大型科技公司的裁員潮佔據了多數媒體版面，但部分經濟學家認為，AI 對職場的最深遠影響，可能正在一個更不引人注目的小型企業裡發生。這裡的組織架構更扁平、重組成本更低，新技術的採用與落地可以比大公司快得多。

一家吉他學校的組織重組

Spencer Handley 經營的線上吉他教學平台 Sonora，擁有包含 Tom Misch 與 Billy Strings 在內的職業音樂人學員；平台穩定成長了七年，幾乎未受 AI 浪潮影響，直到 Anthropic 在去年 11 月發布 Claude Opus 4.5，情況才驟然改變。

這款模型經過專門訓練，能夠執行長時間運行的代理任務，包含軟體工程與行政作業。Handley 很快發現，AI 已能複製他用來經營業務的企業軟體，他說：「我意識到遊戲規則變了，你可以在沒有任何人工介入的情況下，複製一家十億美元公司的軟體。」

這個發現直接改變了公司的用人結構。負責接觸潛在客戶的 12 人「開發團隊」幾乎全數裁撤，銷售主管、客戶入職團隊與部分營運人員也隨之離開。

留下來的員工轉為監督 AI 代理，這些代理負責撰寫行銷文案、追蹤潛在客戶，並協助吉他老師引導新學員完成入職流程。

到了今年四月，Handley 已用客製化工具取代 HubSpot、Calendly、Vimeo 與 DocuSign，每年節省約 25 萬美元的軟體費用，同時將客戶資料集中管理，讓 AI 代理更容易調用。公司從 48 人縮減至 30 人，但營收沒有下滑，實際上成果還略微提升。

小型企業是更敏感的感測器

Sonora 的案例之所以值得關注，不只因為它的規模縮減，更因為它所代表的速度。

哈佛經濟學家 David Deming 在 2025 年指出，AI 在小型企業（包含新創公司）的採用速度快於大型企業。如果這個判斷成立，大型科技公司裁員數千人的頭條新聞，可能掩蓋了 AI 對美國約 46% 受僱於小型企業的勞工所造成的影響。

不過，經濟學界對這個問題的看法並不一致。倫敦國王學院助理教授 Bouke Klein Teeselink 指出，AI 採用的方向可以往任何一邊走：昂貴的導入成本可能讓資金更充裕的大型企業佔優，但小型企業因為規模小、結構彈性高，重組以有效使用 AI 的難度也相對較低。

美國人口普查局今年四月的報告發現，大型企業的 AI 採用率明顯更高，但 Klein Teeselink 強調，「採用」這個詞可以涵蓋差異極大的實際狀況。他接觸過許多大型企業員工在使用 Microsoft Copilot，「技術上他們是採用者，但顯然他們根本不知道自己在做什麼。」

地理因素也讓影響更難一概而論。舊金山灣區的新創公司在 2023 年至 2024 年間人員縮減了 16%，而非科技重鎮的同類企業幾乎沒有變化。史丹佛數位經濟實驗室研究員 Bharat Chandar 指出，就整體經濟而言，目前沒有大規模職位流失的明確跡象。

2025 年 9 月，Resume.org 對 1,000 名美國企業主管的調查提供了更具體的數字：近三成企業表示已用 AI 取代職位，37% 預計在 2026 年底前完成替換，半數企業已縮減招募，39% 在 2025 年進行了裁員。

調查也指出，高薪員工與缺乏 AI 技能的工作者面臨最高裁員風險，入門與新進員工同樣脆弱。不過，聯準會紐約分行的分析提供了一個反向觀點：多數雇主更傾向培訓員工使用 AI 而非直接裁員，分析師也認為，即便部分企業預測 AI 相關裁員，對整體勞動市場的影響仍不至於重大。

效率提升不等於就業減少

並非所有導入 AI 的小型企業都在裁員。短租管理平台 Hospitable 自去年 12 月以來將 AI 支出增加了 50%，相當於三名全職員工的成本。AI 代理目前生成了公司 90% 的程式碼，處理了 70% 的客服查詢，協助財務團隊判斷需要執行哪些轉帳，並管理行銷活動。

這家 140 人的公司沒有裁員，但放緩了招募速度。執行長 Pierre-Camille Hamana 估計，如果沒有導入 AI 工具，公司原本需要把 65 人的客服團隊擴增為三倍，他說，AIm實際上創造了更多工作，因為生產力提升太多了。

經濟學家將這種現象稱為「Jevons 悖論」，這得名自 19 世紀英國經濟學家的觀察，指煤炭使用效率的提升，反而導致煤炭消耗量上升，而非下降；燃煤爐具成本降低引發需求激增，整體煤炭支出反而增加。

Klein Teeselink 認為某些工作可能出現類似效應——軟體工程師的職缺在 ChatGPT 發布後大幅萎縮，但目前看起來已開始回升，或許正是這個邏輯的體現。

全面影響尚未到來

儘管如此，目前的影響可能只是開端。美國人口普查局報告顯示，不到五分之一的企業將 AI 用於任何業務功能。Anthropic 在 2026 年 3 月發布的研究更指出，其 AI 模型目前僅被用於所有可執行工作任務的一小部分。

這當中有一個關鍵的加速器值得關注。轉型型 AI 經濟學教職研究員 Anton Korinek 去年向 TIME 表示，新技術的擴散需要高技能工人來推動，但如果 AI 變得足夠聰明，它也能協助加速自身的擴散。一旦這個臨界點到來，採用速度可能出現非線性躍升，而最快完成導入的企業，將成為整體經濟走向的早期指標。

【推薦閱讀】

◆ AI 時代需要全新領導方式，專家提 90 天 AI 轉型實踐框架
◆ 【別只說「AI 會提高生產力」】想平穩轉型，領導者必須對症下藥的 3 大關鍵
◆ 蘋果 AI 轉型真的落後？手握 25 億台消費端裝置，專家揭蘋果佈局

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

（責任編輯：鄒家彥）

Coros 成立不到十年，已在運動手錶市場站穩一席之地，名字開始與 Garmin、Polar、Suunto 並列在同一個討論框架裡。

這家品牌靠著在價格、功能與效能之間找到甜蜜點而快速崛起，但它現在想做的，已經不只是追上這些老牌競爭者，而是押注一個它認為將重塑整個產業的技術方向：語音與 AI 的結合。

