劍橋大學賈吉商學院（Cambridge Judge Business School）旗下 Cambridge Centre for Alternative Finance（CCAF），攜手國際清算銀行（BIS）、國際貨幣基金組織（IMF）與世界經濟論壇（WEF）等重量級機構，最新發布《2026 Global AI in Financial Services Report》報告。這份深度調查全球橫跨 151 個司法管轄區、共 628 個組織的報告揭示，AI 正深刻影響金融機構營運與監管機關維護市場穩定的能力。

報告指出，整個金融業正處於一個關鍵的「轉型過渡期」（mid-transition）。業界的技術焦點正迅速從傳統機器學習，跨越至生成式 AI，並大步邁向具備高度自主決策能力的「代理式 AI」（Agentic AI）系統。

然而，在技術躍進背後，金融業正經歷巨大的「執行落差」（execution gap）。儘管多數機構已感受到營運效率與生產力的提升，卻普遍撞上資料品質不佳、老舊 IT 架構包袱以及 AI 專業人才短缺等三大結構性痛點。更令人擔憂的是，當金融業加速將 AI 導入系統時，監管機關的技術採用進度卻明顯落後，這使得業界的老舊系統在面對前沿 AI 時，面臨前所未有的風險。

81% 金融業已導入 AI，但監管機關明顯落後

首先，報告指出，81% 受訪金融服務業者已在某種程度採用 AI，其中 40% 業者達到「Scaling」或「Transforming」等進階採用階段。相較之下，卻僅有 20% 的監管機關達到同樣的進階採用水準。

報告進一步揭露監管端的現況：高達 48% 的受訪監管機關仍處於 AI 採用的「探索」（exploring）階段，或是尚未開始導入 AI，而另有 33% 監管機關仍停留在試點階段。這種進度落差，讓監管單位在面對快速變化的 AI 市場時，面臨極大挑戰。更嚴重的是監管機關也有「資料盲點」，僅有 24% 的受訪監管機構有收集產業 AI 導入的數據，且高達 43% 的機構在未來兩年內沒有相關收集計畫，缺乏實質數據恐將削弱其駕馭與評估 AI 風險的能力。 

AI 已進入銀行後台，軟體工程成資安風險傳導點

另外在應用面上，目前金融業的 AI 部署主要集中在內部營運效率的提升，而非商業模式重塑。報告顯示，金融服務業最常見的前五大 AI 應用中，有四項屬於後台功能，包含流程自動化、資料視覺化、軟體工程、資料與知識管理，以及屬於前台功能的 AI 客服。

值得注意的是，軟體工程雖然是金融業最成熟的 AI 應用之一，如今卻也成為主要的網路風險傳導向量（cyber risk transmission vector）。報告強調，AI 生成程式碼在數量與速度上都達到前所未有的規模，這讓傳統的人工審查在軟體工程場景中變得越來越無效，當人工無法有效把關龐大的 AI 生成程式碼時，系統的結構性脆弱點便會隨之增加。

Mythos 引發監管擔憂，銀行老舊系統成新挑戰

因此，當「傳統人工審查失效」遇上「強大的新興模型」，危機便隨之升級。《Reuters》報導，Anthropic 於今年 4 月發布的前沿模型 Mythos 被資安專家視為對銀行業與其老舊技術系統構成重大挑戰。為此，全球監管機關已經開始與銀行接觸，以了解這些老舊系統在面對新興前沿 AI 模型時的防禦準備程度。

報告將 Mythos 視為下一代 AI 系統的警世案例。這類前沿模型可能很快就會具備大規模利用軟體漏洞的能力，進而大幅削弱既有人類治理與監督機制的有效性。更嚴峻的是，Anthropic Mythos 在漏洞利用的能力往往比人類更強，這讓金融服務業中原先仰賴的「人工監督」防線變得更加困難且不可靠。

當金融機構已將 AI 深度整合進後台流程、軟體工程與客服等場景時，監管機關的 AI 採用率、資料掌握度與技術能力，是否能同步跟上時代的步伐，成為當前的關鍵課題。隨著 Mythos 這類前沿模型展現出大規模利用系統漏洞的潛力時，金融業面臨的挑戰，已從單純的「追求 AI 效率提升」，延伸到了生死存亡的防禦戰。

為了有效監督產業，報告強烈建議監管機關自身也必須導入「代理式 AI」能力，讓系統能以機器的速度進行監控與反應，才能匹配並監管高度自動化的金融市場。接下來，銀行如何加速汰換老舊系統，以及如何在 AI 逐漸脫離人工監督的趨勢下建立新防線，將是一場全球金融生態系無法迴避的硬仗。 

＊本文開放合作夥伴轉載，資料來源：《Reuters》、《2026 Global AI in Financial Services Report: Adoption, Impact and Risks》，首圖來源：Unsplash

在醫院急診室裡，許多生死交關、分秒必爭的決策，仰賴的是人類醫師多年累積的專業與經驗。然而，頂尖權威期刊《Science》近日刊載一項由哈佛醫學院（Harvard Medical School）與貝斯以色列女執事醫學中心（Beth Israel Deaconess Medical Center）共同發表的研究成果，首度讓專為處理複雜問題而生的 OpenAI o1 推理模型（reasoning model），與資深人類醫師在真實的急診情境中展開「正面對決」。

結果顯示，o1 模型在急診診斷、分診與後續處置建議等臨床任務中，皆展現出超越人類醫師的表現。不過，這項結果傳達的並不是「AI 將取代人類醫師」的恐慌，而是開始重新定義醫療照護的核心：當 AI 能夠又快又準地處理龐雜的病歷與數據時，反而強烈凸顯人類的價值。因為在資訊不足的高壓急診場景中，醫師在監督系統、人性判斷、醫病溝通與承擔最終責任上的角色，不但沒有被演算法削弱，反而變得不可取代。

真實急診病歷壓力測試：OpenAI o1 在資訊有限的分診階段勝過醫師

為了測試 AI 在真實醫療場景中運行的能力，研究團隊以波士頓 Beth Israel Deaconess Medical Center 的急診病例進行測試。《SAN》指出，有別於過去乾淨、標準化的考題，研究人員刻意使用接近真實臨床環境、充滿「雜亂」（messy）數據的電子病歷資料，讓 AI 與兩位人類醫師都只能讀取包含生命徵象、人口統計資訊與護理師紀錄等有限的文字資訊。

在病患剛抵達急診、資訊仍相當有限的「分診階段」，OpenAI o1 展現了驚人的判斷力，做出正確或非常接近診斷的比例高達 67%，勝過兩位人類醫師的 50% 與 55%。當病患接近入院階段、具備更多病歷資訊可用時，AI 的診斷正確率進一步躍升至 81% 至 82%，而人類醫師則落在 70% 至 79%，可見 AI 的優勢在「需要快速決策、資訊又不完整」的急診分診場景中尤其明顯。

不僅如此，當被要求提供如抗生素療程或臨終照護流程等長期治療計畫時，AI 的評分高達 89%，遠勝使用傳統資源的人類醫師。在一例肺栓塞併發症惡化的真實病例中，人類醫師誤以為是抗凝血劑失效，但 AI 卻注意到病患有紅斑性狼瘡病史並推斷為肺部發炎，最終證明 AI 才是正確的。 

AI 勝過醫師不等於取代醫師，真實急診仍仰賴許多非文字判斷

儘管數據亮眼，但研究作者們一致強調，這項結果絕不代表 AI 已經準備好取代急診醫師。《SAN》引述研究共同作者 Adam Rodman 的說法表示：「沒有人應該看完這項研究後就說我們不需要醫師。」

探究其原因，這項研究主要測試的是「可被文字化」的病歷資料，而非複雜的完整臨床現場。《CNET》與《The Guardian》皆點出關鍵：真實的醫院與急診工作極度仰賴視覺與聽覺線索，例如病患的外觀狀態、痛苦程度等非文字訊號，而 AI 目前仍無法完整接收與準確解讀這些現場資訊，因此 AI 在研究中的定位，更像是根據書面資料提供第二意見的臨床決策輔助工具。

哈佛醫學院助理教授 Arjun Manrai 進一步解釋：「我不認為我們的發現意味著 AI 會取代醫生，我認為這確實代表我們正在目睹一場將重塑醫學的深刻技術變革，我們現在需要對這項技術進行評估，並嚴格進行前瞻性臨床試驗。」

醫療 AI 的落地邊界與挑戰：錯誤、偏誤、責任與人性判斷

不過，要將 AI 真正導入臨床，仍有許多邊界與風險需要克服。《Forbes》提醒，AI 工具雖然進步快速，但仍可能產生「假陽性」（false positive）。以另一項胰臟癌 CT 偵測研究為例，該 AI 模型在臨床診斷前偵測胰臟癌的特異度（specificity）為 81%，代表近五分之一的病患可能被錯誤判定為陽性，這將導致不必要的後續侵入性檢查、病患焦慮與額外的醫療成本。《Forbes》同時指出，AI 訓練資料本身可能存在偏誤，若資料未充分涵蓋不同族群，其診斷與治療建議恐將加深醫療不平等。

技術之外，制度面的配套同樣迫切。《The Guardian》提到，醫師對 AI 最大的擔憂在於「錯誤」與「責任歸屬」風險，而目前醫療界仍缺乏正式的問責框架。另一方面，AI 輔助醫療是否安全、公平且具成本效益，並不是本次研究的測試範圍，因此需要監管機構、醫院與醫療提供者共同建立更嚴謹的使用規則。

《Forbes》最終點出醫療的核心本質：醫療不只是辨識模式、做出診斷或提出治療，還包含理解病患的恐懼、家庭、財務、文化信念與個別臨床情境。這種奠基於人與人連結的「人性判斷」，是演算法無法計算的部分。

因此，這項哈佛研究清晰劃定醫療 AI 的能力邊界：AI 已能在特定的急診診斷與臨床推理任務中勝過人類醫師，但依然無法完整取代醫師在真實醫療現場中的觀察、溝通、判斷與責任承擔。未來，醫療 AI 的發展關鍵，在於醫師、病患與 AI 共同參與的「三方照護模式」（triadic care model），讓醫師能透過 AI 高效處理龐雜的醫療數據，進一步釋放更多心力，專注在無可取代的醫病關係與最終決策。

＊本文開放合作夥伴轉載，資料來源：《Science》、《The Guardian》、《SAN》、《Forbes》、《CNET》，首圖來源：AI 工具生成。

Meta 近日正式宣布，已收購專注於開發人形機器人 AI 模型的新創公司 Assured Robot Intelligence（ARI）。 針對這項關鍵佈局，Meta 發言人透過聲明表示：「我們收購 ARI 這家位居機器人智慧前沿的公司，為的就是讓機器人能在複雜、動態的環境中，精準理解、預測並適應人類行為。」

這步棋背後的戰略意義極為清晰。在特斯拉（Tesla）、Google 與亞馬遜（Amazon）等科技巨頭紛紛重金投資人形機器人的此刻，這筆交易也宣示 Meta 的 AI 戰略正進一步延伸到機器人控制、自我學習與實體人工智慧（Physical AI）等高階應用領域，正式加入這場「實體 AI」競賽。

Meta 買下 ARI，要為人形機器人裝上精準運作的「大腦」

要讓機器人真正走入人類生活並執行複雜任務，除了硬體之外，更需要強大的「大腦」。ARI 正是這樣一家專注於機器人智慧的新創，其位於聖地牙哥與紐約的團隊約 20 人，致力於打造人形機器人的基礎模型（foundation models），讓機器人有能力執行包含家務在內的各類實體勞動任務。

透過這次收購，Meta 得以大幅補強在機器人控制領域的不足。Meta 發言人特別指出，由 Lerrel Pinto 與 Xiaolong Wang 兩位頂尖學者領導的 ARI 團隊，將在模型設計、機器人控制、自我學習等前沿能力上，為 Meta 帶來深厚的專業知識。

ARI 早期投資方 AIX Ventures 合夥人 Nick Crance 也強調，ARI 的核心優勢在於機器人的「高精度靈巧度與操作」。這些核心能力攸關機器人未來能否在工業場域或家庭環境中，實際且有效地與現實世界的物體進行互動。

Meta 的野心：成為機器人界的 Android

在取得關鍵的「大腦」技術後，Meta 隨即展開內部團隊的深度整合。收購完成後，ARI 團隊將正式併入 Meta 的「超級智慧實驗室（Superintelligence Labs, MSL）」研究部門，並與去年成立、專注於人形機器人底層技術的 Meta Robotics Studio 展開密切合作。

事實上，Meta 的實體 AI 佈局早已醞釀多時。在 2025 年，Meta 已於 Reality Labs 內部成立機器人團隊，隨後又延攬新的領導者並大幅擴編 MSL 的硬體團隊。這也顯示出，Reality Labs 與 MSL 正透過 AI 硬體與機器人技術的發展，逐漸交織與整合。一份在一年前外流的內部備忘錄也曾揭露，Meta 早已有意打造包含硬體與 AI 模型在內的消費級人形機器人。

