<p>在當前的金融科技（Fintech）浪潮中，傳統銀行正處於數位轉型的關鍵十字路口。 隨著 Open Banking 與 API Economy 的興起，金融機構面臨雙重壓力：一方面需快速迭代以滿足客戶對數位服務的期待，另一方面則必須在極度嚴苛的合規監管下，確保核心銀行系統（Core Banking）的穩定與安全。目前市場上的主要痛點在於「混合雲（Hybrid Cloud）架構」的落地難題，即是如何讓部署於 Google Cloud 的雲端原生（Cloud Native）API 管理平台（如 Apigee X），安全、低延遲且透明地存取位於地端（On-Prem）的傳統後端服務。 本案例正是此挑戰的標準縮影，展示了在不更動地端龐大遺留系統（Legacy Systems）的前提下，如何透過精準的網路架構選型，解決 DNS 解析與跨網段連線的複雜性，為金融業提供了一套可複製的現代化藍圖。 突破地端連線瓶頸：南向流量的最佳實踐 對於企業決策者而言，技術架構的選擇直接關乎營運效率與維運成本。在實戰案例中，針對連接地端的「南向流量」（Southbound），經過萬里雲技術團隊的審慎評估，捨棄了管理成本高昂的「Mixed PSC」方案。雖然 Private Service Connect (PSC) 提供了強大的隔離性，但在混合環境下，若需為每個後端服務建立獨立連線，不僅架構複雜、配置繁瑣，會導致雲端服務成本變高之外，也容易引發 DNS 查詢的問題。 為了簡化網路架構並節省雲端的花費，採用了 VPC peering + VPN/Interconnect 網路架構。此架構的核心價值在於利用 Cloud DNS Forwarding Zone 技術，建立了一套可以結合地端 DNS 的解析流程。 當 Apigee 透過 Cloud DNS 對後端服務發起請求時，Cloud DNS 能直接將針對地端網域（如 targetserver.onprem.com）的查詢轉發至地端 DNS，並獲取正確 IP […]</p>
<p>在全球地緣政治震盪與供應鏈重組的嚴峻考驗下，台灣無人機與航太產業要如何在國際市場突圍？在今（3/26）日由經濟部產業發展署、TMBA 工具機公會、TechOrange 科技報橘、PMC 精機中心共同舉辦的「2026 智慧大工廠論壇──台灣國際工具機展特別場」中，特別邀請到漢翔航空工業總經理莊秀美與雷虎科技技術長楊富森同台分享。 作為在台灣無人機聯盟中互為「革命夥伴、生命共同體」的指標企業，漢翔與雷虎分別從製造端的「AI 數據賦能」及應用端的「全面打造非紅供應鏈」出發，深度剖析台灣無人機與航太產業如何在全球變局中，搶佔難以被取代的競爭高地。 從老師傅經驗到 AI 決策，漢翔用數據改寫航太製造邏輯 身為波音與空中巴士的第一線供應鏈，並肩負勇鷹號與經國號等國防戰機的製造重任，漢翔一路走來，一直面臨著極為嚴苛的精密加工挑戰。漢翔航空工業總經理莊秀美表示，過去航太製造業長期存在高度仰賴「老師傅」經驗的痛點，因此在精密鑄件這一類高度勞力密集的環節中，一旦老員工離職或出現人力斷層，良率甚至可能跌破五成，進而造成嚴重的供應鏈延宕。「老師傅其實是一個隱形的生產法則，」莊秀美直言，這樣的狀況，也讓漢翔反思，如何從傳統的經驗決策，走向由數據與 AI 驅動的轉型？ 為了解決這樣的困境，漢翔把 2024 年定為「生成式 AI 元年」，並開始在多個關鍵製程中導入 AI 技術。例如，航太材料動輒百萬起跳，若出現斷刀的狀況，生產成本就會大幅提升，因此漢翔透過收集加工時的震動參數，建立 AI 刀具壽命預測系統，成功防堵斷刀危機並精簡成本。 此外，在現代客機大量使用的複合材料方面，由於複合材料製程宛如烤麵包般精密，需要精準控制溫度與壓力，因此漢翔便在造價兩億的熱壓爐中佈滿感測器，「如果我們在過程中，發現溫度曲線或壓力曲線有異常，立刻就可以即時處理，避免整爐報廢的狀況，」莊秀美說。 