旅行来到了奥尔堡（Aalborg），一个位于丹麦北边的工业海港城市。在港口边矗立一座外表奇特的建筑物，地图上标示著Utzon Center。在好奇心的驱使下，进入馆内参观，才发现这是丹麦建筑大师约恩・乌松（Jørn Utzon），生平最后一件作品，与他的儿子Kim Utzon共同于2008年完成，而他本人也于当年11月过世，享寿90。奥尔堡是乌松成长的地方，直到18岁前往哥本哈根学习建筑。他最为大众所熟悉的是设计澳大利亞悉尼歌剧院，那座坐落于悉尼港口边，为世人所赞叹的多枚帆船造型的建筑物。然而在施工的中途，因为经费节节上升以及管理问题，地方政府暂停顾问费用支付，乌松愤而离去，终其一生他本人没有亲眼见过自己所设计的悉尼歌剧院。悉尼歌剧院是于1956年对国际征求设计图，共有两百多件设计图竞标。乌松以其独特的外型获得评审团青睐，当时他才38岁。然而对于几个巨大，对空开展的曲面屋顶结构，该如何施工却没有答案，所以评审团是押住在一个没有工程问题的解答，却是一个具有创意的建筑案上。获得了设计标，乌松的挑战才开始。首先是工程团队提出这些曲面是什么样的几何图形？因为这些曲面结构是需要在工厂内先预铸，然后再送到工地拼装完成，而预铸是得先设计模板。乌松本人是建筑设计师，而当时又没有先进的电脑辅助设计軟件，所以实际情况是建筑物地基已经打好，但还不知道屋顶该如何盖的窘境。直到1964年乌松与工程团队想出所谓的球面解法，就是在一个球形上，往下切出不同面积及深度大小的结构体，并将之立起来，就形成帆船布的预铸体。由于每一大小不一样结构体，都是在共一个球面上，有著相同的曲率，因此模板可以重复使用，同时也不必伤脑筋，去计算每一个曲面的几何图形。在Utzon Center内就有这种共球面的几何结构，供人们实际演练。据说这个方法是乌松在剥橘子的过程中想出来的，复杂的结构能够用简单的几何图形表现出来，是人类智能最优雅的极致。乌松的父亲是奥尔堡当地造船厂的工程师，所以他从小耳濡目染对于船舶的曲面造型，有著相当敏锐的直觉，这也表现在他其他的著名建筑物上。乌松于2003年获得普立兹克建筑奖（Pritzker Architecture Prize），这是相当于建筑界诺贝尔奖的荣誉。最近有2件建筑案吸引我的注意，一个是国内刚完工的淡江大桥，另一个是位于西班牙巴塞隆纳的圣家堂。淡江大桥是单塔不对称的斜张桥，桥墩的跨距又极大，也是个相当前卫大胆的设计。所幸在设计时，经由各式的工程模拟，已经证实在工程上是可行的，接下来是施工时所需面对，外在地质天候环境上的挑战。圣家堂是西班牙建筑大师高第（Antoni Gaudí），最为世人所关注的建筑物，高第非常善用不同的几何图形，因此施工难度相当地高。历经超过 140 年，2026年才完成最核心的耶稣基督塔外部。一个建筑物，若是谨守既有的工法来设计，将无法流传于世。Utzon Center内有一个房间，让访客使用乐高积木（Lego），来搭建自己想像中的建筑物。房间内并且陈列为数不少的创意作品。乐高也是丹麦所独特的设计产品，当我问AI，悉尼歌剧院与乐高积木的关联性，AI的回复令我非常的惊艳。它说，悉尼歌剧院是一个球面，创造出许多不同的帆；而乐高积木是，一个基本积木的接口，创造出无数不同的世界。

2026年入夏以来，台风与极端高温频繁进入新闻版面。放大到近几年，豪雨与干旱轮流上场，已逐渐成为常态。而理解、预报这些天气的技术，正逐渐转向AI。70年前，人类第一次用电脑做天气预报，把大气层切成格点，用物理方程序描述流体运动，交给超级电脑逐步求解。这套方法称为数值天气预报（Numerical Weather Prediction；NWP），至今仍是全球气象业的骨干。每次全球预报都要在数百万个网格上反复求解流体力学方程组。气象单位的标准作法还利用ensemble，同时跑多组条件略有差异的预报，用多个结果来改善预测品质。所以，运算是刚性需求，气象也长期是全球高效能运算（HPC）的大用户之一。AI挑战数值天气预报的成果，从2022年前后开始出现。Google DeepMind的GraphCast在标准评测的90%预测上，胜出欧洲中期天气预报中心（ECMWF）的主要数值模型。华为的盘古模型采用同样的數據驱动作法，论文估计其「推论」（实际预测时）速度比当时的营运数值系统快超过1万倍。2025年5月，微软（Microsoft）的Aurora再推进，在超过百万小时地球相关地球观测數據上预训练，再微调出空气品质、海浪、台风路径、高分辨率天气4个应用版本，在各自的评测项目上都优于现行的数值系统，其中5天台风路径预报胜过7个主要预报中心。