Intelligence需要能源當作燃料供應，同樣的，AI技術的發展，也正提升能源的韌性以及效率。AI與能源互相為用：AI需要更可靠、更乾淨的電，能源系統也需要AI提供準確預測、快速維運，以及可信賴的控制。當我們開始納入「AI for Science」探索材料與化學新結構、能源探勘，以及地球天氣的基礎模型，更可以理解為何Energy+Intelligence為企業及國家貢獻的關鍵競爭力。AI不僅是能源消費大戶，也正在各個面向優化新能源應用，包括：（一）發電方式、來源的探勘、發電優化，（二）電網穩定，及（三）降低耗電及用電端優化。在發電與儲能端，AI正加速能源資源的探勘與新材質研發。透過地震波與電磁感應數據分析，AI可更精準偵測地熱資源；在海域與山谷，AI對潮汐與風速的長期預測，能幫助規劃最佳的風機與潮汐發電位置。材料科學領域也因AI for Science而出現突破，例如AlphaFold2在蛋白質結構預測的成功，有機會用來加速電池與太陽能板材料開發。過去太陽能發電每提升1%可能需耗時數年，AI有機會將開發週期縮短30~50%，並在固態電池、氫能儲能等新興領域找到更安全、更高能量密度的材料組合。AI正在成為解決再生能源「間歇性」問題的核心工具。風電、太陽能、潮汐等發電量深受天氣影響，輸出曲線常常在幾分鐘到幾小時內大幅波動，這意味著其他發電機組（如天然氣、煤、水力）必須即時補上缺口，或透過儲能設備平滑輸出。AI的價值在於提前預測這些變化，讓調度單位能在幾小時甚至幾天前準備好備援計畫，因為各個能源系統啟動的成本以及需要的預置時間不同，從幾秒到幾個小時。Google DeepMind與英國國家電網的合作案例顯示，透過AI預測風電輸出，準確度提升直接讓風能的經濟價值增加20%。同樣的，台灣也正使用AI系統預測未來4到72小時太陽光電的變化，提供電力調度依據。再生能源預測與地球的天氣系統變化息息相關。生成式AI的進展也推昇「地球系統基礎模型」的整合，例如最近《Nature》上發表的AURORA基礎模型，能同時處理空氣品質、海浪、颱風與天氣預測，比傳統數值分析快上數十倍，且能在不同地區與時間條件下預測，對於掌握再生能源間歇性的太陽光輻射、風速、潮汐等有很大的助益。同時，準確的天氣預測（大雨、溫度）也能掌握用電端的用量趨勢，協助智慧電網分區負載平衡、電池充放電優化，甚至辦公大樓與工廠的需量反應（減少電網用電）。當預測能力與調度能力打通，AI不只是再生能源的輔助工具，而是讓再生能源成為穩定、可規劃的資源。在維運端，AI的價值在於找回「可回復損失」，並縮短從偵測到修復的時間。以太陽光電為例，電站層級的停機、組串層級的汙損與遮蔭、電氣層級的接觸不良與誤停，都會造成可觀的損失。資料驅動的診斷可以在至小時級偵測到異常型態，配合工作單與現場流程，將修復時間壓到最短；在風電、燃氣與燃煤機組上，同樣的技術可用於振動與溫度特徵的早期偵測，以延長壽命、降低突發停機。我們的經驗發現，在大型太陽能案場使用AI驅動的監控服務，可以將發電損失由5.5%降至0.9%，以短期台灣20 GW的太陽能目標（2025年時）來看，可以省下將近4個超大型太陽能案場的規模。在新一代電網中，穩定供電不再只是「發多少、用多少」的平衡，而是必須在複雜且瞬息變化的情境下，同步協調發電、充放電、價格預測與供需調度。這需要在邊緣（edge）即時運算與決策的AI系統，透過感測器與IoT架構收集數位電表、風機、變壓器、輸電設備等即時資料，提前預警設備異常、降低停機風險。同時協調各種發電來源、儲能電池與用電端，組成虛擬電廠（VPP），在尖峰時段回饋電網。傳統多依賴規則式控制，如今可結合強化學習（Reinforcement Learning），在模擬中反覆優化策略，提升調度效率。由於能源已被歐盟《AI Act》列為高風險應用，這類系統必須兼顧可解釋性與審查機制，確保關鍵決策既快速又可追溯。在此情境下，EdgeAI也會逐漸在能源扮演關鍵角色。能源轉型不僅帶來產業結構的重整，還創造智慧電網與綠能服務的新機會。當AI融入能源，發電、輸配、儲能與用電端不再彼此獨立，而是透過演算法與即時資料緊密整合，形成具備韌性、可優化且能交易的動態網路，讓能源成為可被彈性調度的資產。數據呈現這一趨勢背後的產業規模：AI在再生能源市場的規模，從2022年約6億美元，預計將躍升至2032年的46億美元，年複合成長率達23.2%。同時，智慧能源市場（smart energy）在2022年約為153.8億美元，預測將成長至2030年約316.4億美元，年複合成長率約9.6%。顯而易見，Intelligence與Energy的結合已成為全球基礎建設的雙引擎，在AI主權、能源安全、與氣候議題三重壓力下，更是國家與企業競爭優勢發展關鍵。

