社群媒體的資訊密度與使用體驗之間，存在著一個讓許多人陷入兩難的矛盾，所謂 doomscrolling，指的是強迫性消費負面或令人不安的內容，即使已感到心理疲勞仍無法停止，而這是演算法驅動的社群平台長期優化參與度的結果。

舉例來說，X 上就有著傳統媒體給不了的即時性與深度，但滑起來又讓人感覺很糟。

Noscroll 的創辦人 Nadav Hollander 把這個矛盾描述得很直白：「就像速食，你吃完就覺得噁心」，於是他決定自己動手解決這個問題。

把瀏覽這件事外包給 AI

Hollander 的背景是加密貨幣與 Web3 圈，他曾創辦去中心化金融新創，後來賣給 NFT 平台 OpenSea，並擔任其技術長。離職後，他花了大量時間泡在 X 上，一邊享受它的資訊密度，一邊忍受它的文化毒性。

他說自己想要的是訊號，不是雜訊，也不是無止盡的滾動。

Noscroll 的核心概念因此很簡單：讓 AI 代理替你瀏覽，然後把值得看的東西傳給你。

據 TechCrunch 報導，使用者不需要下載任何應用程式，只要用手機傳訊給 Noscroll 的 AI 代理（電話號碼為 415-718-4828），就能啟動設定流程。連結 X 帳號後，AI 會讀取你的追蹤清單、按讚紀錄與書籤，用這些資料理解你的興趣輪廓。接著，你用自然語言告訴它你想追蹤什麼、不在乎什麼，它會準備一份示範摘要讓你確認方向。

資料來源不限於 X，Noscroll 會同步抓取新聞網站、部落格、Reddit、Hacker News、Substack，甚至學術論文與地方政治資訊。使用者也可以自行指定特定來源，確保某些管道一定被納入。

摘要透過簡訊推送，頻率由你決定

設定完成後，Noscroll 會以簡訊推送新聞摘要。頻率完全彈性，輕度使用者可以選擇每週一次，重度資訊需求者可以設定每天多次。每則摘要包含新聞連結與 AI 撰寫的簡短說明，如果想深入閱讀，點開連結就能讀全文。

值得注意的是，即使兩個使用者訂閱了相同的來源，收到的內容也不會一樣。系統會根據每個人的點擊行為、主題參與頻率與偏好設定，持續調整推送內容的方向，形成各自不同的個人化輸出。

使用者也可以直接回覆 AI，就像和其他聊天機器人對話一樣，針對收到的新聞提問或延伸討論。Noscroll 也支援加入群組聊天或 Telegram 群組，讓多人共同使用同一個資訊流。

更多通訊平台的支援則在後續規劃中。當有重大突發事件時，系統不會等到下一次排程推送，而是即時傳訊通知。

Hollander 表示，AI 代理在後台使用多個現成的語言模型，跑在公司自有的基礎架構上。這些模型經過大量提示詞調整，形成 Noscroll 自己的語氣與溝通風格。服務會隨著時間學習使用者的偏好，逐步優化推送內容的相關性。

使用者樣貌比預期更分散

Noscroll 剛公開上線幾天，Hollander 自己也被使用者的樣貌給出乎意料了。除了科技圈追蹤 AI 產業動態的重度資訊需求者之外，已有人在用它追蹤日本動漫產業的利基新聞、京都的餐廳開幕消息，以及求職市場與裁員動態。

記者則把它當成情報監控工具，用來持續追蹤特定議題，例如地方政治與社區事件。

Hollander 用「副手」來描述這個使用情境：「任何有職業需求、需要密切跟蹤特定主題的人，有一個幫你盯著的助手是很有用的，不管你的跑線是什麼。」

這些長尾使用場景說明了一件事，Noscroll 解決的需求，可能比「幫人戒掉手機」更廣。「職業需要持續在線追蹤特定領域」，或許是比「社群媒體成癮」更穩定的付費理由。

月費 9.99 美元，已有投資人主動接觸

目前 Noscroll 的訂閱價格是每月 9.99 美元。新用戶可以先收到一份免費的示範摘要，並享有七天試用期，期間可以隨時取消。Hollander 表示未來可能測試浮動定價，但目前尚未定案。

Noscroll 由 Hollander 與一位來自加密貨幣開源社群、在 X 上以 @z0age 為名的開發者共同建立，目前只有兩個人。服務上線後快速吸引使用者，也有投資人主動洽詢，但兩人尚未決定是否接受外部資金。

