Explore every episode of the podcast 數位時代 Business Next

本集重點：

• 財報表現亮眼與事業部版圖翻轉
• 定位差異化與「新健康經濟」護城河
• 無螢幕手環（SC）與生態系補位策略
• Garmin Health 企業端生意如何帶動成長飛輪

延伸閱讀：
運動手表霸主Garmin的下一步！如何搶攻新健康經濟？
https://www.bnext.com.tw/topic/view/1001

-----------
🤩訂閱數位時代YouTube 》https://www.youtube.com/@bnext_official

-----------
🤩有合作需求請洽：podcast@bnext.com.tw

-----------

🚀 亞洲最大創新創業嘉年華 𝗠𝗘𝗘𝗧 𝗧𝗔𝗜𝗣𝗘𝗜 來了！
𝙁𝙤𝙪𝙣𝙙𝙚𝙧𝙨 𝙤𝙛 𝙏𝙤𝙢𝙤𝙧𝙧𝙤𝙬 ✨ 11.19－11.21 圓山花博
免費入場，立即報名 👉🏻 https://pse.is/9t7erg

矽谷創投下一波究竟在押注什麼？從 A16z Speedrun、Berkeley SKYDECK 到 Alchemist 三場 Demo Day，我們觀察到 AI Agent、Physical AI、機器人、半導體與先進製造正在改變新創的競爭規則。本集《AI 兩毛錢》深入分析三場 Demo Day 的代表性新創、投資趨勢與商業模式，並從 Y Combinator（YC）11 月來台舉辦 Startup School Taipei，探討矽谷為什麼越來越需要台灣的工程與製造能力。當美國新創開始主動尋找台灣供應鏈，我們能否從代工接單走向早期技術合作，提前參與下一個科技巨頭的成長？

• A16z Speedrun：AI Agent 還是創投最熱門的賽道？ 從 80 家新創、47 家 AI Agent 相關團隊，看 AI Agent 如何從聊天工具轉向企業自動化，Physical AI、機器人與國防科技又帶來哪些新機會？
• Berkeley SKYDECK：AI 走進真實世界，最大的瓶頸是什麼？ 從機器人安全、工業 AI 到晶片記憶體與散熱，解析 Physical AI 商業化背後的技術門檻，以及為什麼安全驗證與可靠性可能成為下一波熱門市場。
• Alchemist：AI 新創如何從技術走向真正賺錢？ 從半導體材料、智慧製造、供應鏈管理到農業機器人，分析 Vertical AI、Deep Tech 與 B2B 新創如何建立競爭優勢，為什麼企業越來越重視實際成果而不只是軟體功能。
• YC Startup School Taipei：Y Combinator 為什麼選擇來台灣？ 除了發掘工程師與創業人才，YC 是否也看見台灣在供應鏈上的戰略價值？
• 台灣供應鏈的下一波機會：能不能在科技巨頭誕生之前就參與？

了解更多國際新創圈大小事 👉🏼 https://meetstartup.pse.is/4jhd5u

📍鏈結矽谷創新動態，關注Startup Island TAIWAN 矽谷 Hub：https://sv.startupisland.tw/

本集為《數位關鍵字》與社團法人台灣數位安全發展協會的合作內容。

一則詐騙廣告，今天看得到，明天網址失效、帳號消失。對已經受害的人來說，麻煩的不是廣告不見了，而是能證明自己被騙的那條線斷掉了。這一集來賓講了一個數字：有詐騙集團原本詐欺金額高達 30 億，但因為被害人手上只剩最末端的匯款紀錄，前面看了哪一則廣告、進了哪一個網站全都不見，最後在法庭上認列得出來的金額可能只剩幾千萬甚至幾百萬。數位時代創新長黃亮崢 James 邀請社團法人台灣數位安全發展協會理事長劉彥伯 Paul，從一則詐騙廣告的生命週期出發，拆解數位足跡要怎麼留、AI 能判到什麼程度、以及為什麼手機截圖在法庭上不一定算數。

聽完這集你可以學到

1. 下架是對的，但下架不等於防詐：看到可疑廣告或帳號就移除，是預防成本最低的做法。但 Paul 分析，平台要下架得有依據，廣告有廣告主投的錢、帳號建立有社群原則，業者需要佐證資料才動得了手。協會的工作因此從判斷貼文與廣告內容，往前延伸到「哪些東西可以佐證這則廣告跟詐欺有關」。

2. 證據斷在最前面，詐欺金額就會縮水：詐騙集團被抓到時，行為往往發生在一年前甚至更早。被害人通常只留得住最末端的匯款與聯絡紀錄。Paul 分享，詐騙集團因此可以在法院主張「你怎麼證明我投過這則廣告」，原本 30 億的詐欺金額，最後可能只認列幾千萬甚至幾百萬。

3. 手機截圖像照片，可信存證像證物袋：Paul 用一個比喻把差別講清楚。截圖比較像是「我那天真的看過，還拍了一張照片」；可信存證則像是把證物放進一個有被封條過、有時間、有編號、有保管記錄的證物袋。重點不是有沒有留下東西，而是未來需要的時候能不能驗證：這是不是當時的那一份、中間有沒有被改過。

4. 詐騙留下的數位足跡是可以結構化的：一則詐騙廣告會留下投放帳號、幫他投放的代理商、時間、運作國家、網域等紀錄。協會把這些碎片化資訊整理成一致性的屬性，包含事件分類、風險評估、曝光的平臺、投放者、內容媒體與網域。有結構化的資料，才有東西去請平台業者調閱當時的紀錄。

5. AI 判斷準度接近百分之百，但還是要有人背書：協會與資安院、數發部在打詐通報查詢網上有合作，用 AI 對大量詐騙廣告與貼文做情資收集、分類，並產出可解釋的證據。但 Paul 強調，法律面上 human in the loop 仍然必要，必須有一個背書人，人負責最終判斷，九成多的量才交給 AI。

6. 不是所有資料都該上鏈，也不是所有單位都能上鏈：原始爬蟲資料與快照全部上鏈，第一個問題是空間，第二個是調閱效率。把某個月所有跟詐欺有關的資料全倒出來，對檢調是負擔。目前設計是先分析規劃，再把快照 hash 之後提交存證。b-JADE 的框架就是可信登入、鏈上存證、鏈下保全與授權的調閱，任何變動都會讓 hash 完全不同。

7. 防詐可以往前推，做法是白名單加上主動存證：協會與農業部合作做了一套叫「農本人」的系統，小農可以自己登錄要在哪裡賣農產品、粉絲團是哪個、通訊軟體帳號是什麼，有點像白名單。一旦被冒名，本人第一時間就會知道。黑名單那一側交給 AI 協助，兩邊結合才有機會在受害之前介入。

Paul 給聽眾的心法

「數位安全不只是技術工具，他也涉及到包含資料的可信、法遵治理跟跨領域的合作。」Paul 說，防詐要從單一事件的處理，逐步走向整體的資料治理，而這些資料必須被長期累積下來，才有在應用上的價值。

//
🚀 亞洲最大創新創業嘉年華 𝗠𝗘𝗘𝗧 𝗧𝗔𝗜𝗣𝗘𝗜 來了！
𝙁𝙤𝙪𝙣𝙙𝙚𝙧𝙨 𝙤𝙛 𝙏𝙤𝙢𝙤𝙧𝙧𝙤𝙬 ✨ 11.19－11.21 圓山花博
免費入場，立即報名 👉🏻 https://pse.is/9t7erg

11/3美國期中選舉票還在開，但民主黨已確定取得參眾兩院多數，川普總統上任近兩年的行政權獨大告一段落。

影響所及，爭論已久的關於AI監管的相關討論和立法，終有機會開始啟動，從美中競爭落後給中國的恐懼當中鬆綁；全美各州反對資料中心興建的民意，也將隨投票結果被重視，對於近年數以兆計的投資拋下震撼彈; 過去一周以來費城半導體指數和全球股市連續重挫，被視為提前修正，但修正可能還未結束。

與此同時，在英特爾、亞馬遜、Google和台達電接連交出不如預期的第三季財報，也加速自身股價和大盤下修。但是超微數字亮眼，以及光通訊領導業者邁威爾科技 (Marvell) 以1150億美元收購 Lumentum ，顯示AI科技仍在向前發展並得到支持。

當眾多變數碰撞在一起，如何從雜訊中理出頭緒？科技專家吳金榮提供他的觀點。

🚀 亞洲最大創新創業嘉年華 𝗠𝗘𝗘𝗧 𝗧𝗔𝗜𝗣𝗘𝗜 來了！
𝙁𝙤𝙪𝙣𝙙𝙚𝙧𝙨 𝙤𝙛 𝙏𝙤𝙢𝙤𝙧𝙧𝙤𝙬 ✨ 11.19－11.21 圓山花博
免費入場，立即報名 👉🏻 https://pse.is/9t7erg

🚀 亞洲最大創新創業嘉年華 𝗠𝗘𝗘𝗧 𝗧𝗔𝗜𝗣𝗘𝗜 來了！

𝙁𝙤𝙪𝙣𝙙𝙚𝙧𝙨 𝙤𝙛 𝙏𝙤𝙢𝙤𝙧𝙧𝙤𝙬 ✨ 11.19－11.21 圓山花博
免費入場，立即報名 👉🏻 https://pse.is/9t7erg

|本集介紹

日本企業接連爆出資料外洩，問題究竟藏在哪裡？《東京在線》EP45 由柯誠拆解 Times Car、樂天旅遊與 PayPay 的 10 月事件。從高市早苗深夜要求修補 PHP 漏洞談起，一路談到 GMO 勒索案與主動式網路防禦法，也替準備赴日的台灣團隊整理切入方向。

🎯 聽完這集，你會學到⋯⋯
✅ 層層外包、囤積資料與海外網站，為何讓企業的資安責任斷了線？
✅ AI 兩小時就能產出攻擊腳本，企業該如何在更新與停機之間取捨？
✅ 資料外洩和計劃性維護，差別在哪裡？
✅ 主動式網路防禦法上路後，企業與供應鏈要多扛哪些責任？
✅ 台灣資安團隊想進日本市場，該準備哪些產品與提案？

【節目資訊】
主持人：柯誠

🎧 Production Team：Meet 創業小聚
🎬 Editing and Post-Production：聲歷其境 All Around You

本集重點：

科技大廠動態掃描

• 記者帶看台達電法說會：為何訂單能見度高，毛利卻下滑？
• AI 資料中心瓶頸為何？
• 鴻海科技日秀實力，AI 伺服器產能大爆發

延伸閱讀》

「訂單能見度是高的！」台達電Q3營收創高、獲利為何季減？鄭平揭原因https://www.bnext.com.tw/article/92842/2026-delta-investor-conference

鴻海AI機櫃產能翻倍！劉揚偉揭代工龍頭難複製的兩大實力，為何看好AI不泡沫？
https://www.bnext.com.tw/article/92855/2026-foxconn-hhtd

-----------

🤩訂閱數位時代YouTube 》
https://www.youtube.com/@bnext_official

-----------

🤩有合作需求請洽：podcast@bnext.com.tw

-----------

🚀 亞洲最大創新創業嘉年華 𝗠𝗘𝗘𝗧 𝗧𝗔𝗜𝗣𝗘𝗜 來了！

𝙁𝙤𝙪𝙣𝙙𝙚𝙧𝙨 𝙤𝙛 𝙏𝙤𝙢𝙤𝙧𝙧𝙤𝙬 ✨ 11.19－11.21 圓山花博

免費入場，立即報名 👉🏻 https://pse.is/9t7erg

2026 年 10 月 21 日，日本首相高市早苗在自己的 X 帳號上發文，請大家先把網站關掉。那一天日本的全國數位身分系統下線，維基百科背後的基金會停掉部分服務，連專門保存網路歷史的 Internet Archive 都短暫離線。

這些網站都不是被駭客打掉的，是自己先下線等修補。起因是 PHP 這個快三十歲的程式語言被開出兩個 CVE 漏洞，官方評分 9.2 分，而全世界大約七成的網站背後都靠它在跑。數位時代創新長黃亮崢 James 邀請 AWS 社群英雄蔣鐙緯 Ernest，從開發者這一端拆解那一晚全世界究竟在等什麼，以及接著發生的 Zeabur 收攤、Railway 金鑰外洩與 91APP 訂單資料庫被存取，為什麼全部指向同一個缺口。

聽完這集你可以學到

1. 這次不是故障，是有洞躲在你家裡：Ernest 把去年的 AWS 大規模中斷歸類在故障，這次歸類在攻擊。故障可以回溯 log、定位哪一層出問題，修好就結束；攻擊像有人翻牆進屋後躲在床底下，你不知道他翻過哪些抽屜、還在不在。要處理的不是修東西，「壞了重開機就好」的架構也不保證他不會又進來。
   
2. 七成網站還在用 PHP，是人性堆出來的結果：PHP 不是因為過時才危險，是因為太能用。1997 年前後它是架網站最快的選擇，LAMP 同捆包造就了一整代人的入門。Ernest 分析，系統留在線上的真正原因是「它會動，我現在不要去動它；動壞了責任在我手上」。
   
