Day 1 場次筆記 ─ 9 月 9 日

01 · 施崇棠 —— 華碩

【KEYNOTE】台灣AI競爭力的戰略定位與實踐

以「算力 × 模型 × 應用」三角優勢架構台灣的主權 AI 戰略，主張台灣不必也不該正面追趕美中超大規模平台競賽，而應靠工程優化能力與可信中立定位，成為可信賴、可落地、場景導向的國家 AI 品牌。

• AI 2.0 三年變化 — 2023 為「AI shock 元年」、2024 為「AI 商業價值顯現年」、2025 為「AI 主權與數位治理轉折點」（開源模型成熟＋AI 手機／AI PC 落地＋地緣政治供應鏈重組）。
• 世界四大路線 — 美國＝模型與平台霸權；中國＝全面封閉＋開源模型並行；歐洲＝合規導向；日本＝場域應用策略。台灣定位＝工程優化能力＋可信中立。
• 算力工程能力 — GPU 系統產品全球近 9 成市占，具備從資料中心到 edge 的系統整合能力，已能自建、設計、營運 AI 超級電腦，並開始為海外客戶打造主權 AI 基礎設施。
• 模型工程能力 — 在地語境優化、產業化微調，讓開源模型變成可控可信的主權 AI。
• 應用導入能力 — 完整 ISV／SI 生態，可快速落地製造、醫療、金融、零售、物流等場域。
• 客語主權模型 — 客委會自 2021 年起編列預算建置客語資料庫，華碩利用台灣杉二號（國網中心超級電腦，9 PFLOPS）算力訓練出「聽得懂、講得出」的客語 AI 主權模型。
• 智慧醫療 CPS — 與台北榮總、台大新竹醫院合作的社區智慧醫療雛形「OmniCare Plus」，100% SaaS 架構，結合 Zenbo 機器人與生成式 AI 做遠距照護，含中英台語混雜的居家語音助理。
• 台智雲（華碩集團關聯企業，與台積電無關）AI Foundry — 提供 GPU VM、bare metal 模型代工，以 oneAI 平台支援訓練與微調，核心競爭力在針對客戶 workload 優化 MFU（Model Flops Utilization）。

台灣並不是要與美國、中國、歐洲、日本直接比拼超大規模的平台競爭，而是要靠算力、模型、應用三角優勢，建立一個可信賴、可落地、場景導向的國家 AI 品牌。

02 · 陳伶志 —— 台灣人工智慧學校

共築AI生態：AIA年度足跡與未來展望

回顧 AIA 過去一年的政策倡議、人才認證與國際連結成果，並在演講尾聲正式宣布與政治大學、逢甲大學、南臺科技大學合作成立北中南三處人才認證區域中心。

• 2025 年關鍵字是「累」 — LLM 發展速度從「幾個月一個模型」加快到「每個月都有新模型」；模型能力持續攀升的同時體積反而變小，使 AI 加速滲透到邊緣裝置。
• 模型成本持續下探 — 最新最聰明的模型價格已低於 2022–2023 年初代 ChatGPT，等於「不再有拒絕使用 AI 的藉口」。
• DeepSeek 於農曆年間引爆全球對開源模型的討論，證明開源模型智商不輸封閉模型。
• 校友數已突破 1.3 萬人，強調「重質不重量」，並擴大與大型企業做客製化深度合作（了解企業文化後客製課程，而非直接套用教材）。
• 校長孔祥重院士 5–6 月主持「國家 AI 政策對話」工作坊，連續 4 週、每週一次，每次指定約十幾二十篇論文（甚至整本書）研讀，參與者多為教授與政府高層。
• 今年舉辦兩場論壇：春季論壇聚焦 DeepSeek 崛起與開源模型；夏季論壇首度移師台南，回應南部產業聚落需求，兩場皆座無虛席。
• 正式宣布：與政治大學（北北基）、逢甲大學（中彰投）、南臺科技大學（雲嘉南）合作成立三處「人才認證區域中心」，讓考生不必再舟車勞頓至台北應試。

只要你想用 AI，你就可以在身邊擁有自己的 AI。

03 · 侯宜秀 —— AIA

國際合作與負責任 AI 教材報告

在台上公開自己已於 9/1 卸任 AIA 秘書長、即將接任政府職務（政策論壇中陳正然證實為數位發展部政務次長）的身分轉換，並報告 AIA 過去一年的國際連結成果，包括入選 Meta「AI Opportunity Fund」亞太策略夥伴，以及與 Meta 合作開發的「負責任使用與開發 AI」全民素養教材。

