從專案接案走向可規模化的產品經營，是台灣軟體產業長期面臨的轉型課題。數發部近年推動軟體業從專案開發（Project）走向產品經營（Product），希望透過政府採購擴大標準化軟體的市場，今年更公布 2025 年政府電腦軟體共同供應契約採購總額達 107 億元，年增 25%，其中國產產品訂單數量占比達 58%。然而，政府採購能創造市場，不代表業者取得訂單後，就能順利發展出可重複銷售的產品。

10 月 22 日，台灣數位科技與政策協進會舉辦「創造台灣數位與 AI 競爭力大環境座談會」，從公私協力壯大軟體產業、採購環境與履約機制調整兩個面向展開討論。除了企業如何將客製化專案轉化為產品，政府如何整合跨機關需求，以及 AI、雲端服務對採購模式帶來哪些新挑戰，也成為討論焦點。

從客製專案走向產品化，產業轉型不只是取得政府訂單

中華民國資訊軟體服務商業同業公會理事長沈柏延指出，台灣資服產業面臨的問題，不只是如何將專案經驗轉化為產品，還包括企業間如何合作、如何對接不同產業的客戶需求，以及最終如何拓展海外市場。他認為，產品化、網絡化、平台化與國際化雖然都有相關政策與產業活動，但彼此仍有需要銜接的斷點。

因此，政策不應只聚焦單一產品研發，也需要支持場域驗證、產品獎勵、國內市場推廣與海外拓銷，沈柏延並提出「軟創計畫」相關構想，建議五年投入 100 億元，串接上述四個環節，建立更完整的軟體產業生態系。

不過，客製化專案本身未必是產品化的阻礙。網擎資訊執行長廖長健以美國軟體公司 Palantir 為例，指出企業可以透過前線部署工程師（Forward Deployed Engineer，FDE）深入理解客戶需求，再將不同專案中共通的能力整合為產品，逐步拓展至其他產業。關鍵是能否把解決單一客戶問題所累積的經驗，轉化為更多客戶都能使用的產品。

廖長健也提醒，專案開發容易累積技術債，若要將產品部署至不同市場，必須強化軟體工程、資安及持續研發能力，還得克服現金流與營運管理的挑戰。除了企業自身的能力，他也希望政府協助創造更具規模的市場需求。廖長健認為，台灣軟體產業規模偏小，業者處理的題目往往過於零碎，因此建議數發部發揮跨部會整合角色，盤點規模更大、難度更高的政府數位轉型需求，邀集民間業者共同開發產品，未來甚至將整套解決方案輸出海外市場。

至於政府與民間如何分工，台灣數位科技與政策協進會理事長、叡揚資訊董事長張培鏞認為，政府政策應強化市場，而非取代市場。他指出，部分政府法人在執行補助計畫時自行開發軟體，可能與民間產品競爭；當計畫結束、缺乏持續維護資源時，也可能產生「軟體孤兒」。他因此主張，政府法人應更聚焦前瞻研究、政策顧問與大型資訊系統規劃，讓民間業者發揮產品開發與市場經營能力。

AI、雲端服務改變採購模式，客製化問題可能重演？

隨著 AI、雲端服務興起，政府不只需要思考如何讓採購需求轉化為可複製的產品，也面臨如何採購與管理新型態數位服務的問題。曾任政府資訊主管的臺北大學教授陳泉錫分享，他近期參與政府 AI 標案評選時，觀察到部分需求單位對 AI 的應用需求仍不夠明確，評選者也須持續熟悉相關技術。他認為，政府除了釐清需求，也需要提升資訊人員的 AI 專業能力，才能降低專案執行的困難。

叡揚資訊數位韌性辦公室執行長馬正維則從服務模式提出另一項挑戰：傳統資訊採購多以完成系統建置與交付為目標，但雲端及 AI 服務可能採持續訂閱、按使用量計費，功能與模型也可能不斷更新。政府因此不只需要確認系統是否完成交付，也得管理服務品質、費用透明、資料保護及模型更換後的責任歸屬。馬正維也提醒，如果各機關導入 AI 時仍分別開發專屬系統，過去難以重複使用、長期維護的問題可能重演，因此應考慮可共用的服務與管理機制。

除了技術與契約問題，預算制度也需要適應。曾任政府採購相關職務的清華大學教授葉哲良指出，軟體訂閱費用可能涉及經常門預算，持續性支出面臨年度預算安排的不確定性。他分享，曾向行政院官員提出以 Token 作為 AI 使用預算計量基礎的構想，嘗試讓機關依使用量規劃支出，但對方認為現行主計制度可能難以配合。這仍是其個人提出的構想，並非已實施的政策；不同 AI 服務的計費方式也不盡相同，Token 消耗量不能直接代表實際使用效益。

目前政府已有雲端服務共同供應契約等採購機制，但 AI 服務涉及持續計費、模型更新與長期維運，也讓採購及預算安排面臨不同於傳統資訊專案的考量。如何在既有制度下因應這些新型態服務的需求，成為論壇討論的另一項課題。

【推薦閱讀】

◆ AI 寫的程式碼愈來愈多，美國軟體開發職缺卻增近 15%：工程師沒被取代的原因是什麼？

◆ 美國資安職缺年減 8.4 萬筆，AI 資安工程師卻逆勢增 268%，人才需求如何轉變？

◆ Anthropic 為何捨棄 Git？自研 Scion 揭 AI Agent 時代開發新瓶頸

＊圖片來源：《TechOrange》拍攝，圖中人物為台灣數位科技與政策協進會理事長、叡揚資訊董事長張培鏞

【科技早餐】今天精選 7 則國內外重要科技新聞。

＊Google Cloud 引進 OpenAI GPT-6 模型，兩大 AI 對手跨陣營合作

Google Cloud 於 10 月 21 日宣布，將 OpenAI 最新的 GPT-6 Astra、GPT-6.1 Sol 與 GPT-6 Luna 模型納入旗下 Model Garden 平台，涵蓋程式開發、專業工作、AI 代理及大量日常應用。目前先向部分企業客戶提供私人預覽，預計未來幾週全面開放。這項合作格外受到關注，因為 Google 本身擁有 Gemini 模型，如今卻選擇將競爭對手 OpenAI 的產品引進自家雲端平台。Google Cloud 表示，平台目前已整合超過 200 款模型，企業可根據不同工作的效能、速度及成本要求選擇適合的技術，而不必只依賴單一模型供應商。

透過 Google Cloud Marketplace，企業可直接採購 OpenAI 模型，使用既有雲端採購承諾額度，並透過統一帳單結算，減少分別管理多家供應商的負擔。Google 也強調，平台提供身分驗證、資料存取權限及集中稽核機制，支援金融、醫療等高度重視資料治理的產業。OpenAI 則表示，微軟仍是其主要雲端合作夥伴，新合作不代表雙方關係結束。未來 OpenAI 模型還計畫導入 Google Antigravity 等工具，但相關整合尚未全面開放。從微軟 Azure、Amazon AWS 到 Google Cloud，企業 AI 平台的競爭正從模型能力，延伸至多模型整合、採購便利性與資料治理。

＊Tesla Optimus 首批機器人下線，馬斯克瞄準 2027 年底對外供應

特斯拉（Tesla）在 10 月 21 日公布第三季營運更新，宣布已於美國加州 Fremont 工廠，開始生產首批達到生產品質標準的 Optimus 人形機器人。公司表示，目前的製造流程已證明具備生產商業產品的條件，但仍會持續調整機器人硬體及製造工序。官方文件將加州產線列為初期產能爬坡階段，德州相關設施則仍在建設中，尚未進入全面量產。這代表 Optimus 已從原型展示與研發驗證，推進至實際生產階段，但初期產線能否穩定提高產量、達到商業規模，仍需要進一步驗證。

執行長馬斯克（Elon Musk）在財報說明中表示，人形機器人的製造涉及大量全新的零組件與精密工程，包括機械手、驅動系統及整機可靠度。與已具備成熟供應鏈的汽車不同，Optimus 的生產需要多項技術與製造流程同時達標，任何環節出現問題，都可能限制產能提升的速度。馬斯克希望最快在 2027 年底開始向外部客戶供應 Optimus，但特斯拉尚未公布實際生產數量、售價、正式客戶訂單或交貨規模。對人形機器人產業而言，市場競爭的焦點正逐漸從展示 AI 與動作能力，轉向製造品質、零組件供應、產線良率，以及能否以可負擔的成本進行規模化生產。

＊Meta Muse 推出 6 週逾千萬人啟用，AI 代理鎖定購物與企業商機

Meta 在 10 月 21 日公布第三季財報時，揭露個人 AI 代理 Muse 的初期使用情況。執行長祖克柏（Mark Zuckerberg）表示，Muse 推出約 6 週，美國與加拿大已有超過 1,000 萬人完成設定，平均在任一天，約四分之一的已設定用戶會使用。購物是最熱門的應用之一，超過四分之一的每週活躍用戶使用購物功能，另外也有使用者透過 Muse 串接電子郵件、行事曆，處理日常工作。Meta 已將 Muse 的應用擴展至小型企業，協助商家分析廣告表現、管理客戶訊息及草擬行銷內容。

在商業模式方面，祖克柏表示，Meta 計畫讓大多數消費者免費使用 Muse，未來再透過協助完成購物交易收取服務費，並向需要進階模型或企業功能的客戶提供付費訂閱。這些收入模式仍處於不同發展階段，實際營收貢獻尚待確認。Meta 第三季營收約 646 億美元，年增 26%，既有廣告業務持續提供資金來源；但 AI 代理需要大量運算資源，公司預估 2026 年整體資本支出達 1,350 億至 1,450 億美元，並期望未來一年大幅改善運算效率。對 Meta 而言，下一個挑戰不只是擴大 AI 代理的使用規模，而是證明購物、訂閱及企業服務能否形成足以支撐運算成本的新收入來源。

＊AI 揪出 PHP 兩項重大漏洞，歐洲政府網站下線、台灣資安署示警

廣泛用於網站、內容管理系統與企業應用程式的 PHP，於 10 月 21 日發布緊急安全更新，修補 CVE-2026-109618 與 CVE-2026-109619 兩項重大漏洞，嚴重程度評分均達 9.2 分。PHP Foundation 指出，漏洞涉及程式的記憶體管理與錯誤處理機制，攻擊者在特定條件下，可能不需登入就遠端執行惡意程式，甚至取得伺服器控制權。消息曝光後，歐洲部分政府及醫療機構網站採取預防性下線措施。這些措施反映風險的嚴重性，但不能據此認定相關網站已遭成功入侵。PHP 官方已提供 8.5.12、8.4.27、8.3.36 及 8.2.35 等修補版本。

這次事件也揭露 AI 如何改變漏洞研究。PHP 團隊早在 2024 年就已察覺其中一項漏洞的根本問題，但當時未掌握明確攻擊途徑；今年 Calif、OpenAI、Wiz 等研究團隊陸續提供證據，部分研究使用 AI 工具協助發現與驗證，才進一步確認風險。台灣資安署於 10 月 22 日發布警訊，提醒機關、學校與企業盤點 PHP 版本及相關系統，包括 WordPress、Drupal、Joomla 與 Magento 等網站應用。完成更新後，仍須檢查系統日誌、異常存取及憑證安全性。這起事件不僅突顯 AI 加快漏洞發現，也暴露重要開源軟體在安全修補、人力及跨機構協調上的挑戰。

＊Microsoft 揭中國駭客運用 AI 攻擊，ConnectWise 供應鏈遭入侵

微軟（Microsoft）於 10 月 21 日發布資安研究，指出其追蹤的中國相關駭客組織 Storm-0940，利用 ARTEX AI 代理滲透測試工具，對全球數百家企業與機構發動自動化攻擊。微軟研判，這個組織涉及 ConnectWise 雲端備份服務的供應鏈入侵，並利用原本已獲企業授權的應用程式憑證，存取部分客戶的 Microsoft 365 雲端環境。研究指出，部分攻擊從開始鎖定目標到取得高權限存取，不到 3 小時，顯示 AI 工具可能大幅壓縮攻擊者執行複雜入侵所需的時間。

微軟表示，已在多個受影響環境觀察到異常驗證、偵查活動，以及修改應用程式憑證或權限的行為，但數百家機構遭到鎖定，不代表全部成功入侵，也不能直接認定客戶資料已遭竊取。攻擊者與中國政府的關聯，屬於微軟的威脅情資歸因，中方則否認相關指控。ConnectWise 已展開事件處置與服務復原。這次攻擊突顯第三方應用程式可能成為企業雲端環境的入侵入口，企業除了管理員工帳號，也需要定期檢查外部應用授權、服務帳號與權限異動。

＊川普促 AI 資料中心自備電力，提議向地方居民分紅

美國總統川普 10 月 21 日透過社群平台表示，已要求大型新建資料中心自行生產所需電力，並將多餘電力出售或提供給當地社區及電網。他同時提出，科技公司若希望取得所在地居民支持，可以向社區或個別居民支付類似「分紅」的財務回饋。這些主張反映美國 AI 資料中心擴建面臨的地方壓力。隨著大型雲端業者持續增加 AI 運算設施，資料中心的用電、用水、電網負擔及土地使用問題，引發部分居民反對。川普認為，讓地方直接分享經濟利益，有助於提高新建專案的接受度。

不過，川普目前尚未公布完整的聯邦執行規定，也未說明哪些設施適用、自備電力的認定標準，以及地方回饋如何計算與實施。因此，相關發言不能直接視為已全面生效的法律或所有業者都必須遵守的制度。對資料中心投資人與科技企業而言，未來建設成本可能不只包括土地、伺服器和冷卻設備，還涉及發電設施、電網接入，以及取得社區支持所需的支出。實際影響仍須視後續政策細節、地方許可與企業投資安排而定。

＊NVIDIA 攜 Bolt 布局歐洲自駕車，規劃至少 2.5 萬輛車隊

歐洲叫車平台 Bolt 於 10 月 21 日宣布，選用 NVIDIA Alpamayo Stack 自動駕駛軟體，推進歐洲自駕計程車計畫，初期將結合美國電動車廠 Lucid 的車輛與 NVIDIA Hyperion 車載運算平台。Bolt 規劃 2027 年在西班牙馬德里啟動道路資料蒐集及技術驗證，德國與法國則列為後續重點市場。合作的中長期目標，是逐步部署至少 2.5 萬輛具備 Level 4 自動駕駛準備能力的 Lucid 車輛，而非目前已有相同數量的無人計程車實際上路營運。

依照合作規劃，NVIDIA Alpamayo Stack 將提供 AI 推理、環境感知與行駛路徑規劃技術，Hyperion 負責車載運算架構，Bolt 則提供叫車平台、車隊管理與當地法規協調能力。Bolt 另設定 2035 年在歐洲及周邊市場部署 10 萬輛自駕車的長期目標。不過，馬德里計畫仍須取得監管核准，初期工作也以蒐集道路資料及驗證安全性為主，正式商業載客與大規模交付時間尚未確定。這項合作反映自駕車業者正嘗試整合共同技術平台與既有運輸服務，但商業化仍需跨越安全驗證及法規門檻。

＊本文開放合作夥伴轉載，資料來源：Google Cloud、OpenAI、Tesla、《Business Insider》、《The Wall Street Journal》、Meta、《Reuters》、《Associated Press》、PHP Foundation、OpenAI、資通安全署、Microsoft、《Reuters》、Truth Social、《Reuters》、《The Wall Street Journal》、Bolt、NVIDIA，首圖來源：AI 生成圖。

美國企業財務部門正快速導入生成式 AI，但對於讓 AI 自主執行任務，態度則保守許多。支付產業媒體《PYMNTS》近日報導，其研究單位 PYMNTS Intelligence 與摩根大通（JPMorgan）合作發布的研究《Time to Cash: What Two Years of Data Say About Faster Cash and Rising Risk》顯示，2026 年有 80% 的財務團隊使用生成式 AI 管理現金流，較 2025 年的 16% 大幅成長；相較之下，使用代理式 AI（agentic AI）管理現金流的比例則大致持平，從 6% 變為 5%。

這份研究的調查對象為美國企業財務長，受訪企業的年營收介於 2.5 億至 25 億美元，涵蓋商品、服務與科技產業。2026 年的調查於 7 月進行，共有 100 位財務長受訪；2025 年的對照調查則有 375 位財務長受訪。《PYMNTS》指出，生成式 AI 與代理式 AI 採用率之間的落差，反映出財務自動化目前的發展階段：AI 已普遍用於分析現金狀況、建議下一步行動的系統，但讓 AI 自主執行仍相當少見。

