軸線一：模型路線的轉向——RAG＋可抽換模型是主流，但微調陣營沒有缺席

多數陣營（RAG／地端知識庫優於自建模型）

楊立偉（意藍資訊，D2 R0 下午）明講企業不再做 fine-tuning，因為模型版本更新太快（客戶剛微調完 LLaMA 就出 LLaMA 2、3、3.1、3.2），企業資料也常態變動、fine-tune 反應不及，趨勢是「model-agnostic 架構＋RAG」；並用實測數字佐證 RAG 優於整篇丟給 LLM（271 頁財報整份丟一次約 100 元台幣，改用 RAG 先取出最相關 5 段再回答，速度快、成本低、正確率高）。

林縣城（叡揚資訊，D2 R1）呼應：RAG 場景中「檢索品質比生成品質更關鍵」，功能佔比約五分之四在前處理與檢索，而非生成本身；通用模型在企業特定術語、高容錯要求下不一定夠用，但解法是把檢索做好，而非自建大模型。

高士方（MSI，D1 R1）把 AI Artist 從純文生圖擴充到 RAG（他稱為「AI Fire」），讓使用者自行匯入文件做客製問答，走的也是外掛知識庫而非重新訓練模型的路線。

林茂昌（新漢智能，D1 R1）主張把企業自有資料庫接上生成式 AI（NextData＋GenAI），理由是「資料庫有邊界、內容明確」比公版 ChatGPT 撈全網資料容易「一本正經胡說八道」更準確可靠，且全地端部署不需 fine-tune。

許朝詠（中鋼，D1 R0 下午）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」，因此把公司定位為「數位賦能」而非模型能力比拚——這句話的邏輯跟楊立偉完全一致，但講者是傳統製造業而非軟體公司，說明這個判斷跨產業成立，不只是軟體業的自利說法。

反例陣營（fine-tune 在特定場景勝出）

蔡宗翰（TAIDE 核心訓練召集人，D2 R0 下午，與楊立偉同一場次稍後登場）給出相反結論：訓練小模型優於「通用大模型＋RAG」，具體數字是 EduTAIDE（微調模型）合格率 76% vs. GPT-4o 51%；用 LLaMA 3.1 405B 做通用大模型＋RAG 需要 11 張 H100，一般團隊難以負擔。

李明達（宮廟 AI，D2 R3）明確反對 RAG（「易搜尋錯誤造成誤差」）也反對 LoRA（「會降低模型基礎能力」），堅持用 70B 以上模型做 full-parameter fine-tuning。

吳威翰（Accucrazy，D2 R3）認為 fine-tuning 比 RAG／LoRA 更能學到「小而精巧的隱密知識」（如特定文化語感），RAG 本質仍是外掛知識而非模型真正學會。

群聯林緯（D1 R2）雖然核心賣點是硬體（NAND 幫 GPU 擴充記憶體），但論述邏輯是鼓勵「地端訓練自己的模型」，稱其為「至高無上的權利」，隱含不完全信任雲端 RAG 路線的立場。

這條軸線真正的分界線：不是「RAG 比較好」或「fine-tune 比較好」的單純二選一，而是任務性質——需要廣泛、會變動的知識檢索（企業知識管理、客服、財經分析）的場景，2024 年明顯倒向 RAG＋可抽換模型；需要深度、穩定的領域正確性（教育評測、垂直利基、特定文化語感）的場景，仍有紮實的 fine-tune 陣營堅持己見，且拿得出具體贏過通用模型＋RAG 的數字。兩派在同一場年會、甚至同一場次正面對撞，年會現場沒有人出面調和。

軸線二：在地化與主權 AI 的實作現況——2024 年台灣做到哪裡，卡在哪

陳宜昌（聯發創新基地，D1 R3）介紹 Breeze 2.0：3B／8B 多模態模型，含 Function Calling、Vision、繁中版 BFCL 評測集，訓練資料量達 500GB 以上。這是民間研究院層級的成果，技術完成度是本屆年會自研模型中最高的。

黃瀚萱（TAIDE 多模態，D1 R3）攤開最真實的瓶頸：合法授權、與台灣相關的圖片，Wikipedia 上僅約 1,300 張；向政府部會要資料常被要求「自己爬」；中研院生命大百科 70 萬張動植物照片是演講當月才拿到手，還來不及用進模型。

