從 2024 年起，我應邀在許多政府機關分享 AI 最新趨勢與應用，可以強烈感受到，我們正站在歷史的轉折點。在準備演講過程中，也因為從各部會視角深入觀察與分析，對於台灣發展主權 AI 的戰略思維，累績了一些小小心得與淺見，特別整理為此篇文章，或有不成熟與謬誤之處，尚請各位先進不吝指正…..

文/廖肇弘

算力 X 電力 X 人力 = 國力？

AI 發展到今天，早已不是一場單純的科技競賽，而是一場結合模型、算力、晶片、能源、資本、Data 與人才的國力戰爭。

而 2026 年最值得注意的訊號，不是誰又發表了更大的模型，而是這場競賽的樣態正在質變與量變。

史丹佛大學 Human-Centered AI Institute（HAI）2026 年 4 月發布的 AI Index 顯示，美國在資本與模型產出上依然遙遙領先：2025 年美國私人 AI 投資達 2,859 億美元，中國為 124 億美元，相差 23 倍；美國產出 50 個重要模型，中國 30 個。

但同一份報告的頭條結論卻是另一件事——美中頂尖模型的效能差距，已經幾乎抹平。2026 年 3 月，兩國最強模型在公開競技場的分數只差 2.7%；而在 2023 年，這個差距還高達 17.5 到 31.6 個百分點。

投入相差 23 倍，成果只差 2.7%。

這件事對台灣的意義，遠比「誰領先」更重要。它說明頂尖模型本身正在快速商品化，而一場燒錢燒到極限的軍備競賽，投資報酬率正在急速遞減。

DeepSeek 的意義也應該從這個角度重新理解。2025 年 1 月 R1 帶來的震撼，並不只是「中國也做得出推理模型」，而是它讓全世界看見訓練效率的槓桿有多大——2025 年 9 月，R1 論文登上《Nature》封面，成為首個通過權威期刊同儕審查的主流大模型，文中揭露其強化學習階段成本約 29 萬美元。到了 2026 年，這已經不是單一事件：DeepSeek V4-Pro 在八月正式上線，與 Qwen、Kimi、GLM 共同把開放權重模型推到僅次於頂級閉源模型的位置。

而這場競爭的成本，還在急遽提高。

國際能源署（IEA）2026 年 4 月的《Key Questions on Energy and AI》估計，全球資料中心用電將由 2025 年的約 485 TWh，到 2030 年倍增至約 950 TWh，屆時約占全球電力需求的 3%。當一個 Frontier Model 背後需要的是巨額 GPU、Data Center、電力、土地、冷卻系統與資本支出，AI 競爭早就不再只是「誰的 Algorithm 比較好」，而是一場結合能源、晶片、基礎建設、人才與資本的總體戰。

這也是為什麼，台灣必須非常冷靜地問自己：我們的 AI 國力核心競爭優勢究竟為何？

毋庸置疑，我們擁有世界級的底牌——晶片。

TrendForce 統計顯示，以 16/14 奈米及更先進製程計算，台灣 2024 年掌握全球約 66% 的先進製程晶圓代工產能；即使美、日、韓、中都以國家力量投入半導體在地化，到 2027 年台灣預估仍將掌握約 55%。台灣在先進製程、先進封裝、AI Server 與整體 ICT Supply Chain 上的能力，讓我們站在這一波全球 AI 革命最重要的位置之一。

AI 浪潮甚至已經改變台灣的經濟結構。

財政部統計顯示，2025 年台灣出口達 6,407 億美元、年增 34.9%，史上首度突破 6,000 億美元；2026 年上半年再成長 47.1%，達 4,166 億美元。主計總處資料則顯示，2025 年第二季製造業實質 GDP 年增 17.24%，2026 年第一季更達 26.17%，帶動上半年經濟成長率衝上近 13.7%，創半世紀新高。

這些數字令人振奮。但如果再往裡面看一層，會看到另一件事。

2026 年上半年，電子及資通產品占台灣總出口的 78.7%；其中 AI 伺服器所屬的「資通與視聽產品」單項就成長 83.8%，占總出口達 45.0%。

換句話說，台灣接近八成的出口，正壓在同一條 AI 硬體供應鏈上。

這是實力，也是風險 — 晶片優勢，並不等於 AI 國力。

如果全世界最先進的 AI 晶片大量由台灣製造，AI Server 也大量由台灣企業生產，最後送進美國的 Data Center，訓練美國的大型模型，再由台灣政府、企業、醫院與人民付費調用這些模型——那麼我們究竟掌握了多少 AI 時代真正可以持續累積的價值？

我們賣的是鏟子，但其實金礦是別人的 —

除了已經擁有最硬核的晶片優勢之外，台灣主權 AI 最強的不對稱戰略武器，到底是什麼？

我認為，或許會是主權 AI 架構中最軟的那一層 —— 人才與 Skill。

最硬 vs. 最軟的核心競爭優勢

而這裡的 Skill，有兩層完全不同、卻彼此相連的意義。

第一層，是 Human Skill——人的專業能力。

工程師三十年的製程經驗、醫師長期累積的臨床判斷、農業專家的栽培知識、防災人員面對颱風與地震的應變經驗，以及政府人員真正理解法規、政策與行政流程的能力。這些都不是讀完一本教科書就能產生，而是在真實場域裡經過十年、二十年甚至三十年磨練出來的 Domain Knowledge。

第二層，是 Agent Skill。

Agent 時代真正重要的突破，是我們開始有能力把原本存在人腦、SOP、文件、Database 與 Workflow 裡面的 Domain Knowledge，逐步轉化成 AI 可以理解、調用與執行的 Skill。

這兩種 Skill 是一體兩面。Human Skill 是 Agent Skill 的知識來源；Agent Skill 則是 Human Skill 的數位化、規模化與放大器。

而全球企業，恰恰卡在這兩者之間。

McKinsey 在 2026 年 4 月的〈Building the foundations for agentic AI at scale〉指出：全球近三分之二的企業已經實驗過 AI Agent，但真正規模化到創造實質價值的不到 10%；每十家企業就有八家，把資料面的限制列為 Agent 規模化的最大阻礙。

另一份針對全球 400 位資料專業人士的調查（Fivetran《2026 Agentic AI Readiness Index》）則呈現了一個更尖銳的落差：已經有 41% 的組織在正式環境跑 Agent，但只有 15% 認為自己的資料基礎真的準備好了。

問題可能根本不在於 AI 還不夠聰明。

而是：AI 已經很聰明，卻進不了真正有價值的 Data。

過去我們問的是：「你的模型有多大？」

接下來真正重要的問題會變成：「你的 Agent 到底會做什麼？」

而一個 Agent 到底會做什麼，最後取決於它能不能取得正確的 Data、理解 Domain Knowledge，並且擁有真正能完成任務的 Skill。

這恰恰可能是台灣最大的機會。

因為如果重新盤點台灣手上的 AI 資產，我們會發現，晶片之外，其實還坐在另一座巨大、卻長期被低估的金礦上——Real-world Data 與 Domain Knowledge。

先看製造業。

國發會委託中華經濟研究院辦理的「2026 上半年台灣採購經理人營運展望調查」顯示，台灣製造業已有 69.0% 導入、評估或規劃 AI。這個比例看起來相當高。

但再往裡面看，圖像就變了。在已經導入 AI 的企業中，應用領域以「流程自動化」58.6% 居冠，其次是銷售／客戶管理與需求預測 40.2%；而 IoT 物聯網與感測資料應用只有 27.8%、智慧倉儲與物流 20.1%，真正進入「AI 智慧生產／無人關燈工廠」的，僅 18.3%。

58.6% 對 18.3%。

這組落差非常值得思考。它代表 AI 確實已經進入台灣企業，但目前主要還停在流程與資訊效率的層次——中經院自己的結論也是「AI 目前最像流程與資訊效率工具，尚未進入全面自動化」。

換句話說，AI 還沒有真正走進台灣製造業最深層的 Domain Knowledge。

同一調查系列的前一期（2025 下半年）更說明了問題的規模：截至 2025 年底，全體製造業中只有 30.7% 回報產品已參與 AI 供應鏈，或正規劃準備進入；而這群業者當中，44.6% 仍在研發設計階段、13.5% 已完成研發但尚未量產，真正「已產出並進行銷售」的只有 41.9%。

我們已經站在全球 AI 硬體供應鏈的核心，卻還沒有建立一條與硬體實力相匹配的 AI 能力供應鏈。

醫療更值得注意。

依健保署資料，全民健保累積的結構化就醫紀錄至 2021 年底已達近 700 億筆，2018 年起收載的醫療影像超過 30 億筆；健保署 2023 年另指出，結構化就醫紀錄每年持續新增約 8.5 億筆。

700 億筆是什麼概念？

它不是從 Internet 上爬下來的文字，而是 2,300 多萬人在數十年真實醫療活動中留下的疾病、檢查、用藥與醫療行為紀錄。

這是一座極其珍貴的 Real-world Data 資產，而且已經證明可以長出東西。臺大醫院與中央研究院團隊運用全國性去識別化 CT 影像開發的胰臟癌 AI 偵測工具，2023 年 1 月刊登於國際放射醫學期刊《Radiology》：在 1,473 例真實世界驗證集中達到敏感度 89.7%、特異度 92.8%，即使是最難發現的 2 公分以下小腫瘤，敏感度也有 74.7%。臺大醫院已於 2024 年將這套系統導入臨床。

這說明 Data 不必只能躺在 Database 裡。它可以和醫療專家的 Human Skill 結合，形成真正具有臨床價值的 AI 能力。

再看智慧農業。

農業部推動智慧農業 10 年，累計協助產業節省約 51 萬小時工時、降低生產成本 7.9 億元、增加產值 22.7 億元，並帶動農企業投資約 29 億元。

這些數字真正值得看的，不只是增加多少產值，而是背後累積了多少「什麼作物、什麼氣候、什麼土壤、什麼感測資料、什麼生產方法有效」的 Domain Knowledge。

防災也是一樣。

台灣有高山、有海洋，有颱風、豪雨、地震與土石流。國家災害防救科技中心 2024 年支援中央災害應變中心的科研時數達 533.5 小時、746 人次，並召開工作會報與情資研判會議各 69 次。該中心長期整合中央與地方逾 3,300 筆防救災圖資，涵蓋氣象、水文、地震、坡地災害與救災資源，近年更發展出以大語言模型驅動的災防情資智慧助理、資料驅動的 AI 氣象預警模式，以及「地震衝擊資訊平台」的地震情境模擬。

過去我們把颱風、地震、高齡化、缺工、小農看成台灣的限制。

但站在 AI 時代重新思考，這些問題本身，其實也在長期累積非常稀有的 Data、Domain Knowledge 與人才。

解決自己的痛點，就是創造世界的亮點。

高齡化，可以成為智慧健康與長照 AI 的實驗場；颱風、豪雨與地震，可以成為全球防災 AI 的實驗場；缺工，可以逼出台灣製造業更深度的人機協作與 Agent 化；高度複雜的製造供應鏈，更可能成為發展產業 Agent 最珍貴的場域。

但我認為，真正更大的金礦，甚至還不在政府手上。

除了政府逐步開放的 Open Data，真正大量、深度，而且國外 Frontier Model 很難取得的，是隱藏在台灣數十萬家企業、工廠、醫院、農場與專業組織內部的 Closed Data。

一家經營三十年的精密製造公司，真正珍貴的資料不是官網上的產品型錄，而是三十年的製程參數、良率紀錄、設備異常、維修履歷、客訴原因，以及工程師一次又一次解決問題留下來的紀錄。

一家醫院真正珍貴的，也不只是公開醫學知識，而是臨床流程、病例、照護經驗，以及不同專科醫師長期累積的判斷模式。

農業也是如此。真正有價值的可能是一塊土地十幾年的土壤、氣候、病蟲害、施肥、產量，以及農民自己的經驗。

這些資料不在任何一個大型語言模型的公開訓練資料裡，也不會因為下一代模型的參數增加十倍，就自動被學會。

因為它們根本沒有公開。

而更重要的是，其中還有大量知識甚至根本沒有成為 Data。

老師傅聽到機器一個不尋常的聲音，就知道軸承可能出了問題；資深工程師看到幾個參數一起變化，就知道良率可能開始異常；醫師看到一連串檢驗結果，可以察覺教科書沒有明寫的風險；有經驗的農民看葉片、摸土壤、感受濕度，就知道今天該不該灌溉。

這些東西存在人的腦袋裡。

這就是 Human Skill。

所以台灣真正應該做的，不是把 Closed Data 丟給大型語言模型，而是建立一套機制：讓 Domain Expert 與 AI 人才一起工作，把 Closed Data ＋ Domain Knowledge ＋ Human Skill 萃取、結構化，再轉化成 AI Agent 可以理解、調用、執行與持續優化的 Agent Skill。

到了這個層次，大型語言模型的角色反而變得很清楚。

模型可以買，API 可以調用，算力可以租；今天最強的是一個模型，幾個月之後可能換成另外一個——AI Index 的 2.7% 已經說明了這件事。

但是，一家企業三十年的製程 Know-how、一個國家數十年的醫療與防災經驗，以及一群專業人才長年累積的 Human Skill，別人拿不走，也不可能靠增加幾兆個模型參數就憑空產生。

所以，我所理解的主權 AI，不能只問：「台灣有沒有自己的大型語言模型？」

而應該進一步問：我們有沒有掌握自己的 Data？有沒有保存自己的 Domain Knowledge？有沒有培養自己的 Human Skill？又能不能把這些能力轉化成自己的 Agent Skill？

如果做得到，台灣過去最擅長的 Supply Chain Integration，就可能再發揮一次。

過去三十年，我們把成千上萬家企業組織成全世界難以取代的半導體與 ICT 供應鏈。下一個十年，我們或許可以把

Hardware × Open Data × Closed Data × Domain Knowledge × Human Skill × Agent Skill

組成另一條全世界難以複製的 AI 能力供應鏈。

被動 vs. 主動的不對稱戰略架構

但說到這裡，一定會碰到過去數十年數位轉型始終難解的問題：

Data 在哪裡？又有誰願意把 Data 拿出來？

一家半導體公司的製程參數不可能交給競爭對手，一家醫院不可能任意把病歷搬出去，一家企業更不可能為了發展 AI，就把最重要的營業秘密集中到某一個大型資料庫。

過去我們解決 Data Integration，想到的是 ETL、Data Warehouse、Data Lake：把資料搬出來、清洗、轉換、集中，再交給應用程式。

但是到了 Agent 時代，我認為應該反過來問：

Data 為什麼一定要搬？

如果 Closed Data 不能、也不應該離開原來的企業、醫院、工廠或政府機關，那麼新的戰略就不該是「把所有 Data 搬到 AI 面前」，而可以是：

讓 AI 到 Data 所在的地方工作。

這個方向現在已經快速發展。Semantic Layer、Ontology、Knowledge Graph、Context Engineering，以及 MCP、Agent-to-Agent 等新興標準，正在讓 Agent 有機會在身分驗證、權限控制與治理規則下，存取不同系統裡的 Data 與 Knowledge，甚至彼此協作。

因此，台灣未必要先建立一座巨大的「國家 AI 資料湖」，要求政府、醫院、研究機構與企業把珍貴 Data 全部交出來。

真正值得建立的，反而可能是一套 Federated Agentic Knowledge Architecture——聯邦式 Agent 知識架構。

它的核心原則非常簡單：

Data 留在原地，Knowledge 可以被授權；資料不必共享，能力可以協作。

一家醫院保有自己的病歷，一座工廠保有自己的製程資料，一家農企業保有自己的生產 Know-how，政府機關也保有依法不能公開的資料。每一個組織都在自己的安全邊界裡，將 Closed Data、Domain Knowledge 與 Human Skill 轉化成經過授權、治理與驗證的 Agent Skill。

當需要跨領域解題時，不必先把所有原始 Data 搬進同一個中央資料庫，而是讓不同 Agent 在身分驗證、權限控制、稽核紀錄、資料最小化及必要的去識別化機制下協同工作。

這個差異非常重要：

原始 Data 可以不離開主人，但 Agent Skill 可以跨域組隊。

如果要用一個更具體的比喻來說明這套戰略，我想到的是近年正在改變現代戰爭形態的無人機作戰群。

傳統軍事強權追求的是性能更強、速度更快、匿蹤能力更好，同時造價也極其昂貴的先進戰鬥機。一架頂尖戰機背後，需要龐大的研發、製造、飛行員訓練、維修與後勤體系。

但近年的戰爭正在證明另一種完全不同的作戰邏輯：大量成本較低、分散部署、彼此聯網、可以快速補充，而且能依照任務動態重新編組的無人載具，同樣可能形成非常強大的不對稱戰力。

Agent 時代，正在 AI 世界發生類似的典範轉移。

如果把超大型語言模型想像成一架造價昂貴、性能極強的先進戰機，那麼深入不同產業、不同組織與不同場域的一個個 Agent，就更像是一支分散部署的無人機作戰群。

它們不需要每一個都無所不能。

製造業 Agent 深入工廠，連接製程、設備與品質 Data；醫療 Agent 留在醫院，理解臨床、影像與照護流程；農業 Agent 進入農場，連接氣候、土壤、病蟲害與生產資料；防災 Agent 連接氣象、水文、地震與歷史災害資訊；政府 Agent 則理解法規、政策、行政流程與公共服務。

每一個 Agent 都留在自己的專業場域，連接當地的 Closed Data、Domain Knowledge 與 Agent Skill，在自己的安全邊界內完成最擅長的任務。

