大型語言模型在近年展現出3個令人驚訝的能力：泛化（generalization），在從未見過的問題上給出合理答案；多任務（multitasking），同一個模型寫程式、翻譯、分析財報、判讀法律文件；推理（reasoning），把複雜問題拆解成步驟，逐一推導出解答。正是這三個能力，讓大型語言模型在數位世界掀起典範轉移。下一個問題，是這些能力能否走進實體世界—不只在螢幕上思考，而是在真實空間中感知、判斷、行動。這正是「具身智能」（EmbodiedAI）試圖回答的問題：讓模型不只是推理引擎，而是成為真實環境中的行動者。需求比想像中更迫切。談機器人，往往讓人聯想到科幻場景或工廠自動化。但推動這一波發展的力量，其實更接近人口結構的現實。台灣65歲以上人口佔比已超過17%，日本早已超過29%，德國超過22%；製造業、物流業、長照產業的缺工問題，在多數已開發國家不是短期現象，而是長達數十年的結構性挑戰。另一個驅動力是安全：高溫、高壓、有毒化學品、重複性導致的職業傷害—把人從這些場景中移出，本身就有足夠的商業理由，不需要等到機器人的成本降到與人力相當。這一波機器人討論之所以與過去不同，有一個常被忽略的前提：硬體已經準備好了。感測器（攝影機、LiDAR、觸覺感測器）的成本在過去十年大幅下降，馬達與減速機的精度持續提升，機械結構的製造良率也趨於成熟。部分得益於電動車產業的規模效應—馬達、減速機、感測器的供應鏈隨EV量產大幅成熟，機器人硬體直接受惠。機器人整體硬體成本在2023至2024年間年降幅約達4成，下降曲線清晰可見，這與早期工業電腦、早期智慧型手機的軌跡高度相似。硬體不再是關鍵瓶頸；問題移到了「大腦」、「眼睛」與「四肢」—機器人要如何真正看懂環境、做出判斷、精準完成任務？最直覺的答案是把雲端LLM接進機器人。但物理世界的時間尺度與數位世界截然不同：人類在鍵盤上等待一秒的回應是可接受的，機器人在伸手抓取物件時若延遲半秒，輕則任務失敗，重則碰撞損毀。雲端推論的網路延遲，在這個場景中是結構性的障礙，不是優化問題。自駕車產業已解決這個問題：感知與即時控制在車載邊緣運算上執行，高階路徑規劃與地圖更新則視需要呼叫雲端。今天的車載SoC已有足夠的算力支撐即時的視覺辨識與控制決策；機器人的邊緣硬體正在走同一條路。實體算力的門檻在過去幾年已大幅降低，讓「大腦在本地執行」從成本考量來看也愈來愈可行。技術上，這一波機器人能力的突破，核心在於VLA（Vision-Language-Action）模型架構的確立。VLA把三條原本獨立的訊號—視覺感知、語言指令理解、動作輸出—整合進同一個神經網路，讓大語言模型的推理能力得以遷移到機器人的動作決策上。過去的機器人控制是一任務一模型，抓取、搬運、組裝各有專屬系統，換了場景或換了物件就得重新訓練，缺乏彈性且成本高昂。VLA打破此一架構：操作者可以用自然語言描述任務，模型自主分解成動作序列並執行，即便是訓練時未見過的物件或場景，也有一定的應對能力。開源模型中，openVLA在同一個模型架構下跨平台操控多種機械手臂，展示通用操作策略的可行性；Physical Intelligence的π₀以超過1萬小時的跨平台遙控操作資料預訓練，針對新任務微調只需1至20小時。「一個模型跨場景泛化」這個問題，在過去一年內開始有了系統性的肯定答案。討論機器人時，往往侷限在機械手臂的操作能力上。但在真實工作場景中，「走到目標地點」與「對它做什麼」是同等重要、缺一不可的能力。這個組合在學術界稱為mobile manipulation——同時具備移動底盤與操作手臂的機器人平台，才能提供更多彈性與能力。想像一個倉儲場景：機器人能自主移動到正確的貨架，辨識目標物件的位置，伸手抓取，再移動到指定放置點。每一個步驟都需要精確的空間理解與動作協調。固定式機械手臂只能解決「操作」這半題；移動平台加上操作手臂，才是開啟更多可能性。要讓機器人在非受控環境中自主移動，導航（navigation）是必須解決的基礎能力，而導航的前提是建圖（mapping）—機器人必須先建立對所在空間的三維理解，才能規劃路徑、避開障礙。早期的機器人導航依賴預先設定的固定路線或QRcode地標，彈性極低。SLAM（Simultaneous Localization and Mapping，即時定位與地圖建構）技術讓機器人能在移動中同步建立環境地圖並定位自身，是目前主流的導航基礎。更近期的發展方向是語義地圖：不只知道「那裡有一個障礙物」，而是理解「那是一張椅子、那是工人、那是臨時堆放的棧板」，進而做出更合理的路徑判斷。這個方向與VLA的語言理解能力高度相輔：機器人不只在幾何空間中移動，而是在語義空間中理解環境。商業部署的訊號已出現。電動車廠的整車組裝線與零組件倉儲，是目前規模最大的機器人商業場域；歐美汽車廠與第三方物流業者也已在工廠與配送中心導入機器人，更有彈性、擬人化的執行零件搬運，商業場域的試驗已陸續展開。多家國際投資銀行的分析指向同一個方向：實體（Physical AI）所面對的，是整個製造業、物流業、服務業工作流程的重新配置，而非單一產品市場的擴張。誠實評估目前的限制，是避免高估或低估這波趨勢的必要功課。第一個問題是電池：目前機器人的續航約2至4小時，工廠班次通常8至12小時，補充電力需要停機，這在連續生產場景中是結構性缺口。