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。

2026年5月东京人形机器人高峰会上，一家国际顾问公司的合伙人展示一张实体AI（Physical AI）的全球劳动自动化市场潜力图。回来后，我把同一家机构的智库报告中关于數字AI（Digital AI）的职能分类，重划成一张对应图。2张图最有意思的地方，不是整体潜在市场（TAM）规模相近，而是说的是同一件事：自动化总是先从「结构化」场域开始。过去2年，AI带动的运算与供应链经济规模快速成长，动力主要来自Digital AI：推论模型的token消耗、推论经济的成形，加上AI代理（AI Agent）的兴起。那么，Digital AI的演进时程，也会是Physical AI的路径吗？先看第一张图。Digital AI的市场版图，核心原则清楚：任务愈规则化、數據愈密集，自动化愈快发生。以职能分类，差距显著：财务、法律、行政领域有55%至65%的工作属于高度可自动化范畴；軟件、研发、STEM领域约40%至50%；医疗、教育、管理领域则只有15%至25%。合约审阅、财务对帐、法遵查核，有明确的输入输出与可学习的历史數據，數字代理人活在「已被结构化」的信息环境里。反观主治医师的临床决策或管理者的组织判断，牵涉情绪脉络与权责，超出当前代理人的处理能力。Digital AI的边界，是「非结构化判断」的边界。Physical AI的市场版图，则以地理维度切分：以制造业高度密集的韓國、德国为代表，实体劳动中有65%至75%属于高度结构化任务，涵盖工厂产线、仓储物流、重复性组装；日本、中国、美国等混合型经济体，这个比例约为40%至55%；以印度为代表、服务业与非正式劳动占比偏高的经济体，则只有10%至20%。这个地理切分，逻辑与Digital AI相同，只是「环境」从信息空间换成实体空间：工厂的产线是被高度设计过的实体环境——固定的作业臺、可预期的物件、重复的动作序列——对机器人来说是相对友善的场域。零售服务、建筑工地、居家照护，面对动态、不可预测的实体情境，机器人的自主能力仍非常有限。2个版图的边界因此高度对称：一边是「非结构化判断」，一边是「非结构化实体环境」。换句话说：Digital AI把信息世界结构化、智能化，Physical AI再把实体世界结构化、移動化。2条路径的不同，先出现在时程上。Digital AI已进入扩散期：本专栏〈推论经济学〉与〈Token帐单之后〉追踪过这个变化，推论成本已从每百万token 30美元跌至1美元以下，但帐单不减反增，总用量的成长速度远超单价下滑。市场研究机构预测，2026年底约40%的企业应用将整合任务型AI代理，从2025年不到5%的基础一年内大幅跳升，是临界点后的快速扩散。Physical AI这一边，需求走在技术前面：制造与物流现场的缺工是刚性需求，4萬億美元的潜在市场逐渐成形，但机器人在现场能稳定做到的仍然有限。2026年5月东京的人形机器人高峰会与6月维也纳的ICRA，反复出现的观察是：当前被称为「成功」的机器人部署案例，几乎都是透过缩窄问题范畴来达成自主性，而不是真正解决泛化能力的问题。触觉、Sim-to-Real、长时序规划与世界模型的差距，本系列前几篇已分别说明。这个需求与能力的落差，不代表方向错了，而是时程不同：Digital AI的问题是「该在哪里找到成长曲线」；Physical AI的问题是「该在哪里确认成功案例」。这条时间差，有一条能力曲线可以量化比较。