在 AI 的世界裡有些題目天生就很吸引人，譬如模型多聰明、寫程式出錯率多低、會不會取代人類等等，這些話題永遠有人討論，然而有些題目從來不是大家一開始想做的，譬如誰可以用哪一個 Agent、資料會不會外流、AI 答錯了誰負責等等，這些問題在開會的時候也很難讓人眼睛發亮，聽起來就很無聊。

但我們的產品，就是從這些沒人搶著做的題目裡長出來的。

今年，我們向一家大型金融機構提案，當時花了不少篇幅談 AI 治理與資安風險，那時候，這些還不是市場上熱門的議題，也不在客戶的採購清單裡，但就在幾個月後，這家金融機構主動回頭找我們，帶著一個完全不同的問題，而那個問題，我們後來在金融、製造、零售、半導體客戶身上反覆看到的問題竟然都是一樣的。

同樣的問題出現第三次以上，我們知道該做一個產品了，CloudMile 萬里雲這幾年做過上千個 AI 專案，從需求訪談、POC、開發、驗收到正式上線，陪著不同產業走過完整的導入流程，上一篇我們分享了這套方法，這一篇，想講的是這些從來不在第一頁的題目，怎麼在半年之內，長成了一個管理 AI Agent 的平台「Aegis AI Platform」。

客戶第二次找上門，帶著一個完全不同的問題

不久前，我們獲得一次向金融業客戶提案的機會，帶著 NL to SQL（Natural Language to SQL，讓使用者直接用白話文提問，由 AI 自動轉成資料庫查詢語法）的能力上場，那次的提案主軸是資料分析，我們花了不少時間跟客戶談 AI 治理跟資安風險，但那時候這些還不是採購會議上的重點。

結果幾個月後，這家客戶主動回頭找我們，只是這一次，他們遇到的已經不是資料分析，而是另一個更棘手的問題。

AI 很聰明，但也很容易被騙

你可能看過一些新聞，有人跑去速食店的 AI 點餐系統，不點餐，反而一直問數學題；也有人叫客服機器人幫忙寫程式，結果它還真的一本正經地回答。

看起來很好笑，但通常一家企業的資安團隊就知道這會有風險，這其實是很常見的攻擊方式，叫做 Prompt Injection（提示注入攻擊），簡單來說就是利用刻意設計的輸入，讓 AI 忽略原本的規則，開始做一些它不該做的事情。

今天可能只是回答數學題，明天就可能被誘導透露公司資料、繞過限制，甚至輸出企業完全不希望出現的內容，而且這些回覆，都是透過公司的官方網站、官方客服送出去的。

回頭找上我們的那家金融機構，就是在正式上線前，被內部資安團隊查到了類似的風險。

原本的網站，準備從傳統關鍵字搜尋改成 AI 對話模式，結果安全測試一做，整個上線計畫先停了下來。

他們需要的，不是再換一個模型，而是建立 Guardrail（AI 護欄機制），也就是在輸入跟輸出的兩端，多一層保護，不該進來的攻擊，要擋下來；不該出去的回覆，也要攔下來。

為什麼他們會回頭找我們？

我們後來也想過這個問題，答案可能就在前一次提案裡，我們談了很多 AI 治理跟資安風險，當時這些內容不是採購重點，但對方記住了一件事，這家公司，知道 AI 出事的時候該怎麼處理。

企業最後選擇合作夥伴，不一定只看功能，很多時候更在意的是：「如果真的出事，這家公司靠不靠得住？」

大部分的客戶最後都會卡在同樣的地方

這個案子做完之後，我們把它跟前面幾年的專案放在一起看，突然發現一件很有趣的事情，金融、製造、零售、半導體……，產業不同，AI 要做的事情也不同，但做到後面，開始問的問題，幾乎一模一樣：

• 誰可以用哪一個 Agent？
• 誰可以存取哪些資料？
• AI 會不會亂回答？
• 資料會不會被拿去訓練模型？
• 每個部門用了多少 Token（模型運算成本）？
• 每個 Agent 的使用情況能不能被追蹤？
• 上線之後，又怎麼知道它沒有開始偏掉？

很多公司都有能力做出一個 AI Agent，但真正困難的，是後面的治理，很多團隊做到最後，都還要再花很多時間補權限、補治理、補監控，而且也通常都是到了這個階段，才開始找我們。

偏偏，這些事情幾乎都不是客戶一開始會提出來的需求。

同樣的問題出現第三次以上，我們知道該做一個產品了

前面一個專案，我們替客戶解決，第二個專案，我們再做一次，之後無數個專案，又遇到一樣的事情，那答案就很明顯了，這不是客製化需求，這是市場需求，於是，我們開始把原本散落在不同專案裡的方法、工具跟流程，慢慢收攏，半年後它變成了一個產品「Aegis AI Platform」，一個讓企業方便管理 AI Agent 的平台，但比起它是什麼，我們更想聊聊它為什麼長成這樣。

第一個設計，是攔在事前，不是記在事後。

市面上多數的監控工具，做的是事後留紀錄，出了事、翻 log、檢討、改進，聽起來很合理，直到新聞上你看到有公司把 AI 掛在官網上，一句不當的回覆，事後的紀錄再完整，也收不回已經送出去的那句話。

所以 Aegis AI Platform 把治理放在動作發生之前，Agent 要執行任務，先過一道檢查，就像文件要寄給客戶之前，主管會先簽核，而不是寄出去了才回頭翻信，出事之後才知道發生什麼事，很多公司經不起這種驚喜。

第二個設計，是讓不會寫程式的人，也看得懂。

我們在專案裡學過一課，系統其實有標註出問題，只是它講的語言，使用者聽不懂，AI 治理如果只有工程師看得懂，治理的責任就永遠壓在 IT 身上，可是最知道「這個回答對不對、該不該擋」的人，常常是業務單位的同仁。

所以 Aegis AI Platform 我們把平台做成拖拉式、視覺化介面，工程師有最在意的資安管理機制，一般人有直接能上手的對話介面，每個 Agent 在做什麼、被允許做什麼，我們設計成團隊一眼就可以看得懂的後台。

第三個設計，跟第二個剛好是一體兩面：介面對所有人開放，但鑰匙留在 IT 手上。

自由跟治理兼具的工具，理想狀況是「人人都能建 Agent」，但也要「有人管理」，所以我們刻意把模型使用權、資料存取權限收在 IT 人員手上，各部門可以長出自己最想要的 AI 助理，但 IT 永遠知道公司有哪些 Agent、各自能碰哪些資料。

第四個設計，是把「持續驗證」變成可以選的一環。

AI 有一個很多人不知道的特性，是它的表現會慢慢走樣，上線第一天表現很好的 Agent，隨著資料越餵越多、使用情境越來越雜，回答會一點一點偏離當初驗收的樣子，而且不是當機那種看得見的壞掉，是它還在講話、講得還很流暢，只是內容可能跟一開始給的答案不太一樣，最麻煩的地方就在於，沒人盯著的話你不會發現。

所以驗證不能是專案結束時做一次就好，我們可以定期拿測試題去考每一個 Agent，看它的回答還跟不跟得上當初驗收的水準，馬上知道有沒有偏掉。

但我們也要誠實說這件事很花錢，持續驗證代表測試題要有人出、有人維護，考出來的結果要有人看，有人會問我們「到底要不要投入？」其實要看產業來判斷，譬如金融業的 Agent 講錯一個數字，可能就是客訴甚至申報事件，這種情況可能就需要有驗證的環節。

最後，你的公司需要的是各自為政的 AI Agent，還是統一的 AI Agent 治理平台？

Vibe Coding 讓全民開發成真，各部門都能自己動手做 AI 助理，這確實解放了很多創意，但同時也帶來一個新問題，公司裡開始長出一批沒人管的 AI，資安圈叫它 Shadow AI（影子 AI）。

沒人知道總共有幾個、各自碰得到哪些資料、有沒有裝防護、這個月燒掉多少 Token，等到出事，往往已經是最壞的那一種出事，但企業真正需要的，不是踩煞車，不是禁止大家用 AI，而是換一個做法，把防護欄跟用量管理集中到一個地方，讓各部門照自己的需求去長，IT 也永遠知道公司裡有哪些 Agent、各自在做什麼，創新跟控管，可以同時發生，前提是要有一個地方，能一眼看見全部。

這就是我們做 Aegis AI Platform 的原因，回頭看這半年，我們做的事情其實沒有那麼浪漫，不是追著最新的模型跑，而是把每個客戶專案裡那些最不吸睛、最沒人搶著做的問題，一個一個收起來變成一個產品，因為決定 AI 能走多遠的，往往不是它有多聰明，而是你能不能放心把事情交給它。

(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。）

這幾年大家在各種 AI 活動上，應該都看過很多很厲害的 Demo，模型能推理、能對話、能自動完成複雜任務，看起來什麼都做得到，但真實世界的企業導入，是另一回事，客戶的資料是亂的，需求是發散的，系統用了十幾年，而且第一次見面時，客戶多半還是對 AI 半信半疑。

CloudMile 萬里雲接觸過上千個大大小小的專案，有金融業、有半導體，也有很多看起來很簡單，做下去才知道完全不是那麼一回事。

一開始可能只是一個部門的需求，結果做到後來，每個部門都想加入自己的功能，我們甚至需要猜客戶那些沒有說清楚的需求，累積多了之後，我們發現很多客戶遇到的問題，其實都很像，有人不知道該從哪裡開始導入 AI；有人做到一半，需求越來越多；有人 AI 已經上線了，才開始擔心資料安全、權限控管，或是不知道 AI 到底有沒有亂回答。

原來企業導入 AI，不是一個模型、一個工具就能解決的事情，而是需要一個完整的導入流程，而這件事，也讓我們越來越認同「FDE」這個角色的重要性。

先從 FDE 這個角色講起，要解決客戶問題，你不能只是坐在辦公室裡

國外把處理這種混亂的角色叫做 FDE，前線部署工程師（Forward Deployed Engineer），這個角色最早由 Palantir 提出，獲得 OpenAI、Anthropic 等 AI 公司認同並積極擴張類似團隊。

FDE 的核心概念是模型本身不是產品，「可靠度」才是產品，意思是，再強的模型或工具，如果沒辦法在企業裡穩定運作，對客戶來說就沒有價值。

坐在辦公室把功能寫完，只能做出工具；真正解決問題，需要一直走進客戶現場，看他們怎麼工作、怎麼卡住、怎麼使用，最後交付一套真的能穩定運作的系統。

CloudMile 萬里雲的工程團隊，其實就是用這樣的思維陪每個客戶導入 AI，走過這麼多專案之後，我們也整理出一套自己的流程，我們認為一個 AI 導入專案，大概都會經過五個階段。

階段一：接到客戶需求，先訪談，不要先寫程式

我們給自己的定位，比較像可以做全身健康檢查的醫院，當每個客戶走進來說「我想做 AI」，通常我們不會直接開藥，而是先做完整的檢查，我們會透過幾個問題訪問客戶：

你現在最痛的是什麼，不是想做什麼，是什麼事情每天在消耗你的團隊；這個專案有沒有編列預算，預算的規模，決定了方案該怎麼設計，沒有對齊預算就開的規格，不然都是白做；你們內部的流程長什麼樣子⋯⋯等等的。

最後，也是最重要的，就是這個專案要拍板定案是「誰說了算？」，因為推動 AI 導入，最怕的是談了三個月，才發現真正能決定的人根本還沒進來。

那我們主要會檢查什麼？

除了聊他們希望的模型、了解他們的概念，再來會聊資料，AI 很像一個人，它的個性、談吐、知識，都是被餵進去的資料養成的，這在 AI 工程裡有一句老話：「Garbage in, garbage out」，餵進去的是垃圾，出來的就是垃圾，所以跟客戶談導入之前，第一件事是盤點你手上到底有哪些資料、品質如何、放在哪裡、乾不乾淨。

不過訪談還是有一個天生的限制，用講的，客戶說不清楚自己要什麼。

有次我們收到一家企業想做 HR 系統，一開始需求很單純是用 AI 分析履歷，節省人資篩選工時，因為口頭很難說明 AI 能做到什麼程度，我們後來直接做了一個 demo，讓人資上傳履歷，AI 自動分析，給出評估結果。

不過 demo 一出來，事情開始有了變化，客戶看到成品後，想法一路長出來，先是要調整 UI/UX、加入 PM，接著要串接外部人力銀行平台，最後甚至提出，能不能做一個 AI Agent 直接當面試官？需求從一位總監開始，擴散到內部系統、外部供應商，越提越發散。

需求不是問出來的，是做出來之後才浮現的，而且只要是團隊決心要找到問題並坐下來訪談，「需求蔓延」這個狀況一定會出現。

但我們怎麼讓這件事情收斂？當然不會每個需求都接下來，而是把範疇重新框住，像客戶提出「AI 面試官」的時候，我們沒有直接說不行，而是先做了一版出來，讓大家實際看到它的樣子，再一起討論，結果做出來之後，大家反而看清楚了，這個功能離真正的痛點太遠，投入跟回報不成比例，最後我們一起決定先收掉，把力氣集中回履歷分析這件事並把它做好。

階段二：對焦範疇，弄清楚「到底要做什麼」，比寫程式更花時間

很多人以為 AI 專案最花時間的是開發、調模型，我們原本也這樣以為，直到做了一個零售通路的專案，他們的問題其實很經典，上游供應商提供的商品圖檔沒有命名、沒有分類，每批進貨還會附上採購單、產證、發票等多份文件，內部同仁需要一張一張比對品名、規格這些欄位有沒有一致，品項越多，人工流程就越吃緊，也越容易出錯。

所以我們替他們做了兩套工具，一套用多模態模型，同時理解圖片與文字，自動分類商品圖檔並擷取資訊；另一套負責辨識各種文件，擷取關鍵欄位、交叉比對，再產出差異報告。

看起來真正困難的是模型，但專案做完後，我們回頭翻了一下工時，反而被數字嚇了一跳，整個專案的時間裡，光是需求確認跟方案設計，就占了接近三成，也就是說，在第一行正式程式碼都還沒開始寫之前，我們已經花了將近三分之一的時間一直在跟客戶確認：「到底要做什麼？」

一開始我們也覺得這個比例是不是太高了，但走過更多專案之後，我們反而很確定，這個時間不能省，因為前面少花一天，後面往往就要花更多時間改程式。

階段三：開發與測試，工程師想像的流程，跟使用者真正工作的方式，是兩回事

開發階段最大的敵人，不是技術，而是自己的想像。

工程師想像的使用流程，跟使用者真實的工作方式，可能是不一樣的，有一個文件比對的專案，讓我們對這件事印象很深。

客戶每次進貨都會收到多份相關文件，人員要逐一核對品名、數量這些欄位有沒有一致，我們替他們做了一套 AI 自動比對的系統，而第一版有個設計假設，我們認為，使用者一定會把所有文件準備齊才會開始分析，這個假設在設計會議上聽起來完全合理，文件齊了才比得完整，沒有人覺得有問題。

結果上線測試才發現，使用者根本不是這樣工作的，文件是分批到位的，有些還在對方手上，他們常常只有兩三份，就想先跑一次比對，先抓出有問題的地方，剩下的到了再補。我們原本設計的是一個「等所有人到齊才開飯」的系統，但真實的工作現場，是人到了就先上菜，後來放寬了限制，讓工具去配合人的工作節奏，而不是要求人配合工具。