目前，Meta 的機器人團隊正積極開發自家的機器人硬體，以及驅動這些硬體的底層 AI 技術，涵蓋感測器、軟體及其他相關應用。但 Meta 的目光不只是打造單一的機器人產品，更宏大的計畫是將這些機器人技術「開放」給整個產業採用，進一步為人形機器人市場打造一個通用的「基礎平台」，就如同 Android 作業系統與高通（Qualcomm）晶片在智慧型手機產業中所扮演的角色。

從元宇宙到千億 AI 資本支出，Meta 的下一個賭注是 Physical AI

從更宏觀的戰略來看，ARI 的收購案只是 Meta 龐大 AI 藍圖的冰山一角。近年來，Meta 已將大量資源從元宇宙（Metaverse）的擴增實境計畫大舉轉移至 AI 領域。 例如，就在上個月，Meta 剛發布了名為「Muse Spark」的新型大型語言模型，並宣稱具備與 Google、OpenAI 及 Anthropic 等領先模型競爭的實力。

為了支撐這個野心，在這筆收購交易被報導的前兩天，Meta 考量到零組件價格上漲以及額外的 AI 資料中心成本，宣布將 2026 年的資本支出預估上修 100 億美元，達到 1,250 億至 1,450 億美元的龐大規模。

為什麼 Meta 願意投入如此鉅資？因為即使 Meta 最終並未在市場上推出消費型的人形機器人產品，許多 AI 專家現在仍普遍認為，通往「通用人工智慧（AGI）」的路徑，勢必需要讓 AI 模型在物理世界中進行訓練，進而透過機器人的直接互動來學習，而非只仰賴靜態的資料數據。

ARI 的收購案，加上近期亞馬遜收購另一家由 ARI 共同創辦人 Lerrel Pinto 先前所創立的新創 Fauna Robotics，反映出整個產業正在進行一場更廣泛的衝刺。 儘管目前市場對人形機器人的長期預測仍存在極大落差：高盛預估到 2035 年市場規模為 380 億美元；摩根士丹利則預測 2050 年將達 5 兆美元。不過，這種巨大的預期差距，恰好突顯市場同時具備的龐大潛力與高度不確定性。

這次 Meta 收購 ARI 的策略，目的是將 AI 模型、機器人控制、自我學習能力與硬體團隊，全面整合到 Superintelligence Labs 與 Robotics Studio 的體系之中。 假如 Meta 能成功將這些底層技術開放給產業鏈使用，那麼在人形機器人領域的佈局就不再只是一條單一產品線，而是朝向建立如同 Android 般的基礎平台前進，藉此牢牢掌握下一代運算平台的主導權。

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《WSJ》、《Business Insider》、《TechCrunch》，圖片來源：Unsplash

AI 巨頭現在不只拚誰的模型最聰明，更要競逐誰能把技術真正「落地」，成為企業內部的主要生產力來源。近日，OpenAI 與 Anthropic 幾乎在同一天、相隔不到幾分鐘的時間內，接連宣布結盟華爾街與頂級私募基金，各自砸下重金成立專屬的「企業 AI 服務公司」。

《The Deep View》一語道破這場戰局的核心：部署（Deployment）已正式成為 AI 的新戰場。OpenAI 與 Anthropic 的行動，顯示雙方的戰火已從單純的模型軍備競賽與程式開發工具的技術較勁，全面蔓延到商業世界最前線，看誰能在廣大的企業市場勝出，並率先將技術變現。

OpenAI 成立 The Deployment Company，借助私募基金打進企業客戶

為了打贏這場商業化戰役，《彭博社》報導，OpenAI 已從 TPG、Brookfield Asset Management、Advent、Bain Capital，以及 Dragoneer 與 SoftBank 等投資方手中，募得超過 40 億美元的資金，用於成立一家專注在協助企業部署 OpenAI 軟體的新公司。這家新合資企業名為「The Deployment Company」，估值高達 100 億美元，且將由 OpenAI 持有多數股權並握有實質控制權。

OpenAI 的布局策略十分明確，因為這些合作夥伴預計可觸及超過 2,000 家投資組合公司與客戶，因此 OpenAI 的核心目標正是透過這些既有的人脈網絡與商業關係，大幅降低企業導入門檻，使更多企業能加速採用 AI 技術。

Anthropic 找上 Blackstone、高盛等機構，把 Claude 導入企業核心流程

面對 OpenAI 的大動作，Anthropic 也不甘示弱。在幾乎同一時間，Anthropic 宣布與 Blackstone、Hellman & Friedman、Goldman Sachs 等機構達成合作，成立一家新的「AI 原生企業服務公司」（AI-native enterprise services firm），目標是將旗下的 Claude 導入中型企業的核心營運流程中。

這項合資計畫同時也獲得 Apollo Global Management、General Atlantic、Leonard Green & Partners、GIC 與 Sequoia Capital 等大型機構的支持。這家新的 AI 原生企業服務公司不僅將協助這些資產管理公司旗下的投資企業，也會為其他企業整合 AI 工具。

《TechCrunch》點出，這兩大 AI 巨頭策略背後的共同邏輯，是透過另類資產管理公司來建立新的「企業 AI 銷售通路」。這些合資企業預期將能獲得優先接觸投資方旗下「投資組合公司」（portfolio companies）的銷售優勢，藉此快速擴大市占率。

解決落地痛點，前沿部署工程師成為 AI 新戰力

然而，空有強大的模型與廣大的銷售通路，並不足以讓企業真正用上 AI。《SiliconANGLE》引述高盛高層 Marc Nachmann 的觀察指出，目前業界「極度缺乏」知道如何將 AI 整合進現有業務流程的專業人才。他直言，光有模型並無法改變企業的營運方式，必須有人將技術與實際業務結合，這正是企業導入 AI 時面臨的最大瓶頸。

為了直接打通這個落地痛點，OpenAI 與 Anthropic 透過新資金引進全新的作法。《彭博社》與《TechCrunch》觀察，這兩大巨頭的布局皆帶動「前沿部署工程師」（forward-deployed engineers, FDE）的興起，因為 OpenAI 與 Anthropic 新成立的 AI 服務公司，將有別於傳統的企業顧問，而是採用由 Palantir 公司所普及的 FDE 模式，將龐大的工程資源直接投入到個別客戶身上。

未來，這些 FDE 專家將直接進駐中大型企業，與客戶端的 IT 人員及第一線員工並肩作戰。從醫療到金融，他們將親自了解員工日常使用的軟體與痛點，為不同產業量身打造專屬的 AI 工作流程與工具，讓 AI 模型真正轉化為實質生產力。

Constellation Research 分析師 Holger Mueller 也觀察到，這個現象顯示 AI 越來越像傳統的企業級軟體。這兩家獲頂尖金融機構注資數十億美元的合資企業，雖然本質上如同傳統顧問公司，但這也證明投資人亟欲在 AI 帶來的龐大利潤中搶佔先機。

AI 巨頭的下一場競爭，是誰能把模型變成企業生產力

《彭博社》分析，OpenAI 與 Anthropic 在開發 AI 技術上耗費數十億美元，現在都希望能透過這些新成立的部署公司來提升 AI 技術的採用率並帶動實質銷售，尤其雙方目前都正朝著最快在今年進行首次公開募股（IPO）的目標前進。

《The Deep View》進一步指出雙方的競逐態勢：雖然 Anthropic 先前已成功建立起「企業界愛用者」的形象，但 OpenAI 在過去幾個月也做出大幅度的轉向，積極切入企業市場。例如，OpenAI 削減部分消費端專案，將更多資源與算力投入到核心模型，更不斷推出 Codex 更新，並透過與 AWS 的合作在企業與政府單位中建立動能。

這兩家公司的最新舉動正式宣告：AI 巨頭之間的競爭，已經不再侷限於誰的模型技術更強大，而是誰能藉由資本力量、專屬工程團隊與強大的企業銷售通路，將 AI 真正部署進企業營運中，成功把模型轉化為實質的企業生產力。

＊本文開放合作夥伴轉載，參考資料：《The Deep View》、《Bloomberg》、《TechCrunch》、《SiliconANGLE》，首圖來源：Unsplash

過去近三十年，Amazon 砸下重金建構屬於自己的物流護城河，以持續降低對美國郵政（USPS）、FedEx 與 UPS 的依賴；現在，Amazon 決定把這項龐大的配送營運，轉化為全新的營收基礎設施。Amazon 近日宣布推出「Amazon 供應鏈服務」（Amazon Supply Chain Services，簡稱 ASCS），將過去專為自家電商與賣家打造的全球物流網路，全面開放給外部企業使用。

《The Verge》形容，Amazon 的野心正是將其配送營運打造成「下一個 AWS」，讓外部企業可以像隨選租用雲端運算資源一樣，將貨運、分發、訂單履約與包裹終端配送等繁瑣的後勤任務，全數外包給 Amazon 負責。

不過，當 Amazon 從單純的零售平台跨界成為「企業級供應鏈服務商」，也立刻引發市場反思：當 Amazon 身兼零售霸主與物流巨頭的雙重角色，企業真的願意將最敏感的物流數據與銷售通路命脈，交給這位潛在的競爭對手嗎？

從內部後勤到外部企業服務：Amazon 如何在物流場域複製 AWS 成功經驗？

Amazon 在過去 30 年建立起橫跨倉庫、飛機、卡車與配送車隊的全球供應鏈，並發展出需求預測、庫存規劃與貨運路線最佳化等頂尖物流技術。自 2006 年以來，獨立賣家已透過 Amazon 履約服務（FBA）出貨了超過 800 億件商品。此外，《WSJ》指出，Amazon 過去 20 年已向第三方賣家提供履約服務，且去年該服務營收高達 1,721.62 億美元，約占 Amazon 總營收的 24%。 

過去，Amazon 的供應鏈服務多半是「零散提供」（piecemeal），企業只能分別使用電商訂單履約或貨運服務，尚未形成完整協調的第三方物流供應商（3PL）銷售模式。這次 ASCS 的重大突破在於，Amazon 把倉儲、運輸管理、國際空運與海運等能力「整合到同一個入口」，讓企業能享有完整的一站式服務。其貨運網路更涵蓋海運、空運、陸運與鐵路，並提供報關與端到端貨件追蹤等彈性服務，根據 Amazon 數據指出，使用這套端到端解決方案的賣家，銷售額甚至提升近 20%。 

《Reuters》引述分析師觀點指出，Amazon 此舉等於將物流從成本負擔轉化為基礎設施產品，完美複製 AWS 於 2006 年從內部 IT 基礎設施演變為全球雲端服務龍頭的發展模式。Amazon 供應鏈服務副總裁 Peter Larsen 也對此表示：「Amazon 正在將其經過數十年驗證的供應鏈基礎設施、智慧和規模帶給各地的企業，就像 Amazon Web Services 在雲端運算方面所做的那樣。」

瞄準高利潤 B2B 市場，ASCS 正式改寫 3PL 競爭版圖

隨著 ASCS 整合上線，等於正式宣告 Amazon 成為 3PL 業者，並直接與 DSV、DHL Group、Kuehne + Nagel 等傳統物流巨頭展開競爭。在 Amazon 宣布開放物流網路後，UPS 與 FedEx 的股價雙雙重挫超過 9%，反映出市場對 ASCS 帶來的龐大競爭壓力感到擔憂。

更讓傳統業者備感威脅的是，Amazon 的切入點不只在消費端，更瞄準「企業對企業（B2B）」的出貨市場。這類 B2B 物流通常更密集、可預測，且服務成本低於消費端配送，這正是 UPS 與 FedEx 等物流業者近年極力追求的高利潤市場，因此 Amazon 的強勢踩線，無疑動搖了傳統業者的獲利基石。

全通路履約效益，對上資料隱私疑慮

ASCS 的服務對象涵蓋了醫療公司、汽車零件製造商等各類企業。Amazon 官方強調，ASCS 可讓企業使用單一庫存池與預測能力，在自家網站、社群媒體通路與實體門市，甚至包括 Walmart marketplace、Shein、Shopify 與 TikTok 等競爭對手的平台上，皆可完成配送與履約。

目前，包括 Procter & Gamble（P&G）、3M、Lands’ End、American Eagle Outfitters 與 Aerie 均已成為試點客戶，應用場景廣泛涵蓋原物料運輸、全球配送、跨通路訂單履約與最後一哩配送。進一步來說，P&G 正透過 Amazon 貨運將原物料送往生產線並配送成品；3M 用來將製造廠產品運往全球配送中心；服飾品牌 American Eagle 則利用包裹網路，實現兩到五天送達全美、每週七日無休的直接配送服務。 

然而，《WSJ》也點出最關鍵的挑戰：企業在外包物流時，極度關注資料隱私。由於 Amazon 過去曾被指控使用第三方商家的非公開資訊與其競爭，儘管 Amazon 始終否認，但這也讓部分企業對交出數據有所保留。

對此，Amazon 供應鏈服務副總裁 Peter Larsen 回應表示，Amazon 嚴格控管誰能存取賣家資料，並明令禁止使用供應鏈客戶資料為自家 marketplace 做決策。他強調，信任早已建立在現有的服務實績上：「我們已經有數十萬名 Amazon 賣家使用這些服務來處理他們在 Amazon 以外的業務量。如果他們不信任我們，外面還有很多其他機會。」