歷史的軌跡顯示，過去生產力的提升總伴隨高密度的能源轉換與工業效率提升：從水力、蒸汽、電氣化、汽車與石油，到IT與網際網路，如今輪到AI。LinkedIn創辦人Reid Hoffman新書提到的「Energy + Intelligence」之所以關鍵（之於國家或是企業），點出可負擔的算力決定智慧邊界，而算力終究受限於可取得、可擴充的電力與基礎設施。當全球掀起「主權 AI」競賽（涵蓋經濟、國防、研發、教育與價值體系），大型語言模型一次訓練動輒上億美元，帶動半導體與伺服器的巨額投資；更關鍵的是，推理（Inference，指模型訓練完成並部署後的實際運作）已取代訓練成為主要負載（約增至百倍等級），持續放大對能源與電網的需求。Intelligence需要Energy驅動。關鍵在 token 經濟學（參考前文）；雖然 2021到2024 技術進展，讓每token成本大約下降3個數量級，但總token需求持續成長（例如近來財報揭露微軟（Microsoft）的用量1年約放大 5 倍、Google的月用量年增達數10倍）。能耗端的成長也很直觀：一次生成式查詢約耗電2.9 Wh，約為傳統搜尋0.3 Wh的近十倍。再加上Edge AI的普及，自駕車、工業電腦（IPC）、機器人、個人裝置與穿戴都開始具備推理能力。當產品體驗走向「more tokens, more capable」，AI資料中心成為企業、國家競相投資標的。AI資料中心（AIDC）急遽推升電力需求。AIDC在滿載運轉時，其耗電量可達10萬戶家庭的等級，超大型設施甚至放大20倍，相當於200萬戶。以美國為例，全國已有數千個資料中心，加拿大也接近500個，且新建規模持續增加。這些場站不僅需要更高電壓與直流（DC）供電，還必須採用晶片直冷（DtC）等先進散熱技術才能支撐高密度運算。根據多方預測，全球資料中心年耗電量在2030年前可能較2024年成長超過1倍，其中AI應用將是主要驅動力；IEA估計，在2030年， AI與加密貨幣合計將貢獻全球電力需求成長的4%。在能源結構轉型與碳排的限制下，這股快速竄升的用電壓力，正同時考驗電網擴充、再生能源佈建，以及供應鏈的應變速度。不只需要電，AIDC甚至AI供應鏈也需要來自再生能源的「綠電」，以滿足碳盤查與國際採購規範。綠電採購與碳管理從形象工程變成出貨門檻，買了綠電並不代表風險消失，案場差異、契約條件與實際發電偏差都需要數據與流程來支撐。企業應把綠電、用電與生產節奏同時考量，用可稽核的工具模擬與結算，讓採購組合真正對沖價格與排碳風險，同時提升營運韌性。不只AIDC，AI驅動進展的無人計程車同樣可能加重都會電力需求。比如某個都會區（如台北）每日用電約20 GWh，若一半計程車（約 1.25 萬輛）改為自駕電動車，每日額外耗電約0.8 GWh，佔全市日用電的4%。若充電集中在夜間6小時完成，瞬時功率需求可達140 MW，相當於多一座中型電廠的負載。這種轉型雖能減碳並提升運輸效率，但也對電網容量、調度與充電設施提出挑戰，必須透過排程、儲能與即時價格匹配，避免交通電動化成為新的負載風險。因此，新一輪的電網升級以「去碳化」、「分散化」與「數位化」為核心方向。隨著再生能源（太陽能、風力等）滲透率持續攀升，電網面臨低慣量與高波動的挑戰。天氣變化，可能在分鐘內改變發電輸出，衝擊電網穩定與調度反應。同時，分散式發電資源（屋頂光電、儲能、可移時用電）大量出現在電網末端，傳統以集中式大型機組為核心的調度模式已無法應付這種「多點、小規模、高波動」的新樣貌。這種結構變化不僅迫使電網架構升級，也催生新的營運模式與市場服務，例如即時需量反應（demand response）、虛擬電廠VPP、微電網（microgrid）等。要支撐這樣的系統，企業與電力公司必須將平台從單純監測升級為可跨廠牌、跨協定、跨場域的「監測＋控制＋資料交換」EMS（Energy Management System），並將預測直接納入控制邏輯，同時在設計階段預留關鍵機電、儲能與部分製程為可調度資產，讓用電從成本轉化為可創造價值的資源。近來有案例顯示，大型資料中心可在電力需求高峰時暫時降低 IT 負載或啟用備援電源，參與需量反應市場，這不僅有助電網穩定，對營運方也是額外收益來源（例如美國部分雲端業者與 ISO/RTO 合作，在夏季尖峰時段提供數十至上百MW的可釋放容量）。