同一個專案裡，另一個更小的問題，系統比對文件時，如果某個欄位抓不到資料，畫面會顯示「None」，工程師看得懂這是空值，但對使用者來說，那就是四個不知道什麼意思的英文字母混在整張表格裡，系統其實有標出問題，只是它講的語言使用者聽不懂，最後我們只改了一個很小的地方，把 None 全部標成紅色，再把文件之間對不起來的地方，自動整理成一段人看得懂的話，查核的人不用再逐格掃表，一眼就知道哪裡有狀況。

很多不是模型的問題，追到最後，都是資料品質的問題，以及它有沒有貼合真實的使用情境。

階段四：驗收與上線維運，不要讓客戶用「聊天的感覺」評估 AI

AI 跟傳統軟體最大的不同，是它的輸出帶有不確定性，同樣一句話，不同時間送進去，都可能得到不同答案，所以驗收不能靠感覺，我們不會請客戶坐下來跟 AI 聊幾句，就說它好不好，而是會建立一整套 Evaluation（系統化評估 AI 品質）的機制，例如在金融專案裡，曾經做過 NL to SQL（自然語言轉資料庫查詢，讓使用者直接用白話文詢問資料）。

我們會拿過去三個月的真實交易資料建立基準，再請人工手寫查詢，作為標準答案，最後比較 AI 與人工結果的差異，AI 的品質如果是靠「測試起來的感覺」來決定好壞其實很危險，如果跟客戶共同確認一組測試資料，寫進驗收標準，可以比較準確定義，什麼叫做好、什麼叫做可以接受。

雖然 AI 的不確定性沒有辦法消除，但可以管理，而且上線不是終點，隨著資料改變、使用情境改變，AI 的行為也可能會偏離當初驗收時的樣子。

它不一定會當機，更常見的是，它開始一本正經地回答錯誤的內容，所以每一個 Agent，我們都會持續放進 Evaluation 框架裡追蹤，金融業追求的是接近零錯誤；零售、遊戲、Web3 等產業，則有不同的容錯空間。

同一套方法，不同產業，驗收標準也不同，走到這裡，我們原本以為，每個專案都只是不同公司的不同問題，後來才發現不同產業、不同規模的客戶，反而一直卡在同樣幾件事情，當同樣的問題在一個又一個客戶身上反覆出現，我們開始意識到這已經不是某一個專案的問題了。

而這個故事，就是下一篇真正想分享的內容。

(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。）

AI 來勢洶洶，讓許多工作者擔心自己的工作被取代，但實際的第一波衝擊，可能會先體現在「加薪空間」上。Apollo Global Management 針對美國 321 種職業發布的最新白皮書指出，自 2023 年 ChatGPT 帶起 AI 熱潮以來，高度暴露於 AI 的職位，也就是工作內容很容易被 AI 取代的職位，實質薪資成長幅度平均下滑 6.7%。然而，研究團隊也發現，AI 目前對整體就業市場的影響仍「無法偵測」。這代表 AI 可能還沒有真正奪走工作，卻可能已經開始壓縮部分勞工的加薪空間。

為了衡量各職業的 AI 曝險程度，Apollo 的白皮書採用 Anthropic Economic Index，其評估依據是相關工作任務被觀察到使用 Anthropic AI 工具執行的比例。Apollo 估計，目前約有 580 萬名美國勞工從事高度暴露於 AI 的工作。對此，Apollo 分析師 Sania Edlich 與首席經濟學家 Torsten Sløk 在報告中表示：「隨著美國企業進一步深化 AI 的採用，這個數字可能會大幅成長，並在未來幾年對所得不均與勞動市場政策帶來深遠的影響。」

Apollo 進一步分析發現，AI 對薪資成長幅度造成的負面影響，在收入最低的勞工身上最為明顯。自 2023 年以來，服務業勞工的收入成長幅度平均下滑 24.3%；在同一段期間內，收入位於最低四分之一的勞工，其薪資也下降了 10.7%。相較之下，研究團隊並未在最高薪勞工群體身上觀察到顯著影響，顯示目前不同收入族群承受 AI 衝擊的程度並不一致。

程式設計、軟體測試薪資下滑，但部分 AI 曝險職位逆勢成長

進一步檢視特定職業時，Apollo 比較美國勞工統計局 2022 年至 2024 年的數據後發現，電腦程式設計師的實質薪資下降 6.1%，統計助理則下降 5.4%。此外，軟體品質保證分析師與測試人員的實質薪資下降 2.9%，資料庫架構師也下降 2.7%。

不過，部分職位的薪資變化可能也受到更廣泛的產業因素影響。例如，AI 曝險程度相對較低的廣播主持人與電台 DJ，在這兩年間的實質薪資依然大幅下滑 52%。另一方面，部分中度暴露於 AI 的職業反而出現薪資成長，例如個人財務顧問的實質薪資增加 8.4%，行政法官、裁決人員與聽證官的薪資更增加 17.5%。

AI 技能享有 62% 薪資溢價，但整體薪資影響仍未定論

雖然部分職位面臨薪資縮水的壓力，但具備 AI 技能的人才卻迎來截然不同的光景。另一份由 PwC 針對六大洲超過 10 億則職缺進行分析的報告指出，AI 正引導全球勞動市場走向兩條截然不同的路徑：由 AI 強化人類專業能力的職位，其職缺數量與薪資成長速度，皆超越因 AI 而更容易由非專業人士執行的職位。

目前，需要特定 AI 技能的職缺成長率高達 69%，而具備 AI 技能者的平均薪資溢價也由前一年的 57% 攀升至 62%。然而，歐洲央行（ECB）的研究指出，2019 年至 2025 年間，AI 替代風險高的職位，其就業成長幅度比低風險職位少約 15 個百分點；但整體而言，AI 對美國就業與薪資的影響目前仍然十分有限。不過，歐洲央行也在報告中強調，隨著勞動市場持續調整，以及 AI 工具的生成能力不斷提高，未來對收入的影響可能會更加明顯。

AI 未必先奪走工作，卻可能先拉大薪資與技能差距

《Business Insider》報導指出，有關 AI 會摧毀大量工作機會的說法，今年受到更多質疑；但愈來愈多證據顯示，隨著勞動市場開始優先重視不同技能，AI 的廣泛使用確實可能壓縮部分勞工的收入。

《Business Insider》引述一份高盛（Goldman Sachs）的分析指出，過去因科技發展而離開原有職業的勞工，在找到新工作後，平均承受約 3% 的實質減薪；且在往後十年內，其實質收入成長幅度也比其他勞工少約 10 個百分點。這對未來可能受到 AI 衝擊的勞工而言，無疑是一大警訊。

AI 對勞動市場的影響，現階段未必先表現在大規模裁員，而更可能透過薪資成長放緩、低薪族群承壓，以及技能價值分化等現象逐步浮現。Apollo 的數據顯示，高 AI 曝險職位與低收入勞工已出現薪資警訊；PwC 則指出，具備 AI 技能者反而享有更高溢價，顯示 AI 正重新分配職場議價權。儘管歐洲央行尚未觀察到整體薪資受到顯著衝擊，但隨著企業持續擴大採用 AI，誰能被 AI 強化、誰更容易被壓價，將成為未來所得差距與人才市場變化的關鍵。

＊本文開放給合作夥伴轉載，資料來源：《Business Insider》、《Reuters》、PwC，首圖來源：Unsplash

Google DeepMind 在美國時間 7/30 發表了一系列新版 Gemini 模型：Gemini Robotics 2。相較前代只能指揮一支機器手臂從桌面上拿起一個杯子，新模型能指揮整個人形機器人走向桌子、蹲向較低的層架，並將澆水壺放進最底層的綠色箱，官方還展示了綁垃圾袋、轉燈泡等動作，而這一切都在單一學習策略之下完成。這次官方示範用的，是 Apptronik 的人形機器人 Apollo 2。

為什麼這項升級重要？《Tech Times》分析，這消除了機器人 AI 發展之初便存在、長年限制此領域的架構瓶頸：先前系統仰賴各自獨立的控制器分別負責移動與操作，再於交接點縫合在一起。Gemini Robotics 2 將這種分工整併為單一的端到端視覺語言動作（vision-language-action，VLA）策略，代表任何需要協調全身動作的新行為，現在都能直接訓練進模型之中，機器人也因此變得「可用軟體升級」。

根據《Tech Times》，過去第一個實現對人形機器人上半身進行高頻率控制的 VLA 機器人 AI 是 Figure AI 在 2025 年初發表的 Helix 模型，如今 Google DeepMind 將此概念拓展至全身。Google DeepMind 在官方部落格指出，這次發布是其邁向「實體通用智慧（Physical AGI）」的關鍵里程碑。

三款模型一次看：大腦、執行、離線版各司其職

這次發布是一個系列，共三款模型分工協作。核心的 Gemini Robotics 2 是 VLA 模型，能把影像與語言指令轉成馬達控制，是 DeepMind 首個能控制完整人形機器人的 VLA。

第二款 Gemini Robotics ER 2 是所謂的具身推理模型，扮演機器人「大腦」，負責高層次認知推理：接收自然語言、規劃長達數分鐘的多步驟任務、監控進度，並在不確定時判斷何時該向人類求助，再把動作交給 VLA 執行。它透過 Gemini Live API 以雙向串流端點連接，這代表它能一邊推理接下來的步驟，一邊執行當前的動作，消除了讓機器人 AI 看起來吃力笨拙的「停下來思考」停頓。

第三款 Gemini Robotics On-Device 2 則可在地端離線運行，承襲源自 Gemini Robotics 1.5 世代的「動作轉移」（motion transfer）技術，能在數小時內、以不到 200 組示範範例，適應一個全新的機器人形體。

Google DeepMind 強調，要讓機器人在日常環境中協助人類，光是具備精確的空間推理能力還不夠，機器人還必須快速思考，使其決策和推理的速度與現實世界的即時速度保持一致。

推出機器人的安全基礎設施：ASIMOV-Agentic

不過，讓前沿 AI 模型控制機器人，使其能在工作場所或住宅內自由走動、操縱物體也可能存在風險。《WIRED》報導，過去曾有研究指出這麼做可能會產生意想不到，甚至是危險的行為。

Google DeepMind 機器人部門主管 Carolina Parada 表示，Google 採用多層安全策略，在模型每個層級都設定了防護措施。此外，Google 也推出了衡量機器人安全性的新基準 ASIMOV-Agentic，能偵測指令是否會導致有害或不確定的結果。

攤開實際表現：轉得動燈泡，卻綁不好一個垃圾袋

不過這套模型離「隨處可用」還有段距離，DeepMind 也對外坦承系統不完善的地方。根據《Tech Times》揭露的基準數據，新模型全身抓取的成功率為桌面 68.4%、地面則降到 45.7%；精細動作的落差更明顯：轉鬆燈泡達 92%，綁垃圾袋僅約 44%，最低的畚箕任務更只有 32%，最容易與最難者相差約 60 個百分點。

Google DeepMind 機器人部門總監 Kanishka Rao 向《Bloomberg》表示，真正的靈巧度仍是遙遠目標，機器人動作之所以緩慢，是因為它們得停下來思考人類憑直覺就能完成的決策。

背後與 Apptronik 合作，打造實體 AI 的擴展循環

回到產業層級，《Tech Times》分析，人形機器人業界醞釀十年，如今商用機種開始出貨、真實產線任務也正在被執行，卡關的已不是機器人能不能走、能不能抓，而是背後的 AI 能否應付真實環境的各種變化。Gemini Robotics 2 沒有宣稱解決了這道難題，但它把行走與操作的分工整併進同一套軟體之後，硬體不必更換，機器人的能力就能靠餵進更多訓練資料持續長出來。

而這些訓練資料，來自 Apptronik 在美國德州奧斯汀設立的機器人園區（Robot Park）：Apollo 2 機器人在那裡不停運作，為 Gemini Robotics 產生真實世界的資料。用統一的軟體策略、靠硬體夥伴餵資料、再用模型更新換來新能力，《Tech Times》認為這正是實體 AI 規模化的方式，而 Gemini Robotics 2 讓這套循環首度跑在一具完整人形機器人上。

【推薦閱讀】

◆ 李飛飛 World Labs 新成果：要讓機器人 AI 規模化，先讓它學習的「世界」規模化

◆ 讓機器人「看見觸覺」：新型變色感測器成本低廉，還能即時呈現壓力的細微變化

◆ 美國封殺中國新型人形機器人、機器狗：宇樹科技首當其衝，禁令能否帶動製造回流？

＊本文開放合作夥伴轉載，資料來源：Google DeepMind、《WIRED》、《The Deep View》、《Bloomberg》、《The Verge》、A3、Google、《TechTimes》，首圖來源：Google

繼 OpenAI 上週坦承旗下多個模型在安全測試中突破隔離環境、入侵開源平台 Hugging Face 之後，Anthropic 也在美國時間 7/30 揭露一起性質相似的事件。這家 AI 公司在得知 OpenAI 事件後回頭清查自家 141,006 筆網路安全評測紀錄，發現旗下 Claude 模型自今年 4 月起，曾在 3 起獨立事件中錯誤入侵三家真實企業的系統，而其中多數受害公司當時毫無所覺。

不過不同的是，這次並非 AI 模型擺脫控制、逃離沙盒環境。Anthropic 表示，問題出在一次設定錯誤，加上多數情況下模型誤判為模擬環境，它以為攻擊真實企業，只是演習的一部分。

一次設定失誤，讓 Claude 把真實企業當成演習目標

根據 Anthropic，這三起事件都發生在名為 capture-the-flag（奪旗，CTF）的基本網路安全測試中。這類測試會給模型一個虛構情境，把一段機密資訊（flag）藏在網路上的另一台機器上，要模型設法入侵取得，過程不限定手法。Anthropic 在提示中明確告訴 Claude：這是模擬環境、沒有網路連線。但由於它與第三方評測夥伴 Irregular 之間的認知落差，測試環境實際上仍連著網路。

於是，當 Claude 在虛擬環境裡找不到目標、把搜尋範圍延伸到真實網路時，它把碰到的真實系統當成了演習的一部分。據 Anthropic 說明，Claude 使用基本的駭客技術如猜測弱密碼、進入未設身分驗證的端點等，並未動用任何複雜或未知的漏洞。

三起事件牽涉三個不同模型：Claude Opus 4.7、Claude Mythos 5，以及一個未對外發布的內部研究測試模型。這些模型在評測時未搭載對外版本會有的分類器與監控等防護，但仍保有各自的安全訓練；相關評測都跑在專用基礎設施上，與 Anthropic 的敏感內部系統及客戶資料互相隔離。

三起事件、三種模型反應

三起事件的嚴重程度與模型反應各不相同。根據 Anthropic 的說明，最嚴重的一起由 Claude Opus 4.7 造成：該次虛構的攻擊目標公司，剛好與一個真實存在的網域同名，Claude 在無法攻入模擬目標後轉向真實公司，取得應用程式與基礎設施憑證，並存取一個含有數百筆生產資料的資料庫。這也是唯一一起模型在意識到自己可能身處真實環境後、仍繼續攻擊的案例。

