數位時代 Business Next

Epizodes

• 
  EP309. AI衝太快該減速(上)？ 適應性智慧、橘色科技和群體進步 ft.成功大學特聘教授劉世南 16.09.2026 58min

  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。  Powered by Firstory Hosting
• 
  記者茶水間236.天價 12 萬折疊 iPhone Duo 值得買嗎？帶你聽蘋果發表會：iPhone 18 Pro、AirPods 5 平價降噪與 Apple Watch 健康新功能 14.09.2026 17min

  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：[email protected] Powered by Firstory Hosting
• 
  矽谷在線 EP73. 美國醫療這麼貴，為什麼診所還這麼難做？Nitra 用 AI＋Fintech 重做診所營運 ft. Nitra 幕僚長 林俐吟 14.09.2026 29min

  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/ Powered by Firstory Hosting
• 
  數位關鍵字257.問 AI 健康問題前，記得先說「我是臺灣人」！葉俊廷醫師拆解怎麼問才對 11.09.2026 2h

  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.global3. 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.tw12. 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.com13. 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-yGoh, 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.2024.40969AI 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.adz4433Ramaswamy, A., et al. (2026). ChatGPT Health performance in a structured test of triage recommendations. Nature Medicine. https://doi.org/10.1038/s41591-026-04297-7Costa-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.orgHenrich, 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/10.7326/0003-4819-153-2-201007200-00002Marshall, 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=309956HIPAA（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 Powered by Firstory Hosting
• 
  EP308. 兩家搶著綁椿聯發科，輝達 vs. Google誰是AI新霸主？ ft.科技專家吳金榮 09.09.2026 52min

  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。 Powered by Firstory Hosting
• 
  記者茶水間235.SK海力士如何從「慘業」翻身？AI讓記憶體變印鈔機，中韓大戰下一步打到哪？ 07.09.2026 19min

  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：[email protected] Powered by Firstory Hosting
• 
  東京在線EP40_ 終生雇用即將消失？聘雇日本人才前你一定得知道的人事雇用新趨勢！ 07.09.2026 22min

  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 Powered by Firstory Hosting
• 
  數位關鍵字256.Claude 怎麼讓看不見的記號埋進文字？IBM 首席科學家陳品諭拆解 AI 浮水印 04.09.2026 1h 6min

  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-textRADAR：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-DetectorDivEye：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_detectorImageNet：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。 Powered by Firstory Hosting
• 
  EP307. 台灣每兩人就有一位購買，但你真的懂ETF嗎？ ft.清華大學計量財務金融系副教授韓傳祥 03.09.2026 48min

  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。 Powered by Firstory Hosting
• 
  EP306. 金融六大佬集資五千億美元站台，黃仁勳如何讓老派資本挺AI? ft.科技專家吳金榮 02.09.2026 1h 8min

  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。 Powered by Firstory Hosting
• 
  記者茶水間234.《數位時代》半導體線記者帶你看懂國際半導體展，2026 SEMICON Taiwan 來了！ 31.08.2026 17min

  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 Taiwanhttps://www.bnext.com.tw/article/92105/taiwan-ai-supply-chain-tsmc-mediatek-foxconn-ase-unimicronGPU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：[email protected] Powered by Firstory Hosting
• 
  矽谷在線 EP72. 當 AI 從找藥走進製藥現場：AI、量子運算與數位分身如何重塑藥物製程？ ft. Vernus AI 創辦人兼執行長 林彥竹 Jimmy 31.08.2026 23min

  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/ Powered by Firstory Hosting
• 
  數位關鍵字255.2025 台灣數位廣告量報告：661 億市場進入高原期，板塊卻在加速位移 ft. DMA 秘書長盧諭緯 Erica 28.08.2026 1h 18min

  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 Powered by Firstory Hosting
• 
  EP305. 從開車、開船、開飛機到運動和照護，Garmin如何把導航做成大生意? ft. Garmin亞洲區汽車事業總經理沈致瑋 26.08.2026 1h 6min

  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。 Powered by Firstory Hosting
• 
  東京在線EP39_ 在日本看電視真的要給NHK錢？從「可怕的敲門拜訪」廢除，看 NHK 與 TVer 的電視台數位轉型生存戰 25.08.2026 34min

  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？ Powered by Firstory Hosting
• 
  記者茶水間233.《數位時代》記者第一線直擊，大巨蛋 Garden City 8/22 開幕了，到底有什麼好逛？ 24.08.2026 15min

  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：[email protected] Powered by Firstory Hosting
• 
  數位關鍵字EP254.AI 員工要招募、訓練、考核還能淘汰？Orra 把 AI 當新人來帶 ft. 陳子龍Brian 21.08.2026 1h 6min

  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。 Powered by Firstory Hosting
• 
  EP304. 把公司賣給Google二十年後，Youtube共同創辦人陳士駿下一件大事做什麼？ ft. 陳士駿 19.08.2026 1h 9min