3. 撐住七成網站的PHP基金會，其實只有一個正職員工：路透社在 10 月下旬訪問到 PHP 基金會執行董事，他親口說全職員工就只有他自己，其他 14 人幾乎都是兼職約聘，董事是無給職志工。Ernest 說這在開源世界不算新聞，很多語言都是從「因為愛、因為興趣」開始，最後靠基金會募款買核心開發者的時間。
   
4. 更新到最新版，不等於沒事：把版本號更新上去是基本功，連發外包也得要求廠商做到。但官方不一定會發你用的那個版本：線上還有大量 PHP 7 甚至 PHP 5，舊版得自己從原始碼重新編譯。而且軟體是一層層疊的，漏洞常出在你跟上一層、下一層的相依性。
   
5. 那一晚全世界在等的不是 PHP，是 Docker：官方版本臺灣時間接近晚上十點才放出來，但多數人跑在容器上，還要再等 Docker 包好的那一份。Ernest 形容當晚全世界在追「現在輪到誰」。他們臨時把一位資深 PHP 開發者加進有權限更新的名單，才做完分支測試、merge 回主線。
   
6. 這一波被搶其中一項稀缺資源，是 能跑AI 的 API 金鑰：當年挖礦搶的是運算資源，現在搶的是大型語言模型的 API key。Ernest 判斷 Zeabur、Railway 這類「二房東」手上剛好有一大堆，因為他們服務的客戶是會 Vibe Coding 卻不懂部署的初次開發者，很容易把金鑰直接放進平台，整個平台就成了有目的性的攻擊目標。
   
7. 刪除不等於撤銷：你在程式或平台後台把金鑰拿掉，只是把自己手上那把丟掉，小偷早就打好了備份鑰匙。要真的換掉，得回到發鑰匙的那一方，到 OpenAI、Anthropic 的後台把那把 API key revoke 掉再重新申請。Railway 要換掉的不只模型金鑰，還有資料庫密碼與金流憑證。
   
8. 91APP 被摸進去的，是一台「租來的吊車」：攻擊起點不是主系統，是內部自己在用的小工具。Ernest 用歐洲老房子打比方：樓梯太窄換不了沙發，只能租一台吊車直通三樓，窗戶全開。這種工具天生權限很大，又常不在資安盤點清單上；等人調職，吊車還停著、窗戶還開著。

//
🚀 亞洲最大創新創業嘉年華 𝗠𝗘𝗘𝗧 𝗧𝗔𝗜𝗣𝗘𝗜 來了！
𝙁𝙤𝙪𝙣𝙙𝙚𝙧𝙨 𝙤𝙛 𝙏𝙤𝙢𝙤𝙧𝙧𝙤𝙬 ✨ 11.19－11.21 圓山花博
免費入場，立即報名 👉🏻 https://pse.is/9t7erg

台積電在美國投資持續擴大，原先在亞歷桑那州的新廠開始運營，並與馬斯克洽談在德州Terafab園區設廠的可能。

圍繞台積電在亞歷桑那鳳凰城廠區發展起來的，是供應商陸續入駐設立倉庫，以及多種生活配套業者加入，也帶動當地地產開發商各種建案啟動，提供住房、辦公樓和倉儲各種租賃和置產需求。

亞歷桑那州駐台代表徐竹先指出，光今年台灣就有10團參訪團到亞歷桑那考察，其中不乏螺絲螺帽等傳產業者; 鳳凰城不只是吸引半導體業，而是成為台灣廠商前進美國的新據點。

他觀察，美國和台灣同樣缺少技術工人和中基層主管，而每年平均20萬、總計超過千萬的美國退伍軍人，會是台積電重要的人力管道。他分析，許多退伍軍人不到30歲，有戰場服役經驗抗壓性高，包含受過各種設備操作和維修訓練的專業兵種，很契合晶圓廠需要。

🚀 亞洲最大創新創業嘉年華 𝗠𝗘𝗘𝗧 𝗧𝗔𝗜𝗣𝗘𝗜 來了！
𝙁𝙤𝙪𝙣𝙙𝙚𝙧𝙨 𝙤𝙛 𝙏𝙤𝙢𝙤𝙧𝙧𝙤𝙬 ✨ 11.19－11.21 圓山花博
免費入場，立即報名 👉🏻 https://pse.is/9t7erg

百工百業如何導入 AI？本集邀請「智慧方案」創辦人暨執行長陳慶蔚 Albert，分享團隊協助超過 200 家製造業導入 AI 的實戰經驗，帶我們了解 AI 如何為製造業創造效益！

本集重點：

• AI先處理重複性作業，先切入投報比最高的工作，消除員工排斥感
• 怎麼訓練老師傅的「AI SOP」，是工廠傳承關鍵
• 「Agent 對接 Agent」時代來臨，人類員工除了坐著喝茶，還能做什麼？

延伸閱讀》
1公斤混凝土只賣1.5元，為何日本也來取經？4家傳產AI轉型實戰揭秘
https://www.bnext.com.tw/topic/view/1000?utm_source=bn_weekly&utm_medium=email&utm_campaign=2026-10-28&bx_heid=7386769937

-----------
🤩訂閱數位時代YouTube》
https://www.youtube.com/@bnext_official

-----------
🤩有合作需求請洽：podcast@bnext.com.tw

當 AI Agent 已經能寫程式、做分析，甚至獨立完成複雜任務，為什麼企業導入 AI 還是困難重重？本集邀請 NitroLens AI 共同創辦人暨執行長 Ian Chou，從麥肯錫顧問與 Cisco 企業策略的經驗出發，討論企業如何讓 AI 真正理解組織運作，而不只是回答問題。從製造業的資料孤島、老師傅腦中的隱性知識，到跨部門的供應鏈決策，我們將深入解析 AI Agent 如何從個人工作助手，進化成協助整間企業運作的「中央智慧大腦」。

• AI Agent 為什麼懂個人，卻不懂企業？ 
• 製造業為何成為企業 AI 的下一個戰場？ 
• AI 從聊天工具走向自主執行任務，企業準備好了嗎？ 
• 當 ChatGPT、Claude 等 AI 超級應用越來越強，新創還有生存空間嗎？ 
• AI 會取代工作，還是創造全新的職業？ 

了解更多國際新創圈大小事 👉🏼 https://meetstartup.pse.is/4jhd5u

📍鏈結矽谷創新動態，關注Startup Island TAIWAN 矽谷 Hub：https://sv.startupisland.tw/

最近好幾家企業的主管都說，一年的雲端預算因為 AI，幾個月就燒光了。大家都知道訓練模型很貴，但真正每天在燒錢的其實是推論，也就是每個人每天打開 AI 問問題時用掉的 token。當雲上的模型從 300B 擴大到號稱 3T 參數，企業還該追求最大的模型嗎？數位時代創新長黃亮崢 James 第三度邀請耐能（Kneron）創辦人暨執行長劉峻誠 Albert，這次不解釋晶片，而是從 AI 帳單切入，拆解推論為什麼這麼貴、Apple 與 Google 為什麼都走向 NPU，以及端雲並存的時代，AI 究竟該放在哪裡。

聽完這集你可以學到：

1. 推論貴，是因為拿訓練晶片來跑：Albert 形容，用訓練用的大晶片跑推論，就像開墾完荒地，還用同一台重型開墾機去插秧。雲上模型從去年的 300B 擴大到號稱 3T 參數，等於拿十倍大的機器做插秧的事，浪費也跟著放大。
2. AI 分三階段，各有擅長的晶片：訓練階段是 GPU 的優勢；推論階段需要便宜、專做推論的 AI ASIC，博通、聯發科都在投入；到了端側裝置，就是功耗低、面積小的 NPU 的主場。CPU、GPU、ASIC 與 NPU 各有自己的市場。
3. 模型要剛剛好，不是越大越好：臺灣一家市值前三大的企業，每月付給公有雲業者約 200 萬美元，而且只開放給主管以上使用。Albert 建議把行政、改錯字這類簡單工作交給小模型或免費工具，估計能省下 40% 到 50% 的花費，就像切水果不必拿殺牛刀。
4. 指標要看場景：機器架在自家地端、電費自己付，就會在意 tokens per watt，也就是每瓦電能產出多少 token；用雲端服務、錢由業者付的時候，在意的則是速度，也就是 tokens per second。
5. 端與雲會並存，關鍵是誰擁有：Albert 認為太陽底下沒有新鮮事，從個人電腦對上超算中心，到 Chromebook 主張全部上雲，同樣的爭論一再出現，最後端與雲都會各自找到位置。他用 Uber 與自己買車比喻：用雲端 AI 是需要時叫車，模型、資料與機器都在自己手上，掌握度才高。
6. Apple、Google 都在走 NPU 路線：Albert 觀察兩家公司都開始公開談 NPU，Google 稱為 TPU，但屬於類似架構。家裡的裝置要像人一樣溝通順暢，最好用同一種腦，他比喻，貓腦與狗腦的裝置很難聽懂彼此。
7. TOPS 不是最重要的數字：同樣 3 TOPS，CPU、GPU、NPU 擅長的運算完全不同。Albert 用跑車比喻，900 馬力但轉換率只有一成，有效馬力只剩 90，反而跑不贏轉換率百分之百的 300 馬力。
8. 整合有代價，獨立 NPU 有空間：CPU、GPU、NPU 整合在同一顆晶片，效能會各掉約 30%。手機這類面積受限的裝置適合整合，超算中心則一定用獨立晶片，就像有人買瑞士刀，也有人只要一把好用的水果刀。
9. 臺灣談主權 AI，繞不過水電：Albert 提到韓國政府計畫讓超算中心以 NPU 為主。他粗估臺灣若全走 GPU 路線，一年電費約 60 億美元、需要 169 GW 的電，等於得多蓋一座電廠。水電在臺灣是政治敏感題，但他強調，不研究、不仔細談就不會前進。

延伸閱讀：

劉峻誠觀點：當蘋果、Google開始擁抱NPU路線（風傳媒）：https://www.storm.mg/article/11154120

數位關鍵字151．從0到1的AI晶片革命：NPU如何重塑智慧世界：https://www.bnext.com.tw/podcast/656/bn-sound-20240908215439-e3tkc4bc

數位關鍵字174．從 DeepSeek 開源看半導體市場震盪！NPU 將如何重塑 AI 運算格局？：https://www.bnext.com.tw/podcast/756/bn-sound-20250208155129-f5g9dnba

不限於創業，所有想創新的工作者，ㄧ輩子ㄧ定要去一趟矽谷。

來自南台灣的連續創業家朱宜振，與二位曾在蘋果總部工作的工程師，正在一段創業路上。他們毛遂自薦獲得AI大神吳恩達的AI Fund青睞，成為其旗下接受協助的團隊之一，近距離與這位世界級專家互動。

這樣的故事，在矽谷並不少見。朱宜振舉例，創業夥伴的隔壁鄰居就在知名科技公司擔任主管，兩人經常晚上出來倒垃圾時會聊到創業進度。在其他地區只能靠想像和看報導的事，在矽谷卻是許多人的日常。

這種氛圍和人才密度很難複製，對創新的成功率直接相關。即使失敗，也被當成離成功更進一步而被肯定，鼓勵更多的想法付諸行動。朱宜振觀察，因AI影響，許多國際團隊直接到矽谷創業，包含來自台灣、以及本來就在矽谷工作的台灣人，正在參與並型塑這個科技聖地的面貌。

本集重點：

• 簡報設計師年薪數百萬，文組在 AI 浪潮的華麗逆襲
• 矽谷最夯 FDE 前線工程師，業務＋技術＋顧問的三合一全能王
• 大模型的幕後把關者，AI 訓練師破解中文「擦邊球」難題

延伸閱讀》
AI訓練師、FDE、簡報設計師第一線直擊！揭開AI時代最搶手人才的新面貌
https://www.bnext.com.tw/topic/view/999?utm_source=bn_weekly&utm_medium=email&utm_campaign=2026-10-21&bx_heid=7386769937

-----------
🤩訂閱數位時代YouTube 》
https://www.youtube.com/@bnext_official

-----------
🤩有合作需求請洽：podcast@bnext.com.tw

在日本，叫車 App 要成長，關鍵除了乘客下載量，還包括能否接上足夠的計程車、取得地方業者信任，並符合交通服務的管理方式。2026 年上市的 GO，正好提供了一個觀察案例。

本集《東京在線》，主持人柯誠從 JapanTaxi 與 MOV 的合併談起，梳理 GO、Uber、S.RIDE 等平台在日本的競爭，也介紹疫情後司機短缺如何推動「日本版共乘」。GO 的業務如今涵蓋叫車、企業用車、車內媒體與行車安全服務；這些服務如何與既有車行合作，是理解其成長的重要線索。

｜本集重點

• JapanTaxi 與 MOV 為何走向合併，GO 又如何擴大在日本的車隊網絡？
• Uber 等平台進入日本後，為何必須重視當地車行與交通制度？
• 日本版共乘如何補足計程車運力，GO 在其中扮演什麼角色？