李育杰（Sovereign AI，D2 R0 上午）揭露 TAIDE 的真實資源規模：預算不到 2 億台幣、72 片 H100，對比 Meta 訓練 Llama 3.2 用約 2.4 萬片 GPU；他的結論是「模型是一時的，資料才是永久的」，並明確反對台灣自己 train from-scratch 的 frontier 模型。

蔡宗翰（D2 R0 下午）從方法論角度補完這個瓶頸：評估用的 prompt 必須由領域專家（而非工程師）撰寫，否則模型天花板卡在 70 分左右；同場座談還揭露一則具體案例——iKala 苦等不到官方評測資料，最後直接拿「國家考試題目」權充 benchmark，反映台灣長期缺乏可用評測資料的困境。

楊政霖（CyCraft，D1 R1）指出開源 LLM 訓練語料中繁體中文比例極低（BLOOM 訓練資料統計約僅百萬分之四），這是「模型問繁中卻答簡體用詞」這類在地化技術債的根本原因。

蔡祈岩（台灣大哥大，D1 R2）從企業實戰角度補上另一塊拼圖：通用語音模型 Whisper 持續把台灣國台客語混雜的說話方式聽錯（現場舉例「摸乳（門號）」被誤聽），因此台灣大哥大選擇自建客服領域的本地化語音模型，而非依賴通用模型。

資料缺口的誠實揭露

官方議程 Day1 R4 工作坊原本排有吳俊興（高雄大學）「用 Kuwa 打造自己的 AI 智囊團」一場，但這個時段完全沒有錄到任何內容、也沒有補充資料可用，因此本文無法討論 Kuwa 這個台灣本土開源 AI 平台在 2024 年的實際發展現況，只能確認它當時是官方議程的一部分。這本身也是台灣在地 AI 生態圈「連內容都留不下來」的一個縮影。

這條軸線的共同結論：把 Breeze 2.0、TAIDE、台灣大哥大自建語音模型三個獨立案例疊在一起看，2024 年台灣的在地化 AI 卡住的地方不是模型能力，是資料供給鏈的每一個環節——授權資料太少（黃瀚萱）、訓練語料佔比太低（楊政霖）、評測集不存在（蔡宗翰、iKala 案例）、口音與在地用語資料庫不足（蔡祈岩）。這四個問題彼此獨立、來自四個不同產業的講者，卻指向同一個結構性瓶頸。

軸線三：推論成本與硬體策略——用架構創新繞開「算力太貴」

群聯（D1 R2，現場內容）：用 NAND Flash SSD 幫 GPU 擴充「記憶體」而非算力，把 LLaMA 3.2 90B 模型地端訓練成本從 3,000 萬台幣砍到 100 萬以下。核心論點是「訓練瓶頸已經從算力不夠變成顯存不夠，但 NVIDIA 把算力和記憶體綁在一起賣」。

MSI（D1 R1，現場內容）：主張電競筆電的高階獨立顯卡（RTX 4050 以上可貢獻超過 250 TOPS）遠超一般 AIPC 規範定義的 NPU 算力，因此「電競筆電就是地表最強的 AIPC」——同樣是用既有硬體重新定位，而非等待更便宜的專用晶片。

張朝亮（國網中心，D1 R0 下午，現場內容）：算力採購策略明講「不要一次全押」，除既有 H100/A100/V100/Grace Hopper 外，正在採購 AMD MI300 與 Intel Gaudi 3 做多元化，避免被單一供應商綁定。

廖弘源（晶創計畫，D2 R0 下午，現場內容）：呼應同樣的採購邏輯——國網中心的算力建置「不會全部採購 H100，會逐步搭配 AMD 合作」，避免「所有雞蛋放同一個籃子」。

Cadence（D1 R3，現場內容）：從「設計端」而非「使用端」降低算力成本——用強化學習引擎 Cerebrus 優化晶片 PPA、用生成式 AI 工具 Voltus InsightAI 自動修正 IR Drop，把原本要數週的人工調校壓縮到 1–2 次迭代。這是同一條「不要傻等更便宜的算力，用架構/流程創新繞過去」邏輯在晶片設計工具鏈上的體現。

