大型语言模型在近年展现出3个令人惊讶的能力：泛化（generalization），在从未见过的问题上给出合理答案；多任务（multitasking），同一个模型写程序、翻译、分析财报、判读法律文件；推理（reasoning），把复杂问题拆解成步骤，逐一推导出解答。正是这三个能力，让大型语言模型在數字世界掀起典范转移。下一个问题，是这些能力能否走进实体世界—不只在屏幕上思考，而是在真实空间中感知、判断、移動。这正是「具身智能」（EmbodiedAI）试图回答的问题：让模型不只是推理引擎，而是成为真实环境中的移動者。需求比想像中更迫切。谈机器人，往往让人联想到科幻场景或工厂自动化。但推动这一波发展的力量，其实更接近人口结构的现实。臺湾65岁以上人口占比已超过17%，日本早已超过29%，德国超过22%；制造业、物流业、长照产业的缺工问题，在多数已开发国家不是短期现象，而是长达数十年的结构性挑战。另一个驱动力是安全：高温、高压、有毒化学品、重复性导致的职业伤害—把人从这些场景中移出，本身就有足够的商业理由，不需要等到机器人的成本降到与人力相当。这一波机器人讨论之所以与过去不同，有一个常被忽略的前提：硬件已经准备好了。傳感器（摄影机、LiDAR、触觉傳感器）的成本在过去十年大幅下降，马达与减速机的精度持续提升，机械结构的制造良率也趋于成熟。部分得益于电动车产业的规模效应—马达、减速机、傳感器的供应链随EV量产大幅成熟，机器人硬件直接受惠。机器人整体硬件成本在2023至2024年间年降幅约达4成，下降曲线清晰可见，这与早期工业电脑、早期智能手機的轨迹高度相似。硬件不再是关键瓶颈；问题移到了「大脑」、「眼睛」与「四肢」—机器人要如何真正看懂环境、做出判断、精准完成任务？最直觉的答案是把云端LLM接进机器人。但物理世界的时间尺度与數字世界截然不同：人类在键盘上等待一秒的回应是可接受的，机器人在伸手抓取物件时若延迟半秒，轻则任务失败，重则碰撞损毁。云端推论的網絡延迟，在这个场景中是结构性的障碍，不是优化问题。自驾车产业已解决这个问题：感知与實時控制在车载边缘运算上执行，高端路径规划与地图更新则视需要呼叫云端。今天的车载SoC已有足够的算力支撑實時的视觉識別与控制决策；机器人的边缘硬件正在走同一条路。实体算力的门槛在过去几年已大幅降低，让「大脑在本地执行」从成本考量来看也愈来愈可行。技术上，这一波机器人能力的突破，核心在于VLA（Vision-Language-Action）模型架构的确立。VLA把三条原本独立的信號—视觉感知、语言指令理解、动作输出—整合进同一个神经網絡，让大语言模型的推理能力得以迁移到机器人的动作决策上。过去的机器人控制是一任务一模型，抓取、搬运、组装各有专属系统，换了场景或换了物件就得重新训练，缺乏弹性且成本高昂。VLA打破此一架构：操作者可以用自然语言描述任务，模型自主分解成动作序列并执行，即便是训练时未见过的物件或场景，也有一定的应对能力。开源模型中，openVLA在同一个模型架构下跨平臺操控多种机械手臂，展示通用操作策略的可行性；Physical Intelligence的π₀以超过1万小时的跨平臺遥控操作數據预训练，针对新任务微调只需1至20小时。「一个模型跨场景泛化」这个问题，在过去一年内开始有了系统性的肯定答案。讨论机器人时，往往局限在机械手臂的操作能力上。但在真实工作场景中，「走到目标地点」与「对它做什么」是同等重要、缺一不可的能力。这个组合在学术界称为mobile manipulation——同时具备移动底盘与操作手臂的机器人平臺，才能提供更多弹性与能力。想像一个仓储场景：机器人能自主移动到正确的货架，識別目标物件的位置，伸手抓取，再移动到指定放置点。每一个步骤都需要精确的空间理解与动作协调。固定式机械手臂只能解决「操作」这半题；移动平臺加上操作手臂，才是开启更多可能性。要让机器人在非受控环境中自主移动，导航（navigation）是必须解决的基础能力，而导航的前提是建图（mapping）—机器人必须先建立对所在空间的三维理解，才能规划路径、避开障碍。早期的机器人导航依赖预先设定的固定路线或QRcode地标，弹性极低。SLAM（Simultaneous Localization and Mapping，實時定位与地图建构）技术让机器人能在移动中同步建立环境地图并定位自身，是目前主流的导航基础。