# Day 1（2024/09/27）R0 國際會議廳 — 智慧轉型（下午場，13:00–17:00） > 主持人：張嘉惠 教授（中央大學） ## 本場速覽 | 講者 | 講題 | 一句話重點 | |---|---|---| | 劉思泰（Qualcomm 副總裁暨台灣、東南亞與紐澳區總裁） | Intelligent Computing X Edge AI in Driving Innovation in the AI Era | 主張唯有把運算/推論下放終端的「混合式 AI」才能真正發揮 AI 潛能，並以 AI Hub 等工具降低開發門檻 | | 栗永徽（鴻海研究院 AI 研究所 所長） | From Prediction to Simulation: HHRI's Breakthroughs in Autonomous Driving | QCNet／QCNeXt／BehaviorGPT 三代自研模型接連在 CVPR Argoverse、Waymo Sim Agents 挑戰賽奪世界冠軍 | | 王景弘（中華電信研究院 副院長） | The strategy and development of AI 2.0 in the ICT Industry | 以「航向 AI 2.0」為主軸，展示智慧客服、AI 電話防詐、智慧司法等應用，並強調這波 AI 技術已成熟到可直接產生業務價值 | | 張朝亮（國網中心 主任） | High-Performance Computing Infrastructures for Wide Adoption of AI in Taiwan | 完整盤點台灣算力建置（台灣杉系列、精粹主機）、AI 雲端服務與 AI 主權戰略 | | 許朝詠（中鋼 研究員） | The Journey of Digital Transformation in the Steel Industry Driven by AI | 從「單一技術落地」轉向「以效益指標驅動」的數位轉型方法論：人機協作／數位雙生／混合雲／生成式AI | | 葉家順（聯發科技 協理） | Boost Productivity & Innovation – MediaTek DaVinci GenAI Platform | 揭露「達哥」(DaVinci) 企業級生成式AI助理平台的安全分層架構、模型/plug-in生態，以及邁向 multi-agent 的下一步 | --- ## 1. Intelligent Computing X Edge AI in Driving Innovation in the AI Era **講者**：劉思泰（Qualcomm 副總裁暨台灣、東南亞與紐澳區總裁） ### 一句話總結 高通主張 AI 潛能只有把運算與推論下放到終端（Hybrid AI）才能真正發揮，並靠 AI Hub 等工具降低開發者導入門檻。 ### 重點整理 - 核心主張：真正發揮 AI 潛能必須把運算/推論下放到終端（On-Device／Edge），形成「終端 → Edge AI Server → 雲端」三層的「混合式 AI」（Hybrid AI）架構；若全部運算送上雲端，耗電、延遲（latency）與隱私成本會非常龐大。 - 引用估算：若照目前 AI 發展趨勢，到 2030 年 AI 將耗用全球約 3.5% 電力，換算約等於上海市（人口 1,800 萬）30 年的用電量。 - 引用產業估計：Generative AI 帶來的經濟效益估計介於 2.6 兆～4.4 兆美元（約當英國 2021 年 GDP）；另有三家不同機構估計範圍為 2,070 億～7.9 兆美元不等。 - 說明終端算力需求：要輸出「可接受」的生成式 AI 結果，手機約需 7–10B 參數、PC 約需 13–20B、車用約需 20–60B、IP Camera 約 7–10B。 - 說明高通的異質運算（heterogeneous computing）架構：CPU + GPU + NPU（Neural Processing Unit）+ Sensing Hub 共同分工，以滿足自駕等場景所需的極低延遲即時決策。 - Snapdragon 8 Gen 3 案例：算力超越 2000 年的超級電腦、耗電量低於一顆 LED，image processing 效能對比雲端方案可達 30 倍以上。 - 揭露給開發者／中小企業的三個工具：①Qualcomm AI Hub（雲端服務，內建 100+ 個已量化最佳化模型，可先在虛擬環境模擬驗證再部署到實體硬體）；②AI 模型優化工具（讓自製模型更精簡、更省算力後再上機）；③Qualcomm AI Stack（支援多種 OS、內建預設函式庫）。 - 案例：加拿大 Brampton Cricket League 用 AI Hub 開發板球裁判複判（DRS）輔助系統，開發時間從 60 天縮短到 1 天，硬體 benchmark 測試時間從數小時縮短到 5 分鐘。 - 車用場景展望：主張車輛走向 Software Defined Vehicle（SDV），車內體驗會像「PC on wheels」；並以 contextual AI 舉例——車輛能主動解讀儀表板警示燈意義，或依定位資訊主動提供建議（例如開過台灣總統府時主動詢問要不要拍照）。 - 描繪 LLM 裝置應用的演化路徑：單純聊天型 LLM → 多模態輸入（語音／影像）→ 具環境感知的 contextual AI → 最終走向具行動能力的機器人型態。 ### 值得記下的觀點 / 金句 > 「你必須要把 AI 這個運算以及功能拿到最前端⋯終端就是最前端的設備，來接受這些東西。」 > 「大型的模型是越來越變小型，而且非常的 capable。」 ### 提到的技術・產品・數據 - Snapdragon 8 Gen 3 → 高通旗艦行動運算平台，image processing 效能對比雲端可達 30 倍 - Qualcomm AI Hub → 雲端模型市集，內建 100+ 個 optimized/quantized 模型供開發者部署測試 - Software Defined Vehicle（SDV）→ 車輛以軟體定義使用者體驗與持續更新的概念 - 5G connectivity → 講者強調台灣提早於五、六年前部署 5G，是發展終端 AI 應用的基礎優勢 ### Q&A - 無 Q&A（主持人詢問現場是否有問題，但因單場演講僅 30 分鐘，時間不足而略過，直接轉場介紹下一位講者） ### 查證註記 - 講者自我介紹的英文名字聽起來近似「STLU」，可能是口語或譯名上的落差，未能查證具體全名，標記（未能查證）。 - 講者身分與[議程總覽](../../議程總覽.md)一致，經 WebSearch 交叉核對亦與多篇報導相符：Qualcomm 副總裁暨台灣、東南亞與紐澳區總裁 劉思泰，曾任宏碁智慧產品事業總裁，加入宏碁前在摩托羅拉任職逾 18 年，與他自述「之前的話可能也在像Acer或者是Motorola都有很豐富的經驗」相符。來源：[工商時報](https://www.ctee.com.tw/news/20251116700086-439901)、[電子工程專輯](https://www.eettaiwan.com/20250401nt11-qualcomm-creates-a-world-where-everything-is-connected-and-intelligent/)。 --- ## 2. From Prediction to Simulation: HHRI's Breakthroughs in Autonomous Driving **講者**：栗永徽（鴻海研究院 AI 研究所 所長） ### 一句話總結 鴻海研究院以 Transformer 架構重新定義自駕車軌跡預測與模擬，QCNet／QCNeXt／BehaviorGPT 三代模型接力奪下多項世界冠軍。 ### 重點整理 - 講者背景：原任教於國立中央大學資訊工程學系，從事 AI 相關研究；2021 年鴻海（劉揚偉）董事長上任後推動集團從製造業轉型為「以科技為本」的產業，邀請他籌組鴻海研究院並擔任人工智慧研究所所長。 - 鴻海集團轉型策略為「三加三」：三大新事業方向（電動車、數位健康、機器人，皆為高年複合成長率 CAGR 產業）＋三項基礎技術（AI、半導體、新世代通訊）。 - 人工智慧研究所團隊規模僅十餘人，自 2021 年至今已發表 57 篇論文、91 項專利（含領證與申請中）。 - 拆解自駕車五大技術問題：感知（perception，辨識移動車輛/行人/腳踏車及道路標線/紅綠燈/人行道等靜態物件）、預測（prediction，預測周遭車輛下一步動作）、規劃（planning，規劃自身應對動作）；另外兩個較不顯眼但同樣重要的問題是「降低訓練資料收集成本」與「建立安全的模擬訓練環境」。 - QCNet（CVPR 2023）：把軌跡預測問題重新表述為類似 NLP「next-token prediction」的任務——給定起始位置、速度與方向，用 Transformer 逐步預測下一個 0.5 秒的位置與速度；架構包含場景編碼（用 Local Spacetime Coordinate System，提高資料重用效率）＋三層 Cross/Self-Attention（時間、周遭車輛、地圖）＋最後一層微調 Attention。在 Argoverse 1、Argoverse 2 單一智能體軌跡預測挑戰賽奪世界第一，並在該排行榜蟬聯冠軍逾一年四個月才被超越（對手包含 Uber、商湯科技、北京大學、Waymo 等），論文發表於 CVPR 2023，並將轉投稿 PAMI 期刊。 - QCNeXt（CVPR 2024 Argoverse 2 Multi-Agent 挑戰賽）：從「逐一預測單一智能體」擴展為「同時聯合預測多個交通參與者彼此互動下的軌跡」，難度更高，同樣奪得世界冠軍。 - BehaviorGPT（Waymo Open Sim Agents Challenge，CVPR 2024）：目標是建立「模擬環境」取代真實路測，讓自駕模型能在模擬中訓練，大幅降低訓練成本；沿用 Transformer 架構（agent/map 資料 tokenization → 三重 Cross/Self-Attention：時序、agent-to-map、agent-to-agent → 解碼出位置/速度/角度）；提出「next patch prediction」訓練範式（一次預測一整段路徑「patch」，而非逐步預測單一時間點），可提升編碼效率與解碼準確度。該模型奪得挑戰賽世界冠軍，且模型參數量僅 3M（同場競爭對手中最小），呼應「邊緣端推論效率」的重要性；論文已被 NeurIPS 2024 接受，預計 11–12 月發表。 - 應用展望：BehaviorGPT 建立的模擬場景可用於自駕模組研發，也可用於交通號誌控制、車道封閉／調度等交通規劃與管理演算法開發。 - 近兩年戰績總表：2024 CVPR Waymo Sim Agent Challenge 第一名、Waymo Motion Prediction Challenge 第二名、Argoverse 1／2 挑戰賽第一名。 ### 值得記下的觀點 / 金句 > 「我們把軌跡預測問題轉換成自然語言處理的問題⋯給它一個起始的位置、還有速度跟方向，讓 Transformer 可以很好地去預測下一秒或下一個 0.5 秒的位置。」 > 「AI 就是強強連鎖，會越來越強越來越強，鴻海研究院拿到這把鑰匙了。」 ### 提到的技術・產品・數據 - QCNet／QCNeXt → 鴻海研究院自研軌跡預測 Transformer 模型，CVPR Argoverse 挑戰賽冠軍 - BehaviorGPT → 鴻海研究院自研交通模擬（Sim Agents）Transformer 模型，僅 3M 參數，Waymo Sim Agent Challenge 冠軍 - Argoverse 1／2 → 自駕車軌跡預測公開競賽與資料集，Uber、商湯科技、北京大學、Waymo 等隊伍同場競爭 - Waymo Open Sim Agents Challenge → Google 旗下 Waymo 發起的自駕模擬挑戰賽 ### Q&A - 無 Q&A（主持人於轉場時分享個人觀察與感想，未進行正式提問） ### 查證註記 - **栗永徽**（英文名 Yung-Hui Li）：查證其現任鴻海研究院人工智慧研究所所長、原任教於國立中央大學資訊工程學系、美國卡內基美隆大學電腦科學博士，與講者自述經歷（曾任教中央大學、2021 年獲邀籌組鴻海研究院）完全吻合。來源：[鴻海研究院官網](https://www.hh-ri.com/center/artificial-intelligence-research-center/members/8)、[TEDxTaichung 講者介紹](https://www.tedxtaichung.org/article_d.php?lang=tw&tb=2&id=3270)。 - QCNet／QCNeXt 在 CVPR Argoverse 挑戰賽奪冠、BehaviorGPT 論文投稿 NeurIPS 等說法，經 WebSearch 查證屬實（[QCNeXt 論文](https://arxiv.org/abs/2306.10508)、[QCNet GitHub](https://github.com/ZikangZhou/QCNet)）；惟公開論文/GitHub 頁面上的第一作者所屬機構是否逐一列名「鴻海研究院」未能完整核對，標記（部分未能查證）。 --- ## 3. The strategy and development of AI 2.0 in the ICT Industry **講者**：王景弘（中華電信研究院 副院長） ### 一句話總結 中華電信研究院以「航向 AI 2.0」為主軸，展示智慧客服、AI 電話防詐、智慧司法等應用案例，並強調這波 AI 技術已經成熟到可以直接產生業務價值。 ### 重點整理 - 演講主軸「航向 AI 2.0」：主張現在的 AI 與講者「30 年前在大學時看到的 AI」完全不同，關鍵差異在於這一波技術已經成熟到可以「直接拿來運用、產生價值」，不再只是停留在實驗室階段的研究。 - 推動架構分兩軌，「+AI」與「AI+」：「+AI」偏向既有業務加上 AI 做效率提升（由業務需求推動新技術），「AI+」則是以 AI 為核心發展全新的產品與內部價值。 - 展示了多領域 AI 應用，其中兩項特別令人印象深刻：**AI 電話防詐**（透過語音分析預防詐騙電話）、**智慧司法系統**（回答法律問題時能精準引用相關條文）。 - 案例：智慧客服 **KM Copilot**——基於企業內部知識庫，讓使用者以自然語言提問；導入前客戶等候時間長，導入後 5 秒內即可取得答案，等候時間至少減少 10%。 - 案例：**醫療 AI 助理**——應用情境涵蓋病人門診前、中、後，功能包括 AI 音訊轉文字（可再轉換成多國語言）與 LLM 診斷紀錄摘要。 - 技術成熟度直接帶動算力需求大增：以國科會「自然科學及永續研究發展處」（現場稱作「自然處」）處長轉達學界需求為例——過去用 PC cluster 即可，現在則想要用 GPU，顯示算力需求已出現質變。 - 以此算力缺口為引，銜接歡迎下一位講者——國網中心主任張朝亮上台，也呼應了接下來張朝亮從算力基礎建設角度切入的演講。 ### 值得記下的觀點 / 金句 > 「現在的 AI 跟比方說我們 30 年前我在大學的時候看到的 AI 是很不一樣的，主要的原因就是⋯這些技術真的是很成熟了，它是已經是在價值上你拿下來就可以運用的一個東西。」 ### 提到的技術・產品・數據 - KM Copilot → 中華電信智慧客服系統，基於企業知識庫的自然語言問答助理 - AI 電話防詐 → 透過語音分析辨識並預防詐騙電話的應用 - 智慧司法系統 → 回答法律問題時可精準引用相關條文的 AI 應用 - 醫療 AI 助理 → 涵蓋門診前中後、結合語音轉文字與 LLM 診斷摘要的應用 ### Q&A - 無 Q&A ### 查證註記 - 王景弘現任／曾任中華電信研究院副院長，並歷任中華電信資訊處、資通安全處副總經理、企客分公司副總經理等職務，經 WebSearch 查證與公開資料方向一致，惟未找到官方新聞稿可逐字核對其「副院長」現職與本場講題的第一手資訊，標記（部分未能查證）。 - 「+AI」「AI+」的定義為根據字面的合理詮釋，講者未特別展開定義，標記為詮釋。 - 中華電信於 2023 年 8 月成立「AI 2.0 企業策略委員會」（時任董事長郭水義），公開論述聚焦三個面向：中華電信自己要具備什麼 AI 能力、如何協助客戶用 AI、如何從「AI 技術賦能既有營運模式」進一步走向「AI 創新商業模式」，與本場「航向 AI 2.0」主軸互相呼應，講題應是在闡述這個委員會的策略框架。來源：[中華電信研究院官網](https://www.chttl.com.tw/)、[中華電信研究院｜人工智慧研發方向](https://www.chttl.com.tw/rd_ai.html)、[中華電：推動 AI 2.0 策略布局 打造創新雨林生態系](https://tw.stock.yahoo.com/news/%E4%B8%AD%E8%8F%AF%E9%9B%BB-%E6%8E%A8%E5%8B%95ai-2-0%E7%AD%96%E7%95%A5%E5%B8%83%E5%B1%80-%E6%89%93%E9%80%A0%E5%89%B5%E6%96%B0%E9%9B%A8%E6%9E%97%E7%94%9F%E6%85%8B%E7%B3%BB-094724579.html)。 --- ## 4. High-Performance Computing Infrastructures for Wide Adoption of AI in Taiwan **講者**：張朝亮（國網中心 主任） ### 一句話總結 國網中心主任張朝亮從 Gartner Hype Cycle 切入，完整盤點台灣算力建置（台灣杉系列、精粹主機）、雲端服務與 AI 主權戰略。 ### 重點整理 - 引用 Gartner Hype Cycle 分析：Generative AI、LLM 已跨過炒作高峰、進入務實發展期；但 RAG（尤其 Graph RAG）、Multimodal、AI TRiSM（AI Trust, Risk & Security Management）等技術仍在發展路上，是未來幾年的重點。 - 把 Gen AI 發展拆成四個面向：①模型開發（即使引進開源模型，也要加入自有資料做客製）；②AI engineering tools（如 RAG 需以工程化方式落地）；③application use case（用來說服經營層投資的關鍵）；④enablement techniques and infrastructure——本場演講聚焦最後一項，即「算力」與「specialized AI chip」。 - 觀察大廠自研 AI 晶片趨勢：Meta、Google 等投入自研 ASIC，一是不想讓 NVIDIA 主導整個生態系，二是通用型 AI 晶片無法滿足其用電效率與訓練時間要求；但專用晶片也有「技術迭代太快、設計完成即可能過時」的先天風險。 - 提出「AI + Simulation」概念（呼應前一位鴻海講者）：純 AI 模型無法預測物理環境（如廠房對自然環境、生產條件的反應），須與模擬結合，並引用黃仁勳 NVIDIA Omniverse 打造虛擬世界的演講作為案例。 - 算力建置現況：台灣杉二號（2019 年上線）、台灣杉三號自 2022 年 AI 興起後承擔重要算力角色；為推動 TAIDE 模型另採購 72 片 H100（約 3.8 Petaflops）；並以 GPT-3 規模模型換算算力概念：約 1,680 張 H100 可在 9.8 天內訓練完 175B 參數模型。 - 揭露今明兩年擴建計畫：今年建置 16 Petaflops 機器（部分 11 月上線、部分明年初上線）、明年再建約 100 Petaflops 等級「精粹主機」（隸屬行政院支持之「晶創計畫」）；並規劃導入量子運算資源，以及在南部（大南方沙崙）建置新一代 AI 超級電腦中心。 - 世界超級電腦 Top500 排名：台灣目前排名第 17（含台灣杉一號及新建氣象預測用電腦的總算力）。 - 強調「雲端服務」與硬體同樣重要：國網中心正推動以 Container 方式提供 AI 雲端服務入口，並依資料機敏程度分「藍線／紅線」（一般資料／機敏資料）分流不同保護層級。 - 強調 AI Sovereignty（AI 主權）：主張涉及國家文化元素、機敏資料的 AI 開發不應完全依賴國際雲端服務，需要自主可信賴的雲端環境；相關能力也延伸應用到國土治理、國防科技（如太空中心衛星資料）與生醫領域的資料保護。 - TAIDE 模型近況：最初由中研院李育杰教授帶領學界團隊開發（第二年），現由國網中心接手持續維運更新；資料收集在盡量遵守著作權的前提下有其困難；目前優先服務政府部門的數位轉型需求。 - 揭露 10 月中旬即將推出的 AI 開發者三種服務模式：①一站式（自帶模型上國網平台，從問問題到拿到 inference 結果全包）；②API（開發者自行呼叫國網 HPC 資源做推論，彈性最大）；③輕量式前端界面（無前端開發能力者可直接使用）。 - 硬體規劃：現有 Grace Hopper、H100/A100/V100，另購入 L40S 做推論，並正在採購 AMD MI300 與 Intel Gaudi 3。 ### 值得記下的觀點 / 金句 > 「If you're not ready for AI, you need to be AI ready.」 > 「不是每個人都是⋯大家搶著買的時候一定有它的道理。」 ### 提到的技術・產品・數據 - 台灣杉二號／台灣杉三號 → 國網中心既有超級電腦，台灣杉二號 2019 年上線，現承擔部分 AI 算力任務 - 精粹主機（今年 16 PF、明年約 100 PF）→ 國網中心新建 AI 超級電腦，隸屬行政院「晶創計畫」 - TAIDE → 國網中心（原中研院李育杰團隊）主導的繁體中文主權大型語言模型 - NVIDIA H100/A100/V100/Grace Hopper、L40S、AMD MI300、Intel Gaudi 3 → 國網中心現有／規劃採購的 AI 運算硬體 - AI TRiSM → Gartner 提出的 AI 信任、風險與安全管理框架 - 大南方（沙崙）AI 超級電腦 → 政府規劃於南部新建的 AI 運算中心 ### Q&A - 無 Q&A ### 查證註記 - **張朝亮**：WebSearch 查證其現職與經歷屬實：現任國家高速網路與計算中心主任，美國賓州州立大學機械工程博士，曾任 NASA 蘭利研究中心資深研究員，2022 年 4 月接任國網中心主任。