能源已不再只是營運成本，而是產品交付與市場競爭的先決條件。對製造業與雲端服務供應商而言，在電價波動與供應緊繃下維持穩定供電，直接影響合約履行與客戶信任。若能將場域設計為可調度資產，不僅可透過需量反應與虛擬電廠降低成本，亦能在電網緊急時反向供電創造收益。這波Energy + Intelligence的趨勢正推動電網更新，涵蓋高壓變電、儲能、智慧感測與監控、跨場域控制與預測平台等，並帶動相關供應鏈在台灣的成長動能。這既是支撐本地AI生態的必要條件，也是切入國際能源解決方案市場的契機。

拉格朗日點（Lagrange Point）這一概念源自十八世紀法國數學家拉格朗日（Joseph-Louis Lagrange, 1736～1813）的研究成果，是天體力學中的一項重要發現。它描述在2個天體的引力作用下，存在5個特殊的位置，若在這些點上放置第三個質量極小的物體，其所受的引力與離心力可達成動力學平衡，使其能相對穩定地存在於該位置。此理論不僅推進太空工程的設計思維，也為其他領域提供有力的數學比喻工具，包括當代人工智慧（AI）在內。拉格朗日點的發現，是三體問題（three-body problem）研究的副產品。三體問題試圖描述3個天體在萬有引力下的運動軌跡，其動態行為極其複雜，往往難以解析。但拉格朗日在研究太陽-地球-月球系統時發現，若第三個天體質量極小，則在特定幾何配置下，存在5個位置（L1至L5），可使其與2個主體保持穩定相對位置。其中，L1、L2與L3位於主體連線上，L4與L5則分別構成與主體形成等邊三角形的配置。此發現迄今被應用於太空望遠鏡的部署，如韋伯太空望遠鏡（James Webb Space Telescope）即位於太陽-地球系統的L2點。若我們將拉格朗日點的「多力平衡」視為一種數學與概念上的隱喻，則其原理可為AI系統設計帶來啟發。以多智能體系統（multi-agent systems）為例，包括無人機編隊、機器人協作群或自駕車車隊，每個智能體在分散環境中運作時，必須在效率、資源與安全性之間取得平衡。這種多方力量的協作動態，與拉格朗日點中各力達成穩定的概念有著形式上的相似。儘管這不是直接的物理應用，這種比喻可協助設計具有「動態穩定性」的協作演算法，尤其是在非中心化系統中提供有效的架構指引。此外，在深度學習領域中，神經網路訓練的過程常被視為一種優化問題，在企圖複雜的代價函數空間中尋找最小值。這一過程雖然主要依賴如梯度下降法等技術，但若從拉格朗日乘數法（Lagrange multipliers）概念層面延伸，也可將其比作在多重力量（誤差項、正規化項、約束條件）拉扯下的一種「力的平衡」狀態。拉格朗日點和拉格朗日乘數法在名稱上類似，但兩者分屬不同的數學領域，前者為天體力學中的位置解，後者為約束優化中的解法工具，讀者切勿混淆。在面對多目標學習與非線性複雜系統時，AI模型往往須處理如資源分配、效能與公平性之間的矛盾。在這些問題中，靈活引入如「穩定結點」的設計理念，有助於在看似對立的力量中尋求均衡策略。雖非直接援用拉格朗日點的數學公式，但這種「穩定中求變」的設計邏輯與其精神相通。對於混沌系統的模擬應用也是值得一提的面向。雖然拉格朗日點本身並非混沌系統的典型例子，但在研究如氣候模型或金融市場等高度非線性的動態系統時，AI可從天體力學所強調的初始條件敏感性中獲得方法論上的警示與啟發。AI在這類系統中的應用，依賴高精度的預測能力與動態調適策略，而類比於拉格朗日點的穩定架構可成為設計上的哲學參照。當AI逐步融入人類決策過程，甚至走向「人機協同智慧」的階段，如何在人與機器之間設計一種動態平衡的權責配置，將成為重要議題。例如，在醫療領域中，AI可以像L1點一樣，處於資訊匯聚與快速計算的前線，協助提供診斷建議，醫師則保持最終判斷權，確保人類倫理與價值觀的主導地位。這樣的設計不僅可提升效率，也兼顧透明性與責任歸屬，實現「穩定而不僵化」的人機合作模式。