第二起由 Claude Mythos 5 造成。它在虛構環境中發現一份文件，指示員工安裝一個 PyPI（Python 公開套件庫）上其實不存在的套件，於是 Claude 自行打造並上傳同名的惡意套件，試圖藉此完成任務。Anthropic 指出，這個套件在網路上公開約一小時，期間被下載並在 15 台真實系統上執行，其中一台屬於某資安公司、會自動安裝並掃描 Python 套件，Claude 的程式碼便藉此竊取該公司憑證、進一步存取其基礎設施。Anthropic 提到，Claude 一度在推理中意識到後果，卻以認不得連線用的憑證機構、系統日期顯示 2026 年為由，說服自己仍在模擬中，此後不再回頭檢視這個判斷。

第三起由內部研究測試模型造成。它在掃描約 9,000 個目標後，以讀取除錯頁面憑證、SQL injection 等基本手法攻入一家公司對外的應用程式；但稍後它發現，被入侵的主機位於一個與 CTF 任務毫無關聯的雲端帳號，於是自行判定目標為真、停止攻擊。

Anthropic 坦言，這三起是彼此獨立的事件，並非受控的對照實驗，因此不宜過度推論。不過它也指出，最理想的行為，也就是察覺目標為真、未經提示就自行停手，只出現在三者中最新的模型身上。這樣的結果與越先進的模型反應越恰當的推測一致，但仍需更多測試才能確認。

《Axios》也分析，OpenAI 與 Anthropic 這兩起事件都顯示，模型仍專注於完成被指派的評估任務，而非追求自主目標。

Anthropic 定調：這比較像流程與隔離失誤，而非模型失控

事實上，Anthropic 把這次狀況歸為評測環境與流程的失誤，而非模型對齊（alignment）失控。它強調，幾個模型都只是照著被交付的任務行動，並未追求自己的目標；問題在於它們對情境的認知有誤，被告知沒有網路，實際上卻連著網路，因此把遇到的真實系統誤判為模擬。Anthropic 也說明，對外發布版本上部署的防護，原本就能擋下這些行為。

因此，Anthropic 表示，他們審慎樂觀地相信，只要在評估基礎架構的監控與控管上更加嚴謹，並持續投入對齊（alignment）研究，這類風險是可以克服的。

從時程來看，Anthropic 在 7/23 展開清查，當天即停掉所有可能連上網路的網路安全評測；隔天辨識出全部三起事件，並於 7/27 通知 Irregular 與三家受害公司。其中兩家在被聯繫前並不知情，第三家仍在聯繫中。Anthropic 表示，已與獨立評測機構 METR 洽談第三方檢視，並將在一週內釋出一份經過部分遮蔽、記錄 Claude 打造惡意 PyPI 套件過程的對話紀錄。

要重新檢視的，是整套評測與隔離機制

這起事件也讓外界的關注，從模型本身延伸到 AI 公司的評測基礎設施。資安公司 Corridor 產品長 Alex Stamos 向《The Wall Street Journal》表示，這顯示 AI 業者需要在網路安全測試中建立更強、跨產業的系統隔離標準；他同時提醒，這也預示了一個令人憂心的走向：勒索軟體犯罪者可能很快就能利用能力日增的 AI，特別是可自行部署的開放權重模型發動攻擊。

在監管面，據《The Wall Street Journal》報導，白宮近期已著手加強對 AI 的監督，產業界則呼籲保留對開放權重模型的取用；美國眾議員 Greg Casar 上週便直言，AI 發展極快，卻缺乏真正能保障安全的規範。

OpenAI 與 Anthropic 兩起事件的成因並不相同，OpenAI 的模型是利用未知漏洞逃出隔離環境，Claude 則是透過一條沒被關上的網路通道走了出去。但兩者都指向同一件事，當前沿模型已具備在真實世界自主執行網路攻擊的能力，AI 公司要重新檢視的，不再只是模型本身，而是包含提示設計、環境隔離與權限管理在內的整套評測機制。

Anthropic 已暫停所有可能連網的網路安全評測，並公開呼籲其他實驗室進行類似的回溯清查。

【推薦閱讀】

◆ OpenAI 證實 AI 代理自主入侵 Hugging Face，專家：目前沒有工具擋得住

◆ Anthropic Mythos 找到密碼攻擊新方法：量子電腦之外，AI 成加密安全新變數？

◆ 量子危機倒數，台灣企業卻連「盤點」都還沒做完？專訪 NetApp 談 PQC 遷移盲點

＊本文開放給合作夥伴轉載，資料來源：Anthropic、《Axios》、《CNBC》、《The Wall Street Journal》、《Reuters》，首圖來源：Unsplash

在全球 AI 賽道上，擁有最強大的自研模型，被視為科技巨頭致勝的關鍵公式，但 Amazon 卻用實際成績打破這個迷思。根據 Amazon 最新公布的 2026 年第二季財報，其雲端運算部門 AWS 繳出營收 422 億美元、年增 37% 的亮眼成績單，創下近 18 季最快增速。

對此，《Business Insider》點出一項觀察：Amazon 自家的 AI 模型目前尚未達到業界最前沿水準，因此 AWS 如今的強勁成長，很大一部分來自承載 Anthropic 與 OpenAI 等外部供應商的 AI 模型。這也呼應 Amazon 執行長 Andy Jassy 所說：「我們即使沒有自己的前沿模型，也能擁有非常成功的業務，因為未來不會由一個模型統治整個世界。」

Amazon 重整 AI 戰線，不把最強模型當唯一答案

自 2022 年 ChatGPT 問世以來，科技公司投入大量資金訓練更強大的模型，但《Business Insider》分析，這場 AI 競賽已逐漸從單純追求模型效能，轉向關注模型運行效率，以及「每一美元可取得的智慧」。

這項轉變可能對 Amazon 更為有利。相較於把打造最強自研模型放在首要位置的競爭對手，Amazon 過去從未將自研模型視為唯一考量。雖然 Amazon 曾推出 Nova 系列模型，但其能力尚未達到「最前沿」水準，因此公司近期開始大幅調整 AI 策略，縮減多數既有的 Nova 產品線，並將資源重新聚焦於新的前沿模型計畫。

儘管如此，Andy Jassy 認為，即使 Amazon 自研模型尚未處於領先地位，也不妨礙 AWS 取得成功，因為企業客戶使用 AI 的方式，並不會建立在單一模型上。

模型輪流領先，Bedrock 要成為企業選擇 AI 模型的共同入口

順應多模型的市場趨勢，Andy Jassy 指出，不同模型會在不同時期互相超越，也各自擅長不同任務。「如果你是一間正在建置重要 AI 應用的公司，你會希望確保自己有能力使用所有可用的模型，因為這些模型會在不同時期互相超越對方。」

當前企業對多模型選擇的迫切需求，也直接帶動 Amazon Bedrock 快速成長，使其成為 Amazon AI 策略中的核心平台。這表示，Amazon 的長期策略並非只依賴自研模型，而是致力讓 AWS 成為匯集各家領先 AI 系統的平台，無論這些模型是否由 Amazon 開發。

為了實現這個目標，Amazon 在第二季進一步擴大企業可選擇的模型範圍，在 Bedrock 上新增十多款全代管基礎模型，其中包含 OpenAI 的 GPT-5.6、Anthropic 的 Claude Opus 5、Google DeepMind 的 Gemma 4，以及其他供應商的產品。目前已有數十萬名客戶使用 Bedrock。Amazon 更表示，過去六個月新增的客戶數，甚至超過該服務推出後前兩年新增客戶數的總和；客戶今年第二季的支出，也已高於此前所有季度的總和。

Amazon 不放棄自研模型，目標是同時掌握平台與成本

儘管 Amazon 並未將 AWS 的成功全盤押注在單一自研模型上，但 Andy Jassy 仍明確強調，公司將繼續投入研發自有 AI 模型。擁有具競爭力的自研模型，不僅能讓 Amazon 更有效控制自家消費者應用程式與 AWS 客戶的使用成本，也能依照客戶重視的需求優先安排功能開發，減少對外部供應商的過度依賴。

舉例來說，《Business Insider》先前曾報導，為了降低服務成本，Amazon 旗下語音助理 Alexa 已逐步減少對成本較高的 Anthropic 模型的依賴，轉而以 Amazon 自研模型取代部分 Anthropic 模型。

展望未來，Andy Jassy 預測，幾年內市場上還會出現更多能力旗鼓相當的模型。他也自信地表示：「這些模型都會出現在 Bedrock 上，而其中一個將會是我們的模型。」

從 Trainium 到資料中心，Amazon 用資本撐起多模型平台

不過，在享受平台紅利的同時，Amazon 仍必須面對龐大的基礎建設開銷。今年第二季，Amazon 的資本支出達 530 億美元，年增 69%，公司更將今年資本支出預估上調至約 2,200 億美元，主要原因之一正是記憶體晶片成本不斷上升。對此，Andy Jassy 解釋，資料中心的建置雖然需要龐大的初期投資，但這些設施的使用壽命可以超過 30 年，長期來看，能持續支撐公司的營收與獲利業務。

這項龐大投資也已開始顯現成效。Amazon 的 AWS AI 業務與自研晶片業務，年化營收規模目前均突破 250 億美元，且都維持三位數百分比的年增幅。另一方面，Anthropic 與 OpenAI 兩家頂尖 AI 實驗室，均已對 Amazon 自研晶片 Trainium 作出多年、數十億瓦規模的使用承諾，其他新創公司與大型企業也相繼採用 Trainium。

然而，龐大的基建成本仍對財務造成壓力。Amazon 過去十二個月的自由現金流已由正轉負，降至負 76 億美元，主因是房地產與設備採購支出較去年同期暴增 661 億美元，反映公司在 AI 領域的鉅額投資。

Amazon 並未放棄打造自有前沿模型，但 AWS 的成長已不必押注自家模型成為唯一贏家。Andy Jassy 認為，未來將是多種模型共存的市場，因此 Amazon 期望把 Bedrock 打造成全球最大的 AI 推論引擎，讓企業取得並切換不同供應商的領先模型，同時承接背後的訓練、推論與部署需求。第二季，AWS 繳出營收年增 37% 的成績單，正印證即使沒有最強自研模型，Amazon 仍能藉由多模型平台，承接企業每一次的模型選擇。

【推薦閱讀】

◆ Microsoft 一季簽下 1,300 億美元資料中心租約，AI 基建需求還沒降溫？

◆ 三分之二程式碼由 AI 寫仍不夠：DoorDash、GM、Weave 揭企業生產力真正瓶頸

◆ MCP 史上最大更新來了：AI Agent 為何終於更適合大規模部署？

＊本文開放合作夥伴轉載，參考資料：《Business Insider》、《The New York Times》、《BusinessWire》，首圖來源：Unsplash

大多數機器人的「視覺」辨識能力，隨著技術進步已經變得相當出色，然而，如何擁有精準、高效率的「觸覺」感知，卻依然是機器人的一大罩門。

在正常情況下，人類通常能夠單憑直覺，就明白自己握住咖啡杯，或者按下按鈕時，對物體施加了多大的力道，但是，當今的機器人卻只能依賴大量、複雜的微型感測器陣列，估算出同樣的力道後，才有辦法做出進一步應對。

為此，來自英國倫敦瑪麗皇后大學（Queen Mary University of London）的研究團隊，近日找到了一種全新解決方案，可以讓機器人直接「看見」觸覺，簡單來說就是把「觸覺」轉化成「視覺」進行處理。

擺脫複雜演算，看顏色知道多大力

新技術發明者暨倫敦瑪麗皇后大學研究員 Giacomo Sasso 指出，普通人類手上擁有超過一萬個機械性受器（Mechanoreceptors），負責處理觸覺資訊和相關任務，比方說用手按下電燈開關，因此如何做到精確的觸覺感測，至今仍是機器人領域的主要挑戰。

Giacomo Sasso 解釋，新技術的運作原理其實相當簡單，那就是為機器人的手指，裝上一款新型的「變色觸覺感測器（color-changing tactile sensor）」，將人類肉眼不可見的力量，直接轉化為動態彩色圖案，然後快速生成高解析度的接觸、形變與壓力分布圖。

Giacomo Sasso 進一步說明，當機器人透過裝有新型感測器的機械手指，施加壓力並觸碰到物體，導致柔軟的感測表面出現改變時，其材料就會產生於隨空間變化的結構色，而這些色彩可以透過普通相機快速進行擷取，讓機器人知道自己接觸到了什麼東西，不必再仰賴微型感測器陣列蒐集到的資料，以及複雜的力學重建演算法。

簡化硬體結構，普通攝影機就能用

換句話說，與其採用過往方法，將數千個微型壓力感測器，組成陣列嵌入到機器人的指尖上，Giacomo Sasso 所發明的新技術，直接將感測功能整合到了材料本身，藉由被接觸的材料受到按壓時，其所產生鮮明的彩色圖案，瞬間顯示出機器人的施壓位置、施加的力道，甚至是材料如何發生變形。

研究團隊強調，由於材料被施加壓力、變形之後所產生的彩色圖案，可以透過普通且低成本的 USB 攝影機進行擷取，這代表機器人不再需要仰賴運算負荷極高的軟體及演算法，只需「觀察」彩色圖案的模式與變化，便能立刻理解自己正在接觸什麼東西。

此外，倫敦瑪麗皇后大學推出的全新解決方案，不僅能夠產生機器人接觸物體後，高解析度的觸覺壓力分布圖，更大幅簡化了機器人的硬體結構，降低了產品的製造成本。

可組裝微米級元件，執行精密手術

選擇用「視覺」去感受「觸覺」，不只能夠讓機器人擁有更敏銳的觸覺回饋，還能應用於實際的生產環境。

舉例來說，製造商可以借由新技術，開發出更加精密的夾爪，於生產線上要求機器人組裝微米級元件，並且於製造過程中，即時檢驗夾爪細微的施力變化。

新技術亦能夠為醫療保健領域帶來深遠影響，讓人造義肢在執行精細的日常或臨床任務時，獲得更豐富的觸覺感知，甚至是協助醫療機器人於進行手術時，區分出健康組織或異常組織等。

兼顧速度、精準度，減少過往權衡

此外，全新的觸覺感測技術也有望解決機器人領域最棘手的問題之一，那就是傳統的觸覺系統，往往迫使工程師在「速度」與「精準度」之間做出取捨。

研究團隊指出，大多數有辦法反映出觸覺力道的高解析度系統，通常都需要繁瑣的運算流程，藉以重建物體接觸後的幾何形狀，進而導致機器人的反應延遲，但是若採用運算速度較快的方法，則往往會犧牲空間細節的精準度。

因此，機器人工程師經常得在「速度」與「精準度」之間做出權衡，但是隨著新技術出現，藉由將壓力直接轉化為能夠被簡易攝影機讀取的彩色圖案，這兩大問題將可以被同時兼顧，解決過往打造觸覺回饋系統的最大痛點。

【推薦閱讀】

◆ 機器人模擬資料不夠逼真？MIT 用 3 個 AI Agent 直接「生」出來
◆ 【人形機器人家用化】22 度手指自由度、22 分貝靜音，1X NEO 用硬體差異化搶進家庭市場
◆ 【1 萬美元的社交機器人】社交優先、放棄步行，Codey 對美國照護缺口的另類押注

＊本文開放合作夥伴轉載，參考資料：Digital Trends、Tech Xplore，首圖來源：PxHere

（責任編輯：鄒家彥）

在 AI 搜尋快速崛起之際，許多企業開始投入「AI 可見度（AI Visibility）」優化，希望提升品牌在 ChatGPT、Google AI Overviews、Perplexity 等生成式 AI 回答中的曝光率。

