Token价格跌了99%，这件事过去两年已成为AI产业大趋势。但有一个数字却大幅上升：「推论（inference）」算力需求。所谓推论，是模型训练完成后每次被呼叫服务客户产出回应的运算。超大规模云端业者与科技公司AI基础建设资本支出已达数千亿美元等级，其中推论占企业AI预算的比重已达85%，仍在攀升。Stanford AI Index 2025记录，达到GPT-3.5等级效能的成本2年内下降280倍（透过各种TCO系统优化策略），但全球GPU出货量与數據中心功率密度要求却同步上升。2022~2023年，AI基础建设的资本配置几乎全集中在训练，整个产业的讨论聚焦于训练算力的持续扩张。但2025年之后，这个比例已大幅翻转—在许多云端平臺的实际负载中，推论已超过训练；推论芯片市场的年销售额，预计未来5至8年成长4至6倍。推论算力的成长需求，由3个力量相乘决定，不是累加：（1）token能力持续提升、价格快速下降，兴起大量、多样的知识领域新颖应用情境；（2）推理（Reasoning）模型让每次查询的算力消耗乘以10至50倍；以及（3）第三个力量，也是最常被忽略的一个。第三个力量是agent的呼叫结构。关键不在agent能做什么，而在怎么做。单一agent完成一项任务（例如AI coding），背后并非一次LLM呼叫，而是一整个循环：规划、工具呼叫、观察结果、反思、修正，再执行，通常产生10至20次LLM呼叫；多agent系统并行运作，呼叫量再乘一个数量级。除了前文提过的AI coding，Salesforce Agentforce在2025年第４季的年度经常性营收已达8亿美元、年增169%；企业端agent部署不是未来式，是现在式，而且每个部署都在以乘数方式放大推论需求。3个力量合在一起，构成一个对市场规模的估算架构：情境数量×每个情境的推理深度×每个agent任务的呼叫次数。三者相乘，不是相加。需求乘数的另一面，是推论硬件本身的结构性改变。Google DeepMind研究人员Xiaoyu Ma与Turing Award得主David Patterson于2026年1月在IEEE发表论文"Challenges and Research Directions for Large Language Model Inference Hardware"指出，目前没有一款现有主流GPU架构主要为推论最佳化，业界仍在用训练架构执行推论工作。推论的Decode阶段（逐一吐出输出token的过程）是memory-bound，不是compute-bound。然而过去十年，硬件发展的重心一直放在运算，而非存儲器：GPU的FLOPS成长80倍，存儲器帶寬只成长17倍，这个落差还在扩大；HBM系统成本持续上升。论文因此提出4个研究方向——高帶寬Flash存儲器、近存儲器运算、3D存儲器逻辑堆叠、低延迟互连——尚未有厂商完整实现。推论需求的放大，加上硬件规格尚未收敛，正在重塑芯片采购的逻辑。OpenAI 2024年在37亿美元营收下亏损近50亿美元，推论成本正是这个结构性落差的主要因素之一；大型CSP业者们的实际回应不是等GPU厂商更新架构，而是自行设计推论专用ASIC（TPU或NPU）；推论负载占比愈高，自建ASIC的TCO优势就愈明显。训练丛集的采购逻辑是「跟上GPU最新時代」；推论丛集的采购逻辑正在转变为「针对自己的模型特性与流量结构定制化」。这是两套不同的供应链需求，会在不同位置开启不同的机会。Patterson论文勾勒的研究方向，直接对应到推论丛集TCO优化的4个维度：运算端以推论专用ASIC取代GPU；通讯端以低延迟互连取代训练导向的高帶寬拓朴；储存端从HBM走向高帶寬Flash与DRAM的混合存儲器阶层；能源端把每个token的功耗列为系统设计的第一优先。4个维度都还在定义，意味著供应链格局尚未固化。「推论经济」的崛起，为GPU服務器供应链日益固化、毛利空间收窄的臺湾业者，开启新的机会。推论ASIC的设计与制造、先进封装、存儲器异质整合，恰好落在臺湾IC设计生态系与晶圆代工、先进封装能力的交叉点上。这四个维度的硬件规格，目前仍在被定义当中，也是探寻新机会的好时机。

臺湾信息电子业对毛利压力并不陌生。品牌客户每年的成本下压、产品周期缩短、规格要求提升，是这个产业几十年来的基本节奏。过去应对的方式是制程优化、规模经济、供应链整合。AI的出现不是这条路的延伸，而是改变竞争的计算方式。哈佛商学院教授Oberholzer-Gee的Value Stick框架把竞争优势拆成一个简单的公式：Value=WTP–Cost。WTP是顾客愿付的价格上限，Cost是企业的成本下限。这个差值愈大，企业可以创造与捕获的价值愈多。竞争力的本质，是持续拉大这个区间。臺湾电子业其实对这个逻辑并不陌生，只是过去很少使用这个框架思考。PC ODM时代，臺湾主要ODM业者用规模与供应链整合建立成本曲线（随产量提升而持续下降的单位成本）优势，后进者很难复制。晶圆代工龙头的逻辑更直接：良率每提升一个百分点，每颗芯片的成本就跟著下来，客户愿意支付的溢价也跟著上去，Value Stick从两端同时扩大。延伸报导专家讲堂：企业AI导入的7个层次面板业则是反面案例：规模竞争把整个产业的成本压到极限，但WTP没有跟上（市场竞争使售价持续下压，与成本同步探底），多数业者的毛利结构至今仍未完全恢复。这三个案例说明的是同一件事：成本曲线的优势一旦建立，追赶的代价是非线性的。AI带来的结构性影响，从成本与WTP两端同时展开——而成本这端，是最先被感受到的。成本这端是最直接的。IC设计业已经感受到AI工具带来的结构性变化。芯片验证是开发流程中最耗时、最昂贵的环节，过去资深工程师需要花费大量时间撰写测试程序、调整UVM test bench、反复确认覆盖率。EDA领先供应商推出的AI辅助设计优化工具，让布局最佳化与测试程序生成的部分工作可以由AI完成。根据个别设计专案的回报，PPA（功耗、效能、面积）提升达双位数百分比，设计与验证的反复修改时间显著缩短。值得注意的是，部分臺湾主要IC设计业者已不只是采用外部EDA工具，而是走向自行开发AI模型。