TechOrange 科技報橘

零售業者的新難題：為何 AI 用得越多，消費者就越不信任我？

<p>當 AI 以前所未有的速度滲入零售業，品牌面臨的已不再是「要不要用 AI」的問題，而是「如何在使用 AI 的同時不失去消費者信任」。這正是當前零售業最核心、也最容易被誤判的矛盾。 AI 使用率上升，信任度反而下滑 根據企業顧問 Capgemini 的研究，現在每三名消費者就有一人每天使用 AI 工具超過一小時，但整體對 AI 的信任度卻在一年內從 72% 降到 58%，這是影響品牌生存與否的訊號。 不過消費者並不排斥 AI 本身，他們排斥的是不透明的 AI。市調機構 Prosper Insights &amp; Analytics 的調查顯示，32% 的受訪者將「資料使用揭露不足」列為對 AI 發展的主要疑慮；這意味著，當消費者使用 AI 購物助理、接受商品推薦，或將 AI 當作產品與服務的資訊入口時，他們真正擔心的是，不知道品牌商那頭拿走了用戶哪些資料、不知道個人化推薦是從何而來，也不知道出問題時究竟該由誰負責。 AI 已取代搜尋引擎，成為購物入口 這一點之所以格外重要是因為，AI 已不只是零售體驗中的附加工具，更成為消費者獲取資訊的主要入口——Capgemini 的研究指出，AI 已經取代傳統搜尋引擎，成為半數消費者的首選資訊來源。 過去，品牌或許還能把 AI 視為客服或提升營運效率的工具，但當 AI 開始介入消費者首次選購產品、為他們比較選項、蒐集他們的偏好等前端環節時，信任問題就不再只是風險控管，而是直接影響品牌轉化率、客單價與長期忠誠度的核心變數。 信任是系統設計問題，不是溝通問題 許多品牌常把信任當成溝通問題，試圖用更好看的文案、更完整的隱私聲明，或更柔和的品牌語言來修補疑慮，卻忽略了信任其實首先是系統設計問題。 真正有效的做法，不是事後補充說明，而是從一開始就把透明度、可控性與問責機制嵌入 AI 體驗本身。 品牌端的第一個行動，應是把 AI 的取捨講清楚，也就是直接告訴用戶，系統用了哪些資料、這些資料會如何影響推薦結果、個人化功能可以在哪裡關掉，關掉之後又會少掉哪些便利。畢竟消費者不要求 AI 完美，但要求品牌誠實，能否清楚說明這些邊界，就是信任的起點。 [&hellip;]</p>

氛圍編碼只是開始，「語音 AI」正改寫從寫程式到企業客服的工作流程

<p>強大的 AI 語音轉文字工具，為程式設計師提供了一種全新媒介，讓他們能透過口語來開發新產品，其速度遠比單純打字來得更快，語音 AI 應用更一路深入到企業最基礎的工作流程。</p>

AI 不是護城河、不出海就出局！創投元老蘇拾忠：如果台灣新創只做台灣市場，創投都不投了

<p>專訪：戴季全撰稿：李昀蔚 過去談台灣新創，外界常會先想到硬體、製造、供應鏈與工程能力，但在生成式 AI、Embodied AI 與軟體模式快速改變產業規則的此刻，新創公司的競爭邏輯也正在被重新定義。本集《全新一週》邀請到 t.Hub 內科創新育成基地執行長蘇拾忠，深入分享他對台灣新創生態的第一線觀察。 根據今年 1 月 PwC Taiwan 發布的《2025 台灣新創生態圈大調查》，有超過 85% 的新創表示創業與 AI 相關。表面上看，這似乎代表台灣新創已全面進入 AI 時代，但蘇拾忠認為，這句話不能簡化理解成「大家都在做 AI 產業」，更精準的說法應該是：現在幾乎所有新創都在「用 AI 創業」、用 AI 改變做事方式。「如果一個新創說沒有用 AI，我都會問：你這個部分不能用 AI 嗎？」蘇拾忠強調，AI 已經幾乎成為所有工作與生活場景中不能不用的工具，差別只在於使用的深淺。 因此，對當前台灣新創來說，真正需要理解的不是 AI 熱潮本身，而是 AI 對自身商業模式、產品效率與競爭壁壘的衝擊。蘇拾忠也直言，對新創公司來說，AI 帶來的壓力可能比地緣政治與國際經貿變局更迫切。 AI 不是護城河，解決市場痛點才是 蘇拾忠分享，近期他觀察到一個現象：一年前率先推出 AI 服務的團隊，很多已經逐漸消失。原因在於，許多所謂的「AI 服務」，本質上只是 API 應用，而不是真正建立在深厚技術、資料、場景理解或市場痛點上的產品。蘇拾忠指出，如果一個新創只是把既有 API 包裝成服務，市場上很快就會出現更快、更便宜、甚至更容易使用的替代方案。 「我有自己的技術、目標市場，我解決市場痛點，我用 AI 來幫助我解決它，這就是這個團隊用 AI 強化他的護城河，」蘇拾忠強調，AI 並不會自動形成護城河，真正有價值的是團隊本來就有自己的技術、有清楚的目標市場，也知道自己要解決什麼痛點，再用 AI 強化服務效率、產品能力或商業模式。因此，他給予新創團隊非常直白的忠告：「大家現在很看重這個風潮，所以我也來做 AI，這個我覺得晚一點做比較好，但是用 [&hellip;]</p>

【GTC 現場直擊】打造企業「HALO」資產：從算力軍備到 AI Agent 的戰略轉型新視界

<p>2026 年 GTC 大會甫落幕，全球 AI 浪潮已從「算力競賽」轉向「落地實踐」的關鍵轉折點，當市場目光聚焦於 NVIDIA 的硬體護城河與「買硬不買軟」的投資風潮時，企業決策者必須思考，在昂貴的算力資源背後，什麼才是真正的核心競爭力？ 本文由 CloudMile 萬里雲 CEO Spencer 觀點出發，深度解析 AI Agent 時代下的 「HALO」資產定義，揭示 Token 經濟學重塑產業定價權，利用「Taiwan + 1」的軟硬整合戰略，解析全球雲端巨頭（NVIDIA、Google、Meta、Microsoft）間的算力博弈，並探討企業透過專屬的 AI Agent，將算力精準轉化為持續增長的數位動能。 AI Agent 時代下的「HALO」資產 今年 2 月高盛分析師指出，市場正在獎勵產能、網路、基礎設施和工程複雜性，這些資產複製成本高昂，且不易受到技術過時的影響。這些「HALO」（Heavy Assets, Low Obsolescence，重資產、低淘汰率）如電網、管線、公用事業、運輸基礎設施與關鍵機械等因受限於高複製成本、監管障礙與跨科技周期，自 2025 年起跑贏輕資產組合 35%，高盛甚至視之為 AI 時代的「稀缺資產」，出現了一股「買硬不買軟」的風潮。 但這代表企業軟體已到了末日？答案其實則否。軟體不該被忽視，而是必須進化。純軟體或許會被淘汰，但「與 AI 基礎建設深度融合的 AI Agents」將成為企業全新的、難以被取代的數位重資產。 在 AI-First 的時代，企業有最有價值的重資產，是一個量身定制的 AI 代理（Tailored AI Agent）。 和「租用」的軟體不同，訂製的 AI Agents 與企業端日常營運緊密耦合。它學習你的私有數據、遵循特定的安全協議，並理解你的業務邏輯。它不只是一個工具，而是一名「終身數位員工」，能讓你在不增加人力成本的情況下擴張業務。這是一項不可撼動的資產，因為它承載著你公司獨一無二的 DNA。 [&hellip;]</p>

破解機器人硬體碎片化難題：EPFL 研發「運動學智慧」，讓不同機器人無縫複製技能

<p>在多數製造現場，更換一台機器人往往代表著一切重來：不只是硬體替換，連原本已經部署完成的任務流程也必須重新編寫、校正。即使兩台機器人看起來功能相似，只要關節結構、活動範圍或運動方式稍有不同，既有程式就可能完全失效。這個長期困擾產業的問題，如今出現新的解法。 來自瑞士洛桑聯邦理工學院（EPFL）學習演算法與系統實驗室（LASA）的研究團隊提出一套名為「kinematic intelligence（運動學智慧）」的新型機器人控制框架，讓機器人具備「理解自己身體限制」的能力，進而能在不同機器之間共享技能，而不需要重新編寫程式碼。相關成果已發表於學術期刊《Science Robotics》。 奇異點是機器人的危險地帶，過去靠補丁，現在靠地圖 要理解這項研究解決了什麼問題，需要先了解機器人控制中的一個核心挑戰：奇異點（singularity）。這是一種數學上的危險狀態，當機器人關節對齊到特定角度時，系統會暫時喪失某個自由度，導致動作不穩定，甚至失控。研究的第一作者、EPFL 博士生 Sthithpragya Gupta 以人類手臂比喻：當手肘完全伸直、鎖死時，手臂便暫時無法進行左右方向的動作，機器人遇到奇異點的處境便與此類似。 過去，工程師處理奇異點的方式，是在訓練完成後加入軟體補丁或安全過濾器來修正問題。而新一代資料驅動的 AI 方法雖然省力，卻需要在訓練階段接觸到所有將來會使用到的機器人，而且存在難以預測的風險。Gupta 表示，團隊需要的是確定性，而非機率。 LASA 團隊採取了截然不同的路徑：他們不是事後修補，而是從一開始就將機械限制直接內建進控制策略中。透過對機器人參數的代數分析，包括連桿長度與關節偏移量，團隊精確繪製出機器人關節空間中所有奇異點的分布位置。這些奇異點加上關節的硬性限制，將機器人的可動空間切割為數個可行區域，研究團隊將其稱為「面」（aspects）。 透過分析這些面的拓撲結構，研究團隊將三關節旋轉機器人歸類為六個類型。一旦確認某台機器人屬於哪個類型，就能立即掌握其物理限制的完整地圖。運動學智慧框架據此讓機器人在接近奇異點邊界時，以一種稱為「軌道循環」（track cycle）的策略沿邊界安全滑行，直到找到可以重回正常路徑的安全位置，完成任務。 換句話說，在此基礎上，系統會將人類示範的動作轉換為「通用運動策略」，再根據不同機器的結構，自動調整執行方式。值得一提的是，這套框架並未使用任何 AI 技術，而是建立在純數學與代數分析之上。 實驗驗證：三種不同機器人，共用同一套技能 研究團隊以模擬裝配生產線的實驗，驗證了這套框架的實際效果。實驗中使用了三台規格截然不同的商用機器人：關節限制較緊的 6 自由度 Duatic DynaArm、限制適中的 7 自由度 KUKA LWR IIWA 7，以及限制較寬鬆的 7 自由度 Neura Robotics Maira M。 實驗開始時，由一名人類操作者示範一組連續動作：將木塊從輸送帶推落至工作台、放置到桌面，最後將其拋入籃中。這三個動作隨後分配給三台機器人各自執行：DynaArm 負責推落、KUKA 負責撿起與放置、Neura 負責抓取與投擲。 在沒有重新訓練的前提下，研究團隊調換了三台機器人的位置與分工，測試所有可能的任務組合。結果顯示，無論如何重新分配，整組機器人皆能順利完成任務序列。Gupta 表示，目前最關鍵的挑戰，是將這項技術推向真實的工業裝配現場。 尚待突破的感知瓶頸，與醫療應用展望 研究團隊也坦承，運動學智慧框架目前仍有限制。該框架雖然能保證機器人在機械層面的安全動作，但還不具備應對複雜環境的進階感知能力，像是無法區分搬運滿載容器與空容器所需的不同處理速度，也無法整合「準備咖啡時不應抓取刀具」這類常識判斷。此外，要在人員持續走動的動態工廠環境中安全運作，還需要整合更進階的環境感測系統。 在醫療應用方面，共同第一作者 Durgesh Haribhau Salunkhe 表示，他預計未來 5 年內將出現機械安全性更高的機器人，屆時這套框架可立即移植至新設計上。 研究團隊表示，下一步計畫將框架延伸至人機協作與自然語言互動情境，目標是讓使用者只需以簡單指令下達任務，無需任何技術編程背景，由機器人自行處理其餘的執行細節。Salunkhe [&hellip;]</p>

【科技早餐】Google 押 TPU、OpenAI 傳做手機，AI 競爭從雲端一路打到終端

<p>【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊Google 用 TPU 與 Gemini 追雲端，AI 競爭走向全堆疊戰 Google Cloud 執行長庫里安 (Thomas Kurian) 接受《金融時報》專訪表示，Google 的差異化不只是轉售其他公司的技術，而是同時擁有自研晶片、資料中心、基礎模型與企業應用。Google Cloud 目前在全球雲端市場排名第三，市占率已推升到 14%，試圖用一整套 AI 技術堆疊，縮小與 AWS 和 Microsoft 的差距。 在 Google Cloud Next 2026 大會上，Google 發表第八代 TPU，包括偏向模型訓練的 TPU 8t，以及偏向推論與代理式 AI 服務的 TPU 8i。庫里安認為，TPU 與 Gemini 模型讓 Google 一方面不需完全依賴 NVIDIA，另一方面也不必把主要經濟利益交給外部模型公司。他並表示，未來一到兩年 AI 公司可能面臨洗牌，能否撐下去，最後仍取決於商業模式能否成立。 ＊OpenAI 傳 2028 年量產 AI agent 手機，聯發科、高通與立訊入列供應鏈 [&hellip;]</p>

OpenAI 傳合作聯發科、高通開發手機處理器，打造「AI 代理手機」

<p>天風國際證券分析師郭明錤今（27 日）指出，OpenAI 正與聯發科、高通合作開發智慧型手機處理器，並由立訊精密擔任獨家系統協力設計與製造商，預計 2028 年進入量產。 同時掌控軟硬體，才能提供完整 AI 代理服務 郭明錤分析，OpenAI 切入手機市場有其戰略必要性，核心理由有三。第一，唯有同時完整掌控作業系統與硬體，OpenAI 才能提供全面的 AI 代理服務；第二，智慧型手機是目前唯一能即時捕捉使用者完整狀態的裝置，而這正是 AI 代理即時推理最重要的輸入來源；第三，在可預見的未來，智慧型手機仍將是使用者規模最大的設備類別。 在競爭優勢方面，郭明錤認為 OpenAI 具備消費者品牌知名度、多年累積的使用者資料，以及領先的 AI 模型三大優勢。由於智慧型手機硬體產業已高度成熟，OpenAI 可直接借助供應鏈來開發裝置。在商業模式上，OpenAI 可能採取硬體與訂閱服務捆綁的策略，並與開發者共同建構新的 AI 代理生態系。 雲端與端側 AI 分工，處理器設計以省電與上下文理解為核心 在晶片設計方向上，郭明錤指出，手機需要持續理解使用者的當下情境，因此功耗控制、記憶體層級管理，以及基礎小型模型的本地執行，將是處理器設計的關鍵考量。至於更複雜或運算密集的任務，則交由雲端 AI 處理，形成端側與雲端緊密整合的架構。相關晶片規格與供應商名單預計於 2026 年底至 2027 年第一季前敲定。《Android Authority》分析，相關設計並非首次出現，顯示未來 AI 手機的核心競爭，將從單次運算效能，轉向長時間、情境感知的持續運作能力。 郭明錤點名聯發科與高通將作為處理器共同開發夥伴，將可從長期換機需求中受益。他以聯發科與 Google 合作的 TPU Zebrafish 為例說明，單顆 TPU 的營收貢獻大約相當於 30 至 40 顆 AI 代理手機處理器。若 OpenAI 手機初期鎖定全球高階智慧型手機市場，該市場每年出貨量約為 3 億至 [&hellip;]</p>

