TechOrange 科技報橘

恩智浦與 NVIDIA 攜手合作，共同推動先進實體 AI 創新發展

<p>全球半導體領導廠商恩智浦半導體（NXP Semiconductors N.V.; NASDAQ：NXPI）宣布推出創新機器人解決方案，提供可靠、安全的實時資料處理與傳輸，以及先進網路連接功能，實現感測器融合、機器視覺與精密馬達控制。此為恩智浦基礎機器人解決方案系列的首款產品，該即時部署（ready-to-deploy）解決方案由恩智浦與 NVIDIA 合作開發，整合 NVIDIA Holoscan Sensor Bridge（HSB）與恩智浦高度整合的系統單晶片（SoC），能有效減少離散元件（discrete component），大幅縮小佔用空間、降低功耗與成本，同時簡化機器人，包括人形機器人感測與驅動的軟體複雜度。 實體 AI（physical AI）是下一個創新領域，其系統能夠精準、可靠且安全地感知、解讀並與周遭環境互動。人形機器人（humanoid robot）是實體 AI 最先進的表現形式之一，需要在機器人全身進行安全、可靠、低延遲的資料處理與傳輸，以實現同步運動、高密度感測器融合與先進驅動控制。 恩智浦全新整合式機器人本體解決方案直接應對這項挑戰，提供強大的邊緣智慧與低延遲網路，實現安全可信賴的實時通訊。這些解決方案將 NVIDIA Holoscan Sensor Bridge 無縫整合至恩智浦的軟體支援環境，讓開發人員能夠輕鬆實現實時處理，並在機器人本體與機器人大腦的預設區域之間建立直接傳輸路徑，大幅降低延遲，顯著簡化將 AI 導入實體世界的挑戰，而實時決策正是其中的關鍵需求。 恩智浦半導體執行副總裁暨安全連結邊緣事業部總經理 Charles Dachs 表示：「實體 AI 正在重新定義機器在真實世界的能力，而人形機器人則是這場變革最複雜的表現。透過將恩智浦在邊緣處理、安全網路、功能安全與實時控制領域的深厚專業知識，與 NVIDIA 機器人平台相結合，我們大幅簡化實體 AI 的開發流程，實現實體 AI 邊緣端與中央大腦之間的無縫連接，這僅是恩智浦加速實體 AI 生態系統發展的開始。」 NVIDIA 機器人暨邊緣 AI 副總裁 Deepu Talla 表示：「自主機器的開發需要高效能運算架構，能夠將複雜的馬達控制與實時感知同步協調，透過將 NVIDIA Holoscan Sensor Bridge 整合至其邊緣產品組合，恩智浦為開發人員提供可擴展的基礎，以加速實體AI的部署。」 恩智浦與 NVIDIA 的合作，有助於定義全身人形機器人（full-body humanoid [&hellip;]</p>

【GTC AI 晶片亮點一次看】瞄準 AI 推理、進軍太空，黃仁勳在 GTC 端出哪些猛料？

<p>「代理式 AI 的關鍵轉捩點已經到來。」萬眾矚目的 NVIDIA GTC 2026 大會登場，NVIDIA 執行長黃仁勳在主題演講展示了一系列最新產品，包含一款全新的 CPU，以及一套基於 Groq 技術打造的 Vera Rubin AI 系統等，向 AI 晶片產業的其他公司發起了挑戰。黃仁勳更預測，自 2025 至 2027 年，NVIDIA AI 晶片的收入可能至少達到 1 兆美元，這比先前預測又翻了一倍。 這些動作，是黃仁勳強化 NVIDIA 在「推論運算」（inference computing）市場佈局的一部分。所謂推論，就是讓 AI 回答問題、實際執行任務的階段；而在這個領域，NVIDIA 的 GPU 正面臨來自 CPU，以及像 Google 等公司自研客製化晶片的競爭。相較之下，過去幾年 NVIDIA 的優勢主要集中在 AI 模型訓練市場。 在這場長達 2.5 小時的演講中，NVIDIA 如何迎接代理式 AI 的關鍵轉捩點？本文精選出 4 大亮點帶你看看。 亮點一：Vera Rubin 平台開啟代理式 AI 前沿 NVIDIA [&hellip;]</p>

達明機器人登 GTC 2026：發表全新 AI 策略與人型機器人 TM Xplore I

<p>致力於定義機器人下一個十年的 AI Robotics 領導者達明機器人，於 NVIDIA GTC 2026大會中展出與雲達科技（QCT）及NVIDIA 的最新策略合作成果 。達明機器人同步宣告 2026 年全新品牌策略「See · Think · Act — Powered by AI Robotics」，透過整合協作手臂與人型機器人的雙引擎架構，展現從智慧製造邁向Physical AI的技術突破 。 此次展出的最大亮點，為達明機器人全新開發的人型機器人平台 TM Xplore I 。該平台結合人形上半身與輪式行動底座，具備高度穩定性與靈巧操作能力 。TM Xplore I 搭載達明「See, Think, Act」核心技術，並由 NVIDIA Jetson Thor 模組驅動，支援高性能邊緣 AI 運算 。透過導入 Vision-Language-Action（VLA）多模態模型，TM Xplore I 能夠進行多模態感測器融合、生成式 AI 推理與自主導航，快速適應半導體製程、電子組裝及汽車製造等需要高精準度的複雜自動化任務 。同時，達明機器人也擴大導入 NVIDIA Isaac Sim 及 NVIDIA FoundationStereo 技術。透過在高度擬真的數位分身中模擬作業流程，機器人可在實際部署前先行驗證複雜的運動路徑，並確保具備高度精準的深度感知能力。 達明機器人營運長黃識忠表示：「身為定義未來十年 [&hellip;]</p>

【GTC 2026】黃仁勳：每一家工業公司都將成為機器人公司，自動駕駛的 ChatGPT 時刻已經到來

<p>在 GTC 2026 黃仁勳的專題演講尾聲，出現一位意想不到的來賓：會走路、會對話的《冰雪奇緣》 Olaf （雪寶）機器人。這個機器人運行在 Jetson 平台上，並在 Omniverse 裡學會走路，隨後透過整合進 Newton 物理引擎的 NVIDIA Warp 框架，成功適應真實的物理世界，成為 NVIDIA 對外展示實體 AI （Physical AI）的一個具體樣貌。 Olaf 的登場，讓外界更容易理解 NVIDIA 所說的 AI，未來將不只存在於雲端或手機裡，而是會進一步嵌入機器人、汽車等實體載具中，具備感知、理解、做出反應的能力，並真正走進真實世界進行導航、互動與行動。 NVIDIA 端出機器人時代完整技術堆疊 「實體 AI 已經到來，每一家工業公司都將成為機器人公司，」黃仁勳說。由於機器人正從特定任務機器，走向具備適應能力的通才系統，因此需要更接近人類的推理、感知、決策與自主行動能力。 為了迎接這項趨勢，NVIDIA 正試圖為機器人時代建立技術堆疊與基礎。《The Deep View》指出，NVIDIA 並沒有自己下場製造硬體，而是透過提供世界模型（World Models）、模擬框架（Simulation Framework）與人形模型（Humanoid Models），讓自己成為整個機器人生態系共同依賴的基礎層。 對應這項核心目標，NVIDIA 宣布推出新的 Cosmos world models、Isaac simulation frameworks 與 Isaac GR00T N models，目的是加速機器人從開發、訓練到部署的整體流程。這次推出的多個實體 AI 基礎模型中，包含用於複雜環境導航的 Cosmos 3，以及面向人形機器人（humanoid robots）、被官方稱為「可商業化部署於真實世界」的 [&hellip;]</p>

為什麼這個角落的商品賣不掉？看懂線下熱點，用 WiFi 數據拯救門市冷門區位

<p>過去，零售門市的營運判斷多半依賴直覺與經驗。商場管理者會透過人流計數器、抽樣觀察或租戶回報，試圖理解顧客動線與消費行為；如今，越來越多零售商開始把目光投向另一種資料來源：顧客手機所發出的 WiFi 訊號。透過分析這些訊號，門市得以建立類似「線下版 Google Analytics」的數據系統，讓原本難以量化的顧客行為變得可被觀察、分析與優化。 透過 WiFi 數據分析停留時長與熱點圖、解構顧客意圖 當顧客走進商場或門市時，手機會搜尋或連接周圍的 WiFi 網路。零售商部署的 WiFi 分析系統能以匿名方式識別裝置訊號，進而建立訪客的行為輪廓。系統可以判斷顧客是首次造訪或回訪者，並記錄到訪時間、停留時長，以及在店內不同區域的移動與停留情況。隨著資料長期累積，零售商便能描繪出顧客的動線模式與興趣偏好。 這些洞察也讓實體門市能更精準地進行個人化互動。例如，當系統辨識到熟客再次進店時，可以依據過去的停留區域或購買紀錄，推送相關優惠券或商品推薦，將原本隨意的逛街行為轉化為實際消費。透過這種方式，零售品牌得以在大規模客流中維持個別化服務，使門市從單純的商品陳列空間，進化成能理解顧客需求的智慧零售場域。 除了個人化推薦，WiFi 數據對於門市營運另一項重要價值，在於店內動線與商品陳列的優化。透過顧客移動軌跡所形成的熱點圖（Heatmaps）與停留時間（Dwell Time）分析，零售商能清楚看見哪些區域人潮密集，哪些角落長期乏人問津。這些資訊讓商品陳列策略從過去的經驗判斷，轉變為數據導向的決策。 例如，一家門市可能發現某個角落的產品展示區長期表現不佳，但 WiFi 數據顯示顧客在鄰近區域停留時間很長。透過分析兩個區域之間的動線關係，門市可以重新安排商品展示或調整走道設計，引導顧客自然地走向原本冷門的區位。這類細微的動線調整，往往能顯著提高某些產品區域的曝光率與轉換率，也讓坪效得到實質提升。 WiFi 數據還能成為品牌爭取黃金櫃位的談判籌碼 對零售商而言，WiFi 數據還帶來另一層更具策略意義的改變：重新平衡與商場房東之間的資訊權力。過去，商場經營者通常掌握整體人流數據，租戶只能依賴房東提供的統計資料來評估店面位置與租金合理性。但當品牌自己部署 WiFi 分析系統後，零售商也能取得精確的客流與行為數據。 更進一步，這些數據還能揭示不同店鋪之間的關聯，例如分析顧客是否會先造訪咖啡店，再進入隔壁服飾店，或在某些餐飲店用餐後停留在特定零售區域。透過這種跨店鋪的行為關聯（Cross-tenant Correlation），零售商可以證明自己的品牌是否具備「帶客力」。若數據顯示顧客經常在造訪某品牌後轉往其他店鋪消費，該品牌便能在續約談判時提出更有力的證據，爭取更好的櫃位或更合理的租金條件。 對商場經營者而言，這些資料同樣具有價值。透過整體人流與停留時間的長期觀察，管理者可以更精準地調整租戶組合，比方說將高停留時間的餐飲品牌與零售品牌安排在相鄰區域，或在動線交會處引入快閃店與短期品牌測試市場反應，形成一個可透過數據持續優化的消費生態系。 然而，WiFi 分析的應用也伴隨著隱私與技術上的挑戰。多數系統會以匿名方式處理裝置資料，並遵循各地的隱私法規與用戶同意機制，但企業仍需要確保資料收集與使用過程透明且合規。此外，並非所有顧客都會開啟 WiFi 或攜帶可被偵測的裝置，因此數據模型必須經過長期校正，避免將樣本偏差誤解為真實行為。 即便如此，WiFi 數據仍有機會成為實體零售數位轉型的重要基礎。當線上電商長期依靠數據優化用戶體驗時，實體零售如今也開始建立自己的分析工具。未來的門市，或許就像一個大型的實體網站，每一條動線、每一個停留點，都能成為理解顧客與提升營運效率的關鍵訊號。 ＊本文開放合作夥伴轉載，參考資料：《propmodo》、《Comcast Business》，首圖來源：Unsplash （責任編輯：廖紹伶）</p>

將螢幕錄影化為 AI 代理訓練素材，Guidde 用「影片教學」讓 AI 學會模仿人類操作

<p>傳統訓練 AI 代理的方式不同，Guidde 藉由捕捉「真實人類專家」使用複雜軟體時的操作軌跡，建構成一條帶有豐富資訊流的「影片基準資料」，進一步投入 AI 代理進行訓練。</p>

五角大廈如何在紅色供應鏈中，透過「Blue UAS」清單精準挑選美軍所需的無人機？

【科技早餐】Meta 鎖五年算力、豪砸 270 億美元，AI 基建戰正式進入長約時代

<p>【科技早餐】今天精選 6 則國內外重要科技新聞。 ＊Meta 一口氣鎖五年算力，270 億美元把 AI 基建再往前推 Meta 最新與 AI 基礎設施供應商 Nebius 簽下總價值 270 億美元、為期五年的合作協議。根據《路透社》報導，合約包括 120 億美元的專屬算力部署，並保留最高 150 億美元的額外採購彈性。Nebius 將採用 NVIDIA 下一代 Vera Rubin 平台，預計今年下半年供應、明年初開始交付，顯示大型平台公司仍在持續擴大 AI 基礎建設布局。 另一個市場高度關注的訊號，是 Meta 內部也傳出正在評估裁員 20% 以上，以抵銷今年暴增的 AI 支出。雖然公司並未證實這項裁員計畫，但若方向成真，代表大型科技公司一邊加碼 AI 設備與算力，一邊重新計算組織規模與人力配置，已逐步成為新的經營邏輯。 ＊從 AI 機櫃到人形機器人，鴻海在 GTC 一次端兩張牌 鴻海董事長劉揚偉在 3 月 16 日法說會表示，集團今年 AI 機櫃出貨可望逐季成長，AI 伺服器市占率目標維持在四成左右，並預期每週 2,000 櫃產能不是問題，目標是在美國打造最大 AI 伺服器生產基地。鴻海也預告，將在 GTC [&hellip;]</p>