目前，漢翔的智慧製造解決方案平台更已向外推展，不僅輔導超過 40 家同業、協助上萬台機台完成聯網轉型，更帶動同業提升 20% 的品質與 30% 的設備利用率。 從非紅供應鏈到 AI 實戰化，雷虎補齊陸海空戰略版圖 相對於漢翔近年在生產線上的 AI 轉型，雷虎科技首先看準了國際局勢的變化，在競爭激烈的軍工市場中打出一場「非紅供應鏈」的突圍戰。雷虎科技技術長楊富森指出，配合美國軍方尋求非紅供應鏈的戰略需求，雷虎全面將飛控系統、馬達及關鍵晶片替換為非中國製零件，最終更在美軍的直接協助下，成功取得 Blue UAS 認證。 在站穩國際供應鏈重組的浪潮後，雷虎進一步將「AI 實戰化」視為終端產品的核心。由於現代戰場中，強烈的電子干擾常使傳統遙控頻率完全失效，因此雷虎導入先進的 AI 視覺導航技術，成功克服電磁壓制的痛點。 此外，未來的戰場已從單機作戰轉向「群飛、群游」的協同作戰，這項「軟體定義硬體」的趨勢，也徹底改變雷虎內部的人才結構。「現在不是一台一台去控制，是用一台電腦去控制，這也是為什麼我們的電子工程師現在都比機械工程師還多，因為需要電子軟體的控制，」楊富森強調。 為了將這套系統延伸至海域，並應付戰時極為嚴苛的高速量產需求，雷虎更果斷收購桃園的沖壓造船廠，並捨棄生產耗時的傳統玻璃纖維，改採「金屬沖壓」技術來倍速製造無人船。同時，研發團隊更成功破解商用船外機的電子訊號，順利達成無人化遠端控制的目標，完整補足陸、海、空無人載具的戰略版圖。 透過漢翔在數據端的穩健打底，以及雷虎在無人載具應用端的 AI 軟硬體整合，這對「革命夥伴」不僅破解老師傅的經驗斷層，更逐步擺脫紅色供應鏈的糾纏，讓台灣在全球航太與國防版圖中，獲得難以被取代的戰略地位。 （首圖來源：科技報橘）</p>
<p>當多數機器人仍依賴人類工程師設計結構、再由 AI 控制行為時，其基本外觀形態在設計完成後幾乎無法改變。然而，一項來自西北大學的研究，正在顛覆這種長期以來的分工模式。 根據《TechRadar》報導，西北大學的研究團隊開發出一種如同樂高般可拼接的模組化機器人，這些機器人沒有傳統的人形外觀，也沒有頭部與視覺系統，卻能在野外環境中行動，甚至在受損後仍能繼續運作。這款被稱為「legged metamachines」（腿部元機器）的機器人，背後關鍵不只是機器結構本身。 AI 開始接管設計權：機器人不再由人類決定長什麼樣子 這項研究發表於《美國國家科學院院刊》（PNAS），其核心突破在於機器人的身體結構與運動策略，都是由 AI 自動生成，而非人類預先設計。 根據西北大學，腿部元機器是由多個具備自主能力的模組組合而成。該研究團隊首先提供 AI 一組基本模組，內部皆配備了電腦晶片、電池與馬達。每個模組本身就是一台完整機器人，具備獨立運作能力。 接著，研究團隊在電腦軟體中模擬達爾文的突變與天擇過程，讓 AI 自行組合這些模組，並在虛擬環境中反覆測試、淘汰與重組，最終演化出能有效移動的機器人形態與運動策略。這種方法讓 AI 能在短時間內完成類似數十億年生物演化的設計過程，AI 的角色也不再只是控制機器，而是「設計」機器。 AI 最終組合出來的機器人外形，並非人類熟悉的雙足或四足機器人，反而是人類工程師未曾設想的機器人新物種，有的像海豹般扭動前進，有的像蜥蜴爬行，甚至像袋鼠跳躍。 壞了也能跑：模組化設計讓機器人具備抗毀性 除了形態創新，這類機器人最關鍵的能力，是對現實世界不確定性的適應。傳統機器人一旦關節或結構損壞，往往就失去行動能力；相較之下，這些模組化機器人即使被破壞，仍能持續運作。該研究顯示，即便機器人失去部分肢體，剩餘模組仍會自動調整運動方式繼續前進，而脫落的模組甚至可以自行移動並重新加入。 在實際測試中，這些機器人能穿越砂石地、泥地、草地與不規則地形，甚至在被翻轉後自動翻正繼續行動。