平台化的程度，取決於企業對 Amazon 的信任

對 Amazon 來說，ASCS 的意義在於把支撐電商帝國的供應鏈能力，轉化成像 AWS 一樣可對外銷售的企業基礎設施。對整體物流產業而言，Amazon 的大舉開放，也代表 UPS、FedEx、DHL 等業者未來不僅要面對價格與速度的肉搏戰，更要面對一個已具備倉儲、飛機、卡車與頂尖供應鏈技術的「科技平台型對手」。

這場「物流版 AWS」的戰役能否成功顛覆產業，關鍵除了 Amazon 能否提供更快、更便宜、更完整的服務外，最核心的成敗，取決於企業是否願意放下戒心，完全信任 Amazon 不會將供應鏈數據變成壯大自家零售版圖的武器。

＊本文開放合作夥伴轉載，參考資料：《Reuters》、《WSJ》、《The Verge》、Amazon，首圖來源：Amazon

企業監控員工早已不是新鮮事，但在 AI 推波助瀾下，這場職場監控正迎來令人高度關注的改變。《The Atlantic》報導，新一波「情感人工智慧」（emotion AI，或稱 affective computing）浪潮正席捲而來，讓企業的焦點從單純的生產力追蹤，擴大到更深層的行為剖析，也就是雇主現在不只會看你做了多少事，更要分析你今天上班是否夠投入、夠正向，甚至態度是否具備高度的友善與協作性。

與此同時，AI 不只要看透你的情緒，還要複製你的工作技能。《Reuters》指出，科技巨頭 Meta 已開始擷取員工的電腦操作數據來訓練 AI。當員工的情緒被量化、日常操作成為演算法的燃料，我們熟知的職場生態正在被重塑。

「數位讀心術」的商業化與應用場景

現在，emotion AI 技術正快速在各大領域商業化。以新創工具 MorphCast 為例，該公司聲稱能利用 AI 直接從人類的臉部表情，精準判讀使用者的情緒起伏與注意力高低。這種宛如「數位讀心術」的技術，不僅已被授權應用在心理健康 App 與校園學童注意力監測，連麥當勞都曾將其導入葡萄牙的品牌行銷活動中，藉由掃描 App 使用者的臉部，根據顧客當下的「心情」來派發專屬的個人化優惠券，足見其龐大的商業潛力。此外，這類技術導入門檻極低，《The Atlantic》記者實測指出，不需安裝特殊軟體即可免費試用，且分析過程中未必需要取得同意。 

另一方面，當 emotion AI 被包裝成企業分析工具進入職場，最初主要被用來處理基層員工的績效問題，尤其常見於客服與藍領工作場域。例如，貨運公司開始使用眼球追蹤、高靈敏錄音設備與腦波掃描器，來偵測司機是否出現壓力或疲勞跡象；速食連鎖店 Burger King 甚至正在試點一款名為 Patty 的 AI 聊天機器人，並將其嵌入員工的耳機中，專門用來即時評估員工的互動是否足夠友善。在金融領域，First Horizon Bank 的 AI 系統甚至會在監測到客服員工壓力過高時，主動於螢幕上播放員工家人的照片以試圖緩解情緒。 

向上蔓延的監控網：白領階級的通訊軟體、會議與面試全面 AI 化

《The Atlantic》指出，emotion AI 的下一個大規模應用場景，就是白領工作圈。過去白領員工較少受到嚴密監控，但如今數位足跡已成為新標的，例如在日常協作方面，Slack 的整合工具 Aware 宣稱可持續監測內部訊息中的「情緒與毒性」；Microsoft Azure 理論上也允許雇主使用 AI 批次分析員工的聊天訊息。

對於遠距視訊，MorphCast 推出的 Zoom 擴充功能，能即時追蹤會議參與者的注意力、興奮度與正向程度。此外，這類技術也開始導入招募與人資領域，開發 emotion AI 的 Imentiv AI 公司，建議客戶把情緒分析用於求職面試流程中，承諾能為雇主提供候選人的情緒參與度、情緒正負向（valence）與人格類型的詳細分析。至於製造隔音辦公艙的 Framery，更曾測試在辦公椅中加入生物感測器，以量測員工的心率、呼吸率與緊張程度。

除了監控當下的表現，企業更開始徵用員工的「行為軌跡」來發展未來的 AI 代理（AI Agent）。根據《Reuters》報導，Meta 正在美國員工的電腦上安裝全新的追蹤軟體，全面擷取滑鼠移動、點擊、鍵盤輸入與螢幕畫面。雖然 Meta 發言人強調，這些資料將不會用於績效評估或其他目的，只會用於 AI 模型訓練，以解決 AI 在使用電腦介面時的障礙，並稱已設下保護「敏感內容」的措施，但耶魯大學法學教授 Ifeoma Ajunwa 仍對此發出警告：「擷取員工的鍵盤輸入讓資料蒐集的目標更進一步，也讓白領員工承受過去較常見於外送員與零工工作者才會經歷的即時監控程度。」

Ifeoma Ajunwa 表示，美國聯邦法律對職場監控幾乎沒有任何限制。相較之下，多倫多約克大學的法學教授 Valerio De Stefano 指出，這類作法極可能違反歐洲的 GDPR 規範，例如在義大利，利用電子監控追蹤生產力的行為明確違法，德國法院也僅允許在涉嫌嚴重犯罪這一類極端例外情況下，才能使用鍵盤側錄。

效率工具踩上信任紅線：情緒判讀的盲區與演算法偏見

面對這張天羅地網，《The Atlantic》點出了這類工具最核心的致命傷：它們未必能準確完成任務。舉例來說，鍵盤追蹤器不一定能分辨「無意義的打字」與「專注的知識產出」，而 App 的使用時間也不必然能代表工作品質。《紐約時報》就曾揭露，聯合健康集團（UnitedHealth Group）的監控程式會因為「鍵盤閒置」而扣減社工的績效分數，卻完全沒考量到他們當時其實正在與病患進行實體的諮商對談。 如果電腦連單純的生產力都可能判讀錯誤，將同樣技術套用在極度複雜的人類情緒上，風險將會呈指數級放大。

《The Atlantic》引述研究指出，AI 往往會複製其訓練資料中的偏誤。此外，許多 emotion AI 產品的底層邏輯仍建立在心理學家 Paul Ekman 提出的「六大基本情緒」理論上，但這套理論在過去幾十年來已被廣泛批評為過度簡化且具有方法學上的缺陷。

對此，神經科學與心理學學者 Lisa Feldman Barrett 嚴正表示：「你的動作，無論是在臉上、身體上，還是你發出的語調，都不具有固定的情緒意義，它們具有的是關係意義。」 意即，這些意義會隨著對話情境、個人體質、文化與氛圍而發生變化，AI 僅憑單一維度進行評分，將極易造成荒謬的誤判。

去年歐盟已正式禁止在職場使用 emotion AI，但全球 emotion AI 市場仍被預估將在 2030 年成長至 90 億美元。面對這樣的趨勢，《The Atlantic》拋出一個令人深思的警訊：在不遠的未來，員工可能不只被要求工作得更努力、工時更長，還可能會被要求看起來「更快樂地工作」。當 emotion AI 深入客服、會議、面試與白領協作工具，企業在導入這些「效率工具」時所面臨的挑戰，除了隱私保護之外，更牽涉到員工信任、演算法偏誤，以及勞工的「職場尊嚴」是否正在被科技重新定義的嚴肅課題。

＊本文開放合作夥伴轉載，參考資料：《The Atlantic》、《Reuters》，首圖來源：AI 工具生成。

Anthropic 近日推出 10 款專為金融服務業打造的 AI 代理程式（AI Agents），全面鎖定銀行、保險、資產管理與金融科技等關鍵場景。這項發布讓過去耗時費力的提案簡報草擬、財報估值審查，甚至是繁瑣的合規與客戶身分審查（KYC）任務，現在都能交由 AI 代勞，更顯示 Anthropic 正把旗下模型 Claude 從「開發者專用的寫程式工具」，大舉推進至華爾街白領的日常工作流中。

《Reuters》報導，Anthropic 近日在一場活動簡報上寫道：「程式開發領域已被永遠顛覆，下一個就是金融業。」這句話也點出 Anthropic 的強大企圖心：他們正急起直追，試圖將 AI 顛覆軟體開發的爆發性成長經驗複製到金融圈，全力搶下金融業這個 AI 落地應用的新市場。

10 款金融 AI 代理程式瞄準高耗時任務，從提案簡報到 KYC 都能接手

Anthropic 表示，這 10 款「隨插即用」的代理程式範本，是專為金融服務中最耗時的工作所設計，包含建立提案簡報、篩選 KYC 檔案，以及協助月底的關帳作業。

在研究與客戶服務場景中，Claude 代理程式可協助建立目標清單、執行可比公司分析、為客戶會議草擬提案簡報，並在通話前整理客戶與交易對手的背景摘要。而在財務與營運場景中，Claude 代理程式可檢查估值是否符合相似企業指標、評估方法論與公司審查標準，也可執行關帳清單、準備會計分錄並產出關帳報告。

《華爾街日報》指出，Anthropic 這次推出的金融 AI 代理程式，是該公司擴大企業客戶版圖，並朝最快今年首次公開發行（IPO）邁進的戰略之一。《Business Insider》也將這次發布定位為 Anthropic 替華爾街處理「繁瑣苦差事（grunt work）」的重大舉動，指出這些代理程式將大幅改變準備客戶會議、進行市場研究、建立財務模型與製作提案簡報的運作方式。

Claude 串接微軟 Office 與金融資料源，讓 AI 代理更貼近日常工作流

為求無縫融入現有工作環境，Anthropic 表示 Claude 現在可透過外掛程式直接在 Excel、PowerPoint、Word 與 Outlook 中運作，讓工作情境能在不同應用程式之間自動延續上下文。在 Excel 中，Claude 可根據申報文件與數據源建立財務模型、檢查連結活頁簿的公式並執行敏感度分析；在 PowerPoint 中，Claude 可草擬會隨底層數據自動更新的簡報；在 Word 中，Claude 則可依照公司模板編輯信用備忘錄。《Fortune》指出，與 Microsoft 365 整合對金融服務公司意義重大，因為分析師每天有大量時間都在試算表、簡報與電子郵件之間切換，這將大幅減少跨平台操作的摩擦。

此外，Anthropic 同時擴大 Claude 的金融資料生態系，讓 Claude 可連接 FactSet、S&P Capital IQ、MSCI、PitchBook、Morningstar 等市場資料、研究平台與企業內部系統。官方更進一步新增 Dun & Bradstreet、Fiscal AI 等多個資料庫連接器，並讓 Moody’s 透過專屬應用程式，將超過 6 億家公私營公司的信用評等與資料直接帶入 Claude 中，確保 AI 代理能基於可靠的真實數據進行運算。

在生態系佈局上，Anthropic 近日也宣布與黑石集團（Blackstone）、Hellman & Friedman 以及高盛（Goldman Sachs）成立規模達 15 億美元的合資企業，目的是將 Claude 的 AI 服務直接深度嵌入這幾家私募股權巨頭旗下眾多的中型投資組合公司中，建立起史無前例的軟體分銷管道。 

金融代理程式不只搶工作流，也讓 SaaS 與資料商面臨壓力

《Reuters》報導，Anthropic 執行長 Dario Amodei 近日在活動上談及 AI 對軟體業的衝擊，並對軟體的未來做出嚴峻預測。他表示，AI 將使軟體開發變得更便宜並帶動整體產業成長，而那些正面迎戰並導入 AI 的公司會表現比以往更好。同時，他也強烈警告，另一批軟體公司可能會因為沒有因應這波變化而失去市值、破產，甚至完全倒下。

《Business Insider》觀察，金融 AI 代理程式市場競爭激烈，除了 Anthropic，還有新創公司 Rogo、Hebbia，以及摩根大通（JPMorgan）和高盛（Goldman Sachs）等大型銀行內部部署的 AI 工具。專家預期，金融 AI 工具未來可能會圍繞少數核心模型供應商進行整併，而成功的關鍵將取決於特定領域的資料專業化、工作流設計與治理架構的完善度。

《華爾街日報》提到，金融服務是 Anthropic 第一個垂直產業焦點，目前也是該公司僅次於科技業的第二大企業營收來源。面對這塊大餅，競爭對手 OpenAI 也正積極進軍金融業，不僅擁有紐約梅隆銀行（BNY）與 BBVA 等客戶，並曾與 Intuit 合作，目前更計畫與私募股權公司建立合資企業，以擴大自家 AI 工具的業界採用率。

金融業成為 Anthropic 驗證 AI 代理程式商業化的壓力測試場

針對 AI 在企業端的實際落地挑戰，Anthropic 金融服務負責人 Jonathan Pelosi 指出，這些新舉動的目的是為了彌合 AI 發展速度與金融企業實際採用能力之間的巨大落差。Anthropic 執行長 Dario Amodei 則進一步強調，AI 商業化與營收成長面臨的限制，並非來自模型本身的能力或可創造的經濟價值，而是這項技術向全世界擴散普及的速度。