會翻跟斗的機器人沒必要？Rivian CEO：最重要的其實是「手」

<p>近年來，人形機器人影片在網路上頻頻爆紅，不論是會翻跟斗或能跳舞的機器人，看似展現驚人的技術能力，但在電動車公司 Rivian 執行長 RJ Scaringe 看來，這些炫技展示未必代表機器人真正的產業價值。 Scaringe 最近創立了新的機器人公司 Mind Robotics，並完成了由 Accel 和 Andreessen Horowitz 兩家創投公司共同領投的 5 億美元 A 輪融資，目前估值 20 億美元。他在接受《TechCrunch》訪談時表示，機器人設計應該從任務需求出發，而不是單純追求人形或展示技術能力。 炫技能力未必等於實用價值 Scaringe 指出，他能理解機器人公司展示能翻跟斗或做高難度動作的人形機器人，主要目的是證明機器人的靈活度與控制能力，但是「如果你走進 Rivian 的工廠，你幾乎看不到有人能做後空翻。」 Scaringe 的意思是，在工業機器人的設計中，最常被忽略的一點其實是「工作本質上是用手完成的」。從機器人系統的角度來看，其他所有結構與功能，其實都是為了把手精準地帶到需要操作的位置。因此，一些展示高難度動作的能力，例如後空翻，對於多數實際工作而言，反而意味著不必要的複雜設計。 他認為，在製造場域真正重要的是降低系統複雜度、減少故障可能性並降低能耗。未來的機器人仍可能具備感知系統、能在 X、Y、Z 軸上移動並擁有雙手，但如果一味模仿人類的生物力學，反而會忽略製造業多數工作本質上都是以手部操作為中心。 工廠機器人不一定需要「像人類」 Scaringe 認為，目前機器人產業一個常見假設是，既然機器人要取代人類工作，就應該模仿人類的身體結構，但在製造環境中，這個假設未必成立。 他指出，人類的身體形態並不是為工廠工作而演化出來的。不同生物在演化過程中都針對特定環境最佳化，例如海豚適合游泳、獵豹適合奔跑、猴子適合攀爬，而人類的優勢則主要在於大腦，不是在特定任務中的身體效率。因此，如果機器人的目標是在製造業環境中工作，其設計未必需要完全模仿人類。 不過 Scaringe 也承認，工廠環境本身是為人類設計的，因此機器人仍然需要具備一定的人形特徵，例如能使用工具、在既有空間中移動，以及與人類協作。 機器人產業出現兩種不同路線 在研究機器人產業時，Scaringe 將目前市面上有的公司大致分為兩種類型。第一類是傳統工業機器人公司，例如工廠中常見的機械手臂，這類機器人擅長執行固定且重複的任務，但缺乏更高層次的靈活性。 第二類則是近年快速崛起的機器人新創公司，多數希望打造能在家庭環境中工作的通用型人形機器人，例如折衣服、洗碗或打掃。 然而在 Scaringe 看來，許多新創仍缺乏幾個關鍵能力，例如工業級產品量產經驗、機器人模型訓練所需的數據循環、完整供應鏈能力、對於工業運作的深入了解，而這也是他決定創立新公司的原因之一。 Scaringe 新創的 Mind Robotics 將同時開發三項核心能力：機器人硬體與機電系統、AI 模型、大規模部署基礎設施。Rivian 未來可能成為其重要客戶，將機器人導入汽車工廠的生產流程。 專用型機器人成為另一條路 Rivian 的觀點也呼應機器人產業中另一股趨勢：專用型機器人（task-specific [&hellip;]</p>

HBM 吃掉 30% 資本支出、台積電 N3 產能逼近極限：SemiAnalysis 創辦人揭 AI 狂飆後半導體的真…

<p>當外界以為 AI 競賽已從 H100 走向 Blackwell，舊一代 GPU 的價值應該隨時間下滑時，SemiAnalysis 創辦人 Dylan Patel 卻在近日受訪時，拋出一個反直覺的判斷：H100 今天的價值，可能比 3 年前還高。 Dylan Patel 指出，目前真正限制 AI 發展的，已經不只是模型能力，還有更底層的基礎建設，分別是邏輯晶片、記憶體與電力。同時，SemiAnalysis 最新報告更進一步指出，儘管過去幾年科技巨頭已大舉擴建 AI 基礎設施，但市場如今還是進入了「矽晶片短缺」的新階段。 瓶頸 1：AI 晶片集體轉向台積電 N3，但供應鏈擴產速度追不上 AI 需求 SemiAnalysis 指出，2026 年主要 AI 加速器（AI accelerator）家族，包括 NVIDIA、AMD、Google TPU、AWS Trainium 以及 Meta MTIA 等，幾乎都在往台積電 3 奈米（TSMC N3）製程轉移。SemiAnalysis 預估，AI 相關需求在 2026 年將吃下接近 60% 的 N3 產出，到了 2027 年這項佔比甚至上看 [&hellip;]</p>

睡前交辦 AI、醒來驗收成果：矽谷工程師變成「AI 代理主管」，Google、Amazon 都在發生

<p>矽谷工程師的日常，正在被 AI 代理重新改寫：愈來愈多人開始把寫程式、安排行事曆、回覆 email 等繁瑣工作，交給 Claude Code、OpenClaw 等工具處理，自己則習慣在睡前、出門參加派對前先把任務交辦出去，隔天醒來第一件事，就是檢查 AI 昨晚替自己完成了多少進度。 這股變化不只出現在講求速度的新創圈，也已滲透到 Google、Amazon 等大型科技公司。當 AI 開始逐步接手執行層工作，工程師的角色也正悄悄改變，也就是從親手寫程式的執行者，變成負責與 AI 對話、下指令、驗收成果，並約束 AI 代理行為的管理者。這樣的新工作模式，已經在矽谷成為日常。 矽谷工程師開始「帶 AI 代理上工」 《華爾街日報》指出，矽谷科技人現在彼此互相比較的「最大炫耀點（biggest flex）」，是自己究竟能把多少任務外包給 AI，包含寫程式、管理行事曆與回覆 email 等雜務，同時還能確保 AI 不會出大錯。 例如創投家兼開發者 Nikunj Kothari，會在早上起床後、喝咖啡前，第一時間查看 AI 代理的工作進度，甚至覺得玩 Claude Code 比看 Netflix 更有趣。 Notion 共同創辦人 Simon Last 則說，他睡前總想再檢查一次 AI 代理們是否都在工作，「我真的很希望它們整晚都在工作，所以我睡前總是跑下樓再看一次。」 Simon Last 也分享，自己已經九個月沒有親手寫 code，而是改成管理四個 AI 代理來執行任務。 這樣的新趨勢，改變的不只是工作習慣，還包括工程師對自己角色的想像。「軟體工程師這個職稱將開始消失，」Claude Code 開發者 [&hellip;]</p>

【AWS 找上 Cerebras】AI 推理晶片戰開打，挑戰 NVIDIA GPU 主導地位

<p>生成式 AI 的算力競賽正進入新階段。過去幾年，科技巨頭競相投入大量 GPU 訓練大型模型，但隨著 AI 應用快速普及，市場焦點正逐漸從「模型訓練」轉向「推理運算」。 亞馬遜雲端服務（AWS）近日宣布，將在資料中心部署 AI 晶片新創 Cerebras Systems 的處理器，用於支援 AI 推理（inference）工作負載。《華爾街日報》指出，這項多年合作協議，被視為 AI 算力市場的重要轉折點，也代表雲端業者開始積極尋找 GPU 之外的替代方案。 AI 算力市場轉向：從模型訓練走向推理 Cerebras 表示，AI 正在重塑軟體開發的方式，越來越多程式碼不是由人類工程師親自撰寫，而是由 AI 代理生成。與一般對話式聊天不同，代理式程式開發每次請求產生的 token 數量約為其 15 倍，因此 Cerebras 認為需要更高速度的輸出能力，才能維持開發效率。 AWS 表示，未來將在資料中心部署 Cerebras 的 Wafer-Scale Engine（晶圓級引擎）晶片，用於處理 AI 推理任務，也就是當使用者向 AI 模型提出問題時，系統生成回應的運算過程。 在新的架構中，AWS 自研晶片 Trainium 3 將負責處理使用者輸入的提示（prefill），而 Cerebras 晶片則負責生成回應內容。AWS 指出，這種分工架構可提升整體推理效率，尤其適合需要即時互動的 AI 應用，例如程式撰寫輔助或 AI 代理（AI agents）。 [&hellip;]</p>

中國版 Amazon 正式登陸歐洲！京東推 Joybuy，先從物流戰切入 Amazon 核心優勢

<p>京東近日正式在英國、德國、法國、荷蘭、比利時與盧森堡上線零售平台 Joybuy，販售超過 10 萬種商品，涵蓋 Apple、Samsung 等品牌，以及家電、玩具、美妝、雜貨與生鮮食品等類別，並以「數小時內送達」作為主要賣點。 這不僅是京東迄今最大規模的海外擴張，也是京東在中國本土經濟成長放緩、消費需求疲軟與競爭加劇之際，試圖尋找新成長動能、降低對國內市場依賴，並透過把物流、倉儲與履約能力整套搬進歐洲市場，進而正面挑戰 Amazon 的關鍵一步。 Joybuy 正式上線，京東把歐洲布局從測試推向全面啟動 《Bloomberg》指出，京東此次選擇以自有網站 Joybuy.com 在歐洲市場推進業務，與過去曾考慮收購英國電子零售商 Currys、洽談收購 Argos 的策略相比，代表其在歐洲布局上出現戰略轉向：與其透過併購切入當地零售通路，京東這次更傾向把自身在中國驗證過的電商模式直接帶進歐洲市場。 在營運策略上，Joybuy 將複製京東在中國的成功模式，也就是直接與全球消費品公司建立合作關係、買斷庫存，並將商品存放在自有的倉儲設施中。《Financial Times》提到，京東曾在 2022 年以規模較小的 Ochama 進軍歐洲，但未能打開市場新局，荷蘭數位零售分析師 Ed Sander 更對此評論：「Ochama 開業時並沒有吸引力，最後只成了亞洲僑民的網路商店。」 早在 2025 年 9 月，Joybuy 就已在倫敦進行試營運，並準備擴及荷蘭、德國、法國、比利時與盧森堡，如今則已正式在上述六國全面落地，也讓這次京東推動 Joybuy 的計畫，被視為更大規模、直接面向主流市場的擴張。 京東為何此時加速出海？中國內部競爭升高，海外成為新成長空間 「中國企業紛紛出海，是因為國內市場的成長正在停滯，」荷蘭數位零售分析師 Ed Sander 形容。《Financial Times》也指出，隨著中國經濟成長放緩、零售商競爭激烈，京東等中國企業加速轉向海外市場，尤其京東近年切入外送與即時零售市場後，更迫使同業投入折扣戰，進而壓縮整體產業的利潤。 京東創辦人劉強東曾向媒體表示：「國際化對我們的未來至關重要。」但劉強東當時也承認，京東仍需要完成更多基礎建設工作，才能把中國成功的電商模式複製到歐洲。因此，京東在去年以 22 億歐元收購德國電子零售商 Ceconomy 的多數股權，就是擴展歐洲零售與物流基礎建設的關鍵一步。 不只拚快速配送，京東把中國電商的倉儲物流與自動化能力搬進歐洲 目前，Joybuy 主打「雙 11」配送承諾：上午 11 點前下單、當天晚上 11 點前即可送達。若不符合郵遞區號條件，則提供次日送達或自助櫃取貨的服務。 [&hellip;]</p>

【無人客服神話破滅】盲目裁員導致知識流失，2028 企業將重新僱用人類客服人員？

<p>生成式 AI 近年快速進入企業客服體系，許多公司以聊天機器人與虛擬客服取代部分人工服務，希望藉此降低成本並提供全天候回應。然而，研究顯示，這股全面自動化的趨勢可能很快面臨修正。 研究機構 Gartner 指出，到 2028 年，部分曾以人工智慧取代人工客服的企業，可能因為 AI 無法有效處理複雜客戶問題，而重新聘回人類客服。 企業逐漸發現，過度依賴 AI 的客服模式不僅難以完全解決問題，還可能帶來額外的營運成本與品牌風險。 這項預測也與近期的產業調查結果相呼應：Gartner 指出，到 2027 年，約有 50% 原本計劃大幅削減客服人力的企業，將放棄相關計畫。這意味著，在許多公司努力推動「無人客服」或高度自動化客服體系的同時，企業開始重新評估全面自動化在實際營運中的可行性。 企業客服 AI 化浪潮可能出現反轉 企業導入 AI 聊天機器人與虛擬客服系統，希望透過自動化技術降低客服成本並提升服務效率。這些系統最大的優勢，在於能以較低成本處理大量客戶詢問，同時提供全天候回應，因此受到許多企業管理層的高度關注。 然而 Gartner 的分析指出，AI 客服系統雖然能有效處理許多標準化問題，例如密碼重置、訂單追蹤或常見問題解答，但在面對複雜、情緒化或多層次的客戶問題時，往往難以提供令人滿意的回應。 當 AI 無法理解客戶需求或提供正確解決方案時，不僅問題得不到解決，還可能進一步惡化客戶體驗，甚至影響品牌忠誠度。 在這種情況下，企業若完全依賴 AI 客服系統，可能反而增加營運壓力。因此 Gartner 預測，隨著企業逐漸意識到 AI 的能力邊界，部分公司將重新聘回人工客服，以補足自動化系統在處理複雜互動方面的不足。 AI 客服模式暴露的營運成本問題 AI 客服系統之所以受到企業青睞，很大程度來自於顯著的成本節約。許多公司在導入 AI 系統後，報告客服人力減少了 30%、50% 甚至更多。從營運角度來看，如果聊天機器人能以遠低於人工客服的成本處理約 80% 的客戶諮詢，企業自然會傾向縮減客服團隊規模。 然而，剩下約 20% 的客戶互動往往是最關鍵的部分。這些互動通常涉及複雜問題、情緒壓力或需要深入判斷的情境，而 AI 在這些場景中的失敗率仍然偏高。當 AI [&hellip;]</p>

博弘雲端榮獲 AWS AI Services 能力認證—生成式 AI 顧問級別，助企業化解 AI 導入挑戰、注入創新動能

<p>亞太區雲端解決方案領導品牌博弘雲端科技，榮獲 Amazon Web Services (AWS) AI Services 能力認證—生成式 AI 顧問級別（AWS AI Services Competency－Generative AI Consulting Services）。此項認證肯定博弘雲端能運用 AWS AI 解決方案的技術服務，協助企業透過 AI 技術，改善內部流程繁瑣與人力不足的挑戰，更進一步拓展到可規模化的商業應用，帶來無限的創新與商機發展性！ 跨越 AI 落地門檻 助企業用 AI 創造商業價值 使用 AI 技術與工具已成多數員工的日常，但就企業層級來看，導入 AI 的過程中仍面臨重重挑戰。根據財團法人人工智慧科技基金會在 2025 年的「台灣產業 AI 化大調查」指出，高達 70% 的企業未能跨越 AI 實際應用門檻；此外，「數據品質不齊導致模型偏差」以及「難以將 AI 技術對接至具體獲利場景」，更是企業在 AI 轉型路上的核心痛點。 博弘雲端擁有專業的團隊與 AI 技術量能，協助企業從內部數據治理、定義待解決的問題，再到AI應用部署情境，確保企業使用 AI 解決對的問題，發揮最大功效。 博弘雲端事業中心副總經理陳亭竹表示，獲得 AWS AI Services 能力認證—生成式 AI [&hellip;]</p>

Google「AI 摘要」終結 SEO？內容新鮮度需要大升級，行銷可以怎麼做

<p>Google 推出 AI 摘要（AI Overviews）功能，將人工智慧統整而成的答案，直接顯示在搜尋結果的最上方，迫使 SEO 行銷人員重新思考，如何有效維持網站內容的新鮮度。</p>

台灣穩定幣到底誰來管？現在才做 CBDC 會不會太晚？陳冲揭金管會、央行、數發部三方權責盲區

【科技早餐】台積電市占衝上 70.4%，全球晶圓代工產值再創新高

<p>【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊台積電市占衝上 70.4%，AI 帶動全球晶圓代工產值再創新高 市調機構集邦科技 (TrendForce) 最新指出，2025 年第四季全球前十大晶圓代工廠合計產值達 463 億美元，季增 2.6%；若以全年來看，前十大業者總產值約 1,695 億美元，年增 26.3%，創下歷史新高。主要動能來自 AI 伺服器 GPU、Google TPU 持續供不應求，以及旗艦智慧手機晶片新品帶動投片需求。 個別廠商方面，台積電第四季營收季增 2% 至 337 億美元，市占率達 70.4%，穩居全球龍頭；三星則受惠 2 奈米新品開始出貨與 HBM4 邏輯晶片投產，營收季增 6.7% 至近 34 億美元，市占率回升至 7.1%，並成功由虧轉盈。報告也指出，AI 需求已從先進製程外溢至成熟製程，帶動整體晶圓代工市場持續擴張。 ＊NVIDIA 罕見親自下場，押注尚未商業化的新型記憶體技術 外媒報導，NVIDIA 已加入三星電子的研發陣營，雙方攜手開發鐵電 NAND 快閃記憶體。值得注意的是，NVIDIA 直接投身尚未商業化的新型記憶體技術研發，這在業界相當少見，也顯示 AI 晶片競爭正從算力本身，進一步延伸到儲存架構與能耗效率。 鐵電 NAND 被視為可同時緩解高效能記憶體供應不足與資料中心耗電壓力的關鍵技術，理論上可實現 1000 層垂直堆疊，功耗最高可降低 96%。報導也指出，NVIDIA 未來在 Vera Rubin [&hellip;]</p>