2026年7月，Aurora的新版再加入能源、农业、交通等需要的预报项目，同时也公开释出模型权重（13亿参数）。ECMWF在2025年已陆续把自家AI预报系统AIFS的单一预报与ensemble版本，纳入每日例行预报的正式流程，与传统数值系统并行。美国国家海洋暨大气总署（NOAA）也在2025年12月部署AI全球预报系统，以开源的GraphCast为基础，再用NOAA自己的數據进行额外训练，其中传统物理模型与AI混合的ensemble，表现优于两者单独使用。70年来由超级电脑支撑的气象预报，目前是两套系统并行运作，而依NOAA的数字，AI版预报用的运算量不到传统系统的1%。但运算需求不会因此消失，AI预报每次起算，仍要靠传统系统把全球观测整合成一致的初始状态。成本差距这么大，是因为AI模型预报的方式与传统NWP大相迳庭。NWP的逻辑由物理定律出发，把已知的定律写成方程序，再用大量运算逐步推演大气状态。AI模型则从几十年的历史數據学状态之间怎么转变，不必在每次预报时重新求解完整的方程组，也不要求先理解背后的物理机制。作法上与语言模型从文本学结构、AlphaFold从序列与结构數據学规律相近。主要的运算成本落在预训练与微调，之后每次推论只要少量运算，秒级到分钟级就能完成。标的也不只有天气。传统地球系统预报由大气、海洋、海浪与空气化学等模塊串接而成，彼此交换信息，但各模塊有各自的數據、方程序与开发流程。Aurora则是同一个预训练模型微调出不同任务版本，学到的不只是天气，还包括地球系统其他层面的动态。有趣的是，原本集中在国家级气象机构的预测能力，正在往产业端扩散，变成可以自己部署、自己微调的一项基础能力。能源是最直接的例子。各主要市场的尖峰与离峰电价差正在拉大，數據中心与各类新增电气化用电的成长又推高尖峰，电网业者同时推动需量反应、时间电价与电网级储能，试著用各种手段把用电尖峰压下来。国际能源总署（IEA）估计，全球住宅空调贡献约600 GW的尖峰负载，但实际被调度的比例仍低。这些节能操作都得提前预备。需量反应得先通知用户，储能得决定何时充放，前提是知道什么时候缺、缺多少。而尖峰出现的时间与高度，相当程度由天气决定。空调只占全年用电约1成，却占了尖峰需求的3成；以印度为例，2024年气温每上升1度，尖峰需求就增加7 GW。太阳能与风电的出力同样取决于天候。我们多年来参与太阳能电厂的智能监控与发电量预测，与电力公司长期协作，台风前后那几天的发电量预测不确定性明显升高，也正是调度特别需要可靠信息的时候。NWP的维运要有超级电脑、實時观测數據整合与跨国观测站網絡，门槛一直很高。几个代表性模型的权重已经公开，推论的运算需求远低于传统NWP，用自有數據微调的作法也逐渐普及。能源、物流、农业、保险，原则上都有机会微调出贴近自身需求的预测系统。几个局限还待克服。目前已知效能仅限于评测基准上的统计结论，进入电网调度或供应链决策之前，仍需在具体场域验证极端事件下的稳定性。空间分辨率是另一个实际限制。以Aurora为例，分辨率较高的全球预报也只到约11公里，对初略天气型态已有参考价值，对太阳能光电场址层级的预测仍不足。臺湾多山地形往往需要公里级分辨率，还得再把粗网格的预报细化到局部地形，实务上这段差距目前多靠场址端的實時量测与在地數據来弥补。更根本的是，AI模型的训练數據来自历史气候，气候变迁正让极端事件的频率与型态偏离历史分布，这是所有靠數據学习的方法都会碰到的问题。同一套「基础模型」的想法正在往DNA序列、材料结构等领域扩散。地球系统不一样的地方在于，它的预测结果每天都得使用。语言模型出错，多半只是一段不可靠的文字。地球模型出错，影响的是明天的发电、用水与物流安排。其他领域的基础模型多半还在改变研究的方式，地球系统的模型已经进入营运现场，每天接受现实检验。

旅行到了丹麦首都哥本哈根，最想去的地方莫过于位于哥本哈根大学内的尼尔．波尔（Neils Bohr）研究所，这里是量子力学哥本哈根学派的发源地，也是量子力学奠基之所在。百年前全欧洲的理论物理菁英，汇聚于此架构出量子力学基本的假设及原理，除了波尔教授外还包括海森堡（Heisenberg）、包利（Pauli）、狄拉克（Dirac）、蓝道（Landau）等，每位都是诺贝尔奖得主。我曾在想，能够长时期汇集这些菁英，除了波尔教授本身的魅力外，一定还有来自其他方面的资助。果不其然，哥本哈根著名的啤酒制造商Carlsberg，就是波尔教授的长期赞助者，甚至在波尔求学时期就开始资助的活动。