預見商用量子計算機的降臨，美國國家標準與技術研究院（National Institute of Standards and Technology；NIST）已於2024年7月確定公鑰加密／金鑰封裝機制（public key encryption/Key Encapsulation Mechanism；KEM）以及數位簽名（digital signatures）的標準。 KEM使用CRYTALS-Kyber（Cryptographic Suite for Algebraic Lattice-Kyber）演算法，為FIPS（Federal Information Processing Standard） 203；數位簽名使用CRYSTALS-Dilithium演算法，為FIPS 204。另有FALCON（FIPS 205）、SPHINCS（FIPS206）等其他類型的數位簽名的標準及演算法。 CRYSTALS是利用代數晶格（algebraic lattice）中的數學難題如尋找最小向量等來設立破解難度，而代數晶格（又稱秩序理論；order theory）是抽象代數（abstract algebra）的一個分支。 KEM的功用是後量子版的RSA，有Kyber-512、Kyber-768及Kyber-1024等3種強度等級。Dilithium後量子版的數位簽名，也有Dilithium-II、Dilithium-III及Dilithium-IV等3個強度等級。 中國也由商業密碼研究所（Institute of Commercial Cryptography Standards；ICCS）在2025年2月開始啟動下世代商用加密演算法（Next Generation Commercial Cryptography algorithm；NGCC）計畫，並向世界徵求對後量子加密標準的意見。 中國選用的演算法也是基於晶格（lattice-based）的演算法，分別是用於加密的Aigis-enc及用於數位簽名的Aigi-sig。 由於未來可能存有兩套後量子加密標準，兩種會並行存在並建立中介機制、或者終將合流變為單一標準，此一問題對於從事後量子相關產品服務業者至關重要，值得密切注意。 目前已進入後量子加密（PQC）領域的半導體廠商包括英飛淩（Infineon）、恩智浦（NXP）、Thales及Microchip。產品應用包括雲端、PC、IoT、汽車、嵌入式系統、ID、工業用等。 特別值得一提的是中國電信量子群（China Telecom Quantum Group）將於2025年11月釋出中國第一個高效能晶片，置於他們整合量子金鑰分發（QKD）+PQC系統之上。由於此晶片已經包括混合的傳統及量子通訊網路的應用，對於兩個標準之間的競合會產生一定的影響。 PQC產品什麼時候會大量上市？答案取決於量子電腦的進展速度，量子電腦進展到某一種度，才可能對現存加密體制構成威脅。 量子電腦的運算能力的主要因數之一是邏輯量子元（logic qubit），就是可以實際用於計算的量子位元數，這個與量子電腦實際上建構的物理量子位元（physical qubits）數目有很大的差別。量子位元的維持、運算、量測都可能發生錯誤，需要使用一群量子位元來執行量子糾錯碼（Quantum Error Correcting Code；QECC）的功能，確保邏輯量子位元計算的正確性。依現在錯誤發生率的技術水準，1個邏輯量子位元可能需要近千個物理量子位元來保護。所以量子電腦所需的物理量子位元數量龐大，但可以使用的邏輯位元數量較小。但是在邏輯量子位元數目上百之後，在有些應用就有能力超過傳統計算，取得量子優勢（quantum supremacy）。 對於現在常用的加密機制RSA-2048及AES-256，目前估計約4,000~6,000個邏輯量子位元數即可以破解。 目前有3家公司明確的公布商業量產通用容錯量子電腦（universal fault-tolerant quantum computer）的時程。 Quantinum宣布於2030年前推出100個邏輯量子位元數的離子陷阱（trapped ions）量子電腦；IBM則宣布於2029年推出200個邏輯量子位元數的超導體（superconductor）量子電腦。這兩家也許對目前的加密機制還構不成太大威脅。 另一家PsiQuantum預計也是在2029年量產通用容錯量子電腦，其上的光子（photonic）量子位元數從計畫開始就是以百萬個物理量子位元為目標，估計可以使用3,000~5,000個邏輯量子位元，這已有可能危及目前的加密安全體系。 假設以上的量產時間和估算為真，PQC的商機何時開始浮現？答案是量子計算機交機的那一天得全面準備妥當。任何沒有PQC保護的網路，彷若透明，對於譬如國防、金融等敏感體系尤為如此。