數位行銷 Podcast《No Hacks》指出，目前市場最流行的 AI 可見度指標，其實很可能只是新的「虛榮指標（Vanity Metric）」。真正影響商業成果的，並非品牌被 AI 提及多少次，而是 AI 是否願意主動推薦品牌，以及 AI 對品牌本身是否建立正確且完整的認知。

AI 的「背景搜尋」正在嚴重虛胖品牌的數據

《No Hacks》指出，目前多數 AI 搜尋分析工具採用的都是「Prompt Tracking（提示詞追蹤）」模式，也就是預先設定一組問題，反覆詢問 ChatGPT、Perplexity 或 Google AI Overviews，再統計品牌出現次數。這種做法看似延續過去 SEO 關鍵字排名追蹤的邏輯，實際上卻難以反映 AI 搜尋的運作方式。技術 SEO 顧問、《No Hacks》節目來賓 Jono Alderson 指出，「這種方式有其用途，但重要性遠比大家想像得低」，真正應該思考的是如何影響 AI 對品牌的理解，而非只計算品牌是否被提及。

《No Hacks》進一步解釋，AI 系統在生成答案時，通常會自動進行多次背景搜尋（Query Fan-out），將一個 Prompt 拆解成多組查詢，再整合搜尋結果形成答案。這些背景查詢都會被 Google 計入網站曝光數，即使最終沒有任何真人點擊網站。因此，Google Search Console 的曝光量持續增加，並不一定代表市場需求成長，而可能只是 AI 在背景大量搜尋所造成的統計膨脹。Google 雖然已開始在 Search Console 中加入 AI 搜尋相關報表，但目前仍主要提供曝光數，而非真正來自 AI 的點擊數據，也使企業更難判斷 AI 是否真的帶來商業價值。

被 AI「引用」不等於被 AI「推薦」

《No Hacks》也特別提醒企業，AI 引用（Citation）與 AI 推薦（Recommendation）是兩件完全不同的事情。Citation 指的是 AI 在回答中引用某個網站作為資訊來源；Recommendation 則是 AI 明確告訴使用者「建議選擇哪個品牌」。目前多數 AI SEO 工具主要追蹤前者，卻容易讓企業誤以為被引用就代表被推薦。

SEO 專家 Lily Ray 分析 2026 年 4 月至 6 月 Google AI Overviews 對 100 組商業軟體「Best of」搜尋結果後發現，當 AI 引用了品牌自己撰寫的推薦文章時，高達 69% 的情況下，AI 最終推薦的卻是文章內提到的其他競爭品牌，而非原始作者。另一方面，Visibility Labs 的 Jeff Oxford 團隊分析 2 萬筆 ChatGPT 回答也發現，開啟搜尋功能後，產品推薦內容有 80.2% 發生改變，而該組織另一份研究顯示，引用來源與最終推薦品牌之間的相關係數僅有 0.4。

同時，數位行銷公司 Seer Interactive 創辦人 Wil Reynolds 也提醒，追蹤時必須同步關注「回答結構的動態變化」。例如 ChatGPT 曾將回答長度擴充一倍，若只看原始出現率，可能會誤以為品牌價值提升，實際上只是使用者看到了更多文字。最重要的是，所有的可見度與推薦，最終都必須對應到使用者的實際商業行動。

AI 搜尋優化的重要根基：建立「品牌精確度」

那麼，企業到底該如何正確評估 AI 搜尋？受中研究公司 SparkToro 負責人 Rand Fishkin 指出，AI 生成回答具有高度不確定性。其研究顯示，平均需要在 ChatGPT 或 Claude 上提問高達 1,500 次，才可能得到兩份品牌與順序完全相同的清單。

因此，單次提問測出的「排名」毫無價值。AI 可見度必須像「做民調」一樣，透過足夠數量與變數的提問，計算出統計學上的「出現率（Presence）」與「推薦佔有率（Share of Recommendation）」。

此外，企業也應優先建立「品牌精準度（Brand Accuracy）」。Seer Interactive AI 長 Alisa Scharf 建議企業定期執行品牌精準度審查（Brand Accuracy Audit），針對品牌成立時間、所在地、產品服務、競爭對手等客觀資訊，定期詢問不同 AI 模型，確認 AI 是否掌握正確資訊。若 AI 對品牌基本事實理解錯誤，後續所有推薦結果都建立在錯誤認知之上。

《No Hacks》認為，企業應持續維持官網、Schema 標記、社群平台及第三方網站資訊的一致性，強化品牌實體（Entity）的明確性。當 AI 對品牌建立越高的信任與確定性，就越可能在回答中主動推薦品牌，而這也將成為 AI 搜尋時代真正值得追蹤的核心指標。

【推薦閱讀】

◆ AI 分身是帶貨神隊友，還是信任終結者？拆解 TikTok Shop 的 AI 分潤紅利與爭議

◆ 高通膨下的展店難題，美式速食品牌 Shake Shack 如何用 AI、數據、會員三招破局？

◆ 用 AI 把行銷素材規模化、效率提升3-5倍：Expedia 子品牌如何拿捏人機協作的邊界？

＊本文開放合作夥伴轉載，參考資料：《Search Engine Journal》、《No Hacks》、Visibility Labs ，首圖來源：Unsplash

（責任編輯：廖紹伶）

【科技早餐】今天精選 7 則國內外重要科技新聞。

＊Microsoft Azure 年營收首破千億，算力仍供不應求

Microsoft 最新財報顯示，2026 會計年度 Azure 營收首度突破 1,000 億美元，年增 41%；最新一季 Azure 與其他雲端服務營收也成長 43%。Microsoft 表示，企業雲端與 AI 算力需求持續超過現有供給，新增容量在當季很快轉化為用量與營收。公司最新一季在五大洲新增 31 座資料中心，全年合計新增 88 座，並增加 1 GW 運算容量，預計未來兩年讓整體容量大致增加一倍。

不過，個人電腦業務走勢明顯不同。Microsoft 最新一季 Windows OEM 與裝置營收下滑 7%，並預估新會計年度將衰退接近兩成，原因包括 PC 市場需求轉弱、零組件成本推高裝置售價、通路庫存偏高，以及去年 Windows 10 停止支援帶來的較高比較基期。Microsoft 最新一季資本支出達 410 億美元，其中約三分之二用於 CPU、GPU 等較短年限資產。這份財報顯示，大型科技公司的資源持續轉向雲端與 AI 基礎設施，企業算力與個人裝置需求也進一步分化。

＊Meta AI 投資上看 1,450 億美元，個人代理成新商業押注

Meta 正加快把廣告業務帶來的成長，轉化為 AI 算力與資料中心投資。公司最新一季營收年增 28%，達到 608 億美元；旗下應用程式每日活躍人數也增至 36 億人，顯示核心平台仍維持成長。為支應更大規模的模型訓練與新產品開發，Meta 將 2026 年資本支出預估區間，由原本的 1,250 億至 1,450 億美元，提高至 1,300 億至 1,450 億美元，最高約為去年的兩倍。隨著 AI 建設與組織重整同步推進，公司單季自由現金流也較一年前減少 91%。

Meta 執行長祖克柏（Mark Zuckerberg）表示，新增算力將用於訓練模型、強化廣告與推薦系統，以及推出個人 AI 代理和其他新產品；公司未來也希望發展服務大型企業的新業務。Meta 計畫今年將整體運算能力提高至 7 GW，明年再增至 14 GW，目前全球已有 32 座營運中或興建中的資料中心。這項布局顯示，Meta 正以廣告業務支撐 AI 基礎設施擴張，並押注個人代理成為新的消費市場；不過，隨著投資規模快速擴大，如何把新增算力轉化為產品成長與營收，也將成為下一階段的關鍵。

＊三星預警記憶體短缺至 2028 年，長約鎖定六至七成產能

三星電子（Samsung Electronics）在最新財報說明會上警告，記憶體供應短缺預計在 2027 年進一步惡化，並延續至 2028 年。大型科技公司持續擴建 AI 基礎設施，正推升高頻寬記憶體（HBM）、DRAM 及 NAND 需求，也促使雲端業者提早鎖定未來產能。三星已與全球五家主要資料中心業者簽訂長期供應協議，並接近與另外五家大型企業達成交易；公司也預期，下一代 HBM4 的營收將明顯增加。

這些合約至少維持五年，長期將涵蓋三星記憶體總產能的六至七成，並包含預付款與最低價格保障。對雲端業者而言，長約可降低未來缺貨風險；對三星而言，則可在投入新產能前取得較穩定的需求與價格保障。這項布局顯示，AI 記憶體競爭正從現貨採購與年度議價，轉向多年期的產能預訂；大型客戶取得供應確定性的同時，也可能壓縮其他買方臨時採購晶片的空間。

＊OpenAI 代理突破隔離，美國考慮 AI 管制

OpenAI 在受控環境測試先進模型的網路攻擊能力時，由多個模型驅動的自主代理系統突破隔離、取得網際網路連線，接著串聯憑證與零日漏洞，入侵開源模型平台 Hugging Face 的正式環境並取得測試解答。參與測試的模型包括 GPT-5.6 Sol 及一款能力更強的內部研究原型，測試時也降低部分拒絕執行網路攻擊的限制。OpenAI 稱這是一起前所未有的資安事件，並強調涉事原型並非即將推出的產品，事後已停用並限制研究人員存取。

事件曝光後，OpenAI 執行長 Sam Altman 前往華府，與多名聯邦參議員討論新模型及這起事件。美國總統川普表示，政府正在評估 AI 管制措施，但不希望過度限制美國開發者；國會議員也已分別提出 AI 緊急停止法案，以及要求前沿模型接受獨立安全稽核的提案。OpenAI 正與 CrowdStrike、METR 及 Redwood Research 展開外部檢視，並強化模型測試期間的隔離、監控與存取控制。這起事件已把前沿模型的資安能力，從企業內部測試推進美國政府的政策議程。

＊肯塔基千億美元 AI 園區，搭配最高 4.6 GW 供電儲能

美國能源業者 NextEra Energy、資產管理公司布魯克菲爾德（Brookfield）等企業宣布，計畫在肯塔基州（Kentucky）西部一處舊鈾濃縮廠址，開發規模 1,000 億美元的資料中心與能源園區。園區預計在 2032 年全面建成，可提供最高 1.8 GW 公用電力容量及超過 1.2 GW 運算容量。開發商將分階段興建最高 2 GW 天然氣發電，以及最高 2.6 GW 電池儲能系統，供電與儲能配置合計最高 4.6 GW。

這項計畫利用美國能源部（DOE）帕迪尤卡（Paducah）基地既有的輸電、供水、光纖、道路與土地，希望縮短大型園區建設時間。布魯克菲爾德將承租土地並開發、營運資料中心，NextEra Energy 則負責興建及持有配套能源設備。相關新增設施將由開發商出資，避免把成本轉嫁給當地住宅與小型企業用戶；計畫預估可創造約 8,000 個營建工作及 600 個全職營運職缺。不過，合作仍須完成最終文件及監管程序。

＊聯電提高資本支出，台南、新加坡同步擴充 AI 產能

聯電董事會通過新一輪擴產計畫，將在新加坡廠增加無塵室空間，支援矽光子生產，並在台南主要廠區興建新廠房，供未來第七期及第八期設施使用。聯電也把 2026 年資本支出預算提高至 20 億美元，2026 年至 2027 年合計資本支出規模約為 50 億美元。公司表示，計畫將分階段執行，以保留產能調整彈性，並維持資本支出紀律。

聯電預期，AI 資料中心所需的連線及電源晶片、汽車電動化與機器人等應用，將帶動未來五年需求；公司也正進入邏輯晶片與記憶體堆疊、矽光子等先進封裝領域。聯電估計，AI 相關營收今年將達到約 3 億美元，三年內可望突破 10 億美元。不同於台積電聚焦最先進製程，聯電主要布局成熟製程；這項擴產顯示，AI 需求正由先進運算晶片向外擴散，進一步帶動電源、連線、光通訊與封裝市場。

＊高通降低手機依賴，資料中心與 BMW 撐轉型

高通（Qualcomm）最新一季財報揭露，公司正加快降低手機業務依賴。隨著 Apple 擴大採用自研數據機，加上供應限制使高通在下一代 iPhone 的零組件占比低於原先預估的 20%，公司預期來自 Apple 產品的營收將加速下降。高通表示，資料中心與其他非手機業務的成長，最快可在 2027 會計年度補上相關缺口；執行長艾蒙（Cristiano Amon）也表示，從某種程度來看，高通已用資料中心業務取代 Apple。

高通已啟動兩家大型雲端業者客製化晶片的晶圓生產，並計畫在 2027 年中推出首款高頻寬運算晶片；公司設定的資料中心營收目標，是在 2027 年達到 50 億美元，2029 年提高至 150 億美元。同時，BMW 已選定高通，為下一代數位座艙、先進駕駛輔助及自動駕駛系統提供主要運算晶片，相關車款計畫將從下一個十年開始。這些布局顯示，高通正從手機晶片供應商，轉向涵蓋雲端、汽車與邊緣裝置的運算平台業者。

＊本文開放合作夥伴轉載，資料來源：Microsoft、Microsoft、Meta、《Reuters》、Samsung、《Reuters》、《Reuters》、《Reuters》、NextEra Energy、《Reuters》、《Reuters》、《Reuters》、《Reuters》、Qualcomm、Qualcomm，首圖來源：AI 生成圖。

由李飛飛（Fei-Fei Li）共同創辦的 AI 新創 World Labs 於 7 月 28 日公開最新研究成果，發表一套名為 Real-to-Sim-to-Real（R2S2R）的機器人訓練與評估引擎。這家以生成 3D 世界起家的公司提出一個與主流不太一樣的判斷：要讓機器人真正規模化上工，關鍵瓶頸並非更強的模型架構，而是能否大量打造出訓練與驗證機器人的「世界」。

而它給出的解法，是把一次真實任務變成上千個可反覆訓練的模擬世界，讓機器人在完全沒有真實資料的情況下也能學會複雜動作。

李飛飛是史丹佛大學電腦科學教授，曾主導催化深度學習浪潮的大型影像資料集 ImageNet。她長期以「空間智慧」（spatial intelligence）作為研究主軸，主張無論虛擬或真實的物理世界，都運行在與文字不同的底層之上。

機器人展示驚豔、上工卻不可靠，問題出在哪？

World Labs 指出，當前許多實驗室裡的機器人展示看似進展亮眼，但真正的難題是讓它們在真實世界穩定運作。現實場景中物體會移動、雜物會堆積、光線會改變，每一次物理互動也不盡相同，這道從精彩展示到可靠運作的落差，正是機器人系統難以規模化的主要障礙。

問題出在讓機器人上工的成本。依 World Labs 說法，要讓機器人適應真實世界，需要大量資料收集與在實體硬體上反覆測試，每換一項任務或環境都可能得投入可觀人力，一旦失敗又難以即時察覺、修復代價也高昂。

近年機器人學習方法本身進展快速，例如視覺語言行動模型（vision-language-action models, VLAs）與世界行動模型（world-action models, WAMs），但 World Labs 認為真正的瓶頸不只在架構，而在能否大規模取得經驗與評估。

機器人的經驗資料不像訓練語言模型的網路文本那樣廉價易得：每一輪迭代都在消耗硬體時間，物件要重置、失敗要善後、系統要維護，即便是網路規模的影片資料，也無法有系統地涵蓋機器人可靠部署所需的各種環境、物件、物理特性與失敗情況。也正因為策略評估仍高度綁在實體硬體上，機器人開發的迭代速度比語言模型慢上好幾個量級。

