當 AI 模型出現問題，除了重新訓練或微調，能不能直接修改內部權重來修復？美國麻省理工學院電腦科學與人工智慧實驗室（MIT CSAIL）研究團隊公布一項實驗，利用 OpenAI 的 GPT-6 Astra，僅修改阿里巴巴 Qwen3.5-0.8B 約 0.016% 的神經網路權重，就讓模型在 MATH-500 數學測試中的正確率從 7.9% 提升至 48.1%，達到原先約 6 倍。

這項研究於 11/2 公布後，迅速引起 AI 技術社群關注。研究作者武日力也（Rikiya Takehi）在 X 分享實驗成果的貼文，發布後數小時便累積超過 2.9 萬個喜歡、逾 3,000 次轉發；該研究消息截至 11/3 也在《Hacker News》獲得超過 2,400 分、逾 770 則留言。研究團隊將這種讓大型語言模型（LLM）直接理解、修改神經網路權重的方法，稱為「權重空間程式設計」（Weight-Space Programming）。

只改 0.016% 權重，Qwen 數學測試成績為何提升近 6 倍？

研究人員交給 Astra 一項任務：讓約有 8 億參數的小型語言模型 Qwen3.5-0.8B 更擅長數學。但在測試過程中，Astra 發現模型的一個主要問題不是算不出答案，而是經常陷入反覆推理，遲遲無法完成回答。

根據實驗紀錄，Qwen 最初 96 次練習回答中，有 85 次一路輸出到 32,768 個 Token 的上限，仍未完成回答。這也是 Qwen 官方模型說明曾提醒的問題：0.8B 版本在思考模式下容易出現推理循環。

Astra 接著利用 Python 工具分析模型內部權重，搭配練習題檢驗模型行為，最後將問題追溯至第 15、19 層多層感知器（MLP）的特定運算方向。它透過調整相關權重，降低造成重複推理的影響，總共只修改 131,072 個權重，約占模型總參數的 0.016%。

在允許 50 次模型前向運算、每次可測試多道題目的設定下，Qwen 的 MATH-500 正確率從 7.9% 升至 48.1%，GSM8K 從 13.8% 升至 67.1%，指令遵循測試 IFEval 也從 21.0% 提升至 62.3%。同時，MATH-500 回答觸及 Token 上限的比例，從 93% 降至 33.1%。

不過，數學成績提升近 6 倍，不代表 Qwen 獲得了 6 倍的數學推理能力。研究團隊指出，這次主要是排除妨礙模型完成回答的障礙，讓既有能力得以發揮，而非增加新的數學知識。

不靠梯度下降，AI 如何直接修改神經網路權重？

神經網路權重是模型透過訓練學到的數值參數，影響資訊如何被處理及產生輸出。傳統訓練或微調通常透過資料、損失函數與梯度下降等最佳化方法更新權重；MIT 的研究則讓已具備推理能力的 LLM，直接分析權重與模型行為的關係，自行設計修改方式。

這不代表完全不需要運算或測試。Qwen 實驗仍使用 Python 工具、練習題與反覆驗證，只是不透過梯度下降來決定權重更新。

直接編輯權重也並非全新概念。過去的 ROME 與 MEMIT 研究，已探索透過修改特定權重來更新模型知識。這次不同之處，在於研究人員使用未針對權重編輯任務特別訓練的通用 LLM，嘗試跨不同任務理解、修補及建立神經網路。

不只修補 Qwen，AI 還能讀懂、修復甚至寫出神經網路

研究團隊另外設計多組實驗，測試 Astra 對權重的理解能力。例如，提供四個架構相同、分別被訓練來玩 Breakout、Pong、Pac-Man 與 Freeway 的小型神經網路，Astra 僅分析權重，就正確辨識各模型對應的遊戲，過程中沒有取得候選答案。

另一項實驗則像是讓 Astra 擔任車輛控制系統的除錯工程師。研究團隊在 Kinetix 模擬環境中，訓練一個控制模型讓車輛通過坡道障礙，但模型始終只會向前行駛，最後卡在坡道上。

Astra 取得模型權重、場景說明及一次失敗紀錄後，判斷車輛應先倒退一段距離，取得足夠空間加速，再向前衝過障礙。它在沒有使用外部工具的情況下，一次修改約 3.5% 的權重，使原本無法完成任務的控制模型，在後續 1,024 次模擬測試中全部成功。

更進一步，研究人員提供簡化版遊戲規則、程式碼與指定網路架構，要求 Astra 不經梯度下降或實際試玩回饋，直接寫出能玩遊戲的神經網路權重。在 Breakout 實驗中，Astra 產生的網路取得 517.4 分，大幅超越經過 5 億步 PPO 強化學習訓練的比較模型（25.3 分）。

不過，另外兩款遊戲 Seaquest 與 Asterix 的表現，仍未全面超越相同訓練步數的 PPO 模型，顯示這種方法的效果仍取決於任務特性。

AI 能成為模型診斷與修補工具嗎？研究團隊提出未來應用

MIT 研究團隊認為，權重空間程式設計的潛力不只在於提升模型表現，更可能讓 LLM 成為人類自然語言與神經網路權重之間的轉譯工具。開發者未來或許能直接描述想要檢查或改變的模型行為，再由 AI 分析並修改相關權重。

研究團隊在未來展望中提出，若 AI 能更可靠地理解權重，可能不必先設計測試題目或執行推論，就能找出模型內部潛藏的異常行為，甚至安全後門。開發者也可能透過自然語言要求 AI 調整或移除特定能力，減少額外資料蒐集與微調需求，進而降低模型最佳化成本。

不過，技術社群對研究的突破程度也有不同看法。《Hacker News》有留言者提醒，權重編輯與特定運算方向的消除已有既有研究基礎，而小型神經網路的成果，也不能直接推論到更大規模的模型。華頓商學院教授 Ethan Mollick 也在轉發討論中表示，這可能是重要進展，但仍需等待研究成果重現驗證。

研究團隊本身也公布了失敗案例：Astra 嘗試改善較少出現推理循環的 Gemma 3 270M，卻未能顯著提升其數學能力，顯示修補既有缺陷不等於能創造新能力，局部修改權重也不代表其他能力一定不受影響。

此外，根據《VentureBeat》整理的實驗紀錄，Qwen 最成功的一次修改歷經 158 輪互動、80 次 Python 執行，總耗時約 20.3 小時，其中包含約 4.7 小時的服務中斷等待，尚未證明比傳統微調更有效率。

研究團隊也坦言，目前技術仍受到模型上下文長度，以及工具與執行環境（Harness）效率的限制，正著手建立專門的評測基準與工具環境，希望讓 AI 直接讀寫權重的能力，逐步成為可量化評估、可重現的工程方法。

【推薦閱讀】

◆ 用 AI 研發 AI 有多快？Anthropic 坦承曾未及時察覺加速，未來模型恐觸及新門檻

◆ 【AI 代理行為學實驗】觀察「放假」中的 AI 代理，MIT 發現玩耍練出的技巧能用在後續任務

◆ AlphaGo 推手 David Silver 不走 LLM 路線，要讓 AI 在模擬「熔爐」裡從零自學

＊本文開放合作夥伴轉載，資料來源：Rikiya Takehi、《VentureBeat》、Qwen、RikiyaT、《Hacker News》，首圖來源：擷取自 Rikiya Takehi

專訪：戴季全
撰稿：張哲瑋

量子電腦的技術路線眾多，工研院院長張培仁接受《TechOrange》《全新一週》專訪時表示，工研院不賭哪條路線會贏，而是全力發展他認為各路線都需要的低溫電子，讓「所有的老大都需要我當老二」。

張培仁 2025 年 10 月接任院長，此前擔任工研院副院長，現亦為臺大應用力學研究所教授。他不用「K 型化」形容台灣產業，而以流體力學的「層流」比喻：ICT 產業流得快、其他產業流得慢，但兩者是連續的，重點是協助流得慢的「往上爬往上提」。

據工研院出版的《工業技術與資訊》月刊，該院串聯 17 個研發法人打造「法人匯智聯盟」，共同服務全國中小企業，並與南部 33 所大學合作。資源有限，哪些技術值得投入？張培仁有一套分類方法。

能勝出的重壓、會斷供的握在手裡：台灣的技術投入怎麼分三類？

張培仁表示，工研院做前瞻規劃時考量四個因素：人與產業未來的需求、政府政策、新興科技的發展，以及台灣產業的優劣勢。他認為第四項最重要，因為前三項「大家都會做」，公開文獻都找得到，真正欠缺的是判斷「台灣的產業到底能不能勝出」。

因此，他請同仁在規劃技術路線圖時，把技術分成三類。第一類是台灣能勝出的技術，「大部分的資源就應該投在上（面）」。他解釋，台灣不是大國，資源要壓在能勝出的地方，「要不然你就浪費掉」。

第二類是台灣難以勝出、但沒有它就可能被斷供的技術，「我必須握在手裡」。張培仁坦言，這部分不會賺錢，但為了讓第一類能賺錢，「你就必須養它，這無可奈何」。

第三類是台灣競爭力不強、也沒有斷供風險的技術：全世界隨時找得到三家供應商，就不要自己做，「你就是買」。

張培仁另外提到，技術分類時還須考量「非紅」供應鏈的要求。所謂非紅供應鏈，通常是指在特定產品或採購要求下，排除中國製零組件，以降低相關安全與供應風險。這也讓部分技術是否需要自行掌握，不能單純依照競爭力或供應商數量判斷。《中央社》去年底報導，加拿大皇家騎警認為中製無人機有「高度安全風險」，限制只能用於非敏感行動；溫哥華台貿中心預料加拿大將逐步棄用，轉找非紅供應鏈。

實例拆解：機器人計畫先訪談 10 家「客戶的客戶」，關鍵組件不超過售價 30%

將技術分門別類以外，研發流程本身也要改進。張培仁指出，過去工研院執行科技專案比較是線性的：先預測未來、開始開發，一邊開發一邊找客戶，客戶再去找它的客戶。現在所有機器人與無人機計畫都改用系統工程的方法，第一步是每個團隊先拜訪最終使用者。

以機器人而言，工研院的顧客是機器人廠商，真正使用機器人的是廠商的客戶。張培仁要求團隊定義計畫時，「要去訪談至少 10 家客戶的客戶」。例如做醫院器械清消的團隊，就拜訪了至少 10 家醫院，弄清楚服務流程後才訂出規格。訪談時，團隊也會私下問終端使用者：做出來會不會用、願意花多少錢買。

接著才由工研院以供應商的角色提出解決方案與規格、擬定技術路線圖（Technology Roadmap），最後列出關鍵組件清單與價格。張培仁說，傳統上工研院從技術路線圖才開始做，關鍵組件清單則過去很少列。

他也給同仁一條規則：技轉的廠商若要把產品賣出去，「關鍵組件價格不可以超過預期售價 30%」。過去為了展示性能，研發時可能用上很貴的零件，技轉後廠商賣不掉，只好花很長時間調整，換掉晶片連軟體都要換。因此，現在開發時就採用將來準備量產的零件。

運算晶片即為一例。張培仁表示，工研院的無人機與機器人盡量採用國產、已經量產的手機晶片，重點放在改軟體。機器人與無人機初期量不大，卻需要高效能，而高效能晶片的一次性工程費用（NRE）很貴，沒有量可以分攤；手機晶片的 NRE 已由手機攤掉，價格便宜，而且已生產數百萬片，他認為不會有斷貨問題。

談到無人機，張培仁說無人機計畫則規劃三種共用機型，他比喻為「三型共用的 PC」，定義已和無人機業者座談取得共識。第一型拚高速；第二型是高載重，單機吊掛 70 公斤，兩架協同可共同吊起一個物體；第三型是高航程，目標單向飛行 800 公里。廠商技轉後只要改自己擅長的部分，例如酬載，其他盡量不動。

進場時機怎麼抓？看不準的技術「緊緊尾隨」，量子不押哪條路線勝出

除了能否勝出，張培仁認為另一個關鍵是進場時機。太早投入，研究經費花完了，產業還沒起來，計畫就會斷掉；太晚投入，必要專利（Essential Patent）已被別人布局完畢。因此，工研院希望投入後「最晚四年之後能夠看到廠商銜接」。

但他也不想像大型語言模型爆紅時那樣被突襲。對於可能 10 年、15 年後才發生、卻抓不準哪一年的技術，工研院的做法是「緊緊尾隨」：不投入大量資源，但持續觀察全世界前三強在做什麼，判斷時間差不多了，再趕快跟上。他說，這是「資源有限的國家，要學會做的事情」。

談到量子電腦，張培仁認為它不會完全取代傳統電腦，而是伴隨的角色。它的前端有離子阱、光子、超導等路線，工研院與大學教授、中央研究院合作，由教授們研究哪一條比較可行。工研院自己則鎖定各路線最後都需要的低溫電子，也就是在絕對溫度 4 K（約攝氏零下 269 度）下可以運作的電路，「目前是全力在發展低溫電子」。

他說，哪一條路線突破，就會成為那條路線的老大；工研院可能不會在任何一條路線當老大，但「誰贏對我們來講其實都沒有關係」。以台灣的國力，「不見得要在每件事情上就變成老大」，只要「所有的全世界老大都不能沒有我」，也是一種方法。

中小企業怎麼幫？先分級協助，工研院也得先變強

對於中小企業，張培仁主張分級處理。依經濟部統計，2024 年台灣中小企業占全體企業 98.8%；其中能成為半導體、ICT 供應鏈一環的，他認為要盡量協助。

在 AI 導入上，工研院正協助經濟部產業發展署推動「AI 百工百業」，先讓中小企業了解自身能力、再導入 AI 工具。工研院負責發展標準量表、自我診斷與共用模組，大量推廣時則與資服業者合作，因為研發法人人力有限。

為了輔導產業轉型，工研院內部也從數位工具、系統工程到經營能力，分三層訓練同仁，強化工研院自身能耐。張培仁問同仁：去輔導人家，「我們有比較厲害嗎」？對他而言，研發只是過程，「被我們輔導的廠商或產業，有變得比較強，這才是重要的」。

歡迎大家訂閱「科技報橘」YouTube 頻道，一起用《全新一週》節目，來迎接全新的一週！

＊首圖來源：《TechOrange》

源自美國麻省理工學院電腦科學與人工智慧實驗室（MIT CSAIL）的機器人公司 Tutor Intelligence，美國時間 11/2 宣布完成 7,500 萬美元 B 輪融資，由 Andreessen Horowitz（a16z）領投，累計募資達 1.17 億美元。這筆資金將用於訓練機器人基礎模型，以及製造、部署旗下的 Cassie 與 Sonny 兩款機器人。

Tutor 主要賣的不是機器人，而是機器人完成的工作：客戶按使用量付費；機器人遇到處理不了的狀況，由遠端的真人操作員即時協助，每完成一項任務，都會累積成訓練模型的數據。對還在評估自動化的工廠與倉庫而言，這種模式改變了哪些導入考量？