一個國家、地區、或個人如果沒有PQC 的保護，就會變成網路孤島，沒有人願意與之往來；在金融業，這就像是被退出SWIFT體系，所以加密方式的轉換必須在高邏輯量子位元樹的量子電腦問世之前全面完成。 PQC產品的NIST FIPS各種標準驗證需要約12~24個月的時間，產品驗證後需送客戶設計和驗證，才會有機會入駐網路各節點和終端系統。現在已是2025年下半，離2029年還有多久？所以那些公司已經有產品布置，一點也不令人訝異。 還有一個備註。美國和中國的加密標準雖然不同，但是都是基於晶格的演算法。這類演算法的安全性是因為目前沒有已知量子演算可以輕易破解此類問題，基於晶格的演算法所產生的問題並未嚴格地被證明是BQP之外的類別。也就是說，如果努力發展新量子演算法，也許基於晶格的演算法又會被破解，到時候PQC的布置又得重來一次，很傷腦筋。

測量、展示量子計算機能力的方法之一，是看其有無辦法用量子計算中的蕭爾演算法（Shor’s algorithm）來分解一個數目中內含的質因數（prime factors）。 傳統上質因數分解是個困難的問題，特別是被分解的數目是個大數。但是量子計算的蕭爾演算法對於質因數此一問題相對於傳統計算有指數性加速（exponential speedup），亦即在有足夠量子算力的條件下，質因數分解的計算時間得以指數式地縮短。 量子計算在其他問題上也擁有不等的優勢，譬如在一個無秩序的資料庫中搜尋一筆特定資料的問題，量子計算用葛羅佛演算法（Grover’s algorithm）可以取得平方加速（quadratic speedup），也就是計算時間可以開根號的縮短。 傳統的加密手段可以簡述如下。Alice要安全地傳送一段文本（text）給Bob（這是加密學的標準敍述方式），Alice首先會用一支二進位256位元的數字當成金鑰來加密，現在通用的標準方法是AES-256，然後將這段加密文本送給Bob，Bob用同一支金鑰反向操作即可解密。問題是Alice如何遞送這支金鑰給Bob才安全？這就要用RSA-2048的公鑰—私鑰架構（public key-private key infrastructure）。 RSA-2048的公鑰是一個二進位2,048位元的大數目，它是2個大質數的乘積。每個人的公鑰都是公諸於世、眾所周知的。Alice用Bob的公鑰來加密文本使用的密鑰，送給Bob。與AES不同的是，解密必須用Bob的私鑰，而這私鑰就是公鑰的2個質因數之一。 這公鑰—私鑰的架構可以用電子郵件來打比方。在此例中，Bob的公鑰是他的電子郵件住址，是公諸於世的。要送給Bob的資訊寫在信中是受到保密的，只有Bob收到信件登入、輸入自己信箱的密碼（也就是私鑰）後，才可以取出資訊。 RSA-2048的安全性依賴於用傳統計算難以分解大數的質因數此一事實，而AES-256的安全性來自於對金鑰搜尋的困難。不幸地，量子計算的出現摧毀現存的加密體制，量子計算的蕭爾演算法—只要有足夠的量子算力—可以有效解決大數質因數分解的問題；葛羅夫演算法可以有效地解決搜尋的問題。這也許是量子計算機未來問世對世界的少數負面衝擊之一。 幸好量子計算不是萬能，不是所有的數學難題都可以解決的。量子計算能解決數學問題的範疇為有界誤差量子多項式時間（Bounded-error Quantum Polynomial Time；BQP）。 由於現存通訊安全體制在量子計算出現後可能會崩潰，業界早已開始籌畫後量子時代的安全通訊機制，其中的安全機制之一是於量子通訊（quantum communication）網路上的量子金鑰分發（quantum key distribution）。量子通訊網路具體例子為中國連接北京、濟南、合肥、上海及從這些節點衍生出的網路與墨子衛星所構成的量子通訊幹線。量子通訊的安全機制依靠的是物理，即量子資訊是無法被複製（non-cloning）的，任何竊取其上資訊的企圖勢必將破壞資訊，因此竊取資訊的企圖是枉然的，加密用的金鑰於其上傳送也是安全的。 另一個機制是後量子加密（Post-Quantum Cryptography；PQC）。此方法沿用目前通訊架構，但是改善加密的措施，藉以對抗量子計算破解加密，這是目前業界關注的焦點。