出发点之一是设计數據的安全敏感性：核心IP不易外传至云端服务；另一方面也是对特定设计流程有更精准的优化需求。以芯片布局为例，已有业者透过强化学习（reinforcement earning）训练自有模型，在SoC布局预测上实现从数周压缩至数小时的设计周期，并公开发表于国际设计自动化顶尖会议。这个方向代表的是：AI能力的建立，开始从「购买工具」进化为「训练自有模型与内化能力」，两者的差距，未来将直接反映在研发效率与成本曲在線。EMS端同样在移动。臺湾主要EMS厂与全球GPU运算资源供应商合作建置AI工厂，已是目前最具体的公开方向：AI视觉检测取代人工目视、生产排程AI优化压缩换线时间、设备预测性维护降低非预期停机。逻辑一致：把过去依赖人力判断的环节，逐步转为AI辅助决策，让单位产出成本随规模扩张持续下降。国际管理顾问机构与商学院的研究显示，系统性导入AI工具的企业，知识工作的完成速度提升约25%、品质提升约40%，对应到制造端是良率改善、重工减少、客诉降低。WTP这端的移动比较不明显，但同样在发生。当IC设计公司能够更快完成验证、更快回应客户规格变更，品牌客户在选择设计伙伴时的考量开始改变：交期可靠性与应变速度，正在成为与价格同等重要的评估维度。对EMS厂而言，能够提供AI辅助的生产可视性与品质预测，已是部分品牌客户评估长期合作伙伴时的加分项。这不直接等于更高的售价，但等于更稳固的订单与更长的合作周期，这本身就是Value Stick上端的移动。根据国际顾问机构2024年全球调查，AI导入程度最高的4分之1企业，创造的价值是最低4分之的3至4倍。这个差距在信息电子业的具体呈现是：能够用AI压缩设计周期、提升良率、降低库存的公司，Value=WTP–Cost的数值在扩大；没有跟上的公司，面对同样的品牌客户成本下压，空间只会愈来愈窄。PC ODM时代的成本曲线建立花了10年，晶圆代工的良率优势积累更长时间。AI这条曲线的建立速度可能更快，因为工具的取得门槛低，扩散速度也快。但这反过来意味著，领先者的优势也可能更快被追上；除非持续深化、把AI能力嵌进组织的核心流程，而不只是导入工具。真正的问题不是有没有导入AI，而是AI驱动的效率累积是否已经反映在毛利结构上。至于AI带来的效率，最终能否转化为毛利结构的改变，答案会在接下来几年的财报数字里逐渐呈现。

过去两年，AI科技公司市值飙升，传统本益比估值已不适用——市场溢价反映的是产业结构重组的预期，而非当期获利。对尚未投入AI的企业而言，问题不在旁观与否，而是从何切入，掌握这波AI红利。有效使用AI工具的企业，完成同样业务量所需的人力成本与工时正在缩减。这个落差当下还不明显，但历次技术变革的走向都说明同一件事：效率差距迟早会转化为成本结构的差距，而成本结构一旦落后，追赶所需的时间往往远超过补齐工具本身。企业使用AI的方式，其实有清楚的技术层次可循，从几乎零门槛的日常工具，到需要深度IT能力的定制化部署。理解这几个层次，才能找到合理的切入点。第一层：对话式AI的日常渗透。对多数企业而言，第一个接触点是ChatGPT、Claude等对话式AI，用于文件草稿、市场分析摘要、会议纪录整理、法规条文初步解读。这个入口看起来琐碎，影响却不容低估。麦肯锡（McKinsey & Company）的研究显示，使用生成式AI的知识工作者平均每天节省1.75小时；GitHub Copilot的实测数据则显示工程师完成指定任务的速度提升约55%。这一层几乎没有理由不做，唯一需要决定的是是否系统性地推动，而不是让每个员工各自摸索。第二层：嵌入工作流程的agent工具。这一层的关键不是AI「帮你建议」，而是给定目标，agent自主规划步骤、执行完成，员工负责最后审核。Cursor、Claude Code等coding agent是目前最成熟的例子，工程师描述需求，agent自己写程序、测试、除错，开发周期大幅压缩。但应用范畴已远不止于此：给定主题，agent自主产出完整投影片；描述财务逻辑，agent建公式、设架构、生成图表；会议录音进来，整理决议、分配待办、起草通知；业务开发上，agent研究目标对象、撰写个人化开发信、追踪回复进度，销售团队专注在真正需要人判断议题。当工作流程中有重复性高、步骤明确的工作，这一层值得认真评估。第三层：特定领域的第三方工具：HR的智能排班、聘雇、与绩效分析、客服的自动回复与情绪侦测、行销科技的广告投放优化，以及电商平臺如Amazon Seller Central的商品描述生成与动态定价建议。优点是导入快、ROI计算相对清晰，不需要IT深度介入；取舍是定制化空间有限，數據往往流向第三方。当特定职能有明确痛点、且不想花IT资源自建时，这是效益最快显现的选择。第四层：呼叫LLM API自建企业工具。当第三方工具无法满足需求，直接呼叫OpenAI、Anthropic、Google等的API（使用token），由内部IT开发定制化工具是下一步。例如串接内部ERP數據的智能查询界面、自动摘要供应商合约重点条款的审阅流程、根据历史订单提供采购预测的决策辅助系统。先决条件是具备一定规模的IT开发能力。數據流向云端是主要的风险考量；当这个风险可接受、且IT人力具备，这一层提供第三方工具难以达到的定制深度。第五层：自建模型环境，數據不出企业。当數據敏感度更高，或用量规模使云端API的成本不再划算，企业可以建立自己的模型环境。最常见的做法是部署开源模型，搭配RAG架构：模型的内部知识负责推理与回答，公司的文件、手册、历史纪录作为外部知识来源，在每次查询时动态检索补充，让回答有所依据。这个架构不一定需要自建实体服務器，企业可以在自己管控的云端环境中部署开源模型，运算资源租自云端、數據留在自己的空间，兼顾弹性与數據主权。对有特定领域需求的大型企业，可以进一步微调（fine-tune）开源模型，让模型精准理解内部术语与文件格式，但门槛不低，需要足够数量且标注完整的领域數據与相应的训练资源，成本可观，中小型企业直接使用RAG通常已足够。至于从头预训练（pre-training），几乎不在企业的选项之列——所需运算资源以亿美元计，是大型AI实验室才有条件投入的工作。