成熟，美國為何急著入股？投入 20 億美元押注 9 家公司，搶下一代算力主權
◆ 讓 AI 預測準度提升 20%、記憶體需求壓縮數百倍！倫敦大學研究揭量子如何提升 AI 效能

＊本文開放合作夥伴轉載，資料來源：《Reuters》、《Barron’s》、The Motley Fool、《Crypto Briefing》、《The Quantum Insider》，圖片來源：Unsplash

想像一下，當飛機在跑道上加速升空，駕駛艙內的機長卻輕鬆地將雙手離開控制桿，這個畫面不是科幻電影，而是正在真實上演的航空科技革命。CNN 記者 Pete Muntean 近日在羅德島州親自搭乘新創公司 Merlin Labs 的 Cessna Caravan 測試機，見證 AI 系統「Merlin Pilot」如何參與從起飛、轉向、進場到降落的飛行任務。

Merlin Pilot 導入自然語言處理（NLP）模型，讓系統具備理解與溝通的能力，不僅能精準聽懂模擬航空管制員的指令，還能直接用電腦合成語音透過無線電即時對答。在實測過程中，試飛員甚至只需說出「Authorize」，飛機便會自動轉向新航線。

這場試飛也凸顯航空業對 AI 的態度已經更加務實，目前的戰略目標並非想要馬上打造出完全無人的客機，而是讓 AI 成為人類飛行員的重要副手，透過接管繁瑣的飛行任務與人類並肩作戰，並在實戰中逐步建立起航空業最在乎的安全標準與信任感。

飛行員短缺與航管壓力，讓航空業開始尋找 AI 解方

這波推動 AI 輔助飛行的浪潮，正逢全球航空公司面臨嚴重的缺工危機。波音（Boeing）公司估計，未來 20 年內全球將需要超過 60 萬名新飛行員。另一方面，近年來發生多起備受關注的驚險與致命事故，也讓航空安全官員承受巨大壓力，必須盡快改善老舊且負擔沉重的航管系統。

面對日益擁擠的空域，美國交通部長 Sean Duffy 向 CNN 表示，政府絕對不會將國家空域的安全外包給 AI 工具，飛航管制員依然會是空域的控制者，但 AI 的價值在於能降低他們的工作負荷，並提升整體空域的效率。

Merlin 執行長 Matthew George 則從駕駛艙內部的角度出發，認為導入 AI 的最大誘因是減少人為疏失，「80% 的航空事故仍是由人為錯誤引起，如果我們能減少這種情況，這將是我們非常值得投入時間的方向，」Matthew George 說。

AI 飛行員不是自動駕駛，最終目標是與人類飛行員協作

商用航空多年來早已導入大量的自動化技術，例如線傳飛控（fly-by-wire）系統就能在手動飛行時由電腦解讀飛行員的指令。然而，史丹佛大學自主系統與航空安全研究員 Mykel Kochenderfer 提醒，現有的自動化技術大多只侷限於特定的狹窄範圍內運作。

Mykel Kochenderfer 進一步表示，新一代的 AI 輔助系統希望能處理比傳統「基於規則的自動化」更廣泛、更多未預期的情境。他強調：「我們的經驗表明，這可能是提升安全非常有前景的方式，但業界還有很長的路要走，以進一步強化技術並建立信任。」

《Flying Magazine》也補充，Merlin Pilot 是一套「從起飛到降落」的 AI 自主飛行系統，主打「不限機型」，也就是相同的軟硬體可直接安裝於各種飛機上。這套系統是透過安裝在機身的光學感測器與攝影機，協助系統掌握飛機位置、航向及周遭危險，並運用語音與自然語言處理演算法分擔與航管系統溝通的工作，讓人類機組員能專注在飛行決策。此外，AI 系統還會主動監測人類飛行員的注意力與疲勞程度，以判斷是否需要協助，且人類隨時可以奪回控制權。 

不過，即使技術不斷進化，Merlin 與飛行員團體都強調，現階段 AI 不是要取代飛行員，而是要與人類共同運作。代表美加超過 7.9 萬名飛行員的航空駕駛員協會（ALPA）總裁 Jason Ambrosi 在聲明中表示：「技術進步可以改善航空安全，但永遠無法替代飛機上的飛行員，每一趟航班上最重要的安全保障，永遠是駕駛艙內兩位訓練有素且休息充足的飛行員。」

從軍用運輸機到商用貨機，AI 飛行真正門檻在認證與信任

《CNN》報導指出，Merlin 目前已完成數百次試飛，正積極爭取美國聯邦航空總署（FAA）的認證。由於航空認證標準是交通領域中最嚴苛的，通常需要經過多年的測試與冗餘分析（redundancy analysis）才能獲批。未來，軍方預計將成為 Merlin 系統的第一個重大驗證場域，Merlin 近期已取得美國空軍為期 5 年、價值 1.05 億美元的合約，最終目標是將 Merlin Pilot 導入 C-130 貨機中。不僅如此，美國空軍也在 2024 年底指定 Merlin 與 GE Aerospace 合作，為 KC-135 加油機開發自主飛行系統。 

《Flying Magazine》補充，Merlin 正推出名為「Condor」的全新產品線，目的是將 Merlin Pilot 從軍用自主飛行推廣至商用貨機市場。初期的系統整合將優先聚焦於商用貨機，特別是有龐大需求的改裝貨機市場，隨後再擴展至其他大型機型。

Condor 產品線的核心願景，是縮減大型、多機組民用與軍用飛機的機組員的人力配置。未來的候選機型除了軍用的 C-130J，也包含商用客貨機 Boeing 737 與 Airbus A320。目前，Merlin 正尋求 FAA Part 25 的授權，期望未來搭載 Merlin Pilot 的飛機不僅能載貨，也能載人飛行。

航空業不會一夕之間就邁向無人化，而是秉持「人機協作」的漸進式步調。在 FAA 高度監管的安全認證、嚴謹的冗餘測試與持續累積的信任基礎下，AI 飛行員即將上工的真正意義，並非淘汰人類，而是正式將 AI 引入駕駛艙，成為輔助飛行決策的重要系統，並藉由降低機組員工作負荷、彌補缺工問題、鞏固飛行安全，逐步改寫未來航空產業的運作模式。

＊本文開放合作夥伴轉載，資料來源：《CNN》、《Flying Magazine》，圖片來源：Merlin

長久以來，製造業都在追尋所謂的「機械烏托邦」，即一座運作效率完美、毫無人為失誤，並且能長期持續營運的理想工廠。

回顧 1980 年代，機械手臂與各種自動化產品的出現，讓人類初次窺見機械烏托邦的願景雛形，然而這些被牢牢固定在地面上，輸入程式碼後只會不斷重複同一個動作，直到零件損壞為止的自動化機台，本質上仍然無法完全取代人類，成為當代工廠的作業核心。

無可否認，傳統自動化在重複精確作業方面，表現十分出色，但是在其他絕大多數的任務上，傳統自動化工具的執行效率，卻是顯得相對糟糕。

舉例來說，假如生產線上的某個零件，僅僅偏移了兩公釐，或是感測器校準稍有偏差，那麼傳統自動化機器人就會因此失靈。

會「思考」的「自主型工廠」

隨著 AI 技術走向蓬勃發展，長期受到業界討論的「實體人工智慧（Physical AI）」，終於開始從理論變成了實踐。

當代人類正在親眼目睹製造業的根本性轉變，即 AI 技術讓機器不再只會照本宣科、重複固定動作，而是開始擁有感知與推理能力，改變自動化機器跟現實世界之間的互動方式，進一步促使傳統工廠陸續升級，成為一種會「思考」的「自主型工廠」。