• 基金會創立史：最早一封相關 email 是 2017/8/21 由陳昇瑋博士寄出，草擬宗旨與章程；八年來累積近 400–500 位老師、1.3 萬名校友。
• Meta「AI Opportunity Fund」計畫 — 涵蓋亞太 8 個國家、10 個策略夥伴、49 個在地訓練夥伴；台灣人工智慧學校是台灣唯一策略合作夥伴，並與 OneForty、開拓文教基金會、國立臺南大學三個在地夥伴合作，目標受益人數超過 1.5 萬人。
• 透過此計畫將服務對象從「連結科研與產業」延伸到移工、中南部勞工、大學生、教育工作者、NGO/NPO、中小企業工作者，定位為「AI for all」。
• 「負責任使用與開發 AI」教材採敏捷式開發，目前已迭代到第 9 版，每版都拉到社群與專家 review；形式包含簡報、教學手冊、情境測驗，涵蓋 AI 原理／機會／風險，並納入台灣在地案例。
• 教材分三個由淺入深版本，合作培訓機構達 14 個，目標觸及 20 萬名台灣人（她自估約為台灣人口的 1%）。
• 她的主張：各國 AI 治理立法（歐盟、美國、中國、日本、韓國）若缺乏「負責任使用與開發」的基礎知識素養，法條再完備也難落實。

I'm worried you work too hard.Meta 合作方對 AIA 團隊工作強度的回饋

04 · 論壇 —— 人工智慧政策，台灣的選擇

三位分別代表政府、外交／智庫、產業視角的講者，圍繞「資源有限下 AI 政策該如何取捨優先順序」展開。

蘇俊榮 —— 政府視角

• 今年 7 月總統要求成立公務機關人才培訓中心，核心任務即推動 AI 導入。
• 主張 AI 導入公部門要「落地深耕」而非只是「落地掘土」；點名會議記錄產生器、公版智能客服系統（數發部推動）、公文寫作輔助等具體場景，強調避免各機關重複開發造成資源浪費。
• 舉「繳稅」「領補助」為例：主張福利應由政府主動依身份判定資格發放，人民不必再自行申請、跑多個機關驗證；並用「拔耳毛」比喻 —— 該做的行政流程優化要讓民眾「感受不到不舒服」。
• 已在 22 個縣市宣導 AI 應用，並將「是否運用 AI 創新／前瞻研發」納入公務機關績效考核指標。

陳正然 —— 產業／國際視角

• 全球僅美國、（部分）中國、台灣三個股市因 AI 顯著受惠：台股數年上漲近 3 倍，市值一度逼近德國、約排全球第 9，但台灣 GDP 全球排名僅約 20–21 名，形容為「非常特別」的落差。
• 引用 Eric Schmidt 2024 年史丹佛演講評語：台灣是「a fantastic country, whose software is terrible」但硬體「amazing」；並轉述其私下觀點 —— 台灣 AI／軟體人才即使全部投入台積電也不夠，因為英特爾、三星、華為都是 AI 高手。
• 「看不見的 AI」概念：全球最具影響力的 AI 模型高度集中在美、中兩國的 9 家巨頭；美國七大科技公司市值合計已超過中國全年 GDP，佔標普 500 總市值 25–30%；提出「新 G11」說法（美中兩國＋7 家美國公司＋2 家中國公司決定全球 AI 走向）。
• Nvidia 一家市值已超過英國全年 GDP；企業動用市值投資的靈活度比政府調整 GDP／國防預算快 10–100 倍。
• 台積電、聯發科、鴻海三家合計投資研發經費約占全台可投資經費 90% 以上，是「世界上少見高度集中在少數企業」的經濟體，制定政策須貼合這個結構性事實。
• 三大機會：台積電 600–700 家供應商整廠海外遷徙時「直接導入自動化／AI 轉型」的千載難逢窗口；去中供應鏈重組讓台灣資通訊業承接機器人／無人機關鍵零組件角色；高齡化社會「黃金十年」，效法日本、德國用機器人與外國人力填補缺工。
• 三大挑戰：資用落差（多為中小型內需知識服務業，5–10% 生產力提升「無感」）、繁中模型優化不足、25–35 歲 AI 人才因少子化與 M 型化結構性短缺。

