TechOrange 科技報橘

AI 不必重新訓練也能修補？MIT 讓 GPT-6 Astra 直接修改 Qwen 權重，數學測試成績提升近 6 倍

當 AI 模型出現問題，除了重新訓練或微調，能不能直接修改內部權重來修復？美國麻省理工學院電腦科學與人工智慧實驗室（MIT CSAIL）研究團隊公布一項實驗，利用 OpenAI 的 GPT-6 Astra，僅修改阿里巴巴 Qwen3.5-0.8B 約 0.016% 的神經網路權重，就讓模型在 MATH-500 數學測試中的正確率從 7.9% 提升至 48.1%，達到原先約 6 倍。 這項研究於 11/2 公布後，迅速引起 AI 技術社群關注。研究作者武日力也（Rikiya Takehi）在 X 分享實驗成果的貼文，發布後數小時便累積超過 2.9 萬個喜歡、逾 3,000 次轉發；該研究消息截至 11/3 也在《Hacker News》獲得超過 2,400 分、逾 770 則留言。研究團隊將這種讓大型語言模型（LLM）直接理解、修改神經網路權重的方法，稱為「權重空間程式設計」（Weight-Space Programming）。

• #AI 人工智慧

買機器人的工作，卡關由真人遠端接手：Tutor Intelligence 獲 a16z 領投 7,500 萬美元

源自美國麻省理工學院電腦科學與人工智慧實驗室（MIT CSAIL）的機器人公司 Tutor Intelligence，美國時間 11/2 宣布完成 7,500 萬美元 B 輪融資，由 Andreessen Horowitz（a16z）領投，累計募資達 1.17

• #AI 機器人

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

麻省理工學院（MIT）研究人員將 Claude Code 控制的 AI 代理 Eko 放進虛擬島嶼，給予每次 30 小時自由時間，觀察到 AI 會帶有目的性做事情，藉此研究 AI 代理行為學。

• #AI 人工智慧

DeepSeek 開源編碼代理 Super-Agent：沒人指派也能接單，預設卻只記錄不出手

DeepSeek 旗下團隊在 10/31（週六）於微信宣布開源編碼代理（coding agent）Super-Agent，專案以 MIT 授權發布在 GitHub。根據《Bloomberg》報導，這款更具自主性的代理原型，能主動監看開發者群組聊天中關於程式問題的回饋，不必被呼叫就提出解法。不過，DeepSeek

• #AI 人工智慧

亞馬遜明年在德國投資逾 160 億歐元，48 億擴建 AWS、柏林再設機器人 AI 實驗室

<p>亞馬遜（Amazon）近日在德國聯邦政府於柏林舉辦的「投資德國峰會」（Invest in Germany Summit）宣布，2027 年將在德國投資超過 160 億歐元，約合 180 億美元，用於擴大雲端運算與 AI 基礎設施、衛星網路、物流及 Prime Video 影視內容等業務。 《Reuters》指出，在 AI 服務需求激增、科技業者競爭加劇之際，亞馬遜正加速在歐洲各地擴建雲端基礎設施，這項投資是其擴大歐洲業務的最新動作。亞馬遜全球事務與法務長 David Zapolsky 表示：「德國是創新重鎮，也是歐洲最具吸引力的投資機會之一。我們希望德國企業、社區與創作者，擁有競爭與成長所需的基礎設施與工具。」 德國聯邦經濟及能源部長 Katherina Reiche 表示：「亞馬遜的投資，明確展現對德國作為未來產業據點的信心。高效能資料中心是數位經濟的基礎，憑藉德國產業豐富的資料，我們也有潛力成為工業 AI 的全球領導者。」她指出，這正是德國需要的投資，不僅能強化德國在國際科技競爭中的地位，還能創造價值與就業機會。 亞馬遜指出，自 2010 年以來，公司在德國的累計投資已超過 1,000 億歐元，並創造逾 4 萬個永久職缺，在當地設有超過 100 個據點。 投資 48 億歐元擴建 AWS，柏林增設第二座機器人與 AI 研究實驗室 雲端與 AI 基礎設施方面，亞馬遜預計於 2027 年投入 48 億歐元，擴建 Amazon Web Services（AWS）歐洲（法蘭克福）區域，以因應客戶對雲端與 AI 服務的需求。AWS 自 2014 [&hellip;]</p>

亞馬遜明年在德國投資逾 160 億歐元，48 億擴建 AWS、柏林再設機器人 AI 實驗室

亞馬遜（Amazon）近日在德國聯邦政府於柏林舉辦的「投資德國峰會」（Invest in Germany Summit）宣布，2027 年將在德國投資超過 160 億歐元，約合 180 億美元，用於擴大雲端運算與 AI 基礎設施、衛星網路、物流及 Prime Video 影視內容等業務。

• #AI 人工智慧

CloudMile 萬里雲 2026 AI MASTERS 登場，攜手 OpenAI、台達電子從 AI 試驗走向可衡量…

<p>隨著 AI Agent 逐步走入企業核心營運，如何控管風險、管理成本並創造實際效益，成為企業擴大應用 AI 的關鍵課題。亞洲領先人工智慧科技集團 CloudMile 萬里雲與《天下》今（6）日共同舉辦「2026 AI MASTERS：AI 大師論壇暨企業實戰 Demo Day」，邀集 OpenAI、台達電子、威摩科技及奧義智慧等企業代表，從全球 AI 趨勢、風險與成本治理到企業實戰成果，探討 AI 規模化落地的關鍵。 CloudMile 萬里雲於會中發表旗下 AI 驅動 FinOps 平台 LumiTure.ai 的雲端投資價值指標 CVR（Cloud Value Realization），協助企業衡量雲端與 AI 支出是否值回票價、提升投資效益；同時提出 AI 資安雙軌治理做法，協助企業將 AI Agent 納入資安管理，在擴大應用的同時降低風險。 CloudMile 萬里雲集團創辦人暨董事長劉永信指出，企業導入 AI 要面對兩大問題。一是自由現金流壓力，當 AI 投資越來越大，連科技巨頭的現金流都被吃掉；二是 AI 對齊風險，例如 OpenAI 今年 7 月的內部測試中，AI Agent 為了完成任務，突破測試環境，闖進了 Hugging Face 的系統。 劉永信表示：「OpenAI 願意公開這次測試，讓整個產業提早看到 [&hellip;]</p>

科技業職缺逾 28 萬、裁員砍半：AI 沒消滅工作，而是改寫了徵才名單

<p>AI 原本被認為可能大幅消滅科技業工作，但最新職缺數據顯示，科技公司的招聘需求並未全面萎縮，職缺數量較年初明顯增加。其中，硬體工程師需求更在今年明顯成長，顯示 AI 帶動的不只是軟體開發，也正在推升晶片、伺服器、機器人與資料中心等實體基礎建設的人才需求。 《Business Insider》報導，根據招聘平台 TrueUp 的最新數據，科技公司的職缺數量正在增加。TrueUp 追蹤超過 9,000 家科技公司，目前統計的新創公司與大型科技企業共有超過 28 萬個科技職缺，較 2026 年初大幅增加。 科技職缺增至逾 28 萬個：硬體工程師需求因 AI 基建大增 科技業裁員情況也持續放緩。TrueUp 數據顯示，今年截至目前約有 19 萬名科技業員工遭到裁員，明顯低於 2023 年產業裁員高峰期的約 43 萬人。雖然裁員並未完全消失，但已不像疫情後產業下滑期間那樣快速發生。 不過，科技業的復甦並非所有職類都同步發生。今年對硬體工程師的需求大幅增加，主要受到企業大規模投入 AI 基礎建設所帶動。「考量到市場對 GPU 創新、AI 機器人、美國製造業新創公司以及 SpaceX 的關注，這並不令人意外。」TrueUp 創辦人 Amit Taylor 告訴《Business Insider》。 另一方面，軟體工程職缺的表現也比預期更加穩健。儘管市場先前預測，AI 程式設計工具普及後，企業對程式設計師的需求可能大幅下降，但目前數據並未顯示軟體工程職缺出現明顯萎縮。 《The Pragmatic Engineer》今年 5 月發布的 2026 年科技就業市場分析，也觀察到軟體工程招聘正在回升，但不同市場之間存在明顯差異。該報告引用 Indeed 的職缺數據指出，美國與英國的軟體工程職缺增加，加拿大大致持平，德國與法國則出現下降。報告認為，這可能反映出以美國為總部的科技公司正在增加軟體工程師招聘，主要集中在美國以及部分英國市場，而歐洲總部的科技公司招聘則相對謹慎。 Google 工程職缺增 62%，AI [&hellip;]</p>

烏克蘭無人機產業從爆發成長走向整合，500 多家業者下一步拚什麼？

<p>烏克蘭戰爭催生超過 500 家無人飛行載具（UAV）製造商，如今這個高度分散的市場開始出現另一種變化。源自烏克蘭、目前在美國掛牌的自主系統公司 Swarmer，9 月宣布最高以 2.24 億美元收購烏克蘭地面機器人公司 Ratel Robotics。《The Wall Street Journal》將這筆交易視為當地無人系統產業走向整併的重要訊號之一。 這筆交易發生之際，烏克蘭無人機市場也正從大量小團隊快速試作，逐漸走向更大規模採購。業者除了開發產品，還開始面對產能、供應鏈、公司治理、海外募資等問題；部分公司則透過併購補進其他技術與產品。專注投資烏克蘭國防科技的 MITS Capital 共同創辦人 Perry Boyle 就認為，當地產業已走過大量公司快速湧現的階段，接下來將逐步進入整併。 戰爭先催生 500 多家 UAV 業者 烏克蘭國防科技產業之所以如此分散，與戰時快速試錯的需求密切相關。烏克蘭政府支持的國防科技平台 Brave1 統計，其生態系目前已有約 2,500 家公司、超過 5,000 項產品，其中 UAV 製造商就超過 500 家，無人地面載具（UGV）製造商也超過 200 家。 採購制度也讓小型業者能更直接接觸前線需求。烏克蘭國防部的 DOT-Chain Defence 平台允許作戰單位直接挑選所需設備，再由國防採購單位處理簽約、付款與物流。今年截至 5 月，平台已交付約 48.5 萬件 UAV 與其他設備，總值 314 億赫里夫納，平台上有近 800 項產品、超過 200 家烏克蘭製造商。 這種模式讓小型團隊可以直接依戰場需求調整產品，也讓更多業者有機會進入市場。不過，當採購規模進一步放大，這些公司需要解決的問題也開始改變。 訂單翻倍，會做產品之外還得能規模化 [&hellip;]</p>

30 分鐘建構雷射腔：MIT 導入 7 軸機器人，實現光學實驗「從零到一」自動化

<p>麻省理工學院（Massachusetts Institute of Technology，MIT）研究團隊打造一套可自主執行光學實驗的機器人系統，讓機器人能自行組裝鏡子、透鏡等光學元件，並依照研究需求調整實驗配置。《Forbes》報導，這套系統可協助研究人員自動完成大量重複性的實驗準備工作，並有望應用於包括量子力學在內的多種研究。 MIT 開發全自動機器人實驗室：30 分鐘組裝「桌上型雷射腔」 這項研究由 MIT 電子研究實驗室（Research Laboratory of Electronics）團隊進行，共同研究主持人 Sachin Vaidya 等人致力於將涉及光與電磁力的實驗準備流程自動化。《MIT News》指出，這套機器人實驗室能自主將標準光學元件組裝成指定配置，並以微米級精度調整鏡子與透鏡的角度及位置，進而產生具備特定特性的光束。實驗完成後，系統還能安全拆解原有配置，重新組裝元件，建立全新的實驗架構。 整套系統以一支具備 7 個可活動關節的機械手臂為核心，安裝在金屬工作桌上。機械手臂能抓取並放置透鏡、鏡子等光學元件，每個元件則固定在專門設計的 3D 列印塑膠外殼中，方便機器人安全抓取與移動。外殼頂部刻有 QR Code，記錄其中元件的相關資訊，底部則設有磁性底座，讓元件放置在金屬工作桌後能保持穩定。 MIT 團隊以「桌上型雷射腔」（tabletop laser cavity）作為展示案例，讓機器人自主完成光學元件的組裝與校準。最終，機器人共執行 50 次操作，在 30 分鐘內成功建立可運作的雷射腔；研究人員進一步故意移動實驗桌上的元件，系統也能自動重新調整配置，維持雷射的光強度。 除了自主執行實驗外，研究團隊也建立虛擬使用者介面，讓研究人員能直接控制機器人的操作流程，並可透過遠端方式使用這套設備。如此一來，研究人員不必親自在實驗室，也能進行相關實驗。MIT 物理學教授 Marin Soljacic 也表示，機器人可以長時間執行重複且枯燥的工作，能替科學家省下大量時間，讓研究人員將更多心力投入理論研究與新實驗設計。 機器人代勞省下數天至數月人工微調時間？MIT 自動化光學系統進軍量子力學 這套自動化光學實驗系統也可應用於量子力學研究。《Forbes》指出，量子力學主要探討原子、光等微觀尺度的物理現象，而光學設備則能用於操控原子，以及研究光與物質之間的交互作用。例如，雷射產生的光學偶極力（optical dipole force）能作用於可極化粒子，根據光強度的變化，將粒子拉向高光強區域或推離該區域。這項原理也被應用於光學鑷子，利用光所產生的力量捕捉並固定微小粒子。 目前的光學實驗仍高度依賴人工調整。MIT 說明，精密光學實驗會使用雷射等光源測量候選材料的光學特性，而一套實驗可能需要數天甚至數個月才能完成，研究人員必須反覆調整光源、鏡子、透鏡與攝影機的位置與角度。雖然現有實驗室已使用部分自動化設備，例如可電動調整鏡子角度的調節器，但過去仍缺乏能從零開始組裝、校準到完成實驗的完整自動化系統。 透過機器人自動組裝與調整光學元件，研究人員未來可更靈活地建立不同實驗配置，進一步探索量子疊加（superposition）、干涉（interference）與量子糾纏（entanglement）等現象，並測試相關理論預測。 MIT 團隊表示，將實驗準備、元件調整與配置切換等工作交由機器人執行，可減少研究人員處理重複性工作的時間，讓科學家能投入更多精力進行理論研究與實驗設計。隨著系統能長時間運作並快速切換不同實驗配置，這類機器人實驗室有望成為未來科學研究的新型工具。 ＊本文開放合作夥伴轉載，資料來源：《Forbes》、《MIT News》，圖片來源：MIT。</p>