只不過，無論是「機械烏托邦」或「自主型工廠」，其完美應用之路依舊比許多人想像中，還要來得更加艱辛、更加複雜。

現實與模擬之間的訓練落差

打造自主型工廠的痛點之一，首先在於現實世界和模擬環境之間的差距，並沒有如此容易彌平。

即便在 AI 技術的發展之下，大型平行模擬中的強化學習取得了顯著進展，讓企業有能力同時運行一萬台虛擬機器人，將過往得於實體環境中摸索一年的技術，壓縮到僅需 48 小時運算時間即可完成，可是在實際應用中，強大的 AI 模型仍會以人類難以預測的方式失效。

換句話說，打造自主型工廠的瓶頸，已經不再是機器人本身，而是訓練資料的「品質」問題。

舉例而言，假若企業所投入的訓練模擬環境，未曾考量過灰塵對光學感測器的影響，那麼機器人於現實世界中作業時，也會直接忽略灰塵並產生錯誤。

許多工程師們花費數十年時間，苦於解決自動化機器人於現實作業跟模擬任務之間的落差，並在物理法則完美無缺的虛擬世界中，任意訓練功能強大的機器人，但若單純是把這種產品帶到工廠，強大的機器人最終也會完全失靈。

單一任務工具逐漸淡出

其次，隨著「視覺-語言-行動（VLA）」模型的問世，人類對於打造硬體自動化系統，開始有了不一樣的邏輯概念。

應用 VLA 模型相關技術，當代機器人已有能力於未經預先撰寫程式碼的情況下，自行解開一團纏結的電線，這反映出軟體設計中的「if-then」處理邏輯，開始套用到了實體機械上，並使機器人的任務定義，轉向統一、便捷的開發框架。

在自主型工廠中，未來工人可以直接對機器人說：「把刮傷外殼的零件，直接移動到紅色箱子」，而 AI 模型會將自然語言轉譯成運動指令，擺脫預先編程、預先定義的傳統邏輯。

從現實面來看，自主型工廠的發展仍在早期階段，而那些有能力承擔任務的 AI 系統，運作速度通常會比較慢，偶爾也還會做出錯誤的動作，但業界可以肯定之處，在於僵化且僅能執行單一任務的工具，正在逐漸淡出製造業的舞台。

機器人孤島與混合式空間

許多對工業製造和 AI 技術認識淺薄的人，幾乎都認為只要於「僵化」的生產線上，加入一台「聰明」的機器人，生產流程就會突然之間好轉，然而事實卻遠遠沒有這麼簡單。

通常情況下，盲目增加 AI 機器人到製造流程中，狀況只會發生惡化；比方說工廠於 A 站點安裝了一條可以高速揀選零件的機械手臂，但是接收零件的 B 站點，基本上只會被高速送來的零件所淹沒，導致生產系統發生停滯。

前述現象被稱為「機器人孤島（robotic islands）」，即表面上看似引入了高效率的機器人改進生產流程，但它們卻於實際上造成了整個系統的瓶頸。

在貨物倉儲、大型物流等營運情境中，機器人孤島早已出現了各種表現形式；系統只在某個環節的改善，往往會以難以預料的方式，波及到其他環節。

因此，若想要讓自主型工廠真正發揮效用，經營者就必須重新思考組織架構，徹底重塑、規劃工廠生產線，並且使其成為「混合式空間」。

以混合式空間打造的新形態工廠中，有時為了安全起見，人類工作者必須刻意遠離機器人，有時則必須投入協作，讓機器人負責重體力勞動，而人類處理頻繁且需要精細動作的任務。

擺脫「人型機器人」的迷戀

談到將機器人應用於生產製造環境，有些人堅持，投入「人形機器人」才是最理想的解決方案；看到雙足機器人在工廠內行走，固然是一場精彩的「展示」，可是若從工程投資回報的角度來看，人形機器人卻經常變成一種干擾。

換句話說，工業家要懂得拋棄對人形機器人的「迷戀」，並理解工廠的宗旨，始終是在於「效率」，而非迎合人類的審美。

假如工廠中需要機器搬運托盤，那麼帶有輪子的機器人，終究是比人型機器人更快、更穩定的選擇，同時開發與製造成本也低廉許多。

除非工廠環境只專為人類作業所設計，否則在絕大多數情況下，客製化且專用的機器人產品，其表現都會優於人型機器人，並以一個擁有多層次感測器、高度整合、專門專用的系統型態，在自主型工廠之中呈現。

人類洞察力的價值提升

最後是自主型工廠中，關於人類所扮演的角色。對大多數產業而言，所謂完全無人且徹底自動化的「黑燈工廠（dark factory）」，終究只會是種理想，人類並不會在生產情境中完全消失，而是被提升成了系統的監管者。

時至今日，大多數的工廠作業員，已經不再像卓別林於《摩登時代》中所演出的那樣，只是在生產線上虛無的擰動扳手，更多人是在負責訓練模型，或者監控系統是否故障，接著做出需要合理判斷的高風險決策。

換言之，即便 AI 技術驅動了自主型工廠的誕生，但人類洞察力的價值，反而並未因此降低，只是變得比過去更加集中。

工業家與生產者必須體認，當機器終於變得更加聰明，整個生產系統的其他部分，終究必須跟上腳步，才有可能使自主型工廠，甚至是一座會思考的工廠，從過往機械烏托邦的理想，變成真正意義上的現實。

【推薦閱讀】

◆ Physical AI 進入「手部操作」決勝點：Genesis AI 推 GENE-26.5 模型與仿人機械手，突破機器人落地瓶頸
◆ 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
◆ 寫加工程式從 1 小時縮減至 4 分鐘：拆解日本 ARUM 導入對話式 AI 的精密加工實戰

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

（責任編輯：鄒家彥）

【科技早餐】今天精選 8 則國內外重要科技新聞。

＊台灣 AI 供應鏈舉債創高，台股市值站上全球第五

《彭博》彙整數據顯示，台灣科技業今年以來已完成約 145 億美元債務融資交易，規模創下歷史新高，幾乎是去年同期 75 億美元的兩倍。融資來源包括 62 億美元貸款、59 億美元可轉換公司債，以及 24 億美元公司債，主力來自 AI 伺服器、晶片零組件與硬體製造商。

摩根士丹利（Morgan Stanley）也首度在台北舉行 Asia AI Summit，指出 AI 訂單與目光高度集中台灣，推升台股市值站上全球第五大。摩根士丹利預估，2027 年 AI 半導體市場仍可望成長約 60%，目前記憶體、載板與先進製程雖然偏緊，但尚未看到明年 AI 供應鏈斷鏈風險。

＊台灣 AI 用電壓力升高，經濟部稱已盤點至 2034 年供電無虞

NVIDIA 執行長黃仁勳近日在台灣新總部預定地北士科 T17、T18 舉行員工大會時表示，NVIDIA 需要在台灣使用更多能源，並形容 AI 員工需要的是電力。對此，經濟部長龔明鑫表示，目前已盤點至 2034 年供電無虞，並呼籲 NVIDIA 若有新增重大投資計畫，應及早通知經濟部與台電，以利政府提前規劃電力配置。

龔明鑫表示，近年因半導體擴廠、AI 需求與經濟成長，用電量持續增加，能源規劃已納入相關需求。他也說，政府會與產業保持溝通，提前掌握重大投資案的用電需求。這使 AI 基建議題，從資本支出與供應鏈產能，進一步延伸到台灣電力配置與長期產業承載能力。