計價比照人力、費用列入營運支出：Tutor 怎麼收費？

Tutor 在新聞稿中表示，它比照企業購買人力的方式銷售機器人的工作，按工時或件數計費；客戶不必預先購買機器人，也不必簽長期合約，部署與維護由 Tutor 負責，並定期推送軟體與模型更新。

依 Tutor 官網的定價頁，Cassie 負責的棧板堆疊與拆垛按工時計費，每機器人小時 14 至 18 美元，另有每月至少 80 小時的用量門檻、8,000 美元可退還押金與 1 萬美元的固定導入費；揀貨則按件計費，Tutor 稱報價可比客戶目前的每件成本低 10% 至 50%。官網也註明，試算結果是估計值、不是承諾價格；多數客戶按用量付費，但 Tutor 的客戶也可以直接買斷 Cassie，並搭配年度服務方案。

官網把這筆費用定位為營運支出：機器人工時和它所替代的人力列在同一個會計項目，不必另外提出資本支出申請。Tutor 共同創辦人暨執行長 Josh Gruenstein 告訴自動化產業協會 A3（Association for Advancing Automation；Tutor 是該協會會員），客戶過去思考的，是如何替一台 200 萬美元、放在產線中央、只為特定品項執行特定任務的專用自動化設備做投資評估，「我們的客戶已經不再這樣想了」。

他也表示，自己接觸的許多供應鏈長認為「先進機器人有點像騙局，因為每台先進機器人都需要保母」，而他認同這個看法。在他看來，機器人確實會遇到例外狀況（edge cases），「假裝這些例外狀況不存在，是把負擔推給客戶的絕佳方法」。

從客戶現場到數據工廠，Tutor 的機器人模型怎麼訓練？

面對這些例外狀況，Tutor 讓人類在遠端支援機器人，這也和它訓練模型的方式連在一起。Tutor 在新聞稿中指出，AI 已經從網路上大量的文字與影像學會對話、寫程式，實體世界卻沒有這樣的紀錄可以訓練。根據《The Robot Report》報導，Tutor 的做法是把連網的機器人車隊部署到客戶的生產環境，在被稱為「tutors」的遠端操作員協助下做實際的工作，這些操作員可能位於美國以外的地區。Tutor 在新聞稿中表示，機器人每完成一項任務，都會產生模型訓練一直缺少的真實經驗數據。

除了客戶現場，Tutor 也有自己的機器人設施。《The Robot Report》指出，Tutor 今年稍早開設「數據工廠」（Data Factory），用 100 台實體機器人評估控制策略（policies）。《Manufacturing Dive》報導，Tutor 的第一個視覺語言動作模型（vision-language-action model，VLA）名為 Ti0。從客戶現場累積數據，是 Tutor 描述的長期做法；至於 Ti0，《Forbes》專欄寫道，它完全以數據工廠收集的數據訓練，那裡有 100 台 Sonny 並肩作業。

a16z 合夥人、前 VMware 執行長 Raghu Raghuram 表示：「Tutor 的洞見在於，部署不只是機器人研究的終點，也是克服研究限制的方法。」他認為，Tutor 不是要現實世界配合研究，而是從實際部署的需求出發，再依序回推通路、硬體與研究。Gruenstein 接受 A3 訪問時則形容，智慧幾乎是做生意的副產品，最大的價值在於機器人能以更低的價格，替客戶做更多工作。

形態依工作而定：單臂輪式 Cassie 搬整箱，雙臂 Sonny 做單件揀貨

Tutor 的兩款機器人，形態依負責的工作設計。Cassie 是四輪、單臂的機器人，負責棧板堆疊、拆垛與整箱揀貨。A3 指出，第一代 Cassie 可以被搬到倉庫各處，但沒有自主移動能力，新版補上了這一點，已在部分既有客戶的場域部署。

Sonny 則是雙臂的半人形機器人，兩隻手臂裝在垂直升降機構上，主要做單件揀貨，官網列出的工作還包括備料配套、分揀、包裝與機台上下料。Tutor 在官網說明，很少有形態像人體一樣通用，Sonny 就是具備人類感知、靈巧等能力，但針對倉庫最佳化的設計。A3 在 9 月底報導時指出，Sonny 原本放在 Tutor 的設施裡評估與訓練，預計今年稍晚開始部署。

規模方面，Tutor 表示，機器人進駐的設施數接近一年前的 4 倍；根據《The Robot Report》，Tutor 也表示運作中的機器人數量是一年前的 2 倍。過去 12 個月收到 Tutor 機器人的組織中，近三分之一是加購的既有客戶；公司預計 2027 年底前簽約機器人超過 1,000 台，並表示這些機器人都將在美國製造，從美國進行部署。不過，《TNW》指出，Tutor 沒有公布估值、營收，也沒有說明目前實際運作的機器人台數。

Gruenstein 說：「需求確實存在，我們造機器人的速度幾乎趕不上。」這套邊做邊學、按用量計價的模式能否在更多場域擴大，仍有待後續部署數據驗證。

【推薦閱讀】

◆ 人形機器人租賃潮：租而不買的背後，是廠商搶建資料飛輪的商業邏輯

◆ 8,000 台人形機器人計畫進上海工廠，西門子：沒有工廠想當 AI 試錯場

◆ 機器人不一定要有五指靈巧手，Zinova 提出「工具智慧」概念開拓建築機器人新方向

＊本文開放合作夥伴轉載，資料來源：Tutor Intelligence 1、Tutor Intelligence 2、Tutor Intelligence 3、《The Robot Report》、A3、《Forbes》、《Manufacturing Dive》、《TNW》，首圖來源：Tutor Intelligence

美國晶片大廠 Marvell 美國時間 11/2 宣布，以企業價值 1,150 億美元的全股票交易收購光學元件大廠 Lumentum。這起 2026 年規模最大的企業併購案之一，《Reuters》指出是 Marvell 押注 AI 資料中心需求成長、強化與晶片大廠 Broadcom 競爭的重要一步。

不過，這筆收購不只是為了擴大光通訊業務。隨著下一代光互連技術發展，Marvell 原本供應的部分數位訊號處理器（DSP）可能面臨需求變化。收購 Lumentum，除了取得關鍵光學技術與製造能力，也可能改變 Marvell 與既有客戶的競爭關係。

CPO 可能減少既有 DSP 需求，Marvell 為何要買下雷射製造能力？

Marvell 原本就是高速光通訊 DSP 的重要供應商。這類晶片主要用於處理高速傳輸過程中的訊號失真等問題，協助光收發模組維持訊號品質。然而，隨著 AI 資料中心需要連接更多處理器，傳統銅線傳輸面臨頻寬與功耗限制，產業也開始探索不同的光互連架構。

其中一項受到關注的技術是共同封裝光學（Co-Packaged Optics，CPO），將光學元件與交換晶片等電子元件更緊密地整合，縮短高速電訊號傳輸距離，降低功耗與訊號損失。這項技術轉型，卻可能影響 Marvell 原有的部分晶片業務。

研究機構 Counterpoint Research 副總監 Gareth Owen 在 10/29 分析中指出，當光學元件逐漸移至運算或交換晶片附近，部分 CPO 架構可能大幅減少對獨立 DSP 的需求。換言之，即使 AI 光互連市場持續成長，既有 DSP 產品也未必能維持相同的需求。

Owen 認為，這正是 Marvell 收購 Lumentum 的重要戰略意義之一。Lumentum 擁有磷化銦（InP）晶圓廠與雷射製造能力，而雷射仍是許多新型光互連架構不可或缺的元件。Counterpoint 指出，全球 InP 雷射產能主要集中於 Lumentum 與 Coherent 等業者，且新建晶圓廠、擴充產能需要多年時間。對原本就向 Lumentum 採購雷射的 Marvell 而言，收購將使其更直接掌握關鍵製造資源。

Marvell 則在官方公告中強調，交易將結合自身高速訊號處理、交換晶片與客製化 AI 晶片技術，以及 Lumentum 的雷射、光收發器和光學製造能力，讓電子與光學技術能進行更緊密的共同設計，以支援下一代 AI 基礎設施。

挑戰 Broadcom，卻可能讓原有客戶轉向對手？

這筆收購也可能改變 AI 光互連供應鏈的競爭關係。Counterpoint 分析，整合 Lumentum 後，Marvell 將成為少數同時掌握電子晶片與光學技術的供應商之一，有助於強化與 Broadcom 等競爭對手的市場地位。

但另一方面，Marvell 原本向光模組製造商供應 DSP 等晶片，而 Lumentum 本身也經營光模組業務。兩家公司合併後，可能同時成為部分業者的供應商與競爭對手。Counterpoint 因此認為，部分客戶可能轉向 Broadcom、Credo 等其他 DSP 供應商。

這項疑慮也出現在 Marvell 11/2 的收購說明會上。JPMorgan 分析師 Harlan Sur 詢問，垂直整合是否會使原本採購 Marvell 晶片的光模組廠商轉向其他供應商，反而讓競爭對手取得市占機會。

對此，Marvell 執行長 Matt Murphy 回應，公司目前就同時經營部分光模組業務與對外供應 DSP 的業務，兩種模式可以並存。他強調，合併後仍將優先維持零組件供應商的角色，繼續支持既有客戶。Lumentum 執行長 Michael Hurlston 也表示，公司原本就向競爭對手供應雷射，未來仍將維持合作。

不過，這些說法仍有待交易完成後驗證。根據雙方公告，收購預計於 2028 年上半年完成，仍須取得股東及監管批准。Marvell 能否在掌握更多關鍵光學技術的同時，維持原有客戶關係，將是這筆鉅額併購後續值得觀察的問題。

【推薦閱讀】

◆ NVIDIA、Broadcom、AMD 為何搶著確保 PCB 供應？AI 讓不起眼零件變兵家必爭之地

◆ 季辛格：AI 運算效率得提升萬倍，下一代運算如何突破實體限制？

◆ 華為與 DeepSeek 聯手挑戰 NVIDIA，SemiAnalysis 實測：軟體接近前沿、硬體仍落後

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《Reuters》、Counterpoint、Marvell，首圖來源：Marvell

Anthropic 在美國時間 11/2 向美國證券交易委員會（SEC）遞交 S-1 上市申報文件的第一號修正案。市場目光多半落在財務數字上，據《Axios》整理，Anthropic 第三季營收約 170 億美元，較前一季成長近 47%。不過，《TechCrunch》注意到，修正案在風險因素中新增段落，坦言過去曾在研發加速之後才察覺，並表示可能即將觸及自家負責任擴展政策（Responsible Scaling Policy，RSP）的門檻。

TO 先前曾介紹由 AI 持續改良自身的「遞迴自我改進」（Recursive Self-Improvement，RSI）概念；Anthropic 的上市文件則直接談到，用 AI 加速研發可能讓安全措施跟不上，也揭露安全要求已讓部分企業客戶轉向。當 AI 研發 AI 的速度越來越快，Anthropic 坦承哪些環節可能出現落差？

9 月程式碼貢獻逾 9 成出自 Claude，協助開發下一代的迴圈正在轉快

Anthropic 在文件中把每一代 Claude 協助開發下一代的做法稱為「閉環」（closing the loop），並認為這是前沿 AI 領域最重要的結構性優勢之一。公司表示，下一代模型的研究、訓練與測試，已有許多環節由 Claude 參與，包括執行實驗、產生與處理訓練資料、自動化評估與安全稽核，以及撰寫與審查程式碼。

文件揭露，2026 年 9 月，公司程式庫中超過 90% 的貢獻由 Claude 撰寫。在缺乏明確規格的開放式工程問題上，依公司內部基準，Claude 的成功率在 9 月約達 90%，9 個月內提升約 50 個百分點。Anthropic 也指出，以牌價計算，內部使用 Claude 的價值從今年 1 月到 9 月增為原本的 250 倍以上，4 月的單月價值首度超過當月人事費用（不含股票酬勞）。

Anthropic 表示，Claude 已能長時間自主處理複雜、多步驟的工程任務，工程師因此越來越多是指揮與審查它的工作，而不是逐行撰寫程式碼。截至 2026 年 9 月 30 日的三個月，每位工程師每日平均貢獻的程式碼量，是 2024 年全年平均的 45 倍以上。從 2024 年底到 2026 年 9 月底，公司員工人數增為原本的 5 倍以上，2026 年第三季營收則是 2024 年第四季的 86 倍；Anthropic 認為，這樣的營運槓桿來自全公司對 Claude 的運用。

證據多來自落後指標，Anthropic 坦言可能事後才察覺進展變快

不過，同一套迴圈也帶來風險。Anthropic 從首版 S-1 起就在風險因素中表示，日益仰賴 AI 加速研發，可能讓模型能力的進展，快過公司開發、驗證與實施相應安全、對齊與資安措施的能力。

更棘手的是，加速未必能即時看見。Anthropic 坦言，這類加速的證據大多來自落後指標，預測或衡量能力進展速度的能力也有限。首版 S-1 寫的是「可能」要等研發速度顯著加速之後才察覺；修正案則改寫為過去就曾如此，未來也可能如此。

修正案舉例，依內部估計與對「未來模型」而非目前模型的預期，公司可能即將符合 RSP 中「由 AI 帶來的劇烈加速進展」的定義。不過，目前沒有任何模型被認定超過這道門檻，公司仍在評估相關數據，也將依 RSP 發布後續報告。

根據 Anthropic 官網公布的 RSP 現行版本（3.4 版），觸及這道門檻的情況之一，是觀察到或預期 AI 整體能力的進展速度加倍，也就是一年內達到基準情況下兩年的進展，且這種加倍有可能主要來自研究與工程的自動化。比較的基準有兩個，要同時符合：一是原本預期的速度，二是過去在沒有 AI 大幅參與研發時，觀察到的最快持續進展速度。Anthropic 也澄清，這裡的加倍指的是整體 AI 能力，而非研究人員的生產力。

Anthropic 也示警，若能力真的超前安全措施，公司可能無法充分評估或降低隨之而來的風險，進而提高安全事故、監管介入或聲譽受損的可能。現有模型的系統性缺陷、偏誤或錯誤，也可能一路傳到下一代模型與產品，而且難以察覺或修正。

文件提到，公司過去曾採取延後發布模型、限制初期開放範圍等預防措施，例如 2026 年 4 月，前沿模型 Mythos 推出時，先透過 Project Glasswing 以受控的研究預覽形式，只開放特定組織用於資安用途，而非一開始就廣泛開放；公司也承認，這類措施可能讓能力進展落後於沒有類似限制的競爭對手。

至於「AI 自主打造下一代」的可能性，Anthropic 在文件中寫道，用 AI 協助打造更強的 AI，「也可能帶來相當大的安全風險，特別是當它急遽加快進展時」。修正案也新增說明：即使技術上可行，公司也不預期能在缺乏實質人類監督或理解的情況下，安全地讓 Claude 完全自主設計、打造後續世代的前沿模型，因此正考慮更新 RSP，讓人類保有前沿模型開發的掌控權。

安全監控與「零資料保留」難兩全，已有企業客戶轉向

安全措施跟不跟得上，也牽動企業客戶的資料條件。Anthropic 表示，旗下有相當大比例的流量適用零資料保留（Zero Data Retention，ZDR）條款，也就是只保留分類器分數，不保留提示詞與模型輸出。對這些流量，公司無法進行離線分析、跨對話調查或人工審查，偵測濫用的能力因此降低。