簡立峰 —— 三項政策倡議

1. 政府帶頭成為「最會用 AI 的政府」 — 建議成立跨部會 AI 應用推動委員會。兩個具體支點：強化 AI 輔助的實證式（evidence-based）行政決策（以近期南部風災為例，質疑氣象局新超級電腦與微氣候站點資料是否已充分導入防災資源調度與保險理賠自動核定）；政府服務全面「一站式」，藉此倒逼跨機關法規調適。
2. 建立台灣的資料信託（data trust）制度 — 比較英國 Open Data Institute 的 bottom-up 模式與日本立法信託銀行的 top-down 模式，主張台灣可發展「第三條路」；並提出政府應要求所有政府出資科研計畫繳交 raw data（推動 open scientific data），例如自駕車蒐集的交通資料也可用於城市規劃。
3. 全民 AI 普惠（Token 普發） — 若 AI token 將成為一種 currency，政府可考慮分階段（先中小學生，再擴及一般國民／中小企業）普發 AI token，並藉此培育中介平台新創生態，同時記錄使用行為以優化政策；引 Andrew Ng：「會用 AI 的人會取代不會用 AI 的人」。

台灣是世界上這 198 個國家裡頭，唯一擁有「看不見的 AI」優勢的 —— 就是硬體。陳正然

05 · 盧佳成 —— 台灣思科

「AI易筋經×華山論劍」掌握企業數位內外功

用「內功（AI 算力基礎建設）× 外功（應用治理與資安韌性）」的武俠比喻，說明企業要規模化導入 agentic AI，必須先把資料中心打造成「AI-ready」並強化動態安全防護。

• 每一波成功的科技迭代（網際網路、行動化、雲端、AI）都需滿足五要素：降本、增效、減存、使用者體驗提升、創新模式發展 —— AI 已明顯滿足其中至少三項。
• Evident AI Banking Index（全球 200 大金融集團 AI 能力調查）：JP Morgan 第一，Morgan Stanley 第二，兩者分數相差一倍；亞洲僅 DBS 星展銀行入榜。
• 花旗集團 2024 年報：四大業務線共 7 大業務種類中已有 28 個完全以 AI engine 提供服務，已邁向 agentic AI。
• 企業導入三階段：雲端 PoC → 隨 token 成本上升轉向地端 → 以每分鐘 250 個推理請求估算，約 1.5–2 年地端建置成本即可打平雲端 token 成本。
• Cisco 內部統計：AI 推論流量每月成長約 40%，年成長率高達 46 倍；每個 agentic engine 平均對語言模型有 8–14 次重複確認請求。
• 資料中心五大痛點：算力成本高、缺電、走向分散式（租賃算力中心／電信商 colo）帶來的網路管理課題、資安、資料（AI 的燃料）。
• 資安治理需從 pre-defined segmentation 進化到 dynamic segmentation，再到 behavior-based segmentation —— 模型一旦被污染即時隔離受影響應用。
• Cisco AI 伺服器機構重新設計以支援全氣冷，避免企業為導入 AI 被迫改建液冷機房；並與 AMD 合作 DPU 做動態應用行為式微分段，亦可部署於 NVIDIA BlueField DPU。
• 2025 年 6 月發布「Agentic Ops」：把所有 Cisco 軟體功能轉為一個個 AI engine，打造生成式動態維運平台，每位維運人員可有個人化 dashboard 並支援多人協同。

AI 已經不再是 nice to have 可有可無的選項了，這場轉變基本上已經不可避免了。

06 · 張合翕 Frank Grunert —— 西門子台灣

以西門子數位雙生與工業AI加速台灣智慧製造

以德國海尼根啤酒廠、瑞士 Zug 淨零建築、美國電網商、台灣默克／錼創／和大等實際案例，說明「數位雙生 + 工業 AI」可大幅節能減碳、縮短試運轉時間並提升良率，呼籲台灣加快導入腳步。

• 減碳急迫性：全球製造業佔 CO2 排放 30%，建築業 37%（人類 90% 時間待在建築物內），能源業 75%；台灣三大排放源（能源、住商、製造）合計佔全台碳排 84%。
• 研究顯示結合數位雙生與工業 AI 有望減少全球 120 億噸 CO2（相當於全球 570 億噸 CO2 當量排放的 20% 以上）。
• 海尼根 — 建立完整產線數位雙生後發現 70% 能耗集中於特定製程階段，優化後單廠節能 20%、CO2 減少 50%，現已推廣至全球逾 15 座廠區。
• 西門子瑞士 Zug 園區 — 完全以數位雙生完成設計、模擬空調／暖氣／氣流後才動工的淨零建築，可容納 1,700 人，營運零碳足跡。
• 美國 AEP（最大輸電系統商） — 用數位雙生打破規劃、維運、維護部門間的資料孤島，強化電網韌性、支援再生能源與儲能整合。
• 西門子 AI 布局歷史悠久：1970 年代已研發類似 ChatGPT 雛型的自然語言問答系統（受限於當時硬體未能延續）；1980 年代已將影像辨識用於郵件分揀機；目前 4.2 萬項專利中 1,800 項與 AI 相關，全球 3 個 AI 實驗室、1,500 名 AI 專家。
• 2025 年砸 150 億美元收購 Altair 與 Dotmatics，強化材料力學／動力學數據庫，提升數位雙生模擬精度。
• 台灣案例：默克高雄新廠以數位雙生模擬試運轉，乾跑時間減少達 50%；錼創（Micro LED）導入 Simcenter／Simatic 模擬器提升良率與早期異常偵測；台中和大工業、Goodway Machinery 導入自適應控制監控系統，AI 即時依感測器數據調整刀具參數。
• 電網案例：德國客戶導入 Dynamic Line Rating，以機器學習依即時氣候動態調整輸電線路載流上限（過去以年度最高溫設定保守固定值），同一線路輸電量可提升 20%，且無須額外硬體投資。