同样在这个层次，边缘AI（Edge AI）提供另一条路线：推论直接在终端设备上执行，數據从不离开设备、延迟极低、断网也能运作。更值得关注的是企业多年累积的内部數據——制程参数、研发纪录、设备维护历史、客户交易记录——过去是沉睡的资产，现在可以透过本地部署的AI模型加以活化。不只是查询与检索，而是跨數據集推理：找出制程与良率之间人工难以发现的关联、连结多年研发纪录中被遗忘的发现、系统化留存资深员工的隐性知识。这类數據几乎不可能送上云端，本地部署的投资也因此有更明确的商业理由。第六层：整合多模型的AI决策平臺。在更高的复杂度层次，是像Palantir AIP这样的平臺：在企业既有的數據基础设施之上，同时整合多个LLM来源，让人员在不直接接触原始數據的情况下进行AI辅助决策。美国军方是其最具代表性的客户，商业端也快速拓展至制造、医疗、金融等场景。导入门槛高、周期长，但提供其他方案难以达到的整合深度与决策可稽核性。这一层适合數據环境复杂、决策责任明确、且已在第四、第五层累积相当经验的企业。成熟的企业AI策略往往是混合架构：日常文书使用云端LLM，敏感的内部知识查询走RAG加开源模型，特定职能采购第三方工具，产线實時判断、内部know-how活化走边缘AI。根据各任务的數據敏感度、使用频率与精度要求做出合理配置，不必一刀切。这7个层次表面上是技术路线的选择，背后是竞争力的重组。采用AI更彻底的企业，人均产出显著提升、决策周期缩短。对供应链而言，硬件架构的影响也同步在发生：企业端的AI推论需求快速成形，服務器、存儲器与边缘运算设备的采购逻辑正在重写。而组织层面，随著AI承接愈来愈多的文书、协调与初步判断工作，人员的职能重心从「执行」移向「决策」与「问责」——这对人才结构的重新界定，是企业领导者需要提早布局的课题。

2022年下半，AI技术出现罕见的结构性转折。Frontier Model 首度同时展现出真正的泛化（Generalization）与多工能力（Multi-tasking）。泛化意味著模型学到可扩展的语义与分析能力，能在新的指令形式与问题情境下维持稳定表现；多工则意味著同一套模型可以服务翻译、摘要、图片生成、问答等截然不同的场景应用，无需为每个任务另行训练专用模型。这个突破，使AI从针对单一任务优化的垂直工具，转变为横向的通用、高成长智能服务。同时也对供应链产生實時冲击：自2022年下半起，數據中心的算力需求全面上修，GPU短缺从研究机构蔓延至企业端，并推动整条AI供应链——从芯片、服務器到应用层——重新定位。2024年的下一步：推理（Reasoning）登场。泛化与多工解决「能做什么」的问题，却没有解决「能想多深」的限制。对话式问答提供足够解方，但遇到需要多步骤逻辑推导的任务如解数学题、复杂程序除错、分析法律条文、科学探索、逻辑论证等，模型的能力局限就被暴露出来。这个落差，在2024年下半开始逐步被补上。OpenAI-o1的发布标志著推理时代的开始。推理模型呈现出更接近「System-2」的思考方式——借用心理学家康纳曼（Daniel Kahneman, 1934~2024）的框架：System-1是快速直觉式的反应，System-2是缓慢刻意的深层推理。在实际运作中，推理模型不会直接输出答案，而是先在内部展开较长的（推理）思维链（Chain-of-Thought, CoT），逐步分解问题、排查矛盾、整合逻辑，再收敛出最终回应。数学推导、程序除错、法律条文解析、医疗决策辅助——这些原本只有专业人士才能应付的复杂任务，开始出现跨越式的能力提升。推理能力的形塑，来自几个相互强化的技术突破。最基础的是思维链CoT训练。模型在训练时被要求把推理过程一并展开，而非直接给最终答案，强迫模型在解题时学会分解问题、逐步推进。这种推理的引导，显著提升复杂逻辑任务的表现。其次是强化学习（Reinforcement Learning）的深度整合。模型透过持续与真实任务互动并接收回馈，逐步找出「真正有用的答案」而非「听起来合理的答案」——这成为推理品质得以持续演进的核心机制。值得注意的是，强化学习的奖励机制，也间接强化模型「用更多token想清楚」的行为倾向——更长的思维链往往对应更好的答案，模型在训练中学会以算力（更多token）换品质。第三条路是推论时扩展（Test-Time Scaling），被视为继预训练（Pre-training）、后训练（Post-training）之后的第三条scaling law：不必重新训练模型，只需在推论（inference）阶段投入更多运算资源，让模型「想更久」，就能换取更好的答案品质。正因如此，随著用户数量增加，据报导，目前实际对用户服务时的推论运算需求，已经高于模型训练阶段的算力消耗。推理能力的代价，直接反映在token用量上。传统问答模式下，一次查询平均消耗数百个token；推理模型因为需要展开较长的内部推理步骤，每次查询的使用量往往是传统模式的10到50倍。这种倍数效应已在市场流量结构中浮现：目前推理模型的token使用量，已占整体LLM流量的6成以上，预计会持续增长。这不只是技术规格的改变，而是整个算力需求预测逻辑必须重新计算的开始。当推理能力成熟，一个更大的结构性转变随之而来：Agent 的崛起。Agent （代理人）不是升级版的聊天机器人，而是具备目标驱动、自主规划与多步骤执行能力的AI系统。没有深层推理，Agent只是预先编排好的流程；有了推理，它才能在复杂流程中深度思考，做出判断、处理例外、在不确定性中高价值任务。程序设计是第一个Agent的突破点。GitHub Copilot、Anthropic Claude与Cursor的AI coding工具，目前市占各约24%至25%，生产力提升幅度估计达1.5至3倍。从成长速度可以感受到市场反应的强度：Anthropic的年化营收（ARR）在2025年年增幅逾 800%，Cursor从1亿美元成长至10亿美元、年增达900%。法律、医疗、财务等垂直领域的跟进速度也正在加快：据报导，Harvey的法律AI ARR已达1.5亿美元。OpenEvidence在临床医疗场景的ARR同样超过 1.5 亿美元。