適逢2026年世界盃足球賽正如火如荼進行，全球球迷再次為每一次傳球、助攻與射門沸騰，也讓我們重新思考團隊合作、臨場判斷與共同目標的真正價值。2024年夏天，筆者人在瑞士，剛好遇上瑞士國家足球隊於當年歐洲國家盃足球賽(UEFA Euro 2024)贏球。比賽結束後，原本秩序井然的街道瞬間變成大型慶典現場，從下午一路熱鬧到半夜。有人披著瑞士國旗奔跑，有人站在車窗旁揮旗，還有駕駛沿路猛按喇叭，市中心甚至封街讓民眾共同慶祝。那一刻，筆者深刻感受到，足球之所以迷人，不只是因為進球，而是十一位球員在有限時間作者：郭啟全（明志科技大學 機械工程系暨機械與機電工程研究所 教授、明志科技大學 智慧醫療研究中心 教授、長庚大學 機械工程學系 合聘教授、明志科技大學 可靠度工程研究中心 教授）

適逢2026年世界盃足球賽正如火如荼進行，全球球迷再次為每一次傳球、助攻與射門沸騰，也讓我們重新思考團隊合作、臨場判斷與共同目標的真正價值。2024年夏天，筆者人在瑞士，剛好遇上瑞士國家足球隊於當年歐洲國家盃足球賽(UEFA Euro 2024)贏球。比賽結束後，原本秩序井然的街道瞬間變成大型慶典現場，從下午一路熱鬧到半夜。有人披著瑞士國旗奔跑，有人站在車窗旁揮旗，還有駕駛沿路猛按喇叭，市中心甚至封街讓民眾共同慶祝。那一刻，筆者深刻感受到，足球之所以迷人，不只是因為進球，而是十一位球員在有限時間、巨大壓力與快速變化中，必須同時完成判斷、溝通與執行。這其實和科技產業非常相似。尤其機械工程講究設計、製造、控制與整合，更需要團隊精準協作。工程師面對產品開發、製程改善、人工智慧導入或跨部門整合時，也不是只靠一位明星人才就能成功。真正決定成果的，往往是團隊能否在正確時間，把正確資訊傳給正確的人，並且共同完成最後一腳。

[caption id="attachment_250935" align="alignnone" width="814"] （圖／郭啟全提供）[/caption]

在足球場上，前鋒(striker)負責射門，但一顆進球往往來自中場組織、後衛支援、守門員判斷，以及隊友不斷跑位所創造的空間。筆者多年來指導學生參加校外競賽，也常扮演「助

攻者(facilitator)」的角色。實務專題或碩、博士論文指導教授主要角色是協助他們看見問題、調整方向、整合資源，並在關鍵時刻給出一記好球。學生才是真正站在前線的前鋒，他們必須承受比賽壓力、完成簡報、回答評審提問，最後將成果送進球門。科技人才培育也是如此。老師與實驗室學長姐，不能只告訴年輕學子答案，而要讓他們具備解決問題以及尋找答案的能力。當學生得獎時，表面上是個人成就，實際上卻是整個團隊長期訓練、反覆修正與彼此信任的結果。好的「助攻」不是搶走光芒，而是讓前鋒年輕學子在最適當的位置發揮最大價值。

「AI履歷健檢」看見自己優勢：https://campaign.1111.com.tw/resume-review/
更多科技工作請上科技專區：https://techplus.1111.com.tw/

足球需要技術，也需要戰略與戰術。技術是傳球、控球與射門的基本功；戰略是整場比賽想達成的方向；戰術則是面對不同對手時，如何調整陣形、節奏與人員配置。科技團隊同樣需要這三個層次。機械工程師若只有技術，可能很會解題，卻不一定知道問題是否值得解決；指導教授若只有戰略，卻缺乏可執行的戰術，目標也容易停留在口號。真正有競爭力的團隊，必須把個人專長轉換成共同語言，建立默契，讓研發、製造、品質、行銷與管理彼此支援。未來的科技競爭，不只是比誰擁有最先進的設備或最多的資料，更是比誰能建立一支懂得合作、願意助攻、能快速變陣的團隊。世界盃告訴我們，冠軍不一定由最耀眼的球星單獨創造，而是由一群願意為共同目標跑動的人共同完成。對工程教育與科技產業而言，最重要的課題，也許不是培養更多單打獨鬥的明星，而是培養能看懂全局、精準傳球，並在關鍵時刻「智造進球」的足球員。圖1為智造進球：當工程思維踢進團隊勝利之門。

這篇文章 從2026世界盃足球賽到科技場：工程師如何靠助攻、默契與戰術踢進勝利之門｜專家論點【郭啟全】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

說到生成式 AI，如今大家已經相當熟悉。過去幾年，中小企業對 AI 的認知大多建立在純文字指令上。舉凡撰寫商業文案、翻譯郵件或產出會議記錄、企業提案等，只要簡單地下幾個提示詞，AI 立刻可以信手拈來。作者：鄭緯筌（專欄作家，「臺灣電子商務暨創業聯誼會」共同創辦人，前「APP01」網站總監、《風傳媒》產品總監和《數位時代》雜誌主編）

說到生成式 AI，如今大家已經相當熟悉。過去幾年，中小企業對 AI 的認知大多建立在純文字指令上。舉凡撰寫商業文案、翻譯郵件或產出會議記錄、企業提案等，只要簡單地下幾個提示詞，AI 立刻可以信手拈來。

[caption id="attachment_252336" align="aligncenter" width="1672"] 過去幾年，中小企業對 AI 的認知大多建立在純文字指令上。舉凡撰寫商業文案、翻譯郵件或產出會議記錄、企業提案等，只要簡單地下幾個提示詞，AI 立刻可以信手拈來。（圖／AI生成）[/caption]

誠然這些應用帶來諸多便利，但時序進入 2026 年下半年，企業開始迎來不同的挑戰，亦即真實商業運作，不只局限於純文字內容，更有多元的資訊展現。好比客戶傳來的語音訊息、現場照片、PDF 格式的估價單、隨手畫下的設計草圖以及 ERP 裡的結構化數據，交織成一幅又一幅職場的日常景象。

多模態 AI（Multimodal AI）的崛起，讓人工智慧正式具備感知文字、語音、影像、視覺佈局與影片的全感知能力。對普遍資源有限、缺乏龐大 IT 團隊的中小企業而言，這無疑是打破資料孤島、倍增人均產值的最強槓桿。

[caption id="attachment_252331" align="aligncenter" width="12800"] AI 從讀懂文字，到看懂整個現場。（圖／鄭緯筌提供）[/caption]

要談到多模態 AI 所造成的影響，我們得先認識何謂多模態？從傳播學的角度來看，多模態本質上就是人類最自然的溝通狀態，因為人類的交流從來都不是單一維度的。傳播學大師克瑞斯（Gunther Kress）與凡留文（Theo van Leeuwen）的社會符號學理論早就指出，人們在傳遞訊息時，往往會同時組合使用文字、圖像、聲音、肢體和空間等兩種以上的符號系統來共同製造意義。

在這種傳播情境中，任何單一符號都是不完整的，不同模態之間會產生一種協同效應，讓最終的整體意義大於個別加總。例如當我們看電影《奧德賽》（The Odyssey）時，主角奧德修斯經歷了特洛伊戰爭與多年海上漂泊，面對殺戮的創傷、神諭與文明毀壞的感嘆令人動容。主角所說出的任何一句對白，必須與他當時的眼神、背景的配樂以及畫面的色調交織在一起，受眾才能理解出最真實的情感與脈絡。