撇開流行詞彙，我們該問自己真正要解決什麼問題。

我們得動作更快，現在可能還不夠快。

07 · 林彥良 —— 勤業眾信

Agentic AI驅動企業邁向Scalable AI

以工業革命發展史類比 AI 演進階段，主張企業導入 AI 不能只停在「高價值個案（PoC）」，必須走完「模組化 → 大規模部署」的規模化路徑，且真正瓶頸在策略共識、流程盤點與人才轉型，而非資料與科技平台本身。

• 前三次工業革命（蒸汽機、電力、電腦化／自動化）分別花了約 70～150 年才成熟；「工業 4.0」概念自 2011 年至今僅約 15 年，AI 發展至今也才十餘年，仍處早期階段。
• 科技是服務企業的工具，重點不在用了什麼模型或 GPU，而在企業的「營運流程」與「管理邏輯」—— 導入 AI 前必須先做流程盤點與疏理（比喻：買衣服要嘛改衣服、要嘛練出適合這件衣服的身材）。
• Deloitte 每季全球 AI 應用調查：企業普遍期待 AI 提升效率與生產力，但實務上初期成本反而會提高（需要更多算力平台與高階人才），並非立即省錢。
• 引用 WEF 報告：未來就業市場將快速出現新職能，企業招募對象將更多是「AI 賦能後的員工」。
• 規模化最大障礙是「資料」：尤其在 data sensitive 情境下，如何從有限授權存取擴大到全公司可用的資料保護機制。
• 越來越多董事會關注 AI 議題（好事），但普遍缺乏 AI 專家與溝通訓練、缺乏衡量指標，建議企業主動與董事會做前置溝通。
• AI 治理仍沿用「三道防線」架構，不會因 AI 而變成四道防線，但真正稀缺的是能治理 agentic AI 的專業人才。
• 2025 年 4 月 Deloitte 人才報告：80% 企業希望敏捷快速、80% 員工希望穩定。
• 案例：Deloitte 美國替美國勞動部分析 GenAI 對教育、製造、法律服務三產業的影響 —— 教育界老師改用 GenAI 寫課綱（而非僅禁止學生使用）；製造業人機協作效益尚不顯著，但能降低高風險作業（搭配無人機、機器狗）；法律服務業可減少搜尋檢索人力，但仍需專業人士做最終分析與驗證。

這次 AI 你真的不要再錯過了，因為這基本上是對於我們未來 50 年整個企業發展裡面最關鍵的一個點。

80% 的企業希望敏捷快速，然後 80% 的員工希望穩定。

08 · 龔化中 —— 國家資通安全研究院

與未知握手：在生成式浪潮時代打造值得信任的AI

用「霍格華茲黑魔法防禦術」比喻生成式 AI 的資安風險，從訓練、使用到系統整合三階段拆解 LLM／Agentic AI 可能「失控逃脫」的具體攻擊手法與防護對策。