模型评估机构METR（Model Evaluation & Threat Research）的Time Horizon追踪計劃，以「人类完成同一任务所需时间」衡量各時代模型能以50%成功率自主完成的任务复杂度。从2019年GPT-2只能处理约1至2秒的简单任务，到2026年的新一代模型，可完成的軟件类任务时长已达16小时等级，依其估算约每7个月翻倍。以8小时（一个标准工作天）为参考线，近期模型已陆续越过，意味著數字代理人有机会从「加速执行」走向「独立接手整天的工作」。这条指数曲线，目前只存在于數字世界：机器人要在实体环境中跨越数小时稳定完成复杂任务，所需的规划深度、容错能力与环境适应性，还需研究突破。Physical AI的慢，不只在模型能力，也在部署方式。數字代理人的导入本质上是軟件问题：API串接、數據清理、流程重新设计，从决策到运行快则几周；失败可以修正，持续迭代。Physical AI的导入是系统整合问题：场地改造、安全认证、与既有设备的整合，时程以年计，成本以千万计。但是高门槛反而创造黏性：一家工厂花两年把机器人整合进产线，不会因为竞争对手推出更好的軟件就轻易替换。两者的差距，也体现在「验证」这个环节。數字代理人的迭代回路是：推理、工具呼叫、执行、检查结果、修正，整个循环在數字空间完成，失败成本低，可實時重试，能力就在快速循环里累积。Physical AI的回路根本不同：机器人难以在真实场域反复试错，一次碰撞或抓取失误的代价，可能是设备损坏或人员风险，验证必须在执行之前完成，而非之后。这也是大家对世界模型在Physical AI中的期待：机器人需要先在模拟中「预演」动作结果，确认可行后才进入实体执行。在數字空间，验证回路天然存在；在实体空间，可能得靠世界模型解决，但是还没收敛。因此，Physical AI的市场进入逻辑更接近「先深后广」：先在结构化程度高的场域建立滩头堡，累积具身數據与安全认证纪录，再逐步向更复杂的场域扩张。具身數據难以从網絡大量取得，主要来自真实部署；而获得真实部署机会，又需要先通过安全认证与场域验证。这个循环，让先进入特定场域的厂商建立起难以复制的护城河，即使后进者的軟件技术更先进。Digital AI与Physical AI 2个市场都在快速成长，合计每年潜在经济价值达数萬億美元等级，涵盖的是人类2种核心的劳动形态。Digital AI开始进入收成期，竞争格局正在集中；Physical AI仍在播种期，先行优势可能要再过几年才会清晰显现。2条路径，同一套成长逻辑：AI总是先在结构化世界立足，再从那里逼近非结构化世界。

技术迭代使AI深度嵌入人类工作与生活，人机关系成为无法回避的命题。修仙小说《凡人修仙传》中法宝与修士的叙事恰好构成一则当代寓言：AI之于人类，正如本命法宝之于修仙者，既是渡劫飞升的依仗，亦是噬主陨落的风险。主角韩立最核心的机缘是「掌天瓶」。此法宝初得时仅能催熟草药，随心神温养与境界提升，影响时间法则的威能才逐步显现。法宝之力并非恒定，而是随使用者的认知与投入动态成长。AI工具亦然。ChatGPT与Midjourney对初用者不过是高效生成器，唯有持续使用、數據投喂与提示词（Prompt）最佳化，才能适配个体思维，进化为独特的外脑。正如韩立以神识驾驭剑阵，我们以提示词调度算力，工具的价值始终取决于使用者赋予它的灵性。然而反噬向来如影随形。修仙世界的第一重反噬在于神识消耗：韩立操控「青竹蜂云剑」或「大衍傀儡」时需分出神识，过度使用便眩晕迟钝。这不是法宝主动攻击，而是对精神力极限的警示。AI时代的对应物，是认知卸载与注意力蚕食。当文案、推论乃至创意决策大量外包给AI，大脑相应功能因用进废退而钝化，思考耐力与批判敏锐度在便捷中静静流失。