Noscroll 成立的前提是，人們使用社群媒體的核心需求是「資訊」，而非「體驗」本身。如果這個假設成立，AI 代理就能有效切割資訊獲取與無限滾動這兩件事。

但這個模式有兩個值得關注的結構性風險，一是個人化過濾可能強化使用者既有的觀點，因為系統傾向推送符合偏好的內容，相反的聲音可能因此被系統性地過濾掉；二是服務的根基建立在能夠存取 X 等平台資料的前提上，若這些平台日後收緊 API 存取權限，Noscroll 的資料來源將直接受到衝擊。這兩個依賴關係，是這類服務較難繞開的天花板。

【推薦閱讀】
◆ 拒絕「幾乎有用」的 AI 資訊噪音，高效團隊的 3 種 AI 成熟協作模式
◆ AI 正在重寫軍事情資規則：當工程師能自製準情報系統、中國企業能追蹤美軍部署
◆ NotebookLM 元老打造個人 AI 音訊助理 Huxe，讓信件、行程、新聞全都能「聽」

＊本文開放合作夥伴轉載，參考資料：TechCrunch、1950，首圖來源：Unsplash

一輛車的外型不只是美學決定，更是由空氣動力學塑造的結果。油耗、電動車續航、高速穩定性，都與車身切割空氣的效率直接相關。

但長期以來，這個設計環節存在一個根本性的時間錯位：設計師釋出一個設計面後，必須等待數天甚至數週才能取得完整的氣動分析結果，而在這段等待期間，設計往往已經修改了好幾版。

從草圖到 3D 動畫，一天之內完成

AI 在 GM 通用汽車設計流程中的介入，比氣動分析更早，甚至早在設計師握著鉛筆勾勒第一張草圖的時候就開始了。

GM 創意設計師 Daniel Shapiro 描述，他以幾張手繪的未來雪佛蘭概念車圖為起點，將草圖輸入 AI 工具，再透過提示詞引導 AI 生成一系列圖像，最終產出一段展示概念車 3D 動態的預告動畫，「傳統上，從設計草圖到高品質動畫，需要多個團隊花費數個月，」Shapiro 說，「現在單一設計師一天之內就能完成，而且不需要過去那樣深厚的 3D 視覺化技術。」

這個改變不只是省時，而是改變了創意探索的可能性。設計師可以快速生成數十個設計變體，挑出最有潛力的方向，再從更成熟的起點繼續深化。

AI 處理的是 3D 渲染所需的技術設定，包括虛擬攝影機、光線、CGI 環境，這些過去都需要耗費大量的人工時間。Shapiro 說，「我們可以探索更多方向，對想法可以少一點執著，這改變了我們日常工作的方式。」

不過，人類的判斷仍是保持品牌差異性的關鍵。Shapiro 強調：「AI 不是一鍵解決方案，我們常常要跟它角力才能得到想要的結果。什麼感覺像 Buick、什麼感覺像 GMC、什麼感覺像 Cadillac，這些判斷仍然是我們在做的事。」

從數週等待到一分鐘決策

氣動分析端的改變同樣顯著。GM 研發部門技術研究員暨實驗室組長 Scott Parrish 的團隊，建立了一套 AI 驅動的虛擬風洞能預測氣動阻力，並將結果直接回饋至設計師使用的數位雕塑工具。

傳統流程依賴高精度的計算流體動力學分析與全尺寸風洞測試，兩者都精確但費時。設計師完成車身設計面後，需要將其釋出給工程師進行 CFD（Computational Fluid Dynamics，計算流體力學）模擬，數天或數週後才能取得阻力係數的回饋，再傳回設計師進行下一輪調整。

GM 虛擬整合工程總監 Rene Strauss 說，過去完成一整輪設計與工程迭代需要約兩週，現在幾乎是即時的。他舉了一個具體的例子：「只需幾下點擊，不到一分鐘就能讀取設計面並取得結果。」

Jaguar Land Rover 走的是類似路徑，他們與 Neural Concept 合作（一家從瑞士聯邦理工學院 AI 研究室衍生出來的新創公司），目前每天可為 Jaguar Land Rover 執行大量氣動模擬。

協作方式的改變，比速度本身更重要

AI 氣動分析工具帶來的另一個改變，是設計師與工程師之間的協作方式。

過去兩個部門是序列式推進，設計師做完、工程師跑分析，結果出來再傳回設計師。現在，兩人可以坐在同一塊螢幕前，即時調整車頂線條或引擎蓋弧度，幾乎同步看到這些改動對氣動阻力的影響。