这些垂直应用的共同特征，在于它们都依赖多步骤推理——不只是查询數據库，而是在法条、案例与临床指引之间做出复合判断，处理真实世界中的模糊与矛盾。推理的架构决定token耗量只会持续增加。每个新应用场景导入、每个Agent工作流程启动，都意味著更多的思考步骤与更高的算力消耗——这是推理模型的设计本质，不会因为效率优化而消失，只会因为应用范畴扩大而放大。对半导体、服務器、高帶寬存儲器供应链而言，这是结构性的长期需求信號。当推理能力从數字工作流程走向实体世界，影响规模可能再扩大一个量级。工厂排程、医疗诊断辅助、教育个人化、法律文件审查——这些场域一旦嵌入自主推理能力，改变的不只是工具，而是企业工作流程与人员分工的重组。这种重组很可能使对ICT基础建设的需求，从一次性的升级，转为更长期的投入。这波AI资本投入是否会在建设高峰后趋于平缓？推理模型提供一种不同的结构性逻辑。其特性在于，应用规模的扩张会直接转化为持续性的推理运算需求，而不仅是一次性的部署成本。当前推论已成为AI算力负载的主要来源，而推理型推论的运算占比不断攀升。再加上方兴未艾的Agent架构兴起，以及各种以token消耗为核心的智能服务快速普及，算力需求将不再仅仅随模型训练周期波动，而是与日常使用频率高度绑定。当使用深度与应用广度持续扩张，供应链从芯片、存儲器到电力基础设施所面对的需求动能，可能更接近结构性成长，而非单一景气循环所驱动。延伸报导专家讲堂：AI愈强，Token却愈便宜

2023年初，OpenAIGPT-4的API定价约为每百万token30美元；如今，主流前瞻模型已全面重订价格：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更压至0.10美元—降幅从90%到99%不等，而且仍在持续下修。这不是削价竞争，而是深层的技术与市场力量共同作用的结果，并正在引发整个AI生态系的结构性改变。3个相互强化的力量在同时作用，支撑token价格持续下降。首先是模型效率的快速提升。蒸馏（distillation）将大模型的能力压缩进更小的架构，量化（quantization）降低每次运算的位元需求，混合专家架构（MoE）让推论时只启动最相关的小網絡。同样的任务，所需算力持续缩减，而且这个技术优化态势，还没止息。其次，是系统层级的优化。产业界已清楚Transformer推论的运算瓶颈——矩阵乘法占了绝大多数计算量，KVCache的存儲器存取效率与帶寬配置直接影响延迟，而批次处理策略则决定整体吞吐量。从编译器最佳化、推论排程到硬件与系统层的整体优化，让同一套硬件能服务更多prompt、产出更多token。以Google为例，透过TPU与模型、系统的协同优化，在特定工作负载下推论能效出现数倍到数十倍等级的提升，显示推论成本仍有可观的下降空间。接著是竞争格局的根本改变。DeepSeek-R1、Meta LLaMA3、阿里巴巴Qwen2.5等开源模型持续追近闭源frontier模型的效能（约落后7个月），打破少数大厂的定价垄断。开源模型的全球部署量已占整体AI使用的约3成，也成了市场定价基准的压力源。Token成本的持续下降，正在同步触发3个层面的连锁反应。第一，是AI推论应用的急遽扩张。当每百万token的成本从过去的高价模型，下降到数十分美分至数美元等级，大量原本「因成本不具经济效益」的场景开始跨越可行门槛。个人化邮件撰写、實時翻译、文件摘要、程序码生成、多语客服回复、会议纪录整理、合约审阅辅助、报表初稿产生等任务，不再只是试验性功能，而逐步成为工作流程中的常态模塊。关键不在于成本归零，而在于边际成本已低到足以长时间、完整部署推论服务，让AI从「偶尔使用的工具」转变为持续运行的生产力工具。第二，是Agent对工作流程的全面渗透。低成本token是Agent得以规模化的前提。这一点已在市场成长速度上反映出来：Anthropic的营收规模近年快速进入数十亿美元级距，年增幅达数倍；Cursor等AI coding工具在短时间内从千万美元级别，跃升至上亿美元年化营收，成为成长最快的一批AI SaaS产品。这些成长快速的新创几乎无一例外地以agent或workflow automation为核心定位——无论是Anthropic、Harvey、Glean——产品路线指向的是自主代理与垂直工作流程整合，而非单纯的聊天界面。一个agent往往需要与多个工具连续互动、发出数十次甚至上百次API呼叫才能完成任务。token成本的每一次下降，都在直接扩大agent可运行的任务边界与商业规模，同时也引发更多的token用量。第三是价值的持续上移。最具体的案例是程序码生成。Cursor、ClaudeCode等AI coding agent以Claude与GPT-4o为核心引擎，正在重塑开发者的工作流程，而非只是IDE的外挂。Microsoft 365 Copilot、Anthropic Claude将AI能力直接嵌入Excel的公式建议与數據分析、PowerPoint的简报生成、Teams的實時摘要，使AI不再是独立查询工具，而成为日常工作的缺省助手。根据DIGITIMES Research的市场观察，AI产业价值占比将在2026至2028由硬件逐步转向軟件与服务，而应用层的渗透速度，将成为下一阶段竞争的真正起点。成本的持续下压，让另一端的问题更加凸显：如何继续压低生产token的成本（TCO）？显现在2个产业核心。芯片架构是第一个关键。各大CSP正加速投入自研ASIC，针对Transformer推论的计算模式深度最佳化，在特定工作负载下可实现数倍等级的能效提升，使算力成本的下降速度不再完全受制于通用GPU的产品节奏。电力则是更根本的制约因素。高密度AI數據中心的电费往往占营运成本的相当比例，当规模扩张到一定程度，电力取得能力往往比服務器采购能力更早触及上限。近年新數據中心的选址优先顺序已悄悄改变——稳定电力供给逐渐取代土地成本成为首要考量。多家能源研究机构预测，全球數據中心电力需求在未来数年将出现倍数成长，AI扩张的真正瓶颈，已从芯片转向能源。Token成本持续骤降，是AI进入第二阶段的信号。第一阶段的核心问题是「能不能做到」，竞争集中在最先进模型的能力竞赛；第二阶段的问题已经不同——谁能把TCO压得够低、把平臺做得够开放，让更多应用在上面生长，才是真正的决胜点。接下来几年，与其看各家发布什么新模型，不如看推论成本降到哪里、开发者生态有多活跃，以及有多少垂直应用选择在平臺上发展；这些變量的交会处，才是下一波市场重心真正落脚的位置。对臺湾而言，半导体与服務器供应链能否持续协助全球客户优化整体TCO，将决定我们在这一波Token通缩浪潮中的角色与分量。

