每年農曆三月，臺灣社會進入「三月瘋媽祖」的文化高峰，從白沙屯拱天宮到大甲鎮瀾宮，數十萬信眾隨香而行，形成全球少見的移動式宗教盛典。筆者從工程與科技視角觀察，這不僅是宗教活動，更是一場結合材料、結構與製造技術的大型系統工程(large-scale systems engineering)。宗教神像作為文化載體，其製作技術反映一個時代的工業製造能力。正如美國的自由女神(statue of liberty)像象徵工業革命時代的金屬加工與結構設計，臺灣沿海與離島的「臺灣海神媽祖」大型雕像，則體現當代複合材料與模具工程的成熟發展。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）

每年農曆三月，臺灣社會進入「三月瘋媽祖」的文化高峰，從白沙屯拱天宮到大甲鎮瀾宮，數十萬信眾隨香而行，形成全球少見的移動式宗教盛典。筆者從工程與科技視角觀察，這不僅是宗教活動，更是一場結合材料、結構與製造技術的大型系統工程(large-scale systems engineering)。宗教神像作為文化載體，其製作技術反映一個時代的工業製造能力。正如美國的自由女神(statue of liberty)像象徵工業革命時代的金屬加工與結構設計，臺灣沿海與離島的「臺灣海神媽祖」大型雕像，則體現當代複合材料與模具工程的成熟發展。

[caption id="attachment_215069" align="alignnone" width="808"] 文化與工程的交會從信仰雕像到智慧製造的跨域融合（圖／郭啟全提供）[/caption]

從文化符號的演進來看，自由女神以銅板包覆鋼架構成，而臺灣大型媽祖像則逐步導入纖維強化塑膠(Fiber-Reinforced Plastic , FRP)與模組化製造技術，使宗教藝術不再僅依賴傳統雕刻，而是邁入工程化與標準化的製造體系，展現出文化與科技交融的時代特徵。圖1為文化與工程的交會從信仰雕像到智慧製造的跨域融合。

筆者進一步從製程技術分析，臺灣大多數大型媽祖雕像則採用纖維強化塑膠進行外殼製作，其核心在於「模具複製與複合材料層積」技術。工程流程通常包含原型雕塑、模具翻製、玻璃纖維與樹脂層積成形，以及最終組裝與塗裝處理。此一製程特色涵蓋重量輕、曲面再現精度高以及耐候性佳等優點，特別適用於臺灣高濕與高鹽環境。相較之下，彰化八卦山大佛則採用鋼筋混凝土結構，透過板模(formwork)逐層澆置成形，屬於典型的土木工程曲面構造。兩者之差異，實質上反映材料科學與製造技術的世代演進。從以重量與結構穩定為優先的混凝土工法，轉向以輕量化、高精度與模組化為核心的複合材料製造。此轉變不僅提升施工效率與造型自由度，也降低維護成本，並使大型雕像能夠更快速地複製與擴展，形成具有產業潛力的文化工程技術鏈。

更多科技工作請上科技專區：https://techplus.1111.com.tw/
科技社群討論區：https://pei.com.tw/feed/c/tech-plus

筆者從更宏觀的角度來看，媽祖文化結合纖維強化塑膠製造與模具工程，實際上已構成一種跨領域的「科技生態系」。其中涵蓋材料工程之複合材料設計、機械工程之模具開發與製程控制、結構力學之風載與疲勞分析，以及美學設計之造型與比例調控。此類跨域整合能力，正是臺灣機械工程教育體系與製造產業長期累積之核心優勢。未來若能進一步導入數位製造技術，例如三維掃描、CAD/CAM整合，以及人工智慧輔助設計與最佳化方法，將可顯著提升宗教文化產品之附加價值，並促進其向高端製造與國際市場延伸。

延伸閱讀：從2026世界棒球經典賽捷克工程師投手到科技人才培養-先建立文化，再談職業化｜專家論點【郭啟全】

進一步而言，此一技術體系不僅可應用於宗教雕像製造，亦可擴展至大型公共藝術、地標建設與文化創意產業。透過數位設計與製程優化，可有效縮短開發週期並提升幾何精度，同時確保結構安全與長期耐候性能。結合材料創新與製程控制，亦可建立標準化與模組化之生產模式，使文化產品具備可複製與規模化之潛力，進一步形成具競爭力之產業鏈。臺灣從「三月瘋媽祖」的文化現象出發，不僅可觀察到信仰活動所展現之社會凝聚力，更可辨識臺灣在材料、製造與工程整合

方面所具備之深厚技術基礎。機械工程不再侷限於傳統加工與設備領域，而是逐步轉型為融合美學、文化與力學之跨域工程實踐。此一發展趨勢，將成為未來科技人才培育與產業升級之關鍵驅動力。

這篇文章 從三月瘋媽祖到複合材料革命：臺灣如何以機械工程打造文化科技新生態｜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。

Talkie是一個由GPT與GPT-2的原始創作者Alec Radford，與兩位合作夥伴共同開發，於2026年4月公佈的「古董」AI模型，所謂的「古董」的意思是其訓練素材全部來自1931年以前的資料。選擇這個截止日期並非偶然，美國著作權法規定，1930年出版的作品自2026年1月1日起進入公共領域，換言之，這是一個在法律上乾淨且無版權爭議的訓練資料庫。作者：張瑞雄（台北商業大學前校長）

Talkie是一個由GPT與GPT-2的原始創作者Alec Radford，與兩位合作夥伴共同開發，於2026年4月公佈的「古董」AI模型，所謂的「古董」的意思是其訓練素材全部來自1931年以前的資料。選擇這個截止日期並非偶然，美國著作權法規定，1930年出版的作品自2026年1月1日起進入公共領域，換言之，這是一個在法律上乾淨且無版權爭議的訓練資料庫。

[caption id="attachment_215054" align="alignnone" width="804"] 現代AI的知識體系，是建立在對版權體制的系統性漠視之上的。（圖／AI生成）[/caption]

這個看似古怪的設計，觸碰到了整個AI產業最敏感的一根神經。

過去幾年，幾乎所有大型語言模型都在一個共同的陰影下運作，那就是版權問題。無數作家、記者、學者的心血被大量抓取入訓練資料，而那些開發語言模型的企業，往往以「合理使用」為由，迴避正面回應創作者的質疑。紐約時報告OpenAI、多位作家控告Meta的訴訟，至今仍在各地法院糾纏。Talkie的出現是為了突顯了一個令人不安的現實，那就是現代AI的知識體系，是建立在對版權體制的系統性漠視之上的。

更多科技工作請上科技專區：https://techplus.1111.com.tw/
科技社群討論區：https://pei.com.tw/feed/c/tech-plus

不過Talkie的技術挑戰遠比版權問題更為棘手，由於1930年以前的文本根本不存在數位原生版本，所有資料都必須從實體掃描件中以光學字元辨識(OCR)技術轉為數位，這個過程引入了大量雜訊。使用標準OCR系統轉錄的文本，正確性只有人工轉錄文本的三成左右，即使經過清理，也頂多達到七成。

Talkie最引人深省之處，在於它提出了一個根本性的問題，那就是語言模型究竟是在「理解」，還是只在「統計地重複」？

延伸閱讀：AI熱潮退燒 Z世代用腳投票｜專家論點【張瑞雄】

批評者多年來以「隨機鸚鵡」這個比喻，形容大型語言模型的本質，主張它們只是從訓練資料中拼接語言形式，而非真正掌握意義。反之，要準確預測下一個詞，就必須在某種程度上理解語句的脈絡，這本身就是一種智識能力的展現。Talkie的設計，恰好為這場論戰提供了一塊試金石。如果一個對電腦、核能、現代醫學一無所知的模型，在某些情況下仍能推理出相關概念，那「隨機鸚鵡」的指控就必須重新審視。反過來說，如果它只能在已熟悉的文本框架內打轉，那所謂的「理解」可能只是「幻覺」。

Google DeepMind的執行長Demis Hassabis曾提出一個想法，若將一個語言模型的訓練資料截止在1911年，它能不能自行推導出廣義相對論？這個問題背後的野心，不僅是測試預測能力，而是在探問人工智慧是否具有真正的科學直覺，是否能在既有知識的體系中，發現連當時的人類都尚未看見的規律。Talkie的團隊顯然受到這個問題的啟發，計畫持續擴大模型規模，希望造出一個能夠知道從遠古到1930的世界所有知識的AI模型，然後看這個模型能否預測到1930以後人類文明的發展。

