旅行來到了奧爾堡（Aalborg），一個位於丹麥北邊的工業海港城市。在港口邊矗立一座外表奇特的建築物，地圖上標示著Utzon Center。在好奇心的驅使下，進入館內參觀，才發現這是丹麥建築大師約恩・烏松（Jørn Utzon），生平最後一件作品，與他的兒子Kim Utzon共同於2008年完成，而他本人也於當年11月過世，享壽90。奧爾堡是烏松成長的地方，直到18歲前往哥本哈根學習建築。他最為大眾所熟悉的是設計澳洲雪梨歌劇院，那座坐落於雪梨港口邊，為世人所讚嘆的多枚帆船造型的建築物。然而在施工的中途，因為經費節節上升以及管理問題，地方政府暫停顧問費用支付，烏松憤而離去，終其一生他本人沒有親眼見過自己所設計的雪梨歌劇院。雪梨歌劇院是於1956年對國際徵求設計圖，共有兩百多件設計圖競標。烏松以其獨特的外型獲得評審團青睞，當時他才38歲。然而對於幾個巨大，對空開展的曲面屋頂結構，該如何施工卻沒有答案，所以評審團是押住在一個沒有工程問題的解答，卻是一個具有創意的建築案上。獲得了設計標，烏松的挑戰才開始。首先是工程團隊提出這些曲面是什麼樣的幾何圖形？因為這些曲面結構是需要在工廠內先預鑄，然後再送到工地拼裝完成，而預鑄是得先設計模板。烏松本人是建築設計師，而當時又沒有先進的電腦輔助設計軟體，所以實際情況是建築物地基已經打好，但還不知道屋頂該如何蓋的窘境。直到1964年烏松與工程團隊想出所謂的球面解法，就是在一個球形上，往下切出不同面積及深度大小的結構體，並將之立起來，就形成帆船布的預鑄體。由於每一大小不一樣結構體，都是在共一個球面上，有著相同的曲率，因此模板可以重複使用，同時也不必傷腦筋，去計算每一個曲面的幾何圖形。在Utzon Center內就有這種共球面的幾何結構，供人們實際演練。據說這個方法是烏松在剝橘子的過程中想出來的，複雜的結構能夠用簡單的幾何圖形表現出來，是人類智慧最優雅的極致。烏松的父親是奧爾堡當地造船廠的工程師，所以他從小耳濡目染對於船舶的曲面造型，有著相當敏銳的直覺，這也表現在他其他的著名建築物上。烏松於2003年獲得普立茲克建築獎（Pritzker Architecture Prize），這是相當於建築界諾貝爾獎的榮譽。最近有2件建築案吸引我的注意，一個是國內剛完工的淡江大橋，另一個是位於西班牙巴塞隆納的聖家堂。淡江大橋是單塔不對稱的斜張橋，橋墩的跨距又極大，也是個相當前衛大膽的設計。所幸在設計時，經由各式的工程模擬，已經證實在工程上是可行的，接下來是施工時所需面對，外在地質天候環境上的挑戰。聖家堂是西班牙建築大師高第（Antoni Gaudí），最為世人所關注的建築物，高第非常善用不同的幾何圖形，因此施工難度相當地高。歷經超過 140 年，2026年才完成最核心的耶穌基督塔外部。一個建築物，若是謹守既有的工法來設計，將無法流傳於世。Utzon Center內有一個房間，讓訪客使用樂高積木（Lego），來搭建自己想像中的建築物。房間內並且陳列為數不少的創意作品。樂高也是丹麥所獨特的設計產品，當我問AI，雪梨歌劇院與樂高積木的關聯性，AI的回覆令我非常的驚艷。它說，雪梨歌劇院是一個球面，創造出許多不同的帆；而樂高積木是，一個基本積木的接口，創造出無數不同的世界。

2026年入夏以來，颱風與極端高溫頻繁進入新聞版面。放大到近幾年，豪雨與乾旱輪流上場，已逐漸成為常態。而理解、預報這些天氣的技術，正逐漸轉向AI。70年前，人類第一次用電腦做天氣預報，把大氣層切成格點，用物理方程式描述流體運動，交給超級電腦逐步求解。這套方法稱為數值天氣預報（Numerical Weather Prediction；NWP），至今仍是全球氣象業的骨幹。每次全球預報都要在數百萬個網格上反覆求解流體力學方程組。氣象單位的標準作法還利用ensemble，同時跑多組條件略有差異的預報，用多個結果來改善預測品質。所以，運算是剛性需求，氣象也長期是全球高效能運算（HPC）的大用戶之一。AI挑戰數值天氣預報的成果，從2022年前後開始出現。Google DeepMind的GraphCast在標準評測的90%預測上，勝出歐洲中期天氣預報中心（ECMWF）的主要數值模型。華為的盤古模型採用同樣的資料驅動作法，論文估計其「推論」（實際預測時）速度比當時的營運數值系統快超過1萬倍。2025年5月，微軟（Microsoft）的Aurora再推進，在超過百萬小時地球相關地球觀測資料上預訓練，再微調出空氣品質、海浪、颱風路徑、高解析度天氣4個應用版本，在各自的評測項目上都優於現行的數值系統，其中5天颱風路徑預報勝過7個主要預報中心。