即使研究人員刻意破壞其結構，機器人仍能重新找到新的移動方式。 這種「壞了還能動」的特性，本質上來自兩個關鍵設計：一是模組化架構，讓單一故障不會癱瘓整體系統；二是 AI 即時調整運動策略，使機器人能重新適應身體變化。也因此，研究團隊形容這類機器人更像能適應環境的生命體，而非傳統脆弱的機械工具。 從工具走向實體 AI 生命體，機器人產業下一階段？ 這項研究的真正意義，不只是打造更耐用的機器人，而是機器人開發模式的根本性轉變。過去機器人多半針對特定任務設計，例如倉儲搬運或製造產線，一旦環境或需求改變，往往需要重新設計整套系統。但模組化結構加上 AI 設計，意味著未來機器人可以像軟體一樣重新組合，甚至在現場即時調整形態與功能。 這對於需要高度彈性的應用場景，如災難救援、軍事偵察或非結構環境作業，具有顯著潛力。更重要的是，研究團隊認為，這類模組化元件未來有機會進入量產，形成類似「機器人樂高套件」的產品型態。企業甚至個人用戶，都可能根據需求，自行組裝出適合特定任務的機器系統。 對企業而言，這代表未來自動化系統將不再是固定資產，而是可調整、可演化的動態能力。當機器可以自行適應環境，企業導入 AI 與機器人的方式，也將從一次性投資，轉向持續優化與重構的長期策略。 ＊本文開放合作夥伴轉載，資料來源：《PNAS》、《TechRadar》、《LIVE SCIENCE》、Northwestern University，首圖來源：Northwestern University</p>
<p>當 AI 產業仍在比拼誰能打造更大模型、更強算力時，Google 正從另一條路徑突圍。近期 Google Research 發表全新演算法 TurboQuant，主打透過極端壓縮 AI 模型在推論過程中的記憶體使用，將關鍵的記憶體需求降低約 6 倍，同時讓注意力計算速度提升最高 8 倍。 這意味著，企業在部署長上下文 AI 應用時，可能不再需要無止境擴充 GPU 記憶體，甚至有機會將整體 AI 推論成本降低 50% 以上。這項技術被部分業界人士如 Cloudflare 執行長 Matthew Prince 形容為「Google 的 DeepSeek 時刻」，象徵 AI 競爭正從堆疊算力轉向拼效率。 AI 推論真正瓶頸：不是算力，而是記憶體 要理解 TurboQuant 的重要性，關鍵在於一個長期被忽視的問題：KV cache。 當大型語言模型處理長文本或多輪對話時，會將每個 token 轉換成向量並暫存在記憶體中，形成所謂的 KV cache。這相當於模型的短期記憶，用來決定上下文關聯。 然而根據《Stark Insider》，問題在於這段記憶會隨著對話長度快速膨脹，直接吃掉 GPU 的 VRAM，導致推論速度下降、成本上升，甚至出現記憶體不足的問題。這也是為什麼企業在部署長文件分析、RAG 系統或 AI 代理等 AI 應用時，往往不得不投入更多 GPU […]</p>
<p>隨著生成式 AI 從雲端模型逐步走向實體世界應用，機器人正成為科技巨頭競逐的新戰場。根據《TechCrunch》報導，Agile Robots 與 Google DeepMind 已建立策略研究合作夥伴關係，將導入 Gemini Robotics 模型，並將其應用於電子製造、汽車、資料中心與物流等工業場景。雙方將共同測試與部署具備 AI 推理能力的機器人系統，同時將實際運作數據回饋至模型訓練，持續優化 Google 的 AI 模型。 這項合作表面上是一次技術整合，但從產業視角來看，更像是 Google 正在加速布局機器人 AI 平台的關鍵一步。 Google 加碼機器人：讓 Gemini 從「會想」走向「會做」 這項合作的核心，在於將 Google 的 AI 能力從數位世界延伸到物理世界。根據合作內容，Agile Robots 將把 Gemini Robotics 模型導入其機器人硬體，包括智慧機械手臂與人形機器人，並優先應用於高價值工業場景。 Google DeepMind 機器人負責人 Carolina Parada 指出，這次合作的目標是讓 AI 不只是理解與生成內容，而是能夠在真實環境中進行決策與行動，將 AI 的影響力帶入現實世界。 這也反映 Google 對機器人領域的戰略定位正在升級。過去一年，Google 已陸續與多家機器人公司合作，包括與 Apptronik 合作開發人形機器人、與 Boston Dynamics 合作強化 […]</p>