這個判斷呼應著李飛飛先前提出的世界模型功能分類。她把如今統稱「世界模型」的技術分成三種：追求視覺擬真、輸出像素的渲染器（renderer），輸出幾何、物理與動態等真實「狀態」的模擬器（simulator），以及決定「下一步該做什麼」的規劃器（planner）。其中最少受到公眾關注的模擬器，反而是最關鍵的一環，因為視覺外觀與行動後果都能由此推導。

World Labs 先前推出的首款世界模型 Marble 是這個方向的第一步，而這次的 R2S2R，則把「模擬器是關鍵」的主張落到機器人訓練的具體做法上。

一次真實任務，生成上千種模擬世界

R2S2R 的核心，是把一次真實任務轉化為可反覆生成、訓練與測試的模擬世界，藉此降低對實體資料與硬體測試的依賴。這套引擎分為兩個環節。

前半段 real-to-sim（真實到模擬），先把一次實體任務的機器人、感測器、環境、物件與互動，重建為一個保留關鍵觀測與動態的模擬，再系統化地改變外觀、物件配置、雜物、物理條件、機器人狀態與相機視角。同一個任務，就此衍生出上千個可控的變體，湊出機器人要能舉一反三所需的多樣經驗。後半段 sim-to-real（模擬到真實），則是在這些模擬世界裡訓練與測試策略，並判斷模擬表現能否準確預測真實表現。

World Labs 表示，這次最關鍵的成果，是把 real-to-sim 與 sim-to-real 兩端接成一個閉環。據其公布，完全只在模擬中訓練、未使用任何真實資料的策略，可直接遷移到多種不同的實體機器人與任務上：從繞著冰箱布設可變形電源線、插拔纜線，到夾取試管、從雜物堆中逐一抽出麥克筆等動作，都能在無人介入下自主運作達一小時。

評估端的證據，則更能說明「舉一反三」的成色。World Labs 以一項雙臂交接方塊的任務為例，讓每個模型版本在模擬中跑 2,000 次試驗、在真實硬體上跑 100 次對照；無論是在訓練資料涵蓋過的「分布內」（in-distribution, ID）情境，或刻意留在訓練範圍外的「分布外」（out-of-distribution, OOD）情境，模擬中表現較好的策略，在真實硬體上同樣較好。

這代表團隊可以先在模擬裡篩掉大量不理想的版本，把昂貴的硬體測試留給少數最有潛力的候選。這套 R2S2R 能力，則來自 World Labs 於 7 月 21 日納入的模擬新創 SceniX，該團隊專注於讓模擬訓練成果能可靠轉移到真實硬體。

機器人開發的價值重心，正在移動

World Labs 的整套主張，指向對世界模型價值的重新定位：能讓機器人在其中學習、並把成果正確帶回現實的世界，才是價值所在。

這也是一塊商業想像不小的市場。李飛飛先前曾引用 NVIDIA 的估計指出，光是該公司的 Omniverse 平台，可觸及市場規模就超過一兆美元，涵蓋工廠、倉儲、供應鏈與數位分身。

模擬與真實之間的落差長年存在，一直是機器人研究想跨越的目標。R2S2R 的意義，在於把這道過去被視為障礙的落差，轉化成一個可以在模擬裡反覆訓練、評估與改進的工程流程，讓機器人開發有機會擺脫「慢、貴、綁在硬體上」的迭代方式，走向更可規模化、成本更低的訓練與驗證。正如 World Labs 在文章最後所說：「要讓機器人的智慧規模化，就必須讓機器人學習的世界規模化。」

【推薦閱讀】

◆ 李飛飛拆解「世界模型」3 大分類，Google、NVIDIA 談的世界模型不是同一件事？

◆ 【後 LLM 時代】AI 頂尖研究者競逐的下一個前沿：從預測文字到理解物理世界

◆ AI 為何不再「越大越好」？專家：新一波擴展定律關鍵在「世界模型」

＊本文開放合作夥伴轉載，資料來源：A16Z、World Labs、Dr. Fei-Fei Li、explainx.ai，首圖來源：擷取自 World Labs

當企業傾全力築起資安高牆，日常依賴的軟體供應鏈，卻可能成為駭客長驅直入的特洛伊木馬。奧義智慧資安研究處長陳仲寬今（30）日出席由 TechOrange 科技報橘與經濟部產業發展署智慧電子產業計畫推動辦公室共同主辦的「半導體供應鏈競爭力論壇」，以「軟體供應鏈的奧德賽征途：近十年安全威脅回顧」為題，回顧過去十年的供應鏈攻擊演進，並從 2019 年華碩 ShadowHammer 事件到後續的 3CX 供應鏈攻擊，揭示供應鏈攻擊手法不僅愈趨多元，影響範圍也持續擴大。

「供應鏈安全都用同一個詞，但其實大家指的常常都是不同的問題，」陳仲寬分析，供應鏈威脅可以歸納為四種主要樣態：第一種是軟體遭植入惡意程式；第二種是攻擊者不直接鎖定最終目標，而是透過供應商作為跳板的跳島攻擊；第三種是交由委外服務商處理的機敏資料遭到外洩；第四種則是廣泛使用的合法供應商軟體本身存在漏洞。

從原始碼、編譯器到 CI/CD：軟體供應鏈每一環都可能成為攻擊入口

回顧過去十年的重大資安事件，陳仲寬指出，從軟體開發、派發到最終使用者執行，每一個環節都早已成為駭客的標靶。在軟體開發階段，除了開發者可能誤用不安全的開源套件，駭客也曾直接駭入原始碼環境，2020 年的 SolarWinds SUNSPOT 事件就是一例。另一方面，駭客甚至會針對編譯器下手，讓合法編譯出的軟體自動夾帶後門程式，如同 2015 年的 XcodeGhost 事件。

進入軟體派發與更新階段後，持續整合與部署（CI/CD）流程及官方伺服器更是屢遭攻陷。2018 年的 CCleaner 事件，就是駭客將惡意軟體偷渡進合法安裝檔的慘痛教訓。此外，駭客不僅會鎖定資安防護軟體發動盲化攻擊（Blinding EDR），更常藉由竊取供應商的 VPN 權限，潛入企業內網進行跳島攻擊，顯示威脅早已無孔不入地滲透企業日常維運。

首宗輸入法供應鏈攻擊：Typing Ghost 如何把合法更新變成 APT 入口？

在眾多攻擊樣態中，陳仲寬特別揭露 2023 年底發生的一起真實案例，這也是首宗利用輸入法（IME）更新程式發動的進階持續性威脅（APT）供應鏈攻擊，名為「Typing Ghost」。

在這起攻擊事件中，攻擊者首先利用 PlugX 惡意程式竊取軟體供應商 IT 管理員的帳號密碼，接著藉由取得的權限竄改合法更新伺服器，進一步發送偽造的更新網址，讓使用者在正常更新輸入法時，實際上卻下載並執行名為 Poison Ivy 的後門程式。

「升級版本這件事情，對駭客來說是一個非常好的管道，因為信任已經建立，」陳仲寬強調，這種利用合法管道發動的攻擊極具隱蔽性，但防禦方並非只能被動挨打。因為不只是企業會面臨供應鏈挑戰，駭客也同樣依賴惡意程式供應商。「我們有供應鏈問題，攻擊者也有，」陳仲寬分析，這代表防禦方也能利用惡意程式開發商的作業安全失誤，反向追蹤並揭露駭客族群背後的攻擊網絡。

供應鏈安全無法一招解決，企業要有三階段防禦路線圖

針對無孔不入的供應鏈威脅，陳仲寬呼籲，企業決策者必須建立短、中、長期的全面防禦戰略。首先，在短期行動上，企業應深入了解各種類型的供應鏈攻擊樣態，並持續強化內部的威脅獵捕能力。

進入中期階段，管理層需全面盤點可能的供應鏈攻擊面，同時加速收集與供應鏈相關的外部威脅情資。就長期戰略而言，由於軟體更新機制已成為駭客眼中的高價值目標，企業應針對更新機制進行嚴格分析與持續監控，並特別強化開發環境安全與身分權限稽核。

面對十年來的軟體供應鏈攻防征途，單點防禦已無法應對今日的進階威脅。唯有透過持續監控與供應鏈風險可視化，企業才能在未知危機爆發前及時攔截威脅，確保供應鏈的營運韌性與安全。

（圖片來源：科技報橘）

今年以來，市場一度擔心科技巨頭在 AI 基礎建設上的龐大投入無法轉化為回報，AI 相關股票也因此承壓。但 Microsoft 最新一季財報給出相反訊號：單季新簽超過 1,300 億美元的資料中心租約，計畫兩年內把資料中心容量翻倍，Azure 年營收更首度突破 1,000 億美元。當外界正辯論 AI 基建是否已蓋過頭，Microsoft 選擇繼續加碼，它的底氣是什麼？

單季新簽逾 1,300 億美元租約，用擴建回應質疑

根據《Financial Times》報導，Microsoft 該季新簽超過 1,300 億美元的資料中心租約，使相關承諾在三到六月間增加超過三分之二，執行長 Satya Nadella 並表示有望在兩年內把資料中心容量大致翻倍，並提及本季已新啟用了 31 座資料中心，在截至 6 月底的整個財政年度共啟用了 88 座。

《New York Times》指出，Microsoft 持續加碼，是因為雲端需求已超過現有資料中心產能，必須擴建。擴建的代價反映在資本支出：《Reuters》指出，該季資本支出達 410 億美元，年增逾七成。

但投入也帶來成果。《Fortune》報導，核心雲端 Azure 的年營收在剛結束的會計年度首度突破 1,000 億美元，較前一年的 750 億美元成長 33%，僅次於 Amazon Web Services。整體來看，該季總營收年增 18% 至 900 億美元，淨利年增 31% 至 358 億美元，股價盤後一度上漲逾 8%。

撐起微軟訂單的不是 OpenAI 與 Anthropic

Microsoft 敢加碼的底氣，是它的已簽約未實現營收（backlog）季末攀升至 6,780 億美元，較上一季增加約 510 億美元。值得關注的是，據《New York Times》，財務長 Amy Hood 表示，這 510 億美元增幅全數來自 OpenAI 等前沿 AI 實驗室以外的客戶。

換句話說，過去被視為算力主要買家的前沿模型實驗室，這次並非推升訂單的主力，真正在加速上量的，是更廣泛的一般企業客戶。

這批一般企業需求，也讓 Microsoft 得以重新定位與 OpenAI、Anthropic 亦敵亦友的關係。《TechCrunch》指出，Microsoft 既是兩大實驗室的投資者與算力供應商，也與其競爭；Nadella 主張企業應把「框架」（harness）與模型分離、讓模型隨時可換，而正因如此，Microsoft 得以把自研、主打更低成本的 MAI 系列模型，當成可替換選項賣進這些企業。

市場耐心變得有條件，Microsoft 打的是彈性牌

《New York Times》報導，Microsoft 股價自一月以來走跌，反映市場擔心大科技投入 AI 的數千億美元能否轉為獲利；就在上週，Alphabet 雖單季獲利翻倍至 1,120 億美元，卻因調升 2026 年資本支出，隔日股價下挫約 7%。Zacks 分析師 Bryan Hayes 形容，市場過去給大科技的「花錢許可」，如今已是有條件的耐心。

對此，據《MarketWatch》，Microsoft 表示資本支出偏重交期較短的 CPU 與 GPU，而非生命週期長的資料中心廠房；若需求生變，公司可放慢硬體採購、調整建置時程，因為土地與建物投資具彈性。

《Reuters》認為微軟的成績單減輕了投資人對其花大錢難見回報的疑慮；Valoir 執行長 Rebecca Wettemann 也說，投資人想看的 Azure 與 Copilot 動能都已兌現，但預期市場震盪仍會持續。

這份財報最值得記住的，或許不是 1,300 億美元的租約數字，而是需求結構的變化：AI 支出正從少數前沿實驗室，外溢到更廣的一般企業。當市場仍在爭論投資是否過熱，Microsoft 用擴建規模、訂單來源與成本彈性回應，也讓基建競賽的關鍵問題，從會不會蓋太多，轉向誰能接住主流企業的需求。

【推薦閱讀】

◆ 微軟開始把 OpenAI 換掉了？兩款新自研 MAI 模型背後，是一套更值錢的方法

◆ Office 被繞過、GitHub 遭追趕、Azure 缺算力：微軟為何被自己點燃的 AI 革命反噬？

◆ 90% 資安任務交給專用小模型、成本降 50%：微軟如何用 MAI-Cyber-1-Flash 重寫企業防線？

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

AI 工具已大幅接管軟體開發流程中的程式碼撰寫工作，但這並不代表企業的整體生產力或組織架構會自動跟著轉型。以線上餐點與商品外送平台 DoorDash 為例，DoorDash 執行長 Tony Xu 表示：「我們現在從 AI 看到許多生產力提升，目前我們有超過一半、可能接近三分之二的程式碼是由 AI 所撰寫，但單憑這一點，並不足以說明工作流程與團隊配置應該如何改變。」

Tony Xu 在近期的財報會議上指出，儘管 AI 已顯著提高程式碼編寫效率，至今卻未改變 DoorDash 的組織結構。背後原因在於，對軟體工程師而言，寫程式只占一天工作中的一部分；即使 AI 模型大幅縮短撰寫程式碼所需的時間，工程師的其他工作環節仍未因此消失。這也讓企業面臨另一個問題：除了導入 AI 寫碼工具，其他工作流程是否也能同步改變。

AI 寫程式碼只是部分工作，DoorDash 還要重塑跨部門協作與實體營運

Tony Xu 表示，工程師每天除了寫程式，還會花費大量時間參與產品審查、設計會議，以及與不同業務團隊進行協調，這些工作環節同樣需要導入 AI。

「如果這些環節沒有一起改變並相互整合，可能無法獲得你所期望的生產力提升，」他指出，目前產業內許多公司正在摸索並建立正確的工作流程，目標不只是在程式碼開發上做到 AI 原生（AI-native），實際營運方式也必須走向 AI-native。

這項改變營運方式的挑戰，不僅體現在軟體開發與跨部門協作，也延伸到實體業務。Tony Xu 舉例，DoorDash 的營運還包含許多能透過實體 AI 改善的環節，例如食物製備機器人與自動駕駛配送車輛。正因為從軟體工作流程到實體業務都需要進一步整合，Tony Xu 對於 AI 改變 DoorDash 的程度採取較為審慎的態度。他強調，不能因為公司目前已有大量程式碼由 AI 生成，就斷言 AI 已經徹底重塑整個組織的結構與運作方式。

DoorDash 點出的問題是，寫程式只是工程師工作的一部分，同樣把 AI 導入範圍從程式碼擴大到完整工程流程的，還有 General Motors（GM）。

寫程式只占 15%：GM 把 Agent 導入完整工程迴圈

GM 自動駕駛部門副總裁 Rashed Haq 指出，該部門的軟體工程師只有約 15% 的時間用來寫程式，其餘約 85% 的時間則用於分析車輛資料、分類問題、執行實驗，以及測試可能的修正方案。

因此，GM 並未只把 AI 用於程式碼生成，而是先將自動駕駛工程工作拆分成數個迴圈，包括在模擬環境中開發與測試軟體、在公共道路上測試車輛，以及車輛交付後的持續監控。