  1. 關於陳士駿，第一個問題ㄧ定繞不開YouTube. 他和伙伴在2005年成立，隔年就被Google以16.5億美元買下。他提到，當時YouTube的流量成長太快，幾乎每週或每兩週就翻倍，他們需要找到資源更豐富的公司來協助，而Sequoia創投很快牽線兩家有興趣的收購方：雅虎和Google. 最終選Google, 因為可以保留品牌和獨立運作，這在Google的其他收購案Android和DeepMind也體現出來。2. 八歲在台灣讀完小學二年級隨家人移民美國，ㄧ如黃仁勳九歲移民美國，楊致遠則是十歲。亞洲家庭教育讓他們在大學都念工程、之後在父母擔心之下走向創業。陳士駿21歲大學畢業，1999年要加入新創公司Pay Pal時，父母都不諒解，而他從Pay Pal離開再創辦YouTube，父母的反應一樣。楊致遠當年創辦雅虎時，他的母親也不諒解，為何讀到史丹佛博士卻要休學去賣廣告；黃仁勳即便今天管理全球最大市值公司，他的父母仍經常覺得他哪裡做的不夠好。3. 陳士駿在芝加哥長大，甲骨文創辦人Larry Ellison和Netscape共同創辦人Marc Andressen也都在芝加哥長大，但他們都是在矽谷創業成功，芝加哥沒有這樣的氛圍。矽谷不只對美國是獨特存在，對全世界都是，他認為要在科技業創業成功，ㄧ定要去接觸矽谷，不管是短期停留或長期發展，那裡有其他地方花錢花時間花人力也複製不了的東西。4. 到了矽谷，怎麼去找到你該認識的人，怎麼敲開第一扇門？這是最難的。陳士駿觀察，台灣創業者到矽谷取經的越來越多，但千萬不要只找説中文的或都待在辦公室裡，ㄧ定要多出去參加活動、喝咖啡、吃飯，當地新創圈的活動多不勝數，包含加速器如Y Combinator等的選拔比賽，都能幫人脈鋪路；史丹佛和柏克萊這兩所就近學校的創業風氣和資源也很豐富；這些再加上創投和天使投資等團體，是陳士駿這幾年積極串連拉起的網路。5. 同樣的，矽谷的新創如果牽涉到硬體和半導體，也需要到台灣來尋求協助，也有不知去找誰和如何敲開第一扇門的煩惱，以及後續注冊公司、開銀行帳戶、小孩就學等不知如何解決的問題。陳士駿是國發會就業金卡最早期核發的人士之一，即便有享受到便利、即便台灣是他的故鄉，但還是感受外國人在台灣要創業和落地工作生活的不便，何況純外國人。6. 陳士駿正在成立一個基金，協助台灣新創到矽谷落地，以及矽谷新創到台灣落地，幫他們各自在當地找到需要的人和資源，並藉參與投資分享後面的成長。他舉例，即使Google這麼大的公司，如果是某些硬體新產品在初期階段量不大，來台灣也不是想見誰就能見誰，何況是新創。他希望經由他的台灣背景和矽谷經驗，能幫到更多兩邊的新創。但他也提醒，初到異國他鄉，在選取合作夥伴時，必需非常小心，ㄧ定要做背景調查，了解對方的相關經驗和歷史，提高成功機率避免踩坑。📌開場分享詳細資訊：即日起報名付費論壇即享高鐵來回95折優惠；8月30號前點擊下方連結，輸入專屬折扣碼【BNEXT】，免費折抵500元觀展門票https://registration.semicontaiwan.org/visitor/index?sid=businessnext_podcast（本案為 SEMICON Taiwan 2026 國際半導體展 廣告） Powered by Firstory Hosting
• 
  記者茶水間232.「SOHO族」要死語回歸了嗎？一人公司估值破 2 億美金？拆解 AI 時代的三種「超級個體」 17.08.2026 21min

  本集重點：告別傳統創業邏輯，AI 催生「超級個體」與一人公司不會寫程式，如何用 AI 重構工作流？什麼是 FDE 前線部署工程師？延伸閱讀》一人公司估值80億！他打造「AI代理團隊」Polsia，年收衝向1,000萬美元https://reurl.cc/QNZOW9-----------🤩訂閱數位時代YouTube 》https://www.youtube.com/@bnext_official-----------🤩有合作需求請洽：[email protected] Powered by Firstory Hosting
• 
  矽谷在線 EP71. 人形機器人真的能取代工人？揭開 AI 機器人進入工廠的殘酷真相 ft. Holon Robotics 創辦人 羅元玠 17.08.2026 27min

  人形機器人、AI 機器人與 Physical AI 成為全球科技業最熱門的戰場，但會走路、能展示，不代表真的能在工廠工作。本集邀請 Holon Robotics赫侖科技 創辦人羅元玠，揭開機器人從 Demo 走向製造現場時，面對的系統整合、客製化與實際操作難題。我們也將探討世界模型能否成為機器人的「大腦」，以及擁有完整製造供應鏈的台灣，如何搶下智慧製造與機器人革命的下一波商機。人形機器人真的能取代工人嗎？為何機器人 Demo 成功，進入工廠卻容易失敗？AI 如何改變機器人開發與工廠自動化？世界模型能否成為機器人的「大腦」？台灣如何搶下 Physical AI 與智慧製造商機？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/ Powered by Firstory Hosting