过去几年，全球大型语言模型（LLM）的早期竞赛几乎都围绕在「评测指标」上。硅谷公司们所引领的这场「AI军备竞赛」，倚赖公开评测基准（benchmark）来展现AI实力：从 MMLU 的跨学科知识、BBH的复杂推论、GSM8K的数学应用、HumanEval的程序设计，到HellaSwag的常识推论、以及Winogrande的语境理解，这些测试成了模型在赛场追逐的技术指标。叙事也极为直接：分数代表能力，分数就是王道。于是，技术优化的路径几乎被锁定——设计更大的模型、注入更多的數據、投入更庞大资本、集中高密度运算资源。然而，当各家模型在标准化测试中不断刷新纪录，「这些评测是否真能代表真实场域」的疑虑也随之浮现。为了凸显AI的场域能力，2024年起，Google与 OpenAI 先后尝试让模型挑战国际数学奥林匹亚（IMO）题目，被视为复杂推论的终极考验，但这些挑战，终究无法反映大众日常的使用场景。于是，美国柏克莱大学研究团队打造的Chatbot Arena，透过大规模真人盲测，让使用者的「体感」直接成为裁判，建立一个更贴近市场的「用户价值」新战场。同时，开源社群则以下载次数、社群优化程度作为佐证，强调模型在实际应用中的应用性。于是，在传统基准分数之外，用户体验与主观感受逐渐成为另一个攸关胜负的评价指标。对于后进者而言，要在AI竞赛中打破既有格局，必须找到不同的切入维度，创造出非对称的攻防空间。这在中国科技公司身上表现得尤为明显：一方面受制于地缘政治，高端芯片的取得受限；另一方面则处于内部竞争极度激烈的环境。在双重压力下，他们不仅追逐「效能极致」，更积极在「系统层」寻求突破。透过垂直整合，挑战者试图以降低训练与推论的「成本」作为切入点，将AI的价值主张，从单纯比拼模型「智能高度」，拓展到「商业效益」的务实层面。这意味著，竞争焦点从「谁更聪明」、「谁的体验更好」，进一步扩展为「谁更务实」：除了「能不能做到」、「好不好用」，还得回答「能不能普及」。 AI 竞赛中积极追赶的Google，发挥自身在數據中心的多年经验，提出另一个关键指标，永续（Sustainable）LLM。在最新发表的研究中，Google 团队揭露：当用户发送一个文字提示（prompt）给Gemini模型时，平均需要消耗 0.24 Wh能量、0.03克二氧化碳，以及0.26毫升水。换句话说，1次文字生成的能源成本，大致相当于看电视9秒钟，或饮用5滴水的等效能耗。需要注意的是，这些数据是以Gemini应用的能耗「中位数」文本提示为基准，并仅限于文字问答场景，尚未涵盖影像或影音等更复杂的生成任务。此外，研究范围也只涉及推论（inference）阶段，而不含更高能耗的训练过程。即便如此，这份报告仍让外界难得窥见营运中大型语言模型背后的「AI 能源帐单」。根据其他研究，目前 LLM 的训练与推论能耗比例约为4 : 6，显示推论已成为整体AI能源足迹中不可忽视的主角。更有意思的是，透过这个研究，我们也看到大模型推论时，各能耗的占比。结果显示，AI加速器（TPU/GPU）消耗约58%的能量，接著是主机CPU与存儲器约占24%，而數據中心的基础设施负担（包含冷却、电力转换等overhead）与备份／高可用性设备共占约18% 。这样的分布非常值得注意：超过一半的能源用在模型运算本身，然而近乎一成也不能被忽略地用于「系统维持与可靠性保障」的功用。更让人惊讶的是，Google 报告同时指出，在过去一年，透过硬件（如 TPU、通讯、储存等）与軟件堆叠的优化，AI 推论的能耗1年内降低33倍，碳排放则下降44倍。这显示能效提升的速度，远远超过我们对摩尔定律的想像。显然在系统层级「Energy + Intelligence」共同考虑下，存在非常大的发挥空间。能源不仅是珍贵资源，更界定AI智能的边界，也迫切需要永续洁净能源的支持：因为「净零碳排」（Net Zero）要求。在这方面，Google 已逐步展开布局：在碳会计的Scope 2范畴（购买电力的间接排放）中，近年持续加码全球各地的再生能源采购，包括太阳能与风能，主动透过市场签订长期的洁净能源合约，确保數據中心与业务能获得稳定的低碳电力。同时，Google也尝试将數據中心转换为绿能资产，并借由参与电网的「需量反应」（demand response）服务，于尖峰时段调整用电量，提升电网稳定。可以预见，随著大型语言模型进入「效率优化」的新阶段，系统层级的调校将比单纯模型演算法更为关键。Google 报告中已开始纳入Scope 1、Scope 2与Scope 3的碳排放计算，而Scope 3更直接牵涉到供应链：从芯片、服務器、网通零组件到各类供应商的碳排责任，最后都会加总进国际云端与AI营运商的ESG帐本。如果国际CSP大厂、前瞻AI模型公司加速要求供应链提供ESG指标，我们在地的ICT供应商，是否已经准备好？这意味著ESG不再只是合规清单，而是全球市场透明度与竞争力的核心要求。对臺湾ICT产业而言，大语言的永续指标至少带来3个启示：第一，效能不再是唯一圭臬，效益才是。芯片与服務器不只要快，更要省，否则难以在全球 AI 供应链中站稳脚步。第二，Net Zero正在成为产品竞争指标，能源效率与碳排揭露将成为跨国合作的必要条件。第三，治理力就是竞争力——能否把算力、能耗与永续整合进企业叙事，将决定企业在全球舞臺的份量。AI的新指标已经浮现：从技术到商业，再到责任与环境（能源）成本，AI竞赛的下半场将不只是「谁更聪明」，而是「谁能在智能与能源之间找到平衡」。对产业而言，同时考量「Energy + Intelligence」，是产品策略与产业定位的新常态。