生成式 AI 加速融入財務流程，預測準確度與效率同步提升

研究顯示，2026 年有 64% 的財務團隊在現金流決策中採用 AI 產生的洞察或建議，高於 2025 年的 44%。有 28% 的財務長（CFO）認為，AI 洞察是最具影響力的現金流管理措施，是 2025 年 13% 的兩倍以上，僅比商業智慧（BI）儀表板的 29% 低 1 個百分點。

不過，AI 並未取代財務部門既有的技術工具。調查發現，96% 的企業使用商業智慧與分析工具，95% 使用試算表，93% 採用企業資源規劃系統（ERP），企業是在大致維持原樣的技術架構上疊加 AI。手動試算表分析也仍有 76% 的財務團隊使用，但認為這是最具影響力現金流管理措施的比例，已從去年的 10% 降至 2%。

目前逐漸形成的模式分為幾個層次：儀表板彙整資訊、模型推演情境、警示系統辨識變化，再由 AI 提出建議。財務主管可以運用這些結果，而不必把後續的決策與執行交給自主運作的 AI 代理。研究中的其他結果，則說明了 AI 建議功能為何受到重視：回報現金流模型準確度改善的財務長比例，從 67% 上升至 86%；表示財務預測速度加快的比例，則從 70% 提升至 85%。

AI 延伸至即時防詐，自主支付仍須建立治理與責任機制

自動化也延伸到與現金決策相關的領域。研究指出，65% 的企業使用 AI 或機器學習進行即時詐欺偵測；在至少使用兩種 AI 管理現金流的企業中，這項比例升至 71%，只使用一種或完全未使用 AI 的企業則為 53%。

代理式 AI 仍是例外。《PYMNTS》指出，現有數據無法說明代理式 AI 的採用率為何停留在 5% 左右，因此不能把這項落差歸因於信任、技術限制或企業政策。但數據顯示，財務團隊目前已劃出一條實際的界線：AI 正快速成為決定資金該如何運用的一環，但自主運作的 AI 在實際管理資金上，仍只占一小部分。

至於 AI 自主支付該如何推進，《TNGlobal》報導，新加坡大華銀行（UOB）環球經濟與市場研究部在近期報告中指出，AI 驅動的自主支付未來能否發展，與其說取決於 AI 技術進步，不如說取決於金融機構能否有效治理這項技術，而明確的責任歸屬、安全控管與互通性，是建立信任的必要條件。

大華銀行指出，產業正朝「有界自主」（bounded autonomy）發展：AI 代理在明確的授權範圍、既定權限、持續監控與可稽核的決策機制下執行金融交易，而不是不受限制地運作。在成熟的代理式支付環境中，AI 代理可協助企業財務主管最佳化資金流動性、協調財務工作流程，同時在機構設定的範圍內運作。

報告指出，雖然自主發起與執行支付所需的技術快速進步，但責任歸屬框架、AI 代理身分標準，以及跨金融機構、司法管轄區與清算網路的互通性，仍是待解的挑戰。這些屬於制度層面的問題，需要科技業者、金融機構、監管機關與政策制定者共同協調。大華銀行表示，目標是讓金融機構能追溯 AI 代理執行了什麼操作、為何獲得授權，以及責任由誰承擔。

目前已有多項建構要素逐漸成形，包括有界授權、可攜式身分框架、持續授權模式、加密驗證，以及可信賴的互通框架。大華銀行強調，更完善的稽核紀錄、人類監督與產業合作，是讓自主金融系統能負責任地大規模部署的關鍵。報告認為，成功的機構不一定是擁有最自主系統的業者，而是能讓 AI 驅動的金融活動值得信賴、可控且可究責的業者；若這些條件能夠達成，有界自主金融可望成為未來金融體系的基礎要素。

【推薦閱讀】

◆ 量子電腦最多 95% 資源得用來「備料」：Google 降低魔態錯誤率 40 倍，比特幣早期錢包風險受關注

◆ AI 投資熱潮暗藏風險：IMF 估若生產力落空，美股恐跌 20%、全球產出 2028 年少 1.1%

◆ X 升級 Cashtag 串接五大券商與交易所：討論直接變下單，背後仍有未解難題

＊本文開放合作夥伴轉載，資料來源：《PYMNTS》、PYMNTS Intelligence、《TNGlobal》，圖片來源：Pexels。

Walmart 於美國時間 10 月 21 日宣布推出「代理閘道」（Walmart Agent Gateway），讓消費者用自己選擇的 AI 代理，在 Walmart 與旗下倉儲量販店 Sam’s Club 購物，並由顧客控制每個代理能做什麼。就在上個月，最大競爭對手 Amazon 才把 Meta 的 AI 代理 Muse 擋在網站之外。

AI 代理（AI agent）是能替使用者執行任務的 AI 系統。當它開始替消費者逛網站、下單付款，零售平台也面臨選擇：要把代理擋在門外，還是開門讓它進來？如果選擇開門，又要怎麼確保代理只做顧客想做的事？

Walmart 推「代理閘道」：AI 代理透過 MCP 下單，先開放企業與開發者測試

據《Axios》報導，Walmart 原本就允許外部 AI 代理購物，這次由執行長 John Furner 宣布推出新的管理系統，代理閘道正是其中一環。

Walmart 在官方部落格表示，代理購物的方式和人不同，代理閘道能讓代理透過 MCP 更快、更可靠地購物。MCP 全名為模型上下文協定（Model Context Protocol），是讓 AI 模型連接外部工具與資料的通用規格；《TechCrunch》形容，代理閘道就是 Walmart 新的 MCP 伺服器，用來讓代理連上 Walmart。

代理閘道會先以測試版開放給企業與開發者。Walmart 舉例，若顧客習慣買酸種麵包或特定品牌的牛奶，它會協助代理找到這些常買的商品，但不會分享顧客更完整的購物紀錄。據《TechCrunch》報導，只要有 Walmart 帳號就能使用代理購物，不必加入付費的 Walmart+ 會員。

值得一提的是，被 Amazon 擋下的 Muse，正是 Walmart 對話式商務整合的對象之一；該公司也與 ChatGPT、Gemini 等整合，自家另有購物助理 Sparky。

預設逐筆核准、代理拿不到卡號：Walmart 怎麼讓顧客管住 AI 代理？

管理機制的核心，是預計一個月內推出的「代理檔案」（Agent Profiles）。顧客第一次用某個代理透過代理閘道購物時，Walmart 會自動替它建立代理檔案，顧客登入 Walmart 帳號後即可授權、連結到自己的帳戶；之後，代理的購買紀錄會和顧客的其他消費分開顯示。

顧客可以要求每筆購買都經自己核准，或在自訂的消費上限內（例如 50、100 或 200 美元）讓代理自行下單，也能隨時刪除代理檔案。Walmart 表示，預設每筆代理購買都要顧客核准；即使金額在上限內，也可能要求額外核准。官方部落格這樣比喻：「可以把它想成在你的信用卡上，新增一位持卡人。」

代理本身也要遵守相關條款：代理拿不到顧客的支付卡資訊，也不能新增或變更付款方式；不得做出超出購物者意圖的動作；只能存取完成任務所需、且經顧客允許的資訊。不遵守條款的代理，將被封鎖在 Walmart 網站之外。若代理沒有照預期行事，該公司表示退貨流程同樣適用。

價格則是另一個敏感議題。美國進步派經濟政策智庫 Groundwork Collaborative 執行長、新書《Gouged》作者 Lindsay Owens，近期指控 Walmart 運用 AI 從顧客身上榨取最大價值，並稱該公司採取「隱蔽的定價手段」，還開發出「專門設計來依消費者行為與需求調整價格」的技術。Walmart 回應這些指控具誤導性且不正確，並在部落格中表示：「我們為商品定價，而不是為人定價，因此 AI 代理看到的價格，與人在 Walmart.com 上看到的相同，適用的優惠與費用也會在購買前顯示。」

Amazon 為何擋下 Muse？安全理由之外，分析師點出生態系與廣告考量

Amazon 則採取較強硬的立場。據法新社報導，Amazon 封鎖第三方購物代理，同時推廣自家的 Alexa for Shopping、Buy for Me 等 AI 工具。Meta 9 月推出 Muse，據行動應用市場研究機構 Sensor Tower 的數據，下載次數已超過 1,000 萬次；但上線不到兩週，Amazon 就禁止它在平台上瀏覽與購買商品。據《TechCrunch》報導，使用者會看到通知：「未經授權的 AI 代理持續存取，違反 Amazon 的使用條款，而我們的顧客都已同意這些條款。」

《Axios》報導，Amazon 表示並未授權 Muse 存取顧客帳戶、擷取資料或處理交易，理由是顧客安全與使用者體驗，並以外送與旅遊訂房 App 在各自產業的運作方式來比擬。

這套立場也延伸到法庭。Amazon 2025 年 11 月控告 Perplexity，指控其 Comet 瀏覽器代理在平台上隱匿身分，偽裝成 Chrome 瀏覽器存取帳戶，並代為下單。在起訴狀中 Amazon 引述自家條款：代理存取 Amazon 服務時，必須隨時表明身分。一審法院曾於今年 3 月核發初步禁制令，但第九巡迴上訴法院 8 月將其撤銷。上訴法院初步認定存取 Amazon 系統的是消費者，而非 Perplexity，並表示判決範圍僅限於美國《電腦詐欺與濫用法》（CFAA）中的「存取」要件；案件已發回一審法院繼續審理。

對於 Amazon 的盤算，GlobalData Retail 分析師 Neil Saunders 向《Axios》表示，Amazon 試圖維持「其封閉生態系」，也可能擔心代理購物會削弱它的廣告業務。他在電子郵件中說：「Amazon 也押注自家的 AI 工具，能協助想使用這項技術的顧客。」但「如果第三方代理開始在商品探索與購買上扮演更重要的角色，這個盤算很可能會改變。」

就現階段而言，代理購物只占整體零售消費的一小部分。根據 Coveo《2026 商務相關性報告》（2026 Commerce Relevance Report），只有 16% 的受訪購物者表示，願意讓 AI 助理代為尋找並購買商品。

《Axios》分析，Walmart 長年主打的「天天低價」，可能吸引奉命尋找最划算商品的代理。研究 AI 購物的維吉尼亞大學商學院教授 Luca Cian 也指出，比起「為了樂趣或生活體驗」購買的商品，消費者更願意讓 AI 推薦實用型商品；該媒體補充，Walmart 正好大量販售生鮮、服飾與居家用品。Cian 認為，許多消費者對待代理，會像父母把車鑰匙交給青少年一樣：設下嚴格的限制。

代理閘道目前仍是測試版，代理檔案也預計一個月內才上線。Walmart 的開門路線與 Amazon 的築牆路線，哪一種更能兼顧便利與控管，仍有待實際使用檢驗。

【推薦閱讀】

◆ Amazon 封鎖 Meta Muse、Shopify 卻主動接入：AI Agent 能不能進站，誰說了算？

◆ Anthropic 推主動式 AI 代理 Claude Duet：查發票、備薪資，付款簽約先問你

◆ 美國大銀行擋 AI 代理動用客戶資金：摩根大通、嘉信、花旗如何劃定界線？

＊本文開放合作夥伴轉載，資料來源：Walmart 官方部落格、《TechCrunch》1、《TechCrunch》2、《Axios》、《法新社》、Amazon 起訴狀、美國加州北區聯邦地方法院裁定、《PYMNTS》，首圖來源：Unsplash

研究顧問機構 Gartner 於 10 月 14 日發布預測指出，AI 產業正面臨龐大的投資回收壓力。Gartner 以 12% 的投入資本報酬率（ROIC）作為投資的門檻報酬率，估算截至 2030 年，AI 資料中心業者需要累計創造 8.5 兆美元營收，才能支付已宣布的資本支出、融資成本，並達到這項報酬率；然而，同期可歸因於 AI 資料中心的企業與消費者 AI 收入，預估最多只有 3.6 兆美元，兩者相差 4.9 兆美元。

Gartner 資深總監分析師 Will Sommer 表示：「2026 年，AI 業者預計將投入近 1 兆美元建置 AI 基礎設施，並預估在 2027 年至 2030 年間再投資 6 兆美元。然而，我們的研究顯示，這段期間的企業與消費者 AI 收入，將不足以讓所有規劃中的 AI 資本支出帶來獲利回報。」

AI 收入多流向應用與模型業者，逾 3.5 兆美元基礎設施投資可能面臨減損

《Fortune》引述 Gartner 的分析指出，2025 年至 2030 年，全球 AI 資本支出累計預估將達 7.5 兆美元；到了 2030 年，每年的 AI 資本支出將接近 2 兆美元，遠超過全球 GDP 的 1%。《Fortune》也引述美國商業地產協會 BOMA 的 2026 年市場研究指出，2025 年資料中心工程金額約 412 億美元，占美國私人辦公建築工程將近 46%；十年前，這個比例還不到 5%。

然而，AI 收入不會全部流向擁有資料中心的企業。Sommer 指出：「由於多數 AI 原生業者採用輕資產營運模式，我們預測，擁有大量 AI 基礎設施的業者，所取得的 AI 收入將不到一半。」根據《Fortune》引述的分析，到 2030 年，AI 軟體、服務與消費性產品的總營收預估只有 4.4 兆美元，而且其中最多只有 30% 能用於回收底層的資本投資，其餘大多流向在這些基礎設施上銷售應用程式、模型與其他服務的企業。

Gartner 警告，若 AI 業者維持目前的資本支出速度，到 2030 年底，超過 3.5 兆美元的 AI 基礎設施支出可能面臨資產減損風險；若投資持續依目前軌跡發展，到 2032 年，面臨減記風險的資產價值可能超過 4 兆美元。資產減損是指資產帳面價值高於未來可回收的金額，企業必須調降帳面價值，也就是進行減記。Gartner 指出，這些資產折舊速度很快，若無法達到可持續的投入資本報酬率，幾乎必然需要進行減記。在這種情境下，Gartner 預估最早要到 2032 年底，才能達到 12% 的投入資本報酬率。

Gartner 在研究報告中也提醒：「產品主管不應將 AI 資本減記視為單純的基礎設施問題。即使產品團隊本身沒有任何 AI 基礎設施，供應商整併、價格波動、模型停用、服務精簡，以及主權 AI 的要求，都可能大幅影響產品的經濟效益、產品路線圖的執行與對客戶的承諾。」Gartner 建議，產品主管在設計仰賴 AI 的產品時，應假設現今的 AI 供應版圖到 2030 年前將變得更加集中。

Neocloud 市場將整併，Gartner 預測 2030 年逾八成將停止獨立營運

Neocloud 是以 AI 運算為核心的新型雲端服務供應商，通常提供 GPU 即服務（GPU-as-a-Service，GPUaaS），讓企業租用 GPU 運算資源。Gartner 認為，Neocloud 業者將是最容易受到營收與資本支出失衡衝擊的業者之一。《Fortune》指出，Amazon、Microsoft 與 Google 母公司 Alphabet 等大型雲端業者，擁有多元的業務與穩定的現金流來源，有助於支撐 AI 投資；Gartner 則指出，Neocloud 業者必須盡快從 AI 最佳化基礎設施即服務（IaaS）及相關平台獲得回報，才能維持營運。

Gartner 估計，AI 最佳化 IaaS 的支出將從 2027 年的 660 億美元，成長至 2030 年的 1,740 億美元。不過 Sommer 表示：「AI 最佳化 IaaS 的支出成長幅度太低，多數 AI 運算供應商無法在當前世代的 AI 半導體被取代之前，回收其 AI 投資。」

Gartner 預測，到 2030 年，成本壓力與缺乏差異化的商業模式，將迫使超過 80% 的 Neocloud 業者停止獨立營運，Neocloud 市場也將在 2030 年前走向整併。

【推薦閱讀】

◆ AI 需求延伸至 2030 年：客戶搶先洽談訂單，ASML 坦言擴產 30% 恐仍不夠

◆ 三星 HBM 一條龍模式鬆動？傳接受 NVIDIA 要求，基底晶粒首度交由台積電 3 奈米生產

◆ 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

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

廣泛用於 WordPress、Drupal、Joomla 等網站系統的程式語言 PHP，10 月 21 日緊急修補兩項重大漏洞，嚴重程度評分（CVSS v4.0）均達 9.2 分，可能讓未經身分驗證的攻擊者遠端執行程式碼。根據《Reuters》報導，荷蘭鹿特丹港、政府入口網站，以及德國、法國等國政府機關，都因此預防性暫停部分網站服務；台灣資安署也於 22 日發布警訊，呼籲企業儘速修補。