Carlsberg的創始人J. C. Jacobsen本身就是对于科学有强烈兴趣的人，他为了解决啤酒长期以来品质不稳定的问题，于1875年设立Carlsberg Labs，长期研究大麦内蛋白质含量，在实验室内分离并培养纯酵母菌株，使得啤酒的品质能被稳定的控制。更难能可贵的是，Carlsberg并没有申请专利，成果供同业共享。Carlsberg Labs应该是最早以私人企业设立的实验室，比贝尔实验室（Bell Labs）的设立足足早了50年，在科学史上也有诸多重大的贡献，其中影响最大的莫过于建立酸碱PH值的量测规范及方法，这是我们在中学化学实验课所必备的实验课程。2022 年诺贝尔化学奖得主Morten Meldal教授所创立的点击化学（Click Chemistry），绝大部分的工作是在Carlsberg Labs完成的。J. C. Jacobsen更在1876年设立Carlsberg基金会，将家族所拥有公司的股份捐给基金会，而每年的收益用以资助丹麦境内的科学及公益活动。以2025年为例，基金会共支助约50亿臺币，其中70%用于基础科学的研究計劃，計劃甄选的首要条件，必须是没有答案的計劃。刚谢幕的世足赛，挪威表现得非常抢眼，其中最令人印象深刻的是，挪威人在国会殿堂，在纽约的地铁，以维京人划船的动作为自己国家的球队加油。中世纪维京人分布在挪威、丹麦及瑞典，由于长期在海上航行的风险，造就维京人重承诺、守纪律及愿意分享的民族特性。这也是在参观完Carlsberg纪念馆，对于J. C. Jacobsen这位企业家，能将自己的财富回柜给社会，留下最深刻的印象。在波尔研究所入口处有座4个人浮雕，除了波尔教授外，另外三位分别是George de Hevesy，Aage Bohr（波尔教授之子）以及Ben Roy Mottelson，他们都是在该研究所完成杰出工作而获得诺贝尔奖。丹麦国家人口仅六百多万，在历史上已有14位诺贝尔奖得主的产生，除了科学外也有3位文学奖的得主。最近要培养国内诺贝尔奖得主的话题又拿出来讨论，这除了要有国家的资源外，我们是否有企业愿意长期支持基础的科学研究，尤其是没有答案的研究計劃？我们的学术研究計劃，在計劃书内通常都会有一项是预期成果，如果研究計劃还没进行前，就需要想到预期成果，不就抹煞原创性？没有答案的研究計劃，才是我们要培养诺贝尔奖级人才，所需跨出的第一步。

我小时候著迷于一本古典小说《镜花缘》，当中叙述的无肠国，让我感触良多。无肠国的百姓终日进食，食物入口却不消化，只在腹中一路穿行而过，徒留一具具永远饥饿的躯壳。这荒诞的设定，乍看是奇谈异闻，细想却像一则跨越两百年、专为今日而写的当代寓言。我们何尝不是这样的国民。清晨睁眼，短影音一则接一则涌来，手指机械地上滑，眼球贪婪地扫视，脑袋却空空如也。我们以为自己在摄取信息，实则信息只是路过，不曾停留，更不曾转化成血肉。生成式AI更把这条输送带推向极限：1秒消化一整本书，1分钟简化复杂争论。我们得到知识的幻觉，却失去咀嚼的过程，而咀嚼，正是理解真正发生的地方。无肠国人害怕食物空跑一趟，于是拼命进食，仿佛多吃一口就能留住什么。这与我们面对演算法时的心理如出一辙：害怕漏掉任何一则信息，于是不断点击、不断滑动，却从未问过自己，留住了又如何？那些经手的万千信息，究竟有多少真正住进了我们的思想里？绝大多数，不过是穿肠而过，什么也没留下。这个寓言残酷之处，在于提醒我们：消化本身需要摩擦、需要抵抗、需要时间发酵。真正的养分，不是那些滑顺溜进喉咙的东西，而是那些让你咀嚼到牙酸、让你皱眉思索、甚至让你噎住的内容。一首读不懂的诗、一个矛盾的命题、一段撼动人心却难咽的叙事，这些才是真正的精神粮食，因为它们拒绝被轻易吞咽。然而，AI最擅长的，恰恰是把世界磨成滑顺的糊状，削去所有棱角；而棱角，原本正是刺激思考肌肉生长的地方。人类的自救之道或许很简单，却也很奢侈。在AI能1秒生成10篇摘要的时代，选择用一整个下午读1首诗，让文字在体内慢慢发酵。在演算法只喂养熟悉、顺口的内容时，主动寻找陌生、别扭、令人恼怒的思想，因为正是这些摩擦点，才能锻炼出真正属于自己的判断力。在信息洪流催促我们往下滑的瞬间，学会停下来，把这一口真正嚼碎，让它痛、让它呛，直到它成为血肉的一部分，而不只是一个路过肠胃的旅客。无肠国人临终回望，吞下的食物堆积如山，却没有一口曾真正属于自己。这是何等荒凉的一生。我们身处信息更泛滥千百倍的时代，更该警惕这荒凉提前降临。终有一天，当数据河流干涸，演算法不再运转，能真正留在我们身上的，只会是那些被咀嚼、消化、转化成自己一部分的东西，哪怕只是一句话、一个念头、一次灵魂深处的震动。从无肠到有魂，这条路没有捷径，只有一种选择：在加速的时代里，固执地慢下来，做回一个会消化的人，而不是一具会进食的输送带。AI用极致的速度，替我们重新问一个古老而沉重的问题：你吞下的，究竟是滋养生命的食物，还是自我盲从的残影。