來毅數位攜手日本 DNP 打造 AI「信任身分平台」：Q4 將推出多重信任驗證，從日本金融市場拓展全球數位身分商機

<p>專注於零信任資安與數位身分驗證解決方案的來毅數位科技股份有限公司（台股：7834，以下簡稱「來毅數位」）宣布與日本大日本印刷株式會社（Dai Nippon Printing Co., Ltd.，日股：7912，以下簡稱「DNP」）展開策略合作，共同推動AI「Trust Identity Platform（信任身分平台）」的落地。雙方將整合 DNP 在電子化 KYC（eKYC）、日本公鑰基礎建設（JPKI）等身分驗證領域的技術與日本金融市場資源，以及來毅數位在 FIDO 身分認證、裝置識別、風險導向認證（Risk-Based Authentication, RBA）及帶外交易驗證（Out-of-Band Transaction Verification, OOB）等零信任資安技術，為金融服務業者建立涵蓋身分、裝置與交易的多重信任驗證機制。 作為此次合作的具體成果，DNP 預計於 2026 年 Q4 推出「DNP 多重信任驗證」服務，整合個人的「身分確認（Identity）」、裝置的「裝置驗證（Device）」以及「交易驗證（Transaction）」三大層次，打造新一代信任基礎設施。透過 FIDO 驗證、高階裝置管理及行為驗證等技術整合，服務將涵蓋金融客戶從開戶、登入、資料變更到匯款與支付等關鍵環節，在強化資安防護的同時，降低密碼管理負擔，提升金融服務的數位體驗。 從身分到裝置與交易　打造金融服務多重防禦 隨著生成式 AI 快速普及，網路釣魚（Phishing）、身分冒用（Spoofing）、未經授權存取及詐欺交易等威脅日益精密且高度自動化，傳統以單一帳號密碼為核心的防護方式已面臨更大挑戰。此次合作透過 DNP 與來毅數位的技術互補，將信任驗證延伸至使用者、裝置及交易等不同層面，協助金融機構建立更完整的零信任防禦機制。 其中，DNP 的 eKYC 與 JPKI 技術可提供嚴謹的身分確認，來毅數位則進一步透過 FIDO 驗證及裝置識別強化無密碼登入與存取控制，搭配 RBA 與行為驗證分析使用者行為模式、偵測異常風險，並運用 OOB 交易驗證切分交易通訊路徑，降低中間人攻擊（MitM）等交易風險。透過多層次的防禦架構，金融機構可在提升資安強度的同時，降低使用者對繁瑣密碼管理的依賴，進一步兼顧客戶資產保護、交易安全與數位服務體驗。 以日本金融市場為起點　拓展全球數位身分商機 來毅數位與 DNP 將以台灣與日本市場為起點，進一步運用雙方全球通路與市場資源拓展國際市場。日本目前約有 100 家地方銀行及超過 200 家信用金庫，隨著日本金融產業加速推動數位轉型、零信任架構與無密碼認證，高安全性數位身分與裝置管理解決方案的需求持續成長。來毅數位總經理林欣怡表示，此次合作不僅只是產品與技術整合，而是雙方共同建構數位信任生態系的重要一步。 DNP 在日本金融市場擁有深厚的產業資源與市場經驗，而來毅數位長期專注於零信任資安、裝置識別與數位身分驗證技術。透過雙方優勢的結合，來毅數位將協助企業建立涵蓋人員、裝置及 AI [&hellip;]</p>

告別貨架缺貨痛點：美英零售巨頭導入 AI，Homebase 盤點時間砍掉逾 2 天

<p>實體零售的缺貨問題，往往發生在消費者走進店裡之後才被發現。貨架上少了一個商品、價格標籤沒有更新、庫存數字與現場數量對不上，都可能直接影響銷售。對擁有數百甚至上千家門市的零售商而言，若依靠店員逐一巡查與人工盤點，不僅耗費大量時間，也很難維持即時且一致的庫存資訊。 近期英國超市巨頭 Asda、美國超市龍頭 Kroger，以及農牧五金連鎖 Homebase USA，正透過 AI 影像技術與巡檢機器人，把貨架管理進一步自動化。 Asda 告別轉型陣痛，讓「貨架供貨率」帶動營運回升 英國第三大超市 Asda 近期宣布新一波科技投資，希望提高營運效率，同時讓更多商品能夠維持在架上。 《金融時報》報導，Asda 導入的技術包括 AI 驅動的貨架掃描鏡頭，以及電子價格顯示牌。AI 鏡頭能持續檢查貨架上的商品狀態，一旦辨識出缺貨空隙，便會自動發出通知，提醒門市團隊快速完成補貨。Asda 執行董事長 Allan Leighton 表示，新科技一方面能帶來生產力提升，另一方面則能改善商品供貨率；當貨架上的商品更容易被消費者找到，銷售也有機會隨之增加。 目前這套科技投資開始反映在業績上。Asda 表示，截至 8 月 18 日的 7 週期間，同店銷售額成長 0.2%，有望迎來兩年來首次季度成長。對正在進行轉型的 Asda 而言，AI 貨架監控的意義並非單純增加一項自動化設備，而是將門市現場的缺貨資訊更快回傳給營運團隊，縮短「發現問題」與「採取行動」之間的時間。 移動式巡檢機器人走入門市：Homebase USA 將缺貨率壓至 1% 以下 相較於固定式鏡頭，美國零售市場則展示了另一種具備高移動性的自動化解法。美國超市龍頭 Kroger 旗下的 Smith’s Marketplace 門市，近期正式迎來了第 500 台由 Simbe 開發的 Tally 庫存巡檢機器人。Tally 能在門市內自主穿梭並掃描貨架，精準掌握商品在架率及價格標籤是否正確。 對門市員工而言，這類機器人的價值在於把大量重複性的巡檢工作交給自動化系統。Smith’s Food &amp; [&hellip;]</p>

AI 資料中心節能新突破？愛丁堡大學提出新型磁性記憶體理論，能耗有望逼近物理極限

<p>AI 熱潮帶動全球能源消耗屢創新高，龐大的運算需求需要大量能源支撐，每當新的資料中心進駐社區，都會在當地居民間引發爭議。《TechRadar》報導，科學家似乎找到了一種可能大幅降低記憶體與資料儲存能源需求的方法。如果這項技術最終能夠實現，可能對未來的運算與 AI 產業帶來重大影響。 挑戰熱力學最低能耗：磁性記憶體技術有望逼近「蘭道爾極限」 蘇格蘭愛丁堡大學研究人員在《Advanced Materials》期刊發表論文，指出這項突破可能從根本上改變磁性記憶體的運作方式。現有磁性記憶體是透過切換狀態來儲存與控制數位資訊，但這類切換往往需要消耗不少能源。 研究團隊找到了一種不同於傳統做法的替代方案，改以超快磁場脈衝切換磁性狀態，所需能量大幅降低。《ScienceDaily》提及，電腦模擬顯示，與目前使用或正在開發的主流記憶體技術相比，包括 DRAM、STT-MRAM 及新興的 SOT-MRAM，這種方法可將磁性狀態切換的能源消耗降低數個數量級。 《ScienceDaily》指出，研究團隊預測，未來磁性記憶體在切換磁性狀態時的能耗有望逼近「蘭道爾極限」（Landauer limit），也就是熱力學所允許的最低能耗，代表處理單一位元資訊所需的最低能源。蘭道爾極限是物理學所界定的基本能源下限，因此，若能讓記憶體運作所需的能源進一步接近這個極限，將是提升運算能源效率的重要進展。 距離實際應用仍有長路：突破性節能技術尚處理論階段 AI 產業快速發展才短短幾年，資料中心的能源消耗卻已成為日益嚴重的問題。研究團隊指出：「若效率無法大幅提升，資訊與通訊科技最終可能占全球電力消耗與碳排放相當大的比重。」AI 更進一步推升了這項趨勢，不僅需要大量零組件，也會產生可觀的碳排放。 雖然研究聚焦於磁性記憶體，但作者認為，這套理論也有機會應用在其他技術上。研究作者 Elton J.G. Santos 博士表示：「同樣的架構可以延伸到電流，甚至是超快雷射脈衝；這些都是未來資料儲存領域最前沿的技術之一。這意味著，本研究提出的概念可能有更廣泛的應用，不侷限於我們目前研究的系統。」 目前這項研究仍停留在理論階段，論文作者提出了幾項實際可行的方向，供後續研究打造原型並進行實驗。《TechRadar》補充，這項技術距離實際應用仍有一段很長的路要走，短期內不太可能帶來巨大改變。但這項研究的潛力仍讓人期待，未來資料中心或許真能大幅降低能源消耗。 ＊本文開放合作夥伴轉載，資料來源：《TechRadar》、《ScienceDaily》，圖片來源：Unsplash。</p>

AFA 高峰會 9/2 登場！6,700 億美元產值的臺灣電子半導體供應鏈，FinTech、AI、穩定幣新動能助攻產業…

<p>隨著人工智慧（Artificial intelligence，AI）、半導體與數位經濟快速發展，全球供應鏈競爭已不再只取決於生產與物流效率，跨境支付、融資、資料交換及金融基礎設施能否同步運作，也逐漸成為企業韌性的重要一環。 FinTechOn 2026 暨亞洲金融科技聯盟高峰會（AFA Summit）將於 9 月 2 日至 3 日在臺北遠東香格里拉飯店登場，延續去年的討論，今年持續聚焦「金融科技 × 全球供應鏈」（FinTech × Global Supply Chain），深入探討金融科技如何協助全球供應鏈提升跨境資金流動效率、強化風險管理，並推動亞洲市場之間的監理及產業協作。 AFA 主席、臺灣金融科技協會名譽理事長蔡玉玲（Jaclyn Tsai）表示：「全球供應鏈韌性已不只是『在哪裡生產』的問題，也取決於企業能以多快的速度完成付款、融資與驗證，並因應市場變化。在數位經濟中，市場碎片化是有成本的。AFA 成員所代表的 16 個市場都各有強大實力，但若能有效串聯，所能創造的可能性將更大。」 韓國、香港與東南亞多國將攜產業代表團來臺 自去年起，臺灣金融科技協會主辦的年度論壇 FinTechOn 結合 AFA 高峰會。去年，AFA 成員積極派遣代表參與；今年，隨著 AFA 平台的國際影響力與產業連結持續提升，參與形式也進一步升級，不僅 AFA 代表親自來臺，香港、韓國、馬來西亞、菲律賓、印尼與柬埔寨都將組成產業代表團來臺，展現對 FinTechOn 與 AFA 高峰會的高度重視。 AFA 是一個自發性成立的國際合作平台，致力於推動區域內的金融創新、政策對話與產業連結。AFA 由亞洲 16 個領先的金融科技協會與組織共同成立，每一個經濟體僅能有一個協會或組織代表，包括：臺灣、韓國、新加坡、日本、菲律賓、印尼、香港、馬來西亞、泰國、柬埔寨、蒙古、尼泊爾、印度、越南、斯里蘭卡與烏茲別克，涵蓋從新興市場到發達國家的多元金融科技生態。 

 臺灣供應鏈優勢，金融基礎設施成下一階段關鍵 鈺創科技創辦人、董事長暨執行長盧超群（Nicky Lu）博士，歷來致力於貢獻全球 IC 設計及半導體產業。他指出，全球電子與半導體供應鏈規模龐大，臺灣電子與半導體產業全年產值預估約達 6,700 億美元，支撐如此龐大產業體系的金融基礎設施，也必須同步升級。 盧超群表示：「對產業而言，我們需要速度與效率，但同一時間，也需要安全、可靠與韌性。」 盧超群曾任世界半導體理事高峰會 (WSC) [&hellip;]</p>

美軍出資研發、中國做成產業：宇樹科技如何把美軍研究成果變成機器狗量產優勢？

<p>美國軍方多年來投入大量資金資助四足機器人的移動技術研究，這些透過美國陸軍研究實驗室（ARL）等軍事專案挹注的研發資金，成為四足機器人運動能力的技術搖籃。麻省理工學院（MIT）、賓州大學等美國頂尖學術機構在這些專案中取得突破，並依據學術慣例公開發表相關論文與研究成果，然而這些最初由美軍資助、目的是激發產業技術創新的公開成果，現在卻成為中國機器人製造商宇樹科技（Unitree Robotics）發展旗下機器狗的重要技術養分。 宇樹科技不僅迅速吸收這些研究精華，更展現強大的工程化能力，將繁複的實驗室技術成功轉化為低成本、可量產的商業產品。例如，宇樹科技在 2023 年推出的四足機器人 Go2 機型，售價僅約 1,600 美元，憑藉價格優勢快速拓展國際市場，去年更售出超過 1.8 萬台四足機器人。 現在，宇樹科技更進一步邁向資本市場，於上海證券交易所科創板（STAR Market）IPO 募資 9 億美元，估值達到約 91 億美元。這場空前的申購狂潮與亮眼的估值，凸顯出當前美中機器人競爭的關鍵戰場，那就是誰能以最快速度將基礎研究轉化為實際產品，並建立起具備競爭力的產業規模。 美軍資助研究公開不到半年，中國就做出相似致動器 回顧這段技術演進歷程，在 2010 年至 2020 年間，美國陸軍研究實驗室資助成立「機器人協作技術聯盟」（Robotics Collaborative Technology Alliance, RCTA），並串聯賓州大學、麻省理工學院（MIT）、波士頓動力（Boston Dynamics）、NASA 噴射推進實驗室等頂尖機構，共同推進機器人的自主與移動能力。 在這項專案下，賓州大學的研究團隊於 2016 年取得重大突破，他們消除笨重的中央齒輪箱，並將馬達直接移至機器人的腿部，大幅提升機器人感知地形與快速反應的能力。隨後在 2019 年，MIT 生物模仿機器人實驗室在此基礎上推出性能更強、甚至能夠進行後空翻的「Mini Cheetah」機器狗。然而，當時參與該專案的研究人員 Ben Katz 驚訝地發現，就在 Mini Cheetah 機器狗的致動器設計公開後不到半年，中國製造商就已經生產出幾乎一模一樣的致動器，甚至可以在跨境電商平台上買到。 宇樹科技創辦人王興興在創立公司時，也深刻受益於這些美國軍方資助的研究精華。當時年僅 26 歲的王興興，在 2016 年發表的碩士論文中，便多次引用 MIT Cheetah 系列的研究成果，以及賓州大學在陸軍資助下發表的學術論文。MIT 的研究人員甚至指出，後來宇樹科技大受歡迎的 Go 系列機器狗，其尺寸、結構與形狀設計與 MIT [&hellip;]</p>

AI Agent、Reasoning 放大推論成本：模型業者開始重新思考 Transformer

<p>2017 年，Google 研究團隊發表〈Attention Is All You Need〉論文，提出後來改變 AI 產業的 Transformer 架構。9 年過去，從 ChatGPT 到 Gemini，幾乎所有主流大型語言模型（LLM）都建立在 Transformer 之上。但當 AI 開始處理更長文件、進行複雜推理，甚至以 Agent 形式持續工作，這套支撐生成式 AI 浪潮的架構，也逐漸面臨效率挑戰。 《MIT Technology Review》近期觀察，一批 AI 新創正從 Attention、模型組成到文字生成方式重新設計 LLM，試圖回答同一個問題：除了增加 GPU、量化與壓縮模型，能不能直接從模型架構降低 AI 運算成本？ 這項問題在推理模型興起後變得更加重要。Microsoft Research 今年發表的研究估算，一般前沿 AI 模型推論的能源需求中位數約為每次查詢 0.31 Wh；但如果是產生約 5,000 個 output tokens 的長推理任務，能源需求可能增加約 13 倍。當 AI Agent 又需要反覆呼叫模型、讀取工具結果與累積工作脈絡，推論負擔還會進一步增加。 Transformer 的優勢，為何也成為效率挑戰？ 問題首先出在 Transformer 最核心的 [&hellip;]</p>

