「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。

從社群、娛樂到工作協作，現代人的各種需求幾乎都能透過 App 完成，但過去這些應用程式始終離不開手機。《VentureBeat》報導，如今成立 10 年、總部位於紐約、以開源 AI 模型與應用平台聞名的 Hugging Face，為其低成本開源桌上型機器人 Reachy Mini 推出 App Store，標誌運算平台正從「手機中心」轉向「實體機器人」的新階段。

從破萬銷量到 App 生態，Reachy Mini 打造機器人開發新入口

Reachy Mini 為 Hugging Face 於 2025 年 7 月推出的開源桌上型機器人，售價 299 美元起，是該公司收購法國機器人新創公司 Pollen Robotics 後的成果之一。自去年上市以來，該機器人已累計售出約 1 萬台。Reachy Mini 提供兩種版本：Lite 有線版（299 美元）需連接外部電腦運算，以及 Wireless 無線版（449 美元）內建 Raspberry Pi CM4，可獨立運作並支援 Wi-Fi。

這款小型機器人內建攝影鏡頭、麥克風與喇叭，並可透過 Hugging Face 的 AI 代理工具 ML Intern 協助使用者快速開發客製化應用。使用者無需工程或程式背景，只需以自然語言描述需求，例如「在有人說早安時揮手」，AI 代理便可自動生成程式、測試行為並部署至機器人。現在 Hugging Face 正式推出機器人專屬 App Store，Reachy Mini App Store 已上架超過 200 個由社群打造的應用程式，所有內容均可免費下載使用。

Hugging Face 執行長 Clément Delangue 在接受《VentureBeat》訪問時指出，這項技術突破的關鍵，在於降低進入機器人開發的門檻，任何人都能在一小時內打造機器人應用。他表示，過去機器人開發之所以困難，主要原因在於高品質訓練資料稀缺。雖然大型語言模型（LLM）可透過 GitHub 等龐大程式庫學習，但專屬於機器人的程式資料規模仍然有限，導致 AI 難以理解硬體行為與控制邏輯。

Hugging Face 透過代理式工具（agentic toolkit）作為中介，讓使用者不必直接面對底層 SDK 或韌體複雜性，而是由 AI 代理負責轉譯、生成與測試程式碼。該平台同時支援多種主流 AI 模型，包括 GPT-5.5、Claude Opus 4.6、Kimmy 2.6、MiniMax GM5 與 DeepSig V4 Pro，並透過 OpenAI Realtime 與 Gemini Live 提供即時互動功能，大幅縮短傳統機器人整合所需的開發時間。

社群驅動機器人應用程式爆發，AI 降低機器人開發門檻

《Axios》說明，即使沒有實體機器人，用戶仍可透過 Reachy App 與 3D 模擬環境，在瀏覽器中設計與測試應用程式。App Store 也支援 Fork 功能，讓使用者可以複製現有應用並透過 AI 進行修改，例如要求機器人改用法語回應。

該平台完全開源，並建立於 Hugging Face Hub 與「Spaces」系統之上，使 AI 代理能更容易學習與操作硬體行為，也鼓勵社群共同開發。目前已有超過 150 名創作者參與內容開發，其中不少人過去從未接觸過機器人程式設計。《VentureBeat》舉例，一名 78 歲退休行銷主管 Joel Cohen，在沒有工程背景的情況下，透過自然語言描述打造出一款「未來思考副總裁」應用程式，能在會議中即時辨識成員、整理討論重點並提出反饋。

《Axios》提及，社群開發出多種創意應用，包括情緒打擊象棋、防拖延提醒機器人、語言學習矯正助手與 F1 賽事即時解說員等。Clément Delangue 自身也在數小時內完成一款辦公室迎賓應用程式，讓機器人可辨識訪客並即時通知相關同事。他指出：「對沒有機器人背景的人來說，這幾乎是過去不可能完成的事。」

隨著低成本開源硬體結合 AI 代理能力，機器人不再是少數工程師的專業領域，而將逐步成為可讓一般使用者透過描述來定義機器人行為的開放式平台。在已有近 1 萬台機器人進入市場、並持續擴展應用生態的情況下，Hugging Face 正將機器人從硬體產品，推向可像 App 一樣擴充行為的平台。《VentureBeat》補充：「未來的關鍵不再是如何打造機器人，而是當門檻被打開後，人們會讓機器人做什麼。」

＊本文開放合作夥伴轉載，資料來源：《VentureBeat》、《Axios》，圖片來源：Pollen Robotics。

以 Microsoft 365 串聯在地合規、資安防護與生成式 AI，打造兼具創新與韌性的智慧醫療體系

「我們希望將技術賦能內部使用者。」國立臺灣大學醫學院附設醫院（以下簡稱臺大醫院）資訊室主任陳權忠這句話，道出臺大醫院數位轉型邁入新階段的核心思維。過去，臺大醫院透過電子病歷無紙化與行動化，奠定智慧醫院的數位基礎；隨著系統逐步成熟，關鍵已不再是技術是否到位，而是如何持續精進流程，並讓第一線的醫護與行政人員真正參與其中。在此轉變下，資訊室也重新定位自身角色，從過去一手承接各項需求轉為輔佐與賦能，並以 Microsoft 365（M365）為核心平台，結合 Power Automate、Power Apps、Copilot 等工具，將數位能力延伸至第一線使用者，讓臨床醫師、護理師和各科部行政人員皆能解決問題，成為流程優化的重要參與者。

實現技術賦能，將數位能力延伸至使用者

作為台灣規模最大的公立醫學中心，臺大醫療體系橫跨總院與多所分院，在行政與跨部門流程上，面臨需求分散且持續變動的挑戰。過去，院內多數行政資訊系統皆由資訊室自行開發，從財產管理、薪資計算、人事資料建置，到各科部日常流程需求，皆需仰賴資訊室逐一客製化處理。然而，隨著各單位需求日益多元，這樣的集中式開發模式也逐漸面臨瓶頸。

臺大醫院資訊室協理尚榮基表示：「資訊室能夠提供的服務，始終趕不上各科部的期待和需求。行政單位業務分散且需求各異，若仰賴工程師逐一開發系統，難以因應需求變化的速度。」他也指出，許多需求雖然看似單純，但仍需由工程師介入處理，對資訊室的人力與資源形成不小壓力。隨著技術演進，臺大醫院開始尋求新的解法，將資訊開發能力延伸至第一線使用者，這也成為導入 M365 平台的關鍵契機，使各單位得以透過平台工具自行解決日常工作中的問題，避免只能等待資訊室協助。

以財產報廢流程為例，過去一張報廢單需逐層簽核，完成時間常以月計。後來資訊室開發線上系統將流程電子化，處理效率雖有提升，但系統開發與維護仍高度仰賴工程師。如今，資訊室調整作法，投入教育訓練協助各單位定義問題與發想應用場景，並透過 M365 平台中的 Power Automate 等流程自動化工具，讓使用者能自行建置應用，並逐步推廣至更多科部，使承辦人得以將手邊作業電子化，落實第一線的數位轉型。

Azure 機房落地台灣，醫療上雲合規無虞

對醫療機構而言，上雲從來不是單純的技術決策。電子病歷涉及高度敏感的個人醫療資訊，如何在合規前提下擁抱雲端，是每家醫院都必須審慎面對的課題。臺大醫院將合規與資料落地能力視為推動上雲的重要基礎，自 2023 年起，陸續完成雲端版 Exchange Online 與 SharePoint Online 上線，提升部門協作效率與資料管理能力。隨著微軟在台區域資料中心啟用，醫療資料須落地台灣的合規要求得以落實，為電子病歷及相關資料逐步上雲提供更完善的基礎。