Token单价下滑、总消耗量大增，专栏2026年3月分析过，趋势至今有增无减。新一代前瞻模型朝AI代理（AI Agent）的使用型态设计：这几个月各家前瞻实验室竞争加剧，接连发布的新模型能规划任务、分派工作、运用各种技能与工具、直接操作电脑界面，定价却更低。AI代理正被快速导入各种知识工作。那么，AI代理真的能承接知识工作吗？能承接多少？尚未承接的部分，是还没有人投入，还是技术未到？7月初参加在加州圣地牙哥举办的计算语言学年会ACL 2026，一场「AI代理人与工作的未来」专题讲座（tutorial）把技术现况以及这些问题拆开来看。浮现一张让人惊讶的能力版图：AI代理已经站稳的区域，小得出乎意料；版图之外，一部分是还没有人投入的空白，另一部分是技术还待克服的难题。先看站稳的区域。前瞻模型业者OpenAI在2025年推出代理人基准测验（benchmark）GDPval，从GDP贡献最大的44种职业中，设计出1,300多项「规格明确」的真实任务（如简报、财务模型、工程图说），来测试代理人执行能力，并请同行专家盲评AI与人类的成品。依业者2026年4月发布的最新结果，最强模型的成品已有逾8成被评为不输人类专家；这套基准2025年9月推出时，这比例还不到5成，再前一代模型也只达到1成出头。依业者推出这套基准时的估算，完成速度与成本约为人类专家的百分之一。单看这些数字，AI代理似乎已经可以上工。但这片区域在整个劳动版图上有多大？ACL会议中主讲的CMU团队把目前43个AI代理基准测验（学术、产业时常使用的Agent评测任务）共72,342个任务，对应到美国1,016种职业的技能分类（参考美国O*NET职业信息數據库）。基准测验的分布，可当作目前AI代理研发重心地图：考题集中的地方，训练數據与研究人力也跟著集中。结果显示，任务多数落在「取得信息」与「操作电脑」2项技能，在整体就业所需技能中的权重合计不到5%；投入最深的程序与数学领域，只对应7.6%的就业人口。原因不难理解：这些工作结构化程度高、输入输出明确、成功与否可以验证。本专栏先前提过，自动化总是先从结构化的场域开始，研发投入也一样。版图之外的第一种空白，是还没有人投入的高价值区。同一份报告指出，管理、法务、建筑工程的工作已高度數字化（约88%、70%、71%），基准测验的覆盖却只有1.4%、0.3%、0.7%，而管理正是以薪资加权后经济价值集中的领域。这些工作中不少环节有明确的输入输出，未必是技术做不到，更可能是还没有人投入；论文称之为「错失的机会」。一旦投入到位，对企业来说，这里可能是生产力改善较早出现的地方。第二种空白，是技术还待突破的复杂工作。數據标注平臺业者与AI安全研究机构合作的「線上劳动指数（Remote Labor Index）」，从接案平臺选取真实付费委托（3D建模、建筑图说、影音制作、數據分析等，专业者完成一件的中位时间约11.5小时），让前瞻AI代理端到端执行，再由人类评审对照专业接案者的成品盲评，以此模拟企业交付员工的工作指令。指数2025年10月发布时，最佳模型只有2.5%的专案达到可验收水准。真实委托的需求模糊、规格多步骤、常要求修改既有成品，这些都还没被结构化。长时序的复杂任务是另一道关卡。前述CMU团队的报告同时量测AI代理自主性：即使在表现最好的軟件领域，任务复杂度一提高，成功率就明显下滑；其他测验加入工具中途出错、给定信息不完整、需要多人协作等情境后（模拟真实复杂场域），表现同样走低。值得注意的是这张版图移动的速度。2026年7月，研究机构以最新一代模型、搭配更完整的代理人执行环境重测線上劳动指数：最佳模型的成功率已从2.5%升到15.8%，前后不到1年；同一份更新也指出，绝大多数专案的成品仍达不到专业验收水准。两个现象并行：能做的还很少，推进的速度很快。GDPval从1成出头到逾8成不输专家，说的是同一件事：AI代理目前的能力版图比想像中小，但持续扩张中。这类成长难免包含针对测验最佳化的成分；但这两套测验过的是人类专家对真实成品的验收，能拉高分数的改进，多半也是AI代理真实能力的提升。目前技术扩张的方向也有迹可循。研发正把做不到的难题当成训练目标：新一代测验把出错、协作、真实委托等情境逐步纳入题目，最新的训练方法把专家验收的标准（rubric）转成训练信號；今天做不到的清单，很可能就是下一轮训练數據与运算投入瞄准的地方。还没有人投入的高价值空白，很可能也将循同一条路逐步被填补。回到开头的需求端。目前代理人技能只在结构化的一小块版图上站稳，如今的用量成长与供应链投资，大致就发生在这一小块之上（但已相当可观）。版图之外的大量工作，仍由人补位：厘清模糊的需求、拆解执行步骤、修正最后的产出；而这些补位动作，专栏近期谈过，正是企业在教模型。目前AI代理能完成的工作比想像中少，但是需求已经这么大，而技术能力版图还在往外扩。接下来市场的成长与组织的变动，可能又会超乎我们的想像。