一位資通訊工程師該如何規劃人生？這個問題，在今日快速演進的科技產業中，顯得尤為迫切。或許，我們可以從一位冷戰時期的科學家手中找到些許啟發。在杭廷頓圖書館的特藏室裡，我看到一份泛黃的手稿，標題為〈坦率的職涯思考〉（Candid Career Thoughts; 圖一），署名者是惠倫（Albert "Bud" Wheelon，1929～2013）。這份筆記寫於1965年7月18日，當時惠倫年僅37歲，正值職涯高峰。惠倫是一位才華洋溢、極具前瞻性的物理學家。他畢業於麻省理工學院，並曾於加州理工學院任教。在冷戰期間，他迅速崛起為美國情報科技核心人物，擔任中央情報局（CIA）科學與技術部副主任，是美國早期衛星偵察計畫的關鍵推手之一。在1962年古巴飛彈危機中，惠倫參與設計的「鎖眼」（KH-7 Keyhole）衛星為美方提供重要的圖像情報。然而，這位深居情報高層的科技巨擘，也有著對人生節奏與家庭關係的深刻反思。在〈坦率的職涯思考〉中，他坦言：「金錢與經驗是目標。」這句話表面看似功利，實則映照出他當時身處機密工作的現實條件與自我期許之間的拉鋸。他在筆記中寫下未來願景：一份工程師式的願望清單，也是對「如何過生活」的認真計算。他寫道：「我希望能在40到43歲之間放慢腳步，過上一種有回報但不奢華的生活，好讓我能享受孩子的成長，並在年老、壞脾氣與病痛來臨前，好好與妻子共享人生。」這樣的規劃在當時堪稱前衛。當時的科技與國防圈普遍奉行高強度、長工時的奉獻文化，尤其在情報機構任職，更難談及生活的平衡。但惠倫不滿足於成就，他渴望一種「全人」式的成功，既在專業上發光發熱，也在家庭與身心健康中找到持久的回報。隔年，1966年，惠倫離開政府體系，加入了休斯飛機（Hughes Aircraft）。這家公司是當時電子與航太科技的重鎮，承接大量軍方與NASA合約。惠倫在那裡逐步晉升，最終成為董事長與執行長，主導早期通訊衛星與雷達系統的商業化。他的這次轉職，並不只是升遷與加薪的選擇，而是一次價值觀的調整與實踐。從筆記內容可以看出，他早已盤算一條更寬容、卻不失成就感的道路。休斯為他提供更大彈性與家庭時間的可能性，而他也逐步實現當年筆記中寫下的承諾。惠倫的這份手稿，不只是職涯備忘錄，更是一面映照現代工程師處境的鏡子。在人工智慧、資安、太空商業化等浪潮交錯的今日，許多資通訊人才依然面臨著與半世紀前相似的抉擇：要全力衝刺還是及早轉舵？要追求專業巔峰，還是規劃身心平衡的長期發展？「慢下來不是逃避，而是選擇。」惠倫37歲那年寫下的這句思考，如今讀來依然清晰有力。當我們不斷優化演算法、提高頻寬、壓縮延遲的同時，是否也該為人生中家庭、健康、時間等其他變數保留餘裕？惠倫的故事提醒我們，工程師的人生不必只有線性成長的KPI，也可以有曲線調整的智慧。科技強人，也可以是溫柔規劃生活的實踐者。他的〈坦率的職涯思考〉，不僅寫給自己，也默默地寫給後人，尤其是每一位在高壓產業中尋找節奏的我們。

PC的問世提供台灣製造服務進一步演化的機遇。 1974年微儀遙測系統公司（Micro Instrumentation and Telemetry System；MITS）發表Altair8800，之後還有初期的蘋果（Apple）電腦。但是IBM PC於1981年問世後才讓PC大量進入市場。 台灣在1984年才開始承接PC的製造服務，此時台灣卻已非昔日吳下阿蒙。首先，第一家提供PC製造服務的宏碁已有自有產品「小教授」，雖然是比較適合於特定用途如訓練與教育等領域專用機種，但是已有自己設計的能力，可以同時承接原始設備製造（Original Equipment Manufacture；OEM）以及更進階的原始設計製造（Original Design Manufacture；ODM）等2種服務。到了1988年，台灣已經成為僅次於美國的PC出口國；到了2000年初，全世界有80%的PC出於台灣。 這段經歷對台灣有2個重要意義。一個是對於台灣剛起步的半導體產業提供了初試啼聲的近端市場。晶片供應商包括威盛、矽統、揚智、鈺創、華邦、聯電、台積電等，這些晶片供應或製造商在80年代末、90年代初陸續的加入電腦零件供應商的行列。以中國的術語來說叫做國產替代，而且零件能自己供應的比例愈來愈高，可以製造的電子系統種類也愈來愈廣。 對於半導體產業，這是成長的沃土；對於電子製造服務業，這是加長供應鏈的戰略縱深。 90年代中期台灣幾家電子製造服務公司開始研發行動通訊，97年起開始2G GSM手機的OEM/ODM業務，業務模式一如之前PC的電子製造服務。 從智慧型手機世代起，電子製造服務產業將部分產能移至中國，持續擴大其製造產能。 2000年代中期，台灣開始伺服器的EMS/ODM業務。到了2018年，所有主要電子製造服務公司已經能製造完整的伺服器以及邊緣計算（edge computing）設備。 