Neural Concept 共同創辦人 Thomas von Tschammer 指出，這讓設計師與氣動工程師能在同一個討論中做出即時的設計取捨，而不只是加快了收斂速度，也讓更多設計變體的探索成為可能。

訓練資料是競爭壁壘，氣動優化直達消費者端

這些 AI 模型的效果，取決於訓練資料的廣度與品質。GM 的虛擬風洞以自家歷年 CFD 資料為訓練基礎，並刻意調整既有車型的形狀來生成更多樣的設計面資料。Parrish 說：「訓練資料愈好，模型表現就愈好。」GM 過去數十年累積的設計與工程資料，因此成了建構 AI 預測能力的核心資產，也形成了難以被輕易複製的競爭壁壘。

氣動分析的加速，最終的效益會傳遞到消費者端。Parrish 指出，降低氣動阻力能直接提升電動車的續航里程，甚至讓車廠使用更小、更經濟的電池，並將成本優勢反映在售價上。

AI 壓縮週期，驗證流程一步不少

值得注意的是，AI 在這個場景裡的定位，是壓縮決策週期而非取代後續驗證。

GM 的做法是將 AI 虛擬風洞用於設計探索階段。一旦某個設計方向看起來有潛力，它仍然需要通過完整的 CFD 分析，再視情況進入縮尺黏土模型製作，最終才進入實體風洞測試。Styles 總結：「AI 沒有改變我們走過的流程步驟，但它讓我們能更快地走過每一個步驟。」

從草圖到氣動分析，AI 在 GM 設計流程中扮演的角色是「釋放時間」，讓設計師和工程師能在同樣的工作時數內探索更多方向、做出更多嘗試。

各廠商用自有資料訓練的專屬模型，準確度將反映其歷史研發資料的廣度；而跨部門即時協作的改變，也意味著設計與工程之間的組織分工將隨著工具的演進持續調整。速度是最容易被量化的改變，但它帶動的組織與競爭層面的連鎖效應，可能才是更值得追蹤的長期影響。

【推薦閱讀】
◆ 突圍製造業衰退：英國汽車業如何以 AI 與工程科學，重構高附加價值鏈？
◆ 北美「最自動化」汽車工廠曝光！現代汽車怎麼讓機器人、人類各司其職？
◆ GM 通用汽車用「矽谷式小隊」啟動 AI 轉型，改造的不只是車子

＊本文開放合作夥伴轉載，參考資料：FastCompany、GM，首圖來源：GM

（責任編輯：鄒家彥）

多數人對 AI 的第一印象都差不多，試了幾次，覺得不如預期，然後得出「AI 沒那麼神」的結論。但問題通常不在工具，而在問法。

Google Cloud 的提示工程指南，把這個技巧定義為「設計和最佳化提示的技巧與原理，旨在引導 AI 模型生成想要的回覆」。說白了，就是如何把你要的東西說清楚。

而 Anthropic 對使用 Claude 的建議是，把模型想成一位聰明但字面解讀的新員工；想像他第一天上班，有能力，但會完全照你說的做；因此，你說得模糊，他就做得模糊，你說得精準，他就照著精準執行。

Anthropic 收攏的黃金法則就很簡單：把提示詞給一個沒有背景知識的同事看，如果他看不懂，模型也看不懂。

基礎習慣：每一個限制條件都在幫模型做決定

模糊的提示詞之所以產生模糊的輸出，是因為模型在缺乏指引的情況下會預設產出安全、面面俱到的答案。加入限制條件，就是替模型消除一個它可以迴避的選擇。

以撰寫行銷趨勢分析為例，改寫前後的差距能說明這個邏輯：

改寫前：「寫關於行銷趨勢的內容。」

改寫後：「分析過去六個月最重要的三個 B2B SaaS 行銷趨勢，每個趨勢給一個企業案例，並用一句話判斷這個趨勢是會加速還是趨於平緩。以 400 字的簡報形式呈現，受眾是非技術背景的董事會成員。」

「三個」強迫排序，「加速或趨於平緩」強迫做出判斷，「董事會簡報」決定了什麼要留、什麼要刪。每個限制都是一個模型不再需要自己猜測的決定。

而提供範例是日常提示中槓桿最高的操作，Google Cloud 的提示工程指南也強調，在提示中提供相關說明與範例，是幫助模型理解任務意圖最直接的方式。

模型從範例中抓取模式的速度，遠快於從文字描述中理解意圖。如果你想把會議紀錄轉成行動項目，與其說「轉成行動項目」，不如直接給兩個範例說明格式：「記錄：Sarah 會去研究定價問題，下週回覆。行動項目：Sarah → 研究定價選項 → 下週五前完成。」再貼上實際紀錄請模型依樣處理，結果的準確度會遠高於純文字描述。