150 家新創湧入、百億資金重砸訓練場！拆解中國「具身 AI」狂潮背後的基建紅利與泡沫危機

<p>當全球目光聚焦於大型語言模型（LLM）的軟體競爭時，AI 的戰場已從虛擬網路擴大至實體世界。中國正以舉國之力，加速建立龐大的人形機器人訓練基礎設施，試圖在這場被稱為「具身 AI」（embodied AI）的新世代科技革命中取得領先優勢。 根據《Financial Times》報導，在中國武漢，一座面積達 1.2 萬平方公尺的機器人訓練中心裡，年輕操作員每天透過遙控與感測裝置，反覆教導人形機器人端包子、擦桌子、摺衣服。這些動作會被鏡頭與感測器完整記錄，再整理成可供模型訓練的資料。該中心每天可產出約 100 小時可用資料，目標不是做出一台會表演的機器人，而是建立一個足以支撐整個產業成長的資料池。 中國大蓋「機器人訓練農場」 這座位於中國湖北的訓練中心，並不是單一案例。《Financial Times》與《Rest of World》都指出，這類由地方政府支持、機器人公司營運的資料收集與訓練設施，正在中國各地快速擴張。到 2025 年底，中國已宣布超過 40 座國有或官方支持的機器人資料中心，其中約 24 座已投入運作。光是湖北省，就推出規模達人民幣 100 億元的人形機器人基金；北京、上海、杭州、綿陽等地，也都在加速建立具身 AI 訓練場域。 背後的政策訊號也愈來愈明確。中國政府已在 2026 至 2030 年五年計畫中，將「具身智能」列為六大未來產業之一，並明確要求發展訓練中心、AI 模型與硬體，加速人形機器人落地。這代表中國對人形機器人的期待，已不只是單一技術展示，而是把它視為下一輪科技與產業競爭的核心基礎設施。 LLM 吃網路文字，機器人得靠人類一遍遍示範 為什麼中國政府願意投入大量資金蓋這些設施？答案在於，人形機器人的瓶頸並不只是硬體，也不只是模型，而是資料。 《Financial Times》指出，像 ChatGPT、DeepSeek 這類大型語言模型之所以能快速取得突破，關鍵在於它們能吃進海量網路文本。但機器人不同，它需要的不是單純文字，而是視覺、關節角度、速度、扭矩、動作順序，以及真實環境下的操作回饋。這些資料無法直接從網路抓取，也很難只靠模擬環境生成。 《Los Angeles Times》對印度資料標註公司的報導，也從另一個角度印證這件事。為了教機器人學會摺毛巾，工程師得頭戴 GoPro，一次又一次精準重複同樣動作，再把影片逐格標註，標記手臂怎麼移動、手指怎麼抓取、布料怎麼滑動。換句話說，讓 AI 學會「在真實世界裡怎麼動」，比教它在網路上「怎麼說」困難得多。 武漢訓練中心的員工張佳對《Financial Times》説，他們就像老師，而機器人是學生。教人類做動作，重複幾次就能學會；但教機器人不一樣，同一個動作得重複數百、數千，甚至上萬次。 中國人形機器人優勢，正從製造擴大到資料基礎設施 中國之所以能在這條路上快速推進，並不只是因為它有更多機器人公司。《TIME》指出，中國在電動車、感測器、減速器、控制器與電池等相鄰產業已建立大規模製造能力，讓機器人關鍵零組件成本大幅下降。這讓中國不只在硬體供應鏈上占優勢，也能更快部署更多機器人，進一步蒐集更多資料，形成規模飛輪。 報導提到，中國目前掌握全球約 70% 的光達市場，並在關節、控制器與諧波減速器等關鍵零件上快速壯大。當硬體成本下降、部署數量增加，機器人公司就更有機會在真實環境中蒐集資料，反過來再訓練更好的模型。《TIME》甚至直言，誰能更快部署機器人，誰就更可能收集到更大量、更高品質的資料，而這會進一步推動技術進步。 然而《Rest of World》也引述 Omdia [&hellip;]</p>

從半導體、物流、節能再到機器人領域，台達以 AI 驅動、軟硬整合的創新解方助企業深化長期競爭優勢

<p>「我們以更貼近製造現場條件的方式，重新平衡效能、彈性與使用門檻之間的關係。」── 台達機電事業群 在 AI 技術與淨零碳排的驅動下，製造業正經歷前所未有的數位革命。 從穿梭街頭的 E-bike 心臟「動力系統」、應用在半導體設備驗證與優化的數位雙生解決方案、支援物流庫存可視化與自動化管理的「高階物聯網型人機介面」、橡塑製造的節能新引擎「油電複合射出機方案」，以及可完成上下料作業與 AI 伺服器機櫃檢查的「RS-M 模組型機器人」等應用，台達工業自動化深耕高成長潛力及變革性領域，並與全球產、官、學、研夥伴密切合作，創造產業轉型與升級的契機。 化新精密攜手台達推動伺服壓床與整廠監控整合，重塑精密製造品質與 ESG 永續生產體系 縮短換線時間至 30 分鐘！台達 RS-M 機器人兼顧效能配置與導入效率，以模組化單關節設計架構回應產線彈性需求 平均稼動率提升至 82%！台達打造節能轉型新引擎，以射出機與監控系統重塑橡塑製造模式 物流倉儲升級關鍵：台達整合感知、判斷到控制與優化，實現高效無縫人機協作 破解灌裝產線痛點！台達以伺服旋蓋機解決方案助力灌裝行業應對低碳、智慧工廠、少量多樣新趨勢，開創產能與品質雙贏新局 微小瑕疵無所遁形，實現超高速精準檢測！台達登場 SEMICON Taiwan 2025，從前端量測、封裝到資安防護，以 AI 驅動智慧製造 一年減少 210 萬元電費！台達與翔盟科技工程助台灣油品龍頭公司導入永磁同步磁阻馬達，推動水泵系統節能改善 破解設計同質化與系統封閉困境！台達以中置馬達三電方案助 E-Bike 車廠建立品牌差異化</p>

守護 AI 疆界：利用 Apigee 構建「零信任」的 API 安全防護網

<p>在前面的系列文章中，我們探討了如何利用 Apigee 駕馭 Gen AI 的 Token 成本，以及如何透過穩健的運維體系跨越鴻溝。當企業解決了「成本效益」與「運作效率」後，隨之而來的便是最嚴峻的挑戰——信任與安全。 在 Gen AI 時代，API 不再只是應用程式之間的資料管道，它們成為了企業核心大腦（LLM）與外部世界溝通的神經末梢。然而，這扇通往創新的大門，若缺乏適當的防護，也將成為駭客長驅直入的漏洞。 傳統的防火牆已不足以應對當前的威脅。面對 AI 時代的資安挑戰，這篇將探討如何利用 Apigee Policy 來落實合規治理，並搭配 Advanced API Security 來找出潛在的威脅，在 AI 時代構建一道「零信任（Zero Trust）」的防線。 API 的設計與治理缺陷正在放大整體系統風險 根據 Gartner 的預測，API 濫用將成為導致數據洩露的最常見攻擊方式。在生成式 AI 的架構下，這種風險被進一步放大： 傳統的 WAF (Web Application Firewall) 擅長防禦 SQL Injection 或是分散式阻斷服務攻擊 (DDoS) 等已知攻擊，但對於這些偽裝成正常流量的「新型態威脅」，往往束手無策。 以 AI 對抗 AI：Apigee 的智慧防護機制 面對日益複雜的攻擊，有些甚至由 AI 驅動的攻擊，防禦者必須同樣具備智慧化的手段。Apigee 不僅是 API [&hellip;]</p>

化新精密攜手台達推動伺服壓床與整廠監控整合，重塑精密製造品質與 ESG 永續生產體系

企業如何建構面向全球的營運數據平臺？台灣帆軟剖析 AI 驅動的數據中樞：從多地多工廠到「自動化決策」的智慧轉型之路

紅衫資本合夥人揭企業軟體新戰局：下一個兆元公司，將是「偽裝成服務公司的軟體公司」

<p>「當 Claude 下一次升級，直接把你的產品變成一個『功能』，會發生什麼事？」紅衫資本合夥人 Julien Bek 近日在文章與 TBPN 節目中拋出這個問題，直指當前 AI 新創與企業軟體公司最深的焦慮。對許多打造 AI 工具的創辦人來說，現在最大的風險，已不只是競爭對手變多，而是自己的產品價值，可能在下一次 AI 模型迭代後瞬間被壓縮，甚至距離被取代與摧毀，只差一步。 Julien Bek 進一步提出一個判斷：「下一個一兆美元公司，會是一家偽裝成服務公司的軟體公司。」他強調，如果今天企業賣的是「工具」，本質上仍是在和 AI 模型競速，但如果賣的是「工作」，那麼模型每一次進步，反而都會讓服務變得更快、更便宜，也更難被取代。 從 Copilot 到 Autopilot，競爭邏輯從賣工具變成賣工作 Julien Bek 在文章中明確區分「Copilot（副駕）」與「Autopilot（自動駕駛）」兩種模式的差異。Julien Bek 形容，Copilot 賣的是工具，Autopilot 賣的則是工作。 至於為何現在部分類別已經適合直接從 Autopilot 起步？他解釋，這是因為在某些領域中，目前的 AI 模型已經夠聰明。例如，將產品賣給律師事務所的 Harvey、以及賣給投資銀行的 Rogo，都屬於「賣工具」的 Copilot 模式，是由專業人員擔任客戶並對產出結果負責；相對地，賣給需要簽署保密協定（NDA）公司的 Crosby，以及賣給需要保險的 CFO 的 WithCoverage，客戶則是直接購買「成果本身」。 對此，Julien Bek 也點出既有 Copilot 公司將面臨的「創新者的窘境（Innovator’s Dilemma）」：如果這些賣工具的公司想轉型賣「工作」，等同於是越俎代庖，搶了原本客戶，也就是專業人員的飯碗，而這正是純 Autopilot 新創大展身手的絕佳破口。 從商業模式切入，Julien Bek 進一步說明，在任何職業裡，「工作預算」都遠遠大於「工具預算」，因此 Autopilot [&hellip;]</p>

串接 5 萬家醫療機構、50 種穿戴裝置：微軟推 Copilot Health 卻引爆信任戰

<p>微軟（Microsoft）正在把 Copilot 從工作助理，推向更敏感也有更高信任門檻的健康場景。3 月 12 日，微軟正式推出 Copilot Health，目標是協助使用者理解自己的健康資訊，進一步取得可採取行動的個人化健康洞察。微軟更將這項產品視為邁向「醫療超級智慧（Medical Superintelligence）」的一步。 不只微軟，Amazon、OpenAI 與 Anthropic 近期也陸續測試類似的 AI 健康工具，顯示大型 AI 公司正把健康資料納入聊天機器人的下一波競爭。在這樣的脈絡下，Copilot Health 的亮相，也是微軟在生成式 AI 戰局中，試圖與其他競爭對手拉開差異化與專業定位的重要一步。 串接 5 萬家醫療機構、50 種穿戴裝置，Copilot Health 瞄準資料整合 微軟表示，Copilot Health 透過 HealthEx 串接超過 5 萬家美國醫院與醫療提供者機構的資料，包括就診摘要、檢驗結果與用藥清單。在使用者端，Copilot Health 可以匯入超過 50 種穿戴裝置的資料，包括 Apple Health、Oura 與 Fitbit，將分散的健康紀錄、健康歷史與穿戴裝置資料整合，並提供個人化建議。例如，若使用者輸入「我最近睡不好」，聊天機器人就能分析病歷與穿戴資料，觀察最近的睡眠趨勢。 微軟表示，Copilot Health 也連接即時的美國醫療提供者目錄，讓使用者可以依專科、地點、語言與保險條件搜尋醫師。目前，Copilot Health 將分階段推出，並優先在美國上線。 Copilot Health 目標是讓使用者更深入理解醫療資料 微軟表示，多數人缺的不是更多健康資訊，而是對於健康資料的理解。因為病歷長期以來既混亂又難以管理，且資訊往往散落在不同醫療提供者使用的不同資料庫中。因此，過去醫師可能需要花數小時人工檢視一個人的全部病歷與穿戴裝置資料，才能形成判斷，但現在 Copilot Health 可以在幾秒內就完成。 微軟副總裁 [&hellip;]</p>

Mastercard 結盟 85 家巨頭進軍區塊鏈！要讓鏈上支付與銀行無縫接軌

<p>全球支付產業的底層邏輯正在轉變，悄悄從傳統金融體系邁向區塊鏈時代。過去數位資產主要在傳統金融體系之外運作，被視為投機標的，然而，隨著技術的成熟與企業端的需求攀升，數位資產正在加速融入全球商業運作的血脈之中，場景涵蓋跨境匯款、企業間資金轉移等，為全球資金流動帶來新的基礎設施選項。 Mastercard 出招：集結 85 家巨頭的區塊鏈大聯盟 為了搶佔這波基礎設施轉型的先機，全球支付巨頭 Mastercard 近日宣布推出規模龐大的「加密貨幣合作夥伴計畫」（Crypto Partner Program）。該計畫一口氣集結了超過 85 家來自數位資產與支付產業的領先企業，陣容包含全球最大加密貨幣交易所 Binance、支付平台 PayPal，以及專注於跨境匯款的區塊鏈公司 Ripple 等。 這項計畫的核心目標，是探索如何將區塊鏈系統直接無縫接入現有的全球支付網路，用於處理大量支付交易，從而解決結算延遲、高成本以及跨境交易透明度不足等長期問題。 Mastercard 深知，區塊鏈支付若要實現大規模普及，就必須能與其遍布全球 200 多個國家、連結無數銀行與商戶的傳統基礎設施相互串接。透過該計畫，參與者將與萬事達卡團隊，針對未來產品和服務的設計方向進行互動，建立一個共享的協作框架，將技術創新轉變為可擴展、合規的應用場景，以在各個市場落地運行並無縫整合到日常的商業活動之中。 舉例來說，Ripple 將利用其 RippleNet 技術，提供更快速且透明的跨境支付。PayPal 則利用其商戶網路，協助將加密支付整合進主流電商環境。穩定幣發行商 Circle 與 Paxos 則負責建構支付與結算基礎設施，使區塊鏈交易能在銀行體系內合規運作。對於 Mastercard 來說，鏈上支付的下一階段將是更大規模的產業合作，而透過這些合作，Mastercard 希望打造一個完整的區塊鏈支付生態系，使加密資產可以像信用卡支付一樣，在全球商業體系中流通。 支付巨頭的競合與穩定幣的崛起 Mastercard 並非唯一看見此趨勢的傳統金融機構。其主要競爭對手 Visa 早就開始與穩定幣發行商及區塊鏈公司合作，積極測試使用數位美元進行交易結算。同時，包含 PayPal 在內的多家大型金融機構，也正持續探索代幣化存款與基於區塊鏈的支付系統。 穩定幣在這場基礎設施的爭奪戰中扮演了關鍵角色。隨著法規逐漸清晰與企業採用的增加，穩定幣正被視為「網際網路的原生美元」，在跨境結算與企業金庫管理中的應用日益普及。支付巨頭們紛紛擁抱這些技術，正是為了避免在未來的自動化與 AI 驅動支付時代遭到邊緣化。 Mastercard 此次的結盟動作，釋放出一個強烈的市場訊號：數位資產已經跨越了單純的投機炒作階段。當掌握全球金流命脈的傳統支付巨頭主動將區塊鏈技術納入其核心網路時，意味著區塊鏈正在成為支撐下一代全球商務運作的底層基礎設施。儘管前方仍有複雜的監管合規與跨國標準制定等挑戰需要克服，但全球金融體系向區塊鏈靠攏的趨勢，顯然已不可逆轉。 ＊本文開放合作夥伴轉載，資料來源：《CoinDesk》、Mastercard、《MarketLens》，首圖來源：擷取自 Mastercard</p>