2022年末，台灣開始邁入人工智慧伺服器的製造服務領域。到2024年，台灣生產的人工智慧伺服器佔全世界93%。除了原先PC、智慧型手機已然的製造服務優勢持續奏效外，另外在半導體累積的經驗，包括尖端晶片製造以及先進封裝加持下的多重優勢價值鏈，這囊括的市佔率似乎是理所當然。 這個電子製造服務的生態系似乎還有持續擴大的機會。在先進計算方面，人工智慧的下一步目前近乎可及的題目是量子計算。包括IBM和PsiQuantum等使用不同類別量子位元的公司相繼宣布通用容錯（universal fault tolerant）、可以應用於解決實際問題的量子計算機將於2029年進入商業量產階段。 台灣對於量子計算的研發相較於國際領先群本來就啟動時間較晚，而且投入的資源相對不足。IBM不久之前才宣布未來5年內在美國要投資1,500億美元於量子計算的發展；如果包括製造在內，5年內總計3,000億美元。與此相較，台灣對於量子計算技術的投入太遲又太少。 但是如果不是想賺取「先進研發利得」（advanced research gain）的話，台灣仍然可以用電子製造服務來參與新興領域，分取紅利。 目前NVIDIA先進計算架構已經將量子計算整合入既存的人工智慧伺服器架構，規劃CUDA-Q。台灣的電子製造服業在近年來已經開始啟動量子計算的研發，雖然能量不足以挑戰世界已先行多年的發展領先群，但是藉目前已開展的人工智慧伺服器的巨大翻展動量，以後發的研發來瞭解新科技，加入下一階段的發展，這個策略還是有機會延續台灣電子製造業的優勢。

最近關於台灣半導體發展史的影片《造山者：世紀的賭注》（A chip odyssey）中提及美國無線電公司（Radio Corporation of America；RCA）授權、移轉半導體技術給台灣，啟動台灣半世紀的半導體旅程。 其實RCA對台灣的科技發展有另外更早、影響可能更深遠的貢獻。1966年RCA在台灣設立黑白電視組裝（assembly）的生產線。 黑白電視在30年代已有樣品、40年代已經商業化量產。1954年RCA也開始商業化量產彩色電視，並且70年代以後在美國、日本、西歐等發達地區彩色電視變成主流。但是黑白電視在發展中國家市場仍然是主要的消費性電子產品。RCA將黑白電視的組裝工作遷移至台灣是最佳化低毛利事業部門，一個典型的美國公司的標準操作。 黑白電視遷台組裝這件事有幾個重要意義。第一個是移轉台灣現代化生產線以及公司的管理，這個效果毋庸贅述。 第二個是技術移轉。當時黑白電視已經算不得尖端科技，因為彩色電視的普及在即。如果組裝可以成功地在地運行，將零組件的製造也一起遷移是個明智的選擇。這些技術包括陰極射線管（Cathode Rate Tube；CRT）、類比線路（analog circuit）設計、焊接（soldering）、表面粘著技術（Surface Mount Technology；SMT）等。這此技術很多是後來電子設備製造的共同基礎。 第三個是產生規模經濟。RCA於60年代後期於台灣開始組裝黑白電視，台灣本地的公司如大同、聲寶、歌林等也開始代工組裝或製造自有品牌的業務，後續還有更多的台灣公司以及歐美公司投入相同的領域。在高峰時期，台灣出口的黑白電視佔全世界市場的60~70%。之後的彩色電視業務，雖然各國將之視為較先進的消費性電子產品而有較高的自製意願，但鑑於已趨成熟的台灣組裝能力，台灣的彩色電視出口仍然佔全世界市場的30%左右。 由於有了規模，與其系統相關的生態就有開始衍生的機會，譬如日本公司投資的零組件，台灣本地生產的被動元件電阻、電容等。有一個很顯著的例子：鴻海成立於1973年，最先期的產品就是黑白電視的旋鈕（knob）以及塑膠零組件，這就是黑白電視組裝業務帶來的台灣電子產業生態系發展機遇。鴻海不是孤例，近兩年很多電子業相關公司都在慶祝50週年慶，遙想當年電子業生態系統是如何像地衣般全面鋪展開來的。 RCA黑白電視組裝廠設在1966年剛設立的高雄前鎮加工出口區（Export Process Zone；EPZ），之後有如增你智（Zenith）與摩托羅拉（Motorola）等公司的加入。加工出口區的設立當初是為解決台灣貿易逆差問題的手段之一。 1966年台灣的貿易逆差為約8,400萬美元，這個數目看起來似乎不大，但是在當年佔台灣32億美元GDP的2.6%。現在美國對全世界加徵10%的關稅，其主要目的也不過是要解決其佔GDP 3%的貿易逆差問題。 加工出口區的設立對於電子製造服務業（Electronics manufacturing Service；EMS）的開展有決定性的影響。除了在關務、稅收政策等方面形成肥沃的生態土壤，在全球運籌（logistics）方面提供必要支援，使得規模經濟得以持續擴張。這是台灣電子製造服務業發展的起點。