2026年7月，Aurora的新版再加入能源、農業、交通等需要的預報項目，同時也公開釋出模型權重（13億參數）。ECMWF在2025年已陸續把自家AI預報系統AIFS的單一預報與ensemble版本，納入每日例行預報的正式流程，與傳統數值系統並行。美國國家海洋暨大氣總署（NOAA）也在2025年12月部署AI全球預報系統，以開源的GraphCast為基礎，再用NOAA自己的資料進行額外訓練，其中傳統物理模型與AI混合的ensemble，表現優於兩者單獨使用。70年來由超級電腦支撐的氣象預報，目前是兩套系統並行運作，而依NOAA的數字，AI版預報用的運算量不到傳統系統的1%。但運算需求不會因此消失，AI預報每次起算，仍要靠傳統系統把全球觀測整合成一致的初始狀態。成本差距這麼大，是因為AI模型預報的方式與傳統NWP大相逕庭。NWP的邏輯由物理定律出發，把已知的定律寫成方程式，再用大量運算逐步推演大氣狀態。AI模型則從幾十年的歷史資料學狀態之間怎麼轉變，不必在每次預報時重新求解完整的方程組，也不要求先理解背後的物理機制。作法上與語言模型從文本學結構、AlphaFold從序列與結構資料學規律相近。主要的運算成本落在預訓練與微調，之後每次推論只要少量運算，秒級到分鐘級就能完成。標的也不只有天氣。傳統地球系統預報由大氣、海洋、海浪與空氣化學等模組串接而成，彼此交換資訊，但各模組有各自的資料、方程式與開發流程。Aurora則是同一個預訓練模型微調出不同任務版本，學到的不只是天氣，還包括地球系統其他層面的動態。有趣的是，原本集中在國家級氣象機構的預測能力，正在往產業端擴散，變成可以自己部署、自己微調的一項基礎能力。能源是最直接的例子。各主要市場的尖峰與離峰電價差正在拉大，資料中心與各類新增電氣化用電的成長又推高尖峰，電網業者同時推動需量反應、時間電價與電網級儲能，試著用各種手段把用電尖峰壓下來。國際能源總署（IEA）估計，全球住宅空調貢獻約600 GW的尖峰負載，但實際被調度的比例仍低。這些節能操作都得提前預備。需量反應得先通知用戶，儲能得決定何時充放，前提是知道什麼時候缺、缺多少。而尖峰出現的時間與高度，相當程度由天氣決定。空調只佔全年用電約1成，卻佔了尖峰需求的3成；以印度為例，2024年氣溫每上升1度，尖峰需求就增加7 GW。太陽能與風電的出力同樣取決於天候。我們多年來參與太陽能電廠的智慧監控與發電量預測，與電力公司長期協作，颱風前後那幾天的發電量預測不確定性明顯升高，也正是調度特別需要可靠資訊的時候。NWP的維運要有超級電腦、即時觀測資料整合與跨國觀測站網路，門檻一直很高。幾個代表性模型的權重已經公開，推論的運算需求遠低於傳統NWP，用自有資料微調的作法也逐漸普及。能源、物流、農業、保險，原則上都有機會微調出貼近自身需求的預測系統。幾個侷限還待克服。目前已知效能僅限於評測基準上的統計結論，進入電網調度或供應鏈決策之前，仍需在具體場域驗證極端事件下的穩定性。空間解析度是另一個實際限制。以Aurora為例，解析度較高的全球預報也只到約11公里，對初略天氣型態已有參考價值，對太陽能光電場址層級的預測仍不足。台灣多山地形往往需要公里級解析度，還得再把粗網格的預報細化到局部地形，實務上這段差距目前多靠場址端的即時量測與在地資料來彌補。更根本的是，AI模型的訓練資料來自歷史氣候，氣候變遷正讓極端事件的頻率與型態偏離歷史分布，這是所有靠資料學習的方法都會碰到的問題。同一套「基礎模型」的想法正在往DNA序列、材料結構等領域擴散。地球系統不一樣的地方在於，它的預測結果每天都得使用。語言模型出錯，多半只是一段不可靠的文字。地球模型出錯，影響的是明天的發電、用水與物流安排。其他領域的基礎模型多半還在改變研究的方式，地球系統的模型已經進入營運現場，每天接受現實檢驗。

旅行到了丹麥首都哥本哈根，最想去的地方莫過於位於哥本哈根大學內的尼爾．波爾（Neils Bohr）研究所，這裡是量子力學哥本哈根學派的發源地，也是量子力學奠基之所在。百年前全歐洲的理論物理菁英，匯聚於此架構出量子力學基本的假設及原理，除了波爾教授外還包括海森堡（Heisenberg）、包利（Pauli）、狄拉克（Dirac）、藍道（Landau）等，每位都是諾貝爾獎得主。我曾在想，能夠長時期匯集這些菁英，除了波爾教授本身的魅力外，一定還有來自其他方面的資助。果不其然，哥本哈根著名的啤酒製造商Carlsberg，就是波爾教授的長期贊助者，甚至在波爾求學時期就開始資助的活動。