(硬是要學／手哥 HANDBRO 報導)
Plaud 這個來自新創界的錄音筆記品牌，這次推出的最新產品 Plaud Note Pro，不只將裝置做得如信用卡大小，還搭載自家升級版 AI 引擎「Plaud Intelligence 3.0」，主打人類與 AI 的即時協作體驗。
本文 Plaud 推出 Note Pro AI 智慧筆記工具，信用卡大小方便攜帶、收音更達5公尺 最早出現於 硬是要學。
當企業真正將生成式 AI 推向大規模營運時，成本問題開始浮上檯面。根據《VentureBeat》報導，美國最大電信商 AT&T 每天需要處理高達 80 億 個 token 的 AI 任務規模，而 AT&T 資料長 Andy Markus 與他的團隊意識到，將所有資料都透過大型推理模型處理既不現實也不經濟。
這個壓力促使 AT&T 在打造內部生成式 AI 助理 Ask AT&T 時，徹底重寫整個 Orchestration（協作編排）架構，從依賴單一大型模型，轉向多代理與多模型協作系統。
這麼做的成效是顯著的。Markus 向《VentureBeat》表示，新架構讓 AI 成本最多降低 90%，同時處理能力反而大幅提升，目前每天可處理多達 270 億個 token，是短短數月前的三倍以上。AT&T 是怎麼辦到的？
AT&T 的核心轉變，是建立一套多代理 AI 系統。這個系統採用 LangChain 框架，讓大型語言模型扮演「超級代理（super agent）」，負責決策與指揮，而實際執行任務的，則是多個較小型、專門化的「執行者代理（worker agents）」。這些較小的語言模型專注於特定任務，例如文件處理、資料庫查詢或影像分析。
Markus 表示，「我相信 AI 代理的未來，是非常多的小型語言模型（SLM），」他說，在特定領域任務中，小模型的準確度「幾乎與大型模型一樣，甚至更高」，但成本和速度卻明顯更具優勢。
《PYMNTS》也指出，小型語言模型參數較少，但速度更快、成本更低，且在特定產業場景中，表現甚至能超越大型語言模型（LLM）。此外，NVIDIA 研究也發現，小模型在企業環境中更具實用性與獲利能力，因為它們能在不需要昂貴基礎設施的情況下大規模部署。
根據《VentureBeat》，AT&T 並不採取「所有東西都從零開始打造」的策略，Markus 表示，他們更傾向使用可互換（interchangeable）、可選擇（selectable）的模型，並且「不會重新發明已經商品化的技術」。隨著產業研發的 AI 功能逐漸成熟，他解釋，公司也會淘汰自研工具，改用現成的商用解決方案。
在自研代理式 AI 工具方面，Markus 團隊使用 LangChain 作為核心框架，並透過標準的檢索增強生成（RAG）與其他內部演算法對模型進行微調，同時與微軟密切合作，採用這家科技巨頭的搜尋功能作為向量資料庫。
不過 Markus 強調，重要的不是為了使用代理式 AI 或其他先進技術而將其套用到所有場景。「有時候我們會把事情搞得太複雜，甚至過度設計解決方案。」相反地，開發者應該先思考某個工具是否真的需要代理式架構，例如，如果使用更簡單的單輪生成式 AI，能達到什麼樣的準確率？是否可以將任務拆分成更小的部分，讓每個部分都能更精準完成？
他指出，準確率、成本與工具回應速度應是核心原則，「即使解決方案變得更複雜，這三個基本原則仍然為我們提供了重要的方向。」
這套架構也被用來建立 Ask AT&T Workflows，讓超過 10 萬名員工能建立自己的 AI 代理，自動化日常工作。Markus 指出，超過一半員工每天使用這套系統，部分使用者生產力提升高達 90%。例如，網路工程師可以讓 AI 代理自動診斷網路問題、開立維修單、撰寫修復程式，甚至生成後續報告，而人類只需負責監督整體流程。他也強調，即使 AI 可以自主執行，人類仍會提供必要的監督與控制。
Markus 表示，這種將工作拆解為更小、專用模組的工程方法，如今也正在透過他所稱的「AI-驅動程式設計（AI-fueled coding）」改變 AT&T 自身的程式開發方式。
他將這個過程比喻為 RAG：開發人員在整合開發環境中採用敏捷開發方法，並搭配「特定功能導向」的建構範本，這些範本會定義程式碼應該如何互動。如此一來，最終產生的程式碼不是鬆散、尚未完成的狀態，而是接近正式上線等級。Markus 指出，AI 驅動程式設計消除了 Vibe Coding 中常見的大量來回修改與迭代，這種方式正在重新定義軟體開發週期，甚至非技術團隊也能參與。
AT&T 的經驗，反映出企業導入生成式 AI 正在經歷一個關鍵轉變。過去兩年，產業競爭的焦點集中在模型本身，企業與科技公司不斷追逐更大的模型規模、更強的推理能力，以及更亮眼的測試表現。然而，當生成式 AI 真正進入企業日常營運後，新的瓶頸逐漸浮現：成本、效率，以及系統如何穩定運作，開始比模型本身的能力更加關鍵。
OpenAI 近期推出專門管理企業 AI 代理的平台 Frontier，也顯示企業正在面臨相同挑戰。隨著企業內部 AI 任務數量快速增加，如何統一管理這些 AI 代理、控制成本並確保穩定運作，正成為企業導入生成式 AI 能否成功的關鍵。
探索主動功能模型如何降低 R&D 工程師除錯成本！立即報名 3/10-12【ADI 次世代訊號鏈設計量測工作坊】
＊本文開放合作夥伴轉載，資料來源：《VentureBeat》、《PYMNT》、《AXIOS》，首圖來源：Unsplash
在生成式 AI 與自動化技術快速成熟的推動下，數位戶外廣告（Digital Out-of-Home, DOOH）正迎來新一波成長動能。根據市場研究機構 Mordor Intelligence 的預測，美國戶外廣告市場規模將於 2030 年達到 112.5 億美元，整體市場年複合成長率約為 3.72%，其中數位看板成長速度更為突出，年成長率達 6.2%。智慧互動亭、機場數位螢幕，以及電動車（EV）充電站等新型場域，正成為帶動 DOOH 產業升級的關鍵節點。
城市基礎設施數位化推動了戶外廣告的革命，《EMarketer》指出，AI 更進一步讓廣告主能即時處理海量數據，隨環境（如天氣、交通）動態調整創意，並透過精準的歸因工具追蹤實體來客與銷售轉化。美國戶外廣告協會（OAAA）總裁兼執行長貝格（Anna Bager）認為，這使戶外廣告跨越了曝光門檻，成為兼具品牌建構與導購成效的媒體平台。
這種「超在地化」能力，正推動 DOOH 從大眾媒體向「情境媒體」轉型。在 AI 加持下，廣告訊息能依據環境即時生成，並透過程式化購買技術精準競價，讓每一筆曝光都具備戰略意義，廣告內容也因此成為與受眾共鳴的即時對話。
搬家公司品牌 PODS 的案例便是最佳實踐。該品牌運用 Google Gemini 打造一面可隨車移動的智慧數位看板，29 小時內行經紐約市 299 個社區，系統根據不同社區特性、即時氣溫、交通狀況與地鐵延誤資訊，自動生成對應標語，總計產出超過 6,000 則高度客製化訊息。
例如在靠近海邊的社區，遇上天氣好的日子，螢幕可能出現鼓勵居民外出享受陽光、將搬家交給 PODS 的幽默文案。這種與場景緊密貼合的創意，讓廣告內容彷彿成為城市對話的一部分。根據品牌數據，該活動在一週內帶動網站訪問量成長 60%，詢價請求增加 33%，創下年度最佳表現，完美詮釋了 AI 如何在兼顧大規模生產的同時，讓溝通精準落地。
汽車品牌 Kia 則將其數位戶外廣告鎖定在高意圖場景：電動車充電站。
透過車輛識別技術與智慧廣告系統，Kia 讓充電樁螢幕具備了「看人下菜碟」的本領：當系統辨識出正在充電的是非 Kia 車主，螢幕會主動強攻自家新車款 EV9 的空間與性能優勢，試圖吸引競品車主跳槽；若是自家車主，內容則切換為旗艦升級的感性溝通；而在無車狀態下，則維持播放大眾化的性能形象廣告。
這種即時辨識與動態內容切換機制，使每一次曝光都更具相關性，成效也確實反映在數據上：品牌知名度不僅暴增 517%，消費者的購車意願也提升了 27%，最終成功帶動銷售額成長 8%。
隨著 2026 年行銷預算逐步規劃，越來越多品牌將 DOOH 視為整合行銷中的核心媒體之一。DOOH 的數位化能力與 AI 技術結合，正在形成一種新的平衡：一方面透過數據與演算法提升效率與可衡量性，另一方面保留戶外媒體在真實場景中的沉浸與規模優勢。當廣告內容能夠根據城市脈動即時調整，同時保有強烈視覺衝擊與公共能見度，品牌溝通便獲得更立體的影響力。
＊本文開放合作夥伴轉載，參考資料：《EMarketer》、《The Drum》、U.S. Chamber of Commerce，首圖來源：Unsplash
（責任編輯：廖紹伶）
隨著 AI 重塑軟體開發產業，來自美國舊金山的新創公司 Theorem，選擇押注下一個潛力無窮的商機，那就是該如何讓企業在產生大量 AI 程式碼的同時，也能夠「信任」這些程式碼。
日前 Theorem 對外宣布，公司已經完成價值 600 萬美元的新一輪融資，主要由 Khosla Ventures 領投，加上 Y Combinator 及多位天使投資人參與。
Theorem 特別強調，公司順利取得融資後，將以打造自動化工具為目標，用以驗證 AI 生成軟體的正確性。
對於 Theorem 甚至整個軟體產業來說，如何信任 AI 所生成的程式碼，早已成為業界急需解決的問題。
包含 GitHub、Amazon 和 Google 的 AI 技術在內，全世界的 AI 工具，每年生成規模已達數十億行程式碼等級，協助軟體開發者打造新程式，企業採用率也同步飆升。然而，驗證 AI 所寫的軟體是否運作正常，其檢驗速度卻遠遠跟不上。
Theorem 創辦人 Jason Gross 指出，上述情況就是軟體開發產業的「監管缺口（Oversight Gap）」，該問題對全世界的金融系統、電網等關鍵基礎設施，構成了十分重大的威脅。
Jason Gross 直言，在軟體開發領域邁入 AI 時代後，假如有人叫他審查多達 6 萬行的程式碼，自己根本就無從下手，這就是軟體業當前面臨的最大問題。
為了自動化驗證 AI 程式碼的正確性，Theorem 所開發的核心技術，結合了「形式化驗證（Formal Verification）」與 AI 模型。
簡單來說，形式化驗證是一種數學技術，能夠證明軟體行為完全符合規範，至於 Theorem 則藉由訓練 AI 模型，自動生成並檢查這些數學證明。
根據 Theorem 的說法，他們的 AI 核心技術能夠將原本需要博士級工程師，耗費數年才可以完成的工作，縮短成數週甚至數天——在過去，實施形式化驗證的成本開銷極高，每 1 行程式碼往往需要 8 行數學證明，導致該技術僅被應用於航空電子、核反應爐控制、加密協議等，絕對不能出錯的領域。
Jason Gross 以自身經驗舉例，他過去於麻省理工學院（MIT）攻讀博士時，曾參與驗證 HTTPS 安全協議的專案，而由於該專案採用了形式化驗證，所以直到完成至少就耗費了超過 15 人年（Person-years）的人力。
Jason Gross 說，由此可見，過去在軟體開發領域採用形式化驗證，顯然並不符合經濟效益，然而，當今充分發展的 AI 技術將有能力代勞。
深度探討 Theorem 核心技術的基礎原理，Jason Gross 將它稱為「fractional proof decomposition」；該原理要求 AI 模型聰明運用算力，不要全面測試程式碼的每一個行為，而是改成依據組件的重要性，按比例分配驗證資源。
Theorem 所採用的方法，最近在某大型 AI 系統中抓到了一個傳統測試未發現的 Bug；而在另一個被稱為 SFBench 的技術展示中，Theorem 透過 AI 將 1,276 個數學問題，從 Rocq 語言翻譯成 Lean 語言，並自動化證明每個翻譯版本與原始版本等效。
根據 Theorem 公司估算，SFBench 技術展示的工作量，若由人類團隊來執行，至少將需要 2.7 人年。
Jason Gross 表示，Theorem 的架構能處理複雜、跨檔案的相依程式碼，這是目前大多數受限於「上下文窗口（Context Window）」的 AI 程式碼撰寫工具難以做到的。
在技術上擁有獨特優勢的 Theorem，目前已經開始跟 AI 實驗室、電子設計自動化及 GPU 運算領域的客戶進行合作。
Jason Gross 回憶，曾經有名客戶帶著一份 1,500 頁的 PDF 規格書，以及一套充滿記憶體洩漏（Memory Leaks）、崩潰及隱性 Bug 的舊系統向 Theorem 發起求助。該客戶希望將系統效能從 10 Mbps 提升至 1 Gbps，也就是翻上 100 倍，而且不能出現任何錯誤。
最後，Theorem 的 AI 生成了超過 16,000 行的「正式程式碼」，並且在客戶沒有進行任何人工審查的情況下，就直接部署上線。
Theorem 之所以對翻新後的系統如此具備信心，在於他們透過數學驗證，確保了新程式碼與客戶預期中的目標行為完全一致，甚至僅靠僅幾百行程式碼，就概括了 PDF 規格書的所有內容。
隨著電腦程式成為金融市場、醫療設備和電網的運作基礎，AI 雖然加速了軟體的迭代，但也讓微小的 Bug 更加容易擴散，並吸引駭客和攻擊者的覬覦。
因此 Jason Gross 認為，當 AI 開始讓駭客攻擊基礎設施的成本大幅下降，防禦者將更需要明白「不對稱防禦」的重要性，即防禦能力的擴展，並不需要耗費同等比例的資源。
同時 Jason Gross 強調，如果業界想要一套能夠承受數代模型升級後，依然持續有效的軟體安全解決方案，那麼「驗證技術」將會變得更加關鍵。
Jason Gross 以非常針對性的角度向外媒直言，軟體安全是科技攻防之間的微妙平衡，當形式化驗證的成本已經被降得夠低，監管機構若不強制要求關鍵基礎設施，必須使用形式化驗證技術，藉此保障系統的整體安全性，那麼這將會成為監管機構的「重大過失」。