從開發程式碼的工具到處理複雜財務的代理程式，Anthropic 正把 AI 從開發者的專屬武器，進一步推向銀行、保險與資產管理的日常工作流。如今，金融場域儼然成為 Anthropic 與 OpenAI 證明企業級部署能力與推動營收爆發式成長的關鍵戰場。

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、Anthropic、《WSJ》、《Business Insider》、《Reuters》、《Fortune》，首圖來源：Anthropic

半導體產業正在經歷一場由 AI 驅動的市場版圖大遷徙，其中亞洲正躍升為全球 AI 生態系的核心。三星電子（Samsung Electronics）近日市值正式衝破 1 兆美元大關，成為繼台積電之後，亞洲第二家躋身「兆元俱樂部」的科技巨頭。這也宣告市場邏輯的根本改變：過去總被視為會隨著市場大起大落的記憶體晶片，如今已打破數十年來的景氣循環宿命，DRAM、NAND 與 HBM 正式被資本市場重新定義，成為 AI 基礎設施堆疊中不可或缺的「結構性關鍵」。

與此同時，全球晶片供應鏈的另一端也正悄悄洗牌。當龐大的 AI 晶片需求持續擠壓先進製程產能，加上無法忽視的地緣政治風險，科技巨頭們的「產能焦慮」正在發酵。市場傳出，Apple 已向三星與 Intel 遞出橄欖枝並展開探索性討論，評估將部分裝置處理器產能移轉至美國本土製造。這也代表，尋找「台積電以外的 Plan B」已逐漸演變為半導體供應鏈重組的焦點。

AI 狂熱推升股價，三星強勢叩關「兆元俱樂部」

受惠於對 AI 晶片的強勁需求，三星股價在過去一年翻逾四倍，並在 5 月 6 日盤中一度上漲 13%，讓公司市值一舉衝破 1 兆美元。FactSet 資料顯示，三星其實早在今年 2 月 26 日就曾短暫跨越 1 兆美元市值門檻，這次的創紀錄漲勢則象徵延續投資人對 AI 相關股票的強烈追捧。

《Bloomberg》指出，三星、SK Hynix 與台積電都位於全球 AI 生態系的核心，亞洲的晶片製造與資料基礎設施正成為 AI 轉型的重要基石。這波狂熱不僅帶動三星與 SK Hynix 的股價大漲，更推升韓國 Kospi 基準指數首次突破 7,000 點大關，顯示 AI 晶片需求已從企業題材，擴張成為帶動整個韓國資本市場的主軸。

從 DRAM、NAND 到 HBM4，記憶體成為 AI 基礎設施關鍵戰場

股價狂飆的背後，是可觀的獲利支撐。三星半導體部門在今年第一季創下獲利年增 48 倍的歷史性成績，主因正是 AI 資料中心訂單帶來的高昂利潤。《CNBC》指出，三星第一季營業利益就達到 57.2 兆韓元，直接超越 2025 全年的 43.6 兆韓元表現，凸顯 AI 記憶體需求對獲利的驚人推動力道。

Morningstar 分析師 Yu Jing Jie 分析，AI 對高頻寬與儲存的需求極其強烈，進而造成 DRAM 與 NAND 記憶體晶片的嚴重短缺。由於新的半導體產能通常需要 2 至 3 年才能上線，因此短期內供給仍將受限，這可望支撐未來 1 至 2 年的獲利成長與利潤率。

此外，儘管三星在 HBM 市場的早期領先地位一度被 SK Hynix 超越，但三星在 2 月宣布，已成為全球首家開始量產 HBM4 並交付客戶的公司。HBM4 作為第六代高頻寬記憶體，預期將在 NVIDIA 即將推出的 Vera Rubin AI 架構中扮演關鍵角色，加上客戶反饋良好，預期將有助於縮小三星與 SK Hynix 之間的技術差距。

Apple 尋找台積電以外的備案，半導體競爭擴大到產能與地緣風險

就在亞洲記憶體巨頭狂歡之際，歐美科技大廠則在為未來的晶片供應未雨綢繆。《Bloomberg》報導，Apple 正與 Intel、三星洽談為其裝置製造處理器，試圖分散長期高度依賴台積電的供應鏈風險。

儘管台積電在最先進半導體製造能力上穩居霸主，但其主要營運位於台灣，面臨著潛在的中國入侵風險，可能導致晶片供應中斷。同時，暴增的 AI 晶片需求也佔用台積電越來越多的製造產能。Apple 在上週第二季財報中也坦言，有限的晶片供應正在限制最新 iPhone 與 Mac 電腦的成長，其中在 AI 開發者間極受歡迎的桌機型號 Mac Mini 與 Mac Studio 受到的影響尤其嚴重。

半導體賽局擴大，但三星仍面臨內部挑戰

三星突破 1 兆美元市值，反映的是 AI 記憶體需求正讓市場重新評價三星、SK Hynix 與台積電等亞洲半導體核心企業。從 HBM4、DRAM、NAND 的全面短缺，到 Apple 評估 Samsung 與 Intel 作為台積電之外的製造選項，這場半導體競爭早已擴大到 AI 資料中心需求、記憶體供給、產能分配與供應鏈分散等全方位戰略層面。摩根大通資產管理亞太區股票團隊主管 Mark Davids 表示，目前整體企業獲利走強幾乎都集中在科技板塊，三星的強勁財報正反映出這些科技巨頭能獲取「超額利潤（outsized profits）」的罕見時期。 

然而，《Bloomberg》也提醒，在這波 AI 浪潮下，三星仍面臨著手機與顯示器業務下滑、材料與零組件成本上升等挑戰。此外，員工要求分享 AI 帶來的巨額利潤，並威脅於月底發動長達 18 天的罷工，也將是三星短期內必須克服的內部隱患。因此，這家科技巨頭能否妥善化解危機，並緊抓這波打破傳統景氣循環的「記憶體超級週期」，將是在激烈的半導體戰局中穩坐兆元王座、延續這場獲利奇蹟的關鍵。 

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《CNBC》、《The Information》，圖片來源：Unsplash

知名創投家 Marc Andreessen 曾說：「軟體將吃掉世界。」現在，AI 正準備一口吞下軟體產業，而且許多當今最大的 SaaS（軟體即服務）巨頭，恐怕無法在這場淘汰賽中生存。

SaaS 曾在雲端時代扮演顛覆者的角色，讓 Sun Microsystems、Computer Associates、PeopleSoft 與 Siebel Systems 等 2000 年代初期的傳統軟體巨擘被收購並失去主導地位。如今歷史正在重演，AI 正反過來對 SaaS 產業施加殘酷的生存壓力。

《Business Insider》報導，Citizens 分析師 Pat Walravens 警告：如同雲端時代曾無情淘汰當年排名前 20 大軟體公司中的一大部分，今日頂尖的 SaaS 公司中，預計有高達三分之二無法撐過這波 AI 轉型期。「沒有人會直接宣告破產，」Pat Walravens 直言，「但最終他們會被收購，或是被迫整併到其他公司或平台之中，逐漸失去主導權。」

這也代表，AI 帶來的衝擊已經成為一場重新洗牌的產業淘汰賽，正劇烈顛覆企業軟體公司的營運根基、商業模式與組織配置。

AI 重寫 SaaS 存活條件：基礎設施型公司較有機會勝出

在這場淘汰賽中，並非所有軟體公司都處於劣勢。Pat Walravens 將 SaaS 公司分為基礎設施型與應用型兩類，並指出：「一般來說，基礎設施領域的公司日子比較好過。」他認為 Twilio、Bandwidth 等雲端通訊基礎設施公司較有機會受惠於 AI 浪潮，因為企業正急於利用 AI 來取代傳統客服中心，若要讓 AI 代理進入真實客戶互動場景，仍需要可靠的後端通訊與資料基礎設施作為支撐。

Bandwidth 執行長 David Morken 進一步解釋：「AI 讓軟體更容易被打造與替換，但也讓底層的基礎設施變得更不可或缺，這是因為 AI 代理的『智慧』，取決於它與現實世界連結的程度。」

相較之下，SAP、Workday、ServiceNow、Atlassian 與 Adobe 等應用型軟體公司則面臨更大衝擊，股價在過去一年中都曾大幅下跌，原因在於這類執行特定任務的服務，更容易被 AI 工具複製或取代。

三大測試浮現：營收成長、用量制收費、產品是否容易被 AI 複製

為了評估 SaaS 公司能否順利度過危機，Pat Walravens 建議可以透過三個指標進行測試。首先是觀察其「有機營收成長是否加速」，這是判斷企業 AI 策略是否奏效的良好跡象。其次是商業模式，是否採用更接近 AI 邏輯的「用量制收費」，通常會比傳統的按人頭計費表現得更好。

第三個關鍵指標則是產品被複製的難易度。Pat Walravens 提醒，若一家公司的產品容易被 Claude、OpenAI、Cursor 等 AI 寫程式工具以「vibe coding」方式快速複製，「那你們的處境就真的非常糟糕了。」他警告：「有太多方法可以透過 AI 快速寫出一個不錯且簡單的解決方案。」這正是為何 Asana 與 HubSpot 等公司正面臨龐大壓力。

不過，AI 也為積極轉型的企業帶來超車機會。《Business Insider》提到，商旅軟體 Navan 因一開始就積極導入 AI，因此被視為有機會挑戰 SAP Concur 等既有商旅工具的成功案例。Navan 總裁 Michael Sindicich 表示：「舊有的企業差旅工具基本上就像恐龍，從 90 年代起就沒什麼改變，Navan 提供了根本不同的服務，因為我們從第一天起就用 AI 來打造產品，這代表我們能為旅客和財務團隊提供卓越的價值與體驗。」

此外，深度嵌入企業客戶、處理敏感資料並建立信任基礎的複雜軟體，仍保有穩固的立足點。Pat Walravens 強調：「如果這些企業能從現有供應商那裡獲得他們想要的 AI 解決方案，他們就會繼續使用現有供應商，因為風險較低。」

Freshworks 宣布裁員 11%：AI 衝擊已進入軟體公司的組織重整

現在，AI 對 SaaS 產業的威脅不僅停留在分析師的預測，更已實際轉化為軟體公司的內部組織重整與人力精簡。《Reuters》報導，軟體商 Freshworks 近日宣布裁減約 11% 人力、近 500 個職位，以因應 AI 推動的產業變革。同業 Atlassian 先前也同樣宣布削減約 10% 的職位。

Freshworks 執行長 Dennis Woodside 指出，這項決定部分是由於產品與工程部門導入 AI，以及企業日常任務的自動化所致。他強調：「我們有一半以上的程式碼是由 AI 撰寫的。」並表示自動化降低了對人力的需求。這類調整也反映出，軟體公司正試圖用自動化重塑產品與組織，同時想辦法抵消導入 AI 帶來的龐大成本。

這波 AI 浪潮對 SaaS 的真正挑戰，在於許多 AI 工具已成為傳統軟體製造商的「潛在生存威脅」。因此，軟體公司必須證明自身產品、資料、流程與客戶關係不會輕易被 AI 取代。接下來，SaaS 產業的競爭核心，將是誰能在 AI 讓軟體更容易被複製的時代中，成功保住不可替代的基礎設施、信任與企業流程的關鍵位置。

＊本文開放合作夥伴轉載，資料來源：《Business Insider》、《Reuters》，圖片來源：Unsplash

「未來基本上就是 AI 對 AI，」談到未來的資安格局，VicOne 執行長鄭奕立強調，隨著生成式 AI 技術快速成熟、具身 AI（Physical AI）迎來爆發期，AI 正跨越螢幕與雲端，擁有能直接影響現實世界的身體與大腦。

面對這波從虛擬邁向物理世界的全新挑戰，VicOne 憑藉過往在全球軟體定義汽車領域累積的深厚防護經驗，積極將資安戰線從智慧車延伸至機器人、無人載具與無人機等領域，防範失控的 AI 模型對周遭人類帶來的致命風險。

AI 機器人的資安挑戰不只在模型，也在硬體極限

從底層架構來看，智慧車與機器人的軟體架構及通訊協定高度相似，但在 AI 模型的感知與控制上，卻有著顯著差異。鄭奕立解析，車用 AI 模型的主要任務是「防撞」，仰賴視覺與距離感測，本質上偏向 2D 空間的運作。然而，因為機器人有實際執行任務的需求，在做拿取物品、削水果等複雜動作時，就必須具備強大的「空間智慧（Spatial Intelligence）」，才能讓 AI 精準判斷環境的厚度、深度與距離。

更具挑戰的是硬體的先天限制。鄭奕立指出，傳統 IT 領域為了控制成本，機器人的硬體算力通常設計得「剛剛好」。這代表企業的思維不能像過去買傳統 PC 一樣，「買回來覺得需要再安裝防毒軟體」，因為機器人其實沒有多餘的容量安裝後加的防護程式。因此，鄭奕立提醒，這種硬體極限，將徹底顛覆企業「先買設備、再想資安」的傳統採購習慣。