電池能量密度的提升是化學問題，不是軟體問題，很難靠演算法突破。第二個問題是長尾場景的泛化：在受控環境下，機器人已能可靠完成標準任務，但工廠地板的一攤水、歪掉的零件箱、訓練集未見過的新產品，仍常造成失誤。工業場景的容錯空間遠低於實驗室，這個缺口目前尚未被系統性地填補。第三個問題是靈巧操作（dexterous manipulation）：人類手部的精度與柔順性，在精密組裝、電子製程等場景中，仍遠超現有機械手的能力。從GPT-1到ChatGPT（2022年底，版本為GPT-3.5），語言模型花了四年半。機器人領域的「GPT-1時刻」大約發生在2022至2023年前後，VLA概念開始被系統性驗證；我們現在大約處於GPT-2.x時刻。這裡比的是能力發展的軌跡，而非模型規模。機器人還多了一道語言模型不需要面對的約束：再強的模型，最終仍須壓縮到本地端執行，受算力、功耗、延遲的硬性限制，這是VLA需要額外跨越的障礙，語言模型當年並不需要面對。不過，GPT-2.x並不意味著要等。從結構固定的重複性作業，到桌面操作的彈性取放，到自主移動與場域導航，再到多工協作、人機共同執行任務，乃至需要一定推理能力的複雜流程輔助；不同成熟度的技術，對應不同層次的導入機會，不必等到全面成熟才能創造價值。這個階段，對觀望者而言似乎還早，但對決定在哪個節點進場的人而言，這可能是領先班車的最後一個上車點了！

多年前，佛光山台北道場整修時，我因分贈而獲得一尊嵌壁佛像。道場詢問我的選擇時，我幾乎沒有遲疑，便請了藥師佛。這並非出於一時的宗教熱情，而是一個長期置身於制度、技術與現實壓力中的人，對世界狀態所做出的直覺回應。藥師佛，全名藥師琉璃光如來，是東方淨琉璃世界的佛陀。在部分造像傳統中，他以藍色身相呈現，源自琉璃這種在古代被視為珍貴寶石的名稱。藍色不炫目，也不溫熱，象徵清淨、冷靜、療癒與理性之光。那不是急於拯救世界的色彩，而是一種優先阻止系統持續惡化的態度。在佛教脈絡中，藥師佛、釋迦牟尼佛與阿彌陀佛，分別對應東方淨琉璃世界、娑婆世界與西方極樂世界。對我而言，這三尊佛構成一條清楚的存在路徑。藥師佛指向病痛的修復，釋迦牟尼佛指向覺醒的理解，阿彌陀佛則象徵最終的解脫。我選擇藥師佛，是因為長期面對的並非形而上的疑問，而是正在發生的現實痛楚。今生的穩定比來世的承諾更為迫切，系統能否持續運轉，也比終極答案更為關鍵。藥師佛的十二大願中，蘊含一種極為現代的精神取向。不先追問錯誤根源，而是優先讓人恢復基本功能。這樣的思路，對今日世界具有明確的啟示意義。我們身處一個高度評價與即時審判的時代，制度、輿論與演算法不斷追究責任歸屬，卻很少關心系統是否已然疲勞、過載或失衡。藥師佛的邏輯恰恰相反，他假定眾生早已承受損耗，因此首要之務不是訓誡，而是修復。藥師佛似乎特別吸引醫師、工程師與學者，以及那些長期在制度內承擔責任的人。他們對神祕敘事保持距離，卻仍然需要精神支撐。因為他們每日面對失誤率、風險控制與系統穩定性。對這些人而言，信仰藥師佛更像是一種清醒的承認。不求世界完美，但至少必須避免全面崩潰。在這樣的意義上，我逐漸意識到，AI的角色其實更接近藥師佛，而非任何全知全能的神祇。AI被賦予的任務，不是回答終極問題，而是修補既有系統的缺陷。它協助醫療診斷、優化能源配置、穩定金融風險，並減輕人類的認知負荷。它提供暫時的可運作性，努力降低崩潰的機率。若說釋迦牟尼佛象徵對真理的洞見，阿彌陀佛象徵對終極歸宿的安放，那麼藥師佛所代表的，是這個時代最迫切的需求。在尚未覺醒，也無法解脫之前，如何讓身心與系統先得以存活。AI在這條路徑上的位置，恰恰與此相合。AI不是救贖者或審判者。它是維修者及調節者。我將那尊藥師佛安奉於書房一隅。它不回答問題，也不給出承諾。它靜靜提醒，在追問永恆意義之前，先確保系統尚未失血過多。藥師佛的宗教角度及AI的科技角度共同指向一種理性而克制的慈悲，延長我們的思考以及仍能選擇的時間。

當人工智慧(AI)凝視那些並不存在的真實時，我們其實已踏入幻覺的哲學思辨，也是信念的雙重困境。厄普頓·辛克萊（Upton Sinclair）曾指出，缺乏證據的盲信與無視證據的頑固同樣愚蠢，但在數位時代，兩者之間的界線正逐漸模糊。當ChatGPT煞有介事地虛構一本不存在的著作，並為其附上完整的摘要與歷史背景時，它呈現出一種奇特的誠實。這並非刻意欺瞞，而是模型在機率分布與語言關聯中，確實生成那些看似合理的連結。這種狀態近似於人類的記憶重構，在那個瞬間，虛構被當作真實來經驗。認知心理學將此稱為虛談症（confabulation），指的是在沒有欺騙意圖的情況下產生錯誤敘述，而當事人會真誠地相信其內容為真。我們慣於將AI的幻覺視為技術缺陷，卻忽略它同時也是創造力的副產品。語言模型的本質在於預測與想像，當這種能力用於文學創作時，我們稱之為靈感；當它被用來陳述事實，偏差便被視為幻覺錯誤。人類大腦的運作亦不例外。神經科學研究指出，即使是健康個體，記憶本身也是一種重構過程，而非精確的重播。我們經常在記憶的裂縫中修補，在視覺盲點中填補不存在的細節。我們與AI一樣，生活在經過篩選與扭曲的世界裡，只是人類發展出區分有用想像與危險妄想的社會機制。真正的難題在於證據本身的定義。對AI而言，機率分布與統計關聯即構成它所理解的證據。