Intelligence需要能源当作燃料供应，同样的，AI技术的发展，也正提升能源的韧性以及效率。AI与能源互相为用：AI需要更可靠、更干净的电，能源系统也需要AI提供准确预测、快速维运，以及可信赖的控制。当我们开始纳入「AI for Science」探索材料与化学新结构、能源探勘，以及地球天气的基础模型，更可以理解为何Energy+Intelligence为企业及国家贡献的关键竞争力。AI不仅是能源消费大户，也正在各个面向优化新能源应用，包括：（一）发电方式、来源的探勘、发电优化，（二）电网稳定，及（三）降低耗电及用电端优化。在发电与储能端，AI正加速能源资源的探勘与新材质研发。透过地震波与电磁感应数据分析，AI可更精准侦测地热资源；在海域与山谷，AI对潮汐与风速的长期预测，能帮助规划最佳的风机与潮汐发电位置。材料科学领域也因AI for Science而出现突破，例如AlphaFold2在蛋白质结构预测的成功，有机会用来加速电池与太阳能板材料开发。过去太阳能发电每提升1%可能需耗时数年，AI有机会将开发周期缩短30~50%，并在固态电池、氢能储能等新兴领域找到更安全、更高能量密度的材料组合。AI正在成为解决再生能源「间歇性」问题的核心工具。风电、太阳能、潮汐等发电量深受天气影响，输出曲线常常在几分钟到几小时内大幅波动，这意味著其他发电机组（如天然气、煤、水力）必须實時补上缺口，或透过储能设备平滑输出。AI的价值在于提前预测这些变化，让调度单位能在几小时甚至几天前准备好备援計劃，因为各个能源系统启动的成本以及需要的预置时间不同，从几秒到几个小时。Google DeepMind与英国国家电网的合作案例显示，透过AI预测风电输出，准确度提升直接让风能的经济价值增加20%。同样的，臺湾也正使用AI系统预测未来4到72小时太阳光电的变化，提供电力调度依据。再生能源预测与地球的天气系统变化息息相关。生成式AI的进展也推升「地球系统基础模型」的整合，例如最近《Nature》上发表的AURORA基础模型，能同时处理空气品质、海浪、台风与天气预测，比传统数值分析快上数十倍，且能在不同地区与时间条件下预测，对于掌握再生能源间歇性的太阳光辐射、风速、潮汐等有很大的助益。同时，准确的天气预测（大雨、温度）也能掌握用电端的用量趋势，协助智能电网分区负载平衡、电池充放电优化，甚至办公大楼与工厂的需量反应（减少电网用电）。当预测能力与调度能力打通，AI不只是再生能源的辅助工具，而是让再生能源成为稳定、可规划的资源。在维运端，AI的价值在于找回「可回复损失」，并缩短从侦测到修复的时间。以太阳光电为例，电站层级的停机、组串层级的污损与遮荫、电气层级的接触不良与误停，都会造成可观的损失。數據驱动的诊断可以在至小时级侦测到异常型态，配合工作单与现场流程，将修复时间压到最短；在风电、燃气与燃煤机组上，同样的技术可用于振动与温度特征的早期侦测，以延长寿命、降低突发停机。我们的经验发现，在大型太阳能案场使用AI驱动的监控服务，可以将发电损失由5.5%降至0.9%，以短期臺湾20 GW的太阳能目标（2025年时）来看，可以省下将近4个超大型太阳能案场的规模。在新一代电网中，稳定供电不再只是「发多少、用多少」的平衡，而是必须在复杂且瞬息变化的情境下，同步协调发电、充放电、价格预测与供需调度。这需要在边缘（edge）實時运算与决策的AI系统，透过傳感器与IoT架构收集數字电表、风机、变压器、输电设备等實時數據，提前预警设备异常、降低停机风险。同时协调各种发电来源、储能电池与用电端，组成虚拟电厂（VPP），在尖峰时段回馈电网。传统多依赖规则式控制，如今可结合强化学习（Reinforcement Learning），在模拟中反复优化策略，提升调度效率。由于能源已被欧盟《AI Act》列为高风险应用，这类系统必须兼顾可解释性与审查机制，确保关键决策既快速又可追溯。在此情境下，EdgeAI也会逐渐在能源扮演关键角色。能源转型不仅带来产业结构的重整，还创造智能电网与绿能服务的新机会。当AI融入能源，发电、输配、储能与用电端不再彼此独立，而是透过演算法与實時數據紧密整合，形成具备韧性、可优化且能交易的动态網絡，让能源成为可被弹性调度的资产。数据呈现这一趋势背后的产业规模：AI在再生能源市场的规模，从2022年约6亿美元，预计将跃升至2032年的46亿美元，年复合成长率达23.2%。同时，智能能源市场（smart energy）在2022年约为153.8亿美元，预测将成长至2030年约316.4亿美元，年复合成长率约9.6%。显而易见，Intelligence与Energy的结合已成为全球基础建设的双引擎，在AI主权、能源安全、与气候议题三重压力下，更是国家与企业竞争优势发展关键。

历史的轨迹显示，过去生产力的提升总伴随高密度的能源转换与工业效率提升：从水力、蒸汽、电气化、汽车与石油，到IT与互聯網，如今轮到AI。LinkedIn創始人Reid Hoffman新书提到的「Energy + Intelligence」之所以关键（之于国家或是企业），点出可负担的算力决定智能边界，而算力终究受限于可取得、可扩充的电力与基础设施。当全球掀起「主权 AI」竞赛（涵盖经济、国防、研发、教育与价值体系），大型语言模型一次训练动辄上亿美元，带动半导体与服務器的巨额投资；更关键的是，推理（Inference，指模型训练完成并部署后的实际运作）已取代训练成为主要负载（约增至百倍等级），持续放大对能源与电网的需求。Intelligence需要Energy驱动。关键在 token 经济学（参考前文）；虽然 2021到2024 技术进展，让每token成本大约下降3个数量级，但总token需求持续成长（例如近来财报揭露微软（Microsoft）的用量1年约放大 5 倍、Google的月用量年增达数10倍）。能耗端的成长也很直观：一次生成式查询约耗电2.9 Wh，约为传统查找0.3 Wh的近十倍。再加上Edge AI的普及，自驾车、工业电脑（IPC）、机器人、个人装置与穿戴都开始具备推理能力。当产品体验走向「more tokens, more capable」，AI數據中心成为企业、国家竞相投资标的。