By Sursha Wu
前言
2025 年，人工智能持续引领科技浪潮。AI EXPO Taiwan 2025 以「Surfing the AI Waves」 为主题，聚焦智慧工厂、AI 芯片等核心应用与技术，汇聚产业领袖，共同探讨 AI 应用实践与未来趋势。
PowerArena 精选展会亮点，帮助制造企业快速掌握关键议题，把握 AI 发展动向，精准制定发展策略。
AI EXPO Taiwan 2025 为各行业揭示下一波人工智能趋势与应用方向。
企业竞争规则重塑：吴恩达 Dr. Andrew Ng 表示，AI 让验证变得更简单、更快速、更低成本
DeepLearning.AI 创始人 吴恩达 Dr. Andrew Ng
人工智能正在彻底改变企业创新的模式与竞争规则。
从产品开发到市场验证，AI 让企业能够以极高的效率测试概念、迭代原型，并迅速调整策略。Dr. Andrew 分享，有一次他在早餐会上提出一个产品构想，隔天下午团队成员便开始着手测试。
Dr. Andrew 强调，这不仅仅是技术层面的革新，更是企业文化与运营方式的深度转型。当企业愿意尝试，甚至将 AI 融入日常运营时，竞争优势将迅速拉开差距。那些能够快速适应并善于利用 AI 进行创新与决策的公司，将远胜于仍依赖传统模式的企业。
开源模型重塑 AI 供应链 —— 『规模』不再是决定性因素
开源（Open Source/Open Model）生态系统不仅推动了技术共享，加速了人工智能应用的普及与创新，同时也正在重塑企业之间的竞争规则：掌握 AI 模型构建能力的国家与企业，将凭借技术优势在全球市场中产生深远影响。
与此同时，当企业不再依赖封闭式的 AI 解决方案，而是转向开源模型，就能够构建出更加灵活、可控的 AI 系统。
自主调优 AI 模型，以满足特定行业的业务需求。
企业不仅能够以更低的成本解决问题，如今，即便是规模较小的初创团队，也能在短时间内创造出超越传统大型企业的经济价值。人工智能正在根本性地改变企业创新的速度，这一变革不仅体现在软件开发领域，同样适用于制造、医疗、金融等多个行业。
无论是 AI 模型本身，还是企业组织结构，当前的发展趋势表明，『规模化』已不再是决定胜负的唯一关键。
运用『沙盒』概念，打造企业敏捷能力
对于大型企业而言，冗长的内部审批流程往往是阻碍快速创新实验的最大障碍。
为了解决这一问题，Dr. Andrew 建议企业采用『沙盒环境』策略（Sandbox Strategy）。在沙盒环境中，企业可以：
- 限制数据访问权限，防止敏感信息泄露
- 进行内部测试，在全面上线之前验证 AI 应用的可行性
- 降低风险暴露，确保失败不会影响品牌声誉或客户体验
沙盒策略能够帮助企业在可控的环境中快速测试与迭代，提升组织的敏捷性，更灵活地应对市场变化。
现有产品技术基础 + 生成式 AI 应用
在本次展会中，不少企业展示了他们的生成式 AI（Gen AI）能力，并将大语言模型集成进自身的产品或核心技术中。
美商邓白氏在数据销售基础上，加入大语言模型功能，加速顾客获取资料的速度。
慧稳科技协助企业建立专属模型，作为企业员工内部训练与资料查找。
群联电子推出生成式 AI 训练平台，提供连网查询资料、自动生成 WORD 文档等功能。
产业化的 AI 崛起
随着市场对人工智能和生成式 AI（Gen AI）期待的持续增长，面向产业应用的专属 AI 将成为下一阶段的重点。
AI 不再只是通用型工具，而是逐渐转向为特定行业量身定制的解决方案。这些专属型 AI 技术聚焦于特定领域、场景或问题，并配套相应资源，帮助企业更精准地应对专业挑战。
市场的痛点与需求：快速行动
无论 AI 应用涉及哪个行业，本次展会的共同趋势在于：企业不再只是提供数据，而是希望通过语言模型帮助客户更快找到解决方案。
这背后的逻辑是——市场对信息的需求已不再停留在『数据收集』层面，而是期待能迅速获得可执行的答案或解决方案，甚至透过 AI Agent（智能代理）完成决策与自动执行任务。
主因是，目前市场对资料、资料的需求已不再仅限于数据收集，而是希望，能快速获得解决问题的方法或答案，甚至具备 AI Agent（代理）概念，能够自动做出决策并执行行动，解决问题。