小鵬喊今年 8 月超越 Tesla FSD：從 VLA 2.0 到自研 AI 晶片，中國 EV 技術戰升級

<p>「我們為自己設定了一個目標：在 8 月前於中國市場全面超越 Tesla 的 FSD，」小鵬汽車創辦人、董事長兼執行長何小鵬在北京車展期間表示。這個目標，反映出中國這個全球最大汽車市場的技術競賽正在升溫：在政府補貼退場，以及監管單位要求產業走出削弱利潤的價格戰後，車廠越來越依靠先進軟體尋找成長動能，並逐漸把焦點轉向創新與自研能力。 小鵬喊話超越 Tesla FSD，中國複雜道路成自駕驗證場 為了支持自研與創新，小鵬計畫在今年投入近 20 億美元進行研發，並採取涵蓋自研晶片、世界模型與電子架構的「全端（full-stack）」策略來強化長期競爭力。例如，小鵬最新的 VLA 2.0 系統，目的是讓車輛直接從 L2 輔助駕駛躍升至 L4 自動駕駛，何小鵬甚至主張應完全跳過 L3 階段。不僅如此，小鵬更預計在下個月實現「不依賴導航地圖」的自動駕駛能力 。 何小鵬表示，Tesla 完整版 FSD 尚未在中國獲准使用，因此直接比較仍有難度，但他認為小鵬的 VLA 系統已在部分複雜駕駛場景中優於 Tesla。他進一步指出，中國駕駛環境更複雜，如果小鵬能在中國超越 Tesla FSD，整體能力也應該會更強。 《南華早報》指出，小鵬押注在中國密集且複雜的城市道路中訓練 AI，正是為了建立未來拓展歐洲與東南亞市場的競爭優勢，因為這些海外地區的駕駛條件也有著與中國相似的複雜度。 VLA 2.0 從測試走向產品，小鵬把自駕變成差異化賣點 《Forbes》報導，小鵬在 2026 年 3 月推出 VLA 2.0，這套自動駕駛系統不是像 Tesla FSD 一樣仍處於公開測試階段，而是已經推出的正式產品。《Forbes》記者在北京車展試駕 XPeng P7 Ultra 後表示，VLA 2.0 能在北京城市道路中穩定應對交通、不可預測的機車、狹窄街道與複雜路口，在 40 多分鐘的駕駛過程中，除了進出有柵欄管制的停車場外，完全不需要人工介入。 「我們最好的功能是自動駕駛，」何小鵬進一步強調，VLA [&hellip;]</p>

Anthropic 實驗：讓 AI 自己談價買賣東西，186 筆交易揭商業定價新模式

<p>Anthropic 日前公開了一項名為「Project Deal」的內部實驗結果，讓旗下 Claude AI 模型在完全無人干預的情況下，代替員工完成商品刊登、議價與成交，測試 AI 是否已具備直接參與真實經濟活動的能力。實驗不僅順利促成 186 筆交易，更意外揭示了一個現象：AI 模型的優劣，會悄悄影響使用者的實際交易結果，而當事人往往毫無察覺。 一週、69 人與逾 4,000 美元的 AI 代理交易市場 實驗於 2025 年 12 月在 Anthropic 舊金山辦公室展開，為期一週。研究團隊招募了 69 名員工，每人獲得 100 美元的預算，並由 Claude 事先對每位參與者進行訪談，詢問他們打算出售哪些個人物品、期望售價、有意購買哪些品項，以及偏好的議價風格。這些資訊隨後被轉化為個別的客製化系統提示，成為每位員工 AI 代理的行動依據。 實驗市場架設於 Anthropic 內部通訊平台 Slack。AI 代理在頻道中自行發布商品列表、發現潛在交易對象、提出報價、回應還價，並在不向人類「請示」的前提下自行拍板成交。Anthropic 強調，一旦實驗啟動，全程沒有任何人工介入，AI 代理在議價過程中既不會回報人類，也不會徵求授權。 最終，69 個 AI 代理在逾 500 件上架商品中促成 186 筆交易，總交易額略高於 4,000 美元，交易品項涵蓋滑雪板到一袋乒乓球。根據 Anthropic 的報告，參與者事後對 AI 代理的表現普遍感到滿意，在交易公平性評分（1 至 7 [&hellip;]</p>

AI 答不出來的問題反而成為新生意：IKEA 如何從客服自動化找到超過 10 億歐元新營收？

<p>大多數企業在導入 AI 客服機器人時，通常只關注系統能省下多少人力成本，但 IKEA 卻展現出截然不同的思維。 IKEA 導入 AI 後，並未將自動化單純視為成本削減的工具，而是將目光轉向「AI 無法解決的問題」，深入分析那些仍需人工介入的查詢，並成功從中開創全新的營收新引擎。 AI 完成一半的例行客服，但 IKEA 沒有因此停下腳步 2021 年起，IKEA 及其最大加盟營運商 Ingka Group 陸續部署名為 Billie 的 AI 聊天機器人，主要負責分流大量、重複性的第一線客服互動，例如訂單狀態追蹤、商品供應查詢、門市資訊與退貨流程。這套系統展現極高的營運效率，綜合各項數據顯示，這款 AI 機器人成功處理約 47% 至 57% 的顧客詢問，相當於完成高達 320 萬次不需人工客服接手的互動。 對多數企業而言，將近一半的客服分流率已是一項值得向董事會報告的卓越指標，且理所當然會伴隨著相應的客服人力縮編。然而，IKEA 選擇了另一條路徑，並繼續深究數據背後的意義。 IKEA 發現，真正有價值的情報，藏在另外 43% 到 53% 那些 Billie 無法解決的客服問題中。經過模式分析後，團隊發現這些未解的查詢並非隨機發生，也不是單純比較困難的交易型問題，而是顧客反覆在尋求住家與商業空間的室內設計協助。這些顧客的問題包含：如何配置生活空間、哪些產品能搭配使用，以及房間應如何安排。這類問題被明確定義為「諮詢型需求」，這正是目前 AI 機器人難以完美承接，亟需人類專業顧問介入的領域。 將客服轉型為設計顧問，讓客服中心成為新通路 面對高達一半的例行客服被自動化取代，IKEA 沒有選擇傳統的裁員縮編，而是啟動了一項大規模的結構化再培訓計畫：將 8,500 名客服中心員工訓練為遠距室內設計顧問。這些經過重新培訓的員工，開始透過電話與視訊提供專業諮詢，協助顧客進行商品選擇與居家改善規劃，從「處理例行問題」成功轉向「提供高附加價值服務」。 這項員工轉型計畫最終結出了豐碩的營收成果。在推出付費設計顧問模式的第一年，這項服務就創造近 10 億歐元的額外營收，而遠距室內設計通路在 2022 財年更創造了 13 [&hellip;]</p>

馬斯克想把 X 變成金融入口：X Money 將整合高利存款、P2P 轉帳與 AI 助理，能撐起「超級 App」嗎？

<p>距離伊隆·馬斯克（Elon Musk）收購原名為 Twitter 的社群平台已有三年多的時間，他一直朝著打造「萬能應用程式」（Everything App）的目標前進，如今這項宏大理想正隨著即將推出的全新金融服務工具「X Money」，邁入關鍵新階段。 根據外媒報導，X Money 最快將於 2026 年 4 月底向公眾開放早期使用權限，目的是將社群媒體與高收益銀行業務結合，藉此挑戰傳統金融機構的地位。然而，在 X Money 挾帶龐大用戶基數與豐厚回饋強勢進軍市場的同時，卻也面臨來自美國多州監管機構的嚴格審查，以及政界人士對其安全性的強烈質疑。 從社群到金融：超級應用程式的核心戰略與誘因 為了吸引用戶將財務生活轉移至 X 平台，X Money 祭出遠超過傳統銀行的回饋機制。根據已參與 Beta 測試的早期用戶與知情人士透露，X Money 的核心競爭力在於極具吸引力的利率與現金回饋，包含高達 6% 的現金存款年利率（APY），這大約是美國全國平均儲蓄利率的 15 倍，且符合條件的消費還可獲得 3% 的現金回饋。此外，用戶將獲得一張刻有其專屬「@帳號名稱」的 Visa 金屬簽帳金融卡，並享有免手續費的點對點（P2P）即時轉帳服務。 在日常財務管理方面，系統更整合由馬斯克旗下 xAI 所開發的 AI 助理，可協助用戶追蹤每一筆支出、分類過往交易並提供投資相關資訊。這項服務也可以無縫銜接創作者金流與加密貨幣佈局，未來 X 平台上的創作者收取互動分潤的管道，將從現有的 Stripe 全面轉移至 X Money，讓他們能直接在平台上儲存收益，免去被 Stripe 抽成的成本。同時，儘管目前平台交易以法定貨幣為主，但測試用戶已能看到與股票及加密貨幣相關的標籤，甚至能進行加密貨幣的即時轉帳。 X Money 的推出絕非單純的附屬功能，而是 X 轉型的核心。身為 PayPal 的共同創辦人，馬斯克深知支付系統對於打造如同中國「微信（WeChat）」般超級應用程式的重要性，他也曾在 2026 [&hellip;]</p>

Deloitte 報告：技術優先的主管「未能」實現 AI 回報的機率高出 1.6 倍，差距來自哪裡？

<p>哈佛商學院的研究工作報告顯示，結構性重複任務的市場需求正在快速下滑，但可被 AI 擴增的職位需求卻逆勢成長了 20%。 領先的企業主管不再問「AI 能取代哪些人」，而是開始問，在 AI 時代，哪些人類能力變得更有價值？ 人機協作的效益，比多數人想像的更有條件 MIT 集體智能中心（CCI）發表於《自然人類行為》期刊的研究，檢視了超過 100 項人機協作實驗，得出一個令人意外的結論：平均而言，人機組合的表現，並不優於最佳的純 AI 或純人類系統。 但這個發現並非要否定人機協作的價值，而是在指出，協作效益只在特定情境下才會出現。 當人類在任務中的表現本來就優於 AI 時，人機組合往往能超越兩者各自的表現；例如鳥類圖像分類，這是需要專業知識的任務，人類單獨達到 81% 準確率，AI 單獨達到 73%，但人機組合達到 90%。 反之，當 AI 本來就比人類更擅長某項任務時，加入人類判斷反而可能拉低整體表現，因為人類在此時也不擅長判斷何時該信任 AI、何時該信任自己。 MIT 的研究也發現，在內容創作類任務上，人機組合的效益明顯更高，尤其是生成式 AI 的場景。生成式 AI 允許草稿、編輯、修改的迭代循環，AI 能即時回應人類反饋，讓人類在過程中動態調整輸出。這種互動模式比早期只能執行特定任務的 AI 系統，更適合真正的人機協作。 對企業主管而言，這個研究指向一個更重要的管理任務：不是把子任務分給人或 AI，而是重新設計整體工作流程。Malone 以家具量產為例說明，自動化不只是組裝步驟，還要考慮如何移動完成品穿越工廠，因此真正的效益來自流程層面的重新思考，而非表面的任務重新分配。 被低估的人類能力，正在重新定價 而同理心、創造力、倫理判斷，這些長期被歸類為「軟技能」的能力，在 AI 時代正迎來一次遲來的重新評價。AI 在處理過去的資料上表現卓越，但面對前所未見的文化轉折或地緣政治衝擊，它沒有能力導航。而那些時刻，恰恰是決定一家公司是領導者還是跟隨者的關鍵。 MIT 的研究也印證了這個方向。研究發現人類在涉及情境理解與情緒智能的子任務中表現最佳，AI 則在重複性高、資料驅動的子任務中佔優。這個分工邏輯，正是當前最具韌性的組織正在落實的方向。 他們開始量化情緒智能，並建立專門的人類決策層，用來捕捉 AI 產出但無法自我判斷的事物，包括低品質的 AI 輸出（研究者稱之為「workslop」）、因過度依賴機器而侵蝕的團隊士氣，以及缺乏人類脈絡的決策結果。情緒智能在這些組織裡，已不再是文化指標，而是業務指標。 效率是起點，不是策略 關於 [&hellip;]</p>

AI 氛圍編碼解決網頁排版 30 年難題，Pretext 如何徹底改變下一代網頁設計方式？

<p>軟體工程師 Cheng Lou 公開劃時代的網頁設計解決方案 Pretext，它允許開發者繞過 DOM 及效能瓶頸，將網頁上的靜態文字變成近乎完全動態、允許互動且具備回饋性的動態文本。</p>

一支影片帶動 4 倍銷售成長，沃爾瑪旗下 Sam’s Club 揭開 RMN 新戰場

<p>新世代的零售媒體網絡（RMN）的競爭力已不再僅僅取決於流量大小，而在於數據的深度與體驗的廣度。Walmart 旗下 Sam’s Club 推出的 Member Access Platform（MAP），就已不只是販售廣告版位的工具，而是升級為一個橫跨線上與線下的「零售體驗網絡」（Retail Experience Network）。 這一轉變的關鍵，在於將廣告深度嵌入會員的實際購物旅程，使品牌訊息與消費行為產生直接連動，讓廣告成為提升購物體驗的一部分。 整合會員數據、互動設計，打造兼顧廣告成效與體驗的 RMN 傳統 RMN 的核心在於流量與曝光，Sam’s Club 的策略則是以會員數據為基礎，建立一套封閉式的數據循環系統。透過超過 40 年的會員資料累積，平台能以「確定性身份」（deterministic ID）追蹤消費者在不同接觸點的行為，無論是在實體門市、電商平台，或是社群媒體上的互動，都能被整合進同一個用戶視角中。 一致性的數據基礎，使廣告不停留於行銷漏斗的上層，能直接連結到實際銷售成果，為品牌提供更精準的成效驗證。Sam’s Club MAP 副總裁兼總經理 Harvey Ma 表示：「我們利用多年累積的第一方會員數據，創建能夠為廣告商帶來明確業務成果的媒體網路，同時確保這些體驗對我們的會員來說不是干擾。」 在這個架構下，Sam’s Club 將媒體與購物體驗進一步融合，透過內容與互動設計影響消費決策。其中一項代表性應用是「專家評測影片」，直接嵌入產品頁面，特別針對高單價或高考慮期商品，例如床墊或健康設備，邀請專業人士進行分析與解說。這類內容不僅補足消費者在資訊蒐集階段的需求，也有效提升信任感與購買信心。實際案例顯示，床墊品牌 GhostBed 透過與 MAP 合作、導入此類影片後，銷售表現出現顯著提升，達到 4 倍成長，顯示內容型廣告在關鍵決策節點的影響力。 虛實整合：將線下體驗轉化為全通路數位資產 另一個關鍵創新來自於實體門市的數位化回饋機制。會員在店內參與試吃或產品體驗時，可以透過平板即時留下評分與評論，這些回饋會同步更新至線上商品頁面。這種即時串接不僅縮短了其他消費者的決策時間，也讓實體體驗轉化為可持續累積的數據資產。對品牌而言，這代表每一次線下互動都能放大其影響力，形成跨通路的內容與信任資本。 此外，Sam’s Club 也積極導入創作者與社群內容，把網紅行銷納入其零售媒體體系。透過與精選創作者合作，品牌可以產出更貼近社群語境的內容，同時仍保有對最終轉換的追蹤能力。這種結合社群影響力與銷售數據的模式，使過去較難量化的內容行銷，開始具備清晰的商業回報指標。 在技術層面，AI 與自動化也漸漸成為這個系統的核心驅動力。從受眾分群、廣告投放到成效分析，越來越多流程由 AI 支援，提升精準度與效率。Sam’s Club 甚至已開始布局「代理式 AI」（agent-driven systems），期望未來能自動化廣告規劃與執行流程，降低操作複雜度，同時優化整體表現。 Sam’s Club 的種種布局，顯示零售媒體角色的演進，它不僅是高毛利的附加收入來源，還進化成商品銷售、會員經營與數據策略緊密結合的核心購物體驗。對 Walmart 及其旗下 [&hellip;]</p>