Carlsberg的創辦人J. C. Jacobsen本身就是對於科學有強烈興趣的人，他為了解決啤酒長期以來品質不穩定的問題，於1875年設立Carlsberg Labs，長期研究大麥內蛋白質含量，在實驗室內分離並培養純酵母菌株，使得啤酒的品質能被穩定的控制。更難能可貴的是，Carlsberg並沒有申請專利，成果供同業共享。Carlsberg Labs應該是最早以私人企業設立的實驗室，比貝爾實驗室（Bell Labs）的設立足足早了50年，在科學史上也有諸多重大的貢獻，其中影響最大的莫過於建立酸鹼PH值的量測規範及方法，這是我們在中學化學實驗課所必備的實驗課程。2022 年諾貝爾化學獎得主Morten Meldal教授所創立的點擊化學（Click Chemistry），絕大部分的工作是在Carlsberg Labs完成的。J. C. Jacobsen更在1876年設立Carlsberg基金會，將家族所擁有公司的股份捐給基金會，而每年的收益用以資助丹麥境內的科學及公益活動。以2025年為例，基金會共支助約50億台幣，其中70%用於基礎科學的研究計畫，計畫甄選的首要條件，必須是沒有答案的計畫。剛謝幕的世足賽，挪威表現得非常搶眼，其中最令人印象深刻的是，挪威人在國會殿堂，在紐約的地鐵，以維京人划船的動作為自己國家的球隊加油。中世紀維京人分布在挪威、丹麥及瑞典，由於長期在海上航行的風險，造就維京人重承諾、守紀律及願意分享的民族特性。這也是在參觀完Carlsberg紀念館，對於J. C. Jacobsen這位企業家，能將自己的財富回櫃給社會，留下最深刻的印象。在波爾研究所入口處有座4個人浮雕，除了波爾教授外，另外三位分別是George de Hevesy，Aage Bohr（波爾教授之子）以及Ben Roy Mottelson，他們都是在該研究所完成傑出工作而獲得諾貝爾獎。丹麥國家人口僅六百多萬，在歷史上已有14位諾貝爾獎得主的產生，除了科學外也有3位文學獎的得主。最近要培養國內諾貝爾獎得主的話題又拿出來討論，這除了要有國家的資源外，我們是否有企業願意長期支持基礎的科學研究，尤其是沒有答案的研究計畫？我們的學術研究計畫，在計畫書內通常都會有一項是預期成果，如果研究計畫還沒進行前，就需要想到預期成果，不就抹煞原創性？沒有答案的研究計畫，才是我們要培養諾貝爾獎級人才，所需跨出的第一步。

我小時候著迷於一本古典小說《鏡花緣》，當中敘述的無腸國，讓我感觸良多。無腸國的百姓終日進食，食物入口卻不消化，只在腹中一路穿行而過，徒留一具具永遠飢餓的軀殼。這荒誕的設定，乍看是奇談異聞，細想卻像一則跨越兩百年、專為今日而寫的當代寓言。我們何嘗不是這樣的國民。清晨睜眼，短影音一則接一則湧來，手指機械地上滑，眼球貪婪地掃視，腦袋卻空空如也。我們以為自己在攝取資訊，實則資訊只是路過，不曾停留，更不曾轉化成血肉。生成式AI更把這條輸送帶推向極限：1秒消化一整本書，1分鐘簡化複雜爭論。我們得到知識的幻覺，卻失去咀嚼的過程，而咀嚼，正是理解真正發生的地方。無腸國人害怕食物空跑一趟，於是拚命進食，彷彿多吃一口就能留住什麼。這與我們面對演算法時的心理如出一轍：害怕漏掉任何一則訊息，於是不斷點擊、不斷滑動，卻從未問過自己，留住了又如何？那些經手的萬千資訊，究竟有多少真正住進了我們的思想裡？絕大多數，不過是穿腸而過，什麼也沒留下。這個寓言殘酷之處，在於提醒我們：消化本身需要摩擦、需要抵抗、需要時間發酵。真正的養分，不是那些滑順溜進喉嚨的東西，而是那些讓你咀嚼到牙痠、讓你皺眉思索、甚至讓你噎住的內容。一首讀不懂的詩、一個矛盾的命題、一段撼動人心卻難嚥的敘事，這些才是真正的精神糧食，因為它們拒絕被輕易吞嚥。然而，AI最擅長的，恰恰是把世界磨成滑順的糊狀，削去所有稜角；而稜角，原本正是刺激思考肌肉生長的地方。人類的自救之道或許很簡單，卻也很奢侈。在AI能1秒生成10篇摘要的時代，選擇用一整個下午讀1首詩，讓文字在體內慢慢發酵。在演算法只餵養熟悉、順口的內容時，主動尋找陌生、彆扭、令人惱怒的思想，因為正是這些摩擦點，才能鍛鍊出真正屬於自己的判斷力。在資訊洪流催促我們往下滑的瞬間，學會停下來，把這一口真正嚼碎，讓它痛、讓它嗆，直到它成為血肉的一部分，而不只是一個路過腸胃的旅客。無腸國人臨終回望，吞下的食物堆積如山，卻沒有一口曾真正屬於自己。這是何等荒涼的一生。我們身處資訊更氾濫千百倍的時代，更該警惕這荒涼提前降臨。終有一天，當數據河流乾涸，演算法不再運轉，能真正留在我們身上的，只會是那些被咀嚼、消化、轉化成自己一部分的東西，哪怕只是一句話、一個念頭、一次靈魂深處的震動。從無腸到有魂，這條路沒有捷徑，只有一種選擇：在加速的時代裡，固執地慢下來，做回一個會消化的人，而不是一具會進食的輸送帶。AI用極致的速度，替我們重新問一個古老而沉重的問題：你吞下的，究竟是滋養生命的食物，還是自我盲從的殘影。