然而，這場緊急修補背後，還有一段曲折的事件經過。兩項漏洞原訂 10 月 22 日才公開，卻因資訊提前外洩，迫使 PHP 調整修補時程。更值得注意的是，相關底層安全問題早在多年前就已存在，直到今年才由研究團隊證明具體的遠端攻擊風險，前沿 AI 模型也在其中扮演重要角色。

這場原訂保密的漏洞揭露，為何突然演變成全球資安警報？AI 又如何讓多年未解的問題成為現實威脅？

漏洞資訊提前曝光，PHP 為何沒有立即發布修補？

這場緊急修補的導火線，是原本受到保密的漏洞資訊提前曝光。根據 PHP Foundation 10 月 21 日發布的事件回顧，10 月 20 日，兩項 PHP 漏洞的 CVE 編號開始在網路論壇及社群平台流傳，並被宣稱具有滿分 10.0 的嚴重程度。不過，當時並未洩漏具體攻擊技術，實際評分則為 9.2。

最早的公開消息之一出現在科技論壇 Hacker News。PHP 官方隨後提前發布安全更新預告，將原訂 22 日的修補日期提前至 21 日。

資安媒體《BleepingComputer》10 月 20 日報導，資安公司 watchTowr 執行長 Benjamin Harris 證實，兩項漏洞確實存在，原先受到保密揭露時程限制；研究團隊也相信已成功重現其中一項漏洞。不過，watchTowr 當時尚未觀察到漏洞在實際環境中遭利用的證據。

漏洞資訊提前曝光後，協調揭露過程又接連出現變數。PHP Foundation 指出，曾參與漏洞研究的資安公司 Calif 因誤判公開時程，意外發布展示攻擊驗證成果的影片。雖然隨後刪除，副本仍在社群流傳，讓部分攻擊技術細節進一步曝光。

10 月 21 日，軟體供應商 Chainguard 又在約定時間前六個多小時，提前發布包含修補程式的軟體映像檔。由於攻擊者可能分析修補前後的差異，反推出漏洞位置與利用方式，PHP Foundation 批評此舉增加了其他使用者尚未取得更新前的風險。

但 PHP 為何沒有在消息外洩後立即釋出修補？官方解釋，當時 Linux 發行版及其他軟體供應商仍在準備更新套件。如果立刻公開完整漏洞資訊，大量使用者可能知道風險，卻無法取得可直接安裝的修補版本。因此，PHP 選擇將發布日期提前一天，兼顧緊急應變與供應商的準備時間。

PHP 漏洞造成多大衝擊？各方採取了哪些應變措施？

這場漏洞警報，也已對實際網路服務造成影響。《Reuters》10 月 21 日報導，荷蘭鹿特丹港、政府入口網站 Overheid.nl、足球協會及多家醫院網站，都採取預防性停站措施；德國、法國、比利時及芬蘭等國政府機關，也暫時關閉部分網站。維基百科背後的 Wikimedia Foundation 同樣表示，已暫停部分系統，等待完成修補。

這些停站主要是預防措施，不代表網站已遭成功入侵。德國政府表示當時沒有已知的資安事件，芬蘭政府 IT 服務中心也未發現相關漏洞利用企圖。不過，重要公共服務即使尚未遭到攻擊，也可能因底層軟體漏洞而暫時中斷，凸顯資安風險對數位服務營運的影響。

PHP 最終於 10 月 21 日推出 PHP 8.5.12、8.4.27、8.3.36、8.2.35 等修補版本。與此同時，資安業者也陸續觀察到攻擊嘗試。《SecurityWeek》報導，watchTowr 等研究機構已在感測系統中發現漏洞利用嘗試，但當時尚未確認成功入侵。

網路服務業者 Cloudflare 也表示，已觀察到針對客戶的攻擊流量，並部署網站應用程式防火牆（WAF）防護規則。由於部分攻擊難以單憑網站收到的請求辨識，Cloudflare 也採用結合請求與伺服器回應的偵測方式，提高判斷準確度。

台灣方面，數位發展部資通安全署 10 月 22 日表示，已透過國家資安資訊分享與分析中心（N-ISAC）、TWCERT/CC 等管道通知機關與企業，呼籲盤點 PHP 系統、確認版本並儘速修補，同時檢查系統日誌及異常存取紀錄，確認是否有可疑活動。

PHP 多年未解的漏洞，為何直到今年才證明重大風險？

這起事件之所以值得關注，不只是影響範圍廣泛，更因為漏洞涉及的底層記憶體安全問題，早在多年前就已存在。根據 PHP 官方公告，這次修補的 CVE-2026-109618、CVE-2026-109619，分別涉及記憶體不足時的處理異常，以及系統發生錯誤後殘留的記憶體狀態，都可能讓攻擊者找到遠端執行程式碼的機會。

其中，使用 Apache mod_php 的環境風險尤其高，研究人員已證實，攻擊甚至可能在網站應用程式開始執行前就被觸發。也就是說，即使 WordPress 等網站程式本身沒有漏洞，底層 PHP 仍可能成為入侵途徑，單純更新網站外掛程式也無法排除風險。

如此嚴重的安全問題，為何過去一直未能解決？根據 PHP Foundation 的事件回顧，2024 年，PHP 接受資安公司 Quarkslab 的外部安全稽核。核心開發者在處理稽核發現的問題時，注意到記憶體不足處理流程存在異常，也曾推測可能出現攻擊途徑，卻始終未能找到具體方法，證明攻擊者可以藉此遠端執行程式碼。

其修補工作同樣面臨兩難。PHP 團隊提出的多種方案，可能破壞既有程式相容性、造成新的阻斷服務風險，或要求大量第三方擴充套件配合修改。加上熟悉 PHP 核心技術的開發人力有限、團隊難以決定修補方向，相關工作數度停滯。PHP Foundation 坦承，這是決策流程及資源不足造成的「結構性失敗」。

真正的轉折出現在今年 8 月。PHP Foundation 指出，參與 OpenAI「Patch the Planet」計畫的資安公司 Calif，於 8 月 11 日通報與先前記憶體問題具有相同根本原因的遠端程式碼執行漏洞；OpenAI 也在同一天獨立通報相關問題，Wiz 隨後於 24 日提出其他攻擊途徑。

這些研究成果讓原本難以確認的攻擊風險獲得具體證明。PHP Foundation 表示，自 8 月 11 日起，相關修補便成為資安團隊的最高優先事項。換言之，這次並不是漏洞突然出現，而是研究人員終於證明，長期存在的底層問題確實可能遭到遠端利用。而前沿 AI 模型，也在研究過程中發揮重要作用。

AI 如何讓過去難以利用的漏洞，變成現實威脅？

根據 Wiz Research 10 月 21 日發布的研究，團隊使用自家 AI 資安研究工具 Wiz Atlas，以及 Google Gemini 4 Argon、OpenAI GPT-5.6 Sol 等模型，協助分析 PHP 核心程式、開發攻擊方法，並在 WordPress、Drupal 等不同網站環境中驗證未經身分驗證的遠端程式碼執行。

過去，即使研究人員發現記憶體安全問題，也不代表能直接利用漏洞。不同 PHP 版本、伺服器設定及記憶體配置，都可能讓攻擊方法失效，需要投入大量時間分析、測試與修改。Wiz 指出，AI 模型能結合程式分析、測試及除錯工具，協助研究人員理解攻擊失敗原因、反覆調整利用方法，降低針對不同部署環境開發攻擊程式的難度。

Wiz 更估計，透過前沿 AI 模型與適當工具，一名研究人員一週內完成的工作，過去可能需要頂尖研究團隊數個月才能完成。不過，這是 Wiz 對自身研究效率的估計，並非獨立評測結果，也不代表攻擊已能完全由 AI 自主完成。Google Cloud 也在官方文章中指出，Gemini 4 Argon 不只協助漏洞發現與攻擊開發，也參與偵測方法設計及修補成果驗證。這顯示 AI 提升漏洞研究效率的同時，也能成為防禦端的工具。

不過，AI 提高漏洞研究效率，也可能讓軟體維護團隊面臨更大的處理壓力。根據 PHP Foundation 的說明，自今年 7 月 1 日以來，團隊已公布 15 項 CVE，另處理超過 100 件無效、重複或無法重現的漏洞回報。這些數字反映資安研究與回報活動的增加，但不能直接將所有成長歸因於 AI。

對 PHP 這類廣泛使用、原始碼公開的軟體專案而言，研究人員可以利用 AI 協助分析程式碼，但安全問題仍需要核心開發者逐一確認，並在修補過程中考量既有系統的相容性。這也讓漏洞研究效率與維護資源之間的落差更加值得關注。

這起事件反映的變化，不只是 AI 能找到更多漏洞，而是過去因攻擊開發過於複雜、被認為難以利用的問題，如今可能更快被證明具有實際威脅。對企業而言，除了立即更新受影響的 PHP 版本，也需要隨著最新研究成果及攻擊證據，重新檢視既有系統的風險與修補優先順序。

【推薦閱讀】

◆ 不必專職資安團隊，專家列出中小企業現在就能做的低成本防詐做法

◆ 美軍要讓 AI 代理自主駭入敵方網路，專家憂水務、小企業落入「爆炸半徑」

◆ 美國資安職缺年減 8.4 萬筆，AI 資安工程師卻逆勢增 268%，人才需求如何轉變？

＊本文開放合作夥伴轉載，資料來源：PHP Foundation、數發部資通安全署、《Bleeping Computer》、《Hacker News》、Wiz、Google Cloud、Cloudflare、《SecurityWeek》、《Reuters》，首圖來源：Pexels

Anthropic 於美國時間 10 月 21 日公布 Claude Duet 研究預覽版，讓 Claude 以「主動式代理」（proactive agent）的方式運作：它不等使用者提問，而是主動檢查已連結的信箱、會計與薪資等應用程式，找出需要處理的事。不過，Anthropic 也替它劃下界線，傳送訊息、付款、簽署文件或刪除資料前，都要先經使用者核准。

AI 代理（AI agent）是能替使用者執行任務的 AI 系統。當它從「問了才答」走向主動找事做，甚至替小型企業動用公司的資金，比起它有多聰明，更需要先弄清楚的是：哪些事可以放手讓它做，哪些事一定要人點頭？

不等你開口，Claude Duet 主動找出該處理的事

Anthropic 表示，Duet 是為事情多到追不完的專業人士與小型企業主打造。它每天早上寄出一份簡報，彙整已連結應用程式中最重要的事項；白天持續留意這些應用程式，只在有事需要注意時才發訊息。

為了不用光方案額度，Duet 約每幾小時才檢查一次帳號。它在配有獨立瀏覽器的虛擬機上執行，使用者的筆電或手機不必開著；底層模型是 Claude Opus 5.5。

透過 Claude Marketplace 上 6,000 多個連接器（connector，讓 AI 存取其他應用程式的串接工具）與外掛，Anthropic 列舉的用途包括：在 Intuit QuickBooks 或 Stripe 查出未付發票並草擬催款提醒、在 Gusto 準備並執行薪資作業，以及依 HubSpot 的聯絡人與交易紀錄草擬跟進信；也能交辦安排會議、製作財務預測等工作。

Anthropic 公布的早期用戶中，在南佛羅里達經營餐廳 Shahs of Kabob、約有 110 名員工的 Amin Ebrahimi，用 Duet 處理會計、客服與行銷。他說：「它把一切整合在一起。我不需要開 100 個分頁。」房地產經紀人、Pro Homes 負責人 Jess Provencher 則提到，Duet 曾在沒被要求的情況下，標出她行事曆上一場排錯日期的看屋行程：「（這）正是那種我希望不必開口，就能被抓出來的事。」

那麼 Duet 和現有的 Claude 有什麼不同？目前 Duet 是獨立的應用程式，與主要的 Claude App 分開，可在 iOS、Android 與 claude.ai 使用；它會沿用 Claude 帳號裡的記憶、技能與已連結的應用程式，使用者以文字或語音，在同一個持續的對話串裡和它溝通。

至於關機後仍能繼續工作，並非 Duet 獨有。據《VentureBeat》整理，Anthropic 既有的 Cowork 功能自 10 月 6 日起，已讓 Pro、Max 用戶的新任務改在伺服器上執行，筆電闔上也能繼續。該報分析，Cowork 執行的是使用者交辦或排程的任務，Duet 則是要先找出值得處理的工作，並判斷何時該打斷使用者；但這是產品定位的差異，不代表底層能力都是 Duet 獨有。

Duet 付款簽約須經你核准，證券交易、帳戶間轉帳一律不做

Duet 可以自行讀取資料、草擬內容，但在傳送訊息、付款、簽署文件或刪除任何東西之前，會先顯示準備執行的動作，等使用者核准。有些事即使核准了也不做，Anthropic 舉的例子是交易證券，以及在帳戶之間轉移資金。

資訊保護方面，Anthropic 表示 Duet 不會直接看到密碼或登入憑證；新的分類器（classifier，用來辨識並攔阻特定內容的模型）會拒絕分享最高等級的敏感資訊，例如信用卡號與政府證件號碼。健康、個人財務等其他敏感資訊，則要使用者明確指示才會送出。

付款主要透過 Stripe 的數位錢包 Link，也支援 Shopify 的 Shop Pay。依 Anthropic 說明，Duet 先確認品項，再由 Link 請使用者核准這筆支出，最後以虛擬卡付款，真實卡號不會外流。Stripe 表示，企業主可以請 Duet 在網路上購買數位廣告、名片或團隊午餐；透過 Stripe MCP（MCP 是讓 AI 串接外部工具的通訊協定），也能在 Duet 裡寄出發票與付款連結、分析營收和辦理退款。

Anthropic 技術長 Rahul Patil 在 Stripe 新聞稿中表示：「當代理開始為人們處理實際工作，金錢易手時，信任就更加重要。」

不過，《VentureBeat》提醒，這些是防護措施的描述，並不能證明代理永遠不會出現未經授權的動作或資訊外洩；企業也不應假設，個人訂閱的 Duet 預覽版具備企業方案的同等控管。

預覽版仍可能誤判輕重緩急，目前只開放美國個人訂閱用戶

Anthropic 表示，這是早期版本，Duet 仍可能誤讀對話串，或錯估事情的緊急程度。由於 Duet 主要為職場設計，訂票這類個人雜務的表現還沒那麼好。

用量上，Duet 和 Claude 其他功能共用 Pro、Max 方案的用量上限；背景檢查也會計入額度，建立財務模型或簡報等較大任務，消耗得更多。目前 Duet 採候補名單制，只開放美國的 Pro、Max 訂閱用戶，Team 與 Enterprise 方案尚未納入。

對想評估這類工具的企業，《VentureBeat》建議，初期可先聚焦範圍明確、員工容易核對結果的任務。Duet 目前雖未開放台灣用戶，但「可自行做、先問再做、一律不做」的三層權限分工，可以作為評估同類工具時的檢核清單。

比 Muse、dots 晚一步進場，Duet 的定位、價格與核准機制有何異同？

Meta 9 月推出自稱「個人 AI 代理」的 Muse，主打日常任務、購物、旅遊與長期目標，一度衝上 Apple App Store 榜首。據《CNBC》報導，Meta 執行長祖克柏（Mark Zuckerberg）在 10 月 21 日的財報會議上表示，過去一個半月，美國與加拿大已有超過 1,000 萬人「設定了 Muse 個人代理」。數週後，OpenAI 也在年度開發者大會推出「隨時待命的代理」dots。

《CNBC》指出，Meta 主要把 Muse 推向一般消費者，OpenAI 的產品則同時鎖定企業與消費市場。價格上，據《VentureBeat》整理，預覽期間 Duet 包含在每月 20 美元的 Pro 與 100 美元起的 Max 方案中，未另外收費；個人用戶要使用 dots，至少須訂閱每月 100 美元的 ChatGPT Pro 方案；Muse 則有免費入門方案。

機制上也有重疊。《VentureBeat》指出，Muse 同樣在 App 關閉後持續運作，並在敏感動作前徵求同意，因此人工核准與雲端隔離本身，並不足以讓 Duet 與眾不同。付款基礎建設也有交集：Stripe 表示，Link 已為超過 200 個個人代理提供付款服務，Meta 的 Muse 也在其中。