需要特別註明可信度的部分：Day1 R2 官方議程原本還有 Intel（王宗業）、英業達（徐國翰）、Arm（徐達勇）、AMD（張歐佑豪）四場，主題正好都跟「用開放軟體堆疊／低功耗 IP／邊緣 NPU 繞開 NVIDIA 封閉生態系」直接相關，但這四場完全沒有錄到現場內容：其中徐達勇、張歐佑豪兩場有其他與會者的現場共筆可讀（屬於真實但簡化的第三方記錄），王宗業、徐國翰兩場則只剩事後查證的公開資料背景（Intel 的 OPEA 開放平台、英業達的 VectorMesh 低功耗 NPU IP、Arm 的 KleidiAI／Ethos-U85 邊緣 NPU、AMD 的 MI300X 巨量 HBM3＋開放軟體堆疊 ROCm）。若這些背景資料方向無誤，這四家外商在 2024 年的共同策略——走開放堆疊、記憶體優先於算力堆疊——跟國網中心與晶創計畫的多元化採購邏輯是同一件事的兩個面向；但因為缺乏現場內容確認，本文只能把這段列為「方向上可能呼應」，不當作跟前五個案例同等級的證據。

這條軸線的核心敘事：2024 年台灣業界面對「算力太貴」的主流回應，不是等 GPU降價，而是在系統層面動手術——記憶體架構（群聯）、既有硬體重新定位（MSI）、採購策略多元化（國網中心、晶創計畫）、晶片設計流程本身自動化（Cadence）。這跟單純「誰囤了最多 H100」的敘事明顯不同。

軸線四：AI Agent 從概念走向落地，但 precision 仍是門檻

近期具體規劃／落地案例

黃仕鎮（玉山銀行，D1 R1；內容來自其他與會者的現場共筆、非完整逐字紀錄）提出「AI Embedded → AI Copilot → AI Agent」三階段演進架構，把 Agent 定位為終局型態。

胡德民（遠傳電信，D1 R1；同樣來自現場共筆）提到正在建構「遠傳智靈」AI Agent 平台，作為公司四大核心能力底座之一。

蔡祈岩（台灣大哥大，D1 R2，現場內容）具體規劃 AI Agent（「懂公司流程的 ChatGPT」），可接內部系統辦請假、約會議。

葉家順（聯發科技，D1 R0 下午，現場內容）展望裝置端與雲端的下一步是「agent 對 agent」協作，類比現在的藍牙配對機制。

劉思泰（Qualcomm，D1 R0 下午，現場內容）描繪了裝置端 LLM 的具體演化路徑：單純聊天型 LLM → 多模態輸入 → 具環境感知的 contextual AI → 最終走向具行動能力的機器人型態。

許凱程（工研院，D2 R2，現場內容）給出目前最具體、最可驗證的 Agentic LLM 落地案例：把「直接把 X 光片丟給多模態模型」（錯誤率 5–6 成）拆解成「先判斷臨床狀況→再判斷影像類型→再判斷影像內部發現」的任務鏈後，正確率提升到 9 成以上——這是本屆年會唯一一個對 agent 拆解任務前後效果做量化對比的案例。

李昆謀（91APP，D2 R1，現場內容）把公司整套向量檢索＋LLM 代言人的架構命名為「Joy」，並預言未來零售場景會走向「agent 對 agent」的交易型態（消費者端與銷售端都出現 agent）。

吳威翰（Accucrazy，D2 R3，現場內容）展示的 multi-agent 行銷 pipeline 已經是實際上線的產品：一個 agent 負責定義受眾、「Moana」產文、「Coco」安排虛擬帳號發文、「Rebecca」轉語音發布。

李慕約（D2 R3，現場內容）現場 demo 一個 Computer-use 型 AI agent：下指令「去 PC Home 24 買一箱蘋果汁、用儲值金付款、不要問我過程直接下單」後，agent 透過電腦視覺自主完成選品、結帳、付款，實體商品最終送達。

翁浩正（DEVCORE，D1 R3，現場內容）則點出這條軸線的天花板：現階段 AI agent 還做不到紅隊任務要求的「精準一擊必殺」，無法判斷哪個漏洞可以一擊必殺、也缺乏「聲東擊西」這類需要掌握對方心理的策略能力，仍需要人類創造力補位。