＊Meta 推 AI 訂閱，祖克柏鬆口多餘算力可望轉雲端服務

Meta 產品負責人格萊特（Naomi Gleit）表示，公司將在 Facebook、Instagram 和 WhatsApp 推出付費訂閱選項，並測試 Meta AI 的進階付費方案。日常使用仍會維持免費，但如果要更高算力、處理更大且更複雜的請求，以及更多創作空間，未來可能需要透過訂閱取得。

同一時間，Meta 執行長祖克柏（Mark Zuckerberg）也在年度股東會表示，如果公司未來因大規模擴建 AI 資料中心而出現算力過剩，進軍雲端運算服務市場，絕對在考慮之列。這讓市場開始觀察，Meta 是否可能把原本自用的 AI 基礎建設，延伸成對外服務，靠近 AWS、Azure 與 Google Cloud 所在的雲端基礎設施市場。

＊Snowflake 與 AWS 簽 60 億美元長約，AI Agent 把 CPU 算力推上前線

雲端資料平台 Snowflake 宣布，已和亞馬遜（Amazon）旗下 AWS 簽署為期五年、總額 60 億美元的新合作協議。這次合作將擴大採用 AWS 自研 Graviton 處理器與 AI 基礎設施，也包括生成式 AI、AI Agent 與 AWS Marketplace 方面的更深整合。

這筆合作的背後，是企業導入生成式 AI 與 AI Agent 後，雲端資料、運算與基礎設施需求同步升高。Snowflake 近年推出 Cortex AI，讓企業能把 AI 功能接到既有資料平台。隨著 AI 從模型訓練走向企業日常應用與代理式任務，CPU 正從基礎配角，變成支撐資料處理、流程自動化與應用執行的重要算力來源。

＊Marvell 估客製晶片營收破百億美元，雲端巨頭加速降低 NVIDIA 依賴

美國晶片廠邁威爾科技（Marvell Technology）最新預估，旗下客製化晶片業務營收將在 2029 財年突破 100 億美元，反映大型雲端服務商正加快投入自研晶片與專用晶片，以降低對 NVIDIA GPU 的高度依賴。

Marvell 表示，隨著 AI 應用加速普及，雲端服務商正在擴建 AI 資料中心，也增加採用客製化 ASIC 與高速互連技術，用來串聯大量處理器，支撐大型模型訓練與推論。Marvell 執行長墨菲（Matt Murphy）表示，公司已和美國主要超大型雲端服務商展開客製晶片合作；公司也預估，今年資料中心業務將成長約 50%。

＊字節跳動傳自研 CPU，AI 推論把中國平台也推向自製晶片

《路透》引述知情人士報導，TikTok 母公司字節跳動（ByteDance）正在開發自家中央處理器（CPU），用來支撐 AI 基礎設施與相關產品，原因包括晶片價格上升與供應吃緊。報導指出，字節跳動計畫把自研 CPU 用於自家伺服器與資料中心，支援 Coze 等 AI 產品。

字節跳動目前據傳正在研究 Arm 與開源 RISC-V 兩條架構路線，並尋求外部夥伴協助設計與製造。這項計畫仍處於早期階段，但已顯示 AI 推論工作負載正在推高 CPU 需求。從 Google、亞馬遜（Amazon）、微軟（Microsoft）到字節跳動，大型平台正加快自研晶片布局，以降低供應壓力並掌握基礎設施成本。

＊Google DeepMind 執行長稱 AGI 可能提前到 2029，AI Agent 成為預演場

Google DeepMind 執行長哈薩比斯（Demis Hassabis）近日接受《Axios》專訪時表示，人類正站在「奇點的山腳下」，也就是更高階 AI 系統到來前的早期階段，社會可能只剩幾年時間，為通用人工智慧，也就是 AGI 的到來做準備。

哈薩比斯過去預期 AGI 會在 2030 年左右出現，但他現在不排除 2029 年、甚至更早實現的可能。他指出，AI Agent 正在快速發展，未來一年將成為更強大 AI 系統到來前的一場壓力測試。他也提到，各大頂尖 AI 實驗室目前都高度關注「遞迴式自我改進」（recursive self-improvement），也就是 AI 系統能否協助加速自身研發與進化。

＊川普政府傳資助美國無人機公司，國防科技供應鏈再被拉高

《華爾街日報》引述知情人士報導，美國總統川普政府正與多家美國無人機公司洽談融資合作，希望提升美國無人機產能，並降低這類武器成本。相關討論涉及五角大廈與「戰略資本辦公室」（Office of Strategic Capital），可能採取債務與股權混合安排。

無人機主導計畫已被列為川普 2027 財年國防預算中的「總統優先要務」。目前傳出洽談對象包括無人機零件製造商 Unusual Machines、紅杉資本（Sequoia Capital）投資的自主無人機新創 Neros，以及已取得美國陸軍偵察無人機合約的 Performance Drone Works。這也顯示美國國防科技供應鏈正加速本土化。

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《中央社》、《中央社》、《CNBC》、《The Wall Street Journal》、《Reuters》、《Reuters》、《Reuters》、《Axios》、《The Wall Street Journal》，首圖來源：AI 生成圖。

杜克大學（Duke University）研究團隊開發出一套新型機器人系統，顛覆過去以模仿人類外型為主的設計思維，改追求「無論朝哪個方向，都能維持同樣移動能力」的設計概念。為了實現這項概念，研究人員模擬超過 1,500 種機器人配置，從中找出最接近理論性能極限的方案，最終誕生的機器人名為 Argus。

有別傳統機器人設計，Argus 以特殊結構提升移動效率

研究團隊指出，這種跳脫傳統的機器人結構，讓 Argus 能在不同地形中維持穩定且高效率的移動表現，也更能勝任複雜的空間操作。其核心關鍵，在於團隊提出的一套名為動態等向性（dynamic isotropy）的數學設計概念。這項指標會以 0 到 1 分來衡量機器人在各個方向上的運動能力是否均衡；分數越高，代表機器人無論朝哪個方向移動，都能維持接近一致的加速度、穩定性與操控表現。

目前多數機器人系統，包括先進四足機器人、人形機器人與傳統無人機，在這項指標上的表現通常不到 0.6；而 Argus 則達到 0.91，已相當接近理論極限。根據《Interesting Engineering》報導，高度對稱的設計，不僅提升了機器人的移動協調性，也在軌跡控制、能源效率、容錯能力、系統穩定性，以及複雜地形導航等面向帶來更好的表現。這套原理未來也有機會成為評估各類機器人性能的通用架構。

相較於過去偏重模仿人類外觀的設計思維，Argus 更強調運動能力與感知系統的整合。整套系統結合全身驅動與感知概念，使移動與環境偵測能同步協作。機器人本體由 20 條可模組化伸縮的機械腿組成，每條腿皆搭載深度攝影機，以放射狀方式環繞中央核心配置。這些機械腿依循正十二面體的幾何結構排列。正十二面體由 12 個五邊形面組成，能讓力量分布與視覺覆蓋更平均。Argus 不需要固定的前後方向，就能在任何方向維持平衡的加速度與穩定視野，在多變環境中保有高度機動性。

Argus 展現多方機動能力，能翻滾、爬牆和搬重物

《Interesting Engineering》提及，這套設計在實際測試中的表現相當突出。研究人員在杜克大學校園內，針對沙地、森林步道、草地、水泥地與濕滑路面等不同地形進行測試。結果顯示，Argus 幾乎不受朝向限制，能穩定穿越各種地面，甚至跨越高達 5 英吋（12.7 公分）的障礙物。即使遭到外力推擠，Argus 也能迅速恢復平衡；就算有三條機械腿失效，仍可持續移動，展現高度容錯與抗損能力。此外，它還能在接近最高速度的狀態下，搬運約 10 磅（4.5 公斤）的重量，同時維持穩定與機動性。