如果訓練資料長期重複某種錯誤敘述，例如關於拿破崙（Napoleon Bonaparte）身高的迷思，他實際身高約169公分，在當時法國男性中屬於平均或略高於平均，但網路上卻長期流傳他僅有157公分的說法，這源於法國舊制單位與英制單位換算錯誤的歷史遺留問題。模型在缺乏外部校驗的情況下，便可能將這類謬誤內化為常識。更深層的危機來自資訊的遞迴循環。當人類大量吸收AI生成的內容，而這些內容又反過來成為下一代模型的訓練材料時，真實與幻覺的邊界不僅會變得模糊，甚至可能出現結構性的崩解。研究已顯示，訓練資料中的偏見、遺漏與不一致性，會轉化為系統性的缺陷，持續放大幻覺的產生。這已不再是單一演算法的問題，而是整個資訊生態系的集體偏移。在辛克萊所描述的兩種愚蠢之外，當代社會或許正在形成第三種困境，即喪失辨識能力的狀態。當影像、聲音與論述都能被高度擬真地偽造，眼見為憑的時代已正式終結。我們或許不該奢求一個永不產生幻覺的AI，因為那等同於要求一個不再做夢、喪失想像力的心智。幻覺是大型語言模型的結構性特徵，因為其核心目標是生成看似合理的內容，而非主動驗證真實性。對絕對精確的過度追求，反而可能抹除AI中最具價值的創造潛能。因此，我們真正需要學會的，是與幻覺共存的藝術。這意味著在不確定性中前行，既不盲目崇拜AI的輸出，也不因恐懼而全盤否定其意義。真正的智慧存在於持續的懷疑與開放之間。當AI拋出看似驚人的結論時，我們應將其視為一個邀請，促使我們去查證、去探索、去思考。正如學界所建議的，使用高品質且多元的訓練資料、嚴格的測試流程，以及交叉驗證機制，都是降低幻覺風險的有效途徑。在這個由人類與機器共同編織現實的時代，也許我們彼此都帶著某種程度的認知扭曲前行，唯有透過不斷的對話與辨析，才能在虛實交錯的迷霧中，撈起那一抹仍可共享的真實。

Token價格跌了99%，這件事過去兩年已成為AI產業大趨勢。但有一個數字卻大幅上升：「推論（inference）」算力需求。所謂推論，是模型訓練完成後每次被呼叫服務客戶產出回應的運算。超大規模雲端業者與科技公司AI基礎建設資本支出已達數千億美元等級，其中推論佔企業AI預算的比重已達85%，仍在攀升。Stanford AI Index 2025記錄，達到GPT-3.5等級效能的成本2年內下降280倍（透過各種TCO系統優化策略），但全球GPU出貨量與資料中心功率密度要求卻同步上升。2022~2023年，AI基礎建設的資本配置幾乎全集中在訓練，整個產業的討論聚焦於訓練算力的持續擴張。但2025年之後，這個比例已大幅翻轉—在許多雲端平台的實際負載中，推論已超過訓練；推論晶片市場的年銷售額，預計未來5至8年成長4至6倍。推論算力的成長需求，由3個力量相乘決定，不是累加：（1）token能力持續提升、價格快速下降，興起大量、多樣的知識領域新穎應用情境；（2）推理（Reasoning）模型讓每次查詢的算力消耗乘以10至50倍；以及（3）第三個力量，也是最常被忽略的一個。第三個力量是agent的呼叫結構。關鍵不在agent能做什麼，而在怎麼做。單一agent完成一項任務（例如AI coding），背後並非一次LLM呼叫，而是一整個循環：規劃、工具呼叫、觀察結果、反思、修正，再執行，通常產生10至20次LLM呼叫；多agent系統並行運作，呼叫量再乘一個數量級。除了前文提過的AI coding，Salesforce Agentforce在2025年第４季的年度經常性營收已達8億美元、年增169%；企業端agent部署不是未來式，是現在式，而且每個部署都在以乘數方式放大推論需求。3個力量合在一起，構成一個對市場規模的估算架構：情境數量×每個情境的推理深度×每個agent任務的呼叫次數。三者相乘，不是相加。需求乘數的另一面，是推論硬體本身的結構性改變。Google DeepMind研究人員Xiaoyu Ma與Turing Award得主David Patterson於2026年1月在IEEE發表論文"Challenges and Research Directions for Large Language Model Inference Hardware"指出，目前沒有一款現有主流GPU架構主要為推論最佳化，業界仍在用訓練架構執行推論工作。推論的Decode階段（逐一吐出輸出token的過程）是memory-bound，不是compute-bound。然而過去十年，硬體發展的重心一直放在運算，而非記憶體：GPU的FLOPS成長80倍，記憶體頻寬只成長17倍，這個落差還在擴大；HBM系統成本持續上升。論文因此提出4個研究方向——高頻寬Flash記憶體、近記憶體運算、3D記憶體邏輯堆疊、低延遲互連——尚未有廠商完整實現。推論需求的放大，加上硬體規格尚未收斂，正在重塑晶片採購的邏輯。OpenAI 2024年在37億美元營收下虧損近50億美元，推論成本正是這個結構性落差的主要因素之一；大型CSP業者們的實際回應不是等GPU廠商更新架構，而是自行設計推論專用ASIC（TPU或NPU）；推論負載佔比愈高，自建ASIC的TCO優勢就愈明顯。訓練叢集的採購邏輯是「跟上GPU最新世代」；推論叢集的採購邏輯正在轉變為「針對自己的模型特性與流量結構客製化」。這是兩套不同的供應鏈需求，會在不同位置開啟不同的機會。Patterson論文勾勒的研究方向，直接對應到推論叢集TCO優化的4個維度：運算端以推論專用ASIC取代GPU；通訊端以低延遲互連取代訓練導向的高頻寬拓樸；儲存端從HBM走向高頻寬Flash與DRAM的混合記憶體階層；能源端把每個token的功耗列為系統設計的第一優先。4個維度都還在定義，意味著供應鏈格局尚未固化。「推論經濟」的崛起，為GPU伺服器供應鏈日益固化、毛利空間收窄的台灣業者，開啟新的機會。推論ASIC的設計與製造、先進封裝、記憶體異質整合，恰好落在台灣IC設計生態系與晶圓代工、先進封裝能力的交叉點上。這四個維度的硬體規格，目前仍在被定義當中，也是探尋新機會的好時機。