微軟在台區域資料中心上線後，臺大醫院在醫療上雲法規遵循與資料落地的需求得以滿足。臺大醫院院內長期採用 Office 365 服務，在備援與系統可用性已具備良好基礎，得以支撐醫療人員日常運作的穩定性與韌性。臺大醫院資訊室主任陳權忠說明，微軟在台區域資料中心的啟用不僅讓臺大醫院對上雲合規更有信心，也因資料落地台灣，服務存取無須連線至海外，整體效能得以提升。他進一步指出，透過 M365 進階資料落地服務（Advanced Data Residency，ADR），臺大醫院在資料駐留與法規遵循上更具彈性且能因應政策調整，並作為強化醫療韌性的基礎。

台灣微軟公共業務事業群總經理陳守正表示：「微軟很高興能和臺大醫院攜手，共同推動醫療數位轉型。透過 Microsoft 365 平台，得以將數位能力真正延伸至每位醫護與行政人員，讓技術賦能不只是口號。微軟在台區域資料中心的啟用進一步化解醫療機構上雲的合規疑慮，讓臺大醫院在法規遵循與資料安全無虞，全力推動智慧醫療的創新實踐。」

智慧資安防護，守護醫療資料安全

除雲端基礎建設與合規布局，資安防護亦是上雲首要考量。針對醫療機構的資安攻擊手法日益多元，其中釣魚郵件仍是常見的入侵途徑之一。為強化郵件防護，臺大醫院採用 Microsoft Defender for Office 365（MDO），在 Office 365 環境中提供進階郵件安全防護，平均每月可阻擋逾萬封惡意郵件。其安全連結（Safe Links）功能可在使用者點擊連結時進行檢測，即使連結於事後遭入侵或篡改仍能攔截潛在威脅，補足傳統過濾機制的防護缺口，有效降低員工誤點惡意連結的風險。

然而，資安挑戰不僅來自外部威脅，告警數量快速增加所帶來的處理壓力，也成為臺大醫院資訊室的重要維運課題。以端點偵測與回應（EDR）工具為例，每月產生數百筆告警，皆需逐一分析與判斷，已超出現有人力負荷。對此，資訊室團隊正嘗試導入 AI 輔助機制進行告警分類與處置，使多數事件可透過自動化處理，僅需人工介入少數高風險案例，降低資安維運的人力負擔。

生成式 AI 深入臨床輔助與資訊維運

面對生成式 AI 浪潮，臺大醫院積極探索各種應用可能。目前在病歷相關作業上，AI 可協助進行病歷標註、摘要生成與文件審核，讓醫師更快掌握病患病史，並提升記錄完整性，應用範圍亦從文字延伸至影像、圖片與聲音等多模態資料。此外，資訊室也運用 Azure OpenAI 建立對話式 AI 介面，醫師可以直接存取病歷資料進行臨床查詢，並將客製化 AI 功能嵌入既有系統，支援特定流程需求。

在資訊維運端，GitHub Copilot 不僅協助編寫程式碼，也用於修補安全漏洞。維運工程師可預先設定提示（Prompt），由 AI 自動執行例行性漏洞修補，隔日再進行結果確認，提升整體維護效率。陳權忠強調，即使導入 AI 自動化，最終的判斷仍需人為把關，並落實權限控管，以避免誤刪或誤改重要程式碼。

臺大醫院能在 AI 應用上快速推進，其中一項關鍵在於總院與各分院的應用系統皆採統一架構開發，資料自系統設計階段即採集中管理，避免形成資料孤島。在既有基礎上，為進一步支撐 AI 應用擴展，資訊室於 2025 年完成資料庫升級，新型資料庫支援向量搜尋，使地端亦可建置 RAG（檢索增強生成）應用，並同步擴充 GPU 伺服器算力，為後續 AI 應用提供穩定的運算基礎，並可彈性運用雲地資源。

隨著生成式 AI 應用逐步深化，臺大醫院將持續以雲端與 AI 驅動臨床創新，推動相關應用於臨床與行政場域，涵蓋語音病歷整理、緊急事件派工單自動生成及數位孿生（Digital Twins）等場景。台灣微軟亦將以合規、穩定且安全的雲端基礎架構與 AI 技術導入經驗，協助臺大醫院加速推動醫療數位轉型與 AI 應用落地，並進一步將技術賦能延伸至醫護與行政第一線，形塑智慧醫院新典範。

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

【科技早餐】今天精選 8 則國內外重要科技新聞。

＊Anthropic 吃下 SpaceX 算力，Claude 需求把 AI 戰場推上 300 MW

Anthropic 宣布與太空探索科技公司（SpaceX）達成大規模算力協議，將使用 SpaceX 位於美國田納西州（Tennessee）曼菲斯（Memphis）的 Colossus 1 超級資料中心資源，規模超過 300 MW，並可動用逾 22 萬顆 NVIDIA GPU，支撐 Claude 平台持續成長的使用需求。

Anthropic 執行長阿莫迪（Dario Amodei）先前在舊金山開發者大會表示，公司原本按 10 倍成長規劃算力採購，但第 1 季營收與使用量以年化基礎計算，成長幅度達到約 80 倍，目前算力資源難以應付。這次合作也讓 SpaceX 與特斯拉（Tesla）執行長馬斯克（Elon Musk）旗下算力資源，正式提供給 OpenAI 競爭對手 Anthropic。

＊SpaceX Terafab 文件曝光，馬斯克把 AI 晶片製造拉進自家體系

根據外媒報導，SpaceX 首次公開上市（IPO）文件與地方政府資料顯示，公司計劃在美國德州（Texas）打造超大規模晶片製造園區 Terafab，初期投資約 550 億美元。若後續擴建計畫全數落實，總投資規模可能達到 1,190 億美元。

SpaceX 在文件中將 Terafab 描述為多階段、次世代、垂直整合的半導體製造與先進運算製造設施，目標是整合邏輯晶片、記憶體與先進封裝，服務 SpaceX、xAI 與 Tesla 內部需求。文件也指出，Terafab 將採用英特爾（Intel）開發中的 14A 先進製程，並由 Intel 協助晶片設計、製造與封裝，但 SpaceX 也提醒，無法保證計畫能依原定時程推進。

＊Arm 財報創高，AI 資料中心把 CPU 拉回關鍵位置

晶片設計公司 Arm 公布截至 3 月 31 日的 2026 財年第四季財報，單季營收達 14.9 億美元，年增 20%。其中授權收入為 8.19 億美元，年增 29%；權利金收入為 6.71 億美元，年增 11%。Arm 執行長哈斯（Rene Haas）表示，當季手機出貨雖然轉弱，但主要集中在低階市場，對 Arm 影響相對有限。

這次財報更受關注的，是 Arm 正把成長重心推向 AI 資料中心。Arm 表示，首款資料中心處理器 Arm AGI CPU，是為代理式 AI 設計，主要共同開發夥伴包括 Meta。公司指出，客戶在 2027 與 2028 財年對 Arm AGI CPU 的採購總額已超過 20 億美元，為原先預期的兩倍以上，也讓資料中心成為 Arm 的下一個成長重點。

＊SIA：全球半導體首季銷售達 2,985 億美元，AI 推動全年挑戰兆元大關

美國半導體產業協會（SIA）最新報告顯示，2026 年第 1 季全球半導體銷售額達 2,985 億美元，較 2025 年第 4 季成長 25%。光是 3 月單月銷售額就達 995 億美元，較去年同期大增 79.2%，也比 2 月成長 11.5%。

從區域市場來看，3 月各地銷售都明顯成長。與去年同期相比，亞太地區年增 108.5%，美洲與中國分別成長 83.1% 與 74.8%。SIA 總裁紐佛（John Neuffer）表示，亞太與美洲市場需求穩健，帶動整體市場增長。隨著 AI 推動晶片需求，SIA 預估 2026 年全球半導體年度銷售額有機會跨越 1 兆美元。