若跟其他 AI 程式碼驗證公司相較，除了核心技術，Theorem 又有哪些獨特之處來贏得競爭？
對此 Jason Gross 認為，Theorem 專注於解決「系統工程」問題，而非純數學領域，他們的工具是為了那些「接近硬體底層」、需要高度正確性保證的工程團隊所設計。
Theorem 的團隊背景也反映出了這種技術導向。Jason Gross 本人擁有程式語言理論的深厚知識，以及大規模部署驗證工程的相關經驗；至於共同創辦人 Rajashree Agrawal 則專注於訓練機器學習模型，透過 AI 驅動驗證流程。
在獲得充足融資後，Theorem 計劃擴充目前僅有 4 人的公司團隊，並增加訓練驗證模型所需的運算資源，同時考慮進軍機器人、再生能源、加密貨幣及藥物合成等新興產業。
如 Theorem 這類新創公司的崛起，或許預示著企業的技術領導者，評估 AI 程式碼撰寫工具的方式，即將出現重大轉變。
第一波 AI 程式輔助開發浪潮，為開發者帶來生產力的提升，使程式碼的輸出變得更多、更快；而 Theorem 則押注第二波浪潮，希望以數學證明的方式，確保程式碼產出速度的提升，不會以犧牲安全為代價。
Jason Gross 批判指出，如果 AI 繼續以指數級速度進步，那麼人工智慧某一天超越人類的軟體工程能力，將會變得無法避免。因此 Jason Gross 警告，假若人類根本沒有準備好，運用更準確、更先進的驗證手段，並徹底改變現有的監管方式，適應未來的全新經濟模式，最終人類只會打造出，連自己都無法控制的新系統。
【推薦閱讀】
◆ 晶片設計 70% 時間在寫程式？Cadence 推 AI 代理 ChipStack，稱生產力提升 10 倍
◆ 縮短 30% 上市時間、降低 60% 檢測成本！合成數據重塑製造業品質管理
◆ AI 寫程式只能選巨頭？開源黑馬 OpenCode 崛起，用「多代理零衝突」打破壟斷
＊本文開放合作夥伴轉載，參考資料：VentureBeat、Radical Data Science，首圖來源：Nano Banana Pro
（責任編輯：鄒家彥）
美國國防部與 AI 公司 Anthropic 的合作談判正式破裂後，風波並未平息。OpenAI 隨即介入接手相關合作，但在外界質疑聲浪中，該公司與五角大廈的協議也迅速面臨合法性與公民自由保障的壓力。外界強烈質疑 OpenAI 妥協於軍方的「任何合法用途」條款，若不能妥善解決 AI 被用於大規模國內監控的擔憂，這份協議的前景也岌岌可危。
《AXIOS》報導，OpenAI 正與美國國防部修改 AI 合約內容，新增更明確的條款，以防止其系統被用於對美國人民進行大規模國內監控。OpenAI 執行長奧特曼更罕見在社群平台 X 上發文承認，先前過於倉促推動交易，是一次錯誤判斷。
這場爭議的起點，是五角大廈要求 AI 公司同意允許其技術用於所有合法用途。Anthropic 認為 AI 技術目前尚未發展成熟，因此拒絕簽署未明確排除「大規模國內監控」與「完全自主致命武器」的合約條款，雙方談判破裂。
根據《華爾街日報》報導，美國國防部長 Pete Hegseth 與 Anthropic 執行長 Dario Amodei 在 2 月 24 日的會面中出現明顯裂痕。Hegseth 明確表示，任何私人企業都無權限制軍方使用技術的方式。隨後，五角大廈威脅將 Anthropic 列為「供應鏈風險」，甚至可能依據《國防生產法》強制干預。
就在僵局升高之際，OpenAI 迅速宣布與國防部達成協議，將其模型部署於機密環境之中。奧特曼也表示，OpenAI 最重要的兩項安全原則是禁止在國內大規模監控，以及人對武力使用負有責任，包括對自主武器系統的使用。但這讓人們開始質疑奧特曼說法：五角大廈先前才明確拒絕私人企業限制其技術用途，為什麼會忽然同意 OpenAI 的紅線呢？
《The Verge》指出，OpenAI 的合約核心仍建立在「符合法律」的前提上。但過去數十年，美國情報機構曾在合法框架下執行大規模監控行動，例如 Edward Snowden 揭露的 PRISM 計畫。法律本身並未明確禁止所有形式的批量資料蒐集。
OpenAI 前政策主管 Miles Brundage 在社群平台上質疑，OpenAI 可能實際上讓步，卻對外包裝成未妥協。加州大學柏克萊分校研究學者 Sarah Shoker 也指出，合約中使用「unconstrained」、「generalized」等修飾語，並非全面禁止，而是保留彈性解釋空間。
此外，批評者指出，即便 OpenAI 部署分類器（classifiers）與安全機制，這些技術工具無法判斷某個單次查詢是否屬於大規模監控行動的一部分。換言之，只要政府認定行為「合法」，技術層面的限制可能難以真正發揮作用。
根據市場研究機構 Sensor Tower 的估計，在 OpenAI 宣布接手合約後的週末，應用程式 ChatGPT 的卸載量大幅增加了近 300%。公眾與內部員工的強烈反彈迫使 OpenAI 必須重新審視合約內容。
《AXIOS》引述知情人士說法報導，OpenAI 主動接觸國防部，提出替代方案。奧特曼與國防部研究與工程副部長 Emil Michael 重新協商條款，希望在維持既有法律框架下，納入安全保障語言。
根據《AXIOS》看到的合約修正內容，新條款明確寫入：AI 系統不得「刻意用於對美國公民或國民進行國內監控」，包括透過購買或使用商業取得的個人資訊。這項修正特別將「商業取得的個人資訊」納入限制範圍。此前，外界擔憂，即便未直接監控私人資料，政府仍可能購買定位資料、瀏覽紀錄或金融資料進行分析。
奧特曼稍早在一則對員工發布的內部貼文中表示：「我認為我做錯的一件事，是不該急著在週五就對外發布這項消息。」他之後也將該貼文分享到 X 平台。他寫道：「這些議題極其複雜，需要清楚的溝通。我們當時的確是想要降溫局勢，避免更糟的結果，但這次的做法看起來反而像是機會主義且處理草率。對我來說，這是一個寶貴的學習經驗，尤其是在未來面對更高風險決策時。」
Here is re-post of an internal post:
— Sam Altman (@sama) March 3, 2026
We have been working with the DoW to make some additions in our agreement to make our principles very clear.
1. We are going to amend our deal to add this language, in addition to everything else:
"• Consistent with applicable laws,…
《華爾街日報》指出，這場衝突不僅是企業與政府的談判問題，更觸及一個根本問題：在 AI 成為國家安全基礎設施的過程中，誰應該決定技術的使用邊界？
Anthropic 主張在合約中明確寫入紅線，即便未來法律或政策變動，也不得跨越。而 OpenAI 則選擇在既有法律框架內行動，並透過技術與合約補充條款加強保障。
而當 AI 公司如今正從消費型新創，轉型為國家安全合作夥伴，《TechCrunch》認為，產業與政府雙方似乎都尚未準備好應對這種新關係。
短期內，OpenAI 可能避免了與政府正面衝突，也獲得了國防部的合作機會。但長期而言，若 AI 技術真的被用於具爭議的監控或軍事行動，公眾信任是否還能維持，仍是一個未解問題。
＊本文開放合作夥伴轉載，資料來源：《AXIOS》、Sam Altman、《WSJ》、《Bloomberg》、《The Verge》、《TechCrunch》、《Platformer》，首圖來源：WEF Forum
面對人口老化導致的勞動力短缺，以及地緣政治打破過去五十年的全球分工體系，全球製造業正急遽向區域製造與安全製造轉型。在 TechOrange 科技報橘今（3/3）日所舉辦的首場「AI 智慧大工廠論壇」中，科技報橘社長戴季全指出「因為全球生產力結構、國家競爭態勢，以及科技創新的實力，讓台灣剛好有一個天時地利人和，適合發展超自動化工廠的關鍵時刻。」台灣憑藉高階晶片實力與緊密的台美合作優勢，將迎來推動產業升級的歷史轉折點。
在全球佈局回歸在地生產的浪潮下，製造業的競爭核心已不再是設備更新，而是如何將這份地緣優勢轉化為實際的技術部署。當 AI Agent 的應用範疇從軟體跨足硬體，企業如何建構整合機器人技術與數位孿生的「超自動化」原生工廠？決策者又如何打造智慧製造團隊，搶佔下一波全球產業升級的領先位置？
「今年我們將迎來 AI 的落地年，看見 AI 廣泛應用在不同的領域，」達梭系統台灣戰略客戶銷售總監張銘輝分享，達梭系統已於今年宣布與 NVIDIA 展開策略合作，共同建置 AI 工廠與智慧工廠。這項合作結合雙方在數位孿生與圖形算力的優勢，讓 AI 長出眼睛跟大腦，真正讀懂具備科學驗證的模擬數據與實務經驗，進而在虛擬環境中自主學習。
張銘輝以達梭建立的 3D 數據平台「3DEXPERIENCE」為例，表示企業在實際工廠建置前，先透過虛擬孿生將物理世界的行為、設備搬至虛擬空間進行模擬，過去耗時的人工排程與規則定義，交由 AI 僅需幾秒即可算出最佳解，讓人類得以專注高價值的決策判斷。達梭系統也進一步推出三位 AI 專業助手：負責知識資訊型 AI「Ora」、協助工程執行與自動化建模設計 AI「Leo」，以及提供材料與化學驗證 AI「Meria」，透過三款 AI 助理打通設計到製造的數據連續性並消除資訊孤島，不僅省去繁雜的程式編寫，更能在地緣政治導致的供應鏈分散時，找出最佳方案確保生產不斷鏈。
而在全球化佈局的浪潮下，跨國設廠已成為製造業趨勢，但也面臨跨系統、跨部門與跨區域的數據整合挑戰。台灣帆軟客戶經理孫平表示，企業跨國營運時常遭遇海量數據回傳導致的高昂網路成本、各廠區系統資料口徑不一，以及各國法規限制的三大挑戰。
為此，台灣帆軟提出「資料分級混合處理」架構，讓各分廠優先在地端伺服器消化龐大數據，將核心 KPI 指標與必要數據回傳總部，不僅省下跨國傳輸費用，更保留地端資料治理與獨立開發的彈性。同時針對不同管理角色的需求，提供一站式的數據戰情門戶，讓財務端能專注於營收與現金流，工廠端能即時監控機台稼動率與良率。透過這套數據架構，企業將打破數據孤島，建立多地多工廠的智慧轉型與自動化營運基礎。
「未來工廠中，會移動的設備都將搭載 AI，而基礎在於底層數據，」思科亞太區工業物聯網產品經理吳竣民指出，AI 轉型成功的關鍵在於掌握工廠數據，然而企業在轉型過程中，常面臨設備數據難以擷取、產線運作缺乏可視化、資安風險累積，以及擔心升級方案導致停產等四大挑戰。
針對數據方面的挑戰，吳竣民首先分享思科的落地實務經驗，以「三階層 OT 神經網路架構」，透過安全設備建構 OT 神經網路，從底層終端設備串聯到上層的工業大腦。針對資安方面，吳竣民表示「資安始於可視化，精準分析封包位置則是成功的關鍵。」思科 Cyber Vision 可視化分析系統能自動偵測並盤點廠內所有 OT、IT 資產，追蹤設備漏洞與風險暴露面並及時監測異常入侵，以避免停機風險。同時透過「自動化網路微分割」技術，讓系統根據資安標籤即時阻擋未授權連線，徹底防堵駭客在廠區內的橫向擴張。透過建立無死角且安全的 OT 通訊網，為製造業搭建關鍵橋樑，讓 AI 真正「看懂」產線，轉化為實質生產力。
洛克威爾自動化業務總監李懿庭從台灣製造業面臨的三大挑戰出發：廠內設備數據孤島、客製化系統的隱形技術成本，以及老師傅經驗斷層危機。過去機台往往依靠單機自動化運作，一旦面臨產線突發變數或資深員工退休，企業的應變能力與技術便會面臨巨大挑戰。
「除了自動化之外，洛克威爾下一個階段是讓整個工廠能夠自主化的去運行，」為了讓製造業從自動化邁向自主化，李懿庭表示洛克威爾透過雲端製造執行系統 Plex，打造全廠單一數據庫，將生產調度、品質管理與工業物聯網機制整合，「 洛克威爾結合了 AI Agent 以及過去老師傅的經驗，將兩者結合並套用在 Plex 製造執行系統中。」透過這套機制，當現場發生異常或意外狀況時，系統不再僅依賴個人經驗或手感判斷，而是能由 AI 根據歷史數據與內建工作流自動指引對策，縮短人員學習曲線並提升回應速度。
「AI 智慧大工廠論壇台北場」還邀集研華科技、SAS、西門子數位工業、凌華科技產業專家，深度探討數據治理與智慧製造，敬請鎖定 TechOrange 科技報橘近期即將推出的相關報導。
一般大眾接觸到的戰爭訊息，過去常被濃縮成幾張衛星照、幾段模糊影片，真正的情資多半仍鎖在軍方、情報圈與昂貴系統裡，但在美國與以色列對伊朗發動「史詩之怒」行動（Operation Epic Fury）前後，一連串案例把同一件事推到檯面上：AI 與商用衛星影像技術的深度結合，正以前所未有的速度打開軍事情報的大門，讓戰略情資變得更易取得與解讀。
在這場衝突爆發時，Google 前產品經理 Bilawal Sidhu 運用了 Gemini 3.1、Claude 4.6 與 Codex 5.3 模型打造了多個 AI 代理，在一個週末自製出一套名為 WorldView、可在瀏覽器開啟的間諜衛星模擬器。Sidhu 稱，他不需要機密資料授權，卻能用「情報分析員」的視角觀看世界。
他把 Google 的 Photorealistic 3D Tiles 疊上多種即時資料源與視覺化效果：包含 OpenSky Network 的即時航班位置、ADS-B Exchange 的軍機追蹤訊號、CelesTrak 的衛星軌道資料、OpenStreetMap 的城市車流，以及可被定位並投影到 3D 城市模型上的公共 CCTV 影像。再加上夜視、FLIR 熱成像、CRT 掃描線等「軍規顯示語言」的 shader，讓公開資料披上近似機構情資系統的視覺外衣。
God's eye view 24-hour replay of Operation Epic Fury.
