By Sursha Wu
前言
2025 年，AI 持續引領科技潮流。AI EXPO Taiwan 2025 以「Surfing the AI Waves」為主題，聚焦智慧工廠、AI 晶片等核心應用與技術，匯聚產業領袖，共同探討 AI 應用實務與未來趨勢。
PowerArena 精選展會重點，助力製造商快速掌握關鍵議題，洞察 AI 發展脈動，精準布局發展策略。
AI EXPO Taiwan 2025 為各產業揭示下一波 AI 趨勢與應用方向。
企業競爭規則重塑。吳恩達 Dr. Andrew Ng：AI 讓一切驗證更簡單、更快速、更便宜。
DeepLearning.AI 創辦人吳恩達 Dr. Andrew Ng
AI 正在顛覆企業創新與競爭規則。
AI 讓企業能夠以極快的速度測試概念、迭代原型，並迅速調整策略。Dr. Andrew 分享，某個星期一早上，他與團隊共進早餐時提出了一個開發構想，隔天下午，團隊成員便開始進行測試。
Dr. Andrew 強調，這樣的變化不僅是技術上的突破，更是企業文化和運營方式的根本轉型。當企業願意嘗試，甚至非常習慣地運用 AI 時，競爭優勢將迅速拉開。那些能夠快速利用 AI 進行創新和決策的公司，將比傳統企業更具市場競爭力。
開源模型重構 AI 供應鏈 ── 『規模』不再是一切
開源（open source/ open model）生態系統不僅促進了技術共享，加速 AI 應用的普及與創新，同時，也改變了企業競爭的遊戲規則：創建 AI 模型的國家與企業，將透過技術對全球市場產生深遠影響。
同一時間，當企業不再依賴封閉的 AI 解決方案，而是轉向開源模型，就能夠建立更靈活、可控的 AI。
自主調整 AI 模型，滿足特定行業需求。
企業不僅能以更低成本的方式解決問題，如今，即便是規模較小的新創團隊，也能在短時間內創造出超越傳統大企業的經濟價值。AI 正在根本改變企業創新的速度，不僅是軟體開發，同樣的原則也適用於製造、醫療、金融等其他領域。
無論是 AI 模型或企業本身，當前的發展趨勢是，「大規模」已不再是唯一的決勝關鍵。
運用『沙盒』概念，建構企業敏捷性
對於大型企業來說，冗長的內部審批流程，常是快速創新實驗的絆腳石。
為了解決這一問題，Dr. Andrew 建議企業採用「沙盒環境」策略（Sandbox Strategy）。在沙盒環境中，企業可以：
- 限制數據存取，避免敏感信息外洩
- 進行內部測試，在全面部署 AI 應用之前驗證可行性
- 減少風險暴露，確保失敗不會影響品牌聲譽或客戶體驗
沙盒策略（Sandbox Strategy）使企業能夠在控制風險的情況下，快速測試和迭代創新，使得企業能夠提高敏捷性，因應市場動態。
既有產品技術基礎 ＋ 生成式 AI 應用
在本次展會中，許多企業展示了他們的生成式 AI（Gen AI）功能，並將語言模型融入自家產品或核心技術中。
美商鄧白氏在數據銷售基礎上，加入大語言模型功能，加速顧客獲取資料的速度。
慧穩科技協助企業建立專屬模型，作為企業員工內部訓練與資料查找。
群聯電子推出生成式 AI 訓練平台，提供連網查詢資料、自動生成 WORD 檔等功能。
產業化的 AI 崛起
隨著市場對 AI 和生成式 AI（Gen AI）的期待日益增長，產業化專屬的 AI 是下一個重點。
AI 技術將不僅是通用工具，而是逐漸轉向為針對特定行業需求量身定制的解決方案。這些產業專屬的 AI 技術，是針對特定領域、場景、問題而設計，並提供專屬資源，從而幫助企業更精確地解決專業問題。
市場的痛點與需求：快速行動
無論應用的產業領域為何，這些展示的共同點在於，企業不僅提供數據或資料，而是希望透過語言模型幫助客戶更快速地找到解決方案。
主因是，目前市場對資料、資訊的需求已不再僅限於數據收集，而是希望，能快速獲得解決問題的方法或答案，甚至具備 AI Agent（代理）概念，能夠自動做出決策並執行行動，解決問題。
AI 以『輔助』角色，節省事務型工時