但真正的力量，並不來自任何一個 Agent。

而是聯網之後的整體戰力。

當這些 Agent 能夠在共同的標準、身分認證、權限治理與通訊協定下彼此溝通、交換必要 Context、調用彼此的 Skill，甚至根據問題動態重新編組，就可能像無人機作戰群一樣，形成隨任務變化的智慧網路。

一場颱風來了，氣象 Agent、水利 Agent、防災 Agent、農業 Agent、交通 Agent，甚至保險與地方政府 Agent，可以即時組成一支跨領域任務部隊。

一家工廠突然發生重大設備異常，設備 Agent、製程 Agent、品質 Agent、能源 Agent 與供應鏈 Agent，可以迅速共同研判。

面對一名同時具有多重慢性疾病的高齡者，醫療 Agent、藥事 Agent、營養 Agent、長照 Agent 與社福 Agent，又形成另一支完全不同的任務團隊。

任務出現，立即組隊；任務改變，重新編組；任務結束，隊伍解散。

這不是一個無所不能的 Super Agent。

而是一個 Agent Swarm——Agent 群體智慧。

於是，台灣的主權 AI 戰略就出現了一種與美中大模型軍備競賽完全不同的想像：

以分散取代集中，以專業取代全能，以協作取代單打獨鬥，以快速迭代取代一次性的巨額豪賭。

底層的大型語言模型可以依照不同任務選擇、替換，甚至混合使用；真正屬於台灣自己的，則是散布在百工百業裡的 Data、Domain Knowledge、Human Skill，以及由這些專業能力打造出來的 Agent Skill。

一邊競爭的是誰能打造更大、更昂貴、更強的單一模型；另一邊競爭的，是誰能調動最多、最深、最真實的 Domain Knowledge，讓成千上萬個專業 Agent 在需要的時候協同作戰。

而這正是不對稱作戰最重要的精神。

不對稱作戰從來不是用比較少的資源，去複製強國已經領先的武器；真正的不對稱，是選擇一個不同的戰場、使用一套不同的作戰方法，把自己原本分散的優勢快速組合、放大，最後形成對手難以複製的整體戰力。

AAA 與雙飛輪：把 Human Skill 變成 Agent Skill

但是，這支 Agent 大軍不會自己長出來。

Data 可以存在，模型可以調用，MCP、A2A 等技術標準也會逐漸成熟；真正困難的，是如何把散落在台灣百工百業裡的 Domain Knowledge 與 Human Skill，一批一批轉化成真正可以在場域中解題的 Agent Skill。

這正好回到我近三十年推動人才培育工作，一直在思考的一個問題。

從早期數位人才發展、U-Start 創新創業計畫，到後來推動 DIGI+Talent 跨域數位人才加速躍升計畫，以及政府 AI 與數位人才發展，我愈來愈確定一件事：

一個人「上過課」，跟一個人「真正有能力解決問題」，中間差的就是實戰。

DIGI+Talent 當年之所以特別強調「跨域」與「實戰」，就是因為真正的產業問題從來不會按照教科書的章節出現。技術問題後面可能連著流程，流程後面連著組織；組織問題又可能牽涉 Data、制度與人的抗拒，最後甚至牽動 Business Model。

如果只培養一群會寫程式、會 Prompt、會調 API 的人，卻不讓他們進入真實場域面對複雜問題，那麼最後培養出來的很可能只是「工具使用者」，而不是能夠真正改變產業的 AI 人才。

U-Start 帶給我的另一個重要經驗則是：創新創業也不是在教室裡「教會」的。

Business Model、財務、行銷、Pitch 當然都可以教，但當一支團隊真正面對市場、客戶、產品、競爭與資金壓力時，他們需要的往往不是再上一堂課，而是一位 Coach——陪跑教練。

Coach 的角色不是替團隊把答案寫好。真正好的 Coach 是陪著團隊把問題看清楚，在關鍵時刻提出問題、補上方法與資源，在團隊碰壁時協助重新拆解，再逼著大家回到現場驗證。

這也是為什麼，我認為到了 Agent 時代，「加速導入＋陪跑教練」會成為非常重要的人才培育模式。

因為 AI 技術的知識折舊速度實在太快。今天教的一套 Tool，半年後可能已經換代；今天領先的模型，幾個月之後可能排名改變；RAG、MCP、A2A、Agent Framework、Vibe Coding 與各種開發環境，都在快速迭代。

如果人才培育還採取過去「先設計半年課綱、再招生、上課、考試、發證書」的線性模式，很可能課程還沒教完，技術前沿已經往前走了一大段。

所以，Agent 時代需要的不只是 Training。

而是 Accelerator。

不是先把所有知識學完，才開始做；而是先找到一個值得解決的真實問題，組成一支跨領域團隊，提供最新的工具、方法與資源，再由 Coach 陪著他們一路把問題解出來。

這也是我把近三十年人才培育、跨域實戰與創新加速經驗，重新整理成 AAA——AI Agent Accelerator 的原因。

AAA 不是再開一門 Agent 課程。

它的核心，是把過去經常分開進行的幾件事——人才培育、場域解題、AI 導入與 Agent Skill 開發——壓縮進同一個 Accelerator Cycle 裡。

目前我採取的是 8 週一個 Cycle。

8 週不是因為所有問題都能 8 週解完，而是因為它夠短，能維持速度與壓力；同時又夠長，讓團隊真正走過問題定義、Data 盤點、能力設計、Agent Prototype、場域驗證、修正與再次驗證的一個完整循環。

一切從一個 Real Problem 開始。

不是先問「我們今年要採購哪一套 AI」，而是問：組織裡到底有哪一個問題值得解？哪一項工作最耗人力？什麼問題長期解不掉？Data 在哪裡？Domain Knowledge 掌握在誰的腦袋裡？如果把這個問題解掉，可以產生多少真正的價值？

接下來，挑選真正了解場域的種子人才，讓 Domain Expert、AI 人才與必要的技術資源組成跨領域團隊。

大型語言模型、RAG、MCP、Workflow、Agent 都只是可以調動的工具。真正重要的工作，是讓團隊把原本存在人腦、SOP、文件與 Closed Data 裡的 Human Skill，一點一點萃取出來，轉化成真正可以執行任務的 Agent Skill。

這不是拿一個模擬案例練習。而是直接進入真實場域解一個真的問題。

8 週結束，我期待看到的，不應該只是一份漂亮的結案簡報。

而是：一個真正被改善的流程、一個真正可以工作的 Agent、一組經過場域驗證的 Agent Skill、一批真正打過仗的跨領域人才，以及一個下一個團隊可以複製的成功案例。

如果問題夠大，8 週沒有解完，就再跑下一個 8 週 Cycle；如果成功，就把 Data Schema、Workflow、Agent Skill、方法與案例沉澱下來，再進入下一個場域。

而如果再往深一層看，AAA 真正推動的，其實是兩個彼此咬合的飛輪。

第一個，是 Human Skill Flywheel：

Real Problem → Cross-domain Team → Coach → Field Practice → Human Skill → 下一個更困難的 Real Problem

真實問題會逼迫人才跨出原本的專業邊界。製造工程師開始理解 AI，AI 工程師開始理解製程；醫療人員開始理解 Agent，AI 人才開始理解臨床；公務人員開始學會把法規、行政程序與服務經驗轉化成 AI 可以處理的 Workflow。

問題愈真實，人才受到的磨練愈深。飛輪每轉一圈，Human Skill 就往上提升一階。

而第一批真正打過仗的人，未來又可以成為下一批人才的 Mentor 或 Coach，使 Human Skill 不再只存在個人身上，而開始在組織、產業與跨領域團隊之間擴散。

第二個，是 Agent Skill Flywheel：

Closed Data / Domain Knowledge → Agent Skill → Agent → Field Validation → New Data / New Knowledge → Better Agent Skill

當 Agent Skill 進入真實場域，它一定會碰到例外、犯錯、出現原本沒有預期的情境。

但這些錯誤與例外並不只是失敗。它們會產生新的 Data、新的 Context 與新的 Domain Knowledge。這些經驗再回頭修正下一版 Agent Skill，於是 Skill 本身也開始像軟體一樣持續迭代與升級。

真正有意思的是，這兩個 Flywheel 並不是各自旋轉。

它們彼此咬合。

Human Skill 創造 Agent Skill；Agent Skill 放大 Human Skill。

人的專業能力愈強，就愈能把深度 Domain Knowledge 轉化成高品質 Agent Skill；Agent Skill 愈成熟，人就愈能處理更大量、更複雜、更跨領域的問題；而更困難的問題，又會逼迫人才學習，產生新的 Human Skill 與 Domain Knowledge，再創造下一代 Agent Skill。

於是形成一個會自我增強的循環：

人愈強 → Skill 愈強 → Agent 愈強 → 能解的問題愈大 → 人又變得更強。

這就是我所提出的 Human Skill × Agent Skill 雙飛輪模型。

AAA 的 8 週 Accelerator Cycle，只是推動這兩個飛輪開始旋轉的基本單位。一個 Cycle 解一個真實問題，培養一批種子人才，生產一組經過驗證的 Agent Skill，留下 Data、Know-how 與成功案例；下一個 Cycle 不再從零開始，而是站在上一輪累積的人才、Data、Domain Knowledge、Skill 與案例之上繼續往前。

當這個機制從一個機關、一家企業、一座醫院、一間工廠開始，逐步擴散到十個、一百個甚至上千個真實場域，兩個飛輪就會愈轉愈快。

我們所得到的，就不再只是一個又一個零散的 AI 專案。

而是一批批真正能夠跨領域解題的人才、一組組經過場域驗證的 Agent Skill、一個不斷擴大的 Skill 資產庫，以及一支能夠分散部署、動態聯網、跨域協作的 Agent 大軍。

https://app.g-rapx.com/

我們能不能再次登頂神山？

這時候，台灣主權 AI 的整體戰略圖像才真正完整。

底層，我們有世界級的 Semiconductor 與 Hardware。

往上一層，是政府與公共體系多年累積的 Open Data，以及藏在產業、企業、醫院、農場與百工百業裡極其珍貴的 Closed Data。

Data 背後，是台灣幾十年累積的 Domain Knowledge。

Domain Knowledge 的載體，是人身上的 Human Skill。

再經過跨領域人才與真實場域實戰，把 Human Skill 轉化為 Agent Skill。

Agent Skill 進入不同場域，形成大量專業化 Agent；這些 Agent 再透過聯邦式架構、標準化協定、權限治理與動態協作，形成一支可以快速重組的 Agent Swarm。

而 AAA，則持續推動 Human Skill Flywheel 與 Agent Skill Flywheel，讓人才與 Agent 同時進化。

這不是一項單點科技政策。

而是一套從 Hardware、Data、Knowledge、Talent、Skill 到 Agent 的完整國家能力生產體系

美中 AI 科技戰還會繼續，Frontier Model 也一定會愈來愈大、愈來愈強。

台灣當然需要算力，需要模型，需要能源與 Data Center，也必須繼續守住我們在半導體與硬體上的世界級優勢。

但主權 AI 的「主權」，不應該只存在於模型的參數裡。

它更應該存在於我們自己的 Data、Domain Knowledge、Human Skill 與 Agent Skill 裡。

美國可以依靠資本、雲端與最頂尖模型建立優勢，中國可以利用龐大的市場、能源、工程人才與開源生態快速追趕。而 2.7% 這個數字已經告訴我們：在別人已經設定好的戰場上，用有限資源打一場正面消耗戰，代價極高，勝算極低。

真正的不對稱戰略，是選擇自己的戰場。

以晶片為底座，以 Open Data 與 Closed Data 為戰略資產，以 Domain Knowledge 為知識礦脈，以 Human Skill 與 Agent Skill 為核心戰力，以 AAA 推動雙飛輪持續加速，再以分散部署、動態聯網、跨域協作的 Agent 大軍，把這些原本散落在台灣各個角落的能力，重新組合成一個完整的主權 AI 生態系。

我們過去曾經把一座小島，打造為全球半導體供應鏈最關鍵的節點。

下一個問題是：

我們已有神山，能不能再登頂一次？

只是這一次，台灣要輸出的不再只有晶片、伺服器與硬體設備，而是連同百工百業解決問題的 AI 能力一起輸出。

如果做得到，這場美中 AI 科技戰對台灣而言，就不再只是兩個大國夾擊之下如何求生存的問題。

它反而可能成為重新定義台灣下一個三十年國家競爭力的機會。

Human Skill × Agent Skill。

這就是我所想像的台灣 AI 新國力 —- 與諸君共勉之。

近來應邀到很多中央與地方機關的演講與課程，主題幾乎都是 AI Agent。現場的迴響很熱烈，提問也相當踴躍。我特別將其中的論點與現場聽眾問題的回覆，整理為此篇文章….

文／廖肇弘

近年台灣公部門面臨一個愈來愈明顯的結構性問題：政府承擔的業務愈來愈多，政策議題愈來愈複雜，但可以運用的人力卻愈來愈吃緊。從少子化、高齡化、社會福利，到淨零轉型、資安、打詐與 AI 治理，新興政策任務不斷增加；另一方面，公務體系卻同時面對招募不易、人才流失與世代交替的壓力。

這也是為什麼，我認為 AI Agent 進入公部門，不能只被視為又一次資訊系統升級。它真正可能帶來的，是一場政府「生產力架構」的重新設計。

OECD 在 2026 年發布的《Building an AI-ready Public Workforce》中，已經把人力短缺、高工作負荷與財政壓力列為許多國家公共行政體系共同面對的問題。當政府必須用有限的人力處理愈來愈龐雜的公共任務時，AI 的價值就不只是「幫忙寫一份公文」，而是如何重新配置人與機器的工作，讓有限的專業人力投入真正需要判斷、溝通與決策的工作。

從 Copilot 到 Agent，改變的是「工作單位」

過去兩年大家熟悉的生成式 AI，比較接近 Copilot（AI 協作助手）的概念。人提出 Prompt（提示詞），模型回答問題、摘要文件或協助產生內容，工作的主體仍然是人。但 Agentic AI（代理式 AI）再往前跨了一步：人不一定逐步告訴 AI「怎麼做」，而是交付一個目標（Goal），讓 Agent 根據任務自行規劃步驟、取得資訊、調用工具，在設定好的權限與規則範圍內完成任務。

以政府常見的案件處理為例，一個 Agent 接到「完成案件初步檢核」的任務之後，可以先讀取文件、辨識欄位，再透過 RAG（Retrieval-Augmented Generation，檢索增強生成）查詢內部法規與知識庫，接著呼叫 API 比對既有資料，判斷文件是否缺漏，最後整理成初步意見交由承辦人確認。

這裡真正值得注意的技術概念，是 Tool（工具）、Skill（技能模組）與 Workflow（工作流程）。Tool 是 Agent 可以調用的外部能力，例如資料庫、搜尋系統或政府內部 API；Skill 則可以理解成被封裝、可重複使用的工作能力，例如「法規檢索」、「文件比對」、「案件分類」或「公文草擬」；Workflow 則把不同的 Skill 與 Tool 串接成完整的業務流程。再透過 MCP（Model Context Protocol，模型情境協定）等新一代連接方式，讓模型與外部工具、資料及系統之間建立更標準化的互動。

換句話說，AI Agent 真正帶來的變化，不只是模型變聰明，而是政府長期累積在 SOP、公文、法規與資深同仁腦中的 Know-how（實務知識），開始有機會轉換成可被機器調用、組合與治理的數位能力。

這件事情的影響，可能比導入一個聊天機器人大得多。

Token 愈來愈便宜，人的注意力卻愈來愈昂貴

從另一個角度來看，Agent 也正在改變政府的生產力成本結構。

大型語言模型的運作有一個基本單位叫 Token，可以簡單理解成模型處理文字與資訊時使用的基本計量單位。模型讀取文件、理解 Context（上下文）、產生內容，以及 Agent 在執行任務過程中反覆推理、調用工具，都會產生 Token 與運算成本。未來政府管理 AI，除了傳統資訊系統關心的 CPU、儲存空間與網路頻寬，也可能開始管理 Token 成本、Context Window（上下文視窗）、Latency（延遲）、Accuracy（準確度），以及一次 Agent 任務究竟耗用了多少運算資源。

但真正昂貴的資源，未必是 Token，而是人的注意力（Human Attention）。

如果一位資深公務人員必須花兩個小時，從數百頁資料裡尋找三條相關法規，再把五個不同系統的資料逐項比對，真正被消耗的不是電腦資源，而是組織最稀缺的專業人力。如果 Agent 可以在具有權限控制的環境裡，先完成資料檢索、比對與摘要，再把真正需要專業判斷的部分交給人，政府的生產力公式就開始改變了。

未來衡量一個政府單位的工作能力，或許不能只問「有多少人」，還要開始問：這些人可以調度多少 Agent、多少 Skill，以及多少數位能力？

一位公務人員的生產力，也開始從個人的工作能力，擴張成為「人＋Agent」的組合能力。

人力被釋放之後，更大的問題才剛開始

然而，AI Agent 如果只是把原來的行政工作自動化，我認為仍然低估了這場轉型。

真正困難的問題是：當資料比對、文件整理、公文初稿、資訊搜尋等重複性工作逐漸交給 Agent 之後，原來的人能不能往上一個能力層次移動？

世界經濟論壇《Future of Jobs Report 2025》指出，到 2030 年，工作者現有的核心技能平均有 39% 將發生改變或變得過時。更值得注意的是，若把全球勞動力想像成 100 個人，其中高達 59 人需要接受培訓：29 人需要在原職務提升技能，19 人需要透過再培訓轉任其他職務，甚至還有 11 人雖然需要培訓，卻可能得不到所需的培訓機會。