正向指令也比負向禁止更有效。「不要太正式、不要用術語、不要無聊」這類指令，比正面表述更容易被違反。改成「用溫暖的對話語氣，像一個聰明的同事在咖啡廳解釋一樣，使用簡單的英文和短句」，輸出會更穩定。

同樣的道理也適用於提示詞的風格。如果你的提示詞充滿條列式和粗體，輸出也會是條列式和粗體，也就是說，如果你想要流暢的散文，就用散文寫提示詞。

進階工作流程：把提示當成測試驅動開發

掌握基礎習慣之後，下一步是建立更系統化的工作方式。核心觀念只有一個：第一個提示詞只是草稿。

有經驗的使用者會在正式使用一份提示詞之前，準備五個測試輸入，包含正常案例和邊緣案例，把提示詞跑過全部五個，觀察在哪裡失敗，然後改動一個變數重新測試。而「一次只改一個變數」是這裡最重要的紀律——同時改三件事，你就不知道是哪個改動有效。

與此搭配的習慣是明確定義「完成」的標準。OpenAI 的提示工程建議指出，沒有完成標準，模型會自己決定什麼叫做「答夠了」，而且通常在第一個看起來合理的回答就停下來。

舉例來說，「幫我除錯這個 Python 錯誤」這樣的提示，遠不如「幫我除錯這個 Python 錯誤，完成條件是：找出根本原因、提出具體修正方案並附上修正後的程式碼、解釋原本的程式碼為什麼會失敗。如果對任何一點沒有把握，請明說而不是猜測。」

養成這些習慣之後，把有效的提示詞存起來就是下一步。按任務類型分類，作為可調整的模板，每次使用時打開對應模板、貼入今天的素材，而不是從頭重新組裝。否則你就需要反覆重寫同樣的框架，或每次都忘掉幾個關鍵的限制條件。

常見錯誤與跨模型的注意事項

還有幾個常見錯誤包括，對推理模型說「一步一步思考」是多餘的，因為這類模型已在內部完成推理步驟，這個指令留給一般模型使用就好。

另外，使用激進語氣，例如「CRITICAL: You MUST…」也不會讓輸出更好，因為現代模型對普通指令的回應已經很靈敏，這類強調方式反而可能觸發過度謹慎的回應。在提示詞裡放入模型不認識的縮寫也是常見問題。

跨模型差異則是另一個需要意識到的現實。同一份提示詞在 GPT 上有效，不代表在 Claude 或 Gemini 上也有效，因為不同模型家族需要不同的提示策略，適用於一個模型的設定，可能在另一個模型上產生截然不同的結果。

提示工程的本質不是找到完美的模板，而是把每次互動當成迭代實驗。

失敗是資訊，告訴你下一個變數要改什麼。最能善用 AI 的人，不是擁有最好模板的人，而是把模型當成強力工具來推進工作的人。但辨認正確答案仍然是你的工作，這個分工不會因為模型變得更強而改變。

【推薦閱讀】
◆ 單一提示詞已不夠用，企業如何透過提示鏈讓 AI 輸出真正可信賴？
◆ ChatGPT 寫程式有秘訣嗎？看完專家分享的三個提示詞建議，以後你看到它都會笑了！
◆ 【開工後 email 整理完了沒】Google 工具有這麼多工作神技！Gemini 怎麼用一次教你

＊本文開放合作夥伴轉載，參考資料：GeekWire、Google Cloud，首圖來源：Unsplash

（責任編輯：鄒家彥）

在倫敦東區 Rainham 的一個廢棄物處理廠裡，一台人形機器人正站在輸送帶旁接受訓練，旁邊的工人戴著 Meta Quest 3 VR 頭盔，示範如何從混雜廢棄物中辨識並取出物件。這個場景所要解決的，是資源回收業長期以來用盡所有方法都無法根治的問題：沒有人願意長期做這份工作。

招募解決不了的問題

資源回收業的勞動力困境有幾個數字可以說明規模。員工年流動率達 40%，死亡率是全國平均的八倍，工傷率比其他產業高出 45%。分揀線上的工作是站在高速運轉的輸送帶旁，從混合廢棄物中徒手取出鞋子、磚塊、錄影帶，偶爾還有槍枝，環境噪音大、粉塵多。業者試過提高薪資、輪班制度、仲介用工，但結果都一樣。