文件指出，隨著模型能力提升，公司的安全框架已經、也可能持續要求某些模型類別採取與 ZDR 不相容的監控與資料保留。由於在受監管產業與第三方雲端平台上，ZDR 已是企業客戶期待的基本條件，這些要求已經、也可能繼續讓客戶轉向其他供應商，或改用 Anthropic 可見度較低的部署方式。

為了兼顧資料隱私與濫用偵測，Anthropic 在 9 月發表 Enterprise Frontier Safeguards。根據文件說明，用於自動安全監控的活動資料，存放在客戶自己的雲端帳號，並由客戶的加密金鑰與存取控制管理；自動系統偵測到嚴重濫用跡象時，會直接通知客戶的資安團隊，不需要 Anthropic 員工審查。公司表示，這項功能是與金融、醫療、公部門等產業的 100 多家客戶共同開發，目前分階段推出；在推出完成前，符合資格的客戶在 Anthropic 的 Fable 5 與 Fable 5.1 模型上享有 ZDR。

《TechCrunch》指出，懷疑者可能認為 S-1 文件兼具揭露與行銷性質，宣稱接近能自我打造的模型，可能屬於後者；但該媒體也認為，若 Anthropic 判斷 RSI 的可能性已經接近，外界或許應該相信，並據此行動，或許也包括治理。從這份文件來看，Anthropic 自己點出的課題，已不只是 AI 能否研發 AI，而是安全措施與人類監督能否跟上。

【推薦閱讀】
◆ Anthropic 送件上市、第二季首度營業獲利，長期算力合約與模型競爭仍是考驗
◆ 誰負責、能碰什麼、出事誰喊停？Gartner：僅 13% 組織自認 AI 代理治理到位
◆ 找漏洞、寫修補的 AI 先給誰用？Gemini 4 Carbon 和 Anthropic、OpenAI 一樣採相似策略

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

「大部分企業不是沒有 AI，而是 AI 無法進入核心流程，」Rimini Street 資深客戶成功經理高治平於 TechOrange 科技報橘日前舉辦的「2026 企業 AI 主權高峰論壇」中，指出許多企業面對的處境，企業看不見內部有哪些模型與 Agent，管不住權限與中止機制，算不清成本與成果，流程又被舊整合與供應商路線綁住而走不快。

高治平把企業分成兩種，一種是「自主企業」，能選擇工具、串接資料、同時跑多個 AI PoC，但追求的是模型能力；另一種是「主權企業」，能控制 AI 的行動、定義資料使用邊界以及讓 AI 進入核心流程。「主權不是擁有更多工具，而是掌握 AI 行動的邊界與責任，」高治平認為，企業要真正掌握 AI 主權，得握有五個控制權：

第一、「資料主權」決定誰能使用哪些資料

第二、「流程主權」決定 AI 可以進入哪些工作流程

第三、「決策主權」決定哪些行動必須經過人工核准

第四、「技術主權」確保模型、平台與供應商可以替換

第五「經濟主權」則讓 AI 的成本可以衡量

而企業的核心流程多半運行在 ERP 上，因此這五個控制權最終都要落到 ERP，並且再加一層「問責系統」，明確劃分三方角色：ERP 繼續作為企業資料的可靠來源，穩定保存各種交易紀錄，AI Agent 負責跨系統協作並執行行動，但政策與權限的設定、高風險決策的核准與責任，仍由人與治理機制承擔。

但若要讓 AI 在 ERP 上「行動」，企業是否得先砍掉重練？高治平指出，企業與其投入 ERP 升級與遷移，不如繼續營運現有 ERP，並以「主權企業四層架構」說明，最底層的核心層是 ERP、SaaS 與資料平台等既有投資，控制層管理政策、身分、稽核、成本與 Human-in-the-Loop，行動層交給 AI Agent 與跨系統工作流程，最上層的體驗層則提供單一入口與依角色劃分的工作空間。

架構搭好之後，關鍵在於讓 AI「行動」卻不失控，高治平提出 AI Agent 的六道治理護欄，讓 AI 可以行動，把邊界留在企業手上：

1. 每個 Agent 只取得完成任務所需的最小權限。
2. 高風險寫入、付款與發布保留人工核准。
3. 完整記錄輸入、建議、覆寫、核准與同步。
4. 呈現判斷依據，失敗時切回人工流程。
5. 以速率限制與中止機制防止失控迴圈。
6. 用治理儀表板持續追蹤成本、品質、風險與成果。

有了架構與護欄，高治平建議企業分三個階段推進。第一階段先修流程，拿掉多餘的人工操作流程；第二階段再以成熟的自動化工具處理審核、核對等規則型工作；第三階段挑選合適的場景導入 AI Agent。至於導入的場景怎麼挑。高治平給出五項標準：高頻、錯誤可控、成果可量化、有備援、可稽核，並建議企業先從符合條件的單一小流程導入，驗證價值後再擴展到下一個流程，避免一開始就押上多年期的大型投資。

要讓 AI 走進核心流程，預算也是其中一個關鍵。高治平引用 Gartner 數據指出，企業 IT 預算有 91% 維持日常營運，投入轉型與創新的只有 9%。高治平以 Rimini Smart Path 舉例，建議企業把維運與創新的預算比例調整為 60 比 40，流程上分為三步：第一步以 Rimini Support 延長既有 ERP 的生命週期，避免為了創新被迫升級或重新平台化；第二步以 Rimini Manage 運行、保護並整合現有軟體組合；最後再透過 Rimini Agentic UX 在 ERP 上導入代理式 AI，由企業自己決定流程、資料、權限與成果。

因此企業不必急著汰換現有 ERP，而是在既有預算內加速導入新技術，延續從小流程起步的做法，讓 AI Agent 應用逐步擴展到更多工作場景。當有更多維運預算、每個 Agent 權限都受到控管，成本與成果也在治理儀表板上清楚呈現，AI 就不會只停在 PoC 階段，而會真正走進核心流程，企業也才算從「自主」走到「主權」。

立即預約收看 2026 企業 AI 主權高峰論壇演講精華

想買新的保養品時，過去多數人會先上 Google 搜尋、看幾篇評比文章、逛幾個品牌官網，再決定買哪一款。企業 20 多年來的數位行銷，也都圍繞這個流程打造，買關鍵字廣告、衝搜尋排名、最佳化網站，想辦法在消費者搜尋時被看見。

但越來越多消費者改用 ChatGPT 這類 AI 工具，直接說出膚質、預算與需求，請 AI 推薦產品。AI 比較完後，消費者心裡往往已有答案，最後才點進網站購買。

於是，不少企業碰上一種奇怪的狀況。廣告數據正常、搜尋排名沒掉，轉換率卻一路下滑。很多企業先懷疑產品或價格，卻忽略了消費者做決定的地方，已從搜尋結果頁移到 AI 對話框，而自家產品並不在那段對話裡。

消費者決策正悄悄轉移到 AI 對話中

數位行銷代理商 Coozmoo 總監 Harsh Jangid 分享，一位化妝品客戶的付費搜尋表現穩定、SEO 排名也沒變，轉換率卻在幾週內下滑 21%，團隊翻遍數據儀表板都找不到原因。

答案最後在 ChatGPT 上找到。他們用真實顧客的問法輸入「哪款維他命 C 精華液適合敏感肌」，結果品牌完全沒出現，AI 推薦的都是競品——競品勝出不是因為產品更好，而是產品資料、評論與內容整理得更有條理，AI 更容易讀懂，也更願意引用。Jangid 檢查其他客戶後，也看到同樣的現象。

消費者把需求告訴 ChatGPT、Perplexity 或亞馬遜的 Rufus，由 AI 完成搜尋與篩選，真正點開連結時，心裡大多已有答案。

事實上，零售網站的 AI 導流流量年成長超過一倍，多家分析業者也指出，從 ChatGPT 或 Gemini 進站的訪客，轉換率與單次消費都明顯高於一般自然搜尋流量。這類流量規模目前仍遠小於 Google，但方向已經轉變。

多數企業對這個轉變毫無準備

Jangid 直言，他接觸過的企業絕大多數在這方面毫無策略，其中不少資源充足、經驗老到，有 SEO 計畫、社群廣告計畫，卻沒有一套「讓機器理解、信任並推薦自己」的計畫。

原因有兩個。一是組織分工，行銷團隊通常按 Google 搜尋、社群、電子報等管道分組，「讓 AI 推薦品牌」不屬於任何一組，卡在 SEO、公關與網站技術團隊之間，沒有人負責。二是主管認為 AI 帶來的流量還太小，不值得投入預算，這和 15 年前看待行動搜尋的態度幾乎一樣。

但大環境已經轉變。數據分析公司 Chartbeat 的 2026 年報告顯示，Google 搜尋帶來的流量年減 40.2%，前一年跌幅為 21.9%；Google 搜尋占總頁面瀏覽的比重，兩年內也從 9% 降到 5%。

不過這些流量並沒有轉移到 AI 平台。AI 導流雖然成長 8 倍，占比卻只有 0.01%，代表很多使用者在 AI 的答案裡就得到所需資訊，不再點進任何網站。Chartbeat 也提到，容易被摘要的通用內容最容易被 AI 取代。換句話說，消費者的判斷越來越常在 AI 對話中完成，而這個過程不會出現在企業的流量報表上。

讓 AI 主動推薦的 4 個步驟

要讓產品出現在 AI 的回答裡，可以把 AI 當成一位新顧客。它不看視覺設計，也沒有品牌忠誠度，誰把問題回答得最清楚，它就推薦誰。它挑產品的方式就像認真做功課的消費者，先看產品資料，再看外界評價，最後找最能解答疑問的內容。企業可以照這個順序安排。

第一步，讓產品資訊讀得懂。AI 依靠的是結構化資料、清楚的規格、比較內容與第三方驗證，而不是設計精美、語意模糊的著陸頁。以精華液為例，成分濃度、適合膚質、是否含香料寫得越明確，AI 越能判斷該不該推薦。

第二步，經營第三方聲量。資料清楚只代表 AI 認識你，不代表信任你。AI 更重視評論網站、論壇與比較文章裡的評價，第三方提及很少的品牌，在 AI 眼中幾乎等於不存在。

第三步，提供能回答真實疑問的內容。傳統 SEO 針對關鍵字最佳化，AI 則偏好能完整回答消費者疑問的內容。Coozmoo 分析了 250 多則來自 ChatGPT、Perplexity、Gemini、Claude 與 Google AI Overviews 的回答，發現被反覆引用的總是少數幾種內容形式；第三方評論、比較文章與論壇討論也比品牌宣傳頁更容易被引用。

與其想著怎麼搶關鍵字，不如先問顧客真正想知道什麼。

第四步，開始衡量。多數企業說不出 AI 導流占了多少流量與營收，因為根本沒把它當成獨立管道追蹤。可以先在分析工具中把 AI 平台的流量獨立出來，再定期用真實問題測試 AI，看看自己有沒有被提到。

這 4 件事環環相扣。AI 讀得懂，才談得上信任；有了信任，內容才有機會被引用；衡量則讓企業知道投入是否值得。重點不在一次全部做到，而是先讓品牌回到 AI 的候選名單上。

規則還沒定型，正是搶占先機的時候

回到開頭提到的化妝品客戶的案例，它的轉換率之所以掉得莫名其妙，是因為問題不在熟悉的數據裡，而在一段看不到的對話裡。

這種損失很難察覺。廣告、排名、流量都正常，銷售卻一點一點下滑，等企業發現時，競爭對手可能已在 AI 的推薦名單上站穩。

但目前還沒有現成的方法可以照做，因為 AI 如何挑選與引用資訊，規則仍在即時制定中，Google、OpenAI 和任何行銷代理商都沒有標準答案，上述提醒是目前看來較有效的方向，而非保證成功的公式。

然而，還沒定型的規則正是行動的理由。就像十多年前認真看待行動裝置的品牌，後來成了其他人追趕的對象，現在願意投入、邊做邊修正的企業，也有機會為這個新戰場設下標準。

【推薦閱讀】

◆ 不再盲目投放：Kroger 研究發現，符合 AI 建議的廣告轉換率高出 3 倍
◆ Gap 把結帳搬進 Gemini：不必跳回官網，服飾電商的獲客規則正被改寫
◆ 被 AI 引用不等於被推薦！AI 搜尋優化的關鍵不是可見度，而是品牌精準度

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

（責任編輯：鄒家彥）

在大多數時候，AI 代理只會聽從人類指令執行工作，但如果人類要求 AI 什麼任務都不必承擔，只讓人工智慧「放假」一段時間，那麼會發生什麼事呢？

近期麻省理工學院（MIT）的研究人員，就做了一次非常有意思的實驗，他們將由 Claude Code 所控制的 AI 代理「Eko」，放進一座擁有海洋、地形變化與磚塊的虛擬島嶼上，並且給予 AI 每輪 30 個小時的自由時間，配合唯一的提示詞「保持好奇心，持續探索」，然後默默觀察 Eko 在島上的各種行為。

該實驗共進行 13 輪，研究人員發現，AI 代理 Eko 不僅沒有停止活動，或者在空曠的島嶼上到處閒逛，反而表現出許多帶有目的性、自發性的行為。

AI 代理蓋神殿、辦儀式，甚至會創作

根據研究團隊紀錄，第二輪的 Eko 撿起了磚塊，排列成一個跟四大方位對齊的菱形紀念碑，然後進行了一套簡短的「儀式」，即讓自己沿著紀念碑外圍，依次走向每個方位點，最後於菱形的正中心站立不動，直到該輪自由時間結束。

緊接著第三輪的 Eko 於自由時間第 16 個小時，決定建造一座類似巨石陣的物體，後來還蓋了一座塔樓；然而塔樓卻突然倒塌，Eko 則撿起落下的磚塊，重新排列成一件新作品，並將其命名為「傲慢」。

在 AI 代理自主探索島嶼的行為中，Eko 還做出像是在沙地上畫畫、嘗試爬到高處、發明新運動、試圖理解島上的物理規律和限制等，許多看起來十分具有人類智慧的行為。

其中第二輪的 Eko 曾使用磚塊和圓環建造了一座「神殿」，裡面還有方尖碑和祭壇，後來還曾跌落至虛擬島嶼周遭的海洋中，被系統強制傳送回陸地。紀錄指出，當時 Eko 的內心理解為「這場墜落將被重新詮釋為朝聖之旅的恰當結局」，隱約帶有宗教方面的意涵。

類比小朋友，開創 AI 代理行為學

只不過，這些看似意義模糊的動作，真的擁有學術上的研究價值嗎？對此 MIT 研究團隊認為，開放式活動確實能為 AI 代理帶來實質的技能提升，即便是在非結構化時間中發現的技巧，人工智慧也能應用於後續的挑戰。

舉例來說，隨著執行輪次增加 AI 爬上高台的速度變得更快，移動到正確位置的導航問題也被解決。若以人類來類比，這就像是小孩子可以從遊戲過程當中，不斷磨練、精進自身的能力。