宏庭科技首奪 Google Cloud 年度最佳合作夥伴獎，以 AI 跨域整合力代表台灣赴美受獎

<p>台灣雲端技術領導品牌宏庭科技（Microfusion Technology）宣布榮獲「2026 Google Cloud Partner of the Year (Taiwan)」大獎，宏庭科技團隊受邀前往美國拉斯維加斯，於 Google 全球雲端技術盛事中，代表台灣受領此項殊榮。繼 2024 年獲獎 Expansion Partners of the Year 後，宏庭科技今年首奪台灣區年度大獎，展現其在 Google Cloud 生態系整合與企業 AI 落地上的領先實力。 Google Cloud 全球生態系統與通路企業總經理 Kevin Ichhpurani 表示：「Google Cloud 合作夥伴獎旨在表揚合作夥伴為客戶帶來的策略創新以及顯著價值。我們非常榮幸能宣布宏庭科技榮獲 2026 年 Google Cloud 合作夥伴獎，感謝他們在過去一年中為推動客戶成功所扮演的關鍵角色。」 以技術落地力驅動真實商業價值 在快速演進的雲端與生成式 AI 時代，企業不再需要單一技術導入，而是需要能整合多項技術並落地商業價值的合作夥伴。身為 Google Cloud Premier Partner，宏庭科技同時具備 Infrastructure、Artificial Intelligence、Security 與 Chrome 四項專業認證，是少數能橫跨雲端基礎架構、資安與 AI 應用的整合型合作夥伴。 宏庭科技長期深耕台灣市場，並將 Google Cloud [&hellip;]</p>

【科技早餐】Google 擬砸 400 億美元加碼 Anthropic，AI 競爭正式進入算力長約戰

<p>【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊Google 擬砸 400 億美元加碼 Anthropic，AI 算力長約越綁越深 根據《彭博》報導，Google 母公司 Alphabet 計畫對 Anthropic 投資最高 400 億美元。這筆資金包含第一階段 100 億美元投資，以及未來視業務與效能里程碑追加的 300 億美元。這筆投資並非單純現金注資，也伴隨更深的硬體基礎設施綁定。 Anthropic 近年已同時與 Google Cloud、AWS 建立深度合作。去年 10 月，Anthropic 與 Google Cloud 簽下數百億美元協議，取得大規模 TPU 運算資源；不久前也與 AWS 簽下長期算力合作，並獲得 Amazon 加碼投資。這也凸顯 AI 新創正透過多個雲端平台，分散資金與算力來源。 ＊美國全球示警 DeepSeek，AI 智財戰升高到外交層級 根據《路透》報導，美國國務院已要求全球各外交與領事機構，向外國政府表達對中國企業疑似提取、蒸餾美國 AI 模型的擔憂。電報點名包括 DeepSeek、月之暗面（Moonshot AI）與稀宇科技（MiniMax）等中國 AI 公司。蒸餾是指利用大型模型輸出，訓練成本較低的小型模型。 中國駐美大使館則回應，相關指控毫無根據，並表示中國政府「高度重視智慧財產權保護」。同時間，DeepSeek 也發布最新旗艦模型預覽版 DeepSeek V4，包含 V4 [&hellip;]</p>

AI 資料中心推高排放，碳市場卻先震盪：微軟放慢採購，暴露碳移除市場的「單一買家危機」

<p>AI 資料中心帶來的用電、建設與冷卻需求，正在大幅推升科技巨頭的碳排壓力。這不僅讓「碳移除信用」（Carbon Removal Credits）的採購成為焦點，更引發對於綠電揭露規則的激烈爭辯。 近期，身為全球最重要碳移除買家的微軟（Microsoft），傳出正在放慢部分碳移除合約談判的腳步，為仰賴單一巨頭的碳市場投下震撼彈。 AI 推高碳排，理論上也將引爆碳移除需求 國際能源總署（IEA）估計，資料中心用電占全球電力需求比重，可能從 2024 年的約 1.5%，攀升至 2035 年的最高達 4.4%。不僅如此，企業自身的數據也印證了這股排放壓力：自 2020 年以來，微軟的總排放量增加 50%、Google 成長 71%，Meta 的排放量更增加 83%。&nbsp; 《WIRED》報導進一步指出，光是美國 11 個與 AI 資料中心相關的天然氣發電專案，每年潛在的溫室氣體排放量就可能超過 1.29 億噸，這甚至高於摩洛哥的年度總排放量。 如此可觀的排放量，理應帶動龐大的減碳商機。《WSJ》引述 U.K. Carbon Markets Forum 與 City of London Corporation 的報告指出，生成式 AI 帶來的發展，將成為碳信用需求成長的核心來源。報告更預估，全球碳信用市場將從目前的約 14 億美元，大幅成長至 2050 年的近 2,680 億美元。 理論與現實的落差：微軟放慢採購，碳市場立刻陷入恐慌 然而，這股看似前景無限的需求，卻在近期遭遇逆風。由於建設 AI 資料中心帶來龐大的財務壓力，科技巨頭的減碳預算似乎受到排擠。像是微軟原本的目標是在 2030 年達成負碳排，甚至要進一步消除自 1975 年創立以來的所有歷史排放，外界估計其既有合約的投資規模高達 [&hellip;]</p>

DeepSeek V4 登場：程式生成能力稱霸開源陣營，全面支援華為昇騰產品線

<p>DeepSeek 於本週五正式發布旗艦模型系列 V4 的預覽版，距離其 R1 推理模型引發全球 AI 市場震盪已超過一年。這次發布共包含兩個版本：擁有 1.6 兆參數的 DeepSeek-V4-Pro，以及規模較小、擁有 2,840 億參數的 DeepSeek-V4-Flash，兩者均支援 100 萬 token 的上下文窗口，並已於 Hugging Face 開源釋出。 程式撰寫能力稱霸開源陣營 DeepSeek 表示，V4-Pro 在 Agentic 程式碼生成基準測試中位居開源模型之首。根據專門追蹤 AI 技術效能的 Vals AI 公司測試，V4 在程式碼生成方面的表現顯著優於所有其他開源模型。Vals AI 執行長 Rayan Krishnan 指出，DeepSeek V4 與 Moonshot AI 旗下的 Kimi 2.6「基本上並駕齊驅」。 DeepSeek 自家員工也已在日常 AI 輔助程式開發中大量使用 V4，其內部反饋指出，V4-Pro 的輸出品質已接近 Anthropic 旗艦模型 Claude Opus [&hellip;]</p>

Meta 裁員 8,000 人後，還要留下的員工訓練 AI 代理：科技業用人邏輯正在被改寫

<p>AI 正在引發新一波科技業裁員潮。根據職業顧問公司 Challenger, Gray &amp; Christmas 的數據，2026 年迄今已有約 3 萬名工作者因為 AI 而被裁員，在 2025 年也有近 5.5 萬個職缺受到 AI 影響。 「企業正把預算轉向 AI 投資，代價是工作機會減少，」Challenger 首席營收長 Andy Challenger 強調，在科技公司中，AI 已經開始取代部分的程式編碼工作。在這波席捲業界的趨勢中，Meta 近日宣布的精簡計畫成為最具代表性的縮影：該公司將大舉裁掉約 8,000 名員工，占總人力約 10%，同時全面停止填補原本規劃招聘的 6,000 個職缺。 Meta 一邊裁員，一邊將資源押注在 AI 基礎建設與人才 為何要進行如此大規模的縮編？Meta 人資長 Janelle Gale 在內部備忘錄中，將此次裁員定調為「提升公司效率」的行動，並直言這是為了「抵銷我們正在進行的其他投資」。與以往不同，這波裁員屬於全公司範圍的「結構性重組」而非基於績效評估，Meta 正將內部團隊大規模重整為以 AI 為核心的「小組（pods）」，並設立了「AI 構建者（AI builder）」等全新職位，試圖從根本改變公司的運作方式。&nbsp; 這些所謂的「其他投資」，絕大多數都流向了 AI 領域。Meta 今年的資本支出指引高達 1,150 億至 1,350 億美元，這比 2025 [&hellip;]</p>

6 週就推新 AI、推論成本砍到 1/35，拆解 OpenAI GPT-5.5 的企業端鎖定戰略

<p>OpenAI 向付費用戶推出最新 AI 模型 GPT-5.5 與 GPT-5.5 Pro，距離前一版 GPT-5.4 僅約 6 週時間，反映出前沿 AI 實驗室在爭奪企業客戶上的競爭正在迅速升溫。雖然從命名方式和 OpenAI 執行長奧特曼的公開說法來看，這次或許只是小幅升級，但實際上 GPT-5.5 在整體能力上仍有明顯提升。此外，從 OpenAI 的自我定位來看，AI 競爭的焦點也逐漸轉移，從模型分數轉向企業客戶是否願意持續付費。 根據《VentureBeat》，GPT-5.5 讓 OpenAI 在可公開使用的大型語言模型中重新奪回領先地位，整體表現超越 Anthropic 和 Google 的最新公開模型，甚至在某項基準測試中，略勝 Anthropic 的內部模型 Claude Mythos Preview。 以 AI Agent 能力為核心，朝「實用性」邁進 OpenAI 共同創辦人兼總裁 Greg Brockman 表示，「這個模型真正特別的地方，在於它在更少引導的情況下，能完成更多事情。使用起來更直覺，也能在面對不明確的問題時，自行判斷下一步該怎麼做。」 換言之，OpenAI 模型的更新焦點在於 AI Agent（AI 代理）能力。OpenAI 將 GPT-5.5 定位為對 ChatGPT「日常使用體驗」的優化版本，重點在於提升推理能力、一致性，以及處理更長、更複雜任務的能力。這次升級不再強調炫技，而是回到一個核心問題：使用者是否能真正信任 AI，把任務交給它完成後續執行。 《TechRadar》報導，這種以「實用性」為主軸的定位，也反映出整個 AI [&hellip;]</p>

給龍蝦穿上防彈衣 NemoClaw 如何為 OpenClaw 打造企業級安全沙盒？

<p>NemoClaw 的基礎—— OpenClaw OpenClaw（小龍蝦）在2026年快速崛起，在短短幾個月便以驚人的速度成長成當今最受歡迎的開源的 AI Agent 平台，黃仁勳在演講中將它形容為「AI 代理的作業系統」，但像 OpenClaw 這樣的自主 AI Agent 可以發出任意網路請求、存取主機檔案系統，並呼叫任何推理端點。但如果沒有防護措施，將帶來安全、成本和合規性風險，並且隨著 Agent 無人監測的運行，這些風險也會不斷增加。 如何讓企業確保 OpenClaw 不會存取未授權的資料，如何控制 OpenClaw 在企業定義的運作範圍內，防止在外部環境洩露企業資料成為 OpenClaw 現在最需要迫切解決的課題。 NemoClaw 是什麼？ NemoClaw 是一個開源的技術棧，NemoClaw 核心功能之一是為它的龍蝦兄弟—— OpenClaw 和 NVIDIA Nemotron 等其他開源模型提供一個安全的環境部署，這也填補 OpenClaw 底層原先所欠缺的基礎架構層，使其能取得高效運作所需的存取權限，同時落實以規範為基礎的安全性、網路與隱私防護機制。而關鍵就在於 NVIDIA 在 NemoClaw 安裝一個名為&nbsp;OpenShell&nbsp;的保護層，可以想像類似 Dokcer 的 Container，但採用的是基於 YAML 的方法控制你的Agent。 OpenShell 整合了基於策略隱私和安全的防護措施。執行 NemoClaw 時，它會建立 OpenShell Sandbox 環境，並在一個隔離的容器（Container）中執行 OpenClaw， OpenClaw 能夠在受監控的 Sandbox 中運作，讓使用者能夠控制 [&hellip;]</p>

Openclaw 跟 GPT 有什麼不同？為什麼可以表現得這麼好？ OpenClaw 原理大解密

<p>隨著科技日新月異，我們正加速邁入全 AI 導向的時代。過去遇到難題，我們習慣訴諸 Google 搜尋海量資訊；如今只需打開 ChatGPT 輸入指令，精準的答案便手到擒來。然而，近期有一個專案橫空出世，不僅在 GitHub 上斬獲驚人的星數（Stars），更引發各大科技媒體瘋狂轉載，那就是 OpenClaw（小龍蝦）。 OpenClaw 是什麼？ OpenClaw 是由一名奧地利工程師 Peter Steinberger 所發明的，他發明理念是希望能夠打造一個「真正能做事的 AI」，幫助我們處理日常生活的大小事，像是你今天如果想要整理自己的郵件，你可以簡單的在自己的手機上，點開 LINE，發送給自己的 AI，請他幫你自動整理郵件，並且把不重要的郵件刪除，這樣簡短的一個動作，就可以幫助你處理好這個麻煩的事情。 Openclaw 背後的原理是使用了 Agent 的框架，這是他與 GPT 等等最不一樣的地方，他能夠不斷的自己產出內容，自行調用相關的工具，並且不斷的自我思考目前的結果是否已經符合使用者需求，進而再思考與修正。 另外，不同於 GPT，他能夠自行的操作使用者的電腦，這句話的意思是像說，如果今天他想要調用使用者電腦裡的資源時，他會去下指令（像是：ls, grep, cat 等等），去取得使用者電腦中的相關資源，這點可以大大的提升 OpenClaw 的能力，讓他能夠達成 GPT 無法達成的能力，徹底實現了讓 Openclaw 變成一個全面的電腦小助手。 OpenClaw 兩大關鍵能力：Context Window 分層讀取與Sub-Agent 模式 Openclaw（在功能面）本質上與市面上的 Agent 是相同的，他一樣是會有 LLM 以及 tools 讓 LLM 能夠去調用，但能夠讓他的能力脫穎而出的關鍵可以分成兩個部分： 一是在管理 Context Window （模型輸入的內容）時進行優化，例如時下最流行的 [&hellip;]</p>