問題是，這條路走得通嗎？

這讓人想起另一個更古老的哲學爭論，決定論究竟成不成立？如果一個系統對某一時刻世界的初始狀態有完整的了解，能否預測此後所有的發展？答案幾乎可以確定是否定的，不是因為預測本身不可能，而是因為沒有任何系統能真正掌握「完整」的初始狀態。Talkie的侷限，本質上也是人類認識能力侷限的一面鏡子。

在這個AI大廠競相以龐大算力和天量資料彼此角力的時代，Talkie的實驗值得讓人類思考，一個只知道1930年以前的事物的AI，是否可以描繪出2026年的世界？正如現在我們依賴AI所描繪的未來，又有幾分是真實的洞見，幾分只是AI的胡言亂語？

這篇文章 一個知識凍結在1930年的AI照出的問題｜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。

上週在某場 AI 應用工作坊結束之後，一位在科技業擔任業務經理的學員追上來，臉上流露出一種我很熟悉的疲憊。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）

上週在某場 AI 應用工作坊結束之後，一位在科技業擔任業務經理的學員追上來，臉上流露出一種我很熟悉的疲憊。

「老師，你說做筆記很重要，這個我理解！但是，我用 Notion 已經超過三年了，像是平時整理會議紀錄、產業報告和客戶訪談⋯⋯隨便加一加，至少有三千多筆資料。」她打開筆電給我看，果然此話不假，上頭顯示著密密麻麻的資料。「但每次老闆問我『去年 Q3 那個客戶為什麼流失？』，我還是沒辦法立刻回答，甚至要花一整個下午查詢。呃，我到底是哪裡做錯了？」

[caption id="attachment_216135" align="aligncenter" width="1536"] 這就是過去十年個人知識管理（PKM）這套典範最大的盲點：我們都默默接受了一件事：資訊是被收集、被分類以及被尋找的對象。（圖／AI生成）[/caption]

我看了她的螢幕兩秒，反問她一句：「嗯，那妳有沒有試過直接問問妳的筆記？」

她整個人愣住了。

說穿了，這位學員不是知識管理沒做好。她做得太好了——好到她變成自己筆記資料庫的圖書館員，每天上班要花很多時間在自己蓋的圖書館裡查資料。簡單來說，這就是過去十年個人知識管理（PKM）這套典範最大的盲點：我們都默默接受了一件事：資訊是被收集、被分類以及被尋找的對象。

但 AI 改寫了這件事。

典範轉移：第二大腦不再是書櫃，是會說話的助理

提亞戈・佛特（Tiago Forte） 在《打造第二大腦》（Building a Second Brain）提出 PARA 架構的時候，是 2022 年——當時，ChatGPT 才剛剛問世，整本書的核心動詞還是儲存、整理、提煉和表達（CODE）。換句話說，那個年代的第二大腦像一個升級版的書櫃，重點是擺得整齊、可以找得到。

到了 2026 年 4 月初，安德烈・卡帕西（Andrej Karpathy）在 X 上分享 LLM wiki 的觀念——把你所有的知識倒進一個 AI 能讀的容器，需要時直接用對話取用。後來，這個概念被許多玩家用 Vibe Coding 的方式真的實作了出來。

而我自己，就是其中之一。我把這套系統叫做 Muse——一個用 AI Agent 串起的個人脈絡引擎。只花了不到一天，就把整個系統順利執行起來了。

整套系統運作起來的那天，我才真正意識到，第二大腦的定義可能已經偷偷改變了：

[caption id="attachment_216130" align="aligncenter" width="539"] 第二大腦的定義可能已經偷偷改變。（表／鄭緯筌提供）[/caption]

嗯，讓我們打個比方！過去十年，我們都在蓋自己的數位圖書館，現在我們需要的是一位住在圖書館裡的全職助理。書還是那些書，差別在你能不能直接問？

那麼，問題來了：到底我們要請哪一位助理？

三大工具的 AI 助理性格：Notion、Obsidian 與 Anytype

我這兩年大量使用這三套工具，也帶過超過五百位學員從零開始建他們的第二大腦。我得說，每一套工具都各有其優點和特性。所以，如果想要這些工具發揮效益的話，首先你得搞清楚自己是哪一型使用者？三套工具的 AI 助理性格差很多，如果硬塞的話會像把個性的內向工程師塞進業務團隊裡。

先看一下以下的總覽表：

接下來，讓我逐一解說：

Notion AI：開箱即用的行政助理

Notion 把 AI 內建得最徹底。簡單來說，你可以隨時呼叫 AI 助理。它的強項在於對結構化資料庫的理解：你的會議紀錄如果有「日期」「參與者」「決議」「待辦」等這幾個欄位，Notion AI 可以直接跨頁回答「上個月所有跟 A 客戶有關的決議是什麼」。

我自己把它用在三件事：客戶提案資料庫、課程學員 CRM、跨案企劃 Wiki——共通點是多人協作 + 結構化欄位。團隊裡的人不需要學任何外掛，付 $10 美金就能用。

但你得知道，它也有些風險。

一個是隱私邊界——舉凡機密會議、客戶個資和未公開營收數字等資料都存在 Notion 雲端，你得自己評估。另一個是視野限制——它的 AI 只能在 Notion 內找答案，若要它跨工具整合（好比接你的 Obsidian 或本地 PDF）就無能為力。

Obsidian + AI 外掛：能客製到底的研究助理

Obsidian 的哲學，從一開始就是秉持「檔案是你的，不是平臺的」——一切都是採用 Markdown 格式，存在你電腦裡。AI 是後來透過社群外掛長出來的能力。

你若有興趣，可以考慮採用三個外掛，組成穩定的組合：

• Smart Connections：用 embedding 做全 vault 語意搜尋，問問題的時候自動拉出相關筆記
• Copilot for Obsidian：對話介面，可以接 Claude、GPT，也可以接本地 Ollama
• Text Generator：寫作時的 AI 自動補完

這套組合的爆發力，在於你可以把 AI 完全本地化。即便網路斷掉，照樣能對 電腦裡的多份產業報告進行語意檢索，機密資料都在本地端。

當然，代價就是設定的門檻稍高。你得要自己選模型、申請 API key、調 chunk size 和處理 embedding。對於非工程背景的朋友來說，一開始會比較辛苦。但跨過去這個門檻之後，這套系統的彈性是值得期待的。

AnyType + API：折衷派的秘書

AnyType 是這三套裡最年輕的，但定位很特別：它擁有類似 Notion 的結構（物件、關聯與資料庫），加上 Obsidian 的本地優先與端對端加密。最近開放的 API，讓 AI 整合如虎添翼。

老實說，目前 AnyType 的 AI 體驗還需要努力提升。它沒有 Notion 那種開箱即用的內建助理，也沒有像 Obsidian 有那麼多好用的外掛程式。不過，它有一個獨特利基：當你想要結構化的物件導向資料庫（不是純 Markdown），又不想資料離開自己的設備時，只有它做得到。

所以，我用它存兩類東西：客戶機密資料（例如：合約、營收資料）、個人健康／財務有關的長期紀錄。前者不能上雲端，後者我不想哪天平臺收掉就跟著消失。

實戰：把會議紀錄與產業報告變成會回答的資料

工具選好了，但第二大腦的真正瓶頸從來不是工具，而是流程。接下來，讓我用三個自己每週都在執行的真實案例來示範。

案例一：週會逐字稿 → 五分鐘變成可問答的決議庫

場景：每週一場 60 分鐘的客戶週會，過去靠人寫紀錄要花上兩小時，事後還沒人回頭看。

新流程：

1. 會議開 Otter.ai 自動錄音 + 逐字稿
2. 逐字稿匯出後丟進 Notion 一個叫「會議紀錄資料庫」的頁面
3. Notion AI 跑一個自訂 prompt：「從這份逐字稿提煉出：(1) 三項以內的關鍵決議 (2) 每位與會者的待辦清單 (3) 需要跟進的開放議題 (4) 一段 100 字以內的摘要」
4. AI 自動填入資料庫的對應欄位

成果：以往要花兩小時，現在只需要五分鐘。

案例二：30 份產業報告 → AI 找出我自己沒看出的趨勢

場景：去年我在研究生成式 AI 對教育產業的衝擊，一口氣下載了包括 Gartner、Deloitte、麥肯錫、IDC 與 HolonIQ 在內的 30 份報告。那些加起來總共一千多頁的報告，自然沒時間全部讀完。

新流程：

1. PDF 全部丟進 Obsidian 的 research/ 資料夾
2. 開 Smart Connections，跑全 vault embedding
3. 在 Copilot 對話框裡問：「這 30 份報告中，哪些觀點互相矛盾？最常被三家以上機構同時提到的趨勢有哪些？」
4. AI 拉出證據段落，附上來源檔名