这种退化不致命，却让人逐渐沦为工具的附庸，正如过度依赖飞剑的修士，终将遗忘本身步法的精妙。更深一重的反噬，指向判断力与价值观的扭曲。魔道宝物惯于侵蚀心性，修炼「血魔功」者必嗜杀，执掌「噬灵杖」者必贪婪，器物的逻辑悄然重塑主人。AI时代最隐蔽的反噬，是演算法茧房（Algorithm Echo Chamber）与逻辑惯性。AI被设计成擅长迎合而非反驳，持续以偏见投喂便得到更精致的偏见作为回报。决策者一旦依赖AI输出策略，便被禁锢在模型训练集的认知边界之内。AI输出常具逻辑闭合性与表述权威性，使用者更易在看似合理的错误中越陷越深。最致命的危机，非前述任何一种，而是修士将全部道途寄托于外物。韩立若未曾苦修夯实根基，即便拥有通天灵宝，遇上古禁制也吋步难行。人类面对AI同理：若将创意原点、情感判断、价值抉择悉数交付演算法，便退化为仪器的操作员，一旦算力断绝，顷刻沦为无知凡人。真正的飞升不依赖某件神器，而在于历经劫数后的自身领悟。修仙寓言还有一处值得深思：每位飞升者必须亲渡「雷劫」，无人可代，无宝器能全挡。这正呼应AI时代的核心伦理困境。机器可以处理信息，却无法替人承担选择的后果。医师以AI辅助诊断，法官以演算法参考量刑，最终的道德重量仍落在人的肩上。逃避此重，便是将「人」这个概念本身拱手让渡。修仙者韩立证道飞升，虽借助宝物，但他始终记得一件事：法宝是渡河之筏，不是栖身之岸。关键时刻，他相信的是苦修所得的判断力，而非手中的神器。面对AI，我们亦当如此。以AI增效而不以AI代思，借AI破局而不被AI定义。唯有在协作中锚定人的主体性，技术才能真正成为文明的舟楫，而非将人困住的彼岸。

2026年6月底韓國李在明总统宣布AI及半导体的三大計劃（Three Mega Projects for AI and Semiconductors，以下简称三大計劃），目标在提升韓國至AI及半导体的领先群，执行半导体、实体AI（physical AI）以及AI數據中心（AI Data Center）的三大計劃。5年内提升DRAM产量至2倍，强化特殊半导体环节如高频寛存儲器（HBM）、先进封装、AI处理器、下時代存儲器，并将半导体产业扩张至首尔区域之外。 一个在半导体产业处于领先群的国家发展策原本就引人瞩目，兼之内容又扩及足以改变社会各层面的AI，这无疑值得所有在高科技领域参与者和国家的深度解析。 韓國近年半导体政策可分为2个重要阶段。第一阶段是文在寅政府于2021年5月13日公布的K-半导体战略（K-Semiconductor Strategy），第二阶段则是李在明政府于2026年6月29日提出的Three Mega Projects for AI and Semiconductors。两者均以维持韓國半导体竞争力为核心，但在政策范畴、产业定位及资源投入上呈现明显的延续与扩充。文在寅政府的K-Semiconductor Strategy，是在全球芯片短缺及供应链重组背景下提出，实施期限以2030年为主要目标年。其核心理念是建构「K-半导体带（K-Semiconductor Belt）」，串联京畿道及忠清道等地的晶圆制造、存儲器、材料、设备、封装及IC设计产业，形成完整供应链聚落。政策目标包括：民间投资超过510萬億韩元、半导体出口提升至2,000亿美元、培育3.6万名专业人才，以及建立全球最大的半导体制造基地。政府主要扮演促进者角色，透过租税优惠、研发补助、人才培育、土地、水电等基础建设及行政程序简化，引导三星（Samsung Electronics）及海力士（SK Hynix）等大型企业持续投资，而晶圆厂本身的资本支出则主要由企业负担。