倫敦東區 Rainham 的家族廢棄物處理企業 Sharp Group，分揀線主管 Ken Dordoy 直白指出：「輸送帶一直在動，你得不斷地挑揀。我換了很多工人，因為他們就是撐不住。」廠方已盡力改善條件，讓工人每 20 分鐘輪換不同材料，輸送帶也定期停機讓人休息，但這些措施改變不了工作的本質。

Sharp Group 每年處理 28 萬噸混合回收物，目前使用 24 名仲介工人在高速輸送帶上進行人工分揀。一名英國分揀線工人每年含仲介費的成本約為 2.5 至 3 萬英鎊，而在目前的流動率下，平均任職時間只有 30 個月。不斷招募、訓練、替補人員的成本，在本已利潤稀薄的產業裡形成持續的結構性拖累。Sharp Group 認為解法不是更好的招募策略，而是讓機器取代這份工作。

人形機器人的差異化邏輯

Sharp Group 部署的人形機器人名為 Alpha，由中國 RealMan Robotics 製造，英國新創 TeknTrash Robotics 針對廢棄物分揀場景進行改裝。Alpha 站在輸送帶旁，外觀與工作姿態都與人類工人相近。

TeknTrash 創辦人 Al Costa 指出，人形的形態讓機器人能直接沿用現有廠房佈局，無需為了導入自動化而改建設施。這與主流方案的路徑截然不同，以科羅拉多州的 AMP 與加州的 Glacier 為例，他們都選擇了專用排序系統，以機械臂、氣流噴射與 AI 視覺整合為核心，這些系統效率更高，但需要新建設施或昂貴的改裝工程。

對於數百家無力大規模翻新的中小型回收廠而言，一台能站在人類位置上執行同樣任務的人形機器人，理論上提供了一條更快、更低成本的自動化路徑。

然而 Alpha 目前仍在訓練階段，尚未正式上線。TeknTrash 的 HoloLab 系統透過多組攝影機收集資料，讓機器人同步學習辨識輸送帶上的物件與實際抓取動作，系統會預告即將到來的物件、引導機械臂動作，並在物件未被取出時記錄失敗，每天處理數千件物品，產生數百萬筆資料點。

Costa 對時程坦誠以告，他說市場認為這些機器人已經準備好了，插上電源就能完美運作，但它們需要大量資料才能真正有效。

機器人的完整訓練預計需要數個月，TeknTrash 計劃未來將同一套系統擴展至歐洲 1,000 家廠商，透過雲端連結共享訓練資料，但這個目標建立在 Alpha 先在 Rainham 這一個廠房學會可靠分揀的前提上。

主流方案已先一步

在 Alpha 還在學習的同時，其他路徑的競爭者已在市場上取得具體成果。AMP 的系統以氣流將物件導入分類槽，執行長 Tim Stuart 表示他們的機器人效率比人類高得多，大約是八到十倍的速度；他的立場是，不試圖複製人類動作，而是將分揀智慧直接內建於系統，並圍繞這套邏輯設計物理基礎設施。

亞馬遜支持的加州新創 Glacier 則走中間路線：固定式機械臂搭配 AI 視覺系統，可安裝於現有設施而無需全面改建，2025 年籌得 1,600 萬美元，目前為近十分之一的美國人處理資源回收，入選 TIME 年度最佳發明。共同創辦人 Rebecca Hu-Thrams 強調，廢棄物的高度變異性是核心技術挑戰。」她的客戶在分揀線上遇過不斷噴出液體的啤酒罐，也遇過槍枝。Glacier 的系統也刻意設計為適用預算有限的中小型設施，而非僅限於大型都市廠房。

最惡劣的環境，最有說服力的驗證

從工程角度來看，廢棄物分揀線是工業自動化最困難的場景之一。工廠地板結構固定、可預測，而回收輸送帶承載的是隨機組合的物件，速度可變，許多還是潮濕、破損或相互纏繞的狀態。西門子在 2025 年在真實工廠環境測試 NVIDIA 驅動的人形機器人，兩週試驗證明人形機器人可在工業場景中運作，但也揭示了受控展示與持續生產使用之間的落差。

如果 Alpha 能在條件最惡劣的環境中穩定運作，它理論上就能勝任大多數工業分揀任務，這個驗證的意義將遠超過單一廠房的應用。

在更大的產業格局中，人形機器人的硬體愈來愈集中於中國供應鏈，Alpha 的製造商 RealMan Robotics 正是其中一部分。中國機器人廠商以西方無法匹敵的價格生產人形機器人，而地緣政治格局與半導體產業高度相似：硬體愈來愈中國化，軟體層是競爭焦點，部署環境則是全球性的。