國際勞工組織（ILO）2025 年的研究則指出，全球約四分之一工作者的職業對生成式 AI 有某種程度的曝險，其中行政文書類工作尤其明顯；但研究的重要結論並不是工作大量消失，而是多數工作更可能發生 工作轉型（Job Transformation）。

這個觀點放到政府部門，我認為尤其重要。

因為公務人員未來真正需要增加的，不只是 Prompt 技巧，而是問題定義、任務拆解、流程設計、Agent 管理、結果驗證、風險判斷，以及跨部門協作能力。主管的角色也會改變：以前管理的是人與工作流程，未來可能同時管理人、Agent 與人機協作流程。

因此，政府人才培育也必須從第一階段的 AI 素養（AI Literacy），進一步走向 AI 能力（AI Capability）。前者是知道 AI 是什麼、會使用生成式 AI、理解幻覺與基本風險；後者則是能真正把 AI 轉換成工作能力。

這也是我認為下一階段政府人才培育最需要重新思考的地方。一般公務員、業務主管、資訊與資料專業人員，以及高階決策者，需要的 AI 能力並不相同。如果最後所有人都去上同樣一門三小時的生成式 AI 課程，那是教育普及，還稱不上人才轉型。

公部門更難的一題：模型、資料與「主權 AI」

當 Agent 真正開始進入政府核心業務，另一個比效率更重要的問題就出現了：資料可以去哪裡？模型應該部署在哪裡？

公部門掌握大量個資、社福、財稅、政策文件，以及不同等級的機敏資訊，不可能所有業務都直接把資料送進公有雲上的商用大型語言模型。因此，政府未來真正需要的恐怕不是「選出一個最好的 LLM」，而是一套依照資料敏感度與任務風險建立的 多模型架構（Multi-model Architecture）。

公開或低敏感度任務，可以在適當治理下使用高能力的商用雲端模型；較敏感的內部資料可能採取私有雲（Private Cloud）；涉及高度機敏資訊的工作，則可能需要採取地端部署（On-premise），使用經過評估的開源模型、私有模型，甚至進一步建立 主權 AI（Sovereign AI） 能力。

因此，未來政府選模型不能只比較 Benchmark（效能基準測試）上誰最聰明，而必須同時考慮準確度、回應延遲、Token 成本、資料落地位置（Data Residency）、隱私、資安，以及模型是否可以被稽核與治理。

這時問題就不再是「哪一個模型比較好」，而是更專業的一道架構題：什麼資料，在什麼安全等級下，可以由哪一個模型、透過什麼權限處理？

我認為，這才是公部門 AI 架構真正的核心。

Agent 愈有能力，治理反而愈重要

這裡還有一個容易被忽略的風險。

Chatbot 如果答錯一句話，通常屬於 Hallucination（AI 幻覺）的問題；但 Agent 如果取得系統權限之後做錯一件事情，性質就完全不同。因為 Agent 已經不只是產生內容（Generate），而開始具備執行行動（Act）的能力。

所以當政府進入 Agentic AI 階段，治理的對象也會從單純的模型治理，擴大成為整個 AI 技術堆疊（AI Stack） 的治理。底層可能同時存在不同的大型語言模型（LLM）、Embedding Model（嵌入模型）與 Reranker（重排序模型）；中間有向量資料庫、RAG、知識庫與權限系統；再往上則是 MCP、API、Tool、Skill、Workflow 與 Agent Runtime（Agent 執行環境）。

每一次 Agent 執行任務，都應該回答幾個基本問題：它代表誰執行？可以讀取哪些資料？能使用哪些 Skill？可以呼叫哪些 Tool？什麼事情可以自動完成？什麼事情一定需要 人工介入（Human-in-the-loop）？使用了哪一個模型？消耗多少 Token？又留下了什麼 稽核紀錄（Audit Log）？

因此，未來政府可能需要的並不只是一個 AI 平台，而是一個類似 AI 控制平面（AI Control Plane） 的治理層，統一管理模型、Agent、Skill、資料、身分、權限、Token、紀錄、成本與風險。

這也是我們在發展 G-Rap X 這類 Agentic AI 架構時，我特別關注的方向。真正有價值的不是再做一個 Chatbot，而是建立一個可以讓組織在可控、可管、可追溯的環境裡，把不同模型、知識、Skill 與 Agent 安全地放進實際工作流程。

AI TalenTech Labs 近期針對政府機關研發的 Agentic AI 平台 : G-RapX

政府真正需要的，從來不只是一個「很聰明的 AI」，而是一個能力夠強，卻又知道自己能做什麼、不能做什麼，而且每一個行為都可以被治理的 AI。

主權 AI 的最後一哩，其實是人才主權

這也是為什麼，我認為現在大家談主權 AI，如果最後只停留在「GPU 放在哪裡」、「模型是不是自己訓練」，其實還不夠。

真正的主權 AI，應該包含運算主權、資料主權、模型主權、知識主權，以及最後最容易被忽略的——人才主權。

如果政府所有 AI 系統都只能由外部廠商建置，模型出了問題不知道原因，Agent 沒有人能自行設計，Skill 全部必須委外開發，即使伺服器真的放在自己的機房裡，我們是否就真正擁有 AI 主權？我認為答案未必如此。

真正的主權 AI，不只在於機器放在哪裡，更在於關鍵能力掌握在誰手上。

所以回到最根本的問題，AI Agent 進入公部門之後，最大的價值並不是單純節省幾個行政步驟，而是讓有限的公務人力從大量低價值、高重複性的工作中釋放出來，重新投入需要判斷、溝通、創造與政策思考的工作。

未來一位優秀的公務人員，身邊可能同時有研究型 Agent（Research Agent）協助蒐集政策資訊、法規型 Agent（Legal Agent）整理相關規範、資料型 Agent（Data Agent）分析歷史案件，以及文件型 Agent（Document Agent）產生公文與報告初稿。他真正重要的工作，則是定義問題、管理 Agent、處理例外、進行價值判斷，並且為最後的決策負責。

這時候，一位公務人員已經不再只是「一個人的生產力」，而可能是一個 人機協作團隊（Human + Agent Team）。

這也是我認為政府現在真正需要開始準備的事情。AI Agent 的導入不能只是一個資訊採購案，它同時是一場 AI 基礎架構（AI Infrastructure）、AI 治理（AI Governance）與 AI 人才及勞動力（AI Workforce） 的三重轉型。基礎架構決定 AI 能不能安全地工作，治理決定 AI 可以做到哪裡，而人才能力則決定政府最後能不能真正把 AI 轉換成公共價值。

當 AI Agent 的能力以驚人的速度持續升級，下一個真正需要升級的，其實不是機器，而是我們的人才、組織，以及整個政府的生產力架構。

世界各國都在積極發展「主權 AI (Sovereign AI)」 並將其視為重中之重的國家戰略，台灣自然也不例外，但讓我們先問自己三個問題：

一、一個國家的「主權 AI」國力，究竟取決於算力？電力？還是人才？

二、沒有經過嚴謹考核與認證的工程師或維運人員，能夠走進主權 AI 資料中心，執行高度機敏性的工作嗎？能夠接觸高度機敏性的資料嗎？

三、什麼才叫做「合格的」主權 AI 人才？我們有具體的職能定義嗎？

為了回答這三個問題，筆者最近花了一段時間，把全球與台灣的公開數據整理了一遍。

結果比預期的更值得警惕——因為第三個問題，目前在台灣、甚至在全世界，都還沒有答案。

先從第一個問題說起。

「主權 AI 到底在爭什麼？」目前大致有兩種思路：第一是基礎設施的爭奪——算力、資料中心、晶片的境內掌控；第二則是能力的爭奪——這個國家到底有沒有人，能夠自主駕馭這一整套系統。

前者聲量極大，後者則安靜得多。

全球的錢，幾乎都砸在算力上

先看幾個數字。

法國宣布了 1,090 億歐元的 AI 投資方案；沙烏地阿拉伯的 HUMAIN 與 NVIDIA 簽下 20 萬顆 GPU 的合作，目標 2027 年進入全球算力前五；印度的 IndiaAI Mission 投入約 12 億美元；微軟對阿聯 G42 投資 15 億美元；英國則成立了 7.82 億英鎊的主權 AI 基金。

看到這裡，各位應該已經發現一個現象：這些計畫的預算幾乎全數指向硬體與模型，人才培育不僅金額相對微小，甚至常常連目標數字都沒有。

以英國為例，其主權 AI 基金在人才面向的具體做法，是「為投資組合公司的全球人才提供快速簽證」。這是很典型的處理方式——用進口解決供給。

這並不是各國的疏忽，而是一種完全可以理解的選擇：算力投資可以編列預算、可以在任期內剪綵、可以量化成效；人才養成則要五年十年，而且成果難以歸功於任何一屆政府。

但這正是問題所在。

需求端的實況：一年成長 55%

那麼真實的需求長什麼樣子？

史丹佛 HAI 與 Lightcast 合作的《2026 AI Index》分析了美國自 2010 年以來數十億筆職缺資料。2025 年，全美 2.5% 的職缺明確要求 AI 技能——比 2024 年成長 55%，過去十年成長約 300%。

更驚人的是 Agentic AI 相關技能：職缺占比從 2024 年的 0.06% 躍升到 2025 年的 0.23%，年增 280%，換算約 9 萬個職缺。

若以國家別來看 AI 職缺占比，新加坡以 4.769% 位居全球之首，其次是香港 3.5%、盧森堡 3.4%、西班牙 3.3%，美國則為 2.6%。

同一份報告還有一個值得警惕的發現：25 歲以下的開發者就業人數，自 2024 年以來下降了近 20%。 入門級的技術職缺正在萎縮——而那正是人才養成管道的入口。

回到台灣：兩種不同的時間尺度

台灣的算力推進其實相當漂亮。

國網中心規劃透過兩項政府計畫，把公共算力規模從現行的 16 PF 推升至 2029 年的 480 PF。「國網雲端算力中心」已於 2025 年 12 月在台南啟用，配置 15MW 電力，規劃至 2029 年兩館合計達 23MW。

民間也不遑多讓。台灣目前共有 36 座資料中心，既有設施總負載約 60MW；鴻海與 NVIDIA 合作的高雄 K-1 資料中心，從初期 20MW 一路規劃到 100MW；鴻海另砸 420 億元設立超算中心；中華電信啟動 AIDC 大投資，單座逾 20MW 等級；Google 在彰濱加碼超過 270 億元。整體推估，AI 資料中心用電量將於 2029 年達到 450MW。

方向明確，速度也不慢。

那麼人力呢？這一端的公開數據少得多，但既有的少數線索已具指標意義。國網中心主任張朝亮在受訪時提到，該中心雖已有模型開發團隊，仍缺乏足夠的人力，並期待中研院與各大學協助分擔模型訓練工作。

本研究要指出的是主權 AI 人才供給的量級：當國家級計畫都需要向學研單位尋求分擔，就意味著本地可調度的相關人力相當有限。

如果把不同期間的數據換算成年均複合成長率來比較，落差會更清楚：

• 公共算力（16→480 PF，2025→2029）：年均 +134%

• AI 資料中心用電（60→450 MW，2025→2029）：年均 +66%

• 官方 AI 專業人才年需求推估（3,520→4,170 人，2025→2027）：年均 +9%

基礎設施以指數速度擴張，而人才規劃依循的是線性的年度推估節奏。

這兩組數字的量綱與涵蓋範圍並不相同，不宜直接相減得出「缺口人數」。資本支出以季為單位，人才養成以年為單位，兩者本來就不可能同步。這是所有推動大規模 AI 基礎建設的經濟體，共同面對的結構性課題。

那麼，台灣到底缺多少主權 AI 人才？

這個問題目前不容易回答。原因不是沒有調查，而是現有的調查各自回答的是不同的問題。

數位發展部數位產業署委託資策會執行的《AI 應用服務產業專業人才需求推估調查》是年度系列，逐年滾動更新。其中對 2026 年的基準推估如下：

發布時間 報告期間 對 2026 年的基準推估 2023 年 12 月 2024–2026 5,770 人 2024 年 12 月 2025–2027 3,830 人 2025 年 12 月 2026–2028 3,750 人

一個值得留意的現象是：推估中的人才需求，呈現逐年下降的走向。

在 AI 應用明顯加速的這幾年出現這個方向，是否與職種定義、產業範圍或樣本結構的調整有關，可能還有再進一步確認的空間。

而更值得注意的，是這些數字涵蓋了誰。

該調查的產業範圍為資訊服務業與 AI 新創（行業標準分類代碼 62、63），設計上是清楚而明確的。需要留意的只是引用時的對應關係——它常被引用為「台灣 AI 人才缺口」的整體代表數字，而其原始設計範圍其實更為特定：不涵蓋製造業、金融業、醫療、零售與公部門，也就是不涵蓋絕大多數需要把 AI 導入既有流程的組織。

若主權 AI 的目標之一是讓百工百業都能自主運用 AI，那麼人才需求的主體，恰恰落在這份調查的範圍之外。

同一份調查另有一項數據值得注意：僅 3.5% 的受訪企業認為人才充足，61.5% 回報人才不足。

主觀短缺明確，而客觀推估在滾動調整。這個落差指向的並不是「人不夠多」，而是現有的計量單位，還無法描述企業真正需要的能力。

監管部會已經走在前面了

有趣的是，台灣其實不缺 AI 職能框架。

《AI 產業人才認定指引 3.0》今年 5 月經行政院通過，把 AI 人才分為應用、開發、研究三類，定義五項核心能力，並因應《人工智慧基本法》新增「AI 治理素養」；6 月數發部又攜手人事總處發布《AI 公務人才認定指引》Beta 版。方向正確、速度也快。

而在領域別上，金管會 2024 年 6 月發布《金融業運用人工智慧（AI）指引》、衛福部發布《醫療機構應用生成式人工智慧指引》、食藥署早在 2020 年就公告了 AI/ML 醫材軟體的查驗登記技術指引、行政院也有全政府適用的生成式 AI 參考指引。

率先發布 AI 指引的，幾乎都是高度監管領域。 這並非偶然——金融、醫療、公部門對「誰可以做什麼」本來就有成熟的資格制度。

但這裡出現了一個實務上的斷點。

金管會的指引明確要求：金融機構得由具備 AI 專業之人員建立獨立的第三方審查機制；對於無法完全理解訓練過程的外部生成式 AI，機構須確保其人員對產出進行客觀且專業的風險控管。

問題是——什麼叫「具備 AI 專業之人員」？

指引並沒有定義此專業的內涵，也沒有指明任何可據以判定的鑑定管道。實務上，多半回到機構自行認定，或採認國際廠商認證。

而這就帶出一個最需要被討論的問題。

誰有資格走進主權 AI 資料中心？

主權 AI 資料中心承載的是國家級的算力資產、跨部門的敏感資料，以及具戰略意義的模型權重。

在這樣的場域中，一個人能不能存取特定資料、能不能變更叢集組態、能不能簽署一份稽核報告，本質上都是資格問題——而資格必須有可驗證的依據。

在多數受管制的高風險領域，這件事早已制度化：醫師、會計師、電機技師、資安稽核人員，都必須通過與其職責相稱的鑑定，才能執行對應業務並承擔責任。

主權 AI 的營運與治理職務，影響範圍未必小於上述任何一項，卻尚未建立對應的資格門檻。

回到開頭的第二個問題：沒有經過嚴謹考核認證的工程師或維運人員，能夠走進主權 AIDC，執行高度機敏性的工作、接觸高度機敏性的資料嗎？

而這也順帶回答了第三個問題：什麼叫「合格的」主權 AI 人才？我們目前確實還沒有具體的職能定義。

第四個問題：我們要培育的，究竟是何種 AI 人才 ?