【節目資訊】
主持人：柯誠

🎧 Production Team：Meet 創業小聚
🎬 Editing and Post-Production：聲歷其境 All Around You

2026年七月，美國財經媒體 Forbes 花了大約 7,200 萬美元跟 Google 買搜尋廣告，同一段時間它的自然搜尋流量掉了近三成。做內容的人，反過來跟吃掉自己流量的那家公司把流量買回來。不只它，美國前 100 大出版商光是七月就花掉 1.13 億美元，年增四成。廣告版位其實都還在，只是搬到了一個你到不了的地方。數位時代創新長黃亮崢 James 邀請關鍵評論網媒體集團技術長、DMA 媒體組召集人李致緯 Richard，從第三方 Cookie 一路聊到今天的 AI 代理人。

聽完這集你可以學到

1. 關鍵字廣告買的不是版位，是意圖：2025 年臺灣關鍵字廣告市場達 167.2 億元，還年成長 3.9%。Richard 分析，AI 能直接回答問題反而讓意圖更值錢。你在蝦皮或 Amazon 搜尋洗髮精也是關鍵字廣告，只是推的是商品不是網頁連結。

2. Privacy Sandbox 收攤，卡在瀏覽器不只一家：Google 原本要用 Topics API，讓瀏覽器根據你看過愛料理或數位時代自己幫你貼標籤。Richard 指出，這等於把權力交還給瀏覽器，但 Google 說服不了 Apple 的 Safari 與微軟的 Edge，草案沒被廣泛採用，胎死腹中。

3. 決定傷害大小的是品牌辨識度：這一年媒體同行掉一兩成算輕，掉到三四成的也有。但紐約時報不需要人家特別去搜尋，它本身就是平台。愈需要靠平台導流的中小型媒體衝擊愈大，數位原生媒體又比老牌雜誌媒體更慘。

4. Google 一定會把錢收回自己的平台：Meta 與 TikTok 從第一天就是封閉環境，Google 卻做了聯播網把營收分給開放網路的媒體。Richard 判斷，競爭者全是封閉平台、廣告主又習慣買一家就解決，Google 往自己平台收攏無法避免。

5. 爬蟲分三類，真正該擋的只有一類：搜尋引擎的爬蟲會把讀者導回來，多多益善；代理人型背後是真的有人在問問題，原則上歡迎；只有抓回去訓練模型那一類該擋。Richard 建議第一步不是急著封鎖，而是先清查有哪些爬蟲。

6. 兩場反壟斷都判壟斷，卻都不用拆：一是免費正是壟斷的本質，拆掉後如果 Chrome 開始收費，反壟斷法想給的「更多選擇」就變成付更多錢。二是市場本身變了，法官在判決裡點出有新的變形搜尋引擎，而且判決出爐時 ChatGPT 早就問世。

7. 內容授權平台會賺錢，但撐不起一家公司：AI 爬蟲每爬一次付 0.001，積沙成塔湊出新模式。Richard 說他們是亞洲前幾個導入的，賺得到錢。但這是雙邊市場，想收的大家都想收，願意付錢的供應商還不是多數，要撐起一家公司「蠻遙遠的」。


Richard 給媒體同業的提醒

臺灣沒有 Apple News 那樣會分潤的入口，自組平台或聯合跟 AI 公司談授權，Richard 認為牽涉太複雜的立法與產業結盟，「都做不太到」。他的結論不是放棄做媒體，而是放棄用流量當變現的主要手段。如果還抱著「有一天流量會再上高峰」的想法，那是在等不會發生的事。「消滅的是流量，但是留下來的其實還是跟讀者之間的關係。」

台積電於10月15日下午公布第三季業績，在營收、獲利和每股盈餘都比第二季表現更出色，相比去年同期更是大幅成長，美中不足是毛利率66.4%比起第二季的67.7%，減少一點三個百分點。

台積電財務長黃仁昭解釋，毛利率下滑來自二個原因： 1. 兩奈米製程進入量產的相關費用 2. 海外產能佔營收佔比提升。仔細來看，這兩點對台積電都是好事，兩奈米製程收入在第三季已佔整體8%，而海外產能提升更緩解了交貨壓力。

在回答分析師提問時，董事長魏哲家也証實在德州尋求建廠擴大產能，以及與馬斯克洽談合作，但前提一定是台積電經營自己的晶圓廠。科技專家吳金榮分析，這表示雙方最可能的合作方式是台積電向TeraFab園區租地自建晶圓廠，排除先前傳出的台積電幫馬斯克運營TeraFab晶圓廠的選項。

此外，1.4奈米製程的進度，先進封裝CoWos和CoPos的近況，晶背供電技術發展，都是問答中的重點。這場法說會還有哪些重點和弦外之音？請聽吳金榮解讀

Bloomberg在八月底刊出一篇重磅新聞，關於金管會主委彭金隆如何改造台灣總值達40兆台幣的保險業。文中論點之一，是台灣保險業過去長期大量購買美國公債和公司債，一方面造成資金持續外流，一方面近年因台灣經濟成長強勁面臨台幣升值壓力，持有高部位以美元計價的資產，曝露在匯兌損失的風險升高，等於資產縮水，也不利於到期和後期的理賠支付準備。

另一方面，早年為衝業績而暢銷的高利率保單，如今成為燙手山竽；加上過去保費收入認列寬鬆，在今年改為 IFRS 17的計列方法後，收入和獲利認列、賠付提列都更合理也更嚴格，直接影響保險業的損益表和資產負債表。

換個方式思考，在這一波全球AI基建大潮中，滿手現金的保險業者，如何參與其中分享利潤，化被動為主動，而不是一直面對保戶解約將錢轉投股市和ETF市場？新光人壽董事長魏寶生在本集節目分享他的觀點。

本集重點：

• 打造跨國「知識庫」破解經驗斷層
• AI 模型預測供需，實現精準產銷同步
• 解決缺工痛點，讓垂直領域專家掌握 AI 工具

-----------
🤩訂閱數位時代YouTube 》
https://www.youtube.com/@bnext_official

-----------
🤩有合作需求請洽：podcast@bnext.com.tw

不用替每個車位裝上地鎖或收費機，共享停車平台如何維持預約秩序、處理糾紛，最後走到上市？本集《東京在線》由柯誠解析日本 akippa 的平台模式。從閒置車位的供給、車主與地主的信任，到疫情期間的需求變化，帶你看一家以 App 串起實體空間的公司，如何跨過成長中的難題。

akippa 於 2026 年 9 月在東京證交所 Standard 市場上市。同月，東證公布 TSE Asia Startup Hub 的 2026 年支援名單，為海外新創提供在日本拓展業務、籌資與準備上市的協助。本集也將視角帶到台灣：當東證積極接觸亞洲企業，台灣新創能從中看到什麼機會？
akippa 上市公告・東京證交所公告

｜本集重點

• 不裝地鎖與收費機，akippa 如何讓閒置車位成為可預約、可管理的服務？
• 面對出租權、鄰里疑慮與停車糾紛，共享停車平台如何建立信任？
• 東京證交所為何扶植亞洲新創，這項計畫與台灣企業有什麼關係？

【節目資訊】
主持人：柯誠

🎧 Production Team：Meet 創業小聚
🎬 Editing and Post-Production：聲歷其境 All Around You

一台掛在會議室牆上的攝影機，可以讓台灣一家公司失去跟整個美國聯邦政府做生意的資格。那台攝影機不必接到任何政府的案子，只要在那裡就夠了。今年台灣網通圈開口閉口都是 NDAA，美國國防授權法案，多數人的理解是中國出局、台灣得利。但要把設備賣進美國，要過的門不是一道，是三道，每一道問的問題都不一樣。數位時代創新長黃亮崢 James 邀請友訊科技董事高宏傑 Brian，拆解 FCC、NDAA、TAA 這三道關卡各自在管什麼，以及台灣站在三道門前面，為什麼一邊是贏家、一邊還在門外排隊。

聽完這集你可以學到：

1. 美國的門不是一道，是三道：FCC 問的是這台設備還能不能在美國賣，NDAA 問的是設備裡面有沒有不該有的東西，TAA 問的是這些零件最後是在哪個國家變成這台設備的。Brian 分析，三道關卡管的層次完全不同，把 NDAA 當成唯一一道門是業界最常見的誤解。

2. 「外國生產」的定義寬到把工程師也算進去：FCC 認定的外國生產涵蓋設計、開發、組裝、製造，只要任何一個主要階段不在美國境內就算。Brian 直言這對台灣 ODM 特別傷：工廠可以搬，但軟硬體設計的工程師還在台灣，不可能整批搬去美國。

3. 白名單是一張 18 個月的倒數計時：解法是申請一張叫 Conditional Approval 的白名單，由美國國防部與國土安全部審核。Brian 說明，效期只有 18 個月，申請時要交出把製造移回美國的時程、股東名冊與供應鏈細節，而且沒有排外，連 Netgear 這種美國品牌、甚至 SpaceX 自己的 Starlink 設備都得排隊。

4. 一台會議室的攝影機就能斷送聯邦合約：NDAA 的管制分兩層，第一層是聯邦機關不能買華為、中興、海康、大華這些公司的通訊與監控設備，第二層更狠，所有跟聯邦政府做生意的承包商，連自己公司內部都不能使用。Brian 提醒，這條規定還會跟著錢走，學校與電信業者拿了聯邦補助，補助款也不能拿去買。

5. SpaceX 要的不是最便宜，是證明得出來：Brian 解釋，SpaceX 不只是發射衛星的商業公司，也是美國國防部的主要承包商，整個企業都落在 NDAA 的管制範圍內，連內部使用都受限。對這種買家來說，判準不是價格，而是這台設備乾不乾淨、能不能被稽核。

6. NDAA 是黑名單不是白名單：不在黑名單上的東西都能用，包括中國工廠生產的非管制零件與未被點名的 IC。Brian 認為真正困難的不是換料而是查不清：市面上有記憶體模組外面印著 A 品牌、裡面顆粒卻是別家做的，你不可能刮開來看。客戶因此開始要求追到晶片層級。

7. NDAA 追到晶片，TAA 只看最後一站：兩道門的邏輯剛好相反。TAA 問的是地理，只要在台灣完成打件、組裝、燒韌體與測試，構成實質轉型，就算零件全部來自中國，這台設備照樣是台灣製、照樣合規。Brian 也提醒，越南從來不是 TAA 的合格國家，當年搬過去是為了躲關稅，對賣美國政府沒有幫助。

8. 台灣的雙面性：一邊是贏家，一邊在排隊：Brian 判斷，在 NDAA 與 TAA 兩道門前面，台灣是合格國家、供應鏈乾淨又查得清楚，老牌 ODM 二三十年被迫誠實反而變成本錢。但在 FCC 那道門前面，只要設計還在台灣，就跟所有外國廠商一樣在門外等。

誰能賣設備給 SpaceX：Brian 不點名公司，但給了三個條件。第一是真實的製造能力，要有經得起海關與客戶稽核的打件產線，而不是一個鎖螺絲的包裝站。第二是可以稽核的料表，美國國土安全部已經有一套硬體原料框架叫 HBOM，FCC 也在內部徵詢要不要採用，美國法律還沒強制，但客戶已經開始問了。第三是看清楚台灣的雙面性，不要把制度紅利當成穩贏。

Brian 的結論是：「去中國化的紅利台灣已經在吃了，可是下一階段美國想玩的遊戲是去外國化。」誰能賣設備給 SpaceX，取決的不是價格，而是你的料表與生產履歷能不能攤開檢驗。

外號蘇媽的超微執行長蘇姿丰，近來風頭超越黃仁勳和馬斯克。

在川習會的國宴上，她被川普安排坐主桌，引發外界好奇美國政府直接持股的英特爾執行長陳立武，為何無此待遇？超微以83億美元，收購有AI教母之稱的李飛飛創辦兩年的World Labs, 搶先布局下一階段，在男性執行長主導的AI領域，二位頂尖女性聯手屬於空前，正值超微市值破一兆美元，蘇姿丰也成為史上首位女性執行長管理破兆市值企業。

10/6下午，她旋風抵台，24小時內密集會見台灣供應鏈廠商，從晶片代工、封測、記憶體到系統組裝夥伴，確保明後年產能供應跟上訂單。

本集重點：

• 生產力提升的關鍵在於系統化建置而非堆疊人力
• 淬鍊經驗為「AI 老師傅模型」
• 推進「預測性維護」與數據標準化

延伸閱讀》
當AI「挺」進製造業：預測性維護、視覺品檢、具身智慧一次搞懂
https://www.bnext.com.tw/topic/view/997?utm_source=bn_weekly&utm_medium=email&utm_campaign=2026-10-07&bx_heid=7386769937

-----------

🤩訂閱數位時代YouTube 》
https://www.youtube.com/@bnext_official

-----------

🤩有合作需求請洽：podcast@bnext.com.tw

本集《東京在線》，主持人柯誠邀請京都大學農學研究科碩士、現居東京的關悅誠（Yueh-Cheng Guan），從醫藥技術調研與科學評估的角度，帶我們理解新藥開發的真實過程：早期研究成果該怎麼判讀？生技新創簡報中的數據，哪些值得追問？一項有潛力的技術，又該如何面對法規、量產與市場的考驗？