— Bilawal Sidhu (@bilawalsidhu) March 1, 2026
The Iran strikes kicked off and I set an AI agent swarm loose to record every OSINT signal I could find before the caches cleared. Built a full 4D reconstruction in WorldView.
I can scrub through minute by minute and watch… pic.twitter.com/W8NnqSPxVY
值得關注的是，這套系統背後的程式碼並非他手工撰寫，而是透過語音筆記、截圖描述各種功能，然後直接進入終端機輸入到多個同時運行的 AI 代理之中，並引導 AI 代理產出最終成果。換言之，這是一個 Vibe Coding 專案。透過 AI 協助，Sidhu 一個人就能處理過去需要整間情報分析室才能消化的龐大數據，即時重建了中東空域封鎖、GPS 干擾等軍事動態的 3D 視覺化場景。
「我的目標基本上是想像，如果 Google Earth 和 Palantir 生了個孩子會是什麼樣子。」Sidhu 這套系統在社群媒體引發熱議，甚至被認為擾動了國防科技市場的權力結構，更引來 Palantir 共同創辦人 Joe Lonsdale 的回應。Lonsdale 表示，如果認為靠 Vibe Coding 就能成為像 Palantir 一樣的硬科技資料基礎設施公司，「代表你根本不了解它們的運作方式，」但他也承認，國防領域是受到 Vibe Coding 影響最大的市場之一。
WorldView 引發熱議，不只在於它用了多少公開資料，而是它把分散的訊號融合成一個可操作的情資介面。同樣的邏輯，也出現在另一條戰線上：中國公司未必掌握最高階的偵察資產，但也能有效率地把商用影像轉譯成可被傳播、解讀的資訊戰敘事。
一家名為覓熵科技（MizarVision）的中國公司，在美軍發動襲擊前，連續發布了多張詳細標註美軍在中東各地部署的衛星影像，甚至指認出 11 架隱形戰機 F-22 部署在以色列的奧華特空軍基地等。
這起事件最初被解讀為中國情報機構對伊朗的暗中協助，但根據《Pekingnology》報導，北京大學南海戰略研究中心主任、研究教授胡波分析，這些高解析度影像實際上來自美國與歐洲的商業衛星，如 Vantor 與 Planet，而非中國的衛星。因此覓熵科技展現的，是其如何利用 AI 驅動的物件偵測技術，快速分析這些衛星影像、計算軍機數量、追蹤防空飛彈陣地。
這突顯，當高解析度商業衛星影像唾手可得時，擁有強大 AI 分析能力就能輕易將這些商用數據轉化為具備戰略價值的軍事情報。
除了情報蒐集，AI 與衛星技術的結合也正在重塑武器系統的運作方式。在此次行動中，美軍首度投入了名為 LUCAS 的低成本自殺式無人機。這款無人機是仿造伊朗見證者-136（Shahed-136）逆向工程製造，造價僅約 35,000 美元。更引人關注的是，《DroneXL》報導，俄羅斯軍事分析師在美軍公布的照片中，發現 LUCAS 疑似整合了 Starlink。
這則消息在社群媒體 X 擴散後，SpaceX 執行長馬斯克迅速回應表示，把 Starlink 終端用於武器系統違反商業服務條款，並提及另有一個名為星盾（Starshield）的獨立網路，由美國政府營運，不受 SpaceX 控制。
無論是工程師運用 AI 製作出間諜衛星模擬器、中國企業以 AI 與商業衛星影像分析美軍戰前部署，或美軍首次投入的低成本 LUCAS 自殺式無人機，可以看見 AI 正把軍事情資從稀缺的機構能力，推向可被開源工具捕捉、可被平台重建、可被 AI 代理系統分析的工程化流程。
這種變化帶來的風險，在於當情資被快速結構化並包裝成易於傳播的內容，它可以在開打前就改變心理環境與決策壓力，形成以曝光作為威懾、以可視化作為資訊作戰的手段。對企業與開發者而言，Sidhu 的案例像是一個技術里程碑；但對國家安全而言，這同時意味著監控能力的外溢、資料市場的灰色地帶、以及資訊操作的規模化門檻都在下降。軍事情資的大門正在被打開，而打開它的，往往不是單一國家的祕密武器，而是全球化的商用供應鏈與 AI 工具堆疊出的新常態。
＊本文開放合作夥伴轉載，資料來源：Bilawal Sidhu 1、Bilawal Sidhu 2、《Digi.in》、《Spark Solidarity》、《Pekingnology》、《中央社》、《Fortune》、《DroneXL》、《SCMP》，首圖來源：Bilawal Sidhu 2
隨著 AI 開始重塑人類探索網路的方式，並使消費者將注意力分散到各個平台，企業行銷該如何部署精準策略，重新捕捉流量且轉化為持續性利潤，自然就變得至關重要。
包含生成式引擎最佳化（GEO）與隱私優先資料策略在內，眾多網路行銷專家紛紛為 2026 年的網路行銷手法，給出獨特且創新的洞見，融合歷久彌新的基礎原則，加上績效數據進行佐證，許多方式皆適合企業行銷人員積極參考。
根據 SEO 行銷公司 BrightEdge 在 2019 年發表的報告，53.3% 的網站流量來自自然搜索，這證明了 SEO 之於小型企業的重要性；而在網路上被消費者發現，並非只是一種行銷優勢，更像是一種必要條件。
面對 AI 時代帶來的變化，同時隨著 Google 的「搜尋生成體驗」等 AI 應用逐漸普及，企業必須快速適應趨勢，讓網站、品牌更加切合搜尋引擎及 AI 平台的需求。網域註冊及網站搭建平台 Network Solutions 就提供了更加實質的建議，推薦企業不斷為網站追加、更新實質性內容，同時連結消費者搜尋網頁時，慣用的各種關鍵字。
身為搜尋引擎巨頭的 Google 也直言，由於消費者開始期待 AI，能夠理解超越文字本身的意圖，進一步促使行銷業朝 GEO 方向發展；未來搜尋引擎將演變為由多模態 AI 所驅動的「創意畫布」，因此品牌和企業得開始為自家內容，準備好視覺化、具象化的回應。
線上廣告商 WordStream 分析，在 2026 年傳統 SEO 將與 GEO 互相融合，同時企業行銷團隊必須警惕，各式各樣的「AI 垃圾」正在導致網路走向內容同質化。那些真正由人類精心原創的內容，更應該企業被主動標示出來。
行銷專業媒體《Marketer Milk》給出更加直接的提醒，表明由人類親身經歷後寫下的文章、創作的影片，配合選題本身的權威性，將能夠有效對抗 AI 垃圾內容的帶來的影響，甚至即便只是為文章嵌入 YouTube 影片，都能帶來一定的曝光率提升。
數位行銷機構 Creative Click Media 執行長 Adam Binder 則認為，AI 時代下最佳的網路行銷策略，就是將 SEO、轉換率最佳化，以及 AI 友善內容三者互相結合。
對於中小型企業而言，其具體做法可能包含建立 Q&A 頁面，直接回應消費者疑慮，或者撰寫凸顯產品實質效益的說明，甚至是發表以淺白語言陳述解決方案的部落格文章。
Adam Binder 說，這些方法皆有助於企業和品牌，在 AI 所驅動的搜尋結果中，例如 ChatGPT 和 Perplexity 等平台獲得更優秀的曝光，更能夠藉從確保「內容可信」的角度，讓潛在客戶於發現產品時，有效轉化為實質的營業額。
但是，即便 AI 搜尋平台和 AI 內容正在崛起，Google 卻仍然佔據搜尋市場 90% 的份額，因此，企業必須將多平台戰略納入考量，兼顧 SEO 與 GEO 的無縫協作。
足夠先進的人工智慧技術，常常令企業和品牌行銷團隊，忘記電子郵件服務的存在。不過電子郵件行銷既能夠做得非常簡單，也可以做得「很高級」，例如透過排程發信，一點一滴持續向潛在客戶傳遞資訊的「滴水式行銷」。
一套結構良好的電子郵件行銷策略，將可以讓品牌始終保持在顧客的關注範圍內，並且將一次性訪客轉化為回頭客。同時，企業要懂得避免向訂閱者發送過多的電子郵件，畢竟若郵件內容過多或缺乏實際價值，消費者很快就會選擇取消訂閱。
跟電子郵件行銷類似，社群媒體行銷帶來的放大效應，在 2026 年依然會非常重要。
SEO 與 GEO 服務公司 Crownsville Media 就指出，如果企業想要在社群媒體上發起行銷，那麼前提是得花費時間，對消費者建立信任、友善與專業的形象。
特別值得一提之處，有媒體預測，2026 年 Threads 在社群 engagement 效益可能超越 X；即便如此，品牌依然得針對不同平台打造不同的行銷策略，絕對不能只靠一招打天下。
至於在社群媒體之外，仰賴使用者回饋發動行銷的重要性，在 AI 時代將會變得更勝以往，包含評測／體驗的客座文章、KOL 合作，以及消費者主動留下的評論等，全都屬於此類。
一篇由權威者精心撰寫的客座文章，將可以替企業網站開拓全新的訪問途徑，而且當張貼文章的網站規模越大、聲譽越高，對於企業網站的曝光度提升也會越大。
除了曝光度之外，客座文章還能帶來名為「反向連結」的技術優勢，藉此提升 SEO 與 GEO 的成效，向搜尋引擎表明企業品牌是值得信賴的資訊來源。
另一方面，企業和品牌在尋找 KOL 合作時，可以考慮多尋找非明星等級的微型內容創作者，例如美國速食業者 Taco Bell 的社群及公關主管 Nicole Weltman 就曾經指出，企業應該積極打造「獨特且有個性」的品牌形象，而非請來大明星操作譁眾取寵的行銷噱頭。
最後，對於所有網路行銷人員都會時刻操心的 Google Analytics 顯示的流量、點擊率和轉換率，無論企業或行銷人員都必須要有足夠耐心。
舉凡 SEO、GEO 和內容行銷等自然流量策略，皆可能需要數個月甚至更長時間才能見效，而付費廣告則往往能產生立即性效果，如果企業就是想立刻得到曝光，那麼最有效的方案就是將兩者結合起來，同步實現短期效益和長期成長。
【推薦閱讀】
◆ 專家破解企業 GEO 策略 7 大迷思，想用 AI 行銷品牌應該注重哪些事？
◆ 品牌行銷新危機：不是內容做不好，而是 AI 讓你做「太多」
◆ 行銷活動規劃與執行速度提升 5 倍！HAPPY GO 如何用 AI 數據洞察會員需求，打造精準互動模式？
＊本文開放合作夥伴轉載，參考資料：WebProNews、Forbes，首圖來源：Pixabay
（責任編輯：鄒家彥）
根據 Zeta Global 的一項調查，多數消費者在去年假期購物季曾嘗試以 AI 協助挑選禮物，但實際體驗卻比自己搜尋還要繁瑣。使用者需要反覆輸入收禮者年齡、興趣、預算與偏好品牌，經過多輪提示後，推薦結果才逐漸貼近需求。這種高度仰賴人工引導的流程，揭示了當前 AI 商務仍存在明顯的個人化落差。
這個落差的根源，在於資料脈絡的不足。當前多數 AI 購物助手所掌握的資訊仍停留在即時搜尋或公開商品資料層面，缺乏對消費者長期行為軌跡的理解。真正完整且結構化的消費歷史，其實沉睡在一個被低估的場域：電子郵件信箱。
電子郵件儲存了豐富且未被開發的商務數據，包含線上交易的電子收據，詳細記錄購買時間、品項、價格與品牌。這些資料揭示了清晰的季節性消費模式，例如特定消費者會於每年固定在冬季添購戶外裝備，或在特定節慶購買同一品牌禮盒。
從長期訂閱的促銷信件中，也能辨識出品牌親和力與價格敏感度。更進一步，信箱中的往來郵件還能勾勒出一種社交圖譜，呈現與親友之間的互動關係，為禮物推薦提供情境線索。相較於社群媒體或即時通訊工具，電子郵件在購買紀錄與優惠資訊的完整度上更具優勢，也更具歷史深度。