＊Coinbase 裁員 700 人，AI 原生組織把主管拉回第一線

美國加密貨幣交易所 Coinbase 宣布，將裁減約 14% 人力，約 700 名員工，作為組織重整的一部分。Coinbase 執行長阿姆斯壯（Brian Armstrong）在員工備忘錄中表示，公司正同時面對加密貨幣市場低迷，以及 AI 改變工作方式兩股力量，因此必須調整成本結構，讓公司更精實、更快速，也更 AI 原生。

這次重整不只是裁員。Coinbase 將把執行長與營運長以下的組織層級壓縮至最多 5 層，以減少協調成本、加快決策速度。阿姆斯壯也要求主管不能只是純管理者，而必須像「球員兼教練」一樣參與實際工作。公司也表示，未來將更重視能管理 AI 代理人的人才，並實驗更小型團隊與「一人團隊」模式。

＊台灣供應鏈赴美意願達 350 億美元，AI 伺服器聚落往美國延伸

經濟部長龔明鑫與國發會主委葉俊顯率台灣代表團參加 2026 年「選擇美國投資高峰會」（SelectUSA Investment Summit）。今年台灣代表團共有 113 家廠商、207 名代表，首次超過 200 人，再度成為最大代表團。

龔明鑫表示，經濟部盤點約 20 家半導體、AI 與伺服器相關企業赴美投資意願，目前累計金額約 350 億美元，將作為未來第一波投資。這批企業包括聯電、環球晶、緯創、廣達、仁寶與鴻海等供應鏈業者，但不包含台積電已公布的美國投資金額。台美避免雙重課稅法案目前仍待美國參議院排案，龔明鑫表示，美方多位官員與議員都表達支持。

＊台灣無人機出口歐洲暴增 40 倍，烏克蘭供應鏈轉向尋找中國以外選項

英國《衛報》報導，隨著外界愈來愈擔心中國主導工業供應鏈帶來的安全風險，烏克蘭與歐美國家正轉向台灣尋找無人機替代供應來源。烏克蘭獨立智庫蛇島研究所（Snake Island Institute，SII）指出，台灣在微電子、導航系統與電池領域具備技術實力，成為烏克蘭無人機製造商偏好的替代來源之一。

根據科技、民主與社會研究中心（DSET）資料，2025 年台灣出口至歐洲的無人機數量暴增逾 40 倍，其中波蘭與捷克是最大市場，許多產品最終轉往烏克蘭。不過報導也指出，台灣供應規模與價格仍是限制。烏克蘭戰時需求以每年百萬架無人機計算，但台灣目前產量仍在數十萬架規模，中國零組件也仍具價格與供應優勢。

＊中美傳研議 AI 對話機制，模型風險與自動化武器列入討論

《華爾街日報》報導，美中雙方正在研議 AI 議題，並考慮將其列入下週北京「川習會」正式議程。報導指出，美方由財政部長貝森特（Scott Bessent）領軍討論，行政當局仍在等待北京指定正式對口官員。初步構想是建立經常性對話機制，討論 AI 模型非預期行為、自動化武器系統風險，以及非國家參與者利用強大開源工具發動攻擊的可能性。

《路透》則報導，美國總統川普（Donald Trump）本週稍早表示，面對貿易與技術緊張局勢，他將提醒中國國家主席習近平，美國在 AI 領域仍處於領先地位。這項對話若成形，代表 AI 已從企業競爭與產業投資，進一步進入中美戰略穩定與危機管理討論。

＊本文開放合作夥伴轉載，資料來源：《Reuters1》、Anthropic、《Bloomberg》、Arm、SIA、《Tom’s Hardware》、Coinbase、《Reuters2》、《中央社》、《The Gaurdian》、《The Wall Street Journal》、《Reuters3》，首圖來源：AI 生成圖。

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

今年 4 月，Anthropic 發布新 AI 模型 Mythos，但因擔心能力過於強大，可能遭到惡意人士濫用，目前僅開放約 40 家合作企業測試。Anthropic 執行長 Dario Amodei 本週更警告，Mythos 已在各類軟體中發現數萬個潛在漏洞，而產業可能只剩下 6 至 12 個月的修補窗口期。

在已獲授權測試的合作夥伴中，Mozilla Firefox 安全團隊公開了其與 Anthropic 的合作，提供了部分 AI 資安工具實戰紀錄，也直接揭示了 AI 技術的能耐與現實侷限。

修補漏洞從 31 個變 423 個，中間發生什麼事？

今年 2 月，Anthropic 就已將一批透過 Claude 模型在 Firefox 中發現的漏洞通報給 Mozilla。Mozilla 在修復這批問題後，以自有模糊測試基礎設施為底，建構了一套代理式漏洞掃描框架，後續並在框架中導入 Claude Mythos Preview 等模型，展開大規模掃描。

結果相當顯著，2026 年 4 月，Firefox 共修補了 423 個安全漏洞，相比 2025 年同期的 31 個，成長了 13 倍。這 423 個修補中，271 個由 Claude Mythos Preview 發現，41 個來自外部研究員通報，其餘 111 個則由其他內部方式發現，包括使用 Mythos 以外模型的代理框架，以及傳統模糊測試技術。在 271 個 Mythos 發現的漏洞中，180 個被評定為高嚴重性，80 個為中等嚴重性，11 個為低嚴重性。

Mozilla 研究員坦言，這場轉變來得出乎意料地快。「很難形容這個局面在幾個月內對我們改變了多少，」研究團隊在公開文章中寫道。他們將這一轉折歸因於兩個因素：模型能力的大幅躍升，以及他們自身在引導、擴展與堆疊模型技術上的進步。

挖出沉睡 15 至 20 年的漏洞，連沙箱都沒能倖免

在 Mythos 協助下，Mozilla 發現的漏洞不僅數量驚人，品質也大幅提升。Mozilla 表示，在此之前，AI 漏洞查找工具存在許多嚴重缺陷，導致安全團隊被大量誤報和低品質回報淹沒，但最新一代工具已經取得突破性進展。

Mozilla 公開了其中 12 個具代表性的案例，涵蓋多個不同的瀏覽器子系統。其中包括一個存在 15 年、由 HTML 元素觸發的錯誤，以及一個潛伏 20 年的 XSLT 漏洞，皆在長期模糊測試下從未被察覺。

尤其值得關注的是多個沙箱漏洞。根據《TechCrunch》，要找到這類漏洞，模型必須先為瀏覽器撰寫一個受感染的修補程式，再用這段新程式碼攻擊瀏覽器最安全的核心層，是一個需要創造力與高度精準度的多步驟任務。

為了找出這些漏洞，Mozilla 曾祭出漏洞獎勵計畫，然而，即便提出最高可獲得 2 萬美元的高額獎勵，Mozilla 工程師 Grinstead 表示，Mythos 找出的沙箱漏洞數量，仍遠超過過去人類研究人員的成果。他向《TechCrunch》表示：「我們確實曾收到這類漏洞回報，但數量遠不及這種方法所能找到的規模。」

AI 能找漏洞，但還不能自己修

儘管 Mythos 在發現漏洞上表現突出，Mozilla 團隊也指出了一個現實限制：AI 目前仍無法真正自動修復問題。

《TechCrunch》報導，Mozilla 的做法是請 AI 為每個漏洞生成修補程式碼，但這些程式碼通常無法直接部署，而是作為人類工程師的參考樣本。Grinstead 表示官方文章中討論的每一個漏洞，都是由一位工程師撰寫修補程式、一位工程師負責審查而成，「我們還沒找到可以自動化的方法。」