避免 1.7 萬小時停機、年省千萬美元：FedEx 的 AI 物流戰略一次看

<p>全球物流網路日益複雜，物流巨頭 FedEx 正將人工智慧逐步嵌入到各項關鍵決策流程中。FedEx 副總兼數據與人工智慧負責人 Bala Vaidyanathan 表示，目前 FedEx 每天透過 AI 系統規劃與優化約 10 萬條配送路線，涵蓋貨物流動的各個環節。 數據平台化與 RFID 應用，AI 成為物流網路的大腦 當今的物流配送模式，已從過去的分流運作轉向單一整合網路，貨量組合變得更加多元且動態。FedEx 把 AI 用來處理不同時效要求的貨物，協助營運團隊在複雜條件下維持準時率，系統會根據即時需求與資源狀態，自動調整運輸路徑與容量配置，使飛機與卡車的裝載率維持在最佳水準，降低空載與資源浪費。 在實體層面，FedEx 也加速將 AI 延伸至物流基礎設施本身，其中一項關鍵布局是 RFID 感測器的導入。目前已在部分客戶的包裹上進行測試，透過即時追蹤貨物位置與狀態，提升整體運輸透明度。 這些感測器所產生的大量資料，會進一步匯入內部數據平台，與既有的條碼掃描與運輸紀錄整合。透過資料清洗與分析，系統能將原始訊號轉化為具體行動建議，協助現場人員快速定位問題、調整流程，並優化資訊在供應鏈上下游之間的流動。 隨著資料規模擴大，系統不僅能回應既有問題，也能主動發現潛在瓶頸，形成一種持續自我強化的營運循環。未來，FedEx 甚至計畫導入代理式 AI，讓系統不僅提供分析結果，還能主動提出具體調度建議。這類 AI 能模擬不同決策情境，評估各種資源配置方案的影響，並向管理人員推薦最佳解。 預測性維護，年省千萬美元 在設備維運方面，FedEx 亦透過 AI 建立預測性維護能力。其自主開發的 MOBIUS 平台，結合分揀設備上的感測器數據與專有模型，能在系統發生故障前預測異常並發出警示。這種從事後修復轉向事前預防的模式，大幅降低了設備停機對整體網路的衝擊。 根據公司數據，MOBIUS 已在 41 個地面營運據點部署，成功避免約 1.7 萬小時的潛在停機時間，並為公司每年節省約 1,000 萬美元的維護成本。對於高度依賴分揀效率的物流產業而言，這樣的改善直接轉化為更穩定的服務品質與更低的營運風險。 除了倉儲與分揀系統，FedEx 也在推進自動化裝卸技術，將 AI 與機器人導入卡車貨櫃的裝卸流程。透過自動化系統，貨物流入節點的速度與穩定性得以提升，減少人工操作帶來的波動。 FedEx 計畫在 2028 [&hellip;]</p>

【SaaS 末日還沒到】AI 助力客製化開發，商業軟體的角色正在被重新定義

<p>儘管軟體類股因為 AI 浪潮而暴跌，令投資人產生 SaaS 末日疑慮，但大型企業仍表示短時間內不會放棄 SaaS 與商業軟體，並預期透過 AI 將小型應用程式與客製化服務納入企業營運日常。</p>

【科技早餐】Google、台積電、Tesla 一路加速，AI 競爭正式從展示走向部署

<p>【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊Google Cloud 宣告 AI 實驗期結束，企業競爭轉向整合能力 Google Cloud Next 2026 在美國拉斯維加斯登場，Google Cloud 執行長 Thomas Kurian 開場就定調，AI 的實驗階段已經結束，現在真正的挑戰，是怎麼把 AI 規模化部署進整個企業。這次 Google 主打「統一技術堆疊」，強調從底層晶片、資料、模型到資安，要一起往上整合。 本次更新包括第八代 TPU，首度採用雙晶片架構，分別對應訓練與推論需求；原本的 Vertex AI 也升級成 Gemini Enterprise Agent Platform，把企業代理整合進同一套平台治理。Google 同時強調，近 75% 的 Google Cloud 客戶已在生產環境中使用 AI，也讓這場大會的重點，從展示能力進一步轉向企業部署。 ＊台積電亮出 A13 與先進封裝新時程，AI 算力往 2029 續推 台積電（TSMC）在北美技術論壇正式揭示 A13 製程，作為去年 A14 之後的新一代技術節點。台積電表示，A13 比 A14 再省 6% 面積，設計規則也向後相容，預計 [&hellip;]</p>

讓 AI 預測準度提升 20%、記憶體需求壓縮數百倍！倫敦大學研究揭量子如何提升 AI 效能

<p>想要提升生成式 AI 的準確性只能靠強化模型參數與算力嗎？來自英國倫敦大學的最新研究揭示了另一條不同的技術路徑。該研究開發了一種將 AI 與量子運算相結合的方法，不只將預測準確度提升 20%，還可以將記憶體需求壓縮至原本的數百分之一，為 AI 效率與穩定性瓶頸提供新解法。 這項研究發表於學術期刊《Science Advances》，提出一套名為「量子輔助機器學習（Quantum-informed Machine Learning, QIML）」的框架。量子電腦首先在數據中識別出跨時間保持穩定的統計規律，也就是所謂的「不變統計特性（invariant statistical properties）」，再將這些規律轉化為精簡的「量子先驗（Q-Prior）」，輸入於傳統超級電腦上的 AI 模型進行訓練。 準確度提升 20%，長時間預測不再發散 研究團隊指出，傳統機器學習與生成式 AI 模型在面對複雜動態系統時，往往難以維持長期預測的穩定性與準確度，主因在於誤差會隨時間累積，且難以捕捉系統中的不變統計特性。 然而，研究團隊將新方法應用於流體力學與混沌系統預測時，結果顯示，相較於傳統 AI 模型，新方法的預測準度提升約 20%，同時在長時間預測中維持更高穩定性。 除了準確度、穩定性提升，另一項關鍵突破在於運算效率。科學媒體《SciTechDaily》，該研究顯示，該量子 AI 模型所需的記憶體，僅為傳統方法的數百分之一，甚至可將數百 MB 的資料壓縮至數 MB 等級，同時保留關鍵資訊。 具體來說，Kuramoto-Sivashinsky 系統的原始資料為 300 MB，壓縮後的量子先驗僅 0.25 MB，壓縮比約 1,200 倍；二維 Kolmogorov 流的原始資料為 400 MB，壓縮後為 0.40 MB，壓縮比約 1,000 倍；三維湍流通道流（Turbulent Channel Flow）的原始資料為 500 MB，壓縮後為 2.3 MB，壓縮比約 [&hellip;]</p>

20 毫秒快速反應、擊敗桌球職業選手：Sony AI 機器人 Ace 如何跨過 Physical AI 的即時決策門檻？

<p>近日在中國北京舉行的一場半程馬拉松賽事中，機器人跑贏人類跑者的畫面引發熱議，展現出全球在實體機器人技術上的驚人進展。在這波機器人跨越人類體能界限的浪潮中，Sony AI 研發的自主桌球機器人 Ace 又往前邁進一步，並被視為首個能在真實世界中與高階人類桌球選手競爭的自主系統（autonomous system）。 這項突破的關鍵，不只是單純的「打贏人類」，而是 AI 首次在正式比賽規則下，證明自身具備高速感知、即時判斷與精準出手的能力，這也標誌著 AI 正加速從虛擬環境，跨入需要即時反應的實體運動領域。 迎戰高階選手、擊敗職業好手：Ace 打破正式規則下的競技極限 過去，桌球之所以被視為實體 AI（Physical AI）的重大挑戰，在於這項運動極度考驗反應極限：球速可超過每秒 20 公尺、來回時間常不到 0.5 秒，且高速旋轉會大幅改變球路。面對這些極端條件，Ace 在國際桌球總會（ITTF）的正式規則與兩名裁判的監督下，與人類選手展開真正的對決，並且全程採用一般球拍與奧運標準尺寸的場地，沒有放寬任何硬體標準。&nbsp; 2025 年 4 月，Ace 首度與 5 位高階選手（elite players）及 2 位職業選手對戰，並成功對高階選手拿下 3 場勝利。雖然初期未能擊敗職業選手，但隨著系統持續進化，Ace 成功在 2025 年 12 月首次戰勝職業選手，隨後更在 2026 年 3 月，進一步擊敗包含世界排名前 25 名的木原美悠（Miyuu Kihara）在內的三名職業好手。 跨越困難的門檻：比人類反應時間快 10 倍的即時感知與決策 Ace 之所以能跨越即時反應的門檻，歸功於其結合事件導向視覺感測器（event-based vision sensors）、無模型強化學習（model-free reinforcement learning）與高速機器人硬體的三位一體核心架構。 在「感知」層面，為了能在極短時間內完成追蹤，Ace [&hellip;]</p>

NVIDIA、鴻海、新代、研華齊聚 AI 機器人產業論壇，共同解析 Physical AI 奇點爆發時代

<p>「過去一條產線通常需要 30 至 40 人操作，但在導入 AI 與自動化技術後，如今僅需約 5 人即可完成。」 在近日（4/14）由 TechOrange 科技報橘、NVIDIA、鴻海科技集團共同舉辦的「AI 機器人產業論壇」中，科技報橘社長戴季全引用鴻海董事長劉揚偉日前於美國國會山莊與矽谷論壇分享的實戰數據，顯示 AI 機器人正以極快的進化速度實際在智慧工廠運作。 隨著 AI 加速跨越虛擬與現實的界線，NVIDIA、鴻海科技集團、新代科技與研華科技等機器人生態圈產業專家，也同步分享如何透過數位孿生、人形機器人與邊緣 AI 等技術，將傳統產線轉化為具備自我診斷能力與高度韌性的 AI 工廠，逐步建構具備高度生產適應力的智慧生態系。 NVIDIA Cosmos 讓機器人學習技能，應用到不同佈局的真實場景 機器人要具備智慧，資料收集與訓練是最大的瓶頸。NVIDIA 台灣新創生態系暨機器人開發者關係負責人李昇達以「World Model 如何定義 Physical AI 新標準」為題，分享訓練機器人所面臨的兩大困境。第一是數量龐大的「網路規模資料」多為故事講述或訊息分享，並非為機器人訓練錄製，難以直接應用；其次，由人類操作、需要動態擷取的實體機器人資料，常因設備與環境成本高昂難以大規模收集。 為了破解此僵局，業界提出了全新的解決方案，利用 NVIDIA Cosmos 先從網路規模資料中學習大量真實世界訊息，並結合實體機器人感官資料進行資料合成，以這樣的方式讓機器人生成多元場景與行為，將廣泛的世界訊息轉化為可供機器人深度學習的合成資料，讓機器人能夠先在模擬環境中進行訓練，並透過 Isaac 模擬平台以及 Newton 物理引擎輔助，學習物理法則，例如掌握抓取蘋果或玻璃杯的力度，在模擬環境中訓練機器人，就能在風險成本可控的狀態下反覆進行。 另外，Cosmos 平台核心價值之一在於「跨場景轉移」的能力，讓機器人學習的技能，可以被複製並應用到不同佈局的真實場景中執行，確保機器人在各種看似相近、但部分環境條件不同的場景中，依然能夠運作並完成任務，「就像讓機器人在 A 廚房學會切菜，但可以直接讓機器人轉移到 B 廚房，不用重新學習。」希望在未來協助開發者在不同的應用領域完成機器人開發，加速跨越虛擬與現實的界線。 鴻海科技集團 運用數位孿生與機器人技術建構 AI 原生工廠 鴻海科技集團機器人事業處總經理郭柳宗以「Building and Scaling AI Factories [&hellip;]</p>

Optimus 不再只是概念秀，拆解特斯拉用電動車產線換機器人產能的量產佈局

<p>在電動車成長趨緩、投資人持續追問下一波成長動能之際，特斯拉最新一季財報，再次讓市場關注這家公司處於一個尷尬的轉折點：傳統汽車業務表現不穩，而執行長馬斯克正將未來押在 AI、Robotaxi 與人形機器人上。 根據《The Guardian》與《The Verge》報導，特斯拉在 2026 年第一季營收為 223.9 億美元，較 2025 年同期的 193 億美元成長 16%，但低於華爾街原先預期的約 226 億美元；不過其每股盈餘 41 美分，高於市場預估的 37 美分；自由現金流也維持正值。換言之，這份財報並非全面失利，而是部分優於預期，但關鍵面向仍不理想的混合訊號。 《The Guardian》提到，特斯拉今年以來股價表現疲弱，部分原因來自中國車廠競爭加劇，也來自馬斯克與川普政府關係過近引發的反彈。特斯拉先前公布的第一季交車量約 35.8 萬輛，也低於市場預期。Model S 與 Model X 已準備停產，Cybertruck 銷售表現也未如預期，顯示特斯拉既有汽車業務正面臨轉型壓力。這樣的背景，也讓外界更關心特斯拉從汽車公司，轉型為 AI 與機器人公司的新敘事是否真正成立。 投資人追問 Optimus V3，馬斯克卻選擇再延後展示 因此在這次財報會議上，投資人最關心的問題之一，就是原訂於 2026 年第一季發表的人形機器人 Optimus V3 究竟何時亮相。 如今馬斯克選擇再次推遲發表時間表，原因是：「我們有點猶豫要不要展示 V3 版本，因為我們發現每次我們發布新產品，競爭對手都會仔細研究每一幀影片畫面，然後盡可能地抄襲，」他直言，「所以我認為，在接近量產之前不展示新技術，是有價值的。」 這種說法聽起來像是防守姿態，但其實也透露出特斯拉如今對 Optimus 的態度已經改變。過去幾年，Optimus 更多是概念展示與願景敘事的一部分；如今，特斯拉顯然希望把焦點從「秀技術」轉向「建產線」。 不再只是畫大餅，特斯拉揭露更具體的量產節奏 馬斯克表示，Optimus 將是特斯拉有史以來最大的產品，並強調生產也是巨大工程。根據《Business Insider》與《electrek》報導，特斯拉大約在今年 7 月下旬或 [&hellip;]</p>

台積電為何暫不採用 ASML 最新 High-NA？AI 晶片競爭規則正在改寫：從拚微縮轉向封裝與系統整合

<p>近日在美國加州聖塔克拉拉（Santa Clara）舉行的 TSMC 北美技術論壇上，台積電發表包含 A13、N2U 與新一代封裝等最新技術路線。然而，引起全場關注的焦點之一，就是台積電明確表示到 2029 年前，暫無計畫將 ASML 最新的高數值孔徑極紫外光（High-NA EUV）的設備用於量產。儘管競爭對手 Intel 已經率先採用該設備，但在先進節點的發展上仍落後台積電。&nbsp; 這項決策凸顯出，台積電將「先進製程」、「先進封裝」與「資本配置」放進同一套 AI 晶片競爭框架中，進行全新的戰略排序，並重新梳理技術發展藍圖背後的核心邏輯。 暫不採用 High-NA EUV：既有技術足夠撐起 A13，且成本考量更為務實 首先，台積電決定暫緩導入 High-NA EUV 的核心原因有二：技術效益仍在，以及設備極度昂貴。目前 ASML 最新的 High-NA EUV 單台價格已高達約 4.1 億美元，而台積電目前僅採購極少量機台用於研發，並未投入量產。台積電全球業務資深副總經理暨副共同營運長張曉強（Kevin Zhang）對此明確表示：「我們能夠繼續從目前的 EUV 中獲得好處。」並強調下一代 High-NA EUV 設備「非常、非常昂貴」。由於台積電是 ASML 最大的客戶，這項「不採用」的決策消息一出，導致 ASML 在美國上市的股票盤中一度下跌達 5.5%。&nbsp; 依據台積電的藍圖，預計在 2029 年量產的 A13 節點將是 A14 的進一步微縮版本，能較 A14 縮小約 6% 的面積。這也證明台積電的研發團隊現階段仍可在不依賴 High-NA 設備的情況下，持續推進先進製程。 [&hellip;]</p>