一張圖就能讓機器狗失控：VicOne 揭 Physical AI 的五大攻擊面

VicOne 團隊也現場展示一隻內建 AI 視覺模型的機器狗。這隻機器狗在辨識到特定圖像時，原本的設定是會做出「比愛心」的動作；然而，一旦在視覺鏡頭前貼上一張特別設計的圖像進行視覺干擾後，機器狗的認知就會瞬間被扭曲，立刻失控轉為對著目標「揮拳攻擊」的模式。

鄭奕立解釋，這並非遙控作假，而是真實打中了 AI 模型的軟肋。當機器人將捕捉到的視覺影像轉換為語言模型來理解並執行動作時，若系統底層的安全護欄（Guardrails）沒有建置完善，那麼駭客僅憑一個簡單圖像，就能輕易達成提示詞注入（Prompt Injection），進而竄改機器人的控制權。

透過這個案例，鄭奕立進一步剖析，針對機器人的資安攻擊面主要可劃分為五大維度。除了上述最核心且最危險的 AI 模型攻擊之外，還包含直接針對機械設備漏洞下手的物理硬體層面、利用視覺或干擾 GPS 訊號的感知層面、鎖定機器人為了防盜與管理而勢必需要連網的雲端與軟體應用，以及最容易成為攻擊突破口、如同入侵手機與物聯網一般脆弱的無線通訊領域。

機器人進入實體場域後，資安防線不只要防駭客也要防環境誤導

「機器人的資安防禦，其實比純數位環境更難搞定，」鄭奕立坦言，建立機器人資安防護的過程中，最大的痛點在於現實世界充滿不可控的變數。當機器人走入家庭或複雜工廠，隨便一張亂丟在旁邊的報紙廣告、或是一本童話書，只要落入機器人的視覺範圍，都可能讓 AI 模型產生非預期的認知與設定。

同時，攻防雙方也處於極度不對等的狀態。在「AI 對 AI」的時代，駭客發動攻擊的成本極低，他們可以直接利用 AI 自動去尋找目標 AI 模型的盲點，只要防禦被穿透一次，駭客的攻擊手法就能輕易被自動化與大規模複製。

當機器人走進更多場域，資安防線必須從採購前就開始

面對嚴峻的物理 AI 防禦戰，鄭奕立強烈呼籲企業：在導入機器人前，第一步是「學習如何與機器人共處」，並且「務必先訂定資安規範，再進行採購」。他強調，企業千萬不要貿然買了幾台機器人就直接丟進工廠，因為機器人的運行會直接牽涉到員工的人身安全。

對此，鄭奕立建議企業可以依循三步驟，來增強 AI 機器人的資安防護。首先是在「開發期」，於製造與訓練模型的過程中，就先確保 AI 模型本身的安全性。其次，進入「模擬期」後，利用如 NVIDIA 提供的模擬環境，在機器人實際落地前，先於虛擬世界中進行「零成本」的 AI 弱點掃描與攻擊防禦測試，提早在出廠前防堵潛在的破口。最後則是在「運行期」，考量到 AI 模型會不斷更新改版，防護機制必須持續在系統底層運作，保護 AI 模型不會遭到惡意竄改。

隨著開源模型成熟與硬體成本大幅降低，如今部分中國製造的機器狗，價格甚至已逼近一台高階智慧型手機。在可見的未來，從幫你下樓拿咖啡，到回到家幫忙煮飯、打理家務，機器人將如現今的手機一樣普及。當「一人多機」的時代到來時，具身 AI 的資安將不再是遙遠的科技名詞，而是每個人生活中不可或缺的基礎建設。

長久以來，要讓機器人精準抓取、移動、拆解或組裝物體，遠比教它們走路或說話困難得多，這也是人形機器人一直無法在現實世界大規模落地的關鍵門檻。然而，法國機器人新創 Genesis AI 正在逐步打破這道技術門檻。

Genesis AI 近日正式發表專為機器人打造的基礎 AI 模型 GENE-26.5，並同步推出一隻高度接近人類靈巧度的實體機械手，目標是賦予機器人前所未有的適應力，讓機器人跨入「會動手做事」的新階段。

會煮飯、打蛋、彈鋼琴，Genesis AI 用 Demo 展示人類級靈巧操作

為了具體展現 GENE-26.5 的實力，Genesis AI 釋出一系列令人驚豔的自主執行影片，全程以原速呈現且無人類遠端操控。在展示影片中，機器人能流暢完成高達 20 個步驟的料理任務，包含切番茄、單手打蛋，甚至能雙手製作冰沙並完成遞送，或是單手抓取並分類四個不同大小的物體，以及在空中連續操作解開魔術方塊。此外，機器人還能彈奏約 130 BPM 的快節奏鋼琴樂曲，並進行複雜的線束整理。

不過，這些任務並非「零樣本學習（zero-shot）」，機器人仍需針對特定任務進行事前訓練。Genesis AI 執行長 Zhou Xian 解釋，以料理 Demo 為例，需要數百條操作軌跡來訓練機器人打蛋或切番茄，一項 30 秒的複雜技能，背後大約需要數小時的人類示範資料，加上不到半小時的機器人執行資料。

在成功率方面，多數料理步驟已能達到 90% 至 95% 的成果，儘管難度極高的「單手打蛋」與「用刀轉移番茄」在拍攝時成功率約為 50% 至 60%，Zhou Xian 仍自豪地表示：「這可能是機器人有史以來，以最貼近人類的方式、效率與速度所執行的最複雜任務。」他也透露，目前機器人約已達到人類操作速度的 60% 至 70%，雖然操作問題尚未被徹底解決，但已邁出關鍵一步。

突破操作瓶頸，打造從模型到硬體的全棧式路線

為什麼 Genesis AI 能達成這項成果？關鍵就在於他們決定走全棧式（full-stack）路線。最初，公司的目標只是打造更好的機器人模型，但團隊很快意識到，機器人長期受限於「體現差距（embodiment gap）」，意即人類手部與傳統機器爪的形狀差異過大，導致機器人很難直接從人類的真實資料中學習。

為了解決這個硬傷，Genesis AI 不僅開發 AI 模型與模擬器，更親自打造一雙具有 20 個自由度與 20 顆馬達的「仿人機械手」。與傳統透過前臂馬達和肌腱線纜驅動的設計不同，這雙仿人機械手的馬達直接配置在手部，大小與形狀也極度接近人手，大幅縮小與真實世界條件的差距。

同時，Genesis AI 還推出配備觸覺感測電子皮膚的「資料訓練手套」，能建立手套、人手與機器手之間「1:1:1」的對應關係。因此，透過結合網路資料，以及訓練手套蒐集來的人類手部動作與觸覺、力覺訊號，Genesis AI 得以建立龐大的資料引擎。此外，團隊也開發具備超寫實物理運算的模擬系統，透過縮小模擬與現實的差距，讓 AI 模型的訓練與改善比傳統實體測試更快速。

從展示走向產業：優先鎖定汽車、電子、製藥與物流場景

在擁有強大軟硬體整合能力後，Genesis AI 正積極將 GENE-26.5 推向產業應用，並與法國、德國、義大利的潛在客戶進入進階洽談。Genesis AI 總裁 Theophile Gervet 指出，優先布局歐洲的原因在於當地擁有頂尖人才，且歐洲深厚的工業基礎本身就是 Genesis AI 的首要市場。

Genesis AI 目前鎖定汽車、電子、製藥與物流等產業，目標是解決傳統機器人難以處理的精細或變動性任務，例如電子業中極度困難的「線束整理」，因為需要將電纜整理成束並固定，這正是 Genesis AI 能大展身手的地方。

另一方面，為了持續擴充機器人的技能庫，Genesis AI 正與工業夥伴洽談，計畫讓數萬名實驗室技術員或製造業員工在日常工作中配戴感測手套，並搭配第一人稱視角影片來蒐集真實世界資料。這次的技術發表，也讓 Genesis AI 與同樣開發工業靈巧手、估值上看 60 億美元的中國新創 Linkerbot 展開直接競爭。

Genesis AI 預計很快就會公開第一款通用的機器人，正如 Zhou Xian 所強調的，他們的最終目標是「打造最有能力的機器人系統」。因此，GENE-26.5 的真正價值是將 AI 模型、仿人機械手、資料手套與模擬系統進行深度整合，並透過這套系統，讓 Genesis AI 正面突破機器人走向真實世界時最困難的「手部操作」瓶頸，並讓 Physical AI 真正具備執行複雜任務的能力，逐步實現 Zhou Xian 眼中「十年內，工廠機器人與家用機器人將不再有根本差異」的長遠願景。

＊本文開放合作夥伴轉載，資料來源：《TechCrunch》、《Reuters》、《The Robot Report》、《Business Insider》，圖片來源：Genesis AI

近年來，全球製藥業投入數十億美元押注 AI，期盼能藉此加速新藥發現與開發速度。然而，儘管業界對此寄予厚望，但目前仍缺乏明確證據顯示 AI 能大幅提高新藥臨床試驗的成功率。

相較之下，AI 在「製造端」的效益卻已經率先浮現。以生產糖尿病與減重藥物聞名全球的美國製藥巨頭 Eli Lilly（禮來）為例，其資訊與數位長 Diogo Rau 就明確表示：「現實情況是，到目前為止我們看到的所有 AI 效益，實際上並非來自藥物探索，而是來自製造與其他流程。」

另一方面，專精於癌症與免疫疾病治療的美國跨國藥廠 Bristol Myers Squibb（必治妥施貴寶，簡稱 BMS），其位於麻州 Devens 的藥廠便為此提供了一個具體的成功案例：透過 AI 監控生物製程變數，成功讓藥品產量大幅提升約 40%。

BMS 將 AI 導入生物製程，藥品產量躍升 40%

BMS 位於美國麻州 Devens 的工廠，主要負責製造用於治療癌症等疾病的基因工程蛋白質藥物。在世界經濟論壇（WEF）與麥肯錫（McKinsey）今年表彰的全球 23 座創新製造基地中，Devens 工廠更是唯一入選的美國製造商。

在這座工廠裡，科學家會將活細胞放入容量高達 2,000 公升的不鏽鋼生物反應器中培養數週。由於細胞生長環境極為脆弱，溫度、光線或 pH 值等細微變化都可能讓細胞停止生長，進而導致危及病患的藥品短缺。過去，科學家往往得苦等到整個製程結束後，才能回頭檢視究竟是哪個環節出錯。事實上，直到 2020 年，Devens 廠房的員工仍在使用 Excel 試算表處理部分任務，甚至以手寫方式填寫記錄每個生產步驟的批次紀錄。

如今，BMS 導入 AI 系統來密切監控溫度與氧氣濃度等重要變數，一旦數據出現異常，系統會立刻提醒技術人員即時介入。BMS 執行副總裁兼首席供應鏈與營運長 Karin Shanahan 強調：「我們現在能夠在製造過程中直接介入處理批次，而不必等到最後一刻。」

此外，AI 還會分析過去的批次資料，主動提出製程修正建議。例如，當氧氣濃度偏低時，系統會自動建議補充氧氣；若 pH 值偏高，系統也會建議進行修正，甚至能精準預測最佳的細胞收成時間點。BMS 發言人指出，這些創新技術已讓 Devens 工廠在臨床試驗與商業用藥的產量上，大幅提升約 40%。

Eli Lilly 運用數位孿生解決產能瓶頸，優化糖尿病與減重藥製程

除了 BMS，面對市場需求爆發的 Eli Lilly 也藉由 AI 找到突破產能天花板的方法。近期，Eli Lilly 旗下熱銷的糖尿病藥物 Mounjaro 與減重藥物 Zepbound 需求暴增，導致初期出現廣泛缺貨潮。公司高層一度認為，他們已經將 Mounjaro 與 Zepbound 兩款藥物的主要活性成分 tirzepatide 產能推到極限。

為了測試是否還有進一步增產的空間，Lilly 去年為 tirzepatide 的製造流程建立「數位孿生」進行模擬，並透過內部開發的機器學習工具運行測試。結果這套 AI 工具成功找出製造設備內部壓力與溫度等變數的不同組合，協助 Eli Lilly 精準判斷哪些參數可以被調整，進而縮短整體製程。雖然 Eli Lilly 並未具體透露製程縮短的幅度或增產的實際規模，但 Eli Lilly 資訊與數位長 Diogo Rau 表示，這項改善讓公司得以觸及更多病患，效果「令人震驚」。

《華爾街日報》對此也評論，對藥廠而言，目前 AI 最明確且立竿見影的回報，多半來自於加快製造速度與精簡後勤任務，而非突破性的藥物研究成果。RBC Capital Markets 估計，這些技術預計在未來五年內能為美國製藥業節省約 900 億美元。

AI 尋找新藥仍待驗證，製造端率先成為落地突破口

事實上，全球製藥巨頭對於 AI 的投資毫不手軟。《華爾街日報》指出，包括 Eli Lilly、Roche（羅氏）、GSK（葛蘭素史克）、AstraZeneca（阿斯利康）與 Merck（默克）等國際大廠，近幾個月已陸續宣布投入數十億美元，與科技公司及 AI 生技新創展開合作，期盼全面改造製藥流程。