根據 Mozilla，在 4 月共修補的 423 個漏洞中，有逾百人參與了撰寫修補程式、審查程式碼、測試修復成果與管理發布流程等工作。這反映出目前 AI coding 與 AI agent 發展的一個重要現實：AI 很擅長大規模探索與發現問題，但在需要高度可靠性、可維護性與系統整合能力的修復階段，人類工程師仍不可或缺。

但另一更深層的問題在於，AI 找漏洞的速度，可能正在超越人類修補漏洞的能力，全球軟體產業可能將進入「漏洞供給爆炸」的新時代。而目前的工程文化、review 流程與安全團隊規模，未必跟得上這種速度。

這也意味著，AI coding 的下一場競爭，或許不再是誰能生成更多程式碼，而是誰能在 AI 發現漏洞後，更快完成修補、驗證與部署。Mythos 所揭露的，已不只是 AI coding 的新能力，而是整個軟體產業攻防節奏正在被重新改寫。

Mozilla 透過自身經驗指出，任何軟體開發團隊都可以立即使用現有的代理框架搭配現代模型來尋找漏洞，不需要等待更好的工具，並建議從簡單的提示開始，觀察後再迭代。「你會找到漏洞，而且你會為自己做好準備，以便在新模型出現時立即加以利用。」其下一步計畫是將漏洞掃描整合進 CI 系統，在程式碼提交時即時掃描，預期效果與現有的檔案式掃描相當甚至更好。

【推薦閱讀】

◆ Anthropic 不敢全面公開的 AI：Claude Mythos 為何正在重寫網路安全規則？

◆ Anthropic Mythos 進入大型銀行、美英加三國監管體系同步介入：為何美財長緊急召集華爾街 CEO？

◆ 駭客不需駭入系統，只要讓你的 AI 客服讀一封信：專家揭三大攻擊型態升級

＊本文開放合作夥伴轉載，資料來源：《TechCrunch》、Mozilla、《CNBC》、Anthropic，首圖來源：Anthropic

當多數時尚企業仍依賴季節性節奏時，快時尚龍頭 Zara 已經建立一套以 AI 與即時數據為核心的供應鏈體系，支撐每年約兩萬款新品的高速運轉。

AI 驅動供應鏈，兩週完成從社群趨勢到門市上架

Zara 的產品節奏幾乎重新定義了時尚產業的時間邏輯。品牌每週固定上新兩次，相當於一年運行超過一百個「微型季度」。這樣的頻率背後，是 AI 驅動的趨勢偵測能力。Zara 系統持續分析社群媒體內容、街拍影像與時裝秀資料，快速捕捉消費者審美變化，使設計團隊能比傳統模式提早三到四週掌握流行方向。這種預測能力讓產品開發不再依賴長週期規劃，而是轉向高頻迭代的決策機制，使設計確認到門市上架的時間可壓縮至兩到三週。

此外，Zara 還透過 RFID 晶片為每一件商品建立即時追蹤能力，無論庫存位於門市、倉儲或運輸途中，都能被精確掌握。這些資料進一步輸入 AI 需求預測模型，形成動態調整的供應鏈決策系統。《Retail AI News》指出，AI 已經主導其約 85% 的首批生產分配決策，讓產品在一開始就能更精準地進入需求最強的市場。

《朝鮮日報》報導，這套機制直接反映在庫存效率上。Zara 的季末剩餘庫存率僅為 0.6%，遠低於產業普遍的 10% 至 20%。這代表絕大多數商品能在正價期間售出，顯著減少折扣壓力並提升毛利表現。庫存下降的同時，整體銷售仍持續成長，顯示 AI 驅動的供需匹配已經成為其獲利模式的關鍵支柱。

後端物流到前端 AI 個人化試穿，數據賦能全通路

在組織運作上，Zara 將數據嵌入日常決策之中。以後端物流為例，有自動化倉儲系統結合自主移動機器人（AMR）與多層穿梭系統，加速訂單處理與商品分揀；AI 同時優化配送路徑與倉儲配置，使物流網路在效率與碳排之間取得更佳平衡。《Retail AI News》報導，透過智慧路徑規劃，Zara 已將最後一哩配送的碳排放降低約 25%，顯示供應鏈優化同時具備商業與永續價值。

AI 的應用也延伸至消費者端體驗。Zara 近期推出基於生成式 AI 的 Try-On 虛擬試穿服務，讓用戶在線上即可模擬穿著效果。據觀察，這項功能可將退貨率降低一成，直接改善電商營運中最具成本壓力的環節之一。公司正開發進階版本，能呈現同一商品在不同尺寸下的穿著差異，進一步提升選購準確度。

未來規劃中，Zara 也將導入類似 ChatGPT 的對話式助理，協助消費者在龐大商品選擇中快速找到適合的款式。這類工具的核心價值在於降低決策負擔，使購物過程更直覺且個人化，同時也為品牌蒐集更多即時偏好數據，反饋至產品開發端。

Zara 的競爭優勢並非單一技術突破，而是將 AI、資料基礎建設與組織流程整合為一體的系統能力。在這個體系中，設計、製造、物流與銷售不再是分離的環節，而是透過即時資訊緊密連動，形成高度協同的運作模式。

【推薦閱讀】

◆ 投放逾 400 個 AI 代理的零售實驗：銷售轉化提升 57%，周大福如何導入 AI？

◆ 零售業者的新難題：為何 AI 用得越多，消費者就越不信任我？

◆ 打造「物流版 AWS」：Amazon 開放自建供應鏈、搶攻 B2B 市場，FedEx 與 DHL 迎來科技平台對手

＊本文開放合作夥伴轉載，參考資料：《Retail AI News》、《朝鮮日報》、《Woman and Home》，首圖來源：Unsplash

（責任編輯：廖紹伶）

Amazon Web Services 與 Coinbase、Stripe 合作，發布 Amazon Bedrock AgentCore Payments 新功能，讓 AI 代理能透過穩定幣執行交易。《The Block》指出，此舉被視為大型科技公司擁抱區塊鏈支付基礎設施、推動代理經濟（agentic economy）的重要訊號之一。

AI 代理可自己花錢了？AWS 與 Coinbase 打造微支付基礎設施

Coinbase 指出，Agentic commerce（代理商務）的核心願景其實相當明確：AI 代理應能自行尋找所需服務、完成付款，並持續執行任務，全程不需人類介入，也不必仰賴訂閱管理機制。不過，企業過去始終難以真正推出具備自主支付能力的 AI 代理。原因在於，如果 AI 能夠花錢，便牽涉到合規審查、預算控管與交易稽核等問題，而企業若必須從零開始建立這些機制，多數整合案往往在早期就被迫停滯。

這次 AWS 發布的新功能，目的是讓 AI 代理能即時存取並支付其所使用的資源，例如網頁內容、API、MCP 伺服器，以及其他 AI 代理。AWS 指出：「我們與 Coinbase、Stripe 合作打造這些功能，兩家公司將提供錢包基礎設施與支付網路，支援首波功能運作。」

Coinbase 也同步發表聲明指出，開發者可利用 x402 協議建立「代理支付解決方案」，讓 AI 代理透過 USDC 穩定幣進行微支付。USDC 由 Circle Internet Group 發行，也是 Coinbase 主要採用的穩定幣。Coinbase 基礎設施成長主管 Brian Foster 表示：「如今 AWS 開發者能透過一套完整的託管方案，賦予 AI 代理財務自主能力，且整個支付與錢包流程可在系統內直接執行。」

代理經濟成形中：AWS 與 Solana 同步推進 AI 支付標準

《The Block》說明，這項 AWS 新方案，與上週 Solana Foundation 推出的 AI 代理支付方案類似。後者讓 AI 代理能透過區塊鏈支付方式存取 Google Cloud 服務；而 AWS 的新功能則可讓建立於 Amazon Bedrock AgentCore 上的 AI 代理，透過 Coinbase 或 Stripe 提供的錢包進行真實微支付，用於購買服務與存取 API。