麥克風上錶，但用法完全不同

在運動手錶上加入麥克風這件事，Coros 並不是第一個。Garmin 在 2022 年就在 Venu 2 Plus 上加入麥克風與喇叭，讓用戶能透過藍牙接聽電話、與手機語音助理互動，以及在錶上執行語音指令。此後 Garmin 也陸續將這套硬體配置擴展至 Fenix 8 與 Forerunner 等多個系列。

Coros 的路徑截然不同。2025 年，Coros 推出了第一款內建麥克風的手錶 Nomad，隨後又在 Pace 4 與 Apex 4 上加入麥克風，但它並不打算讓這些手錶變得更像 Apple Watch 或 Wear OS 裝置。

Coros 在近期軟體更新中推出了 Voice Control 功能，目前仍在 Beta 測試階段。用戶按住功能按鈕，就能以語音啟動訓練模式，包含健走、越野跑、礫石自行車等，也可以在訓練過程中進行細部調整，例如田徑跑道換道、調整跑步機速度，或設定提醒與啟動尋找手機功能。

在此之前，Coros 已推出「Voice Pin」功能，讓用戶在訓練途中錄製語音筆記，並標記在跑步路線的 GPS 地圖上，目的是記錄當下的身體感受，或留下路線的環境資訊，供下次跑同一段路時參考。這個設計的起點，是因為現有訓練數據的數字不夠用。

COMPUTEX 2026 現在進行中！最新報導都在【TO Highlight】直擊 COMPUTEX 2026 台北國際電腦展

語音是 AI 理解用戶主觀狀態的入口

Coros 共同創辦人暨執行長 Lewis Wu 對這個方向有清楚的論述：「我們相信語音是未來，」他說，「當 AI 時代來臨，手錶或應用程式與用戶之間的互動方式將會改變。語音是讓系統或應用程式理解你最簡單的方式，而 AI 在背後可以給你回饋，這就像雙向溝通。」

這個邏輯的核心，是對「訓練數據缺口」的觀察。Wu 指出，訓練不只是配速與心率，還包含用戶的主觀感受，比如今天覺得很累、腿很痠、腳踝有點不舒服，這些都是教練想知道的資訊。

過去這些資訊只能靠用戶自己記錄，設備完全捕捉不到。麥克風讓用戶能夠即時說出這些感受，再透過 AI 把這些主觀資訊納入訓練分析的範疇。

「用戶輸入電腦和 AI 的資訊越多，系統對你的理解就越深，」他說，「這就是為什麼我們要在每一款新手錶都內建麥克風，因為我們相信這是未來。如果你想要一款能夠因應未來的跑錶，選擇有麥克風的款式。這是我們的願景。」

從單向數據到雙向溝通

這個願景的關鍵轉變，在於把手錶的角色從數據記錄者變成雙向溝通的對象。

現有的運動穿戴裝置，幾乎都是單向輸出，設備收集生理數據，提供數字或圖表給用戶判讀。用戶的主觀感受，除非手動輸入，否則設備完全不知道。

語音輸入改變了這個結構。當用戶在跑步中途說出「今天膝蓋有點緊」，這條資訊就能被記錄下來，和同一段路線的心率、配速、氣溫等客觀數據並存，讓 AI 在分析時有更完整的上下文。

Wu 形容的雙向溝通願景，是讓 AI 在掌握這些資訊後，能像真人教練一樣給出有脈絡的建議，而不只是根據心率區間告訴你今天練了幾分鐘的有氧。

語音控制之外，Coros 也帶來幾項針對訓練紀錄的改進，包括肌力訓練模式新增了事後編輯功能，用戶可以在訓練結束後，透過手錶或 App 修改次數與強度紀錄，計次準確度也同步提；自動圈距設定則新增依位置計圈的選項，讓用戶在抵達起點時自動開始新的一圈，適合環形路線或坡度衝刺訓練。

健康系統的坦誠重定位

語音 AI 是 Coros 在訓練功能上的押注，但 Wu 對品牌另一個面向也有個相當坦誠的說法，「我必須承認，我們的健康與健康監測系統目前還不夠好，我們需要改進，但我們改進的方式，可能和其他公司有些不同。」

多數穿戴裝置品牌的邏輯是，鼓勵一般用戶透過運動來獲得健康，Coros 的核心用戶不是這群人——他們是認真的耐力運動員，根本不需要被推著去運動，他們的問題是如何在高強度訓練之餘保持身體健康、避免受傷、持續能夠訓練。

硬體賭注的落地還需要時間

語音輸入捕捉主觀訓練感受，是當前運動穿戴裝置明顯的空白。配速與心率已被大量設備做到相當成熟，但「今天覺得怎樣」這個維度目前幾乎完全缺席。若 Coros 能讓語音輸入與 AI 建議有效整合，這個數據維度的差異將形成真正的競爭護城河。

但 Wu 描述的雙向溝通願景，目前仍以宣示為主。Voice Control 還在 Beta 測試階段，Voice Pin 提供了語音標記的功能基礎，AI 後端的配套建設還需要時間跟上。

每款新手錶都內建麥克風的決定，可以理解為為這個願景預留硬體條件，但語音資訊如何被 AI 有效解讀並轉化為有意義的訓練建議，才是這個押注能否兌現的真正關鍵。

【推薦閱讀】

◆ AI 時代需要全新領導方式，專家提 90 天 AI 轉型實踐框架
◆ 【別只說「AI 會提高生產力」】想平穩轉型，領導者必須對症下藥的 3 大關鍵
◆ 蘋果 AI 轉型真的落後？手握 25 億台消費端裝置，專家揭蘋果佈局

＊本文開放合作夥伴轉載，參考資料：TechRadar、Yahoo!Tech，首圖來源：Coros

（責任編輯：鄒家彥）

美國喬治亞州的 Seckinger 高中以「全美第一所人工智慧主題教育機構」自居，吸引了媒體廣泛報導，也引來其他學區競相仿效。

Seckinger 集群共涵蓋五所學校，從 Harmony 小學到 Seckinger 高中，全部遵循同一套 AI 學習框架，框架由六個面向組成：程式設計、資料科學、數學推理、創意問題解決、倫理，以及應用體驗。