Token單價下滑、總消耗量大增，專欄2026年3月分析過，趨勢至今有增無減。新一代前瞻模型朝AI代理（AI Agent）的使用型態設計：這幾個月各家前瞻實驗室競爭加劇，接連發布的新模型能規劃任務、分派工作、運用各種技能與工具、直接操作電腦介面，定價卻更低。AI代理正被快速導入各種知識工作。那麼，AI代理真的能承接知識工作嗎？能承接多少？尚未承接的部分，是還沒有人投入，還是技術未到？7月初參加在加州聖地牙哥舉辦的計算語言學年會ACL 2026，一場「AI代理人與工作的未來」專題講座（tutorial）把技術現況以及這些問題拆開來看。浮現一張讓人驚訝的能力版圖：AI代理已經站穩的區域，小得出乎意料；版圖之外，一部分是還沒有人投入的空白，另一部分是技術還待克服的難題。先看站穩的區域。前瞻模型業者OpenAI在2025年推出代理人基準測驗（benchmark）GDPval，從GDP貢獻最大的44種職業中，設計出1,300多項「規格明確」的真實任務（如簡報、財務模型、工程圖說），來測試代理人執行能力，並請同行專家盲評AI與人類的成品。依業者2026年4月發布的最新結果，最強模型的成品已有逾8成被評為不輸人類專家；這套基準2025年9月推出時，這比例還不到5成，再前一代模型也只達到1成出頭。依業者推出這套基準時的估算，完成速度與成本約為人類專家的百分之一。單看這些數字，AI代理似乎已經可以上工。但這片區域在整個勞動版圖上有多大？ACL會議中主講的CMU團隊把目前43個AI代理基準測驗（學術、產業時常使用的Agent評測任務）共72,342個任務，對應到美國1,016種職業的技能分類（參考美國O*NET職業資訊資料庫）。基準測驗的分布，可當作目前AI代理研發重心地圖：考題集中的地方，訓練資料與研究人力也跟著集中。結果顯示，任務多數落在「取得資訊」與「操作電腦」2項技能，在整體就業所需技能中的權重合計不到5%；投入最深的程式與數學領域，只對應7.6%的就業人口。原因不難理解：這些工作結構化程度高、輸入輸出明確、成功與否可以驗證。本專欄先前提過，自動化總是先從結構化的場域開始，研發投入也一樣。版圖之外的第一種空白，是還沒有人投入的高價值區。同一份報告指出，管理、法務、建築工程的工作已高度數位化（約88%、70%、71%），基準測驗的覆蓋卻只有1.4%、0.3%、0.7%，而管理正是以薪資加權後經濟價值集中的領域。這些工作中不少環節有明確的輸入輸出，未必是技術做不到，更可能是還沒有人投入；論文稱之為「錯失的機會」。一旦投入到位，對企業來說，這裡可能是生產力改善較早出現的地方。第二種空白，是技術還待突破的複雜工作。資料標註平台業者與AI安全研究機構合作的「遠距勞動指數（Remote Labor Index）」，從接案平台選取真實付費委託（3D建模、建築圖說、影音製作、資料分析等，專業者完成一件的中位時間約11.5小時），讓前瞻AI代理端到端執行，再由人類評審對照專業接案者的成品盲評，以此模擬企業交付員工的工作指令。指數2025年10月發布時，最佳模型只有2.5%的專案達到可驗收水準。真實委託的需求模糊、規格多步驟、常要求修改既有成品，這些都還沒被結構化。長時序的複雜任務是另一道關卡。前述CMU團隊的報告同時量測AI代理自主性：即使在表現最好的軟體領域，任務複雜度一提高，成功率就明顯下滑；其他測驗加入工具中途出錯、給定資訊不完整、需要多人協作等情境後（模擬真實複雜場域），表現同樣走低。值得注意的是這張版圖移動的速度。2026年7月，研究機構以最新一代模型、搭配更完整的代理人執行環境重測遠距勞動指數：最佳模型的成功率已從2.5%升到15.8%，前後不到1年；同一份更新也指出，絕大多數專案的成品仍達不到專業驗收水準。兩個現象並行：能做的還很少，推進的速度很快。GDPval從1成出頭到逾8成不輸專家，說的是同一件事：AI代理目前的能力版圖比想像中小，但持續擴張中。這類成長難免包含針對測驗最佳化的成分；但這兩套測驗過的是人類專家對真實成品的驗收，能拉高分數的改進，多半也是AI代理真實能力的提升。目前技術擴張的方向也有跡可循。研發正把做不到的難題當成訓練目標：新一代測驗把出錯、協作、真實委託等情境逐步納入題目，最新的訓練方法把專家驗收的標準（rubric）轉成訓練訊號；今天做不到的清單，很可能就是下一輪訓練資料與運算投入瞄準的地方。還沒有人投入的高價值空白，很可能也將循同一條路逐步被填補。回到開頭的需求端。目前代理人技能只在結構化的一小塊版圖上站穩，如今的用量成長與供應鏈投資，大致就發生在這一小塊之上（但已相當可觀）。版圖之外的大量工作，仍由人補位：釐清模糊的需求、拆解執行步驟、修正最後的產出；而這些補位動作，專欄近期談過，正是企業在教模型。目前AI代理能完成的工作比想像中少，但是需求已經這麼大，而技術能力版圖還在往外擴。接下來市場的成長與組織的變動，可能又會超乎我們的想像。