開頭問了三個問題。寫到這裡，還想再加上第四個——而這一個，可能是最根本的。

AI Agent 的成熟，正在改變人才的價值結構。當一個人能夠設計並管理由數百個 Agent 所組成的工作流時，他的角色已經不是「更有效率的使用者」，而是一個系統的設計者與負責人。這類人力的產出，無法用人數加總來替代。

所以，在主權 AI 的命題下，台灣應該優先培育的，究竟是：

少數能夠駕馭數百個 Agent、設計整體工作流、推動部署落地，並為其結果負責的主權 AI 架構師與管理者？

還是數十萬名善於以提示工程提升個人工作成效的進階使用者？

答案其實相當清楚。但這兩者在政策上的處境完全不同。

進階使用者的普及屬於全民數位素養，重要、必要，而且台灣已經在做。更關鍵的是，這一層的成效可以用人數衡量——培訓多少人次、通過多少張證照，都是清楚可計數的指標。

而架構師與管理者，人數少、養成慢、無法以人數衡量成效，而且恰恰就是目前沒有任何鑑定方式可以對應的那一層。

於是一個結構性的風險就浮現了：若以「培育 N 萬名 AI 人才」作為政策 KPI，資源會自然流向前者。 不是因為決策者判斷錯誤，而是因為前者可計數、可快速呈現成效、可對外報告；後者則慢、貴、難以量化，在現行的計量方式下根本不會出現在報表上。

因此，主權 AI 人才政策的目標函數或許需要調整：不應追求「培育幾十萬 AI 人才」的量化 KPI，而應追求足夠數量、且經過嚴謹鑑定的高度專業人才——具備設計、部署、治理主權 AI 系統，並使其發揮轉型與創新效能的能力。

換一種說法：主權 AI 的成敗，不取決於有多少人會使用 AI，而取決於有多少人能夠設計、營運、治理，並為主權 AI 系統負責。

前者是普及，後者才是主權。

最後補一個台灣可能最被低估的優勢。

盤點全球主權 AI 的推動者，多數國家的角色是「採購者」——買晶片、買伺服器、租算力、微調境外開源模型。而台灣同時具備半導體製造、AI 伺服器與資料中心硬體、公共算力、主權模型與高複雜度應用場域。全球具備此一完整堆疊的經濟體屈指可數。

這代表台灣在談主權 AI 人才時，面對的是一組與純軟體國家截然不同的能力需求——從機房電力與散熱、伺服器整合、叢集調度，一路到模型調校、產業落地與治理問責。

我們不應該照抄純軟體國家的人才框架，因為那會漏掉台灣最強的部分。

而更值得想的是：台灣目前供應全球主權 AI 建設所需的大量硬體，而採購國在設備到位之後，普遍面臨的正是「誰來營運」的問題。如果台灣同時能提供「如何營運這套堆疊」的能力框架與培訓方案，輸出的就不只是設備，而是一整套主權 AI 解決方案，當然也包括 — 台灣最有優勢的：人才 — 與諸君共勉之。

以上內容整理自研究報告《台灣主權 AI 人才發展機會與挑戰：建立對應完整堆疊的整體解決方案框架》（AITT-WP-2026-01）。完整版含四個回饋環的系統動力學分析、能力鑑定覆蓋矩陣、三層架構設計規格與全部資料來源，可於此閱讀：

👉 https://aittlabs.org/research/sovereign-ai-talent-taiwan/

報告仍在草稿階段，歡迎各界指正、修改與擴充。

🟠 OpenAI 家族（ChatGPT / Codex）

工作離不開寫程式、或想把 ChatGPT 變成會自己跑流程的代理，從這裡開始。

1. OpenAI Codex Full Course 4 Hours: Build & Ship（2026） 4 小時硬核開發課，2026/5 發布。從代理迴圈（Agentic Loop）底層邏輯，一路講到應用程式部署。 👉 適合：想真正「出貨」的工程師。 🔗

2. AI Agents Full Course 2026: Master Agentic AI（2 小時） 2 小時大師級總覽，完整講解今年 ChatGPT 生態與 Agentic AI 的運作原理，含框架實作與流程自動化。 👉 適合：想先建立全貌、再動手的人。 🔗

3. Codex Full Course 2026: The NEW Best AI Coding Tool 近 2 小時實戰，針對 2026 全新升級的 Codex 架構，教你打造一個會自己寫、自己審程式碼的代理助理。 👉 適合：已經在用 AI 寫程式、想再升一級的人。 🔗

🟢 Google Gemini

Google 把代理能力直接綁進生態系，這三堂讓你從個人用到企業都跟得上。

4. How To Master Google Gemini in 2026（Free Course） 約 34 分鐘大師班，2026/2 發布。用最快速度掌握今年新版 Gemini 的代理化與自動化功能。 👉 適合：時間有限、想一次補齊的人。 🔗

5. How to Use Google Gemini Better Than 99% of People（2026） 2026 年初上架，教你用最新 Gemini 核心模型，設定日常工作的高階自動化任務與代理流程。 👉 適合：想把 Gemini 真正用進日常工作流的上班族。 🔗

6. Gemini at Work – Lesson 6: Agentic AI for Business with Gemini Enterprise Google 官方系列第 6 課，2026/4 推出。聚焦如何把 Agentic AI 導入企業環境，用 Gemini Enterprise 大幅提升流程效率。 👉 適合：要在公司內推動導入的人。 🔗

🟣 Anthropic Claude

如果你重視「能交付專業工作流」與安全可控，Claude 這條線不能略過。

7. FULL Claude Tutorial For Beginners in 2026!（FULL COURSE） 近 2 小時全方位教學，2026/4 發布。從新介面基礎，一路到指揮 Claude 自主完成複雜的多步驟任務。 👉 適合：完全新手，想一次入門。 🔗

8. FULL Claude Tutorial for Beginners in 2026!（Become a PRO!） 50 分鐘進階向，教你用 Claude 最新功能，打造能處理專業工作流的個人化虛擬助理。 👉 適合：已上手、想往專業用法走的人。 🔗

9. Claude Code: Build Your First AI Agent 2026/3 發布的開發者實戰，手把手用今年新推出的「Claude Code」終端代理工具，帶你做出第一個 AI Agent。 👉 適合：想動手做出第一個成品的人。 🔗

🟤 開源與跨平台框架（CrewAI / LangChain 等）

不想被單一廠商綁死？這三堂帶你看懂整個開源生態。

10. Agentic AI Full Course 2026 | Intellipaat 8 小時以上超完整全攻略：從生成式 AI 基礎，講到進階 Agentic AI、LangChain、RAG Agent 建立，以及最新的 MCP 協定。 👉 適合：想系統化打底的人。 🔗

11. AI Agent Full Course For Beginners 2026（Edureka） 6 小時以上深度訓練，核心涵蓋多代理協作、真實外部工具整合，以及把 LangChain Agent 用進企業級開發。 👉 適合：想走企業級開發路線的人。 🔗

12. Multi-Agent Systems Explained: AutoGen & CrewAI（2026 Guide） 專注「多代理系統架構」的實戰指南，深入剖析 AutoGen 與 CrewAI 兩大主流框架如何改變今年的開發工作流。 👉 適合：想掌握多 Agent 協同的工程師。 🔗

收藏完了，給你一個小建議….

上面這 12 堂課，資源非常豐富、內容也都很扎實——真心歡迎你慢慢看、好好學，把基礎打穩。

不過我們很清楚，許多朋友的真實情況是：白天工作已經忙到不行，很難挪出完整的 30 個小時，把四大陣營的影片一部一部追完。

而且，看懂理論和親手做出一個會動的 Agent，其實是兩件事。

所以，如果你想要的是「快速學會如何實作」，而不是先吞下大量理論——那麼我們特別開辦一場 3 小時的線上直播工作坊，特別適合平常忙碌、想用最短時間直接上手學習 AI Agents 的朋友。

7/11 週末早上，3 小時，我們直接動手做

• 不堆理論，直接帶你動手，做出一個真的會動的 AI Agent；

• 結束時，你帶走的不是又一份待看清單，而是一個能動的成品，和一條清楚的下一步。

這是線上直播、現場互動，不是錄影。特別適合工作忙、時間零碎，但真的想做到「駕馭 AI Agent」而不是只有知道「什麼是 AI Agent」的你。

👉 立即報名：aitti.online/courses/ai-agents-start

7/4 前，會員獨享 600 元折扣碼：AITTLABS2026

覺得這份清單有幫助，也歡迎收藏、分享給同樣想學 AI Agent 的朋友。

7/11 週末早上，我們直播見。

P.S. 這 12 堂免費課程，是很棒的自學地圖，真心推薦你收藏慢慢看。而如果你想要的是「3 小時直接做出一個 Agent」，那這場直播工作坊就是為忙碌的你準備的。

祝大家學習愉快，我們一起光速前進！

Gemini, ChatGPT, Claude 你應該選擇哪一個？

很多人現在不是不知道 AI Agents，

而是不知道不同任務該交給哪一個 AI。

所以我們開了一場 3 小時直播工作坊，

用 3 個實作案例講清楚：

• Gemini：知識庫客服

• ChatGPT：互動小幫手

• Claude：分析儀表板

這堂課不是給工程師專用，

而是給主管、顧問、HR、教師、行政企劃、內容工作者，

建立 AI Agents 的實戰力 — 當然，也會告訴你如何獲利！

時間：2026/7/11（六）9:00-12:00

課後提供錄播。

早鳥價 NT$1,800，到 7/4 截止

Substack 會員，可再獨享 600 元優惠折扣碼！

報名網址：https://aitti.online/courses/ai-agents-start

Substack 會員獨享 600 元折扣碼：AITTLABS2026

因為 AI 產業的核心資產，不是廠房、通路或品牌，而是少數能定義下一代技術路線的人才。誰吸引到這些人，誰就可能掌握下一波技術主導權；誰留不住這些人，誰就可能從技術原點，逐漸變成被追趕者。

2017 年 Google 研究者發表的 Attention Is All You Need，這篇論文是經典中的經典 —- 提出 Transformer 架構，成為今日大型語言模型、生成式 AI 與 AI Agent 的基礎。從 GPT、Claude、Gemini 到 Grok，幾乎都建立在這個基礎上。

也就是說，今天 AI 浪潮的技術原點，很大一部分來自 Google。

Google 曾經是 AI 人才最集中的高地。Google Brain、DeepMind、Google DeepMind，累積了全球最強的 AI 研究能量。Demis Hassabis 領導的 DeepMind，從 AlphaGo 到 AlphaFold，證明 AI 不只可以聊天、寫程式，也可以推動科學發現。

但弔詭的是，Transformer 誕生於 Google，後來 AI 商業化的最大敘事，卻由 OpenAI 引爆。

OpenAI 的崛起，正是人才與組織模式重新組合的結果。Sam Altman 帶來創業與資本動員能力，Ilya Sutskever 代表頂尖研究與 AGI 願景，Elon Musk 則是早期的重要推動者之一。ChatGPT 的成功，讓 OpenAI 從研究組織變成全球 AI 商業化的核心公司。

但人才流動不會停止。當 OpenAI 快速產品化、商業化，也開始出現治理、安全與路線之爭。Anthropic 的成立，就是這種分化的結果。Dario Amodei、Daniela Amodei 等人離開 OpenAI，創立 Anthropic，主打可靠、可解釋、可控制的 AI 系統。Claude 的崛起，代表 AI 安全路線也可以成為強大的商業力量。

同樣地，Ilya Sutskever 離開 OpenAI，創立 SSI，代表另一種更極端的安全超智慧路線。Elon Musk 離開 OpenAI 後創立 xAI，則是另一條由個人意志、資本與產品敘事驅動的 AI 路線。

更值得注意的是，Transformer 作者群本身也持續向外裂變。Aidan Gomez 創立 Cohere，Llion Jones 參與 Sakana AI，Ashish Vaswani 與 Niki Parmar 投入 Essential AI。這些公司規模未必都超越 Google 或 OpenAI，但它們代表的是技術思想的外溢，以及下一代 AI 應用場景的分化。

所以，這張圖真正呈現的，不只是公司之間的競爭，而是AI 人才網絡的遷徙地圖。

Google 是技術原點，OpenAI 是商業化爆點，Anthropic 是安全路線的主分支，而 xAI、SSI、Cohere、Sakana、Essential AI 則是人才裂變後形成的新節點。

AI 科技的興衰更替，往往不是從財報開始，而是從人才流動開始。當最關鍵的人才開始離開某個組織，並在外部形成新的技術共同體，產業重心就可能開始轉移。

因此，觀察 AI 未來，不只要看模型排行榜，更要看三件事：

第一，頂尖研究者正在加入哪裡？
第二，他們離開原組織的原因是什麼？
第三，他們的新組織代表哪一種技術信念與商業模式？

AI 的未來，不只由模型決定，更由人決定。

技術會擴散，資本會追逐，但真正能改變產業格局的，是那些能把新想法變成新架構、新產品、新公司的關鍵人才。Transformer 的故事告訴我們：一篇論文可以改變技術史，而一群人才的流動，則會改變產業史。

因此，我們創立了【AI 人才科技研訓院】，專注於 AI 人工智慧與 TalenTech 人才科技的相關議題，並致力於 “以 AI 加速培育 AI 人才 X 以 AI 人才加速組織創新“。

2026/7/11，我們將以直播課程，全面剖析 Google, OpenAI, Claude 三家主要 AI 公司的 AI Agents 解決方案，全程以實戰方式進行，並以三個實際 AI Agents 應用作為範例 — 7/4 前有 Early Bird 早鳥優惠方案，歡迎想學習如何實作 AI Agents 的朋友們參考：

一個反直覺的問題

2026 年第一季，全球科技業裁掉了 81,747 名員工，創下兩年來最高的單季裁員數字。到四月，全年累計被裁人數突破 92,000 人。Meta、Microsoft、Amazon、Intel、Salesforce，幾乎沒有一家科技巨頭缺席這場裁員潮。

於是一個直覺浮現：既然連最頂尖的科技公司都在大規模裁員，把人力當成可以削減的成本，那麼「育才」（投入資源去培養員工）不就成了反其道而行的逆向操作嗎？在人人都在精簡的時刻，花錢培育人才，究竟有什麼必要？

但如果你仔細看數據，會發現一個矛盾到近乎荒謬的事實。

裁員的同一批公司，也就是 Google、Amazon、Microsoft、Meta，在 2026 年計畫投入高達 7,250 億美元的 AI 資本支出，年增 77%。更關鍵的是：當這些公司一邊裁員、一邊瘋狂投資 AI 的同時，市場上有超過 27.5 萬個 AI 相關職缺空在那裡，卻找不到人填。

為什麼？因為被裁掉的員工，跨不過那道「技能鴻溝（Skills Divide）」。

這才是裁員潮真正的故事。它不是「企業不再需要人」，而是「企業不再需要『擁有舊技能』的人」。一份 2026 年的調查顯示，56% 的裁員事件明確將 AI 與自動化列為主因。企業急著裁掉技能過時的員工，卻又在市場上瘋狂搶奪具備 AI 實戰力的人才，而後者的供給，遠遠跟不上需求。

於是答案浮現了：正是因為大裁員，育才才變得前所未有地重要。

當「外購人才」的成本與風險越來越高（搶不到、留不住、薪資飆漲），「內部重塑」就成了企業唯一可控的選項。育才不再是景氣好時的福利，而是穿越技能斷層的生存策略。

問題只剩下一個：傳統的企業培訓，能承擔這個重塑任務嗎？

答案是不能。而要理解為什麼，我們得先看清傳統培訓的致命結構。

被嚴重低估的戰場

先看三組數據，它們共同描繪了人類史上最劇烈的技能重塑期。

世界經濟論壇（WEF）《2025 未來工作報告》預測，到 2030 年，現有工作所需技能的 40% 將完全被新技術取代。技術性技能的「半衰期」，已從過去的 8 年急劇縮短至 2.5 年。

這意味著什麼？一位三年前花了半年苦練 Python 與 RAG 工具的工程師，今天面對的，可能已經是 AI 自動生成程式碼與檢索流程的全新典範。他的技能還沒折舊完，市場規則就已經改寫。

問題在於，當技能的折舊速度遠遠超過培訓的供給速度，傳統「先儲備、再使用」的學習模式，已經徹底跟不上業務的變動。

而傳統企業培訓，本質上是一套「高庫存、低週轉」的失敗商業模式。

它違反了最基本的學習科學。心理學家艾賓浩斯的「遺忘曲線」早就指出，人類在學習後 24 小時內會遺忘 70%。企業投入大筆預算建立的「知識庫存」，在員工走出教室、回到工作崗位的那一刻起，就開始快速貶值。

這正是 AI TalenTech 在「育才」場景要回答的核心問題。而答案，是同一場結構轉變的三個切面。

轉變一：從「集體大鍋飯」到「N=1」

第一個轉變，是學習邏輯的根本翻轉。

過去一百年，企業培訓的底層邏輯就是工業流水線的延伸：假設「人」是可以被規格化的零件。HR 部門像中央廚房，每年編預算、採購課程、排一張全員一致的年度課表，強制員工在固定時間離開崗位、坐進教室。

這套邏輯建立在一個錯誤假設上：所有人在同一時間、需要同一種知識，並能以同樣的速度吸收。

AI 時代要顛覆的，正是這個假設。

統計學上有個概念叫 N=1。傳統培訓的 N 是「全體員工」，知識是給統計學上的「平均人」準備的；而 AI 時代的 N 是「1」，尊重每一個人的個人化需求與差異。每一位員工都被視為獨立的個體，有屬於自己的職涯方向、能力起點、學習節奏與工作場景。

這不是行銷話術，而是培訓資料粒度（Granularity）的根本改變：從面向「群體」的供應思維，轉向回應「個體」的賦能思維。

技術上，這靠三個躍遷實現：把長課程拆解成 90 秒到 3 分鐘的「微知識點」（內容原子化）；透過串接工作平台 24 小時偵測員工的技能缺口（動態感知）；在員工產生需求的毫秒級誤差內，把知識直接送到手邊（精準投遞）。

聯合利華是最好的證明。面對 2025 年的轉型壓力，他們沒有大規模裁員，而是啟動「Future-fit Skills」戰略，用 AI 平台為員工生成動態學習地圖。到 2024 年底，23,000 名員工完成了 AI 與數據技能的重塑，並解鎖了超過 700,000 小時的內部隱性產能。

當學習地圖與內部機會掛鉤，員工的學習動力是傳統培訓的十倍。

轉變二：從「課堂學習」到「工作流內賦能」

第二個轉變，是學習場景的位移。

企業培訓界有個著名的「70-20-10 法則」：只有 10% 的學習來自正式課程，20% 來自向他人學習，而 70% 發生在工作現場。

諷刺的是，過去三十年，EdTech 產業幾乎把所有資源都砸向了那 10% 的正式課程（LMS、線上課程），卻對最具價值的 70% 束手無策。

為什麼？因為那 70% 的場景是非結構化、高壓、且時間壓縮的。

當一位醫事放射師在夜班獨自面對 MRI 影像上突然出現的異常干擾，或一位資深業務在簽約桌上被客戶臨時殺價，他們沒有時間中斷現場、登入系統查閱手冊，更沒有時間打字輸入問題。