這套框架在每個年段以不同方式呈現，AI 主題也延伸至各個科目；體育課的重訓室旁放著 iPad，學生可以使用生成式 AI 聊天機器人詢問有效的訓練動作。

品牌定位與課室現場的距離

《紐約時報》記者在小學觀察到的 AI 課程，實際上是讓一年級學生用磁力積木幫一個玩具人偶蓋房子，概念是「使用者體驗」。

在中學，AI 工具開始出現。一位社會課教師讓學生透過她建立在 MagicSchool 平台上的聊天機器人，扮演記者採訪已辭世的喬治亞州政治人物。學生按照老師提供的問題輸入，聊天機器人吐出歷史人物風格的回覆。

2024 年畢業、目前就讀 Emory 大學的 Muhammad Rizwan 說，在機器人等預期會有 AI 的課程裡 AI 確實存在，但其他課程並沒有那麼多。語文課老師要求學生在課堂上手寫文章，就是為了防止用 ChatGPT 作弊。

他說，老師們仍必須達到郡縣規定的課程標準，再設法加入 AI 元素，「老師真的會這樣做嗎？不見得，但這是對他們的期待」，他補充說，部分老師對聊天機器人介入課堂幾乎感到冒犯。

去年從 Seckinger 畢業、目前就讀喬治亞大學的 Joseph Schrage 說得更直白：「我修的學程，說實在的，我用 AI 做的事和在其他學校沒什麼差別。」他還補充，同學之間常開玩笑說學校很愛強調自己是 AI 學校。

數字說出不同的故事

如果用學區自己的指標來評估，Seckinger 的成績並不亮眼。只有 38.4% 的畢業生達到「大學準備就緒」標準（即參加 ACT 或 SAT 並達到一組選定的基準），另有 19.4% 完成職業技術教育學程。與郡內社經背景相似的其他高中相比，Seckinger 在這兩項指標上均表現偏低。

郡縣官員回應強調 Seckinger 超過 95% 的畢業率，是全郡最高之列，並將此視為學生參與度高的證明。郡縣的臨時首席參與官 Bernard Watson 則解釋，學區優先培養的是「持久技能」，包括創意問題解決、倫理思考與協作領導力，而非 AI 工具使用率本身。這個解釋實際上將目標重新定義為傳統教育一直在做的事。

校長 Jimmy Fisher 對學校的未來持樂觀態度，他說，「孩子從小就開始接觸這些概念，想想他們幾年後會有多先進。」AI 學程教師 Samantha Bart-Addison 也指出，Seckinger 的學生是從小學就開始接受 AI 概念整合的，高中端面臨的挑戰是，同時跟上技術本身與這批學生的程度。

學區的 AI 暨電腦科學主任 Sallie Holloway 坦承，Seckinger 目前沒有一個明確的終極目標或單一衡量指標，而是一套包含成績、考試成績與學生對課程的正向感受在內的「指標體系」。

教育科技改革的歷史循環

事實上，喬治亞州的 AI 教育推進規模正在擴大。過去一年，Amazon AWS 協助近 5,000 名喬治亞州學生透過 Code.org 探索 AI 內容，其中 65% 來自歷史上服務不足族群的學校。但規模擴大，不代表成效跟上。

史丹佛大學名譽教授 Larry Cuban 在 1986 年著作《教師與機器》中，描述了一個反覆出現的循環：改革者承諾技術將革命性改變課堂，媒體跟進大量報導，然後是推廣困難、落地不如預期，最後是怪罪教師執行不力。1913 年，愛迪生預言書本即將被電影取代。一百多年後，這套敘事以 AI 的形式再度登場。

Khan Academy 創辦人 Sal Khan 在 2023 年的 TED 演講中聲稱，AI 將帶來教育史上最大規模的正向轉型，並以 Khanmigo 聊天機器人作為例證。到了 2026 年，他已在軟化這些說法，承認「對許多學生來說，這只是一個無感的事件」。

學術研究的結果同樣謹慎。史丹佛 AI 教育中心分析逾 800 篇學術論文後發現，AI 工具可能幫助學生在當下更成功完成任務，但當學生日後被要求獨立作業時，這些成效並不一定延續。

賓州大學的研究人員則警告，使用者開始迴避費力的思考，將大量決策交給大型語言模型代勞，這種「認知投降」的風險值得正視。

真正有效的仍是「人」

走訪 Seckinger 集群的整個過程中，《紐約時報》記者反覆聽到的讚美，指向的不是 AI 工具，而是教師。受訪家長形容 Harmony 小學的文化「溫暖而包容」，Jones 中學的教師對孩子有「終身的影響」。一位有孩子就讀三所學校的家長 Lydia Clark 說，AI 不是她孩子在課堂上表現好的原因，她在孩子的教育中也看不太到 AI 的存在。

郡縣在沒有明確 AI 素養定義、也沒有單一衡量標準的情況下，很難對外清楚說明 Seckinger 的成效究竟是什麼。這個空白本身，就是政策設計上值得正視的問題。

【推薦閱讀】

◆ AI 拉高大學教育投報壓力：技能過時，如何重建青年「可被雇用性」
◆ 韓國 AI 課本的治理警示：讓教育轉型失速的 8.5 億美元計畫
◆ 【AI 是跨職能的關鍵】均一平台教育基金會執行長呂冠緯揭密使用 AI 的 2 大心法

＊本文開放合作夥伴轉載，參考資料：The New York Times、The Atlanta Journal-Constitution，首圖來源：Unsplash

（責任編輯：鄒家彥）

印度擁有約 6 億名勞動力，是全球最大的 IT 服務人力市場之一。然而根據 IBM 商業價值研究院與 IndiaAI 本月發布的聯合報告，這 6 億人中目前具備足夠 AI 知識的只有約 2 億人，佔整體勞動力的 30%。

要讓 AI 真正成為印度下一波經濟成長的引擎，這個比例必須在不到五年內提升到 57%，也就是再培訓 1.5 億人。

市場已經先行反應

市場對這個衝擊的判斷，比多數分析師更早到來。Anthropic 的 Claude Cowork 代理工具推出後，印度軟體出口商上週市值蒸發 225 億美元，Nifty IT 指數單週下跌約 7%，創四個月來最大單週跌幅。

應用服務佔印度 IT 公司營收的 40% 至 70%，而 AI 正在威脅這塊業務。印度金融公司創辦人 Motilal Oswal 估計，未來四年，AI 主導的破壞可能消除印度 IT 業 9% 至 12% 的營收。