<p>曾被視為生成式 AI 影像與內容創作代表作的 Sora，如今正式退場，也揭示 OpenAI 正進入一個更強調商業化與產品聚焦的新階段。 根據《The Wall Street Journal》報導，OpenAI 計劃停止其 Sora 視訊平台的開發，並終止相關應用程式與 API 支援。執行長 Sam Altman 已在內部向員工宣布了這項變動，表示將逐步關閉所有基於 Sora 視訊模型的產品，包含消費者應用與開發者版本，甚至連 ChatGPT 中的影片功能也將不再提供。 We’re saying goodbye to the Sora app. To everyone who created with Sora, shared it, and built community around it: thank you. What you made with Sora mattered, and we know this news […]</p>
<p>「我們現在進入了一個全新的 Arm 時代，我們將直接供應 CPU 實體晶片，這麼做的最大原因，是因為合作夥伴提出了要求，同時也是為了解決當代理式 AI 成為主流時，所有工作負載都受限於 CPU 瓶頸的問題，」 Arm 在今（3/25）舉行的 Arm Everywhere 大會上，由執行長 Rene Haas 宣布一項具備歷史意義的重大戰略轉型：Arm 將打破過去 35 年來僅授權 IP 與架構的傳統，首度推出親自打造且量產就緒的實體 CPU 晶片——「Arm AGI CPU」。 隨著「代理式 AI」（Agentic AI）爆發性成長，全球資料中心正迎來前所未有的運算與能源瓶頸。為了解決這項挑戰，Rene Haas 不僅點出 AI 時代底層基礎架構的巨變，Arm 更邀請科技巨頭 Meta 與 OpenAI 同台，揭示算力與能源效率的戰爭，將如何決定人類 AI 發展的未來。 代理式 AI 引發資料中心「壅塞」，Arm 轉型直攻實體晶片 「昂貴的加速器負責生成 Token，就像砂石車倒下大量的泥土，但總得有人把這些泥土搬走，CPU 就是負責搬運這些泥土的機具，」Rene Haas 生動比喻當前 AI 基礎架構的分工與困境。他進一步解釋，AI 代理與過去單純的問答不同，它們能全年無休地處理複雜的非同步工作流程，這些全都是 CPU 的工作，也讓平均每個人類消耗的 Token […]</p>
<p>美國正將 AI 供應鏈競爭，從「製造回流」推進到更具系統性的資本與資源配置戰。川普政府近日宣布，將成立一個投資聯盟，目標吸引超過 1 兆美元資金，投入能源、關鍵礦產與半導體等領域，並由美國提供 2.5 億美元作為種子資金。 這項計畫源自「矽和平（Pax Silica）」倡議，自願參與的國家包含新加坡、阿拉伯聯合大公國、卡達與瑞典等，並預期串聯全球主權基金與大型機構投資人，共同布局 AI 關鍵基礎設施。 從晶片回流到「矽和平」：美國供應鏈戰略再升級 根據《The New York Times》報導，「矽和平」最初是在 2025 年底推出，目標是建立更安全的半導體與 AI 供應鏈體系，透過盟友合作降低對中國的依賴。隨著中東衝突升溫與能源運輸風險浮現，美國現在正進一步將該計畫擴大，納入能源領域。 