成果：以往花三個下午可能還讀不完，現在只需要 40 分鐘。AI 還幫我點出一件單看任何一份都看不出來的事，那就是所有報告都在談生成式 AI 取代教師，但沒人談教師如何用 AI 設計新型評量。這個研究缺口，後來變成我那年最常被邀請去講的主題。

案例三：機密客戶資料 → 完全離線的問答系統

場景：某次企業內訓，客戶提供了內部營收與客戶結構資料，但是合約規定所有檔案不得上雲。

新流程：

1. 資料存進 Anytype（本地 + 加密）
2. 用本地 Ollama 跑 Llama 3 8B 模型
3. 透過 API 串接，做最簡單的語意檢索

對隱私敏感的工作者來說，重點是要在安全合規的前提之下完成任務。

從囤積到對話的四步驟工作流

讀到這裡，你可能會想：好，我懂了，但我該從哪一步開始？我幫五百多位學員轉型的經驗裡，以下四個步驟值得參考：

第一步：選一個高頻場景，不要貪多

不要一次重整你五年來的所有筆記，因為那很顯然是焦慮，而不是理想的解決方案。挑一個你每週至少做三次的資料生產場景，可以從會議紀錄、客戶訪談、研報閱讀或學員提問中，先選一個開始就好。

第二步：建立一個進場閘門

所有屬於這個場景的素材，都從同一個入口進來。舉例來說，可以在 Notion 開一個資料庫、Obsidian 開一個資料夾或 Anytype 開一個物件型別。形式不重要，重點是有閘門。這是因為沒有閘門的系統，三個月後很可能又會變回資料夾大亂鬥。

第三步：設計 AI 處理模板

每筆資料進來，自動執行一個固定 prompt，重點是要能處理摘要、抽取重點、自動設定標籤和找關聯。這個 prompt 是你的第二大腦的 SOP，所以愈具體愈好。我會建議寫成三段式，包括：給 AI 的角色 + 要它做的具體任務 + 你想要的輸出格式。

第四步：每週一次對話檢視

每週固定 30 分鐘，問你的第二大腦三個問題：

1. 這週我做的決定，有沒有用上資料庫裡的舊資料？
2. 有什麼問題我問了 AI 但它答不出來？（這是你下次該補的脈絡）
3. 哪一筆素材這週被引用超過一次？（這是高價值資產，要強化）

我自己每週五下午做這件事，先泡一杯咖啡一杯，然後打開檔案進行檢視。半年下來，這 30 分鐘的投資可以得到偌大的效益。

看到這裡，也許你還是會感到疑惑：到底該選 Notion、Obsidian，還是 Anytype？其實，這是個假議題。真正的議題是你願不願意把自己從圖書館員的角色，升級成提問者？前者看起來很勞碌，後者卻顯得輕盈；前者比的是誰的資料收得多齊，後者比的卻是想得有多深。

所以，你的筆記到底會不會回答你？這個問題的答案，藏在你下一次打開它的那一刻——你是要繼續存，還是準備開口問？

從這週開始，挑一個高頻場景。只需要花 30 分鐘，設定好你的進場閘門。剩下的，就讓 AI 跟你接力協作吧！

這篇文章 你的筆記會回答你嗎？從資訊囤積到知識對話的第二大腦設計｜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。

Nvidia在2025年首度超越Apple，成為台積電營收貢獻度第一的客戶，2026年更將延續此趨勢，此不僅是數據上的黃金交叉，更隱喻智慧終端裝置的成長高原期已與AI基礎建設的噴發期進行交棒。也就是過去十年，Apple以其龐大的 iPhone 銷量主導台積電先進製程的節奏，然而Nvidia營收占比從12%增長至19%的驚人速度，反映出AI晶片單價高、需求旺且技術迭代極快的特性，這場結構性轉變說明全球算力競賽已取代消費電子，成為推動半導體最前線的火車頭，台積電的獲利引擎也隨之從行動通訊全面轉向高效能運算。作者：劉佩真（台經院產經資料庫總監、APIAA院士）

Nvidia在2025年首度超越Apple，成為台積電營收貢獻度第一的客戶，2026年更將延續此趨勢，此不僅是數據上的黃金交叉，更隱喻智慧終端裝置的成長高原期已與AI基礎建設的噴發期進行交棒。也就是過去十年，Apple以其龐大的 iPhone 銷量主導台積電先進製程的節奏，然而Nvidia營收占比從12%增長至19%的驚人速度，反映出AI晶片單價高、需求旺且技術迭代極快的特性，這場結構性轉變說明全球算力競賽已取代消費電子，成為推動半導體最前線的火車頭，台積電的獲利引擎也隨之從行動通訊全面轉向高效能運算。

[caption id="attachment_205448" align="aligncenter" width="1536"] 輝達超越Apple，成為台積電最大客戶，象徵半導體產業動能正由消費性電子轉向 AI 運算。（圖／AI生成）[/caption]

展望2026年，隨著Rubin等新架構的問世，Nvidia與台積電的綁定將更加深厚，雙方已從單純的代工關係演變為左右全球科技版圖的運算共同體；對於Nvidia而言，其對產能的渴望不僅展現在投片量，更在於其晶片尺寸巨大且電路複雜，對先進製程與CoWoS先進封裝的消耗力遠超消費型電子產品，這種質與量的雙重需求，使其在議價能力與資源優先權上掌握絕對話語權；對於台積電而言，客戶結構的多元化與AI客戶的強勁支撐，將有效抵銷單一消費性產品波動的風險，並在摩爾定律的極限邊緣，持續獲得來自AI市場的溢價回報與研發動能。

換句話說，在AI 算力即權力的時代，搶占台積電產能已從單純的商業競爭，演變為決定全球科技巨頭生死存亡的戰略判準，主要是由於先進製程與 CoWoS 封裝技術已成為限制全球 AI 發展的物理瓶頸，誰能握有穩定的產能指標，誰就能在算力軍備競賽中奪得先機。隨著2026年Nvidia正式超越長期霸主蘋果，躍升為台積電最大客戶，這項轉變象徵著全球科技重心的歷史性位移，即過去十年，台積電的產能藍圖主要圍繞著以iPhone為首的行動通訊需求；然而2025~2026年Nvidia與Apple等兩大台積電大客戶排名的易主，不僅反映出AI 晶片單價高、技術複雜度大的特性，更說明高效能運算已取代智慧型手機，成為推動半導體最尖端技術與資本支出的核心引擎。

對Nvidia而言，穩定的產能供給是支撐其Rubin平台與未來AI運算架構持續領先的命脈，透過預付貨款鎖定產能與2奈米、A16奈米技術首發權，Nvidia成功建立技術與規模的雙重壁壘。對台積電來說，這場客戶結構的洗牌代表其獲利模式已從追求量的消費電子，轉向追求質與算力價值的AI基礎設施，雙方已形成深度利益共同體。顯然未來產能競爭將不再僅限於投片數量，如何透過長期戰略協議鎖定稀缺的尖端資源，將成為科技巨頭能否在AI長跑中勝出的核心標準。

對於台積電而言，客戶結構的洗牌大幅降低其對單一消費市場波動的依賴，特別是AI晶片具備極高的附加價值與毛利，能有效攤提昂貴的新廠建設成本與電費漲價壓力；事實上，台積電與Nvidia已形成深度技術共生，Nvidia需要台積電實現其超越物理極限的算力願景，而台積電則藉由Nvidia的訂單，確保其在全球代工市場的壟斷性領先地位；這種強強聯手的局面，將使2026年後的全球科技軍備競賽，直接簡化為台積電與Nvidia生產線上的供應速度戰。

這篇文章 全球半導體產業正式進入「AI 權力位移」的新紀元｜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。

想像一下：週五下午五點，你正想著等下要點哪一家的鹹酥雞，手機突然震了一下。收到雲平台的安全警告，甚至暫時停用。作者：黃婉中（雲端架構師）

想像一下：週五下午五點，你正想著等下要點哪一家的鹹酥雞，手機突然震了一下。收到雲平台的安全警告，甚至暫時停用。

[caption id="attachment_215078" align="alignnone" width="816"] 雲端供應商負責維護實體機房與底層網路的安全，但「你的客戶」在平台上傳了什麼資料、這些資料是否違規，屬於你必須控管的「資料治理」範疇。（圖／AI生成）[/caption]