【AGI 競賽盲點】堆算力可能不是唯一解，腦科學的邏輯為何仍缺席？

<p>全球頂尖科技公司正以數千億美元的規模追逐同一個目標：人類等級的人工智慧 Artificial General Intelligence (AGI)。至今還沒有人成功，不論是 Google、OpenAI，還是 Anthropic。 在目前在已知宇宙中，已存在一個具備通用智能的系統，那就是人類大腦，弔詭的是，我們對它的理解依然貧乏。 巨頭基礎設施戰爭開打，能源問題已失去控制 2025 年，光是 Alphabet、Amazon、Meta、微軟四家公司，就在 AI 基礎設施上砸下近 4,000 億美元，涵蓋資料中心、晶片與支撐前沿模型訓練所需的龐大能源系統。 同一年，非營利組織 Astera 啟動了神經科學領域罕見的大手筆計畫，由知名神經科學家 Doris Tsao 主持，致力於解開大腦如何產生意識、認知與智能行為的謎題，並明確點出其成果可望「為 AGI 提供全新框架」。這個被視為史上最具企圖心的腦科學研究計畫，規模僅是 10 億美元。 如果把比較基準換成美國政府的 BRAIN Initiative，差距同樣驚人。這項自 2014 年啟動、橫跨多個聯邦機構的計畫，歷經超過十年的積累，總投入才剛突破 30 億美元，最高峰的 2023 年也不過 6.8 億美元。這些數字，在當前 AI 資本面前，幾乎可以忽略不計。 能源問題讓失衡更加具體。Amazon 在印第安納州的 Project Rainier 耗電量達 2.2 GW，xAI 的 Colossus 與 Meta 的 Hyperion 各消耗 2 GW——1 [&hellip;]</p>

【Arm 黃曉剛專欄】當「雲端集權」轉向「終端自主」：無所不在的邊緣 AI，如何重塑新時代智慧生活？

<p>文／Arm 台灣總裁黃曉剛 自生成式 AI 的巨浪襲來，全球科技產業陷入了一場以算力為名的「雲端軍備競賽」。然而，過去幾年 AI 的演進高度依賴「集權式」的雲端架構（Cloud-centric），雖然提供了強大運算力，但傳輸延遲的瓶頸、隱私資料外洩的隱憂，以及資料中龐大的能耗壓力，已成為智慧生活普及化的門檻。 隨著 2026 年「智慧運算新紀元」的到來，我們正在目睹一場大規模的「運算主權移轉」。AI 運算正從遙遠的資料中心，遷移至我們口袋裡的終端裝置、工廠的機器人以及具備主動感知的 AI 定義汽車。這不僅是技術位置的更迭，更代表「分散式架構」的崛起，讓裝置具備了不依賴雲端的即時決策和執行能力。 從「萬能大腦」進化為「數位夥伴」——「每瓦智慧」是關鍵 在這一波趨勢中，單純的算力規模已不再是唯一指標，衡量智慧的新標準將演進為「每瓦智慧（Intelligence per Watt）」，也就是單位能耗下能夠輸出的有效 AI 算力。隨著使用者對裝置端 AI 體驗的期待不斷提升，從即時助理到個人化服務，AI 正快速地往手機或穿戴裝置中運行，如何以極致能效進行複雜推論，將成為定義「終端自主權」的關鍵。 以視覺語言模型（VLM）在終端裝置的應用為例，它能辨識螢幕內容並理解操作意圖，使終端從被動工具演進為具備主動性的「AI 代理（AI Agent）」。這種技術能內化使用者習慣、預判需求並跨應用程式協調整合。要支撐這種完全在終端即時運行的個人化體驗，底層架構的能源效率表現正是決定性的技術優勢。 這種運算自主權的覺醒，主要源於市場對低延遲處理的強烈需求，以及對資料自主性與隱私保護的高度重視。未來，AI 將從遠在天邊的「通用大腦」，轉變為近在咫尺、具備環境感知能力的「數位協作夥伴」。 打破雲端終端的二元對立，從底層架構轉變成「協同智慧」 目前的產業競爭已不再是雲端與邊緣的零和賽局，而是從過去「凡事上雲」或「純終端運算」的二元對立，演變為整合性更強的「協同智慧（Collaborative Intelligence）」。在新模式下，雲端與終端不再是獨立的資訊孤島，而是一個混合的運算框架，讓系統能根據工作負載的複雜度、即時性需求與資安敏感度，進行動態的算力調度：將高能耗的大規模訓練保留在雲端，而將需要即時回應的推論與隱私感知留在邊緣。 更深層的變革在於「主權」的體現。如 AWS Graviton、Google Axion 與 Microsoft Cobalt 等雲端巨頭，正引領「系統級協同設計」的風潮。他們正逐步打破對傳統通用晶片的依賴，轉而從底層軟硬體堆疊開始與 Arm 合作，打造針對特定 AI 框架最佳化的客製平台。這種垂直整合確保了從基礎設施到應用端的絕對掌控力與效率。 守護數位資產主權，以「硬體級安全」建立信任基礎 隨著晶片製程接近物理極限，半導體創新正從追求通用運算（General-purpose）轉向「異質整合（Heterogeneous Integration）」與「特定任務加速（Domain-Specific Acceleration）」。然而，當運算能力大規模遷移至邊緣端，分散式的架構也代表著防禦邊界將被打破；若沒有強大的底層防護，終端裝置將成為資安防禦中最脆弱的新破口。 這場安全變革的勝負，取決於能否將防禦機制從「軟體外掛」徹底轉化為「硬體內建」。要達成此目標，必須從定義運算邏輯的底層指令集架構（ISA）著手。作為全球運算標準的定義者，Arm 在 Armv9 架構中導入了 MTE（記憶體標籤擴充技術）等硬體級原生安全特性，讓安全性不再是事後的補強，而是深植於晶片設計的基礎中。這種信任機制的建立，關鍵在於賦予硬體原生的「隔離能力」，確保裝置在執行高價值 AI 運算時，能從底層阻絕惡意篡改與資料攻擊。 唯有當企業核心機密與個人隱私能在終端獲得硬體級的守護、而不需被迫上雲時，使用者才能真正建立對 AI [&hellip;]</p>

【Google 第 8 代 TPU 來了】訓練與推論分流、效能比上代快 3 倍，支撐為 AI 代理而生的技術堆疊

<p>在 Google Cloud Next 2026 大會即將於拉斯維加斯登場、預計吸引逾 3.5 萬名與會者之際，Google Cloud 執行長 Thomas Kurian 於會前媒體簡報中公布一系列新產品與功能，點出這次大會的核心：AI 模型的演進，正在根本性地改變人們使用 AI 的方式。 過去，模型主要用來回答問題或生成內容；如今，模型正轉向能夠自主使用工具、具備多項技能，並能代替使用者執行多步驟複雜任務的「AI 代理（Agents）」。Kurian 將這個轉變稱為「向代理轉移」，而 Google 在本屆大會發布的所有新功能，正是其過去一年多為因應這場轉移所打造的全端技術堆疊成果。 運算基石大進化：第 8 代 TPU 雙晶片登場 要驅動 AI 代理所需的龐大任務生態系，一切從基礎設施開始。Google 推出兩款針對不同用途設計的第八代 TPU。 TPU 8t 專注於訓練任務，採用晶片互連（ICI）技術，單一 superpod 可擴展至 9,600 個 TPU，並搭配 2 PB 的高頻寬共享記憶體。其整體運算效能是上一代 TPU Ironwood 的 3 倍，每瓦效能最高可提升 2 倍。 TPU 8i 則專注於推論任務。Google 採用名為「boardfly」的全新架構，將大量 TPU 晶片交叉連接，搭載更多 [&hellip;]</p>

成衣製造的 AI 進化：不再盲目備貨，3 大面向從源頭減少浪費

<p>全球時尚產業每年產生大量的廢棄物，長期被視為產業成長的代價，但其本質來自生產邏輯的結構性問題。品牌為了降低缺貨風險，往往選擇提前大量生產，導致供需長期失衡，不僅造成銷售損失，也有害環境。 如今，AI 技術正在改寫這套運作模式，結合感測器、電腦視覺與機器學習，讓機器能夠即時感知材料狀態並動態調整操作，使製造過程具備回應能力，從源頭降低浪費生產的機率。 預測需求、感應布料、品質控管，AI 驅動的製造減少浪費 根據《世界經濟論壇》，AI 賦能成衣製造，最直接的是其分析預測能力，讓生產週期大幅壓縮，品牌能更快回應市場變化，將原本以月為單位的設計、製造流程縮短至以天計算。當生產能夠貼近實際需求，企業便不再需要大規模備貨，小批量生產開始具備經濟可行性，庫存風險隨之下降。 另外，在製造環節中，布料裁切一直是浪費的主要來源之一。傳統版型設計會留下大量邊角料，這些碎布往往難以再利用。AI 系統能根據布料特性即時調整裁切方式，提升材料利用率。一些新創公司甚至嘗試以全新工法改變生產邏輯，例如透過三維織造（3D Weaving）直接生成符合人體輪廓的布料，減少後續裁剪與縫製的需求。這類技術顯示，當機器具備對材料的理解能力，產品設計與製造方式也會同步演化。 品質控管同樣是影響浪費的重要環節。過去的檢測流程多半發生在成衣組裝完成之後，一旦發現瑕疵，前期投入的材料與工時便無法回收。AI 加入後，建立了一個持續運作的閉環系統，透過「感應、思考、行動、學習」的機制，在生產過程中即時辨識異常。當缺陷出現的瞬間就被攔截，問題不會在後續流程中擴大，整體報廢率因此下降。這種即時決策能力，使品質管理由事後補救轉為過程控制。 AI 在工廠落地仍有挑戰，仰賴實戰累積 《世界經濟論壇》分析，製造工廠的 AI 落地仍有挑戰。與純軟體 AI 不同，這類系統必須在真實工廠環境中長時間穩定運作，並適應不同布料與製程條件，需要大量實地測試與數據累積，也仰賴製造商願意開放產線進行驗證。 AI 大幅提升成衣製造的效率是毋庸置疑的。當機器能夠理解材料並即時決策，對一個長期被過度生產困擾的產業來說，這項技術提供了一條更具可持續性的發展路徑，也讓減少浪費不再只是理想，而是可以逐步實現的營運現實。 【推薦閱讀】 ◆ Costco 的 RMN 變革：放棄流量變現思維，如何靠封閉式數據實現「廣告到購買」？ ◆ 98% 自動化、每輛車 2 萬項數據回傳：解析 BMW 慕尼黑廠的 iFACTORY 數位升級邏輯 ◆ 寫加工程式從 1 小時縮減至 4 分鐘：拆解日本 ARUM 導入對話式 AI 的精密加工實戰 ＊本文開放合作夥伴轉載，參考資料：《Earth Org》、《WEF》、《Forbes》，首圖來源：Unsplash （責任編輯：廖紹伶）</p>

從 DoorDash 到 Stripe 的企業級穩定幣實戰：平台金流重組，正重寫全球支付軌道

<p>外送巨頭 DoorDash 目前經營一個橫跨全球 40 多國，且連結消費者、商家與外送員的三邊平台。在龐大的營運規模下，面對多種支付軌道並存、匯率波動與結算時間差的挑戰，金流瓶頸也隨之浮現。 為了解決這些痛點，DoorDash 選擇與近期估值達 50 億美元、由支付巨頭 Stripe 與創投 Paradigm 共同支持的區塊鏈 Tempo 合作。這項合作將先從撥款流程切入，目標是讓外送員與約聘人員能以穩定幣獲取報酬，因為對平台而言，更快、成本更低的結算方式最能創造價值。 DoorDash 共同創辦人 Andy Fang 表示：「穩定幣在重塑全球金融基礎設施方面具有真正的潛力，不僅在美國，而是放眼全球，我們希望能成為積極的參與者，而不只是被動接受者。」這也凸顯穩定幣正從加密市場的交易工具，走向真實的商業流程與「日常貨幣」的應用。 Tempo 推出「穩定幣顧問」助企業無縫接軌 為了支撐商業應用，Tempo 將自己定位為專為「大規模支付」打造的區塊鏈，並主打亞秒級最終結算（sub-second finality）、可預測的美元計價費用、為支付保留的區塊空間、私有支付區域，以及可用來批次撥款與代付手續費的帳戶抽象（account abstraction）功能。 不僅提供區塊鏈網路，Tempo 更宣布成立專屬的「穩定幣顧問（Stablecoin Advisory）」部門，目的是協助企業與金融機構評估適合的穩定幣應用場景、設計託管與合規架構，並加速穩定幣專案從原型到正式上線的過程。 Tempo 甚至提供「派駐工程師」，能直接進入客戶端協作整合穩定幣，而這項顧問服務的底氣，來自 Tempo 團隊在早期開發區塊鏈時，就已與 OpenAI、Shopify 以及 Visa 等「設計合作夥伴」累積深厚的企業協作經驗。 Stripe 與多家金融機構響應，穩定幣支付網路推向全球 在 Tempo 積極的基礎建設與顧問輔導下，包含 Stripe、Coastal Community Bank 與拉丁美洲金融平台 ARQ，都已把穩定幣支付營運流程帶上 Tempo 的網路。 其中，Stripe 已將 Tempo 視為資金管理能力的核心區塊鏈基礎設施之一，讓企業能在 100 多個國家透過 [&hellip;]</p>

SpaceX 斥資 600 億美元搶 Cursor 收購權：拆解為史上最大 IPO 鋪路的底層邏輯

<p>SpaceX 宣布，已取得以 600 億美元收購 AI 程式開發工具新創 Cursor 的選擇權，交易可能於今年稍晚進行，若最終未完成收購，SpaceX 將支付 100 億美元建立新的合作關係。這筆結構特殊的交易，揭示的不只是企業併購，而是 AI 競爭核心正邁向算力、應用與生態系的整合戰。 SpaceX 在 X 平台上發文表示，兩家公司「目前正密切合作，共同打造全球最佳的程式設計與知識工作 AI」，並指出 Cursor 領先的產品與對專業軟體工程師的市場滲透力，結合 SpaceX 旗下擁有百萬顆 NVIDIA H100 GPU 算力的 Colossus 超級電腦，「將使我們得以建構全球最實用的 AI 模型」。 Cursor 為何願意合作？答案是算力瓶頸 《Bloomberg》與《TechCrunch》報導，這筆交易並非憑空而生。上週市場已傳出 SpaceX 旗下公司 xAI 開始向 Cursor 出租資料中心的運算能力，讓 Cursor 訓練其最新 AI 模型 Composer 2.5；今年 3 月，Cursor 兩位最資深的工程主管 Andrew Milich 與 Jason Ginsberg 也已離職加入 SpaceX，直接向馬斯克與 [&hellip;]</p>