AWS 表示，這是首個專為自主代理打造的託管式支付功能。透過 Amazon Bedrock AgentCore Payments，開發者可選擇 Coinbase 或 Stripe 的錢包，並以穩定幣或法幣為其注資，使 AI 代理能執行極小金額、甚至低於 0.01 美元的微支付，以自動取得所需資源與服務。近期包括科技公司與加密支付基礎設施業者在內的多個專案，開始讓 AI 機器人使用虛擬的 Mastercard 與 Visa 卡，顯示代理支付正在往標準化金融介面發展。

在技術基礎上，基於區塊鏈的穩定幣因具備低成本與可程式化特性，被視為 AI 代理經濟活動的重要基礎設施。Stripe 旗下加密錢包基礎設施公司 Privy 執行長 Henri Stern 表示：「Stripe 正在打造 AI 的經濟基礎設施。若要讓 AI 代理成為真正的經濟參與者，它們必須能持有並花費資金，因此我們很高興與 AWS 合作，讓 AgentCore 開發者能輕鬆取得穩定幣錢包。」

＊本文開放合作夥伴轉載，資料來源：《The Block》、Coinbase，圖片來源：Coinbase。

歐盟達成協議，將放寬 AI 監管框架。《POLITICO》報導指出，此次調整是在產業界與各國政府壓力升高，以及歐盟與美國科技政策張力加劇的背景下形成，並涉及數位法規的重大修正與時程延後。

歐盟《AI 法案》分級鬆動：高風險監管延後、工業 AI 大幅排除適用

歐盟《AI 法案》依據 AI 對健康、安全與基本權利的風險程度進行分級，從「最低風險」到「不可接受風險」不等，風險越高，所需遵守的規範也越嚴格。所謂「高風險」AI 系統，是指將被應用於關鍵基礎設施、教育、就業、移民、庇護與邊境管制等領域的系統。這一類別過去也包括部分被歸類為機械設備的產品，例如智慧家電。

歐洲議會議員與歐盟各國均支持延後該法規的關鍵內容，但協議大幅排除工業應用中的 AI 使用，使其不再納入法規適用範圍。這對德國而言是一項重大勝利，德國總理 Friedrich Merz 等官員先前曾支持調整相關規範，以維持產業競爭力。

歐盟政府與立法者同意，將涉及生物識別技術或關鍵基礎設施、執法相關的高風險 AI 系統規範，從原定今年 8 月 2 日延後至 2027 年 12 月 2 日。《Reuters》提及，歐盟也同意將「機械設備」排除在 AI 法案適用範圍之外，因為該領域已受產業專門法規約束。此舉回應了德國西門子（Siemens）與荷蘭艾司摩爾（ASML）等企業的呼籲。

全球 AI 規範競賽升溫，引產業與公民團體意見分歧

《POLITICO》指出，歐盟各國支持德國的要求，是避免企業在工業 AI 領域面臨「雙重監管負擔」，未來企業只需遵守獨立的機械設備規範中的 AI 要求。醫療器材等其他產業則未獲得豁免，仍將受到 AI 法規約束。談判代表也在協議中加入限制條款，禁止 AI 生成未經授權的性露骨影像，此規範被視為回應近期在 X 平台上出現的相關生成內容與深偽爭議。

此項協議標誌著歐盟在數位領域首次出現重大監管退讓。在美國對其科技法規施壓之際，歐洲產業與政府警告，過於嚴格的限制可能使歐盟在全球 AI 競賽中處於劣勢。歐盟執委會主席 Ursula von der Leyen 稱該協議為歐洲 AI 發展提供「簡單且有利創新的環境」。她在 X 上表示：「我們強化了對公民的保護，打造安全且簡單的歐洲 AI 治理。」

然而，該協議也引發爭議。支持者認為修正有助於提升歐洲產業競爭力，但公民社會團體批評，這是向大型科技企業讓步。《POLITICO》並指出，由於僅少數國家跟進歐盟原本較嚴格的作法，歐盟在全球 AI 規範制定上的領先地位也面臨質疑。

＊本文開放合作夥伴轉載，資料來源：《Politico》、《Reuters》、《Euronews》，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

在 Google Cloud Next ’26 大會上，Google Cloud 釋出了多項重量級資安更新。本次更新的核心更著重於解決企業在混合雲環境中面臨的「實務痛點」：如何保護地端與雲端的 AI 工作負載？如何簡化複雜的資安營運？

透過與 Wiz 的深度整合以及 Google SecOps 的 AI 革命，Google 展現了建構「全生命週期」與「自動化」安全防禦體系的決心。

Google Cloud 與 Wiz：AI 時代的多雲保護、左移安全與身分治理

2026 年 3 月 Google 公開宣布以 320 億美元收購雲端安全新創 Wiz，將其整併至 Google Cloud 事業群。而這次在 Google Cloud Next ’26  大會中，更針對 Wiz 策略合作有更多產品上的整合，將 Google Cloud 的資安範疇從傳統的「外圍防護」轉向「開發與身分的全方位治理」。

1. 強化 AI 工作負載與多雲/地端 Runtime 的保護

過去企業習慣用單一雲平台來建構安全策略，但現實早已不是如此。現今企業大多同時使用多雲加上地端環境，透過與 Wiz 的合作，突破了以往 Google Cloud Security Command Center (SCC) 僅限於保護 GCP 原生資源的局限，防禦邊界正式擴展至多雲環境與地端基礎設施：

• 多雲與地端 Runtime 強化： 針對企業最關心的地端 Kubernetes (k8s) 環境與多雲工作負載，Wiz 透過輕量化的 eBPF 技術（Runtime Sensor） 讓企業無需更改代碼，即可監控地端與各雲平台上的系統調用與網路連線。
• 打破雲端孤島： 過去 SCC 難以觸及非 GCP 資源，現在藉由 Wiz，企業能在單一介面管理包含 AWS、Azure 及地端機房的 Runtime 安全狀態，消除防禦盲點。
• AI 不再是資安黑盒： 針對 Vertex AI 的訓練數據、模型權限及推論漏洞進行即時監測，大幅提升 AI 應用創新的安全性。

2. 深度整合身分驗證（Entra ID & OIDC）

而當數位應用與基礎設施全面雲端化，「誰能存取什麼」將是資安防護的關鍵。現今Wiz 已完整支援與 Microsoft Entra ID (原 Azure AD) 的串接：

• 單一登入 (SSO) 成為基本配備： 透過 OIDC 協議，企業能輕鬆繼承 Entra ID 的條件式存取與 MFA 規範。
• 身分治理 (CIEM) 開始落地： 自動掃描 Entra ID 的權限結構，找出過大權限與孤兒帳號，並在 Security Graph 中可視化身分風險路徑。
• 權限生命週期自動化： 支援 SCIM 2.0 協議，實現使用者帳號的自動同步與權限生命週期管理。

3. 加速 DevSecOps 協作

另一個關鍵變化，是資安正式「左移」（Shift Left）。透過自動化的合規檢查，開發者在程式碼撰寫階段（Shift Left）即可發現配置錯誤，大幅降低修復成本，並確保跨雲環境的統一安全視圖。在 Wiz 與 Google Cloud 的整合下，安全檢查直接嵌入開發流程：

• 開發階段就能自動偵測錯誤配置
• 合規檢查變成 CI/CD pipeline 的一部分
• 修復成本從「上線後補救」變成「開發時修正」

Google SecOps：AI 代理與生態協作，實現秒級回應

而 Google 在這次大會中也推出全新的 SecOps AI 代理，並細分了 Google SecOps 產品組合，以滿足不同規模的企業需求。除了預防，Google 更致力於透過 AI 技術大幅縮短平均修復時間（MTTR, Mean Time To Repair/Recover）。