不過，並非所有人都認為這是存亡威脅。印度券商 Centrum Broking 的分析師 Piyush Pandey 稱這波拋售是「膝反射式」反應，認為 AI 工具目前不會對產業造成實質破壞；JPMorgan 表示，「將部分工具的推出直接外推至企業將替換每一層關鍵企業軟體，這是不合邏輯的」。

輝達執行長黃仁勳也駁斥 AI 將取代軟體工具的說法，稱這是「世上最不合邏輯的事」。

機會與威脅同時到來

這波股市震盪，指向的正是印度 IT 服務業長達三十年的商業模式所面臨的結構性壓力。印度每年產出數百萬名工程師，其中大量進入外包服務業，承接全球企業的程式撰寫、票務處理與初階分析任務。

而這些工作，恰恰是生成式 AI 目前最直接取代的職能。過去靠人頭數量擴展的業務，現在靠 AI 模型呼叫次數擴展。

IBM 與 IndiaAI 的聯合報告估計，AI 可在 2030 年前為印度經濟新增超過 5,000 億美元。而印度的三大 IT 龍頭也並未坐以待斃：Infosys 正在建立新的 AI 合作夥伴關係，TCS 正在將 AI 更深度嵌入其服務，Wipro 則表示 AI 已成為其在全球追求的許多合約的核心基礎。

執行落差是最大障礙

然而，IBM 與 IndiaAI 的聯合報告呈現的現況，與轉型目標之間存在巨大落差。72% 的受訪企業承認，自身在 AI 應用上落後全球同業；只有 15% 正在透過跨部門投資擴大 AI 規模，其餘 85% 仍停留在試點階段，遲遲無法進入全面部署。

這個現象並非印度獨有。歐盟統計局去年 12 月的數據顯示，歐盟僅有五分之一的企業在使用 AI，歐洲企業主管將技能短缺列為僅次於法規的首要障礙。

但印度面對的壓力有其獨特性，這個執行落差若持續存在，AI 帶來的生產力收益將不會留在這裡，而是流向那些已經完成部署的市場。

印度的獨特優勢在於人口結構，超過半數的 14 億人口年齡在 30 歲以下，若能有效轉化，這是任何其他市場都難以複製的規模；若培訓目標實現，這 3.5 億具備 AI 技能的勞動力不只能服務國內需求，也有機會輸出到全球市場。

政府與企業的應對

面對這個規模的挑戰，印度政府與企業正從兩個方向同步推進。政府端，IndiaAI FutureSkills 計畫正在將資料與 AI 實驗室擴展至二線與三線城市，試圖讓培訓資源不再集中於班加羅爾與海德拉巴等科技重鎮。

企業端，IBM 去年 12 月承諾到 2030 年透過 SkillsBuild 平台培訓 500 萬名印度人，涵蓋 AI、網路安全與量子運算三個領域，並在南印度城市柯欽將員工規模擴展至約 4,000 人，同時在北印度城市勒克瑙開設新據點。

技能資本與模型資本，不是同一回事

IBM 印度及南亞區董事總經理 Sandip Patel 還提出了一個較少被討論的深層問題：智慧財產權。他指出，如果印度想從「世界後台辦公室」升級為能夠創造可變現技術的市場，就需要更強的 IP 執法機制。

如果 AI 時代的價值最終累積在擁有模型的公司手中，那麼一個只培訓勞動力、卻不擁有底層模型的國家，本質上仍然是在替他人運營他人的產品。技能資本與模型資本是兩件不同的事，前者讓勞動力有市場，後者決定利潤流向誰。

五年內將 AI 素養覆蓋率從 30% 提升至 57%，這個目標極為激進，能否實現高度取決於教育與培訓基礎設施能否同步擴張至二三線城市。而 IP 的問題更為根本，即便培訓目標達成，若本土 AI 研發能力未能同步成長，印度 IT 服務業的商業模式轉型將只是完成了一半。

【推薦閱讀】

◆ 【AI 不能開箱即用】印度 IT 轉任「數位水管工」，把系統整合變成獲利護城河
◆ 印度想打造自己的晶片護國神山？砸 5,500 億造「晶片大國」面臨哪些挑戰
◆ 蒐集「第一人稱數據」訓練機器人：矽谷新創 Human Archive 深入印度零工經濟

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

（責任編輯：鄒家彥）

麥肯錫正在調整合夥人的薪酬結構，把更多比例轉為股權，同時保留更多現金。這個看起來像是內部財務安排的決定，背後其實指向整個專業服務業共同面對的處境，因為客戶越來越不願意按工時付費，而 AI 正在加速這個轉變。

工時計費的失效，從麥肯錫開始顯現

麥肯錫面臨的壓力是，客戶要求將顧問費與實際交付的成果掛鉤，例如降低成本、提升利潤或增加市場占有率，而不是按照顧問花了多少時間提供建議來計費。

麥肯錫英國、愛爾蘭與以色列區域管理合夥人 Michael Birshan，在 2025 年 11 月就說過，「我們正在與客戶建立更多績效導向的合作安排」，過去是「這是專案範疇，費用是多少」，現在是「這是我們想達到的成果，費用將主要取決於你能否達成。」

目前麥肯錫全球約四分之一的費用，已採用這套成果導向定價模式。麥肯錫全球科技與 AI 領導人 Kate Smaje 指出，成果計費並非因 AI 而起，而是過去幾年麥肯錫承接越來越來多年期、跨部門轉型專案後自然演進的結果，只是 AI 轉型工作的性質讓這套模式更加契合。

成果的衡量方式也有了具體標準。Smaje 說明，成功通常以計分卡評量，包含投資人目標、在特定時間內達成的營收或利潤目標、營運指標與客戶滿意度，她說，「你的董事會計分卡就是我們的計分卡，當這場轉型成功，我們才算成功，所以讓我們共享成果。」

而且這個轉變背後有一個讓顧問業難以反駁的邏輯，如果顧問自己就在用 AI 做資料分析與診斷，為什麼客戶要按照「沒有 AI 時需要的工時」付費？AI 提升了效率，但這份紅利過去幾乎完全留在顧問公司手中，客戶現在開始要求分享。