今日大力推動人形機器人時，讓我想到《複製嬌妻》（The Stepford Wives）這部伊拉・萊文（Ira Levin）於1972年創作的小說，1975年由布萊恩・福布斯（Bryan Forbes）改編成同名驚悚電影。這部作品超越科幻與恐怖類型的範疇，成為映照社會焦慮的鏡子，凸顯父權社會對女性的物化、對個性自主的壓抑，以及對科技失控的潛在恐懼。故事講述攝影師喬安娜（Joanna）與丈夫搬入康乃狄克州寧靜的郊區小鎮Stepford。起初，她被小鎮整潔的街景與居民的禮貌吸引，但漸漸察覺異樣：鎮上的妻子們舉止相似、語氣溫順、生活完全圍繞家務。當好友查梅恩（Charmaine）突然失去個性、變得順從後，喬安娜與另一位新住民展開調查，最終發現恐怖的真相。鎮上的男子協會利用科技手段將妻子取代為完美順從的機器人，讓這座小鎮成為男人幻想的烏托邦。電影上映時評價分歧，由此產生的文化詞彙「Stepford Wife」卻影響後世，用來象徵被馴化、順從而失去靈魂的女性。飾演查梅恩的路易絲（Tina Louise）表現出女性對抗社會定型的掙扎，成為理解這部電影的重要視角。電影《複製嬌妻》拍攝於1970年代第二波女權主義的高峰期，直接反映部分男性對女性追求平權的焦慮與反撲。片中的男子協會以科技重塑女性形象，象徵徹底抹除女性主體性。電影以恐怖敘事揭露這種烏托邦的殘酷，在完美的草坪與笑容背後，潛藏的是靈魂的死亡。它提出尖銳的問題：所謂的「完美女人」，是否必須以犧牲自由與個性為代價？近半世紀後，這部作品的寓言在人工智慧（AI）時代更加貼近現實。深度偽造（Deepfake）技術能重塑人的聲音與容貌，延續數位層面對人的物化。電影中的機器人妻，如今以虛擬形式重現。當人類利用科技塑造「理想對象」，往往忽略背後的倫理界線。AI的「個性定制」與社群媒體演算法的回音室效應，也在無形中削弱思想的多樣性，使人們在意識上成為新的「複製人」。電影所諷刺的「完美」幻象，如今透過演算法與濾鏡重生，構築出表面幸福卻內在空洞的社會模板。《複製嬌妻》的性別寓言，是一則對自由與真實的警示。它提醒我們，真正的進步不應製造順從的複製體，而需尊重差異與不完美的人性。科技或許能創造無數「理想化的她」，但唯有拒絕被定義的個體，才真正擁有不可複製的靈魂。

過去20年，企業資訊治理的核心是保護資料：分級、加密、備援、不出門，這套做法如今已是標準作業。但資料本身是靜態的；真正創造競爭力的，不是資料，而是「運用資料改善工作」的能力：用它最佳化產品設計、良率、客戶經營與銷售流程，讓被動的資料「活化」。例如，晶圓廠把檢測資料回饋到製程參數，物流業者拿配送紀錄重排路線，品牌廠拿客服對話修正產品設計：資料的價值，在商業迴圈中被最佳化放大。AI時代，這個迴圈有了新的參與者。企業的工作流程本來就持續在最佳化、修正，行之有年的持續改善是營運的日常；過去改善的成果寫進SOP，如今企業把AI嵌入工作流程，AI跟著每一次調整吸收經驗。這裡說的「學習迴圈」，正是持續改善的新形態：不是模型自我學習，而是企業最佳化流程、AI吸收經驗、讓下一次做得更好的循環；迴圈轉得愈久，累積愈厚。AI吸收經驗的管道，多半是人提供的提示詞與脈絡資料（context）。AI代理（AI Agent）目前能穩定接手的，還只是結構化程度最高的一小塊工作；其餘大量工作，仍需要專人介入：用提示詞補上模糊的需求、提供流程脈絡、修正不到位的產出。每一次補位都是一次示範，規格文件、報價邏輯、內部術語，隨著提示詞一併交給模型；本意是讓眼前的工作更有效率，實際上卻也在教導模型。模型做不到的部分愈多，人教得愈勤，留下的教材愈密集；模型的能力邊界，恰好沿著人補位最密集的地方往外推。企業教得愈多，前瞻模型能力愈強，而這個原本屬於企業的改良過程，可能逐漸累積在外部平台掌控的學習系統中。企業領導人的疑慮，開始浮上檯面。2026年7月初，一家美系資料分析軟體大廠的執行長在訪談中批評，前瞻實驗室一邊把模型能力講得過滿，一邊透過客戶的日常使用，吸收企業的專有工作流程與策略知識；7月中旬，微軟（Microsoft）執行長Satya Nadella發表短文〈The Reverse Information Paradox〉，表達他的想法。