美國國務院官員 Jacob Helberg 表示，這項投資聯盟將成為「將全球資本導向共同戰略目標的催化劑」，確保礦產、港口、運輸走廊、工廠與能源資產掌握在「可信任的體系」之中。 這項計畫的關鍵不在於資金規模本身，而是資金流向的控制權。相較過去以補助、稅收優惠推動製造回流，美國現在更傾向透過資本配置，直接影響全球供應鏈的布局方向。 AI 供應鏈不只是晶片，而是礦產、能源、算力的整體系統 這項策略轉變，是對 AI 產業結構更深層的掌控。換言之，AI 競爭不再只是晶片設計或算力性能，而是涵蓋從上游礦產、中游製造到下游資料中心與能源供應的完整產業鏈。《The Chosun Daily》指出，矽和平基金的投資範圍橫跨關鍵礦產、半導體、AI 基礎設施與物流體系，目的是避免供應鏈瓶頸被地緣政治武器化。 這一點在近年已多次被驗證。中國對稀土與磁材的出口管制、荷姆茲海峽（Strait of Hormuz）運輸風險，都突顯單一節點失效可能引發整體供應鏈震盪。因此，美國的策略不再只是「把工廠搬回來」，而是試圖重建一個跨國、可控、具韌性的供應鏈網絡。 從「美國優先」到「聯盟資本主義」 根據國際戰略研究所（IISS）分析，美國已將關鍵礦產與 AI 供應鏈政策，轉向一種「三軸國家資本主義」模式。 一方面，美國加強國內投資與法規鬆綁，加速礦產與製造開發；另一方面，透過雙邊協議與公共資金，介入海外供應鏈布局；而「矽和平」則是第三條路徑，試圖將資本、技術與產能整合為一個「能力聯盟」（coalition of capabilities）。 這種模式的核心，是政府不再只是制定規則，而是直接參與資本市場，透過股權投資、長期採購合約與價格保障機制，引導私人資金流向戰略產業。換言之，美國正在將供應鏈安全，轉化為一種可被投資、可被操作的金融架構。 AI 競爭進入新階段：從全球化到「陣營化供應鏈」 這也意味著，全球供應鏈的運作邏輯正在發生根本改變。過去數十年，全球化強調效率與成本最佳化；但在 AI 與半導體時代，供應鏈逐漸轉向安全性與可控性優先。在矽和平框架下，供應鏈不再是單純的商業網絡，而是帶有明確政治與戰略屬性的聯盟體系。 然而，IISS 也指出，這種模式的最大挑戰在於合作與控制之間的張力。一方面，美國需要盟友投入資金與資源；另一方面，其貿易政策與關稅措施，卻可能削弱盟友的信任基礎。 ＊本文開放合作夥伴轉載，資料來源：《The New York […]</p>
<p>【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊祖克柏替自己做 AI 代理，Meta 把 AI 推進公司工作核心 根據《華爾街日報》報導，Meta 執行長祖克柏 (Mark Zuckerberg) 正在打造一個「執行長 AI 代理」，協助自己更快取得公司內部資訊，縮短原本需要透過多層員工才能完成的流程。報導也指出，Meta 內部已有員工使用可存取聊天紀錄與工作檔案的個人代理工具，讓 AI 不只是產品功能，而是逐步進入日常工作系統。 Meta 近期也成立新的應用 AI 工程組織，專門用 AI 加速大型語言模型的開發，並持續推動更扁平化的團隊結構。從祖克柏自己的工作方式，到員工績效與組織設計，Meta 正把 AI 採用視為競爭力核心，試圖讓大公司也維持 AI 原生新創那種快速運作的節奏。 ＊黃仁勳把 Token 當管理指標，AI 算力開始進入薪酬邏輯 NVIDIA 創辦人暨執行長黃仁勳近日在《All-In Podcast》表示，如果一位頂尖工程師在 AI 上投入太少，他會非常擔心。黃仁勳舉例，一名年薪 50 萬美元的工程師，如果一年使用的 Token 不到 25 萬美元，代表沒有充分利用 AI 工具；若想讓工程師效率提升，公司就必須給足算力資源，而不是讓他們回到只靠紙筆或傳統流程工作的方式。 黃仁勳也提到，Token 正逐漸成為矽谷招聘的新條件。除了薪資、獎金與股票之外，企業可能開始把可使用的 AI 推論資源視為人才競爭的一部分。當 Token 從模型計費單位，轉變成效率與招募條件，代表 AI 算力已不只是基礎設施成本，也開始進入企業的人才制度與管理邏輯。 […]</p>