科技巨頭已意識到這一點。Google 近年嘗試透過商家促銷內容強化推薦精準度，並進一步推出整合 Gmail、YouTube 與搜尋紀錄的個人化 AI 服務，藉由龐大的第一方資料打造更深入的消費者輪廓。
若 AI 商務要真正降低使用門檻，品牌必須重構對價格資料的理解和運用。價格並非單一數據，而有三個層次。公開價格是第一層，這是搜尋引擎與電商平台最容易取得的資訊。而真正形成競爭優勢的，是會員專屬優惠與個人化定價所構成的第二層與第三層價格空間。這包括訂閱電子報後才能取得的折扣、忠誠點數的折抵機制、分眾發送的專屬優惠碼，以及根據消費歷史動態生成的個人化優惠。
過去，許多品牌在電子郵件行銷上導入 AI，將其用在主旨優化、寄送時間預測或文案自動生成上，這些應用確實能提升操作效率與改善開信率，但若缺乏對消費者需求的理解，往往導致退訂率上升與營收停滯。真正成熟的 AI 應用，應建立在預測模型之上，透過購買紀錄、瀏覽軌跡與互動頻率推算需求節點，讓內容與時機自然對齊。
例如，當系統觀察到消費者近期購買越野跑鞋，並曾於過去秋冬季節選購防水裝備，同時訂閱戶外品牌促銷信件，AI 便可在氣候轉變前推送防水外套與會員專屬折扣。這種情境式建議具有高度相關性，推薦邏輯建立在真實行為證據之上，使用者無需多次提示，系統就能推演出合理需求。
《Entrepreneur》報導指出，運用預測分析所產生的個人化商品推薦，平均可提升約 22.66% 的轉化率。這項數據背後的意義，在於推薦機制從「廣泛曝光」轉向「精準配對」。品牌透過電子郵件累積的第一方資料進行模型訓練，並持續以開信、點擊與購買回饋優化預測邏輯，電子郵件便成為 AI 學習與調校的重要迴路，每一次互動都在強化系統對個體需求的理解。
然而，資料與演算法的強化並不意味著人性元素可以被忽略。成功的 AI 電子郵件策略，仍需由行銷團隊提供語境理解與品牌語調，並將客戶服務回饋、用戶訪談與情緒洞察納入訓練基礎。AI 成為分析與預測的輔助者，人類負責價值主張與信任建構，兩者結合才能避免過度自動化帶來的疏離感。
＊本文開放合作夥伴轉載，參考資料：Zeta Global、《CMSWire》、《Entrepreneur》，首圖來源：Unsplash
（責任編輯：廖紹伶）
生成式 AI 已成為近年企業數位轉型的重要推力。從客服自動化、內部知識管理，到行銷內容生成與流程優化，各類應用場景不斷浮現。然而，在實務層面，許多企業的 AI 導入仍停留在概念驗證（PoC）階段，距離成為穩定且可規模化的營運工具，仍存在明顯落差。
博弘雲端台灣香港事業中心副總經理陳亭竹指出，企業真正需要的並非單一模型，而是一套能與既有系統、流程與人員自然融合的 AI 使用方式。結合博弘雲端在 Amazon Web Services（AWS） 雲端技術的經驗，選用 Anthropic Claude (powered by Anthropic，下簡稱 Claude) 的頂尖模型，企業無需自行維運模型環境，也不必重新打造整套系統，讓 AI 能低門檻地走進日常工作流程。
首先，AI 應用難以與既有系統與流程整合。即便模型本身具備先天條件優勢，若無法與企業內部的資料來源、作業流程與決策節點順利串接，最終仍只能停留在輔助工具的角色。
其次，資安與合規問題成為 AI 擴大應用的主要顧慮。資料存放位置、模型存取權限與法規遵循，往往直接影響企業是否敢於將 AI 納入核心流程。
第三，當應用規模擴大後，維運成本與投資報酬率的不確定性，容易使原本具潛力的 AI 專案難以持續推進。這些問題，使得企業逐漸意識到，生成式 AI 落地的關鍵不在於「能不能做」，而在於「能不能長期用」。
有鑑於博弘雲端觀察到實務現況，因此成為 Anthropic 經銷合作夥伴，讓企業能解決 AI 應用落地的挑戰。搭配 AWS 雲端服務，整合 AI 解決方案，根據應用情境自由隨選 AI 模型，逐步邁向 AI 應用規模化。
在生成式 AI 導入逐漸走向實務應用的過程中，企業開始重新審視模型選擇的核心邏輯。相較於單純追求生成能力，企業更重視模型在邏輯推理、語意理解與回應穩定性上的表現。
正是在這樣的需求脈絡下，Anthropic Claude 系列的模型受到企業市場關注，其設計更貼近企業應用情境，適合用於知識型任務、流程支援與風險判斷等場景。模型本身的優勢，加乘合適的平台與基礎架構，將能發揮 AI 落地的效益。
AWS 的生成式 AI 基礎模型託管服務 Amazon Bedrock，讓企業得以彈性選用包括 Anthropic Claude 在內的多種生成式 AI 模型，降低導入與管理的複雜度。
同時，AWS 亞太（台北）區域的啟用，為企業提供兼顧低延遲與法規合規的在地環境，促進企業上雲與生成式 AI 應用的規模化部署。
博弘雲端在 AWS 與 AI 技術的深厚實力，成功協助多家知名企業運用 Amazon Bedrock 與 Anthropic Claude 模型達成 AI 應用轉型目標，展現強大的技術落地能力。以鼎鼎聯合行銷（HAPPY GO）為例，透過導入 Amazon Bedrock ，成功強化數據洞察與行銷決策流程，提升五成行銷轉換，為品牌與會員經營創造更高價值。
此外，知名防詐科技公司 Gogolook 走著瞧也透過 Amazon Bedrock 使用 Anthropic Claude 模型，打造 AI 防詐與詐騙偵測機制，讓貼標精準率達 99%，提升模型理解複雜語意與風險判斷的能力，用 AI 辨識詐騙，進一步強化使用者信任與平台安全。
「成為 Anthropic 經銷合作夥伴，是強化我們 AI 解決方案的版圖。找到對的合作夥伴，能夠讓 AI 變成核心營運的決策引擎，博弘雲端正是致力成為企業與其終端使用者之間 AI 技術落地的關鍵橋梁。」陳亭竹進一步說明，未來企業將受益於 Anthropic 先進的 Claude 模型與 AWS 強大的雲端服務，藉由一站式的 AI 解決方案應用，與博弘雲端技術團隊合作，引領台灣產業在 AI 時代搶佔先機，打造可持續發展的 AI 應用藍圖！
作為台灣 Anthropic 經銷合作夥伴，博弘雲端協助企業透過 Amazon Bedrock，直接採用 Anthropic 最新一代的 Claude 大型語言模型。在無須自行建置與維運模型環境的前提下，將生成式 AI 能力導入實際營運場景。結合 AWS 亞太（台北）區域所提供的在地雲端基礎設施，博弘雲端進一步協助企業在兼顧效能、資安與合規需求的前提下，逐步建構可執行、可擴展，且具長期發展性的生成式 AI 應用架構，為台灣企業推進生成式 AI 從概念驗證走向營運核心，奠定穩固的落地基礎。
（本文訊息由博弘雲端科技提供，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：博弘雲端科技。）
AI 巨頭 OpenAI 的產品版圖可能再次擴張，而這次目標直指合作夥伴微軟的重要服務。外媒報導，OpenAI 正在開發一套新的程式碼庫（code repository），目標是降低對微軟 GitHub 的依賴，甚至可能成為開發者與 AI 代理共同協作的新平台。
根據《The Information》報導，這個專案仍處於早期階段，短期內不會推出，但 OpenAI 內部已經開始討論未來是否對外銷售這項服務。如果成真，這將使 OpenAI 與其最大投資者之一的微軟出現更直接的產品競爭。
OpenAI 啟動這項計畫的一個重要原因，是近期 GitHub 服務中斷次數增加。知情人士透露，OpenAI 工程師與其他企業客戶一樣，近幾個月頻繁遭遇 GitHub 當機，導致程式碼無法更新或團隊協作受阻。這些故障時間從幾分鐘到數小時不等，對開發流程造成干擾。
GitHub 官方也曾承認平台穩定性仍需改善。例如今年 2 月的一起事故，GitHub 服務因 Azure 底層系統問題中斷長達 4 小時；另一場約 3 小時的故障則與服務配置變更有關。事後 GitHub 在事故報告中坦言，目前平台的可用性尚未達到預期標準。
隨著 AI 開發節奏越來越快，這類中斷對大型工程團隊而言，影響也越來越大。
知情人士指出，OpenAI 目前仍未決定這套類似 GitHub 的產品是否會對外推出，也可能僅供內部工程團隊使用。但 OpenAI 內部已討論過另一種可能：將這套程式碼庫與其 AI 寫程式代理（coding agents）整合，並作為新產品提供給開發者。
《The Information》指出，如果這項構想落地，開發者將能在同一平台上同時與 AI 代理、人類工程師協作，例如讓 AI 自動建立功能、除錯或重構程式碼。這樣的設計，可能比傳統程式碼平台更適合 AI 時代的軟體開發流程。
但這也意味著 OpenAI 將與 GitHub 正面競爭，而 GitHub 正是微軟旗下最重要的開發者平台之一。微軟自 2018 年收購 GitHub 以來，已將其打造成全球最大的程式碼協作平台。
這項傳聞也反映了 AI 對軟體開發方式的巨大影響。近年來，包括 Meta、微軟與 Amazon 在內的大型科技公司都表示，公司內部相當比例的程式碼已由 AI 生成。GitHub 旗下的 Copilot 是最早進入市場的 AI 寫程式工具之一，但隨著 OpenAI 與 Anthropic 推出更強大的 AI 寫程式代理，其市場領先優勢正逐漸縮小。
這些新一代 AI 工具甚至能從零開始建立完整應用程式，或自動修復現有程式碼，降低人類工程師的參與程度。在這種趨勢下，未來的開發平台可能不只是程式碼儲存庫，而是人類與 AI 共同工作的協作環境。
《Reuters》表示無法獨立查核《The Information》的消息，而 OpenAI、GitHub 和微軟尚未回覆該報的置評請求。
事實上，像 OpenAI 這樣的大型科技公司自行開發程式碼庫並不罕見。Google 與 Meta 早已建立自己的內部程式碼系統，例如 Google 的 Piper 和 Meta 的 Sapling，用來處理龐大的工程規模。不過這些系統通常只供內部使用，並未對外推出產品。
知情人士告訴《The Information》，即使 OpenAI 最終只將這套平台用於內部，GitHub 失去 OpenAI 這個客戶對其商業影響仍有限。不過，這件事仍象徵著 AI 產業權力結構可能出現新的變化。
探索主動功能模型如何降低 R&D 工程師除錯成本！立即報名 3/10-12【ADI 次世代訊號鏈設計量測工作坊】
＊本文開放合作夥伴轉載，資料來源：《The Information》、《Reuters》，首圖來源：Unsplash
美國與以色列對伊朗發動聯合攻擊後，戰火不只在實體世界延燒，也迅速蔓延到網路空間。《Reuters》指出，伊朗境內同步出現一波網路行動，除了多個新聞網站遭駭客入侵，下載量超過 500 萬次的宗教日曆 App「BadeSaba」也遭駭入，更被植入「現在是清算的時候了（It’s time for reckoning）」等訊息，號召武裝部隊放下武器、加入平民。
此外，《Reuters》引述資安專家說法，指出隨著伊朗評估後續回應選項，駭客行動主義者（hacktivist）對以色列與美國相關的軍事、商業或平民目標發動網路攻擊的可能性正在急遽上升。
《Nextgov/FCW》進一步引述 CrowdStrike、Google Threat Intelligence Group 與 Recorded Future 的說法，指出德黑蘭相關駭客正在加強數位偵察，接下來可能進一步鎖定美國關鍵基礎設施。不過，報導也提醒，目前不少攻擊宣稱仍偏向「聲明導向」，Google 首席分析師 John Hultquist 就表示，企業固然應提高警覺，但伊朗駭客過去也常誇大甚至捏造攻擊成果，因此外界對這些宣稱仍應保留判斷。