另一種時間尺度的推測，不宜跟上面的近期規劃混為一談

黃志芳（外貿協會，D1 R0 上午）在開幕 Keynote 談到 AI agent 的段落，其實是哲學／社會層次的長期推測——他引用新創公司 Altera 在 Minecraft 中運行約 1,000 個自主 AI agent 建構模擬文明的實驗，推測未來具備長期記憶的 AI agent 可能被人類社會視為另一種「移民」而引發排斥心理。這跟上面企業講者「近期就要／正在打造」的產品規劃不是同一個時間尺度的判斷，本文不把它當成近期產業趨勢的佐證，但值得記住——它提供了這條近期趨勢最終可能通往何處的長期想像。

這條軸線的分界線：2024 年的 agent 不是一個統一的成熟度，而是明顯分成兩層——任務明確、步驟可拆解、結果可驗證的場景（X 光判讀拆解任務鏈、零售推薦系統、行銷內容產製 pipeline、電商下單 demo）已經有具體落地案例，甚至商用化；但需要在高風險、高不確定性情境下自主創造判斷的任務（翁浩正談的紅隊滲透）仍然做不到。這個門檻同時也呼應軸線五（資安）與下文對「AI Agent 主流化」預測的查證結果——後者的判定是「未應驗」，值得對照著看。

軸線五：資安攻防同步演化，防禦端比攻擊端更早成熟

翁浩正（DEVCORE，D1 R3）系統性盤點 GenAI 對紅隊／駭客工具鏈的影響：WormGPT／FraudGPT 等越獄服務、PentestGPT／BurpGPT 等輔助工具、聲紋複製攻擊智慧家電——攻擊工具本身已經高度「唾手可得」，但他的結論相對保守：AI 目前還做不到精準一擊必殺，仍是「很棒的 Copilot」而非取代者；他也明確提到「AI 對防禦方的幫助其實比較多」，分享自己用 AI 分析 web log 抓出人眼難發現異常行為的親身經驗。

沈宜婷（中華資安國際，D2 R3，隔天登場）現場 demo 用本地部署、去除安全限制的 Ollama 模型自動化滲透測試，成功打穿 Linux 主機拿到 root 密碼——證明即使不靠雲端大廠模型，攻擊自動化的技術門檻也在持續下降。

楊政霖（CyCraft，D1 R1）從防禦端產品視角出發：導入自研 LLM 後，惡意指令解讀從資深分析師花 40 分鐘縮短到 3 秒；但同一場演講也揭露防禦端自己架設的 RAG 框架同樣存在資安風險（Black Hat Asia 2024 研究測出 51 種框架組合中 17 種有漏洞、16 種可達成遠端程式碼執行）——防禦端在享受 AI 效率紅利的同時，自己也成為新的攻擊面。

鄭振牟（長庚大學，D2 R0 上午）系統性講解 TEE／FHE／MPC／ZKP 四種讓互不信任的 model owner 與 data owner 也能安全合作推論的密碼學技術，是防禦端在資料隱私層面最系統化的一套方法論。

查士朝（台科大，D1 R3）把既有的 ISO 27014 資安治理框架、管理審查會議機制直接套用到 AI 導入場景，是防禦端在治理層面的具體嘗試。

這條軸線的不對稱：防禦端（產品導入、密碼學工具、治理框架）在 2024 年已經有相對完整的方法論成形；攻擊端則呈現「工具唾手可得，但精準打擊仍需人類」的中間狀態。這個不對稱是否只是暫時現象，值得對照下文對翁浩正評估的後續查證。

軸線六：落地方法論成形——把 LLM 應用當工程專案管理

張文鈿／iHoward（愛好資訊，D2 R3）提出 LLM 應用開發成熟度 5 級模型（從「寫完不測試」到「自動化 Prompt 最佳化」），把過去憑感覺調 prompt 的做法，改造成有分級標準的工程流程。

蔡宗翰（D2 R0 下午）強調評估 prompt 必須由領域專家而非工程師撰寫，並提出「持續預訓練→指令資料→微調→自動評估→定期人工介入評估」五步驟流程，把資料組、評估組、模型開發團隊三種角色明確分工。

楊政霖（CyCraft，D1 R1）提出企業導入 LLM 前要評估的五個面向（隱私、對齊、領域知識、在地化、資安），並明確建議「Start from small」——先從非關鍵功能開始，而非一步到位。

