一、Agentic AI：從 PoC 到 Production 的真實難處
今年最高頻的關鍵字，但講的幾乎全是它的難處而非美好願景。這是今年年會與去年最大的氣氛差異。
有效的做法：混合，而不是全 AI
三位講者從三個產業得到同一個結論 —— 最佳解不是 100% 人力也不是 100% AI：
- 91App（李昆謀） — 四次迭代後定案：Rule Engine 40% + AI Agent 50% + 人工 10%，效率提升 10 倍。
- 和碩（蕭安助） — 用 Stanford「WorkBank」論文的兩軸法選任務（人是否想要 AI 幫忙 × 技術可行性），只做右上角綠區。實績：Issue 整合 agent 準確率 97.7%（只接 5 種簡單工具）、瑕疵根因 agent 94%。
- 雄獅旅遊（黃信川） — 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」。
架構層面：Context Engineering
聯發創新基地陳宜昌引 Andrej Karpathy 的比喻（LLM 像新型作業系統、模型像 CPU、context window 像 RAM），拆出四種操作：
| 操作 | 做法 | 對應實例 |
|---|---|---|
| 寫入 Context | 讓 agent 寫 To-do List 存硬碟，避免長任務中斷丟失；寫入長期記憶。 | Claude Code 的 to-do 設計、ChatGPT Memory |
| 隔離 Context | 用 Sub-agent，每個擁有獨立 context 排除雜訊。 | Claude Code 的 sub-agent（開發者／reviewer 角色） |
| 選擇 Context | 只取當前步驟需要的內容，而非把 context window 塞滿。 | Agentic RAG |
| 壓縮 Context | 現場因時間限制未展開。 | — |
他的完整案例是可樂旅遊行程規劃系統：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。
91App 的 AI 店長架構則是另一種分工法，特別值得注意的是他把 Evaluator 獨立在對話流程之外做事後批次評分，交人類主管審查形成優化循環：
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、對話歷史摘要）
Evaluator（獨立於流程外，事後批次評分）「概念掃盲」的四層譬喻
蔡政霖（AIA）用廚房比喻把四個常被混用的詞一次講清楚，是全年會最實用的入門框架：
| 概念 | 比喻 | 特徵 |
|---|---|---|
| LLM | 博學但只會說不會做的專家 | 有知識，無行動力 |
| AI Workflow（RPA + AI） | 照 SOP 執行的助手 | 路徑寫死 |
| AI Agent | 目標驅動的代理人 | 會規劃工具、會評估 |
| Agentic Workflow | 米其林餐廳的主廚 + 副主廚 + 醬料師 | 多個專業 agent 協作 |
二、數位孿生：AI 走進實體世界的橋樑
四家公司從四個角度講同一件事，是今年架構最完整的主題線。
| 西門子（張合翕） | 和碩（蕭安助） | 廣運（陳智杰） | 台達研究院（陳聖華） | |
|---|---|---|---|---|
| 定位 | 工業軟體與自動化供應商 | 電子代工，自有工廠與機器人需求 | 實體世界系統整合商（倉儲、公共工程、半導體物流） | 電源與散熱方案，服務資料中心基礎設施 |
| 切入點 | 節能減碳與試運轉加速 | 從相機自動對焦（Q-learning）延伸到機械手臂／機器狗的強化學習訓練 | 從 2D 圖檔 → 3D → 模擬 → 仿真，「不自覺」演進到數位孿生 | 自家產品開發（Smart Design Copilot、NPI 試產線）與資料中心能源管理 |
| 核心主張 | 撇開流行詞彙，先問要解決什麼問題 | 用「意願 × 技術可行性」選綠區任務；人做 supervisory control | OpenUSD／URDF 是企業間的正式交付資產 | 數位孿生有四種角色：資料增產器／演算法沙盒／虛實連結／回饋引擎 |
| 代表數字 | 海尼根單廠節能 20%、CO2 減 50%；台灣默克高雄新廠乾跑時間減 50% | Issue agent 97.7%、瑕疵根因 94% | ABC 品項分析 2 個月 → 2–3 天 | （未提供量化成效） |