5年后，李在明政府提出新的三大計劃，虽然仍以半导体为核心，但政策视野已由原先只限于传统半导体产业，提升扩充至AI时代的国家竞争力建构。新政策包含三大支柱：半导体、实体AI及AI數據中心，并将三者视为互相支撑、共同发展的国家战略。政策规划兴建4座新的大型晶圆厂，建立国家级先进封装聚落，大幅扩充HBM产能力，同时发展AI芯片、小芯片（Chiplet）、先进封装及大型AI數據中心，希望形成完整的AI半导体生态系。相较于前一阶段，新政策更强调半导体与AI应用的整合，而不再仅以半导体制造能力为主要目标。在资金规模方面，2项政策也有明显差异。文在寅政府提出的510萬億韩元主要为民间企业投资承诺，政府则提供租税优惠、基础建设及研发支持。李在明政府则将企业投资规模进一步提升至约800萬億韩元，另规划约81萬億韩元建设先进封装聚落，以及至2035年前超过1,000萬億韩元的AI數據中心投资。值得注意的是，后者虽然投资规模远高于前者，但绝大部分仍属三星、SK集团及其他大型企业、金融机构与民间资本的投资計劃，政府直接财政支出仍主要集中于基础设施、研发补助、人才培育、土地取得及行政支持，而非直接兴建工厂。若比较2项政策内容，李在明政府大致保留文在寅政府建立供应链聚落、强化材料设备、培育人才及维持存儲器优势等主要方向，并在此基础上增加数项新的重点。首先，政策范围由半导体供应链扩展至AI、數據中心及机器人等应用产业，使半导体由单一制造业提升为AI基础设施的一部分。其次，先进封装的重要性大幅提升，成为与晶圆制造、HBM并列的核心发展项目。第三，政策更强调建立完整AI生态系，而非单纯追求存儲器市场占有率。此外，对AI數據中心及大型电力、網絡等基础建设的投入，也显示政策开始由制造能力延伸至算力基础设施。另一方面，新政策也淡化部分前一阶段的内容。文在寅政府相当重视系统半导体、IC设计、生态系及中小企业培育，希望改善韓國长期偏重存儲器产业的结构；李在明政府虽仍提及AI芯片及设计能力，但整体政策重心已明显转向大型AI投资、HBM、先进封装及數據中心等具有较高资本密集特性的领域，对中小企业创新、EDA（Electronic Design Automation）、IP（Intellectual Property）及新创企业的著墨相对较少。整体而言，李在明政府的新政策并非推翻文在寅政府的K-Semiconductor Strategy，而是在其建立的供应链架构上进一步扩充，将政策重心由「半导体制造强国」提升为「AI与半导体整合强国」。两者具有高度延续性，但也反映出韓國政府政策焦点已由供应链安全与制造能力，逐渐转向AI时代的新一轮国际科技竞争。

2026年5月底东京Humanoids Summit，原本以技术与商业化为主轴的峰会，今年也为政府代表与政策观察者保留讲臺。一家美系机器人大厂的政策副总裁在会中直言：「政府不介入已经不行了。」理由包括：AI政策与机器人政策开始交叠、自主系统的军民两用性质让机器人进入国安视野。技术一旦被划入国安范畴，政策资源往往随之增加，无人机与5G都走过这条路，接下来可能轮到机器人。这不只是一位企业高端主管的观察。截至2026年，已有十余个国家或地区提出具官方背书的机器人或智能机器国家发展架构，从日本、韓國、新加坡、印度，到德国、法国、荷兰、中国与澳大利亞。架构的核心要素已逐渐成形：从人才训练、研究资金、安全标准，到供应链韧性、国安与贸易政策；后三项关联地缘政治。这些路径大致可以收敛成4种模式：1. 美国是产业先行、政府补位的产业主导型；2. 中国是全政府动员、由上而下推进的国家动员型；3. 欧盟是以法规架构定义可信任生态系的法规治理型；4. 