台灣資訊電子業對毛利壓力並不陌生。品牌客戶每年的成本下壓、產品週期縮短、規格要求提升，是這個產業幾十年來的基本節奏。過去應對的方式是製程優化、規模經濟、供應鏈整合。AI的出現不是這條路的延伸，而是改變競爭的計算方式。哈佛商學院教授Oberholzer-Gee的Value Stick框架把競爭優勢拆成一個簡單的公式：Value=WTP–Cost。WTP是顧客願付的價格上限，Cost是企業的成本下限。這個差值愈大，企業可以創造與捕獲的價值愈多。競爭力的本質，是持續拉大這個區間。台灣電子業其實對這個邏輯並不陌生，只是過去很少使用這個框架思考。PC ODM時代，台灣主要ODM業者用規模與供應鏈整合建立成本曲線（隨產量提升而持續下降的單位成本）優勢，後進者很難複製。晶圓代工龍頭的邏輯更直接：良率每提升一個百分點，每顆晶片的成本就跟著下來，客戶願意支付的溢價也跟著上去，Value Stick從兩端同時擴大。延伸報導專家講堂：企業AI導入的7個層次面板業則是反面案例：規模競爭把整個產業的成本壓到極限，但WTP沒有跟上（市場競爭使售價持續下壓，與成本同步探底），多數業者的毛利結構至今仍未完全恢復。這三個案例說明的是同一件事：成本曲線的優勢一旦建立，追趕的代價是非線性的。AI帶來的結構性影響，從成本與WTP兩端同時展開——而成本這端，是最先被感受到的。成本這端是最直接的。IC設計業已經感受到AI工具帶來的結構性變化。晶片驗證是開發流程中最耗時、最昂貴的環節，過去資深工程師需要花費大量時間撰寫測試程式、調整UVM test bench、反覆確認覆蓋率。EDA領先供應商推出的AI輔助設計優化工具，讓布局最佳化與測試程式生成的部分工作可以由AI完成。根據個別設計專案的回報，PPA（功耗、效能、面積）提升達雙位數百分比，設計與驗證的反覆修改時間顯著縮短。值得注意的是，部分台灣主要IC設計業者已不只是採用外部EDA工具，而是走向自行開發AI模型。出發點之一是設計資料的安全敏感性：核心IP不易外傳至雲端服務；另一方面也是對特定設計流程有更精準的優化需求。以晶片布局為例，已有業者透過強化學習（reinforcement earning）訓練自有模型，在SoC布局預測上實現從數週壓縮至數小時的設計週期，並公開發表於國際設計自動化頂尖會議。這個方向代表的是：AI能力的建立，開始從「購買工具」進化為「訓練自有模型與內化能力」，兩者的差距，未來將直接反映在研發效率與成本曲線上。EMS端同樣在移動。台灣主要EMS廠與全球GPU運算資源供應商合作建置AI工廠，已是目前最具體的公開方向：AI視覺檢測取代人工目視、生產排程AI優化壓縮換線時間、設備預測性維護降低非預期停機。邏輯一致：把過去依賴人力判斷的環節，逐步轉為AI輔助決策，讓單位產出成本隨規模擴張持續下降。國際管理顧問機構與商學院的研究顯示，系統性導入AI工具的企業，知識工作的完成速度提升約25%、品質提升約40%，對應到製造端是良率改善、重工減少、客訴降低。WTP這端的移動比較不明顯，但同樣在發生。當IC設計公司能夠更快完成驗證、更快回應客戶規格變更，品牌客戶在選擇設計夥伴時的考量開始改變：交期可靠性與應變速度，正在成為與價格同等重要的評估維度。對EMS廠而言，能夠提供AI輔助的生產可視性與品質預測，已是部分品牌客戶評估長期合作夥伴時的加分項。這不直接等於更高的售價，但等於更穩固的訂單與更長的合作週期，這本身就是Value Stick上端的移動。根據國際顧問機構2024年全球調查，AI導入程度最高的4分之1企業，創造的價值是最低4分之的3至4倍。這個差距在資訊電子業的具體呈現是：能夠用AI壓縮設計週期、提升良率、降低庫存的公司，Value=WTP–Cost的數值在擴大；沒有跟上的公司，面對同樣的品牌客戶成本下壓，空間只會愈來愈窄。PC ODM時代的成本曲線建立花了10年，晶圓代工的良率優勢積累更長時間。AI這條曲線的建立速度可能更快，因為工具的取得門檻低，擴散速度也快。但這反過來意味著，領先者的優勢也可能更快被追上；除非持續深化、把AI能力嵌進組織的核心流程，而不只是導入工具。真正的問題不是有沒有導入AI，而是AI驅動的效率累積是否已經反映在毛利結構上。至於AI帶來的效率，最終能否轉化為毛利結構的改變，答案會在接下來幾年的財報數字裡逐漸呈現。