Sora 剛退場，OpenAI 為何急推 ChatGPT Images 2.0？影像生成正從娛樂內容轉向高價值工作場景

<p>OpenAI 在宣布關閉曾一度爆紅的 Sora 應用程式後，近期迅速推出新一代影像生成模型 ChatGPT Images 2.0。這並非單純重回「AI 畫圖熱潮」，而是 OpenAI 決定將影像生成能力重新放回 ChatGPT 核心產品與工作場景中，並將其定位為使用者的「視覺思考夥伴」。ChatGPT Images 產品負責人 Adele Li 強調：「視覺智慧的視野與使用場景正大幅擴展，我們相信這對 ChatGPT 發展個人助理的願景至關重要。」 Images 2.0 大升級：精準排版、多語言支援與具備「思考」能力 Images 2.0 全面升級核心能力，包括更強的文字生成與排版能力、圖示與版面組織能力、更細緻的指令遵循（instruction following）、物件擺放與細節保留的精準度。同時，也大幅提升針對日文、韓文、中文等非拉丁語系的多語言文字處理能力。 值得注意的是，新模型分為「即時（Instant）」與「思考（Thinking）」兩種模式。即時模式開放給所有 ChatGPT 與 API 用戶，當使用者在 ChatGPT 中選擇思考或專業（Pro）模型時，Images 2.0 能夠搜尋網路以獲取即時資訊，並對自身的輸出結果進行二次檢查。Images 2.0 也能從單一提示詞生成最多八張圖像，同時維持角色與物件的視覺一致性，這讓新模型非常適合應用於漫畫、分鏡圖、社群圖卡、多頁設計等連續性內容的創作。目前，這項功能已整合至 ChatGPT 與 Codex 中，顯示 OpenAI 正將影像能力嵌入更完整的產品體系內。 OpenAI 為何必須加快推出新一代影像模型？ 《The Verge》分析，自從 OpenAI 在 2025 年推出上一代 ChatGPT Images 以來，影像生成領域的競爭已白熱化，市場上陸續出現 Google [&hellip;]</p>

從外觀到飛行動態都與真鳥無異，中國仿鳥撲翼無人機正改寫偵察戰場

不只自動化，更是採購決策重構：NEC 如何將交期變更交給 AI 秒速談判？

<p>隨著企業加速導入代理式 AI（Agentic AI），「採購」這個高度仰賴經驗與判斷的核心職能，也跟著技術進步，有所轉變。 根據科技研究與顧問公司 Gartner 最新研究，機器採購（Machine Buyers）正從概念走向實務應用，成為企業內部供應鏈優化的重要突破口。其中，日本電氣（NEC）的實驗成果，被視為這一波轉型的關鍵案例。 NEC 以 AI 代理重構談判週期 在 NEC 集團內部測試中，AI 代理已能直接與供應商系統進行串接，針對零件採購中的交貨時程與條件進行即時調整。過去需要人工來回溝通、確認與談判的流程，如今已大幅壓縮。原本可能橫跨數週甚至數月的採購與談判週期，已被縮短至一分鐘內完成。針對高頻且標準化程度較高的任務，例如交期變更與數量微調，系統能在數秒內完成決策並與供應商進行談判。 這種效率的躍升，並非單純來自自動化流程，而是來自對「決策本身」的重構。NEC 的做法在於將資深採購人員長年累積的經驗轉化為可運算的知識體系。系統會分析過往的電子郵件、合約紀錄與溝通內容，萃取出專家在不同情境下的應對策略。這些策略涵蓋何時應該讓步、何時需要堅持條件，以及在談判陷入僵局時的替代方案，最終被轉譯為 AI 可執行的邏輯規則。 這代表過去深藏於個人經驗中的隱性知識，如今被系統化、結構化，成為可複製與擴展的企業資產。採購工作長期依賴資深人員的判斷力與市場敏感度，也因此面臨人才斷層的風險，而當這些知識能被嵌入 AI 代理中，企業不再完全依賴少數專家的即時決策能力，而是能透過系統持續運作並擴展決策規模。 機器採購創造供需雙贏的即時響應 Gartner 還指出，NEC 的案例凸顯了機器採購在供應鏈韌性上的潛力。在極端情境下，例如自然災害或全球供應鏈中斷，人類採購人員的反應能力往往受到時間與精力限制。面對數千家供應商時，人工逐一聯繫與協商幾乎不具可行性。AI 代理則能在極短時間內同時啟動大量談判，快速重新配置供應來源，降低中斷帶來的衝擊。 這樣的能力也重新定義了採購的時間維度。過去的採購流程建立在「等待」與「回應」之上，決策節奏受到人力與溝通頻率限制。機器採購則引入即時決策與持續優化的運作模式，使供應鏈更接近一種動態調整系統。企業能在需求變動、價格波動或供應風險出現時，即刻做出反應，而非被動承受結果。 「機器採購員不僅對部署它們的公司有利。機器採購得以隨時待命，不像人工談判員那樣可能需要數小時甚至數天。」NEC 人工智慧負責人 Satoshi Morinaga 說，「我們的供應商合作夥伴也從中受益。」 AI 代理帶來的新治理課題 不過，Gartner 也強調，機器採購的導入並非單純的技術部署，而是一項組織層級的轉型工程。企業需要建立能支撐 AI 決策的資料基礎與治理機制，並確保決策邏輯持續更新，以反映市場變化與策略調整。同時，如何與供應商建立信任關係，也成為關鍵課題。當談判對象由人轉為機器，供應商需要理解這項改變背後的價值，包括更快的回應速度、更高的準確性，以及跨時區運作所帶來的效率提升。 NEC 的實踐顯示，機器採購並非取代人類，而是重塑人機分工。AI 代理負責高頻、可標準化且需要快速反應的決策，人類則轉向更具策略性與價值創造的任務，例如供應商關係經營、風險管理與創新合作。這樣的轉變，讓採購職能從執行導向逐步邁向策略導向。 隨著代理式 AI 技術成熟，機器採購很可能成為企業導入 AI 的重要起點。相較於面向消費者的應用，內部採購流程具備明確的數據基礎與可量化的成效指標，使其成為驗證 AI 價值的理想場景。 【推薦閱讀】 ◆ 告別廣告代操中間商：AI 代理人如何重構程序化廣告市場？ ◆ 10 [&hellip;]</p>

短影音夾擊、營收下滑的豪賭：愛奇藝宣布 5 年內讓 AI 生成大部分影視內容

<p>愛奇藝近期宣布，預期在未來 5 年內，AI 將生成該平台大部分的電影與影視節目內容。同時，公司計畫把原有的影音 App 與網站改造成更像社群媒體的平台，主要用於承載 AI 生成內容。這項舉動被外界視為愛奇藝自 2010 年成立以來，規模最大的一次企業重整與轉型。 愛奇藝執行長龔宇對此表示：「這是十年一遇的機會，我們必須順應潮流。」這句話也點出這場轉型的核心：愛奇藝正試圖利用 AI 重新定義影視內容的生產、分發與變現方式。 目標從串流平台轉型為 AI 內容生產平台，愛奇藝全面改寫影視生產線 為了推動這項龐大的轉型，愛奇藝正式發布名為「Nadou Pro」的 AI 工具。這套 AI 系統具備從劇本撰寫、分鏡設計，到最終剪輯與渲染等幾乎所有電影製作環節的能力，凸顯 AI 在影視生產線中已從單純的輔助工具，逐漸被推向核心位置。 愛奇藝的企圖心不只停留在技術創新，更積極創造實際的內容供給。例如，除了已率先上線 16 部由 Nadou 製作的科幻與動漫類作品外，公司更設定目標，最快在今年夏天推出一部取得商業成功的 AI 生成電影。 此外，Nadou 系統也內建 IP 資料庫（IP library），開放第三方創作者取用愛奇藝的虛擬資產與簽約藝人來生成新內容。同時，為了吸引更多 AI 內容創作者加入這個新興生態系，愛奇藝更祭出「額外提撥 20% 廣告與會員費用作為分潤」的優渥條件。 轉型背後的真相：回應短影音競爭與營收衰退的雙重壓力 愛奇藝這場擁抱 AI 的改革，實際上是為了應對市場日益激烈的競爭。《Bloomberg》指出，愛奇藝大幅押注 AI，並致力成為娛樂產業中最大的 AI 採用者，背後真正目的是為了扭轉近年因短影音平台崛起，所導致的長期銷售衰退頹勢。數據顯示，愛奇藝 2026 年第一季的營收預估將下滑 13%，龔宇也指出，目前影視產業陷入製作成本攀升與投資風險居高不下的惡性循環，而 AI 正是打破成本壓力僵局、帶動新內容爆發的核心解方。 面對現況，龔宇承諾公司雖會維持對專業製作內容的投資，但在短期內將重新配置部分資本，以強化 AI 服務的發展，包含推出一款全新的社群影音 [&hellip;]</p>

【科技早餐】Apple 啟動接班、Amazon 再投 Anthropic，AI 權力重組一路推到算力長約

<p>【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊Apple 啟動接班，Tim Cook 9 月轉任執行董事長 蘋果（Apple）宣布執行長 Tim Cook 將於 9 月 1 日交棒，由現年 50 歲的硬體主管 John Ternus 接任執行長，Cook 則轉任執行董事長。這是蘋果自 2011 年 Steve Jobs 交棒後，再次啟動最高層接班；同時，負責自研晶片的 Johny Srouji 也升任硬體長。 Ternus 2001 年加入蘋果，歷來參與 iPhone、iPad、Mac、Apple Watch 與 AirPods 等硬體產品開發，近年也成為蘋果對外發表的重要高層之一。這次人事布局，發生在蘋果正面對 AI 競爭升高與產品節奏調整的時間點，也讓外界關注接班後的硬體與 AI 路線會怎麼往下走。 ＊Amazon 最高再投 Anthropic 250 億美元，AI 算力長約再升級 亞馬遜（Amazon）宣布，將對人工智慧新創 Anthropic 投資最高 250 億美元，其中先投入 50 億美元，後續再依商業里程碑追加最多 [&hellip;]</p>

GitHub 專案爆紅：Colleague Skill 把同事變 AI 分身，為何讓科技工作者不安？

<p>中國科技圈近期出現一股「訓練 AI 分身」的風潮，導火線是一個最初名為 Colleague Skill、後升級更名為 dot-skill 的 GitHub 開源專案。該專案由上海人工智慧實驗室工程師周天翼（Tianyi Zhou）開發，聲稱可以將同事的工作技能與個性特徵「蒸餾」成可重複使用的 AI 技能包，讓 AI 代理程式模仿真實員工的工作方式。 根據《MIT Technology Review》報導，周天翼告訴中國媒體，這個專案最初只是一個惡搞，靈感來自 AI 相關裁員潮，以及企業要求推動員工自動化的趨勢。他表示，自己只花了 4 小時就開發出這個工具，並強調它所創造的 AI 代理「與真實的人相差甚遠」，只能處理重複性任務，真正的人類判斷力、創造力與應變能力仍非其所能及。 然而，這個「玩笑」引發的迴響超乎預期。Colleague Skill 大約在 3 週內於 GitHub 累積超過 1.3 萬顆星。話題標籤「#同事傳承」、「#人類蒸餾」與「#賽博永生」更相繼在中國社群媒體上引發熱議。 Colleague Skill 如何運作：匯入聊天記錄，連習慣用語都能複製 從功能設計來看，Colleague Skill 的操作流程相當直接。使用者輸入想要複製的同事姓名與基本資料後，工具會自動從飛書（Lark）與釘釘（DingTalk）等中國主流職場應用程式中匯入聊天記錄與檔案，並生成描述該同事工作職責的可重複使用手冊，供 AI 代理程式模仿。 上海科技工作者 Amber Li（27 歲）在社群媒體上看到這個工具後，以實驗性質複製了一位前同事。她對《MIT Technology Review》表示，該工具表現出乎意料地準確，「甚至能捕捉到這個人的小怪癖，例如他們的反應方式和標點符號使用習慣」。借助這個技能包，她可以讓 AI 代理扮演「新同事」，協助她進行程式碼除錯且能即時回覆訊息。儘管效果令人驚訝，她形容這種體驗「既詭異又有點令人不舒服」。 老闆要你「訓練你的替代者」，OpenClaw 熱潮加速這一切 Colleague Skill 之所以觸動敏感神經，在於它折射出正在發生的職場趨勢。據《MIT Technology Review》報導，自 [&hellip;]</p>

沒有護欄、直接進產線！西門子實測人形機器人：連續運作 8 小時、取放成功率破 90%

<p>西門子（Siemens）與 NVIDIA 近期攜手合作，在德國埃爾朗根（Erlangen）的電子工廠中，成功導入由英國新創公司 Humanoid 所開發的 HMND 01 Alpha 輪式人形機器人。這項測試讓機器人直接進入真實的物流作業中，與人類員工並肩執行料箱搬運與放置任務。 這次指派給機器人的任務內容，刻意設定為工廠裡常見但不顯眼，卻高度消耗體力的物流工作：包括從堆疊中取出料箱，一路搬運到輸送帶，並精準放置到人類作業員可接手的位置。在沒有設立安全防護欄的真實生產環境中，HMND 01 Alpha 展現優異的穩定性：它能夠自主運作超過 8 小時、每小時完成約 60 次容器搬運，且抓取與放置的成功率高達 90% 以上。 這也代表，一旦機器人發生失誤，將會直接影響工廠現場作業與生產線運作，是一場容錯率極低的真實考驗，更凸顯為何過往這類任務難以直接交給傳統工業機器人處理，因為傳統的工業機器人通常被限制在安全鐵籠內執行固定路線的任務，很難應對不可預測的環境、擺放不一致的物件，或是需要與人類即時協調的任務。然而，HMND 01 Alpha 結合輪式底座的高機動性與仿人上半身的靈活度，能填補這些傳統自動化設備難以處理、卻又高度耗費人力的工作。 不過，對工廠而言，機器人順利完成動作只是第一步，接下來能否接入既有系統、融入現場流程，才是落地的關鍵。 能否接入既有工廠系統，比機器人本身更關鍵 要讓機器人在工廠發揮實質作用，系統整合能力至關重要。因此，西門子標榜機器人不需「砍掉重練（rip-and-replace）」，而是可以透過自家的 Xcelerator 平台將機器人無縫接入既有的工廠系統中，並串連數位分身（digital twin）、人工智慧感知、可程式邏輯控制器（PLC）以及工業通訊網路架構。這種能與工廠生產系統、其他自動導引車（AGV）與人類作業員進行即時協調的能力，正是外界認為可以有效區分「真正工廠部署」與「展示型 demo」的關鍵所在。 此外，如果說西門子的角色，是把機器人接入既有工廠系統，那麼 NVIDIA 提供的，則是這台機器人在真實產線運作所需的感知、模擬與訓練能力，包含用於車載邊緣運算的 NVIDIA Jetson Thor、用於虛擬模擬的 Isaac Sim，以及負責強化學習的 Isaac Lab。這套系統賦予機器人強大的適應力，使其能應對散落零件、走動的人員等混亂的產線狀況。 西門子把自家工廠當零號客戶，驗證人形機器人真實部署能力 值得一提的是，Humanoid 透過「以模擬為先（simulation-first）」的開發方式，讓機器人在進入實體工廠前先於虛擬環境中大量訓練並驗證行為，成功把業界常見約 18 到 24 個月的原型開發期，大幅縮短至約 7 個月。 西門子運動控制製造全球總監 Stephan Schlauss 則將埃爾朗根工廠視為「零號客戶」（customer zero），也就是先在西門子自家充滿變數的廠區環境中驗證這套部署方式，之後再思考如何將這套能力複製並提供給外部客戶。 在當前製造業面臨缺工、作業複雜度提高，且完全固定式自動化設備不再一體適用的情況下，企業正積極測試人形機器人承接工廠任務的可能性。如同輝達機器人與邊緣 [&hellip;]</p>