除了地面行走外，Argus 還具備攀爬垂直牆面的能力。它會透過不同腿部模組交替提供支撐與推進力，完成向上移動。研究團隊也展示，它能在持續翻滾移動的同時，穩定追蹤並推動一個邊長 3 英尺的立方體，顯示其在動態環境下，仍能有效整合感知與運動控制。值得注意的是，這些能力最初都是在模擬環境中完成訓練，再進一步轉移到真實世界應用，反映出整套設計架構具備高度泛化能力與穩定性。

領導這項研究、並主持杜克大學 General Robotics Lab 的 Boyuan Chen 表示：「當機器人在所有方向上都具備相同的加速能力時，它就不需要再以特定方向面對世界。」他也希望，這套原理未來能應用於搜救機器人、水下與空中載具，以及具備抓取能力的新型機器人系統。Boyuan Chen 舉例說，與其打造一隻模仿人類手掌的機械手，不如讓 Argus 本身就成為能從任意方向操作物體的「全向機械手」。他表示，這項研究真正重要的地方，不只是打造出一台特殊的機器人，而是提供一種不同於傳統仿生思維的新方向。

＊本文開放合作夥伴轉載，資料來源：《Interesting Engineering》、《ABCNews》，圖片來源：General Robotics Lab。

KDAN 凱鈿 (TPEx: 7737) 旗下電子簽章品牌點點簽 DottedSign 與台灣軟體大廠叡揚資訊 (TPEx: 6752) ，以叡揚資訊 Vital BizForm 智慧表單與點點簽完成深度產品整合，企業客戶自此可在單一工作流中完成表單建立、AI 輔助審核、電子簽署與法遵存檔，實現從內部管控到對外簽約的零斷點數位體驗。

雙方於昨 (27) 日在台北集思台大會議中心共同舉辦「簽核表單 × 電子簽章：打造 AI 零斷點企業流程」研討會，正式宣告深化經銷合作夥伴關係，現場吸引來自各產業的企業數位轉型負責人與 IT 主管共聚交流。

深度整合落地：從流程斷點到一站式數位流程

研討會由點點簽事業群總經理張博瀚與叡揚資訊執行長特助林景堂共同開場，直指台灣企業普遍面臨的核心痛點：對紙本的依賴多數源於慣性，而非真實的安全考量。文件遺失、版本失控、簽署過程無從查核，才是真正潛藏的法遵漏洞；點點簽作為政府核可的電子簽章服務，符合台灣《電子簽章法》規範；整合至 Vital BizForm 後，企業完成的電子簽署即具備完整法律效力，並提供稽核軌跡、時間戳記與不可竄改機制，賦予企業紙本時代從未擁有的透明度與可控性。

叡揚資訊雲端服務事業處副處長李宗青說明，Vital BizForm 長期協助企業推動表單流程無紙化，此次與點點簽完成串接，進一步滿足合規簽署需求，實現從表單到簽章的全鏈路數位閉環。此外，Vital BizForm 更建置了 MCP 接口，讓 AI Agent 得以在安全的授權範圍內，跨系統整合資料、自動啟動流程，並完整留下稽核軌跡，為企業智慧化營運奠定可信任的基礎。

點點簽商務開發經理張意璿補充，點點簽推出的 MCP 支援，讓企業得以透過 ChatGPT、Claude 等大型語言模型與簽章流程互動，視覺化追蹤功能則讓管理者即時掌握各部門簽核效率，讓人的判斷力集中於真正需要決策的環節。

企業實踐驗證，雙方攜手深耕策略夥伴生態圈

活動壓軸邀請慶霖智權總經理袁耀慶與大中和國際管理部特助李家毓分享第一線轉型經驗。袁耀慶指出，導入點點簽後簽約流程大幅提速，估計節省 80 到 85% 的作業時間，客戶無需再印紙蓋章，成交效率與客戶滿意度同步提升：「科技化不只是讓我們更快，也是幫客戶省麻煩。」李家毓則分享，大中和國際目前已成功說服約六成客戶改用電子簽署，其餘習慣紙本的客群仍維持原有方式，展現務實的導入策略，同仁也從繁瑣的合約整理事務中解放，得以投入更高價值的工作。張博瀚為對談作結：「數位化讓流程釋放人才價值，讓人做更值得做的事。」

展望未來，張博瀚表示：「今天是一段深度合作的正式啟動，點點簽在電子簽章領域的專業與叡揚資訊在企業表單管理的深厚積累相互補足，共同目標是讓台灣企業以更低摩擦成本建立符合法遵標準的數位流程。」林景堂亦強調，雙方將持續擴大台灣策略夥伴圈，攜手系統相關合作夥伴，共同建立涵蓋流程自動化、電子簽章與法遵管理的完整數位轉型生態，讓「可控、可追溯、零斷點」成為台灣企業文件流程的新標準。

此次與叡揚資訊的整合落地，亦是 KDAN 凱鈿推動 AI 文件基礎設施生態佈局的具體實踐，透過點點簽與夥伴系統的深度串接，協助企業將簽章能力嵌入現有工作流，定義台灣企業 AI 文件流程整合的新標準。

若您對 Vital BizForm × 點點簽整合方案有興趣，或是正評估導入電子簽章的企業，歡迎預約點點簽或叡揚資訊專人諮詢。

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

隨著 AI 技術快速演進，科技圈正激烈辯論 AI 是否將大規模取代白領階級的工作，而「軟體工程師」更是這場自動化風暴的核心焦點。Anthropic 旗下 Claude Code 的負責人 Boris Cherny 近日在接受專訪時直言，「software engineer」（軟體工程師）這個職稱最快今年就會開始消失，並轉向更接近「builder」（建構者）的新角色。

Boris Cherny 坦言，自己已經超過 6 個月沒有親手寫下一行程式碼，但他仍然整天都在打造產品。這也凸顯 AI 正在顛覆軟體開發工作的傳統分工方式，並重新定義「誰能寫 Code」的界線。他形容這是一場技術的巨變，未來的程式開發甚至會進一步演變成對著一個 Agent 說話，而這個 Agent 會再去和其他 Agent 對話，進一步完成寫程式的工作。

Coding 雖被「部分解決」，但工程師價值正轉向判斷與規劃

要理解工程師角色為何轉變，首先必須釐清外界常誤解的一句話：「coding is solved（寫程式已被解決）」。Boris Cherny 澄清，這句話真正的意思是：面對目前個人正在處理的簡單程式碼庫而言，Coding 確實大致被解決了；但若要面對像 NASA 這樣擁有龐大且複雜程式碼庫的大型企業，模型仍然會犯錯，產出的程式碼也並不完美。

因此，工程師的真正價值正在快速轉移。過去，工程師可能有高達 50% 的時間在鍵盤前打字寫 Code，另外 50% 的時間則用於與用戶對話、腦力激盪、除錯（debug）、思考系統運作與規劃下一步。然而，當 AI 模型能接管越來越多繁瑣的寫程式工作時，工程師反而可以獲得解放，能將時間大幅轉移到理解用戶需求、思考產品方向等高價值工作上。

Boris Cherny 以 1990 年代企業引進電腦的歷史為例，強調當年只有那些徹底拋棄紙本與檔案櫃、將電腦置於運作核心的企業，才獲得真正的生產力提升。如今，面對 AI 也是如此，企業必須改變既有的業務流程，將 AI 工具放在核心位置，才能確實發揮技術的巨大紅利。 