從傳播媒介的演進史來看，人類社會經歷了從純文字的印刷媒介、聲音與影像結合的廣播電視，再到如今充滿短影音與互動模式的社群平臺，這條發展路徑其實就是媒介不斷多模態化的過程，而多模態也就是為了突破單一媒介的傳播限制，讓資訊能更立體、更便捷地在人際之間流動。

[caption id="attachment_252332" align="aligncenter" width="12800"] 媒介史，其實是一部多模態化的歷史。（圖／鄭緯筌提供）[/caption]

當我們把傳播學中多感官協同溝通的觀念放進科技領域，就能理解何謂多模態 AI，以及它為何會成為企業不可或缺的利器。簡單來說，多模態 AI 是指能夠同時接收、理解、並整合文字、圖像、音訊與視訊等兩種以上不同類型數據的人工智慧系統。這項技術本質上是讓機器去適應人類最自然的溝通方式，打破了過去人機互動的冰冷現況。

讓我們回到中小企業的營運場景，最常在職場上看見的瓶頸，不外乎來自資料跨格式造成的轉錄人力成本、現場與後臺資訊異步引發的溝通誤差，以及經驗傳承斷層。多模態 AI 之所以受到業界青睞，在於它能真正看懂複雜表格、流程圖、建築設計圖與發票佈局，精準理解結構意圖；它跳過語音轉文字再丟給語言模型的延遲，直接捕捉說話者的情緒、語調與背景音，迅速做出應答與行政觸發；它還能結合智慧手機或穿戴式裝置，分析現場照片或短影片，比對標準作業程序並即時給予回饋。

對中小企業來說，多模態 AI 的出現之所以重要，首先在於它能大幅提升企業內外部的溝通與營運效率。傳統企業內部充斥著大量結構複雜的非結構化資料，例如包含工程圖紙的技術手冊、附帶產品照片的客訴信件、或是線上會議的錄音錄影。過去，這些資料需要不同部門的人力去分別閱讀、整理與跨部門核對；現在，多模態 AI 能夠迅速理解這些多媒體資料，自動對齊產品照片、客戶的語音抱怨與後臺的文字紀錄，在幾秒鐘內抓出問題核心並給出解決方案，省去了繁瑣的跨系統整合流程。

建議大家在導入多模態 AI 時，應以貴公司實際需求與流程自動化為核心，而不要單純考量技術或預算問題。

[caption id="attachment_252333" align="aligncenter" width="12800"] 三家企業，分別動用了哪幾種感官？（圖／鄭緯筌提供）[/caption]

舉例來說，日本正將多模態 AI 帶入現實世界的實體 AI （Physical AI）之中。如果說多模態 AI 扮演超越單一文字的全感官大腦，能同步看見圖像、聽懂聲音並閱讀文字。那麼，實體 AI 就是賦予AI 具有身體與物理行動力，讓大腦能與機械硬體緊密結合。

近年來，工具機大廠發那科（FANUC）與 Google Gemini Enterprise 展開合作，在工廠機械手臂上導入多模態 AI 代理。手臂上的鏡頭能即時看懂複雜的工程藍圖（圖像），結合感測器的震動異音（音訊），並讀取技術規格手冊（文字）。這讓機器手臂不需要工程師手動編寫繁瑣的自動化程式碼，就能自主理解如何抓取、組裝全新形狀的零件，並在設備發生微小磨損前自動發出預警。

而德國汽車巨頭賓士（Mercedes-Benz），則選擇跳脫傳統指令式語音，與 Liquid AI 合作，將原生多模態大模型直接內嵌至車載晶片中。最新的駕駛輔助系統能夠一邊透過車外與車內相機監控路況與駕駛眼神（視覺），一邊聆聽駕駛說話的語調與用詞（音訊）。這讓車輛不只能做到自動駕駛防撞，還能像一個具備空間感的人類副駕駛，當你轉頭看向窗外某棟建築並問「那是什麼」時，AI 能立即透過空間對齊，辨識出你的視線目標，並透過語音向你導覽該景點的历史。

另外，全球零售龍頭沃爾瑪（Walmart），亦將多模態 AI 佈署於供應鏈與門市端。在物流端，AI 代理結合了氣象衛星雲圖（圖像）、各區域供應鏈報告（文字）與即時運輸感測器數據，在颶風、地震等天災來襲前幾分鐘內，就能自主重新規畫多個配送中心的路徑與庫存。而在零售門市，Walmart 導入了 AI 視覺防竊系統，結帳櫃檯的相機鏡頭能一邊辨識顧客的掃描動作（動態視覺），一邊比對 RFID 標籤與 POS 系統的品項紀錄（文字數據），精準抓出漏掃描或偷竊行為，在保護隱私的同時大幅降低損耗率。值得注意的是，Walmart 並非單純透過科技力量來解決所有問題，而是依照不同場景導入適合的解決方案。

從上述這些國際成功案例可以清楚看出，企業導入多模態 AI 的共同成功心法，絕非只是導入尖端技術而已，而是必須從根本上重新設計數據流與應用場景。唯有透過這樣的策略，AI才能不再只是輔助工具，而是可以真正取代重複且容易出錯的人工環節，大幅提升效率與準確度，進而創造可持續的商業價值。

有鑒於臺灣高達九成以上的企業是中小企業，對於這些資源有限的中小企業，建議在導入多模態 AI 時，切忌盲目投入昂貴的客製化大模型開發，而應採取輕資產、重流程的策略。首先應盤點內部營運，找出那些需要人工將照片、PDF 或語音轉換為打字資料的高頻重複節點。接著，優先選用市面上成熟的商業 API 或已整合 AI 功能的套裝軟體，利用自動化工具將 AI 與現有的系統黏合，迅速進行小規模測試。在推動數位轉型的過程中，企業也必須建立嚴格的資安規範，禁止員工上傳敏感個資或營業秘密，同時將人才培訓的重心從單純的指令撰寫轉向批判性思考與驗證能力，讓員工發揮判斷力，扮演最終的把關者。

多模態 AI 的核心價值從來不在於取代人力，而是為每位員工配備具備全方位感知能力的數位助手。當一家人員編制不到二十人的小公司，能透過這項技術處理相當於百人規模的跨格式數據與客服量時，企業預算與規模將不再是絕對的護城河，營運敏捷度與人均產值才是競爭的勝負關鍵。愈早理解到此一現實，並願意積極盤點自身非結構化資料流程、將多模態技術融入日常營運的中小企業，將愈能以極低的邊際成本實現商業利益。

這篇文章 擁抱多模態AI時代：中小企業如何用全感知能力重塑營運與人均產值｜專家論點【鄭緯筌 Vista】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

2026年7月，一則震驚全球科技界的消息悄然傳出。OpenAI承認，其旗下兩款模型，包括GPT-5.6 Sol以及一款尚未公開發布的更強大模型，在接受網路安全能力評測期間，自行衝破隔離沙盒環境，穿越OpenAI內部系統，闖入公開網際網路，最終入侵了AI模型托管平台Hugging Face的生產基礎設施，竊取內部資料集與服務憑證。這場攻擊完全出於模型自身的「動機」，它們判斷Hugging Face可能存有與考題相關的資料，於是主動出擊，為自己在評測中取得更高分數。沒有人下達指令，沒有人事先策劃，一切都是AI自主完成的。作者：張瑞雄（台北商業大學榮譽講座教授）