力求準確率達 99%，Nimble 打造「商業級 AI 搜尋平台」突破企業資料蒐集瓶頸

<p>AI 新創公司 Nimble 宣布推出自家的 AI 代理搜尋平台，並希望將公開網路上的資料，透過 AI 轉換成值得企業所信賴，同時具備決策價值的數據。</p>

廣告技術進入情緒感知時代！Unity 廣告策略為何從精準投放轉向「情緒感應」？

<p>在傳統 App 開發的情境中，討論到 App 優化時，多半仍停留在技術層面：頁面載入是否夠快、系統是否穩定、是否出現錯誤或當機。然而到了 2026 年，App 體驗的競爭已經進入另一個層次。 使用者對於數位服務的期待大幅提高，一個 App 是否順暢，往往在幾秒內就決定了消費者是否留下。隨著 AI 逐步滲透產品營運流程，企業也開始重新思考「優化」的定義：從修復問題，轉向理解與預測使用者的心理感受。 效能優化不再只是修 bug，而是提升「體驗效率」 根據數位體驗分析公司 Quantum Metric 2026 年發布的報告，App 成功與否的關鍵指標已從傳統的下載量或流量，轉向「體驗效率」（Experience Efficiency）。 這個概念衡量的是使用者完成目標的速度與順暢程度：當使用者想訂機票、購買商品或查詢資訊時，系統能否在最短時間內讓任務完成。報告指出，當企業成功降低錯誤率與流程阻礙時，不僅能提升轉換率，也會直接帶動平均訂單金額的成長。換言之，流暢的體驗會讓消費者更願意探索、停留與消費。 在這樣的趨勢下，優化的角色也有所不同。早期的數位分析工具通常是在問題發生後才進行診斷，例如發現異常率上升或轉換率下降，再由工程團隊追查原因。但近兩年越來越多企業導入 AI 驅動的預測式分析系統，透過即時行為數據辨識潛在問題，提前調整流程。優化不再只是修復 Bug 或縮短載入時間，而是主動管理使用者的情緒與感受。 這也說明，現代 App 必須具備更高的上下文感知能力。當系統能理解使用者當下的情境與意圖，一個 App 就會從「操作工具」轉變為一種「數位服務」。例如，在旅遊平台中，如果系統偵測到航班延誤，App 會立即顯示改票選項並自動填入旅客資訊；在電商平台中，若使用者頻繁購買某一類商品，首頁就會優先呈現相關推薦與優惠。這些看似微小的設計，實際上大幅減少了使用者的思考與搜尋成本。 零售應用潛力：AI 偵測挫折感，自動重塑轉換路徑 Quantum Metric 指出，在零售 App 的實際營運中，甚至可以運用 AI 即時判斷使用者是否出現挫折情緒。比方說，可以追蹤「憤怒點擊」（rage taps），也就是使用者在短時間內重複點擊同一按鈕，通常代表操作沒有成功或介面反應過慢。如果系統偵測到類似行為出現在結帳頁面，後端就可能自動啟動備用流程，例如簡化付款步驟、延後登入要求，甚至直接提供即時客服協助，以避免使用者在最後一步放棄交易。 同樣的邏輯也可以應用在搜尋或表單流程中。當 AI 發現使用者在某個欄位連續輸入錯誤三次以上，系統可能主動提供建議格式或自動補全資訊；若搜尋結果頁面停留時間過長，平台也可能調整排序邏輯，優先呈現更相關的商品。透過這類即時調整，企業可以在使用者離開之前化解阻礙，維持整體轉換率。 行為數據即情緒指標，廣告策略從精準投放轉向「情緒感應」 事實上，遊戲產業早已在這方面累積大量經驗。知名遊戲引擎公司 Unity 近年推出的廣告平台 Vector AI，便是一個典型案例。這套系統不再只依賴玩家的人口統計資料，而是即時分析遊戲中的行為數據，例如玩家的操作頻率、關卡進度與停留時間。透過這些資訊，系統可以判斷玩家的投入程度與情緒狀態。 例如，當玩家在某個關卡連續失敗多次、操作間隔逐漸拉長，系統可能判斷其挫折感正在上升。在這種情況下，Vector AI [&hellip;]</p>

【科技早餐】50TB 資料被竊！伊朗駭客攻擊醫療設備大廠 Stryker，20 萬台設備受影響

<p>【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊ OpenAI 計畫整合 Sora 與 ChatGPT，AI 入口戰再升級 OpenAI 計劃近期將 Sora 影片生成技術整合至 ChatGPT 中。這項策略轉變發生在 Sora 行動應用程式推出約五個月後，雖然 Sora 應用程式曾經短暫登上排行榜榜首，但熱度卻迅速消退，且用戶在平台上公開分享影片的意願極低。 這次整合的主要動機是期望重現過去 AI 圖像生成所帶來的病毒式傳播熱潮，進一步推升 ChatGPT 目前約 9.2 億的每週活躍用戶數，以達成 10 億用戶的目標。然而，這項改動將面臨龐大的成本挑戰，因為影片生成功能勢必會大幅增加 OpenAI 的 AI 推理與伺服器運算成本，這也促使OpenAI 必須提前備妥足夠算力，以應對潛在的流量激增。 ＊ Meta 公布四代 MTIA 路線圖，AI 晶片走向「產品線化」 為應對龐大的 AI 運算需求，Meta 公布 MTIA 300、400、450 與 500 等四代自研 MTIA 晶片路線圖，目的是分散硬體來源、降低外部依賴，並透過捨棄非必要的通用功能來大幅壓低晶片成本。 目前 MTIA 300 已量產，並用於內容排序與推薦系統，MTIA [&hellip;]</p>

不用再登入 Salesforce 撈資料？Perplexity 搶攻「AI 代理編排層」，掀企業 SaaS 介面淘汰賽

<p>AI 代理（AI agent）正快速從研究概念走向企業軟體的核心介面。AI 搜尋新創 Perplexity 在其首屆開發者大會 Ask 2026 上宣布推出新的多模型 AI 代理，包含雲端代理 Perplexity Computer 以及本機代理 Personal Computer。這項布局顯示，這家原本以 AI 搜尋聞名的公司，正試圖進入企業軟體市場，與微軟、Salesforce 等大型平台競爭。 Perplexity 表示，其本機代理系統可以把一台閒置電腦轉變成類似開源代理框架 OpenClaw 的 AI 控制系統，但提供更完善的安全與治理機制。該公司認為，隨著 AI 代理逐漸成為企業自動化流程的重要工具，能夠協調多個模型與企業資料來源的「代理編排層」（orchestration layer），將成為下一波 AI 軟體競爭的焦點。 AI 代理不只是聊天機器人，而是「完成工作的系統」 Perplexity 的核心產品 Computer 本質上是一個 AI 代理編排引擎。當使用者提出任務目標，例如「整理今晚活動參與企業的簡報資料」，系統會先將目標拆解為多個子任務，再分配給不同的 AI 子代理處理。 這些子代理會使用最適合的 AI 模型完成工作，包括資料搜尋、文件生成、程式撰寫、分析與內容整理，最後再整合成完整成果。換句話說，Computer 不只是回答問題，而是能直接完成一整個工作流程。 根據 Perplexity 說明，該系統可同時協調約 20 個不同 AI 模型。其中包括 Anthropic 的 Claude Opus [&hellip;]</p>

新設施強化供應鏈效能！聯邦快遞桃園國際機場轉運中心擴建落成啟用，提升台灣在全球貿易中的關鍵地位

<p>全球最具規模的快遞運輸公司之一聯邦快遞（FedEx）3/11 宣布，其位於桃園國際機場全新擴建的轉運中心正式啟用。此設施是聯邦快遞在台深耕 35 年來最大規模的一筆單項投資，不僅大幅擴增設施面積與分揀能力，更旨在滿足台灣高科技、半導體、電子商務等其他關鍵產業日益增長的物流需求，持續推動台灣經濟成長。  新設施的面積較原址擴增一倍，達約&nbsp;19,000&nbsp;平方公尺，並配備先進的自動化分揀系統，每小時可處理高達&nbsp;9,000&nbsp;件包裹；與以往設施相比，進口貨件處理效率大幅提升&nbsp;2.5&nbsp;倍，出口貨件處理效率亦提升&nbsp;1.2&nbsp;倍。新設施全方位強化快遞包裹、大型貨物及特殊貨物（含危險品與冷鏈產品）的處理能力，使營運安全性與供應鏈韌性顯著提升，也讓跨境寄運企業受益於更快速、更可靠的物流服務。&nbsp; 新轉運中心採用全電動化的地面支援設備車隊。電動拖車的導入象徵著從傳統柴油車輛向電動化的重要轉型，估計每輛車每日可減少&nbsp;21&nbsp;至&nbsp;26&nbsp;公斤的二氧化碳排放。在完善的空側充電設施支援下，此舉不僅大幅降低噪音，也提升整體機械效率。&nbsp; 聯邦快遞亞太區總裁蘇查理表示：「隨著亞太地區各經濟體透過貿易與投資日益緊密連結，企業需要能夠跟上貿易版圖快速變動的物流網絡，此次擴建台灣轉運中心，再次展現聯邦快遞持續投資物流基礎設施的承諾，為客戶提供更快速、可靠且具彈性的物流服務，協助企業強化供應鏈韌性，並拓展更多市場機會。」  作為全球半導體製造重鎮，台灣的產業產值於 2025 年已達新台幣 6.84 兆元，預計至 2030 年將佔全球總產能約 80%，充分顯示其在全球高科技供應鏈中的重要地位。  運送半導體與精密儀器等高價值、時間敏感性產品，需在每個運輸階段維持極高的可靠性、即時可視化及嚴格的安全控管。聯邦快遞在跨境運輸中導入 FedEx Surround® 監控與干預系統及 SenseAware ID 感測技術，以滿足這些需求。此外，透過 FedEx® Sustainability Insights（FSI） 數位工具，客戶可對符合條件的貨件進行碳排放評估與管理，並檢視寄運紀錄，同時生成透明報告供利害關係人參考。  除支持科技大廠外，聯邦快遞亦持續協助台灣中小企業拓展全球市場。擴建後的轉運中心強化了聯邦快遞的區域網絡，促進更靈活高效的跨境貨物流通，有效降低貿易門檻，加速台灣中小企業搶攻國際商機。&nbsp; 聯邦快遞台灣總經理蘇智民表示：「新轉運中心的啟用是聯邦快遞在台灣的重要里程碑。透過提升網絡能力、整體分揀量能及營運效率，我們將更強而有力地支援台灣關鍵出口產業，並加深台灣與全球市場的連結。我們承諾將持續與客戶及合作夥伴緊密合作，提供可靠、優質且更具永續性的物流解決方案，為台灣的貿易與經濟發展貢獻心力。」&nbsp; 聯邦快遞自 1990 年進駐桃園國際機場開始營運，目前在全台設有 10 個全球服務中心、9 個服務站、逾 8,000 個授權寄件中心，並擁有超過 400 輛運務車與機車所組成的配送車隊。透過每週 40 班直飛美國、歐洲及亞太市場的航班，這座擴建後的轉運中心將進一步提升貨件與貨運處理效率、營運安全及供應鏈管理能力，鞏固台灣在全球供應鏈中的關鍵地位。 （本文訊息由聯邦快遞 FedEx 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：[email protected]，經編輯檯審核並評估合宜性後再行刊登。圖片來源：聯邦快遞 FedEx。）</p>

和椿科技董事長程天縱：AI 機器人不是一個產業，是企業轉型變革的時機

<p>「在講機器人和 AI 時，大家都當成一個產業，但和椿來看，AI 機器人不是一個產業，是企業轉型變革的時機，這一點是我們跟大多數人看法不一樣的地方，」和椿科技董事長程天縱在今（3/12）接受媒體採訪時表示，雖然 AI 機器人的市場成熟期仍難預測、現階段需求也還有限，但他認為，對企業來說，真正重要的不是市場何時全面爆發，而是能否及早把 AI 機器人納入產品與營運流程，否則企業就可能長期停留在傳統製造思維中，難以進入高科技產業的行列。 程天縱進一步解釋，若只把 AI 機器人視為一個產業，很容易落入既有思維，將焦點集中在供應鏈、零組件與材料，卻忽略真正的需求與價值鏈。「機器人三個字，事實上是機器跟人，機器是供應方，人是需求方，機器是為人服務的，所以我們特別強調需求方，」因此和椿並非從供應鏈角度切入，而是選擇站在客戶端思考，與需求方一起尋找更多應用場景與可能性。 美中積極投入 AI 機器人，台灣如何掌握競爭優勢？ 談到在美國與中國皆積極發展 AI 機器人的背景下，台灣如何發揮自身優勢？程天縱表示，美國除了 AI 強，硬體也不弱，真正的弱點在於缺乏製造能力，而製造不只是代工，還會反過來影響最終產品創新，因此這正是美國過去較吃虧之處。然而，如今美國積極推動製造回流，隨著這波趨勢持續，他判斷美國硬體實力未來有機會持續加速發展。 至於中國的產業環境，程天縱認為，中國雖然政治專制、經濟居中，但科技其實相對民主，也就是說，中國的科技發展在很多時候反而保有相當自由度。因此，程天縱分享，不少中國的機器人企業並非單純靠政府扶植而壯大，而是在改革開放、政府相對不干預的環境中成長茁壯。 在美國補製造、中國持續推進應用落地的情況下，程天縱認為，台灣若要找到自己的位置，關鍵不在與大國正面比拚整機或大規模製造，而是在自身擅長的「微型化」與半導體能力上建立差異化優勢。 「我在兩年前就說，算力與算法會前移，」程天縱解釋，算力與算法接下來會從雲端移到邊緣，再從邊緣移到終端，最後再延伸到機器人的手和腳。他認為，未來機器人必須在前端就具備即時判斷與感知能力，而這也將是台灣的絕佳切入點，因為 AI 與機器人進入實體世界後，需要大量感測器感知觸覺、溫度、震動、聲音與位移等，而這些感測器多與半導體製程密切相關。因此，以半導體技術為基礎，台灣若能進一步結合感測器、GPU與前端算力，讓機器人的手腳本身就具備感知與計算能力，就有機會在下一波機器人競賽中建立關鍵優勢。 程天縱也特別強調，除了移動能力之外，機器人的操作能力同樣非常重要，而其中手的觸覺將是關鍵。因此如果台灣能率先掌握觸覺感測器、算法與前端算力的整合能力，將會是一個非常大的機會。 如果機器人是發電廠，和椿科技的目標就是成為「智慧家電」 「如果我們把機器人的硬體比喻為發電廠，那和椿現在要做的，就是成為解決千家萬戶痛點的智慧家電，」在當前的產業趨勢下，談到和椿在 AI 機器人產業中的角色與定位，和椿科技副董事長張以昇形容，「發電廠」固然重要，但真正能讓電力創造價值、實際解決生活或生產問題的，仍然是終端應用端的「智慧家電」。因此，和椿真正想做的，不只是機器人本體的供應，而是把技術轉化成能落地的應用方案，並強調人形機器人的應用市場，也將成為和椿未來持續投入與布局的主要方向。 面對中國在機器人硬體製造上已經進入高度競爭、甚至近乎極致內捲的狀態，張以昇指出，台灣若在這個階段再去拚硬體，不僅會陷入激烈價格戰，也不具備絕對優勢。在這樣的背景下，和椿選擇把核心競爭力放在理解場域需求、整合技術，並提供最終可執行的解方，也就是不再單純販售關鍵零組件或硬體設備，而是直接「賣給客戶問題的解答」。 未來，和椿的目標是成為深入百工百業、解決場域實際痛點的夥伴，並致力讓 AI 機器人技術真正落地，同時轉化為各行各業提升整體競爭力的實質動能。 （首圖來源：科技報橘）</p>