• AI 令人擔憂的三個理由 — AI 大幅驅動新型態犯罪、AI 模型與系統本身風險大、AI 進步速度太快（「3 歲小孩一下就長到 180 公分」）。
• AI 驅動的新型網路犯罪 — 製作 ransomware 從約一週縮短到估計約 20 分鐘；找到軟體漏洞從數天縮短到約 1 小時。將 AI 攻擊比喻為「資安戰場的無人機」：低成本、高效能、不對稱、可大規模部署、可精準打擊；門檻降低使「駭客即服務」興起。
• 資料投毒 — 不只是常見的標籤錯誤（貓標成狗），更危險的是「故意」的錯誤標籤攻擊，例如將他人臉部資料混入門禁辨識系統的合法名單中。
• 後門觸發 — 以 2024 年黎巴嫩呼叫器爆炸事件類比：模型若被植入特定「通關密語」，講出觸發詞後便執行預藏行為；若又搭配 Agentic AI／MCP 連接到可操作實體系統的場景，風險將被放大。
• 幻覺實例 — 請 ChatGPT 整理 OWASP LLM Top 10 風險表格，結果只有前兩項正確，其餘皆為「拼湊不同年份版本＋自行編造」，条理分明到足以假亂真。一旦接入銀行 AI 客服講錯利率／匯率，將產生法律、品牌信譽、監管壓力。
• 真正的風險是間接提示詞注入而非直接注入 — 外部資料（郵件、網頁、摘要文件）中藏有隱藏指令（如白底白字），LLM 讀取時被誤導執行；主要風險場景是 LLM 整合進郵件摘要、文件系統、客服系統等自動化流程。
• 系統整合四類風險 — 雲端 vs 地端、RAG（機密外洩與權限分層難題）、MCP（工具誤用與工具中毒雙向風險）、Agentic AI。只要讓 LLM 能操作 command line，等於賦予它「做任何事」的能力。
• Guardrail 防護框架 — 過濾輸出入、監控行為與政策、落實最小權限、支援人機協同。建議優先參考 Meta 的 Llama Firewall，整合 Prompt Guard（專門小模型，CPU 可跑）、Llama Guard（約 12B）與 MCP/plugin 控制。
• 治理核心原則 — 透明、可解釋、可停止（要有紅色緊急停止按鈕）。
• 國家資通安全研究院提供 AI 評測系統，目前免費，並有專為台灣情境設計的完整測試題目。

越獄手法：依實測有效程度排序

AI 就像魔法，大家來上課學了各種新技巧，可以做出很多以前想不到的事，所以上完課你就從麻瓜變成了魔法師了。但霍格華茲裡面最重要的一門課叫黑魔法防禦術 —— 因為 AI 如果使用不慎，它就會變成黑魔法。

09 · 魏士鈞 —— 瑞昱半導體

自主系統進化論：關鍵架構與台灣優勢

主張台灣的機器人／自主系統機會不在於打造更聰明的雲端大腦（System 2），而在於用半導體優勢打造低功耗、低延遲、可硬體化的反射式「System 1」感測—致動迴路。

• 重新定調問題 — 與其追問「能不能做出像人一樣的高智慧自主生物」，不如先問「能不能做出一個可以自主活下去的 AI being」：不談智慧，先談「活下去」與「自主完成期待任務」，這就是台灣的機會。
• 兩大核心技術難題，各自預估要花 5 年 — autonomous proprioception（自主本體感知）與 generalized reflexive system（泛化反射系統）。
• 演化類比 — 生物智慧提升靠神經連結複雜度，但演化過程受限於「平衡性」（不平衡就會被淘汰滅絕）；現行 AI 訓練缺乏這種演化式的平衡約束。本質是把「碳」的演化經驗移植到「矽」載體上，須借鑑生物演化的平衡機制而非忽視它。
• 高維流形（manifold）解讀 — LLM 把各類資料（詩詞、音樂、法律…）都投影進同一個高維流形空間，本質上像「多重人格分裂」的個體；下一個 token 的產生取決於流形中不同「力量」對 token 空間的牽引，只要能控制這個影響力，就能控制模型輸出。
• Embodiment 系統需要回饋迴路（feedback loop）才能維持穩定（控制理論的基本要求），但現行 foundation model 本身不具備這個機制，必須額外建構。
• VLA 發展簡史 — 2022 年 Google RT-1 首開先河，將動作編碼為 transformer 中有意義的特殊 token；後續加入軌跡資訊；再擴展到 22 種載體訓練並開源；近期最受矚目的是 NVIDIA Isaac GR00T N1，其 System 1／System 2 架構呼應《快思慢想》。缺點是 System 2 須先完整理解 context 才能產生足夠 latent vector 供 System 1 決策，導致反應「慢半拍」。
• 學習方法比較 — Imitation Learning 能快速學會高機率常見情境，但學不好低機率突發事件；Reinforcement Learning 能處理突發情境，但單獨使用時調適時間非常久。兩者混合是目前系統架構設計的一大難題：RL 太強會把系統整個拉走、太弱則系統仍只依賴原本的常識反應。
• 提出 System 1.0 – 1.x 層 — 在現行 robotic foundation model 之下切出一層，只做感測—致動迴路，可硬體化或半硬體化，確保如「球飛來就自然閃開」的反射動作快速、極省能。
• 蒸餾（distillation）是關鍵 — 先在雲端大系統中找到「平衡」與達成 purpose／task，再蒸餾下放：把聰明大腦壓縮到像蜜蜂大腦一樣的規模（僅數千萬神經元）也能飛得穩、能覓食；而非由下而上拼裝組合。
• 人形機器人兩大未解難題 — 能耗與自主性。若不夠自主（阿公阿嬤不會用），量做不大、成本降不下來；若靠超大腦拉高自主性，功耗又降不下去，導致如 Tesla Optimus demo 中「聽到指令想 3-4 秒才動作」的窘境。