訪談也將討論日本面臨的「Drug Lag」與「Drug Loss」、國際藥價機制，以及跨國臨床試驗規則的變化。當台灣生醫團隊思考進入日本市場，除了推出自有品牌新藥，還能從哪些合作環節找到機會？跟著本集，從一顆藥的開發旅程，重新認識日本醫藥產業的創新與挑戰。

｜本集重點

• 一顆新藥從實驗室走到上市，要跨過哪些研究、臨床與法規關卡？
• 從第一三共的 ADC 藥物及中外製藥的口服減重藥，可以看出日本藥廠如何與全球夥伴合作？
• 面對 Drug Lag、Drug Loss 與臨床試驗規則的變化，台灣生醫團隊有哪些切入日本市場的機會？

【節目資訊】
主持人：柯誠
來賓：關悅誠（Yueh-Cheng Guan），醫藥健康領域技術調研與科學評估從業者；京都大學農學研究科碩士

🎧 Production Team：Meet 創業小聚
🎬 Editing and Post-Production：聲歷其境 All Around You

2026年 3 月萬事達卡花 18 億美元買下穩定幣服務商 BVNK，4 月 Circle 推出自己的支付網路，8 月 Stripe 據報花 75 億美元買下 AI 模型路由商 OpenRouter，9 月 Chime 花 5.9 億美元買下 1913 年成立的 Stride Bank。一家卡組織、一家發幣公司、一家支付閘道、一家網路銀行，看起來毫不相關，卻很可能是同一個目標底下的不同角色。數位時代創新長黃亮崢 James 邀請金融科技產品專家徐君鳳 Cathy，拆解 Stripe 為什麼願意用 5 倍溢價，買下一家不持有任何一張 GPU 的AI新創。

聽完這集你可以學到：

1. token 成本會被寫進交易裡，就像手續費：Cathy 認為未來所有產品都會有 AI 的一部分，那所有交易本身都會有 AI 的成本，「就像我們買所有東西都會有稅在裡面」。同一筆帳單上會有不同項目，其中一項就是 token 成本。
2. 一筆刷卡背後有六到七個角色在分潤：Cathy 拆解完整鏈路，從收單（acquiring）、發卡（issuing）到 Visa 與 Mastercard 這層網路，我們常聽到的 2% 到 3% 手續費，中間其實有六到七個角色在分。看懂這條鏈，才會覺得多一層 AI 決策成本並不突兀。
3. Stripe 用三筆收購補完了三條流：OpenRouter 對應「決定」、跟 Paradigm 一起做的 Tempo 對應「資訊流」、Bridge 對應「清算」，而 Bridge 拿到 OCC 監管的信託銀行執照，把最後一塊拼圖也拼上。
4. 卡組織做穩定幣結算是防守，不是進攻：Visa 的 USDC 結算今年年化突破 200 億美元、年增 15 倍以上。Cathy 判斷這是必要的防守：商家最大的痛點是刷卡後要等三到五天才拿到錢，把結算做快，是為了降低商家轉去新網路的慾望。
5. 搶銀行牌照，是為了三件只有銀行能做的事：加入 FDIC 存保、在聯準會開帳戶、用極低成本做隔夜拆借。新設立的 de novo bank 前三年只能做申請書上寫的業務，Square Bank 當年只被核准存款與中小企業放貸兩項。Chime 直接買下營運一百多年的 Stride Bank，代價則是文化與技術整合往往要三到五年。

Cathy分享，付款閘道與 token 閘道，本來就是同一種生意。沒有人會把 AI 跟支付想在一起。但支付的本質是撮合：讓商家接上網路、讓消費者連進來，把交易帶到價值交換完成。OpenRouter 面對的是同一個結構，幾百個模型分散在幾十家供應商手上，價格與延遲各不相同，使用者需要有人替他挑。更關鍵的是撮合後留下的資料，知道大家怎麼選，就能回頭做最佳化與客製化。這正是支付公司最熟悉的位置。

token 成本會變成損益表上必須有的一行。過去我們決定要買什麼，靠自己搜尋、自己看評論、自己在腦袋裡整理，那是外部化的人力成本，不會出現在任何一張帳單上。當 AI 代理人接手這一段，成本第一次有了計價單位，而那個單位就是 token。Cathy 認為付費方式很可能從「每月付 20 美元訂閱費」轉向 result-based，真的撮合成一筆交易才收費，成本直接嵌進那筆交易裡，就跟現在商家端被抽的 3% 一樣。至於多一層成本為什麼還有人用，她的答案是規模：實體經濟已經成熟，網路經濟至今仍只是個位數百分比。

延伸收聽：

數位關鍵字195. 美參院通過穩定幣天才法案！為什麼注定將成金融科技的關注焦點（徐君鳳 Cathy 上一次上節目，本集的前傳）：https://www.bnext.com.tw/podcast/837/bn-sound-20250706224428-9pj9wi17

AI時代需要什麼樣的人才？或者反過來問，什麼樣的人才不再被需要？傳統那套念書、考試拿文憑，從學士、碩士到博士的路還走得通嗎？

兩百多年來以革命著稱的法國，在教育方法上同樣激進。當然，公立教育除外。在2013年由私人出資在巴黎興辦的School 42, 不設學歷門檻，人人都可報名，經過層層篩選取得入學資格。這所學校沒有課程、沒有老師也不發文憑，只有一道又一道的程式題目，學生必須想辦法解開，需要的能力自己想辦法自學。學校宗旨相當於把學生丟進游泳池，但不給救生圈和救生員，要自己努力爬上來。

台科大產學創新學院執行長楊光磊，對動手實做解決問題的能力，評價高於單純上課考試。他研究School 42模式多年，也有興趣引進台灣落地。在那之前，他也將動手實做的能力，放在台科大的新竹校區，從半導體先進封裝著手，結合企業和學校，培養畢業後直接進產業的人才。

本集重點：

• 從「能做什麼」轉向「想做什麼」，意圖與願景成為新護城河
• 具備批判性思考，做最後把關與決策的承擔者
• 避免成為「一張白紙」，畢業生出社會前可以如何強化競爭力？

延伸閱讀》
AI改寫人才戰！會用AI只是基本，下一代該練什麼能力？
https://www.bnext.com.tw/topic/view/996

-----------
🤩訂閱數位時代YouTube 》
https://www.youtube.com/@bnext_official

-----------
🤩有合作需求請洽：podcast@bnext.com.tw

婚戀交友市場可以說是軟體創業的老戰場，但當 Dating App 成為日常，越來越多人卻開始感到疲憊，甚至重新回到跑團、聚會與各種實體社交場合。本集邀請長期觀察北美華人交友市場的「矽谷月老」Ken，從跨文化擇偶、交友軟體的結構性問題，到新一代實體交友模式，解析科技如何改變現代人的感情選擇。我們也聊到 AI 能不能真的幫你找到適合的人，以及在演算法越來越懂你的年代，為什麼「真人相處的感覺」反而變得更加重要。

本集重點：

• 為什麼大家開始 Dating App 疲勞？ 
• 在美國交往，文化背景有多重要？
• 年輕人為什麼重新回到實體交友？ 
• AI 可以幫你找到另一半嗎？ 
• 交友也需要建立「手感」？ 

了解更多國際新創圈大小事 👉🏼 https://meetstartup.pse.is/4jhd5u

📍鏈結矽谷創新動態，關注Startup Island TAIWAN 矽谷 Hub：https://sv.startupisland.tw/

8 月 16 日，一家做線上刷卡的公司買下了一家幫你挑 AI 模型的公司；18 天後的 9 月 3 日，最會賣 AI 晶片的那家公司用 129.3 億美元買下全世界最大的模型倉庫。兩家買主，Stripe負責收錢，NVIDIA做晶片，而它們買的公司都不做模型。同一個月還有第三件事：9 月 15 日，一個叫 Jev 的模型上線，它一個字都不生成，只回答一個判斷加一個機率。數位時代創新長黃亮崢 James 邀請 AWS 社群英雄蔣鐙緯 Ernest，拆解這兩家公司為什麼不造模型卻值這麼多錢，以及當AI把判斷變成便宜零件之後，人還剩下什麼要做。


聽完這集你可以學到

1. 不造模型的公司為什麼值這麼多錢：Ernest 的習慣是先看營收合不合價格。Hugging Face 營收印象中一億多美金，NVIDIA 卻開出約七、八十倍，代表買的不是營收。他的判斷是，這兩家已經站在所有人都會路過的那條路上，換成行銷的語言就是通路商。
2. Hugging Face 是模型的貨架：以前找程式碼去 GitHub，現在找模型去這裡，還有訓練用的資料集與可直接試玩的 Spaces。Ernest 認為關鍵在旁邊那張模型卡，它記錄了怎麼訓練、有沒有坑、別人在哪些場景踩到雷。選型看的是這些，不是參數。
3. OpenRouter 是路由器，也是收銀台：它依任務複雜度、價格、速度與供應商穩定度幫你挑模型與機房，再從預先儲值的餘額扣款、賺一點價差，很像金流廠商抽成。Ernest 說它對企業最實際的價值在帳單：自己串三家就是三份帳單，走中間層是一張，而且是累計式預儲。
4. NVIDIA 買下Hugging Face貨架，一手合規一手私心：Ernest 把架構拆成應用、模型、基礎設施、晶片四層，指出晶片層選項其實很多。NVIDIA 需要對外證明自己不是壟斷，買下 Hugging Face 就能說模型也跑得動在別家晶片上。黃仁勳承諾不會要求必須用 NVIDIA 的運算，他認為合理，因為不需要把路全部擋死，但也相信 NVIDIA 有讓模型優先跑在自家與 Groq 上的私心。
5. 賣場走道怎麼排，比會不會被下架更關鍵：James 用賣餅乾的公司買下最大超市比喻，Ernest 拆出三個施力點：搜尋與推薦決定你碰不碰得到、預設值決定你怎麼跑第一次、文件與範例決定哪條路比較容易成功。他也留一句給買家，超市再大，餅乾越做越爛，消費者還是會用現金投票。
6. 開發者沒有因為收購而改變做法，因為本來就該做備案：Ernest 用 CI/CD 的思維看待，每個單點都可能壞掉。Hugging Face 對他們切在研究階段，模型下載後進自己的備份備援機制；OpenRouter 這側，架構裡本來就有自己的排程與路由層，出事就改打 Amazon Bedrock 或原廠 API。

這兩樁收購買的是必經之路，不是模型。 模型正在變便宜、變成通用商品，值錢的是模型經過的那條路。找模型大家都去 Hugging Face，決定這次用哪一個模型，很多團隊走 OpenRouter。Ernest 的觀察是，工具會一直換，但人要解決的問題不會消失，舊問題被解決之後人就會找到新問題，價值於是見縫插針地長出新的中間層。至於 Stripe 為什麼買，他的結論很直接：金流公司最怕使用者跑去新的通路而自己不知道，先切通路才能提早布局。

Jev 便宜到可以多判斷幾次，再取統計：一次判斷約萬分之四美金、約 1.2 分台幣，端到端只要 70 到 500 毫秒。Ernest 提醒它的設計目標是「做判斷」而不是「做出正確的判斷」，結果一樣可能錯。但既然一小時能跑 60 次，那就跑 60 次取平均或中位數，用統計逼近答案。


人剩下的是定義與例外。 判斷都外包出去之後人還要做什麼？Ernest 的答案是先把 AI 切開來想，不管用不用 AI，我們自己有哪些事情想做。接著把事情定義下來，而且要同時有正面與負面描述，因為一定會有例外。這些例外能不能變成標準案例、能不能寫成處理流程，都描述清楚之後，才輪到思考哪些可以導入 AI 與 Jev 這類判斷。他也強調判斷本身要能迭代進步，一開始就認定它不準，那就用其他技巧層層疊上去。


Ernest 的心法：梳理流程最困難的地方從來不是工具，是大部分的人無法描述規則。


延伸閱讀

• 蔣鐙緯 Ernest 的梳理流程工作坊：https://www.kyklosify.com/zh/contact/
• TypeSafe AI 發表 Jev 的官方原文：https://typesafe.ai/blog/introducing-system-one-models-and-jev
• NVIDIA 收購 Hugging Face 官方公告：https://blogs.nvidia.com/blog/nvidia-to-acquire-hugging-face/

熵(Entropy)代表亂度，以熱力學解釋，ㄧ個系統在正常無外力介入做功之下，長期必然走最大亂度和最低能量。想像一個幾天沒有收拾的床鋪和餐桌，就知道亂度如何產生，而花力氣去收拾回復整潔，就是外力介入做功。

合金則是以一種金屬為主，再加上一或多種元素，改變其原有性質，比如鐵加上碳成為鋼，鋼的強度和使用場景就高於鐵。高熵合金是以多種以上元素為基礎混合而成，打破傳統以單一元素為基礎的合金做法，增加許多新材料被開發和應用的可能性，在科學研究和工程技術上極具潛在價值，也被視為未來諾貝爾獎的熱門領域。

清華大學材料系特聘研究講座教授葉鈞蔚，是全球研究高熵合金的先驅，並ㄧ路從合金擴大到非金屬的高熵材料領域。在現有化學週期表上的已知元素中，從中再做排列組合找到新材料的組成，遠比再發現新元素更具可行性。

被稱為「高熵合金之父」的葉均蔚，最近在時報出版社出書談自己的研究生涯，並在本集podcast分享他的人生故事。

本集重點：

• 沉浸式體感與「推活」線下狂歡
• 經典 IP 重製潮與 Y2K 懷舊紅利
• 生成式 AI 遭玩家社群反彈，大廠宣傳主打「純手工」

延伸閱讀》
直擊東京電玩展30週年！老IP重新上場、AI走進開發流程，台灣如何切入遊戲產業下一局？
https://www.bnext.com.tw/topic/view/995

-----------

🤩訂閱數位時代YouTube 》
https://www.youtube.com/@bnext_official

-----------

🤩有合作需求請洽：podcast@bnext.com.tw

這一集，主持人柯誠要拆解9月15日日本內閣通過的消費稅減稅政策：飲食料品稅率從8%砍到1%，為期兩年。這個政策乍看是德政，柯誠會從稅務系統的技術限制、第一線店家的定價操作，到日本財政史上的前例，帶大家理解這項政策實際上會怎麼運作，以及2029年是否真的能回到原本稅率。

本集重點｜
✅ 日本政府把稅率訂在「1%」而非0%，背後跟Invoice制度與POS系統的技術限制有什麼關係?