電話接不完，你甚至不知道是哪一個天兵客戶上傳了什麼東西。

原因不是你的程式碼出錯，而是因為你的客戶上傳了惡意程式（Malware）的檔案，觸發了底層的自動防禦機制。

這不是都市傳說，是我客戶的真實經歷。

這就是 ISV 最擔心的「連帶風險」。雖然違規的是你的客戶，但承擔損失的卻是你。等到問題擴大到影響系統安全或觸犯法規紅線，停權與法律訴訟的壓力就會接踵而來。

更多科技工作請上科技專區：https://techplus.1111.com.tw/
科技社群討論區：https://pei.com.tw/feed/c/tech-plus

我們不能預期每個用戶都守規矩，但可以思考：如何在這些行為影響到 Azure 訂閱帳號之前，系統就能自動處理掉？

誰的責任？

根據 Azure 官方的雲端共享責任：無論你使用的是 IaaS、PaaS 還是 SaaS，「資料分類與保護」始終是你的責任。

換句話說，雲端供應商負責維護實體機房與底層網路的安全，但「你的客戶」在平台上傳了什麼資料、這些資料是否違規，屬於你必須控管的「資料治理」範疇。

當風險發生時，供應商會依據此模型要求你履行保護義務。如果你沒有建立過濾機制，就可能面臨訂閱帳號被暫停的風險。

安檢站的架構建議：利用 Defender for Cloud 建立防線

當違規事件發生時，雲端供應商的處理速度通常很快。與其等著收通知，不如在自己的架構裡先蓋好「安檢站」。

你的系統需要資料落地前，就具備初步的判斷能力。

機場安檢不會因為你看起來像好人就放你走。你的雲端架構也該有一套「不信任何人」的安檢站。

我們不需要從頭開發，Azure 已經提供了現成的工具來搭建這套防護網。

第一層：靜態過濾（Defender for Storage + Purview）

檔案上傳時，建議先經過一個「暫存區」，而不是直接進入正式儲存區。

• 安全性掃描： 透過 Microsoft Defender for Storage 的惡意軟體掃描（Malware Scanning），可以在檔案進入 Blob 的瞬間攔截有害程式。
• 合規性檢查： 配合 Microsoft Purview，系統可以識別出檔案中是否包含未經授權的敏感資料（如身分證號或信用卡資訊）。這能幫你的客戶擋掉許多無心但具備法律風險的上傳行為。

除了主動掃描內容，建議你也參考 Azure 官方的適用於 Blob 儲存體的安全性建議，從帳號權限、網路控制與記錄監視等維度，為你的儲存基礎設施打好底子。

第二層：行為分析（Microsoft Sentinel）

除了檔案本身，我們也要監控用戶的行為模式。 如果某個帳號在短時間內出現異常的大量上傳或存取，這常是是攻擊或違規的徵兆。這時 Defender for Cloud 會發出警報，並將數據匯入 Microsoft Sentinel。

你可以利用 Sentinel 的自動化功能（Playbooks）來設定規則：一旦偵測到高風險行為，系統就自動暫停該用戶的權限。這種「壯士斷腕」的做法，能確保問題被鎖定在單一用戶身上，而不會延燒到你的整個 Azure 訂閱帳號。

影像內容：補足防禦的缺口

文字過濾已經是基本功，但現代的違規內容大多藏在圖片或影片中。 如果你的 SaaS 有大量影像分享，建議整合 Azure AI Content Safety。它能以極低的成本（每千張影像約 $1 美元）自動偵測暴力或不當內容。

比起人工審核，這能提供更即時、更全面的保護。

架構之外的應變準備

除了技術手段，還有兩件事對 SaaS 服務商很重要：

1. 完善的服務條款（ToS）： 確保你有權力在用戶違規時終止其服務。
2. 詳盡的防禦日誌： Defender for Cloud 留下的攔截紀錄非常重要。萬一帳號真的被偵測到異常，這些紀錄就是你向 Azure 團隊說明「我已盡到管理責任且有過濾機制」的最佳證據。

好的架構設計除了處理流量，也要在異常發生時，把損害控制在最小範圍。透過這套自動化安檢機制，你可以將「用戶違規」這個不確定因素，化為系統可以自行消化的例行程序。

重點回顧

1. 釐清連鎖風險：你的客戶若行為違規，會直接影響你的 Azure 帳號。
2. 入口即時掃描：善用 Defender for Storage 掃毒並配合 Purview 識別個資，在資料進入你的儲存區前就攔下風險。
3. 自動化隔離異常：透過 Microsoft Sentinel 監控，一旦發現某位客戶有異常行為，系統可自動限制其權限。
4. 補齊影像盲點：別漏掉圖片與影片，整合 Azure AI Content Safety 才能確保你的客戶上傳的視覺內容也符合合規要求。
5. 留存證據：防禦日誌能幫你爭取復權。

💡延伸閱讀：我如何轉職成為雲端解決方案架構師

延伸閱讀：當 ETL 不再需要工程師：Databricks、Fabric、Snowflake 開戰，資料人的下一站在哪？｜專家論點【黃婉中】

這篇文章 雲端服務怎麼自動抓違禁資料？一個「安檢站」比喻讓你秒懂｜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。

筆者對日本職人精神(Japanese craftsmanship spirit)與其嚴謹的工作態度深感敬佩，其對細節之高度重視已內化為產業文化的一部分。即使在京都先端科學大學機械工場(Machine shop)中，亦能觀察到整潔有序之作業環境，此種精神正是日本製造業長期維持國際競爭力之關鍵因素之一。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）

筆者對日本職人精神(Japanese craftsmanship spirit)與其嚴謹的工作態度深感敬佩，其對細節之高度重視已內化為產業文化的一部分。即使在京都先端科學大學機械工場(Machine shop)中，亦能觀察到整潔有序之作業環境，此種精神正是日本製造業長期維持國際競爭力之關鍵因素之一。近期，筆者赴京都先端科學大學參與國際研討會。於校園內，筆者發現佈滿京都的未來創造者(Future Makers from Kyoto)之關東旗。可見，該校透過跨領域課程設計、實務導向之研究訓練，以及與企業端之深度鏈結，有效建構出由學術研究延伸至產業應用之完整人才培育鏈。此種系統性布局不僅強化學生實作能力，更促進技術快速轉譯與產業落地，展現出高效率之科技創新生態。該研討會聚焦材料工程與智慧製造等前沿議題，與筆者長期投入之旋轉摩擦銲接、材料界面熱歷程與AI預測模型研究高度契合。

會議中可觀察到，日本學界強調從「基礎科學到工程驗證，再延伸至產業應用」之完整鏈結，並透過跨領域整合，例如將熱分析、機械性質測試與機器學習模型相互結合，以提升研究成果之可轉譯性。相較之下，臺灣在單點技術能力上具有優勢，但於系統整合與國際學術網絡深度仍有強化空間。此行不僅是論文發表，更是一場科技生態觀察，顯示國際研討會已從單純知識交流，轉變為人才流動與技術策略佈局的重要平台。

[caption id="attachment_215059" align="alignnone" width="825"] 筆者參與日本京都島津創業紀念資料館後與解說員之合照 。（圖／郭啟全提供）[/caption]

於京都開會期間，筆者也進一步參訪島津創業紀念資料館(Shimadzu Museum)，從歷史視角來理解日本如何將科學研究轉化為產業競爭力。該館展示島津製作所自明治時期創立以來之技術演進，從教育用理化儀器到現代高精度分析設備，呈現一條清晰的「科學技術驅動產業升級」路徑。對基礎科學領域而言，量測技術不僅是驗證工具，更是知識創新的核心基礎。島津的發展歷程顯示，當企業能長期深耕關鍵核心技術，並持續累積工程知識，即可形成難以取代的技術護城河。此一模式對臺灣具高度啟示意義，尤其在精密機械產業之外，應思考如何培育更多具長期技術積累能力的企業，以建立完整科技產業生態系。圖1為筆者參與日本京都島津創業紀念資料館後與解說員之合照。

更多科技工作請上科技專區：https://techplus.1111.com.tw/
科技社群討論區：https://pei.com.tw/feed/c/tech-plus

最後，筆者也進一步參訪京都大學以及立命館大學，可明顯觀察日本高等教育在人才培育與產學合作上的制度性優勢。京都大學強調基礎研究深度與學術自由，培養具創新思維之研究人才；立命館大學則積極推動國際合作與實務導向，強化學生之產業即戰力。兩者形成互補關係，共同支撐日本科技發展之人才供給結構。值得注意的是，日本大學普遍重視學生在學期間之研究參與與實驗室訓練，使學生能及早接觸真實工程問題，並建立跨領域解決能力。對臺灣而言，未來科技競爭關鍵不僅在技術突破，更在於能否建立「學術研究、產業需求與人才培育」三者緊密耦合之體系。透過此次京都學術與產業參訪經驗可知，唯有從教育制度、研究導向與產業策略三方面同步優化，方能在全球科技競局中維持長期競爭優勢。