代理型 AI 更聰明。它們是主動的——能在你提出需求之前就提出建議…基於這些資訊，它們會提供它們認為你需要的服務，但最終的決定權仍然掌握在你手中。
── Bill Gates
事實上，『輔助型 AI 』是目前較為可靠的發展。以製造業為例，不同的生產產品、生產環境及管理模式，會帶來各自獨特的痛點與對 AI 的需求。在這種情況下，解決這些問題需要深厚的行業知識（Domain know-how），包括許多來自老師傅、第一線工廠管理者的經驗等。 通用的或小幅度修改的語言模型有可能無法產出最正確、精確的答案，仍需要專業人員審核最後結果。
然而另一方面，AI Agent 卻能夠大幅度協助繁瑣的事務型工作，加速解決問題。例如，查詢時間、工廠專業參數設定、製作生產報表、管理報表等，只要透過設定好 AI Agent ，就可以持續完成指定任務，並透過語言模型自動修正結果。
人類 100% 專注在『關鍵工作』
推理能力、創造力，是人類獨有且最具價值的能力。當比對數字、整理報表等事務型工作被 AI 接手後，人員便可將 100% 精力投入真正需要『智慧』的任務上，例如，綜合分析數據、判斷特殊生產情況、分析除了數字以外的變因等。
回歸到製造場景：一切都應該從需求出發。
所有的 AI 應用，都是從需求開始，去關注解決了什麼問題。
── Amazon Web Services (AWS) 台灣暨香港 總經理 王定愷 Robert Wang
所有的部署應該建立在痛點上。
對企業而言，AI 的部署通常需要大量資源的投入。因此，無論是部署 AI 或智慧製造的解決方案，所有的部署都應該圍繞著實際的痛點進行。 例如，若人力倉儲管理過於耗時，可以引入機器人進行自動化倉儲管理；如果無人機送貨成本過高，可以通過電腦視覺技術，提升送貨的精確度來降低成本等。
所有技術的目標，應該是解決問題並創造效益。
換句話說，無論今天 AI 發展如何，製造商面對的是哪些新技術，市場又在討論哪些新趨勢，最關鍵的是，製造商應該將焦點放在那些「真正能夠解決問題」的技術與部署上。
給製造商的 AI 建議：以最小的模型，獲得最精準的效益。
製造商若清楚痛點需求，往往只需能精準解決問題的 AI 解決方案。
在 AI 部署的過程中，應建立具備專業行業知識的小型模型，用以專注於解決某個特定場景或職位所面臨的問題，而非浪費大量資源開發，期待涵蓋解決所有工廠或整個企業的大型模型。從小規模、小範圍的部署開始，更能確保實際效益的最大化。
結論一：『精準』才是重點，而非單純追求速度和規模。
過去，大語言模型因其「快速」、「大量」生成的能力，吸引關注。然而，從 AI EXPO Taiwan 2025 的專家演講和展會趨勢中，PowerArena 發現，企業們正試著透過，強調生成式 AI 與產業需求的深度整合，與現行大語言模型（Large Language Model, LLM）做出區隔。
趨勢重點將不再關注規模的擴張，而是如何讓 AI 模型更精準、更具針對性，為具體的場景或需求提供量身定制的解決方案。
唯有當一個 AI 解決方案，無論是生成式 AI 模型，或是其他的 AI 部署，能夠真實解決問題，它才不再只是空泛的概念，或自說自話、文字接龍的工具，而是能真正為企業帶來價值的技術。
結論二：『數位化』依然主導一切應用的成效。
從這次的趨勢觀察中，我們可以看到市場對於「快速」解決問題的需求。如今，透過 AI Agent，這樣的需求將被滿足，特別是重複性高、且擁有標準答案的任務，將被全面自動化完成。
然而，以製造業來說，要讓 AI Agent 成功完成指定任務並達到預期效果，提供完整的資訊支持是首要任務，包括生產數據、人的資訊、環境因素、工作流程的資訊，甚至還需要結合過去的管理經驗和方法。
因此，我們仍然建議製造商，在導入任何 AI 應用或智慧製造解決方案之前，應將更多的關注放在工廠的數位化進程及如何獲取全面的資訊上。只有在備有充分的基礎條件下，才能最大化新科技投資的效益。
Table of Contents