然而成果導向計費，讓麥肯錫的營收結構面臨不確定性，這正是它需要調整薪酬結構、把更大比例轉為股權並保留更多現金的原因。

AI 服務業已率先採用任務型計費

事實上，在麥肯錫還在調整適應的同時，AI 服務業者已率先建立了一套成熟的任務型計費模式，並在客戶端形成了新的參照標準。

Intercom 旗下 AI 客服代理 Fin，以每解決一件客戶案例收取 0.99 美元計費；身分驗證服務商 iDenfy 每次驗證收取 1 英鎊；Salesforce 讓客戶按任務付費，並允許預先大量購買點數，讓雙方都能預估預算。這套模式的邏輯是，客戶付的是問題解決的結果，不是解決問題所花的時間。

當客戶開始習慣這種計費方式，他們自然會拿來與傳統顧問的工時計費對比。這就是麥肯錫面對的外部壓力來源之一。

成果計費不是新概念，但普及速度正在加快

麥肯錫當然不是唯一一個被迫重新思考計費邏輯的行業，EY 全球成長與創新管理合夥人 Raj Sharma 在 2025 年初就指出，AI 代理的能力正在迫使 EY 重新考慮商業模式，可能走向「軟體即服務」型的計費方式，讓客戶按成果付費，而不是按 EY 投入的工時和資源計費。

律師和審計師等同樣高度暴露於 AI 的專業服務，也面臨客戶要求分享 AI 帶來的成本節省的壓力。

不過成果導向計費並非 AI 時代的全新發明，「不贏不收費」的法律事務所是最廣為人知的先例。

值得注意的是，麥肯錫的業務結構本身也在同步轉型。Smaje 指出，純策略顧問業務如今佔麥肯錫整體工作不到 20%，主力已轉向需要跨越資料、人力政策等各層面支援的多年期深度實施專案。這個轉變說明，成果計費的增加不只是定價工具的調整，而是顧問業務性質本身正在改變。

成果計費的難題：誰來承擔不可控的風險

但成果導向計費並不是沒有問題，最核心的挑戰在於，成果可能受到顧問無法控制的外部因素影響：戰爭、關稅政策的突然改變、客戶內部的保守主管阻礙執行，都可能讓原本設計良好的採購或供應鏈優化計畫功虧一簣。

當成果不如預期，顧問與客戶之間的責任歸屬就會成為爭議。

一個可能的解法是把顧問的薪酬激勵與客戶高管的績效指標對齊，讓雙方在相同的誘因結構下運作。但這種安排本身需要複雜的談判，也需要雙方對「成功」的定義有清晰的共識，而這個共識並不總是容易達成。

工時計費不會消失，但佔比將持續縮小

即便成果計費的壓力持續增加，工時計費、訂閱制與固定費用並不會消失。OpenAI 等 AI 巨頭仍偏好對部分產品採取訂閱制，因為循環的可預測收入對企業財務規劃更有利。麥肯錫和同類顧問公司也仍會努力把部分工作維持在工時計費的框架內。

但成果計費的佔比將持續擴大，AI 讓「時間投入」與「價值產出」之間的關聯越來越來弱，這不只是麥肯錫的問題，而是所有知識型專業服務面對的共同結構性挑戰。

當 AI 代理的任務型計費模式持續在市場上普及，傳統顧問業的定價邏輯將受到越來越大的外部參照壓力。

【推薦閱讀】

◆ 4 個月變 2 分鐘、數萬美元變幾塊錢，AI 合成受眾如何顛覆市調與顧問業？
◆ 【辦公室巨量新「人」】1.2 萬個 AI 代理上線，顧問業食物鏈正被重塑
◆ 【顧問業 SaaS 化】IBM、麥肯錫都在做的事：把顧問服務變成 AI 代理與平台工具

＊本文開放合作夥伴轉載，參考資料：Financial Times、Business Insider，首圖來源：Unsplash

（責任編輯：鄒家彥）

當多數機器人吸塵器廠商在比拚誰能爬樓梯、誰有機械臂能撿東西時，Dyson 最新推出的 Spot+Scrub Ai 選擇了一個切入點：辨識並清除地板上的頑固污漬，這選擇和 Dyson 首席工程師 Jake Dyson 想闡述的產品哲學相關。

先找到真實問題，再驗證解法是否真的有效

Jake Dyson 是創辦人 James Dyson 的兒子，22 歲時曾短暫在 Dyson 工作，隨後離開，獨立發展工業設計事業，專精照明領域，多年後才帶著這段經驗回到公司，成為首席工程師。

他描述自己的方法論時，用了一個 LED 散熱的例子：LED 剛進入市場時，多數人沒有把它們冷卻好，導致原本該用一輩子的產品被當成一次性燈泡使用。他造訪了亞洲的 Osram，了解到把二極體溫度維持在攝氏 50 度以下，就能保住亮度、色彩品質與使用壽命，並借用衛星的被動散熱原理，設計出讓熱量自然從晶片擴散的系統，「找到問題、解決問題，這個過程驅動著一切，」他也將這套方法論延伸到 Spot+Scrub Ai 上。

Dyson 在 2025 年推出這款濕拖兼乾吸機器人，配備綠光照明系統與 HD 攝影機，搭配一套涵蓋 190 多種不同家居物品和污漬的智慧雷射識別系統，辨識需要額外清潔的污漬，多次來回清潔，並在移動前確認污漬已完全清除。

謹慎的說法，與實測結果有些落差

當被問到為什麼不像其他公司一樣推出能爬樓梯、用機械臂搬東西的機器人時，Jake Dyson 表示 Dyson 已經研究這類問題大約十年，但解決方案還沒有達到可靠實用的水準。這個說法有時間佐證，早在 2022 年，Dyson 就公開宣布要在 2030 年前大力發展家用機器人，當時稱其為一場「大賭注」，這項技術將影響機械工程、視覺系統、機器學習和儲能等領域的研究。

他口中「還不夠可靠」的問題，目前在市面上其他產品身上也能看到。Roborock Saros Z70 的機械臂在實測中無法自主辨識並移動物體，仍需遠端操控，在地毯上的成功率也因「硬體限制」較低；爬樓梯機器人則因每座樓梯的高度、間距、材質各異，加上寵物與孩童的動態干擾，要做到安全可靠仍有相當難度。