【333 Robots Community Meetup】具身 AI 進工廠成功率只剩兩三成？MIT Media La…

<p>在人工智慧加速邁入實體世界的關鍵時刻，如何讓機器人走出實驗室並解決真實痛點，已成為科技界最關注的焦點。由科技報橘、鴻海科技集團與三創育成共同主辦的「333 Robots Community Meetup」，在每個月第三週的星期三固定於三創舉行，致力於匯聚學研界與新創圈的專家，推廣並鼓勵更多台灣人才投入機器人這個充滿機遇的新產業。 在 7 月份的活動中，特別邀請到麻省理工學院（MIT）電機資工博士候選人、機器人新創公司 Nexuni（耐思尼）創辦人陳韋同，從國際前沿的技術視野出發，剖析機器人技術落地的心路歷程。陳韋同指出，傳統機器人多以寫死劇本的硬性控制為主，缺乏與環境互動並做出決策的能力，「我認為下一代機器人要真正落地，需要兩樣東西，第一是感知，第二是聰明的大腦」。這兩大核心要素，正是讓機器人具備靈魂、走向商業化落地的關鍵所在。 黑暗能飛、深海能定位，MIT Media Lab 如何突破機器人的感知極限？ 要讓機器人具備聰明的大腦，必須先為機器人打造超越人類極限的智慧感知技術。陳韋同在 MIT Media Lab 的研究團隊就針對多個高難度場景，開發出前沿感知方案，例如利用毫米波定位技術部署信標，成功讓無人機在完全黑暗的環境中穩定飛行。 在深海場域，由於 GPS 訊號無法穿透水面，海底定位長年是個巨大挑戰，甚至間接導致嚴重的生態浩劫，像是在波士頓外海，每年就有高達 60 萬個龍蝦籠在海中遺失，這些「幽靈漁網」在海底持續無效捕魚，對生態造成毀滅性打擊。為了解決這個環境痛點，MIT Media Lab 研發出無電池的聲波反向散射技術，打造出高效的「海底 GPS」，在深海中能達到 20 公尺定位距離與僅 28 公分的極高精準度，成功引導水下機器人定位並回收漁網。陳韋同強調，學術研究的價值不在於技術多前衛，更在於能否真正理解問題的本質，並為面臨痛點的人們創造實質的社會影響力。 克服機器人「十萬年數據」瓶頸，Nexuni 如何用低成本方式累積 2.5 萬小時動作資料？ 當感知技術奠定基礎後，下一個重大考驗便是如何訓練具身智慧的大腦。目前科技界主流是透過海量的人類示範數據，來訓練能夠直接輸出馬達關節動作值的 VLA（視覺-語言-動作）大模型。然而，機器人領域卻面臨棘手的「十萬年數據」瓶頸，也就是大語言模型可以輕鬆從網路上爬取人類文字數據，但生活中成千上萬種物理操作任務，卻極度缺乏多元的動作數據，若只靠單一人力收集，需要不眠不休花上 10 萬年。因此，過去新創公司依賴昂貴且建置困難的「人力資料工廠」，讓員工戴著 VR 搖桿教機器人摺衣服，但這不僅成本高昂，戴上 VR 設備的操作者也會有強烈的眩暈感。 為了解決這個痛點，Nexuni 攜手 NVIDIA 總部展開深度技術合作，打造兩大突破性的低成本數據收集路徑。首先是於 NVIDIA GTC 展出的通用操作介面 UMI，這是一個僅需搭配 GoPro 與鏡子的手持大夾子，讓收集人員能隨時隨地在真實環境中以極低成本累積數據，隨後再透過擴散策略模型讓機械手臂復刻動作。 其次，團隊開發第一人稱視角的 Skill 技術，操作人員只需戴著相機帽，系統便會自動辨識手部與手腕每個關節的位置。這項極具擴充性的技術已幫助團隊快速收集高達 [&hellip;]</p>

開源 AI 取代 EDA？西門子 EDA：AI Agent 不會改變商用工具的價值

<p>當中國新創日前宣稱其新開源 AI 模型能在數十小時內完成晶片設計，一度嚇動市場對 EDA（電子設計自動化）巨頭的信心，這個議題也成了半導體業的關注焦點。西門子 EDA 資深副總裁暨人工智慧策略長 Amit Gupta，今日在該公司年度 IC 設計技術論壇的媒體訪問中回應，開源與純 AI 代理（Agent）並不會弱化商用工具的價值，而競爭的決勝點，正在從使用者熟悉度，轉向速度、正確性和簽核（sign-off）品質。 客戶端的三重壓力：更快、更複雜、更缺人 Amit Gupta 觀察，客戶端現在的普遍需求，是把產品上市時程（time-to-market）縮短一半：過去要 18 個月的設計週期，現在希望壓到 9 個月，甚至再從 9 個月砍到 4.5 個月。但與此同時，晶片規模持續膨脹、走向 3D 堆疊，讓設計複雜度飆升；而業界預估到 2030 年，全球工程師缺口將高達數百萬人。 西門子 EDA 全球副總裁暨亞太區技術總經理 Lincoln Lee 進一步說明複雜度的來源。他指出，3D 封裝已成關鍵需求，而高密度堆疊帶來棘手的多物理量（multiphysics）耦合：功耗升高使溫度上升，熱牽動應力與翹曲（warpage），進而影響電氣效能，最終又反饋回溫度，環環相扣。 既要更快、又更複雜、還更缺人，這三股力量同時壓上來，讓 AI 從加分選項變成半導體設計的結構性剛需。 當 AI 打平工具門檻，競爭規則正在改寫 Amit Gupta 指出，即便是那篇引發市場關注的中國 AI 新創部落格文章，作者本人也坦言並非「下一個指令、設計就跑出來」，實際上歷經約兩三週的來回引導與修正才完成整個流程，這說明趨勢方向正確，但門檻並沒有想像中那麼低。他強調，商用軟體的優勢是經過驗證、結果可靠的。 Amit Gupta 也補充，很多 EDA 工具被長期沿用，並不是因為它最快、最準或最具擴展性，而是使用者熟悉度使然，這也是特定廠商能長期握有高市占的原因，但當 AI 代理接手操作工具，這道長年築起的進入門檻等於被一次打平。他認為，市場競爭的態勢將回歸最本質的指標：工具本身的速度、可靠性與簽核（sign-off）品質。 從一句指令到自主驗證：西門子的 AI [&hellip;]</p>

數位轉型一定要換設備嗎？Mitsubishi 一座老工廠給出不同答案

<p>談到打造智慧工廠，多數企業的第一個念頭往往是汰換設備、更新控制系統。但對一座已穩定運作多年的工廠來說，全面換新不只成本高昂，還得承擔停產的風險。位於捷克的 Mitsubishi Electric Automotive Czech（MEAC）選擇了另一條路：不更動運轉逾 10 年的控制系統，只在既有產線上疊加一層資料連結，就串起超過 100 台設備。它想證明的是，讓老工廠變聰明，未必得先把機器換掉。 保留能用的，只加一層資料 據《The Manufacturer》報導，MEAC 是 Mitsubishi Electric 的子公司，位於捷克斯拉尼（Slaný），員工超過 500 人，供應包含整合式起動發電機在內的汽車電子零件給歐洲車廠。面對逐年成長的生產資料，它在數位轉型的方法上沒有走汰換機器的路線，而是選擇保留能用的。 MEAC 製造工程經理 Jan Kabát 表示，廠內原有的控制單元已可靠運作超過 10 年，現代化的做法是透過 MES（製造執行系統）介面建立一層資料層，在不打斷產出的前提下連結機台、產生營運洞察。他強調，公司不會為了現代化而現代化，只在能帶來可衡量效益的地方，才加上連結與資料能力，具體來說就是更少停機、更好的可視性，以及更快排除故障。 透過這層資料架構，MEAC 連結了逾 100 台設備，建立起一個能看見整廠表現的數位層，且據稱未產生顯著的資本支出。這些資料如今成為其日常決策的基礎，工程師可自建報表，並在需要更高製程可視性的地方加裝感測器。 連上線只是開始，資料要能持續改善品質 對 MEAC 而言，連結的真正價值在於持續改善製造表現。數位工具與分析讓團隊能清楚看見製程細節，在問題影響品質或交期之前就先發現、修正。 MEAC 總經理 Dalimil Bartoň 告訴《The Manufacturer》，該公司用資料驅動製程與產品品質的持續改善：透過分析詳細的製造資料，找出缺陷型態、優化製程、降低廢品，換來對客戶更一致的品質，以及更低的製造成本。他強調，關鍵是知道如何部署系統、讓它們在一套完整的 PDCA 循環（即計畫、執行、查核、改進的持續改善流程）裡真正支援生產。 同一套資料思維，也延伸到人與廠房 MEAC 把同一套資料思維延伸到了員工身上。該公司製造資深經理 Petr Soukup 表示，他們以 RFID 辨識操作人員、掌握其工作位置，再結合肌肉負荷與工位層級的資料，用來規劃輪班、更有效地安排工作，以減輕人體工學負荷，結果是讓跨班次的表現更為一致。 被「資料化」的還不只是產線與人，也包括整棟廠房。MEAC 建立了一套以 PLC 與監控軟體為基礎的「軟體定義建築」（Software-defined Building），把廠房環境也納入可管理的範圍。 [&hellip;]</p>

博弘雲端參與 AWS Summit Taipei 兩大 AI 技術競賽，從 Agentic AI 到企業應用展現生成式…

<p> 生成式 AI 持續快速發展，企業對 AI 技術的需求也逐步從模型應用邁向自主決策（Agentic AI）與實際商業落地。Amazon Web Services（AWS）於 Summit Taipei 2026 期間同步舉辦Agentic Football Cup 與百工百業瘋 AI – AI Everywhere Hackathon 兩項技術競賽，博弘雲端受邀組隊參與兩項賽事，從 Agentic AI 技術實作到生成式 AI 企業應用開發，展現 AI 技術整合能力。  Agentic Football Cup 以打造 AI 足球隊為主題，讓參與團隊建構五位具備自主決策能力的 AI 足球代理人，透過 Multi-Agent 協作完成傳球、射門、防守等即時決策。博弘雲端與來自各界近 40 組技術團隊共同交流最新 AI 技術與最佳實踐，深化 Amazon Bedrock、Amazon Bedrock AgentCore 及 Multi-Agent 架構的設計與實作能力。  Agentic AI 被視為生成式 AI 發展的重要下一步，未來可望廣泛應用於智慧客服、知識管理、流程自動化、IT 維運及企業決策等多元場景，協助企業提升營運效率與智慧化能力。透過參與技術交流與實作工作坊，博弘雲端持續累積 [&hellip;]</p>

治好 AI 機器人「下班失憶症」，MIT DAAAM 技術讓機器人記住它去過的每個地方

<p>為了解決 AI 機器人的「下班失憶症」，麻省理工學院（MIT）開發 DAAAM 技術，讓機器人建立 4D 場景圖，並主動替物件附加文字描述提高持久記憶能力，還可應對自然語言提問。</p>

OpenAI Codex 負責人來台：下一代 AI 的定義，不再只由模型決定

<p>「你不再只是要求 Agent 做事，而是能像委託同事一樣，完全將任務委託給它。」OpenAI 負責 Codex 的產品主管 Rohan Varma，在 AWS Summit Taipei 的主題演講中，用這句話定義了企業 AI 應用的下一個階段。 Rohan Varma 回顧，過去三年 AI 輔助寫程式的方式歷經三次演進。最初是自動補全，開發者仍親自寫程式，模型只建議接下來幾行程式碼。約一年前進入協作階段，開發者與 Agent 一起處理較小任務，被視為極具生產力的體驗。而大約六個月前，隨著 GPT-5.3 與 GPT-5.4 等模型推出，OpenAI 稱之為「自主委託（agentic delegation）」的階段正式展開。 Agent 自己工作數小時，直到驗證完成 自主委託的核心，是讓 Agent 具備自我驗證工作成果的能力。Rohan Varma 解釋，當使用者要求 Codex 完成一項具挑戰性的任務，例如「完成這個功能」、「製作這份簡報」或「執行這個原本要花一週時間的完整分析」，Codex 會自行工作數十分鐘甚至數小時，實際執行程式碼測試、比對其他資料來源，確認結果無誤後才回報。 這個轉變也改變了衡量標準。Rohan Varma 指出，價值的衡量已從「寫了多少行程式碼」轉為「實際完成了多少工作」，而這正是 Codex 設計的核心理念。 從軟體工程，擴展到全公司工作流 Codex 最初是聚焦於 AI 寫程式的工具，但 Rohan Varma 表示，一個擅長寫程式的 Agent，本質上就是自動化的核心單元，因此也能勝任電腦上的其他任務。目前 Codex 的應用已從開發，延伸到產品管理、財務與銷售等領域。 他提到，OpenAI 內部包括策略、銷售與領導團隊的工作，如今都仰賴 [&hellip;]</p>

機器人模擬資料不夠逼真？MIT 用 3 個 AI Agent 直接「生」出來

<p>會走路、能後空翻的機器人越來越常見，但要它們走進廚房或客廳幫忙做家事，得先在部署前大量練習。「模擬環境」成了諸多機器人主要的練習場，然而現有的模擬房間多半家具稀疏、擺設單調，機器人在裡面練得再熟，一進到現實仍可能派不上用場。MIT（麻省理工學院）電腦科學與 AI 實驗室（CSAIL）與 Toyota Research Institute（豐田研究院）最新發表的 SceneSmith，就是要縮小這道落差。 SceneSmith 是一套階層式的 Agentic 框架，只要給它一句自然語言描述，就能自動生成可直接丟進物理模擬器的 3D 室內空間，小至單一房間、大到整棟房子都能產出。它的做法是派出 3 個 AI Agent 分工協作，把場景一層一層搭建起來，讓機器人在上工前先於虛擬世界練到飽。至於這些模擬世界「夠不夠真」，正是這項研究最想回答，也最難證明的問題。 真正卡住機器人的不是模型，而是「沒地方練習」 這道落差之所以難補，關鍵不在物理引擎。MIT 電機資訊工程與航太、機械工程教授，同時也是 CSAIL 首席研究員的 Russ Tedrake 指出，過去幾年支撐機器人模擬的物理引擎進步很快，真正沒被解決的，是如何生成足夠豐富、足夠多樣的模擬內容，去捕捉真實世界的複雜度。 具體來說，真實住家充滿密集雜物、可開合的家具，以及各種能被單獨操作的小東西，光是一個廚房櫃子就塞滿盤碗杯子。這類雜亂正是機器人操作的一大難題，但稀疏的模擬環境往往無法讓機器人為此做好準備。模擬與真實之間的這段距離，正是機器人領域常說的 reality gap。 3 個 AI Agent 分工蓋房子：設計師、評審、協調者 SceneSmith 的核心，是把「蓋一個房間」拆成一連串階段，交給 3 個各有職責的 VLM（視覺語言模型）Agent 協作完成，MIT 說明其底層採用當前頂尖的 GPT-5.2。 第一個是負責提案的 designer（設計師），生成場景元素。第二個是 critic（評審），判斷這樣擺是否合理、物理上是否可行。第三個是 orchestrator（協調者），管理兩者來回、決定何時定稿，若品質不夠好還能把設計退回幾步重來。 整個流程依專案頁說明分成五個階段，從建築格局、家具擺放，到牆面、天花板，最後才放進機器人能實際操作的小物件。 與過去方法不同的是，SceneSmith 生成的物件都直接帶有碰撞幾何與質量、摩擦力、慣量等物理屬性，還能加入可開合的櫃子、抽屜這類有關節的家具。靜態物件更是靠 text-to-3D 隨需生成，物件詞彙不受固定資產庫限制，做完即可匯出到 Drake、MuJoCo、Isaac Sim 等主流模擬器。 CSAIL [&hellip;]</p>