✅ 內用10%、外帶1%的9個百分點價差，會在忘年會、年菜訂購、到府主廚服務等場景，衍生出哪些真實的節稅操作?

✅ 麥當勞與星巴克面對雙重稅率時，分別採取了什麼不同的定價策略?

✅ 日本財政史上「暫定稅率」為什麼總是變成永久稅率（以汽油暫定稅率為例）?

【節目資訊】
主持人：柯誠

🎧 Production Team：Meet 創業小聚
🎬 Editing and Post-Production：聲歷其境 All Around You

公司買了一批 ChatGPT 或 Claude 帳號，再找講師來上兩堂 prompt 課，這樣算導入 AI 了嗎？在企業現場，這只是第一階段，比較接近國民基本教育。真正的門檻在後面：AI 看不看得到公司的資料、權限與稽核管不管得住、能不能把公司裡那位十倍工作者的做事方法沉澱下來複製給別人。數位時代創新長黃亮崢 James 邀請 Asgard 肆佳科技共同創辦人暨執行長王韋仁 William，從企業導入的真實災情出發，拆解為什麼要給 AI 一台用完就丟的電腦，以及企業軟體最難的那段「最後一哩」卡在哪裡。

聽完這集你可以學到：

1. 企業導入 AI 分成四個階段：買帳號上課、讓 AI 看得到公司資料、統一配帳號做稽核與權限管理，第四階段才是把優秀員工的做事方法沉澱成流程、複製給其他人。王韋仁觀察，多數公司都還停在前兩階。
2. 每個上班族有兩到三成時間在搬資料：複製貼上、建檔這類工作藏在會計、客服、業務身上，但世界上沒有一個 job title 叫資料搬運。王韋仁指出，公司買的是這個人的專業與決策能力，把時間還給他，能用在決策上的時間就多出三到四成。
3. 系統打不通不是技術問題，是政治問題：王韋仁直言技術上一定打得通，資料也都還在。阻力在於十幾年前導入系統的人早就離職，現在的 IT 接手的是遺留系統，動了出事卻要他負責，於是多一事不如少一事。破解方法通常只有一個，從老闆那一層 top-down 支援下來。
4. 最後一哩不是 demo，是上線那一刻：demo 永遠是 happy path，短時間就做得出來；難的是進到 production，每一次都要跑得完。王韋仁分析這一哩由三件事構成：權限、能不能被稽核、能不能跟既有系統並行。比較像幫 legacy system 開一道新的大門，而不是去顛覆它。
5. 駕馭工程（Harness Engineering）的白話定義：換一個模型還能完成同樣的工作，就代表 harness 做好了。王韋仁比喻，模型是腦子非常好但第一天上班的人，harness 就是那間公司的教育訓練、門禁卡、系統帳號、SOP 和主管是誰。換到車上講，模型是引擎，harness 是底盤、方向盤、煞車與調校。
6. 一個工作階段開一台電腦，用完丟掉：共用一台機器養 agent 很容易養壞。王韋仁說明，每次互動才開一台幾秒就啟動的虛擬電腦，出事直接拋棄，同事的薪資資料也留在上一台一起被丟掉。但 agent 不會離職，牠會把稽核紀錄和學到的例外寫回檔案系統，下次開新電腦再掛回去。
7. agent 犯錯的真實災情：有一隻 agent 每天打電話訂便當，那天電話不通，牠很努力上網查，找到那家店有 Uber Eats，就自己登入帳號下了單。王韋仁強調，比犯錯更重要的是過程能不能被監管、被記錄、事後被防堵。另一個案例是報帳，交通費該掛專案還是部門是公司慣例，沒人寫下來，agent 當然掛錯。

舊系統怎麼交給 AI 碰：理想上直接操作 API 就能把事情做完，但王韋仁指出台灣的現實是，大量企業的系統已經跑了二三十年，原廠可能都不在了，不會有人回頭幫你開 API，而這些沒人維護的系統還在某一台電腦裡服役。給瀏覽器是最低限度的做法，至少讓 AI 有一條路能操作系統。至於權限那條線，他的做法是讓 agent 沿用工程師本來就在用的 CRUD 規則，而不是另外發明一套：讀取同一份資料二三十次都該是一樣的狀態，這類可逆的事直接授權；會造成資料變更的不可逆動作才要卡人核可。這樣做的附帶好處是，企業原本的稽核制度看得懂這件事，不必為 agent 重新創造一套稽核方式。

真正的痛點往往不在行銷和客服：Asgard 接觸的產業橫跨電商、餐飲、飯店、製造、材料與金融投資，切入點通常來自二代接班或大老闆的 top-down。王韋仁分享一個飯店業的例子：這家飯店有二三十間餐廳，每間的信用卡卡機對帳號碼都不同、結帳系統也不同，財務每個月對帳非常痛苦。他們要的其實不是完美，只是把銀行送來的對帳單跟自己收回的資料自動比對，先把對得上的七八成拉掉，剩下的一兩成再交給人。他說這種題目是外行人想不到的，得從企業真正的痛點反推回來。

不必追最新最大的模型：王韋仁認為好的流程架構與 harness，要確保模型是 plug and play、可以隨意切換。他自家公司幫員工付模型的錢但不限制用哪一個，重點是產出要能被接受、能被 review。他也直言沒必要一律用最聰明的模型，很多新模型是 thinking model，會花更多時間，一般的操作任務用 Sonnet 4.5 可能就搞定，效率反而更好而且不會出錯。至於地端，他判斷當一萬個員工都開始用 AI，token 用量會逼企業去想「我有沒有自己的發電裝置、自己的桶裝水」。

不要問一個人要配幾個 agent：黃仁勳在 Computex 2026 提出每位員工可以配 100 個 agent，也算過年薪 50 萬美元的工程師，一年的 token 成本可能要 25 萬美元。王韋仁換了一個算法：該問的不是標配幾隻給一個人，而是這間公司有多少件事已經被 agent 掌握、又需要多少人來操作牠們。他提醒台灣的現實是大部分賺錢的企業並不靠軟體賺錢，IT 是成本單位、預算本來就少，但 AI 接下來會像水、像電一樣變成生產要素。他給的起手建議是先確認自己 AI Ready 或 Data Ready，因為他遇過不少正在賺錢、資訊狀態卻還停在 15 年前的企業。

延伸閱讀

• Karpathy 提出大語言模型是新作業系統核心行程：https://x.com/karpathy/status/1707437820045062561
• Karpathy 演講《Intro to Large Language Models》：https://www.youtube.com/watch?v=zjkBMFhNj_g
• 黃仁勳與 Harrison Chase 對談：https://www.youtube.com/watch?v=Yy3JH6dDugc

如果舉行一場全球公投，關於當前AI發展是否該踩剎車，讓更多法規和監管能跟上，投票結果會如何？可能一面倒，也可能很分散。

不過，決定AI發展的主導力量，可能不是選票，而是鈔票。在目前各路資金持續重押AI的情境下，領跑在前的未必是最後贏家，但落後的註定出局。這種緊迫感讓所有參與者繃緊神經，一路催速。

因此，當Anthropic共同創辦人暨執行長阿莫迪(Dario Amodei)近期發文希望「減速AI」(Pacing the AI)時，很快引來OpenAI執行長奧特曼(Sam Altman)和馬斯克贊聲。

即使業者有意，但美國政府站在國家安全立場，並不樂見。AI競賽也是美中搶奪發言權的主戰場，如果美國放慢，等於做球給中國，川普並不認同。白宮科技顧問薩克斯(David Sachs)也強調，政府應該注意的是業者競爭是否有妨礙創新和市場公平，而不是介入去決定創新的快慢。

於此同時，AI脫離控制而產生技術人員意料之外的事故，也越來越多。缺少足夠的安全護欄和法規監管，全球都正面臨風險。2024年諾貝爾經濟學獎得主、麻省理工學院經濟系教授艾塞默魯(Daron Acemoglu)觀察，少數幾家巨型企業掌握AI未來方向，主事者的成長和求學背景類似，喜歡同一部電影看同樣小說，決策邏輯接近，也是風險之一。

真正能讓AI減速的，可能是聯準會升息和11月的美國期中選舉結果。綜合以上因素，科技專家吳金榮分享他的觀察。

AI讓每一個使用者的能力都上升，但群體的能力反而下降，原因是大家都用同樣的AI? 專長心理學和設計思考的成大教授劉世南，針對AI使用做了相關研究，發現AI習慣討好用戶的預先設定，會導致用戶產生類同溫層和資訊繭房的效果，使得用戶與用戶間的差異縮小，如同生物演化需要的基因變異被壓抑，反而減慢族群進步速度。

劉世南指出，人類應對技術進步，本身也會持續調整適應，AI從人性思考應該是Adaptive Intelligence(適應性智慧)，是使用者也在不斷調整自己對應技術變化的過程，重點是科技應該帶有溫度，而不只是冷冰冰地強調速度和生產力。

劉世南提出「橘色科技」概念， 也就是帶著溫度的AI，來協助使用者解決問題提升自我，同時在過程中尊重不同個體間的差異，包含跨種族和跨物種，而不是消滅差異，因為差異如同基因變異，是保有物種群體進步的根源。

本集重點：

• 天價折疊機 iPhone Duo 在貴什麼？
• iPhone 18 Pro 相機升級可變光圈
• AirPods 5 超值降噪與 Apple Watch 健康黑科技

延伸閱讀》
摺疊iPhone要來了！蘋果下個黃金十年，從一支7萬元「精品手機」開始？
https://www.bnext.com.tw/topic/view/993

-----------

🤩訂閱數位時代YouTube 》
https://www.youtube.com/@bnext_official

-----------

🤩有合作需求請洽：podcast@bnext.com.tw

美國擁有全球最昂貴的醫療體系，但對許多獨立診所來說，真正消耗時間與成本的，往往不是看病，而是保險審核、帳務、採購與大量行政工作。本集邀請 Nitra 幕僚長 Jen 林俐吟，從美國獨立診所持續萎縮的現象出發，解析這套破碎化醫療體系背後的營運痛點，我們也討論 AI 是否可能先從「診所後台」開始，重新改變美國醫療產業。 

本集重點：

• 美國醫療為什麼又貴又沒效率？ 
• Nitra 為什麼從信用卡切入醫療？ 
• 從 Fintech 到診所營運系統
• AI Agent 會先取代醫療行政，而不是醫生？ 
• 為什麼矽谷新創選擇把研發團隊放在台灣？

了解更多國際新創圈大小事 👉🏼 https://meetstartup.pse.is/4jhd5u

📍鏈結矽谷創新動態，關注Startup Island TAIWAN 矽谷 Hub：https://sv.startupisland.tw/

2026 年 2 月，《自然醫學》（Nature Medicine）登出一篇研究：1,298 位一般民眾被隨機分派，面對十個醫療情境，要判斷這可能是什麼問題、接下來該怎麼辦。模型單獨作答時，找出病況的正確率高達 94.9%；但把同一批模型交到真人手上，正確率掉到三成出頭，跟完全沒用 AI 的對照組沒有差別。模型很強，但人問不出來。數位時代創新長黃亮崢 James 邀請 杜克健康創新研究所葉俊廷醫師，拆解一般人到底該怎麼問AI健康問題，才有機會問得好。