以 Eli Lilly 為例，該公司先是在去年 10 月宣布與  NVIDIA 合作打造號稱製藥業最強大的超級電腦，隨後又在今年 1 月把這項計畫擴大為規模 10 億美元、為期 5 年的深度合作，讓雙方科學家與工程師在灣區的新實驗室中共同開發 AI 新藥工具。

然而，理想與現實仍有落差。RBC Capital Markets 分析師 Trung Huynh 點出，業界曾高度期待 AI 能大幅改善臨床試驗的成功率，但他坦言「這還沒有發生」。以知名 AI 生技公司 Recursion Pharmaceuticals 為例，該公司致力於透過訓練 AI 辨識細胞影像，試圖降低高達 90% 的新藥開發失敗率。然而，在公司成立近 13 年後，至今仍未有任何一款 AI 輔助開發的藥物正式獲批上市。

《紐約時報》也提醒，技術上的優勢不保證能立即轉化為對病患的實際益處。藥物開發的歷史充滿了無數失敗，AI 所找出的候選分子，最終能否挺過嚴苛的臨床試驗考驗，依然是未知數。

從 BMS 與 Eli Lilly 的案例可以發現，AI 在製藥產業的角色正在發生改變：過去外界的目光總聚焦在 AI 能否縮短新藥探索時間、提高臨床成功率，但真正率先開花結果的，反而是製造端的製程優化與產能提升。對藥廠而言，AI 或許暫時還無法為人類帶來下一個奇蹟般的「新藥突破」，但已經開始徹底改變「藥物如何被更快、更大量地製造出來」。

＊本文開放合作夥伴轉載，資料來源：《The New York Times》、《WSJ》，圖片來源：Unsplash

OpenAI 與晶片設計大廠博通（Broadcom）在去年秋天宣布合作打造客製化 AI 晶片，目標是在 2030 年前達到消耗 10GW（吉瓦）電力的部署規模，藉此降低對 NVIDIA 昂貴硬體的依賴。然而，《The Information》近日揭露，雙方當時並未對外說明一個關鍵問題：OpenAI 究竟要如何支付這項專案龐大的晶片生產成本？

如今，OpenAI 與博通正在協商第一階段的晶片生產融資協議，該階段預計將消耗 1.3GW 的資料中心容量，光是成本就約為 180 億美元。若以此速度推算，這項代號為「Nexus」的 10GW 完整計畫，單單晶片生產成本就可能高達 1,800 億美元，且這甚至尚未包含資料中心的建設與其他成本支出。

為兩千億美元支出壓力止血，自研晶片成核心戰略

對 OpenAI 而言，取得巨額融資至關重要，因為公司預估到 2029 年為止，其營運支出規模將超過 2,000 億美元。在此背景下，推動自研晶片成為 OpenAI 降低伺服器成本、改善毛利率，並減少對 NVIDIA 依賴的核心戰略。事實上，開發 AI 伺服器晶片一直是全球大型 AI 開發商與雲端供應商共同投入的方向，包含 Google 早在十多年前就開始與博通合作設計晶片，以改善利潤率；Meta 與 Microsoft 等公司也因 NVIDIA 伺服器支出暴增，而與博通達成類似的客製化 AI 晶片協議。 

OpenAI 的第一代自研晶片代號為「Jalapeno」，其設計初衷是希望能比 NVIDIA 的通用圖形處理器（GPU）更有效率地支撐 OpenAI 現有模型的推論工作負載。談到這項專案，OpenAI 執行長 Sam Altman 曾表示：「我們清楚地意識到，世界將需要多麼龐大的推論運算能力。」他也提到：「我們開始思考，我們是否能做一款專為這種非常特定工作負載而設計的晶片？」

不過，硬體開發的時程充滿挑戰。OpenAI 與博通原本的目標是讓這批推論晶片在 2026 年下半年上線，但多位知情人士指出，目前預計多數 Jalapeno 晶片要到 2027 年才會準備就緒。與此同時，代號為「Serrano」的下一代晶片設計工作也已在進行中。

180 億美元融資卡關：博通要求微軟同意購買約 40% 的 OpenAI 自研晶片產量

然而，除了硬體開發時程充滿挑戰，這場融資談判也遇到一個潛在的巨大阻礙：博通願意為第一階段晶片生產提供融資的條件，是 Microsoft 必須同意購買約 40% 的 OpenAI 自研晶片產量。

根據協議規劃，Microsoft 會將這些晶片安裝在自家的資料中心內，再將晶片租回給 OpenAI 使用。一名參與談判的人士指出，Microsoft 作為全球最具信譽的企業之一，且擁有數十年的資料中心營運經驗，這樣的採購承諾能讓博通對收回資金更有信心。

然而，儘管 Microsoft 已經為這些晶片預留部分的資料中心空間，卻尚未正式同意購買這些晶片。一份 OpenAI 內部備忘錄透露，協議草案中規定如果 Microsoft 的採購量不足，OpenAI 就必須尋求其他替代買家，該備忘錄更直言：「計畫風險在於，Microsoft 最終可能不會出手完成 OpenAI 晶片採購。」

微軟的籌碼與 OpenAI 突圍戰

《The Information》指出，這場晶片融資談判凸顯一個事實：即使 OpenAI 過去一年左右，透過一系列協議獲得更多與其他公司合作的自由，但 Microsoft 仍持續對 OpenAI 具有強大的影響力。過去，Microsoft 曾是 OpenAI 使用 NVIDIA 晶片時的獨家雲端供應商，並擁有使用 OpenAI 智慧財產權等其他獨家權利。OpenAI 的內部備忘錄也坦承，Microsoft 在這項晶片計畫上「一直擁有槓桿」，而 OpenAI 也花費「不懈的努力和大量的時間」，試圖取得更明確的採購承諾。

負責 OpenAI 雲端交易與晶片計畫的高層 Sachin Katti，上個月曾在內部訊息中質疑這項博通協議。他警告，將 Microsoft 的採購承諾作為融資條件，會建立一個「長期來看真正阻礙我們」的先例。Sachin Katti 同時指出，Microsoft 的參與讓這筆交易在財務上「缺乏吸引力」，他也提醒，「這種商業結構對第二代晶片及後續版本而言，可能不可行。」因為其中一個核心衝突在於，Microsoft 的資料中心在設計上是為了容納各種類型的晶片，但 OpenAI 卻希望將自研晶片放進專門設計的資料中心內，以便更有效率地運作。

儘管面臨 Microsoft 的影響力挑戰，博通與 OpenAI 的談判仍在推進中。博通過去一直堅持一條底線，就是在每提供一美元融資時，OpenAI 也必須自己先投入一美元。但近期博通決定放寬這項要求，願意比 OpenAI 投入更多的前期資本，打破其長期堅持的強硬底線。

AI 算力戰不只搶晶片，也搶融資、產能與部署速度

OpenAI 自研晶片 Nexus 計畫的融資關卡，清楚揭示 AI 巨頭若要降低對 NVIDIA 的依賴，不能僅仰賴晶片設計能力，還必須妥善解決融資結構、資料中心部署、台積電（TSMC）的產能配置以及大型買家的採購承諾等複雜問題。《The Information》指出，截至上個月，OpenAI 與博通仍在致力推動一份「有條件的」協議，主要目標是讓博通能夠「有信心地配置」台積電稀缺的製造產能，以支援 2027 年的需求。

作為另一種發展路線的鮮明對照，《Reuters》報導指出，SpaceX 近日已經與 Anthropic 簽署協議，將讓 Anthropic 取得大型 AI 超級電腦 Colossus 1 的使用權。Anthropic 計畫利用這些額外算力，來提升 Claude Pro 與 Claude Max 訂閱用戶的服務容量。此外，Anthropic 更表達出與 SpaceX 合作開發多吉瓦（multiple gigawatts）軌道 AI 運算能力的濃厚興趣。

這顯示出 AI 發展的一個核心觀察：當 OpenAI 正努力用自研晶片及重資本融資路線來建立長期的硬體優勢時，Nexus 計畫短期內要真正落地，仍得看 Microsoft 是否願意買單。與此同時，OpenAI 的競爭對手正靈活地透過外部合作補足服務容量，這反映出 AI 算力戰已從單純的「誰有晶片」，全面升級為「誰能最快取得融資、鎖定產能，並將算力部署到位」的綜合實力對決。

＊本文開放合作夥伴轉載，資料來源：《The Information》、《Reuters》，圖片來源：Unsplash

對自駕車與汽車公司而言，2016 年曾是一個充滿想像的關鍵年份。當時，每週都有數百萬美元的相關投資發布，福特（Ford）更曾大膽預測，將在 2021 年為消費者量產自駕車。

不過，到了 2026 年，消費型全自駕車仍未真正問世，Robotaxi 僅在少數城市中運行，自駕卡車也大多停留在試點專案階段。就在自駕車夢想延後的同時，部分 2016 年的自駕明星公司已經退場或重整，例如 LiDAR 公司 Luminar 於去年 12 月聲請破產，通用汽車（GM）也在 2024 年關閉 Robotaxi 公司 Cruise，將重心重新放回個人車輛。

然而，當自駕車的落地進程因現實挑戰而放緩時，這些原本為車輛開發的技術卻未隨之沉寂，像是透地雷達（Ground-penetrating radar, GPR）、3D 雷達與先進光學雷達（advanced LiDAR）等技術，正全面擴散到智慧城市、居家長照服務、船廠重型吊車、風力渦輪監測等領域，甚至也在機器人與 AI 系統中找到新出口。

LiDAR 成為城市、機場與偏遠機房的基礎設施守護者

在這些尋求新出口的技術中，LiDAR 獲得最廣泛的應用。由於 LiDAR 能透過近紅外光反射物體來建立周遭環境的三維（3D）視圖，因此非常適合用於交通監測等傳統攝影機容易受強光或完全黑暗影響的場域。

例如收購 LiDAR 先驅 Velodyne 的 Ouster 公司，不僅將感測器應用於 John Deere 的農業設備中，更將其部署於田納西州 Chattanooga 等城市的數百個路口，用於城市交通管理。此外，研發 LiDAR 技術的 Innoviz 創辦人 Omer Keilaf 表示，LiDAR 可用於測量車輛大小以支援收費系統，而另一家 Outsight 公司則將 LiDAR 運用於達拉斯沃斯堡國際機場的人流監測。

為了適應戶外環境，《紐約時報》指出，如今變得更小的 LiDAR，也成為軍事設施或關鍵基礎設施的安全防護利器。Ouster 創辦人 Angus Pacala 分享，最明顯的案例就是位於森林中的遠端資料中心。由於夜間攝影機視距有限，金屬圍欄和電線又會干擾傳統雷達，相較之下 LiDAR 能在黑暗中看得很遠，因此可以取代人類警衛巡邏圍欄的工作。

雷達技術從車廂安全轉向室內居家長照

在 LiDAR 逐步進入室外空間的同時，雷達技術則在室內找到全新價值。原本用於汽車避免碰撞與自適應巡航控制的標準雷達，後來演進為「毫米波雷達（mmwave radar）」，能在惡劣天候下比早期雷達看得更遠、更準確，如今也開始尋求更廣泛的應用。

大約十年前，Pontosense 公司原先使用毫米波雷達來提醒駕駛後座有兒童，並透過偵測呼吸與心率來監測乘客或駕駛的健康狀況。然而，因車用市場採用速度緩慢，在四年前 Pontosense 便開始轉向居家長照需求。這項技術現在被用來追蹤浴室、臥室等私人空間的長者活動，其數據精細度足以在人員跌倒或呼吸困難時發出警報，且因為沒有影像錄影，能讓屋主保有高度的隱私。

定位與感測技術的工業化出口：鹿特丹港的自動化升級

自駕技術延伸出來的另一個極佳測試場，就是高度可控的工業環境，特別是大型港口。例如在定位技術方面，能看見地下數英尺處的「透地雷達（GPR）」曾被寄望用於引導自駕車。WaveSense 公司在 2017 年成立時，就希望能藉此在沒有 GPS 或路面積雪時追蹤自駕車。

然而，後來市場未如期成形，WaveSense 便轉向航運與港口應用，並被荷蘭公司 BTG Positioning Systems 收購。BTG 技術長 Tom Cashman 指出，傳統自動化港口需要開挖基礎設施以埋設應答器，但有了透地雷達，就不需要埋設任何東西。

另一方面，自動化解決方案供應商 AMLab 近期在鹿特丹港取得合約，為 34 台自動化軌道式門式起重機供應 LiDAR 感測系統。這套解決方案包含兩大核心：「目標定位系統」專門管理自動引導車輛與貨櫃堆疊間的介面；「堆場剖面感測系統（SPSS）」則提供即時的堆場高度建模。

每台吊車配置的 3D LiDAR 感測器能全面掃描門架與小車的移動範圍，消除盲區並提供公分等級的連續測量資料。這讓吊車在朝目標移動時能同時接收定位資料，免去傳統「暫停並掃描（pause-and-scan）」的延遲流程。SPSS 系統更透過多平面 LiDAR 即時建立 3D 貨櫃模型，讓吊車預先計算吊具移動路徑，提升貨櫃降落的精準度。