延伸閱讀：從2026世界棒球經典賽捷克工程師投手到科技人才培養-先建立文化，再談職業化｜專家論點【郭啟全】

這篇文章 從京都經驗看百年匠心與科學傳承驅動科技生態與產業競爭力｜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。

2026 年半導體產業的焦點已從單純的技術競賽，演變為一場關乎產能主權的戰略博弈，包括Broadcom高層對台積電產能觸頂的示警，以及Tesla執行長馬斯克宣布啟動Terafab自建晶圓廠計畫，這兩起看似孤立的事件，實則共同勾勒出AI時代下，全球科技巨頭對台積電高度依賴所產生的集體焦慮與應對路徑。作者：劉佩真（台經院產經資料庫總監、APIAA院士）

2026 年半導體產業的焦點已從單純的技術競賽，演變為一場關乎產能主權的戰略博弈，包括Broadcom高層對台積電產能觸頂的示警，以及Tesla執行長馬斯克宣布啟動Terafab自建晶圓廠計畫，這兩起看似孤立的事件，實則共同勾勒出AI時代下，全球科技巨頭對台積電高度依賴所產生的集體焦慮與應對路徑。

[caption id="attachment_208587" align="aligncenter" width="1477"] 台積電宣布，今（2026）年在台灣預計招募約8千名新進人才，職缺涵蓋工程師與技術職。（圖／記者黃仁杰攝）[/caption]

首先是Broadcom的預警，認為先進製程進入絕對瓶頸期，也就是其認為台積電的產能已逼近極限，成為2026年供應鏈中最嚴重的瓶頸；這項評論背後的意涵在於，AI運算與次世代網路晶片的需求增長速度，已遠超半導體設備裝機與晶圓廠營運的線性擴張；當台積電3奈米家族的產能利用率在2026年第三季推升至109% 超載狀態時，即便是如Broadcom這般的超級客戶，也面臨交期拉長與配額受限的困境；。這不僅反映台積電在先進製程與CoWoS封裝上的無可替代性，更突顯算力通膨導致的結構性短缺，當市場需求以指數級增長，而實體工廠建設需耗時數年，供應鏈的彈性已消失殆盡。

其次是馬斯克的挑戰，從不滿擴產速度到Terafab的豪賭，也就是相較於博通的憂慮，馬斯克的反擊更為激進，他多次批評台積電在亞利桑那州等地的擴產速度太慢，無法跟上特斯拉Optimus機器人與全自動駕駛對AI5晶片的龐大需求，馬斯克宣布耗資250億美元打造Terafab，意圖在德州奧斯丁實現從設計、製造、到封裝的垂直整合體系。這一舉動背後的意涵在於，頂尖AI業者已意識到，若不具備一定程度的製程自治權，其創新節奏將永遠受制於代工廠的排程；馬斯克試圖複製其在電池產業的垂直整合經驗，藉此建立談判籌碼，即便Terafab 在短期內難以挑戰台積電的技術領先，但它代表客戶端對產能保留機制的不信任。

而上述事件對於台積電的深度影響與戰略意涵，其一反映其過度成功與擴張風險的雙面鏡。第一則是議價權與定價邏輯的重塑，面對Broadcom點出的產能枯竭，台積電擁有更強的定價主導權，將更有本錢推行預付款保留產能機制，要求客戶共同承擔擴產的龐大資本支出風險，此也將有助於台積電在2026年將毛利率穩固在53%以上的高水準。第二則是人才與供應鏈資源的爭奪，馬斯克啟動自建廠計畫，首當其衝的並非台積電的訂單，而是對半導體人才與設備資源的掠奪，當特斯拉在美國本土以重金挖角台灣與美國工程師時，台積電亞利桑那廠的量產進度將面臨更嚴峻的成本挑戰。第三為台積電從代工服務轉向策略聯盟的意義，為了安撫如馬斯克、Broadcom、Nvidia等人的焦慮，台積電的角色正從單純的代工廠轉化為全球產能調節中心，這要求台積電必須更透明地與客戶共享產能路徑圖，甚至考慮更深度的合資模式。

整體而言，2026年的台積電正處於一個矛盾的巔峰，一方面是客戶搶破頭的訂單，另一方面是客戶因恐懼匱乏而產生的離心力，而馬斯克的Terafab與Broadcom的負面評論，本質上都是在向台積電施壓，要求其在速度與規模上展現更強的壓制力。對台積電來說，未來的勝負手不再只是製程技術的微縮，更在於如何在全球地緣政治與資本壓力的夾縫中，用更快的擴產效率來消弭大客戶的產能恐慌，確保其作為全球AI心臟的唯一地位不被動搖。

這篇文章 從博通示警到馬斯克自建廠 台積電如何應對AI時代供給主權挑戰｜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。

嘿，請問你用過幾套 AI 工具？你的電腦裡，現在存了幾個 AI 工具的書籤呢？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）

嘿，請問你用過幾套 AI 工具？你的電腦裡，現在存了幾個 AI 工具的書籤呢？

[caption id="attachment_213391" align="aligncenter" width="2384"] 你的電腦裡，現在存了幾個 AI 工具的書籤呢？（圖／AI生成）[/caption]

如果你忘記的話，可以偷偷看一眼——ChatGPT、Claude、Gemini、Perplexity、Notion AI——還有一堆你也不太記得是做什麼的？再滑到 Notion 或 Google Docs，你應該還有一些叫做「必收藏的 100 個 Prompt 模板」或「2026 最強 AI 工具清單」之類的文件吧？

除了上述這些，你可能還訂閱了 20 個 YouTube 頻道和 10 份電子報。但我猜，你可能忙得沒看過幾次。說到這裡，你有沒有發現一件很詭異的事：這兩年各種 AI 工具如雨後春筍般地出現，但大家的工具愈收集愈多，工作量卻沒有變少。

嗯，這就是我今天想跟大家聊聊的：多數人並不是 AI 用得不夠，而是把注意力放在了錯的地方。

首先，很多人可能得了一種叫做工具成癮的病。先承認吧，我自己以前也曾得過。

還記得在 2023 年，也就是 ChatGPT 剛爆紅的那一年，我一週收藏 20 個新工具、訂閱 10 份 AI 電子報，另外還試過 30 套 prompt 模板。那陣子，我的筆記軟體裡裝滿了各式各樣的 AI 情報。但是，才不過一年的光景，那些資料夾變成一座工具墳場。

我認識一位行銷主管，手機上就裝了 14 個 AI 軟體。我問她上個禮拜真的有用到的是哪幾個，她想了很久才回答：「呃⋯⋯就 ChatGPT 吧。其他 13 個，有點像健身房會員卡。」

你同意嗎？很多時候我們收藏 AI 工具，跟辦健身房會員卡的行為有點雷同。意思是下載（或刷卡）那個動作本身，就已經給了你立即的回報。多巴胺不是在你練出肌肉那一天給你的，是在你刷卡當下給你的。AI 工具也一樣：下載、收藏和試用五分鐘，大腦就以為你「升級」了。但是並沒有！我們只是換了一種方式，繼續逃避真正的工作。

嗯，為什麼收藏比設計更容易讓人上癮？這裡面隱藏三個心理機制。

如果想要戒掉工具成癮，你得先理解它為什麼這麼難戒？我觀察過自己的使用行為，也問過上百位學員，整理出以下三個心理機制：

第一，收藏有立即回報，但設計沒有。

心理學上有個名詞叫「時間折扣」（temporal discounting）——簡單來說，人類大腦對現在的小獎勵的敏感度，遠高於未來的大獎勵。收藏一個 AI 工具，顯然就是典型的現在小獎勵：一鍵搞定、立刻感覺自己變強了。反觀設計流程，則是未來大獎勵：要先投入 30 分鐘觀察、寫下、試錯，獎勵要等兩週後才出現。

大腦會自動選前者，不是因為你懶，是演化留下來的偏好。

第二，收藏是社交貨幣，設計是私人功課。

那些你所收藏的工具，可以拿出來說嘴、可以在聚會時亮給朋友看、可以在 LinkedIn 貼文寫「我最近在用 XXX」換取幾十個讚。但設計流程這件事，卻很難跟人炫耀，因為它看起來既無聊又沒什麼成果可展示。