機器人上線前，工人早已離去

Sharp Group 的計劃是將現有工人轉型為機器人維護與監督角色，讓他們離開粉塵、噪音與體力負荷，轉往技術性崗位。這是每一個推動自動化的產業都會提出的敘事。

危險的工作被取代，工人被再培訓，新角色更好。但在一個年流動率高達 40% 的產業，Alpha 完全上線之前，今天分揀線上的多數工人可能早已離職。再培訓的承諾在這個數字面前，需要比一般製造業更謹慎的評估。

機器人技術與 AI 視覺系統是提升廢棄物回收率、工人安全與產業經濟競爭力的最大潛力所在。資源回收業的 40% 流動率，與其說是管理失敗，不如說是一個訊號，代表這份工作從一開始就不適合人類長期從事，而能夠承接它的技術雖緩慢但確定會到來。

【推薦閱讀】
◆ 從影像像素到全身協調：Figure AI 機器人達成 24 小時零故障自主分貨，展現類「真人」直覺
◆ 韓國搶做「機器人大腦」： 新創 RLWRLD 如何把真實工作場景，變成 Physical AI 訓練資料？
◆ Hugging Face 推機器人 App Store：開源機器人進入應用生態時代

＊本文開放合作夥伴轉載，參考資料：BBC、TheNextWeb，首圖來源：TeknTrash Robotics

（責任編輯：鄒家彥）

2020 年的消費電子展上，Toyota 豐田執行長豐田章男宣布要在一座廢棄工廠舊址上，打造一座供研究員、工程師與科學家共同生活工作的未來城市。五年後，這座耗資估計 100 億美元的城市已有第一批住民入住。

為什麼豐田要蓋一座城

Woven City 的核心設計邏輯，源自豐田對自動駕駛安全的一個判斷：車輛本身的感測器不夠用。豐田 Woven City 技術長 John Absmeier 指出，Waymo 等自動駕駛公司目前的車隊規模以數萬輛計，但豐田未來的自主車隊規模將遠遠更大，必須達到更高的安全標準。

而要達到這個標準，光靠車上最先進的雷達、光達與影像感測器仍然不夠。以一個孩子從貨車後方衝出為例，唯一能即時偵測並預警的方法，是在每條街道都布設攝影機，搭配對來車的警示系統。

這正是 V2X（車輛與萬物通訊）這個概念的實踐場景，而 Woven City 試圖把這個想法落地。為此，豐田開發了 AI Vision Engine，一套整合視覺、行為與環境資料的大規模 AI 基礎模型，從攝影機影像、移動系統與使用者輸入中識別模式、偵測潛在風險，並協調跨系統的應對行動，在 MVBench 視覺語言模型排行榜上列為全球頂尖水準。

在此基礎上，豐田進一步建立了 Integrated ANZEN System，整合 AI Vision Engine、行為 AI 與駕駛輔助技術，分析來自車輛與交通號誌的攝影機資料，讓行人、駕駛人與基礎設施形成單一協調系統。

豐田將整座城市定位為這些技術在商業化之前的封閉驗證場所，而目標客戶是有意採購這類技術的地方政府。

攝影機無所不在，隱私問題無所不在

走在 Woven City 裡，攝影機的密度會讓人停下來。光是在單一路口就計算到八台攝影機，建築物天花板與咖啡店內也都掛著大量鏡頭。

AI Vision Engine 的展示案例包括偵測零售環境中的扒手，官方表示不使用臉部辨識，但系統仍能依據服裝特徵跨鏡頭追蹤人員動態。

豐田 Woven City 總經理 Oishi Kota 表示，豐田曾針對隱私議題在全球進行調查，結果顯示日本受訪者的態度接近歐洲，對資料保護高度在意。為了應對這個問題，豐田設計了 Data Fabric 資料管理框架，讓住民針對每項服務個別選擇是否授權資料共享。

目前約 98% 的 Weavers 同意讓搭載攝影機的機器人進入住家運作，Absmeier 表示住民可以選擇授權全部或完全不授權。不過，這些同意率來自一個高度篩選的封閉樣本群體，與真實社會的狀況仍有本質上的差距。

100 個人的「城市」

不過 Woven City 目前的規模，與「城市」這個詞的距離相當遙遠。175 英畝的規劃總面積目前只完成了約 10%，而目前入住的住民只有 100 人。

這批 Weavers 扮演各類技術的早期測試者，從依據情緒選歌的 AI 卡拉 OK、可消除 95% 花粉的新型空調系統，到三輪電動滑板車 Swake，都在這裡進行早期驗證。