這次衝突帶來的風險，不只停留在網路攻防層面。隨著情勢升高，包括雲端、通訊、金融與政府系統在內的數位基礎設施，也正同步成為新的攻擊面，而這樣的變化，也讓商業雲端資料中心首度以更直接的方式，被納入現代衝突的攻擊半徑中。
《DefenseScoop》報導，因中東地區軍事行動加劇，AWS 在該地區的 3 座資料中心遭無人機攻擊波及，其中阿拉伯聯合大公國（UAE）的 2 座設施更被無人機「直接擊中」，而巴林 1 座主要設施則因附近無人機爆炸，導致基礎設施受到物理衝擊。分析師指出，這起事件可能是美國企業營運的超大型資料中心，首次在實戰中遭到戰火攻擊的案例。
事件發生後，《DefenseScoop》指出，AWS 隨即要求在中東運行工作負載且面臨中斷的客戶，啟動災難復原計畫，並將數位資產與服務遷移到其他地區。《DefenseScoop》也引述 AWS 過往資料表示，這起攻擊影響深遠，因為巴林自 2019 年起已將約 85% 的政府資料遷移至 AWS 巴林區域，而阿拉伯聯合大公國的 AWS 資料中心也承載著當地的政府、金融與物流部門的工作負載。
這起事件之所以引發高度關注，不只是因為 AWS 機房首度在戰事中受波及，也因為它進一步暴露出雲端架構面對物理攻擊時的限制。「這些打擊造成結構性損壞、中斷基礎設施的電力供應，部分情況下還因必須進行滅火作業而導致了額外的水損，」AWS 表示，針對這樣的情況，建議在中東使用其伺服器的客戶，將運算與線上流量轉移到其他區域。
儘管 AWS 的每個區域（Region）至少由三個可用區域組成，彼此不僅保持實體分隔，還具備冗餘的水、電、電信與網路連線。然而，這些包含警衛、圍欄與監視器的實體安全設計，原本主要是為了防範入侵者，而不是防禦飛彈或無人機攻擊。聖母大學 IT 教授 Mike Chapple 就表示，Amazon 通常把服務設計成單一資料中心失效時仍可維持運作的模式，但他警告：「若同一個可用區域內有多個資料中心同時失效，就可能引發嚴重問題，因為情況可能達到根本沒有足夠剩餘容量來處理所有工作負載的地步。」
另一方面，在美伊戰事衝突升高之際，美國金融服務業已進入高度戒備狀態，全面強化對潛在網路攻擊的監測。《Reuters》指出，由於金融服務業掌管支付、清算、結算、交易平台與美債市場等美國關鍵金融基礎設施，長期以來一直是網路攻擊的首要目標。
摩根大通執行長 Jamie Dimon 在接受《CNBC》採訪時表示，銀行可能成為攻擊目標，並指出預計全球網路或恐怖攻擊事件將會增加。「我們總是努力為此做好準備，」Jamie Dimon 說道，並認為網路攻擊是「銀行面臨的最高風險之一」。
美國情報評估顯示，伊朗相關的駭客行動主義者可能對美國網路發動低階攻擊，例如分散式阻斷服務攻擊（DDoS）。《Reuters》也引述產業財團 FS-ISAC 的 2025 年報告指出，在戰事推波助瀾下，金融服務業正是 2024 年遭受 DDoS 攻擊最多的產業。
當雲端機房與金融體系都開始承受衝突外溢的壓力，美國國家層級的資安防線是否有足夠量能應對，也成為外界關注的焦點。《Nextgov/FCW》報導進一步指出，這場戰事將考驗美國的網路防禦能力，然而過去一年聯邦政府大規模裁員，加上國土安全部（DHS）已連續兩週未獲完整資金，進一步放大了外界的憂慮。
《Nextgov/FCW》引述一名匿名網路安全暨基礎設施安全局（CISA）員工的說法指出，CISA 目前正以縮減的量能（reduced capacity）運作，由於「聯邦資金中斷」，部分被無薪休假（furloughed）的員工只能待命，監看工作通訊並等待可能被召回。美國眾議院議員 Tom Cole 也對此發出警告指出，強調 CISA 的人力已「捉襟見肘」，若資金停擺持續下去，將大幅削弱美國保護關鍵基礎設施與醫院的能力。
現在，戰爭早已不只發生在飛彈、基地與邊境，而是已經同步蔓延到雲端機房、金融系統與國家資安防線。當資料中心可能遭實體攻擊、銀行必須提防網攻，而 CISA 又必須在縮減經費與量能的情況下應戰，數位基礎設施已不再只是後勤支援的角色，而是現代衝突中非常關鍵的新前線。
＊本文開放合作夥伴轉載，參考資料：《Nextgov/FCW》、《Reuters》1、《Reuters》2、《CNBC》、《Defense Scoop》、《AP News》，首圖來源：AI 工具生成
當市場還習慣把高通（Qualcomm）視為一家手機晶片公司，高通執行長 Cristiano Amon 近日在 MWC（世界行動通訊大會）釋出明確的轉向訊號：高通正在把布局重心，同步延伸到機器人、AI 穿戴與 6G。
Cristiano Amon 在 MWC 表示：「我認為機器人技術將在未來兩年內開始實現規模化發展，兩年內這將是一個更大的機遇。」目前的機器人應用種類繁多，涵蓋從工業用途的機械手臂，到特斯拉（Tesla）與眾多中國企業正在積極開發的人形機器人。
為了把握機器人領域的龐大商機，高通今年 1 月已在 Dragonwing 品牌下推出一款為機器人設計的處理器，目標是打造可運行於多種機器人平台的晶片，做法與高通過去在智慧手機市場推動 Snapdragon 的模式相似。
同時，市場對機器人領域的經濟規模有極高的預測，像麥肯錫預估通用型機器人市場在 2040 年將達到 3,700 億美元，RBC 資本市場（RBC Capital Markets）的分析師更預測，到了 2050 年，全球人形機器人的總潛在市場將高達 9 兆美元。
Cristiano Amon 也指出，實體 AI 的進展正讓機器人變得更有用，他進一步強調：「人們曾說，單是機器人技術本身的市場規模就可能是一個高達兆元美元的機遇，現實情況是，我們現在看到因為實體 AI 的出現，機器人已經變得有用了許多。」
在裝置端，高通也同步推出 Snapdragon Wear Elite 晶片。高通將 Snapdragon Wear Elite 定義為「手腕以上（Wrist Plus）」晶片，並強調它不是用來取代現有的 W5 Plus，而是與其並存，目標是吸引想做 AI 吊飾（pendants）、AI 別針（pins），以及無螢幕智慧眼鏡（display-free smart glasses）等裝置廠商，至於效能需求更高的智慧眼鏡，則預期會繼續採用高通的 AR 晶片。
在通訊與系統開發部分，Snapdragon Wear Elite 晶片還支援衛星連線、5G、UWB 與 Bluetooth 6.0。在作業系統上，除了 Android 與 Wear OS，更支援 Linux，這也為希望利用專屬軟體來開發 AI 別針或吊飾的新創公司，提供極大的便利。
《The Verge》進一步分析，高通積極為此類設備打造專屬晶片，顯示出從供應鏈端看到明確的需求。儘管目前 AI 別針或吊飾尚未出現現象級的產品，但裝置製造商並未放棄 AI 穿戴領域，像是目前 Google 正積極建構包含穿戴裝置的 AI 硬體生態系，蘋果（Apple）據傳正在評估 AI 穿戴設備，而前蘋果設計長 Jony Ive 與 OpenAI 執行長 Sam Altman 也曾暗示可能跨足穿戴設備領域。
Snapdragon Wear Elite 展現高通想先卡位 AI 時代新終端的企圖心，在網路端，高通也同步把 6G 定義為支撐未來 AI 代理運作的關鍵基礎設施。Cristiano Amon 明確表示：「如果你相信 AI 革命，6G 就是必要的，抵抗是徒勞的。」高通財務長兼營運長 Akash Palkhiwala 更進一步定調，6G 將是連接能力與 AI 首次在網路中真正結合，也是「有史以來第一個建構的 AI 原生無線網路（AI-native wireless network）」。
未來，6G 的流量型態將迎來根本性的改變。有別於過去以消費者語音通話或影音下載為主的模式，未來的網路將由 AI Agent 的流量所驅動，這些散佈在智慧眼鏡、手錶、手機或電腦等不同裝置上的 AI 代理，將在網路上不斷地彼此對話與互動。
Akash Palkhiwala 解釋，這標誌著我們將從現今的「應用程式經濟（application economy）」轉向未來的「代理經濟（agent economy）」，代表用戶不再需要分別打開不同 App 叫車、訂電影票或點餐，而是由一個完全了解使用者的 AI 代理自動在網路上交涉並完成所有任務。另一方面，也因為流量轉變為代理程式間的互動，網路的「可靠性」將變得至關重要。
為實現 AI 原生無線網路的願景，高通這套 AI 原生 6G 網路架構，將建立在先進連接能力（advanced connectivity）、廣域感測（wide area sensing）與高效能運算（high-performance compute）三大支柱之上，並將整合裝置端能力、邊緣運算（edge computing）與 AI 驅動的頻寬負載控制。
同時，為了加速生態系發展，高通也在 MWC 發起了一個全球 6G 聯盟（6G coalition），並集結 Amazon、Google、Meta、微軟（Microsoft）、三星（Samsung）、愛立信（Ericsson）等科技巨頭，以及各國指標性電信商與車廠，共同推進標準制定與驗證。高通預期，第一批 6G 應用可望在 2028 年的洛杉磯奧運期間完成原型展示並進入消費者測試，隨後於 2029 年開始正式展開商業部署。
從機器人處理器、AI 穿戴晶片，到 AI 原生 6G 網路與全球聯盟布局，高通正在積極卡位下一波 AI 實體世界的入口。對高通而言，機器人是更近的成長機會，AI 穿戴是新一代的終端形態，而 6G 則是支撐未來 AI 代理經濟運作的底座。當這三條線開始同時推進，高通真正想爭奪的，已不只是單一晶片市場，而是下一個 AI 平台時代的關鍵位置。
＊本文開放合作夥伴轉載，參考資料：《CNBC》、《Fortune》、《Mobile World Live》、《The Verge》，首圖來源：Qualcomm
2026 年，製造業正站在「自主革命」的轉捩點。隨著「+USA」全球供應鏈重組、勞動力缺口擴大，以及 AI 代理與物理 AI 的加速成熟，製造業的角色正發生根本性轉變，重塑「超自動化」工廠的樣貌。對於位居全球供應鏈中樞的新竹高科技製造業而言，挑戰更不僅在於技術導入，更在於如何建立一支 AI 混合勞動力，以應對日益嚴峻的勞動力缺口與全球化競爭。
TechOrange 科技報橘與 Cake 在 2/7 聯合舉辦「高科技製造 AI 人才論壇暨 Workshop」，為包括半導體、光電、電子零組件等新竹高科技製造業技術人才解析 AI 代理與物理 AI 如何成為推動這場自主革命的雙引擎，並探討高科技製造業當前最需要什麼樣的 AI 人才。
聯發科技企業策略與前瞻技術資深處長梁伯嵩表示，AI 運算的七層架構涵蓋實體層、連結層、神經網路層、情境層、代理層，還有協調層和應用層。而在 AI 進展上，大致可歸納為三個時期，第一階段是「訓練時期運算」，開發者聚焦如何訓練 AI 提升性能；第二階段是「推理時期運算」，發展重點是利用 AI 有效率地進行推理、以知識蒸餾技術訓練 AI 模型；第三階段是「Agentic AI 與 Physical AI」，在企業追求極致算力的情況下，形成一個關鍵趨勢 —— 讓 AI 發揮超越單一 LLM 模型的能力。在提供 AI 算力上，「影響較大的是底端的實體層（Physical Layer），包括半導體晶片和各種不同硬體裝置，以及連接層（Link Layer），將這些運算力連接在一起進行 AI 運算。然後在整體 AI 算力設計上，不只看單顆晶片性能，更需要針對整個 AI 系統做最佳化，優化的範圍包含個機櫃（Rack-Scale）甚至是整個資料中心（Data Center）。