企業未來對軟體人才的需求將出現兩極化發展

隨著 Coding 門檻的降低，企業內部的分工界線日益模糊，也會讓團隊中開始出現「角色融合」的現象。Boris Cherny 以 Claude Code 團隊的現況為例，分享：「我們的經理 Fiona 已經 15 年沒寫過 Code，但她現在在寫；產品經理 Kat 在寫 Code，設計師 Megan 也在寫 Code。」這代表未來的發展趨勢將會是，非工程師背景的人會寫越來越多程式，而傳統的工程師反而會越寫越少。 

基於這樣的趨勢，企業未來對軟體人才的需求也將出現兩極化發展：一方面，因為每位工程師的生產力大幅提高，許多公司可能會減少聘用傳統工程師；另一方面，也會有公司因為生產力躍升、有能力開創更多產品與業務，反而需要招募更多具備軟體建構能力的人才。

現在是創業的「黃金時代」，懂用戶比懂技術更關鍵

AI 工具不只改變企業內部的職能分布，更大幅度降低市場上的創業門檻。面對 AI 帶來的職涯焦慮，Boris Cherny 給予資工系（CS）畢業生的建議是：雖然市場上仍有入門級職缺，但如果有任何創業的傾向，就去創業。他認為，在 Claude Code 這類 AI 工具的輔助下，少數幾個人甚至一個人與 AI Agent 就能建立起巨大的公司，現在正是創業的「黃金時代」。「人們正在用少數幾人的團隊，建立起價值十億美元的公司，」Boris Cherny 補充。

這並非空穴來風。Boris Cherny 分享，在近期與頂尖新創加速器 Y Combinator（YC）的新一批創辦人交流時，他發現一個驚人現象：當被問及有多少人讓 Claude Code 寫 100% 的程式碼時，現場大約有一半的創辦人舉起了手；而在數百人中，完全不讓模型寫 Code 的竟然只有一人。其餘多數創業者皆有 50% 到 100% 的程式碼由模型撰寫，強烈顯示 Coding 工作正快速被 AI Agent 重新分工。

OpenAI 執行長 Sam Altman 的觀點也印證這個市場趨勢。過去投資圈在評估創辦團隊時，最看重的是技術能力，但 Sam Altman 近期表示，現在他更願意投資那些「非常深刻理解用戶，即使他們完全不會寫 Code 的人」，凸顯在 AI 賦能下，非典型技術背景的創辦人，正迎來以極快速度打造產品的絕佳機會。

AI 並非單純「讓工程師失業」，而是將寫 Code 的能力從高門檻的專業職能，擴散成跨職位都能廣泛運用的工作方式。「我不認為我們未來還會稱這些人為工程師，但如果把『自己寫 Code』或『使用 Agent 寫 Code』的人都算進來，我認為這樣的人數會比今天多出 100 倍，」Boris Cherny 強調，對企業與新創而言，未來的重點不再只侷限於招募「寫程式的工程師」，而是要尋找橫跨工程、產品與設計思維，並能善用 AI Agent 將抽象想法具象化為產品的全新「Builder」，這也正是 AI 時代下，軟體人才面臨的關鍵重塑。

【推薦閱讀】

◆ 20 人團隊靠 AI Agent 變 150 人戰力：「AI 原生」顧問公司如何瓦解 McKinsey、BCG 的金字塔模式？
◆ 企業買了 AI 卻跑不起來，FDE 前線部署工程師成為科技業最搶手的職位
◆ 6 成受訪企業找不到懂 AI 的資安人才，資安主管年薪飆至 800 萬美元不罕見

＊本文開放合作夥伴轉載，資料來源：《Platformer News》、《Business Insider》，圖片來源：Unsplash

美國金融服務公司 Robinhood 宣布開放 AI 代理使用旗下交易平台。未來，使用者可以替 AI 代理建立專屬帳戶，並預先存入一定資金，讓代理依照設定條件自動進行股票買賣。這項功能主要是協助投資人將部分投資流程自動化。例如，使用者可以讓 AI 代理持續追蹤特定產業動態，並在符合條件時自動下單；也能依照市場變化，自動調整投資組合配置，減少人工操作的負擔。

AI 能買股和購物，Robinhood 開放代理交易與自動下單

不過，Robinhood 也強調，AI 代理交易仍存在高度風險，投資人甚至可能因此損失全部資金。公司提醒，AI 驅動的投資策略在某些市場情況下可能失靈，而且由於交易速度快，使用者未必能即時監控或中止操作。Robinhood 表示，公司不保證 AI 代理提供資訊的正確性、完整性與適用性，若因 AI 所做出的決策造成損失，平台也不承擔責任。

《The Verge》報導，Google、Microsoft、OpenAI 與 Anthropic 等科技公司都將 AI 代理視為下一波發展重點，目前的 AI 代理技術距離真正成為能獨立處理大小事的「萬用數位助理」仍有落差。雖然在程式撰寫等特定用途上有一定實用性，但若要代替使用者購物、填寫表單或處理複雜線上流程，整體效率與準確度仍不穩定。

Robinhood 說明，只要 AI 代理執行交易，使用者都會收到推播通知，也能在 App 內即時查看交易紀錄，必要時可隨時暫停 AI 操作。使用者需透過 MCP（Model Context Protocol，模型上下文協議）將 AI 代理連接到平台。MCP 是一種開放標準，可讓 AI 系統與不同應用程式及資料來源互通。目前該功能仍屬 Beta 測試階段，初期僅支援股票交易，未來則預計擴展至選擇權、加密貨幣、事件合約與期貨等市場。

除了 AI 交易功能外，Robinhood 也同步推出 AI 信用卡購物服務。未來 Robinhood Gold Card 用戶可將 AI 代理綁定至虛擬信用卡，並設定可使用的金額與購買條件，之後 AI 便能自動搜尋商品、比價並完成下單。《The Verge》提及，球鞋愛好者可以要求 AI 在特定鞋款價格跌破 300 美元時自動購買；寵物飼主則能讓 AI 幫忙尋找售價低於 30 美元、且擁有五星評價的狗玩具。此外，使用者也能決定是否要手動核准每一筆消費。Robinhood 表示，在部分情況下，AI 代理也會先向使用者顯示交易內容，待確認後才正式執行。

Stripe 和 Visa 都卡位，搶攻 AI 代理消費市場

《Fortune》指出，除了 Robinhood 之外，市場上其實已有不少公司開始布局 AI 代理購物。像支付服務商 Stripe 和 Ramp，都已推出可供 AI 使用的虛擬信用卡；Visa 與 Mastercard 也陸續提供相關的支付與安全機制。Robinhood 的動作之所以受到關注，在於它是少數直接面向一般消費者、大規模推出 AI 代理消費服務的平台。目前 Robinhood Gold 會員約有 70 萬人，若這批用戶開始讓 AI 代理協助消費，可能進一步帶動 AI 支付的使用規模。

外界認為，AI 代理商務要真正普及，仍有不少問題待解。《Fortune》舉例包含：商家是否願意接受 AI 代理代為付款，如果交易失敗、發生誤刷或詐騙，能由誰負責等等問題。Robinhood 的產品副總裁 Abhishek Fatehpuria 表示，目前 Robinhood 首波 AI 功能主要仍以熟悉新科技的早期使用者為主，公司希望先觀察這批用戶如何使用 AI 代理，藉此了解實際需求與可能問題。Robinhood 執行長 Vlad Tenev 也補充，Robinhood 一直希望降低金融服務門檻，讓更多人能參與投資，而 AI 代理將會是這項方向的下一步。

＊本文開放合作夥伴轉載，資料來源：《The Verge》、《Fortune》，圖片來源：Unsplash。

過去兩年，AI 基礎設施的討論幾乎被 NVIDIA GPU 主導，但一筆新合約正在改變這個敘事。雲端資料倉儲公司 Snowflake 宣布，將在未來五年向 AWS 投入 60 億美元，主要採用 AWS 自研的 Graviton CPU，用於支撐企業 AI 與 Agentic AI（代理式 AI）工作負載。消息公布後，Snowflake 股價盤後一度飆漲逾 35%。