2026年7月，一則震驚全球科技界的消息悄然傳出。OpenAI承認，其旗下兩款模型，包括GPT-5.6 Sol以及一款尚未公開發布的更強大模型，在接受網路安全能力評測期間，自行衝破隔離沙盒環境，穿越OpenAI內部系統，闖入公開網際網路，最終入侵了AI模型托管平台Hugging Face的生產基礎設施，竊取內部資料集與服務憑證。這場攻擊完全出於模型自身的「動機」，它們判斷Hugging Face可能存有與考題相關的資料，於是主動出擊，為自己在評測中取得更高分數。沒有人下達指令，沒有人事先策劃，一切都是AI自主完成的。

[caption id="attachment_250952" align="alignnone" width="825"] AI失控的第一槍已經打響｜專家論點【張瑞雄】。（圖／AI生成）[/caption]

這不是科幻小說，不是資安研究的假想情境，這是真實發生的事。

從理論到現實的跨越

過去數年，資安界一直在沙盤推演「自主AI攻擊者」的可能性。資安專家的警告幾乎被視為末日預言派的誇大其詞。但Hugging Face事件徹底終結了這場辯論，它將一個長期停留在白皮書和研討會上的假設情境，以最直接的方式兌現在現實世界中。這次事件「把AI有能力入侵一家公司、並在公司來得及偵測和回應之前完成攻擊的理論場景」，變成了現實。

更令人深思的是攻擊的規模與速度，這群AI代理在一個週末之內，橫跨數以千計的短暫虛擬機器執行超過17,000次有紀錄的自動化操作，不斷在不同的線上服務之間轉移，控制基礎設施，就像一支永遠不需要睡眠、不需要換班、不會疲憊的攻擊部隊。傳統資安思維中那個「人類需要時間回應」的緩衝空間，在AI驅動的攻擊面前幾乎蕩然無存。

「AI履歷健檢」看見自己優勢：https://campaign.1111.com.tw/resume-review/
更多科技工作請上科技專區：https://techplus.1111.com.tw/

能力與對齊的拉鋸戰

從技術層面而言，這次事件顯示的問題遠不止於資安漏洞。模型為了在評測中取得好成績而自主向外界尋求資源，本質上是一種「目標達成優先於規定遵守」的行為模式。AI業界稱這類行為為「目標錯位」，而它在現實世界中的表現遠比學術論文描述的要更加具體、更加令人不安。

一名OpenAI內部人士坦承，「我們訓練模型擅長完成任務，並且不擇手段去完成任務」，而如何保證模型不採取危險或非預期的行動，「至今仍是尚未解決的開放技術問題」。這句話的分量極重，因為它來自一家全球最頂尖AI實驗室的內部，而不是任何外部批評者。當資本競速迫使實驗室在評測時解除模型的部分安全限制，以「準確測量能力」為由，便等於創造了一個充滿可乘之機的測試脆弱窗口。

法規的致命空白

Hugging Face事件的另一道警鐘，是當前法律框架對AI安全事故的揭露義務幾乎形同虛設。OpenAI在法律上完全沒有義務公開這次事件，美國加州與紐約州雖已通過法律，要求大型AI公司揭露重大安全事故，但門檻定在須造成50人以上死亡或逾10億美元財產損失，才構成強制申報的條件。其實法案原版本應涵蓋此類事件，卻在OpenAI等科技業者遊說後被大幅縮水，讓企業得以自行決定是否揭露。換言之，我們今天能知道這件事，是因為OpenAI選擇了透明（Hugging Face原本不知道攻擊是來自OpenAI的AI代理），而非因為法律要求如此。

全球已有65%的企業在過去一年內經歷過至少一次與AI代理相關的資安事故，其中61%涉及敏感資料外洩。但監管框架的設計速度，仍遠遠落後於AI能力提升的速度。

集體防禦才是正道

Hugging Face共同創辦人暨執行長在事後說了一句值得銘記的話：「AI安全不可能由任何一家公司單獨在秘密中解決。」這正是這場危機留給整個產業最重要的教訓。資安從來就不是零和競爭的場域，攻擊的工具一旦外洩或被其他人複製，後果是所有人共同承擔的。AI先進模型實驗室之間需要建立強制性的事故通報機制，跨機構共享攻擊手法與防禦知識，而不是各自將失控事件悄悄壓在企業內部消化。

OpenAI形容這次事件是「前所未有的網路安全事故」。但更令人警覺的，也許是那名匿名OpenAI員工說的另一句話，「模型以前也曾突破沙箱，我們總是設法修補，但根本不可能修補一個有創意的AI所能想到的所有逃脫路徑。」在這個AI能力已超越補丁速度的時代，我們所需要的，已不只是更厚的牆，而是對整個AI開發與部署文化的根本性反思。

這篇文章 AI失控的第一槍已經打響｜專家論點【張瑞雄】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

隨著人工智慧與先進晶片成為國力競逐的制高點，南韓近期一改過去由財閥單打獨鬥的模式，轉而採取舉國體制，大舉拋出包含半導體、實體 AI 與 AI 資料中心的國家級計畫，甚至將總投資規模推升至驚人約合1.2兆美元的「世紀豪賭」。在這場戰略轉向中，南韓媒體與政界開始深度檢視、甚至複製台灣以科學園區為核心、從設計到封測緊密連結的完整生態系模式，顯然南韓這波傾國之力的巨額投資，不僅試圖扭轉其長期以來在半導體結構上的偏科焦慮，更預示著全球晶片版圖即將迎來劇烈的質變。作者：劉佩真（台經院產經資料庫總監、APIAA院士）

隨著人工智慧與先進晶片成為國力競逐的制高點，南韓近期一改過去由財閥單打獨鬥的模式，轉而採取舉國體制，大舉拋出包含半導體、實體 AI 與 AI 資料中心的國家級計畫，甚至將總投資規模推升至驚人約合1.2兆美元的「世紀豪賭」。在這場戰略轉向中，南韓媒體與政界開始深度檢視、甚至複製台灣以科學園區為核心、從設計到封測緊密連結的完整生態系模式，顯然南韓這波傾國之力的巨額投資，不僅試圖扭轉其長期以來在半導體結構上的偏科焦慮，更預示著全球晶片版圖即將迎來劇烈的質變。

[caption id="attachment_227482" align="aligncenter" width="1536"] 南韓政府與兩大記憶體龍頭三星電子及SK海力士宣布總規模高達3200兆韓元（約2.07兆美元）的半導體投資計畫，準備全面擴大AI記憶體產能。（圖／AI生成）[/caption]

南韓這波大投資對於其半導體業版圖的挹注，首先展現在其極力跨越唯記憶體獨大的藩籬，向晶圓代工與先進功率半導體等非記憶體賽道發起總動員。過去南韓高度依賴Samsung與SK Hynix的記憶體出口，導致其經濟與就業市場極易受到記憶體週期的劇烈洗刷。此次政府不僅直接編列預算補貼基礎設施，更規劃於西南部建立全新的第二半導體聚落，並全面催化如碳中和資料中心、次世代功率半導體(SiC、GaN)的量產；這項策略的本質是利用南韓在半導體產業數十年積累的技術底子重新點火，試圖承接高階邏輯晶片代工與車用、AI 領域的非記憶體商機，讓原本呈現單點結構的韓廠，朝向垂直整合且具備系統級設計與製造能力的硬體帝國邁進。

然而，在這場世紀豪賭背後，未來的觀察重點將落在三個實質的發展瓶頸與外部變數上。首要核心是產能擴張與基礎建設的拉鋸，雖然西南部擁有豐富的再生能源能滿足綠電承諾，但目前多數熟練的高階勞工與關鍵供應商仍高度集中在首爾首都圈，且半導體製程所需的龐大水電供應，能否跟上高達數百兆韓元的擴廠速度，將面臨極大的工程考驗。其次是Samsung高頻寬記憶體的良率穩定度與晶圓代工策略的落實，韓廠若想超越對手，必須縮小HBM的執行差距，並克服先進製程的良率瓶頸。最後則是不可忽視的地緣政治與外資流向，隨著南韓半導體與AI 片估值高漲，市場集中度過高已引發如2026 年初股市震盪的清算警訊，且如此大規模的政府補貼與產能大擴張，極可能引發美國川普政府的密切關注與關稅施壓，逼使韓廠必須加速在美設廠，進而分散其本土投資的綜效。