KPMG 啟動 2026 台灣創新科技大賽，助新創登上國際舞台

<p>KPMG 安侯建業聯合會計師事務所將於 8 月 19 日舉辦「2026 KPMG 台灣創新科技大賽」（Global Tech Innovator Competition in Taiwan 2026，GTI）。本屆大賽聚焦具備國際市場拓展潛力的科技新創團隊，最終脫穎而出的台灣代表隊，將於 11 月前進葡萄牙里斯本，登上全球最具影響力的科技盛會之一「Web Summit」，與來自世界各地的優秀新創同場競技，角逐 KPMG Global Tech Innovator 全球總冠軍殊榮。 2026 台灣區競賽現已正式開放報名，並將於 7 月 17 日（五）中午 12 時截止。KPMG 誠摯邀請擁有創新技術、商業模式及國際發展潛力的新創團隊踴躍參與。本屆競賽不限創業階段，無論是初創團隊或正處於成長擴張階段的新創企業，只要致力於發展具規模化潛力，並能為產業、社會或環境創造正向影響的科技應用方案，皆歡迎報名挑戰。 入選團隊將有機會站上台灣決賽舞台，向產業專家、創投機構及企業決策者展示創新成果與商業策略，爭取代表台灣前進全球賽事的寶貴資格，同時拓展國際曝光與鏈結全球創新生態圈。 本屆競賽採兩階段評選機制，由來自創業投資（VC）、企業創投（CVC）、加速器及新創生態圈的資深專業人士組成評審團，透過「書面審查」及「現場 Pitch Demo」兩大階段，全面評估團隊的技術創新能力、市場潛力、商業模式與成長前景，發掘具備全球競爭力的未來新創之星。更多競賽資訊及報名方式，請至「2026 台灣創新科技大賽」活動官網查詢。 【2026 KPMG 創新科技大賽】開放報名立即報名 （本文訊息由 KPMG 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：KPMG。）</p>

【科技早餐】OpenAI 新模型先過政府關，蘋果漲價與美歐晶片聯盟同步升溫

<p>【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊OpenAI 新模型先審核，IPO 傳延到 2027 OpenAI 下一款 GPT-5.6 模型，據傳將改變過往直接開放給大眾使用的釋出方式。根據《The Information》報導，OpenAI 執行長 Sam Altman 告訴員工，新模型預覽階段將先交給一批經過挑選的客戶夥伴測試，政府也會逐一審核客戶，決定哪些對象可以先使用。報導指出，相關要求來自美國國家網路總監辦公室，以及白宮科技政策辦公室。 這代表美國政府據報正更直接介入前沿 AI 模型的釋出節奏。若有限度釋出順利，OpenAI 希望數週後再讓新模型更廣泛開放。同一時間，《紐約時報》報導，OpenAI 原本有望今年上市，但在科技股波動，以及 SpaceX 上市後股價震盪影響下，投資銀行建議公司把 IPO 時程延後到 2027 年。OpenAI 目前一邊面對模型釋出的政府審核，另一邊也要等待更合適的資本市場窗口。 ＊蘋果漲價，美光示警記憶體荒不是一天造成 蘋果（Apple）宣布調漲多款 Mac 與 iPad 產品價格，顯示記憶體與儲存成本上升，已經反映到終端產品售價。根據多家外媒報導，蘋果表示，漲價不是受歡迎的消息，公司正努力尋找解方，但也表示，從未見過零組件價格在這麼短時間內快速上升。這波壓力，和 AI 資料中心大量搶占記憶體與儲存產能有關，多家研究機構與外媒都指出，AI 資料中心需求正在推高記憶體與儲存晶片價格。 同一時間，美光（Micron）首席商務長 Sumit Sadana 接受專訪時也指出，上一輪記憶體市場低迷時，部分客戶以非常激進的價格採購，壓低供應商利潤，也讓產業投資放緩。雖然他沒有點名 蘋果，但外媒解讀，這反映大型客戶長期壓低採購成本，可能也是如今供需失衡的背景之一。 ＊歐盟加入美國 AI 晶片聯盟，科技主權陷兩難 歐盟執行委員會代表 27 個成員國，正式簽署由美國主導的「矽盛世宣言」（Pax Silica）倡議，象徵美國與歐盟在 AI 晶片與關鍵供應鏈安全上擴大合作。根據《路透》報導，歐盟經過數月內部協商後，同意由歐執委代表簽署，但前提是美方確認這項宣言不具法律約束力。歐盟也要求美國承諾，不對相關成員國祭出 AI 晶片出口限制，避免部分歐盟成員國被排除在先進 AI 晶片供應之外。 [&hellip;]</p>

AI 機器人最缺的不是模型而是資料，新創 XDOF 如何切入這個基礎設施缺口？

<p>要讓機器人真正能運作，需要的不只是更好的模型或更快的晶片，而是一種非常稀缺的東西：大規模、高品質的物理互動訓練資料。新創公司 XDOF 想做的，正是填補這個缺口。 語言模型有公開文字，機器人沒有 語言模型的崛起，很大程度上靠的是網路上海量的公開文字資料。但機器人需要的是捕捉物理互動的資料，包括手如何抓取物件、力道如何調整、動作如何修正，這類資料幾乎不存在。 YouTube 影片和外包工作者拍攝的畫面解析度太低，也難以精確對應到物理世界的參數，無法直接轉化為有效的機器人訓練資料。 XDOF 共同創辦人暨 CEO Philipp Wu 在 UC Berkeley 攻讀博士時就親身遭遇這個問題。他的研究方向是讓機器人從大規模資料集學習技能，卻發現根本無資料可用，「我們先需要實際收集資料，才能開始思考如何訓練機器人的基礎模型，」他說這是一個先有雞還是先有蛋的問題。 Wu 和共同創辦人暨 CTO Fred Shentu 因此開發了 GELLO，一套低成本的遙操作系統，讓人類操作者控制機械臂來生成訓練資料。這篇論文在機器人領域產生了廣泛影響，許多面臨相同瓶頸的研究者開始借用這套裝置收集資料。看到這個機會，Wu、Shentu 與第三位共同創辦人暨 COO Nemo Jin 在 2024 年 10 月創立了 XDOF。 三層資料架構，從機器人到人體動作 XDOF 的資料生產架構分三個層次，對應不同的資料來源與應用價值。價值最高的是直接在部署中的真實機器人上收集的遙操作資料，因為它最貼近實際使用情境；其次是透過 GELLO 這類遙操作裝置收集的較通用資料；第三層則是記錄人類日常行為視角的「自我中心」資料，XDOF 計劃自行開發穿戴式感測器來收集。 Wu 強調，感測器硬體的選擇會直接影響資料品質，進而影響模型能力，他說如果一開始沒有把硬體設計好，收集到的資料可能會有你沒預料到的問題。這也是為什麼 XDOF 選擇同時做感測器硬體，而不只是提供純軟體服務。 在資料收集之外，XDOF 也負責資料清洗、工具開發與標注，讓整個流程形成持續優化的迴圈。Wu 說，他們刻意避免讓公司變成只做資料供應的業者，單純賣資料很容易走進死胡同。 與 UC Berkeley 合作，釋出迄今最大規模開源資料集 作為起點，XDOF 與 UC Berkeley、卡內基美隆大學、MIT 與 [&hellip;]</p>

去完一趟 COMPUTEX，AI 就能落地嗎？導入的隱形成本藏在這裡

<p>在 2026 年 COMPUTEX 台北國際電腦展上，輝達（NVIDIA）黃仁勳才高喊 GPU 主導的「AI 工廠」將重塑個人電腦與資料中心；然而，英特爾（Intel）執行長陳立武（Lip-Bu Tan）就在主題演講中指出不同觀點，強調 AI 產業將從「模型訓練」階段走向推論與「代理式 AI（Agent AI）」階段，更提到，未來的晶片不單只供人使用，也是為了 AI 代理人而開發。 簡單來說，過去以 GPU 為核心的模式可能將面臨瓶頸，以資料存取與任務協調的 CPU 重要性將隨之提升。 不過科技巨頭在台上吵得火熱，台下的企業主和 IT 部門也正面臨著落地轉型的壓力，近年台灣企業對 AI 的期待，已從過去「能聊天的機器人（如 ChatGPT）」，轉變為希望 AI 能化身「看得懂報表、會幫忙跨系統下單、自動回覆複雜客訴」的實用型 AI 代理人。 然而導入 AI 代理人並不像更換一套軟體那麼簡單，麥肯錫在《What is an AI agent?》一文中直指，企業面臨的最大挑戰不是技術本身，而是「信任」，意思就是員工與客戶可能都還沒準備好將任務交給 AI 全權處理。 導入 AI 代理人意味著企業必須重新調整整個業務流程、風險管理、治理與組織運作方式，不只是推出一套新工具，但要成功導入 AI 代理人之前，企業通常會遇到這些難題： 第一、系統互不相通：公司的財務系統、客戶資料庫和業務報表各自獨立，AI 代理人無法串平台互通，最後還是只能單向回答問題。 第二、押錯模型：市場上的大模型，如 Google Gemini、OpenAI、Anthropic Claude，時常在改版更新，如果只押注在單一模型上，未來很容易在成本和調整彈性上失去優勢。 第三、帳單難以控管：AI 代理人要做到思考、規劃、行動，甚至自主訓練，會消耗很大的運算資源，若沒有優化或是設定停損點，下個月收到帳單可能會讓你嚇一跳。 針對以上三大落地痛點，萬里雲推出解決方案「LumiTure.ai」，一款為企業設計的雲端智慧財務管理平台，能解決上述問題： 打破多雲帳單壁壘：  LumiTure.ai [&hellip;]</p>

放棄遠端遙控、捨棄人形設計：Genesis AI 如何用資料解決機器人發展瓶頸？

<p>機器人新創 Genesis AI 推出其首款通用機器人 Eno，沒有頭、也沒有腿，採用輪式設計。另值得關注的是，這家公司放棄了業界常見的遠端遙控（teleoperation）路線，改以感測手套蒐集真人操作資料，同時自行打造模型、模擬器、資料平台與機器人本體。當整個產業仍在追逐人形機器人熱潮時，Genesis AI 想解決的核心問題之一是：通用機器人的資料，究竟從哪裡來？ 據《TNW》報導，這家新創在巴黎與舊金山設有辦公室、約有 60 名員工，由共同創辦人 Zhou Xian 與前 Mistral 研究員 Théophile Gervet 共同創立；該公司去年募得 1.05 億美元種子資金，是法國最大規模的融資之一，由 Eclipse 與 Khosla Ventures 共同領投，投資人包括 Google 前執行長 Eric Schmidt、Xavier Niel、MIT 機器人學教授 Daniela Rus 等。 一台沒有頭、沒有腿的機器人 據《Business Insider》報導，Eno 是一台有著兩隻手臂、但沒有雙腿的輪式機器人，其軀幹由三片面板組成、可即時調整高度與伸展範圍，不使用時還能折疊收納。《The Robot Report》進一步說明，Eno 的手臂裝有 Genesis AI 自研的靈巧機械手，其形態與功能皆貼近人手，方便操作那些原本就為人類設計的工具與物件。 這樣的外形是刻意為之。Genesis AI 共同創辦人暨執行長 Zhou Xian 表示，公司有一套名為「平靜智慧（calm intelligence）」的設計哲學：機器人把事情做完，然後就消失。《Reuters》引述其商務與策略副總裁 Vivian Sun 的說法指出，採用輪式底座，是因為多數工業客戶都在平坦地面上作業，雙腿只有在爬樓梯這類情境才有意義：「我們是在能力上模仿人類，而不是在形態上。」 為了建立信任，Genesis [&hellip;]</p>

SpaceX 為何願意砸 600 億美元買 Cursor？AI 競爭正從模型轉向工作流程

<p>SpaceX 才剛完成史上最大規模的 IPO，就宣布以價值 600 億美元的 A 類普通股收購 AI 程式開發工具 Cursor 的母公司 Anysphere，創下 AI Coding 領域最大交易之一。表面上，這是其執行長馬斯克替旗下 Grok 補足企業級開發工具與開發者生態系；但進一步來看，這筆交易反映出 AI 產業的競爭焦點正在轉移：當模型能力逐漸趨同，開發者入口、工作流程與使用場景，正成為新的戰略資產。 Cursor 為何值 600 億美元？ Cursor 由四名 MIT 畢業生於 2022 年創立，最初是一款加密通訊工具，後來轉型為 AI 程式開發平台，讓開發者能夠在同一介面中切換 OpenAI、Anthropic、xAI、Google 等不同 AI 模型。它不只是一個程式碼補全工具，而是涵蓋程式碼生成、除錯、大型程式庫理解與任務自動化的完整開發工作流程。 Cursor 的成長速度在矽谷屬於異數，其估值在 2025 年間從 25 億美元飆升至近 300 億美元。根據《Bloomberg》引述的內部數據，其年化營收在 2026 年 4 月突破 30 億美元。《Reuters》則報導，Cursor 企業客戶中有逾 3,000 家每年支付超過 10 萬美元的授權費，服務的企業涵蓋財富 500 [&hellip;]</p>

AI 用越多不代表越有價值：當 token 成本升高，企業決策者開始追問真正 ROI

<p>矽谷在過去一年裡，逐漸將 AI 的使用量變成一種職場上的計分板。然而，這股追求 token 用量最大化（tokenmaxxing）的風氣正迎來反思聲浪，愈來愈多企業高層開始質疑，最大化 AI 使用量是否真的是衡量技術採用成效的正確方式。 《Business Insider》近日在 Mistral AI 峰會上訪問四位企業高層，當他們談到如何衡量 AI 的投資報酬率（ROI）時，沒有任何一個人一開始就談論員工到底消耗了多少 token。 「Tokenmaxxing」的副作用：製造錯誤激勵與資源浪費 這場思維轉變的起因，在於單純追蹤使用量往往會帶來錯誤的激勵機制。Replit 總裁暨 AI 負責人 Michele Catasta 近日在 Web Summit Rio 大會上，就強烈批評企業利用內部排行榜，根據員工使用 AI token 的多寡來排名的趨勢。 Michele Catasta 形容這種排行榜的做法「非常反烏托邦（very dystopian）」，並認為 token 消耗量與員工在公司內部產生的影響力並不成正比，是衡量員工表現的糟糕指標。他更警告，過度使用 AI 就如同出門不關燈、卻不在乎電費一樣「不負責任」，這不僅消耗更多能源，還會排擠其他公司想要建立在模型之上的應用容量。 事實上，一些美國大型企業已經意識到這個問題並開始改變做法。Amazon 在上個月取消內部的 AI 使用排行榜，因為有員工為了提升排名而刻意增加 AI 使用量，Amazon 發言人對此強調，該排行榜從來不是要鼓勵「為了用 AI 而用」。同時，Uber 營運長 Andrew Macdonald 也公開表示，他沒有看到不斷增加的 AI 成本帶來等比例的生產力提升，因此，若要將 token 消耗量與客戶價值畫上等號，仍然很困難。 [&hellip;]</p>