新漢集團攜德國機器人生態系夥伴登 Embedded World 2026，亮相最新 Edge AI 軟體定義邊緣運算應用

<p>【為什麼我們要挑選這篇新聞稿】 隨著 AI 技術走向實體，驅動工業機器人的應用與人機協作安全成為產業焦點。在德國嵌入式電子與工業電腦展（Embedded World 2026），NEXCOM 新漢集團如何透過兩大重點展區 ── AIoT 解決方案與 AI 運算，展示從建構 AI 運算平台、部署實體 AI 裝置，延伸至 AIoT 作業場域及新世代 AI 企業轉型的具體解決方案？ 工業電腦大廠新漢（8234）近年來積極推展 AI 在各類終端應用的布局，包括自動化解決方案、智慧強固車載、安全機器人、智慧城市、地端型 GPT 以及工業級資安軟體等服務。其中機器人被視作現階段AI得以具體發揮功能的物理載體，如何加速導入機器人在各領域的應用是產業共同努力的目標。新漢集團本周於德國嵌入式電子與工業電腦展（Embedded World 2026）上攜手德國機器人生態系夥伴 Synapticon 以及 Botfellows 針對智慧工廠、服務型機器人、車廠、物流倉儲等自動化應用，提供一系列通過安全認證的工業型機器人解決方案。 新漢旗下創博（NEXCOM Robotic Solutions）整合工業型機器人功能安全、視覺辨識、以及運動控制 針對多樣人機安全使用情境 打造以安全為本的機器人解決方案 在將智慧載體（Physical AI）導入工業作業環境的過程中，因牽涉到人機協作安全，智慧載體的各項環節如關節驅動器、控制馬達、以及安全感測器，均須個別導入嚴格的安全認證程序。作為智慧機械生態系的核心建構者，創博提供穩定的運動控制平台，結合德國夥伴 Synapticon 的關節驅動模組、以及德國夥伴 Botfellows 的安全應用軟體，可應用在智慧工廠、服務型機器人、車廠、物流倉儲以及其他自動化應用，創博與生態系夥伴致力於協助智慧載體開發商縮短單機開發時程，提供最高安全等級的工業型機器人解決方案。 新漢參展德國嵌入式電子與工業電腦展（Embedded World 2026）展會亮點 新漢本次展出以「在軟體定義邊緣運算盡情釋放潛能（Unleashing the Ingenuity of SD Edge Computing）」為主題，透過兩大重點展區 ── AIoT 解決方案與 [&hellip;]</p>

如何讓 AI 看懂產線？台灣思科以數位轉型 3 部曲，助攻企業將 OT 通訊與資安作為關鍵橋樑

<p>隨著 AI 技術席捲全球，製造業正加速邁向 AI 智慧工廠的新紀元。然而，如何讓 AI 真正「看懂」產線並發揮最大效益，成為產業界的共同挑戰。台灣思科亞太區工業物聯網產品經理吳竣民近日於 AI 智慧大工廠論壇，深度探討 OT 通訊與資安如何成為智慧製造的關鍵橋樑，並解析思科透過 3 步驟，協助企業突破數位轉型痛點的具體模式。 吳竣民指出，未來的 AI 智慧工廠將圍繞三大核心元素，不僅具備能處理複雜指令的 Agentic AI，現場的無人搬運車、機械手臂等實體設備也將全面搭載 AI，而支撐這一切的基石，在於工業現場數據。 根據思科預估，高達 75% 的數據將直接來自產線終端設備，包含 PLC、控制器、機台或影像，透過這些關鍵數據，才有辦法讓 AI 應用順利落地並發揮效力。但實際推動 AI 數位轉型，製造業者往往面臨現場資料擷取困難、設備運作存在盲點、資安風險遽增的難題，甚至擔心升級 OT 設備造成產線停擺。因為傳統工廠的系統各自為政，無法有效串接，也缺乏網路層的可視性，讓工作人員難以掌握機台即時狀態，當企業整合跨平台應用，更將擴大駭客的攻擊面，「許多 IT 同仁進行 OT 網路與資安作業時，最擔心的就是升級 OT 設備，可能導致生產線停止運作，所以我們透過思科提出的 3 步驟，希望協助客戶實現安全的升級轉型，」吳竣民說道。 數位轉型第 1 步：三階層架構，建立 OT 神經網路 吳竣民表示，思科建議企業架構三階層的神經網路，並盤點終端設備與工業大腦涵蓋哪些，接著以神經網路的概念建立防護網。過去，製造工廠在不同設備、系統，會使用不同的網路，一旦新系統導入，就會發現網路不相容、無法連接的問題，使得企業在建構網路的過程中重複投資，且容易形成資安盲點。而思科提供一系列工業等級的網路交換機，助企業以安全的設備建置安全的網路。這些交換機採用金屬外殼與無風扇散熱，支援攝氏 -40 度至 75 度的環境，可以直接放置於戶外的密閉機箱中穩定運行，另外，交換機通過 IEC-62443-4-2 工業資安認證，可確保企業基礎設施的安全性。 吳竣民說明，在思科 IE9300 工業交換機系列，主機功耗僅 35 瓦，特別之處在於能支援四台設備堆疊的模組，為企業大幅降低管理上的負荷量；最新的 IE3500 [&hellip;]</p>

黃仁勳的底層護城河保衛戰：NVIDIA 豪砸 260 億美元打造的美製開放模型亮相

<p>隨著 AI 代理（Agentic AI）開始被企業用於自動化更複雜的任務，AI 產業的競爭焦點正悄悄改變。過去市場比的是模型規模與能力上限，如今企業更在意的，則是推理效率、部署成本，以及模型是否適合多代理系統長時間運作。 NVIDIA 宣布推出的開放權重模型 Nemotron Super 3，正是對此新需求的回應。這款模型主打為 Agentic AI 系統設計，採用混合式 Mixture-of-Experts（MoE）架構，具備 100 萬 token context window，目標是在處理長流程、多步驟任務時，降低運算成本與所謂的「思考稅」（thinking tax）。 這也顯示，AI 產業正從單一大型模型競賽，轉向更重視推理效率、多代理系統與開源生態的新階段。而 NVIDIA 也試圖藉此從 AI 晶片供應商，進一步轉型成為完整的 AI 生態系提供者。 多代理系統興起，推理成本成新瓶頸 AI 代理之所以成為新焦點，是因為企業希望它們不只回答問題，而能真正執行任務，例如協助寫程式、處理資安事件、搜尋資料，甚至完成跨工具的工作流程。但這類多代理系統也帶來新問題。 根據 NVIDIA 與《VentureBeat》引述的資料，多代理應用在執行長流程任務時，產生的 token 量可能是一般聊天互動的 15 倍。原因在於，代理每完成一步，都必須反覆帶入歷史脈絡、工具輸出與中間推理結果。這種現象被 NVIDIA 稱為「上下文爆炸」（context explosion）。當上下文持續膨脹，模型不僅更昂貴，也更容易在長任務中偏離原本目標。 另一個問題則是「思考稅」。也就是說，若每個子任務都交由大型推理模型處理，成本與延遲都會迅速上升，使 Agentic AI 很難在企業場景中大規模落地。Nemotron Super 3 的定位，正是試圖在這兩個瓶頸之間找到平衡。 Nemotron Super 3：為 Agentic AI 優化的開放模型 NVIDIA [&hellip;]</p>

Meta 公開四代 MTIA 路線圖：不只拚自研晶片，真正要打的是 AI 推論成本戰

<p>當全球 AI 競賽持續升溫，科技巨頭比拚的已經不只是模型能力，而是誰能用更快速度、更多元的硬體組合，撐起愈來愈龐大的訓練與推論需求。近日 Meta 公布 MTIA 300、400、450 與 500 等四代自研 MTIA 晶片路線圖，在這一系列晶片路線圖的背後，透露的是一場 AI 基礎設施戰略的加速。 Meta 一方面希望因應快速擴張的 AI 工作負載，另一方面也試圖透過自研晶片降低成本、分散硬體來源，因此這次發布的意義不只是單純的推出新晶片，更反映出 Meta 正在重新調整 AI 硬體布局的節奏與優先順序。 Meta 晶片戰略轉向，推論成為下一個主戰場 目前，首款新晶片 MTIA 300 已經投入使用並進入量產，主要負責支撐 Meta 內容排序（ranking）與推薦系統（recommendation systems）的演算法訓練。這也是在生成式 AI 崛起前，Meta 內部最主要的工作負載。 然而，隨著生成式 AI 浪潮興起，Meta 的硬體設計重點也隨之轉移。雖然 MTIA 400、450 與 500 等後續三代晶片仍具備處理各類工作負載的能力，但在近期至 2027 年間，將採取「推論（inference）優先」的策略，專門針對生成式 AI 的推論進行優化，並支援已訓練完成的模型產生文字或圖片等輸出。 針對此路線的轉變，Meta 工程副總裁 Yee Jiun Song 點出關鍵：「我們看到目前推論需求呈現爆炸性增長，這也是我們目前專注的重點。」相較於市面上主流 GPU 通常優先為模型「預訓練」而打造，Meta [&hellip;]</p>

沾邊 AI 已難募資，為何無法「產生結果」的 SaaS 不受矽谷創投青睞了？

<p>在矽谷乃至全球資本市場中，AI 熱潮正從「概念驅動」逐漸走向「價值檢驗」。過去幾年，只要公司與 AI 相關，往往更容易吸引投資人注意，但市場已經開始重新評估 AI 公司的真正價值。 創投圈的關注焦點，從單純的技術創新轉向更嚴格的商業模式檢驗。這不僅意味著投資偏好的變化，也反映出 SaaS（軟體即服務）產業的價值邏輯正在被重新定義。 近期軟體股與半導體股表現的分化，也透露出資本市場的資源重新配置。投資人逐漸將資金從單純「採用 AI 技術」的公司，轉向那些能夠提供 AI 基礎能力，或以 AI 為核心構建產品的企業。 從工具提供者到任務執行系統 在新的投資邏輯下，資本市場更加關注 AI 原生基礎設施，以及深度結合產業流程的垂直 SaaS 應用。背後原因在於，當 AI 模型逐漸普及並成為通用能力後，企業的真正競爭優勢往往來自「專有資料」與「流程控制能力」。 傳統軟體多半被視為輔助工具，其價值往往來自易用的介面與功能整合能力。然而在 AI 時代，軟體的核心價值逐漸轉向能否「完成任務」與「產生結果」。投資人因此更傾向支持那些能直接解決問題，而不只是提供工具的平台。 所謂「行動系統」，指的是軟體不僅提供資訊或介面，而是能在流程中自動執行任務並完成結果。當這類系統深入企業關鍵工作流程時，往往能形成高度黏著度與轉換成本。 相反地，如果 SaaS 產品只是將既有流程進行數位化，卻沒有掌握流程背後的資料與邏輯，在 AI 代理逐漸普及的情況下，其競爭力可能會變得相對脆弱。 AI Wrapper 模式逐漸失去吸引力 事實上，在創投圈中有一類產品近年開始受到更多質疑，這些產品通常是在既有 API 或 AI 模型之上，加上一層介面或輕量功能，因此被稱為「AI Wrapper」。 當產品只是透過 UI 或簡單自動化改善使用體驗，而缺乏深度流程能力時，其競爭優勢往往難以維持。隨著大型科技公司直接在平台層整合 AI 功能，這類產品更容易被替代。 例如當 Anthropic 或 Google 在系統底層提供更完整的 AI 能力時，僅依賴表層自動化或介面差異的工具，其吸引力就會逐漸下降。因此，投資人現在普遍對容易被 AI 代理取代的任務型工具，保持更高的警惕。 [&hellip;]</p>

《電通 2026 媒體趨勢報告》：未來媒體競爭不再是平台之爭，而是「人類行為瞬間」

<p>回歸人類行為本質，在演算法時代重新定義影響力 在 AI、短影音與串流平台快速演變的媒體環境中，品牌接觸消費者的方式正變得高度碎片化。平台持續更迭、技術不斷升級，但消費者如何做選擇、如何建立信任，以及如何記住一個品牌，其背後的人類行為邏輯卻始終相對穩定。電通最新發布的《2026 媒體趨勢報告》指出，在演算法主導的媒體時代，品牌競爭的關鍵不再只是「選擇哪一個平台」，而是能否在消費者做決策的關鍵「人類行為瞬間」產生影響力。電通媒體專業服務暨貝立德執行長盧炳勳指出：「過去品牌談媒體策略，常聚焦在平台與流量；但在演算法時代，真正的關鍵其實是『人類行為瞬間』。當 AI 開始參與決策流程，品牌必須思考如何在消費者產生需求、比較選擇與建立信任的關鍵時刻建立影響力。」 報告從人類行為出發，提出三大核心觀察與九大媒體趨勢，協助品牌重新思考在新媒體環境中的策略布局。 核心一：我們從簡單走向複雜（We Are Simple Until We Are Complex） 在嘈雜的世界裡，人們始終在尋求「簡單」。從找停車位、付款流程，到瀏覽內容的便利性，效率依然是消費者最基本的期待。但人並不只是追求結果，真正好的體驗，往往是在效率與情感之間留下剛剛好的感受空間。 隨著生成式 AI 與代理型 AI（Agentic AI）的發展，消費者正逐漸將部分決策權交給系統完成，例如產品推薦、內容搜尋與購物選擇。未來品牌面臨的問題，不再只是如何提升曝光，而是是否能被 AI 視為「值得推薦」的選項。 數位體驗長期以「更快、更順暢」為目標，從付款流程、內容瀏覽到電商交易，效率早已成為基本標準。然而當所有品牌都提供高度順暢的體驗時，真正的差異化反而可能來自「刻意設計的摩擦」。例如限量商品、期間限定活動、實體場域體驗或需要排隊的活動，這些看似不夠便利的設計，往往能創造更強烈的渴望與記憶點。電通指出，在高度自動化的媒體環境中，「適度摩擦」將成為品牌塑造情緒價值與文化感的重要策略。 搜尋不再只是單一入口，而是一段跨平台的連續行為。消費者可能從社群平台開始探索，在電商平台比較商品，再透過 AI 對話取得建議。電通指出，品牌需要從傳統 SEO 思維，轉向建立「全搜尋策略」，確保在社群、電商與 AI 對話等多個入口中保持可見度，並在消費者決策的關鍵時刻不缺席。 核心二 : 我們是社交動物 We Are Social Animals 人類天生具有社交本能。即便近年孤獨感議題受到關注，人們渴望連結的需求並未減弱。真正能被看見的品牌，不只是完成交易，而是促成連結。消費者期待品牌能讓人與人產生互動與共同參與，而不是單向傳遞訊息。 在資訊爆炸與真假難辨的環境中，消費者更依賴「像自己的人」作為判斷依據。信任正從完美的品牌說法，轉向創作者、社群與真實使用者的聲音。品牌若希望在社群中被接受，關鍵不在於強勢曝光，而是理解並尊重社群文化，支持創作者發展，讓品牌自然融入社群對話。 隨著即時通訊工具普及，消費者與品牌的互動正從單向訊息轉向持續對話。對話型互動不再只是客服工具，而是品牌關係經營的重要場域。以台灣市場為例，品牌透過 LINE 等平台整合會員資料、客服與銷售流程，將對話設計為完整的顧客旅程，正逐漸成為企業建立長期顧客關係的重要能力。 即使串流影音已成主流，直播（Live）仍然是集體記憶的製造現場。體育賽事、音樂活動與大型直播內容，仍然能讓不同世代在同一個情緒時刻產生共鳴。品牌若能在這些共享時刻中出現，往往更容易建立深刻且持久的品牌印象。 核心三  : 我們不「讀」廣告 ( We Don’t Read Advertising ) 娛樂性長期以來都是吸引注意力的重要因素，而在螢幕使用時間不斷上升與 AI 生成內容大量出現的情況下，人們的注意力變得更加分散。品牌若希望被看見，必須將品質置於數量之前，並重新思考如何創造值得觀看的內容。 [&hellip;]</p>