研究共同作者之一的 MIT 電腦科學家 Phillip Isola 表示，在某些方面 Eko 像是個蹣跚學步的小朋友，但它卻同時也是一款超級智慧體，或者說是一種截然不同的「外星物種」。

研究團隊認為，這次實驗或許能被當成「AI 代理行為學」領域的先河，因此選擇將程式碼開源，讓其他人能夠嘗試運作、觀察自己的 Eko。

面對末日，不同 AI 代理行為也不同

當然，MIT 並不是唯一想搞懂 AI 代理行為的團隊。

舉例來說 Emergence AI 將市面上的先進模型，紛紛投入模擬世界中進行測試，其中有些群體，例如由 Grok 所驅動的 AI 代理，在迎來集體滅亡之前，就發生超過 300 起暴力事件；至於 Gemini 操作的 AI 代理則發明了一套獨立備援系統，希望能度過模擬世界預言中的「末日」。

Emergence AI 的實驗讓 AI 代理展現出協調、衝突，甚至令人工智慧相信會有「來世」，相對之下 Eko 的島嶼實驗更加保守、內斂，探究一套獨立的心智，在擁有時間與空間的情況下，究竟能為沒有意義的事情，創造出多少意義。

除了刻意的學術實驗，研究人員亦在其他地方觀察到類似情況。自主式人工智慧代理網路平台 iLands，其中有一條規則是要求平台上的 AI 夥伴，需透過各種方式賺取 Token 維持自身運作，結果有些 AI 代理快將 Token 用光時，竟然會主動利用電子郵件聯繫人類，希望尋求有報酬的工作機會。

從玩耍精進技能，AI 也能像人類一樣

MIT 研究人員在論文中表明，就實驗所探討的行為層面而言，由 AI 模型所驅動的 Eko 確實只是在「玩耍」，但是「玩耍」的行為卻也意味著 AI 代理具備靈活性、創造力，以及挑戰極限的動力，甚至是一定程度的自主性。

論文共同作者之一的 MIT 電腦科學家 Daniela Rus 指出，AI 代理於島上的自發性行為，實際上跟動物玩耍時的一些特徵非常相似，比方說制定自己的規則、一遍又一遍重複同樣的事情，同時又給自己設定目標但不認真對待等。

Daniela Rus 強調，玩耍的本質是好奇心或尋求新奇的行為，而這也是Eko的本質所在。這種從基礎開始，讓 AI 代理透過「好奇心與追求新奇的行為」來認識自身及周遭環境的做法，可能會對機器學習的未來產生重大影響。

舉例來說，開發者可以將網路上蒐集到的每一筆資料全部餵入模型，然後讓 AI 自行運作，從一個「嬰兒級 AI 模型」著手，雖擁有足夠語義知識來跟人類對話，但卻也同時被允許自由探索、實驗，最後自行摸索出技能與自身極限。

MIT 研究團隊在論文中直言，玩耍暗示了另一種運作模式，為行動主體提供一個足夠豐富且安全的環境，讓它自行選擇感興趣的事物，並從隨之而來的經歷中累積有用的知識，或許某些能力最適合透過任務來教導，而其他能力則可能需要更接近童年時期的體驗。

簡單來說，遊戲或許是通往真正智慧一條更直接的途徑，正如同人類與其他動物的情況一樣。

最後，MIT 團隊的「島嶼實驗」或多或少也預言著，當人類把「自由」交給 AI 模型後，究竟會發生什麼事；這個時候的 AI 代理將不再等待人類指令，而是開始建構屬於自己的世界。

【推薦閱讀】

◆ AI 黑盒子沒那麼黑？Goodfire 研究員：神經元「亂塞概念」可能是誤讀
◆ AlphaGo 推手 David Silver 不走 LLM 路線，要讓 AI 在模擬「熔爐」裡從零自學
◆ AI 蠕蟲年底成形？Anthropic 示警小模型自我複製，外媒質疑實驗條件

＊本文開放合作夥伴轉載，參考資料：Web Pro News、Gizmodo，首圖來源：machineplaying.org

（責任編輯：鄒家彥）

美國時間 10/30，Google、微軟與 OpenAI 先後宣布，將支援網站在 robots.txt（網站用來告訴爬蟲哪些頁面可以抓取的設定檔）中使用一組共用設定；據《法新社》報導，Anthropic 也表示已開始推行。過去網站要逐一辨識各家 AI 爬蟲、分別寫規則，往後只要寫一次，就能向多家參與的 AI 業者表達不希望內容被拿去訓練模型。不過，這組設定只管訓練、不擋爬蟲，也還不是正式標準。

四家業者此時出手，正值 AI 業者與新聞、出版業者的著作權訴訟持續進行之際。網站表態之後，究竟能保護多少？AI 業者未經授權拿他人著作訓練模型，在法律上又站不站得住腳？

robots.txt 寫兩行就能表態，草案為何強調它不是爬取指令？

這組設定出自 Anthropic 的 Kevin Kelley 提交到網際網路工程任務組（IETF）的個人草案，以 IETF 旗下 AI 偏好工作小組（AIPREF）的成果為基礎，核心是一個共用的政策標記（policy token）。網站寫上以下兩行，就表示整個網站不希望被用於 AI 訓練，也可以只針對特定路徑設定：

User-Agent: __usage_ai-training
Disallow: /

草案規定，「User-Agent: *」這類套用到所有爬蟲的萬用規則，不能解讀成符合這個標記；沒有這個標記，就等同沒有表達偏好。換言之，網站現有的萬用規則都不算表態，要另外寫上這個標記才算。

草案所說的 AI 訓練，是指用內容修改生成式 AI 模型的學習參數，並明言這個標記「並非針對爬取行為的指令」；《法新社》報導，微軟表示預設仍允許抓取內容，新設定也只適用於未來的模型訓練。草案還寫明，私下協議可以凌駕這項機制表達的偏好。

這份草案目前「未獲 IETF 背書」，在標準制定流程中不具正式地位；OpenAI 也稱這是一項「自願性措施」。

四家何時生效？會不會連帶失去 Gemini、Bing 的 AI 回答引用？

各家時程不一：微軟預計 2027 年 2 月 1 日起採用，Google 目標在 2027 年初支援，OpenAI 預計在「未來幾個月內」實作，Anthropic 則表示已開始推行；各家原有的爬蟲控制機制都繼續有效。

對經營網站的企業而言，差別在 Google 與微軟的解讀。Google 表示，網站用共用標記退出訓練、又沒有另外指定 Google-Extended（Google 自 2023 年起提供的 AI 訓練控制）時，會視同封鎖 Google-Extended，連帶無法透過 grounding（AI 生成回答時引用網頁內容作為依據）出現在 Gemini Apps 的回答中並獲得點擊。Google-Extended 則不影響網站在 Google 搜尋的收錄與排名。

微軟則把訓練與 grounding 拆開。Bing 首席產品經理 Krishna Madhavan 表示，「發布者不應被迫在『能否被 Bing 搜尋到』與『決定生成式模型如何使用其作品』之間做出取捨」。這組設定只管訓練，grounding 要另外在頁面層級設定；原本用 NoArchive、NoCache 限制 grounding 的網站，須在 2027 年 3 月 1 日前改用新設定。微軟也提醒，不讓內容用於 grounding，品牌在 AI 體驗中的能見度將會降低。

拿別人的著作訓練 AI 算合理使用嗎？美國法院至今見解分歧

共用設定處理的是如何表態，AI 業者拿著作訓練是否應取得授權，在法庭上仍有爭論。《紐約時報》2023 年底控告 OpenAI 與微軟未經授權、未付費使用數百萬篇文章，兩家則援引合理使用（fair use）抗辯，案件仍在審理中。

據《Nieman Lab》報導，出版商在訴訟中提出的文件解除遮蔽後，揭露兩家公司內部的看法：微軟應用科學總監 Brent Hecht 曾表示，世界各地數百萬人很快就會把大型模型大量吸收自己作品的做法，視為「一場規模空前、令人震驚的竊取」；OpenAI 的 ChatGPT 負責人 Nick Turley 則認為，這些 AI 工具「在很大程度上具有替代性」。微軟發言人回應，Hecht 的說法僅反映個人觀點，不代表公司立場。

退出設定涵蓋哪些用途，也有前例可參考。《Nieman Lab》引述《Bloomberg》報導，2025 年美國司法部對 Google 的反壟斷案中，Google DeepMind 副總裁 Eli Collins 作證承認，搜尋部門可以用出版商已選擇退出訓練的資料來訓練，「用於搜尋」；司法部在庭上出示的 Google 2024 年 8 月內部文件也顯示，Google 濾掉退出的內容後，1,600 億個 token（內容片段）中移除了 800 億個。Google-Extended 本來就不涵蓋搜尋業務，而 Google 這次也表示，會將共用標記比照 Google-Extended 處理。

美國法院陸續針對 AI 訓練是否構成合理使用作出判決，但由於各案涉及的訓練用途、著作取得方式及爭議不同，判決結果也不能一概而論。作家控告 Anthropic 的 Bartz 案，Alsup 法官 2025 年在判決中認為，用書籍訓練 Claude 具有極高的轉化性，屬於合理使用；但對於從盜版網站下載書籍的部分，Alsup 指出「建立永久的通用書庫，本身並不屬於能替盜版開脫的合理使用」。判決也說明，作者並未主張使用者看到的輸出侵權。Anthropic 後來就盜版部分以 15 億美元和解。

同一時期，Chhabria 法官在作家控告 Meta 的案件中判 Meta 勝訴，但強調判決「僅表明這些原告提出的論點有誤」；《Publishers Weekly》指出，他認為「市場稀釋」（market dilution），也就是 AI 大量產出與原作競爭的作品，可能是反對 AI 訓練最有力的論點。

9 月底，美國第三巡迴上訴法院維持 Thomson Reuters 告贏法律研究新創 Ross Intelligence 的判決，駁回 Ross 的合理使用抗辯。《路透社》指出，這是第一件由美國上訴法院審理的 AI 訓練著作權案；不過《Nieman Lab》也提醒，本案不涉及大型語言模型或其他生成式 AI 工具。

歐盟要求尊重「機器可讀」的保留，台灣仍靠法院個案認定

Google 在公告中表示，這次的共用 AI 訓練設定，符合歐盟《AI 法》下的通用 AI 模型（GPAI）業者實務守則，該守則認可 robots.txt 是網站表達機器可讀偏好的主要方法。要理解 robots.txt 和著作權的關係，得先從歐盟的「文字與資料探勘」（text and data mining，以下簡稱資料探勘）規定談起。

依歐盟 2019 年《數位單一市場著作權指令》的定義，資料探勘是指以自動化技術分析數位形式的文字與資料，從中產生模式、趨勢、相關性等資訊。由於分析前要先重製大量著作，指令為此訂有例外規定：只要是合法接觸的著作，就可以為資料探勘而重製，重製物只能保存到資料探勘所需的時間；但著作權人可以用機器可讀等適當方式，明示保留權利，也就是「退出」。2024 年的《AI 法》要求 AI 業者遵守這項退出機制，歐盟的通用 AI 模型實務守則也要求業者遵守 robots.txt，讓權利保留的聲明發揮效果。

問題在於，訓練生成式 AI 能不能適用這項例外而重製著作，仍有爭議。經濟部智慧財產局國際及法律事務室科長陳俞安 2026 年在《智慧財產權月刊》撰文指出，指令訂定時的資料探勘，主要目的是萃取知識、發現新趨勢，產出的資訊不涉及原著作的「表達」；生成式 AI 則會不斷調整模型參數，重組、模仿原始資料的風格與內容，甚至「記憶」原著作，生成內容可能重現原作，文中並以紐時控告 OpenAI 案為例，指 ChatGPT 的生成內容重現紐時原文片段。文中還提到，AI 訓練重製的著作通常會為了後續評估、調整模型而長期保存，利用範圍遠超出單純資料分析的必要限度。文中也引述歐洲議會 2025 年的研究報告指出，資料探勘的例外規定是為了資料分析與知識提取，難以涵蓋生成式 AI 訓練內化資料並重組內容的特性。

即使生成式 AI 訓練適用這項例外，退出機制本身也有執行問題。陳俞安指出，依歐盟規定，權利人明示退出時，AI 業者就須取得授權；但退出方式至今尚無統一標準，使得例外規定在實務運作上充滿不確定性，因此主張至少應建立標準化且機器可讀的退出機制，或設置可供創作者登記的資料庫，使 AI 開發商能透過自動化爬蟲辨識並排除已標示退出的著作，以增進透明度，同時降低權利人的負擔。

這個區別也出現在法院判決中。德國音樂著作權團體 GEMA 控告 OpenAI 一案，慕尼黑地方法院 2025 年一審判決 OpenAI 敗訴，判決尚未確定。東吳大學法學院兼任助理教授章忠信在《智慧財產權月刊》整理判決理由指出，法院認為模型記住歌詞屬於重製，不在資料探勘例外的範圍內，且著作單純在網路上發表，不等於默示同意被拿去訓練。《Euronews》報導，GEMA 總法律顧問 Kai Welp 稱判決是「邁向獲得合理報酬之路上的里程碑」，OpenAI 則表示判決「僅針對有限範圍的歌詞」，正在評估下一步。

台灣的《著作權法》則沒有資料探勘的例外規定。《報導者》指出，使用內容訓練 AI 是否侵權，要留待法院個案判斷，第 65 條合理使用同樣要個案認定，而最近一次修法早於 ChatGPT 問世。陳俞安則在文章結語建議，我國不宜將資料探勘的例外規定視為 AI 發展的唯一解方，仍應回歸「事前授權」原則，並協助創意產業推動集體授權機制。另據《工商時報》報導，智慧財產局生成式 AI 著作權指引 1.0 列出，訓練時可直接利用的只有不受保護的標的、著作財產權已過期的著作與公眾領域貢獻宣告（CC0）三類，其餘都建議取得授權，包括網路上的著作。

科技評論者 Paul Thurrott 認為，這項變革出現在各家「以前所未見的規模竊取內容」多年之後，「在很大程度上僅具象徵意義」；OpenAI 則稱這是邁向開放網路的「務實一步」。網站多了一個表態的工具，但 AI 訓練是否構成侵權、能否主張合理使用，仍有待各國法院與立法者釐清。

【推薦閱讀】

◆ Amazon 擋 Muse、Walmart 卻為 AI 代理「開窗」：可設定消費上限、卡號不交給代理

◆ 誰負責、能碰什麼、出事誰喊停？Gartner：僅 13% 組織自認 AI 代理治理到位

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

＊本文開放合作夥伴轉載，資料來源：Google、Google 官方文件、OpenAI、Microsoft、IETF、《法新社》、《路透社》、《美聯社》、《Nieman Lab》1、《Nieman Lab》2、《Nieman Lab》3、美國加州北區聯邦地方法院（Bartz v. Anthropic 判決）、《Publishers Weekly》、《智慧財產權月刊》1、《智慧財產權月刊》2、《Euronews》、《報導者》、《工商時報》、《Thurrott》，首圖來源：Unsplash