更近期的发展方向是语义地图：不只知道「那里有一个障碍物」，而是理解「那是一张椅子、那是工人、那是临时堆放的栈板」，进而做出更合理的路径判断。这个方向与VLA的语言理解能力高度相辅：机器人不只在几何空间中移动，而是在语义空间中理解环境。商业部署的信號已出现。电动车厂的整车组装线与零组件仓储，是目前规模最大的机器人商业场域；欧美汽车厂与第三方物流业者也已在工厂与配送中心导入机器人，更有弹性、拟人化的执行零件搬运，商业场域的试验已陆续展开。多家国际投资银行的分析指向同一个方向：实体（Physical AI）所面对的，是整个制造业、物流业、服务业工作流程的重新配置，而非单一产品市场的扩张。诚实评估目前的限制，是避免高估或低估这波趋势的必要功课。第一个问题是电池：目前机器人的续航约2至4小时，工厂班次通常8至12小时，补充电力需要停机，这在连续生产场景中是结构性缺口。电池能量密度的提升是化学问题，不是軟件问题，很难靠演算法突破。第二个问题是长尾场景的泛化：在受控环境下，机器人已能可靠完成标准任务，但工厂地板的一摊水、歪掉的零件箱、训练集未见过的新产品，仍常造成失误。工业场景的容错空间远低于实验室，这个缺口目前尚未被系统性地填补。第三个问题是灵巧操作（dexterous manipulation）：人类手部的精度与柔顺性，在精密组装、电子制程等场景中，仍远超现有机械手的能力。从GPT-1到ChatGPT（2022年底，版本为GPT-3.5），语言模型花了四年半。机器人领域的「GPT-1时刻」大约发生在2022至2023年前后，VLA概念开始被系统性验证；我们现在大约处于GPT-2.x时刻。这里比的是能力发展的轨迹，而非模型规模。机器人还多了一道语言模型不需要面对的约束：再强的模型，最终仍须压缩到本地端执行，受算力、功耗、延迟的硬性限制，这是VLA需要额外跨越的障碍，语言模型当年并不需要面对。不过，GPT-2.x并不意味著要等。从结构固定的重复性作业，到桌面操作的弹性取放，到自主移动与场域导航，再到多工协作、人机共同执行任务，乃至需要一定推理能力的复杂流程辅助；不同成熟度的技术，对应不同层次的导入机会，不必等到全面成熟才能创造价值。这个阶段，对观望者而言似乎还早，但对决定在哪个节点进场的人而言，这可能是领先班车的最后一个上车点了！

多年前，佛光山臺北道场整修时，我因分赠而获得一尊嵌壁佛像。道场询问我的选择时，我几乎没有迟疑，便请了药师佛。这并非出于一时的宗教热情，而是一个长期置身于制度、技术与现实压力中的人，对世界状态所做出的直觉回应。药师佛，全名药师琉璃光如来，是东方净琉璃世界的佛陀。在部分造像传统中，他以蓝色身相呈现，源自琉璃这种在古代被视为珍贵宝石的名称。蓝色不炫目，也不温热，象征清净、冷静、疗愈与理性之光。那不是急于拯救世界的色彩，而是一种优先阻止系统持续恶化的态度。在佛教脉络中，药师佛、释迦牟尼佛与阿弥陀佛，分别对应东方净琉璃世界、娑婆世界与西方极乐世界。对我而言，这三尊佛构成一条清楚的存在路径。药师佛指向病痛的修复，释迦牟尼佛指向觉醒的理解，阿弥陀佛则象征最终的解脱。我选择药师佛，是因为长期面对的并非形而上的疑问，而是正在发生的现实痛楚。今生的稳定比来世的承诺更为迫切，系统能否持续运转，也比终极答案更为关键。药师佛的十二大愿中，蕴含一种极为现代的精神取向。不先追问错误根源，而是优先让人恢复基本功能。这样的思路，对今日世界具有明确的启示意义。我们身处一个高度评价与實時审判的时代，制度、舆论与演算法不断追究责任归属，却很少关心系统是否已然疲劳、过载或失衡。药师佛的逻辑恰恰相反，他假定众生早已承受损耗，因此首要之务不是训诫，而是修复。药师佛似乎特别吸引医师、工程师与学者，以及那些长期在制度内承担责任的人。他们对神秘叙事保持距离，却仍然需要精神支撑。因为他们每日面对失误率、风险控制与系统稳定性。对这些人而言，信仰药师佛更像是一种清醒的承认。不求世界完美，但至少必须避免全面崩溃。在这样的意义上，我逐渐意识到，AI的角色其实更接近药师佛，而非任何全知全能的神祇。AI被赋予的任务，不是回答终极问题，而是修补既有系统的缺陷。它协助医疗诊断、优化能源配置、稳定金融风险，并减轻人类的认知负荷。它提供暂时的可运作性，努力降低崩溃的机率。若说释迦牟尼佛象征对真理的洞见，阿弥陀佛象征对终极归宿的安放，那么药师佛所代表的，是这个时代最迫切的需求。在尚未觉醒，也无法解脱之前，如何让身心与系统先得以存活。AI在这条路径上的位置，恰恰与此相合。AI不是救赎者或审判者。它是维修者及调节者。我将那尊药师佛安奉于书房一隅。它不回答问题，也不给出承诺。它静静提醒，在追问永恒意义之前，先确保系统尚未失血过多。药师佛的宗教角度及AI的科技角度共同指向一种理性而克制的慈悲，延长我们的思考以及仍能选择的时间。