<p>《The New York Times》報導，OpenAI 的一名工程師在過去一週內，透過公司的 AI 模型處理了 2,100 億個「代幣」，足夠填滿 33 次的維基百科頁面，這也是該公司員工的最高紀錄。在 Anthropic，甚至有單一用戶使用該公司的 AI 寫程式系統 Claude Code，在一個月內累積了超過 15 萬美元的帳單。而在 Meta 和 Shopify 等科技公司，主管們已經開始將 AI 使用納入績效評估，獎勵大量使用 AI 工具的員工，同時對沒有使用的員工提出批評。 矽谷新福利不是年終！「代幣預算」成標配 包括 Meta 和 OpenAI 在內的一些科技公司，員工會在內部排行榜上競爭，顯示每個人消耗了多少代幣。代幣是 AI 使用的基本單位，兩名熟悉公司運作的人士表示，代幣預算成為程式設計師的新福利，就像牙醫保險或免費午餐一樣，而有些人每月花費數千美元，盡可能自動化自己的工作。 NVIDIA 的共同創辦人暨執行長黃仁勳在 GPU 技術大會上表示，代幣將成為他招募工程師策略的一部分。他在近期的 Podcast 節目中更直言，如果一個年薪 50 萬美元的頂尖工程師，沒有消耗至少價值 25 萬美元的代幣，「我會感到極度擔憂」。他指出，工程師的基本年薪通常可達數十萬美元，「我可能會在此基礎上，再額外給予約一半金額的代幣，讓他們的產出能放大 10 倍，」黃仁勳補充說，如今在矽谷，一份工作附帶多少代幣已成為新的招募工具之一。原因其實很簡單，他表示，「任何能使用代幣的工程師，生產力都會更高。」 《The New York Times》指出，程式設計師作為首批受到 AI 浪潮影響的白領工作者，最直接感受到 AI 對經濟的衝擊。 AI […]</p>
<p>在 NVIDIA GTC 2026 的「開放模型：現在與未來走向」（Open Models: Where We Are and Where We’re Headed）座談會上，NVIDIA 執行長黃仁勳與 Perplexity、Mistral、Reflection AI 等新一代 AI 公司代表同台對談，並釋出一個關鍵訊號：AI 產業的競爭焦點，正從「誰擁有最強單一模型」，轉向「誰能把開放模型、專用模型、AI 代理、工具與連接器整合成可落地的完整系統」。 黃仁勳：未來 AI 產業的關鍵不是模型，而是系統 《Asiae》報導，這場座談會傳達出一個明確的產業趨勢：什麼都做得好的通用 AI 正在退場，接下來將由以開放技術為基礎、針對特定產業優化的「專業型 AI」 （Specialist AI）主導。 因應這個趨勢，黃仁勳在座談中重新形塑對 AI 的定義。他明確表示，未來 AI 產業的成敗「關鍵是系統，而不是模型」，更直言「AI 不能再被解釋為單一模型」，並將 AI 定義為「模型系統」（System of Model），而非單一巨型模型。 黃仁勳進一步指出，市場正朝向把不同優勢的模型、代理、檔案系統、各種連接器與工具，組合成產業應用的方向演進，同時強調「單純以開放與封閉的二分法已不再能解釋現實」。 在這樣的系統化架構下，企業的 AI 策略也必須轉型。黃仁勳將 ChatGPT 這類閉源模型視為完成的「產品」，把開放模型（Open Models）視為像電晶體一樣的「核心技術」。 「所有的企業不應該只停留在借用他人服務上，而是要引入開源模型這項技術，直接打造屬於自己的獨家產品，」黃仁勳強調，並預期未來市場將進行重組，轉而圍繞醫療、法律、國防等專業領域中的專業型 AI 發展。 LangChain、Thinking Machines Lab、Perplexity 怎麼看 AI […]</p>