誠然，在社交媒體時代，缺乏展示性的活動就像在黑暗裡跳舞。

第三，收藏等於我在學習的錯覺。

你收藏一個 prompt 模板，大腦會告訴你：「我學到了一件事。」但其實並沒有，充其量你只是知道有這件事存在而已。

嗯，這兩件事的差距有多大？就像「我知道臺北市民生社區有家好吃的小籠包」跟「我已經吃過並知道怎麼點才最好吃」的差距一樣大。

無奈多數人活在前者，卻以為自己是後者。

「收藏是消費行為，設計是生產行為。」這是我這兩年做企業內訓，最常用來敲醒學員的一句話。

收藏工具是消費行為，意即你在接收別人做好的東西。有人幫你選、替你整理、告訴你這個很強，你只要點下儲存鍵就好。這個動作容易、快速、有立即回饋。老實說，本質上它跟追劇、網購或滑 Instagram 是同一類。

反觀設計流程，則是生產行為：你在創造屬於自己的東西。你要觀察自己的工作、決定哪裡該插入 AI、試錯、修正、留下可重用的版本。這個動作慢、有摩擦、沒有立即回饋——但它在累積。

讓我們打個比方：收藏工具像是你去五金行看各種工具覺得好漂亮，設計流程則像是你拿這些工具真的蓋出一間房。毫無疑問，兩件事都跟工具有關，但一個是消費者的眼光，一個卻是創造者的眼光。

再打個更讓人容易理解的比方：這兩年，我看過太多人收藏了一整個工具軍火庫，卻打不贏一場簡單的工作戰。

道理很簡單，真正在用 AI 得到成果的人，都不盲目追逐工具。

我長期觀察過二十幾位用 AI 用得很好的朋友，他們的身份很多元，像是創業者、顧問、設計師、記者或工程師。有一個共同點，讓我印象很深：他們各忙各的，卻沒一個人在盲目追最新工具。

不是他們不知道新工具，是他們對追工具這件事完全不焦慮。用的來來去去就是 ChatGPT、Claude 或 Perplexity 那幾個，用了半年、一年，沒換過。但他們卻很有耐心地試過了一組又一組流程——每條都經過幾次迭代、每條都跟他們的日常緊密綁在一起。

我的第一個朋友文孝，是做 B2B 業務的。他有一條叫做給陌生客戶寫第一封信的流程。輸入是客戶的 LinkedIn 連結、公司網站、任何他能找到的背景資料；處理環節用 Perplexity 搜集產業動態、Claude 寫個人化的開場白；判斷環節他自己花 2 分鐘檢查名字、公司、數字；輸出是一封 250 字內、結尾帶兩個可選時段的電子郵件。

只需四個步驟，15 分鐘就可以搞定。他一週跑 20 次這條流程，一年 1,000 次。

他跟我說，這條流程的第一版是 2024 年底寫的，到現在已經改到第五版。每次改都是因為某個客戶的反應給了他靈感——例如第三版開始在開頭加一句「我上週看您在 LinkedIn 分享⋯⋯」，回覆率從 32% 跳到 51%。

第二個朋友米雅，是一位獨立顧問。她給自己建立了一條客戶會議後整理的工作流程。會議中她開著錄音筆錄音，會議一結束，她把逐字稿丟進 Claude Projects 裡的一個固定空間，那個空間已經預設好她的結構化模板。AI 會自動產出五段式會議紀錄：討論重點、決定事項、待辦（含負責人與截止日）、未解問題、下次議程。

她人工檢查 5 分鐘，確認名字、數字、承諾事項沒寫錯，就直接轉成 PDF 寄給客戶。只需短短的 10 分鐘就可以完成，以前做這件事卻要花上 90 分鐘。如今，她每個客戶會議都跑這條流程，一個月多達 40 次以上。

第三個朋友熊哥，是一位資深工程師。他的流程很簡單，叫 AI 在開會前自動整理背景資料。每次行事曆上出現新會議，一個他自己寫的 Zapier 自動化就會啟動：抓會議主題與參與者名字，用 Perplexity 查每位參與者的近期動態，用 Claude 整理成一份會前簡報，告訴他會議相關的上下文、每位參與者的最近關注點與可能的議題方向。

這份簡報在會議開始前 30 分鐘，會自動寄到他的信箱。從此，他開會前不用準備，但每次開會都比別人多一層觀察。

他們三個人，職務完全不同，所使用的工具組合也略有差異。但有一件事是一樣的——他們不盲目追逐工具，他們在乎的是自己的這條流程，這週能再優化什麼？

是的，要能做到這樣，才是真正在用 AI 的人。

看到這裡，我想問問：你是收藏者，還是設計者？我幫你設計了四題自我檢測，有興趣的朋友可以自己測看看！

一、你有沒有一組閉著眼睛都能跑的 AI 工作流程？不是「我會用 ChatGPT」這種模糊的回答，而是具體到你能說出「我每週三下午用這個流程處理週報，輸入是什麼、輸出是什麼、花幾分鐘」。

二、你平時用的 prompt，有固定的儲存地嗎？上次用得很順手的那個提示詞，你三個月後還找得回來嗎？還是它散落在對話歷史裡，隨著版本更新一起消失？

三、針對同一個工作任務，你有沒有設計過 v1、v2、v3 的版本更新？還是每次都從零開始、想到哪裡寫到哪裡？

四、你上次明確感受到「今天因為用 AI，我早下班 X 分鐘」是什麼時候？如果這個答案你要想超過 10 秒——那你用 AI 大概還沒真的發揮價值。

如果上述四題之中，有兩題以上回答不出來的話⋯⋯嗯，沒關係，你並不是孤單。但那確實意味著：你現在還只是 AI 工具的收藏者，還不是設計者。

回想 2023–2024 年期間，當時 AI 工具的紅利屬於少數早知道、早就搶先用的人。只要會下 prompt、知道怎麼問、能用它完成單一任務——這些人就已經領先了一般上班族。但從 2025 年開始，這個紅利快速被拉平。

會不會用 AI ，已經不再是關鍵的差異！道理很簡單，因為大家都會用了。工具免費或極度便宜、介面愈來愈簡單、學習門檻愈來愈低。根據 Gartner 2025 年的調查顯示，全球 60% 的白領工作者至少每週使用一次 AI 工具。回想 2023 年，當時只有 18%。

換句話說，兩年之內，會用 AI 從領先者的標記變成基本配備。

那接下來的差距會差在哪裡？答案顯而易見，就在於你能不能設計流程？當工具大家都有、能力大家都接近，唯一能做出差距的，只剩下誰能把工具接進自己的工作裡，變成可重複運作的系統？

其實，這件事在歷史上發生過很多次。

1990 年代，會用 Microsoft Word 是競爭力；2000 年代變成很基本的事；2010 年代的差距差別在誰會用 Word 樣式、快速鍵和範本，省下 80% 排版時間。

2000 年代會，用 Excel 是競爭力；2010 年代變成基本；2020 年代的差距在於誰會用樞紐分析、Power Query、VBA 自動化。

每一次工具民主化之後，差距都從會不會用，轉移到會不會設計流程？誠然，AI 不會例外，只是這次的週期比前面兩次都短。

從今天開始，做一個動作就好！選一個你每週做 3 次以上的工作——寫電子郵件、整理會議紀錄、寫週報、回覆客戶——然後，把它拆成四個環節寫下來：

- 輸入：這個任務通常需要什麼資料？

- 處理：AI 在哪一步能幫忙？

- 判斷：人工要在哪裡檢查？

- 輸出：最後產物是什麼格式、給誰？

只需把這四件事在一張 A4 紙上寫清楚，你就已經從收藏者跨出了設計者的第一步。別小看這 30 分鐘，你投資的不是時間，是身份的切換。

你發現了嗎？第一波紅利已經結束。前陣子有一位記者朋友跟我說過一句話：「2024 年的時候，我覺得會用 ChatGPT 就是我的競爭力。2026 年的現在，我發現連小學生都會用 ChatGPT，已經沒什麼稀奇了。」

嗯，他說的是實話。AI 工具的紅利來得快、退得也快，2023 年會用的人贏一步，2026 年會用的人只能勉強跟上。

話說回來，第二波紅利在哪裡？不在下一個更酷炫的工具，也不在下一套更神的 prompt，而是在流程設計這件看似比較慢、比較沒聲量與比較累的事情上。說穿了，這就是 AI 時代的基本功與招式之別。要知道，招式會過時，但基本功會留下。

現在開始，還不晚！我們一起加油吧！

這篇文章 別再只收藏 AI 工具 開始設計你的工作流｜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。