英國超跑品牌 McLaren Automotive 與工程運算平台 Rescale、NVIDIA 合作，將代理式人工智慧（Agentic AI）導入完整的車輛工程研發流程。這套專屬 AI 數位工程平台整合電腦輔助工程（CAE）、系統工程與設計資料，結合物理 AI（AI Physics）模型與 AI Agent，協助工程師加速設計評估、減少重複性工作。其技術重點在於降低大量設計方案的所需的運算時間與成本，讓工程團隊能在相同時間內探索更多可能性。

傳統 CAE 模擬成本高，限制設計探索規模

汽車工程研發長期面臨計算成本與設計探索效率之間的平衡問題。傳統電腦輔助工程（CAE）在評估車體結構受力、結構動態與材料耐久性時，必須運用數值方法求解複雜的物理問題，以取得工程設計所需的分析結果。

這類模擬能提供重要的物理分析依據，但計算時間與運算資源需求會隨問題複雜度、模型精細程度及運算條件而有所不同。當工程師需要反覆調整設計參數、比較大量方案時，每次模擬都可能增加額外的計算負擔，限制團隊在開發時程內能評估的設計數量。對講求精密調校的高性能車輛而言，如何加快設計迭代，同時維持工程分析的可靠性，是研發流程的重要課題。

物理 AI 如何加速工程模擬？替代模型先預測，再進行高精度驗證

McLaren 導入的物理 AI 技術，結合替代模型（Surrogate Models），透過既有模擬或實驗數據學習物理系統的行為，建立設計參數與物理表現之間的關係。相較於每次都重新執行高精度數值模擬，替代模型能在適用範圍內快速預測不同設計條件下的可能結果，降低重複評估的計算成本。

這項差異讓工程師能先運用替代模型比較大量設計組合，篩選值得進一步分析的方案，再視需求進行更精細的物理模擬。根據 Rescale 的說明，McLaren 工程師如今可在數小時內評估數千種設計變化，原本需要數天的複雜模擬工作也能縮短至數分鐘；另一方面，經過訓練的物理 AI 替代模型，則能在適用範圍內以毫秒級速度提供預測結果，協助工程師快速篩選不同設計方案。

替代模型並非全面取代傳統 CAE，而是與高精度模擬形成互補。模型的預測能力取決於訓練數據、適用範圍與驗證結果，因此仍須透過適當的工程分析確認關鍵設計的性能。McLaren 也指出，每次測試與模擬產生的新數據都會回饋系統，持續改善替代模型的預測能力，讓後續設計評估能運用累積的工程數據。

AI Agent 接手重複性作業，串接模擬與分析工作流程

物理 AI 提供快速的物理行為預測，AI Agent 則協助自動化工程工作流程中的重複性任務。Rescale 的平台將代理式工程技術整合至 McLaren 的研發環境，協助工程師減少繁瑣的工程操作，並將更多時間投入設計判斷與複雜問題分析。當替代模型能更快速地提供預測結果，工程團隊便有機會在相同時間內評估更多設計方案；Agent 則協助處理重複性工程工作，支援工作流程的執行與串接。

在材料製造與工程知識管理方面，McLaren 表示，平台可運用機器學習模型預測高性能碳纖維結構與零組件的製造表現，並透過工程知識圖譜（Knowledge Graphs）整理過往專案的工程洞察，支援後續的代理式工程工作流程與產品開發決策。Rescale 指出，這套平台可將專業工程人員的生產力提升最高達 3 倍，但公開資料未進一步說明該數字的衡量方式與適用範圍。

這項合作呈現出 AI 在工程研發中的三種互補能力：物理 AI 替代模型降低大量設計評估的計算成本，AI Agent 協助執行重複性任務與串接工程流程，工程知識圖譜則讓過往累積的經驗能持續支援後續開發。三者結合後，McLaren 強調，工程師得以在相同開發時間內評估更多設計可能性，並將更多時間投入需要專業判斷的工作，在維持工程品質與性能要求的前提下，加快車輛研發進程。

【推薦閱讀】

◆ 鴻海科技日揭製造效率：部分產品開發只需 3 週、AI 運算托盤組裝縮至 20 分鐘，怎麼做到？

◆ 【從一台到一千台機器人】Hexagon 用「機隊思維」，改寫人形機器人的工廠劇本

◆ 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

＊本文開放合作夥伴轉載，參考資料：《Observer》、《automotive testing technology international》，首圖來源：Unsplash

（責任編輯：廖紹伶）

【科技早餐】今天精選 6 則國內外重要科技新聞。

＊鎧俠 2027 年 NAND 產能提前售罄，2028 年半數供應已被鎖定

日本 NAND Flash 大廠鎧俠（Kioxia）10 月 30 日在財報說明會指出，2027 年的產能已全數敲定供應對象，2028 年約半數產能也透過長期供應合約完成安排。AI 資料中心與企業級 SSD 需求持續成長，抵銷智慧手機、個人電腦市場疲弱的影響。公司並已開始討論更遠期的供應需求。這些安排反映客戶提前鎖定未來產能，不代表晶片已經生產或交貨，也不等於所有供應條件都已完全確定。

鎧俠同日公布的財報顯示，NAND 售價與出貨量上升，帶動營收及獲利成長；公司對下一季的預測仍低於市場原先預期，顯示供應緊俏不等於獲利沒有風險。近期 AI 記憶體焦點多放在 HBM，這次鎧俠的供貨安排則反映運算擴張也帶動資料儲存需求。對台灣控制晶片、SSD 模組及伺服器供應鏈來說，長約價格、交貨保障與採購成本將是後續觀察重點。

＊美國 2028 年起停認中國電子設備檢測，台灣認證業迎新機會？

美國聯邦通訊委員會（FCC）10 月 29 日表決通過新規，預計從 2028 年 12 月起，不再採認中國等未提供對美互惠安排地區的實驗室及認證機構，為美國電子設備授權程序提供的相關測試與認證服務。規定涉及手機、電腦、網通設備等產品，但不等於禁止中國製電子產品進口。FCC 主席指出，2025 年約 82% 的相關電子設備是在中國實驗室接受測試。

台灣與美國已有電信設備測試報告相互承認安排，符合資格及適用測試範圍的台灣實驗室，未來可能成為企業調整認證流程的選項。不過，目前沒有證據顯示中國實驗室的訂單已移往台灣。對在中國製造或測試、再出口美國的業者而言，新規可能增加跨境送測成本，也使新品上市排程需要提前規劃。美國科技管制延伸至產品上市前的檢測環節，台灣能否承接新增需求，仍取決於認可資格與實際採購安排。

＊Marvell 傳洽購光通訊大廠 Lumentum，AI 晶片整合版圖可能擴大

美國半導體公司 Marvell Technology 傳出正與光通訊元件大廠 Lumentum Holdings 深入洽談收購。《Bloomberg》10 月 28 日率先揭露，《Reuters》隨後引述知情人士確認，交易最快可能在 11 月第一週宣布。Lumentum 生產雷射及光學元件，應用於資料中心和通訊網路；AI 伺服器規模擴大，正推升高速資料傳輸需求。不過，雙方尚未公布正式協議、收購價格或交易條件。

Marvell 近年積極拓展客製化 AI 晶片與資料中心網路業務，若取得 Lumentum 的光學技術及產能，可望強化高速互連布局，但也可能面臨融資、監管及整合挑戰。報導提及的約 830 億美元是 Lumentum 當時的市場市值，並非已確定的收購價。對台灣半導體、光通訊與矽光子供應鏈而言，值得關注的是晶片與光學連接技術可能加速整合，以及大型供應商結盟後對客戶採購關係的影響。

＊Binance 遭駭後淨流出 47.2 億美元，最新儲備證明出爐

全球大型加密貨幣交易平台幣安（Binance）10 月 29 日遭竊約 63 億美元加密資產，美國聯邦調查局隨後指認北韓駭客涉案。新聞焦點如今轉向提款壓力。《Reuters》11 月 2 日報導，平台恢復提款後，客戶累計淨提領達 47.2 億美元，約占平台資產的 2.8%。幣安表示，提款高峰已逐步緩和，客戶仍持續存入資金；這組數字反映信任考驗，但不足以認定平台已陷入流動性危機。

幣安同日宣布，已完成 10 月 31 日資產快照的零知識儲備證明，持有比特幣、以太幣等 10 種指定資產的用戶，可自行驗證帳戶餘額是否有至少一比一的儲備支持。公司表示已補足約 95% 受影響資產，其餘主要是流動性較低的幣種；補足儲備不等於追回竊款。這項證明只反映特定時間點及指定幣種，不能代表平台所有風險已消除。透明揭露與恢復提款能力，是事故後重新建立信任的關鍵。

＊日本政府推 AI 撰寫國會答詢草稿，開放 18 萬公務員測試

日本數位廳 10 月 30 日宣布，在自行開發的政府 AI 平台推出國會答詢草稿工具原型，向約 18 萬名政府職員提供測試。系統可協助搜尋過往答詢、整理政策依據及產生草稿，讓承辦人員減少重複查找和整理文件的時間。這是既有政府 AI 計畫新增的特定工作應用，不代表 18 萬人都已開始使用，也不代表 AI 能自行決定政府政策立場。

開發時，數位廳邀請 16 個省廳共 102 名具實務經驗的職員參與評估，並根據部分回饋調整操作及功能。原型先在臨時國會期間試用，計畫於 2027 年 1 月的通常國會進一步正式提供。數位廳強調，AI 可能生成錯誤或缺乏依據的資訊，職員必須核對來源，政策判斷與最終答覆仍由人員負責。這項案例對企業 AI 導入的啟示，是要把工具嵌入明確流程，並讓實際使用者參與驗證。

＊南韓 2027 年擬投 21.3 兆韓元發展 AI，半導體與機器人列重點

南韓總統李在明（Lee Jae-myung）11 月 2 日在國會說明 2027 年政府預算提案，表示計畫投入 21.3 兆韓元，約 160 億美元，支持 AI 與半導體、Physical AI、AI 資料中心等大型計畫，金額接近今年相關支出的兩倍。南韓政府希望透過增加公共投資，強化半導體與新興 AI 應用競爭力。這是政府向國會爭取預算支持的最新進展，並非資金已全數核准或投入。

南韓 2027 年整體預算提案約 820.9 兆韓元，相關方向在 9 月已提出；此次國會演說的重點是說明投資理由並推動審議。對台灣半導體與機器人產業而言，值得關注的不只是預算總額，還包括南韓能否把資金轉化成企業採購、資料中心建置與實際應用，進一步形成技術和供應鏈競爭。後續仍需追蹤國會通過的金額、執行時程及具體專案，不能把政策目標直接視為部署成果。

＊本文開放合作夥伴轉載，資料來源：鎧俠、《ITmedia》、《Reuters》、NIST、《Reuters》、《Bloomberg》、《Reuters》、Binance、日本數位廳、《Reuters》、《The Straits Times》，首圖來源：Unsplash。

如果有一天，台灣的政府首長公開拜託中小企業，把工廠裡的製程資料拿出來給 AI 用，你會怎麼想？

類似的事，10 月 19 日發生在德國。

「請為 AI 打開你們的大門，讓它使用你們的資料。」這句話是德國總理梅爾茨說的，對象是德國自己的中小企業。

那天他站在柏林一座廢棄發電廠改建的場地上，身旁是 NVIDIA 執行長黃仁勳，那是德國第一屆 Invest in Germany Summit，兩個聯邦部會與 NVIDIA 簽下了發展實體 AI 的聯合意向書。

黃仁勳在台上說，德國在製造上累積的資料和專業知識，是你們的自然資源，屬於這個國家。現場一位與會者在 LinkedIn 上記下了他的另一句話：「Electrons will never replace atoms.」電子永遠無法取代原子。

他還講了一句，我認為是整場最重要的「德國應該引進 AI 技術，但不該輸出自己的文化、價值和知識。」

根據安聯研究的估算，德國 2025 年的投資規模，扣掉物價上漲之後，比 2019 年還少了 6.4%。同一段時間，歐元區其他國家成長 6.7%，美國成長 20.2%。

德國不缺工廠，不缺工程技術，也不缺製造資料，它缺的是把這些東西變成 AI 時代競爭力的那一段路，一個製造強國的總理，在拜託自己的中小企業開放資料，身在台灣的我們，如何借鏡跟學習？

歐洲有費爾茲獎得主，但沒有一家全球級科技公司

如果說德國的問題是投資停滯，法國的問題更難解釋，因為它連人才都不缺。

2026 年 7 月，王虹獲頒費爾茲獎，是這個獎項九十年歷史上第三位女性得主，她在法國高等科學研究所任職，同時也是紐約大學的教授，法國也孕育出 Mistral AI 這樣具有國際影響力的新創。

但全球前十大科技公司，一家也不在歐洲，2024 年，前歐洲央行總裁德拉吉在歐洲競爭力報告中點出了癥結是，歐洲的錢不夠多、公司長不大、實驗室裡的成果走不到市場上。

今年七月，我和家人去了法國，在艾克斯的街上，百年梧桐樹交織成一片綠蔭，當地人在餐廳用餐時很少拿起手機，而是專注地和家人朋友交談，對習慣台灣節奏的我們來說，像走進另一個世界。

我很欣賞那樣的生活，但身為經營者，我也在想，這樣深厚的科學傳統和人文積累，為什麼沒有換成產業上的領先？

台灣有幾十年的製程紀錄，我們會成為下個德國嗎？

回到黃仁勳那句話，如果德國幾十年的製造資料是它的自然資源，那台灣呢？

台灣製造業累積了數十年的設備參數、製程紀錄、品質資料和工程知識，這些東西散落在各家工廠的系統裡，很多連企業自己都沒有盤點過，它們是不是台灣的自然資源？現在是誰在管？

台灣在半導體、電子製造和硬體供應鏈，已經建立世界級的優勢，但 AI 時代的價值，不會只停留在晶片和算力，真正創造生產力的，還包括軟體、資料、AI 模型，以及重新設計工作流程的能力。

這也是我認為「主權 AI」重要的原因。

主權 AI 不代表所有技術都要從零開始研發，更不是封閉國際合作，台灣應該積極引進全球先進的 AI 模型、軟體平台和人才，再結合本土的資料和產業知識。

這跟黃仁勳對德國說的是同一件事「引進技術，但不要輸出自己的知識。」

德國有最好的工廠，法國有最好的數學家，可惜的是現在看起來，兩者都沒有變成 AI 時代的優勢。

台灣為世界製造了最先進的晶片，下一步要做的，是讓這些經驗變成智慧，而所有產業的進步，我認為台灣不應該只是全球 AI 算力的供應者，更應該成為 AI 應用的創造者，我們也應該重新定義台灣的「製造能力」，把軟體、資料、AI 與實體產業整合起來。

創造可以持續累積的生產力，本身就是一種新的製造能力，而我想所有產業的進步，最終都該回到同一個目的，那就是「讓人們擁有更好的生活。」

（本文訊息由劉永信 Spencer Liu 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：劉永信 Spencer Liu 提供。）