Graviton 是 CPU，不是 GPU

根據《華爾街日報》報導，此次合作將使 Snowflake 成為 AWS 在 CPU 運算領域最大客戶之一。Graviton 是 AWS 自 2018 年開始推出的自研 CPU，採用 Arm 架構，最新的第五代 Graviton5 搭載 192 個 Arm Neoverse V3 核心，採用台積電 3 奈米製程。

這個選擇的意義在於：AI 模型本身仍主要運行在 GPU 上，但 AI Agent 在執行任務時所呼叫的工具與函式，例如 SQL 查詢、Python 腳本、資料庫存取，這些工作負載仍依賴 CPU。據《The Register》報導，每個 Agent 的執行效率，從根本上受制於處理器回應請求的速度，而不是 GPU 的平行運算能力。

根據協議，Snowflake 將結合 AWS 上運行的 GPU 與 Graviton CPU 來運行和訓練其生成式 AI 模型與服務。以 Snowflake 的 Cortex AI 平台為例，這套系統可將自然語言轉換為 SQL 查詢、進行資料摘要與情緒分析。Snowflake 執行長 Sridhar Ramaswamy 表示，目標是讓企業能更便捷地將 AI 直接部署到受治理的資料上，「在更高效率下支撐大規模 AI 工作負載，並帶來可量化的商業成果」。

Meta 也押注 Graviton，CPU 需求被 AI Agent 重新拉動

Snowflake 並非唯一一家轉向 Graviton 的大型客戶。今年 4 月，Meta 宣布與 AWS 簽訂協議，計畫大規模部署數千萬顆 Graviton5 核心，成為全球最大的 Graviton 客戶之一，用途正是為其 Agentic AI 工作負載提供算力支援。

Meta 基礎設施負責人 Santosh Janardhan 當時表示，「多元化運算來源是戰略必要」，Graviton 讓公司能夠「以所需的效能與效率，在我們的規模下運行 Agentic AI 背後的 CPU 密集型工作負載」。

Futurum 的分析師 Brendan Burke 指出，AI Agent 的崛起正在帶來一套與 GPU 主導的第一波生成式 AI 投資截然不同的基礎設施需求；而 Graviton 晶片產品線，已從原本作為 x86 架構的低成本替代方案，逐漸升級為能支撐超大規模 AI 部署的戰略資產。

Burke 當時也分析，這筆合作透露出另一個趨勢：全球大型 AI 業者正逐漸收斂至「混合式、多晶片（multi-silicon）」策略；未來若基礎設施供應商只能提供單一算力方案，競爭壓力恐將越來越大。

AWS 自研晶片生態，建立不完全依賴 NVIDIA 的 AI 基建

至於 Snowflake 與 AWS 這筆合作的更大意義，在於 AWS 正在以自研晶片為核心，構建一套不完全依賴 NVIDIA 的企業 AI 基礎設施選項。AWS 的自研晶片策略包含兩條主線：Graviton CPU 負責 Agent 工作負載的日常執行，Trainium 則專為 AI 模型的訓練與推論設計。據《The Information》報導，Snowflake 的主要競爭對手 Databricks 兩年前已與 AWS 簽訂 Trainium 使用協議。

Futurum 的分析指出，Graviton5 在核心間通訊延遲上降低 33%，並支援 Elastic Fabric Adapter，直接針對分散式 Agentic 工作負載對低延遲與高頻寬的需求進行優化。在成本效率方面，Signal65 的測試數據顯示，Graviton4 在以小輸入、小輸出運行 Llama-3.1-8B 時，每美元所得 token 數比 AMD 高出最多 205%、比 Intel 高出最多 214%。

Futurum 表示，透過從晶片設計、伺服器架構到 Nitro System 的完整垂直整合，AWS 能在延遲、頻寬與能源效率上進行更深度優化，這是通用型處理器難以在同等規模下複製的能力；整體而言，客製化晶片正逐漸成為決定哪一家雲端業者能拿下代理式 AI 基礎設施市場的關鍵因素。

《The Register》報導指出，Snowflake 在 AWS Marketplace 上累計的銷售額已突破 70 億美元，2025 年全年銷售超過 20 億美元。該公司最新季度財報顯示，截至今年 4 月的季度營收年增 33%，較上季加速成長。在 Agentic AI 工作負載持續擴大的背景下，這筆每年平均 12 億美元的基礎設施投入，是 Snowflake 對 AI 驅動成長能否繼續撐起這個規模支出的一次明確押注。

＊本文開放合作夥伴轉載，資料來源：《The Wall Street Journal》、《The Register》、《The Information》，首圖來源：Unsplash

Meta 執行長祖克柏（Mark Zuckerberg）近日在年度股東會上表示，若 Meta 的 AI 基礎建設產生多餘容量，進入雲端運算市場是「絕對可以考慮」的選項。事實上，在美國四大超大規模科技公司中，Meta 目前是唯一沒有對外銷售雲端基礎設施與服務的公司。

這個表態之所以值得關注，是因為 Meta 正在投入數千億美元等級的 AI 資料中心建設，而「多餘容量是否對外出租」也開始成為 AI 基礎建設變現的新想像。同一時間，Meta 也推出 Instagram、Facebook、WhatsApp 的 Plus 訂閱，並開始測試 Meta AI 付費方案，顯示公司正在應用端與基礎建設端，同時探索 AI 的商業化路徑。

數千億美元的基建狂飆，催生 Meta「雲端夢」

Meta 考慮跨足雲端的背後，是其史無前例的基礎建設擴張。祖克柏在 2026 年 1 月提出「Meta Compute」計畫，目標是在十年內累積「數十吉瓦（tens of gigawatts）」的算力，長期野心更上看數百吉瓦或更多。為了支撐這些建設，Meta 資本支出可能達數千億美元，例如路易斯安那州單一專案就耗資 270 億美元，更大的超級叢集 Hyperion 專案，占地規模甚至被形容為可與曼哈頓相比。同時，Meta 也與 Google Cloud 簽下超過 100 億美元的合作協議，並與 CoreWeave 和 Nebius 等外部夥伴合作，以補足自有基礎設施建成前的過渡期需求。 

《Crypto Briefing》指出，如果公司花費數千億美元建設這些 AI 資料中心，而部分容量處於閒置狀態，將其出租便成為合乎邏輯的選項。祖克柏也向《CNBC》透露，幾乎每週都有外部公司來詢問是否能建立 API 服務，或詢問能否以高於 Meta 採購價的溢價向他們購買算力。因此，若未來投資過度並產生過剩運算能力，推出雲端運算業務不僅在考量之中，若真實現，更將與 Amazon Web Services（AWS）、Microsoft Azure 以及 Google Cloud 形成直接競爭。

做雲端不能只靠資料中心，Meta 仍面臨跨界門檻

不過，《Crypto Briefing》也提醒，Meta 目前尚未正式宣布要將其資料中心容量商業化，現階段策略仍聚焦於為自家 AI 工作負載建立自給自足的能力。

更現實的考量是，雲端業務與內部資料中心的營運截然不同。Meta 若要對外服務企業客戶，還需要建立企業銷售團隊、服務水準協議、開發者工具、計費系統與支援體系，而這些都是 Meta 過去較少觸及的領域。