來源：[自由時報](https://news.ltn.com.tw/news/life/breakingnews/3885233)、[國網中心官網](https://www.nchc.org.tw/Page?itemid=34&mid=59)。 - 「晶創計畫」（晶片驅動臺灣產業創新方案）十年規劃 3000 億元、114 年度編列 40 億元交由國網中心建置算力，細節見 [R0-下午-智慧轉型與紀念講座.md](../day2/R0-下午-智慧轉型與紀念講座.md)（廖弘源場次）——本節與該場講的是同一個國家級算力建置計畫的不同階段/角度。 --- ## 5. The Journey of Digital Transformation in the Steel Industry Driven by AI **講者**：許朝詠（中鋼 研究員） ### 一句話總結 中鋼從「單一技術落地」轉向「以效益指標驅動」的數位轉型方法論，靠人機協作、數位雙生、混合雲、生成式AI四支柱因應缺工問題。 ### 重點整理 - 講者背景：曾在中研院任職 13 年，2014 年轉往中鋼迄今，恰好與 AI 技術蓬勃發展的十年重疊；提及廖弘源（中研院／晶創計畫副執行長，同時也是隔天議程講者）為其在影像技術領域的重要合作對象。 - 中鋼自 2014 年起於產線與銷售端導入多項 AI 技術：以「無人天車」為例，是中鋼除本業鋼鐵外銷售第三好的產品（前兩名分別是月餅與水餃），已外銷十幾部至中國大陸。 - 過去問題盤點：早期 AI 專案多以「單一技術／單一產線」為目標（例如「做出無人天車」本身即是目標），缺乏可量化的最終效益指標，導致 AI 雖已落地、卻難以呈現在公司整體營運績效上。 - 2023 年起轉向「數位轉型」目標，成立數位轉型推動小組（前身為「智能產銷委員會」），新納入資訊與行政部門——因為打通資料流、以及讓員工習慣生成式 AI 的工作模式，都是數位轉型的關鍵。 - 委託工研院盤點世界前七大鋼廠的數位轉型方向，歸納出四大主軸：提升生產效率、智慧化營運（延續既有智能產銷委員會工作）、低碳製造與新材料開發（已有公司 ESG 小組負責，故技術小組不重複投入）；技術小組因此聚焦在「提升生產效率」與「智慧化營運」兩項。 - 點出核心挑戰是缺工：預期 2028 年台灣人口紅利消失，勞動人口將短少 200 萬人；中鋼近年也開始與科技業（如台積電）搶人才，南部招工日趨困難，並連帶衍生「經驗傳承」問題（資深員工經驗難以交接給新進員工）。 - 因應「加速經驗傳承」與「提升工作效率」兩大目標，導入四項技術：人機協作、數位雙生、混合雲、生成式 AI。 - 案例 1（人機協作—小鋼胚天車）：純自動化天車因 AI 僅能操作「兩軸同動」（人可三軸同動），效率降低約 30%；改採人機協作模式，類比 Google 無人計程車 vs. 百度「蘿蔔快跑」（人機協作、遠端接管）路線之別，後者能更快追上應用成熟度。 - AI 落地環境設計三層次（講者提出的重要方法論）：①純用 AI 技術：因環境不可控常失準（例：攝影機直接數鋼胚調運數量，因背景全是鋼胚而無法辨識）；②限定環境下用 AI：加裝雷射線做前景/背景分離（三角雷射測距法）有改善，但仍受環境變異（雷射線與攝影機角度過小）影響；③精確設計環境條件：優化雷射線安裝位置、加電磁吸盤偵測並排除範圍外雷射線，最終正確率達 99% 以上。 - 案例 2（遠端協作—鋼卷天車）：在天車儲區架設 5G 基站，將控制訊號拉到地面控制室，操作員在室內用與天車上相同的控制台遠端操作；配合 PLC 調整，將「夾取／放下」（人做較佳，需三軸同動）與「人員偵測、防撞、鋼卷序號辨識」（AI 做較佳，靠電腦視覺）分工，使單一天車操作工時降至原本 20%，最終達成「一人操作多台天車」。 - 案例 3（數位雙生—天車手訓練 + 光達虛擬倉儲）：①把倉庫實景建成含虛擬攝影機的虛擬倉庫，讓天車手在虛擬環境訓練操作、畫面與真實天車一致，加速訓練；②扁鋼胚天車案例：光達交期一度長達 6 個月至 1 年，於是先用 Point Cloud 建立虛擬儲區（鋼胚簡化為 5–6 面幾何體）並在硬體到貨前就完成物件偵測系統開發，硬體到位後僅需微調角度即可上線。 - 案例 4（數位雙生—高爐布料模擬）：導入 NVIDIA Omniverse 建立高爐布料模擬，讓原本「看不到內部狀況」的高爐布料情形可視化，用於即時比對與模擬判斷。 - 生成式 AI 案例：①用自然語言查詢 SQL Server 資料庫（免寫 SQL 語法），解決盤燒設備連接線長度等查詢需求；②維護指引系統「**工程小管家**」：將資深員工留下的維護文件建成問答系統，供新進員工學習設備維護經驗。 - 講者坦言：企業內部自建生成式 AI 應用很難贏過 OpenAI 等原生大廠的迭代速度，因此中鋼的定位是「數位賦能」——把員工不具備的能力/知識直接嵌入系統、讓大量員工使用後自行找到貼合工作場域的應用，而非追求自研模型能力超車。 ### 值得記下的觀點 / 金句 > 「AI 落地的時候，大部分都是環境問題⋯純用 AI 技術／限定環境用 AI／精確設計環境用 AI，是三個層次。」 > 「你可以思考 Google 開發無人計程車，跟大陸的蘿蔔快跑在很短時間內追上的差異——這就是純 AI 跟人機協作的差異。」 ### 提到的技術・產品・數據 - NVIDIA Omniverse → 中鋼用於高爐布料模擬的數位孿生（Digital Twin）平台 - Point Cloud + 光達（LiDAR）→ 用於天車鋼胚堆疊高度/寬度偵測的虛擬儲區建模技術 - 三角雷射測距法 → 用雷射線分離前景/背景以偵測鋼胚調運數量的物理方法 - 5G 基站 → 用於天車遠端操控訊號傳輸 ### Q&A - 無 Q&A ### 查證註記 - **許朝詠**（中鋼 研究員）：WebSearch 查證其現職為中鋼綠能與系統整合研究發展處研究員，且曾於 2020 年台灣人工智慧年會發表《人工智慧在鋼鐵工業之應用》，與講者自述經歷（中研院 13 年、2014 年轉任中鋼）相符。來源：[2020 AI Academy 議程頁](https://conf2020.aiacademy.tw/cyhu/index.html)、[iThome 報導](https://www.ithome.com.tw/news/141163)。 - 講者提及的「廖弘源老師」經核對即為[議程總覽](../../議程總覽.md) Day2 R0 場次講者廖弘源（晶創計畫 副執行長），身分一致，未見矛盾。 --- ## 6. Boost Productivity & Innovation – MediaTek DaVinci GenAI Platform **講者**：葉家順（聯發科技 協理） ### 一句話總結 聯發科揭露「達哥」(MediaTek DaVinci) 企業級生成式AI助理平台的安全分層架構、模型/plug-in生態，以及邁向multi-agent的下一步。 ### 重點整理 - 開場定調：企業導入 AI 的兩大經營目的——cost down（員工生產力提升）與 value up（既有產品/服務加值變現）。 - 「達哥」（MediaTek DaVinci）為聯發科 2023 年推動的企業級生成式AI助理平台，因中文譯名「達文西」被暱稱「達哥」，現已成為聯發科正式產品命名之一；目標比擬自駕分級 L1–L5，理想終態是「賈維斯（Jarvis）」級超級智慧助理（L5），目前約在 L2 上下。 - 平台三大原則：安全（Security）、彈性（Flexibility）、易用（Simplicity），才能形成 network effect（網絡效應）。 - 安全分層架構：依部門機敏程度分三套環境——非核心業務（可用外部雲端模型，如 GPT-4o、Claude、Gemini 等，透過 Virtual Private API 對接）、核心業務（如 IC 設計 RTL code、6G 研發，不可上外網，只能用地端模型如 Llama、Mistral、DeepSeek，需自建 Inference Server）；所有存取皆經統一 API 層做 partition 與資訊過濾。 - 模型庫（Model Hub）內建數十個模型；plug-in（外掛）上百個，涵蓋 Wiki、SharePoint、ERP、Oracle 等系統對接，皆有預設 Template 可快速 Configuration。 - 強調 Prompt Engine 與 Log Data 治理：Log 用途包括稽核（有無 data leakage）、計費/chargeback（不同單位、不同模型的 quota 與計價）、以及回饋訓練（Prompt Engine 優化、RAG plug-in 或未來模型微調）。 - 推廣路徑（企業導入方法論）：建議先「用 AI」（用現成場景，如財務、HR、法務的低機敏度工作）而非急著「做 AI」（訓練自有模型）；建議設定「單位生產力至少提升五成」作為第一個 check point，再用該成功案例單位去說服全公司推廣。 - 案例（財務）：以「議題度 × 解答值」（visibility × impact，加上可行性）四維象限篩選痛點，開發出「報銷客服助理」，可依權限自動理解各地/各語言員工提問並調用後端知識庫，實測後 8–9 成工作可由 AI 處理，原本 5 人團隊 3 個月後可能剩 1–2 人維運。 - 更多案例：同業/競爭對手分析助理（自動化爬蟲＋資料庫查詢）、法務/HR/財務的 CAPEX/OPEX 查詢助理（結合圖表產出）、政大退休教授開放「策略矩陣」知識庫轉化為「策略顧問」助理（RAG+知識庫，可即時查詢並分析微軟/Mistral/OpenAI 等最新產業動態）、內部 Scholar Master 論文助理（自動抓取 arXiv 等論文並比較分析）。 - Value-up 案例：把「達哥」能力嵌入聯發科既有 IC/產品（手機、智慧音箱、白色家電、車用、Kiosk、眼鏡等），讓終端裝置具備「聽得懂人話、懂你」的個人化助理能力，類比 Apple Intelligence 的「雲端大模型＋裝置端小模型」協作架構，並展望未來走向 agent-to-agent 協作（如同現在的藍牙配對機制），也提醒裝置端與雲端 agent 若互通設計不當恐有被 hack 的資安風險。 - 生態系現況：目前三位數客戶在測試、兩位數客戶已上線；合作系統整合商包括雲豹、精誠、鴻基、台灣大哥大、NTT 等；教育端與台灣人工智慧學校、台灣經濟研究院及微軟合作推出教育雲；模型庫涵蓋自研 Breeze（繁中LLM）、Llama、Mistral、DeepSeek、NVIDIA NIM 等；也展示與 Metaage（虛擬人／LINE、Messenger API 對接）、能點動畫（虛擬人「達妹」）、知識會肅展中心（AIOT 開發板）、以利資訊（API 快速部署）等生態夥伴的整合案例。 ### 值得記下的觀點 / 金句 > 「你到底是要做 AI、還是要用 AI、還是要管 AI？」（呼應蔡明順校務長觀點） > 「這個助理要能達成效果，就是要聽懂人話能做事。」 ### 提到的技術・產品・數據 - MediaTek DaVinci（達哥）→ 聯發科企業級生成式AI助理平台，2023 年推出 - Breeze（BreeXe）→ 聯發創新基地釋出之繁體中文大型語言模型 - Apple Intelligence → 講者用以類比「雲端大模型＋裝置端小模型」協作架構的參照案例 - NVIDIA NIM → 達哥模型庫支援的推論微服務 - Metaage、能點動畫、以利資訊、知識會肅展中心 → 達哥生態系合作夥伴（API 對接、虛擬人、AIOT 開發板等） ### Q&A - 無 Q&A（主持人結語後直接宣布本日議程結束、明日再會） ### 查證註記 - 講者頭銜與[議程總覽](../../議程總覽.md)一致：聯發科技 協理 葉家順；WebSearch 查證其為「聯發科技人工智慧暨數據工程處協理」，帶領團隊打造達哥平台，與本場內容吻合。來源：[工商時報](https://www.ctee.com.tw/news/20240410700160-439901)、[天下雜誌](https://www.cw.com.tw/article/5130977)、[MediaTek 官方新聞稿](https://corp.mediatek.tw/news-events/press-releases/mediatek-and-partners-enable-productivity-for-enterprises-with-generative-ai-service-platform)。 - 官方新聞稿揭露「達哥生態系已有 20+ 高科技、6+ 金融業、10+ 消費品牌、3 家電信業、5 家傳統產業加入」，與「三位數客戶在測試、兩位數客戶已上線」的說法方向一致（後者為講者於年會現場口頭補充的較新數字，未另找到可逐一核對的公開報導，標記為講者口頭揭露、未能完全查證）。