在 Inventors（進駐企業與機構）端，目前共有 24 家，最新加入的包括電動垂直起降飛行器開發商 Joby Aviation，其目標是在 Woven City 探索空中移動生態系的可能性，以及 AI 機器人協會、大一通商（卡拉 OK 業者）與豐田金融服務公司。

社區內還設有大量共同工作空間與 3D 列印機，並每兩週舉辦媒合活動，協助創作者與新創企業連結合作。

三階段開發迴圈與機器人現實

Woven City 的技術商業化路徑被設計為三個環節的迴圈，包括 Inventor Garage 負責敏捷開發與原型製作，Inventor Field 提供受控環境進行驗證，Phase 1 住宅區則讓技術在真實生活環境中接受測試。

在機器人端，Woven City 裡的機器人種類不少，但多數仍停留在設計概念階段，實際功能相當有限。

相對最具說服力的是 Guide Mobi，它能引導停放在車庫中的豐田 bZ4X 電動車自主行駛至住民取車點。由於這款電動車本身的感測器不足以獨立完成任務，Guide Mobi 配備了光達陣列與影像感測器，讓車輛跟著數位引導器移動至路邊。

這個設計也揭示了豐田與特斯拉在自動駕駛策略上的根本差異。特斯拉的 Summon 功能以車輛本身的感測器執行類似任務，而豐田選擇依賴外部基礎設施。

另外，雨天也讓這座城市的現實限制更加清晰。Swake 三輪滑板車無法在雨中運行，所有共享站台當天都空著，許多原本應在街道上行駛的機器人也因為感測器怕水而留在室內。

精緻的研發園區，還是可複製的城市模型

從建築與空間設計的角度來看，Woven City 是精心之作。木質流線從建築外延伸至室內，行人區種植茂密的植栽，就連人孔蓋都印著風格化的富士山圖案。

但脫離導覽路線後，感受到的是近乎空曠的寂靜，沒有孩子在玩耍，沒有人遛狗，電動巴士停在站點等候卻沒有乘客上下車，公寓陽台上看不到任何私人物品的痕跡。

Woven City 是豐田集團邁入第二個百年的大賭注，也是讓 AI Vision Engine 與 Integrated ANZEN System 等技術在商業推出前完成封閉驗證的戰略場域。

它能否從精緻的企業展示場，真正演變成有機的創新生態，取決於外部新創與企業是否願意來此孵化真正的產品。

豐田的「安全優先」策略使其自動駕駛路徑比特斯拉更保守，但也更接近日本、歐盟等高度監管市場的法規現實。而全區攝影機監控所引發的隱私爭議，將是這類智慧城市技術向民主社會擴散時，最難跨越的社會許可問題。

【推薦閱讀】
◆ Meta 智慧眼鏡踩上 AI 治理紅線：從私密影像到臉部辨識，風險一路擴大到公共空間
◆ 太陽能 iLamp 把路燈變 AI 微型資料中心，城市算力從集中走向分散
◆ DEAT《六都數位政策調查研究》出爐：城市發展邁入分化時代、數位平台成補位關鍵

＊本文開放合作夥伴轉載，參考資料：ArsTechnica、Woven by Toyota，首圖來源：Woven by Toyota

（責任編輯：鄒家彥）

企業買了 AI，不代表 AI 能真正運作，而這個落差正在創造出一種新的職能需求。

2025 年 1 到 9 月，前線部署工程師（Forward Deployed Engineer，FDE）的職缺，在美國成長了 800%。Google Cloud、OpenAI、Anthropic 在同一時間裡，相繼宣布大規模投入這個方向。AI 的瓶頸從「能否建構」移到了「能否落地」，而填補這個缺口的人正是 FDE。

從 Palantir 到全產業，一個職稱的十年擴散

FDE 這個職稱不是新創的。2011 年，Palantir 將原本分開的解決方案工程師，與整合工程師合併為單一職能，稱為「前線部署工程師」。這個職能的核心定義從一開始就很清楚，FDE 是能同時向企業銷售 AI 產品、並且教導 AI 模型如何在該企業環境中真正運作的人。

超過十年後，這個職能開始從 Palantir 的專屬實踐，擴散成整個產業的集體押注。

根據 LinkedIn 的資料，2023 年至 2025 年間，美國新增了 8,500 個 FDE 職位。雲端內容管理與檔案協作公司 Box 執行長 Aaron Levie，在 X 上直接指出，前沿部署工程師或類似職位，即將成為科技行業最搶手的職位之一，也是人工智慧推廣中最重要的職能之一；他說，這是 AI 正在創造的高技術性工作的典型案例。