聽完這集，你可以學到

1. 先講你是台灣人、幾歲、男生女生，這 30 秒決定了答案品質：模型的訓練資料以英文與西方世界為主，研究圈把這群人稱作 WEIRD。你不講清楚，它就預設你是一位在美國的白人大學生。但鼻咽癌在華人族群的發生率遠高於西方白人，臺灣過去有大量 B 型肝炎與肺結核病史，這些都會改變鑑別診斷的排序。葉俊廷建議開頭直接說「我是臺灣人、我幾歲、我有什麼病史、現在在吃什麼藥」。

2. 問「有哪些可能」，不要問「我得了什麼病」：AI 的強項是飽讀詩書、把可能性窮盡列舉，不是一槍命中。葉醫師提醒，帶著答案去問（「我是不是闌尾炎？」）會觸發它的討好傾向，它會順著你把說法合理化。改成請它列出所有可能，再逐項追問「要做什麼檢查才能排除這一個」，你拿到的就是一張清單，而不是一個結論。

3. 報告先擷取成表格，核對過再解讀：拍照上傳最大的風險不是幻覺。醫院做過統計，AI 真正產生幻覺的比率大約 2% 到 5%，但漏掉重要資訊的比例可以到 20%。做法是先叫它「只把數值、單位、參考範圍整理成表格，不要解讀」，自己數過筆數對得上，再請它解讀。更根本的解法，是直接從健康存摺下載可被數位辨認的電子版報告。

4. 判斷急不急最最最不能交給 AI，要改問警訊（紅旗清單）：就連 OpenAI 專為健康情境訓練的 ChatGPT Health，在急症的檢傷判斷上仍有明顯失誤。葉俊廷分析模型被訓練得越來越保守，你直接問「我現在該怎麼辦」只會拿到罐頭答案。

正確的問法是「請列出哪些情況我應該立刻掛急診、哪些可以等門診」，再加一句「請把最緊急的警訊（紅旗）症狀也寫出來」。

5. ISBAR：把小抄整理成醫師習慣閱讀的格式：俊廷把醫護交班用的口訣改寫給一般人用。I 是我是誰（年齡、生理性別），
S 是現在的狀況與持續多久，
B 是過去病史、用藥、手術、過敏與家族史，最後
把醫護版的 A 與 R 換成 Q，也就是你最想問的三個問題。
請 AI 依這個順序整理成兩頁以內的條列，醫師看到會很開心，因為那正是他寫病歷的思考流程。

6. 模型有價值觀，重要的事情要問兩家：哈佛醫學院生醫資訊學系的 Isaac Kohane 用 50 個臨床兩難發現各家模型在尊重病人自主、行善、不傷害、公平這四個原則上的權重都不一樣。俊廷提醒，飽讀西方文獻的模型最優先的往往是病人自主，但這在東方文化脈絡下不一定成立，答案不一致本身就是一個訊號。

7. 三層分類法：越深的對話越要保守：

-第一層是術語翻譯與報告白話化，幾乎沒有風險；

-第二層是加上你的個人脈絡去推論可能性，價值最高，但成果完全取決於你怎麼問；

-第三層是換不換藥、該不該開刀這種臨床決策，目前建議不要交給 AI。

俊廷的判準很清楚，越需要價值判斷的問題，背後潛在的偏誤風險就越大。

8. AI 公司免費送你健康服務，要的是它拿不到的資料：俊廷從商業角度提醒，網路上的文字大概都被訓練完了，而心跳、影像這類醫學資料極難取得，又全鎖在醫療系統裡。智慧戒指記錄基礎體溫、另一個 App 記月經週期、你再跟 AI 說最近有點頭暈，三筆看似獨立的資料串起來就可能推論出你懷孕，甚至比你自己更早知道。

俊廷的提醒：

一、讓 AI 真正了解你是誰，不是身分證字號，而是你作為一個人的樣子：我是臺灣人、在臺灣長大、現在在美國、幾歲、有什麼運動習慣、有什麼病史、在吃什麼藥。

二、不要把自己的判斷放進去，把「會不會是闌尾炎」的問題換成「請列出所有可能」，再一輪一輪追問下去。

三、是主動要警訊（紅旗清單），問清楚什麼情況必須立刻就醫。最後，如果真的決定要看醫生，請 AI 用「我是誰、現在狀況、過去病史、我想問的問題」整理成一兩頁印出來帶去。他強調，這是目前跟 AI 互動比較安全、而且每個環節都有研究支持的做法。而醫師不能被取代的，從來不是資訊不足時的判斷，是最後有一個人願意為那個判斷負責。

---

補充資料：

1. 以撒·科漢 Isaac Kohane：哈佛醫學院生醫資訊學系（Department of Biomedical Informatics）系主任，醫療 AI 領域的奠基者之一。本集中被引述為 Human Values Project 的主持人。

2. Human Values Project（HVP）：由 Isaac Kohane 主持的國際研究計畫，以 50 個經臨床醫師驗證的醫療兩難情境，測試各家前沿模型在醫學倫理四原則（自主、行善、不傷害、正義）上的權重分布，並以千位以上臨床醫師的共識作為對照基準。合作單位包含 OpenAI、Google DeepMind、Epic、以色列 Clalit Health Services 等。網址：https://hvp.global

3. 鑑別診斷 Differential Diagnosis：面對一組症狀時，醫師列出所有可能疾病並逐一排除的思考流程。俊廷指出 AI 的強項正是把這張清單列得比人更完整。

4. can't miss／警訊症狀 Red Flags：機率未必高、但一旦錯過後果極嚴重或極緊急的病症，醫師受訓時被要求無論如何都要先排除。經典例子是胸痛必須先排除心肌梗塞。

5. 檢傷 Triage：判斷病人有多緊急、應該立刻急診還是可以等門診的分類流程。本集指出這是目前 AI 最不可靠的環節之一。

6. 脈絡化醫療 Contextualized Medicine：強調病人在疾病之外的生活處境會直接影響醫療成效的取向。本集阿嬤與孫子開學的例子即屬此類。

7. 競爭的責任關係 Competing Responsibility：脈絡化醫療中的概念，指病人或照顧者因為承擔其他責任（工作、就學、照顧他人）而無法完成醫囑。

8. ISBAR：醫護人員交班使用的結構化溝通口訣：Introduction（我是誰）、Situation（現在狀況）、Background（背景病史）、Assessment（評估）、Recommendation（建議）。俊廷建議一般人把 A 與 R 換成 Q（你想問的問題）。


9. WEIRD：Western、Educated、Industrialized、Rich、Democratic 的縮寫，指行為科學研究樣本長期過度集中於西方、受過教育、工業化、富裕與民主社會的人口。本集用以說明大語言模型訓練資料的預設偏差。

10. 定錨效應 Anchoring：在對話開頭提供身分與背景資訊，使模型後續的機率排序向你的實際情境靠攏。

11. 健康存摺 My Health Bank：衛生福利部中央健康保險署提供的個人健康資料下載平台，可取得近三年門診、住診、用藥與檢驗結果。俊廷建議直接下載電子版報告，避免拍照辨識造成的錯誤。網址：https://myhealthbank.nhi.gov.tw

12. OpenEvidence：面向醫療專業人員的醫學文獻查詢 AI 工具。本集用以說明即使是醫療專用工具，其文獻庫仍以英文與歐美學會指引為主體。網址：https://www.openevidence.com

13. ChatGPT Health：OpenAI 於 2026 年 1 月推出、專為健康情境設計的版本，可連結電子病歷與 Apple Health。網址：https://openai.com

本集引用的研究與文獻

• 
一般民眾使用 AI 的表現

Bean, A. M., et al. (2026). Reliability of LLMs as medical assistants for the general public: A randomized preregistered study. Nature Medicine, 32, 609–615. https://doi.org/10.1038/s41591-025-04074-y

Goh, E., Gallo, R., Hom, J., et al. (2024). Large language model influence on diagnostic reasoning: A randomized clinical trial. JAMA Network Open, 7(10), e2440969. https://doi.org/10.1001/jamanetworkopen.2024.40969

• AI 的診斷與檢傷能力

Brodeur, P. G., Buckley, T. A., Kanjee, Z., et al. (2026). Performance of a large language model on the reasoning tasks of a physician. Science, 392, 524–527. https://doi.org/10.1126/science.adz4433

Ramaswamy, A., et al. (2026). ChatGPT Health performance in a structured test of triage recommendations. Nature Medicine. https://doi.org/10.1038/s41591-026-04297-7

Costa-Gomes, B., Tolmachev, P., Taysom, E., et al. (2026). How people use Copilot for Health. Microsoft AI.

KFF. (2026). KFF Health Information and Trust Tracking Poll. Kaiser Family Foundation. https://www.kff.org

Henrich, J., Heine, S. J., & Norenzayan, A. (2010). The weirdest people in the world? Behavioral and Brain Sciences, 33(2–3), 61–83. https://doi.org/10.1017/S0140525X0999152X

• 脈絡化醫療與醫病溝通

Weiner, S. J., Schwartz, A., Weaver, F., et al. (2010). Contextual errors and failures in individualizing patient care: A multicenter study. Annals of Internal Medicine, 153(2), 69–75. https://doi.org/10.7326/0003-4819-153-2-201007200-00002

Marshall, S., Harrison, J., & Flanagan, B. (2009). The teaching of a structured tool improves the clarity and content of interprofessional clinical communication. Quality & Safety in Health Care, 18(2), 137–140. https://doi.org/10.1136/qshc.2007.025247

• 資料隱私與重新識別

- Sweeney, L. (2002). k-anonymity: A model for protecting privacy. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10(5), 557–570. https://doi.org/10.1142/S0218488502001648

法規與公共資源

中華民國醫師法第 11 條｜醫師非親自診察，不得施行治療、開給方劑或交付診斷書。本集用以說明 AI 不具醫事人員身分，其輸出沒有法律地位。全國法規資料庫：https://law.moj.gov.tw/LawClass/LawAll.aspx?pcode=L0020001

個人資料保護法｜臺灣目前規範個人資料蒐集、處理與利用的通用性法律，並非專為健康資料設計。全國法規資料庫：https://law.moj.gov.tw/LawClass/LawAll.aspx?pcode=I0050021

憲法法庭 111 年憲判字第 13 號判決【健保資料庫案】｜2022 年 8 月 12 日宣判。認定健保資料由中央健康保險署提供作健保目的外之利用時，其主體、目的、要件、範圍、方式及監督與程序保障機制欠缺明確法律規範，不符法律保留原則，違反憲法對資訊隱私權的保障，並要求三年內修法。判決全文：https://cons.judicial.gov.tw/docdata.aspx?fid=38&id=309956

HIPAA（Health Insurance Portability and Accountability Act）｜美國健康資料保護與隱私規範。本集用以對照臺灣目前缺乏統一健康資料保護專法的現況，並說明 ChatGPT Health 所稱之 HIPAA compliant 的意義。美國衛生及公共服務部：https://www.hhs.gov/hipaa

在AI五層蛋糕中，每一層業者都在積極發展並互相競爭，其中佔據三、四、五層的Google正在往一、二層發展，而佔據一、二、三層的輝達也正在往四、五層發展，彼此原先的客戶/供應商關係正轉變為競爭關係，其中的交集之一就是聯發科。

兩家各自從晶片算力進入晶片傳輸，都需要聯發科技的技術協助，輝達是在AI 伺服器的NVLink Fusion上，以及進入終端裝置AI PC的RTX Spark晶片(由聯發科設計)； Goolge則是用來做資料推理的TPU系列晶片的設計，選聯發科為主要合作伙伴之一。

除了聯發科，Google也與博通、邁威和超微等晶片設計公司合作，擴大在晶片組合的布局，進入CPU和CPO領域，降低對輝達依賴；輝達則是購併Groq、投資多家大語言模型業者、最近又收購Hugging Face等，直插Google的AI核心業務。

雙方正在形成自己的陣營並演化為生態系，在多個戰場短兵相接已不可免，未來更將升級為一場全面戰爭。不論勝負歸屬，台廠供應鏈都可能受惠，但以往以自有產品為主的本地晶片設計業，也面臨巨大轉型。

本集重點：

• AI如何讓記憶體從「慘業」翻身？HBM究竟改變了什麼？
• 曾經輸給三星、丟掉客戶，SK海力士為什麼最後靠封裝技術逆襲？
• 三星、中國長鑫快速追趕，台積電又扮演什麼角色？

-----------
🤩訂閱數位時代YouTube 》
https://www.youtube.com/@bnext_official

-----------
🤩有合作需求請洽：podcast@bnext.com.tw

本集節目，主持人柯誠要帶大家搞懂日本職場最具代表性的兩個字：「終身雇用」與「年功序列」，是怎麼從一百多年前的技術人才培訓制度，演變成今天備受討論、甚至開始鬆動的雇用慣行。從明治維新時期三菱造船設立三菱工業學校招募學徒的故事，到二戰後政府與工會協商出的「春鬥」制度，這集節目會先帶你理解這套雇用文化的起源，接著聚焦近年 Olympus、三菱UFJ信託銀行、KDDI 等企業導入「職位型雇用制度」的具體做法與遇到的挑戰，最後回到對台灣企業與新創的實務意義。