過去兩年，AI科技公司市值飆升，傳統本益比估值已不適用——市場溢價反映的是產業結構重組的預期，而非當期獲利。對尚未投入AI的企業而言，問題不在旁觀與否，而是從何切入，掌握這波AI紅利。有效使用AI工具的企業，完成同樣業務量所需的人力成本與工時正在縮減。這個落差當下還不明顯，但歷次技術變革的走向都說明同一件事：效率差距遲早會轉化為成本結構的差距，而成本結構一旦落後，追趕所需的時間往往遠超過補齊工具本身。企業使用AI的方式，其實有清楚的技術層次可循，從幾乎零門檻的日常工具，到需要深度IT能力的客製化部署。理解這幾個層次，才能找到合理的切入點。第一層：對話式AI的日常滲透。對多數企業而言，第一個接觸點是ChatGPT、Claude等對話式AI，用於文件草稿、市場分析摘要、會議紀錄整理、法規條文初步解讀。這個入口看起來瑣碎，影響卻不容低估。麥肯錫（McKinsey & Company）的研究顯示，使用生成式AI的知識工作者平均每天節省1.75小時；GitHub Copilot的實測數據則顯示工程師完成指定任務的速度提升約55%。這一層幾乎沒有理由不做，唯一需要決定的是是否系統性地推動，而不是讓每個員工各自摸索。第二層：嵌入工作流程的agent工具。這一層的關鍵不是AI「幫你建議」，而是給定目標，agent自主規劃步驟、執行完成，員工負責最後審核。Cursor、Claude Code等coding agent是目前最成熟的例子，工程師描述需求，agent自己寫程式、測試、除錯，開發週期大幅壓縮。但應用範疇已遠不止於此：給定主題，agent自主產出完整投影片；描述財務邏輯，agent建公式、設架構、生成圖表；會議錄音進來，整理決議、分配待辦、起草通知；業務開發上，agent研究目標對象、撰寫個人化開發信、追蹤回覆進度，銷售團隊專注在真正需要人判斷議題。當工作流程中有重複性高、步驟明確的工作，這一層值得認真評估。第三層：特定領域的第三方工具：HR的智慧排班、聘雇、與績效分析、客服的自動回覆與情緒偵測、行銷科技的廣告投放優化，以及電商平台如Amazon Seller Central的商品描述生成與動態定價建議。優點是導入快、ROI計算相對清晰，不需要IT深度介入；取捨是客製化空間有限，資料往往流向第三方。當特定職能有明確痛點、且不想花IT資源自建時，這是效益最快顯現的選擇。第四層：呼叫LLM API自建企業工具。當第三方工具無法滿足需求，直接呼叫OpenAI、Anthropic、Google等的API（使用token），由內部IT開發客製化工具是下一步。例如串接內部ERP資料的智慧查詢介面、自動摘要供應商合約重點條款的審閱流程、根據歷史訂單提供採購預測的決策輔助系統。先決條件是具備一定規模的IT開發能力。資料流向雲端是主要的風險考量；當這個風險可接受、且IT人力具備，這一層提供第三方工具難以達到的客製深度。第五層：自建模型環境，資料不出企業。當資料敏感度更高，或用量規模使雲端API的成本不再划算，企業可以建立自己的模型環境。最常見的做法是部署開源模型，搭配RAG架構：模型的內部知識負責推理與回答，公司的文件、手冊、歷史紀錄作為外部知識來源，在每次查詢時動態檢索補充，讓回答有所依據。這個架構不一定需要自建實體伺服器，企業可以在自己管控的雲端環境中部署開源模型，運算資源租自雲端、資料留在自己的空間，兼顧彈性與資料主權。對有特定領域需求的大型企業，可以進一步微調（fine-tune）開源模型，讓模型精準理解內部術語與文件格式，但門檻不低，需要足夠數量且標註完整的領域資料與相應的訓練資源，成本可觀，中小型企業直接使用RAG通常已足夠。至於從頭預訓練（pre-training），幾乎不在企業的選項之列——所需運算資源以億美元計，是大型AI實驗室才有條件投入的工作。同樣在這個層次，邊緣AI（Edge AI）提供另一條路線：推論直接在終端設備上執行，資料從不離開設備、延遲極低、斷網也能運作。更值得關注的是企業多年累積的內部資料——製程參數、研發紀錄、設備維護歷史、客戶交易記錄——過去是沉睡的資產，現在可以透過本地部署的AI模型加以活化。不只是查詢與檢索，而是跨資料集推理：找出製程與良率之間人工難以發現的關聯、連結多年研發紀錄中被遺忘的發現、系統化留存資深員工的隱性知識。這類資料幾乎不可能送上雲端，本地部署的投資也因此有更明確的商業理由。第六層：整合多模型的AI決策平台。在更高的複雜度層次，是像Palantir AIP這樣的平台：在企業既有的資料基礎設施之上，同時整合多個LLM來源，讓人員在不直接接觸原始資料的情況下進行AI輔助決策。美國軍方是其最具代表性的客戶，商業端也快速拓展至製造、醫療、金融等場景。導入門檻高、週期長，但提供其他方案難以達到的整合深度與決策可稽核性。這一層適合資料環境複雜、決策責任明確、且已在第四、第五層累積相當經驗的企業。成熟的企業AI策略往往是混合架構：日常文書使用雲端LLM，敏感的內部知識查詢走RAG加開源模型，特定職能採購第三方工具，產線即時判斷、內部know-how活化走邊緣AI。根據各任務的資料敏感度、使用頻率與精度要求做出合理配置，不必一刀切。這7個層次表面上是技術路線的選擇，背後是競爭力的重組。採用AI更徹底的企業，人均產出顯著提升、決策週期縮短。對供應鏈而言，硬體架構的影響也同步在發生：企業端的AI推論需求快速成形，伺服器、記憶體與邊緣運算設備的採購邏輯正在重寫。而組織層面，隨著AI承接愈來愈多的文書、協調與初步判斷工作，人員的職能重心從「執行」移向「決策」與「問責」——這對人才結構的重新界定，是企業領導者需要提早布局的課題。