今日大力推动人形机器人时，让我想到《复制娇妻》（The Stepford Wives）这部伊拉・莱文（Ira Levin）于1972年创作的小说，1975年由布莱恩・福布斯（Bryan Forbes）改编成同名惊悚电影。这部作品超越科幻与恐怖类型的范畴，成为映照社会焦虑的镜子，凸显父权社会对女性的物化、对个性自主的压抑，以及对科技失控的潜在恐惧。故事讲述摄影师乔安娜（Joanna）与丈夫搬入康涅狄格州宁静的郊区小镇Stepford。起初，她被小镇整洁的街景与居民的礼貌吸引，但渐渐察觉异样：镇上的妻子们举止相似、语气温顺、生活完全围绕家务。当好友查梅恩（Charmaine）突然失去个性、变得顺从后，乔安娜与另一位新住民展开调查，最终发现恐怖的真相。镇上的男子协会利用科技手段将妻子取代为完美顺从的机器人，让这座小镇成为男人幻想的乌托邦。电影上映时评价分歧，由此产生的文化词汇「Stepford Wife」却影响后世，用来象征被驯化、顺从而失去灵魂的女性。饰演查梅恩的路易丝（Tina Louise）表现出女性对抗社会定型的挣扎，成为理解这部电影的重要视角。电影《复制娇妻》拍摄于1970年代第二波女权主义的高峰期，直接反映部分男性对女性追求平权的焦虑与反扑。片中的男子协会以科技重塑女性形象，象征彻底抹除女性主体性。电影以恐怖叙事揭露这种乌托邦的残酷，在完美的草坪与笑容背后，潜藏的是灵魂的死亡。它提出尖锐的问题：所谓的「完美女人」，是否必须以牺牲自由与个性为代价？近半世纪后，这部作品的寓言在人工智能（AI）时代更加贴近现实。深度伪造（Deepfake）技术能重塑人的声音与容貌，延续數字层面对人的物化。电影中的机器人妻，如今以虚拟形式重现。当人类利用科技塑造「理想对象」，往往忽略背后的伦理界线。AI的「个性定制」与社群媒体演算法的回音室效应，也在无形中削弱思想的多样性，使人们在意识上成为新的「复制人」。电影所讽刺的「完美」幻象，如今透过演算法与滤镜重生，构筑出表面幸福却内在空洞的社会模板。《复制娇妻》的性别寓言，是一则对自由与真实的警示。它提醒我们，真正的进步不应制造顺从的复制体，而需尊重差异与不完美的人性。科技或许能创造无数「理想化的她」，但唯有拒绝被定义的个体，才真正拥有不可复制的灵魂。

过去20年，企业信息治理的核心是保护數據：分级、加密、备援、不出门，这套做法如今已是标准作业。但數據本身是静态的；真正创造竞争力的，不是數據，而是「运用數據改善工作」的能力：用它最佳化产品设计、良率、客户经营与销售流程，让被动的數據「活化」。例如，晶圆厂把检测數據回馈到制程参数，物流业者拿配送纪录重排路线，品牌厂拿客服对话修正产品设计：數據的价值，在商业循環中被最佳化放大。AI时代，这个循環有了新的参与者。企业的工作流程本来就持续在最佳化、修正，行之有年的持续改善是营运的日常；过去改善的成果写进SOP，如今企业把AI嵌入工作流程，AI跟著每一次调整吸收经验。这里说的「学习循環」，正是持续改善的新形态：不是模型自我学习，而是企业最佳化流程、AI吸收经验、让下一次做得更好的循环；循環转得愈久，累积愈厚。AI吸收经验的管道，多半是人提供的提示词与脉络數據（context）。AI代理（AI Agent）目前能稳定接手的，还只是结构化程度最高的一小块工作；其余大量工作，仍需要专人介入：用提示词补上模糊的需求、提供流程脉络、修正不到位的产出。每一次补位都是一次示范，规格文件、报价逻辑、内部术语，随著提示词一并交给模型；本意是让眼前的工作更有效率，实际上却也在教导模型。模型做不到的部分愈多，人教得愈勤，留下的教材愈密集；模型的能力边界，恰好沿著人补位最密集的地方往外推。企业教得愈多，前瞻模型能力愈强，而这个原本属于企业的改良过程，可能逐渐累积在外部平臺掌控的学习系统中。企业领导人的疑虑，开始浮上台面。2026年7月初，一家美系數據分析軟件大厂的CEO在访谈中批评，前瞻实验室一边把模型能力讲得过满，一边透过客户的日常使用，吸收企业的专有工作流程与策略知识；7月中旬，微软（Microsoft）CEOSatya Nadella发表短文〈The Reverse Information Paradox〉，表达他的想法。