複製大疆、比亞迪崛起路徑，Semianalysis：宇樹科技將主導人形機器人產業

<p>人形機器人熱潮持續升溫，但市場正在出現兩種截然不同的判斷。一方面，研究機構 SemiAnalysis 認為，中國機器人公司宇樹科技（Unitree）正在複製大疆（DJI）與比亞迪（BYD）曾走過的硬體巨頭崛起路徑，透過掌握核心零組件、垂直整合供應鏈與規模化生產，建立西方競爭者難以追上的成本優勢，且「將主導人形機器人產業」。 另一方面，巴克萊銀行（Barclays）近日在 Boston Robotics Summit（波士頓機器人峰會）後發布的研究則提醒，即使製造成本持續下降，人形機器人距離真正大規模商業化仍有很長距離：安全認證、硬體成熟度、真實世界資料、運算成本與通用 AI 架構，仍是產業必須跨越的五大障礙。 中國硬體巨頭的養成公式：掌握最貴的零件 為什麼 SemiAnalysis 認為，Unitree 的策略與 BYD、DJI 有高度相似之處？該機構分析，一個成熟的中國硬體巨頭，其策略是：掌握物料清單（BoM）中最昂貴、最具挑戰性的零件，用這份掌控權累積無人能及的成本優勢，並透過自製供應鏈創造新市場。 SemiAnalysis 分析，BYD 當年從電池這個電動車最昂貴、最關鍵的零組件切入，逐步把電池、馬達、功率模組、車身、底盤等關鍵環節納入自家體系，最終建立成本與供應鏈優勢。DJI 則是先掌握飛控系統，從研究者與玩家市場起步，透過每一代硬體迭代打開新市場，從消費級空拍機一路進入測繪、巡檢、救災等企業場景。 Unitree 如何複製：以致動器為核心，從四足走向人形 SemiAnalysis 認為，Unitree 正是一個活生生的「大疆策略」案例。創辦人王興興曾是大疆員工，碩士論文做出低成本四足機器人 XDog，再以此創立 Unitree。Unitree 選定的核心零件是致動器（actuator，驅動機器人肢體的整合關節），它占人形機器人 BoM 的 50% 到 70%，正如比亞迪之於電池芯、大疆之於飛控。 Unitree 先從學術界切入：當大學實驗室在找不必花 7 到 10 萬美元以上的足式平台時，Unitree 的 Laikago 在 2018 年以 4.5 萬美元上市，A1 在 2020 年降到 1.5 萬美元，到今天的 Go2 視規格與地區落在 1,600 至 [&hellip;]</p>

為什麼消費者討厭 AI 語音客服？美國 Home Depot 用人機「黃金比例」破解傳統設計邏輯

<p>生成式 AI 進入客服產業，消費者對 AI 客服的反感情緒也浮現。根據體驗管理公司 Qualtrics 發布的《2026 Customer Experience Trends Report》，近五分之一使用過 AI 客服的消費者表示，自己沒有感受到任何好處。調查顯示，消費者甚至將 AI 客服列為便利性、省時性與實用性表現最差的 AI 應用之一。 困在 FAQ 裡的無限循環，AI 客服引爆消費者反撲 許多使用者抱怨，AI 客服最大的問題不在於「不夠聰明」，而是它經常變成企業阻擋客戶接觸真人客服的第一道牆。來自加州的消費者 Carmen Smith 就形容，自己經常陷入 AI 客服的無限循環，系統不斷重複 FAQ 內容，或持續提供早已試過卻無效的資訊，他說：「我寧願直接和真人講話。」 顧問公司 Cognizant 全球數位體驗主管 Ben Wiener 指出，AI 其實只是把企業原本的客服邏輯放大。如果企業最在意的是降低退款率、減少真人客服接手案件，AI 就會朝這個方向持續優化，最後讓客服體驗變成「如何讓顧客放棄」。 也因此，當越來越多企業導入 AI 客服時，市場開始關注另一個問題：AI 到底該怎麼用，才能真正改善服務，而不是製造新的挫折感？ COMPUTEX 2026 現在進行中！最新報導都在【TO Highlight】直擊 COMPUTEX 2026 台北國際電腦展 Home Depot 靠 AI 自然語言扁平化客服體驗 美國大型 [&hellip;]</p>

全新 TrendAI Inception Program 上線，引領下一波安全 AI 創新浪潮

<p>全球網路資安解決方案領導廠商趨勢科技(東京證券交易所股票代碼：4704)旗下全球企業AI資安領導品牌TrendAI™於今年COMPUTEX大展宣布一項全新計畫，旨在提供AI方案供應商更快速地建構、驗證並推出以「安全為設計核心」的AI產品。此計畫整合了AI資安專業、技術賦能與市場推廣支援，協助合作夥伴無需自行建立深厚AI資安能力下加速安全發展。 想看更多 COMPUTEX 動態？最新報導都在【TO Highlight】直擊 COMPUTEX 2026 台北國際電腦展 趨勢科技TrendAI™企業事業群營運長金敬秀(Rachel Jin)表示：「AI導入生產環境的速度，已超越多數組織建立相應資安防護措施的進程。隨著客戶需求增長，攻擊者的覬覦也與日俱增。許多AI開發商缺乏專職資安團隊，也缺乏保護大規模AI系統的相關經驗。我們提供獨特的專業知識，幫助這些業者更快推出值得信賴、安全可靠的AI解決方案，將創新轉化為真正符合企業需求的成果。」 AI新創企業雖然具備快速創新的優勢，但企業客戶評估導入AI時，往往更重視信任基礎、治理機制與資安成熟度。TrendAI™透過完善的AI安全與治理能力，協助企業縮短創新與信任之間的落差。 此計畫旨在協助新興AI業者，從技術賦能、AI資安權益到合作夥伴專屬福利，全面提升涵蓋模型、管線(pipeline)、代理與資料等完整AI技術堆疊的安全成熟度，具體內容包括： • AI紅隊／紫隊測試服務(享合作夥伴優惠價格)—由TrendAI™專家執行，針對提示詞注入、越獄攻擊、系統提示洩漏及工具濫用等情境，驗證AI應用程式的韌性，依據OWASP LLM Top 10及MITRE ATLAS框架提供基準測試與驗證報告，透過安全內建於設計之中，讓新興業者自信上市。 • 免費點數—提供六個月TrendAI Vision One™ AI Security免費使用權，供開發或概念驗證(PoC)環境測試與驗證。 • 整合與賦能—提供參考架構、SDK/API及整合範例，與常見AI開發框架相互對齊。 • 客戶端資安素材—提供白皮書與解決方案簡介，協助向客戶清晰傳遞AI資安價值。 • AI資安諮詢與輔導—為開發團隊提供結構化培訓與專家指導，涵蓋AI資安最佳實務、威脅意識與實作建議。 • 聯合行銷與客戶曝光—共同出席TrendAI™ Spark活動，並名列TrendAI™合作夥伴，擴大觸及範圍，與尋求合格AI夥伴的客戶建立連結。 包括GMI Cloud在內的TrendAI™合作夥伴，正建構並部署其平台，以驅動下一波AI創新浪潮。Inception Program的設計，正是直接回應AI新創企業對獲得可信資安驗證、加速企業採購的迫切需求。 GMI Cloud創辦人暨執行長Alex Yeh表示：「隨著企業將AI從實驗性應用推進至大規模部署，資安已成為AI基礎架構不可或缺的一環。GMI Cloud專注於提供可擴展的AI基礎設施與推論平台，為真實企業環境而生。我們也深知，AI在模型、代理、管線與推論工作流程等方面，帶來了全新的攻擊面。透過Inception Program，我們得以將可擴展的AI基礎設施，與TrendAI™數十年的資安專業結合，協助客戶以更高的信任、治理與運營信心部署AI，共同實現更安全、可擴展且符合企業需求的AI部署。」 由李長榮集團與長興材料共同投資、以AI為核心的工業智慧新創昂鋐科創(Ontonics Lab)營運長 翁英哲(Robin Wong)表示：「在Ontonics Lab，資安是我們產品設計哲學的根本。作為服務工業企業的AI&nbsp;原生平台，我們必須從第一天起就確保最高標準的安全性、可靠性與信任。TrendAI™的紫隊測試專家能幫助我們驗證架構、發掘原本可能被忽視的漏洞，並將在產品上市前強化平台。這項來自TrendAI™的獨立驗證，不僅提升了客戶信任，也在我們向工業企業推出AI原生解決方案的過程中，帶來了明確的競爭優勢。」 加入Inception Program的合作夥伴，將能透過TrendAI Vision One™ AI Security存取AI資安套件，其中涵蓋資料與安全態勢管理、即時掃描工具、安全存取、Agentic SIEM等多項功能。 （本文訊息由 TrendAI 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：Unsplash）</p>

黃仁勳宣布「有用的 AI 已經到來」：從 AI 工廠、AI PC 到實體 AI，全面押注代理式 AI

<p>「代理式 AI（Agentic AI）已經到來，有用的 AI （Useful AI）已經到來。」COMPUTEX 2026 台北國際電腦展與 NVIDIA GTC Taipei 在今（6/1）同步拉開序幕，NVIDIA 執行長黃仁勳發表主題演講，圍繞代理式 AI 宣布一系列重磅更新，一路從 AI 基礎設施、AI PC，談到實體 AI（Physical），為接下來的 AI 趨勢定調。 為什麼稱「有用的 AI」已經到來？ 黃仁勳以軟體開發為例指出，GitHub 的程式碼提交（commit）數量正快速增加，從 2023 年的 3 億次、2024 年的 4 億次、成長到 2025 年的 5 億次，而到了 2026 年的最初幾個月，這個數字「幾乎增加了三倍」。 他將這個增幅換算成經濟價值：全球約 3,000 萬名軟體開發者每年領取約 3 兆美元的薪資，當產出接近三倍，等於用 3 兆美元的薪資成本，撬動出約 9 兆美元的生產力。他並反駁「AI 會減少工作機會」的說法，理由是當一名工程師能創造的價值大幅提高，企業反而會想雇用更多工程師。 「AI 現在是利潤產生器，AI 現在是 GDP 產生器。」黃仁勳表示，當企業發現 AI 能夠直接創造收入，就會想建立更多 [&hellip;]</p>

當提示詞變成義大利麵程式碼：難察覺的「AI 技術債」來襲，企業如何跨越治理盲點？

<p>《VentureBeat》報導，隨著 AI 快速導入企業營運，AI 技術債正逐漸成為企業數位轉型中的隱形危機。過去二十年間，技術債通常指的是過時架構、混亂程式碼與維護不善的文件，但在 AI 時代，這樣的定義已不足以涵蓋新型態風險。業界專家指出，AI 系統的失效模式更加複雜且難以察覺，相關問題不僅存在於程式碼本身，更橫跨提示詞、模型與資料依賴關係之間，使 AI 債務比傳統技術債更難管理，也更具破壞性。 AI 系統越做越複雜，企業開始累積「新型」技術債 根據 2025 年麻省理工學院（MIT）研究，高達 95% 的企業 AI 試點專案最終未能真正投入生產環境，或產生實際商業價值。另一項由 S&amp;P Global Market Intelligence 發布的調查則顯示，2025 年有 42% 的企業中止多項 AI 計畫，較前一年的 17% 大幅增加。《VentureBeat》分析指出，許多 AI 專案失敗的背後原因，在於企業建構了過於複雜、難以監控的 AI 系統，進而快速累積 AI 技術債。 與傳統技術債不同的是，AI 債務具有高度分散與不穩定特性。過去軟體錯誤集中於程式碼層面，容易重現，因此開發者能在測試期間發現並修正問題。然而 AI 系統具有機率性，同一輸入不一定每次都產生相同結果，導致錯誤呈現間歇性。不僅增加測試難度，也使企業即使完成部署後，仍須持續監控系統，以防止模型漂移與效能惡化。 企業首先面臨的問題，來自提示詞（prompt）管理失控。《VentureBeat》說明，業界將這種現象稱為提示詞債，形容它是 AI 時代的義大利麵程式碼（spaghetti code）。由於企業在開發過程中不斷修改提示詞、臨時加入修補性指令，缺乏完整紀錄與版本控制，導致提示詞逐漸變得龐雜且難以維護。部分企業為了提升 AI 回答準確率，會將大量背景資訊直接塞入提示詞，形成所謂的提示詞資訊堆疊。這些做法雖然短期內可能改善輸出效果，但長期卻使提示詞演變成一種未經測試、缺乏管理的程式碼，大幅增加系統脆弱性。 《VentureBeat》指出，除了提示詞本身，企業對外部大型語言模型（LLM）的依賴，也逐漸成為另一項潛在風險。隨著越來越多 AI 應用建立在外部 API 與模型服務之上，企業實際上已將部分核心應用邏輯交由第三方模型供應商掌控。一旦模型版本更新，原本調校完成的提示詞可能立即失效，導致 AI 回應品質下降。由於這些模型並非企業內部可完全控制的系統，因此系統穩定性與結果可重現性等問題，變得更加明顯。 目前多數企業 AI [&hellip;]</p>

OpenAI、Google、NVIDIA 同週宣布擴大新加坡合作，部署能力正成為 AI 新戰場

<p>當全球 AI 討論仍圍繞模型能力、算力規模與資本支出時，新加坡正在用另一種方式切入競局。今年亞洲科技峰會（ATxSummit）期間，OpenAI、Google 與 NVIDIA 幾乎同步宣布擴大在新加坡的合作與投資。表面上看起來是三筆獨立合作案，但如果放在一起觀察，背後透露出的訊號或許不是誰模型更強，而是大型 AI 業者開始重新定義「市場」的概念。 過去，AI 市場意味著賣出更多模型與雲端服務；如今，更重要的是找到能共同完成導入、驗證、治理與擴散的合作國家。而新加坡，正試圖成為這樣的角色。 OpenAI 首座海外應用 AI 實驗室，輸出部署能力 其中，最受關注的是 OpenAI 宣布啟動「OpenAI for Singapore」，並承諾投入超過 3 億新幣（約 2.34 億美元），同時在新加坡設立首座美國境外應用 AI 實驗室（Applied AI Lab）。 這不是傳統意義上的研究中心，根據 OpenAI 規劃，新實驗室未來數年將雇用超過 200 名員工，核心角色之一是「前線部署工程師（Forward-Deployed Engineers）」，這是直接深入企業與機構，把前沿模型轉化成實際可運作系統的職位，目的是幫助在地合作夥伴增強商業競爭力。 這項工作的首波重點場景，包含公共服務、金融、醫療、教育與數位基礎設施，同時推動 AI 創業加速器、中高齡工程人才培訓，以及中小企業導入。從 OpenAI 的描述來看，它想輸出的不只是模型，而是一套把模型真正放進組織運作的方法。 Google 把重心放在教育、醫療與 Agent 治理 相比 OpenAI 強調 AI 應用，Google 與新加坡的合作更偏向建立長期導入能力。Google 與新加坡政府簽署新一輪「國家 AI 夥伴關係」，聚焦以 AI 解決社會挑戰、建立具備 AI 能力的人才隊伍、推動企業創新，以及建構安全 [&hellip;]</p>

AI 落地成效不佳有解！PwC 推 agentic scaffolding，改寫企業部署模式

<p>《富比士》報導，企業內部的決策正在經歷一場巨大轉變。PwC 宣布推出 agentic scaffolding（代理式架構），能協助企業落實 AI 專案的工具。此舉是 PwC 現代化其專業服務營運的一部分，公司代表估計，目前其大多數團隊都正在導入這項 agentic 轉型工具，該工具使用 Claude 4.6 與 GPT-5.5/5.4。 作為四大會計師事務所之一，PwC 對 AI 驅動的變革管理的轉向，代表企業在 AI 試點設計與部署方式上的重大轉變。Microsoft AI 執行長 Mustafa Suleyman 等產業領袖預測，未來 12 至 18 個月內，律師、會計師、行銷人員等職業中的多數專業任務，將被 AI 完全自動化，企業也正尋求更有效的 AI 部署方式以提升成果。 AI 試點為何難以規模化？PwC 指出關鍵問題 在 AI 競賽中，如何從 AI 中獲取價值對許多組織而言是一大挑戰。《富比士》提及，一份 2025 年 MIT 發布、被廣泛引用的報告指出，高達 95% 的 AI 試點未能帶來顯著投資回報，其中的原因，就是生成式 AI 工具與企業流程整合不佳。 PwC 進一步指出，企業 AI 專案之所以難以產生實質價值，常見原因包括：既有流程仍是線性、規則式設計，原本是為「人搭配簡單自動化」而設計，不是為「人治理自主 [&hellip;]</p>