他借用經濟學家Kenneth Arrow在1966年提出的資訊悖論：原始版本是賣方的困境，要證明資訊有價值就得先揭露，一揭露，買方就免費取得了；Nadella認為AI把風險反轉到買方這一側：企業為AI付2次錢，一次付訂閱與運算費用，另一次付出為了讓智慧派得上用場、不得不揭露的企業know-how。外流的管道不只是上傳文件：提示詞、附帶的脈絡與額外資料，尤其是「糾正模型錯誤」的動作，每一次修正都是高價值訊號，把機構知識一筆一筆輸出，進了外部平台手裡。Nadella這篇短文提出警訊，要企業自問：你親手教模型的訊息，流向哪裡？業界的討論多半集中在他提出的5個C架構：Control是自建並持有評測與機構記憶，所有權留在企業手上；Capability是在自己的環境內，讓模型針對真實工作流程練習與微調，不必把敏感脈絡交給第三方；Choice是把調度層與任何單一模型脫鉤，換模型時不必重建評測、不遺失脈絡；Cost則是Choice的直接結果：能換模型，就能按任務挑選通過評測的最經濟選項。前四項是手段，第五項Compound才是目的：把它們組成一個學習迴圈，AI隨使用愈變愈好，而改進成果像資產一樣留在企業內部，屬於企業，而不是供應商。企業與供應商之間這條界線該畫在哪裡，與用哪一家雲端平台無關。哪一份輸出被接受、哪裡被改、為什麼被改，這些過程訊息過去不被當成資產，也不在資料治理的範圍內；知識的價值，正在從文件移向「過程」；資料治理守住的是原料，尚未涵蓋製程改良迴圈。外流的輕重，對不同企業並不相同。多數企業的日常使用，外流的多是通用內容，影響有限；有相當規模的企業則不同：獨特的工作流程、客戶結構、長年累積的領域資料，正是修正訊息價值集中的地方。如何把學習迴圈留在內部？一半條件在運算平台。這不意味著放棄前瞻模型：更可能的形態是混用（hybrid），通用能力繼續交給公有雲上的這些模型；而關鍵的評測、記憶、教導模型的指示與範例、修正紀錄，在自己掌控的環境內累積——本專欄2026年5月談AI運算架構5層重組時描述過的企業資料中心與本地伺服器，正是這個迴圈落腳的地方。延伸報導專家講堂：Token帳單之後：AI運算架構的5層重組另一半條件在模型端。開放權重模型是前提：權重能掌握在自己手上，模型才能搬進企業門內；迴圈於是累積在企業的評測與記憶上，而不是綁在某一個模型身上；Choice的議價能力，在架構上由此而來。成本也比直覺想像的低：NVIDIA研究部門2025年的論文主張，代理人系統中大量呼叫是重複、特化的小任務，小型模型已足以勝任；評測評分、任務分派、記憶整理這類迴圈裡的控制工作，恰好都屬於這一類，不需要仰賴前瞻模型。「消費智慧的同時，你也在創造智慧。你創造的東西應該屬於你。」Nadella說得直白。模型會走向商品化，企業的know-how、工作流程最佳化迴圈不會；真正的資產，不是模型，而是企業每天都在累積、並且留在自己手上的學習迴圈。

我在杭廷頓圖書館（Huntington Library）的古籍收藏中，發現牛頓（Isaac Newton, 1643~1727）的《操作順序》（Operationum Ordo）。這是一本關於煉金術的手稿，撰寫於1690年代，顯示這位科學巨擘少為人知的一面。經濟學家凱因斯（John Keynes, 1883~1946）於1942年檢視這些筆記後曾感嘆：「牛頓不是理性時代的第一人，而是最後一位魔法師。」隨著學術研究的深入，我們逐漸認識，牛頓的煉金實驗其實是一種極其理性的思維模式，對今日資通訊工程具有相當啟示。牛頓的煉金研究並非出於迷信，而是建立在嚴謹的實驗設計與系統性紀錄之上。他仔細記載每個步驟，精確衡量材料比例，並反覆驗證結果。這種系統性思維，與他在物理與數學領域的研究一脈相承。對於現代資通訊工程師而言，這是設計與分析複雜系統不可或缺的基礎。當今工程師在規劃網路架構或開發通訊協定時，須掌握各模組間的互動關係，正如牛頓觀察物質間反應時所展現的細膩與縝密。軟體工程的模組化設計、版本控制、持續整合等實務，也發揮類似的理性精神。牛頓在《操作順序》中對每一實驗環節的細緻紀錄，與現代資通訊工程師在除錯與系統優化時所需的紀律與洞察相映成趣。牛頓的獨特之處，在於他能穿越知識領域的邊界，將數學、物理、光學乃至煉金術相互融通。這樣的跨域能力，是當代資通訊工程發展的核心精神。人工智慧結合神經科學與統計學，物聯網融合硬體設計與人機介面，6G技術更須整合射頻工程與通訊協定。