GM 的具體做法，是找出每個迴圈中耗時最長的瓶頸，再利用 AI Agent 將相關工作自動化。GM 也透過客製化伺服器，讓 AI Agent 連接公司的內部工具與大量資料，使 Agent 能分析車輛遙測資料，同時建立需要工程師進一步調查的問題。

此外，GM 還使用背景 Agent 平行執行機器學習實驗。工程師先設定測試參數，再由 Agent 負責執行實驗並分析結果。為了讓這套工作方式持續擴大，GM 將內部 Agent 平台視為一項產品，安排專門的工程師與不同團隊合作，協助找出有效的工作流程，並推廣成功做法。導入這套以工程迴圈為核心的 Agent 工作方式後，GM 合併請求的數量提升至原來的三倍，新功能發布速度加快，錯誤與測試遺漏的問題也隨之減少。

不過，無論是大量生成程式碼，或是將 Agent 導入更多工程流程，企業仍需要回答另一個問題：增加的 AI 活動是否真正帶來生產力，以及每一美元 AI 支出究竟換回多少產出。這正是 Y Combinator 新創公司 Weave 試圖處理的問題。

流程重設之外，還要重算產出：Weave 追問每一美元 AI 支出的回報

近期，Weave 開發了一套軟體，專門用來追蹤 AI 程式碼工具是否真正提高開發者的生產力，並成功完成 1,350 萬美元募資。Weave 的系統會同時衡量人類工程師與 AI 程式碼工具的工作表現，再將結果整合成一項產出分數，藉此協助企業主管評估每一美元 AI 支出的實際回報。

Weave 認為，程式碼行數等傳統指標原本是為衡量人類產出而設計，並不適合直接用來衡量 AI，因為這些指標可能獎勵數量而非品質，進而形成人為膨脹。Weave 執行長 Adam Cohen 表示，若能確實衡量 AI 活動，就能降低「tokenmaxxing」的誘因，也就是避免員工把大量使用 AI 當成生產力指標。

2026 年初，許多公司曾透過遊戲化排行榜及其他獎勵機制，鼓勵員工進行 tokenmaxxing；但之後企業開始控制 AI 支出，並將注意力轉向投資回報。Weave 表示，其系統目前已衡量超過 500 家公司、約 2 萬名工程師的產出，客戶包括 Robinhood、Reducto 與 PostHog。Adam Cohen 提到：「現在每位工程與財務主管都在問同一個問題：『我們的 AI 支出實際上帶來了什麼回報？』」Weave 希望以一項涵蓋人類與 AI 真實產出的客觀指標，回答這個問題。

綜合 DoorDash、GM 與 Weave 的經驗，AI 寫碼工具帶來的效率提升，只是企業工程轉型的起點。Tony Xu 指出，若產品審查、設計會議與跨部門協作等環節沒有同步改變，程式碼生成速度提高，也不一定能轉化為企業期待的生產力。GM 的案例則顯示，企業必須先梳理完整工程流程，找出各個工作迴圈中最耗時的瓶頸，再將 AI Agent 導入資料分析、問題分類、實驗與測試等環節，而不是只加速寫程式。當 AI 開始介入更多流程後，企業還必須像 Weave 所主張的，放棄只看程式碼行數、token 或 AI 使用量，轉而衡量人類與 AI 的實際產出，以及每一美元 AI 支出所帶來的回報。這也代表，AI 工程生產力的關鍵，不在於產生更多程式碼，而在於企業能否重做工作流程，並以真正的成果驗證投資成效。

＊本文開放合作夥伴轉載，資料來源：《Business Insider》1、《Business Insider》2、《VentureBeat》，首圖來源：Unsplash

你願意花多少力氣保護你的資料？這個問題，正逐漸成為台灣企業領導者不得不回答的資安考題。原因是，未來的量子電腦可能在幾個小時內，破解現行加密要花上萬年才解得開的密碼。這代表，企業必須趕在那天到來前把加密升級，完成「後量子密碼（Post-Quantum Cryptography，PQC）遷移」。而願不願意投入這場不算輕鬆的準備，取決於企業有多重視手上的資料。

過去，PQC 遷移的期限多訂在 2035 年，但這一年來 Google、微軟與美國政府接連把相關時程一路往前挪，數位發展部與金管會也相繼發布遷移指引。當外部的時程不斷加速，多數台灣企業卻還停在最前面那一關：連盤點都還沒盤完。

長期在第一線協助企業處理資料安全的 NetApp 台灣技術總監許宏俊，被問到台灣企業目前普遍走到哪一步，他的答案很保守：「大家都應該還在盤點。」而在他的觀察中，光是盤點這一關，就足以耗掉企業大部分的時間。

時程一路提前，PQC 從研究題變成「有期限的功課」

量子威脅過去像是一則遙遠的預言，如今卻在短短數月內，變成有明確期限的行動指令。今年 3 月起，Google、微軟接連喊出 2029 年完成產品線的抗量子部署，美國總統川普也簽署行政命令，把聯邦系統的遷移期限一路壓到 2030、2031 年。

台灣同步跟進：數位發展部去年發布全產業適用的《後量子密碼遷移指引》，金管會也在今年 6 月要求金融業分階段遷移、2035 年完成。原本被視為還很遙遠的量子威脅，正肉眼可見地逼近。

對許宏俊來說，這樣的加速並不意外。他表示，NetApp 大約兩年前就開始談 PQC，「也大概知道說這個會是接下來的一個風險」。在他看來，近年科技巨頭投入大量資源在 AI 運算，間接地讓整個 Q-Day（量子電腦強到足以破解現行加密的那一天）的時間表提前。

值得注意的是，量子威脅的風險，並不是等到量子電腦真正問世那天才開始累積。許宏俊點出一種現正發生的攻擊手法：駭客會先竊取企業資料，就算現在無法解密，也會先把資料留著，在未來後量子技術成熟時破解。換句話說，「並不是到量子電腦真出現才有風險」。

隨著今年的指引把準備工作與時程都寫得更明確，PQC 對受法規約束的金融、政府單位而言，也已從一個可以再觀望的前瞻議題，變成有期限、會被稽核的功課。

卡在起跑線：為什麼大家都還在盤點？

如果 PQC 遷移是一場長跑，多數台灣企業連第一步都還沒踏穩，而卡住他們的盤點，遠比想像中難纏。難處首先在於工具的破碎。

許宏俊解釋，PQC 牽動的不是單一設備，而是整個 IT 架構，伺服器、儲存、網路各有各的管理工具，「它比較難去做一個整體的 inventory（盤點清單）」。企業就算想盤點，也很難用一套工具把散落在不同系統的加密資產一次看清楚。更關鍵的是，市面上還缺乏夠成熟的盤點工具。許宏俊觀察，目前多數做法「比較多是簡單掃描」，而企業真正需要的，是一套能跨不同領域、盤點完還能導向下一步行動的工具。這一塊，「這個產業還有一點點進步的空間」。

但比工具更難解的，還有組織問題。許宏俊分享，在一個已經走得比較前面的金融業案例中，最先卡關的不是技術，而是跨部門或權責的問題。企業內部，前端服務、網路、基礎架構各有人負責，「你要怎麼把這些全部串接起來，然後要有一個人去主導這一個專案」，光是釐清這件事，先期就得花上大量時間討論。

在這些看得見的障礙之前，還橫著一道更前端的關卡：不少企業根本還沒意識到自己的資料值得為此動起來。許宏俊觀察，有些企業對風險的感受還很模糊，「還沒想到風險的大小到哪裡」，但是他認為，一旦讓這些企業理解到現有的加密可能被輕易破解、需要升級到更高的強度，態度往往就會改變。

該從哪裡開始？先想清楚，你願意為資料付出多少

面對這場大工程，企業該如何起步？許宏俊給出的路徑並不複雜：先盤點，再依盤點結果設計要在哪些節點加密，接著找協力廠商重新規劃資料流程，最後才進入實際遷移。遷移不會是打掉重建，而是漸進式的替換，讓現有服務照常運行，再逐步把裡面的元件替換成符合 PQC 原則的版本。過程中往往需要先建一個小型的測試環境（POC，概念驗證）試跑，確認沒問題，才會放心把架構正式切換過去。

也正因如此，他認為企業最容易犯的錯，是低估時間。PQC 遷移牽動的環節眾多，一旦把整件事想得太簡單，就會誤判後面要花多少時間。「它（PQC 遷移）不是只有把加密的方法換掉這麼簡單。」他直言，有些企業評估自己兩個月就能調整完，但事實上可能不是這樣。這也解釋了，為什麼各國政府會趕在量子電腦真正商用之前，就急著把遷移期限往前訂。

在許宏俊看來，真正決定一家企業該不該動、要投入多少的，其實是一個更根本的問題：你的資料，對你有多重要？「假設他覺得我的資料就算被拿走也沒關係，那他可能真的不是 PQC 的訴求；但假設他認為資料是不允許外洩的商業機密，那他的思維就會不一樣。」這種對風險評估的落差，或許才是 PQC 遷移最容易被忽略、也最根本的盲點。

在整個遷移拼圖裡，NetApp 專注的是資料儲存。許宏俊形容，儲存是 PQC「最底層的地方」，不過他也不諱言 NetApp 能做的有其邊界，盤點工具、專案主導，都得靠企業自己與顧問，「我們其實只是整個框架裡的一部分」。這某種程度上也點出了 PQC 遷移的難處：它沒有單一解方，得靠企業自己把每一塊拼起來。

官方指引到位、時間表逼近，但台灣企業的 PQC 遷移，多數仍停在起跑線。只是，當駭客早已用「先偷後解」的方式把資料留待未來破解，時間就不站在觀望者這一邊。對還在猶豫的企業來說，真正該問的或許不是量子電腦什麼時候來，而是自己還剩多少時間準備。

【推薦閱讀】

◆ 複雜度堪比 Y2K：企業啟動後量子遷移，該先盤點什麼？

◆ Q-Day 倒數中：池安量子資安揭企業啟動「後量子遷移」的 4 大關鍵步驟

◆ Anthropic Mythos 找到密碼攻擊新方法：量子電腦之外，AI 成加密安全新變數？

＊首圖來源：《TechOrange》拍攝。

過去十年，人工智慧被大量運用在寫作、分析數據、自動化流程等工作領域方面，現在一批新創公司正把目光轉向被長期忽略的場域：家庭。

舊金山新創 Domus Next Inc. 便是其中之一，其產品 SuperNori 試圖將 AI 從「工作生產力」延伸到「家庭經濟」，讓智慧系統參與家庭的決策、消費與預算分配。

家庭工作繁瑣，責任大多落在媽媽身上

若以家庭為單位，可以發現單一家庭其實都是一套套複雜的工作系統。每個家庭都要管理預算、協調行程、規劃三餐、追蹤家用品庫存，每個月做出數十甚至上百個採購決策。這些工作瑣碎、分散且持續不斷。

Nori 共同創辦人 Isaac Long 直言，運轉一個家庭「複雜到大多數軟體從未真正搞懂」，而這份「隱形勞動」的重擔，在許多家庭中主要落在媽媽身上。

問題在於，市面上雖有各種待辦、行事曆、購物清單 app，卻始終缺乏一套統整的系統來承接這類家庭工作。而這個缺口的規模並不小。

PwC 一份由 Meta 贊助的研究估計，若將 AI 輔助導入全美逾 1.3 億個家庭的無償勞動，每年可帶來高達 3,300 億美元的社會經濟效益，並讓相關家務所耗時間減少約 18% 至 42%；其中又以家務與社交協調這類重複性高的工作獲益最大，而同時照顧孩童與長者的家庭效益最高，每戶可達 6,285 美元。這說明「家庭協調」是一塊真實而龐大、卻長期未被滿足的需求。

AI 代理踏入家庭流程，主動察覺浮現的需求

Domus Next Inc. 成立於 2025 年，創辦團隊來自 ByteDance 與三星，其現有產品 Nori 是一款「家庭 AI 助理」，聚焦共享提醒、購物清單、語音備忘與家庭協調，目前已服務超過 20 萬個家庭；平均每戶建立約 23.2 項任務與 14 份共享購物清單，每天與 AI 互動約 9.4 次。這些高頻率的互動，正是後續產品的資料基礎。

SuperNori 則是下一階段的產物，公司稱之為「主動式家庭 AI 代理」（Proactive Family AI Agent）；與被動等待指令的聊天機器人不同，它更像一位經驗豐富的「家庭管家」，能安靜觀察家庭的日常節奏，主動察覺浮現的需求，並在徵得使用者同意後才採取行動，例如發現家用品即將用完、提醒即將到來的預約或學校活動。

技術上，SuperNori 整合 Home Assistant 生態系，橫跨手機、家庭行事曆、連網裝置與居家空間，藉此建立對每個家庭更全面的理解。

該產品目前已進入公開測試階段，這套設計的核心，是讓 AI 從「工具」進化為「AI 代理」，在任務尚未啟動前就先介入。

方面得付出代價，隱私爭議成問題

此外，SuperNori 的長期商業願景遠不止於任務管理。當 AI 能持續監測家中庫存、推薦採購、比較選項，甚至在使用者授權下透過原生代理支付完成交易，電商生態就可能被重新洗牌。消費者不再需要自行瀏覽多個網站、逐一比價，家庭 AI 代理將直接成為家庭與零售商之間的中介。

而這會改寫消費決策的底層邏輯，包括品牌該如何在「AI 面前」爭取能見度？購買決策由誰、以何種標準被影響？零售商又該如何與 AI 驅動的商務平台整合？當消費者從「人類」變成「AI 的判斷」，品牌行銷的規則也將隨之改變，這對整個零售與廣告產業都是大範圍的衝擊。

另一個焦點是家庭資料的價值。Domus Next 強調，SuperNori 的長期價值不在於「蒐集資訊」，而在於長時間學習每個家庭獨特的作息、偏好與責任分工，從而給出越來越貼切的建議，例如預測式的備餐規劃能讓採購更有效率、減少食物浪費，並讓支出更貼合家庭預算。

然而，這份方便的另一面正是隱私爭議，家庭行為資料一旦長期累積，商業價值極高，但「該蒐集到什麼程度、又如何被使用」的邊界，始終是這類系統無法迴避的核心問題。使用者能否真正掌控自己的資料，將決定信任能否被建立。

家庭 AI 拚的不是誰的功能多，因為功能很容易被別人抄走，真正難被複製的，是對一個家庭的了解，以及這個家庭願不願意信任它。

這種了解需要日積月累，誰先累積得夠深、誰先贏得家庭的信任，誰就佔了最穩的位置。

但也正因為 AI 會越來越懂你家，一個更根本的問題浮上檯面：它到底是站在你這邊，還是站在出錢的品牌那邊？如果這類服務靠廣告或零售分潤賺錢，它給你的「推薦」，究竟是幫你省錢省心，還是替付最多錢的品牌帶貨？這中間的拉扯，會是家庭 AI 未來最值得市場觀察的地方。

【推薦閱讀】

◆ 不賣軟體給律師，Lawhive 如何以 AI 重構流程讓律師收入最高達傳統 2.8 倍？
◆ 博士、律師、棋王都來了！Mercor 用 AI 招募高技能人才來訓練 AI
◆ 律師事務所還得辦「AI 黑客松」？AI 正全面改變律師的工作方式