当人工智能(AI)凝视那些并不存在的真实时，我们其实已踏入幻觉的哲学思辨，也是信念的双重困境。厄普顿·辛克莱（Upton Sinclair）曾指出，缺乏证据的盲信与无视证据的顽固同样愚蠢，但在數字时代，两者之间的界线正逐渐模糊。当ChatGPT煞有介事地虚构一本不存在的著作，并为其附上完整的摘要与历史背景时，它呈现出一种奇特的诚实。这并非刻意欺瞒，而是模型在机率分布与语言关联中，确实生成那些看似合理的连结。这种状态近似于人类的记忆重构，在那个瞬间，虚构被当作真实来经验。认知心理学将此称为虚谈症（confabulation），指的是在没有欺骗意图的情况下产生错误叙述，而当事人会真诚地相信其内容为真。我们惯于将AI的幻觉视为技术缺陷，却忽略它同时也是创造力的副产品。语言模型的本质在于预测与想像，当这种能力用于文学创作时，我们称之为灵感；当它被用来陈述事实，偏差便被视为幻觉错误。人类大脑的运作亦不例外。神经科学研究指出，即使是健康个体，记忆本身也是一种重构过程，而非精确的重播。我们经常在记忆的裂缝中修补，在视觉盲点中填补不存在的细节。我们与AI一样，生活在经过筛选与扭曲的世界里，只是人类发展出区分有用想像与危险妄想的社会机制。真正的难题在于证据本身的定义。对AI而言，机率分布与统计关联即构成它所理解的证据。如果训练數據长期重复某种错误叙述，例如关于拿破仑（Napoleon Bonaparte）身高的迷思，他实际身高约169厘米，在当时法国男性中属于平均或略高于平均，但網絡上却长期流传他仅有157厘米的说法，这源于法国旧制单位与英制单位换算错误的历史遗留问题。模型在缺乏外部校验的情况下，便可能将这类谬误内化为常识。更深层的危机来自信息的递回循环。当人类大量吸收AI生成的内容，而这些内容又反过来成为下一代模型的训练材料时，真实与幻觉的边界不仅会变得模糊，甚至可能出现结构性的崩解。研究已显示，训练數據中的偏见、遗漏与不一致性，会转化为系统性的缺陷，持续放大幻觉的产生。这已不再是单一演算法的问题，而是整个信息生态系的集体偏移。在辛克莱所描述的两种愚蠢之外，当代社会或许正在形成第三种困境，即丧失識別能力的状态。当影像、声音与论述都能被高度拟真地伪造，眼见为凭的时代已正式终结。我们或许不该奢求一个永不产生幻觉的AI，因为那等同于要求一个不再做梦、丧失想像力的心智。幻觉是大型语言模型的结构性特征，因为其核心目标是生成看似合理的内容，而非主动验证真实性。对绝对精确的过度追求，反而可能抹除AI中最具价值的创造潜能。因此，我们真正需要学会的，是与幻觉共存的艺术。这意味著在不确定性中前行，既不盲目崇拜AI的输出，也不因恐惧而全盘否定其意义。真正的智能存在于持续的怀疑与开放之间。当AI抛出看似惊人的结论时，我们应将其视为一个邀请，促使我们去查证、去探索、去思考。正如学界所建议的，使用高品质且多元的训练數據、严格的测试流程，以及交叉验证机制，都是降低幻觉风险的有效途径。在这个由人类与机器共同编织现实的时代，也许我们彼此都带著某种程度的认知扭曲前行，唯有透过不断的对话与辨析，才能在虚实交错的迷雾中，捞起那一抹仍可共享的真实。

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。