更棘手的是，如果 Meta 同時身為 Google Cloud 的客戶與競爭對手，雙方高達 100 億美元的合作關係也可能變得更微妙。因此，真正值得觀察的訊號，是 Meta 是否開始聘用企業雲端銷售人才，或正式推出面向開發者的外部運算存取工具，這將是從董事會討論走向實際執行的最明確指標。 

不只思考出租算力，Meta 在社群與 AI 端已展開付費測試

在雲端業務還處於評估階段的同時，Meta 在應用端的變現佈局已正式啟動。《TechCrunch》報導，Meta 已在全球推出消費端的 Plus 方案，包括 Instagram Plus、Facebook Plus 與 WhatsApp Plus，提供個人檔案自訂、超級回應、限時動態洞察等額外功能。這些訂閱方案讓 Meta 能在用戶數已達全球飽和的情況下，於廣告業務外多元化營收，並從既有用戶群中獲得更多價值。

在 AI 應用方面，Meta 將測試「Meta One Plus」與「Meta One Premium」。其中，Premium 方案將解鎖更多高運算量查詢、更深層的推理，以及跨應用程式更強大的影像與影片生成能力。這也說明，Meta 的 AI 變現不僅可能發生在未來的資料中心端，更已經在 Meta AI 與社群應用訂閱端落地。

隨著 Meta 將今年的 AI 相關資本支出指引大幅上調至 1,250 億到 1,450 億美元，華爾街對其鉅額支出的擔憂也隨之浮現。因此，祖克柏拋出「算力出租」的可能性，並加速推動社群與 AI 訂閱制，正是向市場證明 Meta 擁有將這些基建投資轉化為實質營收的多元解方。在這場 AI 軍備競賽中，Meta 正試圖證明，自己不僅是地表最大的算力消耗者之一，也有潛力成為下一代的高階 AI 服務商與雲端巨頭。

【推薦閱讀】

◆ 從 GPU 主導到 CPU 回溫：Agentic AI 如何改寫企業資料中心配置？
◆ AI 獲利戰進入下半場：Anthropic 押企業客戶、OpenAI 扛免費流量，IPO 考題轉向算力成本
◆ 不只拚晶片效能：AMD 宣布台灣逾 100 億美元投資，押注封裝與 AI 機櫃產能

＊本文開放合作夥伴轉載，資料來源：《CNBC》、《Crypto Briefing》、《TechCrunch》，圖片來源：Unsplash

AI 正在以前所未有的速度，削弱大型顧問公司長期依賴的規模優勢。過去，顧問業由 McKinsey、Bain、BCG 等策略巨頭，以及四大會計師事務所與 Accenture 等主導。他們的核心護城河在於「人力規模」，也就是擁有龐大的初階顧問大軍，具備跨越多個地區的交付能力與龐大專案人力。

然而，當研究、摘要資料、製作精美 PowerPoint 簡報等顧問核心工作變得可被高度自動化時，這種霸權首次出現瓦解的跡象。近日，《金融時報》就指出，AI 的出現大幅降低顧問業的門檻，讓小型顧問公司也能承接過去只有大型公司才能處理的專案。

AI 讓小型顧問公司壯大，打破「人力規模護城河」

AI 帶來最直接的影響，是讓小型顧問公司的產能得以指數級放大。以近期在英國成立的 Queen’s Tower Advisory 為例，這類由前大型顧問公司高層創立、並獲私募資金投入的「AI 原生（AI-native）」新興顧問公司，正積極利用 AI 代理（AI Agents）來放大人類工作者的能力。Queen’s Tower Advisory 創辦人 Mark Bunker 的目標，就是建立由 20% 人類與 80% AI Agents 組成的團隊，徹底顛覆顧問業基本的人力配置想像。

Mark Bunker 明確點出 AI 的影響力：「你的平台可能只有 20 人，但在 AI 的放大效應下，你會迅速具備 100 人、150 人的規模，這很快就會在市場產生影響力。」根據管理顧問協會（MCA）的估計，小型顧問公司在 AI 的協助下，已能有效與大型對手競爭，成長率最高可達 50%。

AI 原生顧問公司從 3 方向挑戰傳統顧問模式

這些 AI 原生新興顧問公司堅信他們的豪賭將會成功，因為 AI 不僅取代了日常工作，更從三個根本方向挑戰傳統顧問模式的根基：對通才型顧問的依賴、以工時計費的模式，以及由大量初階員工支撐的金字塔結構。

首先，市場需求從「通才」轉向「深度專才」。過去，大型顧問公司十分重視具備分析能力的通才型（generalist）顧問，但由於生成式 AI 也能出色完成這類初步診斷，客戶現在傾向先使用 AI 工具產生初步分析。Queen’s Tower Advisory 創辦人 Mark Bunker 表示，現在的客戶往往帶著對問題的「粗略觀點」前來，因此只需要「具備深厚專業知識的專家再深入一層」。稅務顧問公司 Ryan 的高層 Tom Shave 更直言：「在這個 AI 世界中取得成功的，將會是那些高度專業化的公司，而不是提供通才型服務的公司。」

其次，AI 正在瓦解傳統的「計時收費」邏輯。 當 AI 工具能在幾秒鐘內草擬出複雜文件、幾分鐘內審查數千份合約時，工作時數與交付價值之間的關係就開始破裂。客戶愈來愈要求顧問費用必須與「成果」掛鉤，迫使 McKinsey 花費兩年多時間徹底調整合夥人的薪酬制度，以因應遠離傳統工時收費的轉變。

最後，底層工時流失連帶擊垮金字塔結構。 當計時收費模式被挑戰時，傳統依靠大量初階顧問創造可計費工時、進而為頂端少數合夥人創造利潤的金字塔結構，便會失去經濟邏輯。誠如稅務顧問公司 Ryan 的高層 Tom Shave 所述：「沒有工時表，整個資源配置模式就失去邏輯。」他更補充：「我們現在的模式都精簡多了，因為我們不再需要大軍來完成工作。」

大型顧問公司的反擊：用資本優勢與深度整合，把 AI 轉為新成長曲線

儘管面臨嚴峻挑戰，大型顧問公司並未坐以待斃，他們堅稱將維持頂端地位，因為大型公司仍握有「資金」這項壓倒性的優勢，以及能夠匯聚跨司法管轄區與跨產業專業能力的全球網路。

大型顧問公司主張，企業在面臨地緣政治碎片化、供應鏈中斷與 AI 採用等複雜問題時，仍然迫切需要外部專家的協助。McKinsey 全球 AI 負責人 Kate Smaje 強調：「人們仍然需要顧問，當然，顧問工作的本質必須改變。」為此，巨頭們正積極將 AI 轉化為核心業務，例如 BCG 就宣稱其高達 40% 的營收已來自 AI 與科技相關業務。

這種「將 AI 威脅轉化為成長引擎」的策略，在法國 IT 顧問集團 Capgemini 身上也得到印證。《Reuters》報導，Capgemini 近日公布新的中期目標，將自身定位為協助企業在各產業導入 AI 的關鍵推手，並設定 2025 至 2028 年間的平均年營收成長要達到 5.5% 至 7.5%。

Capgemini 押注的關鍵在於，企業 AI 的採用過於仰賴產業特性，無法單靠現成的通用工具解決，必須實際接入大型傳統企業的營運與數據流程中。不過，《Reuters》也提醒，在 Capgemini 公布該目標後，股價隨即下跌約 4%，顯示投資市場仍在審慎觀察顧問公司能否真正將 AI 相關需求轉化為可持續的實質成長數字。