你即便 ChatGPT 可以告訴你怎麼騎腳踏車，事實上它是不知道什麼是騎腳踏車的。

只要是高階的 transformer 系統（System 2），它就一定會發生幻覺 —— 因為它是對未來還沒發生的東西做反應，它本身就在「腦補」。

如果你們擔心 AI 機器人會傷害人類，有一個困境要先解決：AI 機器人要能夠覺得痛苦。AI 現在是不知道痛苦的，沒有痛苦就不會有同理心。

10 · 張智星 —— 玉山金控

如何使用AI於金融防詐

分享如何用 AI（警示帳戶預測、ATM 車手影像辨識、信用卡盜刷偵測）打擊詐騙，並展望跨銀行「金融無塵室」資料協作的未來式打詐架構。

• 模型每週重新訓練，採 champion／challenger 雙模型並行測試一週才切換上線。
• 工具 — XGBoost、LightGBM、交易圖上的 community detection 與 centrality、Gemini 1.5 Pro。
• 「金融無塵室」概念與金融科技產業聯盟（中信／玉山／凱基／國泰）指向不揭露原始資料的跨行協作。

使用 AI 來對抗詐騙是必要手段，而且也是唯一手段。

這件事情不單是與時間賽跑，而且是一場矛與盾的戰爭。

11 · 陳敦和 —— 資拓宏宇

GenAI與AI Agent發展脈絡與案例分享

從理論、模型、應用三個面向系統性回顧 GenAI 發展脈絡與 2023–2025 三大趨勢（AI agent／AI coding／流程自動化 n8n），並分享公司在政府、金融、醫療領域的 RAG／Agent 落地案例。

• 已上線的公部門與醫療案例 — 氣象署「雲市問天氣」、工程會法規知識庫、數發部開放資料語意查詢、智慧城市車流辨識、醫療護理交班輔助系統。未附具體成效數字。
• 涵蓋的工具版圖 — Word Embedding、Transformer、RAG、MCP、Google Agent-to-Agent、function calling、n8n、Dify、LangChain、text-to-SQL、GPTs、Ollama、Open WebUI、Perplexity，以及台灣模型 TAIDE、聯發科 Breeze、鴻海 FoxBrain。

跟模型溝通其實就是跟人溝通一樣。

12 · 梁文隆 —— 佐臻

探索AI+AR眼鏡背後的尖端技術

剖析 AI 眼鏡的「近眼顯示」是人類文明以來最重要的顯示器革命，拆解光學（幾何 vs 波導）、晶片、人機介面三大技術瓶頸，並分享與鴻海結盟打造 AR 供應鏈聯盟的策略布局。

• 展示眼鏡規格 — 第一代 all-in-one 47 克；示範機種 43 克、720P 彩色顯示，支援翻譯、導航、空間影像辨識，透過無線連結手機作為 edge computer。
• 目標規格 — Light engine 體積 < 0.5cc；整機重量 < 40 克。
• 波導光效率 < 1%，遠低於幾何光學 —— 這是光學架構選擇的核心取捨。
• 涉及的技術版圖 — LCOS、Silicon OLED、microLED、Lumus、DigiLens、Seiko（精工）、Qualcomm AR1、eye tracking、hand tracking、IMU、6 DoF。

AR 跟 AI 就像 digital twin 一樣，一體兩面，是沒有辦法分開的。

誰解決了那個很 friendly 的 UI/UX，誰就是下一個 Apple —— Touch 也不是他發明的，但他的 UI/UX 做得很好。

13 · 蕭安助 —— 和碩

人工智慧代理與數位孿生推動製造業自主化

以自己十多年前用 Q-learning 做相機自動對焦、到近年用 digital twin 訓練機器人的親身歷程，說明企業導入 AI agent 要優先挑「意願高且技術可行」的綠區任務，並強調唯有長期投資基礎建設才能持續累積數位資產、逐步提升自主化程度。