日本与韓國则同属政府与产业紧密配合的协同生态型，但做法不同：日本靠政府主导的共享數據平臺，韓國靠政策延续与大企业投资。美国的逻辑一贯：产业够强，政府通常不急于介入。从芯片运算、电动车跨足机器人的科技大厂，到人形机器人新创与顶尖AI研究实验室，实体AI（Physical AI）生态系的资本、模型与平臺能量仍高度集中在美国。美国国会2025年起开始相关讨论，目前推进较快的是对中国机器人的限制措施；联邦层级、以机器人产业为核心的国家机器人战略，尚未成形。日本曾长期位居全球工业机器人密度第一，但依IFR修正后的计算基准，2025年已滑落到第四，类似的反思在东京峰会多次出现：硬件优势不再够用，政策重心转向數據与基础模型的竞争。日本经济产业省（METI）近年整合高效能运算（HPC）基础设施与新设的具身智能（embodied AI）旗舰計劃，让企业共享机器人數據与模型；2026年3月发布的新版AI机器人战略，目标2040年在全球AI机器人市场取得30%以上市占率，期望重新站回与中美并列的位置。韓國是最早把机器人提升到国家法律层级的国家：2008年的智能机器人开发与普及促进法奠定基础，十余年政策延续性累积出生态系厚度。2026年六月底，韓國进一步把Physical AI与半导体、AI數據中心并列为三大国家旗舰計劃，由总统府直接督导，目标2028年让10个产业别的人形机器人进入商用，并开发自主的机器人基础模型。韓國模式里，资本仍来自民间，但政府的主导性明显增强。中国的机器人政策以2015年「中国制造2025」为分水岭，机器人列入十大重点产业；2026年的第十五个五年规划首次把具身智能与量子技术、脑机界面、6G并列为顶层新兴产业方向。同年2月，工信部辖下的标准化委员会发布人形机器人与具身智能标准体系，并明列国际标准化目标：先立标准、再定市场门槛，过去用在5G，如今延伸到机器人。地方政府竞相设基金、建园区，形成外界称「全政府推进」的格局，但商业化仍待验证：出货多流向研究、教育与展示市场，制造现场仍以试点居多；规划文件强调供应链自主化，反映精密减速器等核心零组件仍仰赖日德业者。欧盟AI Act于2024年8月生效，但2026年6月定案的简化方案，把机器人安全元件等高风险应用的合规时程延后到2028年。2025年公布的AI Continent Action Plan扩建欧洲AI运算基础设施；同年推出的Apply AI策略把机器人列为战略产业之一。德国、法国、荷兰各自执行国家机器人战略，中央法规加成员国执行的双层架构，即使时程放缓，寄望的仍是「布鲁塞尔效应」：当AI法规成为进入全球市场的门槛，欧盟的监管架构就有机会成为实质的全球标准。真正的竞争在标准，不在速度。4种模式之上，还有一张全球分工图，东京会场的版本是：硅谷负责模型与资本，日本负责精密制造，韓國负责量产可靠性，中国负责硬件速度。臺湾近期推出「智能机器人产业推动方案」，规划4年投入百亿元、设立国家智能机器人研究中心，以服务型机器人切入医疗照护与餐饮等缺工场域，也在试著标出自己在这张分工图上的位置。训练數據的问题，在机器人领域格外值得关注：相较于大型语言模型，机器人可用的训练數據少了2到3个数量级；弥补这个差距的方式之一，是让机器人在真实作业环境中「持续学习」，边部署边累积场域數據、持续更新模型。臺湾的制造与服务场域，恰好提供这个机制所需的条件。Physical AI最终竞争的，未必只是谁能造出最多机器人，而是谁能建立让机器人持续、安全、可验证地进入真实场域的产业条件。