本集重點｜
✅ 年功序列制與終身雇用是如何從明治維新的技術人才培訓需求中誕生的
✅ Olympus 導入職位型雇用制度後為何引發長達三年的勞資訴訟
✅ 三菱UFJ信託銀行如何用「資深職位專案」與「專業職位人事制度」留住退休後的資深人才
✅ KDDI 如何透過「職位圖鑑」逐步定義超過150種具體職位內容
✅ 日本雇用制度轉型如何為台灣企業聘僱日本人才、以及 HR Tech 新創進入日本市場帶來新的機會

【節目資訊】
主持人：柯誠

🎧 Production Team：Meet 創業小聚
🎬 Editing and Post-Production：聲歷其境 All Around You

8 月 11 日，Anthropic 在官方說明文件公告，8 月 2 日之後推出的 Claude 模型出廠就會在生成的內容裡埋入一個看不見的記號，全球適用，涵蓋 Claude、Claude Code、Claude Cowork 與開發者用的 API。但怎麼做到的沒有公布規格，偵測工具也還沒開放。消息一出，中英文社群立刻開始討論怎麼把它洗掉，GitHub 上也冒出各種浮水印檢查工具。IBM 華生研究中心可信任 AI 團隊首席研究科學家陳品諭 Pin-Yu 認為，多數人一開始就搞錯了這件事的性質：浮水印能證明的是「這段文字是不是我做的」，不是「這段文字是不是 AI 做的」。數位時代創新長黃亮崢 James 邀請陳品諭，從技術原理、歐盟法規動機，一路談到教育、出版與內容產業真正該擔心的事。

聽完這集，你可以學到

1. 浮水印保護的是模型商，不是使用者：陳品諭用命案現場比喻。現場有好多個嫌疑犯，每個人都能出來證明自己有不在場證明，「所以你只能證明這個人不是我殺的，但是這個命案還是發生了」。各家廠商的浮水印只能回答「這是不是我產生的」，惡意使用者只要下載一個開源模型自己生內容，就完全不帶任何記號。他形容這是一個安全漏洞：每個廠商都在保護自己，沒有人在保護一般使用者。

2. 文字浮水印不是在文字上加東西，而是動了選字的機率：早期做法是挑一組關鍵字，出現太頻繁就判定是 AI 寫的，但這會直接傷害生成品質，等於你請阿嬤倒茶，它卻端出一杯美式拿鐵。Google 那一系列比較進階的做法，是在決定下一個字的時候，心中先默想一個號碼（私鑰），用這個號碼加上已經產生的內容去決定下一個字；檢測時再把文字套回這個號碼，看相符的可能性有多高。

3. 藏在文字之外的記號，複製貼上就沒了：加隱形空格、把拉丁字母 A 換成看起來一模一樣的西里爾字母 A、或在文件裡塞白色文字，這些方法可以做，但當不了合格的浮水印。陳品諭解釋，只要使用者把內容複製到記事本，框選範圍以外的東西全部不會跟著走。而且這類手法缺乏獨特性，對方一旦知道你的規則就能改回去，浮水印要有效就必須做在文字本身。

4. 改寫確實能洗掉，但要改到面目全非：Google 發表在《Nature》的那份報告做過測試，更動少於 10 個 token 通常拿不掉浮水印，但改得夠多、改到面目全非，浮水印就會失效。社群討論的「拼盤」做法，也就是把五個段落分別丟給五個不同模型重寫、或翻成英文再翻回中文，陳品諭直接確認那是一個能把浮水印移除的好例子。

5. 中文不會比較安全：現在的主流架構 Transformer 是一個 token 進、一個 token 出，token 不等於英文單字或字母，任何語言都能拆成 token，圖片、聲音、影像同樣可以。陳品諭明確表示，不同語言對浮水印來說沒有差別，浮水印都能用上去。想靠中文方塊字躲過機率式浮水印，在技術上並不成立。

6. Anthropic 自己在網頁最下面寫了兩條免責：第一，這個技術沒有辦法保證一段文字是不是 AI 產生的，它只能保證是不是自家寫的。第二更關鍵，如果原始文字是使用者餵進來、由 Claude 修改的，它一樣會蓋上記號，但不保證那段原始文字本來是人寫的還是 AI 寫的。陳品諭形容就是「你給我一個東西，我蓋一個章我就把它丟出去」，至於進來的時候是什麼，它不管。

7. 歐盟的立法精神認為文字是相對最不需要保護的：陳品諭透過 IBM 參與過歐盟法規建議。相對於圖片、語音、影片，文字的傳播力與殺傷力較小，也比較容易查證，例如有人偽造一首詞說是方文山寫的，上網查一下沒有這首歌就破功了。這是風險管理的判斷，也解釋了為什麼 Google 只開源了文字浮水印，跟深偽高度相關的影像與語音方法始終沒有公開。

8. 開源偵測器會變成攻擊者的練習對象：陳品諭三年前用對抗式學習做的文字偵測器 RADAR，訓練時額外放進一個負責不斷重寫文字、想繞過偵測的 AI 攻擊者，讓偵測器學會更穩健的判斷方式。這個模型放上 Hugging Face 之後累積超過九十萬個下載次數，但他坦言心裡也有點怕，因為惡意使用者同樣可以拿它來磨練繞過的方法。這也是他判斷各家廠商最終不會開源自家浮水印偵測器的原因。

9. 人機混寫是灰色地帶，現有偵測器處理不了：訓練偵測器時的資料標註只有兩種，整段人寫或整段 AI 寫。但真實情況是人先寫草稿、AI 改了兩成或三成，要改到多少才算 AI 寫的？陳品諭認為這種灰色空間不好標註也不好預測。學生若能拿出 Word 的編輯紀錄，證明是自己一個字一個字打出來、中途只是參考 AI 的建議改錯字，他認為那還算是人寫的。

文字工作者真正要擔心的不是被蓋章，是被誤判。陳品諭今年做的一項研究正是在探討嫁禍：在圖片領域，他們可以把 A 模型的浮水印放進 B 模型產生的圖片裡，讓偵測器誤認來源，文字雖然還沒做過，但原理上可行。誤判在教育現場是致命的，把學生的文章誤判成 AI 寫的而當掉，學生的權益就受損。他也點出目前社會靠「AI 味」判斷的困境：老師看得出來文字老練到不可能是高中生寫的，卻拿不出證據，最後只能說是自由心證。

generation is cheap, but verification is hard（生產容易，但驗證難）。這是陳品諭常掛在嘴邊的一句話，生產內容很容易，檢驗內容的真實性與可靠性反而困難，而且通常需要領域專家才做得到。他舉例，市面上號稱能檢測 AI 論文的工具，實際上多半只查得出參考文獻是真是假，因為那可以拿資料庫比對；至於最前沿、大家都還不知道答案的研究內容，反而無法驗證。他認為這個時代該問的不是「這是 AI 做的還是人做的」，而是「做出來的成品有沒有更好」。

陳品諭給聽眾的心法

對於拿到偵測報告的主管、老師與評審，陳品諭的建議是把它當成健康檢查，不是判決書。那個數字只是最初步的檢測，發現不對勁應該往下追問原因，請對方提出自己編輯過程的思索與證據，而不是直接下結論。他也提醒，正因為他們做的是可信賴的 AI，才更清楚現階段的 AI 很多時候還不足以被人類信賴：「不要完全相信 AI 告訴你的任何事，你還是要有自己的判斷能力。」

至於一般工作者該怎麼面對 AI，他的立場很明確：不要想著 AI 要來取代人類，而是用 AI 讓自己的生產力更高、思考得更深遠，就像 AlphaGo 之後，職業棋手選擇跟 AI 下棋不是為了贏它，而是為了想得比十步、二十步更遠。但他也留下一句提醒：「AI 會的東西不是你會的東西，不是因為你會用 AI 就表示這個知識就是你的，你只是會使用這個工具而已。」

關鍵字附錄

一、技術名詞

• Token：AI 模型處理內容的最小單位。它不等於一個英文單字或一個字母，而像一本字典裡的條目，可以是中文的字、一個字串，圖片、聲音、影像同樣可以拆解成 token。
• Transformer：目前主流 AI 模型的架構，特性是一個 token 一個 token 讀入、再一個 token 一個 token 產出。文字浮水印之所以與語言無關，關鍵就在這個機制。
• 文字浮水印（Text Watermarking）：在模型產生下一個 token 時，依據一組私密金鑰去調整選字機率，讓產生出來的文字帶有可被統計檢測的特徵。與「在文末加註本文由 AI 產生」那種免責聲明不同，後者不算浮水印。
• 數位簽章（Digital Signature）：歐盟 AI 法案認可的另一種標記方式，在檔案本身的欄位裡記錄由誰簽名、來源為何。限制是能涵蓋的檔案格式有限，不是所有內容都能存成帶簽章的格式。
• 提示詞注入（Prompt Injection）：學術會議目前用來抓偷懶審稿人的手法。在投稿 PDF 裡加入白色的隱形文字，指示 AI 在產生審稿意見時必須包含某組幾乎不可能自然出現的字詞組合，一旦出現就構成合理懷疑。嚴格說這不是浮水印。
• 對抗式學習（Adversarial Learning）：安全研究的核心思維，設計防禦的同時就假想惡意使用者會如何破解。陳品諭的偵測器就是引入一個負責改寫文字、想要繞過偵測的 AI 攻擊者，讓偵測器在對抗中學會更穩健的判斷。
• 模型蒸餾（Distillation）：用領先的閉源模型產生問答資料，再拿這些資料訓練自己的模型，使其逼近對方的能力。近期多有報導指出部分開源模型可能以此方式訓練，這也是浮水印可能被拿來當作侵權證據的原因。
• 安全護欄（Safety Guardrail）：為 AI 產品加上的各種安全性防護。陳品諭以防火牆比喻：你需要它，但不能讓它耗掉跟作業系統一樣多的資源，否則再安全也沒有人會用。實務上偵測器已能做成小模型，不必動用與生成同等規模的算力。
• 深度偽造（Deepfake）：以 AI 偽造圖片、語音或影片。歐盟法規的關注重心在此，而非文字，因為影音的傳播力與辨識難度都遠高於文字。

二、法規與事件

• 歐盟人工智慧法案（EU AI Act）：2026 年 8 月初上路，要求 AI 生成內容留下機器可讀的標記，罰則為全球營業額的 3%。下一階段仍在討論如何做到「判斷任意內容是不是 AI 產生」。
• GDPR：歐盟的個人資料保護法規，陳品諭以它與早期反托拉斯法為例，說明歐盟一貫以高額罰款驅動業者遵循法規。
• Anthropic 浮水印公告：2026 年 8 月 11 日發布於官方說明文件，適用 8 月 2 日之後推出的模型，出廠即支援、全球適用，涵蓋 Claude、Claude Code、Claude Cowork 與開發者 API。技術規格未公布，偵測工具尚未開放。文件末尾載明兩項限制，見上文第 6 點。

三、相關研究與工具

• Google 文字浮水印方法：發表於《Nature》，是目前唯一被公開、可供學界檢驗的文字浮水印做法，論文中包含「更動少於 10 個 token 難以移除浮水印」的測試結果。Google 並未公開影像與語音的對應方法。（陳品諭在受訪前回覆本節目時判斷，Anthropic 很有可能沿用 Google 的 SynthID-Text，因為該方法已開源且容易改進；節目中未指名，此為推測。）論文：Dathathri, S.、See, A.、Ghaisas, S. 等，《Scalable watermarking for identifying large language model outputs》，Nature 第 634 期，2024 年，https://doi.org/10.1038/s41586-024-08025-4　開源程式碼：https://github.com/google-deepmind/synthid-text
• RADAR：陳品諭團隊約三年前提出的 AI 文字偵測器，以對抗式學習訓練，不依賴浮水印，發表於 NeurIPS 2023，於 Hugging Face 累積超過九十萬個下載次數。論文：Hu, X.、Chen, P.-Y.、Ho, T.-Y.，《RADAR: Robust AI-Text Detection via Adversarial Learning》，https://arxiv.org/abs/2307.03838　模型：https://huggingface.co/TrustSafeAI/RADAR-Vicuna-7B（僅供非商業用途）　線上試用：https://huggingface.co/spaces/TrustSafeAI/RADAR-AI-Text-Detector
• DivEye：陳品諭團隊 2026 年發表於 TMLR 的後續研究，同屬不依賴浮水印的內容偵測路線。論文：Basani, A. R.、Chen, P.-Y.，《Diversity Boosts AI-Generated Text Detection》，https://arxiv.org/abs/2509.18880　程式碼：https://github.com/IBM/diveye　線上試用：https://huggingface.co/spaces/pinyuchen/Diveye_AI_text_detector
• ImageNet：影像辨識競賽，2012 年至 2016 年間深度學習在此賽事中大幅超越其他機器學習方法，是深度學習成為 AI 代名詞的轉折點，也是陳品諭投入可信任 AI 研究的時代背景。
• AlphaGo：近代 AI 的第一個重大突破。陳品諭以職業棋手在落敗之後改與 AI 對弈、藉此把棋路想得更遠為例，說明人與 AI 的關係應該是輔助而非取代。