AI數據中心（AIDC）急遽推升电力需求。AIDC在满载运转时，其耗电量可达10万户家庭的等级，超大型设施甚至放大20倍，相当于200万户。以美国为例，全国已有数千个數據中心，加拿大也接近500个，且新建规模持续增加。这些场站不仅需要更高电压与直流（DC）供电，还必须采用芯片直冷（DtC）等先进散热技术才能支撑高密度运算。根据多方预测，全球數據中心年耗电量在2030年前可能较2024年成长超过1倍，其中AI应用将是主要驱动力；IEA估计，在2030年， AI与加密货币合计将贡献全球电力需求成长的4%。在能源结构转型与碳排的限制下，这股快速窜升的用电压力，正同时考验电网扩充、再生能源布建，以及供应链的应变速度。不只需要电，AIDC甚至AI供应链也需要来自再生能源的「绿电」，以满足碳盘查与国际采购规范。绿电采购与碳管理从形象工程变成出货门槛，买了绿电并不代表风险消失，案场差异、契约条件与实际发电偏差都需要数据与流程来支撑。企业应把绿电、用电与生产节奏同时考量，用可稽核的工具模拟与结算，让采购组合真正对冲价格与排碳风险，同时提升营运韧性。不只AIDC，AI驱动进展的无人出租車同样可能加重都会电力需求。比如某个都会区（如臺北）每日用电约20 GWh，若一半出租車（约 1.25 万辆）改为自驾电动车，每日额外耗电约0.8 GWh，占全市日用电的4%。若充电集中在夜间6小时完成，瞬时功率需求可达140 MW，相当于多一座中型电厂的负载。这种转型虽能减碳并提升运输效率，但也对电网容量、调度与充电设施提出挑战，必须透过排程、储能与實時价格匹配，避免交通电动化成为新的负载风险。因此，新一轮的电网升级以「去碳化」、「分散化」与「數字化」为核心方向。随著再生能源（太阳能、风力等）渗透率持续攀升，电网面临低惯量与高波动的挑战。天气变化，可能在分钟内改变发电输出，冲击电网稳定与调度反应。同时，分散式发电资源（屋顶光电、储能、可移时用电）大量出现在电网末端，传统以集中式大型机组为核心的调度模式已无法应付这种「多点、小规模、高波动」的新样貌。这种结构变化不仅迫使电网架构升级，也催生新的营运模式与市场服务，例如實時需量反应（demand response）、虚拟电厂VPP、微电网（microgrid）等。要支撑这样的系统，企业与电力公司必须将平臺从单纯监测升级为可跨厂牌、跨协定、跨场域的「监测＋控制＋數據交换」EMS（Energy Management System），并将预测直接纳入控制逻辑，同时在设计阶段预留关键机电、储能与部分制程为可调度资产，让用电从成本转化为可创造价值的资源。近来有案例显示，大型數據中心可在电力需求高峰时暂时降低 IT 负载或启用备援电源，参与需量反应市场，这不仅有助电网稳定，对营运方也是额外收益来源（例如美国部分云端业者与 ISO/RTO 合作，在夏季尖峰时段提供数十至上百MW的可释放容量）。能源已不再只是营运成本，而是产品交付与市场竞争的先决条件。对制造业与云端服务供应商而言，在电价波动与供应紧绷下维持稳定供电，直接影响合约履行与客户信任。若能将场域设计为可调度资产，不仅可透过需量反应与虚拟电厂降低成本，亦能在电网紧急时反向供电创造收益。这波Energy + Intelligence的趋势正推动电网更新，涵盖高压变电、储能、智能傳感与监控、跨场域控制与预测平臺等，并带动相关供应链在臺湾的成长动能。这既是支撑本地AI生态的必要条件，也是切入国际能源解决方案市场的契机。

相较于目前大语言模型应用绝大部分在云端服務器上推论，Edge AI（边缘AI）强调在装置上独立执行AI模型。这种架构差异在于：可大幅降低因網絡传输造成的延迟，确保實時反应，即使在无網絡离线下也能运作；數據不上传云端，确保數據私密与安全性。Edge AI有机会满足许多新应用场域中对低延迟、高私密的关键要求。这半年来，透过技术突破、产业需求，以及发展轨迹，我们看到Edge AI的产业轮廓，正逐渐形成。模型演算法的高度竞争使得Edge端可用的AI模型愈来愈强大。近年来出现许多参数量在13B～70B级的精简模型，透过知识蒸馏、量化压缩、模型剪枝以及多专家混合（MoE）等技术，这些小模型在使用较少参数的同时还能大幅提升性能，缩小与大型模型的差距 。同时也配备了各种终端应用极度关键的推理（reasoning）能力，包括控制、决策、因果、规划等。SoC与存儲器规格配置同样是促成Edge AI崛起的要素。目前主流高端智能手機、NB的NPU（AI运算核心）已经接近100 TOPS，足够让这些终端模型每秒生成数十个token（语意单元），满足应用场域（文字、语音对话）的生成品质要求。同时，透过低位元精度（如8或4位元）来表示模型权重，有助于大幅降低总位元数，使现有存儲器配置即可支持终端AI推论，释放AI从云端走向终端的巨大潜力。另一方面，各大厂商也在其芯片产品蓝图中，明确规划未来的算力提升，进一步强化Edge AI可行性与效能。在初期应用情境中，智能手機成为Edge AI生态重要桥梁。手机不仅是首批受惠于AI能力提升的装置，更自然作为云端与各类在地智能装置之间的桥梁。透过手机，无线耳机、汽车、AR眼镜等装置都能与云端和手机上的AI模型连动，实现多模态的Edge AI应用。例如，耳机可使用手机（AI模型）實時翻译语音，车载系统可依靠手机辅助娱乐信息，眼镜则利用手机处理视觉、语音任务。智能手机作为随身超级终端，串联各种周边装置，历史轨迹也告诉我们，当網絡封包（packet）的成本逐步下降，通讯功能便普及至各类终端设备。10年后（2017 年），移動产业达到高峰，无论是应用生态系或硬件供应链都蓬勃发展。同样地，随著token成本不断下降，AI 能力延伸至新型态终端设备，触发全新应用场景，也是值得期待。延伸报导专家讲堂：鉴往知来：packet（互聯網）vs. token（大语言模型）垂直产业中也听到应用面需求。过去手机SoC供应商的技术团队，首要工作是优化品牌手机中鏡頭应用的智能功能，但从2024年开始，优化手机中LLM执行效率，成了品牌客户的关键需求。工业场域中，也对于推理功能加速决策效益，工业机器人的执行效率多所期待。