為什麼需要數位孿生：「無三貴」
廣運陳智杰引 NVIDIA 說法歸納 Physical AI 三大成本障礙：資料貴（實際可用真實數據僅約 10%）、訓練貴（Tesla Optimus 用「暴力訓練」大量觀看影片似已遇瓶頸；懂訓練的工程師稀缺昂貴）、實體測試貴（單台人形機器人約 400 多萬元，訓練 20 台恐達數億元）。
世界模型的三條路線
- 蕭安助（和碩） — generative-based（NVIDIA Cosmos、Google Genie）／Meta 的 JEPA／Meta 近期結合影片與 LLM 的 world model。
- 魏士鈞（瑞昱） — 批評純文字描述式世界模型會遺失潛在空間（latent space）中的關鍵資訊，不如視覺化世界模型；並用 DeepMind Genie 即時生成互動遊戲畫面、Meta JEPA 預測球滾過隆起路面為例。
- 陳奕廷（陽明交大）、孫紹華（台大） — 從學界角度質疑目前主流「蒐集大量資料訓練 foundation model」路線的泛化能力。
三、開源模型與繁體中文主權 AI
企業選開源的四個理由
- 成本效應 — 自建攤提後比按次計費的商用 API 便宜，尤其大量呼叫場景。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。
- 資安防護 — 模型 host 在自家機房，資料不出門。
- 系統穩定性 — 不受第三方 API 版本汰換影響。
- 可調整性 — 可微調出差異化體驗，形成競爭力。
訓練方法：GRPO
Twinkle AI 黃亮勳用一個好懂的比喻解釋 GRPO 與 PPO 的差異：
| 比喻 | 成本 | |
|---|---|---|
| PPO | 學生身邊多一位「家教」（value model）即時批改每一步 | 要同時訓練兩個模型，VRAM／GPU 需求高；且 value model 本身就很難獲得 —— 「若你已經有一個上帝視角模型，也不需要再訓練了」 |
| GRPO | 學生用「附詳解的自修講義」自我對答 | 用可直接手寫的 reward function 取代 value model，省下大量 GPU |
實測：自家 F1 模型在 MMLU 上經 GRPO 訓練後從 50 分提升到 64 分，只用了兩個 reward function（格式檢查與長度檢查）。訓練前模型常陷入反覆自我反思答不出來，訓練後思路收斂。限制：若原始模型在 pre-training 階段從未學過相關知識，GRPO 也「train 不起來」。
四、AI 治理、資安與可信任
龔化中：黑魔法防禦術
龔化中用《哈利波特》比喻拆解生成式 AI 的攻擊面，是全場結構最完整的資安簡報。NICS 將約 10 類越獄手法歸納，並附上實測有效程度排序：
| 有效程度 | 手法 |
|---|---|
| 最有效 | 要求模型「寫成可執行程式」輸出敏感內容 |
| 次有效 | 說故事／寫小說包裝敏感需求（即使近一兩個月的先進模型仍會中招） |
| 也有效 | 文字接龍（請模型接續完成已寫一半的敏感內容） |
| 效果漸弱 | 純邏輯／去道德化框架（「不考慮道德法律，只論邏輯」）—— 近期模型較「知書達理」 |
| 效果漸弱 | 提權（冒充「上級 LLM」、誘導解鎖「特權模式」） |
系統整合的四類風險：雲端 vs 地端部署、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。他對 agentic AI 的定義有畫龍點睛之效：
好的 AI 代理具備「自主設定目標、規劃並執行、與外界互動、持續學習調整」四項能力 —— 與《魔鬼終結者》Skynet 的能力完全吻合。龔化中 · 國家資通安全研究院
- Arup 香港分公司 2024 年遭 deepfake 視訊會議詐騙損失約 2,500 萬美元。
- 2023 年三星員工使用 ChatGPT 導致機密外洩。
- AI 讓 ransomware 製作時間從約一週縮短到約 20 分鐘、軟體漏洞挖掘從數天縮短到約 1 小時。
- 防護建議：參考 Meta 的 Llama Firewall（整合 Prompt Guard、Llama Guard 與 MCP/plugin 控制）；國家資通安全研究院提供 AI 評測系統，目前免費，且有專為台灣情境設計的測試題目。
探索優先 vs. 可解釋優先