輸入的摩擦力（Friction of Input），是阻礙在職學習數位化最關鍵的結構性障礙。

到了 2026 年，這個障礙開始被解除。隨著多模態 AI 的成熟，AI 具備了視覺與聽覺的輸入能力，能主動理解現場情境，實現從「搜尋」到「導航」的典範轉移。

這就是 Josh Bersin 提倡的「Learning in the Flow of Work」（工作流中的學習）真正落地的樣貌。它消滅了「員工知道自己不會」與「員工真正學會」之間的時間差，而這段時間差，過去正是企業培訓投資回報率最低的環節。

意義很具體：培訓不再是進入工作的「前置成本」，而是與工作同步發生的「即時供給」。過去企業必須「先把員工教會，才能讓他上場」；現在則是「讓員工上場，AI 在旁邊即時補位」。

LinkedIn Learning 2025 報告印證了這個趨勢：91% 的頂尖人才發展專家認為「持續且個性化的學習」已成為留才的唯一護城河；49% 的企業正在用 AI 追蹤技能缺口，而這個數字在兩年前還不到 20%。

轉變三：從「貴族特權」到「全員配備」

第三個轉變，動的是組織的權力結構。

在企業金字塔頂端，有一個公開的秘密：最頂尖的領導者從不獨自戰鬥，他們身後都站著一位高階主管教練（Executive Coach）。

但根據國際教練聯盟（ICF）的數據，聘請一位成熟的企業教練，每小時費用高達 300 至 500 美元。這形成了明確的階級結構：只有頂端 1% 的 C-Level 高管，或少數被標記為「高潛力人才」的員工，才能取得這項資源。

剩下的 99%，也就是那些正在轉型陣痛期的基層主管、在專案泥沼中掙扎的中堅幹部，只能得到標準化的「培訓」：三天兩夜的工作坊，課堂上熱血沸騰，回到辦公室第一天就打回原形。

2026 年，AI 正在改寫這個階級結構。隨著大語言模型具備長期記憶與同理能力，AI 教練的邊際成本趨近於零。企業第一次有能力，為組織中的每一位知識工作者配備一位全天候的專屬教練。

這套教練體系分兩個層次運作。

第一層是「配速員」（The Pacer），對抗的是人類的慣性與孤獨。它連接員工的行事曆與溝通記錄，客觀地「鏡像」行為，用低阻力的微推力協助修正。以 Microsoft Viva Insights 為例，根據 Forrester 2025 年的研究，導入 Microsoft 365 Copilot 10 週以上的員工，生產力提升 75%、工作滿意度提升 57%、工作生活平衡改善 34%。它的關鍵價值，是透過數據可視化讓員工「自己看見自己的盲點」，而非靠強制命令。

第二層是「軍師」（The Strategist），處理的是複雜性與模糊性，例如談判、決策、向上管理這些沒有標準答案的領域。它像一位犀利的蘇格拉底，協助你在決策前進行沙盤推演。LinkedIn 推出的 AI Coaching 整合了全球最大的職涯資料庫（超過 10 億筆 Skills Graph 數據點），使用者課程完成速度快 29%，在 profile 上列出符合市場需求技能的比例，比未使用者高 46%。

當然，這也帶來新的倫理課題。當 AI 教練讀取了員工的行為與情緒數據，「教練數據的私有化」必須成為第一條鐵律：對話記錄屬於員工個人，HR 只能看到去識別化的總體趨勢。因為一旦員工懷疑 AI 是公司的間諜，他就會開始對 AI「演戲」，整套系統便失去基礎。

系統被設計為「監控」，啟動的是負向螺旋；被設計為「賦能」，啟動的才是正向飛輪。

結論：問題本身正在轉向

把這三個轉變放在一起，會發現它們指向同一個結論：育才的範式，正在從「供給端」遷移到「需求端」。

聯合利華 23,000 名員工的技能重塑、LinkedIn AI Coaching 讓學習者的市場技能匹配度提高 46%、Microsoft 365 Copilot 使用者的生產力提升 75%，這些數據共同說明了一件事：育才已經從一項「成本中心」的後勤職能，轉變為決定企業競爭力的核心基礎建設。

對 HR 與 L&D 領導者而言，最關鍵的轉變不在技術，而在心態。

過去三十年，我們問的是「我能提供什麼課程？」 現在該問的是：「這位員工，在這個時刻，需要什麼樣的支援？」

當問題本身改變，答案才會改變。育才的未來，不在更大的培訓教室，而在每一個工作流、每一個決策時刻、每一次情緒波動中的持續性賦能。

而這場轉變，才剛剛開始。

本文為《AI TalenTech：人才科技的職場革命》第七章〈育〉的精華整理。完整章節包含企業導入路徑、更多全球標竿案例與實作框架，歡迎加入 [VIP會員] 預覽全文。

如果這篇文章對你有啟發，歡迎分享給正在思考 AI 轉型的夥伴。

你的企業正處在這三個轉變的哪個階段？歡迎在留言區分享你的觀察。

大家好！

最近好幾組 #AI陪跑教練 專案，各種題目都有，其中一個陪跑項目是以 AI 製作企業 HR 宣導影片。

雖然影片製作對我們來說並不陌生，而且我們也開發了好幾個 100% 全自動生成 AI 教學影片的 App，不過近來在 Youtube 上偶爾會看到一些貓貓狗狗的搞笑影片，感覺還滿療癒的....因此本實驗室也想來挑戰看看端午節的搞笑影片--

雖然有點小 Bug，不過效果還真的是不錯！（說不定我們家柴柴改行來當 Youtuber 也是不錯的出路...) 😆

想知道如何製作這個影片的咒語嗎？歡迎加入我們的 [免費會員]，就可以取得！

祝大家 #端午節快樂！要繼續光速前進喔～

幾個月前,當一家叫 Starcloud 的新創宣布要「把 AI 資料中心送進太空」時,網路上的第一反應幾乎是一面倒的嘲笑——有人說這是「史上最蠢的點子」,有人直接斷言是詐騙。

但就在 2025 年底,他們真的做到了:一顆載著 NVIDIA H100 GPU 的衛星進入軌道,成為史上第一次,有這麼強大的 AI 晶片在太空中實際運作。

而把它送上去的,正是 SpaceX。

這兩件事連在一起,其實藏著一個關於「未來十年最大基礎建設戰爭」的故事。我把它整理成了一份完整的教學簡報,今天先跟你分享背後最關鍵的幾個重點。

為什麼有人想把資料中心搬上太空?

答案出乎意料地務實:地球快撐不住 AI 了。

先看幾個數字。全球資料中心在 2024 年的耗電量約為 415 TWh,占全球總用電的 1.5%;而隨著 AI 爆發,這個數字預計在 2030 年翻倍到約 945 TWh,每年成長約 15%——是其他所有用電部門成長速度的四倍以上。

更麻煩的是「散熱」。一座典型的資料中心,每天用水約 30 萬加侖(相當於一千戶家庭);大型的甚至每天用掉 500 萬加侖。電、水、土地,這三樣在地球上都越來越貴、越來越稀缺。

太空,剛好能解決這兩個瓶頸:

能源:在軌道上,太陽能板的有效日照量約是地面的 8 倍——沒有雲、沒有大氣衰減、幾乎沒有黑夜。

散熱:真空雖然不能像地球靠空氣對流散熱,但可以用「輻射散熱」把廢熱直接輻射進接近絕對零度的深空,而且不耗一滴水。

這不是科幻,而是有物理基礎、算得出帳的工程方案。

為什麼是「現在」才可行?

關鍵是發射成本。

過去把東西送上太空貴得離譜,任何太空構想都不切實際。但可回收火箭把每公斤送上低軌的成本壓到約 2,700 美元,而 SpaceX 的星艦目標是壓到 100 美元以下。當發射成本下降一個數量級,「把資料中心搬上天」第一次從夢想變成一道商業題。

而這也是為什麼,SpaceX 剛剛完成的史上最大 IPO 如此重要——它估值逼近 1.77 兆美元,讓 Elon Musk 成為人類史上第一位「兆美元富翁」。資本與成本同時到位,正把太空 AI 從一家公司的實驗,推向整個產業都在認真看待的方向。

完整簡報:20 頁,帶你看懂這場太空競賽

我把上面這些——加上更多技術細節(太空輻射如何威脅晶片、發射震動測試、Starlink 如何撐起兆元估值、SpaceX 與 Starcloud 的合作藍圖)——整理成一份 20 頁的完整教學簡報:

全程配上中文語音旁白,可直接當成一支教學影片來聽

附動態字幕,適合分享、教學、自學

這份簡報我花了不少時間查證每一個數據、設計每一頁版面,適合想真正搞懂「AI × 太空」這個題目的人。

想取得完整簡報檔(含語音與字幕)?

加入 Patreon 會員,即可下載這份 20 頁簡報 --- 是的，是 PPTX 簡報檔 ！以及之後持續產出的所有深度教材。每一份,都是用同樣的標準做出來的:資料查證、視覺精選、語音講解一次到位。

[加入 [VIP 會員],下載完整 PPTX 簡報]

在課程中，我們會介紹幾個讓 Claude 更穩定產出的實戰技巧。第一個是「先規劃，再動手」：不要一開始就讓 AI 寫程式，而是先讓它研究需求、提出計畫、確認方向，避免後面大量重工。第二個是用 CLAUDE.md 建立專案記憶，讓 Claude 每次進入專案時，都能知道你的程式風格、常用指令、工作規則與容易犯錯的地方。

接著，我們也會介紹 Claude Skills 的概念。Skills 可以把團隊裡反覆使用的專業流程封裝起來，例如程式碼審查、簡報產出、文件整理、測試流程等，讓 Claude 不只是「會做」，而是能按照你的方法做對。另一個關鍵技巧是 MCP，也就是讓 Claude 連接外部系統與資料來源，例如 GitHub、資料庫、文件庫或內部工具，讓 AI 真正進入工作流程，而不是只停留在對話視窗裡。

課程後半段會進一步談到子代理與 Agent Teams 的應用。透過 Writer / Reviewer 的分工，可以讓一個 AI 負責產出，另一個 AI 用全新的上下文進行審查，降低偏誤並提升品質。最後，我也會談長對話與上下文管理，因為很多 AI 產出品質下降，並不是模型突然變差，而是上下文被塞滿、指令被稀釋，這時就需要懂得何時整理、保存、清空與重新開始。

這堂課不是單純教 prompt，而是教你如何建立一套「AI 協作工作框架」。當這套框架建立起來，Claude 才能從一個會回答問題的工具，進一步變成可以規劃、執行、檢查與協作的數位隊友。

想繼續學習，收到各種精彩的 【AI微課程】 ，取得【課程講義 PPT】 嗎？......

歡迎加入 [免費會員] 即可取得！讓我們一起：光速前進！

非常榮幸，之前因協助 #新竹縣政府 多次講授 AI 培訓課程，和縣長、副縣長、秘書長、以及各局處一級首長結下許多善緣，進而有機會再次受邀，為甫成立不久的 #新竹縣政府數位發展處 規劃 2030 數位發展策略藍圖，並擔任 Al 專家顧問群總召集人。

縣府已於 5/27 盛大舉辦「新竹縣AI元年－智慧守護之眼＆智慧創新沙盒啟動記者會」，正式宣示新竹縣 AI 元年正式啟動。縣府非常關心民眾的意見回饋，作為未來推動各種 AI 智慧治理政策的參考。

本實驗室再次臨危授命，協助縣府快速收集各界的意見及建議，盼各位朋友協助填寫問卷，未來將會主，動通知您相關活動及抽獎的好康訊息哦！

https://forms.gle/vv5j6cqNhZcptmNM6

飛機航程 99% 都是自動駕駛？

你知道嗎，英國 Cranfield University 的調查指出:95% 的商用航班,機師手動飛行時間不超過 7 分 20 秒。

Boeing 與 Airbus 的數據更精確——一趟 12 小時的台北飛紐約航班,全程 720 分鐘,機長真正用雙手控制飛機的時間只有約 7 分鐘。手動 7 分鐘,自動 713 分鐘,當責 720 分鐘。

這個結構,正在程式設計領域以驚人的速度複製。微軟 CEO Satya Nadella 在 2025 年 4 月公開表示,微軟內部約 30% 的程式碼由 AI 生成;GitHub Copilot 用戶平均 46% 的程式碼由 AI 生成,Java 領域達到 61%。Anthropic 公司全體有 70%–90% 的程式碼由 Claude Code 寫成,Anthropic 工程師 Boris Cherny 與 OpenAI 工程師 Roon 都已公開表示:「我已經 100% 不寫代碼了。」

換算成 8 小時 480 分鐘的工作日——人類執行 5 分鐘,AI 執行 475 分鐘,人類當責 480 分鐘。和 Boeing 777 機長的結構,本質完全相同。

程式設計只是第一個被改寫的職場。法律業、會計業、行銷業、客服業、人資業、設計業、研究業、製造業、金融業….。這些領域正在以類似的軌跡,從「人類執行 480 分鐘」逐步過渡到「人類執行 5 分鐘、AI 執行 475 分鐘」的新常態。

1% 哲學:組織新常態的核心命題

這是 AI Agent 時代企業組織的新常態——未來的工作,可能只有最關鍵的 1% 由人類執行,其餘 99% 由 AI Agent 代勞;但人類對整體成果的當責永遠是 100%。

但 99% 還不是答案的全部。競爭對手的 AI Agent 不會下班。當你的員工 18:00 下班、隔天 09:00 才回到辦公室,這中間 15 小時你的組織是停擺的。但已經完成轉型的競爭對手,他們的 AI Agent 在這 15 小時持續運轉:分析市場、處理客戶、產出方案、跑完三輪迭代。

這就是 AI 時代的時間槓桿：24 小時 vs. 8 小時是 3 倍時間槓桿;365 天 vs. 230 個工作天是 1.6 倍天數槓桿;兩者相乘是 4.7 倍的產能差距。

一年下來,完成 24 小時運轉轉型的組織等於擁有了 4.7 倍規模的隱形勞動力 — 而且不會請假、不會跳槽、不會抱怨。

這個差距不需要三年才拉開。只需要 12 個月,市場格局就會被徹底改寫。

一個直擊 CEO 與 HRD 的戰略質問

讀到這裡,每一位 CEO 與 HRD 都應該停下來,誠實面對一個問題：

你的組織,有辦法設計出「99% 自動導航 × 24 小時運轉」的工作流嗎?

不只是「導入幾個 AI 工具」、「上線一個 ChatGPT 企業版」、「在 IT 部門做幾個 PoC」，而是真正讓 AI Agent 在組織的核心業務流程中,承擔 99% 的執行工作、365 天 24 小時不間斷運轉;讓人類員工從「執行者」轉型為「駕駛艙指揮官」。

具體展開：

• 你能否分辨哪些任務是「晴朗天氣」、可以放心交給 AI Agent 24 小時全自動駕駛?

• 你能否設計清楚的「亂流」處理機制,讓 AI Agent 在能力邊界外主動求援?

• 你能否建立「雷暴」應變的當責邊界,規範哪些決策必須由人類接管?

• 你能否培育出真正能擔任「駕駛艙指揮官」的人才——不是更會寫程式的員工,而是會編排 AI Agent、會判斷 AI 輸出、會設計 24 小時人機接力工作流的員工?

• 你能否承受這場轉型必然帶來的陣痛——既有部門的權力重組、既有崗位的角色重定義、既有人才結構的根本翻新?