2 個工程師、3 個月搞定 600 PB 數據！揭密 OpenAI 內部 AI 代理如何讓 4 千名員工大省時間

<p>在過去，當企業分析師需要從海量資料中交叉比對各個地區與客戶群的營收時，往往需要耗費數小時甚至數天。他們必須在數以萬計的資料集中尋找正確的表格、撰寫複雜的 SQL 查詢語法，並反覆確認資料架構。如今，在 OpenAI 內部，員工只需要在通訊軟體 Slack 中輸入一段簡單的自然語言提問，幾分鐘內就能獲得一份完整的分析圖表。 這個改變背後的工具，是 OpenAI 內部一個由兩名工程師在三個月內打造的 AI 資料代理（AI data agent）。該系統如今已被約 4,000 名員工每天使用，能搜尋超過 7 萬個資料集與約 600 PB 的企業資料，讓員工透過自然語言就能完成複雜的資料分析。值得關注的是，其中 70% 的程式碼由 AI 生成。 搜尋 600 PB 海量資料，AI 代理的強大威力 OpenAI 面臨的資料挑戰極為龐大，其資料平台涵蓋超過 70,000 個資料集，總資料量高達 600 PB（Petabytes）。要在如此浩瀚的數據庫中找到正確的資料表，是資料科學家最頭痛的難題。 為了解決這個痛點，OpenAI 的資料平台團隊開發了一款基於 GPT-5.2 模型的 AI 資料代理。它被無縫整合到員工日常使用的介面中，包括 Slack、網頁介面、開發環境（IDE）以及內部的 ChatGPT 應用程式。 無論是財務團隊查詢營收數據、產品經理追蹤新功能採用率，或是工程師除錯系統延遲問題，這個 AI 代理都能跨越部門藩籬，將散落各處的資料進行統整與深度分析。 OpenAI 資料基礎設施負責人 Emma Tang 表示，這個系統平均每次查詢可節省 2 至 [&hellip;]</p>

【科技早餐】甲骨文交卷了：AI 基建不只燒錢，開始長出大單與現金流

<p>【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊甲骨文交卷了：AI 基建不只燒錢，開始長出大單與現金流 甲骨文 (Oracle) 最新財報電話會議釋出明確訊號：AI 基礎建設開始從投入期走向交付與變現。公司表示，近期已透過客戶預付款與「自帶硬體」模式，簽下總額 290 億美元新合約，AI 基礎設施收入年增 243%，成為本季最大亮點；剩餘履約義務也攀升至 5,530 億美元，較一年前成長超過四倍。財報公布後，盤後股價一度上漲超過 8%。 外界原本擔心，甲骨文未來高達 500 億美元的資本支出，可能帶來更大債務壓力，也擔心 AI 工具侵蝕 SaaS 生意。不過公司高層強調，未來三年已鎖定超過 10 吉瓦的電力與資料中心容量，其中超過九成將由合作夥伴提供資金，目標是在不明顯消耗自由現金流的情況下持續擴張，顯示市場開始把 AI 基建視為真正能交付、能變現的企業能力。 ＊NVIDIA 先投再供貨，Thinking Machines 直接鎖定 1GW 算力 NVIDIA 宣布，已對前 OpenAI 技術長 Mira Murati 創辦的 Thinking Machines Lab 進行重大投資，並建立多年期戰略合作夥伴關係。根據協議，NVIDIA 不只提供資金，也會供應晶片，協助該公司訓練與運行 AI 模型。Thinking Machines 預計在 2027 年初部署 NVIDIA 最新的 Vera Rubin [&hellip;]</p>

HBM4 壓力提前引爆：應用材料聯手兩大記憶體廠，AI 算力戰轉向量產與供應

<p>OpenAI、Google 與 Microsoft 等美國科技公司正快速擴建 AI 基礎設施，進一步帶動記憶體晶片需求，不僅拉緊供應，也推升價格。三星、SK 海力士與美光這三家全球最大的記憶體晶片製造商皆表示，目前已難以跟上暴增的需求。 IDC 形容，這場由 AI 帶動的晶片短缺是「一場前所未見的危機」。在這樣的背景下，當高頻寬記憶體（HBM）因為複雜堆疊帶來的量產挑戰，進而成為 AI 伺服器擴張過程中的關鍵限制之一時，記憶體的競爭已不只在單一產品，而是同步延伸到材料、製程、封裝與供應節奏上。為了解決這項影響整個 AI 產業進程的瓶頸，當決勝點不再只是單一晶片性能，而是整體量產與供應效率時，設備商也開始更早介入下一代記憶體的研發合作。 應用材料聯手美光、SK 海力士，從源頭共推下一代 HBM 與記憶體 呼應上述的量產挑戰，近日應用材料（Applied Materials）宣布與美光、SK 海力士合作，開發對 AI 與高效能運算至關重要的下一代記憶體晶片，美光與 SK 海力士兩家公司也將成為應用材料「設備與製程創新暨商業化中心」（EPIC Center）的創始夥伴。 應用材料表示，EPIC Center 是一項規劃中的 50 億美元半導體設備研發投資，資本支出將隨客戶專案啟動而逐步擴大至該規模。事實上，應用材料曾在 2023 年時表示，將對該研發中心投入最高達 40 億美元的資金，並預計在 2026 年上線，如今該計畫的預期投資規模已進一步擴大。 在具體的合作方向上，應用材料與美光的合作將聚焦於推進 DRAM、HBM 與 NAND，並結合 EPIC Center 與美光位於愛達荷州 Boise 創新中心的技術能力。至於應用材料與 SK 海力士的合作，則將聚焦在下一代 DRAM 與 HBM 的材料改良、製程整合，以及 3D 先進封裝。 [&hellip;]</p>

美國批准 26 州大規模試點、中國推 10 人座原型機：eVTOL 商業化進入倒數計時

<p>空中計程車正從概念驗證走向更接近實際運作的階段。近日美國政府已批准 8 個名為「Advanced Air Mobility 與 eVTOL Integration Pilot Program」的試點計畫，讓新型飛行器可望最快自今年夏天起，就能展開更廣泛的測試。這項整體計畫為期三年，橫跨美國 26 州、8 個區域，代表空中計程車不再只是單點示範，而是邁向更大範圍的區域性試運作，美國航空業也正試圖藉此追平中國在此領域的發展步伐。 這次參與測試的主要企業包括 Archer Aviation、Beta Technologies、Joby Aviation 與 Wisk，以及開發混合動力超短距起降飛行器的 Electra 等公司。這些業者強調其飛行器比傳統直升機或飛機更安靜、更便宜且排放更少的廢氣，其中許多公司也都擁有軍事與國防的資金及合約支持。這些測試的用途不僅鎖定在城市空中計程車，同時也涵蓋個人旅行、區域運輸、貨運物流與緊急醫療等多種場景。 雖然這些飛行器目前都尚未完成完整的美國聯邦航空總署（FAA）認證，且電動垂直起降飛機（eVTOL）要正式商業化，本來就需要多年的時間與數億美元的大量資金投入，但這次試點的重要性在於，它允許仍在正式型式認證流程中的飛行器，能先一步進入較貼近真實世界的運作驗證。 FAA 正替空中計程車測試「真正上路前」的條件 這項試點計畫的核心，在於參與的企業不能單獨進行測試，而是必須與州、地方、部落或領地政府進行合作，這代表 FAA 要驗證的不只是飛機本身，更是未來營運時需要搭配的治理、協調與場域條件。正如 FAA 副局長 Chris Rocheleau 所述，這些合作將提供寶貴的操作經驗，幫助他們更了解如何安全、有效率地將這些飛行器整合到國家空域系統中。 在具體場景方面，紐約與紐澤西港務局已與 Archer、Beta、Electra 以及 Joby 展開合作，預計測試 12 種營運概念，其中一種便是以曼哈頓直升機場為基地。另一個例子是德州交通部將與 Archer、Beta、Joby、Wisk 合作，測試串聯達拉斯、奧斯汀、聖安東尼奧，並在之後延伸到休士頓的區域飛行。同時，德州計畫的設計不僅止於單次飛行，而是要建構出從各個城市向外延伸的空中計程車網路。 此外，部分試點的地理範圍更為廣泛，例如由猶他州主導的計畫將在太平洋西北地區、洛磯山脈與奧克拉荷馬平原測試多種次世代飛行器與營運概念。賓州交通部主導的另一個計畫則將涵蓋 13 州，目標是振興全國各地的區域性飛行。 除了聚焦於載客，試點也包括了貨物運輸、醫療救援與自動化操作。具體來說，Beta、Elroy Air 等公司將測試前往墨西哥灣，以及路易斯安那州、德州、密西西比州等能源產業地點的貨物與人員運輸。另外，阿布奎基市政府也正與 Reliable Robotics 合作測試自動化操作。 從紐約直升機場到德州城市串聯，再到貨運、醫療與自動化，這輪試點測的是多種未來營運場景，而不只是單一飛行器表演。 中國大型 eVTOL 原型機現身，開始往「載客」目標推進 [&hellip;]</p>

工程師面試不只談薪水：矽谷開始把「AI 算力」寫進薪酬

<p>矽谷科技公司向來以優渥薪酬搶人才，薪酬結構通常由基本薪資、獎金與股票三大部分組成，但隨著生成式 AI 成為軟體開發的重要工具，科技業開始出現一種新的討論：AI 算力是否也應該成為工程師薪酬的一部分。 隨著生成式 AI 迅速普及，企業對於 GPU 與 AI 推論資源的需求急速上升，這些算力不只關係到產品開發速度，也直接影響工程師的生產力。《Business Insider》報導，一些求職者在面試時甚至會直接詢問，公司能提供多少 AI 推論（inference）算力，作為是否加入的重要考量。 這意味著工程師薪酬結構可能出現新的變化：除了薪資、獎金與股票之外，AI 使用額度或 token 配額，正逐漸被視為第四種薪酬要素。 AI 算力成為工程師的新「工作資源」 OpenAI Codex 工程主管 Thibault Sottiaux 最近在社群平台 X 上表示，他在招募工程師時，越來越常被問到：加入團隊後可以使用多少 AI 推論算力來開發？他指出，AI 使用量的成長速度遠高於使用者數量的增加，這代表算力資源正在變得更加稀缺，也越來越有價值。 這種稀缺性正在重塑工程師對於工作和薪資的看法。OpenAI 總裁 Greg Brockman 也直言：「你能使用多少推論算力，將越來越直接影響軟體開發的生產力。」換句話說，在 AI 時代，工程師若無法取得足夠的模型算力，可能就會比同事產出更少程式碼，甚至影響職涯發展。 AI token 可能成為薪酬新指標 這種變化已反映在工程師薪酬結構上。薪資網站 Levels.fyi 的資料專家 Hakeem Shibly 最近在一位軟體工程師的薪資資料中看見，候選人已經把「GitHub Copilot 訂閱」列為員工福利之一。 一些投資人與 AI 產業人士甚至預測，未來工程師薪酬可能直接以 token 預算呈現。創投機構 Theory [&hellip;]</p>

Moltbook 未成熟、內容真假難辨，Meta 為何仍出手收購？答案在背後的 AI Agent 團隊

<p>Meta 在 3 月 10 日宣布收購新創公司 Moltbook。這起交易之所以格外受到關注，不只是因為 Moltbook 是一個能讓 AI Agent 彼此發文與互動的社群平台，更因為它一邊快速爆紅，一邊始終伴隨「內容可能有人類介入」與安全漏洞等爭議。因此，這筆收購案的看點，除了 Meta 買下了一個話題平台之外，更重要的是 Meta 為何仍願意出手。 Moltbook 是什麼？一個 AI Agent 的社群平台 Moltbook 的社群網路原本就是設計來與另一個開源 AI 代理平台 OpenClaw（原名 Moltbot）搭配運作。OpenClaw 由開發者 Peter Steinberger 創建，本質上是 Claude、ChatGPT、Gemini 或 Grok 等 AI 模型的包裝層（wrapper），能讓人們透過 iMessage、Discord、Slack 或 WhatsApp 等日常通訊軟體，以自然語言與 AI 代理進行交流。 在這個基礎上，Schlicht 與團隊於今年初推出了面向 AI Agent 的平台 Moltbook。Moltbook 是一個類似 Reddit 的社交網路，可以讓使用 OpenClaw 的 AI [&hellip;]</p>

你的服務會被 ChatGPT 直接「內建」嗎？解析 a16z 最新報告與 2026 企業 AI 生存防禦戰

<p>創投機構 Andreessen Horowitz（a16z）近日發布第六版《百大消費者生成式 AI App》（Top 100 Gen AI Consumer Apps）榜單，試圖回答一個關鍵問題：哪些 AI 產品真的被主流消費者使用？《Forbes》則對此報告進一步提出企業應思考的 4 個大問題，以及制定 AI 平台策略的方法。 調查結果顯示，OpenAI 的 ChatGPT 仍然以壓倒性優勢領先市場，但 Google Gemini 與 Anthropic Claude 正快速成長。這場競爭不僅關乎誰能在 AI 助理市場暫時領先，更攸關誰能成為使用者的 「預設 AI 入口」（default AI），建立難以被取代的平台地位。 ChatGPT 仍領先，但 AI 平台競爭升溫 根據 a16z 的統計，ChatGPT 目前每週活躍使用者已達 9 億人，約占全球人口的 10%。在網站流量上，ChatGPT 規模是排名第二的 Gemini 的 2.7 倍，在行動端月活躍使用者方面也達到 2.5 倍差距。 然而競爭者正迅速追趕。資料顯示，Claude 的付費訂閱用戶年增率超過 200%，而 Gemini 的增長率更達 [&hellip;]</p>