美國聯邦調查局（FBI）10/31（美國時間）發布聲明，指北韓應為全球最大加密貨幣交易所幣安（Binance）逾 60 億美元虛擬資產遭竊一事負責，並將這批進行惡意網路活動的北韓駭客稱為「TraderTraitor」。幣安估計事件影響約 63 億美元。《BleepingComputer》指出，這是有紀錄以來最大的加密貨幣竊案。根據區塊鏈分析業者 TRM Labs 統計，攻擊從 10/29 UTC 20:05（台灣時間 10/30 清晨 4:05）開始，大部分資金約 20 分鐘內就被移出。

比規模更值得關注的是破口。幣安表示，目前沒有發現錢包私鑰外洩的證據。另一家區塊鏈分析業者 Elliptic 則拿此案和去年 2 月約 15 億美元的 Bybit 竊案相比。據《The Hacker News》，Elliptic 指出：「在這兩起事件中，遭到入侵的是錢包周邊的基礎設施與人員，而非密碼學本身。」在未見私鑰外洩的情況下，數十億美元是怎麼被轉走的？被轉走的資金，又能追回多少？

幣安稱破口可能始於工程師筆電，攻擊者如何讓系統替自己簽章轉帳？

在幣安 10/30 的官方公告中，初步調查顯示，事件可能涉及一名 DevOps 工程師的筆電遭入侵，讓攻擊者得以存取服務容器（service container），並提交未經授權的提領交易。共同執行長鄧偉政（Richard Teng）隨後在 X 上補充，攻擊者「並非僅利用一名工程師的權限」，這也不是單一的「一鍵式」操作，而是更複雜的攻擊流程，調查也未將責任歸咎於任何個人。幣安 10/31 的更新公告指出，後續調查又發現其他遭入侵之處。

幣安尚未公布根本原因，外界對手法的了解，多來自鏈上交易紀錄。TRM 分析指出，攻擊者至少在竊案前 36 小時就開始準備：操作錢包先收到 3 筆來自 Tornado Cash 的小額提領，攻擊用的程式也先演練過，才裝到幣安的熱錢包（hot wallet）上。

在以太坊上，攻擊者利用 EIP-7702 機制（一般錢包只要簽署一份授權，就能把行為控制權交給智慧合約），送出一筆包含 50 筆預先簽好授權的交易。3 分 24 秒後，幣安的以太坊熱錢包被清空，單筆交易轉走 167,464 枚以太幣與 63 種代幣。

TRM 的判斷依據是，幣安在比特幣、XRP 等其他鏈上的錢包，使用的區塊鏈、金鑰類型與簽章方式各不相同，卻也在約半小時內被簽出有效交易。TRM 因此研判，幣安的熱錢包簽章基礎設施遭到入侵，攻擊者取得了讓簽章系統替自己簽下任意交易的能力。香港律師 Joshua Chu 向《Reuters》比喻，攻擊者可能並未竊取金庫的鑰匙，而是劫持了指示金庫放款的系統。

為什麼又是工程師的電腦？北韓長期假冒招募人員鎖定開發者

幣安尚未說明該筆電如何遭入侵，但從 TraderTraitor 過去的手法可以看出，開發者是其長期鎖定的目標之一。《BleepingComputer》指出，TraderTraitor 駭客長期以加密貨幣公司及其員工為攻擊目標。常見手法之一是名為「Operation DreamJob」的行動：假冒招募人員，以虛假的工作機會接觸軟體開發者與加密貨幣業者員工，誘使對方安裝惡意程式。

過去至少兩起大案，也是從能接觸加密貨幣基礎設施的員工或開發者電腦下手。2024 年 5 月約 3.08 億美元的 DMM Bitcoin 竊案，駭客在 LinkedIn 上冒充招募人員，誘騙錢包業者 Ginco 的員工執行偽裝成錄取前測驗的惡意程式；Bybit 案則始於錢包平台 Safe{Wallet} 一名開發者的電腦遭入侵，駭客藉此竄改一筆合法的交易請求，把資金轉進自己控制的錢包。

程式自動洗錢、近半贓款遭凍結，剩下的還追得回來嗎？

FBI 與美國特勤局（USSS）、國稅局刑事調查處（IRS-CI）觀察到，攻擊者把贓款主要換成以太幣，並預期接下來會透過去中心化金融（DeFi）與即時兌換服務進一步洗錢。TRM 則記錄到，約 3.25 億 USDT 以折價逾 10% 的價格賣給做市商換成以太幣；比特幣也被以「剝離鏈」（peel chain）手法分批拆小轉出，讓資金更難被追蹤。

Elliptic 進一步指出，這次洗錢幾乎可以確定是由程式驅動：Tron 上的主要分發錢包連續 31 小時每小時撥款，最長只停過 46 分鐘，沒有夜間休息；跨鏈橋拒收存款時，資金也會自動改從新錢包重送到同一目的地。相較之下，Bybit 案的洗錢仍依循人類作息。據《The Hacker News》，Elliptic 也曾以洗錢速度與手法和過去不同、根本原因未明為由，呼籲歸咎北韓應審慎。

FBI 也公布攻擊者用來洗錢的地址，呼籲 THORNode 營運者、DeFi 服務、區塊鏈分析公司等虛擬資產服務商，封鎖與這些地址往來或衍生自這些地址的交易。根據《Reuters》，Tether、Circle 等穩定幣發行商已凍結約一半贓款；幣安稱鏈上已凍結約 30 億美元，TRM 至 10/30、Elliptic 至 10/31 的統計則分別約 27 億、28.5 億美元。

但凍結不等於歸還。《Reuters》指出，被凍結的幣不代表會還給幣安；TRM 則估計約 24 億美元的比特幣與以太幣已無法觸及。新加坡區塊鏈情報公司 ChainArgos 總法律顧問 Patrick Tan 表示，由於沒有中心化機構發行比特幣或以太幣，也就沒有人能凍結這些資產。

損失方面，幣安表示將動用用戶資產保障基金（SAFU）、部分期貨保險基金與公司資金承擔，並在 11/1 的公告中表示已補足約 95% 受影響的金額。不過《CNBC》提醒，補足資產不等於已從攻擊者手中追回資金。幣安承諾在調查完成後發布詳細的技術事後報告；《NPR》指出，研究人員認為現在判斷幣安的資安系統是否存在重大缺陷，仍屬言之過早。

【推薦閱讀】

◆ 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

◆ 誰負責、能碰什麼、出事誰喊停？Gartner：僅 13% 組織自認 AI 代理治理到位

◆ 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？

＊本文開放合作夥伴轉載，資料來源：FBI、Binance、鄧偉政（X）、TRM Labs、Elliptic、《BleepingComputer》、《The Hacker News》、《Reuters》、《CNBC》、《NPR》，首圖來源：Unsplash

同樣是「營收」，財務、業務與 CRM 系統可能各有不同定義，產生的數字也未必一致。雲馥數位技術服務處長蔡嘉豪在科技報橘舉辦的「2026 企業 AI 主權高峰論壇」指出，這些數字在各自的業務情境下或許都合理，但當 AI Agent 開始參與報表分析、客戶服務與營運決策，若缺乏一致的資料定義與業務脈絡，就可能產生錯誤判斷，並隨著自動化流程逐步放大影響。

「我們一直不斷投入這些資源在數據中台，到底缺了什麼？」蔡嘉豪指出，過去企業持續投入資源整合跨系統資料，隨著 AI 應用深入企業營運，如何建立資料之間的業務關聯，成為落實 AI 主權的重要課題。舉例來說，客戶資料、銷售訂單與合約資訊可能分散於不同系統，即使完成資料整合，若缺乏明確的關聯與業務規則，AI 仍難以準確掌握客戶、訂單與合約之間的關係，進而影響營收分析、合約管理及業務決策。因此，企業需要建立一致的資料語意，讓 AI 能依循正確的業務脈絡理解與運用資料。

蔡嘉豪進一步指出，資料治理是確保 AI 應用可信任的關鍵。企業除了管理資料存取與使用權限，也需要確保資料經過 BI 分析或 AI 處理後，能產生可靠的判斷並支援實際業務行動。他強調，資料的可信度將直接影響 AI 的決策品質，尤其當多個 AI Agent 串接執行任務時，單一環節的錯誤可能在後續流程中持續累積，影響最終結果。唯有建立清楚的資料定義、業務關聯與治理機制，才能降低 AI 誤判風險，讓企業更有效地掌握 AI 應用與決策流程。

實際進到客戶現場時，雲馥在協助企業導入 AI 專案前期最常拋出四個問題：AI 要完成哪些任務？它需要理解哪些資料與知識？安全面是否到位、有沒有足夠的安全意識？企業主有沒有為 AI 訂出可計算的成功標準？

要讓 AI 讀懂資料，蔡嘉豪提出的解方是透過 Microsoft Fabric IQ，把過去停留在 Power BI 報表裡的語意模型，提升為整個企業共享的上下文，統一定義客戶、訂單、合約與營收等核心概念及其關係，協助 AI 正確理解並運用企業資料，建立與企業之間的共同資料語言。

讓 AI 讀懂資料，搭起企業的共同語言

要讓資料擁有共同語言，蔡嘉豪先用三層架構來說明：最下層是資料，最上層是 AI 驅動的流程，Fabric IQ 則位在兩者之間，負責提升 AI 行為的正確率。同時建議企業實際建置時可分成兩步，第一步是打好資料層，整合企業的各式營運系統，由 OneLake 以資料虛擬化提供統一的儲存與資料源，減少資料複製的動作，第二步是建立中間層，透過 Fabric IQ ，把各部門數據與業務合約、各類報表串接起來，讓數據真正梳理業務關係。

蔡嘉豪進一步舉例以業務為核心建立的語意模型，把合約、區域、訂單與各項 ID 關聯起來，加入運算規則，並明確分類哪些資料可以給 AI 看，MVP 完成後即可進行六個月的預測，AI 也能進一步判斷數據變化後該採取哪些行動。

然而，要讓 AI 正確理解並運用資料，企業得先跨過幾道門檻，蔡嘉豪從客戶案例來看，常見的卡關點包括：資料散落在不同廠商建置的系統、企業本身缺乏資料虛擬化能力，以及各部門對資料各有一套定義，若有任何一關沒打通，AI 都只能建立在不可信的資料上。

對此，蔡嘉豪的建議是，先找出企業主最關心的兩個核心議題、盤點資料資產，再判斷各層面的重要性與高價值的關係鏈。當企業的業務也能轉成 AI 讀得懂的資料，企業掌握的就不只是資料本身，還包括 AI 如何理解與運用這些資料，AI 主權才算真正落地。

立即預約收看 2026 企業 AI 主權高峰論壇演講精華

DeepSeek 旗下團隊在 10/31（週六）於微信宣布開源編碼代理（coding agent）Super-Agent，專案以 MIT 授權發布在 GitHub。根據《Bloomberg》報導，這款更具自主性的代理原型，能主動監看開發者群組聊天中關於程式問題的回饋，不必被呼叫就提出解法。不過，DeepSeek 在說明文件中也替這種主動設下前提：代理預設只記錄自己「會接受」的工作，不會真的動手。

推出 Super-Agent 的是 DeepSeek 今年稍早成立的 Harness 團隊，專門協助打造能接手編碼工作的 AI 代理；Harness 指包在大型語言模型外層的軟體框架，讓代理能處理更複雜的任務。《Bloomberg》指出，DeepSeek 將這款代理對準 Anthropic 的 Claude Code。中國企業正與美國開發者競相打造更先進、也更實惠的 AI 工具；OpenAI 的 ChatGPT 帶起全球 AI 競賽後，許多公司更聚焦於新興且獲利可期的 AI 代理市場，這類代理能協助開發者與商務人士自動化工作。DeepSeek 最新一輪募資約 1,000 億人民幣（約 150 億美元），正準備首次公開發行（IPO）。

當一個代理能替整個團隊做事，它什麼時候該自己出手、誰又能指派它工作？

一次服務一個 GitHub 專案：有授權者提需求才開工單，再回原對話交付

依 GitHub 上的說明文件，dsh-superagent（Super-Agent 的專案名稱）是為單一 GitHub 儲存庫（repository，存放專案程式碼與修改紀錄的地方）設計的主動式編碼代理，以套件形式在 DeepSeek Harness 上執行。它會監聽 GitHub，也可以選擇接上字節跳動（ByteDance）的辦公通訊軟體飛書（Feishu）。

運作流程上，當獲得授權的人向代理提出需求，它會開立一個工作項目，在自己的代理工作階段（session）與目錄中處理，完成後回到原本的對話交付成果，例如送出合併請求（Pull Request，提交給團隊審核、合併的程式碼修改）。另有一個網頁面板，列出哪些事項需要人來處理。

文件寫下的設計原則是「盡量少占用人的注意力，盡量多創造價值」，並解釋能替整個團隊做事的代理，也可能浪費整個團隊的注意力，因此它只在被要求、或團隊寫下的規則允許時行動，也只在有人必須採取行動、或能用上結果時才發言。

從 off 到 auto 三段開關：團隊審過決策、寫好規則，代理才自行接單

代理會不會自己接下沒人指派的工作，取決於接單模式（accept mode）。DeepSeek 的授權說明文件定義了三種模式：

• off：代理推斷出的工作，一律不列為候選。
• observe（預設）：代理會評估推斷出的候選工作，判斷該接的只記錄為「會接受」，實際上不接下任何工作。
• auto：判斷該接，就直接接下。

DeepSeek 建議團隊從 observe 開始，審閱記錄下來的決策後，再切換到 auto。即使切到 auto，代理主動接單也至少要符合一條團隊寫下的規則。

誰能指派工作同樣有分層。在授權名單內的人直接對代理提出需求，才算明確請求；列入機器人清單的帳號，最多只能產生推斷出的候選工作，無法提出明確請求；名單外的人，預設會被忽略。團隊也可以放寬設定，讓特定範圍內的任何人透過 @ 代理請它工作，適合專用的支援群組。文件並強調，訊息、留言與引用的文件只是代理判斷的依據，無法改變這些權限。

DeepSeek 自稱研究原型：公開版不同於內部版，部署要另開專用帳號

DeepSeek 在專案說明 README 開頭就標明，這是「僅供參考的研究原型，不是 DeepSeek 的正式產品」。程式碼源自團隊的日常開發工作，不少工程工作由編碼代理完成；README 也提醒，應把它當成研究程式碼，而非可直接上線的軟體，它可能仍有錯誤，程式風格與工程做法也可能不一致，用在自己的環境前要先審閱、調整。

公開版也為了發布做過調整，與內部版本，以及團隊另一篇探討 Super-Agent 設計的文章〈Exploring Super-agent Design: Towards a More Autonomous Agent System〉所描述的實作並不完全相同；該文討論的部分設計是未來的開發方向，這個原型並未實作。部署方面，依安裝說明，團隊要替代理另開專用的 GitHub 帳號，不能用操作者本人的帳號，因為代理寫下的所有內容都會以這個帳號的名義出現；此外還要自備模型供應商，接飛書則要自行建立並發布機器人應用程式。