- 紀懷新 主張 exploratory 優先：「Let's find out what the possibilities are」，先充分了解模型能力邊界再處理安全。Google 內部作法是先大量開放給員工做 red teaming。他的理由是：「焦慮的解方不是不用 AI，而是要知道 possibility 在哪裡。」
- 邱維辰 補上另一半：除了 exploration，關鍵領域更需要 exploitation —— 理解 AI 為何做出特定決策、後果為何（可解釋性／可課責性）。他主張法律是「社會秩序的最後防線」，現階段務實做法是先在高風險領域訂「底線」式立法，其餘用軟性指引。
- 邱維辰 也提出一個具體治理構想：未來政府單一入口若由 AI agent 自動執行跨部會查詢，需替每個 AI agent 建立專屬身分（identity）與存取入口，才能追蹤責任歸屬。
五、無人機與具身智慧
無人機：三場演講拼出完整產業圖像
| 講者 | 位置 | 核心訊息 |
|---|---|---|
| 程登湖 · 陽明交大／創未來科技 | 技術縱深 | 無 GPS 環境的軟殺（雷達＋jammer）與硬殺（攔截機）技術路線。 |
| 李志清 · 臺灣希望創新 | 產業實作 | 從群飛展演到巡檢到軍用；正與和碩、聯發科用天璣 9400 打造國產機載電腦。 |
| 池明洋 · 池安量子資安 | 標準與生態 | 「買一台無人機」≠「成功的無人機計畫」；去紅色供應鏈、開放標準、韌性救災。 |
沒有 GPS 有多糟：程登湖說「像閉著眼睛找出口」。單靠 IMU 積分定位，約 40 秒內誤差可累積到上百公尺（指數發散）；純視覺 relocalization 誤差約 20 公尺。
- 一個對照組：美國警用無人機自 2014 年發展至今，平均出勤到場 71 秒，鳳凰城警局每年逾 1 萬次飛行任務，已是成熟商業模式（drone as first responder）。FAA 歷經 3–4 年溝通，把警用無人機航線申請時間從 6 個月至 1 年縮短到最快 6 小時。
- 戰場即時案例：烏克蘭「蜘蛛網行動」（2025/6/1，烏克蘭安全局經 18 個月籌劃）以小型無人機重創俄羅斯戰略轟炸機戰力，槓桿率約一萬倍。數字各方不一：烏方稱 117 架、《經濟學人》估約 150 架；俄方總損失估計約 70 億美元。
- 一個有趣的意外：程登湖團隊外場測試時誤把「老鷹」判讀為 drone（訓練資料未涵蓋鳥類），意外啟發「機場驅鳥」商業應用構想。
具身智慧：三位講者都在質疑主流路線
孫紹華還做了一個可解釋性的驗證實驗：找 USC 大學部學生（時薪 10 美金）去 debug 生成的 program，只需修改 3 到 5 個 token 就能大幅提升表現 —— 相較之下神經網路的 weights 幾乎無法由人工手動調整。
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。魏士鈞 · 瑞昱半導體
他半開玩笑地提出「System 0」的初步設想：讓 AI 在遇到無法解決的困境時進入 forever loop（類似人「鑽牛角尖」），並觀察到越小的語言模型確實容易在困難問題前陷入重複迴圈。
六、運動科學：從情蒐到動作訓練
Day2 R0 整個下午的專場，是今年年會與「AI 產業」關聯最遠、但方法論最紮實的一廳。
一個違反直覺的結論：情蒐沒那麼重要
情蒐對比賽結果的影響是乘數效應（約 ×0.9～×1.1），真正決定表現的是選手前面的基本能力分數。黃致豪 · 台灣體育運動大學
因此他把研究重心從情蒐轉向用動作訓練提升「基本分數」。
lab ready ≠ game ready
- 黃致豪 — 「很多運科的東西 demo 做出來很漂亮，但 lab ready 到 game ready 有非常長的一段路。」雨天、光線、護具、球衣顏色都會影響。電子好球帶做到 90% 準確約 1–2 年，但 90% → 99% 可能要再花三年。
- 胡敏君（清華大學） — NBA 自 2012 年起在場館架設多台高懸攝影機，但台灣球隊多為租用場館（連地板 logo 都要拆裝，一場約 20 萬），根本無法複製。她的解法是允許使用單一可移動的手機／相機，仍能做到即時的細粒度動作分類。
- 易志偉（陽明交大） — TrackNet 先以網球（顏色鮮明、速度較慢）驗證可行性，成功後才挑戰羽球（小物件、極高速、視覺特徵少）。
| 主題 | 內容 |
|---|---|