拒絕「幾乎有用」的 AI 資訊噪音，高效團隊的 3 種 AI 成熟協作模式

<p>生成式 AI 迅速改變企業的工作模式，從撰寫報告、整理資料到起草提案，AI 能在短時間內完成大量內容生產，看似為企業帶來前所未有的效率提升。 然而，隨著越來越多組織導入 AI，一個新的問題也逐漸浮現：工作產出增加了，但決策與效率未必同步提升。 部分管理者開始發現，團隊看似更忙碌，實際上卻被大量「幾乎有用」的 AI 內容淹沒。這種情況逐漸被視為生成式 AI 時代的「生產力悖論」，也成為企業導入 AI 時必須正視的管理議題。 生成式 AI 帶來的生產力錯覺 生成式 AI 工具如今可以比任何人類團隊更快生成內容、摘要與建議，但速度本身並不等同於效率。若缺乏清晰的目標與結構化思考，快速產生的大量內容反而可能阻礙工作推進。 許多團隊在導入 AI 後出現一種表面上的高生產力現象：文件變多、報告更精緻、輸出速度加快，但真正完成的決策卻沒有增加。導致組織可能花費更多時間閱讀、整理與修正 AI 產生的內容，而不是專注於做出關鍵決策。 分析機構 Forrester 副總裁兼首席分析師 JP Gownder 指出，許多生成式 AI 技術在企業環境中的實際效果並不理想。許多生成式 AI 技術在企業環境中的實際效果並不理想。問題不僅存在於消費者體驗，在企業級應用場景中同樣明顯。 當 AI 產生的內容越來越多，但決策與行動卻沒有同步增加時，這些看似完整的輸出就可能形成表面上專業且令人印象深刻，卻未必能推動工作真正向前的「資訊噪音」。 AI 噪音如何削弱判斷與決策 在一些企業中，員工撰寫的內容變多，但做出的決策卻變少；團隊感覺工作更加忙碌，但效率卻沒有真正提升；公司文件與報告看起來更精緻，但內容卻越來越雷同。這種現象有時被比喻為音樂中的「過度演奏」。 當演奏者過度追求速度與技巧，而忽略意圖、情感與結構時，音符再多也無法形成真正動人的作品。同樣地，AI 若只是增加輸出，而不是提升判斷力，就可能讓組織陷入內容膨脹卻缺乏方向的困境。 企業領導者與其問「AI 能為我們做什麼」，更重要的問題是：「人類必須做什麼，而 AI 應該如何強化這些能力」。 在許多組織中，生成式 AI 最有效的用途並不是取代人類思考，而是協助完成繁瑣工作。 例如，管理團隊可以利用 AI 精簡冗長的董事會報告，但敘事與結論仍由人類決定；銷售團隊可以使用 AI 起草提案，但客戶策略與關係建立仍由業務人員主導；營運團隊可以自動生成報告，但數據解讀與決策仍需管理者負責。 也就是說 [&hellip;]</p>

Microsoft AI Summit Taipei 重磅登場，引領人機協作新篇章

【SEO 新戰場】AI Overview 有近 3 成答案來自 YouTube！破解 AI 最愛引用的影音特徵

<p>當使用者越來越習慣直接從 AI 生成的答案中獲取資訊，品牌能否出現在 AI 的引用來源之中，開始成為新的可見度競爭焦點。近期多項分析顯示，YouTube 正快速成為 AI 模型的重要資料來源，其中最關鍵的因素，並不是影片本身，而是背後的「逐字稿」。 根據 SEO 公司 BrightEdge 的分析，在 Google 的 AI Overviews 中，YouTube 影片被引用的比例已達 29.5%，成為最常被 AI 擷取資訊的網站，也正式超越過去被視為重要資料來源的 Reddit。這也說明，當使用者透過 Google 搜尋問題並看到 AI 生成摘要時，近三成的資訊其實來自 YouTube 內容。以品牌端的角度來看，這意味著若在 YouTube 上缺乏具有資訊價值的內容，未來在 AI 搜尋結果中的曝光度可能會持續下降。 低風險、高結構，YouTube 成為 AI 搜尋的最愛 AI 模型之所以偏好 YouTube，與平台本身的資料結構密切相關。AI 廣告解方供應商 Optise 的執行長兼共同創辦人 Ómar Thor Ómarsson 指出，與一般網頁相比，YouTube 的內容通常包含完整逐字稿、清楚的後設資料（Metadata）以及影片章節（Chapters）。這些結構化資訊讓 AI 更容易解析影片內容的主題與段落，也降低了引用時的風險。對於需要快速生成答案的 AI 系統來說，這類可被機器直接閱讀與整理的資料來源，比起結構鬆散的論壇或社群貼文更可靠。 因此，YouTube 在 AI [&hellip;]</p>

【科技早餐】黃仁勳重畫 AI 版圖：AI 不只是模型，而是五層基礎設施

<p>【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊黃仁勳重新定義 AI：從模型競賽走向五層基礎設施 NVIDIA 執行長黃仁勳在 GTC 2026 登場前，於官方部落格提出「五層蛋糕」AI 架構，將 AI 拆解為能源、晶片、基礎設施、模型與應用五個層次。NVIDIA 指出，AI 已不只是單一模型或聊天工具，而是建立在真實硬體、真實能源與真實經濟體系上的新型基礎設施。 黃仁勳表示，AI 已從預寫指令的舊式運算，轉向依上下文即時推理、即時生成智慧，因此從電力、晶片、機房到應用，整個堆疊都必須重設。他並指出，全球目前僅投入數千億美元，但仍有數兆美元規模的 AI 基礎設施尚待建構，這正成為人類史上最大規模的基建工程。 ＊日本把 2040 晶片目標拉高 5 倍：40 兆日圓追趕 AI 時代 日本政府今天宣布，將 2040 年日製半導體年銷售額目標提高到 40 兆日圓，約為目前 8 兆日圓的 5 倍，也高於既有的 2030 年 15 兆日圓目標。這項新目標屬於首相高市早苗成長投資策略的一部分，未來幾個月還將提出更完整的發展藍圖，並納入明年預算規畫。 日本曾在 1980 年代拿下全球晶片市場約一半市占率，但在 1990 年代後因美日貿易緊張與本土電子產業萎縮迅速失勢，如今市占率不到一成。隨著 AI 帶動先進晶片設計與製造需求升溫，日本正試圖把半導體重新拉回經濟安全戰略核心，藉由擴大公共投資與產業布局追趕全球競爭對手。 ＊中國電動重卡進軍歐洲：價格最多打七折，技術被指超前 3 年 繼中國電動車之後，中國電動重型卡車今年也正快速進軍歐洲。《路透社》指出，至少有 6 家中國業者計畫今年在歐洲開賣電動重卡，包括比亞迪、吉利控股旗下遠程汽車（Farizon）、三一（Sany）、中國重汽、葦渡科技（Windrose）與速豹（SuperPanther），目標直接挑戰歐洲既有市場。 這些業者希望把產品價格壓在歐洲同級車均價的約 7 [&hellip;]</p>

騰訊、阿里巴巴、字節跳動都出手：OpenClaw 如何在中國引爆 AI 代理的產業級競賽？

<p>近期在全球科技圈爆紅的開源 AI 代理框架 OpenClaw，正在中國掀起一股「AI 代理熱潮」。在騰訊深圳總部，近期出現近千人排隊，只為等待工程師免費協助安裝 OpenClaw 的場景。 這股熱潮不只出現在使用端，也迅速蔓延到中國新創與開發者社群。例如杭州 AI 新創 Mindverse 近日舉辦一場為期五天的線上黑客松（hackathon），參賽者已經做出各式各樣圍繞 AI 代理的新應用，像是替人類尋找對象的 AI 代理交友軟體、讓求職者 AI 與雇主 AI 直接面談的求職網站，以及讓使用者 AI 分身在虛擬世界旅行、定期撰寫遊記的應用程式。Mindverse 共同創辦人暨執行長 Felix Tao 就形容，現在他認識的每一位創辦人，都正在開發新專案，試圖測試個人 AI 代理能力的邊界。 中國 AI 公司正把 OpenClaw 從開發工具變成平台入口 「中國的科技創業者對 OpenClaw 做出立即反應並推出新專案，因為他們知道所有的競爭對手也會做同樣的事，沒有人想被拋在後頭，」中國新創公司 Qveris 共同創辦人 Dongqi Qu 在一場吸引約 300 名開發者參與的北京 OpenClaw 交流聚會後說道。目前 Qveris 也推出基於 OpenClaw 的 Qverisbot，用以執行需要存取真實世界經濟與市場數據的任務，Dongqi Qu 個人更正在開發用於交易股票與金融產品的個人 AI 代理。 這波創業者與開發者快速跟進的背後，有中國本地模型與雲端基礎設施的關鍵支撐。OpenClaw [&hellip;]</p>

NVIDIA、三星、貝佐斯全上車！楊立昆 AMI Labs 獲逾 10 億美元融資，為何資本瘋搶「後 LLM 時代」？

<p>AI 研究領域的重要人物、圖靈獎得主楊立昆（Yann LeCun）再次引發市場關注。這位曾任 Meta 首席 AI 科學家的學者，為其新創公司 Advanced Machine Intelligence（AMI Labs）完成 10.3 億美元的種子輪融資，成為歐洲有史以來規模最大的首輪募資案之一。 這家成立不到三個月的公司目前估值已達 35 億美元。投資方包括 NVIDIA、Samsung、Temasek、Bezos Expeditions、Cathay Innovation、Greycroft、Hiro Capital 等多家科技與創投機構。此輪融資不只顯示市場對 AI 新創的高度熱情，也反映投資人正開始押注超越大型語言模型（LLM）的新一代 AI 技術路線。 AMI Labs 的目標，是打造能理解現實世界的「世界模型」（world models），而不是僅依賴文字資料訓練的 AI 系統。 從語言模型走向「理解世界」的 AI 近年 AI 產業的核心技術幾乎都圍繞大型語言模型，例如 OpenAI 的 GPT 系列或 Meta 的 Llama。但楊立昆長期批評這類模型的能力存在限制。 他認為，主要依賴文字資料訓練的 AI 系統難以真正理解物理世界，也難以實現更高層次的推理能力。因此，AMI Labs 正嘗試發展另一條技術路線：讓 AI 透過影片、空間資料與感測資訊來學習環境，建立對現實世界的理解。 這種方法打造的 AI 被稱為世界模型，其概念是讓 AI 能預測現實世界中的事件與行為，而不只是生成文字或圖片。 [&hellip;]</p>

AI 機器人平台戰場擴大：高通推出 Arduino VENTUNO Q 挑戰 NVIDIA

<p>過去 10 年，AI 多數運行在雲端資料中心，但隨著機器人、自動化設備與智慧裝置快速發展，AI 正逐漸從雲端走向邊緣裝置，直接進入實體世界。Arduino 宣布推出新一代單板電腦 VENTUNO Q，鎖定 AI、機器人與自動化控制應用，反映出邊緣 AI 平台競爭正逐漸升溫。 根據 Arduino 官方說明，VENTUNO Q 採用高通的 Qualcomm Dragonwing IQ8 系列處理器，內建可達 40 TOPS 的神經網路處理器（NPU），並搭配 16 GB RAM 與最高 64 GB 儲存空間，可用於執行本地 AI 推理與多任務運算。平台同時支援 Ubuntu 或 Debian Linux 系統，並提供 Wi-Fi 6、Bluetooth 5.3、2.5 Gb Ethernet，以及多組 MIPI-CSI 相機介面等功能，鎖定機器人、視覺 AI 與邊緣運算場景。 AI 與即時控制整合的「雙大腦架構」 VENTUNO Q 的最大特色，是採用 Arduino 所稱的「雙大腦架構」（dual-brain architecture）。系統一方面由 Qualcomm [&hellip;]</p>

產線調試時間減 80%、成本省 40%！ABB 聯手 NVIDIA 瞄準工廠落地瓶頸，鴻海率先試點

<p>ABB 機器人部門（ABB Robotics）近日與 NVIDIA 宣布合作，將 ABB 的 RobotStudio 機器人模擬平台結合 NVIDIA Omniverse 的模擬資料庫，目標是縮小工業機器人在虛擬模擬與真實工廠部署之間的差距。 《金融時報》報導，這項合作旨在推進「支援 AI 的自主機器人（AI-enabled autonomous robots）」發展，而這些可在虛擬條件中訓練的工業機器人，目前已在鴻海（Foxconn）工廠進行試驗。 從「模擬與現實的差距」下手，ABB 要先補上機器人落地工廠前的訓練斷層 《路透社》指出，ABB 將利用 NVIDIA Omniverse 的「模擬資料庫」（simulated data libraries），讓機器人在進入真實工廠前，先在更接近真實環境的模擬條件中受訓。報導提到，這套系統將納入光線、陰影和紋理等細節因素，以改善機器人在真實工廠中的表現。 為說明模擬訓練的必要性，ABB 機器人業務總裁 Marc Segura 向《路透社》解釋，機器人通常對周遭環境的資訊掌握有限，這可能會削弱其運作的準確度、可重複性與速度。他舉例，若工廠機器人在會產生巨大震動的沖壓機旁工作，其效能往往會下降。過去，機器人需要花費時間學習或重新編程來應對震動，但透過這項新技術，機器人能在虛擬環境中預先受訓，因此能「從上線第一天就懂得如何應對」。 這樣的模式更呼應當前產業界的趨勢：企業越來越傾向在數位模擬中先進行生產規畫與機器人設置，以便在實體設備運作前就能及早發現問題。ABB 進一步表示，模擬精準度與真實世界環境之間的落差，長久以來被稱為「模擬與現實的差距」（sim-to-real gap），而這次合作的目標，正是縮小這項差距，並把工業級實體 AI 以規模化方式帶進產業現場。 把設計、測試到部署串成同一套流程，NVIDIA 要讓機器人更快走出虛擬世界 NVIDIA 則表示，這項技術整合將為全球超過 6 萬名機器人工程師帶來統一的工作流程，並讓製造商可先在虛擬環境中設計、編程、測試和驗證整個自動化單元，再部署真實的機器人。 NVIDIA 進一步指出，系統會將 ABB 的 RobotStudio 中完全參數化的機器人工作站，包含機器人、感測器、照明、運動學和零件等，以 USD 檔案格式匯出至 Omniverse 中。接著，再由 ABB 的虛擬控制器執行與實體機器人完全相同的韌體（firmware），以確保模擬與現實的行為達到 99% [&hellip;]</p>