「大型語言模型就像剛畢業的大學生，學了很多知識，但如果要成為厲害的員工，他需要具備更多實務能力與工作環境，」梁伯嵩分析，AI Agent 就像企業的員工，不僅需要擁有強大記憶與規劃能力，也擅長大量使用工具執行任務，更懂得如何與其他 AI Agent 協作以發揮更高生產力。這使得未來應用場景不再只是單個超強 LLM 運作，而是多個懂研發、懂行銷、懂財務、懂管理的 AI Agent 專家共同協作。當 AI 進入實體世界，透過與實體世界直接互動，還能進一步提升對世界的認知，進而擁有創造知識的能力。不過當產業界真正布局 AI 生態系，往往迎來全新挑戰，「我們如何管理這些 AI Agent？類似管理員工的 HR (人力資源部門)，以後可能需要 AI Agent 的 HR 來負責選擇、培育、評核這些 AI 員工，並將這些 AI 員工組合成發揮極高生產力的團隊。這對於學習管理的人來說，將是很大的新領域。目前，我認為 AI 的進展大概只在半山腰，未來 AI 能力還有很多提升的空間，更有許多應用層次（例如這七層架構的協調層、應用層等）需要我們去探索。」
「從 2023 年起，我們就開始思考下一個十年的發展策略，」群聯電子技術長林緯觀察，AI 產業普遍存在一個巨大痛點：大語言模型（LLM）使用成本昂貴，如果企業正在訓練 70B 的模型，需要使用 18 張 NVIDIA H100 顯卡，每片要價百萬台幣，這對多數企業來說門檻太高。為了滿足 AI 應用的需求，群聯電子研發「aiDAPTIV+」一站式 GenAI 落地訓練暨高效推論解決方案，實現 HBM、GDDR 記憶體與成本效益更高的快閃記憶體之間的動態資源調配，有效降低硬體支出，同時大幅減少模型訓練對昂貴且耗電 GPU 顯示卡的需求。另一方面，aiDAPTIV+ 將大型資料集保存在本地，避免企業將資料傳輸到其他地方進行處理所產生的成本。
群聯電子不僅提供底層硬體產品，也逐步推動上層生成式 AI 的落地應用。林緯舉例，在與警政單位合作的專案中，群聯電子協助客戶生成筆錄與專業公文、即時比對關鍵法條，並以 AI 客服系統提供更便捷的民眾服務；在與金融單位合作的專案中，群聯電子協助客戶實現智慧防詐、AI KM 系統建置；在與教育單位合作的專案中，則是協助學校打造 AI 訓練平台，共同推動擴展學術研究的深度與應用廣度。林緯表示，群聯擁有一個特別文化，就是非常重視大家的想法，「我待在群聯十幾年，從一名實習生變成技術長，總共產出 200 多篇專利，而且我們公司的溝通非常扁平，董事長的門口永遠是開著的。如果你是一名實習生，你有很棒的想法，你可以直接進去和董事長討論，這種開放的環境，讓工程師能夠充分發揮創意。」
NVIDIA DLI 首席講師及培訓服務資深經理吳宏彬指出，回顧 19 世紀末的工廠，過去製造業的動力來源是蒸汽鍋爐，工廠裡布滿傳動軸和皮帶，當時最厲害的工程師，是那些能聽出鍋爐壓力對不對、知道怎麼修皮帶的人。後來，電力進入工廠，這時候製造現場不再需要一根根笨重的傳動軸，取而代之的是電線，這意味著工廠需要的技能改變了，工作者需要懂得拉電線、檢查保險絲，並了解電流強度。吳宏彬認為，就像電力改變了工廠的結構，AI 也正在改變所有人的工作方式。不過在 NVIDIA 服務企業的過程中，發現客戶實際導入 AI，通常會遇到兩個痛點，一部分是設備交期，包括 GPU 等基礎設施；另一部分是人才斷層，許多企業採購最強的 GPU 伺服器，卻發現找不到足夠的人才來驅動這些平台，建構企業專屬的系統。
為了縮短產業人才缺口，NVIDIA 透過 NVIDIA DLI 深度學習學院，讓開發者從實戰中掌握理論與應用，並提供專業認證考試，協助開發者證明自己在 LLM、數位孿生或系統管理上的專業能力。吳宏彬強調，在電力革命時代，人才們不一定要成為愛迪生發明發電機，但一定要學會怎麼用電；AI 時代亦是如此，不是每個人都需要研發下一個 AI 模型，但必須能夠開出正確的規格，學會如何讓 AI 成為大腦的延伸，這將是未來 5 年、10 年，決定個人與企業競爭力最關鍵的一環。
「AI 技術進入傳統農業，讓更少的人可以產出更多的稻米；進入紡織業，則是驅動⾃動化⽣產與客製化設計，」科技報橘社長戴季全表示，這些變革正在重塑全球經濟格局，甚至形成「K 型經濟」，加速分化新舊產業。在 K 字向上分叉的那一端，是掌握基礎設施、硬體、算力與核心模型研發的一群人，他們的產值與影響力呈指數級增長，K 字向下分叉的那一端，是無法跟上轉型、仍守著舊有作業模式的一群人，「當科技讓生產力提升 100 倍、1,000 倍時，如果你還在做舊的動作，那你的價值就會下降。所以我們必須重新定義專業，從『執行動作』轉向『產出價值』。」
「很多人發現，使用 AI 之後，寫程式的速度快了 10 倍，寫文章的速度也快了 100 倍，但為什麼我們的薪水沒有提升 10 倍、100 倍？」戴季全坦言，這個事實殘酷，因為當每個人都能提升 10 倍效率時，這就變成基本能力門檻，而不是競爭優勢，因此在 AI 時代，人才必須將不同領域連結，思考如何將 AI 應用於更有產值的場景。戴季全指出，「我們正在進入一個高度不確定的狀態。一旦面臨混亂或通訊中斷時，留在原地是最危險的，你必須不斷地移動、嘗試新工具、接觸新領域，保持自己的靈活性；同時，去學習一些新技能，或是和跨產業的人交流，避免讓自己陷入『火雞困境』（依據過往一致的經驗來預測未來，卻忽略突發、顛覆性的風險）。」
隨著 Agentic AI 與 Physical AI 協作逐漸成為常態，企業需要建構彈性的基礎設施，個人則需要不斷打破專業邊界。「高科技製造 AI 人才論壇暨 Workshop」不僅為新竹高科技聚落指引技術方向，也鼓勵人才擁抱新興工具、提升自己的價值，進而在人機協作的時代洪流中，成為不可被取代的關鍵角色。
（責任編輯：曾品潔）
AI 時代來臨，什麼是台灣目前最迫切、又能用 AI 技術協助解決的社會挑戰？Google 認為是 AI 醫療。Google 台灣今（4 日）舉辦在台 20 週年交流會，宣布在台灣佈局的下一章為 AI 醫療健康，同時宣告與衛生福利部健保署合作，將在今年 3 月於千萬台灣人使用的「健康存摺」App 中，推出由 Gemini 驅動的衛教助理，並在使用者明確授權同意的前提下，根據臨床實證提供個人化的健康建議。
Google 台灣總經理林雅芳表示，Google 希望將資源投入在解決當前最迫切、最重要的需求上，而台灣已經邁入超高齡社會，伴隨高齡化而來的是慢性病對民眾健康的威脅越來越大，成為亟需處理的課題。她也強調，面對這些醫療與健康照護的挑戰，光靠寫程式是沒有辦法解決的，而是要結合「Team Taiwan」（台灣團隊）的力量，將有溫度的照護和最先進的 AI 技術相連，才能有效應對。
根據衛福部統計，慢性病是目前台灣影響人口最多的疾病，目前台灣面臨三高（高血糖、高血壓、高血脂）威脅的民眾高達 850 萬人，也因此衛福部與 Google 的合作即從慢性病切入。
健保署提供給醫師的「大家醫計畫」已在全台 2 萬間診所導入「糖尿病 AI 模型」，透過去識別化的聚合數據，為病患進行風險分級，協助醫師及早介入治療。Google 表示，單一病例的評估時間從 20 分鐘縮短至 25 秒，而原本需要 40 位專家投入三週才能完成兩萬人規模的篩檢，如今透過 AI 僅需 1 小時 24 分鐘。
這套風險分級機制不僅提供給醫師在家醫大平台作為看診參考，更將在使用者明確授權同意的前提下，根據使用者的就醫紀錄與健康數據、結合專業的臨床指引，直接在健保 APP「健康存摺」中生成民眾專屬的個人化 AI 衛教摘要與衛教師的叮嚀，讓民眾能隨時掌握自身的健康風險與照護重點。衛福部部長石崇良表示，這項 AI 框架不會僅限於糖尿病，下一步會擴及到高血壓、高血脂以及慢性腎臟病等其他重大慢性病。
除此之外，Google.org 提供了 100 萬美元給數位人道協會，協助其將糖尿病人工智慧模型整合進公私協力的應用程式裡，走入全台 300 個偏鄉社區據點服務糖尿病患。該協會也預計要藉此培訓 200 位數位照護專才，希望創造 24 萬人次的健康互動，縮短醫療資源落差。
石崇良指出，衛福部思考的是如何將資料（Data）轉換成有用的資訊（Information），再把資訊轉變成服務（Service），同時也強調「資料不離署」的原則進行公私協力。當提到未來 AI 運用藍圖，他表示未來思考如何將電子病歷與健保資料結合得更好，也就是讓所有電子病歷結構化，以後再發展聯邦學習的模式，這時候 AI 的力量就會更大。
＊首圖來源：《TechOrange》拍攝。
當多數企業還在討論該導入哪個大型語言模型時，思科（Cisco）則認為，AI 時代的競爭關鍵，不在於誰的模型最強，在於誰能掌握運行這些模型的基礎設施。
這家打造了全球網際網路骨幹的網路設備商，正將 AI 從軟體應用層拉進硬體架構的核心，試圖成為企業 AI 時代不可或缺的「水電瓦斯」供應商。
過去三十年，思科靠著網路交換器、路由器與企業網路設備稱霸市場，但傳統網路市場的成長早已趨緩，庫存消化壓力與競爭加劇，讓華爾街持續關注思科能否找到新的成長引擎。AI 正是思科押注的武器，但它選擇的切入點與多數科技公司截然不同。
執行長 Chuck Robbins 將 AI 視為堪比網際網路崛起的世代性機會，當年思科正是靠著網路基礎設施的爆發成長，躋身全球最有價值企業之列。這次思科的策略是，將 AI 視為企業基礎設施的核心組成，而非單一應用或附加功能。
簡單來說，思科認為即使企業採用了最先進的 AI 模型，若底層網路、協作工具與資安架構跟不上，這些模型也只會淪為跑不動的軟體。
這個判斷背後的技術邏輯是，AI 工作負載對網路的需求與傳統企業應用完全不同。模型訓練與推論需要在 GPU、儲存系統與終端設備之間高速搬運海量資料，任何網路壅塞、封包遺失或安全漏洞，在傳統環境中或許還能容忍，但在 AI 運算中都可能成為致命瓶頸。思科的新產品線正是針對這些挑戰而設計，從專用晶片、智慧流量管理到以 AI 強化的資安機制，全面重構企業 AI 的運行基礎。
思科的 AI 布局橫跨三大領域，包括網路基礎設施、協作設備與資安架構。在網路層，思科推出專為 AI 工作負載優化的交換與路由平台。傳統資料中心網路主要處理「南北向」流量，也就是使用者與伺服器之間的資料傳輸；但 AI 工作負載會產生大量「東西向」流量，因為 GPU 在訓練與推論過程中需要頻繁互相溝通。
思科的新基礎設施產品以更高頻寬、更低延遲的架構來因應這種流量模式，並導入智慧負載平衡，能動態適應 AI 流量難以預測的特性。值得注意的是，思科力推以乙太網路（目前最普遍的電腦區域網路技術）為基礎的 AI 網路方案，直接挑戰 NVIDIA 專有 InfiniBand 技術，賭的是企業會偏好開放標準帶來的彈性與成本優勢。
在協作設備上，思科將 AI 功能整合進協作設備與雲端服務，讓會議室與工作空間從被動工具變成主動參與者。簡單來說，以前工作空間裡的這些設備像錄影機，需要人類主動按下錄製才得以啟動；現在它們更像一個「AI 助理」，會主動觀察、理解、並提供服務，不需要人類一步步下指令。