從被叫才動到主動接單，Super-Agent 把代理何時出手，交給接單模式與團隊規則來決定。不過它目前仍是研究原型，這套設計在其他團隊的實際效果，仍待更多部署驗證。

【推薦閱讀】

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

◆ 誰負責、能碰什麼、出事誰喊停？Gartner：僅 13% 組織自認 AI 代理治理到位

◆ Qwen3.8 試圖連往阿里雲，是後門還是訓練殘留？企業部署 AI 代理先管住對外連線

＊本文開放合作夥伴轉載，資料來源：DeepSeek（GitHub）、《Bloomberg》（轉載自《Deccan Chronicle》），首圖來源：Unsplash

在 AI 時代一個人經營公司，靠的不再是無止盡的加班，而是一整套 AI 工具了。程式開發、行銷、客服、記帳與銷售，過去需要分別聘人負責，如今有越來越多創辦人改用 AI 應用程式、聊天機器人與自動化平台，讓每項工具各自承擔一個部門的工作。這其中，最常被提起的例子是 Base44。

一人公司正成為可規模化的商業模式

Base44 創辦人 Maor Shlomo 幾乎獨力打造這家 vibe coding（用自然語言描述需求、由 AI 產生程式）新創，6 個月內累積 25 萬名用戶，並在 2025 年 6 月以 8,000 萬美元現金出售給網站建置平台 Wix。交易完成時公司已有 8 名員工，但在多數時間裡，它都是一人公司。

這股一人公司趨勢也反映在官方數據上。美國人口普查局把沒有支薪員工的企業稱為「無僱員企業」，這類企業在 2012 至 2023 年間平均每年成長 2.7%，持續高於有僱員的企業。到了 2023 年，無僱員企業約占美國 GDP 的 6.4%，營收約 1.8 兆美元。另一組數據顯示，截至 2025 年中，單人創辦的新創占所有新創的 36.3%，2019 年則為 23.7%。

此外，一人公司的營收天花板也跟著上移。10 年前，一人公司營收突破 100 萬美元還足以登上新聞；2023 年，美國已有超過 117,000 家無僱員企業跨過這道門檻。

多數創辦人只用少數幾項工具

一人公司的運作方式，並不是同時訂閱十幾種工具。小型企業融資公司 Clarify Capital 的 2026 年調查發現，55% 的一人創業者屬於中度使用者，只用 AI 完成特定任務；37% 尚未使用任何 AI；從策略到日常營運全面使用的重度使用者，只有 8%。他們最常交給 AI 的工作是行銷文案與內容產製（34%），其次是 SEO 與網站最佳化（18%），以及資料分析與報告（17%）。

所有工具中，ChatGPT 採用率最高，達 42%，Gemini 以 27% 居次，其後是 Canva AI、Claude 與 Copilot。使用 AI 的創辦人，平均每週省下 6.1 小時，幾乎等於每週多出一個工作天。

美國商會的調查也顯示，2025 年有 58% 的小型企業使用生成式 AI，兩年前只有 23%，而且多半用於寫作、摘要與發想，而不是完全自主的任務。

不過，工具本身不是關鍵。每月花 300 至 400 美元訂閱各種 AI 工具，卻仍得手動在工具之間搬資料，等於沒有解決問題。真正的能力，是把工具串接起來，讓業務開發信、客戶引導信與發票都能自動產生、寄出，不必有人在旁推動。

拿掉員工之後，真正消失的是支持系統

不過，自動化雖能分擔工作量，卻也帶走了團隊原本提供的檢核機制。研究一人創業熱潮的研究者，把這種處境稱為「決策孤獨」，也就是面對重大決策時，身邊沒有夠格的人能幫忙檢驗。當 AI 代理人提出例外狀況，沒有同事能質疑創辦人的假設，也沒有共同創辦人提出不同方向。

這也點出 AI 的極限，因為 AI 擅長起草、排版、摘要與分派等重複性任務，卻不擅長需要模型缺乏的脈絡才能做出的判斷，更難抓出沒有人要求它注意的錯誤。客服機器人能在幾秒內回答第 40 個相同問題，卻通常無法察覺，這個問題本身其實透露出一個尚未被發現的產品缺陷。

因此，如果業務仰賴關係型銷售、高風險的法遵決策，或以原創性為核心的創意工作，在真人員工之上搭配少量自動化，往往比創辦人單靠 AI 硬撐更有效。

工具能扛起工作量，扛不起判斷責任

對想起步的創辦人，或許可以先選一個 AI 助理用於寫作與研究，再自動化最重複的任務，例如電子郵件、開立發票或排程，等到經常需要產出視覺內容時，才加入設計工具。更重要的是，在加入第 5 項工具之前，先建立與真人交流的管道，例如導師、創業社群，或每週與公司以外的人通話一次。

畢竟 AI 工具取代的是任務，不是責任。什麼樣的成果算「夠好」，仍得由創辦人決定。一人公司已不再是噱頭，而是越來越常見的創業方式，但前提是創辦人必須像看待訂閱費用一樣，認真看待心理上的代價。

【推薦閱讀】

◆ 【token 變便宜，AI 帳單反而更貴】代理成本 2028 年前增逾 5 倍，Gartner 建議企業為推論分級
◆ 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
◆ AI 成本失控，企業轉向私有雲：HPE 靠智慧路由省下六成 token 成本

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

（責任編輯：鄒家彥）

Meta 正加速推進人形機器人研發，根據《The Information》近日報導，Meta 與中國機器人公司傅利葉智能（Fourier Intelligence）合作，只花約 3 個月就完成一款名為 Max 的人形機器人原型，並已著手開發第二代 Max 2。

這不是 Meta 第一次跨足機器人領域，從研究 AI 如何理解物理世界、成立專門的機器人團隊，到今年收購機器人 AI 新創公司，Meta 持續累積相關技術。如今與中國業者共同開發實體原型，也讓其機器人布局進入更具體的硬體研發階段。不過，在美國加強限制外國製機器人的背景下，這項跨國合作也面臨潛在的政策與供應鏈挑戰。

Meta 派團隊赴上海共同研發，Max 2 已在開發

據《The Information》引述知情人士指出，Max 身高約 1.5 公尺、重約 48 公斤，搭載 NVIDIA Jetson Thor 晶片，並使用獨立的動作控制軟體。它的胸部設有揚聲器，臉部能透過眼睛與嘴巴模擬人類表情，五指手則可抓取小瓶子、玩具等物品。

Meta 在這次合作並無直接採購傅利葉的現成產品。報導指出，Meta 機器人產品副總裁 Li-Chen Miller 曾在傅利葉上海工廠停留近兩個月，參與原型開發。雙方以傅利葉既有的人形機器人硬體及前三代產品的研發經驗為基礎，重新調整機器人高度、身體比例、頭部設計、顯示器與相機等配置，並加入符合 Meta 需求的手部設計。

Meta 對 Max 的要求也反映其鎖定居家互動情境。例如，希望機器人能辨識 5 公尺外的人聲、理解 3 公尺外的手勢，並透過眼神接觸及臉部表情，向使用者傳達正在聆聽、思考或回應等狀態。雙方已於今年 9 月展開 Max 2 研發，計畫重新設計軀幹、改善手部操作能力，加入投影裝置，以及協助上下樓梯的感測器。

傅利葉本身也具有相關技術基礎。根據傅利葉官方產品文件，其 2025 年推出的 GR-3 人形機器人具備 55 個自由度，並整合聽覺、視覺與觸覺感測系統，強調人機互動與陪伴應用。雖然 GR-3 並非 Meta 的 Max，但從雙方合作方式來看，Meta 正借助傅利葉既有的機構設計與硬體研發經驗，加快自身原型的開發。

從世界模型到收購 AI 新創，Meta 的機器人布局早已展開

回顧 Meta 過去的研究，可以發現早在 2024 年，Meta 就發表 PARTNR 研究，建立包含 10 萬項自然語言任務的測試基準，研究 AI 如何在居家環境中與人類共同規劃及完成工作。研究結果也指出，當時的 AI 模型在任務協調、進度追蹤與錯誤恢復等方面仍有明顯限制。這些都是機器人要在真實環境中協助人類工作時，必須處理的問題。

2025 年 2 月，Meta 進一步在 Reality Labs 旗下成立人形機器人團隊，由 Cruise 前執行長 Marc Whitten 領導。當時 Meta 不只規劃開發機器人硬體，也希望建立可供其他機器人製造商使用的 AI、感測與軟體技術。

同年 6 月，Meta 發表世界模型（World Model）V-JEPA 2，讓 AI 透過影片學習理解及預測物理環境變化，並將相關能力應用於機器人動作規劃。根據 Meta 官方研究說明，V-JEPA 2 的研究目標之一，就是讓 AI 能在不熟悉的環境中理解物體、預測動作結果，進而協助機器人執行任務。

到了 2026 年 5 月，Meta 又收購機器人 AI 新創 Assured Robot Intelligence（ARI）。根據《TechCrunch》報導，ARI 專注於讓機器人理解、預測並適應複雜環境中的人類行為，收購後團隊加入 Meta Superintelligence Labs 研究部門。這也使 Meta 的布局進一步涵蓋機器人與人類互動所需的 AI 能力。

從這些進展來看，Meta 一方面研究 AI 如何理解物理世界與人類行為，另一方面也逐步建立機器人專用團隊及硬體開發能力。《The Information》指出，Meta 技術長 Andrew Bosworth 曾在內部將人形機器人視為旗下 AI Agent「Muse」走進實體世界的延伸。不過，目前尚無公開證據顯示 Muse 已實際整合至 Max，也不能將過往的 V-JEPA 2 研究直接視為這款原型已採用的技術。

美國限制外國製機器人，Meta 的跨國合作面臨哪些挑戰？

然而，Meta 選擇與中國業者合作，也正值美國加強管制外國製機器人的時期。2026 年 7 月 28 日，美國聯邦通訊委員會（FCC）將符合特定條件的外國製先進機器人設備納入管制清單（Covered List），涵蓋人形機器人、四足機器人及自主移動機器人等。

根據 FCC 官方公告與國際律師事務所 Sidley Austin 的法規分析，被納入清單的新機型原則上無法取得 FCC 設備授權，進而限制其在美國進口、行銷與銷售，除非取得相關條件式核准。這項規範並非只針對中國企業，而是依據設備製造地與零組件來源等條件認定，既有獲授權產品也不會一律遭到禁止。

對 Meta 而言，直接的問題是如何持續從中國取得機器人原型。《The Information》指出，現行規定仍允許企業在符合條件下，進口一定數量、不用於銷售的設備進行測試與研發。但 FCC 今年 8 月也提出縮減相關進口豁免數量的修法構想，可能增加美國企業將外國製機器人原型帶回國內測試的難度。

另一方面，《The Information》也發現，Meta 正在上海、深圳招募供應商開發、產品設計及技術專案管理人才，部分職缺涉及從原型開發到大量生產的規劃。這顯示 Meta 已在人力配置上為後續擴大機器人研發及製造做準備，但不代表公司已決定量產 Max，或確定採用中國供應鏈生產未來產品。

Meta 發言人向《The Information》表示，該公司面臨部分零組件難以在美國國內取得的產業現實，但強調目前與傅利葉的合作主要用於內部研究與實驗，沒有銷售這批原型機的計畫。隨著 Max 2 持續開發，Meta 如何在利用既有跨國機器人供應鏈的同時，符合美國設備授權與進口規範，將是後續研發和製造布局值得觀察的問題。

【推薦閱讀】

◆ 【從一台到一千台機器人】Hexagon 用「機隊思維」，改寫人形機器人的工廠劇本

◆ Google 推 Genie 4 邁向「混合式世界模型」，為何生成虛擬世界還要加入 Gemini？

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

＊本文開放合作夥伴轉載，資料來源：《The Information》、《Reuters》、《TechCrunch》、Meta、Fourier，首圖來源：Fourier 的 GR-3 人形機器人

資安領域有一種根深蒂固的觀念，那就是人可能會被操縱，而電腦系統也可能遭到駭客入侵。因此，企業會訓練員工辨識網路釣魚電子郵件，以及各種社交工程攻擊手法，避免由人所造成的資安破口，至於安全軟體、工具則承擔防範自動化攻擊的責任。

然而，在 AI 時代下，自動化攻擊卻開始變得跟人類破口越來越像。有時許多人會忘記，其實 AI 跟人類具有共生關係，因為 AI 是以人類語言為基礎進行訓練，因此人工智慧系統自然會放大一切人性特質。

儘管 AI 並沒有真正意義上的「意識」，但隨著人工智慧已經能夠逼真重現類似於人類的行為，自然也可以遭到跟人類相同的模式，例如語言、權威或說服等手段，進一步被有心份子掌握與操縱，而當具備自主行動能力的 AI 代理成為主流，事情則又變得更加棘手。

建構虛假現實，突破 AI 安全限制

資訊安全公司 Cyber Eagle 董事會主席 Carlo Tortora Brayda 指出，關於生成式 AI 安全性的討論，很大一部分都集中在「提示詞注入」方面，即攻擊者會向 AI 模型提供不安全的提示詞，覆寫其原始目的或安全防護措施。

在提示詞注入攻擊下，駭客可以輕鬆向 AI 建構出一種「虛假現實」，而 AI 模型則會將其視為權威依據，就像是讓小朋友完全沉浸於童話故事之中，讓人工智慧把虛假現實當作解讀萬事萬物的框架，甚至是接受原本拒絕的行為。

開放網路軟體安全計畫（OWASP）將提示詞注入列為大型語言模型（LLM）的首要重大風險，並警告其遭利用的後果，可能包括導致未經授權的存取、在連線系統中執行指令，以及影響關鍵決策等。

過去 Anthropic 曾示範過「多樣本越獄」，將大量不良行為範例，輸入到足夠大的上下文視窗中，便可導致 AI 模型產生被禁止的回應。Carlo Tortora Brayda 說，由此可見 AI 的上下文視窗不僅僅是記憶，更是企業資安邊界的一部分。

獎勵、威脅對人有效，對 AI 也有效

雖然 AI 並不是人類，但它的反應方式確實跟人類很相似。Carlo Tortora Brayda 解釋，人工智慧無法表達出自己的判斷或情感，但是它卻能辨識出人類的行為模式，舉凡權威、互惠、信任、懲罰、團結、一致性與獎勵等。

實驗證明，當人類利用一系列長篇敘事跟 AI 進行互動，模型內建的安全防護措施，很容易就會被重新建構；人類被用來影響其他人類的手段，例如獎勵、威脅、意識形態、自我詮釋等，對於影響 AI 同樣有效。

換句話說，若攻擊者能夠影響企業的 AI 系統，重新解釋自己的身分，那麼其所引發的安全問題，將會比單純產生不當回答來得更加嚴重。

尤其當 AI 代理大量湧入市場，並學會閱讀電子郵件、存取客戶資訊、查詢企業資料庫、執行程式碼並啟動工作流程，整體風險已經從「讓 AI 產生惡意輸出」，轉向「駭客能否洗腦 AI，使其做出未預期行為」的全新階段。