AI 担任『助手』角色，节省事务型工时
代理型 AI 更聪明。它们是主动的——能在你提出需求之前就提出建议…基于这些资讯，它们会提供它们认为你需要的服务，但最终的决定权仍然掌握在你手中。
── Bill Gates
事实上，『辅助型 AI 』是目前较为可靠的发展。以制造业为例，不同的生产产品、生产环境及管理模式，会带来各自独特的痛点与对 AI 的需求。在这种情境下，解决这些问题需要深厚的行业知识（Domain know-how），包括许多来自老师傅、第一线工厂管理者的经验等。 通用的或小幅度修改的语言模型有可能无法产出最正确、精确的答案，仍需要专业人员审核最后结果。
然而另一方面，AI Agent 却能够大幅度协助繁琐的事务型工作，加速解决问题。例如，查询时间、工厂专业参数设定、制作生产报表、管理报表等，只要透过设定好 AI Agent ，就可以持续完成指定任务，并透过语言模型自动修正结果。
人类 100% 专注在『关键工作』
推理能力、创造力，是人类独有且最具价值的能力。当比对数字、整理报表等事务型工作被 AI 接手后，人员便可将 100% 精力投入真正需要『智慧』的任务上，例如，综合分析数据、判断特殊生产情况、分析除了数字以外的变因等。
回归到制造场景：一切都应该从需求出发。
所有的 AI 应用，都是从需求开始，去关注解决了什么问题。
── Amazon Web Services (AWS) 台湾暨香港 总经理 王定恺 Robert Wang
所有的部署应该建立在痛点上。
对企业而言，AI 的部署通常需要大量资源的投入。因此，无论是部署 AI 或智慧制造的解决方案，所有的部署都应该围绕着实际的痛点进行。 例如，若人力仓储管理过于耗时，可以引入机器人进行自动化仓储管理；如果无人机送货成本过高，可以通过电脑视觉技术，提升送货的精确度来降低成本等。
所有技术的目标，应该是解决问题并创造效益。
换句话说，无论今天 AI 发展如何，制造商面对的是哪些新技术，市场又在讨论哪些新趋势，最关键的是，制造商应该将焦点放在那些「真正能够解决问题」的技术与部署上。
给制造商的 AI 建议：以最小的模型，获得最精准的效益。
制造商清楚了解痛点需求是所有 AI 部署的起点时，他们会发现其实所需要的，往往只是能够精准解决特定问题的解决方案。
在 AI 部署的过程中，应建立具备专业行业知识的小型模型，用以专注于解决某个特定场景或职位所面临的问题，而非浪费大量资源开发，期待涵盖解决所有工厂或整个企业的大型模型。从小规模、小范围的部署开始，更能确保实际效益的最大化。
结论一：『精准』才是重点，而非单纯追求速度和规模。
过去，大语言模型因其「快速」、「大量」生成的能力，吸引关注。然而，从 AI EXPO Taiwan 2025 的专家演讲和展会趋势中，PowerArena 发现，企业们正试着透过，强调生成式 AI 与产业需求的深度整合，与现行大语言模型（Large Language Model, LLM）做出区隔。
趋势重点将不再关注规模的扩张，而是如何让 AI 模型更精准、更具针对性，为具体的场景或需求提供量身定制的解决方案。
唯有当一个 AI 解决方案，无论是生成式 AI 模型，或是其他的 AI 部署，能够真实解决问题，它才不再只是空泛的概念，或自说自话、文字接龙的工具，而是能真正为企业带来价值的技术。
下载成功案例：仁宝 X PowerArena 合作开发 Gen AI 产线管理平台
结论二：『数字化』依然主导一切应用的成效
从这次的趋势观察中，我们可以看到市场对于「快速」解决问题的需求。如今，透过 AI Agent，这样的需求将被满足，特别是重复性高、且拥有标准答案的任务，将被全面自动化完成。
然而，以制造业来说，要让 AI Agent 成功完成指定任务并达到预期效果，提供完整的信息支持是首要任务，包括生产数据、人的资讯、环境因素、工作流程的资讯，甚至还需要结合过去的管理经验和方法。
因此，我们仍然建议制造商，在导入任何 AI 应用或智慧制造解决方案之前，应将更多的关注放在工厂的数字化进程及如何获取全面的资讯上。只有在备有充分的基础条件下，才能最大化新科技投资的效益。
Table of Contents