許朝詠（中鋼，D1 R0 下午）提出「AI 落地環境設計三層次」方法論（純用 AI 技術易失準 → 限定環境用 AI 有改善 → 精確設計環境條件才能達到 99% 以上準確率），並描述公司 2023 年起從「單一技術目標」正式轉向「以效益指標驅動」的數位轉型治理模式。

查士朝（D1 R3）把資安治理慣用的 ISO 27014 管理審查會議機制，直接挪用成 AI 導入的治理框架，同樣是「用既有工程治理工具馴服 AI 專案不確定性」的思路。

no-code／low-code 平台在 2024 年密集出現：廣達 QOCA aim（醫療影像建模從兩週壓到兩小時，D1 R2）、先知科技「天然通好」（製造業瑕疵檢測，D2 R3）、MSI AI Artist（D1 R1）——三個不同產業的平台，鎖定的目標客群清一色是「缺乏 AI／IT 人才的中小企業／醫院」，而非要取代資料科學家。

這條軸線的意義：2024 年一個明顯的轉變，是「LLM 應用開發」開始被當作有明確方法論、可分級評估、可治理稽核的工程專案，而不是像 2022–2023 年那樣的實驗性嘗試。某種程度上，這條軸線是前面五條軸線能夠成立的「元方法論」基礎——沒有這套工程化思維，軸線一的 fine-tune／RAG 選型討論、軸線二的評測集建置、軸線四的 agent 任務拆解，都無法被系統性地驗證與比較。

2024 年的預測，在 2026 年回頭看

這份趨勢文原本自行查證了 6 條講者預測；但另有一份專責的事實查證文件〈2024 年會預測與後續發展查證〉針對 8 項年會預測做了更完整的外部查證。為避免兩份文件的判定統計互相矛盾誤導讀者，本節以該查證檔的結果為主要依據，本文只保留敘事分析、以及該查證檔沒有收錄的補充項目，兩者的判定分開陳列、不合併統計。

5.1 官方查證結果（引用自查證檔）

判定分布：應驗 3 項、部分應驗 2 項、未應驗 1 項、仍待觀察（資料不足）2 項（共 8 項，逐項完整內容與外部來源請見查證檔，此處只列與本文六條軸線直接相關的重點）。

查證檔項目判定與本文軸線的關聯
加州 SB 1047應驗——開發者陣營成功削弱監管，法案被否決後加州改推更弱的 SB 53（僅要求透明揭露，不含究責機制）呼應軸線五（資安治理）與軸線二（主權 AI 論述中的監理環境）
《人工智慧基本法》與獨立資料治理法部分應驗——基本法規模與時程大致如預期（18 條草案→2025/12/23 三讀通過 20 條），但邱文聰主張的獨立「資料治理法」並未獨立成法呼應軸線二的資料治理困境
TAIDE 計畫（多模態）部分應驗——文字模型持續迭代（已改用 Gemma 3 為基礎），但黃瀚萱原訂「2024 下半年推進多模態」的具體目標，截至查證時點仍未見公開釋出直接呼應軸線二黃瀚萱談的多模態瓶頸
Breeze 系列應驗——「Breeze 2 Herd of Models」如期於 2025/1 發表，團隊延續開發者導向路線（手機 NPU 量化版、擴展 ASR 產品線）呼應軸線二陳宜昌的成果
AI Agent 主流化未應驗——多位企業講者的近期規劃過於樂觀，第三方報導（美聯社、華爾街日報、卡內基美隆大學等）顯示 2025–2026 年企業實際部署少、Agent 效能不穩、投資回報有限直接呼應軸線四；本文原本誤把黃志芳的長期哲學推測當成近期產業預測的佐證，已在軸線四改正，並補上真正做近期規劃的黃仕鎮／胡德民／蔡祈岩／葉家順
企業「不再微調、改用 RAG」仍待觀察，資料不足——且查證檔特別澄清：2024 年會現場本身就是楊立偉／蔡宗翰／李明達三方分歧，並非「微調過時」的產業共識呼應軸線一；本文軸線一已如實呈現三方分歧、未預設任何一方是共識
晶創臺灣方案仍待觀察，資料不足——講者自己揭露的第一、二年度預算即落後原訂步調，缺乏 2025–2026 官方最新數字可供判定呼應軸線三
群聯 aiDAPTIV+應驗——已升級為「aiDAPTIV 多層級記憶體架構」並推出 Pascari SSD、擴展至 iGPU PC 平台呼應軸線三