AMLab 董事總經理 Shanil Herat 表示：「現代貨櫃碼頭面臨提升安全與營運表現的壓力，而 3D LiDAR 這類高精度感測技術正是實現此目標的關鍵。」他強調，這反映出歐洲市場對感測技術的強勁需求，證明先進感測系統能有效整合既有設施並強化營運。

自駕車技術的新價值，在於讓機器看懂現實世界

十年前，自駕車技術是市場追捧的焦點，如今這股能量正流向目前最熱門的領域：AI 與機器人技術。Boston Dynamics 技術長 Zack Jackowski 表示，機器人技術正大幅受益於汽車領域的研發結晶，包括改良的高動態範圍（HDR）攝影機、符合嚴格安全標準的微處理器，以及更平價的 LiDAR 感測器。事實上，Boston Dynamics 許多負責安全與感知團隊的成員，皆來自 Waymo 與 Zoox 等自駕車企業，因為他們正在處理極為相似的安全課題。Bosch 自動駕駛工程總監 Stefan Sellhusen 也指出，隨著成本下降，配備 LiDAR 的割草機與掃地機器人等消費性產品已經問世。

自駕車商業化或許未如當年預期順遂，但相關技術的價值從未消失。LiDAR、毫米波雷達、透地雷達與 3D 感測能力，正從充滿不確定性的公路場景，擴散到港口、城市、長照及機器人等實體場域，這些應用共同指出了一個新趨勢：自駕技術的核心價值不僅僅是「讓車自己開」，而是提供機器看懂環境、判斷位置並安全執行任務的能力，成為驅動下一波實體 AI 浪潮的重要基石。

＊本文開放合作夥伴轉載，資料來源：《The New York Times》、《Port Technology》，圖片來源：AMLab

「以手機為中心的世界即將結束，」高通（Qualcomm）執行長 Cristiano Amon 近日接受《Fortune》專訪時指出，2026 年將迎來運算典範的關鍵轉折，成為「AI 代理之年」（year of agents）。這場科技革命的核心在於，人類的數位生活中心將從單一的實體手機，徹底轉移到能跨越各種裝置、無縫運作的 AI 代理身上，就像當年工作與娛樂從桌上型電腦大規模轉移到手機一樣，下一次的重心轉移已經悄悄啟動。

伴隨這場運算重心的轉移，Cristiano Amon 提出一個名為「個人生態系」（ecosystem of you）的未來藍圖。在這個願景中，未來的科技不再只是個「點擊後才回應」的被動工具，而是具備理解真實世界脈絡的能力，並能主動感知使用者的環境、串接日常生活，甚至在使用者開口前就先預判需求，成為科技互動模式的一次新顛覆。

AI 代理成為主角，掌控「零阻力」數位生活與產業新霸權

要實現個人生態系，關鍵就在於 AI 代理的全面接管。隨著大型語言與視覺模型的飛速發展，AI 已經能像人類一樣理解世界，並化身為主動解決問題的「代理人」。Cristiano Amon 生動描繪幾個未來情境：當你走在街上看到一件喜歡的物品，可以開口問 AI 代理「這在亞馬遜賣多少錢？」，甚至可以要求 AI 代理渲染出你戴上該物品的模樣；或是當你收到一張帶有 QR code 的餐廳帳單時，只需看著帳單並要求付款，AI 代理就會自動幫你結清。如果行事曆發生衝突，AI 代理甚至會主動詢問是否需要幫忙打電話給診所重新安排看診時間，並親自用語音與診所櫃檯協調你下週的空檔。

這樣的「零阻力」體驗，也宣告科技業的權力中心與控制點將迎來一次大洗牌。未來的戰場不再是作業系統（OS）與應用程式商店（App Store），而是使用者所選擇並信任的 AI 代理，例如近期在網路上引起熱議的 AI 代理服務 OpenClaw。

Cristiano Amon 特別以字節跳動（ByteDance）為例，說明該公司已經在 ZTE 製造的手機（Nubia M153）上推出名為 Doubao 的行動助理，讓 AI 代理能直接接管手機的軟體控制權。使用者只需用語音或打字下達指令，AI 就會自動進入系統開啟應用程式、訂票或進行支付，讓傳統 App 退居幕後。雖然此舉曾引發同業對安全性的高度擔憂，騰訊執行長馬化騰更直指該設備「極度不安全且不負責任」，進而遭到微信、阿里巴巴等企業出手限制，但字節跳動仍未卻步，更計畫在 2026 年第二季推出第二代設備。這明確顯示出，無論市場目前的接受度如何，透過 AI 代理主動接管設備已成產業趨勢。 

硬體載體大換血，智慧眼鏡與新型穿戴裝置強勢崛起

當軟體體驗發生革命，硬體載體也面臨大換血。Cristiano Amon 分析，就像當初人類的數位需求與工作負載從個人電腦（PC）轉移到手機上一樣，2027 到 2028 年間，大量的工作負載將轉移到個人 AI 穿戴裝置上。

這並不代表智慧型手機會完全消失，但它將不再是人機互動的首選。Cristiano Amon 強調，如果必須把手機從口袋拿出來、打開並解鎖，那只是在做「手機專屬的事情」，這種互動方式遠不如直接戴著設備，指著真實世界的目標對話來得自然。

在眾多蓄勢待發的穿戴裝置中，Cristiano Amon 極度看好「智慧眼鏡」將成為最強的主流載體，因為眼鏡最貼近人類的眼睛、耳朵與嘴巴，能為 AI 提供「看你所看、聽你所聽」的運作情境與重要的上下文脈絡。此外，未來的 AI 裝置將緊密結合科技與時尚，不僅有眼鏡，還會以飾品、別針或吊墜等多元型態出現。

由於這些設備是貼身穿戴的，具有高度的個人風格與時尚屬性，因此市場將走向百花齊放的局面，畢竟「不是每個人都會穿一樣的衣服或戴一樣的眼鏡」。為了迎接這個全新的硬體時代，高通正積極展開佈局，Cristiano Amon 就透露，公司目前正與 OpenAI、Meta 等「幾乎所有」主要的 AI 巨頭秘密合作，全力研發擁有多種尚未公開的、可能取代手機的下一代穿戴設備。

擁抱「以你為中心」的 AI 個人生態系

隨著這場軟硬體革命全面到來，隱私與信任將成為決定市場勝負的終極關鍵。未來的穿戴設備將不斷收集大量的環境數據，甚至讓我們成為「行走的攝影機」，這將進一步考驗消費者與企業的底線。使用者究竟更願意將日常資料託付給哪個科技巨頭，將決定誰能成為資料與入口的守門人，並在 AI 裝置時代中勝出。

儘管外界對於 AI 掌控生活可能帶來的隱私疑慮與失去主導權感到擔憂，高通仍對此抱持著高度的科技樂觀主義。Cristiano Amon 將現在的 AI 發展熱潮與 2000 年的網際網路泡沫進行對比，認為長期來看，大眾其實還遠遠低估了 AI 的潛力與運算需求的規模。他堅信，就像當初的網際網路與智慧型手機一樣，雖然新科技難免有被濫用的風險或帶來部分缺點，但在總體發展上，AI 最終將大幅降低生活中的摩擦、更緊密地連結大眾，並賦予使用者更強大的數位能力。

＊本文開放合作夥伴轉載，資料來源：《Fortune》1、《Fortune》2，圖片來源：高通

過去，AI 開發多半圍繞模型、資料、算力與推論效能，但當 AI 走向機器人與實體設備，問題就不只是「模型能不能理解指令」，而是系統能不能感知環境、理解任務、控制行動，並在充滿變數的真實世界中穩定運作。

由鴻海科技集團、科技報橘、三創育成共同主辦的 333 Robots Community Meetup，於 4 月舉辦首場活動。相較於單純展示機器人 Demo，這場活動更聚焦 Physical AI 開發者的現場交流，以及他們在實作過程中面對的難題：如何讓 AI 從真實世界蒐集資料、進入模擬環境訓練，再回到實體場域驗證與修正？

從 Real to Sim to Real，看開發者必須掌握的新流程

首場 333 Robots Community Meetup 邀請 NVIDIA DLI 白金級認證講師、臺灣科技大學兼任助理教授曾吉弘進行專題演講，主題是「NVIDIA 的 Real to Sim to Real」。

Real to Sim to Real 的核心，是先從真實世界出發，蒐集場域、物件、任務流程與環境變化等資料，再將這些資訊轉換成可被模擬、可被訓練的數位環境。接著，開發者可以在模擬環境中進行大量測試、訓練與迭代，最後再把模型與策略帶回實體世界驗證。

對開發者來說，模擬的價值不只是降低訓練成本，更重要的是讓機器人能在進入真實場域之前，先經歷更多不同情境的測試。舉例來說，光線變化、物件位置偏移、空間限制、人員移動、任務順序改變，甚至是設備與現場流程限制，都可能影響機器人的判斷與控制結果。這些變因在純軟體 AI 場景中或許不明顯，卻是 Physical AI 必須處理的日常。

因此，這場演講傳遞的開發思維是：在進入真實場域之前，先建立能夠被模擬、測試與迭代的環境；回到現場之後，再把真實世界的回饋持續帶回開發流程。對想投入 Physical AI 的開發者而言，Real to Sim to Real 代表的不只是訓練方法改變，而是機器人開發流程正在從實驗室，走向更可控、可驗證、可持續修正的模式。

主題演講之外，也讓開發者面對面交換技術與經驗

除了主題演講，333 Robots Community Meetup 也特別安排交流時間，讓來自不同背景的參與者可以在現場交換經驗。現場不只有關注機器人與 AI 的開發者、工程師、新創團隊與學研夥伴，也有對 Physical AI 落地感興趣的產業實務工作者。

當機器人真的要進入工廠、服務現場或其他實體環境，問題往往不只是「技術能不能做到」，還包括任務流程是否清楚、場域資料是否足夠、系統能否與既有設備整合，以及錯誤發生後如何回饋、修正與重新訓練。這些問題很難只靠單一團隊或單一技術解決，而需要開發者、學研、新創與產業端在同一個場域中交換問題、經驗與需求。因此，333 Robots Community Meetup 的意義，不只是建立一次性的技術聚會，而是提供一個讓開發者彼此連結的社群入口。

延續 4 月 15 日的首場活動，333 Robots Community Meetup 第二場將於 5 月 20 日舉行，特別邀請到國立陽明交通大學資訊工程學系副教授陳奕廷進行專題演講，深入解析當實體 AI 正逐步成為下一波科技變革的核心驅動力時，台灣面對基礎建設尚待完善、跨領域整合人才不足，以及從系統開發到真實場域落地等關鍵挑戰的解方。同時，研究主軸為「以人為本」的實體 AI、智慧駕駛系統、輔助機器人系統與電腦視覺的陳奕廷副教授，也將分享如何透過智慧健康 Living Lab、數位孿生與跨域協作平台，建構從學習、實作到驗證的完整培育體系，並培養具備系統思維與實務落地能力的新世代人才，以回應未來社會與產業的關鍵需求。

立即報名 5/20「333 Robots Community Meetup」，掌握「用『真實世界需求』驅動 Physical AI 落地」的具體行動方案！

隨著 AI 快速發展，工作場域的樣貌已大不相同，企業的招募標準也正經歷顯著的改變。LinkedIn 總編輯 Dan Roth 近日接受《今日秀》（TODAY）訪問時指出，現在關於工作的討論已逐漸從「職稱」轉移到「技能」上。他表示，LinkedIn 透過分析平台上十億份個人檔案內的技能，以及過去一年內成功求職者所具備的能力，發現企業越來越看重求職者「實際能做什麼」，而不是過去的職稱或學歷背景。

「技能會跟著你走，」Dan Roth 強調，強大的基礎技能可以陪伴工作者跨越不同的產業與職務，而在這個瞬息萬變的時代，有兩種核心能力正是 2026 年企業特別關注的焦點。

第一種能力：AI 技能

談到最受歡迎的技能時，AI 毫無意外地成為榜首。Dan Roth 進一步解釋，AI 技能的需求可以分為兩大方向，首先是技術層面，包含建立複雜 AI 系統的高度技術能力，例如多數人熟知的提示工程（Prompt engineering）以及資料標註（Data annotation）等技能。

其次，則是更廣泛的策略層面應用。現在企業不只需要技術人才，更迫切需要懂得如何運用 AI 工具來協助組織提升工作效率、自動化流程與增加生產力的廣大工作者，而且求職者不需要具備深厚的理工或數學背景，任何人都可以從現在開始投資並獲得這些 AI 技能。

第二種能力：「以人為本」的軟實力

另一方面，許多工作者擔憂 AI 會取代人類的工作，但事實上，當企業面臨快速變革時，反而更加看重以人為本的軟實力。Dan Roth 表示：「現今企業變革的速度前所未見，為了落實這些改變，企業正在尋找能夠適應且保持敏捷的人才，也需要能良好合作的團隊，這些都是人類技能。」