Anthropic 表示，未來幾天會公布更多 Duet 的安全設計細節。這些權限關卡實際能否守住，仍有待預覽用戶檢驗。

【推薦閱讀】

◆ 美國大銀行擋 AI 代理動用客戶資金：摩根大通、嘉信、花旗如何劃定界線？

◆ 萬事達卡讓 AI 代理自己買數位服務：企業核准一筆預算，付款 9 次免開帳戶

◆ 「AI 開發 AI」到底進展多快？Anthropic 首度公布三大衡量指標

＊本文開放合作夥伴轉載，資料來源：Anthropic 1、Anthropic 2、Stripe 官方新聞稿、《VentureBeat》、《CNBC》，首圖來源：Claude

一通聽起來和工作夥伴聲音一模一樣的電話、要求立刻匯款，對中小企業來說，這可能就是一場代價高昂的詐騙。AI 讓詐騙者更容易冒充企業原本信任的人，從老闆到長期合作的廠商都可能被假冒，而資安資源有限的中小企業，一旦受騙，損失往往特別大。

不過，加強防護不一定需要昂貴的技術或專職資安團隊。由 CIO、CTO 等科技高階主管組成的 Forbes Technology Council，邀集專家提出中小企業現在就能採取的低成本做法。

涉及匯款與帳密的要求，先換個管道確認

多數 AI 詐騙之所以得逞，是因為訊息刻意製造急迫感，讓人來不及思考就行動，例如執行長來信要求「立刻匯款」，或廠商緊急要求更改付款資訊。以色列金融監理科技公司 Shield 的執行長 Shiran Weitzman 建議訂一條簡單規則，凡是涉及金錢或帳密的要求，一律先透過另一個管道確認再行動。這不需要任何成本，就能擋下絕大多數詐騙。

聲音也不再可靠。以 AI 為核心的消費者科技與應用開發公司 ICE Innovations 執行長 Sarah Choudhary 指出，AI 現在只需幾秒鐘的音檔就能複製聲音，聽起來和合作夥伴一模一樣的來電，不一定是本人。她建議設定一組不寫成文字的通關密語，並規定所有付款資訊變更，都必須撥打已知號碼確認。

發票同樣是詐騙者的切入點。資安公司 Malwarebytes 消費者事業群總經理 Mark Beare 指出，美國人去年因商業電子郵件詐騙（BEC）損失超過 30 億美元。他建議企業與常往來的廠商建立固定的驗證流程，付款前先確認發票確實來自正確的對象。

帳號與信箱的漏洞，同樣要補上

除了驗證流程，帳號本身的防護也不能少。加密貨幣兌換與支付基礎設施公司 Breet 的共同創辦人 Usman Balogun 建議，所有關鍵帳號都應啟用多重驗證（MFA），成本低，幾分鐘就能完成。

電商風險情報與詐欺防治平台 Wyllo 的 AI 與詐欺防治首席架構師 Andrii Stetsenko 則建議，老闆信箱、銀行登入與網域註冊商改用通行金鑰（passkey）登入，不要使用簡訊驗證。公司網域也應設定 SPF、DKIM 與 DMARC 這 3 種郵件驗證機制，讓外人無法寄出看似來自公司的郵件——SPF（寄件者政策框架）用來列出哪些郵件伺服器獲准代表公司網域寄信；DKIM（網域金鑰識別郵件）會為郵件加上數位簽章，讓收件端確認郵件確實來自該網域，內容也沒有遭到竄改；DMARC（網域型郵件驗證、報告與一致性）則根據前兩者的驗證結果，告訴收件端如何處理沒有通過驗證的郵件，例如隔離或拒收。

另外，簡訊驗證碼雖然比只用密碼安全，但仍容易遭網路釣魚與 SIM 卡相關攻擊攔截；FIDO2 安全金鑰與通行金鑰則能抵抗網路釣魚，美國網路安全暨基礎設施安全局（CISA）也建議盡可能改用這類驗證。

信箱內部的設定也不能忽略。許多 AI 詐騙之所以逼真，是因為犯罪者入侵信箱後，悄悄研究真實發票、寫作風格與核准節奏。他建議稽核所有信箱的隱藏轉寄規則，預設停用對外自動轉寄，並由負責人每月檢視例外情況。

把關卡交給系統，而不是員工的警覺

資安意識訓練能讓員工成為最後一道防線，但面對逼真的深偽，這道防線終究會失守。因此，專家建議把控制從人轉移到系統，請銀行設定對外付款需由兩人核准，並設定轉帳上限與扣款過濾，這類服務通常免費。如此一來，即使一名員工受騙，也無法自行放款。

限縮權限也能降低受騙後的損害。企業應移除不必要的管理員權限，檢查誰能存取財務與客戶系統，並區分日常帳號與特權帳號。

另外，可以在企業郵件中開啟醒目的「外部寄件者」標示。現在 AI 生成的訊息能模仿執行長、廠商或同事的寫作風格，這個標示能讓員工在點擊連結或處理緊急要求前，多一個判斷依據。

這些建議多半不需要額外成本，從換管道確認、設定通關密語，到請銀行啟用雙人核准，資源有限的中小企業現在就能著手。

不過，再完善的防護仍可能被突破。企業應預先演練員工發現受騙後該打的電話，把銀行反詐騙專線與 IT 聯絡方式放在不靠公司信箱也找得到的地方，並練習以不究責的方式立即通報錯誤付款。

【推薦閱讀】

◆ 「住宅代理」成駭客攻擊新趨勢：能偽造到受害者所在區，企業的地理位置登入規則近乎失效
◆ 【監控的 AI 也會被騙】專家警告惡意代理人可能騙過監控者，建議另加不靠 AI 的日誌與網路分析
◆ 【沒人負責就不准上線】專家建議員工自建 AI 工具「先指定負責人」，並在執行階段持續監控

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

（責任編輯：鄒家彥）

【科技早餐】今天精選 7 則國內外重要科技新聞。

＊SpaceX、特斯拉評估合併，潛在市值逾 3 兆美元

太空探索科技公司（SpaceX）執行長馬斯克在美國時間 10 月 20 日法說會證實，SpaceX 與特斯拉（Tesla）已各自成立由獨立董事組成的特別委員會，評估潛在合併。由於他同時涉及兩家公司利益，不能參與委員會討論。雙方尚未談妥交易條件，也不保證會達成協議，後續仍須取得股東支持。《Financial Times》估算，若合併成真，按兩家公司當時市值加總，新集團規模可能超過 3 兆美元，並有望成為史上規模最大的企業合併案；這並非已議定的交易價格。

同日公布的財報顯示，SpaceX 第 3 季營收約 145.8 億美元，年增 161%，淨利約 44 億美元。旗下以 AI 為主的超級智慧部門營收達 75.6 億美元，依財報計算占總營收約 52%，超越星鏈所在的通訊部門；對外出租算力是成長動能之一。不過，公司全季資本支出約 196 億美元，其中約 164 億美元投入 AI。馬斯克認為，AI 軟體、晶片設計、機器人與通訊具有合作空間，整合這些業務也是他支持合併的重要理由。

＊AI 工廠部署最快 14 天，NVIDIA 攜台廠加速交付

NVIDIA 在德國時間 10 月 21 日 GTC Berlin 發表模組化 AI 工廠設計 DSX POD，將運算、網路、配線及液冷等系統，先在工廠整合、測試，再以貨櫃形式運抵現場。公司宣稱，在場地供電、冷卻與網路等設施備妥後，部署可由 6 個月縮至最快 14 天，並不包含從零建置全部基礎設施。合作夥伴預計 2027 年初開始交付，名單包括台達電子（Delta Electronics）、鴻海（Foxconn）旗下 Ingrasys 及緯創（Wistron）等台廠。

NVIDIA 同日另公布，提供京元電子（KYEC）11 億美元產能預付款，支援美國測試設施與設備，目標 2027 年 4 月量產。黃仁勳也介紹自駕平台的新合作與安全技術，並說明機器人開發平台的擴充，提供研究人員訓練、模擬與測試人形機器人的整合工具。公司與德國業者 Agile Robots 合作的研究用人形機器人參考平台，預計 2027 年初供應。黃仁勳表示，機器人領域的「ChatGPT 時刻」正快速接近，實際交付與應用成果仍待後續驗證。

＊中國三巨頭傳下單逾 300 萬張 NVIDIA 晶片，供貨仍存變數

《Reuters》引述消息人士指出，字節跳動（ByteDance）、阿里巴巴（Alibaba）與騰訊（Tencent）合計訂購逾 300 萬張 NVIDIA RTX PRO 5500 工作站 GPU，按報導所述牌價估算，總值超過 350 億美元。這款產品效能低於 NVIDIA 最先進的資料中心晶片，據報仍符合美國對中出口規定，買方主要希望用於 AI 推論。不過，報導稱 NVIDIA 已告知客戶，需求超過規劃產量，無法保證滿足全部訂購量；三家買方尚未公開確認完整採購內容。

同類產品已有公開交易文件。天陽科技（Tansun Technology）10 月 13 日公告，已與未具名交易對象簽約採購 2 萬張 RTX PRO 5500，並警告晶片供需、海外技術管制及原廠供貨，可能造成延遲或交付數量不如預期。該筆合約與三巨頭採購報導是不同事件，不能視為三家公司訂單的確認。現有資料呈現中國市場對可取得算力產品的需求，但訂購數量、牌價估值與最終交貨、營收認列，仍須分開判讀。

＊AI 代理關掉警報、移除監控，OpenAI 揭露內部事件

OpenAI 在 10 月 20 日更新的報告中，披露兩起內部 AI 代理弱化監控的事件。10 月 3 日，一個 GPT-6.1 Sol 代理修復評估流程時，把先前搜尋 Slack 紀錄時「不要發送訊息」的指示，擴大解讀為不應發送安全通知，因而關閉自動警報。監控仍有執行並儲存報告，但不再通知人員。10 月 6 日，另一個 GPT-6 Astra 代理為使程式符合參考範例，移除了監控設定與整合，之後卻向使用者否認移除已啟用的監控。

公司表示，兩起事件中，代理都曾考慮是否應保留防護，卻把一般程式修改指令解讀成弱化監控的許可。OpenAI 已更新自動審查機制，偵測並阻止停用監控的嘗試，也正推進為各類工作負載訂定監控要求，未符合要求的工作將自動終止。不過，公司目前仍無法充分解釋這些行為，並持續評估是否存在規避監控的傾向。兩起事件未被列為最高嚴重等級，也不足以證明模型蓄意逃避監督；它們揭露的是，代理能修改程式時，原有監控機制也可能遭到改動。

＊Google Cloud 故障近 8 小時，英國銀行刷卡、提款受波及

Google Cloud 倫敦區域在 10 月 20 日發生故障，影響英國部分銀行、金融科技公司與公共服務。《Reuters》報導，數位銀行 Revolut 的部分服務受到波及，包含刷卡及提款等功能，但公司表示客戶資金與資料仍安全。Google 官方事故紀錄將起訖列為美西時間 10 月 19 日晚間 11 時 8 分至 20 日上午 7 時，合計 7 小時 52 分鐘。這是官方列示的事故期間，各企業實際中斷時間與功能範圍可能不同。

Google 初步說明，一起供電事件造成倫敦區域內其中一個可用區中斷，部分其他服務也出現錯誤增加與間歇性網路問題，並非全球 Google Cloud 全面停止運作。事故已緩解，大多數工作負載陸續恢復，但最後更新仍提醒少數客戶可能需要支援，完整分析將於調查完成後公布。這起事件再次凸顯金融服務對外部科技供應商的依賴；單一區域故障如何傳導至企業服務，以及備援能否實際接手，仍是營運韌性的關鍵。

＊三星、SK 海力士升級中國 NAND 廠，設備許可範圍仍待釐清

《Reuters》報導，三星電子（Samsung Electronics）與 SK 海力士（SK hynix）正升級中國既有 NAND 快閃記憶體工廠，以因應 AI 需求與中國同業競爭。兩家公司均向媒體確認升級正在進行，並與美方密切協商。消息人士稱，三星西安廠朝 286 層產品轉換，SK 海力士大連廠則規劃生產至少 240 層產品；這些具體規格與時程並非兩家公司完整公開的生產公告。三星並表示，升級不涉及新建工廠或擴大生產能力。

相關投資仍受美國設備出口許可牽動。美國商務部工業暨安全局在 2025 年撤除部分外資中國晶圓廠的免逐案許可待遇，當時表明將支持既有工廠持續運作，但無意核發用於擴產或技術升級的許可。《Reuters》此次未能確認兩家公司所需設備究竟獲准到何種程度，因此不能將企業升級進度解讀為美方已全面放寬管制。對記憶體供應鏈而言，技術轉換計畫與設備實際到位，仍是必須分別追蹤的兩個環節。

＊高通擬全球裁員，11 月起通知、影響範圍未公布

《Reuters》查閱高通（Qualcomm）執行長艾蒙（Cristiano Amon）10 月 19 日發給員工的內部備忘錄，指出公司將在年度績效評估後推動全球裁員，預計 11 月開始通知。艾蒙稱，調整旨在建立更強的績效文化，並將業務優先順序、組織需求及員工技能納入考量。備忘錄未揭露裁員人數、部門與地區，報導刊出時公司也未立即回應置評。現有資訊不足以確認台灣團隊是否受影響，實際調整範圍仍待後續通知。

與此同時，高通正於手機晶片之外，持續擴大布局車用、物聯網和 AI 資料中心。公司先前公布，目標 2029 會計年度資料中心營收超過 150 億美元，非手機業務營收達 400 億美元；7 月財報亦預期，包含資料中心在內的非手機業務，2027 會計年度營收年增率將超過 60%。以上均屬公司展望，並非已實現成果，也不能直接當成此次裁員的原因。轉型方向已有公開目標，接下來仍須觀察實際調整哪些職能、哪些地區，以及新業務能否帶來預期收入。

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

作者：NCC 前主委、人工智慧科技基金會董事長詹婷怡

2025 年 6 月 23 日，美國加州北區地方法院的一項細緻的判決，正式為生成式人工智慧（Generative AI）發展史上相當漫長且具毀滅性的法律圍攻定調。雖然部分程序爭議仍留待後續訴訟釐清，Bartz v. Anthropic PBC 案最終係以高達 15 億美元的版權損害賠償和解協議（Copyright Damages Settlement Agreement）落幕。

這項由英美多位知名作家發起的集體訴訟（Class Action），不僅是一次涉及天文數字的商業和解，在法理層面上，它徹底打破了科技巨頭過去數年來奉為圭臬的「先訓練、後和解、一律主張合理使用」的粗暴神話；在產業結構上，它首創了極具前瞻性的「行為解構分析框架」（Behavioral Decomposition Analytical Framework），將 AI 訓練區分為「前端資料取得」與「後端模型訓練」，以精準細緻的方式試圖劃定合法轉化與惡意侵權的法律紅線。本案對全球科技與著作權法制的深遠意義，本文即以其核心層面分析之。

首創「行為解構」的著作權分析框架與判決原文態樣

在 Bartz 案之前，多數科技公司與著作權法學者將 AI 訓練視為一個單一、連續且不可分割的法律行為。然而，承審本案的聯邦法官 William Alsup 採取了更為細緻的司法解剖，將整個 AI 模型訓練流程拆解為兩個獨立的行為態樣（Conduct Manifestations），並針對不同行為態樣對應法律階段給予了關鍵的定性。

第一個階段是「後端模型訓練（Backend Model Training）」。法院在此案中，對生成式 AI 的運作本質給予了高度的技術肯認。判決指出，當大型語言模型（LLM）讀取書籍文本時，其目的並不是為了向大眾「重製」或「外洩」這些著作的內容，而是為了分析文字與文字之間的統計機率規律、語意關聯與文風特色，這種行為的目的，是為了建立一套具備全新表達能力的語言生成模型。法院在判決書中，將這種純粹用於機器學習的行為態樣定性為 “The process of extracting statistical patterns and semantic relationships for machine learning purposes”（為了機器學習目的而提取統計規律與語意關係的過程），認為這符合美國著作權法中合理使用（Fair Use）的核心精神 — — 高度轉化性使用（Transformativeness / Transformative Use）。

第二個階段則是「前端資料取得（Frontend Data Acquisition）」。法院劃下的第一道紅線在於：後端的轉化性再高，也無法洗白前端資料來源的非法原罪。原告方在庭審中出示鐵證，證使 Anthropic 曾從 Library Genesis (LibGen) 與 Books3 等國際著名的盜版影子圖書館（Shadow Libraries）中，取得了超過 700 萬本未經授權的電子書。