鴻海機器人事業處總經理郭柳宗解析：打造「AI 原生工廠」的 4 大步驟，實踐高彈性柔性製造

<p>Physical AI 的進化速度與影響力正以驚人的速度重塑全球製造業。在近日（4/14）由 TechOrange 科技報橘、NVIDIA 與鴻海科技集團共同舉辦的「AI 機器人產業論壇」中，科技報橘社長戴季全引用鴻海董事長劉揚偉於美國國會山莊及矽谷論壇分享的實戰數據指出「過去一條產線通常需要 30 至 40 人操作，但在導入 AI 與自動化技術後，如今僅需約 5 人即可完成。」 顯示 AI 機器人正以極快的進化速度在智慧工廠運作。 針對這場新工業革命的具體實踐，鴻海科技集團機器人事業處總經理郭柳宗以「Building and Scaling AI Factories With Digital Twins and Robotics」為題，解析如何運用數位孿生與機器人技術，建構與規模化 AI 原生工廠。郭柳宗指出，鴻海與 NVIDIA 攜手合作，結合數位孿生與機器人技術，在美國打造一座生產 GPU 伺服器的 AI 工廠，展現從模擬到實體生產的虛實整合實力。 從數位孿生到 AI 決策：四步驟打造虛實整合的 AI 原生工廠 郭柳宗指出，打造一座智慧化工廠需落實四個關鍵步驟。第一步是「建立數位模型」，也就是打造工廠的數位孿生環境，將廠房結構與各式生產設備 1:1 轉化為標準 3D 數位檔案，在虛擬世界中建立數位工廠。 第二步是「進行精準模擬」。在實體設備進場前，先在虛擬環境中試跑，以避免真實工廠反覆試錯帶來的龐大成本。郭柳宗特別強調模擬階段的兩大重點，第一是高階伺服器的熱流模擬（CFD），由於 AI 伺服器運算需求極高，在進行測試運轉時非常耗電且會產生極高溫，當一個機櫃的功耗高達 1 MW（一兆瓦）時，必須先透過數位模擬進行廠房熱流的模擬與規劃。其次是機器人與物流動線的模擬，郭柳宗以美國工廠為例，為了讓 12 個伺服器測試櫃的上下料達到最高效率，透過精細的物理模型（URDF）測試五種不同形態的機器人，比較 CTU 與 [&hellip;]</p>

10 年千億美元綁定 AWS 算力：解析 Anthropic 擴張戰略，與亞馬遜 Trainium 晶片突圍戰

<p>在 AI 領域的白熱化競爭下，運算能力已成為決定勝負的關鍵貨幣。為因應暴增的用戶需求並確保下一代模型的開發進度，AI 巨頭 Anthropic 宣布擴大與亞馬遜的合作夥伴關係，透過投資與長期採購協議，在激烈的算力之戰中強勢反擊。 亞馬遜最高加碼 250 億美元，Anthropic 承諾千億算力訂單 根據雙方協議，亞馬遜已同意向 Anthropic 追加高達 250 億美元的投資。亞馬遜將先投入 50 億美元，若 Anthropic 未來達成特定的商業里程碑，亞馬遜還有可能再追加高達 200 億美元的投資。這筆新資金，是建立在亞馬遜先前已投資的 80 億美元基礎上。 作為回應，Anthropic 承諾在未來十年內，將斥資超過 1,000 億美元購買亞馬遜雲端運算服務（AWS）的運算能力與其他相關技術。透過這項協議，Anthropic 將確保獲得高達 5 吉瓦（GW）的全新運算容量，用於訓練與部署 Claude 模型。 這項巨額交易的核心，圍繞在亞馬遜自家研發的客製化晶片。Anthropic 的千億美元承諾，涵蓋了亞馬遜的 Graviton（低功耗 CPU），以及從 Trainium2 一路延伸至尚未問世的 Trainium4，甚至是未來世代的 AI 加速晶片。 這代表亞馬遜正試圖透過 Anthropic，建立對抗 NVIDIA GPU 生態系的第二條路線。亞馬遜 CEO Andy Jassy 強調，「我們的客製 AI 晶片能夠以更低的成本為客戶提供高性能，這也是它如此搶手的原因。」並指出雙方合作反映了在客製化晶片領域共同取得了進展。 緩解 Claude 算力焦慮，擴大供應商多元性 [&hellip;]</p>

Google 成立 AI coding 突擊隊：當 Anthropic 幾乎 100% 用 AI 寫程式，Gemini…

<p>當 AI coding 快速從工程師的輔助工具，升級為 AI 模型競爭的新主戰場，Google 正面臨內外夾擊的雙重考驗。《The Information》報導，為了迎戰激烈競爭的市場，Google 近日成立一支專門提升 AI coding 模型的「突擊隊」（strike team），由 Alphabet 共同創辦人 Sergey Brin 與 Google DeepMind 技術長 Koray Kavukcuoglu 親自督軍。這項罕見的高層介入行動，不僅源自外部競爭對手 Anthropic 技術領先的威脅，也突顯 Google 內部在推動 AI 工具普及的過程中，所面臨的內部阻力與爭議。 Google 為何成立 AI coding 突擊隊？ 《The Information》指出，這支由前 Google DeepMind 預訓練負責人 Sebastian Borgeaud 領軍的團隊，核心任務是提升模型處理長期且複雜 coding 任務的能力，包含撰寫全新軟體、閱讀多個檔案，並精準理解使用者意圖。 值得注意的是，為了達成這項目標，Google 的策略重心正發生轉變，也就是從「主要面向外部客戶的 coding 模型」，轉為「專注服務內部開發需求」。這代表，模型將利用 Google 內部龐大且與外部截然不同的私有程式碼庫進行訓練，藉此追求更高的效能表現。 Sergey Brin 在內部備忘錄中向 Google [&hellip;]</p>

Google TPU 為什麼贏不了 NVIDIA？陳良基：真正差距在對台灣供應鏈的掌握度

<p>專訪：戴季全撰稿：李昀蔚 隨著 AI 產業競爭從模型、晶片一路延伸到算力與供應鏈，Google、NVIDIA、Apple 和馬斯克（Elon Musk）皆以不同策略搶進下一階段的主導權。本集《全新一週》專訪國立臺灣大學電機工程學系名譽教授、前科技部長陳良基，從 Google TPU 與 NVIDIA 的對戰談起，逐步剖析 TeraFab 想突破的供應鏈瓶頸、Apple 在 AI 時代的調整，以及台灣在這波 AI 應用爆發之際，必須精準把握的新機會與人才戰略佈局。 掌握供應鏈即掌握 AI 生態系 談及市場上「Google 正在與 NVIDIA 競爭」的說法，陳良基點出，這場戰役本質上比拚的是對產業生態與供應鏈的掌握度。他以「物競天擇」來形容產業競爭，指出企業若能鞏固自己的生態環境，生命週期就能更長久，而在當前的 AI 產業中，支撐龐大算力需求的關鍵供應鏈「目前看起來只有台灣」，這也是 NVIDIA 執行長黃仁勳頻繁來台鞏固供應鏈的根本原因。 相對而言，Google 雖擁有自行設計晶片的技術，但其 TPU 遲遲無法成長至足以抗衡 NVIDIA 的規模，當中關鍵的原因，就是對台灣供應鏈的照顧與掌握程度仍不夠。若 Google 長期無法突圍，將持續面臨產能與貨源不足的困境。 同樣不想被供應鏈「掐住脖子」的還有馬斯克。近期，馬斯克宣布打造 TeraFab、自建高度自動化的晶圓廠。陳良基認為，企業家試圖突破供應鏈限制的想法固然沒錯，但半導體是「人類有史以來最精密的工藝之一」。要做出一顆堪用的晶片或許不難，但真正的考驗在於量產時，如何讓每片 12 吋晶圓產出的一兩百顆晶片都能具備高達 90% 的良率。因此，TeraFab 未來的最大壓力點不只是蓋廠，更在於能否跨越這道殘酷的製造良率門檻。 Apple 的 AI 節奏：從輕忽迭代速度到垂直分工 視角轉向另一個科技巨頭 Apple，陳良基坦言：「Apple 在 AI 認知上，有點太過輕忽 AI 生命週期的速度。」過去，Apple [&hellip;]</p>

AI 律所一份合約收 250 美元，大型律所每小時收 1,000 美元——這場競爭誰會贏？

<p>律師 Ross Weiser 六個月前離開 Sullivan &amp; Cromwell，加入一間名為 Crosby 的 AI 原生法律服務公司。在那裡，合約審查由 AI 代理先跑完，他再接手處理機器尚未能判斷的法律細節。 Crosby 自稱「新型律所」，而它的運作模式，正被視為整個法律行業正在發生的轉變的縮影。 收費邏輯的根本翻轉？ Crosby 的商業模式，從第一個環節就與傳統律所背道而馳。 傳統合約審查按小時收費，律師開的每張帳單都是時間的換算，每一份合約可能牽涉多輪審查、多張發票，費用從基本的數百美元疊加到複雜合約的三千美元以上。 Crosby 則改以按件計費，每份合約收費約 250 至 1,000 美元，大致依頁數換算為每頁 10 到 50 美元，且無論合約被審查幾次，客戶只收一張帳單。 這個設計看似只是定價模式的調整，實質上卻重新對齊了律所與客戶之間長期錯位的利益結構。原本計時收費的邏輯，是讓律師「主動」花更多時間，而按件收費的邏輯則鼓勵律所有更快、更精準的產出。 Crosby 執行長 Ryan Daniels 將這稱為法律行業百年來最大的變化，他的底氣來自一套由八個專責 AI Agent 構成的審查系統，建立在 OpenAI、Anthropic 與 Gemini 的模型之上。 每個 Agent 負責不同環節：從過往合約中提取相關脈絡、針對特定條款提出修訂建議，再匯整成整份文件等流程，最終交由人類律師接手收尾，這套流程將原本需要數天乃至數週的合約審查，壓縮至數小時之內。 在規模上，Crosby 已服務約 100 家客戶，審查合約逾 1.3 萬份，自去年 10 月以來營收成長約 400%，本輪 B [&hellip;]</p>

【聽過「釣魚即服務」嗎】駭客成熟分工瞄準企業資安，工具訂閱制已成最新攻擊模式

<p>在充滿攻擊者的暗網中，一種被稱為「釣魚即服務（PhaaS）」的商業模式正悄悄崛起，想發動網路釣魚攻擊的有心份子，只要向駭客支付月費，就可以獲得許多現成的攻擊工具。</p>

融資總額暴漲 262%、75% 資金流向單一巨頭：盤點 2026 自駕車新創最新賽局

<p>2026 年的自駕車產業正迎來一場前所未有的資金結構性轉變。創業資料庫 Crunchbase 資料顯示，2026 年 4 月 15 日，全球自駕車新創公司今年累計融資已達 214 億美元，涵蓋 34 筆交易，較 2025 年全年的 59 億美元（99 筆）暴增 262%，也比 2024 年全年的 121 億美元（127 筆）高出約 77%，創下歷史新高。 然而，這波資金浪潮並非雨露均霑。Crunchbase 資料顯示，今年迄今高達四分之三的融資金額，集中流入了 Waymo、Shield AI 與 Wayve 等少數幾家企業。這代表著整體投資市場已從過去的廣泛撒播早期投資，轉向重押少數被視為具備規模化商業能力的市場領導者。 Waymo 單筆融資 160 億美元，估值衝上 1,260 億 今年融資規模最大的一筆，是總部位於美國加州山景城的 Waymo 於 2 月完成的 160 億美元 D 輪融資，由 Alphabet、Dragoneer Investment Group、DST Global 與紅杉資本（Sequoia Capital）共同領投，融資後估值達 1,260 億美元。這一筆融資即佔今年全自駕車產業融資總額的 [&hellip;]</p>

【科技早餐】代理型 AI 往外擴，Tesla 來台搶人、Google 重排晶片布局

<p>【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊摩根士丹利：代理型 AI 把投資從 GPU 往外推，CPU 與記憶體接棒成焦點 《路透》報導，摩根士丹利（Morgan Stanley）最新指出，隨著 AI 從生成內容進一步走向可自主執行任務的代理型 AI，資料中心的投資重心，將不再只集中在 GPU，而是逐步擴散到 CPU、記憶體，以及更廣泛的通用運算架構。摩根士丹利強調，GPU 需求依然強勁，但當 AI 開始從生成走向行動，新的運算瓶頸也會跟著轉移。 摩根士丹利估計，代理式 AI 在 2030 年前，可能為資料中心 CPU 市場帶來 325 億至 600 億美元效益。這也代表下一階段 AI 支出，重點不再只是添購更多加速晶片，而是整套資料中心系統都要跟著重配，受益範圍也可能從 GPU 供應商，進一步擴大到 CPU、記憶體，以及更多伺服器與連接元件供應鏈。 ＊Google 傳與 Marvell 洽談兩款新晶片，推論布局往前推進 《The Information》報導，Google 正與 Marvell 洽談合作，開發兩款新型 AI 晶片，其中一款是配合既有 TPU 使用的記憶體處理單元，另一款則是專為執行 AI 模型設計的新型 TPU。報導指出，這項合作反映 Google 想進一步分散設計夥伴，不再只依賴博通（Broadcom），但博通目前仍是其核心設計合作夥伴。 如果雙方合作成形，代表推論需求升高之後，雲端業者正開始針對記憶體搬移與模型執行效率，重新設計底層架構。這也顯示 Google [&hellip;]</p>

82% 受訪企業自認安全，卻有 88% 遇過 AI Agent 資安事件？解析背後防護落差

<p>企業導入 AI agent 的速度，已經遠遠超過資安架構的進化速度。一項來自《VentureBeat》的調查指出，當企業開始讓 AI Agent 具備自主執行任務、調用工具甚至跨系統操作的能力時，多數資安體系仍停留在「監控與紀錄」的階段，尚未進入真正的防護與隔離層級，這種「看得到但管不住」的狀態，正是目前企業普遍的資安結構。 82% 受訪企業自認安全，同時有 88% 已發生 Agent 資安事件 這種落差首先在企業的認知與現實之間浮現。在 API 管理商 Gravitee 調查全球 919 位高階主管與從業人員的《2026 AI 代理安全現況》（State of AI Agent Security）報告中，有 82% 的高階主管認為自家資安策略能夠保護他們免受未經授權的 AI Agent 操作影響，但同時有 88% 高階主管表示，過去一年已發生過 Agent 相關的資安事件。換句話說，多數企業自認安全，但實際上已遭遇風險。 進一步來看，真正具備關鍵防護能力的企業比例更低。該報告顯示，僅有約 21% 的受訪企業能及時掌握 AI Agent 在 Runtime 的行為。這代表有近 8 成企業其實無法回答一個最基本的問題：AI Agent 現在正在做什麼。 問題核心：AI agent 已從工具變成「機器身份」 這種防護失效是架構層級的錯位。《VentureBeat》在 2026 年 1/6 至 [&hellip;]</p>