如果以上任何一個答案是否定的,那你的組織就還在用「全程手動駕駛、朝九晚五」的方式營運。

那些試圖在舊架構上加裝 AI 工具的企業,終將在窗口期內被那些重新設計組織骨架的企業遠遠拋下。

執行能力會被 AI 接管,判斷能力會被 AI 放大。 AI 越強的時代,越是判斷力的時代。

能設計出「99% 自動導航 × 24 小時運轉」工作流的組織,才能飛抵新時代的目的地。

📌 本篇完整預覽版(全章近 18,000 字)現已上線 Patreon →

VIP 會員獨享內容:

• 6.1 [崗位解構]:從 Job 到 Skill 的人才描述語言典範轉移、SKILL.md YAML 範例、Deloitte SBO 全球標竿

• 6.2 [動態媒合]:企業內部「Uber + Fiverr」平台機制、施耐德/聯合利華/諾華/渣打四大標竿企業真實 ROI

• 6.3 [人機編隊]:四象限網狀勞動力、AI Agent Skills Profile 六欄位設計、駕駛艙模型三階段完整推演

• 戰略質問五題的逐題落地路徑

• 失敗模式診斷:Klarna 反轉案例的戰略意義

👉 [加入 VIP 會員搶先預覽 ]

#AITalentech #人才科技 #AI人才科技實驗室 #駕駛艙模型 #1%哲學

母親節快樂.......嗎？

寫給全天下正在焦慮的母親們

再過六天，5 月 16、17 日，115 年國中教育會考。

全台灣有成千上萬個家庭，這一個緊張的母親節，正在屏息等待。

最近幾天在母親節餐桌上，我聽到太多媽媽們問：要不要補？補哪一科？哪一家？

99% 的媽媽 99% 的時間都在焦慮 —— 焦慮孩子的教育。

作為一直以創新科技培育人才的工作者，恕我直言：

大部分的父母，仍在用工業時代學歷至上的填鴨思維，在 AI 時代，將孩子推向懸崖，葬送他的未來。

我常在很多場演講中，提起泰戈爾的名言：

「不要用你的眼光去限制你的孩子，因為他們和你，活在不同的年代。」

這就是 AI 時代最好的寫照。

職場已經被AI解構_但教育現場還活在上個世紀

家長願意為「好成績、好學校、好工作」付出一切——這條路在二十年前是成立的。但今天，這條路的終點，正在崩塌。

看看 2026 年的真實數字：

------------

• 2026 年第一季，全球科技業裁員 81,747 人，是至少兩年來單季最高紀錄，較前一季翻倍，較 2025 年第四季暴增 580%；光是 3 月單月，就有 45,800 人被裁。

• Salesforce 執行長 Marc Benioff 在宣布裁掉 4,000 名客服人員時說得直白：「我需要的人，更少了。」

• Meta CFO 在財報會議上提到，自 2025 年初以來，工程師人均產出提升了 30%，而「重度使用 AI 者」的產出年增幅達到 80%。

• ServiceNow 執行長預測，未來幾年大學畢業生的失業率「很容易升至 30% 多」，因為過去年輕人賴以入行的初階職位——數據處理、基礎編碼、文書整理——高達 90% 能被 AI 代理（AI Agents）精準完成。

• 最諷刺的是 Anthropic 在 2026 年 3 月發表的研究：AI 衝擊風險最高的族群，反而是學歷較高、薪資較高的白領知識工作者——那些原本被認為最不需要擔心的人。

• 而同一時間，美國有 275,000 個 AI 相關職缺空著沒人填——問題不是工作消失了，是「會做新工作的人」還沒長出來。

------------

要看清未來：「考好學校、進大公司、當白領」這條路，正是被 AI 解構得最徹底的一條路！

而父母認為主流的填鴨教育，仍在訓練孩子成為「最會背標準答案、最會解標準題型」的人 --- 這正是 AI 在三秒內就能做完、且做得比任何人類都好的事。

就我看來，學習什麼領域不是太重要，重要的是要孩子的心態從 要我學 ？轉變為 我要學！

AI 時代真正稀缺的，只有兩種能力：

#學習如何學習：辨識自己不會什麼、設計學習路徑、找對資源、自我評估。這套能力，填鴨教育從未教過——因為填鴨的本質就是「我餵你吃，你照吞」，恰好是這套能力的反面。

#以AI加速學習：99% 的父母可能還不知道，今天的孩子可以用 NotebookLM，自學 MIT 所有的線上課程。 把講義、影片、習題丟進去，NotebookLM 變成熟讀全部教材的私人助教，可以隨時問、隨時討論、隨時測驗。一個高中生有心，這個暑假就能跟 MIT 的教授學完一整門大學課。

這不是什麼新鮮事，這是 2026 年隨手可得的學習資源。但 99% 的家長仍在為孩子煩惱該背哪一本參考書，該上哪一家補習班而惶惶不安。

最黑暗的時期，最該被點亮

下個學期，我將在三所大學授課——分別教大學生、碩士生、博士生。

這門課程，已經讓不會 Coding 的同學找到台積電的夢幻工作、在競賽中獲得獎項、在申請學校和甄試中獲得很好的成績....

不過，這幾年的教育現場觀察，讓我看清一件事：國高中，是一個孩子的學習生涯中最黑暗的時期。

大學生有選課自由、博碩士能自定研究方向、社會人能挑工作換跑道——只有國高中生，被困在一張寫滿標準答案的考卷裡，沒有選擇權，沒有提問權，連質疑「為什麼要這樣學」的權利都沒有。

而就在這段最黑暗的時期，99%的父母還看不清AI時代的巨變，仍在用上個世代的地圖，把孩子推往一條已經改道的懸崖 --

你對孩子的愛，化為無盡的焦慮，可能正是葬送孩子未來的主要元兇。

在母親節的餐桌上，我沒有回應太多話；但回家之後，這幾天，我陷入長長的沈思——

如果我不做點什麼，那顯然是對自己的專業的瀆職；

如果我還能做點什麼，或許，是給這些媽媽們最好的母親節禮物。

就我能力所及，這個暑假，我或許可以試著將清華大學碩士班的教學模式，帶領一班國高中生，學會「學習如何學習」與「以 AI 加速學習」。

原本 16 週的課程，我想試著濃縮成 8 週，看看能不能從焦慮的教長手中，多救救幾個孩子。

這是一場實驗，也是一場救贖。

實驗，是因為這個課程過去沒有對這個年齡層的孩子做過這樣的教學；

救贖，是因為我相信——只要有一個孩子在這個夏天，找回學習的自由與主動權，他未來十年的人生軌跡就會徹底不同。

回到泰戈爾那句話：不要用你的眼光去限制你的孩子，他們和你，活在不同的年代。

家長能給孩子最珍貴的禮物，不是更多的考卷，而是承認自己的眼光有限，然後讓孩子用他這個年代的方法，長成他這個年代的樣子。

這個計畫，說實話完全不在我原來的教學對象和軌道上，完全是這幾天的內心交戰與深刻體悟；

這個暑假，我想集結幾位對 AI 非常專業且非常有教學熱忱的教授，試著開一班，但名額極其有限 --- 如果您或您的朋友有同樣的需求，請在留言區寫個「+1」 讓我知道，確認是否真有需要為國高中的孩子們規劃一門暑期 AI 課程。

最後，還是祝全天下焦慮的媽媽們母親節快樂！----
但不是今天，是當你看到孩子可以 AI 自主完成學習成果的那一天。

如果你問我：AI 時代最重要的能力是什麼？

我想大概就是：(學習如何學習) X (以 AI 學習 AI) 這兩個法則吧。

事實上，最豐富的學習資源就在 Youtube 上，但由於太過龐雜，一般人不一定能透過 YT 有效學習 --- 如果能透過學習策展 (Learninig Curation) 的方式，彙整主題式的優質學習資源，我想應該會對很多想學習 AI 的朋友們有所助益吧？

因此，我們決定在官網上增加一區 #學習策展，收集優質的 Youtube 學習影片，也加上一些 Quiz 測驗，確認自己對于相關知識的理解狀況 --- 事實上，幾乎可說是一門中型的 了！

歡迎有興趣的朋友們參考：https://aittlabs.org/curation/

一、LinkedIn 報告數據

讀完 LinkedIn 剛發布的《2026 The Talent Velocity Advantage》報告，有一個數字讓我久久無法平靜——

全球只有 14% 的企業，具備足夠的「人才速度（Talent Velocity）」；其餘 86%，仍在苦苦追趕。

這份報告進行了 1,240 位人才產業專業人士的調查、加上 LinkedIn 平台 10 億會員、1,400 萬職缺、每分鐘 500 萬筆檔案更新的行為數據交叉分析 — 做出了一個我認為極具份量的判斷：「人才速度，將是 AI 經濟下決定企業勝負的分水嶺。」

更殘酷的是，速度領導者與落後者之間的差距，已經全面拉開——平均高達 28% 的「信心鴻溝」：獲利能力的信心 +23%、留住關鍵人才的信心 +26%、吸引關鍵人才的信心 +27%，而最致命的「對人才與變動優先級的信心」差距更高達 +36%。

但讓我心頭一震的，不只是這些數據本身。而是它揭露了一個更深的真相——

過去 24 個月，從 ChatGPT 上市、到 GPT-4o、到 Claude 寫程式、到 AI Agent 自主操作電腦，AI 完成了人類過去三十年才走完的進化路。

報告中還揭露了一個驚人數字：過去兩年，雖然各大企業大規模裁員，但全球雇主其實已創造至少 130 萬個 AI 相關職缺——包括資料標註師、AI 工程師、前向部署工程師等過去根本不存在的「新藍領」角色。

而同樣這 24 個月，大多數企業的員工，仍慶幸已經 “取得 AI 素養認證“ 時，對手可能用 Agent 把你過去三年的優勢，在三天內瞬間複製、超越、甚至重新定義。

二、速度，將是 AI Agent 時代的企業核心競爭力

過去三十年，企業的核心競爭力依序是：成本（1990s）、品質（2000s）、創新（2010s）、數據（2020s 上半）。

而從 2025 年起，核心競爭力已悄悄轉換為一個新的關鍵詞——速度（Velocity）。

但這裡的「速度」，不是單一維度的快，而是一個由三個速度構成的戰略鐵三角：

學習速度 × 導入速度 × 轉型速度

• 學習速度（Learning Velocity）：員工從「聽過」到「天天用」的進化速度

• 導入速度（Deployment Velocity）：企業從「決策」到「Agent 真正創造價值」的部署速度

• 轉型速度（Transformation Velocity）：組織重新設計流程、角色、KPI，甚至文化心智的速度

這三個速度，不是並列關係，而是飛輪關係——學習加速導入、導入加速轉型、轉型反過來再加速學習。一旦啟動，愈轉愈快；一旦卡住，任何一環的延遲，都會拖垮整個組織。

LinkedIn 報告中的「五大加速器」，恰好驗證了這個飛輪結構：領導力動能（+31%）、文化即催化劑（+37%）、AI 領導力（+22%）、整合式人才生態系（+46%）、職涯賦權（+21%）。

其中最大的鴻溝出現在「整合式人才生態系」——速度領導者比落後者領先整整 46%。換句話說：今天企業最大的速度殺手，不是 AI 技術，而是 HR 各部門的穀倉效應——招募、學習、調動、評估，各做各的、各自為政。

而這個趨勢已經是不可逆的共識。報告中，92% 的人資長同意「AI 正在加速 HR 與技術部門的融合」、90% 認為「即時技能可視化的需求愈加迫切」、90% 預期「未來組織將以技能為單位編組團隊，而非以職稱」。

這意味著，傳統的組織結構和權力結構，很快就會在 AI Agent 時代被徹底解構。

三、領導者員工 vs 落後者員工：看不見的能力鴻溝

更值得警惕的是 LinkedIn 平台的真實行為數據。研究團隊比對了平台上「速度領導者ˊ企業」與「落後者企業」員工的真實技能發展軌跡，發現：

• 領導者員工發展 AI 素養技能的可能性高 2.1 倍

• 發展 AI 工程技能的可能性高 1.6 倍

• 採用十大熱門「人類技能」的比例 高 1.6 倍

這意味著：速度領導者的員工，不是「更會用 AI」，而是「同時更會用 AI 也更會做人」。他們既能跟機器協作，也能跟同事協作。

而其中最驚人的差距，出現在那些最「人類」的技能上：

軟實力技能 領導者員工發展可能性 建立信任（Building Trust） 5.5 倍 影響他人（Influencing Others） 4.3 倍 跨文化能力 3.5 倍 人際領導力 3.5 倍 營運卓越 3 倍

93% 的速度領導者明確表示：「人類技能比以往任何時候都更重要。」

這是一個極具反差的訊號——當所有人都在拼命追 AI 技能時，真正的領跑者，反而把更多資源投資在「不會被 AI 取代的人類能力」上。

四、台灣的真實位置：不是沒有出發，而是需要加速

回到台灣。

過去三年，台灣其實做了不少 AI 人才培育的基礎工作。經濟部 iPAS 推出了「AI 應用規劃師」認證，2024 年總報考人數年增 145%、達 3 萬人。資策會推出「生成式 AI 能力認證」。行政院人事總處將 AI 納入公務人員每年必修課程。各種民間 AI 證照、線上課程、培訓營、工作坊，百花齊放 。

這些計畫有其價值，但 AI 時代的進化速度，比我們想像的快得多。

這幾年，筆者有幸親身參與了不少政府與企業的 AI 人才培育計畫。一個讓我印象深刻的觀察是——真正回到組織後能發光發熱的，往往不是「考過認證的人」，而是「動過手、解過題、做過專案的種子實戰人才」。

他們在實戰營裡親手拆解過真實的商業問題、設計過 Agent 的工作流、跨部門協作完成過完整的 AI 應用專案。回到組織後，他們很自然地成為部門中的關鍵 AI 推動者——不是因為他們考了多少張證照，而是因為他們真的解決過問題。

這個觀察，精準呼應了一個更深的命題：會考試和會解決問題，是兩回事 — 這也是為什麼我在所有推動計畫的核心精神中，都堅持以 PBL 實戰解題力，作為最核心的培訓設計理念。

看看國際領導者怎麼做。LinkedIn 報告中揭露的這幾個數字，值得台灣企業深思：

• 印度 TCS（塔塔顧問服務）：員工每年花 11 天沉浸在 AI 學習生態系中，目前已有 57.6 萬人 AI/ML 就緒、其中 15.9 萬人達到高階熟練度

• 澳洲 Flight Centre Travel Group：用 LinkedIn Career Hub，5 週內生成 377 個角色描述，整合了近 5,000 個傳統職稱

• 日本 NTT Data：用「啟發、賦權、關懷」三大領導原則，凝聚全球 142,000 名員工 於共同的 AI 轉型文化下

這些不是 PoC、不是試點、不是工作坊——這是規模化、體系化、文化化的速度戰略。

而台灣呢？亞太區整體已有 41% 企業採用「技能導向人力規劃（skills-based workforce planning）」，而北美只有 22%。這意味著：亞洲正在領跑這場速度戰——但領跑的是新加坡、印度、澳洲。台灣若不加速，將會在我們最熟悉的亞洲鄰國身後，被悄悄拉開。

五、清晰度，才是速度時代的真正超能力

LinkedIn 報告中，有一句話我反覆讀了好幾次：

「速度領導者把職涯支援，當成一套導航系統（wayfinding system），指引員工建立最具影響力的技能。」

在 AI 讓世界變得混沌的時代，組織能給員工的最大價值，不是更多培訓，而是更清晰的導航。

LinkedIn 提出的兩個「策略指南針」，正好印證了這一點：

1. AI 驅動的員工發展：速度領導者 56% vs 落後者 30%

2. 共享 HR 數據與人才架構：領導者 76% vs 落後者 40%

當員工知道「我現在在哪裡、要往哪裡去、下一步該學什麼」，學習速度就會自動翻倍。當組織擁有即時的技能可視化，導入與轉型的速度就會自動同步。

這也呼應了報告中另一組關鍵數據——89% 的組織擔憂「技能敏捷性」（在對的時間把對的技能投入對的工作）、88% 擔憂「員工留任」。

而最有效的留任策略是什麼？報告很清楚：第一名是提供學習機會，其次是教練、導師制、與內部流動。72% 的人資長認為「內部流動比以往更重要」、56% 的企業把「零工機會（gig opportunities）」列為更高優先級。

換句話說，員工要的不是更高的薪水，而是「我在這裡有未來」的清晰路徑。

六、速度的盡頭，是人的價值

報告中，KPMG 美國工作力創新主管 Edwige Sacco 說了耐人尋味的一段話：

「他們不是抗拒，他們是筋疲力盡（They’re not resistant; they’re exhausted）。我們要求人們學習與創新，但他們已經油盡燈枯。」

這句話戳破了所有 AI 轉型的迷思。真正擋住組織速度的，從來不是技術、不是預算、不是策略——而是「人的疲憊」。

當員工每天面對 100 個新工具、50 個新流程、20 個新指標時，他們不是不想學，而是「不知道為什麼學、不知道怎麼學」。這就是為什麼「清晰的導航」比「更多的培訓」更重要。

KPMG 的解方很有意思——他們設計了 15 分鐘的短會議，讓員工把「我擔心某事（I’m concerned about）」改說成「我好奇某事（I’m curious about）」。就這麼一個語言切換，把大腦從「防禦姿態」轉為「探索姿態」。

這個小小的儀式，看似不起眼，卻揭露了 AI 速度戰的真正本質——其實不是技術戰，而是思維。

七、結 語

2026 年，世界正在分裂為兩種企業：14% 的速度領導者，與 86% 的速度落後者。

決定一家企業屬於哪一邊的，不是它有多大、多老、多有錢——而是它的學習速度、導入速度、轉型速度，有沒有跟上 AI 進化的曲線。

對台灣而言，這既是危機，也是機會。

危機是：當亞太區已有 41% 企業採用技能導向人力規劃時，我們不能還停留在「全民 AI 素養」的舒適圈。當 TCS 已有 57.6 萬人 AI/ML 就緒時，我們不能還滿足於「考過幾張證照」的階段性成就。

速度的盡頭，從來不是更快的機器，而是更有遠見與定見的人。

加快人才發展的速度，追求的不應該是受訓的規模，而是能力的強度。

當你我都能在 Agent 時代，找到自己無可取代的價值時，這場速度戰，才真正有了勝利的意義。

2026，讓我們一起加速前進，都成為領先的 14%。

👉 [立即報名：Claude Skill 完全攻略系列微課] ＊ ( 加入VIP 會員可無限閱覽課程）

學完就動手，把你每天重複的工作流程，打包成你的第一個 Skill。

我們課堂上見！

AI 人才科技實驗室 (AI TalenTech Labs) —- 讓每個人都能駕馭 AI 的力量

━━━━━━━━━━━━━━━━━━━━━━━━━━━━

P.S. 這套微課，麻雀雖小但五臟俱全，內容涵蓋從入門到進階的完整知識。如果你身邊有人正在猶豫要不要學 Skill，把這封信轉寄給他吧。

一、當資深主播走下主播台

四月中，吳安琪走下主播台的新聞充斥媒體版面。直到今天我才發表些許淺見，並不是因為有太多的感傷情懷 -- 媒體業的寒冬早已不是新聞 -- 而是我還在觀察近期職場巨變的底層邏輯和未來可能的發展走勢。

這則新聞讓確實很多人五味雜陳，因為它揭開了一個台灣職場多年來默默信奉的規則：只要你在專業上累積到一定厚度，組織就應該把你留下來。

三十年的資歷、美國廣電碩士、台大學士，外加備受肯定的播報節奏與公信力 -- 如果這樣的人才都是「可被釋出的成本」，那麼此刻正在閱讀 LinkedIn 文章的資深 CXO、副總、協理、總監、經理們，憑什麼你相信自己不會是下一個?