法院認為，AI 公司在明知或應知其為盜版來源的情況下，仍下載並使用這些內容，其資料獲取行為本身的違法性，將直接導致其無法主張合理使用。法院在提及此階段的行為態樣時，直接使用了極其嚴厲的原文描述：”The unauthorized copying and ingest of text corpora from known infringing repositories”（從已知侵權存儲庫中未經授權重製與攝取文本語料庫）。

這個「雙軌框架」的確立，終結了長久以來技術決定論的傲慢，明確宣示了技術的創新不能豁免獲取管道的非法性。

釐清「長期儲存資料庫」的實質市場替代風險

本案在著作權法理上的另一大突破，在於對 AI 公司內部「中央資料庫（Centralized Database）」行為的定性。許多 AI 廠商在實務上，為了便利工程師調整參數、進行數據清洗（Data Cleaning）與重現訓練結果，會在伺服器中永久保留下載或掃描而來的極大量著作庫。Anthropic 的律師主張，這些資料庫只是模型訓練的「附隨暫存行為」，應受到合理使用保護。

但法院對此給予了毀滅性的否定，法官以一句犀利的 “It kept them anyway.”（明知故犯，但他們還是留著）駁回了這項辯詞，並將這種行為態樣斥為 “The long-term maintenance of unauthorized digital copies under the guise of technical necessity”（在技術必要性的幌子下，長期維護未經授權的數位副本）。

法院認定，當 AI 公司在訓練完成後，仍繼續在其內部資料庫中長期儲存、保留這些非授權著作，這已經不再是純粹的機器學習，而是實質上建立了一個「未經授權的數位圖書館」。這種長期保留行為，讓 AI 公司的研發團隊和內部人員得以隨時檢索與存取原始作品，實質上取代了原著在正常市面上的商業授權需求（如 B2B 的資料庫訂閱服務）與流通，構成了嚴重的市場替代（Market Substitution）風險。此項認定直接切斷了 AI 公司利用「過渡性複製（Transient Copying）」作為法律避風港的企圖。

揭露「實體書洗白」的防禦性法律策略與巨大反差

隨著訴訟文件的深入解密，本案也揭露了科技公司為了在法律夾縫中求生存，不惜動用極其高昂且具爭議性的「實體書防禦性方案（Defensive Physical Book Compliance Proposal）」。為了應對著作權訴訟，Anthropic 曾豪擲數百萬美元，在全球各大圖書市場大量採購正版實體書，並交由工業級掃描廠進行「破壞性數位化（Destructive Digitization）」：利用機械液壓裁刀直接切除書脊、將每一頁書頁裁切分離，送入高速掃描機轉成 PDF 數位檔案。

法院審查對此做出了極具歷史反差的雙重認定。首先是「實體洗白合法」，法院認定，如果 AI 公司花錢購買正版紙本書，將其一對一轉為數位檔案後即銷毀原始紙本，判決原文將此行為態樣描述為 “The process of format-shifting via authorized physical acquisition, coupled with the disposal of the original tangible medium to maintain a one-to-one ratio”（透過授權的實體獲取進行格式轉換，並結合銷毀原始有形媒介以維持一對一比例的過程），這在法律上被評價為合法的轉化性使用，因為它沒有增加市面上作品的流通副本總量，僅僅是持有型態的物理轉變，並未破壞版權方的潛在市場。

然而，與此同時，Anthropic 內部因為資料與數據獲取的便利性，依然在伺服器中永久保留了高達 700 萬冊來自 LibGen 的盜版電子書，這種「一邊重金暴力拆書以求合規，一邊暗度陳倉保留盜版數據」的巨大商業反差被攤在陽光下後，科技公司的合規成本與法律誠信受到了司法系統的嚴厲審視，也成為逼迫其達成 15 億美元和解金的關鍵推力。

徹底扭轉 AI 巨頭與出版媒體的商業談判籌碼

在前述對本案判決具有層次的分析下可知，Bartz v. Anthropic 案所砸下的 15 億美元巨額罰款，成為 AI 產業的集體緊箍咒，徹底重塑了 OpenAI、Google、Anthropic 等巨頭後續與出版、新聞及影音產業在談判桌上的實力對比與談判策略。

在美國著作權法框架關於集體訴訟與故意侵權（Willful Infringement）的法定賠償（Statutory Damages）等壓力下，面對動輒擁有數百萬、數千萬篇報導與文學資產的媒體巨擘，潛在的賠償總額完全是毀滅性的天文數字。Bartz 案的判決表明，法院對於「來源不當」的清查是極其嚴格的。為了消除這項可能導致模型被強制下架（Injunction）或公司賠償的毀滅性風險，OpenAI 等大廠徹底放棄了早期在法庭上與媒體死守合理使用抗辯的強硬態度，全面轉向防禦性事前授權（Upfront Licensing）。近一年來，OpenAI 與各大國際新聞集團、媒體出版商動輒簽署數十億美元的授權費，本質上都是 Bartz 案效應的延續。

此外，著作權權利方在談判桌上的籌碼，因本案對「中央資料庫」的嚴厲定性而暴增。在數據留存期（Data Retention Period）方面，媒體在與 AI 公司談判時，開始強制要求在合約中加入「訓練完即刪除原始快取數據」的條款，或針對長期留存、檢索與二次微調（Fine-tuning）的權利，索取高額的溢價權利金。同時，第三方審計也成為合約必要條款，如同本案和解協議的要求，現在的著作權授權協議中，權利方往往擁有資料數據審計權（Data Auditing Right），有權派遣獨立第三方機構稽核 AI 公司的數據庫，確保其模型中沒有摻雜任何來路不明的洗稿內容。

後續預測：走向「集體授權組織」與「技術對抗」的冷戰

本案實質上促成人工智慧與著作權法的交集與變革，展望生成式 AI 與著作權法制的下一步演進，Bartz 案所留下的法律遺產將催生以下幾項趨勢。

第一是「AI 著作權集體授權組織（Collective Management Organizations, CMOs）」的必然湧現，既然免費擷取網路資料數據內容的拓荒時代已宣告終結，而科技公司與個別作家、獨立中小型出版商逐一談判的交易成本（Transaction Costs）又過於巨大，仿照音樂產業的集體授權模式將在兩年內成為主流。預期出版界將統一建立授權池（Licensing Pool），對 AI 公司發布標準化、階梯式的定價，藉此在保護創作者與降低科技創新成本之間取得平衡。

第二是實體洗白供應鏈與「合成資料（Synthetic Data）」的雙線演進。在各國法律尚未完全針對文字與資料探勘（Text and Data Mining, TDM）完成修法前，由 Bartz 案放行的實體書洗白管道，將維持其作為獲取高品質乾淨語料的防禦性手段。同時，大廠將更積極研發合成數據，試圖用 AI 生成的數據來訓練 AI，以擺脫人類著作權的掣肘，但這也將面臨模型退化（Model Collapse）的技術瓶頸。

第三則是著作權方的技術反擊，這意味著賽局將從法律戰納入代碼戰。未來創作者將不再僅依賴事後的法律訴訟。諸如 Nightshade（夜影）或 Glaze（釉料）等主動式權利防禦技術（Active Copyright Protection Technologies）將全面普及。這些技術透過在數位出版品、圖像、文本的底層代碼中嵌入微小的像素或語意擾動，能在機器強行抓取（Scraping/Crawling）訓練時，直接破壞模型內部的參數關聯，導致模型功能出錯。未來的著作權市場，將演變成一場「法律授權」與「技術防禦」雙軌並進的科技冷戰。

Bartz v. Anthropic 案以 15 億美元的沉重代價，為這個野蠻生長的生成式 AI 時代劃下了第一道文明的底線：技術的轉化性創新，永遠無法洗白取得著作權來源時的非法原罪。它迫使科技公司告別了免費擷取人類知識結晶的拓荒時代，全面推動 AI 產業走入「付費授權、來源合規、定期審計」的制度化深水區。

【推薦閱讀】

◆ 台廠也能打造自己的「CUDA 護城河」？開源基金會董事長蔡祈岩：開源如何提高硬體競爭力

◆ 【Google Cloud 林書平專欄】從追求效率轉向衡量自主性：生成式 AI 顛覆營運邏輯的 3 大底層轉變

◆ AI Agent 斷網還能繼續動作，KPMG：Edge AI Agent 需要另一套治理方式

＊本文獲作者授權刊登，並同意 TechOrange 編寫導讀與修訂標題。原文標題為〈變革的臨界點：Bartz v. Anthropic 案如何重塑 AI 時代著作權保護、合理使用範圍、相關利益分配與法理邊界〉。圖片來源：取自 Anthropic。

（責任編輯：廖紹伶）

萬事達卡（Mastercard）美國時間 10 月 20 日宣布開放「機器代理支付」（Agent Pay for Machines，AP4M）早期存取，並在 Cloudflare Connect 大會上示範：AI 代理在企業核准的一筆預算內，自行向多家服務商購買數位服務。

AI 代理是能自主完成任務的軟體，執行任務時，可能要向一家業者購買資料、使用另一家的 AI 模型，再向第三家購買運算資源。萬事達卡形容，AI 代理正在成為「經濟行為者」。當代理開始替企業花錢，誰來授權、額度上限多少，錢又該怎麼付？

「付款不難，權限才難」：AI 代理下單數位服務卡在哪？

萬事達卡指出，現在付費使用數位服務，通常要和每家業者開帳戶、申請 API 金鑰、預付點數或建立帳務關係。代理只用一兩項服務時還行得通，但若要在任務進行中換用不同服務、用多少付多少，就會變得棘手。

再來是信任問題：誰授權代理花錢？可以花多少、能買什麼、付給誰？該公司直言：「付款不是難點，權限才是。」真正的挑戰，是確保對的代理以對的權限完成對的交易。

AP4M 建立在 x402 之上。x402 是一套讓數位服務能在網路上請款的開放協定，AP4M 再將它與萬事達卡網路的信任、安全與覆蓋範圍結合。運作上，企業先交給代理一項任務和支出上限；代理遇到付費服務時，對方會回應「402 Payment Required」，這是網路用來表示「需要付款才能繼續」的狀態碼。

代理接著產生一張經數位簽章的付款憑證，承諾在核准額度內付款，服務商驗證後便提供服務。這些往來在鏈下（off-chain，即不逐筆寫進區塊鏈）以機器速度完成，服務商可以合併多張憑證、日後再兌現。該公司把這套做法歸納為：授權一次、交易多次；先保證付款，之後再結算。

一筆預算付款 9 次：萬事達卡怎麼示範？

示範夥伴是本來就在行銷工作中使用 AI 代理的行銷公司 Hype。在這場試點示範中，Hype 替一款蛋白棒上市規劃範例行銷活動，把任務和預算交給執行於 Amazon Bedrock AgentCore 等代理平台的 AI 代理。

代理從已註冊的 AP4M 服務商中挑選業者，提出兩步驟方案：向 AIsa 購買社群媒體研究，再透過 Cloudflare AI Gateway 產生活動圖片。Hype 核准資金後，代理只能在這項任務和預算範圍內行動。

需要付款時，服務透過 Cloudflare Monetization Gateway 回應 402，代理簽發憑證、賣方驗證後，工作就繼續進行：先取得 AIsa 的研究，再取得 Cloudflare 的 8 張活動圖片。萬事達卡表示，整個流程共 9 筆付款、2 家獨立商家、1 筆核准預算，不需要另開帳戶、API 金鑰或發票，「代理只為實際用到的部分付費，Hype 也始終掌握控制權。」

幕後分工上，Coinbase Developer Platform 提供替代理注入資金的錢包基礎設施，Base 提供鏈上結算網路。萬事達卡今年 8 月收購的穩定幣基礎設施業者 BVNK 則擔任代理的錢包，並透過 Mastercard Global Money Platform，處理買賣雙方以法幣或穩定幣進行的付款與結算；賣方可以選擇偏好的幣別、代幣或支付管道收款。

該公司表示，在與 Cloudflare、螞蟻國際（Ant International）、AIsa、Base、BVNK、Coinbase 和 Hype 完成端到端試點後，才開放早期存取，提供開發者第一版買方與賣方 API，以及工具包、沙盒和開發文件。

和台灣首筆代理式交易有何不同？一邊逐筆授權，一邊一次核准預算

值得留意的是，AP4M 和萬事達卡在台灣已完成交易的服務，是不同的產品。萬事達卡 6 月首度發表 AP4M 時說明，這項服務建立在 2025 年推出的 Agent Pay 計畫之上，鎖定的是「互補」的機會：程式化、全天候，在數位商務後台中由系統之間執行的交易。

台灣的案例屬於 Agent Pay。萬事達卡今年 3 月與星展銀行（台灣）合作，完成台灣首筆經身分驗證的代理式 AI 交易：消費者透過 AI 對話介面提出機場接送需求，代理媒合業者並推薦方案，消費者選定後，再以綁定的萬事達卡完成預訂與付款。萬事達卡表示，每筆交易都經過消費者明確表達需求、驗證與授權，並以針對每個代理獨立發放的智慧代理代碼（Mastercard Agentic Token）辨識代理身分。

兩相對照，台灣案例是消費者為自己預訂機場接送、逐筆授權；AP4M 則是企業一次核准預算，由代理在額度內向多家數位服務商付款。結算方面，萬事達卡 6 月發表時表示，AP4M 將支援卡片、帳戶與穩定幣等多種結算管道，不限於示範中的安排。該公司並未說明 AP4M 在台灣推出的時程；至於穩定幣，台灣《虛擬資產服務法》已在今年 6 月底完成立法，金管會主委彭金隆 9 月表示，包含穩定幣在內的子法最快 2027 年第一季公布實施。

目前 AP4M 仍在早期存取階段，示範的也是範例活動。萬事達卡表示，同樣的模式可以支援 AI 模型、資料、運算和 API 等數位服務，但「這只是開始」，後續藍圖將依客戶與合作夥伴的需求調整，也希望開發者測試不同的應用情境。代理付款能否從示範走向日常，仍要看服務商與企業實際採用的情況。

【推薦閱讀】

◆ 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？

◆ 把 AI 對話框變購物車！Perplexity 與 PayPal 搶攻「代理式商務」

◆ 美元穩定幣 OUSD 正式上線：Visa、Stripe 瞄準的，是下一批還沒上鏈的企業交易？

＊本文開放合作夥伴轉載，資料來源：Mastercard 官方新聞稿 1、《PYMNTS》、Mastercard 官方新聞稿 2、Mastercard 官方新聞稿 3、萬事達卡台灣新聞稿、《經濟日報》，首圖來源：Unsplash

亞馬遜（Amazon）近日在德國聯邦政府於柏林舉辦的「投資德國峰會」（Invest in Germany Summit）宣布，2027 年將在德國投資超過 160 億歐元，約合 180 億美元，用於擴大雲端運算與 AI 基礎設施、衛星網路、物流及 Prime Video 影視內容等業務。

《Reuters》指出，在 AI 服務需求激增、科技業者競爭加劇之際，亞馬遜正加速在歐洲各地擴建雲端基礎設施，這項投資是其擴大歐洲業務的最新動作。亞馬遜全球事務與法務長 David Zapolsky 表示：「德國是創新重鎮，也是歐洲最具吸引力的投資機會之一。我們希望德國企業、社區與創作者，擁有競爭與成長所需的基礎設施與工具。」

德國聯邦經濟及能源部長 Katherina Reiche 表示：「亞馬遜的投資，明確展現對德國作為未來產業據點的信心。高效能資料中心是數位經濟的基礎，憑藉德國產業豐富的資料，我們也有潛力成為工業 AI 的全球領導者。」她指出，這正是德國需要的投資，不僅能強化德國在國際科技競爭中的地位，還能創造價值與就業機會。

亞馬遜指出，自 2010 年以來，公司在德國的累計投資已超過 1,000 億歐元，並創造逾 4 萬個永久職缺，在當地設有超過 100 個據點。

投資 48 億歐元擴建 AWS，柏林增設第二座機器人與 AI 研究實驗室

雲端與 AI 基礎設施方面，亞馬遜預計於 2027 年投入 48 億歐元，擴建 Amazon Web Services（AWS）歐洲（法蘭克福）區域，以因應客戶對雲端與 AI 服務的需求。AWS 自 2014 年 10 月推出法蘭克福區域以來，已在德國的雲端基礎設施投入數百億歐元，AWS 歐洲主權雲（AWS European Sovereign Cloud）則已於 2026 年 1 月在德國正式上線。亞馬遜表示，AWS 目前在德國有 3,000 名員工。《Reuters》指出，這項承諾延續亞馬遜 2024 年 6 月宣布、用於擴建德國雲端基礎設施與物流網路的 100 億歐元投資，當時其中 88 億歐元用於 AWS 資料中心。