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

（責任編輯：鄒家彥）

美國聯邦貿易委員會（FTC）指出，2025 年民眾因冒充詐騙損失達 35 億美元，是 2020 年的三倍。通報者雖以年長族群居多，年輕世代同樣難以倖免——資安公司 Malwarebytes 的研究發現，Z 世代收到簡訊詐騙的頻率高於其他世代，且約有四分之一的人真的中招。

這股趨勢背後，是 AI 語音複製技術正在改寫詐騙集團的犯罪模式：只需一小段音訊，就能複製出任何人的聲音。資安新創 Savi 便是在這個背景下誕生，由 Cisco 前資安產品資深副總 Patrick Coughlin 與弟弟 Ryan Coughlin 共同創立，鎖定「即時通話監控」這個市場缺口，主打用 AI 反制 AI 詐騙。

上線約四個月，累積十萬筆資料

Coughlin 指出，只要三秒鐘的音訊就能複製一個人的聲音，而這三秒往往就藏在社群媒體的公開貼文裡——父母在球場邊替孩子加油、隨手拍下影片上傳 Facebook，這些日常的聲音碎片，全成了詐騙者現成的素材。

有感於此，Coughlin 兄弟決定打造一套「即時介入」的工具，並先以免費網站 Scamwise 驗證構想。

這個網站匿名、免註冊，任何人都能上傳可疑的簡訊、照片或電子郵件，交由系統判斷是否為詐騙。上線約四個月，就累積了十萬筆資料，且每週以一萬筆以上的速度成長，這些「真實世界」的樣本，也回頭成了訓練 Savi 詐騙偵測模型的養分。技術上，Savi 目前主要採用 Google 的 Gemini，但可依需求串接其他模型，例如專攻語音偵測的工具。

真正讓 Savi 與眾不同的，是「即時通話監控」功能。使用者接到可疑電話時，可以選擇把 App 的即時代理人加入為「聆聽者」，在通話進行的當下，即時捕捉足以識破騙局的行為破綻。正式推出的付費 App 支援 iOS 與 Android，能篩檢簡訊、語音留言與來電，收費方式為每月 8 美元、年繳優惠 63 美元，涵蓋整個家庭且不限人數。

用 AI 行騙，就用 AI 即時反制

這套產品背後，是兩位創辦人深厚的技術底子。Patrick 曾投入國家級網路防禦，也待過 Splunk 與 Cisco，他創辦的雲端資安公司 TruSTAR，後來被 Splunk 以約 8,200 萬美元收購；Ryan 則曾在 Apple 與 Spotify 打造消費性產品。Savi 剛完成 700 萬美元種子輪募資，由 Acrew Capital 領投，Magnify Ventures、TTCER 與 Resolute Ventures 跟投。

市面上不乏篩檢簡訊、語音功能的同類產品，例如 Malwarebytes，Savi 的差異化正落在即時通話監控這一步。而「對手」的實力同樣不容小覷，Coughlin 直言，網路犯罪集團其實才是把 AI 用得最早、也最好的一群人，當多數企業還在觀望 AI 能幫上多少忙，這些集團早已把 AI 工具串進犯罪組織的運作流程，收益是別人的四倍半，發動詐騙的速度更快上九倍。

正因如此，Coughlin 認為，面對演化如此迅速的網路威脅，真正需要的是技術、創新、流程與政策同步到位。Savi 也因此把自己定位成新一代、類似防毒軟體的存在；當有心人士用 AI 行騙，它就用 AI 即時反制。

AI 讓詐騙門檻變低，攻守雙方的軍備競賽

Coughlin 說，AI 正在「製造詐騙者」，因為它大幅拉低了欺騙他人的技術門檻，讓原本安分守己的普通人，也可能被誘惑進入這個領域。

這場攻防戰的天平，目前偏向攻擊方。犯罪集團靠 AI 賺到更高收益、發動詐騙的速度更快，防詐一方卻得先蒐集資料、訓練模型，才追得上對手的腳步。Savi 的即時通話監控，正是試圖把介入的時間點提前到通話當下，而非等用戶上當後才提醒。

不過，即時通話監控要「聆聽」對話才能抓出破綻，也意味著系統得處理、甚至留存部分錄音，隱私與合規的界線在不同司法管轄區，恐怕還需要更謹慎的評估。

【推薦閱讀】

◆ 【AI 詐騙年損近 9 億美元】資安專家共識：防詐的核心不是辨識，而是「驗證習慣」
◆ AI 成為「無意的詐騙放大器」：為何你該懷疑聊天機器人給出的每一組客服電話？
◆ 【辦公室詐騙風暴】報帳也能深偽？企業需建立 AI 對 AI 治理戰線

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

（責任編輯：鄒家彥）

【科技早餐】今天精選 8 則國內外重要科技新聞。

＊中國傳啟動國產浸潤式 DUV 生產，ASML 兩天跌 10%

《路透》引述知情人士報導，中國已開始生產國產浸潤式深紫外光微影（DUV）設備。生產計畫由成立於 2023 年的上海愛晟納電子科技集團（Aishengna）主導，整合中國微影設備新創團隊，希望降低對荷蘭艾司摩爾（ASML）的依賴。《The Information》指出，今年預計生產約 5 台、2027 年增至約 20 台，首批設備可能交付中芯國際、華虹半導體與長鑫存儲。

DUV 是半導體製造的關鍵設備，廣泛用於各類晶片生產，也能透過多重曝光支援部分先進製程。消息曝光後，ASML 股價兩個交易日累計下跌約 10%，市值蒸發超過 600 億歐元；中國占 ASML 上半年淨銷售額約 16%，讓市場對本土替代進展高度敏感。不過，中國設備仍須進一步測試，目前效能遠未追上 ASML；中國今年預計生產約 5 台，也遠低於 ASML 去年出貨的 131 台同類設備。若能順利投入使用，這批設備將在西方進一步限制出口或維修服務時，成為中國晶片業的國產備援來源。

＊AI 貨物重畫亞洲航線，台北空運樞紐 7 月滿載

AI 晶片、伺服器與資料中心設備需求增加，正在重畫亞洲航空貨運路線。日本供應半導體製造設備，南韓生產先進記憶體，台灣是先進晶片製造中心；越南、馬來西亞、泰國與新加坡則承接銷往北美與歐洲的 AI 伺服器製造及組裝。航空公司因而重新配置亞洲製造樞紐之間，以及通往歐美市場的貨運網絡。日本航空表示，科技產品占過去一年亞洲排除中國後空運出口增量約 80%，已擴大連結台北、曼谷、河內與東京成田機場的貨運航班。

美國與歐洲收緊低價進口包裹規定，也讓跨境電商逐漸降溫。大韓航空表示，AI 晶片、伺服器機櫃與資料中心設備已取代中國電商貨物，成為主要貨運成長動能，第二季貨運營收因此增加 46% 至 1.54 兆韓元；先進記憶體與處理器訂單已排至未來兩到三年。中菲行（Dimerco）指出，AI 與半導體貨物已讓台北空運樞紐在 7 月滿載；相關需求也協助推升中華航空上半年貨運量 8.1%，長榮航空的 AI 相關貨物則最多占貨運營收一半。國際航空運輸協會（IATA）估計，去年 AI 產品僅占全球航空貨運量 7%，卻占運送貨物總價值 53.5%。

＊美國禁止新款中國機器人與變流器，AI 供應鏈管制擴大

美國聯邦通訊委員會（FCC）宣布，禁止新款中國人形與四足機器人，以及連網電力變流器進入美國市場。電力變流器可讓太陽能與電池接入電網及資料中心設備，是擴建 AI 資料中心的重要零組件。措施公布後立即生效，目前只適用尚未在美國上市的新型號；已取得授權的既有產品暫時不受影響，但 FCC 仍保留撤銷授權的權力。

美國政府表示，相關設備可能形成供應鏈弱點，帶來營運中斷、資料竊取及網路攻擊風險，也希望藉此推動機器人與電力設備在美國生產。新規預計衝擊中國機器人業者宇樹科技（Unitree），這家公司在全球人形機器人市場的占有率接近五分之一。中國電力變流器市場則由陽光電源與華為等業者領先。中國駐美大使館呼籲美方停止抹黑中國企業與威脅制裁，並表示若中國利益受到實質損害，將採取必要措施。

＊Meta 攜貝萊德建 140 億美元資料中心，AI 算力轉向資本結盟

Meta 與資產管理公司貝萊德（BlackRock）成立合資企業，將在美國德州艾爾帕索開發及營運一座造價約 140 億美元的資料中心園區。園區正在施工，規劃提供 1 GW 運算能力，預計 2028 年開始營運。貝萊德管理的基金將持有合資企業 80% 股權，Meta 保留 20%；Meta 將投入價值約 23 億美元的土地與在建資產，貝萊德投入約 49 億美元現金，部分投資將透過 125 億美元債務融資完成，Meta 另將取得 10 億美元分配款。

Meta 將向合資企業租用運算能力，不必直接持有並負擔整座園區的建設支出。美國銀行研究顯示，今年截至 7 月初，AI 相關債券發行金額已達 2,700 億美元，接近 2025 年全年金額的兩倍。Meta 目前在美國營運或興建 28 座資料中心，路易斯安那州園區也規劃擴至 5 GW、投資超過 500 億美元；公司並計畫在 2028 年前投入 6,000 億美元建設美國 AI 基礎設施。隨著單一園區邁向 GW 級規模，科技公司的算力競賽也愈來愈依賴資產管理公司、租賃與舉債共同支應。

＊AI 業界逾 1,200 人促建減速機制，祖克柏警告權力集中

超過 1,200 名來自 OpenAI、Anthropic、Google、Meta 等公司的 AI 從業人員，以個人名義簽署「Pacing the Frontier」公開信。連署者呼籲美國政府支持國際合作，建立能在必要時調節自動化前沿 AI 發展速度的技術與治理工具。公開信警告，領先實驗室可能已接近自動化 AI 研究階段；一旦 AI 開始協助開發下一代 AI，技術進展可能快速加速，超出人類理解或控制的能力。連署並非要求立即暫停 AI，而是希望預先保留爭取時間、加強安全與監督的選項。

OpenAI 與 Anthropic 均公開支持這項主張。同一天，Meta 執行長祖克柏（Mark Zuckerberg）另在《華爾街日報》撰文，認為超級智慧若只由少數機構掌握，也會對經濟、科學與政治形成控制性影響。他主張以個人賦權、發明與權力制衡作為發展原則。兩項主張分別把風險焦點放在 AI 發展過快，以及能力與決策權過度集中。

＊OpenAI 失控代理再曝入侵 4 個外部帳戶，Modal 客戶受波及

《路透》報導，OpenAI 在內部資安測試中失控的 AI 代理，除了入侵開源模型平台 Hugging Face，也曾利用紐約雲端運算公司 Modal Labs 一名客戶的帳戶。Modal 表示，該客戶公開了一個未經身分驗證的端點，讓網路上的任何人都能在其隔離環境執行程式；OpenAI 代理利用這項弱點，把該環境當成後續攻擊 Hugging Face 的中繼站。Modal 強調，公司平台與隔離機制本身並未遭到入侵。

OpenAI 隨後更新調查，證實代理在 Hugging Face 事件中取用了分布於 4 項外部服務的 4 個帳戶。其中一個用作對外中繼與暫存路徑，一個用於儲存資料，另外兩個只進行讀取，未被用於入侵 Hugging Face。OpenAI 表示，其他評估也曾出現少量外部帳戶遭取用，公司正通知相關服務擁有者；目前未發現其他活動達到 Hugging Face 平台遭入侵的嚴重程度。涉事模型是未規劃公開推出的內部研究原型，現已停用、加密並限制研究存取。

＊AI 記憶體轉向五年長約，SK 海力士談妥約 10 項供貨協議

南韓記憶體大廠 SK 海力士第二季營業利益年增超過 6 倍並創下新高，但仍未達市場預期。公司表示，部分先進產品延後出貨，限制 DRAM 價格漲幅；分析師指出，HBM4 出貨進度較慢，也延後部分營收認列。儘管財報低於預期，SK 海力士表示，主要客戶仍持續要求增加 AI 記憶體供應，新增需求並未轉弱。由於 HBM 價格漲幅低於傳統記憶體，產品出貨時程、供應能力與客戶組合正成為競爭關鍵。

為降低記憶體市場循環波動，SK 海力士已談妥約 10 份長期供貨協議，合約通常長達 5 年，並設有訂金等履約保障，目前也持續與其他大型客戶協商。相關協議讓客戶提前鎖定供應，也讓晶片商更早安排產能、設備與原料採購。公司今年資本支出預計由 2025 年的 30.2 兆韓元提高至接近 50 兆韓元，同時將依市場需求調整投資，避免擴產造成供應過剩。長約能提高未來需求的可預測性，但也可能限制記憶體價格短期漲幅，顯示 AI 記憶體採購正從單季下單，轉向多年產能與供貨承諾。

＊銀行業擴大 AI 代理，服務 35 萬企業用戶、開戶縮至 15 天

新加坡兩家大型銀行近期擴大導入 AI 代理，應用範圍從企業客戶服務延伸至私人銀行的客戶審查。星展銀行（DBS）已向新加坡 35 萬名企業與中小企業用戶開放 AI 代理，讓客戶透過對話查詢付款紀錄、交易狀態與手續費，不必自行在不同頁面尋找資料。相關功能只會在客戶登入後啟用，AI 也只依照通過身分驗證的客戶指示行動；複雜需求仍可轉由真人客服處理。星展預計 9 月把企業 AI 代理擴至香港另外 10 萬名用戶，旗下兩項 AI 助理合計預計每月處理超過 100 萬次對話。

華僑銀行（OCBC）旗下新加坡銀行（Bank of Singapore）則以 AI 代理蒐集、核對及評估客戶資料，提前完成部分客戶盡職調查與風險審查。目前已有超過 100 名客戶關係經理在新加坡、香港及杜拜使用，約 50 名客戶完成開戶，所需時間由超過 30 個工作天縮短至 15 天。華僑銀行預計第三季完成私人銀行部署，年底再擴至旗下高資產客群，顯示銀行業正把 AI 從資訊問答推進至部分客戶服務與合規流程。

＊本文開放合作夥伴轉載，資料來源：《Reuters》、《The Information》、《Reuters》、Dimerco、U.S. Government、《Reuters》、Meta、《Reuters》、Pacing The Frontier、《Bloomberg》、《The Wall Street Journal》、《Reuters》、SK Hynix、《Reuters》、《Reuters》、DBS，首圖來源：AI 生成圖。

川普政府近日透過美國聯邦通訊委員會（FCC）正式祭出新措施，宣布禁止中國製造的新型人形機器人、四足機器人與聯網型電力逆變器進入美國市場。美國政府表示，這項措施旨在防範 AI 供應鏈中斷、資料竊取與網路攻擊等威脅，同時推動關鍵產業將製造活動移回美國本土。

這項禁令在發布後立即生效，目前僅適用於尚未上市的新型號產品，但 FCC 仍有權撤銷既有產品在美國銷售的授權。在具體涵蓋的設備中，聯網型電力逆變器能讓再生能源與電池系統連接電網及資料中心設備，因此也被納入保護美國 AI 基礎建設的安全防線。FCC 在聲明中警告，這些設備可能形成供應鏈弱點，不僅可能危及美國的經濟與國家安全，也可能帶來威脅關鍵基礎設施的網路安全風險。