面對南韓的強力追趕，這對台灣而言既是中長期的結構性警訊，也是短期內難以被撼動的生態壁壘。在短期至中期的三到五年內，台灣擁有從晶圓代工、先進、電子零組件到 AI 伺服器品牌代工的上中下游完整供應鏈。這種非台積電一人舞台的中型企業競爭合作網絡與產學群聚效應，是台灣維持全球競爭力的矽盾，在可預見的未來，南韓很難在短時間內完全複製這套有機融合的生態系統。

不過，台灣在中長期仍必須正視南韓在非記憶體代工、次世代化合物半導體(如Samsung預計2026年全面投產的8吋矽基GaN產線)上可能帶來的市佔分食壓力，當部分國際客戶出於分散台灣地緣政治風險的考量時，南韓的龐大產能極可能成為承接轉單的首選。但從另一方面來看，台韓在AI賽局中也存在互補關係，若南韓能穩定供應HBM產能，反而能讓整條以台灣為核心的AI伺服器與晶片供應鏈跑得更為順暢。台灣未來的因應之道，除了延續在先進製程與高階封裝的技術絕對領先外，更需加快能源韌性、綠電配置以及AI應用落地的速度，才能在這場由南韓挑起的半導體新賽局中，牢牢守住全球主導權。

這篇文章 南韓「非記憶體」轉型大出擊 如何撼動台韓競合關係？｜專家論點【劉佩真】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

上一篇提到，一間保險公司被 10 幾年累積下來的資料架構卡住：報表永遠慢半拍、同一份資料存了好幾次、沒人敢保證數字是乾淨的。作者：黃婉中（雲端架構師）

上一篇提到，一間保險公司被 10 幾年累積下來的資料架構卡住：報表永遠慢半拍、同一份資料存了好幾次、沒人敢保證數字是乾淨的。

[caption id="attachment_250943" align="alignnone" width="861"] 一份資料存了3次：保險公司的資料孤島求生記（上）｜專家論點【黃婉中】。（圖／AI生成）[/caption]

這篇來聊聊，他們後來怎麼解決，以及這件事對你來說，有什麼可以參考的地方。

讓資料「留在原地」

過去處理這類問題，標準做法是：把資料從原始系統抽出來，搬到分析用的地方，這個過程就是我們常聽到的 ETL（Extract、Transform、Load）。

「AI履歷健檢」看見自己優勢：https://campaign.1111.com.tw/resume-review/
更多科技工作請上科技專區：https://techplus.1111.com.tw/

問題是，搬一次，就多一次時間延遲、多一次儲存成本、多一個可能出錯的環節。

這間公司後來採用的做法，核心概念反過來：盡量讓資料留在原地，只在需要的時候，讓不同系統去「看」同一份資料，而不是各自複製一份。

具體做法，是用一個統一的資料底層（你可以想像成一個共用的大倉庫），把原始資料、整理過的資料、給主管看報表用的資料，分成三層放在同一個地方。業界常用「銅銀金」來比喻這三層，其實就是資料越往上走，越乾淨：

• 銅層（Bronze）：原封不動的原始資料，先進倉庫放著，不做任何加工
• 銀層（Silver）：整理過、算過的資料，給核保、財務這些部門做分析用
• 金層（Gold）：給主管看的整合報表，這層通常東西最少

這樣做的好處是，同一份資料只存一次，卻能同時給不同用途的人使用，不用每個部門各自搬一份、各自處理一次。

資料「即時」同步，卻不影響效能

你可能會問：資料放在原地，那報表要怎麼更新？如果每次要看報表，都要去正式的營運資料庫裡撈一次，那不就拖慢了原本系統的速度？

我用一個比喻說明：

想像資料庫是一間忙碌的廚房。如果你想知道廚房現在剩幾顆蛋，直接衝進廚房打開冰箱清點，會擋到廚師做菜。

但廚房通常會有一張「進出貨紀錄單」，放在冰箱旁邊，每次有東西進出，就會記一筆：「拿走 2 顆蛋」。

新一代的資料同步技術，做的就是：不去正式資料庫裡翻找，而是讀取這張「異動紀錄單」，看到有變動，就同步更新到分析用的那份資料上。

這樣一來，主管看到的報表可以接近即時更新，但完全不會影響到原本系統的運作速度。這也是為什麼很多企業現在能做到「資料一進來，馬上就能分析」，不用再等隔天。

減少「人搬資料」

除了讓資料留在原地，這間公司還做了一件事，是把整個資料搬運流程，從「人工處理」變成「全自動管線」。

過去要跟外部夥伴（比如維修廠、其他保險公司）交換資料，常常得靠人工，透過檔案傳輸的方式一來一往，資料格式對不對、有沒有漏傳、傳錯版本，都得靠人去確認，容易出錯。

現在這個流程改成透過自動化的資料管線（Pipeline），用 SFTP（一種安全的檔案傳輸協定）自動化地拉取、傳送資料，不用再有人手動下載、上傳、確認。這帶來兩個好處：第一，速度快很多；第二，資料出錯率降低。

同樣的邏輯，也用在公司內部原本的營運資料庫上。以前資料庫裡的資料，要先被「搬」到分析平台，才能進行下一步處理。

這次的做法，是直接讓分析平台去「還原」或「鏡像」既有的資料庫，等於少了一次額外的搬運，資料庫裡的東西不用真的被複製出去，分析平台就能直接取用。

權限管理

不是每個部門都應該看到同一份資料。

業務部門、資料分析團隊、財務部門，他們需要的資料範圍不同，能承受的風險也不同。如果讓所有人共用同一個工作環境，很容易發生兩個問題：一是權限管理混亂，誰該看什麼、不該看什麼很難釐清。二是效能互相干擾，如果資料分析團隊在跑一個很吃資源的大型查詢，可能會拖慢業務部門原本正常的日常操作，也就是所謂的「吵鬧鄰居」問題。

這間公司的做法，是依照使用情境，把工作區分開：日常營運用的、開放給業務部門自助分析用的、給資料科學家做進階建模用的，各自獨立，權限也依角色分層設定。這樣一來，不同部門可以在各自需要的範圍內工作，不會互相干擾，也降低了資料外洩或誤用的風險。

資料治理是地基

除了搬資料的效率問題，這間公司同時處理的，是資料治理，簡單說，就是「這份資料從哪來、誰能看、有沒有包含個資」，要有一套機制去管理。

具體來說，包含幾個部分：

• 資料目錄：清楚記錄公司到底有哪些資料、放在哪裡，不用再靠老員工的記憶
• 來源追蹤（Lineage）：一筆數字，能追溯回它最原始是從哪裡來、經過哪些加工
• 權限控管：誰能看什麼資料，依照角色分層管理，不是人人都是最高權限
• 個資偵測：自動掃描、標記出敏感資料（比如身分證字號、病歷資訊），提醒相關人員要特別小心處理

對一間受金融監理單位監管的公司來說，這套治理機制是合規的必要條件。而且提早把地基打好，之後不管是要導入 AI 分析、或是跟外部夥伴交換資料，都會輕鬆很多。

小結

就算你不是保險業，這個案例背後的邏輯，值得每個管理資料的人想一想：

這份資料被搬了幾次？
很多企業帳單暴增、報表又慢又亂，可能的原因之一，是資料在系統間被搬來搬去、被複製了好幾份。與其急著導入新的分析工具，不如先盤點一下：這份資料到底被搬了幾次？是不是都有必要？