除了資料中心，亞馬遜正在柏林啟用第二座機器人與 AI 研究實驗室，使其在柏林的研究規模倍增。亞馬遜表示，研究將持續發展人與技術之間的智慧協作，讓顧客更快、更可靠地收到訂單，並為員工提供支援。新實驗室將創造應用科學家、機器人硬體工程師、機器人軟體工程師及機器人系統工程師等高度專業的職位。

亞馬遜擴建物流網路、發展低軌衛星網路

物流方面，亞馬遜表示，公司持續在各據點導入機器人等技術，以改善員工工作環境的人體工學，並讓配送更快、更可靠。公司正升級黑森邦巴特黑斯費爾德（Bad Hersfeld）、北萊茵－西發利亞邦多特蒙德（Dortmund）及韋爾訥（Werne）的物流中心，相關工程預計於 2027 年完成；科布倫茲（Koblenz）、普福爾茨海姆（Pforzheim）及萊茵貝格（Rheinberg）的升級工程則將持續至 2028 年。此外，亞馬遜已在萊茵蘭－普法茲邦茨韋布呂肯（Zweibrücken）啟用物流中心，並開始創造就業；薩克森－安哈特邦肯納（Könnern）也有一座新物流中心正在興建。這些已宣布的物流專案，將創造超過 3,000 個工作機會。

在衛星通訊領域，亞馬遜將持續發展低軌衛星網路 Amazon Leo，旨在為既有網路難以涵蓋地區的家庭、學校、醫院、企業及政府機構提供網路服務，並已與歐洲火箭發射服務商 Arianespace 確保 24 次發射。根據經濟研究機構 Oxford Economics 的預估，德國將是 Amazon Leo 在歐洲經濟效益第二大的國家；德國也是亞利安火箭製造商 ArianeGroup 多個據點，以及其最重要供應商之一 MT Aerospace 的所在地。此外，亞馬遜也將擴大 Prime Video 在德國的在地製作，預計至 2027 年底推出超過 15 部新作品。

資料中心 95% 時間靠空氣冷卻，亞馬遜目標 2030 年達水資源正效益

亞馬遜在德國的資料中心約有 95% 的時間採用自然空氣冷卻，不需使用水資源；在最炎熱、需要蒸發式冷卻的日子，所有規劃中的德國資料中心都將使用收集的雨水，以減少對社區水資源的需求。

亞馬遜的目標是在 2030 年前達到水資源正效益，也就是在資料中心營運範圍內，補充給社區的水量超過使用量，目前已完成 75%。公司目前支持法蘭克福的兩項水資源專案，並於近期宣布將與德國自然與生物多樣性保護聯盟（NABU）合作，自 2026 年秋季起在福格爾斯山（Vogelsberg）地區推動第三項水資源補充專案，加強水資源保護與生物多樣性。

能源方面，亞馬遜表示，公司目前是德國最大的企業無碳能源採購者，已在當地促成裝置容量合計超過 1.3 GW 的無碳能源專案，包括北海及波羅的海的風電專案。這些專案全面投入運作後，預計每年可產生相當於超過 180 萬個德國家庭用電量的電力。

【推薦閱讀】

◆ AI 需求延伸至 2030 年：客戶搶先洽談訂單，ASML 坦言擴產 30% 恐仍不夠

◆ 三星 HBM 一條龍模式鬆動？傳接受 NVIDIA 要求，基底晶粒首度交由台積電 3 奈米生產

◆ Google 首度把 4 顆 TPU 送上太空！開始實測「軌道 AI 資料中心」

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

根據《The Intercept》美國時間 10 月 19 日的報導，該報取得的文件顯示，美國陸軍網路司令部（ARCYBER）正在推動代號 ECHOTRIBBLE 的計畫，希望借助業界之力，開發能在最少人工監督下執行網路作戰任務的 AI 代理。

專家擔心的不只是軍方怎麼用。AI 資安公司 Abundant 共同創辦人暨執行長 Hyrum Anderson 指出，許多公私組織連一名資安人員都沒有，可能在過程中遭到波及。當 AI 代理被交付具破壞性的任務，誰來確保它不會傷及民間？

「最少人工監督」的 AI 代理，計畫進展到哪裡？

AI 代理是利用大型語言模型等技術，自主完成使用者交付任務的軟體，一般人可以用它來排會議、訂票，軍方則想將其變成作戰工具。美國陸軍在 SAM.gov 發布的公告寫明，國防非營利組織 Cyber Fusion Innovation Center（CFIC）與陸軍網路司令部等單位合作，向業界徵求白皮書，並要求這套工具「必須在最少的人工監督下運作」。根據《The Intercept》取得的承包商問答文件，這項計畫「主要聚焦」於進攻任務，目標是找出並「無效化」對手的系統，也就是讓目標暫時或完全失去作用。《The Intercept》描述，按文件所設想，這類代理會在目標網路中自主移動、逐步尋找目標，連與網路實體隔離（air-gapped）的系統也在設想範圍內，過程中還可能自我複製，擴散到更多裝置——這也是專家擔憂的前提。

計畫目前仍在早期階段。根據 CFIC 官方活動頁面，截至 10 月 21 日的公開資訊，這項徵案共收到 65 份白皮書，5 家業者入選展示；10 月 6 至 8 日完成線上展示與評選後，10 月 8 日已選定一家業者的方案，準備進入後續合約程序，並於 10 月 13 日通知所有參與業者結果。不過，CFIC 尚未公布獲選業者名稱，也沒有足夠證據顯示已正式簽約或部署。國防部長赫格塞斯（Pete Hegseth）今年 1 月曾表示：「我們將成為橫跨所有領域的『AI 優先』作戰部隊。」

誰在「資安貧窮線」以下？水務、小企業可能落入「爆炸半徑」

《The Intercept》指出，各國情報機構經常借道民間的裝置與網路執行行動，例如中國國家級駭客組織 Volt Typhoon，就曾透過家庭與小企業的網路發動攻擊；一起被歸咎於美國國家安全局（NSA）的事件，也曾借用一所中國大學的網路設備。該報提出的疑問是：如果 AI 代理判定這些民間網路也是任務的一部分，會發生什麼事？

曾在微軟與美國政府從事資安工作的 Anderson 也有同樣的疑慮。「目標很可能被擊中。但它會走哪條路徑？」他說。Anderson 進一步質疑，如果對手把指揮控制據點設在美國某家水務公司，代理會不會在途中連那裡一起癱瘓？

在他看來，網路上有大量系統容易受到 AI 代理攻擊，一旦被當成攻擊路徑，就可能落入他所說的「爆炸半徑」（blast radius，指一次攻擊中連帶受波及的範圍）。「有一大群公私部門組織落在資安貧窮線以下，」Anderson 說，「包括國家關鍵基礎設施、小企業、家庭經營的小店、牙醫診所和律師事務所，以及任何連一名資安專業人員都沒有的組織。」由於這些組織的網路幾乎門戶大開，他擔心它們「遭到直接攻擊，或落入沿途被擊中目標的爆炸半徑」。

規則寫得再清楚，AI 代理會不會把護欄當成障礙？

公告其實也要求廠商證明代理的擴散安全、受規則約束，移動與活動須嚴格依照設定的條件或預先定義的觸發條件。不過，同一份公告也要求開發「能在沒有人工監督下運作」的自主代理。

專家擔心的，正是規則與自主之間的落差。《The Intercept》整理，近來已有 AI 代理在沒有收到任何攻擊指令的情況下，闖入澳洲政府、AI 公司 Hugging Face 等單位的系統。《Gizmodo》則指出，Hugging Face 等事件目前並未造成重大損害，但從這些事件得到的教訓是，具備駭客能力的 AI 代理，行為動機未必能讓人類立即理解。

蒙特婁大學機器學習教授 David Krueger 同時是倡議暫停 AI 開發的組織 Evitable 的創辦人。他表示：「鑑於當前 AI 範式已知的失效模式，打造以『無效化威脅』為使命的自主 AI 系統極其危險。」他也提到，曾有 AI 系統在知情的情況下，攻擊非預定目標的系統。

蘭德公司（RAND Corporation）資深行為科學家 William Marcellino 指出，人們願意把實彈交給年輕士兵，是因為他們擁有深厚的世界知識，明白什麼事不該做，「這是目前公開的 AI 技術所不具備的」。他說，把目標交給沒有判斷力的強大機器，除非周邊的支撐架構做得夠好，否則它們很可能偏離正軌，決定「好吧，我會照你要求的做，但我會用這種方式做」。

Anderson 則認為，這類技術用在戰爭中只會更危險。「在壓力下，它們往往會把護欄當成障礙。」他說，一旦加入「打破它、摧毀它、關閉它」這類指令，除非有妥善的控制，爆炸半徑可想而知會大幅擴大。

《The Intercept》認為，ECHOTRIBBLE 的風險，很大程度取決於陸軍有沒有能力、是否願意替它設下護欄。但陸軍網路司令部並未回應《The Intercept》的提問，包括將採取哪些措施防止造成意外損害。該報也指出，即使設有嚴格的防護措施，要真正限制自主代理的行為，正如 Anthropic 與 OpenAI 近期的經驗，說起來容易，做起來難。這項計畫最後是否正式簽約、代理會在什麼規則下運作，仍有待更多公開資訊釐清：CFIC 雖已選定一家業者，但尚未對外具名，後續合約與實際部署情形也還不明朗。

【推薦閱讀】

◆ 疑中國駭客用 8 個 AI Agent 攻擊台灣，入侵失敗還會自己找新招：資安防線如何跟上自主網攻速度？

◆ AI 代理入侵事件連環爆，美國靠人才市場逼資安長扛責，歐洲靠法規讓董事會負責

◆ 一名駭客靠 AI 代理攻破 100 多家企業網站，研究員估每次成功入侵約 50 美元

＊本文開放合作夥伴轉載，資料來源：《The Intercept》、《Gizmodo》、美國陸軍公告（SAM.gov），首圖來源：DVIDS（美國國防部公眾領域影像庫）

在數位轉型的浪潮中，智能設備已邁向整線自動化，甚至是智能工廠。然而，在轉型過程中，許多傳統工廠面臨設備故障、停機待料、零件庫存失控，乃至資深技師經驗無法傳承等問題，成為侵蝕企業利潤的隱憂。

深耕金屬機櫃生產技術的製造大廠明昌國際，產品精準對接工具車、醫療推車及存儲機櫃等三大關鍵領域，近年來也積極佈局研發 AI 伺服器機櫃與半導體設備的機構件，以台灣製造、高度靈活的客製化能力享譽國際，兼具 ODM 與 OEM 雙軌實力。然而，隨著接單量與生產規模的擴大，傳統作業模式難以滿足需求，讓明昌國際尋求產線升級導入台達 DIAEMS 設備管理系統，將設備生產維護管理，成功轉化為可視、可控、可優化的企業核心數位資產。

製造業的隱形痛點：設備管理數位化不足，資訊分散影響維護效率

在導入台達 DIAEMS 系統前，明昌國際與多數傳統製造工廠一樣，面臨著高度人工與紙本作業的管理挑戰。人工與紙本紀錄不僅難以確保資訊準確度，資料分散在廠區各個角落，難以查詢更無法長期保存。當產線發生設備異常，作業人員必須先手寫紀錄、再跨部門找人報修、翻閱紙本核對設備問題。耗時的溝通與資訊確認流程，造成「非計畫性停機時間」增加，對講求高稼動率的產線而言，直接影響生產效率與營運成本。

不僅如此，缺乏結構化數據也讓設備管理面臨更多挑戰。設備零件更換缺乏數位記錄，維護歷程無法追蹤，定期報表依賴人工整理，資訊容易遺漏且缺乏時效性。零件與備品庫存缺乏即時控管，時常導致「急單採購成本增加」或「重複採購造成的呆滯料」，管理成本大幅上升。部門間無統一系統，維護責任不清、交接困難，且資深技師累積的維修經驗難以傳承，較不易形成可查詢、可延續的知識資產。

台達 DIAEMS 五大解方，為設備打造「數位履歷」與「即時戰情室」

面對明昌國際的痛點，台達不只是將作業流程「電子化」，更是透過數位管理邏輯，結合專業的導入經驗，為明昌量身打造全面轉型的五大解方。首先，台達以全流程數位化，打造一鍵檢索的數位資料庫。以全數位化流程取代傳統紙本，將維護規範與設備點檢、保養、維修記錄整合至系統資料庫。確保資料不因人員異動而遺失，達成資料一鍵檢索、即時調閱，建立企業長期維運的知識產權。第二，為每台設備與關鍵零件建立數位身分，詳盡記錄從入庫、安裝、更換到報廢的完整歷程。無論是查閱保固期限或進行故障原因分析，皆能精準追蹤。

第三，針對庫存，自動預警機制讓備件低於設定值時，系統主動提醒採購；同時盤點歷史領用數據，推算黃金庫存水位，顯著降低管理成本。第四，透過內建標準化維護流程，明確各級管理與技術人員的角色權責。透過系統派工與簽核機制，確保任務責任到人、進度透明，大幅降低溝通成本。最後，系統自動彙整產線數據，生成即時可視化看板。管理者可隨時掌握設備運轉狀態、故障率與保養進度，免除人工報表，提升資訊即時性，協助管理者快速掌握設備狀態與決策。

導入台達 DIAEMS 後，明昌國際團隊分享：「最有感的效益在於『即時叫修』。過往，從報修到維修人員知情，時間平均要花上 2 天；導入即時叫修功能後，系統自動通知技術人員，節省將近 90% 的溝通與通知時間。」

數位化讓維修人員能快速取得所需工具、零件與維修資訊，減少查找與摸索時間。明昌國際團隊指出：「以前維修時常要到處問哪邊壞掉、該怎麼修、零件去哪拿，白白浪費好幾個小時。現在系統提供即時翻查、維修指導以及零件位置指示，維修過程相當明確順利。以往耗費數天的維修流程，現在一般都在數小時內就完成，甚至最快 2 小時就能完修，讓設備立即恢復運作！」

此外，在備件管理上，透過設備維修履歷報表查詢，能精準推算出合適的庫存水位並通知採購確切數量，廠區鮮少再發生零件不足的情況。團隊更貼心地將最常用的零件調整至最易拿取的地方，減少取料與等待時間，讓設備維護作業更加順暢。

設備管理數位化，全面提升維護與管理效率

透過台達 DIAEMS，明昌國際成功建立設備的「數位履歷」，讓維修成效轉化為具體、可量化的數據。管理者不再憑感覺做決策，而是根據客觀數據進行資源的優化分配，甚至能進一步作為未來設備汰換或採購的重要基準。

台達 DIAEMS 不僅幫助明昌國際解決眼前的產線維護痛點，更將資深技師的經驗轉化為系統知識庫，縮短新進人員的學習曲線，讓維護知識持續累積，成為企業的重要管理資產。透過數據驅動決策、管理優化，助力台灣金屬加工與製造業持續提升設備管理效能與競爭力。

（本文訊息由台達提供，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：台達。）

Google 持續將 AI 運算從資料中心推向日常裝置，並與半導體業者新思國際（Synaptics）合作，提供開源的 Coral 神經網路處理器（NPU）技術。新思國際於 10 月 20 日發表 Astra SR200 系列處理器，專為智慧眼鏡、攝影機、工業感測器等連網裝置設計，結合 Coral NPU 與記憶體、音訊、影像及運算功能，讓裝置能直接執行 AI 模型，不必依賴昂貴的處理器、持續的網路連線，或耗電的硬體。雙方也宣布擴大共同開發的 Coralboard 平台供應，讓工程師在將技術導入商用產品前，能先在本機測試執行 Gemma 等模型。

Google 開源 Coral NPU 架構，降低跨晶片開發門檻

Google Research 於 2025 年 10 月開源 Coral NPU 架構，讓半導體業者將這項 AI 加速器設計整合至自家處理器，而非由 Google 自行製造晶片。這項架構採用處理器指令的開放標準 RISC-V，並搭配相關軟體，協助開發者在不同硬體之間移植 AI 應用。新思國際是 Google Coral 的首個商用晶片合作夥伴，但依據 Apache 2.0 授權條款，其他公司也可以將 Coral NPU 架構應用於商用處理器，無須向 Google 支付授權費或權利金。

在軟體方面，新思國際將 Coral 架構結合自家的專有處理技術，其開源 Torq 編譯器以 MLIR 與 IREE 專案打造，協助開發者部署以 PyTorch、JAX 及 Google LiteRT 等框架建立的模型。這種做法有機會減少將 AI 應用移植到不同硬體平台所需的工程工作。