台灣帆軟、思科、研華科技、祐謙科技在 AI 智慧大工廠論壇，解密企業實現超自動化與低碳轉型的應用戰略

<p>隨著 AI Agent 技術成熟，能夠自我最佳化且完全自主的「AI 原生工廠」逐漸從願景走向現實，甚至達到「超自動化」。在製造業邁向「超自動化」工廠的進程中，如何建立穩健的數位核心與轉型地基？2026 年 TechOrange 科技報橘「AI 智慧大工廠」系列論壇首場從台北出發，邀集重磅產業專家，深度剖析企業提升工廠自主性、建立差異化競爭優勢的新戰略。 全球營運數位化，如何設計多地多廠部署架構？ 台灣帆軟客戶經理孫平指出，台灣製造業長期深耕全球供應鏈，憑藉卓越的跨區域協作與彈性生產，已建立具國際競爭力的營運模式。然而，隨著企業邁向全球化佈局，如何以更一致、敏捷且可靠的方式管理海外據點，成為當前營運轉型的核心挑戰。 孫平分析，企業在建構全球營運數據平台時，常面臨「部署架構」的選擇。傳統的各地獨立部署模式雖能保有高度自治，讓報表與使用者體系互不干擾，並避免跨國帶寬導致的網路卡頓，但其劣勢也顯而易見：開發人力分散，導致集團難以建立統一的權限與數據模型，最終形成各廠區數據各吹各號的孤島現象。 若採取統籌部署模式，雖然能確保環境與範本由總部統一維護、權限規則一致，卻也帶來了權限管理複雜化、需配置專職維運人員等挑戰，且海外屬地的需求往往受限於中心管控，難以發揮在地彈性。 「從長遠競爭力來看，我們更推薦企業採用資料分級混合部署的架構，」孫平強調。這套模式結合了帆軟技術優勢，能直接連通本地資料庫與伺服器，解決數據上傳時的延遲問題。 透過「資料分級」機制，企業僅需同步集團管理所需的關鍵彙總數據，大幅降低跨境傳輸明細資料的專線流量成本。而在最關鍵的數據口徑統一面上，總公司可定義核心資料格式，其餘報表則保留給分廠自行開發，在嚴謹治理與在地彈性間達成完美平衡。 台灣帆軟致力提供專業的商業智慧與資料管理服務，透過系統化的數據治理與跨境應用經驗，協助企業解決跨國營運中常見的權限混亂問題。孫平總結道：「明確的分層權限管理，將助集團總部洞察全局趨勢，同時讓子公司聚焦在地業務，真正實現視角統一、權限清晰的全球化經營。」 完整工業等級通訊方案，打造 AI 時代的安全 OT 神經網路 台灣思科亞太區工業物聯網產品經理吳竣民表示，製造業推動 AI 數位轉型時，往往面臨現場資料難以取得、設備運作狀態不透明，以及 OT 資安風險逐漸累積等挑戰。許多企業希望升級 OT 網路環境，但又擔心網路架構變動可能影響產線運作。因此思科建議企業採取三階層架構，建立 OT 的「神經網路」，在確保產線穩定的同時，讓現場設備資料能安全地被收集與整合，成為 AI 與智慧製造的重要基礎。 吳竣民說明，企業需要先盤點現場終端設備，例如 PLC、控制器、感測器與智慧電表等，再進一步了解不同應用系統與管理平台的需求，並在中間層建立統一的 OT 通訊架構。過去許多工廠採取的是一套設備搭配一套網路的方式建置，當新系統導入時往往發現不同網路難以整合，不僅增加管理複雜度，也容易形成資安死角。因此思科建議透過統一的工業網路架構，提升 OT 環境的可視性，並為後續資料整合與 AI 應用奠定基礎。 為協助企業建立完整的 OT 可視化能力，思科 IE 工業交換機可直接搭載 Cisco Cyber Vision。這套 OT 可視化平台能在網路邊緣即時進行 OT 封包深度解析（Deep Packet Inspection），自動識別 PLC、HMI [&hellip;]</p>

幫 AI 除錯比自己寫還累？安永終結重工地獄的底層架構解法：上下文宇宙

<p>AI 可以在幾分鐘內生成數千行程式碼，並在近期引發了一波軟體產量大爆發。根據《金融時報》分析，自 2024 年底起，美國開發者在 GitHub 上的程式碼提交量年增率飆升至 35%，全球 iOS App 的新發布量與新網站註冊量也分別出現約 50% 與 40% 的大幅成長。然而，這些龐大的發布數量並不等於企業真正「可用」的程式碼。 《VentureBeat》報導，由 AI 快速生成的程式碼有個問題：其中相當一部分無法在企業內部實際部署。它們可能違反了內部工程標準、無法通過資安與合規性審查，甚至工程師為了幫這些程式碼除錯與清理，所花費的時間比自己從頭寫還要多。 「你可以產生大量的程式碼，但這其實沒什麼意義，」安永全球客戶技術工程負責人 Stephen Newman 表示，程式碼必須具備可整合性與合規性，否則只是在前端加速生成，卻在後端製造更多麻煩。 建構「上下文宇宙」，打破 AI 代理落地的合規瓶頸 為了解決這個走向企業生產線的瓶頸，安永的產品開發團隊著手在既有的 IT 架構中打造一個全新的 AI 操作層。安永將選定的 AI 程式編寫代理，例如內部廣泛採用的 Factory 工具，與企業內部的程式碼庫、工程標準以及合規框架進行深度串接。 Newman 將這個高度整合的環境稱為「上下文宇宙」（context universe）。當 AI 代理具備了讀取公司專屬架構與規範的能力後，其產出的程式碼便能自然符合安永的內部標準，大幅降低了後段的重工率。 工程師角色轉型：從單純的執行者邁向「編排者」 這套機制的成功落地，不僅仰賴技術整合，更推動了安永軟體工程師角色的典範轉移。他們意識到，必須對 AI 代理的自主權限進行嚴格分類。對於程式碼審查、文件撰寫、錯誤修復以及全新功能開發等高自主性任務，AI 代理能發揮極大的效益；但如涉及大規模系統重構、底層架構決策與跨系統整合等高度複雜的任務，則仍須保留給人類工程師進行嚴密監督。 在這樣的架構下，工程師不再是需要親自敲打每一行基礎程式碼的執行者，而是轉型為指揮系統運作的「編排者」（orchestrators），核心價值在於引導 AI 代理前往正確的資料庫執行任務，並確保整體架構的邏輯一致性。 生產力倍增幕後：反覆試錯與底層架構整合 在落實安全防護機制與底層架構整合後，安永內部數據顯示，早期採用階段的不同職位獲得了 15% 到 60% 的效率提升，而全面實施半自主開發模式的團隊，整體生產力則達到 4 到 5 [&hellip;]</p>

AI 生成的密碼為何不安全？「看起來複雜」才是最大漏洞

<p>近期一項由資安公司 Irregular 進行的研究透露，我們日常倚賴的大型語言模型，包括 Claude、ChatGPT 與 Gemini，在生成密碼這件看似簡單的任務上，存在嚴重的安全缺陷。 這些 AI 產出的密碼乍看之下符合所有安全準則，實際上卻高度可預測。密碼被暴力破解的成本，遠低於多數人的想像。這項發現不僅對個人用戶構成警示，更對企業開發流程與供應鏈安全帶來深遠影響。 LLM 密碼的「強度錯覺」 多數人判斷一組密碼是否夠強，最直覺的做法就是將它丟進線上密碼強度檢測工具，這些工具會根據字元集合的多樣性與長度來估算破解難度。一組包含大小寫字母、數字與特殊符號的 16 字元密碼，通常會被判定為「需要數百年才能破解」。 然而，這套評估邏輯建立在一個前提上：密碼是隨機生成的。當密碼來自 LLM 時，這個前提便不再成立。 Irregular 的研究團隊分別要求 Claude、ChatGPT 與 Gemini 生成符合標準安全規範的 16 字元密碼，結果令人驚訝：這些密碼雖然表面上複雜，卻呈現出固定的模板與偏好。 研究人員針對 Claude 的 Opus 4.6 模型進行了 50 次獨立測試，每次都在不同的對話視窗中提出相同請求。結果顯示，50 組密碼中僅有 30 組是獨特的，其中 18 組甚至是完全相同的字串。更值得注意的是，絕大多數密碼的開頭與結尾字元呈現高度一致性，且沒有任何一組密碼包含重複字元。 這種「無重複字元」的特徵看似增強了安全性，實際上卻恰恰證明了這些輸出並非真正隨機。真正的隨機序列理應偶爾出現字元重複，而 LLM 刻意避免重複的行為，正是其遵循「看起來像密碼」這種學習模式的證據。OpenAI 的 GPT-5.2 與 Google 的 Gemini 3 Flash 同樣展現類似傾向，尤其在密碼開頭部分的一致性特別明顯。 可預測性如何讓暴力破解變得可導引？ 理解這項研究的關鍵在於「熵值」的概念（測量系統「無序程度」或「不確定性」的指標，熵高=混亂/不確定，熵低=有序/可預測）。研究團隊使用資訊熵（Shannon entropy）與模型自身的對數機率兩種方法，估算 LLM 生成密碼的實際熵值。結果顯示，這些密碼的熵值僅有約 [&hellip;]</p>

企業 AI 資料準備新思維，Empromptu 用「黃金管線」將 14 天任務縮短只需 1 小時

<p>Empromptu 藉由自主開發的「黃金管線」平台，將資料正規化直接整合到 AI 應用的工作流程中，把原本需要 14 天的人工資料處理任務，大幅縮短到 1 個小時之內完成。</p>

AI 估值邏輯變了！KPMG 揭創投市場資本走向極端集中，2026 將是「大併購時代」

<p>專訪：戴季全撰稿：李昀蔚 「我們發現了一個極具震撼的數字，就是全球的十大創投交易中，金額大概是 373.8 億美元，這 370 幾億裡，有 320 億元集中在八家新創公司，讓我們覺得，這不是普降甘霖，是極端的資本集中，」本集《全新一週》邀請到 KPMG 安侯建業創新與新創服務團隊主持會計師黃海寧，回顧 2025 年全球創投環境變化，並展望 2026 年的趨勢走向。 黃海寧指出，2025 年之所以被視為全球創投市場的重要轉折年，不只是因為資金規模回升，更關鍵的是資本流向已經出現結構性改變。從資金規模來看，2025 年第四季全球投資額達 1,381 億美元、全年更突破 5,000 億美元，但若進一步拆解資金流向，就會發現這不是一場普遍繁榮，而是一場高度集中的資本重配。 2025 年創投市場的轉折：資本開始極端集中 「所以到了 2025 年晚期，資本邏輯已經從過去的分散式下注，轉向 AI 主權級的資產配置，」黃海寧分析，在投資集中的八家新創公司中，領頭的是 Anthropic，單輪募資就達 150 億美元，此外還包括 Project Prometheus、Anysphere、Reflection AI、Polymarket、Lambda 與 Crusoe 等公司。 黃海寧也強調，更重要的是這些公司並不是隨機分布，而是剛好落在 AI 產業的三層架構上：最上層是模型與 AI Agent，掌握的是 AI 的「大腦」；中間層是應用與工具，掌握 AI 的現金流；最底層則是算力與能源，掌握 AI 的物理基礎。「現在的投資，已經不是把 AI 當作單一賽道，應該是從一個國家級基礎建設的概念下，投資這些新創，」黃海寧認為，從模型、應用，到 GPU、雲端伺服器、資料中心，甚至驅動 AI 的能源系統，資本已經開始把整條供應鏈視為同一場長期布局。 這也解釋了為什麼這一波 AI [&hellip;]</p>

【科技早餐】不只 NVIDIA 吃下 AI 紅利，博通正把晶片戰場推向 ASIC

<p>【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊不只 NVIDIA 吃下 AI 紅利，博通正把晶片戰場推向 ASIC 晶片與基礎設施軟體大廠博通（Broadcom）預估，2027 年 AI 晶片相關營收將突破 1,000 億美元。隨著大型科技公司持續擴建 AI 基礎設施，市場關注焦點正從單一 GPU 競爭，進一步延伸到客製化 ASIC。市場預估，Alphabet、Microsoft、Amazon 與 Meta 今年在 AI 基礎設施上的總投資，可能超過 6,300 億美元，涵蓋晶片、伺服器、儲存與網路設備。 博通近年藉由設計客製化 AI 處理器切入資料中心市場，提供雲端業者可替代高階 GPU 的方案。公司執行長陳福陽（Hock Tan）表示，博通已提前確保先進晶圓與高頻寬記憶體（HBM）供應到 2028 年。隨著雲端業者加速部署 AI 基建，市場預期博通在客製化晶片與資料中心供應鏈中的角色將持續上升。 ＊OpenAI 與甲骨文談不攏，德州「星際之門」擴建案出現新變數 外媒引述消息人士指出，OpenAI 與甲骨文（Oracle）原本規劃在德州阿比林（Abilene）園區附近擴建 600MW 的資料中心容量，但因融資談判拖延，加上 OpenAI 需求持續變動，雙方已放棄這部分的大規模租賃擴建計畫。該園區原本就是「星際之門」（Stargate）計畫的一部分，整體投資規模上看 5,000 億美元，容量達 10GW。 阿比林園區目前占地約 1,000 英畝，共有 8 棟大樓，其中 2 棟已投入營運，其餘仍在建設中。報導也指出，Meta [&hellip;]</p>

Circle、Stripe 為何押注穩定幣？AI Agent 經濟正替它找到新舞台

<p>AI 代理（AI Agents）正開始被金融與科技公司視為下一波數位經濟的重要參與者，而穩定幣可能成為支撐這個機器經濟的重要支付基礎設施。 包括 Circle 與 Stripe 在內的支付與加密公司，正積極打造新的支付系統，押注未來可能出現一種新的交易型態：由自主 AI 代理彼此購買資料、API 或軟體服務，並透過穩定幣進行大量低額、高頻的微交易。這類交易模式，可能無法由現有信用卡網路有效支援。 雖然穩定幣在實際商業應用上的採用仍然有限，但 AI agent 的興起，正為其提供一個新的發展方向。 AI 代理經濟：穩定幣的新應用場景 《Bloomberg》報導，穩定幣一直以來的主要訴求，是在跨境支付上提供比傳統金融系統更快、更便宜的交易方式。但在國內支付場景中，這樣的優勢其實較難突顯。代理式支付因此被視為突破口：在這種情境下，穩定幣相對於信用卡或傳統支付系統的優勢，不只是小幅改善，而是結構性的差異。正因如此，產業一直在尋找新的成長敘事，而 AI 代理正迅速成為這個故事的重要一環。 穩定幣產業將「Agentic payments」（代理支付）視為下一個重要應用場景，這類交易指的是軟體代理之間進行的高頻、小額支付，例如購買資料查詢、API 呼叫或 AI 服務。 Circle 執行長 Jeremy Allaire 就在日前公司財報電話會議上表示，穩定幣可能成為「機器對機器」（machine-to-machine）商業活動的原生貨幣。他指出，真正的機會並不在於 AI 代理替人類在電商網站購物，而是在 AI 系統彼此之間的服務交換。 舉例來說，一個法律分析 AI 代理可能為企業提供合約分析服務，而另一個 AI 系統在需要資料或專業能力時，可以直接向該代理購買服務。這類交易金額可能只有幾美分，但交易頻率可能極高。 Benchmark-StoneX 分析師 Mark Palmer 指出，這正是穩定幣可能發揮優勢的地方。他表示，微交易對於傳統支付系統而言並不理想，因為信用卡通常包含固定手續費與百分比費率，加上較長的結算時間，使得小額交易成本過高。相比之下，穩定幣具備即時結算與可程式化特性，可以直接嵌入軟體工作流程中，因此更適合支援 AI 代理之間的自動化交易。 Stripe、Circle 加速布局穩定幣基礎設施 這種未來情境正促使支付與加密企業加速建設相關基礎設施。Stripe 近年大舉投資穩定幣相關技術，包括在 2024 年以約 11 億美元收購穩定幣基礎設施公司 Bridge，並與加密創投 [&hellip;]</p>