串流平台Tubi日前宣布與ChatGPT深度整合，並大張旗鼓地宣傳將以人工智慧生成內容來填充平台，試圖吸引年輕族群。這個策略的邏輯看似合理，卻在社群媒體上迅速引發反彈。支持者轉為批評者，留言區充斥著失望和嘲諷。Tubi的挫敗，不是偶然，而是一個更大結構性訊號的縮影。作者：張瑞雄 （台北商業大學榮譽講座教授）

串流平台Tubi日前宣布與ChatGPT深度整合，並大張旗鼓地宣傳將以人工智慧生成內容來填充平台，試圖吸引年輕族群。這個策略的邏輯看似合理，卻在社群媒體上迅速引發反彈。支持者轉為批評者，留言區充斥著失望和嘲諷。Tubi的挫敗，不是偶然，而是一個更大結構性訊號的縮影。

[caption id="attachment_213422" align="alignnone" width="832"] Z世代並沒有拒絕使用AI工具，超過一半的受訪者表示每週仍在使用。（圖／AI生成）[/caption]

幾乎同一時間，蓋洛普民調機構發布了一份針對美國Z世代的最新調查，這份調查訪問了超過1,500位14至29歲的年輕人。結果顯示，對AI感到憤怒的比例在一年內從22%攀升至31%，感到興奮的比例則從36%驟降至22%。更值得關注的是，在已每天使用AI的所謂「重度用戶」群體中，負面情緒同樣在惡化。也就是說，這不是因為不了解才排斥，而是因為愈了解愈不安。

這個現象打破了科技業界一個流傳已久的假設，只要讓年輕人多接觸、多使用，他們自然會接受新技術。過去這套邏輯用在智慧型手機、社群媒體上似乎奏效，於是許多人以為AI也會循相同軌跡。殊不知Z世代是在親眼目睹社群媒體負面效應之後才成長的一代，他們見過平台如何以「演算法優化」為名，實則操控用戶情緒與注意力。當AI被以同樣的話術包裝上市，他們的懷疑不是無知，而是閱歷。

更多科技工作請上科技專區：https://techplus.1111.com.tw/
科技社群討論區：https://pei.com.tw/feed/c/tech-plus

回頭看Tubi的案例，問題並不在於它導入了什麼功能，而在於它怎麼說這件事。讓用戶用自然語言搜尋影片、改善個人化推薦，這些在技術上沒有什麼了不起，串流平台的機器學習推薦機制早在十年前Netflix就做得有聲有色，只是那時候人們還稱之為「個人化演算法」，不叫「AI」。Tubi的致命錯誤在於把「AI」這個標籤高調地貼在一切事物上，包括有爭議的AI生成內容計畫，結果把原本中性的技術升級變成了一個政治宣言，而這份宣言恰好在錯誤的時間點傳達給了錯誤的受眾。

Z世代並沒有拒絕使用AI工具，超過一半的受訪者表示每週仍在使用，其中52%的中學生甚至認為未來升學必須懂得操作AI。這一代人對AI的態度，準確說法是「不得不用，但心存戒懼」，而非單純的抗拒。蓋洛普高階研究員在報告中將此描述為一種「勉強的接受」。這種曖昧的矛盾情緒，其實比外表看起來更加危險，它意味著企業無法僅憑功能本身打動這群用戶，還必須面對他們對技術治理、對內容品質、對工作前景的深層疑慮。

在教育場域，這份疑慮尤其尖銳。高達74%的中學生和83%的Z世代成人認為，以加速完成任務為設計目標的AI將使學習變得更加困難。這個比例之高，遠超過一般人對「科技焦慮」的想像範圍。更令人深思的是，美國加州州立大學有超過3,400名教職員連署，要求校方不得續約與OpenAI的1,700萬美元合約，理由是該工具並未真正提升學習品質，而且提供的答案往往不夠準確。這個聲音不是來自保守的反科技人士，而是每天站在講台上、必須面對學生真實學習狀況的教育工作者。

延伸閱讀：末日樂觀主義者對AI的自白｜專家論點【張瑞雄】

真正的問題或許不是AI能不能做到某些事，而是它究竟在為誰服務、服務什麼目的。Z世代對AI生成內容的反感，反映出他們對「以量取代質」這種商業邏輯的抵制。他們在乎的不只是功能是否流暢，而是平台背後的價值取向是否與自己的利益一致。Tubi貼了「AI」的標籤卻沒有說清楚這對用戶有何好處，反而讓人擔心自己正在被一個愈來愈廉價的內容生態所消費。

這場關於AI的世代辯論，尚未結束。Z世代既是最大的AI使用族群之一，也是最具批判性的聲音。他們的憤怒不是盲目的情緒，而是來自切身體驗的判斷。科技業者若只把這份情緒當成需要「行銷修辭」來化解的阻力，而非需要「實質回應」的訴求，恐怕只會讓這道裂縫持續擴大。在這個AI滲透速度遠超過社會共識形成速度的時代，贏得信任比贏得市佔更難，也更關鍵。

這篇文章 AI熱潮退燒 Z世代用腳投票｜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。

前陣子在一場金融業的企業內訓結束後，某位資深副理攔住我。他猶豫了一下，然後問：「顧問，如果 AI 什麼都能做，那我們還能做什麼？」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）

前陣子在一場金融業的企業內訓結束後，某位資深副理攔住我。他猶豫了一下，然後問：「顧問，如果 AI 什麼都能做，那我們還能做什麼？」

[caption id="attachment_214942" align="aligncenter" width="1672"] 如果 AI 什麼都能做，那我們還能做什麼？（圖／鄭緯筌提供）[/caption]

我沉默了幾秒。不是想不到答案，是因為這個問題我在過去半年聽到不下二十次了——包括在政治大學 EMA 的課堂上、在中山大學的演講後、在各種產業的工作坊裡。每一次問的人不同，但他們的眼神都一樣，顯露出真正的焦慮。

那位副理告訴我，他的團隊剛導入 AI 工具不到三個月，已經有兩個初階職位被重新定義——說得直白一點，就是那兩個人的日常工作被 AI 接管了大半。

想當然耳，這種焦慮不是個案。根據世界經濟論壇（WEF）2025 年的《未來就業報告》，到 2030 年之前，全球約有 9,200 萬個職位會被 AI 和自動化淘汰。McKinsey 在 2025 年的調查更顯示，88% 的企業已經在至少一個業務功能中導入 AI。

但同一份 WEF 報告，也指出了另一個數字：AI 會創造約 1.7 億個新職位，淨增 7,800 萬個。

換句話說，問題從來不是 AI 會不會搶走你的工作？問題是：你準備好接住那 1.7 億個新機會了嗎？

LinkedIn CEO Ryan Roslansky 和首席經濟機會長 Aneesh Raman 在 2026 年 3 月底出版了一本新書《Open to Work: How to Get Ahead in the Age of AI》，給了一個很清楚的答案。他們訪談了神經科學家、組織心理學家、行為經濟學家和人才領導者之後，歸納出五項 AI 無法取代的人類能力——他們稱之為 5C 框架：

• Curiosity（好奇心）
• Courage（勇氣）
• Creativity（創造力）
• Compassion（同理心）
• Communication（溝通力）

Aneesh Raman 在書中說了一句話，我覺得值得細細咀嚼：「害怕是完全可以理解的，但害怕是完全沒有幫助的。」

今天我想逐一拆解這五個 C，並且告訴各位讀者：這不是五個空泛的口號，而是五種你今天就能開始練習的具體能力。

第一個 C：好奇心——AI 能分析答案，但你決定問什麼問題

大家都知道，AI 擅長在現有數據中找到模式。你給它一百萬筆銷售紀錄，它能在幾秒內告訴你哪個產品在哪一季賣得最好？

但是，它不會追問：「為什麼我們只販售這些產品？」

這就是好奇心的本質——不是找答案，是問對的問題。

Greg Dyke 是 BBC 的第 13 任總裁。他在走馬上任之前，做了一件讓所有人感到意外的事：他花了五個月的時間，走訪了全英國的 BBC 辦公室，直接跟基層員工聊天。不是巡視，也不是考核，而是真的在問問題。「你覺得 BBC 最大的問題是什麼？」「如果你是老闆，你會先改什麼？」結果，他上任第一年，BBC1 和 BBC2 的收視率雙雙上升。

老實說，即便是現在，也沒有任何企業顧問或數據分析工具，會建議一位新任執行長花五個月去跟員工聊天。但，人類的好奇心會。

Deloitte 在 2025 年的一項調查中發現，高績效團隊成員願意探索不熟悉的想法、持續學習新技能的比例，是低績效團隊的 2.5 倍。WEF 2025 年的報告也指出，50% 的雇主已將好奇心和終身學習列為核心職場能力。

