2025 年 AI 發展重點與趨勢

一、最大的轉折：從「導入 AI」到「規模化 AI」

訊號：兩天四十幾場演講，幾乎沒有一場在說服聽眾「AI 很重要」。

這件事本身就是今年最大的訊號。取而代之的是三種語言：正確率怎麼從 50% 拉到 90%、組織為什麼推不動、成本怎麼算給老闆聽。

勤業眾信林彥良把這個轉折講得最系統化 —— 他提出 AI 規模化的三階段：

高價值個案（PoC） →  模組化  →  大規模部署
        ↑
   多數台灣企業卡在這裡

他點名台灣企業已經錯過三次：IoT（嫌設備太貴）、雲端（嫌風險高）、RPA（台灣人力成本比訂閱費便宜）。

這次 AI 你真的不要再錯過了。林彥良 · 勤業眾信

而他最反直覺的一句話是：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。這與 2023–2024 年「先把資料整理好」的主流論述明顯不同。

佐證這個轉折的具體現象

今年講者普遍拿得出量化成效，而不是願景簡報 —— 玉山金控的警示帳戶偵測省下 50% 人力、91App 的電商上架效率提升 10 倍、廣運的 ABC 品項分析從 2 個月壓到 2–3 天、AIA 的 IRB 會議紀錄從 72 人工小時降到 2 小時。

二、Agentic AI 進入幻滅期，而這是好事

「Agentic」是今年出現頻率最高的詞，但幾乎所有講者談的都是它的難處。

和碩蕭安助直接用自家數據呈現 AI agent 使用高度破碎化的現況（「試了就陣亡」），並引三篇論文解釋為什麼：

全年會記錄最完整的一份幻滅演化史

91App 李昆謀的電商上架案例，是全年會對「幻滅」記錄得最完整的一份演化史：

為什麼說幻滅是好事

Gartner 曲線意義上的「過度期望」退場，代表真實的工程知識開始累積。今年出現了 2024 年還沒有的東西 —— 具體的失敗模式清單、可複製的補救策略，以及願意公開講「我們這樣做失敗了」的講者。

迪威智能葉子雋甚至用整場演講講一個最終沒做成產品的案例（工廠異音偵測），得出的結論是：

AI 產品不只是 product-market fit，還要 technology-product-market fit。好模型不代表能對應到合適場景，能對應場景也不代表可規模化，可規模化也不代表使用者覺得好用。葉子雋 · 迪威智能

三、評測危機：benchmark 與商業可用性正在脫鉤

這是今年最具原創性、也最被低估的一個訊號。

APMIC 吳柏翰分析了 Gemma 3 官方引用的 34 篇評測論文，發現 80% 的評測題型是選擇題，但商業實務幾乎都是問答題。篩出問答題型的評測後，正確率普遍不到 80 分（多在 70 分左右），11 項問答評測中僅 4 項及格。

水的深度不能用磅秤來秤。吳柏翰 · APMIC

他的結論是企業與產業必須共同建立專屬評測標準，不能依賴廠商拿通用評測宣稱「這模型很強」。

• 和碩蕭安助 — 引 OpenAI 論文指出模型訓練機制「亂猜比拒答分數高」，本身就是評測設計誘導出的行為。
• Twinkle AI 黃亮勳 — 做的是相反方向的努力：自建 TMMLU+（含台灣國考題庫）等在地評測，因為通用英文評測測不出繁中場景的可用性。

四、參數量不再是護城河：小模型與垂直化

三組講者從三個不同位置提出同一個論證，證據互補：

這件事的產業意涵：如果一個 24B 模型能在垂直領域打贏 120B、而且 VRAM 少 5 倍，那「買最大的模型」就不再是安全牌。決策重心從選模型轉移到選領域、備資料、做微調。

主權 AI 模型（國家／文化知識）
        ↓
行業知識模型（金融、半導體…）
        ↓
企業知識模型（企業專屬，只有你自己有）

APMIC 並引 UBS 2025 研究稱 86.6% 企業表示需要微調、NVIDIA 研究稱 70% 的 AI agent 需要 SLM 優化。

五、Physical AI：從「會說」到「會做」

今年年會新增的重量級主線，而且是從四個完全不同的產業位置同時逼近。

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。魏士鈞 · 瑞昱半導體

三大成本障礙

廣運陳智杰引 NVIDIA 說法，並提煉成口號「無三貴」：

這就是數位孿生今年被大量提及的原因 —— 它不是為了「看起來很像」，而是為了同時降低這三項成本。四家公司（西門子、和碩、廣運、台達）從四個角度講同一件事，其中台達陳聖華給了最反直覺的結論：