他借用经济学家Kenneth Arrow在1966年提出的信息悖论：原始版本是卖方的困境，要证明信息有价值就得先揭露，一揭露，买方就免费取得了；Nadella认为AI把风险反转到买方这一侧：企业为AI付2次钱，一次付订阅与运算费用，另一次付出为了让智能派得上用场、不得不揭露的企业know-how。外流的管道不只是上传文件：提示词、附带的脉络与额外數據，尤其是「纠正模型错误」的动作，每一次修正都是高价值信號，把机构知识一笔一笔输出，进了外部平臺手里。Nadella这篇短文提出警讯，要企业自问：你亲手教模型的信息，流向哪里？业界的讨论多半集中在他提出的5个C架构：Control是自建并持有评测与机构记忆，所有权留在企业手上；Capability是在自己的环境内，让模型针对真实工作流程练习与微调，不必把敏感脉络交给第三方；Choice是把调度层与任何单一模型脱钩，换模型时不必重建评测、不遗失脉络；Cost则是Choice的直接结果：能换模型，就能按任务挑选通过评测的最经济选项。前四项是手段，第五项Compound才是目的：把它们组成一个学习循環，AI随使用愈变愈好，而改进成果像资产一样留在企业内部，属于企业，而不是供应商。企业与供应商之间这条界线该画在哪里，与用哪一家云端平臺无关。哪一份输出被接受、哪里被改、为什么被改，这些过程信息过去不被当成资产，也不在數據治理的范围内；知识的价值，正在从文件移向「过程」；數據治理守住的是原料，尚未涵盖制程改良循環。外流的轻重，对不同企业并不相同。多数企业的日常使用，外流的多是通用内容，影响有限；有相当规模的企业则不同：独特的工作流程、客户结构、长年累积的领域數據，正是修正信息价值集中的地方。如何把学习循環留在内部？一半条件在运算平臺。这不意味著放弃前瞻模型：更可能的形态是混用（hybrid），通用能力继续交给公有云上的这些模型；而关键的评测、记忆、教导模型的指示与范例、修正纪录，在自己掌控的环境内累积——本专栏2026年5月谈AI运算架构5层重组时描述过的企业數據中心与本地服務器，正是这个循環落脚的地方。延伸报导专家讲堂：Token帐单之后：AI运算架构的5层重组另一半条件在模型端。开放权重模型是前提：权重能掌握在自己手上，模型才能搬进企业门内；循環于是累积在企业的评测与记忆上，而不是绑在某一个模型身上；Choice的议价能力，在架构上由此而来。成本也比直觉想像的低：NVIDIA研究部门2025年的论文主张，代理人系统中大量呼叫是重复、特化的小任务，小型模型已足以胜任；评测评分、任务分派、记忆整理这类循環里的控制工作，恰好都属于这一类，不需要仰赖前瞻模型。「消费智能的同时，你也在创造智能。你创造的东西应该属于你。」Nadella说得直白。模型会走向商品化，企业的know-how、工作流程最佳化循環不会；真正的资产，不是模型，而是企业每天都在累积、并且留在自己手上的学习循環。

我在杭廷顿图书馆（Huntington Library）的古籍收藏中，发现牛顿（Isaac Newton, 1643~1727）的《操作顺序》（Operationum Ordo）。这是一本关于炼金术的手稿，撰写于1690年代，显示这位科学巨擘少为人知的一面。经济学家凯因斯（John Keynes, 1883~1946）于1942年检视这些笔记后曾感叹：「牛顿不是理性时代的第一人，而是最后一位魔法师。」随著学术研究的深入，我们逐渐认识，牛顿的炼金实验其实是一种极其理性的思维模式，对今日资通讯工程具有相当启示。牛顿的炼金研究并非出于迷信，而是建立在严谨的实验设计与系统性纪录之上。他仔细记载每个步骤，精确衡量材料比例，并反复验证结果。这种系统性思维，与他在物理与数学领域的研究一脉相承。对于现代资通讯工程师而言，这是设计与分析复杂系统不可或缺的基础。当今工程师在规划網絡架构或开发通讯协定时，须掌握各模塊间的互动关系，正如牛顿观察物质间反应时所展现的细腻与缜密。軟件工程的模塊化设计、版本控制、持续整合等实务，也发挥类似的理性精神。牛顿在《操作顺序》中对每一实验环节的细致纪录，与现代资通讯工程师在除错与系统优化时所需的纪律与洞察相映成趣。牛顿的独特之处，在于他能穿越知识领域的边界，将数学、物理、光学乃至炼金术相互融通。这样的跨域能力，是当代资通讯工程发展的核心精神。人工智能结合神经科学与统计学，物联网融合硬件设计与人机界面，6G技术更须整合射频工程与通讯协定。