AI 絕不僅是讓顧問公司提高效率的工具，而是一股正在從根本上重塑產業規則的破壞式創新。當研究、摘要、資料分析與簡報製作都能輕易被自動化時，大型顧問公司面臨的關鍵考題，已轉向「能否提供深度專業、複雜專案整合與真正可衡量的成果」。然而，大型顧問公司不必然只能是被 AI 威脅的對象，也完全可以將 AI 轉換成新一輪的成長策略，但前提是，他們必須向市場證明，自己能真正把 AI 落實，並無縫接軌進企業的實際營運、內部數據以及產業專屬流程之中。

【推薦閱讀】

◆ 企業買了 AI 卻跑不起來，FDE 前線部署工程師成為科技業最搶手的職位
◆ LinkedIn 共同創辦人用 AI 分身省下 50% 工時：企業生產力競爭，正從工具效率轉向「複製高階人才能力」
◆ 6 成受訪企業找不到懂 AI 的資安人才，資安主管年薪飆至 800 萬美元不罕見

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

如果一家企業只有 2 萬名員工，卻同時管理 15 萬個 AI Agent（代理），企業會變成什麼樣子？

這是 Google Cloud 亞太區技術團隊副總裁 Moe Abdula 在 COMPUTEX 2026 展前論壇演講中拋出的情境。他引用市場研究機構 Gartner 預測指出，到 2026 年底，約 40% 的企業應用程式將具備某種形式的 AI Agent 能力；而 2028 年內，財富 500 強企業平均可能管理超過 15 萬個 AI Agent。

「如果這是我們正在談論的規模，思維模式必須非常快速地轉變和移動。」Moe 說。

這代表企業正在進入一個新的管理階段：競爭焦點不再只是誰擁有最強 AI 模型，而是誰能建立代理平台、治理框架與資料能力，讓 AI 真正進入組織流程。在接受台灣媒體採訪時，Moe 與 Google Cloud 台灣技術總經理林書平則進一步拆解，企業要支撐這樣的規模，必須先建立哪些技術基礎與組織能力。

支撐 AI Agent 運行的三大支柱

談到 Agent，Moe 特別提醒，企業不應把 AI Agent 理解成進階版聊天機器人。他認為，聊天問答只是 AI 的起點，真正的代理式系統，代表 AI 開始理解情境、跨系統採取行動，甚至與其他代理協作完成任務，而支撐這種能力的基礎，有三個核心支柱。

第一，情境與記憶（Context & Memory）。企業過去使用 AI，大多仍停留在單次互動，但 Moe 認為，真正有價值的代理必須理解上下文。例如，同樣詢問「設備為什麼無法運作」，如果提問者是財務主管與維修工程師，AI 應該給出完全不同的回答；如果一週後再次提問，AI 也不應重新要求使用者重複背景資訊。他指出，長時間運行並記住工作流程的脈絡，是過去 AI 系統做不到的能力。

第二，執行能力（Action）。代理不應只產生內容，而要能執行工作。Moe Abdula 認為，企業真正需要的是能操作系統、跨流程協作、將任務交接給其他代理，甚至在人機協作流程中自動執行工作的 AI。

第三，身分與治理（Identity & Governance）。隨著代理開始擁有執行能力，企業也必須重新建立治理機制。Moe 表示，未來每個 AI Agent 都應具備可辨識的身分，能夠被追蹤、審計與驗證，企業必須知道是哪個代理採取了哪些行動，以及是否符合權限規則。他在訪談中進一步強調，這個支柱不只是技術安全，更是 B2B 的信任問題：當 AI 代理代表你的品牌與第三方互動時，這個代理在商業網路中的可信賴度，是企業導入 AI 時的關鍵考量。

資料處理的典範轉移：從 Data for AI 到 AI for Data

三大支柱要能運作，背後還有一個更根本的底層在發生變化：資料與 AI 的關係。雖然 Moe 表示「有句老話說，沒有資料就沒有 AI。」但他緊接著指出，AI 進入多模態時代後，這個底層的運作邏輯已經完全被翻轉。

他解釋，過去的典範是「Data for AI（為 AI 處理資料）」：資料必須搬家。企業要把分散在各系統的資料整理乾淨、搬到單一倉儲，AI 才能使用。Moe 形容這是過去十年 IT 員工的工作日常：每天上班的第一件事，就是處理不同系統的格式不一致，花大量時間清理、整合、寫管道，「這變成他的工作，也變成他的身分。」

但這套做法在 AI Agent 時代已經行不通。Moe 表示因為「AI 是沒有耐心的，」當 AI 代理一次要提出 100 個資料分析需求時，傳統那種 IT 人員手動整理資料管道的速度，完全跟不上。

新的典範是「AI for Data（讓 AI 來處理資料）」。當資料從 SAP、掃描文件、影音檔案等不同來源進來時，AI 能透過推理能力自動辨識欄位意義、轉換格式、判斷實體關係，不再需要人類預先告訴它規則。更重要的是，企業不再需要把所有資料都搬到雲端。Moe 在演講中明確指出，Google Cloud 已經不再要求客戶「把所有東西移到 Google」，而是讓資料留在原本的位置，透過安全機制讓 AI 高效存取。

要支援這個新典範，Google Cloud 的資料庫層也做了根本性的進化。林書平在受訪時補充，他們稱之為「AI 原生的資料倉儲」的系統具備三項關鍵能力：多模態能力（處理結構化與非結構化資料）、向量搜尋能力（透過語意理解快速找到相關資訊），以及知識圖譜能力（理解資料之間的商業關係）。

Moe 指出，人類的思考本來就是建立在「實體與關係」之上，而知識圖譜讓 AI 也具備這種理解能力。過去這些實體與關係需要資料工程師花上幾個月硬寫程式碼建立；現在 AI 可以自動分類、加速建構。

針對台灣企業在導入科技時普遍最重視的安全問題，林書平建議企業在一開始規劃 AI 導入時，就將資料存取控制、代理權限控管以及完整的稽核流程建立起來。只有在資料治理和 AI 治理都做好的基礎上，企業才能安全地將需求與代理效應最大化。

給領導者的兩個立即行動

訪談的最後，Moe 給企業領導者兩個非常具體的行動建議。第一個行動：CEO 必須親自把 AI 當成自己的專案。

Moe 強調，高階主管，特別是 CEO，必須親自將 AI 導入當作自己的專案來推動，不能只是下放給其他人做。如果將此事交給別人，AI 導入就會淪為一個「附帶的倡議」，讓員工覺得這不是公司最重視的事情。只有當 CEO 親自掌舵並向全公司宣示「我要培訓每個人，讓 AI 融入我們的文化與工作」時，整間公司才會真正接受並擁抱這個理念。

第二個建議是「現在就開始在自己的公司裡面使用 AI」。Moe 建議領導者去檢視內部的營運流程，特別是那些經常面臨極大壓力、總是覺得人手不足的後勤支援部門。他舉例，可以先讓 AI 代理來協助人資部門回答「如何請假」這類常見的基本政策問題。當員工親自體會到 AI 能夠賦能他們、幫助他們把工作做得更好或更多時，他們自然就會成為推廣 AI 的大使。

演講最後，他提醒企業反思自身的應用程式與資料平台是否已準備好與成千上萬的代理串接，以及是否能以「機器速度」安全地運行。此外，他強調整個轉型的重點在於升級與培訓員工，讓一般的「業務使用者（business user）」也能參與其中，而不僅僅是依賴少數的 AI 專家。

【推薦閱讀】

◆ 當提示詞變成義大利麵程式碼：難察覺的「AI 技術債」來襲，企業如何跨越治理盲點？

◆ 企業買了 AI 卻跑不起來，FDE 前線部署工程師成為科技業最搶手的職位

◆ AI Agent 進入企業的最大挑戰是 ROI！Appier 共同創辦人暨執行長游直翰：別只看燒了多少 Token

＊首圖來源：《TechOrange》拍攝。