台灣目前發行的ETF有300檔，總規模10兆台幣，持有人數是1300萬，是最受歡迎的國民理財產品。

不管是單筆申購或定期定額、主題式或盯住大盤、主動或被動式、配息或不配息，投資ETF雖然比研究個股省力，但是學問其實不少。除了常見的以個股為標的，另外也有綁定債券、大宗原物料或加密貨幣的ETF。

ETF正在改變個人的理財偏好。越來越多的存款，從銀行定存和購買壽險保單中轉為購買ETF，因為長期回報率更高。

ETF也在改變機構的投資方式。手握四十兆資金的本土保險公司們，為了應付未來理賠需求，以往最常見的是購買美國債券，包含公債和企業債，近來則改為購買債券型ETF。

在台股3000檔上市櫃公司和總計150兆台幣市值中，ETF數量和規模佔比都不到一成，未來還有大幅成長空間。長期研究國內外ETF的清大教授韓傳祥，在本期節目分享的他的觀察。

在輝達購買聯發科35億美元可轉換公司債消息公布前十天，更炸裂的消息是華爾街六大金融機構老闆，包含五家私募基金 (KKR, Blacksotne, BlackRock, Apollo, Brookfield) 和一家投資銀行(高盛)，共同出資五千億美元，參與黃仁勳主導的新一波AI基礎設施投資。

這群精算風險穩賺少賠的金融精英，為何在外界擔心AI泡沫的當下，逆勢進場下注？輝達說了一個什麼樣的投資故事，把GPU算力轉換成金融資產、並以Token數量成為流通單位，說服久經江湖的大佬們捧著錢加入？科技專家吳金榮在本集節目詳細道來。

本集重點：

• 「眾生喧嘩」的冷靜期？半導體展氛圍的轉變
• 「探針三雄」的晶片保衛戰
• 高明鐵是誰？傳統模具廠如何成功跨界矽光子

延伸閱讀》
台灣供應鏈新戰略！鴻海劉揚偉：不能只想Made in Taiwan，要走向Made with Taiwan
https://www.bnext.com.tw/article/92105/taiwan-ai-supply-chain-tsmc-mediatek-foxconn-ase-unimicron

GPU旁的HBM要搬家了？為何SK海力士等大咖都預測「記憶體共享池」是下一代AI晶片架構？
https://www.bnext.com.tw/article/92069/imec-hbm-shared-memory-pool-optical-interconnect

-----------
🤩訂閱數位時代YouTube 》
https://www.youtube.com/@bnext_official

-----------
🤩有合作需求請洽：podcast@bnext.com.tw

耗時十年、斥資數十億美元，傳統藥物開發不僅漫長，更常在量產階段面臨高昂的試錯成本！這一集邀請到 Vernus AI 創辦人兼執行長 Jimmy 林彥竹，深入解析 AI 如何從前期的靶點搜尋與藥物設計，進一步跨入藥品製造現場。結合量子數位退火演算法與物理模擬的數位分身，團隊正在告別過去仰賴「老師傅經驗」的傳統製程，為生醫製造帶來效率與良率的全新變革。

本集重點：

• 從電腦輔助（CADD）到 AI 藥物開發（AIDD）：AI 如何將早期探索期縮短一半以上
• 告別製造端的「老師傅經驗」：AI 演算法如何精準找到最適製程，降低放大規模時的失敗風險
• 量子數位退火技術結合 AI 推論：在龐大參數中快速鎖定全域最佳解，大幅優化製程條件
• 物理模擬與數位分身落地：以抗體藥物複合體（ADC）為例，在電腦中完成試驗以省下數千萬成本
• 跨國科研與台灣雙重優勢：結合資通訊硬體算力與生醫人才，引領中小型藥廠與 CDMO 智慧轉型

了解更多國際新創圈大小事 👉🏼 https://meetstartup.pse.is/4jhd5u

📍鏈結矽谷創新動態，關注Startup Island TAIWAN 矽谷 Hub：https://sv.startupisland.tw/

台灣數位廣告市場去年總量來到 661.77 億元，成長 3.92%。但把 DMA 十年來的報告攤開看，2016 年這個數字還只有 258.71 億，十年長了 2.56 倍，成長率卻從當年的 27.9% 一路掉到 3.9%，而且連續三年卡在 4% 上下。市場明明還在長，為什麼力氣越來越小？數位時代創新長黃亮崢 James 邀請 DMA 台灣數位媒體應用暨行銷協會秘書長盧諭緯 Erica，從這條十年曲線談起，拆解影音首度超車、電視加速下滑、AI 改寫內容規則，以及零售商變成媒體之後的版圖位移。

聽完這集你可以學到：

1. 十年長 2.56 倍，動能卻在遞減：2016 年台灣數位廣告 258.71 億，2025 年來到 661.77 億。但成長率從 27.9%、17.7%、17.6%，一路降到 3.5%、4.32%、3.92%。Erica 判斷市場已進入高原期，原因是本地量體觸頂、流量紅利用盡，使用人口也不再新增。

2. 總量還在成長，本地媒體卻在衰退：Erica 用「極化」形容今年的結構。景氣不明朗時品牌轉趨保守，量能更集中到少數國際大平台。代理商端也印證：減少的是本地媒體的廣告，大型平台仍在成長，總量的正成長掩蓋了底下的分化。

3. 影音首度超越展示型，電視被甩開 49 億：影音以 199.64 億、30.17% 佔比，首度超過展示型的 195.09 億。同一年數位影音與電視的差距從 14.59 億拉大到 49.13 億，電視掉到 150.51 億。展示型沒有崩，只是停住了，全年僅成長 1.74%。

4. 電視掉得比想像快，關鍵在產業不在觀眾：Erica 分析，汽車、房地產與遊戲原本是非數位的投放大戶，去年分別受關稅議題、房貸政令與缺乏大作影響，動能全數轉弱。電視的下滑是媒體使用習慣與產業投資同時轉弱的結果。

5. 被取代的不是電視機，是電視頻道：NCC 的資料看得到剪線潮，但電視機還在客廳，螢幕還越來越大，改變的是打開之後第一個按 YouTube 還是第四台。Erica 提醒，這比「沒有人看電視」更棘手：觀眾還在，只是不再從你這裡進來。

6. 買 CTV 買到的是電視畫面加上數位的鎖定能力：傳統電視廣告買時段與收視率，大多靠推估。聯網電視能取得家戶收視資料、計算實際曝光，OTT 平台甚至分得出是誰在看，畫面還能帶 QR Code 讓觀眾用手機直接完成購買。

7. AI 沒有吃掉關鍵字廣告，吃掉的是距離：關鍵字廣告去年達 167.2 億、成長 3.9%。Erica 解釋，自然語言問答反而延長了搜尋鏈條。被壓縮的是決策流程的長度，行銷能介入的點變少了；資訊型與探索型查詢的自然流量流失最明顯，商業意圖明確的搜尋影響有限。

8. GEO 還在紅利期，但可能只剩一年半：Erica 建議品牌把官網邏輯翻過來，不要只寫產品規格，要寫什麼時候會被用到。她以維他命 B 群舉例：消費者要找的不是成分表，是怎麼最快消除疲勞。紅利期以前大概三年，現在搞不好一年半就結束。

延伸閱讀》

2025 台灣全年度數位廣告量統計報告（DMA）：https://drive.google.com/file/d/1XiGggMI8XqqDcgrhP4dhm_3MJENbRbp9/view?usp=sharing

有線廣播電視訂戶數趨勢圖（NCC）：https://www.ncc.gov.tw/chinese/news.aspx?site_content_sn=5326

二位創辦人Gary和Min, 名字合成了Garmin這家公司，原本以汽車導航做為主力產品; 當Google地圖在手機上也發展出導航功能且免費，Garmin一度和華碩合作手機力圖反擊，最後放棄轉而和車廠合作，進入更大的智慧座艙和資訊娛樂(Info-tainment)賽道，以及手錶市場，反而開展更大空間。

除了穿戴穿置和陸地交通，Garmin在航空和航海也布局多年，並在實體AI進入高速發展的當下，也加快腳步衝刺。研發在美國，製造倚重台灣，Garmin與本地的晶片設計、零件和系統組裝廠商往來多來，很善用台灣供應鏈優勢。

在Garmin服務將滿二十年的亞洲區汽車事業總經理沈致瑋，在本集節目分享他所看到的Garmin成長和自己的職涯。

這集節目深入解析 NHK(日本放送協會)這個成立百年的公共廣播機構,如何在收視費制度爭議與網路世代衝擊下,走到今天的轉型十字路口。一起梳理 NHK 從收視費爭議、催繳手段的演變,到網路轉型與 AI 導入方針的完整脈絡,也談談這場公共媒體與民營電視台之間的長期角力。

本集重點｜
✅ NHK 收視費(受信料)的法律依據,以及 2017 年最高法院判決劃下的關鍵界線
✅ 從 NHK Plus 到 NHK ONE 的網路轉型歷程,和「主動使用才收費」的收費原則
✅ 民營五大電視台如何合資打造 TVer,靠「播出後一週內免費補看」建立起競爭優勢
✅ NHK 進軍網路服務後,為何被日本民間放送聯盟指控「利用巨額公帑不公平競爭」
✅ NHK 對 AI 導入的實際方針：哪些場景適合交給 AI,哪些堅持要人類配音？

本集重點：

• 不輸台北 101 的地標野心
• 首度登台與話題美食搶先看
• 「日行萬步」的全方位休閒生態圈

延伸閱讀》
大巨蛋Garden City商場8/22試營運！SOGO揭餐飲大賭注：1.1萬坪包盡吃喝商機，拚營收占比3成
https://www.bnext.com.tw/article/91905/garden-city-b-zone-sogo-dining-revenue

-----------
🤩訂閱數位時代YouTube 》
https://www.youtube.com/@bnext_official

-----------
🤩有合作需求請洽：podcast@bnext.com.tw

這一兩年，矽谷開始流行一個詞：Founder Mode（創辦人模式）：創辦人不再只是找對的人、放手交給專業經理人，而是捲起袖子跳回第一線。幾乎同一時間，越來越多人開始談「招募 AI 員工」：不是 AI 工具、也不是 AI 助理，而是像真人一樣僱用、要幫他考核、升遷甚至淘汰的數位員工。這兩件看似無關的事，其實指向同一種時代氛圍——AI 變強了，一個人、一個很小的團隊，就能完成過去要一整個部門才做得完的事。

數位時代創新長黃亮崢 James，邀請 SUPER 8 STUDIO 雲發互動科技創辦人陳子龍 Brian，聊聊什麼才算 AI 員工、他如何在第一線觀察企業導入 AI，以及他們新推出的 AI 員工平臺 Orra。

學到版｜聽完這集你可以學到

1.什麼才算「AI 員工」：它和前幾年令人失望的聊天機器人最大的差別，在於你給它清楚的目標，它真能把事情做完；做不到時還會回頭跟你講、主動向你要權限，具備反思能力，而不是默默斷在半路。

2.Founder Mode 的真動力是好奇心：回第一線不是怕被取代，而是把 AI 當博士生、外聘顧問來探問公司戰略；重點是先想清楚「你的問題是什麼」，而不是跟著 FOMO 照抄別人的用法。

3.把 AI 員工當新進員工帶：Brian 用「Grill Me」讓 AI 每晚反問他是什麼樣的 CEO，花約一個月教文化、餵知識庫、要求它解釋思維鏈，onboarding 的邏輯跟帶一位實習生幾乎一樣。

4.AI 的界線是「品味」：產品發表 MV 的製作 AI 幾乎全包，但好不好看、好不好聽仍取決於人的品味與價值觀，這也是要保留 human in the loop、把最後一關留給人的原因。

5.Orra 怎麼運作：虛擬招募官用「三問三答」召喚員工，再進訓練中心與技能中心補能力，考核達標才上工；不合格可淘汰，甚至能「換腦」——替換底層模型。

6.導入 AI 沒成效的真正原因：關鍵不是逼員工把 token 用滿（反而會出現 token maxing），而是有沒有選對可被衡量的 project——重複、人難做、且看得出結果的工作。

7.亞洲與西方的落差：西方偏好 result／outcome-based 收費，亞洲更重法遵、要可控預算，也更在意資料上雲的風險，因此 Orra 同時支援地端 GPU 大模型與混合定價。

Brian 最後的提醒很直接：要讓員工擁抱 AI，老闆得先親自下場、把自己做出來的東西透明地分享出去，員工才會安心，也才會相信 AI 不是要取代他，而是幫他找到更有價值的工作。他舉例：公司只有三個人的行銷團隊，靠著大量運用 AI，做出的活動效果讓外界以為背後有二十人。當每個人都被 AI 賦能、也真的從中得到成就感，投入自然水到渠成。James 也總結：AI 員工帶來的組織變化仍在持續發生，或許在今年下半年到明年，你我都有機會僱用自己的第一個 AI 員工。