人形機器人量產戰升溫！為何 Sanctuary AI 執行長預言家庭普及還要 3 到 7 年？

<p>人形機器人資訊平台 Robozaps 在 2026 年排名指南中整理指出，特斯拉正加速生產 Optimus 第三代，波士頓動力公司開發的 Atlas 已進入實際工廠作業驗證，Figure AI 則規劃 BotQ 每年生產破萬台 Figure 03，1X Technologies 也開始向早期用戶交付家用機器人 NEO，顯示人形機器人產業進入密集的商業驗證階段。 Sanctuary AI 執行長 James Wells 近日在溫哥華 Web Summit 受訪時表示，人形機器人進入家庭的時間點可能需約三到七年，且在他們對不同應用場景的評估中，「家庭」被視為最晚具備商業可行性的市場，此番言論引發關注。《Forbes》報導，市場上有 AI 與人形機器人新創公司 1X Technologies 的 Neo 等產品主打家庭應用，也有 Figure 等公司積極推進人形機器人的實際應用，但這些進展在 James Wells 看來更偏向市場敘事與行銷，而非已經跨越關鍵技術與商業門檻的成熟階段。 人形機器人瓶頸非移動能力，James Wells 點出物理 AI 難題 James Wells 用一組數字說明展示與部署的差距：工業場景往往需要 99.999% 的可重複性，但多數基礎模型目前只有 80% 表現。換句話說，機器人也許能做很多不同任務，卻還不夠穩定；若放進家庭場景，可能每五次就摔破一次杯子。James Wells 補充，Sanctuary AI 在評估機器人部署環境時，從單位經濟效益、環境複雜度、客戶成熟度與安全容忍度等多個維度進行排序，家庭場景幾乎在所有指標上都落在最後一名。這也是人形機器人距離大規模家用落地仍有距離的核心原因。 [&hellip;]</p>

停止錯誤 AI 專案才是企業欠缺的能力：MIT 揭落地規模化的三大關鍵領導角色

<p>企業對 AI 的投資持續擴大，但多數專案仍難轉化為可衡量的商業成果，背後問題往往不在於模型能力或技術選型，而在於組織架構本身。麻省理工學院資訊系統研究中心（MIT CISR）今年稍早發布的研究《引領數位創新》發現，能持續推動數位創新並實現規模化的企業，背後通常不是依靠單一 CIO、AI 團隊或「英雄式領導者」，而是建立一套由三種領導角色共同協作的治理系統。 單一英雄主管的時代已過 該研究作者 MIT CISR 研究員 Nils Fonstad、Martin Mocker 與 Jukka Salonen 指出，多數企業的數位創新之所以陷入困境，往往源於三個共同的壞習慣。 第一是將創新預算一次性全額投入，卻缺乏後續驗證機制。第二是各個 AI 專案過度獨立運作，缺乏共用平台與治理協調，導致團隊不斷重複開發。第三，則是企業把 AI 策略的責任過度集中在單一 AI 團隊或中央創新部門手中，反而形成新的組織瓶頸。 Fonstad 表示：「傳統方法在環境相對穩定時還能奏效，但在今日動態的環境中，假設任何單一領導者或單位能夠獨撐大局，根本不切實際。你真正需要的是一整個領導者網絡。」而 MIT 發現成功的數位創新企業，往往建立三種互補的領導角色，各自承擔明確責任，並共同採取「假設驅動、測試與學習」的方法推動數位創新。 領導角色 1：創新專案負責人 創新專案負責人（Initiative leaders）負責開發並營運具體的數位產品或服務，目標是讓每項創新專案對組織的策略目標有所貢獻。他們以階段性方式推進創新，持續收集關於可欲性（desirability，用戶需求是否被解決）、技術可行性（feasibility，是否能穩定規模化）與商業價值（viability，是否符合策略目標）的實證，並只有在數據支持繼續投資時才爭取下一階段資源。 該研究發現，最成功的企業通常為每個專案配置兩位共同負責人：一位來自 IT 或數位部門、聚焦技術可行性，另一位來自業務端、負責確保可欲性且評估商業可行性。 西班牙能源公司 Repsol 就採用了這種模式。該公司建立五階段資金與創新流程，並要求每個 AI 專案都必須持續提交可欲性、可行性與商業可行性的證據。五年間，Repsol 共推動 505 個數位創新專案，其中超過 76% 成功規模化落地，並帶動公司營運現金流提升 20%。 領導角色 2：共享資源負責人 MIT 認為，AI 時代另一個關鍵角色，是共享資源負責人（shared resource leaders）。這類功能性專家可能來自雲端運算、AI、資安、用戶體驗等數位領域，也可能來自人力資源、法務、風控等非數位領域，負責管理各專家團隊，協助各專案克服擴展規模時遭遇的共同障礙。 他們的工作不是直接做產品，而是為跨專案建構可重複使用的資源，包括平台、人才與標準，同時避免組織在長期運作中累積過度複雜且高風險的系統拼湊局面。 [&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>

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>

目標 2030 財年實現機器自主運作：軟銀、本田等四大日本巨頭結盟瞄準實體 AI

<p>據《Nikkei Asia》、《The Japan Times》及《nippon.com》等多家外媒報導，軟銀（SoftBank）已在日本成立一家專門開發 AI 的新公司，名為「日本 AI 基礎模型開發」（Nihon AI Foundation Model Development），由 NEC、本田汽車（Honda Motor）、索尼集團（Sony Group）共同領銜，四家企業各持股逾 10%。 除了四大主要股東之外，三菱 UFJ 銀行（MUFG Bank）、三井住友銀行（Sumitomo Mitsui Banking）、瑞穗銀行（Mizuho Bank）、新日鐵（Nippon Steel）及神戶製鋼（Kobe Steel）也已以少數股東身份參與投資，另有數家企業仍在洽談出資事宜。此外，東京 AI 開發商 Preferred Networks 也將共同參與模型建構，預計約有 100 名 AI 開發工程師加入團隊。 目標兆級參數，打造日本最強 AI 模型 這家新公司的核心目標，是在 2030 年以前開發出參數規模達約 1 兆的大型 AI 基礎模型，成為日本國內最具規模的 AI 之一。參數數量是衡量 AI 性能的重要指標，規模越大代表模型的處理能力越強。除了文字之外，該公司也計劃強化模型處理圖像、影片與音訊等多種資訊類型的能力。 在分工上，軟銀與 NEC 將負責基礎模型的開發，索尼與本田則計劃將開發出的 AI 應用於汽車、機器人、遊戲及半導體等不同領域。 「實體 AI」是關鍵，2030 [&hellip;]</p>

【科技早餐】軟銀獲 400 億美元無擔保貸款，支應對 OpenAI 的 300 億美元投資計畫

<p>【科技早餐】今天精選 8 則國內外重要科技新聞。 ＊SoftBank 借 400 億美元加碼 OpenAI，持股上看 13% 根據外媒最新消息，軟銀已取得 400 億美元過渡性融資，主要用途是支應對 OpenAI 承諾的 300 億美元追加投資，以及其他一般企業用途。這筆貸款為軟銀集團歷來規模最大的單一美元計價融資，無擔保、期限 12 個月，承辦銀行包括摩根大通（JPMorgan）、高盛（Goldman Sachs）、瑞穗銀行（Mizuho Bank）、三井住友銀行（Sumitomo Mitsui Banking Corp）及三菱日聯銀行（MUFG Bank）。 這筆融資也讓軟銀在 OpenAI、Arm 與星門計畫（Stargate Project）之間的 AI 佈局更清楚。不僅凸顯了軟銀創辦人孫正義對 AI 未來的大膽押注，更讓軟銀在 OpenAI 總投資額攀升至 646 億美元，持股比例將一舉攀升至 13%。 ＊黃仁勳將在 Computex 發表主題演講，傳 NVIDIA 將展出筆電處理器 外媒報導，隨著 AI PC 熱潮升溫，NVIDIA 正準備在 2026 年推出專為消費市場設計的筆記型電腦處理器，這也將是 NVIDIA 首次正式進軍長年由 Intel 與 AMD 主導的消費型 [&hellip;]</p>

AI 用電暴增，核能卻還困在「類比時代」：微軟、 NVIDIA 如何用 AI 與數位孿生改寫核電交付流程？

<p>當 AI 資料中心擴張、製造業升級與供應鏈重組同步發生，企業對全天候、穩定且低碳電力的需求也持續激增，在這樣的背景下，核能一再被視為可以支撐未來用電的關鍵選項。然而，一直以來核電廠卻面臨「蓋得太慢」的致命傷，正如微軟全球能源與資源產業企業副總裁 Darryl Willis 所言：「全球正競相滿足歷史性的電力需求激增，但核能產業使用的卻是為類比時代所建置的基礎設施管線，核能是支撐這個未來不可或缺的骨幹，產業卻仍深陷在交付瓶頸中。」 這個交付瓶頸，源自於核電專案在前期就面臨高度客製化的工程、彼此斷裂的碎片化資料，以及大量仰賴人工作業的法規與安全審查。這些因素共同拖慢了許可（permitting）、設計（design）與施工（construction）的進度。微軟更進一步指出，光是許可與監管申請流程就可能耗時數年、耗費數億美元，工程師還得花上數千小時撰寫、交叉比對、格式化、搜尋與重做成千上萬頁的文件。 因為前期開發太慢、資訊難以整合且流程難以重複利用，讓核電專案常常還沒進入施工，就已暴露在效率低落、進度延宕與成本膨脹的巨大風險中。為了解決這些痛點，微軟近日宣布與 NVIDIA 展開「AI for nuclear」合作，一口氣整合了 NVIDIA Omniverse、Earth 2、CUDA-X、AI Enterprise、PhysicsNeMo、Isaac Sim 與 Metropolis，試圖把 AI、模擬與數位孿生（Digital Twins）導入核電開發流程，從許可、設計、施工一路延伸到營運端，全面重整這條長期低效且難以加速的產業鏈。 微軟與 NVIDIA 的解法：用 AI、模擬與數位孿生進化產業鏈 微軟將這次與 NVIDIA 的合作，定義為打造一套由 AI 驅動、彼此互聯的基礎架構，目的是將核電廠的選址許可、工程與設計、施工與交付，以及營運和維護，串成一條可追蹤的生命週期。 例如在許可階段（Licensing and permitting），生成式 AI 將接手繁雜的文件起草與差異分析，並整合所有專案資訊，同時依據歷史申請格式建立一致的申請資料，讓專家與監管人員能把時間重新放在判讀安全法規，而不是消耗在比對數千頁的文字與版本差異上。 接著在設計階段（Design and engineering），高擬真數位孿生與模擬工具可讓工程師加快迭代速度，因為團隊能在動工前先完成設計驗證、重用已驗證過的工程模式，並即時掌握極細微變更對整體模型帶來的影響。 進入施工與交付階段（Construction and delivery）後，除了傳統 3D 模型，再加上 4D（時間排程）及 5D（成本追蹤）模擬還能讓團隊在正式動土前，先在虛擬環境中建造整座電廠，並透過 AI 與數位孿生即時比對現場實際進度與數位計畫，讓延誤與排程衝突提早被發現，同時避免昂貴且反覆的重工。 最後在營運與維護階段（Operations and maintenance），由 AI 驅動的感測器和營運數位孿生可持續監測設備表現、及早偵測異常，並支援預測性維護以提升正常運行時間，不過微軟也強調，最終控制權仍牢牢掌握在人類操作員手中。 這整套解決方案的目的，並不是取代核能產業原有的安全紀律，而是讓原本分散、難以重複利用的工作流程，變得更可追蹤且可預測，同時在絕不犧牲安全的前提下大幅縮短開發時間。 AI 為核能新創與國家實驗室帶來的具體效益 [&hellip;]</p>

11 家科技巨頭為何罕見聯手？國際刑警組織示警：AI 正把金融詐騙推向工業化

<p>Google、Amazon、Meta、Microsoft、OpenAI 等 11 家科技巨頭近日簽署一項新的反詐協議，承諾分享詐騙者如何濫用其服務的威脅情報。 根據 FBI 統計，2024 年消費者因詐騙與網路犯罪造成的損失已超過 160 億美元，美國政府近期甚至發布行政命令，指示關鍵政府機構必須將打擊國際詐騙集團列為優先事項。同一時間，國際刑警組織（INTERPOL）在最新發布的《2026 Global Financial Fraud Threat Assessment》（2026 全球金融詐欺威脅評估）中也特別警告，金融詐欺已成為全球最嚴重且演變最快的跨國犯罪之一。在這樣的背景下，11 家科技公司罕見聯手，也反映出詐騙問題早已超出單一平台可處理的範圍。 11 家科技巨頭為何罕見聯手？詐騙早已跨平台、跨服務運作 在聯合國全球反詐高峰會（UN Global Fraud Summit）前夕，Google、Microsoft、LinkedIn、Meta、Amazon、OpenAI、Adobe、Pinterest、Target、Levi Strauss &amp; Co. 與 Match Group（Tinder 與 Hinge 的母公司）等 11 家企業，共同簽署一份名為「Industry Accord Against Online Scams &amp; Fraud」的產業協議。這份協議不僅希望建立打擊詐騙者的合作規範，也試圖推動產業界與政府、執法機關及非政府組織（NGO）展開聯合應對行動。 這份協議的承諾內容包括：加強與同業及執法機關針對跨國犯罪網路的資訊共享、部署包含 AI 在內的新防禦工具，以更快偵測詐欺並為使用者導入新的安全功能、要求對平台上的金融交易進行更強的驗證以確保雙方合法性，以及提供使用者更清楚的詐騙通報管道，同時呼籲各國政府正式將「防範詐騙」列為國家優先事項。 「我們無法單獨解決這個問題，」Google 消費者信任體驗副總裁 Karen Courington 直言，業界必須團結應對。Amazon 全球買家風險預防副總裁 Scott Knapp 也指出，詐騙者很少只在單一平台上活動，往往會同時跨越多種服務展開同一場騙局，例如先在交友軟體上配對毫無防備的目標，再於社群平台上持續進行傳訊與操控。 此外，各大企業也坦言目前面臨的防禦瓶頸。Meta 安全政策與反詐欺全球主管 Nathaniel [&hellip;]</p>