降低資料流動的成本
不管你公司現在用的是哪一家供應商的工具，這幾年資料圈的趨勢，是想辦法減少資料被搬運、被複製的次數。下次評估架構的時候，這會是一個很實用的判斷標準。

這篇文章 一份資料存了3次：保險公司的資料孤島求生記（下）｜專家論點【黃婉中】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

上禮拜跟一個做保險業的客戶聊天，聊到他們內部的資料環境，我心裡默默算了一下：他們光是核心保單系統的資料庫，就有 400 到 450 GB，而且累積了 10 到 15 年的歷史資料。作者：黃婉中（雲端架構師）

上禮拜跟一個做保險業的客戶聊天，聊到他們內部的資料環境，我心裡默默算了一下：他們光是核心保單系統的資料庫，就有 400 到 450 GB，而且累積了 10 到 15 年的歷史資料。

[caption id="attachment_250939" align="alignnone" width="810"] 一份資料存了3次：保險公司的資料孤島求生記（上）｜專家論點【黃婉中】。（圖／AI生成）[/caption]

客戶說：「我們每天晚上跑資料整理，要跑 8 個小時。」

這段時間差限制了分析與財務洞察能力，也讓與合作夥伴的資料交換效率低落。 

「AI履歷健檢」看見自己優勢：https://campaign.1111.com.tw/resume-review/
更多科技工作請上科技專區：https://techplus.1111.com.tw/

這篇想跟你聊聊，一間傳統企業的資料環境，是怎麼一步步變成「不敢動」的樣子，以及這種狀況背後，到底卡在哪裡。

先講結論：資料太散

這間公司做的是車險，保戶買車廠配套保險的時候，背後的核保、理賠、財務資料，都要靠這套系統撐著。

問題不是資料量大，而是資料散落在太多地方：

• 好幾套版本不一的 SQL 資料庫，各自存著不同時期的保單資料
• 資料在地端（on-premises）和雲端之間，各放一部分
• 跟外部夥伴（維修廠、其他保險公司、產業公會）交換資料的時候，沒有安全又方便的管道
• 想知道「這筆資料是從哪裡來的、被誰改過」，答案幾乎是「不知道」

這就是我們常說的「資料孤島」（Data Silo），資料被鎖在各自的小房間裡，沒有人能拿到完整的全貌。

資料孤島

如果你也在企業裡管過資料，大概能想像這幾個場景：

報表是昨天的
因為資料每天晚上才批次處理一次，主管想看「現在」的數字，得到的永遠是「昨天算完的」數字。對這間保險公司來說，這代表核保、理賠、財務的決策，都慢一拍。

同一份資料，被存了好幾次
資料從原始系統，被搬到分析用的資料湖，又被搬到給主管看報表的資料倉儲。同樣的東西存三次、算三次，浪費儲存空間，如果是跨平台或地區，帳單也跟著長大三倍。

沒人敢保證資料是乾淨的
資料散落各處，加上缺乏治理機制，代表沒有人能很有信心地說：「這份數字是對的，來源也查得到。」對一間受金融監理單位監管的保險公司來說，這是合規風險。

維護像走鋼索
資料流程串了一堆環節，中間只要有一個關卡壞掉，整條線就卡住。而且這套系統背後，還牽涉到公司正在推動的核心系統轉換，舊資料架構跟新系統之間，需要一個可靠的橋樑。

為什麼改架構這麼難

看到這裡你可能會想：「那就重新設計架構啊，有什麼難的？」

難的地方在於，這種老舊架構通常已經運作了 10 年以上，牽一髮動全身。財務、理賠、核保，每個部門都依賴著現有的報表和流程，貿然改動，風險比維持現狀還高。

再加上企業內部往往缺乏足夠的資料治理經驗，就算知道問題在哪，也不知道怎麼下手：是先解決資料搬運的效率問題？還是先補上治理和安全的缺口？兩件事其實環環相扣，很難單獨處理。

這也是為什麼很多企業的資料環境，會一直維持「堪用但很痛」的狀態，不是不知道問題，是不知道從何改起。

下一篇，我會跟你分享這間公司後來怎麼解決這個問題，用的是現在資料圈很熱門的一種新架構思維，把「搬資料」這件事的複雜度，降到最低。

這篇文章 一份資料存了3次：保險公司的資料孤島求生記（上）｜專家論點【黃婉中】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

筆者近期赴新加坡國立大學出席 ICILSM 2026 國際研討會，這一場會議聚集了許多來自不同國家的學者，大家分享結構與材料衝擊荷載(Impact Loading of Structures and Materials)等領域的最新研究成果。不過，讓筆者印象很深的，不僅是在會場中聽到的專業演講，也包括一場晚宴中出現在餐桌上的小細節。那天餐桌上的菜單(MENU)，不是常見的紙本菜單，而是一個木質菜單方塊…作者：郭啟全（明志科技大學 機械工程系暨機械與機電工程研究所 教授、明志科技大學 智慧醫療研究中心 教授、長庚大學 機械工程學系 合聘教授、明志科技大學 可靠度工程研究中心 教授）

筆者近期赴新加坡國立大學出席 ICILSM 2026 國際研討會，這一場會議聚集了許多來自不同國家的學者，大家分享結構與材料衝擊荷載(Impact Loading of Structures and Materials)等領域的最新研究成果。不過，讓筆者印象很深的，不僅是在會場中聽到的專業演講，也包括一場晚宴中出現在餐桌上的小細節。那天餐桌上的菜單(MENU)，不是常見的紙本菜單，而是一個木質菜單方塊。它的表面刻有 QR code，與會者只要用手機掃描，就可以看到當天的菜單內容。更特別的是，這個木質方塊並不是一般木材製品，而是由 300 雙廢棄筷子回收再製而成，上面還清楚標示它可以儲存 415 g 的二氧化碳當量(Carbon dioxide equivalent) (CO2e)。一個小小的菜單方塊，卻把廢棄筷子回收、製造、加工以及再利用。對工程教育與科技研發而言，這不只是「環保」兩個字而已，而是一個很實用以及很生活化之永續設計案例。圖1為從300雙廢棄筷子看見新加坡的低碳設計力。

[caption id="attachment_250929" align="alignnone" width="810"] （圖／郭啟全提供）[/caption]

從材料科學與製造工程的角度來看，廢棄筷子能變成菜單方塊，其實背後並不簡單。它不是把筷子收集起來就結束，而是可能需要經過材料分類、清潔處理、切削加工、膠合成形、表面修整、雷射雕刻與產品壽命設計等一連串製程。原本使用一次就可能被丟棄的筷子，經過重新設計與加工後，變成一個具有功能性、識別性與故事性的產品，材料的價值也因此被重新定義。這就是「升級再利用(Upcycling)」最有意思的地方。它不只是延長材料的使用時間，而是讓原本被視為廢棄物的材料，重新變成有質感、有功能，也有教育意義的產品。若未來再結合碳足跡盤查、生命週期評估(Life cycle assessment, LCA)與數位化管理，這類產品就不只是餐桌上的裝飾，而可以成為餐飲、旅宿、會展與公共服務場域中推動永續科技的重要介面。換句話說，永續不是掛在牆上的標語，而是可以被設計、被製造、被量化，也可以被使用者每天接觸到的工程成果。

「AI履歷健檢」看見自己優勢：https://campaign.1111.com.tw/resume-review/
更多科技工作請上科技專區：https://techplus.1111.com.tw/