• 用自家真實數據呈現 AI agent 使用高度破碎化的現況（「試了就陣亡」），並引三篇論文解釋原因 — Salesforce 論 MCP 工具數與準確率、Google DeepMind 論 RAG 維度限制、OpenAI 論亂猜比拒答分數高。
• 選任務用 Stanford「WorkBank」論文的兩軸法 — x 軸「人是否想要 AI 幫忙」、y 軸「技術可行性」。只做右上角「綠區」，左上角「研發區」保留資源等技術成熟。
• 實績 — Issue 整合 agent 準確率 97.7%（只接 5 種簡單工具）、瑕疵根因 agent（IC 載板案例）準確率 94%。
• Supervisory control — 引 1978 年 MIT 論文（潛水載具遠端遙控研究）：直接遠端操控會遇到 latency 問題，解方是人類只下達方向目標、設備自身處理細節控制，並延伸類比企業赴海外設廠的管理 latency。
• 世界模型三條路線 — generative-based（NVIDIA Cosmos、Google Genie）、Meta 的 JEPA、Meta 近期結合影片與 LLM 的 world model。

不要忘記，最終最終還是人在做 supervisory control。

Intelligence is the computational part of the ability to achieve goals.John McCarthy，講者引用作收尾

14 · 陳智杰 —— 廣運集團

透過導入AI、數位孿生、Physical AI來實踐系統整合

分享公司從 2D 圖檔一路演進到 NVIDIA Omniverse／OpenUSD 數位孿生的 13 年歷程，強調物理正確性讓機器人訓練做到「無三貴」，並展示今年代理的德、日人形機器人陣容。

Physical AI 是在模擬當中被誕生出來的。虛擬環境是這個 physical AI 機器人的一個 training 的場地。

Physical AI 正在等待它的軟體時刻。

15 · 陳聖華 —— 台達研究院

以數位孿生賦能AI工廠

重新定義「AI Factory」的典範轉移（從智慧製造走向「AI 生產智慧」），說明數位孿生如何在 Smart Design Copilot、NPI 試產線調校、資料中心節能三大場域中扮演加速器角色。

• 數位孿生的四種角色 — 資料增產器／演算法沙盒／虛實連結／回饋引擎。
• 台達定位是 AI 資料中心的 power solution 供應商，非 GPU／CPU 廠商。
• 生成式設計的人機協作目標 — 先做到約 85%「符合人的想像」，才逐步引入 10–15% 的創新驚喜設計。
• 涵蓋技術 — 代理模型（surrogate model）、NPI 試產線 generator／adjuster、黑盒／白盒調機策略、機聯網、深度學習求解偏微分方程式（物理資訊神經網路概念）。
• 未提供具體節能百分比或試產週期縮短天數等量化成效。

每一家公司都是一個 AI 工廠。黃仁勳，講者引述並吐槽其潛台詞是「每家都要買他的 GPU」

量產的時候數位孿生能夠做的事情其實不太多 —— 如果你要看很像的，你就看實體就好了嘛；數位孿生真正派上用場的，其實是試生產的階段。

16 · 蔡政霖 —— 台灣人工智慧學校

賦能中小企業產業AI化如何引爆台灣的商業創新

用「大腦模型 → 助手（Workflow）→ 代理人（Agent）→ 協作團隊（Agentic Workflow）」四個譬喻，把 AI 概念一次講清楚，並示範多個中小企業可直接複製的低成本落地案例。

用不用 AI 已經不是選擇題，對中小企業而言是生存的議題。

公司內的資料，是最重要最重要的燃料。

17 · 林明旺 —— 東豐纖維

紡織廠Agentic AI應用

東豐纖維（Nike、Adidas 長期供應鏈夥伴）用近 10 年累積的 IoT／SCADA／Big Data，搭配深耕紡織產業語言的 AI 新創開發 LLM Agent，目標是讓廠長「三分鐘內」問出昨夜生產異常前三大主因，並把老師傅經驗與跨國（台／泰／印尼／越南）異常排除知識沉澱下來。

• 工廠規模 — 約 1,000 台織布機；目標把異常查找時間從半天（10 點到中午）壓縮到 3 分鐘內。
• 產業背景 — 因關稅、大陸壓低訂單等因素，台灣紡織已轉向「小量多樣化」生產，無法再靠大量訂單支撐。
• 推動方式 — 自 9/1 起要求所有 ISO 表格全面系統化，「阿旺不簽、經理不簽」。一開始有反彈，3–5 個月後員工反而不願再手寫紙本。
• 技術組成 — IoT、SCADA、Big Data、地端 LLM Engine、NL2SQL。