在商务往来中，互换名片是一种常见的礼仪。我担任几个县市政府的顾问，以及几个大学的讲座教授，因此拥有六七种不同身份的名片，在不同场合给予不同名片，偶尔拿错名片会让人尴尬。现代初次见面，若忘记带名片，或没有名片，有时会拿起手机说：「我们加个Line，WhatsApp，WeChat吧。」这有时让人为难，因为彼此尚不熟悉，加Line变好友可能会收到一堆不想接收的信息；已读不回又会被认为太高傲。实体名片虽然无法建立實時通话，但其运用方式有时更能洞察人性。如果在递名片时加注文字，往往蕴含微妙的玄机。早期的名片称为名刺或名帖，是参见达官贵人的敲门砖，因此有阿谀谄媚的表态。传闻清末孙中山（1866～1925）留学归国，途经武昌，投名帖谒见湖广总督张之洞（1837～1909），名帖内页写道：「学者孙文求见之洞兄」。张之洞心中不齿，认为籍籍无名的白衣儒生，不自量力，竟敢称兄道弟，于是在名帖背后书以一联，命阍人退还，联曰：「持三字帖，见一品官，儒生妄敢称兄弟」。孙中山看了不怒反喜，提笔覆以一联：「行千里路，读万卷书，布衣亦可傲王侯」，请阍人再传进去，针尖对麦芒地回敬张之洞。虽然印刷术早在宋朝时已发明，但民国成立前名帖几乎都是手书，手写名帖往往有拍马屁的花招。戏剧《精忠旗》第六折「奸党商和」描述秦桧的奸党何铸、罗汝楫、万俟卨一起拜谒秦桧，名帖上分别写著「晚生何铸」、「门下晚学生罗汝楫」，及「门下沐恩走犬万俟卨」，以示谦卑。何铸见了摇头叹息：「约定一样写「官衔晚生」，为何又加「门下晚学」、「沐恩走犬」字样？这样我又不济了！」在清朝官场，官小使用较大的名片以示谦恭，官大使用较小的名片以示地位。大官「赏」名片防止被用来招摇撞骗，会加注不能作别的用途。例如溥仪的英文老师庄士敦（Sir Reginald Fleming Johnston）的名刺，正面书「庄士敦」，背面则印「专诚拜谒，不作别用」。庄士敦用红色名刺以示身份。我到科技部服务后，签名也被制作成烫金红色名帖，逢年过节用得到，这对我而言，是奇特的经验。实体名片的文化会否改头换面，重现于今日的虚拟通讯軟件？而今日的通讯軟件结合名片和电话的功能，又会发展出何种新文化？这些都是值得思考的问题。

随著招募流程的两端逐步由AI代劳，一份履历能不能进入入围名单，可能取决于一个求职者完全不知道的因素：履历协作的模型，跟筛选履历的模型，是否为同一家。2025年底收录于人工智能伦理与社会研讨会（AIES 2025）的一份研究，就这件事进行系统性的实验。研究在控制履历品质之后，比较模型生成与人工撰写的履历在不同模型中的评价：当撰写与评审（模型）来自同一家，求职者进入面试入围名单的机率高出2成到6成；在多数测试案例中，同等品质的履历，模型对 AI 生成内容的评分高于人工撰写版本。研究称这个现象为「自我偏好（self-preference bias）」：语言模型会偏爱自己生成的内容，即使品质已被刻意控制。这份研究的实验场景，如今已贴近现实。HireVue 2026调查显示，逾7成HR团队已定期在招募流程中使用AI，近7成求职者也已用AI起草履历。一边用AI审、一边用AI写，已是现况而非未来情境。对坚持自己撰写履历的求职者，这意味著可能在不知情的情况下，仅因履历未经模型加工，就在评分上落后。这个现象，2026年6月有了更具体的面貌。AI工具比较业者i10X Research发布1份产业测试报告，让几个主流模型互评同一位虚拟求职者的履历，只换成由各家模型分别撰写的版本，再交给各模型逐一评分。这份报告来自产品行销背景的业者，非学术同行评审，但凸显相当现况。i10X Research的商业测试显示，各家模型的偏好倾向差异相当大：Claude对GPT撰写版本的录取率，比对自身风格版本低了约5成；GPT对自身版本的评分反而偏低，呈现反向的自我惩罚；Gemini撰写的版本不分评审者都受到青睐。