在資安層面，思科則面對一個雙重挑戰：企業既需要保護 AI 系統本身，包括模型、訓練資料等免於攻擊，又需要運用 AI 來強化整體資安態勢。思科的做法是將安全能力直接嵌入網路架構層，而非當作事後疊加的覆蓋層。這在 AI 環境中尤其重要，因為對抗性攻擊、資料投毒、提示詞注入與模型竊取等新型威脅，都是傳統資安工具無法有效應對的。思科主張，唯有將安全內建於基礎設施，才能提供更全面的防護。
思科並非唯一看到 AI 基礎設施商機的業者。Arista Networks、即將被 HPE 收購的 Juniper Networks，以及各大雲端供應商都在搶食這塊市場。NVIDIA 更是橫跨運算與連網兩端的強勁對手，其 Spectrum-X 乙太網路平台與既有的 InfiniBand 業務，讓它同時掌握 AI 基礎設施的晶片與網路兩大關鍵層。
思科的差異化在於廣度，因為較少有企業同時提供涵蓋園區網路、資料中心交換、廣域網路、協作與資安的整合方案，且全數注入 AI 能力。
去年思科以 280 億美元收購資料可觀測性平台 Splunk，被市場普遍視為 AI 策略的關鍵拼圖，補足了驅動整個產品組合 AI 洞察所需的資料分析能力。
不過市場仍在快速演變，過早鎖定任何單一供應商的 AI 基礎設施堆疊，同樣有其風險。
產業分析師給企業以及 IT 管理者的建議做法是，整體評估 AI 基礎設施需求，不只看原始網路效能，還要考量資安、可管理性與既有系統的整合。思科的全端方案之所以有吸引力，正是因為它同時處理這些面向，但企業也應評估開放式、多供應商架構是否能在技術成熟過程中提供更大彈性。
可以確定的是，基礎設施層已成為企業 AI 雄心的關鍵推動力或瓶頸。AI 部署正在改變企業網路架構與資安需求的基本假設，而基礎設施升級已成為 AI 落地的關鍵門檻與風險來源。企業需要在整合式供應商與多廠商架構之間做出權衡，這個決策將直接影響未來幾年的技術彈性與營運成本。
思科的策略反映出一個更大的產業趨勢：AI 競爭的焦點正從模型能力轉向基礎設施控制權。當模型逐漸商品化，能夠提供穩定、安全、高效運行環境的基礎設施供應商，將是掌握企業 AI 架構的入口。思科試圖占據的正是這個位置。對企業而言，這意味著未來 AI 能否真正落地，很大程度取決於基礎設施策略，而非單一 AI 技術的選擇。
【推薦閱讀】
◆ 資安工具買越多越不安全？64% 受訪專家：放棄最佳單品堆疊，整合平台才是最佳解
◆ CISO 不只是技術頭，為何資安領導者須學會解讀營收來源與擴張佈局？
◆ 8 分鐘奪取 19 個 IAM 權限！當駭客不攻防火牆，而是拿著鑰匙走進來
＊本文開放合作夥伴轉載，參考資料：《WPN》、《Tech Republic》，圖片來源：Cisco
（責任編輯：鄒家彥）
當 Meta 積極把智慧眼鏡變成下一代 AI 裝置入口，關於隱私的爭議也不斷浮現。瑞典媒體調查指出，Meta 智慧眼鏡拍下的私密影像，可能流入人工審查與外包資料處理體系，讓智慧眼鏡背後的資料治理問題引發關注，更進一步成為 AI 治理的新壓力測試場。
2025 年 9 月，Meta 創辦人祖克柏（Mark Zuckerberg）在矽谷的發表會上，將這款與眼鏡巨頭 EssilorLuxottica 合作生產的 AI 智慧眼鏡「Meta Ray-Ban」定位為整合即時翻譯、臉部辨識等功能的全能助手，並希望它成為可與智慧型手機競爭的裝置。這款產品在 2025 年迎來銷售大爆發，銷量飆升至 700 萬副，是前兩年總和的三倍多。
不過，近日瑞典《Svenska Dagbladet》與《Göteborgs-Posten》的調查指出，Meta 在全球聘用外包公司處理私人影像與敏感資訊，讓這款產品背後的資料處理鏈浮上檯面。
《Svenska Dagbladet》表示，Meta 的外包商 Sama 在肯亞首都奈洛比擁有數千名資料標註員，他們堪稱是「AI 革命中的體力勞動者」。他們負責替 Meta 的 AI 系統標註影片、影像與語音資料，在螢幕上框出物件、標記像素，以訓練下一代智慧眼鏡變得更聰明。該調查採訪 30 多名 Sama 不同層級員工，其中多人直接參與 Meta AI 系統的標註工作。
受訪員工表示，他們看過浴室、更衣、裸體、性行為、信用卡與其他高度私密內容。有員工回憶一段令人不安的畫面：「我曾看過一段影片，一名男子將眼鏡放在床頭櫃後離開房間，不久後他的妻子走進來換衣服。」 部分被拍攝者似乎完全不知道自己正在被記錄，有員工在受訪時甚至指出：「在某些影片中，你可以看到有人去廁所，或正在脫衣服，我不認為他們知情，因為如果他們知道就不會錄影了。」另一名員工也直言：「從客廳到裸體，我們什麼都看得到。」
《Svenska Dagbladet》報導，這些標註員除了處理影像，還會進行語音與文字的轉錄，以核對 Meta 智慧眼鏡 AI 助理對使用者提問的回覆內容是否正確。這類審查同樣包含大量敏感資訊，一名員工就透露：「我們看到的聊天內容可能涉及犯罪或抗議，不只是打招呼，還可能非常黑暗。」
《Svenska Dagbladet》與《Göteborgs-Posten》的記者實地走訪十家 Meta Ray-Ban 眼鏡零售門市，發現第一線銷售人員對產品的隱私機制缺乏了解，甚至給出錯誤資訊。多家門市銷售人員曾向記者保證，使用者可以完全掌控並自行決定要分享哪些資料，甚至有人明確表示「沒有任何資料會分享給 Meta」，或深信「所有資料都只會留在手機的應用程式裡」。
然而，當記者實際購買並進行測試，在應用程式設定中勾選「不分享」額外資料，並嘗試在無網路連線的狀態下使用時，卻發現 AI 助理根本無法運作。實際檢視隨附產品的 QR Code 連結與 Meta AI 的使用條款，更會發現巨大的落差：條款清楚載明，在某些情況下，Meta 會審查使用者與 AI 的互動內容，而且「這種審查可能是自動化，也可能是人工進行」。條款同時寫明，AI 服務可能儲存並運用使用者分享的資訊，將防範外洩的責任推回給消費者，提醒使用者「不要分享不希望 AI 保留與使用的敏感內容」。
瑞典隱私保護局（IMY）的安全專家 Petter Flink 對此指出，多數使用者根本不知道幕後發生了什麼事，但 Meta 藉由這款產品從使用者日常生活中萃取出的細節數據，其價值遠高於眼鏡本身。
除了資料強制上傳的疑慮，《Svenska Dagbladet》還引述前 Meta 員工的說法指出，雖然進入標註系統的資料理論上會將人臉自動模糊化，但這套匿名機制並非每次都能如預期運作，「演算法有時會失誤，特別是在光線不佳的情況下，某些臉孔和身體會變得清晰可見，」肯亞的標註員說。
當資料處理方式、同意機制與匿名化措施都出現疑問後，這場爭議也不再只是產品設計問題，而開始升高為監管問題。
目前歐洲議會議員已強烈要求歐盟執委會出面說明，因為有報導稱 Meta 智慧眼鏡在未經當事人知情的情況下拍下私密場景。歐盟《一般資料保護規則》（GDPR）嚴格要求，在蒐集與處理個人資料以訓練人工智慧前，必須提供清楚資訊並取得明確同意。此外，若要把歐洲使用者的資料出口到未獲適足性認可（adequacy recognition）的國家，必須具備額外的合約保障措施，而目前作為 Meta 外包基地的肯亞，就是未獲適足性認可的國家。
為此，負責監督 Meta 是否遵守 GDPR 的愛爾蘭資料保護委員會（Irish Data Protection Commission）已接獲通報並介入了解。同時，這起事件還引發了更廣泛的政策角力：歐盟議員們正呼籲執委會審視即將推出的「數位綜合草案」（Digital Omnibus package），因為批評者擔憂，該法案可能會為了促進 AI 發展而放寬資料使用規則，反而在此敏感時刻稀釋了現有的隱私保護屏障。曾多次控告 Meta 的隱私倡議組織 NOYB 更警告，一旦私人素材被餵給 AI 模型，使用者實質上就永遠失去了對資料的控制權。
然而，歐洲監管體系面對的，還不只是資料蒐集與跨境傳輸本身，當智慧眼鏡進一步加入臉部辨識能力，風險也從個人隱私延伸到公共空間。
另一方面，《The Verge》專欄文章指出，Meta Ray-Ban 智慧眼鏡配有前置相機與鏡片顯示功能，其低調、不顯眼的外觀讓人難以察覺它具備錄影功能，這使其成為一種「新型態的竊聽器」（novel kind of a wiretap）。另外，這款眼鏡即將推出的新功能「Name Tag」，更會利用臉部辨識來識別使用者在現實世界中看到的人。
《The Verge》也引述《紐約時報》檢視的一份內部備忘錄表示，Meta 內部刻意選在一個「動態政治環境」中推出這項極具爭議的功能，因為他們預期那些原本會出面抵制的公民社會團體，資源正被其他更迫切的政治與政府監控議題給分散。
《The Verge》尖銳地評論，走在公共空間並不代表民眾同意讓隨便一個陌生人蒐集自己的臉部資料與姓名，這將讓人們在進出猶太教堂、同志酒吧或墮胎診所時，面臨被肉搜或騷擾的巨大風險。更令人擔憂的是，當這副眼鏡在全球收集他人的行蹤與身分資料並傳回 Meta 的中央伺服器後，這些龐大的資料庫極易被政府單位索取，淪為國家監控與種族針對的工具。
Meta 智慧眼鏡爭議真正揭露的，不只是單一產品的隱私漏洞，而是 AI 穿戴裝置正把資料蒐集、人工審查、跨境傳輸與公共空間辨識風險，壓縮進同一個日常入口。當科技公司愈想讓裝置「更懂你」，治理機制是否跟得上，將成為下一波 AI 競爭的關鍵分水嶺。
＊本文開放合作夥伴轉載，參考資料：《Svenska Dagbladet》、《Dig.Watch》、《The Verge》，首圖來源：Meta
2025 年，當多數法律 AI 新創還在思考如何把軟體賣給律師事務所時，英國新創 Lawhive 走了一條完全不同的路：它不賣軟體，而是自己成為律師事務所。
2026 年初，Lawhive 剛完成由丹納赫公司共同創辦人 Mitch Rales 領投的 6,000 萬美元 B 輪募資，資金將用於擴展美國市場。
Lawhive 的模式與 Harvey 等法律 AI 公司有相當大的差異。Harvey 的商業模式是 B2B：開發 AI 工具，然後賣給既有的律師事務所，讓律師自行決定如何使用。Lawhive 則跳過這一層，它自己就是一間完整的律師事務所，直接面向終端消費者提供法律服務。
從接案、研究、文件草擬到帳務處理，整套流程都由 Lawhive 自建的 AI 平台驅動。目前 Lawhive 約有 500 名律師透過其平台執業，律師透過 Lawhive 在英國與美國多個州的受監管法律實體執業。
這套被 Lawhive 稱為「消費者法律 AI 作業系統」的平台，同時處理法律工作與後台流程。前端，它將文件擬稿、法律研究、案件管理自動化；後端則處理客戶檔案、開立帳單、行政排程。
可以說，AI 不只幫律師工作，而是推動律師事務所運作。
不過 Lawhive 並非一開始就走這條路。執行長 Pierre Proner 坦言，公司最初嘗試將自動化軟體銷售給傳統小型律師事務所，結果處處碰壁，因為這些事務所對採用新技術都抱持著懷疑態度，部分原因是擔心如果案件處理時間縮短，難以向客戶證明收費的正當性。
碰壁後，Lawhive 決定既然無法加入，就自己來。Proner 指出，這讓公司得以「從零開始重新想像律師事務所的設計」，而非配合既有的工作習慣進行漸進式改良。