牛頓追求「物質轉化」的精神，如今亦實踐於工程師努力將不同知識轉化為創新的解決方案。牛頓在面對外界對煉金術的質疑下，仍投入大量時間與心力研究，表現出不畏探索未知的勇氣與毅力。這種挑戰常規、堅持探索的態度，是科技創新的驅動力。從人工智慧到量子通訊的發展，皆源於對現有技術架構的突破。牛頓對實驗的執著提醒我們：真正的創新，來自時間的累積與反覆試驗。《操作順序》的另一重要價值，在於其對知識管理的示範意義。牛頓詳實記錄每次實驗，包括觀察結果與失敗嘗試，建構出一套完整的知識積累機制。對現代工程團隊而言，良好的知識管理系統如Git、Confluence等，是協作與技術傳承的基礎；技術文件撰寫與註解，也是工程實踐中不可或缺的一環。凱因斯將牛頓形容為「魔法師」，是讚賞牛頓在理性分析與直覺洞察之間取得的平衡。煉金術雖披神祕色彩，牛頓的操作方式卻極為理性。這種理性與直覺並行的能力，在現代工程中同樣重要。優秀的工程師不僅需掌握科學方法，亦須具備技術直覺與創新思維。深度學習架構設計、系統調校與效能優化，往往來自工程師的直覺引導，隨後再以實驗驗證。正如牛頓的實驗精神最終孕育出科學革命，今日的技術革新，也同樣根植於理性思維與實驗勇氣的結合。

因為所服務的公司，在日本東京神奈川縣的川崎市設立一研究所，因此這一年來每個月都會出差到日本一趟。由川崎到立川的JR南武線，就是我必搭的鐵道。不論一天中的哪一個時段，南武線的人潮總是熙熙攘攘絡繹不絕，有次在上班尖峰期，我在南武線的平交道上，兩邊的電車你來我往地，足足就等了十多分鐘，平交道的閘門才打開。有回我跟一位東京工業大學的教授（東工大因為併了醫學院，改名為東京科學大學）聊到這個現象，他跟我說南武線過往是日本半導體的重要聚落。我才想起在二十多年前，曾經拜訪過NEC半導體事業的總部，就是在南武線上。的確，後來查了資料，不僅是NEC，富士通（Fujitsu）、東芝（Toshiba）也都在南武線上設立半導體研發及生產的基地。昔日日本半導體的五強，就剩下三菱（Mitsubishi）及日立（Hitachi）沒在南武線上設廠。再加上其他的科技類產業，難怪南武線被當地政府稱為High Tech Line。就連1950年代末期，Sony研究員江崎玲於奈（Leo Esaki）博士發現半導體的量子穿隧效應（tunneling effect）的研究室，坐落於東京的品川地區，離南武線也沒多遠的距離。江崎博士因為這個發現而得到1973年諾貝爾物理獎，諾貝爾委員會稱其的發現與發明為第一個量子電子元件。眾所周知全球第一個使用電晶體的收音機是出自於Sony，Sony在1953年取得貝爾實驗室（Bell Lab)電晶體的授權，1955年就推出這款電晶體收音機。當時電晶體使用的是鍺（Ge）元素的半導體，而不是現在大家所熟悉的矽（Si）半導體。然而開發的初期為了增加電晶體的訊號放大能力，通常都會增加雜質參雜的濃度，而導致電晶體的良率不佳，江崎博士授命解決這個問題。他的發現是來自於不良品的特異現象，並且用量子力學來解釋這個現象，之後並利用這個現象設計出隧道二極體（Tunnel diode）或稱為Esaki diode（江崎二極體）的電子元件，應用於相關電子電路的產品開發。相信絕大部分的人在產線上作不良品的分析，很少會仔細地探討其異於平常的特性，而從中得到巨大的發現。話題回到南武線上，日本半導體的五強在全盛時期，曾佔DRAM市場的80%。曾經市佔第一的英特爾（Intel），被迫於1985放棄DRAM市場，轉進到CPU領域。我曾在1987年參加IEDM的年會，在DRAM的論文報告中清一色全是日本公司在主導。日本半導體產業由極勝而衰，美國在政策上的掣肘發生極大的作用。美國絕不願意看到盟國，有一個重要且強大產業發生，威脅到其生存。因此大家所熟知的廣場協議、進出口稅及的配額、反傾銷、反托拉斯等多項顢頇措施就應運而生，最後就是扶植南韓成為日本半導體的競爭對手，這些林林總總現在也不就正發生在我們的身上。當然日本在產業發展的過程中，錯失PC及數位時代的來臨，也是半導體產業由盛而衰的重要因數。JR南武線的人潮依然熙熙攘攘，只不過由先前的半導體從業人員，轉換為大都會區的上班族及通勤的學生。依舊的電車，依舊的鐵道，看盡日本半導體產業的滄桑史。