1. 全新 AI 代理 (AI Agents) 登場

Google Cloud 在 SecOps 平台推出了革命性的「代理式防禦(Agentic SecOps)」解決方案，將複雜的分析流程自動化：

• 威脅搜索代理 (Threat Hunting Agent)： 主動在大量日誌中捕捉隱藏的攻擊跡象。
• 偵測工程代理 (Detection Engineering Agent)： 自動生成偵測規則（如 Yara-L），即時修補防禦漏洞。
• 暗網情報代理 (Dark Web Intelligence Agent)： 利用 Gemini 分析外部威脅情報，預警敏感資料外洩。
• 效能躍升： 透過 AI 代理，資安事件的分析時間從 30 分鐘縮短至 60 秒內，極大化營運效率。

2. 合作夥伴支持工作流 (Partner-supported workflows)

CloudMile 萬里雲除了可以協助客戶從 0 到 1 導入 Google SecOps 至客戶端以外，針對資安人才短缺的挑戰，CloudMile 萬里雲為台灣首批 Google 代管安全服務供應商 (MSSP)，具備深厚的產業資安實務經驗，透過 CloudMile 萬里雲全託管服務，企業將擁有完整資安團隊防護，讓企業直接擁有產業最佳實踐與實務經驗的團隊，從事件發現、調查，甚至自動化回應，都具備完善的保護。

• 產業轉型專長： 針對高科技製造、金融產業等嚴苛的資安合規與機敏資料保護需求，CloudMile 萬里雲能提供具備產業洞察的 SecOps 導入方案。
• GO TO PROD 專業導入： 憑藉獨有的「GO TO PROD」導入流程與豐富經驗，確保企業能快速將資安自動化劇本落地，有效降低從建置到實際生產環境運行的技術門檻與風險。

實務解析：企業如何打造 AI 時代的資安「雙引擎」

當企業同時面對多雲架構、地端系統與 AI 應用時，資安策略不能再只靠單一工具補洞，而是要建立一套「前後聯動」的防禦體系。在這樣的架構下，可以清楚分成兩條主線：預防（Prevention）與營運（Operations）：

1. Wiz 負責「基礎設施預防」：不論是在 Google Cloud、其他公有雲還是地端機房，Wiz 負責守住大門，透過掃描漏洞、配置檢查與身分治理，消除潛在的攻擊面。
2. Google SecOps 負責「營運與應變」：當威脅穿透防線時，透過 AI 代理與 CloudMile 萬里雲提供的專業 MSSP 劇本，確保企業能在幾秒鐘內偵測並自動化地處理事件。

為此，CloudMile 萬里雲提供 Agentic AI 資安營運（SecOps）服務，整合 Wiz 與 Google SecOps 並協助企業遵循 NIST 資訊安全框架（NIST Cybersecurity Framework）重新改造企業資安營運（SecOps），並透過集團旗下 Electrum 蔚藍雲，以技術顧問作為專業利基，助力企業克服日趨複雜的 AI 轉型資安挑戰，同時滿足更嚴格的安全合規要求，成為企業在 AI 轉型下最堅實的防禦後盾。

Google SecOps X CloudMile 資安服務  打造 AI 安全防禦網

在 AI 時代，單點工具已不足夠，唯有透過 Wiz 的全域預防（涵蓋多雲與地端 Runtime）結合 Google SecOps 的 AI 自動化應變與 CloudMile 萬里雲專業的導入服務，企業才能在享受 AI 帶來的生產力提升時，同時擁有最堅實的防禦網。如欲了解更多 CloudMile 萬里雲資安服務，歡迎至此連結聯繫 CloudMile 專業顧問。

(本文訊息由 CloudMile 萬里雲提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：[email protected]，經編輯檯審核並評估合宜性後再行刊登。圖片來源：CloudMile 萬里雲。）

【科技早餐】今天精選 7 則國內外重要科技新聞。

＊蘋果傳找英特爾代工，美國晶片製造補上關鍵大客戶

《華爾街日報》報導，蘋果 (Apple) 與英特爾（Intel）已進行超過一年的談判，並在近幾個月達成初步協議，未來英特爾可能為蘋果部分裝置代工晶片。不過，目前還不清楚會是哪一類產品，蘋果與英特爾都暫時沒有回應。

如果合作落實，這將成為英特爾晶圓代工業務的重要背書。英特爾近年積極發展 Intel Foundry，希望承接更多外部客戶訂單；這項合作也符合美國政府推動半導體製造回流的政策方向。

＊Sony 攜手台積電攻影像感測器，Physical AI 卡位日本熊本

索尼（Sony）與台積電 8 日宣布簽署合作備忘錄，計畫成立合資公司，投入下一世代影像感測器研發與製造。新公司將由索尼持有多數股權與控制權，預計在日本熊本縣合志市新設廠房，建立研發與生產線。

雙方表示，這項合作將結合索尼在感測器設計、影像處理的技術，以及台積電的先進製程與量產能力，並探索汽車、機器人等 Physical AI 應用。感測器不再只是手機零組件，而是實體 AI 進入現實場景的關鍵入口。

＊軟銀找 NVIDIA、鴻海打造 AI 伺服器，日本 AI 國家隊雛形浮現

《路透》引述《日本經濟新聞》報導，日本軟銀集團（SoftBank Group）正與 NVIDIA、鴻海（Foxconn）討論，計畫打造「日本製造」的 AI 伺服器，這項計畫也是軟銀中期戰略的一部分。

報導指出，軟銀希望在 2030 年前，先透過外部零組件組裝建立生產體系，再逐步接手整體伺服器製造流程。這些伺服器未來不只用於軟銀資料中心，也可能支援軟銀正在開發的 AI-RAN，讓主權 AI 往硬體與通訊基礎設施延伸。

＊台灣 4 月出口衝 676 億美元，AI 訂單把美歐市場同步推高

財政部公布 4 月海關進出口統計，台灣出口達 676.2 億美元、年增 39%，進口 532.7 億美元、年增 29.2%，進出口規模都改寫歷年單月次高，只低於今年 3 月水準。

從市場別來看，4 月台灣對美國出口 215.3 億美元、對歐洲出口 44.3 億美元，都創歷年同月新高，年增幅也都超過 6 成。財政部預估，5 月出口值將落在 678 億到 709 億美元之間，今年上半年出口也可望創歷年同期新高。

＊Microsoft：台灣 AI 擴散率進全球前 20，領先美國與德國

Microsoft 旗下人工智慧經濟研究所發布 2026 年第 1 季全球 AI 使用報告，台灣 AI 擴散率提升到 31.8%，較 2025 年下半年成長 3.4 個百分點，首度躋身全球前 20 名，也領先美國與德國。

報告指出，今年第 1 季全球 AI 擴散率已達 17.8%，相當於全球約每 6 名勞動人口中，就有 1 人正在使用生成式 AI 工具。全球已有 26 個經濟體的 AI 擴散率突破 30%，顯示 AI 使用正在從少數科技產業，擴散到更廣泛的工作場景。

＊Cloudflare 財報優於預期仍裁員兩成，AI 代理重組白領工作

網路基礎架構及資安服務業者 Cloudflare 宣布，將裁減約 20% 全球員工，受影響人數超過 1,100 人。這項消息公布前，Cloudflare 才剛交出優於市場預期的第一季財報，營收達 6.4 億美元、年增 34%。

Cloudflare 執行長馬修・普林斯（Matthew Prince）與共同創辦人米歇爾・札特林（Michelle Zatlyn）表示，這次裁員不是單純削減成本，而是公司正在轉向「AI 代理優先」的營運架構。公司內部 AI 使用量在三個月內增加超過 600%，也讓企業組織開始重新配置人力。