牛顿追求「物质转化」的精神，如今亦实践于工程师努力将不同知识转化为创新的解决方案。牛顿在面对外界对炼金术的质疑下，仍投入大量时间与心力研究，表现出不畏探索未知的勇气与毅力。这种挑战常规、坚持探索的态度，是科技创新的驱动力。从人工智能到量子通讯的发展，皆源于对现有技术架构的突破。牛顿对实验的执著提醒我们：真正的创新，来自时间的累积与反复试验。《操作顺序》的另一重要价值，在于其对知识管理的示范意义。牛顿详实记录每次实验，包括观察结果与失败尝试，建构出一套完整的知识积累机制。对现代工程团队而言，良好的知识管理系统如Git、Confluence等，是协作与技术传承的基础；技术文件撰写与注解，也是工程实践中不可或缺的一环。凯因斯将牛顿形容为「魔法师」，是赞赏牛顿在理性分析与直觉洞察之间取得的平衡。炼金术虽披神秘色彩，牛顿的操作方式却极为理性。这种理性与直觉并行的能力，在现代工程中同样重要。优秀的工程师不仅需掌握科学方法，亦须具备技术直觉与创新思维。深度学习架构设计、系统调校与效能优化，往往来自工程师的直觉引导，随后再以实验验证。正如牛顿的实验精神最终孕育出科学革命，今日的技术革新，也同样根植于理性思维与实验勇气的结合。

因为所服务的公司，在日本东京神奈川县的川崎市设立一研究所，因此这一年来每个月都会出差到日本一趟。由川崎到立川的JR南武线，就是我必搭的铁道。不论一天中的哪一个时段，南武线的人潮总是熙熙攘攘络绎不绝，有次在上班尖峰期，我在南武线的平交道上，两边的电车你来我往地，足足就等了十多分钟，平交道的闸门才打开。有回我跟一位东京工业大学的教授（东工大因为并了医学院，改名为东京科学大学）聊到这个现象，他跟我说南武线过往是日本半导体的重要聚落。我才想起在二十多年前，曾经拜访过NEC半导体事业的总部，就是在南武在線。的确，后来查了數據，不仅是NEC，富士通（Fujitsu）、东芝（Toshiba）也都在南武在線设立半导体研发及生产的基地。昔日日本半导体的五强，就剩下三菱（Mitsubishi）及日立（Hitachi）没在南武在線设厂。再加上其他的科技类产业，难怪南武线被当地政府称为High Tech Line。就连1950年代末期，Sony研究员江崎玲于奈（Leo Esaki）博士发现半导体的量子穿隧效应（tunneling effect）的研究室，坐落于东京的品川地区，离南武线也没多远的距离。江崎博士因为这个发现而得到1973年诺贝尔物理奖，诺贝尔委员会称其的发现与发明为第一个量子电子元件。众所周知全球第一个使用晶體管的收音机是出自于Sony，Sony在1953年取得贝尔实验室（Bell Lab)晶體管的授权，1955年就推出这款晶體管收音机。当时晶體管使用的是锗（Ge）元素的半导体，而不是现在大家所熟悉的矽（Si）半导体。然而开发的初期为了增加晶體管的信號放大能力，通常都会增加杂质参杂的浓度，而导致晶體管的良率不佳，江崎博士授命解决这个问题。他的发现是来自于不良品的特异现象，并且用量子力学来解释这个现象，之后并利用这个现象设计出隧道二極管（Tunnel diode）或称为Esaki diode（江崎二極管）的电子元件，应用于相关电子电路的产品开发。相信绝大部分的人在产在線作不良品的分析，很少会仔细地探讨其异于平常的特性，而从中得到巨大的发现。话题回到南武在線，日本半导体的五强在全盛时期，曾占DRAM市场的80%。曾经市占第一的英特尔（Intel），被迫于1985放弃DRAM市场，转进到CPU领域。我曾在1987年参加IEDM的年会，在DRAM的论文报告中清一色全是日本公司在主导。日本半导体产业由极胜而衰，美国在政策上的掣肘发生极大的作用。美国绝不愿意看到盟国，有一个重要且强大产业发生，威胁到其生存。因此大家所熟知的广场协议、进出口税及的配额、反倾销、反托拉斯等多项颟顸措施就应运而生，最后就是扶植韓國成为日本半导体的竞争对手，这些林林总总现在也不就正发生在我们的身上。当然日本在产业发展的过程中，错失PC及數字时代的来临，也是半导体产业由盛而衰的重要因数。JR南武线的人潮依然熙熙攘攘，只不过由先前的半导体从业人员，转换为大都会区的上班族及通勤的学生。依旧的电车，依旧的铁道，看尽日本半导体产业的沧桑史。