你可以怎麼練習？養成第二層提問的習慣。當你拿到一份 AI 生成的分析報告時，不要只看結論。先問自己：

• 這份報告的前提假設是什麼？如果前提錯了呢？
• 它沒有分析到的面向是什麼？
• 如果我是客戶，我會問什麼不一樣的問題？

好奇心不是天賦，是習慣。它是一種你可以刻意訓練的肌肉。

第二個 C：勇氣——AI 能計算風險，但你決定要不要跳

AI 可以告訴你一項投資有 63% 的成功機率和 37% 的失敗機率，但它不會替你決定要不要投。

因為值不值得是一個人類判斷，從來不是一道數學題。

2006 年，黃仁勳做了一個當時幾乎所有人認為很蠢的決定：推出 CUDA，一個讓 GPU 可以做通用運算的平臺。這個決策讓 NVIDIA 的成本增加了 50%，市值從 120 億美元跌到 20 到 30 億。投資人質疑，媒體看衰。

但他看到的是一個 AI 還不存在的世界裡，GPU 運算可能成為基礎設施的未來。十八年後，ChatGPT 運行在大約 30,000 張 NVIDIA GPU 上。NVIDIA 的市值超過 3 兆美元。

另一個例子是 Satya Nadella。2014 年接任微軟 CEO 時，他面對的是一家文化僵化、手機策略失敗、市場信心低落的公司。他做了一個大膽的決定：放棄手機，全押雲端和 AI，後來更投資了 OpenAI。他說過一句話：「We needed courage in the face of opportunity.」如今，微軟市值從約 3,000 億成長到超過 3 兆美元。

McKinsey 的分析指出，超過 70% 雇主看重的技能，同時適用於可自動化和不可自動化的工作。差別不在技能本身，而在於人類何時判斷該冒險走一條新路。

你可以怎麼練習？從安全的冒險開始。

• 在下一次會議中，提出那個你一直想說但不敢說的觀點
• 主動爭取一個你還沒有百分之百準備好的專案
• 當 AI 給你三個安全的方案時，問自己：有沒有第四個更大膽的可能？

勇氣不是不害怕，是害怕了還能行動。就像 Raman 說的——害怕是可以理解的，但害怕是沒有幫助的。

第三個 C：創造力——AI 重組舊素材，你想像新世界

嗯，這可能是五個 C 裡面被誤解最深的一個。很多人看到 AI 能畫圖、寫詩和作曲時，就覺得連創造力都被取代了。

其實並沒有。

2023 年發表在《Nature》期刊的某項研究顯示：在發散性思考測試中，AI 的平均表現確實優於一般人——但最有創意的人類，仍然超越最先進的 AI。

為什麼？因為 AI 的「創造」，在本質上是一種重組，它不過是從訓練資料中提取模式，然後以新的方式排列組合。但人類的創造力包含直覺、文化脈絡、情感共鳴，以及想像從未存在過的東西的能力。

2025 年 Frontiers 期刊的研究也發現了一個有趣的現象：在人機協作的設計專案中，資深設計師始終保持對創意流程的主導權。AI 最擅長的是後期的執行和精修，而不是前期的概念發想。

我常在課堂上打一個比方：AI 是一個超強的廚房助手，備料、調味、按照食譜炒菜，它都行。但如果要發明一道從來沒有人做過的菜，那需要主廚的直覺、經驗和膽量。

Deloitte 的調查也呼應了這一點：高績效團隊從失敗中學習而非追究責任的比例是 50%，低績效團隊只有 21%。創造力需要容錯的空間，而這個空間是人類的文化建構，不是演算法能提供的。

你可以怎麼練習？刻意進行跨領域連結。

• 每個月讀一本你專業之外的書
• 當你面對一個行銷問題，問自己：如果一個醫生來看這個問題，他會怎麼想？
• 把 AI 當作你的創意研究助理，讓它幫你蒐集素材，但你來決定如何連結這些素材

創造力的核心不是產出的量，而是連結的品質。

第四個 C：同理心——AI 模擬關心，你真的在乎

這可能是五個 C 中最被低估的一個。

很多人覺得「同理心」聽起來很心靈雞湯，跟職場競爭力無關。但數據告訴我們完全相反的故事。

根據 CCL（Center for Creative Leadership）的研究：

• 擁有同理心主管的員工，敬業度高出 76%
• 員工感到被理解時，留任意願提升 4.5 倍
• 同理心環境中的團隊，創造力提升 2.5 倍
• 95% 的員工表示更願意留在展現同理心的組織

這不是軟實力，這是硬數據。

最好的案例可能還是 Satya Nadella。他接任微軟 CEO 之後做的第一件事，不是調整產品策略，而是改變文化。他要求所有高階主管讀一本書——《非暴力溝通》——然後在公司內推動「成長心態」，取代 Steve Ballmer 時代那種內部競爭、互相攻擊的文化。

很多商業分析師認為，微軟從失落的十年重返巔峰，核心因素不是雲端策略，而是文化轉型。而文化轉型的起點，是一位 CEO 的同理心。

AI 可以用禮貌的語氣寫一封安慰信，但它不會在你加班到凌晨三點時，真的擔心你的身體健康。它可以分析員工滿意度數據，但它不會在一對一面談中感受到你話語背後的疲憊。

這種真的在乎的能力，是建立信任的基礎。而信任，是所有商業關係的核心。

你可以怎麼練習？在每一次重要對話前，花三十秒問自己：「對方現在最需要的是什麼？」

• 不是你想說什麼——是對方需要聽什麼
• 不是急著給建議——是先理解他為什麼焦慮
• 不是用 AI 分析他的績效數據——是坐下來問他「最近還好嗎？」

同理心不是討好，是理解。而理解，是所有有效行動的前提。

第五個 C：溝通力——AI 翻譯文字，你傳達意義

我把溝通力放在最後，不是因為它最不重要，而是因為它是放大器。

你的好奇心、勇氣、創造力、同理心⋯⋯如果說不清楚，就只存在你的腦子裡。說穿了，沒有被傳達出去的想法，等於不存在。

有一個數據我覺得非常有說服力：用統計數據溝通，聽眾只記住 5-10% 的內容；用故事溝通，記憶率躍升到 65-70%。

AI 可以幫你把一份中文的報告翻譯成英文，它可以幫你整理出結構清晰的簡報大綱。但它無法幫你在董事會上說故事，讓所有人理解為什麼這個專案值得投資？它也無法幫你在一對一面談中，找到那個讓部屬眼睛亮起來的關鍵字。

LinkedIn 2026 年的技能趨勢報告，也印證了這一點：跨部門協調、領導溝通、利害關係人管理、公開演講，全部都是快速成長的技能。而且，45% 的職缺現在優先看技能而非學歷。換句話說，溝通力就是那個最容易被看見、也最快產生差異的技能。

你可以怎麼練習？練習用一句話說清楚。

• 每次發出郵件之前，先用一句話寫出核心訊息，然後問自己：刪掉其他所有內容，這句話夠不夠？
• 開會前準備電梯簡報——如果你只有三十秒，你會怎麼說？
• 把 AI 當作你的初稿產生器，但最後的潤飾和故事化，永遠由你來做

溝通力的本質不是文字能力，是讓想法產生行動的能力。

Harvard 和 BCG 在 2023 年的聯合研究，已經證明了這個差距：使用 GPT-4 的顧問，工作品質提升了 40%，速度快了 25%。但盲目依賴 AI 的人，在需要判斷力的複雜任務中，表現反而下降了 23%。

這就是為什麼會用 AI 是基本門檻，但具備 5C 才是競爭優勢。

話說回來，那位在金融業內訓後攔住我的資深副理，他的問題其實問錯了方向。

他問「AI 什麼都能做，我們還能做什麼？」但真正的問題應該是：「AI 什麼都能做，我們更應該做什麼？」答案就是這五件事。好奇地提問、勇敢地決策、創造性地思考、同理地理解他人、清楚地傳達想法。

Anthropic 的 CEO Dario Amodei 說過一句我很喜歡的話：「AI 最強大的用途不是取代人類，而是賦予人類超能力。」

但超能力需要一個前提，也就是你得先知道自己的超能力是什麼？

這五個 C，就是你的起點。不需要等到完美才開始。明天上班時，多問一個「為什麼」。

是的，一切就從那裡開始。

這篇文章 AI 做不到的五件事：LinkedIn CEO 教你在人工智慧時代脫穎而出｜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。