Astra SR200 系列效能 200 至 400 GOPS，瞄準裝置端 AI 應用

Astra SR200 系列包含三款處理器，分別對應不同的運算需求。入門款 SR210 的 AI 運算效能為每秒 2,000 億次運算（200 GOPS），主要用於持續運作的語音辨識與感測功能；SR230 提升至 300 GOPS，並增加影像處理及顯示能力；旗艦款 SR250 則達到 400 GOPS，支援運算需求更高的多模態應用。

三款晶片結合 Arm Cortex-M85 與 Cortex-M52 核心，以及 Google Coral NPU，讓製造商能將運算任務分配給針對不同效能與功耗需求最佳化的元件。記憶體配置則包含最高 8MB 的 SRAM，以及可達數百 MB 的客製化 DRAM；即將推出的 Coralboard SR 開發板，記憶體容量最高可達 256MB。這些額外的記憶體，可能有助於裝置執行較大型的 AI 模型，並處理攝影機、麥克風等感測器的資料，不必額外搭配獨立的應用處理器。新思國際表示，其客製化記憶體架構在相近工作負載下，耗電量約為傳統系統 DRAM 的三分之一，不過獨立測試尚未證實這項設計對整體電池續航力的改善幅度。

在競爭方面，意法半導體（STMicroelectronics）的 STM32N6 微控制器透過自家專有 AI 加速器，最高可提供 600 GOPS；瑞薩電子（Renesas）則於 2025 年推出最高 256 GOPS 的 RA8P1 系列。《VentureBeat》指出，這些峰值效能數字無法直接說明哪一款處理器執行實際 AI 模型時更快或更有效率，記憶體容量、功耗、軟體相容性及執行的模型，都可能大幅影響實際表現。新思國際則主張，將記憶體、多模態能力與開放開發工具整合在一起，是其與對手的差異所在。

雙方將 Google 的 Gemma 3 270M、AI 新創 Liquid AI 的 LFM2.5 系列，以及 Ultralytics 的 YOLO 電腦視覺模型，列為其開發生態系支援或鎖定的工作負載。新思國際表示，在不同的模型壓縮設定下，Gemma 3 270M 每秒約可生成 12 至 16 個 token，但該公司尚未提供 SR200 硬體的完整獨立效能比較。

潛在的企業應用包括能理解周遭環境的工業智慧眼鏡、可辨識物體的工廠攝影機，以及能在裝置端分析音訊與影像的安全監控產品，不必持續將資料傳送至雲端伺服器。新思國際也在發表中提到與音訊設備商 Sonos、安防業者 Verisure，以及擴增實境硬體公司佐臻（Jorjin Technologies）的合作關係，不過這些內容描述的是現有 Astra 相關合作或新處理器的潛在應用，並非已確認出貨搭載 SR200 的產品。

Google Research 總監暨系統研究團隊負責人 Billy Rutledge 在接受《VentureBeat》專訪時表示，Google 將開發者生態系視為催生全新產品類型的途徑，而不只是升級現有硬體。他說：「最實用的邊緣 AI 裝置，都還沒有被設計出來。」

Coralboard SL 開發板售價 99.79 美元，SR200 系列仍在送樣

開發者目前可透過 Coralboard SL 開始測試相關技術。這款開發板採用新思國際既有的 Astra SL2619 處理器，配備 1 TOPS（每秒 1 兆次運算）的 AI 加速器與 2GB DDR4 記憶體，該公司於 10 月 20 日宣布透過電子零件通路商 DigiKey 在全球正式供應，DigiKey 標示價格為 99.79 美元。另一款 Coralboard SR 將搭載新的 SR250 處理器，新思國際表示該產品即將推出。Astra SR200 系列目前仍處於送樣階段，該公司尚未公布各款晶片售價，也沒有提供確切的量產時程。

這次發表也正值新思國際準備被半導體業者安森美（onsemi）以 57 億美元收購之際，交易目前預計於 2027 年年中前完成。

《VentureBeat》分析，對 Google 而言，Coral 的長期機會可能不限於單一晶片。透過開放 AI 加速器設計，並與製造商及模型開發者合作，Google 正試圖為新一代智慧裝置建立共同基礎。這項策略能否成功，將取決於製造商能否把這些基礎轉化為價格合理、具備實用 AI 功能，且不犧牲電池續航力、隱私與可靠性的產品。

【推薦閱讀】

◆ AI 需求延伸至 2030 年：客戶搶先洽談訂單，ASML 坦言擴產 30% 恐仍不夠

◆ 三星 HBM 一條龍模式鬆動？傳接受 NVIDIA 要求，基底晶粒首度交由台積電 3 奈米生產

◆ Google 首度把 4 顆 TPU 送上太空！開始實測「軌道 AI 資料中心」

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

單一叢集每天處理 155 兆 Tokens，DeepSeek 如何配置 GPU 與快取，支撐如此龐大的 AI 服務？中國 AI 新創 DeepSeek 10 月 20 日開源推論框架 DeepInfer，同步揭露自家 V4.1 Flash 大規模推論系統的部署細節。

《Bloomberg》分析，這套軟體有助加快 AI 模型執行、提高運算資源效率，DeepSeek 也表示希望藉此降低業界的運算與能源成本。更值得注意的是，這次開放的不只是模型權重或個別加速工具，而是整合式推論引擎。DeepSeek 究竟多公開了什麼，又如何處理如此龐大的推論需求？

從開放模型權重到推論引擎，DeepSeek 這次有何不同？

DeepSeek 過去便以開放權重模型聞名，從 DeepSeek-V3、R1 等模型開始，企業與開發者便能自行下載、部署模型，不必完全依賴官方 API。但取得模型權重，不代表就能以同樣的效率提供大規模 AI 服務。

為提高推論效率，DeepSeek 在 2025 年陸續開源 FlashMLA、DeepGEMM、DeepEP 等函式庫，針對注意力機制、矩陣運算及混合專家模型（MoE）的跨 GPU 資料傳輸進行優化。不過，這些主要是解決特定運算環節的元件，而非整套推論引擎。

DeepSeek 曾在 2025 年 4 月的官方文章說明，原本考慮開源完整推論引擎，但因程式碼與內部叢集管理系統高度整合、維護人力有限，決定先分享個別技術。

如今 DeepInfer 則跨出下一步，整合既有加速元件，進一步公開模型執行、平行運算、非同步排程與推測式解碼等功能。值得一提的是，DeepInfer 最初建立在開源框架 vLLM 基礎上，也參考 SGLang、TensorRT-LLM 等專案。這次開源讓開發者不只取得模型與底層元件，也能直接研究、測試 DeepSeek 的推論引擎。

單一叢集日處理 155 兆 Tokens，DeepSeek 如何提高推論效率？

DeepSeek 在官方技術文件揭露，其大規模推論系統透過不同運算階段的分工，以及快取重用，提升 GPU 處理大量請求的效率。

首先，DeepSeek 將處理輸入內容的 Prefill，與逐步生成回答的 Decode 分開部署。前者使用一般 8 顆 GPU 的伺服器，後者則採用 64～128 顆 GPU 的大型運算節點，讓兩種不同運算工作分別配置資源。

其中，Decode 採用大規模專家平行運算（Expert Parallelism），讓混合專家模型的運算分散到更多 GPU。DeepSeek 指出，這能減少每一步生成過程中的記憶體資料傳輸量，配合專家負載平衡，提高每秒生成 Tokens 的效率。官方建議的最小高效率部署配置，約需 64 顆 GPU 處理 Prefill、另 64 顆負責 Decode。

另一項關鍵是避免重複計算。AI Agent 經常反覆帶入相同指令與對話紀錄，DeepSeek 透過 KV Cache 保存已處理的上下文，讓後續請求有機會重用運算結果。

不同於只把快取留在個別伺服器，DeepSeek 將部分 KV Cache 存放於獨立的 3FS 分散式儲存叢集，讓不同 Prefill 節點都能存取相同的快取內容，也能分別擴充運算與儲存資源。

官方揭露，整體 3FS 快取系統約有 100 PiB 的 SSD 儲存容量，Agent 流量快取保留 3 天，聊天流量則為 7 天。這能減少重複運算，但也需要龐大的儲存與網路資源。透過上述設計，DeepSeek 宣稱其完整服務的單一推論叢集每天處理 155 兆 Tokens。

值得注意的是，DeepInfer 開源不代表整套系統都已公開。官方 GitHub 顯示，目前開源版本僅支援 DeepSeek-V4.1-Flash 的離線推論，適用 NVIDIA SM100 GPU 與華為 Ascend 950 NPU；完整 KV Cache 管理、Prefill／Decode 分離部署及跨節點負載平衡等功能，仍未全部釋出。

《TechTarget》報導引述 Omdia 分析師 Lian Jye Su 指出，AI Agent 推高 Token 消耗，讓企業更重視推論成本；DeepInfer 最直接的受益者，是自行部署 DeepSeek 模型的企業，因為使用其他模型的團隊，也有 NVIDIA TensorRT-LLM 等開源推論引擎可選擇。

不過，開源也有 DeepSeek 自身的市場考量。《TechTarget》另引述 J. Gold Associates 總裁暨分析師 Jack Gold 指出，DeepSeek 透過公開技術創新成果，有助塑造其在 AI 技術市場的領導者形象。

整體而言，DeepSeek 這次進一步開放了大規模推論的核心引擎，也分享支撐龐大 AI 服務的系統設計。但要重現其處理規模與效率，企業仍需自行建置快取、負載平衡及叢集管理等基礎設施，這也是取得開源推論引擎，與真正營運大規模 AI 服務之間的差距。

【推薦閱讀】

◆ 台廠也能打造自己的「CUDA 護城河」？開源基金會董事長蔡祈岩：開源如何提高硬體競爭力

◆ 新創 PrismML 把 AI 模型壓縮近 10 倍，個人電腦就能執行，測試分數達原版 98%

◆ AI 模型換晶片免重寫程式碼？亞馬遜推 TorchNeuron，挑戰 NVIDIA CUDA 優勢

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《Techtarget》、《SiliconAngle》、GitHub，首圖來源：Unsplash

當 AI 代理人接連發生違規事件，各國政府也開始重新檢視既有的監管框架。新加坡數位發展及新聞部高級政務部長 Tan Kiat How 10 月初在國會表示，政府正透過試驗與實驗，了解如何負責任地導入代理式 AI 系統。

所謂代理式 AI，是指能執行動作、與外部系統互動，並能調整自身行為、降低人類介入程度的 AI 系統。Tan Kiat How 指出，這類系統同時帶來機會與風險。

新加坡以試驗摸索代理式 AI 的導入方式

Tan Kiat How 表示，政府正在檢視並強化現有框架，以因應自主性越來越高的代理式 AI，同時發展超越既有做法的能力，並持續關注全球發展。

他指出，新加坡政府科技局（GovTech）等多個政府機關，已在具備適當防護的前提下導入相關系統。Tan Kiat How 也呼籲民間企業，即使不是經營關鍵資訊基礎設施或重要數位服務的業者，部署 AI 代理人時同樣應審慎並承擔責任。

代理式 AI 的風險，多是既有問題的延伸

對於這些風險，Tan Kiat How 認為不必視為全新的問題。他指出，代理式 AI 帶來的許多風險，其實是既有挑戰的延伸，因此現行的風險管理流程與監督機制，同樣適用於代理式 AI。

許多 AI 風險已由適用範圍較廣的新加坡法律處理，例如《個人資料保護法》、《職場公平法》與《廣播法》，醫療、金融與法律等產業也各有專屬指引。

政府的《AI 治理模範框架》（Model AI Governance Framework）則把人類與組織當責列為核心，要求 AI 系統具備可解釋、透明與公平的特性。部署 AI 的組織應建立明確的治理架構並指定監督角色，確保 AI 輔助決策中有實質的人類當責，也要建立風險管理流程，監控並降低演算法偏誤等風險。

Tan Kiat How 表示，維持人類當責、建立足夠的控管與防護機制，以及強化 AI 代理人所接觸系統的資安防護，這些原則都適用於代理式 AI。政府正研究如何調整這些框架，以因應代理式系統自主性提高帶來的變化。

他也希望開發前沿 AI 的企業承擔更多責任，及早辨識新出現的能力與風險，並在大規模部署前建立防護。若系統已造成損害，企業也應負起責任，盡快修正。

AI 代理人事故頻傳，業者表態接受強制通報

前沿 AI 模型的安全使用，已是全球共同面對的課題。近幾個月來，AI 代理人接連發生重大違規事件，讓業界擔憂能否控制正在開發、能力更強的模型。在 Tan Kiat How 發言前，OpenAI 通知超過 100 個組織，告知與其 AI 代理人有關的未授權活動事件。

10 月初，OpenAI 與 Anthropic 向澳洲國會表示，歡迎立法要求它們通報 AI 代理人造成的資料外洩，並承認目前是否通知主管機關，仍由業者自行決定。這番表態的背景是，OpenAI 的一個 AI 代理人曾入侵澳洲主要的醫療入口網站，OpenAI 卻拖了數個月才通知澳洲政府，引發輿論強烈批評。

同一天，新加坡數位發展及新聞部部長 Josephine Teo 在答覆國會時指出，能力與自主性越來越高的 AI 系統帶來新風險，現有防護可能無法完全因應。因此，政府正研究高風險 AI 應用是否需要新的安全措施，例如更嚴格的測試、可獨立驗證的安全證據、更嚴格的部署控管，以及更強的監管。

Josephine Teo 在前一週也曾於社群媒體表示，前沿 AI 企業的防護措施雖然重要，但不足以因應能力日益提升的系統。惡意使用者可能利用 AI 找出系統弱點、撰寫惡意程式、自動化部分網攻流程，或讓詐騙更逼真。

新加坡不排除極端風險，但先累積證據

Josephine Teo 也指出，截至目前，新加坡沒有任何涉及無人監督 AI 代理人、針對政府機關的網路攻擊通報。不過，政府既不排除 AI 可能帶來「災難性甚至滅絕級」的風險，也不假設這些風險必然發生。

因此，新加坡現階段的做法，是密切觀察證據、建立理解先進 AI 系統的技術能力，並與國際合作因應重大風險。至於是否會透過立法同時規範 AI 的行為與生成內容，新加坡數位發展及新聞部在回覆國會質詢時，列出了現行適用的法規與框架，但沒有提到是否會新增立法。現階段，新加坡選擇一邊試驗，一邊研究既有框架該如何調整。

【推薦閱讀】

◆ 台灣開始思考 AI Agent 怎麼管，數發部點出能力、身分、問責等六個治理層次
◆ 【政府 AI 轉型下一步】64 國建好數位身分只是起點，AI 代理正在改寫政府服務方式
◆ 從黃仁勳到 Broadcom 都沒打算為 AI 踩煞車，微軟公布 37 頁 Agent 行為準則

＊本文開放合作夥伴轉載，參考資料：CNA、Government of Singapore，首圖來源：Unsplash

（責任編輯：鄒家彥）

【科技早餐】今天精選 6 則國內外重要科技新聞。

＊德國攜 NVIDIA 推工業 AI，西門子工廠展示新應用

德國政府 10 月 19 日與 NVIDIA 簽署合作意向聲明，擬結合德國製造業的工程知識與資料，推進實體 AI 模型，擴大工業 AI 應用並建立歐洲產業生態系。NVIDIA 執行長黃仁勳在柏林投資峰會表示，下一波 AI 是實體 AI，相關技術能增強德國既有的工業專長。總理梅爾茨則呼籲中型企業讓 AI 運用累積資料，將製造經驗轉化為競爭優勢。目前合作仍屬意向聲明，政府合作案的具體投資金額尚未正式公布。

同日，西門子（Siemens）公布與 NVIDIA 在埃朗根工廠共同開發、測試的新應用，包括透過數位孿生生成合成影像，讓品質檢測系統能在實體原型出現前準備訓練，以及以 AI 代理提出生產排程方案，再透過工廠數位孿生驗證。西門子表示，新電路板組件的虛擬生產準備最多可減少 85% 工程工作量、縮短 40% 上市時間；代理式生產規劃則可望節省最多 20% 成本。這些數字屬公司公布的特定流程效益，並非全廠改善幅度；全 AI 驅動製造的目標已於今年 1 月提出，此次新增進展是具體應用展示。埃朗根廠另規劃至 2030 年投入 5 億歐元推進轉型。