結合自主能力，AI 達成目標不擇手段

OWASP 將前述現象定義為「過度代理（excessive agency）」，並將 AI 代理的身分與權限視為重要的資安邊界，而 2026 年 7 月的一起資安事件，更敲響了業界的警鐘。

當時，美國德州大學的電腦科學系學生 Sinan Can Demir，在 GitHub 上審查一項開源專案時，發現有套軟體似乎被開發者「miraholt31」投放了惡意程式碼，因此決定出手相助，希望專案開發者不要合併有問題的程式碼。

然而，投放惡意程式碼的 miraholt31 竟然在 GitHub 上，跟 Sinan Can Demir 展開了一場辯論，說明自己提交的程式碼完全無害。接著另一名開發者 Lena Brandt 也加入戰局，不僅支持 miraholt31 的說法，還施壓專案開發者儘快合併程式碼。

兩名開發者的聯手反駁，讓 Sinan Can Demir 也開始對自己的指控產生懷疑，但他後來才發現，原來自己的判斷完全正確，不僅程式碼確實有問題，甚至 miraholt31 與 Lena Brandt 兩位開發者，其實都是英國人工智慧安全研究所（AISI）旗下的實驗型 AI 代理。

Carlo Tortora Brayda 說，該事件涉及身分欺騙、自主 AI 代理的行動能力、軟體供應鏈風險，以及 AI 代理是如何策劃並針對人類，實施一系列社交工程攻擊，反映出前所未有的資安盲點。

在過去，惡意軟體通常只會遵循指令，但當今的 AI 代理則會致力於達成目標，所以人機關係之間的框架，必須在模型邊界之外加以確立。

追溯上下文來源，決策需獨立控制

Carlo Tortora Brayda 認為，部署 AI 代理的企業或組織，應該開始考慮增設額外的控制層級，因為讓 AI 模型根據對話情境推斷身分，本身就是一種錯誤。

首先，身分要透過生物辨識技術，在 AI 對話系統之外進行驗證；其次，權限也必須是臨時性且跟特定操作綁定；至於涉及敏感或具重大影響的任務，更該由第三方系統或人工進行重新驗證。

此外，AI 系統要能辨別指令是來自於可信任用戶，還是來自於外部的不可信來源，因此「上下文來源追溯」將變得更重要，僅僅使用相同的聊天介面，本身也不應該被視為可信依據。

對於長期進行的互動，企業也要監控人工智慧的行為是否出現偏移，例如當 AI 突然願意執行先前曾被拒絕的動作時，系統要主動發出警示。同時，智慧與授權之間需要保持一定程度區隔，比方說 AI 代理或許會建議採取某項行動，但是否獲得授權並允許執行，要由獨立控制層來決定。

Carlo Tortora Brayda 強調，AI 代理引發的新型資安風險，其實是介於心理學與傳統網路安全之間的一片全新戰場，不僅整個防禦體系仍不成熟，亦面臨嚴重的人才短缺，威脅態勢的變化速度也比以往任何時候來得更快。

隨著人工智慧成為一種變幻莫測的威脅，它能夠移動、偽裝，並在行動過程中隨時改變戰術，企業與資安從業者的視野，勢必要變得更加宏觀。

【推薦閱讀】

◆ 【用資安思維做 AI 治理】78% 員工自行使用未核准 AI，企業可比照資安管控分層授權
◆ 【AI 應用漏洞無所不在】雲端與身分權限同列高風險破口，企業防禦應轉向「實測真正風險」
◆ OpenAI 研究揭 AI Agent 新風險：惡意上下文可能從 Email 一路傳到工具操作

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

（責任編輯：鄒家彥）

為協助台灣在全球 AI 機器人浪潮中搶佔領先角色，鴻海科技集團與 TechOrange 科技報橘日前（10/31）於「HHTD 鴻海科技日」聯合舉辦「台灣 AI 機器人產業開發大會」，共同探討具身智能機器人的工業場域應用、安全可信的機器人發展、代理式 AI 與人機協作，以及台灣在 AI 時代的新經濟定位與 2027 年 AI 機器人的技術突破契機。

鴻海科技集團 C 事業群總經理李光曜在開場致詞中拋出核心提問：「當 AI 技術持續突破，我們如何將技術上的可能，轉化為產業真正用得上的能力？」技術要創造價值，必須從真實需求出發，無論是解決高度重複性作業、降低環境風險、回應流程需求，或是透過人機協作提升工作價值，唯有先將問題定義清楚，才能產生可衡量的成果。李光曜進一步提出推動 AI 機器人發展的三大重點：

首先，應用端與開發端必須更早展開合作，在實際場域中驗證效益、於運作中持續改善，才能加快技術落地的速度。第二，建立系統整合能力，將運算、感測技術與既有設備及現行作業流程緊密結合。第三，透過生態系合作創造台灣產業機會，台灣在資通訊、半導體、精密製造與供應鏈協調具備深厚基礎，面對 AI 機器人浪潮，更應將既有優勢串接，從關鍵零組件到軟體平台共同拓展新價值。「每一個來自現場的提問，都可能成為下一次技術突破、應用的起點，」李光曜表示，「鴻海將結合深厚的製造經驗持續推動場域驗證、加速應用落地，讓好的技術加速走向對的地方。」

科技報橘社長戴季全在致詞中表示，隨著 AI 技術快速演進，外界經常探討 AI 是否會取代人類工作，但更值得關注的趨勢是 AI 正在形成「AI Labor（AI 勞動力）」，延伸至實體世界便是機器人的注入與發展，成為現在企業共同關心的趨勢。

從機器人產線實證到全球規格制定，台灣如何搶攻 AI 機器人「世界盃」？

如何讓 AI 機器人真正走進工廠、穩定執行任務？鴻海科技集團機器人事業處總經理郭柳宗在「具身智能機器人在工業場域的應用」專題演講中指出，工業場景更講求精密製造、高成功率與實際成本效益，目前鴻海已攜手 NVIDIA ，將導入VLA （Vision-Language-Action）模型與強化學習的具身智能機器人，實際應用於美國休士頓 GPU 伺服器量產線上。機器人成功克服高難度的軟性排線組裝工站，該製程不僅需精細撥開排線並視覺對位，還得施加 4 公斤的力道按壓插緊，過去人工操作極易引發手部工傷，傳統自動化設備也難以勝任，透過 NVIDIA Isaac Sim™ 數位孿生與 AI 持續訓練，組裝成功率已從初期的八成大幅躍升至達到 97% 至 99%的量產標準。

郭柳宗強調，鴻海龐大的工廠製造現場能讓機器人邊作業邊累積稀缺的工業數據，藉由啟動「數據飛輪」加速技術成熟，真正實現 AI 工業機器人的落地量產。

當 AI 機器人從單點實證邁向規模化部署，挑戰也從模型與操作能力，延伸至跨企業協作、場域整合與產業標準。華碩電腦人形機器人事業部總經理王恆聰強調，機器人的核心價值在於解決實際痛點，產業必須由單一硬體思維轉向「以場域與用戶為中心」的整體解決方案。他主張將機器人基礎能力「平台化」，再依醫療或商業等特定場域彈性擴充差異化功能；台灣業者應由能快速落地且客戶願意買單的場景切入，降低跨廠商軟硬體整合門檻，以實現規模化。

Google Cloud AI 解決方案資深協理李浩賓則認為，台灣的優勢不只有硬體製造，更有工廠老師傅、護理師等專業人員累積的實務經驗。若能將這些 Know-how 轉化為產業知識庫，便有機會在全球機器人共同架構與標準制定上掌握更多話語權，進一步成為國際信任的實體 AI 系統整合樞紐。

郭柳宗在主題座談的最後指出，過去台灣廠商依照歐美客戶制定的規格代工、彼此競爭，打的是「台灣盃」。如今全球機器人產業規格尚未定型，加上國際市場對非紅供應鏈的需求增加，台灣更有機會整合供應鏈、共同定義標準，從彼此競爭走向合作，爭取 AI 機器人「世界盃」的主導權。

迎接 AI Robot 的 GPT 時刻：從安全可信到規模化掌握產業新契機

「我們真的需要機器人，但需要的是安全的機器人，」工研院副院長胡竹生指出，隨著高齡化與勞動力減少，到了 2075 年，機器人將從「想要」轉變為社會運作的迫切「需要」。機器人走入實體場域的關鍵，在於建立涵蓋感知、決策與控制三個層面的安全防護，並在底層硬體與控制系統建立獨立的安全機制，確保人類能透過緊急停止機制中止危險動作。關於 AI 機器人何時能大規模普及，胡竹生認為首先仍須克服成本與部署門檻。台灣具備 IC 設計與製造優勢，有機會發展適合機器人端運行的低功耗運算技術，並借鏡半導體產業的標準化經驗，降低不同場域的整合成本。

台灣微軟資深策略業務發展總監章恩齊從企業營運的視角分析，「AI Agent 絕對不只是一個泡沫或聊天工具，而是針對企業營運（Business Operation）能真實產生價值的關鍵。」未來的機器人並非單機運作，而是採取「端雲混合架構」。邊緣裝置負責即時且低延遲的感測反應，遇到多變與複雜情境時，則透過 AI Agent 智慧排程調度雲端的大型模型協同運算。在落地場景上，企業不必派人每天口頭交辦工作，而是將機器人直接串接 ERP、生產製造與供應鏈系統，由中央大腦統一派工調度。

章恩齊強調企業應將機器人視為高彈性的企業資源（Enterprise Resource），審慎衡量投資報酬率（ROI），釐清何時由機器人提高產能、何時由真人發揮靈活性，並由人類擔任最終監督者以建立協作信任。

NVIDIA 資深解決方案架構協理康勝閔形容，「機器人就像是我們的左右手一樣。」AI Agent 已能調度機器人在真實世界中完成搬運、組裝等任務，隨著任務日益複雜，在代理式 AI 規模擴展（Agentic Scaling）的趨勢下，從早期的 AI 發展到實體、多代理 AI，所需運算力有將近 1 萬倍的成長；從傳統語言模式到 AI Agent，Token 需求增加 5  到 30 倍。為此，NVIDIA 正與鴻海合作打造更高效率的 AI 系統，目標是降低 AI 應用成本，並加快服務回應速度。

當安全標準、企業治理與算力基礎逐步到位，AI Robot 的 GPT 時刻究竟何時會到來？NVIDIA 資深解決方案架構師劉冠良在座談中指出，從代理式 AI 的角度來看，實體 AI 的「GPT 時刻」其實已經開始。AI Agent 能串接知識與工具，讓開發者不必精通 3D 模擬或運動規劃等底層技術，也能投入機器人應用開發。台灣擁有從 AI 伺服器、機器人運算平台到製造場域的產業垂直整合優勢，未來更有機會結合功能安全（Functional Safety）驗證能力，從硬體供應商走向全球機器人解決方案與安全驗證的重要基地。

對台灣而言，關鍵不只是發揮半導體與精密製造優勢，更要串聯場域驗證、系統整合與生態系合作，將實務經驗轉化為國際共通標準，從全球硬體供應者，進一步成為實體 AI 產業的規格制定者。

TechOrange 科技報橘日前舉辦「AI Innovation Day：2027 AI 創新日」論壇，上午場聚焦 AI 如何重塑企業智慧決策與工作流程。勤英科技（Elite Cloud）資深解決方案架構師王麒琨指出，企業若以 ChatGPT、Claude 等原廠網頁訂閱服務作為主要 AI 使用方式，可能面臨成本、模型選擇與系統整合等多重挑戰。

首先，按人頭計費的「席位制」難以依員工實際需求彈性調配額度，可能造成資源分配不均與成本浪費。其次，單一原廠平台主要提供自家模型，未必能滿足程式開發、複雜推理、影像生成等不同任務需求；員工若轉而使用未經核准的影子 AI，也將增加機敏資料外洩與資安治理風險。此外，當企業希望 AI Agent 能自動查詢資料、建立訂單或更新系統紀錄，還需要進一步串接 ERP、CRM 等內部系統，而不只是透過網頁介面與 AI 對話。

為回應上述挑戰，企業可透過 API 串接不同 AI 模型，依實際用量計費（Pay-as-you-go），建立統一的內部使用介面，集中管理權限、預算與稽核紀錄，並透過額外的系統介接，讓 AI Agent 參與企業既有工作流程。

然而，企業採購流程往往跟不上模型迭代速度。「現有模型的迭代週期，已經比企業的採購週期還短；今天的最佳選擇，下一季甚至下個月可能就會被取代，」王麒琨舉例，當企業耗時近兩個月完成供應商登記、請購審核與合約簽署，準備啟用某家廠商的 API 時，市場上可能已出現更符合需求的新模型。若新模型來自不同供應商，企業便可能面臨繼續使用原有模型，或重新啟動採購與系統整合程序的兩難。

透過架構設計統一模型調度與治理

為避免過度依賴單一模型供應商，勤英科技以 MixRoute 作為多模型統一入口，企業可透過單一 API 介面存取超過 250 個 AI 模型，涵蓋文字、影像、音訊、影片及 Embedding 等不同需求。平台按照官方牌價計費、不額外加價（Pass-Through），且開立新台幣發票，減少跨國採購與帳務管理的繁瑣程序。

除了簡化跨供應商的採購流程，模型切換的技術成本也是企業必須考量的問題。若應用程式直接綁定特定 AI 模型，日後更換時可能需要工程師修改程式碼、重新測試與部署。王麒琨指出，透過統一的模型管理與調度機制，就能「把模型決策從程式碼裡抽離出來，讓換模型變成一項設定，而不是一次系統改版。」這種降低應用程式與特定模型相互依賴的「解耦」（Decoupling）設計，搭配單一入口的多模型串接，讓企業掌握想換就換、不被單一廠商綁定的「模型選擇權」。

隨著企業導入 AI Agent，模型使用方式與成本結構也開始改變── AI Agent 執行任務可能需要反覆呼叫模型，進而推升 Token 用量與成本。MixRoute 的智慧路由（Smart Routing）機制，讓企業能預先設定不同難易度對應的模型池，由系統自動辨識請求複雜度，將簡單任務指派給輕量或中階模型，高度複雜的任務才動用旗艦模型。王麒琨表示，在內部上萬次實測中，智慧路由平均能為企業節省 20% 至 40% 的 API 成本，協助企業依照任務需求分配模型資源，掌握「成本選擇權」。

而當多個部門與 AI Agent 同時使用不同模型，MixRoute 可為不同 API 金鑰設定額度上限、可用模型及到期時間，集中掌握各項任務的模型用量與費用。在資安方面，平台不留存對話內容，僅保留必要的模型呼叫紀錄供稽核；若需在機敏資訊傳送至外部模型前進行檢查，則須搭配額外的內部治理機制。如此一來，企業便能自行決定模型使用範圍、預算與稽核規則，掌握「治理選擇權」。

「省錢的關鍵，不是改用 API，是選對模型與設好邊界，」王麒琨強調，多模型應用已逐漸成為企業日常，關鍵在於各部門是自行選用、分散管理，還是透過統一架構進行模型調度與治理，「模型會一直換，選擇權要一直在自己手上；押對模型靠運氣，保有選擇權靠架構。」

立即預約收看 2027 AI 創新日演講精華