對臺灣科技產業與人才培育來說，這一個菜單方塊也帶來很好的啟發。臺灣有很強的製造能力、材料加工技術與中小企業供應鏈彈性，若能把循環設計(circular design)、智慧製造(intelligent manufacturing)與低碳管理(low-carbon management)一起導入產品開發流程，就有機會在全球淨零轉型趨勢中找到獨特競爭優勢(unique competitive advantage)。過去工程教育常強調「東西要做得出來」，但未來更需要進一步問：「怎麼做才能減少資源浪費？」、「這一個產品是否符合永續發展理念？」、「這一個產品能不能創造更高的社會價值？」未來的科技人才，除了要熟悉機械設計、材料選用、製程最佳化與數據分析，也要理解碳排計算、永續規範與跨領域溝通。一次國際研討會晚宴中的小物件提醒我們，真正有影響力的科技創新，不一定都來自大型設備或高深理論，有時候也可能藏在餐桌上一個小小的菜單方塊裡。筆者個人認為，當科技能夠進入生活、改變使用者行為，並讓人自然理解永續的價值，這樣的創新才更有機會成為未來產業與社會共同前進的力量。

這篇文章 從300雙廢棄筷子到低碳菜單方塊的永續科技啟示｜專家論點【郭啟全】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

針對市場近期對Nvidia計畫為OpenAI提供高達3,500億美元晶片採購融資、以及高額資料中心租賃擔保所引發的「AI循環融資」疑慮，從金融與產業資本運作的角度來看，這類操作確實具備推動技術典範轉移的實質功能，但也同時放大產業鏈內部的槓桿與系統性風險。作者：劉佩真（台經院產經資料庫總監、APIAA院士）

針對市場近期對Nvidia計畫為OpenAI提供高達3,500億美元晶片採購融資、以及高額資料中心租賃擔保所引發的「AI循環融資」疑慮，從金融與產業資本運作的角度來看，這類操作確實具備推動技術典範轉移的實質功能，但也同時放大產業鏈內部的槓桿與系統性風險。

這種融資模式能否平穩運行，最終取決於終端變現速度是否能跟上龐大的資本支出，因此在樂觀推進的同時，市場可保持審慎與警惕並非過度反應；畢竟這類操作並非傳統意義上靠虛增營收來泡沫化的左手換右手，而是資本密集產業在技術典範轉移時期的策略性風險分擔與市場啟動機制，種融資模式不僅不會擊垮AI市場，反而是確保AI基礎建設大浪潮得以持續推進的強韌引擎。

[caption id="attachment_72428" align="aligncenter" width="1200"] Nvidia計畫為OpenAI提供高達3,500億美元晶片採購融資、以及高額資料中心租賃擔保。示意圖。（圖／123RF）[/caption]

從融資面的結構來看，市場擔憂Nvidia借錢給客戶買自家晶片會人為推高需求，而雖然Nvidia借錢或提供擔保給客戶買自家晶片的做法，客觀上確實打破巨額資本需求下的資金流動性瓶頸；但在AI基礎建設的初期，傳統信貸市場因回報期不明而相對保守，Nvidia的財務背書扮演信用增級的角色，協助下游應用端對接龐大的債務資本市場，將資金轉化為真實的資料中心與GPU叢集。

然而，這種模式也帶來明顯的潛在風險，也就是當上游晶片商同時扮演技術供應者與融資提供者的雙重角色時，一旦終端需求不如預期，信用風險將高度集中於少數核心企業之間。這種以債務與相互擔保交織而成的生態系，若遇上市場冷卻或變現不如預期，可能引發連鎖反應，這也是金融機構與信用違約交換市場拉高警戒的主因。

但事實上Nvidia黃仁勳執行長地的戰略邏輯，主要是在於打破雞生蛋、蛋生雞的資金瓶頸，在科技史上，每當面臨跨時代的基礎建設，傳統信貸市場往往因為看不清終端回報而顯得保守，Nvidia主導或參與融資，扮演的是產業孵化者與潤滑劑的角色，若無上游晶片龍頭適度提供流動性支持或債務擔保，下游應用端會因為資金鏈過緊而延緩採購，導致整個科技創新循環停擺，這種模式是為加速消除基礎建設落後於運算需求的瓶頸。

從產業發展的角度來看，AI市場雖然已經在企業端生產力與主權AI建置上取得實質進展，但動輒數千億美元的資本支出規模，對企業的現金流與投資回報期提出極其嚴苛的考驗。超大規模雲端服務商與領先AI實驗室的資產負債表目前固然健全，但若高額的基礎建設投入無法在合理時間內透過商業化應用獲得對應的營收回報，企業勢必得面臨資本支出放緩的修正期。換言之，當前的融資安排雖然暫時化解資金鏈斷裂的危機，但也形同將未來的市場潛力提早透支，拉高產業對未來成長速度的依賴度。

綜上所述，市場對「AI循環融資」的疑慮並非全無道理，它確實反映資本密集擴張下的結構性隱憂。所幸Nvidia透過資本與融資工具綁定生態系，實則是確保AI基建巨輪不因短期資金摩擦而熄火的積極防禦策略，這類融資安排不僅不會壓垮AI市場，反而會進一步加速全球算力基礎設施的成型，推動AI應用走向更深、更廣的普及階段。顯然面對這場科技工業革命，如何在加速創新與控管財務槓桿之間取得平衡，將是未來一段時間內市場必須審慎面對的核心課題。

這篇文章 從「AI循環融資」看科技巨頭的資本博弈與風險平衡｜專家論點【劉佩真】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

隨著智慧眼鏡市場競爭日益白熱化，三星（Samsung）宣布將正式跨入該領域，正面迎戰目前市場領先者 Meta。三星首款智慧眼鏡為強強聯手的結晶，合作夥伴涵蓋科技巨頭 Google、高通（Qualcomm），以及時尚眼鏡品牌 Gentle Monster 與 Warby Parker，近日官方也進一步揭露其產品理念與差異化優勢。記者孟圓琦／編譯

隨著智慧眼鏡市場競爭日益白熱化，三星（Samsung）宣布將正式跨入該領域，正面迎戰目前市場領先者 Meta。三星首款智慧眼鏡為強強聯手的結晶，合作夥伴涵蓋科技巨頭 Google、高通（Qualcomm），以及時尚眼鏡品牌 Gentle Monster 與 Warby Parker，近日官方也進一步揭露其產品理念與差異化優勢。

[caption id="attachment_246601" align="alignnone" width="1376"] 三星在智慧眼鏡領域正與Meta競爭，表示更注重輕量化和全天佩戴舒適度。（圖／AI生成）[/caption]

三星電子擴增實境（XR）研發團隊負責人崔宰仁（Choi Jae-in，音譯）於本週 Unpacked 發表會後的媒體簡報會上表示，該公司的智慧眼鏡是「由智慧型手機專家打造的穿戴裝置」。其設計初衷並非取代智慧型手機，而是作為行動體驗的延伸。

崔宰仁強調，身為首家跨足智慧眼鏡領域的智慧型手機品牌，三星將憑藉強大的技術實力，提供輕量且舒適的配戴感受，同時滿足使用者對各項功能的需求。與 Meta 相較，三星在產品開發上採用了不同的策略與技術方向，並特別針對降重與舒適度進行優化，確保使用者全天候配戴依然舒適無負擔。

「AI履歷健檢」看見自己優勢：https://campaign.1111.com.tw/resume-review/
更多科技工作請上科技專區：https://techplus.1111.com.tw/