在i10X的测试设定中，同一份文件由不同模型评审，差距可以大到足以让结果从「待定」滑向「淘汰」。这延伸原始研究对「模型风格会影响模型评分」的观察：不是每个模型都偏爱自己，而是每个模型都有自己的评分倾向，求职者完全无从得知评审偏好那套模型。AI评审的脆弱性，学术审稿已先凸显。2025年中起，多篇arXiv稿件被发现在PDF里藏进肉眼看不见的指令，要求语言模型审稿人给予正面评价，实验显示这类手法可以把模型评分推近满分。顶尖会议ICML 2026 把相同做法反过来用在稽核：在论文PDF嵌入随机词汇，若审稿人偷用语言模型代写意见，词汇就会混进评语；2026年3月公布的结果，逾500位审稿人被侦测到违规，其中不少人因身兼投稿审稿人，所投论文遭退件。这套攻守兼备的机制对B2B场景的启示在于：指令注入手法既是攻击面，也能作为稽核工具的设计基础。履历只是起点，影响不会停在这里。当企业流程的两端都开始由AI代理人处理，一端用AI起草报价、技术方案、法遵文件，另一端用AI筛选与评分，「用哪一家模型」会成为过去不存在的竞争變量——过去企业竞争的是价格、品质、交期；未来还可能竞争「模型兼容性」。机制尚未完全厘清，但有几种可能的解释。语言模型在生成内容时，似乎带有可被自家模型识别的「风格指纹」——句构偏好、用词分布、段落节奏。一个可能的解释来自后训练（post-training）阶段：RLHF、DPO等对齐训练以相同的训练目标，同时塑造「怎么写得好」与「什么算写得好」，风格与好恶因此一起被写进模型权重，评审模型可能因此将这些熟悉的风格特征误判为较高的内容品质。研究也验证，透过提示工程要求模型主动识别并校正自身偏好，偏差可下降5成以上；但这并非缺省行为，企业内部的AI评估流程多半还没有写进作业规范。把场景移到臺湾产业，有可能受影响的是自动化报价与RFQ初筛。试想：买方以AI从上百份供应商技术文件中挑出前段名单，供应商也以AI起草标案。若这套筛选以文本摘要或技术叙述做初步排序，而买卖双方使用的是不同家的模型，供应商可能在价格、交期等结构化条件被充分比较之前，就因文本风格不符模型偏好而落后。这个情境目前仍是推断，但随著AI在采购流程的应用逐步深化，陆续发生的可能性不低。供应商尽职调查与法遵审查也在其中——ESG报告、網安自评书，愈来愈多由AI起草、也可能再由AI审查，同源偏差的空间同样存在。需要说明的是，研究测量的偏差幅度建立在文本叙述上，B2B 采购里的价格、交期、认证等结构化栏位仍占相当权重，整体入选率不会直接受到相同幅度的影响。但只要评估流程里有任何一段是模型对模型读「叙述」，这一段就有结构性偏差。防御方向可能不复杂，但需要刻意设计。受评文件与评审模型最好不来自同一个模型家族；高金额或高敏感度的决策，应采多模型并行评估、考量评分差异；结构化數據与文字叙述分流计分，避免后者拉偏前者；可能暗藏内容的格式（如 PDF、Word）进入评估流程前，应做指令注入过滤；重要闸门保留人工抽查。这些不是技术突破，而是治理设计，目前产业界的 AI 导入多半停在工具层，治理层大多仍是空白。同源偏差以外，还有另一层问题值得思考：当评估流程由人换成模型，人类评审識別「少数亮点」的能力，可能也悄悄消失了。一百份履历里长得不一样的那个人，一百份提案里带著真实观点的那份文件，在倾向偏好熟悉风格的模型眼中，可能反而是扣分项。HR筛选、绩效评估、供应商评鉴、学术审稿，都面临类似的结构。如何在AI介入的决策流程里，刻意保留人类洞察的空间，目前仍是个开放的问题。