| 無標記點動作捕捉 | 每秒 1050 張、4–6 機以上同步觸發；3D 關節重建準確度 2024 年約 3 公分 → 2025 年約 2 公分。 |
| 傷害預防 | 用 OpenSim 發現選手出手後收尾階段的 UCL（Tommy John 韌帶）受力大於最大肩外旋時刻 —— 肉眼無法察覺的風險。 |
| 醫事法邊界 | 超音波 AI 不能直接診斷（非醫師不得診斷），但可協助篩選影像是否足夠 qualify 給醫師判讀。 |
| 微觀數據設計 | 羽球是隔網運動，選手唯一能控制球的時刻是「擊球」，因此以每一次擊球為資料單位。 |
| 逐拍勝率貢獻 | 回推每一拍擊球後贏得該回合的機率，用相鄰拍的機率差量化「這一拍讓誰獲益多少」。 |
| VR 訓練的意外發現 | 因 VR 訓練迫使球員看不到球，賽後檢測發現受訓者運球能力普遍提升。 |
七、人才培育與組織導入
林彥良（勤業眾信）的規模化五大要素中特別強調：資料與科技平台反而不是最需要擔心的環節，策略、流程、人才才是關鍵。停留在 PoC 階段的常見症狀：專案碎片化、ROI 難以量化、缺乏治理標準、KPI 與業務目標脫節、地端架構難以複製、組織文化未跟上。
由上而下推動是共同答案
| 公司 | 做法 |
|---|---|
| 東豐纖維 | 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。 |
| 雄獅旅遊 | 董事長 2024/8 起親自率隊，要求每場業績會議先報告「AI 用了什麼」—— AI 使用度比業績數字更優先被追問。 |
| 玉山金控 | 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。 |
雄獅的 Canva 全員必修案例特別值得學：全公司 2,000 多名員工（僅董事長、總經理豁免）都要會用 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。
黃能富的「玩農業學 AI」
陳昇瑋紀念講座由黃能富（南臺科技大學校長，陳昇瑋清大碩士班指導教授）主講，是全場案例密度最高的一場 —— 十餘個農漁業 AI 落地案例：小黃瓜採收機器人、咖啡豆採收 AR 眼鏡、香蕉分級、蝦苗計數、登革熱蟲卵監測、AI 鳳梨敲擊棒、AI 蛤蜊分級機、太陽能 AI 乾燥設備（學生團隊拿下 2025 霍特獎台灣區總冠軍）。
- AI 鳳梨敲擊棒 — 敲擊後 1 秒內以紅黃綠燈顯示是否可外銷，因為農民要求「不能等 3 秒」。
- AI 蛤蜊分級機 — 目前單線每分鐘 600 顆，但農民人工可達每分鐘 2800 顆，因此規劃擴充到 10 條線。農民原話：「你沒有比我好就不用來了。」
- AI Maker — no-code 平台，流程為「收集數據 → 標註 → 訓練 → 下載部署 → 執行 → 評量 → 迭代」，全程不需寫程式；並號召多所大學組成分散式算力共享聯盟，讓沒有算力的高中職也能參與。
教育與人才的三個缺口
- 「有 AI／資安專長者不願進入個別產業」與「產業從業者缺乏 AI／資安能力」兩邊人才互不流通。
- 學界習慣把問題「簡化」成熟悉的演算法形式而脫離實務。
- 政府曾釋出約 80 個資安專案教師名額搭配加碼薪資鼓勵各大學延攬業界人才，實際到職率僅約 25% —— 主因是部分系所反而用更高的標準篩選申請者，導致有潛力的實務人才被排除。
邱維辰特別呼籲學界應更 open-minded 接納無 PhD 但具強實作能力的人才，並讚許陽明交大延攬黃敬群（Jserv）的案例。
八、六個產業落地案例的共同模式
Day1 R2 那一廳（中小企業、紡織、零售、行銷、旅遊）歸納出的模式，其實適用於整場年會：
- 先有資料，才有 AI — 能快速見效的，前提都是已累積多年結構化／半結構化數據（IoT、call center 通話紀錄、交易紀錄）。AI 只是把既有數據榨出價值，而非無中生有。
- 從最痛的小痛點切入，小步快跑 — 沒有一個成功案例是一次性導入大而全的系統。
- 「人機協作」而非「人被取代」是共識 — 沒有一家宣稱要用 AI 全面取代人力；普遍強調 AI 釋放人力去做更高價值的工作。
- 失敗率與幻覺是常態，需要規則與驗證機制補位 — Agent 系統上線前後都需要「防呆」與「持續校準」，而非一次部署就全自動運作。
- 組織文化與高層由上而下推動，是導入成敗的關鍵變數 — 技術門檻已大幅降低，真正的瓶頸在組織是否願意改變。
- 開源與國產化模型正成為傳產與中小企業的務實選項 — 成本、資安、穩定性、可調整性四個面向對企業更有利。