过去几年，NAS在中小企业中大量采用，年复合成长率超过 15%，显示这类用户对數據管理与在地运算的高度需求。如今，这些用户也期待能在终端设备上，享受到大型语言模型所带来的自动化与知识管理功能。近来市场数据也显示Edge AI正逐渐萌芽。在最新的季报中，苹果（Apple）新款M4芯片强调AI效能，推动2025年第1季Mac营收年增15.5%，更值得注意的是，新芯片也在2024下半年吸引新用户进入苹果体系。高通（Qualcomm）因手机与车用AI需求激增，手机业务创新高，汽车业务更年增55%，公司也宣称「Edge AI是未来业务成长主要推力」。NVIDIA的Orin车用AI平臺单季营收年增103%，并与联发科合作布局一系列全新终端SoC。芯片设计商与设备供应商正从Edge AI中实际获利。也同时看到OpenAI 以约 65 亿美元的全股票交易方式收购了由前苹果首席设计长 Jony Ive 共同创立的 AI 硬件新创公司 io。这股趋势Edge AI已从概念走向实质商业成长。尽管前景看好，Edge AI推广仍面临多重挑战。首先是应用场域的扩展：用户需求差异极大，不同行业与装置对模型大小、功能要求各异，业者须在通用性与定制化间取得平衡，如何取得具泛化能力的精简模型，解决场域问题，至关重要。其次是功耗与效能的权衡：终端装置受限于电池与散热条件，高复杂推理恐导致过热与续航缩短，对芯片设计与电源管理设下更高要求。再者，生态系初期碎片化，硬件架构多、軟件缺乏统一标准，让开发者必须针对各平臺个别调适，增加成本与阻碍创新。这些挑战若未克服，恐将削弱Edge AI的经济性与可扩展性。不过，回顾移動产业的发展历程，也为今日的Edge AI前瞻团队提供宝贵借镜。

在前一文中，我们类比互聯網（Internet）以及现今大型语言模型（LLM）的发展轨迹，特别是互聯網的核心传输单位—封包（packet），LLM生成单位—语意单元（token），在基础设施、商业模式发展上呈现出明显相似性。透过回顾packet的发展路径，我们试著描绘出token驱动的AI未来发展轨迹，并预判在产品形态、服务模式与产业价值链上的可能样貌。另一可供借镜的历程，是应用程序（App）在移動網絡时代所引爆的创新与变革。如今，在LLM/LVM多模态大模型推动下，一个以「Agent」为核心的应用生态正逐步成形。延续上文，我们尝试从App的崛起历程，看见代理（Agent）以及边缘AI（Edge AI）未来的可能路径。2007年开始，移動App实现實時互动与高速數據交换，移動用户大量增加，源自于網絡封包传输成本逐步下降，智能手機的运算效能与续航力的进展。App Store的出现更将过去分散、复杂的网页互动模式，整合为图形化、易于操作的应用程序界面，大幅降低使用门槛，使數字服务真正「移動化」、「普及化」。App 不再只是单一功能工具，更透过推播、定位、社群整合等特性，深度嵌入使用者生活。这也带动「长尾效应」—不仅少数爆红应用，而是无数利基型App满足多元、个人化的需求。这场从网页到App的转变，不只是界面革新，更兴起全新App驱动的生态系，翻转整个數字服务的生产与分配模式，也同时快速推升移動設備的需求（2017年达到高峰）。App Store 建构出一套双边市场机制，一端连结开发者创新、另一端连结全球使用者，使原本无法规模化的服务得以商品化、在地化与全球化。过去崭露头角的數字服务如Uber、LINE、Instagram皆倚赖App生态兴起，而App的爆发也带动芯片、傳感器、模塊、电池、存儲器等硬件需求，重塑移動設備供应链结构，并促成新兴品牌与 ODM/OEM 的崛起。Statista统计显示，全球App下载量自2010年的60亿次，成长至2023年的1,430亿次，反映出App模式背后强大的规模经济与網絡效应。臺湾厂商在这波移動化浪潮中，从晶圆代工、封装测试到系统整合与 App 开发皆深度参与，建立完整供应链与生态網絡。这段历程不仅重塑移動产业结构，也为即将兴起的AI代理（AI Agent）模式提供宝贵借镜——当使用者界面再次从App进化为Agent，我们是否能抢先洞察使用需求、运算架构、标准制定与硬件整合的关键优势？如果App是移動網絡时代的使用界面，那么由大模型LLM/LVM驱动的Agent，可能是 AI 时代的核心入口。Agent不仅理解自然语言（及各种傳感信號），还得具备任务规划与执行能力，从单纯对话升级为數字助理。透过多模态推理与工具链结，Agent的应用场景正快速扩展至自动化工作流程、专业咨询、教育训练与知识辅助等领域。未来极可能出现类似「Agent Store」的新型生态系，就如当年App Store一样，汇集多样化、可重组的智能模塊，满足多样性需求。这将加速硬件与軟件的分工整合，促进各种垂直应用场域（如工业、医疗、中小企业、消费者市场）中智能代理的落地机会。随著近来高效率推理模型的快速演进，以及LLM开源生态的蓬勃发展，更进一步推进这样的可能性。同时，终端市场的实际需求也正在浮现，如中小企业的知识管理、自动化应用，以及工控领域中實時推理能力的渴望，也回应了市场的需要。终端装置的硬件规格，也逐渐具备支撑Agent所需的AI算力与存儲器条件。随著LLM开源社群快速演进，如13B等级模型已能在一般移動設備上顺利推理，token生成速度亦逐步接近应用需要，Edge AI的落地门槛正快速降低。根据预测，Edge AI芯片市场将自2023年的24亿美元，成长至2033年的252亿美元，年复合成长率高达26.5%。各大系统与芯片业者也已积极布局AI手机、车用SoC与AI PC平臺。未来，Agent将可自然地嵌入手机、筆記本電腦、AR眼镜、TWS耳机、机器人等多元终端装置，成为新一代语言互动与任务导向操作的使用界面。当然，Agent技术的普及仍面临诸多挑战，除了使用者數據的授权与使用，日益增强的自主性也带来安全、隐私、监管与伦理等层面的高度关注，技术本身的复杂度亦不容小觑。然而巧合的是，这些挑战与机会的交织，恰如2007年移動網絡时代初启时的情境—从应用模式、生态系到硬件需求与供应链架构，皆酝酿著重塑的可能。Agent的发展，正释出一种熟悉而微妙的信號，预告另一波产业典范转移的起点。