瞄準中國供應鏈優勢，宇樹科技首當其衝

在防堵硬體漏洞的同時，美國官員也希望避免重演過去在稀土供應上遭遇的困境，防止中國再次利用其在科技製造關鍵投入上的主導地位取得談判優勢。在這樣的戰略考量下，這項禁令預計將衝擊全球人形機器人市占率近五分之一的中國企業宇樹科技（Unitree）。

身為目前主導新興人形機器人產業的三家中國企業之一，宇樹科技近期也被美國國防部列入涉嫌獲中國軍方支持的企業名單。不久前，宇樹科技才與 NVIDIA 合作，採用 Blackwell 晶片驅動機器人的 AI 系統。儘管 NVIDIA 表示相關資料將留在美國，且宇樹科技的主要客戶包括美國學術與研究機構，但仍未消除美國當局的疑慮。

針對此類設備，FCC 警告，機器人蒐集的資料可能被惡意行為者用來監控美國人、強化外國情報能力，甚至從遠端控制機器人。

製造回流不能只靠禁令，美國仍須補齊部署條件

針對這波防堵行動，美國眾議院中國問題特別委員會主席 John Moolenaar 公開表示支持，認為 FCC 的行動不只保護國家安全，也有助於強化美國本土機器人產業。

然而，單靠封鎖中國供應鏈，是否就能帶動真正的製造回流？前 NASA 機器人主管 Robert Ambrose 近日在《The Hill》撰文指出，美國目前的政策仍過度聚焦機器人研發，卻忽略許多中小型製造商真正面臨的難題：如何將人形機器人順利整合進既有生產線。

為了解決這項部署瓶頸，Robert Ambrose 建議政府設置針對工廠部署的專門稅務誘因，讓政策不再只獎勵發明與專利，也能協助企業負擔實際導入機器人的成本。

此外，Robert Ambrose 也主張政府擴大「製造業延伸夥伴計畫」（Manufacturing Extension Partnership）的部署支援，利用既有網絡協助企業進行整合規畫與員工訓練。同時，他呼籲美國國家標準暨技術研究院（NIST）建立人形機器人的互通標準，提升硬體與軟體之間的相容性，避免重演早期工業自動化系統封閉、僵化且成本高昂的問題。

美國此次頒布的禁令，將國家安全、AI 硬體供應鏈與製造回流三項目標綁在一起。透過限制中國新型機器人與逆變器進入美國市場，美國正試圖降低關鍵產業對中國供應鏈的依賴，並為本土製造業爭取提升競爭力的時間。

＊本文開放合作夥伴轉載，資料來源：《Reuters》、《The Hill》，首圖來源：宇樹科技

這一年，越來越多企業開始嘗試導入 AI Agent，卻大多卡在同一關：試點跑得動，正式環境卻上不了。很多人以為問題出在模型不夠聰明或找不到商業價值，但真正的癥結可能在更底層：串起 AI Agent 與各種軟體的 MCP（Model Context Protocol）協定，本身還沒準備好承接企業級的規模。

如今這道關卡開始鬆動。MCP 本週推出問世以來最大一次改版，架構核心從「有狀態」（stateful）全面轉向「無狀態」（stateless），規格由 Linux Foundation 旗下的 Agentic AI Foundation（AAIF）主導。這個工程轉向聽來抽象，但值得關注的是究竟為何拿掉「有狀態」這塊地基，反而讓 AI Agent 更適合大規模部署呢？

卡住企業的，從來不是 AI 本身

根據《VentureBeat》報導，AAIF 執行董事 Mazin Gilbert 表示，自己接觸過打算部署上萬個 AI Agent 的公司，若不朝這個方向改，根本做不到規模化，而真正的障礙不在技術，也不在商業案例，而在協定底層必須先動的一些基本設計。

舊架構的運作方式就是問題之一。過去，MCP 客戶端得和特定一台伺服器維持連線，伺服器會把後續每個請求「釘」在發出連線的那台機器上。這在本機執行的桌面應用還行得通，但一旦搬上雲端、要靠多台可隨時增減的伺服器橫向擴展，就成了麻煩：只要那台機器當掉，AI Agent 正在做的工作也跟著中斷。為了維持連續性，企業得額外架設把請求導回同一台的機制，或讓流量閘道逐一拆解請求內容才知道該送往哪裡。主要維護者 Den Delimarsky 形容，舊版本下「只要一個運算節點掛掉，請求就會開始失敗」。

換句話說，企業得額外替協定處理分散式部署的問題，而不是直接利用既有的雲端架構。對想把 AI Agent 從試點推進正式環境的團隊來說，卡關處可能根本不在 AI，而在它能不能跑上企業現成的基礎設施。

MCP 從實驗室專案，跨進企業級基礎設施

Gilbert 認為，一套協定要真正進入企業正式環境，需要同時具備三個條件：開放標準、可擴展的 Stateless 架構，以及中立治理。而這些在半年前都還沒到齊，這次改版正是要補上缺口。

其中最關鍵的，是可擴展的 Stateless 架構本身。改版後，MCP 伺服器可以像一般網路服務一樣，直接部署在負載平衡器後面，用企業手上現成的雲端維運工具就能撐起規模，不必再為它另建一套特殊機制。狀態並沒有憑空消失，而是從協定層交回應用層自行管理，開發者可依自己的環境決定怎麼保存。Gilbert 以網際網路作比：當年 HTTP 能贏得全球信任，靠的正是開放標準、無狀態擴展與中立治理這三件事同時成立。

架構之外，企業把協定放進正式環境還有兩個顧慮：穩定與安全，這次改版也一併補強。針對穩定性，這次首度訂出正式的功能棄用政策，保證任何功能從宣告淘汰到真正移除，至少間隔 12 個月。對要把 MCP 寫進長期系統的大型企業而言，這是一份不會被無預警推翻的承諾。《The New Stack》補充，這個 12 個月下限只有在出現公開安全通報時才可縮短，且硬底線是 90 天。

安全方面，新版強制客戶端驗證授權回應的來源，藉此封堵一類名為「混淆攻擊」（mix-up attack）的手法。在這種攻擊裡，客戶端可能被誘導，把授權回應誤認為來自另一個身分伺服器。據《VentureBeat》報導，Delimarsky 強調這是預防性的工程強化，並非因為 MCP 實際遭到攻擊。此外，新版與身分服務商 Okta 合作推出「企業受管授權」擴充，讓企業能以既有的公司身分系統，統一控管誰能存取哪些 MCP 伺服器，避免資料流向未經授權的來源。

Gilbert 因此形容，MCP 走到這一步，「已經從開放實驗室的實驗，變成我們所謂的『企業就緒』（enterprise ready）」。

長任務、互動式介面正式納入協定，開發者終於不用再各自造輪子

這次更新另一個容易被忽略的重點，是 MCP 首次把 Tasks 與 MCP Apps 納入正式規格。乍看之下，這只是新增兩項功能，但真正改變的是：許多原本每家公司都得自己實作的能力，開始變成協定的一部分。

以 Tasks 為例。過去如果 AI Agent 要轉錄一段一小時的會議錄音、分析大型程式碼庫，或等待 ERP 完成批次作業，開發者通常只能一直維持連線等待結果，或另外設計一套背景任務（Background Job）與通知機制。一旦 Client 中途關閉、網路中斷，還得自行處理任務恢復、重試與狀態同步。

新版 MCP 則把這類長時間任務納入標準流程。Server 可以先回傳 Task Handle，Client 日後再查詢執行結果，不需要一直維持連線。對開發者而言，這代表背景工作、重試機制與任務狀態管理，不再需要每個團隊各自設計一套做法。

另一項 MCP Apps 也有類似意義。過去，AI Agent 即使知道該請使用者確認資料、填寫表單或查看報表，也只能先輸出一段文字，再由開發者自行建立 Web 頁面或前端介面串接。新版 MCP Apps 則允許 Server 直接回傳互動式介面，把表單、儀表板等 UI 納入協定，讓不同 AI Client 能以一致方式呈現。

換句話說，這次更新並不是讓 AI Agent「可以顯示介面」，這件事本來就做得到，而是把原本每家公司各自實作的能力，逐漸變成整個生態系共用的標準。

從一家公司的開源專案，到多廠商共治的代理網際網路

MCP 由 Anthropic 於 2024 年 11 月創建，並在 2025 年 12 月捐給 Linux Foundation 旗下的 AAIF。如今核心維護者橫跨 Anthropic、微軟、OpenAI、Google 與 Amazon 五大科技公司；MCP 共同創建者暨主要維護者 David Soria Parra 坦言，自己在技術上仍握有否決權，卻從未真正動用，Anthropic 的貢獻占比也已降到半數以下。

更值得注意的是社群組成的變化。據《VentureBeat》報導，AAIF 成員已從去年 12 月成立時的約 40 家，成長到如今的 240 家，且早已不限科技廠商，擴散到零售、金融、電信等領域，這些「使用者」出現在名單上，代表他們要的不只是採用協定，更是進場影響協定的走向。

Soria Parra 表示，MCP 各語言 SDK 的下載量在過去半年翻倍，目前每週約達 2.5 億次；作為對照，2025 年 12 月捐贈當時，光是 Python 與 TypeScript 兩個 SDK 的下載量為每月約 9,700 萬次。因此，這次更新真正重要的，不只是 Stateless、OAuth 或 Tasks 等新功能，而是補齊了一套開放協定走向企業級基礎設施所需要的工程能力。對希望將 AI Agent 從試點推向正式環境的企業來說，這或許才是 MCP 最大一次更新真正的意義。

【推薦閱讀】

◆ Anthropic Mythos 找到密碼攻擊新方法：量子電腦之外，AI 成加密安全新變數？

◆ 人人都會用 AI 後，真正的績效差距從哪來？德州大學、KPMG 實驗點出關鍵

◆ 4 個人，服務 75 萬名客戶：研究揭 AI 原生企業正在改寫「請更多人」老規則

＊本文開放合作夥伴轉載，資料來源：《VentureBeat》、Model Context Protocol、《The New Stack》、Agentic AI Foundation，首圖來源：AI 工具生成

企業近年佈局後量子密碼（PQC），一個主要考量是未來量子電腦可能破解現行加密標準，然而 AI 巨頭 Anthropic 最新研究指出一個更早到來的變數：AI 本身。該公司研究團隊以尚未公開的 Claude Mythos Preview，在兩套重要的密碼演算法上，各自找出人類專家歷經多年審查仍未發現的新攻擊方法。

根據《New York Times》與 Anthropic 官方部落格，這兩項成果都不會立即影響現行系統，也不代表現有加密已被攻破。但它們共同指向一個值得決策者留意的轉變：挑戰密碼安全的力量，可能不再只有量子運算。

兩項成果：人類長年審查沒發現，AI 短時間內就找出弱點

第一項成果針對 HAWK，這是美國國家標準暨技術研究院（NIST）後量子數位簽章徵選中進入第三輪的候選演算法，旨在抵禦傳統電腦和量子電腦的攻擊。Anthropic 表示，HAWK 已通過兩年的專家人工審查，而 Mythos 在約 60 小時內就完成發現與驗證了已知最佳攻擊法，等於把它的有效金鑰強度減半。

以最小的 HAWK-256 為例，完整金鑰復原攻擊的預期成本，從 2 的 64 次方降到 2 的 38 次方。Anthropic 指出，若要補救就得把金鑰長度加倍，但這麼做會抵銷 HAWK 原本輕量、緊湊的優勢，而這正是它作為後量子簽章候選的主要賣點。

第二項成果針對 AES，這套 2001 年獲 NIST 採用的對稱式加密演算法，是目前應用最廣的加密標準之一。Mythos 攻擊的是簡化過的 7 輪版本（完整 AES-128 為 10 輪），並以一項自研、名為 Möbius Bridge 的技術，將攻擊速度較先前最佳方法加快約 200 至 800 倍。根據《Decrypt》，Mythos 最終改進的，是密碼學界自 2013 年以來未曾突破的 7 輪 AES 攻擊紀錄。

Anthropic 強調，這兩項發現目前都不具實務衝擊：HAWK 尚未部署於任何系統，而針對 AES 的攻擊只作用在縮減版本，並未攻破完整的加密標準。研究團隊也已在公開前，將結果分享給演算法作者以及美國政府與產業夥伴。

AI 近乎自主找出攻擊，人類反而卡在「驗證」

比成果本身更值得產業關注的，是這些攻擊的產出方式。Anthropic 表示，AES 的攻擊幾乎完全由 Mythos 自主完成。過程中，模型起初甚至判定「不可能」改進而拒絕動手，研究員僅以三則簡短提示推動它繼續。

根據 Anthropic 公開的實驗記錄，其中一則提示是研究員直白地要求模型「像頂尖研究員一樣去找出新的攻擊」。在這樣的引導下，Mythos 產出約 10 億個 token，最終找出新解；Anthropic 估計，每項成果的 API 成本約為 10 萬美元。

值得注意的是人機分工的翻轉。Anthropic 指出，Mythos 花約一週構思出 AES 攻擊，但兩名研究員卻花了將近一個月，才確認這套方法正確無誤，驗證的時間遠長於發現的時間。Anthropic 因此提出警語，也就是當語言模型自主產出研究成果的速度，超過人類查核與驗證的能力，人類研究員本身正逐漸成為瓶頸。

威脅來源正在增加，不再只有量子電腦

把個案拉高到產業層次，Mythos 的成果之所以重要，在於它動搖了業界長年的一個假設：在量子電腦成熟之前，強加密不會在有意義的時間內被攻破。

前美國國家安全局（NSA）法務長 Glenn Gerstell 對《New York Times》表示，考量到外界總是低估未來模型的能力與問世時間，他不認為應該輕率斷定兩年後強加密仍不會受威脅。他並指出，數學家會說以現有運算能力不可能在有意義的時間內破解強加密，但在中期內、也就是量子電腦或抗量子密碼成熟之前，未來模型的能力不該被視為微不足道。

Mythos 的能力仍在快速攀升。Anthropic 表示，除了 HAWK 與 AES，Mythos 也在輕量級加密演算法 LEA，以及 Serpent 等演算法上取得初步成果。為了讓外界持續追蹤這類能力的演進，Anthropic 也與蘇黎世聯邦理工學院（ETH Zurich）、特拉維夫大學及海法大學合作，建立名為 CryptanalysisBench 的密碼分析評測基準。事實上，正因為 Mythos 在資安領域的能力過於突出，Anthropic 自今年四月起便將其使用限制在特定政府機構與組織，至今仍未對外公開。

密碼學向來倚賴一套「對抗式審查」的機制：演算法被提出、被攻擊、再被修訂，直到社群認可其安全性為止。Mythos 的兩項成果，本質上正是這套流程的一環，只是這一次，找出漏洞的是 AI。對企業決策者而言，這也意味著在評估加密技術與資安風險時，需要納入考量的變數，已不再只有量子運算一項。

【推薦閱讀】

◆ 【AppSec 防不住的新戰場】AI 深度參與軟體開發，資安新學科 AISec 成形

◆ OpenAI 證實 AI 代理自主入侵 Hugging Face，專家：目前沒有工具擋得住

◆ 什麼是「上下文炸彈」？防守方第一次把 AI 提示注入反過來當武器

＊本文開放合作夥伴轉載，資料來源：《New York Times》、Anthropic、《Cyber Security News》、《Decrypt》，首圖來源：