這些人類技能主要分為兩大領域，第一個領域是領導與人員管理，企業高度渴求能夠啟發他人潛能、引導團隊度過變革的人才，其中導師經驗（Mentorship）與人才發展（Talent development）更是正在崛起的重要能力。

第二個領域則是溝通與說故事的能力，能夠清晰表達複雜概念的能力在各行各業中變得至關重要。Dan Roth 分享，在過去一年中，提到「說故事能力（Storytelling）」的職缺增加了一倍，其中公眾表達、撰寫跨部門備忘錄、電子郵件、簡報，以及撰寫能清晰傳達想法的報告等多元溝通形式，都屬於「說故事能力」的範疇。

如何發掘並展現核心技能？

「你永遠可以獲得新的技能，」面對這些趨勢，Dan Roth 提醒求職者必須體認到技能並非固定不變的。如果不知道自己的優勢在哪裡，可以主動詢問同事、家人或朋友自己擅長什麼，這通常能揭露一些最初不明顯的天賦。此外，工作者也可以多利用線上免費課程或短期認證計畫，並參與社團、志工活動或爭取工作上的延伸任務來練習並擴展新技能。

然而，在面試與履歷的準備上，Dan Roth 特別提醒求職者別把技能當作購物清單一樣條列出來，而是必須學會為自己的技能「說故事」。求職者應該主動表達自己何時有效地運用了這些技能，並提供具體實例，進而讓面試官產生深刻的連結，因為人們在面試中往往希望能與求職者產生共鳴。

在探討未來工作型態時，外界常將焦點放在裁員，或討論哪些產業正在崛起與衰退，但若要真正看懂就業市場的變化，掌握「哪些技能正在升值」，或許才是最實用的切入點。隨著 AI 改寫企業選才標準，真正受青睞的人才，不只是會使用 AI 工具，而是能將 AI 導入工作流程、提升組織效率，同時具備溝通、領導與協作能力的工作者。當技能逐漸取代職稱，成為企業評估人才的新門檻，工作者不只需要持續學習，更必須學會用具體故事展現自己的能力與價值，因為雇主最重視的技能，往往是就業市場轉型方向的早期訊號。

＊本文開放合作夥伴轉載，資料來源：《TODAY》、《Yahoo》，首圖來源：Unsplash

過去幾年，無數企業已經導入 OpenAI 的產品與 API，目前企業客戶已佔 OpenAI 營收超過 40%，且預計在 2026 年底前將與消費者業務營收並駕齊驅。然而，企業 AI 的下一階段挑戰，已逐漸轉向如何將模型串接既有資料、工具、控管機制與工作流程，讓 AI 成為日常營運中穩定可靠的一環。

如同 OpenAI 營收長 Denise Dresser 近日接受《CNBC》採訪時所言，企業 AI 的採用已來到關鍵「轉折點（tipping point）」。她指出：「AI 逐漸有能力在組織內完成越來越有意義的工作，現在的挑戰是協助企業將這些系統整合到驅動其業務的基礎設施和工作流程中。」為了解決這個痛點，OpenAI 宣布成立全新的 Deployment Company，加速企業將 AI 導入真實業務流程。

成立 Deployment Company，從模型供應走向企業部署

成立「OpenAI Deployment Company」代表 OpenAI 的企業策略正從純模型供應商，延伸至系統部署與整合服務，且目標非常明確：協助企業組織打造並部署能實際運作的 AI 系統。

Deployment Company 的核心運作模式，是將專精於前沿 AI 應用的「前線部署工程師（Forward Deployed Engineers, FDEs）」直接嵌入客戶組織內部。Denise Dresser 如此描述這些 FDE 的實際工作樣貌：「前線部署工程師可以與組織及其使用者坐在一起，了解工作流程，然後協助他們把後台應用程式連接到模型，並在每個工作流程中真正建立智慧。」

在實務操作上，典型的企業專案會先由 OpenAI 的 FDE 啟動診斷，判斷 AI 在何處能創造最大價值，再進行一系列概念驗證（PoCs）。一旦驗證成功，FDE 就會著手設計、建置，並部署能與企業既有客戶資料和工具緊密連結的生產級系統。事實上，OpenAI 已經有一些亮眼的部署案例，像是西班牙對外銀行（BBVA）正將 ChatGPT 變成全球 12 萬名員工的工具；農機巨頭 John Deere 則透過 AI 推薦系統，協助農民在種植季減少高達 70% 的化學品使用量。

收購 Tomoro、引進 150 名專家，瞄準企業「有模型、難落地」痛點

企業要導入 AI，過程其實充滿複雜艱鉅的技術挑戰。Box 執行長 Aaron Levie 分享：「你必須先現代化你的基礎架構與資料，確保它們已為 AI 做好準備，存取控制、授權與權限必須以 AI 和人類都能運作的方式進行對應，」此外，也需要確保 AI 擁有正確的上下文，在模型升級時持續評估與維護，並且需要推動流程的變革管理，以釐清哪些部分由人來做、哪些由 AI 來做。

B Capital 合夥人 Yan-David Erlich 也指出，目前「只有少數企業」準備好迎接 AI 模型的導入，而 OpenAI Deployment Company 的設計正是「為了縮小前沿能力與真實世界落地之間的差距」。

為了解決上述由企業端點出的 AI 落地難題，OpenAI 同步宣布收購應用 AI 顧問與工程公司 Tomoro，這項交易也將為新公司帶來約 150 名 FDE 與部署專家。Tomoro 過去的實戰經驗橫跨 Tesco、Virgin Atlantic、Supercell 等大型企業，他們專注於將「企業野心轉化為可投入生產的 AI」。

值得注意的是，Tomoro 早在 2023 年就與 OpenAI 結盟，主打極高效的部署速度：最快 2 週內就能產出投資回報（ROI）評估模型與 AI 藍圖，並能在 12 週內將客製化 AI 代理投入生產線。 由此可見，OpenAI 這次布局的關鍵不只是多了一批工程師，而是把資料、權限、流程、評估與變革管理等落地難關，包裝成一套企業可執行的部署模式。 

19 家投資與顧問夥伴進場，AI 競爭升級為「部署戰」

解決了技術團隊的問題，OpenAI 還需要廣大的通路。科技分析師 Carolina Milanesi 點出背後的戰略意義：微軟雖是 OpenAI 最大的合作夥伴，卻對「協助企業導入的服務層」興致缺缺，讓 OpenAI 決定親自填補這塊市場空白。

這次 OpenAI Deployment Company 帶著超過 40 億美元的初始投資啟動，其背後更是一個龐大的生態系網路。創始夥伴由私募股權巨頭 TPG 領投，集結了 Advent、Bain Capital、SoftBank 以及 McKinsey、Bain & Company 等 19 家全球頂尖投資公司、顧問公司與系統整合商，這群夥伴也為 OpenAI 打開可以接觸超過 2,000 家企業的強大分銷通路。

《Implicator.ai》分析，企業 AI 競爭已正式演變成「部署通路戰」。OpenAI 將私募股權與顧問網絡作為通路，而競爭對手 Anthropic 也在 5 月 4 日宣布與 Blackstone、Goldman Sachs 等機構成立企業 AI 服務公司，但兩者的差別在於，OpenAI 是將資源綁定自家的 Deployment Company，而 Anthropic 則是圍繞一家獨立營運的公司運作。

Anthropic 金融服務產品負責人 Nicholas Lin 的一句話，精準總結這些 AI 巨頭們正在解決的痛點：「當前 AI 能做的事，與市場真正從中獲得的價值之間，存在著巨大的落差。」 這代表未來 AI 的勝負，已經開始轉向誰能透過顧問與整合商生態系，把強大的模型能力轉化成可部署、可治理的營運成果。

對 OpenAI 來說，建立 Deployment Company 是一場從模型供應商進一步切入企業服務與顧問市場的跨界布局。藉由 Tomoro 的部署專家與 19 家重量級夥伴，OpenAI 正試圖擴大企業 AI 採用的速度與規模。對企業決策者來說，市場競爭焦點也正在改變：未來勝負的關鍵，將取決於誰能把 AI 模型變成企業內部穩定可靠的工作系統。

＊本文開放合作夥伴轉載，資料來源：OpenAI、《CNBC》、《Business Insider》、《The Register》、《implicator.ai》，首圖來源：Unsplash

前 OpenAI 技術長 Mira Murati 創辦的 Thinking Machines Lab 近日發表「互動模型」（interaction models）的研究預覽。這項研究的出發點在於，現有 AI 模型多半仍停留在「回合制」的互動模式，也就是使用者必須完整說完話或打完字，模型才開始處理，然而在模型生成回覆的期間，AI 的感知會完全凍結，無法持續接收新資訊或察覺使用者當下的狀態。

Thinking Machines 認為，這種單線式的互動不僅限縮人類知識、意圖與判斷傳遞給模型的空間，也讓 AI 的工作過程更難被使用者即時理解與修正。因此 Thinking Machines 期待 AI 應該像人與人協作一樣自然，能夠持續接收語音、影像與文字，並能即時思考、回應與行動。

200 毫秒一個 micro-turn，讓 AI 可以更快速產生反應

為了打破上述瓶頸，Thinking Machines 試圖將「互動」變成模型的原生能力，而非僅在文字模型外加上一層語音辨識的包裝。Thinking Machines 的做法是將互動拆解為每 200 毫秒（200ms）一個的「micro-turn」。在這套架構下，模型接收的是連續不斷的串流，並在連續的時間軸上交錯且同時處理輸入與輸出，不再等待完整一輪對話結束。這就代表沉默、重疊說話、插話與視覺線索，都能直接成為模型判斷何時回應、何時等待的上下文。

Thinking Machines 指出，這套架構讓互動模型能做到無縫的對話管理、語音與視覺的插話、同步說話與時間感知，甚至可以在對話中同時進行搜尋、呼叫工具或生成 UI。《The Verge》也舉出相關展示案例，像是模型能在聽故事時辨識提及的動物、即時翻譯語音，或者在看到使用者駝背時主動出聲提醒。 

一邊對話一邊思考的「雙模型架構」

為了要讓 AI 能在極短時間內反應，同時又能處理複雜任務，Thinking Machines 採用了「互動模型」與「背景模型」協同運作的雙模型架構。前端的互動模型負責維持與使用者的即時交流，當任務需要更長時間的深度推理時，互動模型不會讓使用者陷入漫長的等待，而是將完整的對話脈絡交給非同步的背景模型處理。

當背景結果產生時，互動模型會將其自然地編織進當下的對話中。這種分工機制讓 AI 有機會一邊聽取使用者回饋、一邊執行複雜任務，讓使用者同時享有極低延遲的回應，以及推理模型在規劃與代理工作流（agentic workflows）上的強大能力，這也創造出了一種更接近「協作」而非單純「提示詞輸入」的體驗。

效能數據亮眼，但距離成熟產品仍有挑戰

在效能表現上，Thinking Machines 公布的基準測試展現雙模型架構的潛力。例如 TML-Interaction-Small 模型在 FD-bench v1 的輪流發言延遲（turn-taking latency）僅需 0.40 秒，優於 GPT-realtime-2.0 minimal 的 1.18 秒與 Gemini-3.1-flash-live minimal 的 0.57 秒。在衡量平均互動品質的 FD-bench v1.5 中，該模型獲得 77.8 分，同樣大幅領先競品。

除了標準化測試，官方還發布自建的 TimeSpeak、CueSpeak、RepCount-A、ProactiveVideoQA 與 Charades 等內部評測。這些測試顯示，這款互動模型不僅能在使用者指定的時間點主動發言，還能展現「視覺主動性」（Visual proactivity），例如即時追蹤並計算影片中的連續動作次數，這都是目前其他企業難以做到的。 

不過，《Implicator.ai》提醒，這些亮眼數據皆為公司自行公布，且在影音問答（QIVD）準確率上，TML-Interaction-Small（54.0 分）並未勝過 GPT-realtime-2.0 minimal（57.5 分），顯示其優勢目前主要集中在互動品質與低延遲，而非所有能力皆全面領先。

《Implicator.ai》進一步指出這項技術目前的運算瓶頸：TML-Interaction-Small 是一個擁有 276B 參數、12B 活躍參數的 MoE 系統，Thinking Machines 坦承，目前更大的預訓練模型運算速度仍太慢，還無法在這種即時互動的設定中提供服務。

儘管 OpenAI 與 Google 都已經推出具備即時語音能力的 AI，但 Thinking Machines 這次發表的重點在於對系統底層架構的革新。這也呼應 Thinking Machines 的核心主張：「要讓互動性隨著智慧擴展，它必須成為模型本身的一部分。」這次技術創新特別值得關注的是，AI 介面正試圖擺脫傳統的外部語音包裝，走向真正的原生互動，也讓未來的 AI 更有機會從「使用者下指令、模型回覆」的被動工具，變成「邊聽、邊看、邊協作」的新工作夥伴。

＊本文開放合作夥伴轉載，資料來源：Thinking Machines Lab、《VentureBeat》、《The Verge》、《implicator.ai》，首圖來源：AI 工具生成