韓國的科技政策，譬如前述的两个阶段的半导体政策，或者前一阵子内容更广泛的K-登月式計劃（K-Moonshot），虽然是分别由贸易、工业和能源部（MOTIE）、总统办公室（Presidential Office）与科学与信息通讯部（MSICT）撰写，但都享有一些共同通的特点。 这些政策在其目标领域中涵盖完整、条理清楚，是明显产业内资深人士的手笔。 这并不难理解。譬如韓國DRAM的开创者陈大济在三星退下后曾经担任韓國信息通讯部（MIC）长官，而NAND Flash的先驱黄昌圭在自三星电子（Samsung Electronics）退下后曾在韓國政府担任知识经济部（Ministry of Knowledge Economy）国家R&D战略企划团长（President of the Office of Strategic R&D Planning），这正是国家研发政策的头。在这样的管理层安排下，做出来的計劃自然比其他国家通常由政务、常务文官或学者撰写的政策能更精确掌握产业现况。 但是韓國的政策也存在一些明显短板，第一个是前瞻性不足。 用甫发布三大計劃与于2021年发布的K-Semiconductor Strategy来比较，AI部分的增益是显而易见的。一个问题是为什么2021年的政策没有包括进AI？ 韓國在AI半导体的有些次领域其实是全世界的领先者，譬如SK海力士（SK Hynix）与超微（AMD）在2009年就开始共同研发高帶寬存儲器（HBM），且在2010年向JEDEC提议制定标准。 当时整个产业和市场环境是2017年Google发表大语言模型基础机制transformer，人工智能的深度神经網絡（Deep Neural Network；DNN）取代过去的模型；云端业者广泛部署卷积神经網絡（Convolutional Neural Network；CNN），GPU已成人工智能训练的主要工具等。随即在2018年中OpenAI公开GPT（Generative Pre-trained Transformer），生成式应用明显启动。 韓國政府有明确感知到AI的发展趋势，于2017年成立第四次工业革命委员会（Presidential Committee on the Fourth Industrial Revolution），将AI列为国家战略技术之一，之后2018年的AI研发战略（AI R&D Strategy）补强了研发、人才和數據建设。2019年的AI国家策战略（National Strategy for AI）则完成一个完整的国家战略，目标是在2030年前成为世界AI强国。 即使AI被清楚的认知为战略目标，但在2021年发布的K-Semiconductor Strategy中，AI并未被未在计划中被捆绑进来。AI与半导体捆绑的重要性可以由2026年的Three Mega Projects的修订中可以自证。 这个疏失是由于没有预见到AI可能会成为半导体产业主要市场驱动力的结果，而可能原因是韓國半导体产业高度集中于存儲器，与其他环节科技业者的接触面向比较受限，相信这也是K-Semiconductor Strategy的目标形成背景之一。 同样的局限也发生在三大計劃中。尽管已经将半导体、AI數據中心与具身AI捆绑在同一計劃之中，但是没有将量子计算整合进来。 对于未来的高效能计算会是AI与量子计算的混合此一发展方向，业界意见并无分歧；有些量子计算公司已经预期在2028年—已经是計劃期间内的可见未来—推出通用容错量子计算机（general fault-tolerant quantum computer）。目前整个AI产业的上下游都在准备此混合计算（hybrid computing）的架构。 韓國当然也有单独的量子计算計劃，譬如2023年的国家量子策略（National Quantum Strategy），但是未能将量子计算并入三大計劃之中，很有可能错失此波AI发展中搭其AI生态链连结及资本市场动能便车的机会。 另外的阙漏是战略目标与经济体制的深层没有精准的对齐。韓國的经济体制—虽然经过80、90年代的整改—仍然是财阀主导的市场经济（chaebol-led market economy）。这种经济体制在某些领域有显著的优势，譬如在垂直整合、品牌、成长速度、规模经济等，这些都是众所周知的事实。但是财阀经济体制也有弱点，譬如韓國有些产业目前面临的困境就是因为新进入产业的其他国家资本，以数倍乃至十数倍的体量在规模经济此一面向上的辗压所致。在半导体发展的领域，特别是以生态系的角度来讨论，财阀经济与水平分工在很多方面是彼此相扞格的。但是在先后两个半导体战略中，主要的资源提供以及战略执行上，却都集中在财阀手中。 因为经济体制形成目前韓國半导体产业的长短板，却还要寄望依相同体制去发展其所缺失的部分，在逻辑上很难说得通透。在战略目标的制定以及经济体制两个层面需要有更深度的思考，以及更细致的协作。