Jake Dyson 認為這類問題比自動駕駛更複雜，這也是 Dyson 選擇先專注於今天就能在真實家庭中可靠運作的產品的原因。

機器人與傳統工具，短期內將持續共存

被問到機器人是否終將取代手持吸塵器時，Jake Dyson 給出否定答案，他認為機器人吸塵器擅長日常維護，但深度清潔與非地板表面，人們仍會用無線吸塵器處理。

這個說法與 Dyson 近期的產品佈局一致，公司剛推出超輕巧的 Pencilvac Fluffycones，也發表了首款自動集塵的無線吸塵器。

AI 推理能力，是下一波突破的關鍵

Jake Dyson 對機器人技術整體的進展速度仍相當樂觀。他認為過去機器人遇到不熟悉情況時會卡住，現在透過推理能力，能做出更安全、更明智的決策。

他也觀察到全球發展的分工態勢，美國在 AI 與「大腦」層面領先，中國則以更大規模、更實惠的成本生產機器人硬體。

展望未來，他認為機器人將透過雲端彼此學習，一個機器人的經驗能立即提升其他機器人的能力，甚至一台機器人能修復另一台的故障，這將大幅加速整體發展速度。

不過，技術成熟與大規模普及之間，還有法規與安全這道關卡。Jake Dyson 認為這些技術可能很快就準備就緒，但實際廣泛進入家庭可能還需要約十年。

他同意 Elon Musk 提出的「人形機器人三年內將進入許多家庭」的預測，但同時指出人形機器人需要消耗大量能源維持雙足行走，相較之下，專用的機器人吸塵器在能源效率上遠遠勝出：「所以，沒錯，機器人會變得更有能力，但我認為傳統工具仍會與它們並存。」

雖然把所有家務都交給機器人聽起來很吸引人，但無線與手持吸塵器看起來還會繼續存在一段時間，而爬樓梯與整理散落物品，現階段仍得靠自己動手。

【推薦閱讀】

◆ 四隻手、沒有腿，Helios 四臂機器人如何做到為太空站而生？
◆ 展示容易部署難，人形機器人距離真正的工業化還有多遠？
◆ 複製大疆、比亞迪崛起路徑，Semianalysis：宇樹科技將主導人形機器人產業

＊本文開放合作夥伴轉載，參考資料：Tech Radar、Web Pro News，首圖來源：Dyson

（責任編輯：鄒家彥）

隨著人工智慧與機器人技術的超高速演進，勞動市場正面臨前所未有的結構性海嘯。Khosla Ventures 創辦人 Vinod Khosla 發表評論指出，這場重大技術革命將迫使人類社會重新談判最基本的經濟契約。

過去 40 年專注於微處理器、網路、行動電話到 OpenAI 等破壞性創新的 Khosla 斷言，從 2030 年開始，高達 80% 的現存工作都將能由 AI 系統獨立完成。這意味著，美國目前與勞動緊密相連的經濟產出，絕大部分都將面臨被自動化取代的命運。

他強調，關鍵問題不在於大規模的結構性失業是否會到來，而在於當這一浪潮來臨時，政府是否已經準備好一套邏輯連貫的政策框架。

然而，現行的美國稅制完全無法應對即將到來的衝擊。目前的稅法框架，是奠基於勞動能夠獲得公平經濟價值分配、且資本需要被鼓勵的舊時代。當 AI 與機器人技術一方面大幅壓縮勞動報酬，另一方面又極度推升資本回報時，既有的財稅邏輯將徹底失效。

Khosla 警告，在 AI 引發嚴重不平等與大規模失業的威脅下，美國必須做好準備，在未來犧牲一部分的資本主義效率，以減輕社會底層的痛苦。他為此提出一套三階段財稅改革藍圖，試圖在民主體制被失業潮摧毀前完成重建。

取消資本利得優惠：2028 年啟動第一波減稅與補償

這套財稅改革的起手式定於 2028 年總統大選之後。Khosla 主張，美國應徹底取消對資本利得的優惠稅率，將其等同於普通收入進行課稅。

在 AI 瘋狂推升資本回報的時代，過去用來保護資產階級的稅收政策（例如虧損扣抵保留額等）已失去正當性。雖然此提案保留了主要住宅增值、合法家庭農場收益等重要選民群體的合理免稅額，但整體稅制調整預計每年可為聯邦政府帶進高達 4,000 億美元的稅收。

這筆龐大資金的流向具有明確的政治工程考量。Khosla 計劃將這些稅收首先用來補償因 AI 失去工作或收入受損的勞工。其餘的盈餘，則將以退稅形式直接返還給年收入低於7.5萬美元、繳納聯邦所得稅約 750 億美元的美國人。

Khosla 說明，目前高達 40% 的資本利得，集中在年收入超過 1,000 萬美元的極富裕階層，因此這項改革並非激進的財富再分配，而是將原本就「向上逆向分配」的錯誤稅制重新導回平衡，以此爭取廣大受衝擊選民的支持。

課徵運算與機器人稅：2030 年引進基本需求免費化與極致通縮

進入 2030 年後，改革將邁入第二階段。儘管作為科技投資人的 Khosla 本身並不熱衷於阻礙創新的稅目，但他認為如果 AI 徹底取代了傳統薪資稅的稅基，政府就必須採取修正措施。

他主張針對 AI 運算算力以及機器人替代勞動所產生的收入，課徵 20% 的「代幣稅（token taxes）」。根據他的評估，這項運算稅在實施後的五年內，每年可創造 1,500 億至 2,000 億美元的財源，初期將優先注入失業救濟系統，隨後再隨著 AI 企業獲利的增長而擴大應用規模。

這筆源自算力稅的財源，將直接催生第三階段的重大社會實驗：將公民的「基本需求」專業服務全面近乎免費化。聯邦政府預計將以此補貼基層醫療、多專科護理、心理健康、慢性病照護、個人化 AI 導師以及法律援助等服務，讓每位公民僅需支付幾美元即可享用。

Khosla 指出， widespread AI 與機器人技術的普及，將引發經濟的「巨大通縮」，這將帶來生產力飆升與價格驟降。他預測到了 2040 年，人類的購買力將急遽擴張，屆時僅需 1 萬至 3 萬美元，就能買到相當於現在 10 萬美元價值的商品與服務，傳統富人階級才能享有的專業資源優勢將徹底瓦解。

打造全民資本家：2035 年微型創業與主權基金願景

在 Khosla 的長期藍圖中，治理的核心將從短期的所得重新分配，演進為長期的「資本擁有權」改革。

隨著 AI 科技巨頭在 2035 年後創造出難以想像的企業財富，社會必須回答「誰來擁有這些財富」的核心課題。他提議美國應建立一個國家主權財富基金，直接持有這些頂尖 AI 公司的股權。