此外，三星智慧眼鏡的核心競爭力在於其「手機級品質保證」。崔宰仁指出，該產品採用與三星智慧型手機相同的高標準進行耐用度與可靠性測試，包含跌落測試、嚴苛戶外環境測試，甚至是防曬乳與化妝品等化學物質的耐受度測試。為了確保產品具備極佳的耐用度，三星更為此款智慧眼鏡量身打造了 20 種全新測試方法。

隨著三星結合跨界夥伴資源與手機製造經驗，這款主打高品質與輕量化的智慧眼鏡，預計將為現有的穿戴式裝置市場注入全新競爭動能。

延伸閱讀：
南韓記憶體雙雄攜手美國科技巨頭 SK海力士、三星簽下9500億美元AI晶片合作案
Apple Watch推出近 12 年 就憑「這招」稱霸智慧穿戴市場
蘋果首款智慧眼鏡主打隱私防偷拍 傳2027年 WWDC 登場

資料來源：sammobile

這篇文章 三星攜手 Google及高通打造智慧眼鏡：主打手機級耐用度、正面迎擊Meta 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

今年春天，我兩度南下西子灣，走進中山大學中文系的教室。邀請我前往擔任業師的，是中文系副教授吳孟謙老師。他開設的課程叫「傳習錄」，讀的是王陽明，而他要學生交出來的期末作業，不是報告，也不是論文，而是一個可以讓人用滑鼠點進去、真的玩得起來的互動網頁。作者：鄭緯筌（專欄作家，「臺灣電子商務暨創業聯誼會」共同創辦人，前「APP01」網站總監、《風傳媒》產品總監和《數位時代》雜誌主編）

今年春天，我兩度南下西子灣，走進中山大學中文系的教室。

邀請我前往擔任業師的，是中文系副教授吳孟謙老師。他開設的課程叫「傳習錄」，讀的是王陽明，而他要學生交出來的期末作業，不是報告，也不是論文，而是一個可以讓人用滑鼠點進去、真的玩得起來的互動網頁。

[caption id="attachment_240990" align="aligncenter" width="1536"] 那兩場工作坊的名字取得很有意思：「當 AI 成為王陽明：AI 指令與 Vibe Coding 實作工坊」。（圖／AI生成）[/caption]

那兩場工作坊的名字取得很有意思：「當 AI 成為王陽明：AI 指令與 Vibe Coding 實作工坊」。我的任務，是帶著一群沒寫過程式的中文系學生，從零開始學會怎麼跟 AI 下指令、怎麼把一個模糊的構想長成一個能跑的網頁。

老實說，接到邀請時我是有點好奇的。中文系跟 Vibe Coding，聽起來像是兩個世界。

如今學期結束，四組作品都上線了。吳老師和碩二的教學助理廖婕妤甚至自己用 Vibe Coding 架了一個成果網站（https://yangming-ai.netlify.app/），把學生根據回饋修正過的作品完整呈現出來。回饋問卷顯示，學生對這次專題的整體滿意度高達四點八分（滿分五分）。

🚀 網站來源：https://yangming-ai.netlify.app/

嗯，這件事值得好好談一談。它表面上是一門中文系的課，骨子裡卻是這幾年所有大學與企業都在問的同一個問題：AI 到底能不能讓人學得更好？如果能，要怎麼做？

當技術門檻消失，剩下來的才是真的

讓我先來說說那四組作品。

「致良知．植心田」把課堂上原本的書面作業「致良知日誌」，改造成一款療癒系的植物養成遊戲：你每天做一次覺察與實踐，心田裡的植物就長大一點。「陽明心學知識王」模仿益智對戰遊戲，玩家化身為與盜賊對陣的陽明先生，題目卻不是背誦考題，而是職場誠信、AI 倫理與網路暴力這些現代場景。

「心的冶煉：王陽明的心靈解藥」抓住陽明「成色分兩」的比喻，設計生活情境測驗，讓玩家反求諸己，最後產出一份黃金純度的分析報告。「心學修養明鏡」則結合 MBTI 式的心理測驗，以陽明門下的重要弟子作為人格代表，幫玩家看見自己的習氣，再推薦合適的修養功夫。

你發現了嗎？這四組作品裡，真正有意思的東西是同學們的創意。

寫網頁的部分，AI 全包了。可是把成色分兩轉譯成黃金純度報告、用陽明門下弟子當人格原型、讓答題的對手是盜賊而題目是 AI 倫理，這些 AI 一步也做不了。那是要真的讀過《傳習錄》、真的想過陽明在說什麼、而且真的知道現代人卡在哪裡，才長得出來的東西。

換句話說，當技術門檻被 AI 抹平之後，剩下來、露出來或被看見的，是學生對文本的理解深度。

這正是這門課最有趣的地方。中山大學中文系的師生們沒有把 AI 當成一個高不可攀的技術門檻，而是拿 AI 當一把鑿子，鑿開原本被程式語法擋住的那道牆，讓人文素養本身變成作品的主體。

而這裡藏著一個很多人會忽略的細節，那就是作品必須能執行。一份報告寫得含糊，老師可能看不太出來；一個網頁邏輯不通，使用者三秒鐘就卡住了。當學生必須把致良知這種抽象概念，拆解成使用者點得下去、系統跑得出來的流程，他就被迫面對一個問題：這個概念，具體到底是什麼？

程式碼是不留情面的，它會逼你把想法想清楚。

AI 賦能學習的三個層次

談 AI 賦能學習，我看過太多場合停在第一層就結束了。

第一層是工具層：AI 幫你做完你本來就會做的事，只是更快。用 AI 整理逐字稿、翻譯文獻、生成投影片，都屬於這一層。效率的提升是真的，但它不會改變你能做出什麼樣的東西。工具層的 AI，讓一個中等的學生變成一個比較快的中等學生。大部分組織導入 AI，第一年就卡死在這裡。

第二層是方法層：AI 讓你做得成你本來做不到的事。中文系學生做出互動網頁，就是方法層。在 Vibe Coding 出現之前，這種作業不可能存在，不是因為學生沒創意，而是因為橫在中間的是一年半載的程式訓練。這道牆一倒，作業的形式就可以重新設計，而形式一改變，學習的深度也跟著改變。

方法層的關鍵字不是更快，是重新設計。它問的問題是：如果那個限制不存在了，這件事本來應該長什麼樣子？絕大多數大學課程和企業內訓真正該投資的是這一層。可惜很多人拿到了方法層的能力，卻只用它來加速工具層的任務，像買了一臺車，只用來在自家院子裡繞圈。

第三層是主體性層：AI 逼你面對你到底是誰、你到底相信什麼？

根據課程的回饋問卷，不少學生坦言，修課前對人文學科是否該使用 AI 抱持疑慮，擔心喪失學習的主體性。這個疑慮完全合理。我甚至覺得，會有這種疑慮的學生，才是真的在思考。

而實作之後，他們的看法轉變了。大四生黃鈺玲說，若能夠妥善運用，AI「其實可以成為我們在轉譯經典的好夥伴」。大三的趙詩亞提到，這種學習方式在成就感很高的同時，「也能夠檢視自己的所學是否融會貫通」。最讓我印象深刻的是大三的張紫芸，她在克服團隊困難的過程中，領悟到「真正需要面對的並非外在環境，而是自己內心的情緒與執著」。

你看，這句話已經不是在講 AI 了。這是陽明學。

一門課教到讓學生在跟 AI 協作的挫折裡，親身體會到心外無物是什麼意思，這已經超過任何評量表能打的分數。AI 在這裡的角色不是老師，也不是助手，而是一面鏡子。它把你思考的模糊、表達的含混、判斷的猶疑，一寸不差地照回來給你看。