＊Google 工程師面試開放 AI 助理，科技人才標準開始改寫

《Business Insider》報導，Google 正試行新的軟體工程師面試流程，允許部分求職者在特定技術面試中使用核准的 AI 助理。這項試點初期將適用於美國部分初階到中階軟體工程師職缺，包含 Google Cloud 與平台、裝置部門。

新制將在程式碼理解關卡中開放使用 AI，候選人需要閱讀、除錯並優化既有程式碼。面試官也會評估 AI 流暢度，包括提示工程、輸出驗證與除錯能力，反映軟體工程師角色正從單純寫程式，轉向能否有效引導與檢查 AI 產出。

＊本文開放合作夥伴轉載，資料來源：《The Wall Street Journal》、《Reuters1》、《Reuters2》、財政部、Microsoft、Cloudflare、《Reuters3》、《Business Insider》，首圖來源：AI 生成圖。

台灣 AI 晶片設計公司 Skymizer 近日曝光新一代 PCIe AI 加速卡 HTX301，宣稱可在單張卡上執行高達 7000 億參數（700B）的大型語言模型（LLM），且整體功耗僅約 240W。更值得關注的是，這套系統並未使用當前 AI 產業主流的 HBM 高頻寬記憶體，也不是採用 3nm、5nm 等先進製程，而是建立在 28nm 晶片與 LPDDR4／LPDDR5 記憶體之上。

這種反主流設計，很快引發 AI 基礎設施圈關注。因為它挑戰的不只是 NVIDIA 與 AMD，而是整個 AI 晶片產業目前的發展方向。

根據《TechRadar》報導，Skymizer 表示 HTX301 單卡配置 384GB 記憶體，可支援 Agentic AI（代理式 AI）、程式開發與企業專用 AI 工作流，並能部署於一般風冷伺服器中，無需大型資料中心等級的電力與散熱改造。

AI 晶片戰場，正從「拼 FLOPS」轉向「拼記憶體」

過去兩年，AI 晶片市場幾乎被「更大算力」主導。例如 AMD 新推出的 Instinct MI350P PCIe AI 卡，搭載 144GB HBM3E 記憶體與高達 4600 TFLOPS 運算能力；NVIDIA RTX PRO 6000 Blackwell 則採用 GDDR7 記憶體、功耗約 600W。各家 AI 晶片業者都在持續往更高功耗、更高頻寬方向推進。

但根據 Skymizer 官方資料，HTX301 的核心並非追求極限 FLOPS，而是專注在 LLM 推論效率。該公司強調，自己使用大量權重壓縮（weight compression）與 KV cache 壓縮技術，降低記憶體搬移成本，並針對 token decode 階段最佳化。

根據《wccftech》報導，在效能數字上，Skymizer 宣稱 HTX301 以 0.5 TOPS 算力搭配 100GB/s 頻寬，可達到每秒 30 個 token 的生成速度；在八核心 LPU 配置中則能在 Llama2 7B 的 prefill 階段達到每秒 240 個 token；多顆晶片串聯後，同一模型可提升至每秒 1,200 個 token，並支援最大 700B 參數規模的模型推論。

在壓縮技術上，HTX301 架構對模型權重（長期記憶）的壓縮效果比開源 llama.cpp 高出 9% 至 17.8%，KV 快取（短期記憶）的壓縮則在困惑度（perplexity）損失低於 0.06% 至 3.52% 的前提下達成。

推論與預填分離，軟硬體協同設計是核心賭注

Skymizer 的技術路線奠基於一個對 LLM 推論工作負載的明確判斷：prefill（處理輸入提示，屬於運算密集型）與 decode（逐 token 生成輸出，屬於記憶體頻寬密集型）是兩種本質上不同的計算需求，卻在主流 GPU 架構中被強制分配到同一塊晶片上，導致兩個階段在任何給定時刻都有資源被閒置浪費。

HTX301 的設計哲學是針對 decode 階段進行專門優化，由現有 GPU 負責運算密集的 prefill，HTX301 卡則專門處理記憶體頻寬密集的 decode。Skymizer 同時開發了統一軟體堆疊，涵蓋 KV 快取管理器、感知階段的排程器，以及動態配置引擎，負責在 prefill 與 decode 資源池之間協調 KV 快取狀態的跨節點傳遞，並隨工作負載即時調整兩者比例。

Skymizer 技術長 Luba Tang 表示：「針對 decode 設計的專用硬體，搭配能協調所有推論工作負載的智慧軟體堆疊，才是在規模上實現 prefill／decode 分離的方式。」

此外，HTX301 採用 Skymizer 自研的 LISA（語言指令集架構）作為底層 ISA，這套以 Transformer 推論為核心設計的指令集架構，與其邊緣端 LPU 共用相同基礎，意味著從邊緣裝置到小型資料中心，可採用統一的部署流程。

在資料主控權方面，Skymizer 指出雲端推論迫使企業在查詢規模上有所保留，對涉及機密程式碼、客戶資料或專有矽智財的場景尤為不適用。HTX301 瞄準的應用場景，包括 IC 設計公司的私有 RTL 程式碼輔助、金融機構的合規與詐欺偵測、醫療機構的臨床決策支援，以及政府與國防單位的主權 AI 部署。

數字尚待驗證，但新趨勢已經浮現

Skymizer 將在 Computex 2026 正式展示 HTX301，屆時將是外界首次有機會對其宣稱的效能數字進行獨立驗證。目前業界對這類規格聲明普遍持審慎態度，相關媒體報導如《TechRadar》也指出，能否在真實工作負載下兌現每秒 240 個 token 的 Llama2 7B 效能，仍是最關鍵的待解問題。

然而，HTX301 所代表的技術路線本身已具有產業觀察價值。當 AI 推論工作負載快速成長，而通用 GPU 的功耗與成本門檻持續攀升，以 decode 優化為核心的專用推論架構是否正在形成一個獨立的競爭維度，將是 Computex 之後值得持續追蹤的問題。

Skymizer 行銷長 William Wei 表示：「推論已成為主導性的 AI 工作負載，基礎設施的設計必須反映這個現實。超大規模 LLM 需要超大規模 GPU 叢集的時代已經結束。」

【推薦閱讀】

◆ OpenAI 與博通 180 億美元晶片融資卡關：Nexus 計畫要落地，為何還得看 Microsoft 臉色？

◆ 化敵為友的百萬瓦級交易：拆解 Anthropic 承租 SpaceX Colossus 1 背後的算力焦慮

◆ 從 HBM4 到 Apple 供應鏈備援：三星獲利狂飆 48 倍，AI 正重新定價半導體產業

＊本文開放合作夥伴轉載，資料來源：《Wccftech》、《TechRadar》、《PR Newswire》、Skymizer，首圖來源：Skymizer

「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！

數位生態系，為身分盜用創造出完美風暴。AI 讓每一個步驟，從竊取企業持有的個人資料、找到可下手的社會安全號碼，到偽造駕照都變得更容易，也更精密。《Bloomberg》報導，一名女子突然收到美國佛羅里達州的醫學院錄取迎新包裹，但她從未申請過該校，甚至多年未曾報考大學。起初家人還以玩笑看待此事，但她很快意識到，自己的身分資訊可能已遭人盜用。

代理 AI 詐騙全面升級，FBI 示警辨識難度大增

這些詐騙手法本身或許並不陌生，但背後使用的技術已截然不同。FBI 指出，詐騙集團正利用 AI 複製聲音、生成逼真的電子郵件與簡訊，甚至製作假圖片與影片，用來推銷詐騙投資方案。而辨識詐騙，其實有幾個關鍵警訊，其中一大警訊，是任何要求提供個人資訊的行為。FBI 提醒，無論對方是否聲稱來自政府機構或銀行，都不應向陌生人透露密碼、銀行資料或安全驗證碼。