透過這項機制，每一位美國公民都將自動成為資本所有者，直接分享科技演進的紅利，而不是被排斥在 AI 經濟之外的旁觀者。到了 2030 年代後期，該基金預計每年可累積兆元美元的規模。

與此同時，AI 技術的普及將重塑勞動形態。Khosla 預估在 2035 年前，AI 將協助 5,000 萬名美國人成功轉型為「微型創業家」。屆時，所有繁雜的財務會計、法律合規、市場行銷和稅務申報等行政負擔，都將由 AI 助手全權處理。

由於 AI 處理了絕大多數的經濟活動，未來世代甚至可能完全不需要追求傳統的工作。人類也得以從當前許多「為了生存而服務」的底層勞動中解放，轉而追求具備人類溫度、充滿匠人精神的手手藝創作，將精力投射在技能的精進、社會聲譽與人性的尊嚴上。

政治可行性與經濟邏輯的關鍵思考

這份由 Khosla Ventures 創辦人 Vinod Khosla 提出的政策倡議，本質上是一場針對 2028 年大選設計的政治賭注。他刻意對齊「7,500 萬人」這個接近川普得票數的政治數字，試圖為受科技衝擊的勞工選民建立一個跨黨派、財政中立的平台。

整套方案的關鍵支點，在於 2028 年取消資本利得優惠稅率能否過關。這是最具爭議的環節，勢必遭遇華爾街強烈抵抗，一旦卡關，後續所有免費服務與補貼政策都將失去財源基礎。

Khosla 對勞動市場的警告，正獲得主流財經界的呼應。摩根大通執行長 Jamie Dimon 曾公開敦促企業與政策制定者，為勞動力結構的重大改變做好準備，但他主張漸進式導入，與 Khosla 預期四年內引爆的極速轉變在節奏上有明顯落差。

需要指出的是，文中的年度稅收預估、就業轉型人數等具體數字，均為 Khosla 個人基於產業經驗的政策倡議，而非經濟學界的共識預測。傳統經濟學者通常會反駁，取消資本利得優惠可能打擊早期新創投資意願，對運算能力課稅更可能將頂尖科技公司推向海外。這份藍圖能否真正運作，端看美國民主體制如何在創新效率與減輕人類痛苦之間做出取捨。

【推薦閱讀】

◆ 全球首創：愛沙尼亞預計啟動 AI 代理人專屬數位身分，能終結「借用人類帳號」治理難題？
◆ Anthropic 監管立場大轉向：Dario Amodei 為何發長文主張政府有權阻止 AI 上線？
◆ 花 100 億美元蓋一座城：Toyota 豐田 Woven City 的實驗現場報告

＊本文開放合作夥伴轉載，參考資料：The Financial Times、finviz，首圖來源：Unsplash

（責任編輯：鄒家彥）

要讓機器人真正能運作，需要的不只是更好的模型或更快的晶片，而是一種非常稀缺的東西：大規模、高品質的物理互動訓練資料。新創公司 XDOF 想做的，正是填補這個缺口。

語言模型有公開文字，機器人沒有

語言模型的崛起，很大程度上靠的是網路上海量的公開文字資料。但機器人需要的是捕捉物理互動的資料，包括手如何抓取物件、力道如何調整、動作如何修正，這類資料幾乎不存在。

YouTube 影片和外包工作者拍攝的畫面解析度太低，也難以精確對應到物理世界的參數，無法直接轉化為有效的機器人訓練資料。

XDOF 共同創辦人暨 CEO Philipp Wu 在 UC Berkeley 攻讀博士時就親身遭遇這個問題。他的研究方向是讓機器人從大規模資料集學習技能，卻發現根本無資料可用，「我們先需要實際收集資料，才能開始思考如何訓練機器人的基礎模型，」他說這是一個先有雞還是先有蛋的問題。

Wu 和共同創辦人暨 CTO Fred Shentu 因此開發了 GELLO，一套低成本的遙操作系統，讓人類操作者控制機械臂來生成訓練資料。這篇論文在機器人領域產生了廣泛影響，許多面臨相同瓶頸的研究者開始借用這套裝置收集資料。看到這個機會，Wu、Shentu 與第三位共同創辦人暨 COO Nemo Jin 在 2024 年 10 月創立了 XDOF。

三層資料架構，從機器人到人體動作

XDOF 的資料生產架構分三個層次，對應不同的資料來源與應用價值。價值最高的是直接在部署中的真實機器人上收集的遙操作資料，因為它最貼近實際使用情境；其次是透過 GELLO 這類遙操作裝置收集的較通用資料；第三層則是記錄人類日常行為視角的「自我中心」資料，XDOF 計劃自行開發穿戴式感測器來收集。

Wu 強調，感測器硬體的選擇會直接影響資料品質，進而影響模型能力，他說如果一開始沒有把硬體設計好，收集到的資料可能會有你沒預料到的問題。這也是為什麼 XDOF 選擇同時做感測器硬體，而不只是提供純軟體服務。

在資料收集之外，XDOF 也負責資料清洗、工具開發與標注，讓整個流程形成持續優化的迴圈。Wu 說，他們刻意避免讓公司變成只做資料供應的業者，單純賣資料很容易走進死胡同。

與 UC Berkeley 合作，釋出迄今最大規模開源資料集

作為起點，XDOF 與 UC Berkeley、卡內基美隆大學、MIT 與 Amazon FAR 合作，釋出了一套名為 ABC 的機器人訓練資料集，以 Apache 2.0 授權開源，自稱是迄今規模最大的高品質機器人操作訓練資料集。ABC 包含 13 萬條機器人操作軌跡、300 小時的模擬資料，以及 100 小時的評估資料，這個規模的預訓練資料過去從未開放給學術界。

「我們在語言模型、圖像生成等領域都觀察到，一旦資料與模型對外公開，研究社群往往能達成原本難以預期的突破，」參與資料集整理的 UC Berkeley 博士生 David McAllister 說。