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

不賣軟體給律師，Lawhive 如何以 AI 重構流程讓律師收入最高達傳統 2.8 倍？

<p>2025 年，當多數法律 AI 新創還在思考如何把軟體賣給律師事務所時，英國新創 Lawhive 走了一條完全不同的路：它不賣軟體，而是自己成為律師事務所。 2026 年初，Lawhive 剛完成由丹納赫公司共同創辦人 Mitch Rales 領投的 6,000 萬美元 B 輪募資，資金將用於擴展美國市場。 Lawhive 的初衷是讓法律服務普及化 Lawhive 的模式與 Harvey 等法律 AI 公司有相當大的差異。Harvey 的商業模式是 B2B：開發 AI 工具，然後賣給既有的律師事務所，讓律師自行決定如何使用。Lawhive 則跳過這一層，它自己就是一間完整的律師事務所，直接面向終端消費者提供法律服務。 從接案、研究、文件草擬到帳務處理，整套流程都由 Lawhive 自建的 AI 平台驅動。目前 Lawhive 約有 500 名律師透過其平台執業，律師透過 Lawhive 在英國與美國多個州的受監管法律實體執業。 這套被 Lawhive 稱為「消費者法律 AI 作業系統」的平台，同時處理法律工作與後台流程。前端，它將文件擬稿、法律研究、案件管理自動化；後端則處理客戶檔案、開立帳單、行政排程。 可以說，AI 不只幫律師工作，而是推動律師事務所運作。 從賣工具到自建律所：Lawhive 的平台化策略 不過 Lawhive 並非一開始就走這條路。執行長 Pierre Proner 坦言，公司最初嘗試將自動化軟體銷售給傳統小型律師事務所，結果處處碰壁，因為這些事務所對採用新技術都抱持著懷疑態度，部分原因是擔心如果案件處理時間縮短，難以向客戶證明收費的正當性。 [&hellip;]</p>

銀行業為何警報大作？Kraken 獲聯準會主帳戶，美元清算窄門正在被打開

<p>加密貨幣交易所 Kraken 終於跨過了加密產業多年來夢寐以求的門檻：直接接入美國聯準會（Fed）的核心支付基礎設施。《CryptoSlate》將此舉形容為「一場更大政策轉向中的試點」，因為聯準會目前正試圖定義一種「更窄版」的央行接入模式，也就是允許特定機構連接關鍵的清算服務，卻不必然賦予其傳統 Fed 帳戶的完整權益。 Kraken 的案例之所以挑動傳統金融與監管的敏感神經，是因為長久以來，聯準會主帳戶（master account）不僅是央行貨幣清算的專屬入口，更是美國金融體系中最具分量的接入特權。近年，隨著新型態銀行特許模式的興起，監管機構被迫面對更棘手的核心問題：非傳統金融機構究竟能不能直連聯準會？如果可以，權限又該開放到什麼程度？在川普政府誓言讓美國成為「世界加密首都」的政策氛圍中，這項核准被支持加密產業的共和黨參議員 Cynthia Lummis 形容為數位資產史上的「分水嶺」。 Kraken 拿下 Fed 主帳戶，成首家直連支付基礎設施的加密銀行 Kraken 於 3 月 4 日正式宣布，旗下獲懷俄明州特許的銀行 Kraken Financial 已成功取得聯準會的主帳戶（master account），成為美國史上首家直接接入 Fed 支付基礎設施的數位資產銀行。 這項歷史性的核准意味著，Kraken 未來能直接透過 Fedwire 等核心支付軌道清算美元，徹底擺脫過去對傳統中介銀行（sponsor banks）的依賴。Kraken 強調，這種直連模式不僅能大幅降低營運成本與系統複雜度，更能讓機構客戶以更快、更高效率的方式調度法幣資金。 然而，這項特權並非毫無限制。根據聯準會的確認，Kraken Financial 此次是以「第三級（Tier 3）」實體的身份獲准，取得的僅是初始期限為一年的「限制用途帳戶（limited-purpose account）」。 面對這項帶有條件的核准，Kraken 採取了穩健的推行策略。官方表示，服務將以「分階段（phased rollout）」形式上線，初期將集中資源促進機構客戶的交易活動，後續才會在與監管機構的密切協調下，逐步將直連功能整合至母公司 Payward 更廣泛的基礎設施中。 為何加密產業想直連 Fed？要掌握美元流動主導權 《CryptoSlate》分析，大多數加密公司的美元支付目前仍依賴少數幾家合作銀行來提供接入更大金融體系的管道。這造成一個結構性的弱點：當這些傳統中介銀行改變風險偏好、面臨監管壓力，或是決定降低對加密客戶的曝險時，即便市場需求依然強勁，加密交易所與穩定幣公司也可能瞬間失去關鍵的支付通道。 這種情況在監管審視趨嚴或銀行業面臨壓力期間反覆發生，導致許多加密公司在最基本的美元流動上依然高度依賴中介機構。因此，「直接清算（direct settlement）」不僅能大幅降低對中介的依賴，更讓 Kraken 得以直接參與平均每日處理超過 4 兆美元資金移轉的 Fedwire 關鍵跨行支付系統。對 Kraken [&hellip;]</p>

如何利用 Apigee 跨越運維鴻溝，打造穩健的數位價值鏈？

<p>殘酷的現實：為什麼 30% 的 GenAI 專案註定失敗？ 產業研究資料庫 Gartner 近期拋出震撼彈：截至 2025 年，有超過 30% 的 Generative AI 專案在概念驗證(PoC)階段後宣告失敗。這場「創新夭折」背後的頭號殺手，並非模型不夠聰明，而是企業無法承受的運維成本與風險控制缺失。 這組數據的意義，在於打破企業內部的 GenAI 專案人人嚮往、為之狂熱的概念，因為 GenAI 專案自然有其風險和挑戰。許多企業發現，實驗室裡完美的模型，一旦接入真實流量，立刻面臨深不見底的「API 運維鴻溝」，包括：不可預測的 Token 成本、波動劇烈的系統延遲（Latency），以及供應商的速率限制（Rate Limits），讓原本的創新應用瞬間變成昂貴的技術負債。 此刻的決勝關鍵，已不再是誰的模型參數量更大，而是誰能構建一條穩定、可觀測且具備成本效益的「AI數位價值鏈」(AI Digital Value Chain)。 從實驗室落地到商業場景的「智慧路由」 而要跨越從 PoC 到大規模生產環境（Production）的鴻溝，Apigee 扮演了關鍵的「智慧路由」角色。它不僅是 API Gateway，更是企業 AI 治理的中樞神經，特別是在資源分配（Distribution）與 Token 用量限制（Usage Limits）上，協助決策者解決最棘手的營運難題。 1. 精準分配：把好鋼用在刀刃上 透過 API Product 的封裝策略，Apigee 讓企業能精準地控制「誰能使用什麼模型」。企業可以針對內部開發者、合作夥伴或 VIP 客戶設計客製化的服務級別，例如： 這種策略確保高價值的算力資源被高效分配（Distribution）在最關鍵的商業場景裡，進行精準打擊。 2. 強力防禦：拒絕「獨佔資源的惡鄰效應（Noisy Neighbor）」 在防禦層面，Apigee 提供了企業級的速率限制（Rate Limiting）與防範尖峰流量（Spike [&hellip;]</p>

DeepSeek 帶起的骨牌效應：中國開源 AI 模型如何重塑全球 AI 創新格局

<p>過去一年，中國開源 AI 走到了一個關鍵轉折點。自從 DeepSeek 在 2025 年 1 月推出 R1 推理模型後，中國企業接連端出效果逼近西方先進模型、價格卻低得多的新模型，讓開源模型不再只是研究社群的玩具，而是從 Hugging Face 一路滲透到矽谷產品線、企業內部工具與新創技術堆疊的核心。 《MIT Technology Review》形容，這波變化之所以值得警惕，不只在於中國模型成了取得前沿 AI 能力最便宜的選擇，更可能改變創新發生的地點，以及誰來制定技術標準的權力結構。背後關鍵原因是越來越多中國公司選擇開源，讓全球開發者可以下載、部署、研究與改造，而不是像多數美國閉源模型一樣只能付費用 API、卻看不到模型內部細節。 就在近日，中國公司 Moonshot AI 發表了最新的開放權重模型 Kimi K2.5，在部分早期基準測試中，其表現已接近頂級閉源 AI，例如 Anthropic 的 Claude Opus，而兩者差別在於 K2.5 的價格僅約 Opus 的七分之一。一項近期的 MIT 研究更發現，中國開源模型的總下載量已經超過美國模型。 中國開源模型正在變成全球 AI 基礎？ 中國開源模型的擴散，不只停留在下載排行榜。《MIT Technology Review》直接點名，這股採用潮正在矽谷浮現。創投 Andreessen Horowitz 合夥人 Martin Casado 就在社群平台 X 表示，在使用開源技術堆疊的新創提案中，大約有 80% 機率正在跑中國模型。另一個指標是 OpenRouter 的 [&hellip;]</p>

AI 能耗到底怎麼算？Sam Altman 駁 ChatGPT 高耗能傳言，強調應以「每次回答」的效率作為比較基準

<p>OpenAI 執行長 Sam Altman 近日在 2026 印度 AI 影響力高峰會（India AI Impact Summit 2026），針對 AI 造成環境影響的議題發表看法，直接回應外界對 AI 耗能與用水量的質疑。 Sam Altman 在會中表示，網路上流傳所謂「每次查詢 ChatGPT 要耗 17 加侖水」的說法是完全不真實且毫無關聯的，並提到過去資料中心的確曾使用蒸發冷卻技術（evaporative cooling），但現在已經不再如此。 此外，當被問及「一次 ChatGPT 查詢等於 iPhone 充電 1.5 次」的說法是否正確時，Sam Altman 明確回應：「不可能那麼多。」他更進一步引用自己過去發布的數據指出，平均一次 ChatGPT 請求大約只會消耗 0.34 瓦時（watt-hours）的電力，以及約 0.000085 加侖（大約十五分之一茶匙）的水。 在反駁網路流傳的單次耗能與耗水數字後，Sam Altman 隨即把焦點轉向更核心的問題：AI 能耗到底該怎麼「公平比較」？ Sam Altman：AI 能耗討論「不能只看訓練」，比較基準應回到「每次回答」的效率 Sam Altman 認為，外界將 AI 視為生態災難的敘事，以及針對 AI 耗能的種種批評，在比較基準上往往是「不公平的」。他指出，人們經常拿「訓練一個如 GPT-4 [&hellip;]</p>

為什麼 AI 還不適合當理財顧問？MIT 揭 AI 從數學弱點到缺乏同理心的關鍵盲點

<p>隨著生成式 AI 工具愈來愈常被用來查詢投資、稅務與理財問題，有更多人開始把聊天機器人當成隨手可問的財務助手。根據投資平台 eToro 近期的一項調查，已有 19% 的散戶投資人開始使用類似 ChatGPT 的 AI 工具來管理投資組合，高於 2024 年的 13%。 然而，麻省理工學院（MIT）斯隆管理學院金融學教授 Andrew Lo 提醒，目前市面包括 ChatGPT、Microsoft Copilot 等主流大型語言模型，並非以擔任財務顧問為目的進行設計或訓練，因此現階段仍不適合作為可靠的理財建議來源。 Andrew Lo 強調，這些模型還無法擔任真正的「受託人（fiduciary）」角色，因為 AI 無法將客戶的最佳利益放在首位、根據個別情境量身打造建議，同時 AI 並不真正具備同理心，因此無法理解投資人的財務目標或個人處境，但這正是財務顧問最核心的職責。此外，大型語言模型在數學運算上並不擅長，這在需要精確運算的財務規劃中是一大問題，未來仍需要將數據處理的工作交給專業的財務軟體。 AI 作為理財顧問的關鍵限制 Andrew Lo 直言，AI 模型就像數位的「缺乏同理心的社會病態者」。正因為 AI 語氣高度流暢且自信，使用者很容易忽略 AI 並未真正理解自身處境的事實。因此 Andrew Lo 也警告：「人們現在使用的 AI 可能是危險的，特別是當使用者沒有完全意識到大型語言模型的偏見、不準確性及其他限制時。」 為了解決這個問題，Andrew Lo 目前正致力於開發一款免收費、專為理財設計且具備「受託人」資格的 AI 顧問。他也提議將過去所有的金融法規與詐欺法院判例輸入模型中，以教導 AI 模型金融倫理，並透過專門的模組來產生同理心與公平感的「類比（analogs）」特質。 即便學界仍在嘗試為 AI 理財設計補救方案，市場的反應卻已經提前出現。近期，英國如 St James’s [&hellip;]</p>

AI 設計的東西不再一捏就碎！MIT 新系統讓 3D 列印物品既美觀又堅固

<p>麻省理工學院研究人員指出，AI 模型無法理解實體物品的「結構」與「強度」，因此開發新系統 MechStyle，結合 3D 列印技術，既能利用 AI 客製化外觀設計，還可同時確保產品耐用度。</p>

陳立武的背水一戰！英特爾宣布進軍 GPU，能否挑戰 NVIDIA 霸權地位？

<p>在生成式 AI 帶動資料中心運算需求爆發之際，陷入轉型壓力的英特爾正試圖重返 GPU 市場，為自身尋找新的成長引擎。英特爾執行長陳立武近日在 Cisco AI Summit 上宣布，公司已聘請一名 GPU 首席架構師，推動開發 GPU。 陳立武表示，這次挖角並非一蹴可幾，而是花了一點時間說服對方加入團隊。他告訴《Reuters》， GPU 計畫將瞄準資料中心，英特爾正在與客戶密切合作，並確認客戶的需求。 《CNBC》指出，陳立武的發言，正值英特爾持續面臨多重挑戰之際，包括核心 CPU 業務市佔率下滑、晶圓代工業務虧損擴大，以及來自傳統競爭對手與新興業者的競爭日益激烈。 從消費級顯卡走向 AI 加速器 這並非英特爾首次涉足 GPU 領域，過去幾年，英特爾曾以 Arc 系列切入獨立顯卡市場，但相關產品多被視為偏向消費級定位，難以與資料中心級 GPU 抗衡。如今重新布局 GPU，被外界視為一次「押上未來」的戰略轉向。 根據《Reuters》報導，陳立武已確認新任 GPU 架構師將主導資料中心晶片開發，並直接向資料中心業務高層回報。《IT News》指出，這顯示英特爾此次並非只針對現有 GPU 技術進行漸進式改良，而是準備投入龐大資源，開發全新架構，以優化現代 AI 應用所需的工作負載。 英特爾的市場機會 過去三年，因為生成式 AI 的快速成長，GPU 市場的經濟結構出現劇烈變化。根據 Constellation Research，陳立武在演講中強調，企業客戶對 AI 的採用速度持續加快，帶動對專用運算硬體的長期需求，而 GPU 的供應能力也成為吸引客戶的重要競爭關鍵。 《WebProNews》分析，這波需求激增，造就了一種罕見狀況：NVIDIA 幾乎可以把所有生產出來的 GPU 以高價賣出，高階晶片甚至要等好幾個月才能交貨，而這對英特爾來說，這同時是機會也是警訊。 一方面，市場急需替代供應商，只要能提供穩定貨源與較合理價格，即使效能稍弱，也有機會搶下一部分市占；但另一方面，這個市場機會不會永久存在：隨著台積電與三星擴大先進封裝產能、NVIDIA 供應鏈逐漸成熟，目前的缺貨狀況可能緩解，屆時後進者要打進市場，難度將大幅提高。 球員兼裁判的雙面刃：自有產品與代工業務的平衡難題 [&hellip;]</p>