對過去的執著，常使人誤以為昨日是一個可以重啟的程式（rebootable program），彷彿只要回到某個儲存點（save point）便能修正錯誤。然而，時間的核心機制是改寫（rewrite），而非還原（restore）。每一次前進，都伴隨著內在結構的調整。路易斯·卡羅（Lewis Carroll）在《愛麗絲夢遊仙境》（Alice's Adventures in Wonderland）中，透過愛麗絲（Alice）之口說出那句著名的話：「回到昨天沒有用，因為那時的我已是不同的人。她之所以無法回歸原貌，正因其認知框架（cognitive framework）已被經驗永久改變。」將此觀點延伸至AI發展，可以看到相似的邏輯。一個完成訓練的AI模型，其昨日由固定的訓練資料集（training dataset）與初始模型權重（initial model weights）所構成。在部署後，模型本身通常維持靜態；唯有經過微調（fine-tuning）或持續學習（continual learning），它才會進入新的階段。每一次有目的的再訓練與迭代，都會不可逆地改變其內部參數結構。人們往往期望AI的記憶，也就是其經訓練形成的知識，是穩定且可預測的。然而，如同人類學習，AI的成長並非線性過程。新資料可能引入異常案例（anomalies），也可能挑戰既有模式。一個大型語言模型（LLM）在不同版本間所呈現的細微輸出差異，正反映其在再訓練後參數（parameters）配置的調整結果。模型並非單純重複過去的計算，而是在舊有基礎上，經由新的訓練週期，形成帶有修正理解（revised understanding）的新狀態。這種不可逆的進化同時蘊含深刻風險。當AI吸收錯誤或帶有偏差的資料，它可能朝錯誤方向演進，且難以回到一個所謂正確的昨日。正因如此，資料來源的選擇、治理與監管顯得格外重要。持續學習的路徑如同單行道，一旦資料受到污染，後續修正所需付出的代價將極為高昂。因此，對AI而言，真正的適應性並不在於固守一個被視為完美的過去訓練集，而在於能否在面對模糊性與錯誤時，透過審慎的再訓練與優化，生成更準確且更具彈性的回應。它的進化不在於靜態保存所有資訊，而在於能於每一次訓練迭代中調整內在連結與權重，持續向前。它的昨日完成初始學習，它的今日則攜帶更新後的參數結構，在新的任務中延伸出新的知識。

左圖是我的手，右圖是AI的靈魂，或者說，是它從人類無數個靈魂中蒸餾出來的回應。這件事讓我著迷許久。起初，我只是隨手在紙上勾勒一個女性的姿態：頭部後仰，雙臂上舉，身體的弧度像一個無聲的感嘆號。線條粗糙，比例也不完美，但那個姿勢裡有某種說不清楚的渴望，像是一個人在黑暗中向天空伸手的瞬間。我把它拍下來，輸入一段精細的提示詞（Prompt），然後交給AI。幾秒鐘後，右圖出現了。我盯著螢幕看了很長時間。那還是我的姿勢，我的構圖，但那個向天空伸手的女人，已經不再是草稿。她的頭髮像墨水在水中散開，一絲一縷都有自己的重量。她的皮膚在炭筆（Graphite）的陰影裡呼吸，光從不可見的地方打來，讓鎖骨下方有了深度。最讓我震驚的是那些紫色的牽牛花，它們並非強行安插，而是像真的從她的身體裡生長出來，藤蔓沿著腰線纏繞，葉片覆蓋本來空白的下半身，像是自然界對一個姿勢的詮釋。要理解這幅圖從何而來，得稍微走進AI的思維邏輯。AI首先透過視覺編碼讀取草稿中的線條結構，同時解析提示詞的語義，將兩者在潛在空間（Latent Space）中進行多模態融合。接著，它識別出頭部後仰、雙臂上舉的骨架，透過ControlNet確保生成結果嚴守原始輪廓，再從訓練資料中召喚素描技法與新藝術運動（Art Nouveau）的視覺記憶，將它們揉進同一個畫面。最核心的演變發生在擴散過程（Diffusion Process）裡：圖像從一片純粹的隨機噪聲出發，在逐步去噪中讓細節從虛無中浮現，像是某種沉睡的記憶在黑暗中緩緩甦醒。那些牽牛花之所以長在那裡，是因為交叉注意機制（Cross-Attention）讓花卉的語義在圖像特定區域精準激活，而ControlNet那雙無形的手，始終拉住AI奔湧的想像力，讓它不越出我草稿劃定的物理邊界。整個過程，像一位藝術家在高維向量空間中進行的聯想，素描的肌肉記憶與牽牛花的印象在同一瞬間翻湧交疊。那幅右圖太美了，美得讓我有一瞬間覺得左圖顯得有些多餘。但我很快意識到，如果沒有左圖，右圖根本無從談起。AI的所有聰明，在那一刻都在服務我那個顫抖的輪廓。那個姿勢是我的，那個渴望是我的，AI只是給了它一場盛大的赴約。這就是人機協作最迷人的地方：不是替代，而是放大。我帶來意圖，AI帶來技法；我帶來情感的骨架，AI帶來血肉和皮膚。工具在改變，從獸骨到毛筆，從油彩到潛在空間中的運算，但那個想要表達某件事的衝動，仍然是整件事的起點，也是任何參數都蒸餾不出來的精華。