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。陳聖華 · 台達研究院

學界集體質疑主流路線

孫紹華的迷宮實驗是最漂亮的反例：深度強化學習 agent 在 8×8 迷宮訓練到能完美解任意佈局，看似學會了「右手定則」；但換成更大的迷宮就完全失效。而程式合成產出的 policy，寫出來的就是右手定則本身，可泛化到任意大小迷宮。

• NVIDIA Isaac GR00T N1 — 開放人形機器人基礎模型
• arXiv:2503.14734 — Isaac GR00T N1 論文
• Meta V-JEPA 2 — 世界模型

六、算力回流地端：成本、資安、主權的三重驅動

2023–2024 年的預設答案是「先上雲」。2025 年，這個預設被三個獨立的力量同時鬆動。

成本

思科盧佳成給了一個具體的損益兩平點 —— 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。他同時提到 Cisco 內部 AI 推論流量每月成長約 40%、年成長 46 倍，而每個 agentic engine 平均對語言模型有 8–14 次重複確認請求 —— agent 架構本身就是 token 放大器。

資安

AI 安全論壇上英業達陳維超指出，企業真正的風險是員工把機敏資料貼進外部平台；資安院龔化中則把地端與雲端的取捨拆成完整清單，並提出混合部署（敏感資料留地端、其餘上雲）為務實解。

主權

聯發創新基地陳宜昌整理的四個理由（成本、資安、系統穩定性、可調整性）中，「系統穩定性」是最少被討論但最實際的一項 —— 不受第三方 API 版本汰換影響。

七、AI 安全的重心位移：從「模型會不會失控」到「人會不會亂用」

今年 AI 安全的討論出現了明顯的分層，四位講者各自認定的「最大風險」完全不同 —— 而他們都是對的，只是站的位置不同：

紀懷新那句話是本屆最重要的技術洞見之一：大型語言模型具備 compositionality，多個能力組合後會產生新的湧現能力，因此安全性是相乘而非相加。這意味著傳統「divide and conquer」（A 安全＋B 安全＋C 安全＝整體安全）的系統安全思維在 LLM 上直接失效。

務實派的答案（陳維超）也值得記：他分享的不是「禁止員工用 ChatGPT」，而是設置 warning trigger —— 不監聽全部對話，只在偵測到疑似機敏資料外送時發出警示供事後稽核。這是承認「員工一定會私下用外部工具」之後的設計。

攻擊面也在變

龔化中提到針對「AI 瀏覽器／AI 助理」而非人類使用者的新型詐騙，已有專有名詞 Scamlexity 描述。他也提到 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；而防守方同樣在用 AI —— DARPA AIxCC 於 2025/8/8 在 DEF CON 33 公布決賽結果，用 AI 自動找漏洞。

• Guardio Labs — Scamlexity 研究報告
• DARPA — AIxCC 決賽結果（DEF CON 33）
• 中央社 —《人工智慧基本法》三讀通過（2025/12/23）

八、人機協作定型：hybrid 成為預設答案

橫跨六個產業的落地案例，沒有任何一家宣稱要用 AI 全面取代人力。這不是政治正確，而是工程結論：

和碩蕭安助引 1978 年 MIT 論文（潛水載具遠端遙控研究）提出的 supervisory control 概念，是今年最好的理論框架：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。他把這個類比延伸到企業赴海外設廠的管理 latency —— 人 + AI 的協同監督控制。

不要忘記，最終最終還是人在做 supervisory control。蕭安助 · 和碩

選任務的方法論也成形了。蕭安助引 Stanford「WorkBank」論文的兩軸法：

技術可行性
    ↑
    │  研發區          綠區
    │（等技術成熟）  （立刻做）
    │
    └──────────────────→ 人是否想要 AI 幫忙

有趣的發現：人最想要 AI 代勞的是安排客戶預約、維護檔案、格式轉換；最不想要 AI 介入的多是創意型工作（編輯、排版）。

九、台灣的驅動力不是降本，是缺工

這是台灣場域與國際論述最不一樣的一點，而且它在多場演講中重複出現：

• 陳正然（政策論壇） — 25–35 歲 AI 人才因少子化（出生人口從 40 萬降到 20 萬）與 M 型化結構性短缺；高齡化下需靠機器人與移工填補。
• 黃能富（陳昇瑋紀念講座） — 農業案例幾乎全部源於缺工：小黃瓜需一日兩採、蛤蜊分級需人工目視、軟性藥袋異物檢測需 20 人且要求視力 1.0。
• 黃信川（雄獅旅遊） — 導入大量 AI 後公司仍缺 500 人，目標是「用同樣 2,000 多名員工，把 300 億營收做到 600 億」。
• 林彥良（勤業眾信） — 台灣過去經濟紅利建立在優質且低成本的人力上，少子化下人力紅利消退，企業須尋找第二成長曲線。
• 盧佳成（思科） — 以「數位員工」（實體機器人 + 虛擬 AI system）回應缺工。