SAS、伊雲谷、勤業眾信探索 AI Agent 如何重塑新金融場景

<p>根據 MIT Technology Review Insights 報告指出，未來 3 到 5 年是金融業邁向「自主銀行」的關鍵階段，已有不少金融機構加入 AI 協作作業流程。如美國著名金融機構 JPMorgan Chase 所使用的 EVEE 智慧問答系統，是該行內部的文件助理與客服輔助工具，協助行員減少案件處理時間並提升資源配置效率；Bank of America 的虛擬助理 Erica 每月處理約 5,800 萬次互動，有效達成 98% 自主解決客戶查詢，無需人工介入的成效。 金融業的 AI 競爭力戰場，已從「知識檢索」的被動對話 AI，轉向具備自主執行力、高韌性且能主動代理業務的 AI Agent，金融機構如何構建一套支撐 AI Agent 大規模運作的現代化架構與治理體系？ 在 TechOrange 科技報橘近期所舉辦的「科技風暴金融高峰論壇」現場，邀請科技夥伴共同拆解 AI Agent 在金融業實務落地與現代化資安防禦等核心議題，協助金融業佈局下一波成長引擎。 SAS 如何以 Agentic AI 重塑金融行銷新賽局 「如何從行銷的角度切入，幫助整個銀行銷量業務的 Growth Engine （成長引擎），是金融產業轉型非常重要的一個環節。」SAS 架構技術顧問喬俊森將消費金融業務從行銷的角度拆解問題。過去銀行多處於「被動」接收客戶訊息，依賴資料庫進行批次行銷，而 SAS 所主張的「主動即時」行銷決策，將 AI 嵌入自動化流程，將捕捉到的客戶信號轉化為行動，加速核貸效率，讓 [&hellip;]</p>

有錢也買不到工程師？英國豪擲 10 億升級國防 AI，卻撞上人才斷層

<p>在地緣政治不穩與軍事科技快速升級的背景下，英國政府正以前所未有的規模推動國防產業轉型；從人工智慧、網路安全到感測與決策系統，全面加碼投資。 然而，當政策藍圖逐步成形、資金持續到位，國防產業卻面臨一個困境：能撐起這場科技轉型的年輕技術人才，並未同步進場。 人才缺口不是短缺，而是結構性斷層 英國政府已明確將國防科技，列為國家安全與經濟成長的雙重支柱。政府宣布投入 10 億英鎊發展 AI 戰場系統，並成立新的網路與電磁司令部，顯示國防現代化不再停留於口號層級。 然而，產業現實與政策想像之間，仍存在明顯落差。英國國防產業面臨的並非單一職缺不足，而是橫跨教育、產業與勞動市場的結構性斷層。 首先是 STEM 人才供給長期不足。英國在網路安全、人工智慧與資料科學等關鍵領域，持續面臨畢業生數量不足的問題，而國防產業又必須與金融、科技等高薪產業競爭同一批頂尖畢業生。在薪資、福利與職涯想像上，國防往往不具優勢。 其次，教育體系與產業需求之間的落差，也限制了潛在人才的即戰力。許多學校缺乏與國防產業合作的資源，難以提供與實際應用相關的實務訓練，使得畢業生即使具備理論基礎，仍需長時間再培訓才能勝任職務。 倫理焦慮與產業形象是年輕世代的心理門檻 對許多年輕工程師而言，是否進入國防產業，早已不只是職涯選擇，而是價值判斷。一部分畢業生坦言，對參與可能涉及致命技術的研發感到不安，即便他們理解相關工作僅佔整體產業的一小部分。 招募顧問觀察到，Z 世代在職涯選擇上，普遍更重視使命感、社會回饋與環境價值。國防產業長期承載的道德爭議、社會支持度下降與多樣性不足問題，使其在年輕族群中的吸引力持續受限。 組織僵化與老化勞動力，加深吸引力落差 除了價值層面的顧慮，實際工作型態也影響人才流向。部分年輕工程師擔心，進入大型國防承包商後，將長期維護設計壽命動輒數十年的舊系統，而非投入前沿研發、設計或驗證工作。 同時，國防產業正面臨勞動力老化的現實。隨著經驗豐富的專業人士逐步退休，新血補充速度卻未能跟上。此外，遠距工作機會增加，也降低了人才搬遷至倫敦、曼徹斯特或布里斯託等國防產業聚集地的意願。 脫歐後，更嚴格的移民與簽證制度，也讓英國從歐洲吸引技術人才變得更加困難且成本高昂，進一步壓縮可用的人才池。 產業策略轉向：從「招人」到「養人」 面對長期且複雜的人才斷層，國防產業正嘗試調整策略。企業逐漸意識到，僅依賴畢業生與退伍軍人，已不足以支撐未來需求，因此開始擴大招募對象，吸納轉職者與非傳統背景人才。縮小英國國防技能缺口的可能路徑包括： 國防競爭力，取決於是否能重建人才信任 整體而言，英國國防產業面臨的挑戰，早已超越單純的薪資或職缺問題，而是一場涉及教育、價值認同、制度摩擦與產業想像的長期調整。 政府的投資規模與就業藍圖，已為產業鋪好跑道，但能否真正起飛，仍取決於是否能說服下一代技術人才，這些技術值得投入，這個產業願意培養人，而不只是使用人。 在國防支出持續攀升、地緣風險不斷升高的時代，國防產業真正的關鍵競爭力，或許不在預算數字，而在能否重新定義自身的角色——不只是為戰爭而生，而是為社會、為未來培養值得信任的技術能力。 【推薦閱讀】 ◆ 讓老舊戰車秒變 AI 戰將！ARX Robotics 設計 Mithra OS 成國防專用 AI 大腦◆ Google 與 Palantir 同登美軍 AI 戰略版圖：從行政運作到潛艦建造，商用 AI 成為國防生產力工具◆ 美國國防 AI 新勢力：Shield AI 憑什麼成為繼 Anduril 後最受矚目的新創？ ＊本文開放合作夥伴轉載，參考資料：《BBC》、Talent Locker，首圖來源：Unsplash （責任編輯：鄒家彥）</p>

【科技早餐】微軟拉警報：中國在 AI 落地速度上已超前西方

<p>【科技早餐】今天精選 7 則國內外重要科技新聞。 ＊微軟拉警報：中國在 AI 落地速度上已超前西方 微軟總裁 Brad Smith 最近公開指出，在部分 AI 應用與實際部署方面，中國已經在非西方市場取得領先優勢。報告指出，開源、低成本 AI 模型的擴散，加上中國政府大規模補助，使相關企業能更快進入商業與公共場景，推動 AI 技術落地。 報告也顯示，全球生成式 AI 工具在 2025 年第四季的使用率達到全球人口的 16.3%，但已發展國家與發展中國家的差異仍在擴大。Smith 強調，若美國企業不加強資料中心、基礎設施與人才培訓，AI 鴻溝可能加劇全球經濟不平等。 ＊OpenAI 百億美元押注推論算力，AI 戰場轉向即時運算 OpenAI 宣布未來幾年將投入超過一百億美元，向美國 AI 晶片公司 Cerebras 採購大規模算力資源，用於支撐 ChatGPT 等大型模型的推論運算，整體功率達七百五十兆瓦。合作預計從 2026 年持續到 2028 年，目標是打造全球最大等級的 AI 推論平台，以提升即時互動與回應效能。 Cerebras 晶片採用晶圓級架構，在一塊晶片上整合大量運算、記憶體與頻寬元件，並標榜可以容納 4 萬億顆電晶體。這次合作也是 OpenAI 算力供應鏈多元化策略的一部分，尋求在推論效能與成本上提供 NVIDIA 以外的替代方案，顯示 AI 競爭重心正從訓練擴張逐步轉向推論效率與持續運作的能力。 ＊微軟在 Anthropic AI 上年花費接近 [&hellip;]</p>

不怕網路、星鏈中斷！Bitchat 如何突破伊朗、烏干達斷網封鎖，成為當地重要生命線？

<p>隨著全球地緣政治局勢升溫，網路封鎖已成為政府控制資訊流動的常見手段。近期，在烏干達與伊朗接連出現大規模網路封鎖之際，一款名為 BitChat 的離線通訊 App 意外竄紅，成為民眾的救命稻草。 在烏干達總統大選前夕，當局以防堵假訊息與選舉風險為由全面關閉網路，《Reuters》引述市場研究公司 Apptopia 數據報導，BitChat 在今年非洲國家的 App Store 與 Google Play 下載量已超過 2.8 萬次，迅速攀升至排行榜榜首，較前兩個月成長近 4 倍。類似情況也出現在伊朗，當地政府為壓制抗議活動而實施網路封鎖、衛星服務干擾，BitChat 也成了替代溝通管道，使用量於該國增加了 3 倍多。 不靠網路的通訊，正在重新被驗證 BitChat 由 Twitter 共同創辦人 Jack Dorsey 參與開發，核心概念是在沒有伺服器、沒有帳號、沒有網路的情況下仍能傳訊。這款 App 透過 Bluetooth mesh 技術運作，訊息會在鄰近手機之間接力跳轉，形成一個去中心化的臨時通訊網路。使用 Bitchat 的人越多，傳遞的效率就越高。 這種去中心化、不需登入、無伺服器的設計，讓通訊在政治和技術上都更難被單點阻斷，也讓它在高風險環境中具備吸引力。該專案以 MIT 授權釋出，使其能在全球範圍內被複製、審計與改造。 儘管藍牙型通訊服務的普及程度不及 WhatsApp 或 Apple 的 iMessage 等即時通訊軟體，但《Reuters》觀察，多年來，隨著各國政府越來越頻繁實施網路封鎖，這類通訊服務早已成為抗爭者的重要替代選項之一。 舉例來說，2020 年香港示威期間被廣泛使用的 App Bridgefy，採用的技術就和 BitChat 相同。2021 年緬甸政變，Bridgefy 在當地的下載量也超過了 [&hellip;]</p>

從搬運工到國家安全節點：人形機器人競賽升級，Foundation 將技術推向地緣政治的火藥庫

<p>過去幾年，全球數百家人形機器人新創公司相繼投入研發，多數聚焦於工業、物流與家庭服務等民用場景。無論是 Tesla Optimus、Figure AI 或中國的宇樹科技，主流敘事圍繞的核心議題始終是「如何取代重複性勞動」與「如何讓機器人進入日常生活」。 然而，矽谷新創 Foundation 正在開闢一條截然不同的路徑。他們不僅瞄準製造與物流市場，更明確將美國軍方列為目標客戶，計畫讓旗下人形機器人 Phantom 攜帶武器並投入作戰，成為最早公開瞄準致命軍事應用的人形機器人新創之一。 當其他廠商還在思考如何讓機器人搬運箱子或組裝零件時，Foundation 執行長 Sankaet Pathak 在受訪時表示，Phantom 的軍事用途可能走向「由非致命任務逐步過渡到可搭載武器」的路線，但強調致命行動仍需要人類決策在迴路中，他說，「如果你是第一個進入戰場的單位卻毫無威脅性，敵人根本不會暴露自己。也就是說，機器人必須具備致命能力才有戰術價值。」 這種定位的轉變，意味著人形機器人不再只是效率工具，如今已經開始觸及國家安全與地緣政治的敏感地帶。 Foundation 為何能跑這麼快？ Foundation 成立於 2023 年 5 月，總部位於舊金山與慕尼黑，創辦人 Pathak 曾是金融科技公司 Synapse 的執行長。公司成立僅 18 個月，便已完成開發生產型機器人，並在合作夥伴場域執行實際生產任務，Foundation 對外主打「開發與落地節奏很快」，並以短時間內完成可執行任務的機器人作為賣點。 這種執行效率來自兩項關鍵收購：一是 AI 技術團隊，二是新一代致動器技術（Actuator），兩者大幅壓縮了研發週期。 在硬體層面，Phantom 採用滾動齒輪裝置，取代傳統的諧波減速機 (或諧波齒輪)，能源效率據稱達到 90% 至 95%，遠高於競爭對手的 50% 至 60%。這種設計帶來更高的力矩密度，使機器人具備約 20 公斤的負載能力，同時減少發熱與磨損，並讓機器人在人類附近操作時更加安全。 感知系統方面，Foundation 選擇跟隨 Tesla 的策略，僅使用攝影機而不搭載其他感測器，目的是降低系統複雜度。軟體層面則採取混合式 AI 架構，結合模仿學習（Imitation learning）與狀態空間模型（State-Based Models），後者明確納入物理、運動學與任務動態知識。公司稱這種方法，讓機器人在 30 [&hellip;]</p>

AI 資料中心搶水搶電搶土地？川普施壓奏效，微軟拋電費全吞等 5 大承諾

<p>儘管 ChatGPT 引發了人們對 AI 的熱情，但並非所有社群都樂於接受 AI 背後的實體基礎設施。隨著各大科技巨頭迅速興建資料中心，Data Center Watch 研究揭露，自去年第二季度以來，全美各地對資料中心的反對聲浪「急劇升級」。統計顯示，僅在 2025 年 3 月至 6 月期間，就有價值高達 980 億美元的資料中心專案因遭到社區強烈抵制而被迫延遲或取消。 這股反對力量主要源自於當地居民對資源消耗的擔憂。《GeekWire》引述美國政府數據指出，在維吉尼亞州、伊利諾州與俄亥俄州等資料中心重鎮，居民電費在過去一年內飆漲了 12% 至 16%，遠高於全國平均，原因是電網營運商爭相為大型新基礎設施增加容量。此外，AI 運算所需的龐大冷卻用水以及土地佔用問題，也讓許多社區從原本歡迎科技投資，轉變為激烈的「鄰避效應」（NIMBY）。這種跨越黨派的民間怒火，正在迫使科技巨頭重新評估其基礎設施的擴張策略。 川普先放話，微軟把承諾端上桌 在反對潮升溫之際，美國總統川普昨日在社群平台 Truth Social 發文，表示不希望美國人因資料中心而支付更高電費，並稱政府正在與「主要美國科技公司」合作，確保他們對美國人民做出承諾，強調科技公司必須「pay their own way」（自己買單）。他也點名微軟，稱其將做出重大調整，讓美國人不必為資料中心的電力消耗成本買單。 隔天，微軟正式公布回應方案。微軟總裁兼副董事長 Brad Smith 表示，微軟推出以「community first」（社區優先）為核心的 5 大做法。 首先，微軟承諾自行負擔其資料中心的全部電力成本，並與公用事業與監管機構合作，確保成本不會轉嫁到住宅用戶。Smith 提到，威斯康辛州的「超大型客戶」費率架構可作為參考架構：資料中心需支付其用電的完整成本，包括為支援大客戶而必須進行的電網升級。 其次，微軟也承諾不再向地方政府要求財稅優惠、將全額繳納地方財產稅；在用水方面，除了目標到 2030 年提升 40% 用水效率，也提出「補充量高於使用量」的水資源回饋方向；在人力與社區面向，微軟將與北美建築業工會合作培訓在地技術人力、擴大其資料中心學院（Datacenter Academy）的營運與訓練規模等，並在學校、圖書館與商會推動 AI 教育與訓練、設立社區諮詢機制。 資料中心不再只是工程問題，而是「社會授權」競賽 Smith 在《GeekWire》訪談中坦言，產業過去常用保密協議購地，以避免地價上漲並維持競爭優勢，但這種讓社區「最後一刻才知道誰要來、要做多大」的模式，已不再是可長期運作的路徑。他承諾提高透明度，並指出未來能在資料中心領域取得成功的公司，取決於是否能與地方建立穩定且健康的關係。 這波資料中心反對潮正在改寫科技巨頭的資料中心策略。一方面，政治訊號更加清楚。《華爾街日報》指出，川普將「降低生活成本」納入政治議程，並把資料中心電力議題放進「美中 AI 競賽」的敘事之中。換言之，AI 要贏，但不能讓民眾電費失控。 [&hellip;]</p>