傳統事務所的後台與行政成本可佔總成本高達 70%，這正是 AI 最能發揮效率的區塊。Proner 將 Lawhive 的做法與其他法律 AI 公司對比指出，別人實際上是在配合律師事務所的既有工作方式來設計軟體，但 Lawhive 做的恰恰相反。這種由內而外的整合，讓 AI 不再只是外掛工具，而是事務所運作的核心引擎。
對律師而言，透過 Lawhive 平台執業的收入，最高可達傳統事務所的 2.8 倍。原因是過往律師通常同時處理 80 到 200 個案件，AI 工具讓他們能更有效率地推進這些案件。
對客戶而言，這意味著以更低的成本取得日常法律服務。Lawhive 處理的業務涵蓋家庭法、房東房客糾紛、房產交易、消費者權益等常規案件；這些案件的特性是流程相對標準化，正是自動化能發揮最大效益之處。
但 Lawhive 並非主張「AI 取代律師」。對於無爭議離婚申請這類例行工作，Proner 表示系統可達到幾乎完全自動化，人類律師只需進行品質控制審核；但對於需要更多判斷的複雜爭議案件，AI 則退居輔助角色。
這種分層設計，讓系統在高度自動化的同時維持必要的人工把關，也回應了外界對 AI 法律錯誤的擔憂。Proner 強調，當系統對某個環節不確定時，會自動標記提交人工審查。
這次 B 輪募資的領投人 Mitch Rales 是丹納赫集團的共同創辦人，Rales 在聲明中表示，他被 Lawhive「讓法律服務普及化」的使命所吸引，其他投資人包括 TQ Ventures、GV（前身為 Google Ventures）等。這輪募資距離 Lawhive 的 4,000 萬美元 A 輪僅不到一年。
目前 Lawhive 的年營收已超過 3,500 萬美元，過去一年成長達七倍，可以說公司已進入規模化擴張期。
根據 Proner 估計，美國消費者法律市場每年約有 2,000 億美元的產值，但真正的潛在需求遠不止於此。「有超過一兆美元的未被滿足需求，這些人每年都有嚴重的法律問題，卻負擔不起律師費用。」這正是 Lawhive「法律服務普及化」的核心，他希望以 AI 驅動的效率，讓原本被排除在法律服務之外的廣大人口，能夠以可負擔的價格獲得協助。
Lawhive 去年正式進入美國市場，目前已在 35 個州營運，並計劃擴展至全國。公司在奧斯汀設有辦公室，並正於紐約設立新總部。Proner 表示，公司今年的目標是再成長五到七倍。
Lawhive 的關鍵創新不在 AI 技術本身，而在於商業模式的重新構想。它不是賣工具給律師，而是用 AI 取代傳統律師事務所的組織運作。
若監管環境允許，且品質控制機制持續有效，這種直接以 AI 重構法律服務流程的模式，可能為法律產業帶來不同於工具型公司的發展路徑。相較於仰賴律師自行採用工具，平台化服務能將效率成果直接交付給終端客戶。
【推薦閱讀】
◆ 資安工具買越多越不安全？64% 受訪專家：放棄最佳單品堆疊，整合平台才是最佳解
◆ CISO 不只是技術頭，為何資安領導者須學會解讀營收來源與擴張佈局？
◆ 8 分鐘奪取 19 個 IAM 權限！當駭客不攻防火牆，而是拿著鑰匙走進來
＊本文開放合作夥伴轉載，參考資料：《FORTUNE》、《Globallegalpost》，圖片來源：Unsplash
（責任編輯：鄒家彥）
AI 不但使人類生活變得更加便利，在某些情況下，也減少了人力資源的消耗。只不過，訓練 AI 需要用到大量資料，而這些資料又需要大量人力進行標註，因此形成了一個奇特的產業循環。
但你是否曾經想過，這些標註 AI 訓練資料的人，他們究竟從何而來，又是如何被篩選、指派，獲得這份驅動人工智慧產業進步的工作呢？
在美國加州大學柏克萊分校就讀期間，來自伊朗的移民 Ali Ansari 創辦了一家軟體外包公司，意外發現「招募工程師」其實比「寫程式」還要耗時。
為了解決這項痛點，Ali Ansari 開發了一套自動化 AI 篩選工具，但就在短短三年之後，該工具演變成當今最熱門的 AI 新創公司之一：Micro1。
目前年僅 25 歲的 Ali Ansari，已經將 Micro1 打造為年營收超過 2 億美元，即折合台幣超過 60 億元收入的 AI 企業，並且《Forbes》估算擁有高達 25 億美元的市場價值。
目前市場上所有強大的 AI 模型，舉凡 GPT、Claude、Gemini 等，其實都有賴於耗時且昂貴的「人類回饋增強學習（RLHF）」流程。
簡單來說，RLHF 就是由真人坐在電腦前，手動糾正 AI 模型輸出的每一個錯誤，而這些人類糾正者包含工程師、醫生、律師等，來自各行各業的專家。
由 Ali Ansari 所創辦的 Micro1，其商業模式就是替 AI 模型開發商，穩定找出並供應專業人士。
進一步而言，Micro1 所開發的 AI 面試官「Zara」負責第一線篩選，它會對應徵者進行程式碼編寫測試、專業領域測驗和行為面試。
根據 Micro1 說法，目前全球已經有超過 13 萬名應徵者接受過 Zara 的測驗，並且涵蓋超過 100 種專業領域，以及多達 60 種以上語言。
緊接著，通過 Zara 篩選的專家，將會被納入 Micro1 的人才資料庫，並且於未來幾天時間之內，調配到客戶公司的 AI 專案開始工作。
Micro1 將人才招募的「速度」列為最優先，並且透過 AI 自動化，幾乎完全排除人類「扯後腿」的機會，滿足大多數 AI 實驗室投入數十億美元尋找訓練數據時，同步面臨的另一個關鍵瓶頸，即如何快速找到足夠的合格人才，滿足 AI 訓練資料的標記需求。
跟其他 AI 新創公司不同，Micro1 的獲利模式出乎意料的傳統，他們並沒有掌握任何訓練數據，單純透過人力仲介模式，販售「讓其他公司 AI 模型更完善」的人力資源，從勞動力獲取利潤。
舉例來說，Micro1 會從世界的某個角落，比方印度邦加羅爾，找到一名數學博士並媒合工作機會；這位專家將會訓練、測試及修正企業客戶的 AI 系統，並以每小時工時向客戶收費。
日前接受《The Stanford Daily》專訪時，Ali Ansari 強調 Micro1 是「面向人類智慧的人工智慧平台」，而這句矛盾的口號，正好反映出史上最燒錢的科技產業，當前命脈卻掌握在一群暫時還無法被 AI 取代的「自由工作者」手中。
雖然獲利方法遵循傳統人力仲介模式，但 Micro1 的成長速度，早已讓創投圈為之瘋狂。
回顧 2024 年，Micro1 的年營收僅僅只有 400 萬美元，但是到了 2026 年初，該公司的年營收正式突破 2 億美元，相當於在過去 14 個月內成長了 50 倍。
至今 Micro1 吸引而來的投資人，包含 Twitter 前 CEO Dick Costolo，以及前 COO Adam Bain，另外還有 DoNotPay 創辦人 Joshua Browder，至於最早的一輪募資則是來自 Companyon Ventures 所領投。
儘管漲勢驚人，可是 Micro1 在瘋狂的 AI 市場中，卻仍是規模最小的玩家。
目前 Micro1 的競爭對手，包含市場估值約 100 億美元、年收入 4.5 億美元的 Mercor，還有從 1 人團隊發展成 121 人，但卻完全不依賴外部融資挹注，年營收就突破 14 億美元、市場估值達 250 億美元的 Surge AI。
此外，年營收 8.7 億美元的 Scale AI，既是 Micro1 最重要的對手，也是驅動矽谷陷入瘋狂的關鍵企業。
事實上，Micro1 出現爆發性成長，跟 Meta 於 2025 年 6 月宣布，斥資 143 億美元收購 Scale AI 高達 49% 股份，有著非常重要的關係。畢竟，Meta 將觸角伸進 Scale AI 的行為，瞬間引發其他科技巨頭恐慌。
回顧當時，Google 原本預計向 Scale AI 支付 2 億美元，購買人工標註過後的 AI 訓練數據，以訓練旗下的尖端 AI 模型 Gemini，然而就在 Meta 宣布入股 Scale AI 後，Google 為了防止機密訓練資料和訓練方法流向競爭對手，選擇立刻切斷跟 Scale AI 之間的合作，OpenAI 隨後也跟上 Google 的腳步。
AI 職業發展平台 Handshake 執行長 Garrett Lord 指出，就在 Meta 宣布購入 Scale AI 股份的當下，旗下平台的人力媒合需求，竟然瞬間高出 3 倍，那些放棄 Scale AI 的科技公司，開始把目標轉向其他業者，Micro1 就是這波轉單紅利的受益者之一。
在 AI 需求仍未出現萎縮的情況下，看似抓住機會、即將飛得更高的 Micro1，其實也有已經浮上檯面的發展危機。
首先，身為 AI 人力市場上規模最小的玩家，Micro1 旗下的工作者，隨時可能被資本更雄厚的企業，例如 Surge AI 挖角並搶走人才。
Ali Ansari 過去接受採訪時承認，經營 Micro1 並不簡單，感覺就像在打永無止境的戰爭，既要滿足客戶需求，又要籌集發展資金，還要反擊試圖挖走員工的競爭對手。
其次，AI 業界正在積極發展「合成數據（Synthetic Data）」，也就是用 AI 所生成的資料，訓練另一個 AI 模型，藉此大幅降低對於人類專家的依賴成本。當人類專家的需求降低，Micro1 的人力仲介營利模式，自然會受到巨大衝擊。
即便如此，Micro1 依然將賭注押在人類專家身上。該公司認為，如果 AI 只靠自己生成的數據，進行學習、訓練，那麼由於資料的累積誤差，AI 的輸出品質將會逐漸劣化，最終發生所謂的「模型崩潰（Model Collapse）」。
Micro1 強調，在醫療、法律、高等數學等，高風險的專業領域上，人類專家與 RLHF的訓練方式，依然是唯一可靠的防線，可以協助 AI 模型給予正確且精準的答案。
另一方面，Micro1 開始將觸角延伸至實體機器人的訓練數據。
該公司日前於全球 60 個國家，招募 1,000 名志願者，要求他們一邊配戴 Meta Ray-Ban智慧眼鏡，一邊錄製做家事、打掃的第一人稱視角影片，透過蒐集實地資料以協助其他企業訓練居家機器人。
Ali Ansari 預測，長遠來看「人類數據標記」將成為價值超過 1 兆美元的新興市場；只不過，這項預測的基礎，奠基於未來將有 5% 的人類勞動者，徹底轉向訓練以訓練 AI 系統為主的工作。
Ali Ansari 創辦 Micro1 的故事，可以說是矽谷創投最喜歡的劇本。
Ali Ansari 在 10 歲時依靠抽中綠卡，全家從伊朗移民美國，更從 12 歲開始接觸網拍，透過轉售二手教科書套利突破 10 萬美元，這種強烈且鮮明的創業故事，加上 AI 急襲而來的浪潮，讓他能輕易說服創投組織，掏出數十億美元投入公司。
同時 Micro1 的成長也令人反思，在 AI 時代的軍備競賽中，雖然算力有著絕對的重要性，但誰能以最快、最大的規模，掌握「人類專家」並做出貢獻，那麼誰就掐住市場的喉嚨，在 AI 產業鏈中佔據關鍵地位。
或許在未來十二個月之後，外界就能充分驗證，究竟 Micro1 是一家真正價值數十億美元的獨角獸，或者只是一家剛好踩對風口、成長迅速，而且有著精彩創辦人背景的傳統人力仲介公司。
【推薦閱讀】
◆ Spotify 的 AI 轉型：當優秀工程師不再寫程式碼，如何靠自動化開發與數據聚合築起產業護城河？
◆ 甩開軟體拋售潮陰影！Databricks 估值衝上 1340 億美元，稱 SaaS 並未消亡
◆ 縮短 30% 上市時間、降低 60% 檢測成本！合成數據重塑製造業品質管理
＊本文開放合作夥伴轉載，參考資料：Implicator.ai、Los Angeles Times，首圖來源：Nano Banana Pro
（責任編輯：鄒家彥）
登录