這個差異很重要：歐美論述的主軸常是「AI 會取代工作」，台灣現場的主軸是「沒有人可以被取代，因為根本找不到人」。這解釋了為什麼台灣的 AI 導入案例普遍是擴增（augmentation）而非自動化取代（automation），也解釋了為什麼人機協作在台灣不是折衷方案，而是唯一可行解。

你（的機器分級效率）如果沒有比我好，你就不用來了。蛤蜊農民對黃能富團隊說的話

目前機器單線每分鐘 600 顆，人工每分鐘 2800 顆。AI 還沒贏。

十、關於「台灣該做什麼」，業界沒有共識

這是把整場年會串起來最有意思的一條線 —— 幾乎每位重量級講者都回答了這題，而答案彼此衝突：

這些主張的分歧點在於「台灣要不要碰模型」：施崇棠說要（模型工程能力是三優勢之一），魏士鈞說不要（做 System 1 不做 System 2），簡立峰與蔡明順說繞過去（做應用）。

幾個支撐辯論的結構性數據（陳正然）

• 台股數年上漲近 3 倍、市值約排全球第 9，但台灣 GDP 全球排名僅約 20–21 名。
• 美國七大科技公司市值合計超過中國全年 GDP；Nvidia 市值超越英國 GDP。
• 台積電、聯發科、鴻海三家合計投資研發經費占全台可投資經費 90% 以上。
• 全球約 7,000 種自然語言中，主流 LLM 僅支援約 100 種 —— 繁體中文的「資用落差」風險。

政策不是在於哪些事應該做，而是在這些應該做的事情裡面，我們要用什麼樣的優先順序去做。侯宜秀，政策論壇開場

今年沒人再講的事

有時候「消失的主題」比「熱門的主題」更能說明產業位置。對照 2023–2024 年的常見議題，今年明顯退場的有：

如果只記三件事

1. 差距已經不在模型，而在流程。

四十幾場演講的共同結論：技術門檻大幅降低（vibe coding、開源模型、no-code 平台），瓶頸全部轉移到組織 —— 策略共識、流程盤點、人才轉型、由上而下的推動力。東豐纖維「阿旺不簽、經理不簽」、雄獅董事長「每場業績會議先報告 AI 用了什麼」，這種土法煉鋼的組織手段，今年被證明比任何技術選型都關鍵。

2. 接受第一版會爛，是所有成功案例唯一的共同前提。

91App 的 98% 覆蓋率／50% 正確率、雄獅的 ChatGPT 排遊程幻覺、和碩的 agent「試了就陣亡」—— 沒有一個成功案例是一次到位的。真正有效的做法是先放上去、發現爛、加規則、再迭代，並且在系統裡內建防呆與持續校準機制（如 91App 獨立於對話流程外的 Evaluator）。

3. 台灣的 AI 命題是「找不到人」，不是「省成本」。

這決定了台灣該優先做的不是裁減型自動化，而是擴增型人機協作與知識傳承（老師傅經驗數位化、跨國工廠知識共享、實作型人才培育）。也因此，黃能富的 AI Maker 與跨校算力共享聯盟、AIA 的分級認證與北中南區域中心，在今年年會裡的份量不亞於任何一場技術演講。

資料來源

本頁為跨場次綜整。文中引用的外部資料來源：

• 2025 台灣人工智慧年會官網議程
• 中央社 —《人工智慧基本法》三讀通過
• 數位發展部新聞稿
• 理律法律事務所 — 立法時序評析
• Guardio Labs — Scamlexity
• DARPA — AIxCC 決賽結果（2025/8/8, DEF CON 33）
• NVIDIA — Isaac GR00T N1
• Meta AI — V-JEPA 2
• 工商時報 — 施崇棠揭 3 大戰略優勢
• 經濟日報 — 華碩施崇棠：台灣AI競爭力有3優勢
• 總統府 — 副總統出席台灣人工智慧年會開幕