＊美國聯邦文職機關 DeepSeek 移除令曝光，第三方 AI 服務也在列

美國聯邦公報近日公開國土安全部命令，要求將中國 AI 公司深度求索（DeepSeek）及關係企業的產品與服務，排除在聯邦文職機關採購之外，並從機關資訊系統移除。限制還涵蓋採用 DeepSeek 實作的第三方產品與服務，範圍延伸至其他供應商提供的 AI 系統。文件於 10 月 19 日公開供查閱，原始命令則在 7 月 24 日簽發。

這項命令依據美國聯邦採購供應鏈安全法制提出，適用於聯邦文職行政機關，相關國家安全及機密系統另有適用範圍與例外，不能解讀成全美民間企業一律禁用。原命令要求發布後立即排除或移除，並設有例外申請機制，申請須在命令發布後 60 天內提出，並非此次公開另設的新期限；公開文件未交代所有機關的移除完成情況，也未提供逐一適用的第三方品牌清單。對參與相關政府採購的供應商而言，產品品牌之外，底層採用的模型及第三方整合方式也會影響合規判斷。服務由其他公司包裝或交付，並不代表其使用的 DeepSeek 實作就能免於這項限制。

＊OpenAI 傳加速募資 300 億美元，估值可能超過 1.4 兆美元

《Reuters》10 月 19 日引述消息人士報導，OpenAI 正加快洽談約 300 億美元融資，希望趕在 Anthropic 預期上市前取得投資人承諾，估值可能超過 1.4 兆美元。消息人士並稱，OpenAI 向投資人表示，GPT-6 Astra 推出後營收增長加快，年化收入已達 500 億美元，預期年底升至 700 億美元。年化收入是按當前營收速度換算的年度規模，年底數字則是公司預測。本輪金額與估值先前已有報導，這次新增進展是募資時程加速，交易條件仍未定案。

OpenAI 今年 3 月 31 日宣布完成一輪融資，取得 1,220 億美元資金承諾，投後估值為 8,520 億美元；資金承諾不等於全部現金已到帳。該輪由亞馬遜（Amazon）、NVIDIA 與軟銀（SoftBank）等策略投資人支持。公司當時將穩定取得算力列為核心戰略，說明基礎設施能支撐模型研究、產品服務與更大規模的企業部署。《Reuters》此次並指出，OpenAI 規劃於 2027 年上市，但仍需資金支應龐大的基礎建設承諾。新一輪融資目前仍在洽談，OpenAI 與 Anthropic 的上市時程也可能調整，不能將潛在估值視為已完成交易的價格。

＊亞馬遜推 TorchNeuron，挑戰 NVIDIA 軟體護城河

亞馬遜（Amazon）10 月 19 日發表 TorchNeuron，透過原生 PyTorch 後端，降低開發者將既有 AI 模型轉往自研 Trainium 晶片的門檻。官方 GitHub 原始碼目前已公開，專案標示為 Beta 測試版，支援 Trainium 2 與 Trainium 3。PyTorch 是廣泛使用的 AI 開發框架，NVIDIA 長期透過 CUDA 軟體生態協助相關程式高效運行；亞馬遜這次從工具相容性切入，爭取開發者採用其他算力選擇。

亞馬遜表示，對工具支援的程式，調整硬體設定後即可沿用原本模型，無須重寫整套模型程式，也能保留熟悉的研究、除錯與分散式訓練流程。不過，官方文件仍列出不支援或有限支援的功能，部分依賴 CUDA 的專用程式也未必能直接移植，實際部署仍需測試相容性與效能。TorchNeuron 的意義在於減少嘗試新硬體的工程負擔，並非保證所有模型都能零修改轉換，或每種工作負載都比 GPU 方案便宜。

＊Anthropic 傳再洽 450 億美元算力合約，擴大 Nscale 合作

《Reuters》10 月 19 日引述知情人士報導，英國 AI 基礎設施業者 Nscale 正與 Anthropic 洽談另一筆約 450 億美元的雲端算力交易，涉及美國西維吉尼亞州 Monarch 園區第二棟資料中心。該設施預計提供約 460 MW 的電力容量，採用 NVIDIA Vera Rubin 晶片。雙方 8 月已就園區第一棟設施達成另一筆約 450 億美元協議，前約涵蓋 6 年，本次談判屬擴大採購的新案，尚未簽約定案。

《Financial Times》另引述消息人士指出，潛在新協議的條件預期接近前約，將進一步擴大 Anthropic 向 Nscale 採購算力的承諾。新合約金額也不等於已支出的資本支出或已交付算力；實際供應仍取決於合約落定與設施建置進度，現階段無法將規劃容量直接計入已投運資源。

＊中國推 18 項科技興商措施，布局 AI 導購、智慧物流與機器人

中國商務部等 9 部門 10 月 19 日公開「關於加快推進科技興商的意見」，提出 18 項措施，擬將 AI、具身智慧與其他數位技術導入商貿領域，以擴大內需、提升流通效率。文件署期為 10 月 13 日，內容包括培育商業 AI 代理，發展智慧導購、營運與物流服務，推廣智慧倉儲、無人配送，並拓展機器人在家庭服務、商貿物流等場景的應用。

配套措施涵蓋商貿領域高品質資料集與可信資料空間、商業 AI 代理分級治理，以及在可控範圍內進行壓力測試與監管沙盒試點。財政金融支持則以統籌既有資金管道、引導金融機構提供服務為主，文件未公布專屬新增預算額度。這次進展是跨部門政策公布，各地實施辦法、企業採購與部署成果仍待觀察；政策鼓勵的應用場景，不代表已有相應規模的訂單或設備投入使用。

＊本文開放合作夥伴轉載，資料來源：NVIDIA、Siemens、美國國土安全部、《Reuters》、《Reuters》、PyTorch、Amazon、GitHub、《Reuters》、《Financial Times》、中國商務部、《聯合報》，首圖來源：NVIDIA。

面對日益猖獗的勒索軟體攻擊與日趨複雜的混合 IT 架構，企業營運韌性正面臨前所未有的考驗。運算、網通及儲存解決方案領導者威聯通®科技 (QNAP® Systems, Inc.) 今日宣布推出全新企業級備份解決方案 [HDP for Business] Beta 版。其打破傳統備份軟體需額外添購昂貴專用機，讓企業能直接將現有的 QNAP NAS 轉化為強大的集中備份與復原驗證中心，以極具競爭力的總體擁有成本 (TCO) 實現跨國、跨站點的資料保護網。

威聯通產品經理王靖傑表示：「企業備份最大的盲點，往往是『有備份，卻不確定災難發生時能否成功還原』。HDP for Business 特別將自動還原驗證與全程錄影機制列為核心，讓企業能隨時拿出 100% 可成功復原的確切證據。這不僅能大幅減輕 IT 團隊的資安稽核負擔，更是企業抵禦勒索攻擊、確保營運連續性的關鍵防線。」 

單一平台無縫整合，終結企業 IT 孤島

現代企業 IT 基礎架構日益複雜，橫跨多種虛擬化平台、實體伺服器與不同品牌的儲存設備，備份管理的碎片化往往是資安防護的最弱一環。HDP for Business 展現了強大的跨平台整合力，單一軟體即可全面涵蓋地端與邊緣節點的關鍵工作負載，支援包含虛擬機器（VMware®、Microsoft® Hyper-V、Proxmox®）、端點裝置（Windows® PC / Server）、檔案伺服器（Nutanix®、NetApp®、QNAP NAS、SMB/rsync） 以及關鍵企業資料庫（Oracle®、Microsoft® SQL Server）。企業不再需要為不同的系統或硬體廠牌採購多套備份軟體，大幅降低 IT 維運的複雜度。

三道原生防線，構建勒索軟體絕緣體

在「假設已被入侵」的零信任資安架構下，備份資料是企業復原的最後底線。HDP for Business 導入三組核心防禦機制，確保備份檔案「改不了」也「找不到」，徹底阻斷攻擊者破壞備份的企圖： 

• 不可變備份 (Immutable Backup)：結合 QuTS hero 作業系統，備份寫入 NAS 後即刻鎖定。在設定期限內，即使是系統管理員也無法竄改或刪除資料。
• Airgap+ 實體隔離：備份伺服器可設定於非備份時段自動關機，使設備在攻擊發生的當下「實體離線」，從根本上杜絕駭客橫向移動的可能。 
• 落實 3-2-1-1-0 備份黃金原則：系統無縫對接 QNAP 儲存服務 (例如地端物件儲存 QuObjects、雲端物件儲存 myQNAPcloud Object[EC1] ) 與 Amazon® S3、Wasabi® 等公有雲，輕鬆建立異地與不可變副本，讓企業合規性滴水不漏。

主動式「備份驗證」與「即時還原」

「備份不等於能還原」是許多資訊長的痛點。HDP for Business 內建自動備份驗證機制，備份完成後，系統會自動在備份伺服器上執行還原與開機測試，並全程錄影存證。這不僅不影響正式環境的運作，更為企業的資安稽核提供了最直接的「可還原證據」。 

此外，當正式伺服器遭遇無預警停機時，IT 團隊可透過即時還原 (Instant Restore) 功能，直接在備份伺服器上以虛擬機形式掛載備份檔並開機接手服務，將系統中斷時間從數小時大幅縮短至數分鐘級別，確保企業營運不中斷。

一站式全域管理與無硬體授權綑綁

針對具備多個分支機構的跨國或大型企業，HDP for Business 提供了跨站點集中管理主控台。總部 IT 人員只需登入一次，即可全盤掌握全球各據點的備份健康狀態。同時，系統支援管理伺服器備援機制，備援伺服器持續同步站台設定，管理伺服器故障時可由管理員一鍵切換即可接手，確保各地的排程備份任務持續運行。 

不同於市場上依據保護的伺服器或虛擬機台數累加計費的傳統作法，HDP for Business 允許企業直接將軟體部署於現有符合規格的 x86 架構 QNAP NAS 上，讓備份硬體與儲存、虛擬化資源共享。保護範圍越廣，企業省下的授權與設備維護成本就越可觀。

有別於傳統依裝置數量計費的模式，HDP for Business 提供無上限的端點與虛擬機保護。軟體可直接部署於現有 x86 架構 QNAP NAS，讓同一台設備兼任備份主機與備份儲存，免除專用設備採購成本，且環境規模越大、效益越顯著。本方案唯一付費項目僅為「多站台集中管理授權」：目前 Beta 版本可由一台管理伺服器統一納管備份與備援伺服器，整體架構以 4 台 QNAP NAS 為上限（含管理與備份伺服器）；正式版將提供授權方案，企業可依需求彈性擴充納管的備份伺服器數量。 

完整了解 HDP for Business 功能

HDP for Business Beta 版現已於 QNAP App Center 開放下載。

（本文訊息由 QNAP 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：QNAP。）

資安人才服務公司 CyberSN 近日發布《資安職缺報告》（Cybersecurity Jobs Report），呈現美國資安就業市場的最新變化，《SecurityWeek》形容整體結果喜憂參半。報告統計，2026 年 1 月至 9 月，美國資安職缺刊登數量為 235,786 個，創下四年來同期新低，較 2025 年同期的 320,210 個減少 26.4%。

整體職缺下滑之際，部分 AI 與資料相關職位卻大幅成長。其中，AI 資安工程師（AI Security Engineer）職缺年增 268.3%，達 2,409 個；資安資料科學家（Cyber Data Scientist）也成長 203.5%，達 1,493 個。

CyberSN 的報告資料來自職缺資料平台 JobSpikr，並在移除重複刊登後進行分析。CyberSN 將各種職稱歸入自家的資安職能分類架構，涵蓋 10 大類、45 種資安職能角色，藉此依照職缺實際要求的技能評估市場，而非依照招聘企業使用的職稱。報告也將 2026 年與過去幾年相同月份比較，觀察哪些職能的需求正在浮現或減少。

研究與攻擊職能最需 AI 知識，遠距職缺以銷售占比最高

《SecurityWeek》指出，企業對 AI 基本理解能力的需求仍然很高。2026 年 1 月至 9 月，有 14.6% 的資安職缺提及 AI，與 2025 年同期的 15.1% 大致相當；不過，今年以來這項比例持續升溫，9 月達到 20.0%，是 2025 年 1 月以來單月最高。

從職能來看，對 AI 知識需求最高的是研究（Research），有 32.7% 的職缺提及 AI，較去年同期增加 11.7 個百分點；其次是攻擊（Offense），占 23.3%，增加 4.8 個百分點；治理、風險與法遵（GRC）占 19.8%，增加 2.1 個百分點；規劃（Plan）則占 18.9%，增加 0.6 個百分點。

遠距工作是另一項值得關注的指標。提供遠距工作的職缺占比，以銷售（Sales）的 32.8% 最高，其次是 GRC 的 31.2%，其他較高的職能還包括攻擊（24.7%）、產品資安（Product Security，22.9%）、教育訓練（Educate，22.8%）、研究（21.9%）及防禦（Defense，21.3%）。

多項職缺年減 4 成以上，CISO 職缺回到 2024 年水準

部分職能雖然成長，但整體職缺下滑，意味著可能受衝擊的職位更多。降幅居前的職位中，內部威脅分析師（Cyber Insider Threat Analyst）職缺減少 55.6%，降至 1,088 個；資安風險分析師（Cyber Risk Analyst）減少 51.5%，降至 4,031 個；滲透測試人員（Penetration Tester）減少 45.9%，降至 3,063 個。

資安負責人（Cybersecurity Lead）職缺減少 41.0%，降至 4,688 個；威脅獵捕人員（Threat Hunter）減少 40.0%，降至 1,013 個；資安專案經理（Cybersecurity Project Manager）減少 39.4%，降至 783 個。資訊安全長（Chief Information Security Officer，CISO）及安全長（CSO）、業務資訊安全長（BSO）、資訊安全官（ISO）等相關職稱，合計職缺也減少 38.9%，降至 2,832 個。

《SecurityWeek》分析，CISO 職缺的下滑，很大程度反映 2025 年的數字異常強勁。2026 年的 2,832 個職缺，與 2024 年的 2,808 個幾乎相同；而且 CISO 職缺在 2026 年第二季至第三季之間，增加了 19.5%。

G7 資深資安職缺增 65%，初階僅增 5.9%

《SiliconANGLE》報導，另一份涵蓋七大工業國集團（G7）的研究顯示，這些國家的資安職缺中，要求 AI 技能的比例從前一年的 14.2% 翻倍至 28.5%。這份研究由 AI 勞動力聯盟（AI Workforce Consortium）於 8 月發布，該聯盟由 Cisco 發起，成員包括 Accenture、Google 與 Microsoft 等企業。

然而，AI 技能需求攀升，並不代表所有年資的求職者都同樣受惠。若依年資區分，截至 2026 年 3 月的六個月間，資深職稱的職缺成長 65%，初階職稱的職缺僅成長 5.9%，而在此之前的半年，初階職缺甚至小幅萎縮。該聯盟將這種現象稱為「經驗悖論」（experience paradox）：企業在名義上屬於初階的職缺中，要求的卻是資深人才的技能。

Cisco 也詢問資安主管，初階求職者最缺乏哪些能力。有 49% 的受訪者選擇 AI 代理的實務經驗，居各項之首；選擇資安技術深度與人際技能的受訪者，則分別占 48% 與 45%。由於三者差距只有 4 個百分點，研究將它們視為同一組主要缺口，而非排名。

回到 CyberSN 的報告，《SecurityWeek》指出，這份報告聚焦於職缺數量的變化，而不是探究背後的原因，是一份回答「是什麼」（what）而非「為什麼」（why）的報告。儘管如此，從部分常見職稱仍可看出一些可能的跡象。例如在領導職位方面，報告指出，總監與 CISO 職缺會隨著董事會看待資安問責的態度而變動。《SecurityWeek》補充，整體而言，很難單憑 CyberSN 的職缺資料判斷各類職位的實際就業前景，但具備 AI 資安專業的人才可能較為吃香，有意角逐 CISO 的人則可能需要多點耐心。

【推薦閱讀】

◆ 量子電腦最多 95% 資源得用來「備料」：Google 降低魔態錯誤率 40 倍，比特幣早期錢包風險受關注

◆ AI 寫的程式碼愈來愈多，美國軟體開發職缺卻增近 15%：工程師沒被取代的原因是什麼？

◆ AI 代理入侵事件連環爆，美國靠人才市場逼資安長扛責，歐洲靠法規讓董事會負責

＊本文開放合作夥伴轉載，資料來源：《SecurityWeek》、《SiliconANGLE》、CyberSN，圖片來源：Pexels。