南韓的科技政策，譬如前述的兩個階段的半導體政策，或者前一陣子內容更廣泛的K-登月式計畫（K-Moonshot），雖然是分別由貿易、工業和能源部（MOTIE）、總統辦公室（Presidential Office）與科學與資訊通訊部（MSICT）撰寫，但都享有一些共同通的特點。 這些政策在其目標領域中涵蓋完整、條理清楚，是明顯產業內資深人士的手筆。 這並不難理解。譬如南韓DRAM的開創者陳大濟在三星退下後曾經擔任南韓資訊通訊部（MIC）長官，而NAND Flash的先驅黃昌圭在自三星電子（Samsung Electronics）退下後曾在南韓政府擔任知識經濟部（Ministry of Knowledge Economy）國家R&D戰略企劃團長（President of the Office of Strategic R&D Planning），這正是國家研發政策的頭。在這樣的管理層安排下，做出來的計畫自然比其他國家通常由政務、常務文官或學者撰寫的政策能更精確掌握產業現況。 但是南韓的政策也存在一些明顯短板，第一個是前瞻性不足。 用甫發布三大計畫與於2021年發布的K-Semiconductor Strategy來比較，AI部分的增益是顯而易見的。一個問題是為什麼2021年的政策沒有包括進AI？ 南韓在AI半導體的有些次領域其實是全世界的領先者，譬如SK海力士（SK Hynix）與超微（AMD）在2009年就開始共同研發高頻寬記憶體（HBM），且在2010年向JEDEC提議制定標準。 當時整個產業和市場環境是2017年Google發表大語言模型基礎機制transformer，人工智慧的深度神經網路（Deep Neural Network；DNN）取代過去的模型；雲端業者廣泛部署卷積神經網路（Convolutional Neural Network；CNN），GPU已成人工智慧訓練的主要工具等。隨即在2018年中OpenAI公開GPT（Generative Pre-trained Transformer），生成式應用明顯啟動。 南韓政府有明確感知到AI的發展趨勢，於2017年成立第四次工業革命委員會（Presidential Committee on the Fourth Industrial Revolution），將AI列為國家戰略技術之一，之後2018年的AI研發戰略（AI R&D Strategy）補強了研發、人才和資料建設。2019年的AI國家策戰略（National Strategy for AI）則完成一個完整的國家戰略，目標是在2030年前成為世界AI強國。 即使AI被清楚的認知為戰略目標，但在2021年發布的K-Semiconductor Strategy中，AI並未被未在計劃中被綑綁進來。AI與半導體綑綁的重要性可以由2026年的Three Mega Projects的修訂中可以自證。 這個疏失是由於沒有預見到AI可能會成為半導體產業主要市場驅動力的結果，而可能原因是南韓半導體產業高度集中於記憶體，與其他環節科技業者的接觸面向比較受限，相信這也是K-Semiconductor Strategy的目標形成背景之一。 同樣的侷限也發生在三大計畫中。儘管已經將半導體、AI資料中心與具身AI綑綁在同一計畫之中，但是沒有將量子計算整合進來。 對於未來的高效能計算會是AI與量子計算的混合此一發展方向，業界意見並無分歧；有些量子計算公司已經預期在2028年—已經是計畫期間內的可見未來—推出通用容錯量子計算機（general fault-tolerant quantum computer）。目前整個AI產業的上下游都在準備此混合計算（hybrid computing）的架構。 南韓當然也有單獨的量子計算計畫，譬如2023年的國家量子策略（National Quantum Strategy），但是未能將量子計算併入三大計畫之中，很有可能錯失此波AI發展中搭其AI生態鏈連結及資本市場動能便車的機會。 另外的闕漏是戰略目標與經濟體制的深層沒有精準的對齊。南韓的經濟體制—雖然經過80、90年代的整改—仍然是財閥主導的市場經濟（chaebol-led market economy）。這種經濟體制在某些領域有顯著的優勢，譬如在垂直整合、品牌、成長速度、規模經濟等，這些都是眾所周知的事實。但是財閥經濟體制也有弱點，譬如南韓有些產業目前面臨的困境就是因為新進入產業的其他國家資本，以數倍乃至十數倍的體量在規模經濟此一面向上的輾壓所致。在半導體發展的領域，特別是以生態系的角度來討論，財閥經濟與水平分工在很多方面是彼此相扞格的。但是在先後兩個半導體戰略中，主要的資源提供以及戰略執行上，卻都集中在財閥手中。 因為經濟體制形成目前南韓半導體產業的長短板，卻還要寄望依相同體制去發展其所缺失的部分，在邏輯上很難說得通透。在戰略目標的制定以及經濟體制兩個層面需要有更深度的思考，以及更細緻的協作。