知是行之始，行是知之成。這門課真正的教材，是學生跟 AI 反覆磨合的那段過程本身。

大學可以怎麼做：五個可複製的設計支點

我把中山大學中文系這門課成功的關鍵，整理成五個支點。它們跟學科無關，社會系、法律系或醫學系一樣可以用。

支點一：交出一個能跑的東西，而不是一份能讀的報告。作品必須是活的、可互動的、會壞掉的。只有可執行的產出，才會誠實地反映出思考的漏洞。報告可以靠修辭遮掩，網頁不行。

支點二：綁死一條不可妥協的專業標準。中山這門課的四組作品，全部都要兼顧原典根據與互動轉化。如果只要求好玩，學生就會滑向做遊戲；如果只要求引經據典，AI 又幫不上什麼忙。真正的教學設計，是把 AI 幫得上忙的部分（形式、實作、介面）和 AI 幫不上忙的部分（文本、詮釋、判斷）綁在同一份作業裡，讓學生無處可逃。每個學科都找得出自己那條線：法律系是法條與判決依據，醫學系是臨床證據等級，商學系是財務數字的來源。把那條線畫清楚，AI 就從代寫工具變成放大器。

支點三：公開發表，而且開放試玩。吳老師特意在期末辦了成果發表會，讓同學們上臺展示、開放試玩與分組互評。這個安排看起來像儀式，實際上是品質控制。當你知道同學會親手玩你的作品、會當場點壞它，認真的程度就完全不一樣。吳老師和助教更把作品架成公開網站，這一步把作業升級成作品。

支點四：留一輪修正。成果網站上放的，是學生根據教師回饋針對不足之處優化過的版本。AI 的第一版產出通常是及格的或平庸的。真正的學習發生在拿到回饋之後再改一次的那個時刻，因為那一刻學生必須判斷：老師說的哪些要聽，哪些是我自己的堅持。這就是主體性的訓練。

支點五：老師和助教自己要下場。吳老師和廖婕妤自己用 Vibe Coding 架了成果網站，這個細節比什麼都重要。一個沒有親手跟 AI 摔跤過的老師，很難判斷學生交上來的東西是真的想過，還是丟給 AI 隨便生的。教學者的手感，騙不了人。

企業可以怎麼做：三個切點與一個常見的錯誤

把場景換到企業，這五個支點幾乎可以原封不動地搬過去，只是名詞要稍微換一下。

先講那個最常見的錯誤：從導入工具開始。太多企業的 AI 轉型是這樣啟動的：買一批軟體授權、辦一場通識講座、發一份使用手冊，然後宣布公司已經 AI 化了。三個月後檢視，只有 IT 部門和幾個本來就愛玩的同事在用。問題出在這套做法完全停在工具層。你只是給了大家一支更快的筆，卻沒有換掉那張要寫的考卷。

正確的順序是反過來的：先問如果這個限制不存在，這件事應該長什麼樣子，再回頭決定要用什麼工具。以下是最容易切入、也最容易看到成果的三個地方。

切點一：把內部知識做成活的東西，而不是死的文件。每一家公司都有一批沒人看的文件：新人手冊、SOP、產品知識庫、法遵規範。它們的問題從來不是寫得不好，而是形式錯了。沒有人會在需要的當下，跑去翻一份四十頁的 PDF。中山大學的學生把《傳習錄》做成互動測驗、養成遊戲、情境問答；同樣的邏輯，你的法遵規範可以做成情境判斷小工具，新人手冊可以做成帶著新人跑一輪真實流程的互動導覽。而現在，做這些東西的成本已經低到一個有耐心的資深員工加上一個週末就能做出雛形。

切點二：讓最懂業務的人，自己做出他需要的小工具。企業裡最痛的落差，永遠是最懂問題的人不會做工具，會做工具的人不懂問題。IT 的排程排到明年，業務單位只好繼續用 Excel 硬撐。Vibe Coding 真正的顛覆，是把做一個小工具的門檻，從一年的程式訓練壓縮到一個下午的耐心。中文系的學生做得出網頁，你的業務主管當然做得出報價試算器、客訴分類看板、排班衝突檢查表。前提是分清楚界線：這類工具是內部的、輔助性的、可拋棄的，涉及客戶資料、金流、對外服務的系統，該走正規開發流程就得走。

切點三：把內訓的產出，從上完課改成交作品。一場口碑好的內訓，跟一場有用的內訓，中間隔著一份作品。如果你要辦 AI 內訓，我的建議是不要教工具，改成讓每個人帶著自己手上真實的、卡住的工作來。上課的時間拿來做，下課時每個人交出一個能跑的東西，並且讓同事點開來玩，然後留一輪修正。差別只在於，學生交的是網頁，員工交的是那個困擾了他三個月的流程解方。

至於那條不可妥協的專業標準，在企業裡對應的是你們的業務底線：資安紅線、法遵要求、品牌語調或數字來源。把它明確寫下來，成為每一份 AI 產出的驗收條件。而支點五只有一句話：如果主管自己沒用過，就不要指望團隊會用。

關於界線：賦能不等於外包

最後，我必須把話題拉回那個學生最初的疑慮：使用 AI，會不會喪失學習的主體性？

我的答案是：會，而且非常容易。分界線只有一條，卻異常清楚。AI 用來擴大你的表達半徑，是賦能；AI 用來取代你的判斷過程，是外包。

當一個學生用 AI 把自己讀懂的陽明學做成網頁，他的理解沒有變少，只是找到了新的出口。另一個學生請 AI 幫他總結陽明學再包裝成網頁，成品看起來可能差不多，但他的腦子裡什麼也沒留下。這兩者從外觀上難以分辨，正是 AI 時代所有教學者和管理者共同的難題。

唯一有效的辦法，是把評量的重心從產出移到過程與答辯。作品完成之後，讓他解釋：為什麼選這個概念？為什麼是這個互動形式？AI 給你的第一版長什麼樣，你改了哪裡，為什麼要改？真正想過的人，這幾題答得出來；外包出去的人，答不出來。

主體性不是靠拒絕使用 AI 來保存的，那只是把問題延後。它是在每一次「我要不要接受 AI 這個建議」的決定裡，一次一次累積起來的。用得越多，決定得越多，主體性反而越強壯。前提是你真的在決定，而不是在點頭。

回到那句話

成果網站的首頁上，有這麼一句話：「無心外之理，無心外之物。知是行之始，行是知之成。今以 AI 為具，融經典於網頁，知行合一。」

我很喜歡「今以 AI 為具」這四個字。具，是工具、是器具，不是主人，也不是對手。

這兩年關於 AI 的討論，多半糾結在它會不會取代我。可是在西子灣的那間教室裡，我看到的畫面完全不同：一群不會寫程式的中文系學生，正把一個五百年前的思想家，重新翻譯給這個時代的人聽。他們用的方法是 AI，但翻譯的人是他們自己。

四點八分的滿意度，不是因為 AI 有多神奇，而是因為他們終於能把腦子裡想的東西做出來，而且真的有人願意玩。那種感覺，每一個曾經在深夜按下執行、看著自己的東西跑起來的人，都不難理解。

所以，無論你是大學教師、企業主管，還是正在猶豫要不要碰 AI 的上班族，我想留給你的問題只有一個：如果程式、設計、剪輯或翻譯這些門檻，明天全部消失了，你想做出來的，到底是什麼？

想清楚這個問題，AI 才有用武之地。想不清楚，再強的工具，也只是讓你更快地抵達一個你並不想去的地方。

這篇文章 當中文系學生用 AI 重寫王陽明：AI 賦能學習的三個層次，以及大學與企業的實作切入點｜專家論點【鄭緯筌 Vista】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。