TVBS 在隨後的聲明裡說得很直白：資源配置將加大投入「數位與 AI 科技領域」，這不是一家電視台獨有的聲明，這是 2026 年整個產業界正在複製貼上的共同劇本。

二、全球數據：一場被包裝成「轉型」的置換

讓我們先把視野拉到全球。

根據 TradingPlatforms 四月公布的彙整資料，2026 年第一季全球科技業裁員已突破 80,000 人，預估全年將超過 30 萬人。

至於「有多少是因為 AI」這個問題，不同機構給出的比例差距很大，這本身就值得玩味：

• RationalFX（經 Nikkei Asia 報導）：47.9% 的裁員被公司「歸因於 AI 與工作流程自動化」

• Challenger, Gray & Christmas：Q1 直接歸因於 AI 的比例約 23%

• Goldman Sachs 經濟學家的估算：AI「真正」取代的工作，全美平均每月只有 5,000–10,000 個

差距來自定義—— 一個比例是「公司對外如何解釋」，另一個比例是「AI 實際取代了多少工作」。值得注意的是，連 Nikkei Asia 自己報導時都附上了反身的質疑：受訪的 Cognizant 首席 AI 長 Babak Hodjat 直接對記者說：「有時候 AI 只是財務上的代罪羔羊——公司招太多、想瘦身，然後把責任丟給 AI。」Sam Altman 在 India AI Impact Summit 用了一個更辛辣的詞：「AI washing (漂 AI)」。

這是一個比數字本身更重要的資訊：2026 年 Q1 的裁員潮裡，有一部分是真的被 AI 替代、另一部分是用 AI 當說詞的傳統成本削減。但無論哪一種，對被裁掉的那個人來說，結果是一樣的。對組織長期能力的傷害，也是一樣的。

具體到企業層級：Oracle 年初已啟動萬人規模的裁減，預計全年上看三萬人，官方說法是將資源重新配置到 AI 基礎設施；Amazon 首季砍掉 16,000 個企業端職位，CEO 早在 2025 年 6 月的全員信就已明言「隨著 AI 廣泛部署，企業部門的人員總數會減少」；Meta、Snap、Block 等公司也都把 AI 效率列為裁員的明確理由。

注意一件事：這些公司絕大多數都是獲利的、甚至是創紀錄獲利的。

這跟 2023 年那一波「疫後過度聘僱的修正」在性質上完全不同。2023 年裁的是「招太多」，2026 年裁的是 —不管真假 —「AI 能取代什麼，以及市場相信 AI 能取代什麼」。

Block 的 CEO 在對員工的備忘錄裡直接把話說白了：裁員是對「AI 工具能力成長」的回應；宣布完當天，Block 股價漲了 24%。

市場正在獎勵這種黑色幽默的故事，所以故事還會繼續說下去。

三、日本的對照：Panasonic 示範了什麼叫「反向失血」

但如果只看美國，會錯過一個更重要的現象。同樣一股 AI 浪潮，打在日本的海岸線上，呈現完全不同的景象。

日本大企業不是不裁員，而是裁的方式不同，是另一套隱形的腳本——日本媒體稱之為「靜かなリストラ（安靜的裁員）」，主要工具叫「希望退職」和「早期退職」。表面上是員工自願，實際上是公司定義年齡、年資、部門範圍之後，讓人「自己選擇離開」。

而 2025–2026 年，這套安靜的腳本，突然變得一點都不安靜。

主角叫 Panasonic。2025 年 5 月，Panasonic Holdings 社長楠見雄規宣布：未來兩年全球裁員 1 萬人（國內 5,000、海外 5,000），計提 1,300 億日圓的結構改革費用。這本身已經夠震撼——但真正刺眼的是三個背景：

• Panasonic 2025 年 3 月期的淨利是 3,000 億日圓。這是一家賺大錢的公司。

• 裁員對象是 勤續 5 年以上的 40–59 歲員工——也就是這家公司最資深、最有產業判斷力、同時也是薪水最高的那群人。

• 社長的理由說得極其坦白：「我們的販管費率比同業明顯偏高，不動大刀就沒辦法重新成長。」

這就是日本媒體所謂的「黑字リストラ（獲利裁員）」典型樣本——公司沒有赤字、沒有危機，只是因為「同業比我精實」、因為「資本市場希望我更精實」，所以砍人。

但故事在 2026 年 2 月出現了一個極具諷刺意味的轉折——裁員規模從 1 萬人被迫擴大到 1 萬 2 千人。

原因不是公司想砍更多，竟然是員工搶著離開 ！？

應募者遠超預期，連帶讓 Panasonic 下修當年度淨利預測 200 億日圓，從 2,600 億降到 2,400 億。同一段時間，三菱電機也宣布下修：希望退職費用從原本預算的 400 億暴增到 1,000 億，最終應募人數高達 4,700 人——遠超公司預期。MAZDA 則是募集 500 人的早期退職，第一輪就湧進 410 份申請，十月直接被迫喊停。

看懂這個迴力鏢了嗎？

當企業打開「希望退職」的大門時，搶著走出去的，不是那些沒有競爭力的人，而是那些還有選擇的人。能談到更好下家的、能自己創業的、能接顧問案的、能被獵人頭挖走的——他們最先舉手。留下來的，是那些沒地方去的。

這就是我要說的「反向失血」：你以為你在用市場機制篩選冗員，結果你篩選出去的，是你組織裡最有彈性、最有市場價值、最有能力定義下一個問題的那群人。你留下的成本降了，但你留下的平均能力也降了——而且降的速度比成本還快。

三菱電機的 CHRO 阿部惠成對《日經新聞》說了一句話，值得所有正在推 AI 轉型的 HR 主管抄下來貼在辦公桌前：

「53 歲以上的員工佔全公司 1/4……光靠 reskilling 和再配置已經來不及了。」

這是一個 CHRO 親口承認：當 AI 浪潮打上門時，才想開始培養人才，已經來不及。能力的培育需要三到五年，但市場給組織的調整窗口只有一到兩年 --- 這就是為什麼我毅然決然跳離舒適圈創辦 AI TalenTech Labs (AI 人才科技實驗室) 的原因 -- AI TalenTech 不是 AI 時代才要做的事——它應該是五年前就開始做的事，也是十年後依然要做的事。

但日本的焦慮還有另一半。根據 Indeed Recruit Partners 2025 年 6 月的調查，「工作中已導入生成式 AI」的比例，美國是 70–90%，日本只有 30–40%。PwC 的《生成 AI 實態調查 2025 春》則顯示，日本企業中「AI 效果超出預期」的比例，只有美英企業的四分之一。

把這兩件事放在一起看，你會看到一個極度危險的畫面：

• 一邊是有能力的中高年搶著離開（Panasonic、三菱電機、MAZDA）

• 一邊是留下來的人還沒學會用 AI（日美 AI 導入率差距兩倍以上）

JBpress 的評論者直言不諱：日本企業正在走一條「美國式的大膽裁員做不到、日式的 AI 活用又做不好」的夾縫之路。東洋經濟 2026 年 3 月的封面標題更直接——「迷走 Panasonic」。

四、那麼台灣呢？台灣卡在美日之間的一個尷尬位置

把美國和日本放在光譜兩端，台灣的位置就很清楚了。

我們的勞動環境比美國有緩衝——至少在上市公司層級，大規模、無預警的裁員仍然會引發社會反彈，吳安琪事件本身就是證明，但我們也還沒有日本那麼成熟的「希望退職」制度設計。結果是：台灣企業可以動刀，而且比日本果斷；但一動刀，就經常動到不該動的地方。

TVBS 這一刀之所以刺眼，正是因為它示範了一個典型的「台式 AI 轉型」路徑——用美國的邏輯（裁資深、砍成本、換算力）、搭日本式的組織慣性（沒有完整的知識傳承機制、沒有系統化的 AI 賦能計畫），然後期待得到矽谷的結果 -- 從思路上就已經注定了這一刀不可能成功。

更危險的是，台灣許多企業的中高年員工流動性其實比日本大得多——他們有更多業界選擇、有更活絡的獵頭市場、有更容易創業的環境。這意味著一旦台灣的「希望退職」風潮真正啟動，我們的「反向失血」速度可能比日本還快。

接下來我要談的，是台灣企業主現在普遍正在犯的一個系統謬誤。

五、企業主正在犯的錯誤：把「人力」和「人才」當成同一件事

我並不認為企業「不該用 AI 取代重複性工作」——這是歷史必然，沒有人攔得住，也不應該攔。

問題是，很多企業主在做的，並不是用 AI 取代「人力」，而是以 AI 之名裁掉「人才」。

這兩者在資產負債表上長得一模一樣：都是一個名字、一份薪資、一行成本。但在組織這個生命體裡，它們是兩種完全不同的東西：

「人力」（Labor），是組織用來完成「已知任務」的執行單位。這類工作由清晰的 SOP 定義、由穩定的流程驅動、由可衡量的產出評估。客服腳本的應答、財報初稿的彙整、例行會議紀要、標準程式碼的生成——這些在 2026 年被 AI 吃下來，是結構性的、不可逆的。企業在這個層面做替換，是理性的。

「人才」（Talent），是組織用來「定義下一個問題」的角色。他們的價值不在於執行得多快，而在於能不能看出系統裡哪一個環節正在失衡、哪一個假設已經過期、哪一個機會還沒有被命名。他們身上攜帶的是組織的隱性知識、是客戶關係的脈絡、是產業判斷的直覺、是把 AI 這把劍揮向對的方向的那個大腦和那隻手。

系統謬誤在於：當一個企業主看著試算表決定「這個月要減 20% 人力成本」時，他往往沒有區分這兩種人。在 HR 系統裡，他們的職級、年資、薪水結構都差不多——但其中一群人走了，公司損失的只是工時；另一群人走了，公司損失的是判斷力本身。

而在倉促的 AI 轉型裡，被優先請走的，經常是後者。因為他們貴、因為他們年資深、因為他們的價值不容易在季報上被量化。

六、戰略鐵三角：一個組織要活下來，少一條腿都不行

我在推動 AI Talentech（人才科技）體系時，一直用一個簡單的框架跟企業主溝通，叫做「戰略鐵三角」：

• AI 為劍——負責突破、加速、進行時空解放。它是組織的攻擊力。

• 科技為盾——由系統、流程、知識管理架構組成，把組織的隱性經驗固化為可複用的體系。它是組織的防禦力。

• 人才為本——負責文化傳承、價值判斷、有機調節、以及最關鍵的：決定這把劍該揮向哪裡。它是組織的生命力。

三者缺一不可。只有劍沒有盾，組織會在每一次外部衝擊中失血；只有劍跟盾沒有本，組織會淪為一套沒有方向的自動化機器——運轉得很有效率，但不知道為何而戰。

目前多數企業的 AI 轉型，正在同時削弱「盾」和「本」：

• 削弱盾：資深員工帶走的隱性知識沒有被系統化地留下，組織記憶出現大規模的斷層。

• 削弱本：能進行跨層次判斷的人被當成成本項目處理，留下來的是一群習慣於執行、但不習慣於質疑的人。

然後企業主把省下來的錢，砸進了更大的算力。劍越來越利，盾跟本越來越薄。

這種失衡的架構，幾乎註定了不可能成功的命運。

七、三階段預測：失衡的代價會怎麼結算？

我不做過度戲劇化的末日論。但從組織發展的角度，失衡有它自己的時間表：

第一階段（0–12 個月）：財務蜜月期。 人力成本下降、毛利改善、AI 工具帶來可觀的效率增幅。股東會上，CEO 會用「AI-first」的敘事贏得掌聲。這個階段真實存在，而且數字會很好看。

第二階段（12–24 個月）：判斷力空洞化。 當需要針對非結構化問題做判斷時——一個陌生市場的進入策略、一場突發的公關危機、一個技術路線的選擇——組織會發現「會問問題的人」變少了。AI 可以生成十種方案，但沒有人知道該選哪一種、為什麼選。決策品質開始出現肉眼可見的下滑，但財報上還看不出來，因為舊動能還在滑行。

第三階段（24 個月以後）：差異化坍塌。 當所有對手都用同樣的 AI、同樣的模型、同樣的自動化流程，而你已經失去了那群能夠定義「我們跟別人有什麼不一樣」的人——組織就掉進了平庸的引力井。你還活著，但你已經沒有故事可以說。在某些產業裡，這個階段等於慢性死亡。

這個推演不是危言聳聽。它只是「當你同時削弱盾和本、同時強化劍」這個結構失衡的自然後果。

八、給三種人的話

給正在看著試算表做決定的企業主：裁員不是錯的，但請在做決定之前，先問一個問題——我正在釋出的這個人，是一個『執行者』，還是一個『定義者』？ 如果答案是後者，那麼你省下的不是成本，是你自己未來兩年的判斷力。AI 會讓你組織裡的平均值上升，但把頂端的判斷力抽掉之後，你的天花板也可能會跟著坍塌。

給此刻正感到不安的專業工作者：TVBS 這件事給我們的提醒不是「快去學 AI」，而是「確認你的工作到底是在執行已知，還是在定義未知」。如果是前者，你需要的是盡快把 AI 變成自己的工具、把產能翻倍、讓自己在新的成本結構裡依然划算。如果是後者，你需要的是讓組織意識到你在做的判斷是 AI 做不到的——這件事往往需要你自己說出來、證明出來、而不是等主管自動辨識。

給人資與學習發展的同仁：2026 年最該被重新設計的，不是「AI 工具課程」——那些市面上已經太多了。該被重新設計的是企業內部如何識別人才 vs. 人力的機制。當績效考核還在用同一把尺衡量「執行能力」和「判斷能力」時，組織注定會在 AI 浪潮裡錯殺掉自己的未來。

九、結語：這場戰爭真正的戰場

吳安琪離開了主播台，但她會很好 --- 三十年的專業累積不會因為一紙資遣通知而消失，市場終究會重新定價她的價值。真正該擔心的，反而是那些自以為「AI 轉型正確」的組織自己。

這一波 AI 轉型真正的戰場，不在於誰買了最新的模型、誰部署了最多的 Agent。戰場在於：當你手上的劍越來越利的時候，你有沒有守住那個決定這把劍該往哪裡揮的人。

如果你也正在焦慮找尋方向與解決方案，歡迎與我們聯繫 : https://aittlabs.org

本文數據引用自：TradingPlatforms 2026 Q1 Global Tech Layoffs Report；RationalFX 分析（經 Nikkei Asia 2026/4 報導）；Challenger Gray & Christmas Q1 2026 Job Cut Report；Goldman Sachs 勞動市場估算；InformationWeek 2026 Tech Layoffs Tracker；Panasonic Holdings 2025/5 及 2026/2 公告、Bloomberg、日經 xTECH、東洋經済オンライン《迷走 Panasonic》特輯（2026/3）、ダイヤモンド・オンライン；三菱電機 2026/2 下修公告、日本経済新聞阿部惠成 CHRO 訪談；日本人材ニュース；JBpress；Indeed Recruit Partners 2025 日米 AI 導入調查；PwC《生成 AI 實態調查 2025 春》；及各公司官方公告。觀點與框架為作者個人研究立場。

有一個夜晚，Peter Steinberger 在睡覺。

他的 AI 代理人沒有。

當他醒來，手機螢幕上有超過 800 則未讀訊息。他的 WhatsApp bot 在一個公開的 Discord 伺服器上悄悄地跑了整整一夜，與數百個陌生人互動、回應、執行任務——沒有人在監控，沒有人下指令，沒有人按下「傳送」。

Steinberger 心跳加速地檢查記錄。結果：沒有隱私洩漏，沒有系統崩潰，沒有災難性的失控。

只有一個 AI，獨立運作了整個晚上，把事情做完了。

那一刻，他意識到：世界不一樣了。

「聊天機器人會放棄。代理人會即興發揮。」

這是 Peter Steinberger 在 TED2026 演講中說的一句話，也是整場演講最核心的洞察。

在這個時代，AI 工具的使用者幾乎都接受了一個預設：你問，它答；你停，它也停。AI 是一個被動的工具，需要人來驅動每一個環節。

但 OpenClaw 想打破的，正是這個預設。

Steinberger 將 AI 代理人（Agent）定義為一種根本性的轉變，而不只是聊天機器人的升級版。代理人能夠制定計畫、執行多個步驟、遇到阻礙時自行調整路線——換句話說，它會在你不看的時候繼續工作。這不是功能上的差異，這是本質上的不同。就像從一台計算機到一個會思考的助手，中間橫跨的不是版本號，而是整個典範。

三年的空白，一個「我靠」的瞬間

在講述 OpenClaw 的誕生之前，Steinberger 先說了自己的失落。

他曾經賣掉一家自己一手建立的軟體公司，然後用三年的時間漫無目的地旅行、嘗試新事物、等待靈感——但什麼都沒發生。他在演講中坦白說：「三年，什麼都沒點燃。沒有理由早起。」

這段話，對每一個曾在人生某個階段感到茫然的人而言，都有一種特殊的重量。

直到 2025 年初，他開始接觸 AI 程式代理人，才迎來了他自己口中的「holy shit moment」——一個讓他看見未來的頓悟時刻。他發現，AI 可以接手軟體開發中那些枯燥、重複、令人窒息的「管線工作」，把工程師真正的創造力從瑣事中解放出來。從那一刻起，他全速投入，OpenClaw 就此誕生。

這個故事本身就值得細想。技術的突破點，往往不是在最聰明的實驗室裡，而是在一個被困住的人決定換一種方式看世界的瞬間。

當龍蝦在深圳排隊

OpenClaw 爆紅之後，Steinberger 遭遇了每一個開源專案暴紅後必然面臨的混亂：數百封信件、半夜打來的記者電話、資安漏洞通報、商標糾紛，最後甚至被迫在專案最火紅的時候改名。