AI 生成程式碼接受率高達 90%，最後留下來的卻不到 30%？揭開 AI coding 背後的隱藏成本

<p>數十年來，軟體工程圈始終在爭論一個老問題：工程師的生產力究竟怎麼衡量？然而，當新一代 AI 工具開始替團隊產出比過去更多的程式碼，這個問題不但沒有變簡單，反而變得更難回答。如今在矽谷開發者之間，甚至出現一種新現象：把龐大的 token 預算，也就是開發者被允許消耗的 AI 運算額度，視為某種能力與身價的象徵。 不過，這個衡量標準的問題在於，這套邏輯衡量的其實是「投入」，而不是真正的「產出」。如果企業在意的是效率提升，而不只是表面上的 AI 採用率，那麼把可量化的工具使用量，直接等同於團隊真正創造的成果，顯然是一種值得重新檢視的迷思。 表面產出變多，不代表真實生產力同步提升 有時產出數量的增加，反而會掩蓋背後的重工成本。《TechCrunch》引述開發者分析平台 Waydev 執行長 Alex Circei 的觀察指出，在工程經理眼中，AI 生成程式碼的初始接受率可達 80% 到 90%，但若把後續數週工程師必須重寫與修改的狀況納入考量，真正在實務中留下來的 AI 生成程式碼其實只剩 10% 到 30%。這些工具帶來的技術債與程式碼審查負擔正在不斷累積，尤其資淺工程師往往比資深工程師接受更多 AI 程式碼，隨之而來的便是更大量的重寫工作。 業界數據也印證這個現象，例如根據 GitClear、Faros AI 與 Jellyfish 等企業的資料，在高 AI 採用情境下的程式碼流失率（code churn）顯著增加，例如　Faros AI 的數據顯示 code churn 甚至增加 861%；Jellyfish 則發現，擁有最大 token 預算的工程師雖然產出最多拉取請求（PR, Pull Requests），但生產力提升並未等比增加，最後只是以 10 倍的 token 成本換來 2 倍的吞吐量，也讓《TechCrunch》直言，這些工具目前更像是在「產生數量，而不是價值」。 真正拖慢交付的，往往不是寫程式本身 [&hellip;]</p>

「AI 決策」時代來臨！產業盛會 iSearch x MarTechAsia 聚焦品牌競爭新規則

<p>2026 年全球產業迎來十年來最劇烈的震盪，生成式 AI 引發的新一代轉型革命已成為全球企業的共同課題。年度行銷盛會《iSearch x MarTech Asia 2026》將於 5 月 27 日（三）以線上直播形式盛大登場，以「Next AI 決策新時代：當 AI 成為顧客，重新定義品牌行銷邏輯」為年度主題，集結頂尖 AI 與行銷科技專家，共同探討品牌如何在 GEO 與 AI Agent 生態中搶佔先機，為下一個十年的品牌成長提前卡位。 10 億 AI 用戶時代來臨：佈局從行銷到營運的 AI 決策體系 根據 DataReportal 的《Digital 2026》最新報告顯示，全球每月已有超過 10 億人頻繁使用 AI 平台，消費者的決策行為正快速被改寫，許多企業與用戶的第一個接觸點已從傳統搜尋引擎悄然變成 AI 的對話內容。不僅如此，Gartner 預測未來將有高達 90% 的企業採購由 AI Agent 介入，並推動超過 15 兆美元的交易額，這意味著 AI 不再只能用於聊天、查詢資料或代理購物訂位，它正全面深入應用於從客服、銷售、行銷、CRM 到內部營運流程，甚至直接參與高價值的企業決策。 當內容產製門檻下降、廣告預算緊縮，但企業對績效的要求卻更高時，品牌競爭的焦點將從單純曝光轉向「Agentic Marketing」。行銷戰場除了正式迎來 GEO (生成式引擎優化) 來搶佔消費者決策鏈之外，許多企業也紛紛開始導入或研究 [&hellip;]</p>

跑贏世界紀錄卻進不了工廠？拆解中國人形機器人狂飆背後的商用落地瓶頸

<p>週日（4/19）在中國北京舉行的人形機器人半程馬拉松中，一款名為「閃電」（Lightning）的人形機器人以 50 分 26 秒的成績完賽，不只擊敗同場約 12,000 名人類參賽者，更直接超越人類半馬世界紀錄，比烏干達選手 Jacob Kiplimo 今年 3 月在里斯本創下的 57 分 20 秒紀錄快了近 7 分鐘。 這項成績之所以引發關注，不只是因為速度本身，而是該機器人全程並未依賴遠端遙控，是透過感測器與即時決策自主系統完成賽事。 從幾乎無法完賽到全面突破，中國一年內的技術躍進 如果將時間拉回一年前，這場比賽幾乎呈現截然不同的景象。2025 年首屆賽事中，多數機器人在起跑後不久便跌倒或失控，最終只有少數完成比賽，冠軍成績為 2 小時 40 分，遠遠落後人類選手。然而在今年，參賽隊伍數量從 20 組增加到超過 100 組，參賽機器人規模擴大至數百台，且近 40% 隊伍參加了自主導航組別，在無遠端遙控操作下完成整段賽程。 此次奪冠的「閃電」由中國手機品牌榮耀（Honor）開發，其設計明顯針對人類長跑動作進行優化。根據《Reuters》與《The Guardian》報導，該款機器人身高約 169 公分，腿長接近 1 公尺，以模擬菁英跑者的步幅與比例，並搭載來自智慧手機技術延伸的液冷系統，以解決長時間運動所產生的熱能問題。另值得關注的是，這款機器人僅耗時一年研發完成。 在運作過程中，「閃電」透過多感測器融合與即時演算法進行環境判斷與路徑選擇，使其能在複雜路況下維持穩定速度；即便在終點前曾撞上護欄並跌倒，仍能在短暫調整後恢復平衡並完成比賽。 中國機器人產業加速擴張，專家：尚不足以轉化商用 這場比賽同時也成為中國機器人產業發展的一次集中展示。隨著中國政府將「具身智慧」（Embodied AI）列為重點產業，並投入大量資金與政策支持，中國企業正快速擴大人形機器人的研發與量產能力。 《The Next Web》指出，目前中國企業已在產量上取得明顯優勢，例如 Agibot 於 2025 年出貨超過 5,000 台，Unitree Robotics 出貨 5,500 台，UBTech [&hellip;]</p>

Google 傳找 Marvell 開發推論晶片：TPU 供應鏈重組，Broadcom 不再是唯一核心

<p>《The Information》報導，知情人士透露 Google 正與 Marvell 洽談開發兩款新 AI 晶片：一款是可與現有 TPU 搭配運作，且能根據運算與記憶體需求分擔 AI 工作負載的記憶體處理晶片（MPU），Google 預計初步生產近 200 萬顆，計畫最快在明年完成設計並進入測試生產階段；另一款則是專為推論（inference）設計的新 TPU。 雖然目前雙方尚未正式簽署合約，但已明確凸顯 Google 基礎設施布局的核心方向，正從單純擴張訓練算力，轉向推論效率的優化。這項轉變也與 Google 的商業策略擴張有關：Google 自去年起開始將 TPU 出租給如 Anthropic、Meta 和 Apple 等非 Google 資料中心的客戶，直接挑戰 NVIDIA 在 AI 晶片領域的霸權。 推論需求爆發，Google 加快晶片布局 Google 近期才剛發表第七代 TPU「Ironwood」，峰值效能不僅是前一代的 10 倍，更被官方明確定位為「推論時代的 Google TPU」。事實上，Google 原本就規劃開發新的推論晶片，特別是在今年 3 月 NVIDIA 於 GTC 大會推出針對推論效率優化、採用 Groq 授權技術的新晶片（LPU）後，Google 更進一步加快研發腳步，反映出自主代理（autonomous agents）這一類複雜商業 AI [&hellip;]</p>

烏克蘭地面機器人戰爭進入規模化：單月任務破 9,000 次，前線開始出現「零步兵攻城」

<p>烏克蘭地面機器人作戰正從前線實驗走向規模化部署，而推動這場變化的背景，正是部隊人力短缺，以及西方武器裝備供應不足的雙重壓力。在這樣的情況下，烏軍正積極擴展國產無人機與無人地面載具（UGV），試圖彌補與俄軍之間的戰力差距。 根據烏克蘭軍方與相關報導，2026 年 3 月烏軍單月已執行超過 9,000 次地面機器人任務，顯示這類系統已經從零星輔助工具，逐步成為烏軍前線運作不可或缺的一部分。 從少數單位試用到大規模常態化，烏克蘭地面機器人任務量快速攀升 近期，烏克蘭地面機器人的任務數量呈現爆炸性成長。《Business Insider》引述烏克蘭國防部表示，3 月地面機器人不僅單月執行超過 9,000 次任務，更較 2025 年 11 月的 2,900 多次成長約三倍。 目前已有 167 個烏軍單位把 UGV 納入作戰運作，對比 2025 年 11 月僅 67 個單位，代表地面機器人正從試驗階段轉為標準化軍事實務。根據烏克蘭 DELTA 戰鬥管理系統紀錄，前五大使用 UGV 的單位中，有四個是活躍於東部與東北部前線的戰鬥旅，另一個則是隸屬國際軍團、以運用 UGV 撤離傷兵聞名的「第一獨立醫療營」。 為了讓這種擴張不只停留在前線單位的自發嘗試，烏軍也開始從制度面加速導入。烏軍開發出一套積分系統，讓成功完成機器人任務的作戰單位能獲得積分，藉此換取更多機器設備並簡化採購流程。烏軍第三軍團指揮官更樂觀預估，機器人地面平台很快將能取代高達三分之一的前線步兵角色。 地面機器人不只做後勤，更接手前線最危險任務 隨著小型無人機威脅加劇，前線區域的活動變得極度危險。UGV 通常是履帶或輪式系統，專為穿越複雜地形而設計，主要用途包括前線補給、排雷與守住加固陣地；部分系統甚至可用於發射武器，或在俄軍陣地內進行自爆，目的就是在高風險任務中取代人類士兵。 WCPO 指出，地面機器人如今已成為向過於暴露的前線陣地補給的主要方式，也被用來後送傷兵。其中一個驚險案例是，機器人在敵方無人機攻擊下，成功運送一名受傷士兵行駛超過 15 英里。 WCPO 也引述 25 歲前線女兵 Athena 的說法指出，機器人讓她的工作變得更安全，改變最大的不是單一機器的性能，而是使用規模的擴大。從前只有少數單位嘗試，如今機器平台已更廣泛地承擔前線最危險的任務。此外，烏克蘭機器人製造商 DevDroid 研發總監 Oleg Fedoryshyn 也補充，當地面機器人與能快速移動、具備偵查能力的空中無人機協同作戰時，將能發揮最大的戰略效果。 [&hellip;]</p>

【AI 詐騙年損近 9 億美元】資安專家共識：防詐的核心不是辨識，而是「驗證習慣」

<p>2025 年，美國民眾向聯邦調查局網路犯罪投訴中心（IC3）提交逾 100 萬件投訴，損失金額接近 210 億美元，網路詐騙佔總損失的 85%。 其中，AI 詐騙首度在 FBI 年度網路犯罪報告中獨立成章，記錄了逾 2.2 萬件投訴與約 8.93 億美元的損失。 詐騙門檻降低，任何人都可能是目標 資安訓練與研究機構 SANS Institute 首席 AI 研究員 Rob T. Lee 指出，詐騙者把羞恥感當武器，他們賭受害者會因為太難為情而不敢開口；就連受過訓練的資安專業人員也曾中招，「你被騙不是因為你輕信，而是因為 AI 把它的工作做得太好了。」 2026 年國際 AI 安全報告指出，許多用於製造詐騙內容的 AI 工具免費或低成本、不需要技術背景、可以匿名操作。詐騙者用 AI 生成高度擬真的訊息、克隆聲音、製作假身分證件與偽造的「存活證明」影片，讓過去可以辨識的警訊變得難以察覺。 詐騙的目標通常沿著人口結構分布。老年人與獨居者容易成為信任型詐騙和投資詐騙的受害者；青少年與年輕人則是性勒索的主要目標；中年人則較常面對憑證竊取、發票詐騙與網路釣魚攻擊。 六種主要的 AI 詐騙型態 聲音仿冒與假冒親友是目前最令人難以防範的詐騙之一。詐騙者只需幾秒鐘的社群媒體音檔，就能重建一個人的聲紋，偽造出聽起來像家人或朋友求助的電話。 2023 年曾有一位母親接到「女兒」哭泣求救的電話，對方要求支付贖金，事實上女兒正在外地滑雪旅行，電話是 AI 偽造的。遇到此類情境時，應透過另一個管道聯繫當事人，或提出只有真正的對方才能回答的問題。 銀行與投資詐騙規模最為龐大。2025 年加密貨幣相關詐騙損失逾 110 億美元，其中投資詐騙損失達 86 億美元，加密貨幣佔投資詐騙近四分之三，遠超過銀行卡或現金等傳統支付方式。 「殺豬盤」式投資騙局是主要手法，詐騙者先透過簡訊建立關係，再引導受害者投入假加密貨幣或交易平台。Forter 風險部門資深總監 Dany Naigeboren [&hellip;]</p>

你的 Slack 對話可能變 AI 教材？企業資料淘金熱崛起，變現背後的商機與爭議

<p>在 AI 的軍備競賽中，資料就是燃料。然而，當 AI 實驗室幾乎吸乾了 Reddit 論壇、維基百科與數位化書籍等公開網路內容後，他們正面臨嚴重的資料瓶頸。為了解決這個問題，產業界開始將目標轉向一個意想不到的來源：企業內部的 Slack 對話、Email、Jira 任務單，以及多 TB 的專案紀錄。 《Forbes》報導，這波「工作流資料」（workflow data）的新趨勢，不只正在改變 AI 的訓練模式，更引發了全新的商機與隱私爭議。 從網路資料枯竭，到企業內部資料崛起 OpenAI 前首席科學家 Ilya Sutskever 曾指出，公開網路上的資料量對 AI 來說已在 2024 年底達到枯竭。更重要的是，這些文章資料對於打造能夠實際執行工作任務的「代理式 AI（Agentic AI）」來說幫助並不大，因為真正能讓 AI 學會工作的，是那些由人類在日常營運中創造的真實紀錄。 「AI 模型公司正在意識到，真實世界環境中的噪音對於準確測試模型是必要的。」提供 AI 模擬環境的 micro1 創辦人 Ali Ansari 表示。這些真實的企業通訊紀錄，包含了決策的轉折、跨部門的溝通摩擦，甚至是解決專案危機的過程，它們成為了訓練代理式 AI 理解組織運作、處理複雜任務的珍貴教材。 數位回收的淘金熱：倒閉企業的遺產變現 需求的爆發，迅速催生出全新的資料市場。根據《Forbes》報導，新創公司 SimpleClosure 協助企業在關閉時，將其長年累積的 Slack 訊息、Email、Jira 紀錄與 Google Drive 文件打包出售，作為 AI 訓練資料。一家已結束營運的轉錄公司 cielo24，甚至因此獲得數十萬美元收入。 SimpleClosure [&hellip;]</p>

氛圍編碼進入醫療現場：從紙本衛教到 AI 互動工具，AI 改變醫病照護模式

<p>過去醫療領域數位工具幾乎都是由大型企業開發，而氛圍編碼（Vibe Coding）提供全新解決方案，讓臨床醫師透過 AI 自行開發數位工具，打造各種客製化醫療應用程式。</p>