三大巨頭同步出手

Google Cloud 執行長 Thomas Kurian 也在 LinkedIn 上宣布，公司正在大規模招募 FDE，以協助客戶採用企業 AI 產品與代理系統，據悉計劃招募數百人。

Kurian 指出，雖然 Google Cloud 過去就已有 FDE，但客戶與合作夥伴對企業 AI 產品及 AI 代理開發的需求，正在快速成長。

OpenAI 則走得更進一步，成立了「OpenAI Deployment Company」，與顧問及投資公司合作，將 FDE 作為核心角色嵌入企業組織。OpenAI 在聲明中描述這些 FDE 的工作方式，是與業務領導者、營運人員和一線團隊緊密合作，找出 AI 能發揮最大影響的環節，圍繞這些環節重新設計組織基礎架構與關鍵工作流程，並將這些改變轉化為可持續的系統。

Anthropic 的佈局則採取不同形式，他們與私募股權公司 Blackstone、Goldman Sachs 及 Hellman & Friedman 完成合資企業的組建，目標是將 Claude AI 模型分發給這些機構的客戶，這套機制同樣需要具備深度企業部署能力的人才支撐。

這個職位到底在做什麼

FDE 必須熟悉不同 AI 工具的適用場景，比如知道何時用 Lovable 或 Replit Agent 做快速原型，何時改用 Claude Code 或 GitHub Copilot Workspace 處理複雜的多檔案架構重構。在 2026 年，沒有萬用解法，只有針對特定限制條件選擇正確工具的判斷力。

token 成本的管理也是核心能力之一。FDE 必須知道何時值得使用高成本的前沿模型，何時改回傳統確定性程式碼更有效率。排序或合併資料這類任務，幾行 Python 就能以 100% 的可靠性零成本完成，沒有必要耗費昂貴的 token。

更困難的挑戰是，防範 AI 的幻覺輸出在企業環境中造成實際損害。

以一個設計用來摘要主管電子郵件的 AI 代理為例，若缺乏防護，模型可能誤將摘要結果當成回覆發送出去。FDE 的工作是建立多層防護，在提示詞層加入嚴格的系統指令禁止發送行為，同時在架構層將 API 硬編碼為唯讀存取，確保模型在技術上根本無法執行發送動作。

原型與生產環境之間的落差，也是 FDE 存在的根本理由之一。用 10 份文件建立一個檢索增強生成（RAG）聊天機器人作為概念驗證，相對容易，但當文件量擴展到 100 份，系統的效能開始出問題；擴展到數千份，效率、準確性與安全性就會在失控的複雜度下崩潰。

將原型推進到生產等級，需要的是可擴展性、嚴格的資安設計與持續的效能管理，而這正是 FDE 發揮價值的地方。

Anthropic 目前開放的 FDE 職缺年薪介於 20 至 30 萬美元，要求具備數年顧問工作經驗或技術性客戶面向職位的經歷，並需要能夠向客戶解釋技術議題，同時「保持低自我感與協作態度」。這個描述本身說明了這個職位既要有足夠的技術深度，又要能在客戶面前放下工程師的話語主導權。

AI 落地失敗的成本，比職缺本身更貴

FDE 需求爆發表示 AI 技術的複雜度，與多數企業現有的導入能力之間，存在明顯落差。這個落差不是靠購買更多授權或更多訓練課程能填補的，它需要有人長期駐點、持續調適、把技術轉化成真正符合企業情境的解決方案。

從這個角度來看，企業願意為每個 FDE 職位支付 20 至 30 萬美元年薪，不只是反映職位的稀缺性，也反映 AI 導入失敗的代價，比這個薪資更高。

職稱本身是否代表一種新型工程師，或者只是舊角色的重新包裝，這個爭議或許永遠不會有定論。但在 AI 從實驗進入規模化部署的當下，能同時理解技術、溝通客戶需求、並驅動流程改造的人才，正是最稀缺的資源。

【推薦閱讀】
◆ 工程師面試不只談薪水：矽谷開始把「AI 算力」寫進薪酬
◆ 【初級工程師工作轉變】不再需要改 bug、寫測試，聽起來很好卻很危險
◆ 不寫程式也能吃到 AI 紅利：資料中心電工年薪可達 30 萬，不輸軟體工程師

＊本文開放合作夥伴轉載，參考資料：FastCompany、Forbes，首圖來源：Unsplash

（責任編輯：鄒家彥）