2007年初，交通大學校長換屆，資訊學院院長林進燈轉任教務長。新任校長吳重雨指示我接任院長，同年2月正式上任。任內我推動3項核心改革：首先，建立原資工與資科教授的共治機制，加速兩系融合；其次，創立聯席會議制度，將傳統三級三審的會議流程簡化為二級，大幅提升行政效率；第三，確立「應用型研究」為學院定位，並與電子資訊中心攜手推動大型產學合作，為學術與產業接軌奠定基礎。我始終強調「可執行性」的管理哲學：決策必須具體明確、務實可行。為消弭系所合併後的本位主義，我邀請前資科系主任簡榮宏出任副院長，曾煜棋為資工系主任，同時賦予各研究所所長副系主任職權，建立責任分明的治理架構。人事安排考量專業能力，同時兼顧系所平衡與長遠發展。在評鑑機制方面，我們選擇不參與IEET認證，僅採教育部評鑑為基準。作為當年全台唯一未參與IEET的工程學院，這項決策避免教研團隊陷入形式化文書作業。我堅信：「教授應將精力投入教學與研究，而非應付評鑑文書。」此理念獲得同仁廣泛認同。學院定位承襲貝爾系統（Bell System）應用型研究精神，強調技術落地與產業價值。當時台灣應用研究多集中在「發展」端，而美國「研用融合」的模式更具啟發性。為此，我邀請工研院資通所所長林寶樹擔任學院的講座教授，其於2009年接掌交大電資中心後，我們共同實踐「電資中心與資訊學院互為延伸」的願景：重大計畫由電資中心統籌、學院教授參與；一般計畫則由教授獨立執行，形成雙向研發循環。在產學合作方面，我主導成立中華電信在交大設立研究中心，並於日後擔任副校長時，將此經驗推廣至全校，創建校級研究中心制度。第一個校級中心是與聯發科共建的平台，接下來則有台積電、廣達、研華、華邦等指標企業相繼進駐。這些中心設有專屬行政窗口，簡化統整智財管理與財務稽核流程，使企業能視研究中心為其研發部門的延伸。同時，我們首創「研究生工作年資認定」制度，強化企業留才誘因，實現產學研三贏。進入AI時代，我認為資訊學院應與台南校區的AI學院深化整合：前者鞏固資通訊核心技術，後者注入AI研究能量。企業如今已從「工具應用」轉向「流程革新」的AI思維。2024年，華邦電子研究中心選擇落腳本院，正是看中AI驅動IC設計的跨界潛力。展望未來，資訊教育須超越技術傳授，著重培養2項AI難以取代的核心能力：批判性思維與原創性。唯有如此，學子方能在智慧浪潮中彰顯人類智慧的真諦，這正是我對學院發展的最終期許。

交大友聲雜誌《院長說院史》專訪歷任資訊學院院長。身為2007至2011年間任職的院長，我接受藍麗霞女士訪問，回顧從學院草創至系所整合的關鍵歷程。「故事要從2004年前說起。」我循著時間軸展開敘述。早在1997年擔任資訊工程學系主任時，我便注意到一項結構性矛盾：交大原有資訊工程系（資工）隸屬工學院，資訊科學系（資科）則隸屬理學院。自1994年併入新設的電機學院後，兩系在定位與角色上日漸模糊，不僅反映軟硬體學科間的不當分野，更直接影響招生策略與發展方向。儘管當時已有合併構想，但「電機學院下設大型資訊系」的框架引發疑慮，計畫始終未能實現。為尋求突破，1999年卸任系主任後，我專程拜訪華盛頓大學指導教授Ed Lazowska。該校資訊系的跨域發展模式印證我的想法：「資訊學科不該被動地附屬於電機體系，而應主動建構多元的研究範式。」Prof. Lazowska 更提出資料科學的運作，如何將學院算力放置雲端。這些前瞻見解在當年的台灣是聞所未聞，更進一步重塑我的思維。從2000到2004年，我一直宣揚一所獨立資訊學院的想法。在當時交通大學電機電子主導工程學科的架構下，推動資訊學院獨立無異於挑戰傳統體制。所幸在張俊彥校長與蔡文祥教務長的支持下，學院籌備工作正式啟動，由蔡教務長領銜規劃。受Prof. Lazowska啟發，我建議「一系多所」的創新架構：大學部整合為單一學系，研究所則依應用領域分設。這項打破常規的提案遭質疑，因為資工與資科兩系都怕被對方併吞，淪為二等公民。最終在蔡教務長的關鍵協調下完成合併。2005年8月，交大成立全台首座國立大學資訊學院，原資訊工程系與資訊科學系合併為核心單位「資訊工程學系」。回望當年，「一院一系多所」的設計不僅健全學院體質，也開啟跨領域合作的新路徑。學院成立後，我選擇退居幕後，未參與首任院長遴選。