找一個最痛的點，先玩。玩成功了，我們可以再進行下一步；失敗了，最差也就如此。

今天要在紡織產業做很紮實的老師傅，如果可以跟這個博士生結合，1 加 1 碰撞出來的火花，會打死多少人？

18 · 李昆謀 —— 91App

AI Agent於零售業的三個應用

把零售業導入 Agent 的路徑歸納為三大方向 —— 對內效率化（Hire more agent）、對客銷售介面（Build agent service）、迎接消費者派出的代理人來買東西（Ready for agent）—— 並用電商上架自動化、AI 客服店長兩個實戰案例拆解背後的 Agent 架構設計。

• 瓶頸 — 電商上架欄位填寫：15,000 欄位 ≈ 15 萬秒 ≈ 2,500 分鐘 ≈ 約 11 工時／週。
• 演化史 — 初版全填 98% 覆蓋但正確率僅約 50%；加「無信心不打」規則後覆蓋率降至 50%、正確率提升至 90%；要求每個欄位寫理由再升；最後把品牌「潛規則」抽成 Rule Engine 直接跑 CPU、不用 AI。最終組合：Rule 40% + AI 50% + 人工 10%，效率提升 10 倍。
• 架構 — Auditor 把關輸入輸出、Operator 拆解意圖派工、Composer 彙整回覆、Context Manager 維護 system prompt 與對話歷史摘要。關鍵是 Evaluator 獨立在對話流程之外，事後批次評分交人類主管審查。
• GEO（Generative Engine Optimization）是 SEO 的新對應物 —— 未來 AI 為入口的世界如果找不到你，等於你在 Google 搜尋裡不存在一樣嚴重。

AI 幫你做完了，你還要去檢查賣場檔，come on，你給我擺的還比較快。形容一開始正確率過低反而降低效率

今天已經是人人都會 hire 一個 AI 助理來跟你買東西的時代。

19 · 陳宜昌 —— 聯發創新基地

利用開源模型打造AI Agent實現產業助手

介紹 MediaTek Research 開源的 Breeze 系列繁中模型家族在旅遊業（可樂旅遊）與 LINE 的實際落地成效，系統化拆解「如何用開源模型架設 AI Agent」的 Context Engineering 方法論，並以可樂旅遊行程規劃 Multi-agent 系統作完整案例演練。

• Breeze ASR 開源兩三個月內下載量達 12 萬次。
• 可樂旅遊護照 OCR — 50 個原本 OCR 錯誤的案例中，Breeze 2 表現優於 Gemini（模型量級小很多）。
• 可樂旅遊 Chatbot RAG — 3,000 筆問答，Breeze 對比專家回答相似度達 90% 可用標準；Gemini 反而因給的檢索資訊太多而「回答太多讓使用者看得雲裡霧裡」。
• Context Engineering 四種操作 — 寫入 Context（To-do List 存硬碟、長期記憶）、選擇 Context（Agentic RAG）、壓縮 Context、隔離 Context（Sub-agent 各自獨立 context）。
• Multi-agent 案例 — 一個 Main Agent 調度 5 個 Sub-agent（機票／飯店／景點／雜項費用／報告生成），各自獨立 context，最後由 Main Agent 做 Chain-of-Thought 整合。
• 企業選開源的四個理由 — 大量呼叫下的成本效應、資安（模型 host 在自家機房）、系統穩定性（不受第三方 API 版本汰換影響）、可調整性（微調出差異化體驗）。LINE Taiwan 把商城搜尋改為 Breeze 語意搜尋，正是因為搜尋量體太大，商用 API 成本不堪負荷。

AI Agent 說白了，就是讓 Chatbot 把講話的過程當作一種思路，然後開始操作一些東西，完成更多任務。

20 · 黃信川 —— 雄獅旅遊

旅遊拼升級·AI創新局

董事長 2024 年 8–9 月起親自領軍推動企業 AI 變革（每場會議必問「你用 AI 做了什麼」），一年內從智能取件櫃、AI 客服「Lily」、全員必修 Canva、到「數位人」1.0／2.0 全面落地，核心理念是「用 AI 讓服務更有溫度，而非取代溫度」。

• Canva 透過部門競賽（優勝送日本三天兩夜）帶動自發使用，減少「這不是我原本工作」的抵觸。原本 60 位美編轉型負責整體視覺美學規劃與模板迭代。
• 最早直接用 ChatGPT 排遊程，發現幻覺偏多、且模型對「經驗」的判斷不如 20 年資歷的產品設計師，現行流程改為「AI 產出 → 人工審核 → 再審核 → 再校正」。

科技雖然是很棒，但人更棒，因為人會與時俱進。

我的客戶需要的就是溫度，我應該善用 AI 數位工具，讓我的服務更有溫度。