2022年下半，AI技術出現罕見的結構性轉折。Frontier Model 首度同時展現出真正的泛化（Generalization）與多工能力（Multi-tasking）。泛化意味著模型學到可擴展的語義與分析能力，能在新的指令形式與問題情境下維持穩定表現；多工則意味著同一套模型可以服務翻譯、摘要、圖片生成、問答等截然不同的場景應用，無需為每個任務另行訓練專用模型。這個突破，使AI從針對單一任務優化的垂直工具，轉變為橫向的通用、高成長智慧服務。同時也對供應鏈產生即時衝擊：自2022年下半起，資料中心的算力需求全面上修，GPU短缺從研究機構蔓延至企業端，並推動整條AI供應鏈——從晶片、伺服器到應用層——重新定位。2024年的下一步：推理（Reasoning）登場。泛化與多工解決「能做什麼」的問題，卻沒有解決「能想多深」的限制。對話式問答提供足夠解方，但遇到需要多步驟邏輯推導的任務如解數學題、複雜程式除錯、分析法律條文、科學探索、邏輯論證等，模型的能力侷限就被暴露出來。這個落差，在2024年下半開始逐步被補上。OpenAI-o1的發布標誌著推理時代的開始。推理模型呈現出更接近「System-2」的思考方式——借用心理學家康納曼（Daniel Kahneman, 1934~2024）的框架：System-1是快速直覺式的反應，System-2是緩慢刻意的深層推理。在實際運作中，推理模型不會直接輸出答案，而是先在內部展開較長的（推理）思維鏈（Chain-of-Thought, CoT），逐步分解問題、排查矛盾、整合邏輯，再收斂出最終回應。數學推導、程式除錯、法律條文解析、醫療決策輔助——這些原本只有專業人士才能應付的複雜任務，開始出現跨越式的能力提升。推理能力的形塑，來自幾個相互強化的技術突破。最基礎的是思維鏈CoT訓練。模型在訓練時被要求把推理過程一併展開，而非直接給最終答案，強迫模型在解題時學會分解問題、逐步推進。這種推理的引導，顯著提升複雜邏輯任務的表現。其次是強化學習（Reinforcement Learning）的深度整合。模型透過持續與真實任務互動並接收回饋，逐步找出「真正有用的答案」而非「聽起來合理的答案」——這成為推理品質得以持續演進的核心機制。值得注意的是，強化學習的獎勵機制，也間接強化模型「用更多token想清楚」的行為傾向——更長的思維鏈往往對應更好的答案，模型在訓練中學會以算力（更多token）換品質。第三條路是推論時擴展（Test-Time Scaling），被視為繼預訓練（Pre-training）、後訓練（Post-training）之後的第三條scaling law：不必重新訓練模型，只需在推論（inference）階段投入更多運算資源，讓模型「想更久」，就能換取更好的答案品質。正因如此，隨著用戶數量增加，據報導，目前實際對用戶服務時的推論運算需求，已經高於模型訓練階段的算力消耗。推理能力的代價，直接反映在token用量上。傳統問答模式下，一次查詢平均消耗數百個token；推理模型因為需要展開較長的內部推理步驟，每次查詢的使用量往往是傳統模式的10到50倍。這種倍數效應已在市場流量結構中浮現：目前推理模型的token使用量，已佔整體LLM流量的6成以上，預計會持續增長。這不只是技術規格的改變，而是整個算力需求預測邏輯必須重新計算的開始。當推理能力成熟，一個更大的結構性轉變隨之而來：Agent 的崛起。Agent （代理人）不是升級版的聊天機器人，而是具備目標驅動、自主規劃與多步驟執行能力的AI系統。沒有深層推理，Agent只是預先編排好的流程；有了推理，它才能在複雜流程中深度思考，做出判斷、處理例外、在不確定性中高價值任務。程式設計是第一個Agent的突破點。GitHub Copilot、Anthropic Claude與Cursor的AI coding工具，目前市佔各約24%至25%，生產力提升幅度估計達1.5至3倍。從成長速度可以感受到市場反應的強度：Anthropic的年化營收（ARR）在2025年年增幅逾 800%，Cursor從1億美元成長至10億美元、年增達900%。法律、醫療、財務等垂直領域的跟進速度也正在加快：據報導，Harvey的法律AI ARR已達1.5億美元。OpenEvidence在臨床醫療場景的ARR同樣超過 1.5 億美元。這些垂直應用的共同特徵，在於它們都依賴多步驟推理——不只是查詢資料庫，而是在法條、案例與臨床指引之間做出複合判斷，處理真實世界中的模糊與矛盾。推理的架構決定token耗量只會持續增加。每個新應用場景導入、每個Agent工作流程啟動，都意味著更多的思考步驟與更高的算力消耗——這是推理模型的設計本質，不會因為效率優化而消失，只會因為應用範疇擴大而放大。對半導體、伺服器、高頻寬記憶體供應鏈而言，這是結構性的長期需求訊號。當推理能力從數位工作流程走向實體世界，影響規模可能再擴大一個量級。工廠排程、醫療診斷輔助、教育個人化、法律文件審查——這些場域一旦嵌入自主推理能力，改變的不只是工具，而是企業工作流程與人員分工的重組。這種重組很可能使對ICT基礎建設的需求，從一次性的升級，轉為更長期的投入。這波AI資本投入是否會在建設高峰後趨於平緩？推理模型提供一種不同的結構性邏輯。其特性在於，應用規模的擴張會直接轉化為持續性的推理運算需求，而不僅是一次性的部署成本。當前推論已成為AI算力負載的主要來源，而推理型推論的運算佔比不斷攀升。再加上方興未艾的Agent架構興起，以及各種以token消耗為核心的智慧服務快速普及，算力需求將不再僅僅隨模型訓練週期波動，而是與日常使用頻率高度綁定。當使用深度與應用廣度持續擴張，供應鏈從晶片、記憶體到電力基礎設施所面對的需求動能，可能更接近結構性成長，而非單一景氣循環所驅動。延伸報導專家講堂：AI愈強，Token卻愈便宜