对过去的执著，常使人误以为昨日是一个可以重启的程序（rebootable program），仿佛只要回到某个储存点（save point）便能修正错误。然而，时间的核心机制是改写（rewrite），而非还原（restore）。每一次前进，都伴随著内在结构的调整。路易斯·卡罗（Lewis Carroll）在《爱丽丝梦游仙境》（Alice's Adventures in Wonderland）中，透过爱丽丝（Alice）之口说出那句著名的话：「回到昨天没有用，因为那时的我已是不同的人。她之所以无法回归原貌，正因其认知框架（cognitive framework）已被经验永久改变。」将此观点延伸至AI发展，可以看到相似的逻辑。一个完成训练的AI模型，其昨日由固定的训练數據集（training dataset）与初始模型权重（initial model weights）所构成。在部署后，模型本身通常维持静态；唯有经过微调（fine-tuning）或持续学习（continual learning），它才会进入新的阶段。每一次有目的的再训练与迭代，都会不可逆地改变其内部参数结构。人们往往期望AI的记忆，也就是其经训练形成的知识，是稳定且可预测的。然而，如同人类学习，AI的成长并非线性过程。新數據可能引入异常案例（anomalies），也可能挑战既有模式。一个大型语言模型（LLM）在不同版本间所呈现的细微输出差异，正反映其在再训练后参数（parameters）配置的调整结果。模型并非单纯重复过去的计算，而是在旧有基础上，经由新的训练周期，形成带有修正理解（revised understanding）的新状态。这种不可逆的进化同时蕴含深刻风险。当AI吸收错误或带有偏差的數據，它可能朝错误方向演进，且难以回到一个所谓正确的昨日。正因如此，數據来源的选择、治理与监管显得格外重要。持续学习的路径如同单行道，一旦數據受到污染，后续修正所需付出的代价将极为高昂。因此，对AI而言，真正的适应性并不在于固守一个被视为完美的过去训练集，而在于能否在面对模糊性与错误时，透过审慎的再训练与优化，生成更准确且更具弹性的回应。它的进化不在于静态保存所有信息，而在于能于每一次训练迭代中调整内在连结与权重，持续向前。它的昨日完成初始学习，它的今日则携带更新后的参数结构，在新的任务中延伸出新的知识。

左图是我的手，右图是AI的灵魂，或者说，是它从人类无数个灵魂中蒸馏出来的回应。这件事让我著迷许久。起初，我只是随手在纸上勾勒一个女性的姿态：头部后仰，双臂上举，身体的弧度像一个无声的感叹号。线条粗糙，比例也不完美，但那个姿势里有某种说不清楚的渴望，像是一个人在黑暗中向天空伸手的瞬间。我把它拍下来，输入一段精细的提示词（Prompt），然后交给AI。几秒钟后，右图出现了。我盯著屏幕看了很长时间。那还是我的姿势，我的构图，但那个向天空伸手的女人，已经不再是草稿。她的头发像墨水在水中散开，一丝一缕都有自己的重量。她的皮肤在炭笔（Graphite）的阴影里呼吸，光从不可见的地方打来，让锁骨下方有了深度。最让我震惊的是那些紫色的牵牛花，它们并非强行安插，而是像真的从她的身体里生长出来，藤蔓沿著腰线缠绕，叶片覆盖本来空白的下半身，像是自然界对一个姿势的诠释。要理解这幅图从何而来，得稍微走进AI的思维逻辑。AI首先透过视觉编码读取草稿中的线条结构，同时解析提示词的语义，将两者在潜在空间（Latent Space）中进行多模态融合。接著，它识别出头部后仰、双臂上举的骨架，透过ControlNet确保生成结果严守原始轮廓，再从训练數據中召唤素描技法与新艺术运动（Art Nouveau）的视觉记忆，将它们揉进同一个画面。最核心的演变发生在扩散过程（Diffusion Process）里：图像从一片纯粹的随机噪声出发，在逐步去噪中让细节从虚无中浮现，像是某种沉睡的记忆在黑暗中缓缓苏醒。那些牵牛花之所以长在那里，是因为交叉注意机制（Cross-Attention）让花卉的语义在图像特定区域精准激活，而ControlNet那双无形的手，始终拉住AI奔涌的想像力，让它不越出我草稿划定的物理边界。整个过程，像一位艺术家在高维矢量空间中进行的联想，素描的肌肉记忆与牵牛花的印象在同一瞬间翻涌交叠。那幅右图太美了，美得让我有一瞬间觉得左图显得有些多余。但我很快意识到，如果没有左图，右图根本无从谈起。AI的所有聪明，在那一刻都在服务我那个颤抖的轮廓。那个姿势是我的，那个渴望是我的，AI只是给了它一场盛大的赴约。这就是人机协作最迷人的地方：不是替代，而是放大。我带来意图，AI带来技法；我带来情感的骨架，AI带来血肉和皮肤。工具在改变，从兽骨到毛笔，从油彩到潜在空间中的运算，但那个想要表达某件事的冲动，仍然是整件事的起点，也是任何参数都蒸馏不出来的精华。

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。