但在這些混亂之中，有幾個故事讓他停下來，重新理解自己做了什麼。

一個是 Gerhard，一位 60 歲、完全不會寫程式的釀酒師。他透過手機用 OpenClaw 自動化了整個 90 分鐘的釀酒流程，然後在同一個下午，用它搭建起了自己的電商網站。

另一個是中國。在騰訊的辦公室外，大批用戶排隊等待安裝 OpenClaw，這個工具在當地被親切地稱為「養龍蝦」。深圳的退休阿姨用它自動化採購，聖保羅的青少年用它開起了線上家教業務——他們都不是程式設計師，從未學過任何一行程式碼。

這是 Steinberger 演講中真正讓人心頭一震的部分。AI 代理人改變的不只是工程師的工作方式，它改變的是「誰有資格建造東西」這件事。

代理人的真正革命：不是工具的升級，是入場門票的消失

我們過去對技術民主化的理解，往往停留在「讓更多人能用工具」的層次——更便宜的硬體、更簡單的介面、更直覺的設計。但 OpenClaw 所代表的，是更深一層的翻轉。

以前，建造一個數位產品的門檻是技術能力：你需要懂程式、懂架構、懂伺服器、懂資料庫。這個門檻把世界上絕大多數有想法的人擋在門外。

現在，AI 代理人開始讓「執行」和「想像」之間的距離大幅縮短。你不需要懂如何寫程式，你需要懂的是你想要什麼——而這件事，每個人都會。

Steinberger 說：「代理人改變了誰能夠建造東西，而這扇門，不會再關上了。」

這不是誇張。這是一個關於權力結構重組的宣言。那些過去因為缺乏技術背景而無法實現想法的人，正在獲得一把鑰匙。

龍蝦出籠之後，我們面對什麼？

當然，這個故事不只有光明面。

留言區裡有一則評論這樣寫道：「我看著他的演講，有一種感覺：這就像是原子彈的發明者在台上興奮地描述爆炸有多壯觀。」

這個比喻也許過於激烈，但它觸碰到了一個真實的問題。當一個自主運作的 AI 代理人可以獨立執行任務、跨系統協作、在你睡著時繼續工作——我們是否已經做好準備，為這種「自主性」設定邊界？

另一則評論說：「維護這些系統是一種永久的責任。沒有『設定好就不管』這回事。更像是設定、定義邊界，然後持續地重新定義它的邊界。」

這話說得深刻。AI 代理人的崛起，並不是一個我們設計好後就可以放手的系統，而是一個需要持續對話、持續調整的關係。如果說過去的軟體像是一台機器，那麼代理人更像是一個新進員工——你不能只給他一張工作說明書就消失，你需要陪伴他學習，也要準備好在他犯錯時介入。

我們真正沒準備好的，是思維框架

Steinberger 在 TED 舞台上表現出的，是一種幾乎純粹的興奮感。他在談論自己創造的東西時，眼睛裡有光。那種光是真實的，也是感染性的。

但我在他的故事裡，看到了一個更深層的問題，一個他沒有（也許不需要）在演講中明說的問題：

當「建造」變得更容易，當「執行」不再是門檻，我們是否真的準備好去思考「什麼值得被建造」？

技術讓我們可以更快地到達任何地方。但如果我們還沒決定要去哪裡，速度只是讓我們更快地迷失。

OpenClaw 打開了一扇門，讓更多人可以進來建造。但進來之後，我們建造什麼、為誰而建、以什麼樣的價值觀去建，這些問題的答案，不會由 AI 幫我們想清楚。

龍蝦確實出籠了。現在的問題，不是怎麼把牠關回去，而是我們準備好和一隻自由的龍蝦一起生活了嗎？

• 本文基於 Peter Steinberger TED2026 演講《How I Created OpenClaw, the Breakthrough AI Agent》整理與深度延伸分析。演講於 2026 年 4 月 16 日錄製，4 月 18 日上線 YouTube。

除了龍蝦之外，想試試更容易的 Claude Cowork ? 歡迎學習….

上週，AI 大神 Andrej Karpathy 丟出一個炸彈：只要一段 Prompt，Claude Code 就能把你的文件自動整理成互相關聯的 Wiki 知識庫。

GitHub 一週內湧出十幾個 fork，隨便一個都幾百顆星星，總計超過 1400⭐。AI 圈集體高潮。

我也跟著做了。做完之後只有一個感覺：就這樣？

Karpathy 的版本需要裝 Obsidian 才能看圖譜、知識是靜態的 .md 檔案、沒有對話功能、沒有搜尋、團隊成員還要各自安裝軟體才能用。

這不叫落地。這叫 Demo。

所以我花了 3 天，把它重做成一個真正能用的系統。

🔥 和 Karpathy 版本的差距在哪？

Karpathy 版： 一張靜態關聯圖，要裝 Obsidian 看。

我們的版本： 打開瀏覽器就能用，手機也能連。6 種視角看同一份知識——關聯圖、心智圖、熱力方塊圖、時間軸、關鍵字群聚、因果迴路圖（CLD）。

特別說一下 CLD。系統會自動從文件中歸納出變數之間的因果關係，畫成有方向、有極性的弧線箭頭。「規模 → 成本（反向）」「品牌力 → 顧客依賴（正向）」——這在策略分析和系統思考的場景下，威力巨大。

點擊任何一個變數，相關的來源文件會展開在外側。每一個因果結論都能追溯到原始資料。

💬 不只是看，還能對話

右側有一個 LLM 對話窗。你可以直接問：「產品差異化和什麼因素相關？」

但這不是普通的 ChatGPT。系統會把知識庫內容 + 因果網絡的結構化資料一起送給 LLM，所以它的回答跟圖上畫的因果關係完全對得起來。

支援多輪追問。支援 Claude、Gemini、Ollama 本地模型。

還有一個 🌐 聯網搜尋開關——打開後，用 Gemini 的 Google Search Grounding 即時搜最新資料，結合你的知識庫一起回答。本地知識 + 全網最新資訊，一次到位。

🧬 最狠的功能：它會自己進化

這是真正讓它「活起來」的關鍵。

當你在對話中發現問題——比如 LLM 說「產品差異化 → 競爭優勢 這條連結應該存在但圖上沒有」——你不用手動改任何檔案。

每則回覆下方有一個**「🔧 採納修正」**按鈕。按下去，LLM 自動分析對話，產生結構化修正建議：新增哪條因果連結、移除哪個變數、修改哪個極性。

預覽 → 勾選 → 套用 → 圖譜即時更新。

不用重整頁面。不用重啟。還有一鍵還原，不怕改壞。

這代表什麼？

你的每一次提問，都可能讓知識庫變得更完整。 它不是靜態文件倉庫，是一個跟你一起思考、一起成長的系統。

🏢 為什麼說是「企業級」？

• 零安裝：python3 km-server.py 一行跑起來，團隊任何人打開瀏覽器就能用

• 零上傳：100% 本地運行，機密文件不會離開你的電腦

• 零框架：不需要 npm、Docker、向量資料庫，一個 Python 檔 + 一個 HTML

• 多人協作：區網內任何裝置都能連線，手機平板都支援

• 專案切換：工具列一鍵切換不同知識庫，不用重啟

☠️ 所以 RAG 真的死了嗎？

傳統 RAG 要架向量資料庫、跑 Embedding、設計檢索管線。成本高、維護煩、而且模型本身不累積知識——每次都是從碎片拼湊答案。

LLM Wiki 的做法是讓 AI 先把知識消化整理好，查詢時讀結構化的 Wiki，不做即時向量檢索。更快、更準、成本趨近於零。

RAG 沒有完全死。文件上千份時可能還需要混合策略。但對 80% 的團隊和場景來說，這個方案已經夠用了，而且好用十倍。

最後

Karpathy 給了一個漂亮的概念。GitHub 社群在一週內把它 fork 了上千次。

但概念和落地之間，永遠有一道鴻溝。

我們做的事情很簡單：把這道鴻溝填起來，然後讓它自己往前走。

如果你的團隊有「100%落地板＋自動進化」的企業級知識管理需求，歡迎與我們聯繫 :

https://aittlabs.org

我曾在 2017 年就帶著團隊研發出第一代的「AI 面試官」並發表心得。然而，2019年末爆發的疫情，以及後續的發展，只能說，這是一項 “技術極為創新但市場極度失敗” 的專案。

而今，接近十年後，我又再度開發了「新一代 AI 面試官」，以完全不同的技術搭配全新的理論基礎，完成了許多 PoC 專案。經過數百人次的驗證，應該是更趨近於成功了 —- 今天，就與各位朋友分析我的思路轉折。

過去十年，全球有超過一百萬名求職者被一套 AI 系統用「微表情分析」打了分數。那套系統後來被證實預測準確度僅有 0.25%，在 2021 年正式停用。

但在它被關掉之前，已經有無數高潛力人才因為「眨眼太頻繁」或「嘴角弧度不對」而被刷掉。

這不是科幻小說，這是 HireVue 的真實歷史。而這段歷史，正是我決定從零開始打造新一代 AI 面試官的原因。

但選才的問題，不只出在面試環節，讓我們從頭說起…..

履歷是二維篩選機制？

哈佛商學院與埃森哲的聯合報告揭示了一個驚人的數字：全球有超過 2,700 萬名具備工作能力與意願的人才，被現有的自動化招聘系統「過濾」在就業市場之外。88% 的企業承認，他們的 ATS 系統可能因為候選人缺少某些特定關鍵字，就自動剔除了高潛力人選。

這不是人才荒。這是篩選機制本身造成的「假性匱乏」。

問題的根源是三十年來不變的關鍵字匹配邏輯。它假設人才像工廠零件，標籤正確就代表規格正確。結果製造了一種荒誕的「逆向淘汰」：懂得堆砌術語的人輕鬆過關，真正做事但不擅長包裝的實幹家反而被刷掉。

更根本的問題是維度錯配。履歷是二維的平面文字，但人才是三維的。決策邏輯、危機反應、跨領域整合能力——這些最關鍵的隱性特質，全部在資訊降維的過程中蒸發了。

生成式 AI 正在改變這件事。大型語言模型不再比對字串，它具備閱讀理解與邏輯推論的能力。即使候選人履歷裡從未出現 “Leadership” 這個字，只要他描述了「帶領團隊走出迷航」的情境，AI 就能推論出領導潛質。它不看標籤，它看行為模式。

這是從「過濾」到「探勘」的根本轉向。過去因為閱讀履歷的人力成本極高，我們被迫設定門檻來減少候選人數量，是「減法思維」。但 AI 讓深度閱讀海量履歷的邊際成本趨近於零，企業終於可以不預設門檻，主動挖掘那些被傳統標準埋沒的珍珠。

「微表情」是面試系統的災難？

面試環節同樣在經歷革命。而這場革命的起點，是先認清一段走入歧途的歷史。

工業心理學有一個「前五分鐘效應」：大多數面試官在見到候選人的前五分鐘內，基於外貌、穿著、口音，就已經在潛意識中做出了決定。第一波 AI 面試技術試圖解決這個問題，方向卻完全錯誤——它們用電腦視覺分析候選人的微表情，聲稱能從眨眼頻率算出「誠實度」。

這套技術的源頭，是心理學家 Paul Ekman 在 1978 年開發的 FACS（臉部動作編碼系統）。Ekman 主張七種基本情緒具有跨文化普遍性，而持續僅 1/25 秒的「微表情」能洩漏一個人試圖隱藏的真實情緒。911 事件之後，這套理論被大規模應用於反恐領域——FBI、CIA、TSA、美國國防部都是 Ekman 的客戶，國土安全部甚至啟動了一項名為 Project Hostile Intent 的專案，試圖用自動化的 FACS 分析在機場篩查潛在威脅者。美劇 Lie to Me 的主角正是以 Ekman 為原型。

問題出在「場景遷移」。當 HireVue 將這套反恐測謊的邏輯直接搬進招聘場景時，一場倫理災難隨之展開。到 2019 年，HireVue 已分析超過一百萬名候選人。同年，美國電子隱私資訊中心向聯邦貿易委員會投訴其構成「不公平且欺騙性的商業行為」。HireVue 自己的首席數據科學家後來承認，臉部分析對預測準確度的貢獻僅約 0.25%。2021 年 1 月，HireVue 正式停用臉部分析功能。

一套為「審訊室」設計的工具，不能直接搬進「面試室」。場景不同，倫理邊界就不同。

新一代 AI 面試官的誕生

我發展的新一代 AI 面試官，走的是一條完全不同的路。

我們不從「測謊」出發，而是從心理學、行為科學與腦神經科學的交叉地帶出發。目標不是判定候選人有沒有說謊，而是多維度地理解他怎麼思考、怎麼決策、怎麼面對不確定性。

在心理學層面，引入的是工業與組織心理學中經過數十年驗證的結構化行為面試框架——分析回答的內容結構、論述邏輯、具體貢獻的可驗證性。在行為科學層面，導入了心理語言學的分析維度——語速變異、停頓模式、用詞的防衛性——偵測的是認知負荷與情緒穩定度，不是在「抓謊」。在腦神經科學層面，參照了認知彈性與執行功能的研究——當 AI 從技術細節突然切換到商業影響的追問時，候選人的反應速度與切換品質，能反映出前額葉皮質層級的認知控制能力。

三個學科交叉形成的，不是一套「打分系統」，而是一套「認知側寫」工具。它不告訴你這個人好不好，它告訴你這個人怎麼想、怎麼應對壓力、怎麼在資訊不完整時做決策。

這才是 AI 面試官該做的事：不是取代人類的判斷，而是讓人類面試官在坐下來之前，就已經拿到了一份精密的認知地圖。

何謂「最適當的人才」？

而最關鍵的一步，是在面試之前就要回答的問題：我們到底要找什麼樣的人？

Gartner 的數據顯示，63% 的招聘失敗不是因為候選人不行，而是因為企業對「成功標準」的定義本身就是錯的。AI 的解法是逆向工程——不問主管「你想要什麼人」，而是去分析組織裡前 10% 頂尖績效者的真實行為數據。

一個科技業案例推翻了所有人的直覺：AI 發現真正的頂尖業務員在客戶會議中的發言佔比只有 35%——他們是傾聽者，不是演說家。他們不加班，但收到客戶訊息後 20 分鐘內必定回覆。他們在重大提案前會鎖死行事曆，拒絕一切會議干擾。

贏在紀律，不在熱情。贏在準備，不在臨場。

拭目以待

AI 撕掉了人類主管「想像」的眼罩，讓數據告訴我們真正的贏家長什麼樣子。

這是一場從藝術到科學的認知革命。從語意透視取代關鍵字暴力，到認知側寫取代面相偽科學，再到數據建模取代直覺許願——我們在書中的第五章完整拆解了 AI 如何重構「選人」這件事的底層邏輯。

但公開版能呈現的，只是冰山露出水面的部分。

Ekman 到 HireVue 的完整技術考古、三大聽覺維度的深度技術解構、Co-pilot 三階段作業流程、聯合利華與星展銀行的實戰驗證、逆向蒸餾的完整步驟與案例，以及從靜態模型到預測性組隊的未來場景——這些內容，全部收錄在 VIP 會員獨享的完整版中。

如果你是 CEO、CHRO、或任何對 AI 時代人才戰略認真的人，這不是一篇可以略過的章節。

👉 歡迎加入 VIP 會員，解鎖第五章完整萬字全文，以及每週獨家深度內容。

你知道在 72 小時之內引發全球軟體股集體崩盤，市值蒸發破兆美元。華爾街將這場浩劫稱為「SaaSpocalypse」(軟體即服務末日) 的主角是誰嗎？

答案就是：Anthropic 公司的 Claude Cowork ！

Claude Cowork 推出 11 款開源外掛程式，標誌著 AI 智能代理正式從輔助工具變為「殺手級應用」。風暴中心的 Claude Cowork 外掛程式涵蓋法律、財務、行銷等核心領域，其顛覆性在於實現「零介面操作」。

你也想學習 Claude Cowork 嗎？

【系列簡介】
Claude Cowork 是 Anthropic 在 2026 年推出的 AI 桌面代理工具，讓任何人都能用自然語言指揮 AI 完成多步驟工作——整理檔案、產出報告、連接雲端工具、自動化日常流程，全部一句話搞定。

這套入門課程共 6 堂、48 頁，總時長約 37 分鐘，從「Cowork 是什麼」到「排程自動化」完整覆蓋所有基礎功能。每堂課附帶 AI 語音旁白、動態動畫場景 。不需要任何程式能力，只要你是知識工作者，這套課程就是為你設計的。

【你將學到】
✅ 理解 Cowork 的定位：從 AI 聊天進化到 AI 代理
✅ 安裝桌面 App 並完成第一個自動化任務
✅ 用 Connectors 連接 Google Drive、Gmail、Notion 等雲端工具
✅ 用 Skills 直接產出 Excel、PowerPoint、Word、PDF 專業文件
✅ 安裝 Plugins 並用 Slash Commands 一鍵觸發工作流程
✅ 設定排程任務讓 Claude 自動定時執行工作

【課程目錄】
01 Cowork 是什麼？為什麼你需要它 6:34
02 安裝設定與第一個任務 5:34
03 Connectors 外部工具連接 6:07
04 Skills 與專業文件產出 5:55
05 Plugins 入門 6:13
06排程任務與日常自動化6:16
合計36:39

【適合對象】
行銷人員、業務、HR、專案經理、數據分析師、以及所有想用 AI 提升工作效率的知識工作者。不需要程式能力，不需要技術背景。

=> 歡迎加入 VIP 會員，即可無限預覽！