《Bloomberg》指出，AI 已經成為網路犯罪的重要工具。消費者信用機構 Experian 消費者保護副總裁 Michael Bruemmer 表示，該公司去年處理的 5,000 起資料外洩事件中，有 40% 涉及 AI 技術。該公司預測，今年「代理 AI」（agentic AI）將成為資料外洩主因，這類系統能在人類監督下自主規劃、執行任務，並可視需求協同多個代理完成複雜目標。

根據 FBI 最新發布的網路犯罪投訴中心（Internet Crime Complaint Center）報告，許多民眾熟悉的詐騙手法，如今已開始結合 AI 技術，導致美國人損失數十億美元。這也是 FBI 二十多年來，首次在年度網路犯罪報告中正式追蹤 AI 相關詐騙，顯示詐騙模式與辨識難度出現重大轉變。報告指出，美國人在 2025 年通報的網路犯罪損失接近 210 億美元，創下歷史新高；其中超過 2.2 萬件投訴與 AI 有關，總損失約達 8.93 億美元。

AI 模型成為攻擊工具，Anthropic 與 OpenAI 的測試揭示了什麼？

由於擔心網路攻擊，一些 AI 研究實驗室已開始採取更為謹慎的做法。《Bloomberg》指出，Anthropic PBC 正將其新模型 Mythos 提供給少數企業進行測試，以協助驗證產品並尋找潛在漏洞。根據 Anthropic 內部人士說法，Mythos 能夠發現並利用 Linux 系統中的弱點進行攻擊。OpenAI 也正將其對應模型提供給企業測試。

在內部測試中，Anthropic 研究人員發現 Mythos 甚至能執行類似「數位銀行搶案」等級的攻擊模擬。這些警示案例也引起美國政府官員關注，並開始向金融業發出資安警報。根據非營利組織身分盜竊資源中心（Identity Theft Resource Center，ITRC）統計，美國在 2025 年資料外洩的資安事件數量，創下自 2005 年開始統計以來的新高。

數位身分管理與安全平台 Ping Identity 指出，這類模型可能加速未知漏洞的發現與利用。然而，防禦能力的關鍵並非取決於攻擊者使用哪一種 AI 模型，而在於自身的身分安全架構是否足夠完整，包括是否能驗證每一個身分、落實最小權限原則，以及即時偵測異常行為。AI 模型的出現，可能進一步放大系統既有的安全缺口，也讓資安防護措施比以往更加關鍵。

＊本文開放合作夥伴轉載，資料來源：《Bloomberg》、《The Dallas Morning News》、Ping Identity，圖片來源：Unsplash。

隨著 AI 技術的快發展，企業正陷入一場前所未有的 AI 焦慮症。

AI 在加速創新和提升效率上的潛力，讓企業意識到這可能是翻轉競爭局勢的絕佳機會，過去要拚資金、拚人才，現在只要用對 AI，就有機會與產業巨頭平起平坐。然而，當 AI 越來越深入營運流程後，相關風險也跟著日益擴大且難以掌控，這又讓企業感到焦慮，最後陷入一邊想加速、一邊又踩煞車的兩難困境。

揭示 AI 應用三大風險，ACROSS 平台打造企業全域 AI 安全中樞

極風雲創董事長張紘綱表示，從企業當前的 AI 應用現況來看，風險主要分成 3 類：首先，員工自行使用不同 AI 工具與帳號，企業難以掌握使用行為與資料流向；其次，在多模型並存的情況下，各模型本身皆可能產生「幻覺」，不僅難以驗證 AI 產出內容的正確性，也不易釐清責任歸屬；第三，當 AI 具備自主執行任務的能力時，企業難以即時監控其行為，一旦指令不夠精準或判斷失誤，錯誤很可能會被放大，其風險等級已不同於單純生成內容的 AI。

因此，如何打造一條安全的護城河，讓 AI 在可控邊界內高速運轉，成為企業能否透過 AI 彎道超車的關鍵。

看準 AI 的潛力以及此一需求缺口，極風雲創以多年資安經歷為基底，打造出企業全域 AI 智慧安全中樞 ACROSS。ACROSS 以 AI Workforce 作為核心引擎，驅動 AI Security、AI Governance 與 AI Ecosystem 三大模組，協助企業在安全與合規的前提下導入 AI 應用，進一步打造出可持續運作、可被信任的 AI 勞動力，讓企業在風險可控的情況下放手加速，真正將 AI 轉化為可落地的競爭優勢。

ACROSS 四大機制化解企業導入風險

極風雲創創新技術發展處處長林佑儒進一步說明，ACROSS 如何透過 4 大核心設計，解決企業 AI 應用的風險管控與治理難題。

第一、透過微分割機制，讓 Agent 僅在特定範疇內運作，降低跨域誤判與幻覺風險。ACROSS 將企業既有的專業能力與規範轉化為 Skill，再進一步組合為具備不同職責的 AI Agent，並由指揮中樞（Commander）進行統一調度，讓 AI Agent 的每一個行為都在既定規則與權限框架下，將 AI 從不可控的工具，轉化為可被治理的數位勞動力。

第二、在關鍵節點為導入人機協作（Human-in-the-Loop）機制，建立必要的決策控管關卡。雖然 AI 可以提供建議並自動執行任務，但最終仍須由「人」把關與決策，確保 AI 所有行為是可以被驗證、可負責。而 ACROSS 可以根據企業工作流程，於關鍵動作前設置人工授權與審核節點，並完整留存所有操作紀錄，使 AI 具備可追蹤與可稽核性，讓企業能真正「駕馭」AI。

第三、以資安作為平台的基礎標配，確保 AI 應用在一開始即具備安全與合規能力。例如，整合角色權限控管（Role-Based Access Control）機制，依據使用者身分決定 AI 資源的存取範圍，並搭配零信任（Zero Trust）機制進行多重驗證，確保使用者身分無誤。同時，透過 Guardrails 機制規範資料輸出與使用行為，避免敏感資訊外洩或不當操作。

第四、以可視化介面協助企業精準掌握 AI 使用與成本，提升整體治理透明度。ACROSS 可整合 GPT、Claude、Gemini 等雲端以及市上面地端 LLM ，統一 Token 用量與成本儀表板，即時呈現各部門的 AI 使用狀況與支出，讓企業能持續優化資源配置、最大化投資效益。

端到端服務模式，化身企業 AI 應用陪跑員

在推出 ACROSS 平台之餘，極風雲創亦提供完整導入服務，協助企業從基礎建設到應用落地，建立可長期運作的 AI 能力。

張紘綱進一步說明，極風雲創不只提供平台，更希望從頭到尾參與企業的 AI 導入旅程，從最基礎的基礎建設開始，包括伺服器配置、GPU 算力調校、資料中心建置與內網環境串接，到後續的模型選擇，以及應用層的落地設計，極風雲創皆有專業團隊可以協助企業進行規劃與資源整合。

相較多數業者僅聚焦單一環節，極風雲創強調的是，以端到端（End-to-End）服務模式，一站式滿足企業導入 AI  應用的種種需求，並以此建立差異化競爭優勢。

張紘綱最後強調，AI 導入並非一次性專案，而是一段需要不斷調校與優化的旅程。在這條路上，極風雲創希望透過 ACROSS 陪伴企業穩定前行，將 AI Agent 轉化為可被管理、能持續進化的「數位員工」。這不僅是為了提高效率、加速創新，及克服人才短缺的困境，更是要將 AI 深度植入營運基因，使其真正成為企業長期競爭力的一部份。