XDOF 的團隊已用這批資料訓練機器人執行基準任務，包含折疊 T 恤、壓平紙箱，以及將 AirPods 裝入充電盒。

大型實驗室傾向外包，XDOF 抓住這個市場

XDOF 的商業模式建立在一個判斷上：大型 AI 實驗室雖然有動機自己做資料生產，但建置這套基礎設施需要的資源與管理複雜度，讓多數實驗室寧願外包。Wu 描述了這套基礎設施的規模，需要數十萬平方英尺的倉庫空間、數百台機器人持續運作，還要維護硬體、校準參數、培訓操作員，這些都需要高度專注的執行能力，而不是 AI 實驗室的核心優勢。

目前 XDOF 約有 60 名員工，已與 20 個客戶合作，其中包含數家頂尖 AI 實驗室。公司計劃在全球招募並培訓大規模的遙操作員與自我中心資料收集員隊伍，以支撐這套勞力密集的資料生產模型。

【推薦閱讀】

◆ NVIDIA 把機器人實驗交給 AI 代理：研究速度的瓶頸，原來不只是演算法
◆ 四隻手、沒有腿，Helios 四臂機器人如何做到為太空站而生？
◆ 展示容易部署難，人形機器人距離真正的工業化還有多遠？

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

（責任編輯：鄒家彥）

歐洲在消費 AI 的競賽上已經輸了，這一點幾乎沒有爭議，但在工廠裡情況還沒有定論。當語言模型的發展被美國與中國遠遠甩開，歐洲製造業正在押注一個不同的問題：如果 AI 的戰場從聊天機器人轉移到生產線，超過百年累積的工業數據與製造專業，能不能成為一張有效的底牌？

消費 AI 輸了，工業 AI 還是開放競局

德國經濟部長 Katherina Reiche 在今年 5 月直白指出：「我們可能已經輸掉開發最佳語言模型的競賽，這一點很清楚。但我們絕對還沒輸掉將 AI 整合進企業的競賽。這是主權、競爭力與這個地區生存的問題。」

歐洲在消費 AI 領域已明顯落後美國與中國，但在工業與製造應用領域，根據智庫 Interface 今年 5 月的報告，歐洲 AI 新創活動強於美國。

Mistral AI 這家歐洲最具代表性的 AI 新創，也正將重心轉向工業應用。更重要的是，Siemens、Schneider Electric、Dassault Systèmes、ABB 等在全球製造業深耕逾百年的工業巨頭，正在將 AI 嵌入自動化產品與軟體，協助工廠提升生產效率與競爭力。

歐洲的底牌，或許是超過百年累積的製造業數據與領域專業，而這是中美短期內難以複製的資產。

這個主權意識也已從廠商心態上升到立法層次。歐盟近年推動主權 AI 與雲端相關法規，執委會主席范德賴恩明確表示：「我們無法依賴他人來維持醫院運作、電網穩定與服務安全」；歐盟科技主管 Henna Virkkunen 更警告「斷路器」風險，意即外國政府或企業可能關閉或中斷關鍵服務。

工業 AI 的核心應用目前集中在三個方向：預測性維護（在設備故障前透過數據分析偵測異常）、數位孿生（建立工廠或機械的虛擬複本用於模擬與測試），以及 AI 代理系統（監控運營、提出建議，甚至自主調整機械設定或協調工作流程）。

落地比宣傳難：資金、人才與標準化三重門檻

然而，從個別成功案例到全面部署，距離遠比數字看起來的大。Schneider Electric 施耐德電機工業自動化服務資深副總裁 Cecile Vercellino 指出，目前只有 30% 的製造商，真正從大規模數位轉型專案中獲益，多數仍停留在試點階段。

問題出在哪裡？導入工業 AI 需要同時具備資金、技術人才，以及足夠標準化的製程才能自動化。歐洲製造業基礎往往缺少其中一項以上。

德國中小企業 PAWA-Tech GmbH 的負責人 Paul Walczok 為了現代化生產線，投資了兩台自動化銑床，成本是傳統設備的兩倍。即便如此，他仍認為全面自動化在他的工廠行不通：「最後一道加工步驟，你真的需要熟練工人，這一點非常清楚。」

跨廠區的規模化也是普遍痛點。Vercellino 說，即使在同一個企業集團內，匈牙利工廠與葡萄牙工廠的流程方法可能截然不同，可擴展性有時非常困難。此外，工業 AI 高度依賴各工廠機器、材料與製程的專屬數據，在對中美依賴愈來愈敏感的當下，歐洲製造商對於將這類資訊交給第三方抱有戒心，這反而為本土供應商創造了一道保護屏障。

而 Trumpf 是一個例外，也是少數；這家德國雷射設備製造商自 2015 年開始連接機器以來，效率提升達 30%，目前在全球包含美國與中國在內運營智慧工廠。Trumpf 機床部門主管 Stephan Mayer 形容 AI 是「巨大的遊戲規則改變者」，許多需要大量人工的流程都可以靠 AI 自動化。

但 Trumpf 的優勢在於其雷射技術本身就供應 ASML 等頂尖客戶，擁有多數同業不具備的資源與技術積累。

中國推進、美國跟上，歐洲窗口正在縮小

美國的 Emerson Electric、Rockwell Automation 與 Honeywell 正在佈局機器學習技術，但歐洲最大的挑戰可能來自中國，因為中國不只是在製造業整體表現強勁，更在機器人與 AI 的交叉領域高度聚焦。

西門子能源執行長 Christian Bruch 指出，亞洲的新技術整合速度普遍快於歐洲，西門子能源已在上海建立自動化開關設備工廠，將大量人工任務轉移給機器並縮減人力，但他坦言在德國複製同樣的模式並不直接。

管理顧問公司波士頓顧問集團（BCG）今年 5 月的報告估計，西歐與北歐約 1 兆美元的製造業價值面臨外移風險。法國工業軟體公司 Dassault Systèmes 中歐區總經理 Sabine Scheunert，給出了最明確的時間警告：「我們大概還有兩年，最多三年，但不會更多。」她認為，若歐洲製造商無法在這個窗口內整合並落地 AI，將再也追不上亞洲。

【推薦閱讀】

◆ 告別矽谷獨大時代：北歐浪潮與 AI 雙重引擎，歐洲科技生態迎黃金轉折點
◆ 【怎麼管 AI 更重要】會用 AI 已不稀奇，歐洲商學院開始培養能「質疑模型」的企業管理者
◆ 歐洲製造業尋找新出口！Schaeffler 與 Neura Robotics 宣布聯手開發人形機器人

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

（責任編輯：鄒家彥）