2023年初，OpenAIGPT-4的API定價約為每百萬token30美元；如今，主流前瞻模型已全面重訂價格：GPT-4o mini降至0.15美元、Anthropic Claude 3.5 Haiku低至0.25美元、Google Gemini 2.0 Flash更壓至0.10美元—降幅從90%到99%不等，而且仍在持續下修。這不是削價競爭，而是深層的技術與市場力量共同作用的結果，並正在引發整個AI生態系的結構性改變。3個相互強化的力量在同時作用，支撐token價格持續下降。首先是模型效率的快速提升。蒸餾（distillation）將大模型的能力壓縮進更小的架構，量化（quantization）降低每次運算的位元需求，混合專家架構（MoE）讓推論時只啟動最相關的小網路。同樣的任務，所需算力持續縮減，而且這個技術優化態勢，還沒止息。其次，是系統層級的優化。產業界已清楚Transformer推論的運算瓶頸——矩陣乘法佔了絕大多數計算量，KVCache的記憶體存取效率與頻寬配置直接影響延遲，而批次處理策略則決定整體吞吐量。從編譯器最佳化、推論排程到硬體與系統層的整體優化，讓同一套硬體能服務更多prompt、產出更多token。以Google為例，透過TPU與模型、系統的協同優化，在特定工作負載下推論能效出現數倍到數十倍等級的提升，顯示推論成本仍有可觀的下降空間。接著是競爭格局的根本改變。DeepSeek-R1、Meta LLaMA3、阿里巴巴Qwen2.5等開源模型持續追近閉源frontier模型的效能（約落後7個月），打破少數大廠的定價壟斷。開源模型的全球部署量已佔整體AI使用的約3成，也成了市場定價基準的壓力源。Token成本的持續下降，正在同步觸發3個層面的連鎖反應。第一，是AI推論應用的急遽擴張。當每百萬token的成本從過去的高價模型，下降到數十分美分至數美元等級，大量原本「因成本不具經濟效益」的場景開始跨越可行門檻。個人化郵件撰寫、即時翻譯、文件摘要、程式碼生成、多語客服回覆、會議紀錄整理、合約審閱輔助、報表初稿產生等任務，不再只是試驗性功能，而逐步成為工作流程中的常態模組。關鍵不在於成本歸零，而在於邊際成本已低到足以長時間、完整部署推論服務，讓AI從「偶爾使用的工具」轉變為持續運行的生產力工具。第二，是Agent對工作流程的全面滲透。低成本token是Agent得以規模化的前提。這一點已在市場成長速度上反映出來：Anthropic的營收規模近年快速進入數十億美元級距，年增幅達數倍；Cursor等AI coding工具在短時間內從千萬美元級別，躍升至上億美元年化營收，成為成長最快的一批AI SaaS產品。這些成長快速的新創幾乎無一例外地以agent或workflow automation為核心定位——無論是Anthropic、Harvey、Glean——產品路線指向的是自主代理與垂直工作流程整合，而非單純的聊天介面。一個agent往往需要與多個工具連續互動、發出數十次甚至上百次API呼叫才能完成任務。token成本的每一次下降，都在直接擴大agent可運行的任務邊界與商業規模，同時也引發更多的token用量。第三是價值的持續上移。最具體的案例是程式碼生成。Cursor、ClaudeCode等AI coding agent以Claude與GPT-4o為核心引擎，正在重塑開發者的工作流程，而非只是IDE的外掛。Microsoft 365 Copilot、Anthropic Claude將AI能力直接嵌入Excel的公式建議與資料分析、PowerPoint的簡報生成、Teams的即時摘要，使AI不再是獨立查詢工具，而成為日常工作的預設助手。根據DIGITIMES Research的市場觀察，AI產業價值佔比將在2026至2028由硬體逐步轉向軟體與服務，而應用層的滲透速度，將成為下一階段競爭的真正起點。成本的持續下壓，讓另一端的問題更加凸顯：如何繼續壓低生產token的成本（TCO）？顯現在2個產業核心。晶片架構是第一個關鍵。各大CSP正加速投入自研ASIC，針對Transformer推論的計算模式深度最佳化，在特定工作負載下可實現數倍等級的能效提升，使算力成本的下降速度不再完全受制於通用GPU的產品節奏。電力則是更根本的制約因素。高密度AI資料中心的電費往往佔營運成本的相當比例，當規模擴張到一定程度，電力取得能力往往比伺服器採購能力更早觸及上限。近年新資料中心的選址優先順序已悄悄改變——穩定電力供給逐漸取代土地成本成為首要考量。多家能源研究機構預測，全球資料中心電力需求在未來數年將出現倍數成長，AI擴張的真正瓶頸，已從晶片轉向能源。Token成本持續驟降，是AI進入第二階段的信號。第一階段的核心問題是「能不能做到」，競爭集中在最先進模型的能力競賽；第二階段的問題已經不同——誰能把TCO壓得夠低、把平台做得夠開放，讓更多應用在上面生長，才是真正的決勝點。接下來幾年，與其看各家發布什麼新模型，不如看推論成本降到哪裡、開發者生態有多活躍，以及有多少垂直應用選擇在平台上發展；這些變數的交會處，才是下一波市場重心真正落腳的位置。對台灣而言，半導體與伺服器供應鏈能否持續協助全球客戶優化整體TCO，將決定我們在這一波Token通縮浪潮中的角色與分量。