<p>在 NVIDIA GTC 2026 上，執行長黃仁勳長達近兩個半小時的主題演講，釋出大量 AI 基礎設施與實體 AI（Physical AI）相關訊號。對於台灣 AI 機器人與邊緣 AI 業者而言，這更牽動著未來產業的發展方向。 在展會期間，《TechOrange》專訪邊緣運算與 AI 機器人公司新漢董事長林茂昌，從台廠角度解讀這場演講的關鍵意義，以及 AI 產業鏈的下一步。 NVIDIA「兆元美金營收」及「百萬倍 Token 需求」的意義 林茂昌對於黃仁勳提到的兩大數據印象最為深刻，首先是 NVIDIA 未來的 AI 晶片營收將達到「兆元美金」的規模；其次是隨著 AI 從訓練走向推理，未來市場對於 Token 的消耗量將產生「百萬倍」的需求成長。此外，他也對新一代 Vera Rubin 晶片模組的強大功能與快速迭代感到驚嘆。 然而，林茂昌務實指出，雲端 AI 服務、大型語言模型（LLM）的軍備競賽並非台灣強項，但是無論雲端大廠誰輸誰贏，都必須仰賴台灣的半導體先進製程與伺服器生態系，因此台灣目前在 AI 浪潮中扮演的是不可或缺的供應鏈角色。不過他強調，如果台灣要從供應鏈走向「價值鏈」，關鍵在於 AI 的實際應用與邊緣 AI。 林茂昌點出，雲端 AI 雖然強大，但若沒有廣大的邊緣 AI 來支撐，整個 AI 產業鏈將無法永續發展。具體原因包含：首先，雲端 AI 模型目前多以低價爭取普羅大眾的流量，尚未創造實質獲利，因此必須與企業端的邊緣 AI 接軌，進而讓雲端服務商獲得回報並持續發展。第二，現實世界中的作業現場如智慧工廠需要產業專業知識，必須仰賴開發者將小型化的語言模型結合垂直領域 know-how，才能成就各種特定場域的邊緣 AI 應用。 […]</p>
<p>AI 正在改變戰爭的運作模式，過去軍事決策往往依賴層層人員分析與指揮鏈批准，如今 AI 系統正逐漸成為戰場決策的重要工具。 根據《金融時報》報導，美國在近期的伊朗戰事中於短短 4 天內攻擊超過 2,000 個目標。這種前所未有的攻擊節奏，部分來自 AI 系統對海量戰場資料的快速分析。報導也指出，這場衝突被視為生成式 AI 模型首次在戰場上被實際應用的案例之一。 在美軍的作戰架構中，AI 不只協助分析情報，還能生成作戰選項，甚至參與整個「殺傷鏈」（kill chain）的運作流程，從目標識別到攻擊評估都可能受到 AI 的輔助。 AI 成為戰場資料分析核心 現代戰場會產生龐大的情報資料，包括來自無人機、衛星、雷達與其他感測器的影像與訊號，過去這些資料需要大量人員逐一分析，但透過 AI 則可以在短時間內處理這些資訊，找出潛在目標，例如透過影像辨識技術分析無人機影像，辨識飛彈發射器或其他軍事設施。 過去兩年，美國國防部已在多項作戰與情報流程中大幅導入 AI 技術。目前美國國防部的主要資料作業平台，是 Palantir 開發的 Maven Smart System，負責整合與處理國防部的大量資料。同時，該系統也結合由 Anthropic 開發的 Claude 模型，形成可即時分析戰場與情報資料的作戰儀表板，用於支援包括伊朗相關行動在內的軍事與情報分析。 Palantir 歐洲主管 Louis Mosley 表示，近一年多來 AI 技術最大的轉變，是從單純的資訊摘要能力提升到具備推理能力（reasoning），這使得 AI 能夠逐步分析問題並提供決策建議。他指出，這種能力大幅提高了軍事行動中的決策數量與速度。 研究 AI 與國際人道法的烏特勒支大學學者 Jessica Dorsey 告訴《金融時報》，在打擊伊斯蘭國（ISIS）的軍事行動中，美軍聯盟在最初 6 個月內約攻擊 2,000 個目標。然而，在近期伊朗戰事類似數量的攻擊卻在短短 4 […]</p>
PChome Online新聞1筆關係