一處待釐清的講者歸屬出入：查證檔第 2 項把「SB 1047 因 OpenAI、Meta 及開源陣營反對、責任已被大幅削弱、被稱為『沒有牙齒的法律』」這段發言歸給李育杰的 Sovereign AI 演講；但本文查閱相關場次記錄，這段內容（含「李飛飛、Yann LeCun」等學者名字）應是侯宜秀在同場次「以人為本的 AI 治理」演講中所講，李育杰的 Sovereign AI 演講內容是 TAIDE 與黃仁勳的主權 AI 詞源考據，並未提到 SB 1047。這個講者歸屬的出入不影響判定本身（「應驗」的結論仍然成立），並列於此供讀者知悉，不單方面改掉查證檔的內容。

5.2 本文額外查證、查證檔未收錄的 3 條預測

以下 3 條是本文自行選定的預測，查證檔沒有收錄，判定不併入上方 8 項的官方統計：

預測內容講者／場次2026 年查證結果判定
不完全相信 Transformer 這種「暴力美學」式堆算力會是終局，未來可能出現不需要現在這種算力規模的新突破李育杰，D2 R0 上午座談DeepSeek 於 2024/12（V3）與 2025/1（R1）證明可用約十分之一算力、約 560 萬美元訓練成本達到接近 GPT-4／o1 等級表現，直接衝擊「唯有堆算力」的假設，NVIDIA 股價因此重挫。部分應驗
若全世界的 App 背後最終只收斂到兩三個模型做決策，「這是人類史上沒有這麼危險過的時刻」簡立峰，D2 R0 上午座談截至 2026 年，市場上仍有 OpenAI、Anthropic、Google、Meta、xAI、Mistral、DeepSeek、阿里 Qwen、Moonshot、Z.ai 等十餘家具競爭力的前沿模型供應商並存，並未收斂到兩三家。未應驗
AI 目前還做不到紅隊任務要求的「精準一擊必殺」，但 DARPA AI Cyber Challenge（AICC）這類自動化漏洞挖掘的競賽方向被看好翁浩正，D1 R3DARPA AIxCC 依原計畫辦到 2025 年 DEF CON 決賽（總獎金 2,950 萬美元），官方後續報導以「AI Cyber Challenge Proves Promise of AI-Driven Cybersecurity」為題；翁浩正對「精準一擊必殺仍需人類」的保守評估本身，本文未查得已被推翻的公開證據。應驗

本文原本還想針對廖弘源的晶創計畫執行進度另外補查，但查證檔第 7 項已收錄同一預測（判定「仍待觀察，資料不足」）；本文查到的補充證據（2026 年「IC Taiwan Grand Challenge」吸引近 600 支國際新創隊伍、2026/6/1 啟用新一代超級電腦「晶創 26（Nano4）」）方向偏正面，但同樣查無逐年精確預算數字，不足以把判定從「仍待觀察」上修，因此本文採用查證檔的結論、不另立判定。

這段想說的是：把兩份文件合計 11 個項目攤開來看，「應驗」與「部分應驗／未應驗／仍待觀察」的比例大致各半，講者在 2024 年做出的判斷方向大致正確的比亂猜的多，但幾乎沒有一條是精確命中時程或幅度——不是被現實超越（SB 1047 直接被否決，比「削弱」更激烈；DeepSeek 的效率突破比「懷疑算力路線」更具體、更快發生；AI Agent 熱度比實際部署快得多），就是方向正確但缺乏數字可核對（晶創計畫預算）。這是預測 AI 產業走向的常態：抓對方向不難，抓對幅度與時程很難。

查證檔逐項對照：8 項年會預測的完整查核

以下 8 項判定完整引用自另一份專責查證文件〈2024 年會預測與後續發展查證〉，逐項比對年會上的預測與後續實際發展；查不到的一律標「查無公開資料，無法判定」，不做推測填空。查證日期為 2026 年 8 月。

預測2026 年實際發展判定
侯宜秀（台灣人工智慧學校基金會秘書長）預測台灣人工智慧基本法草案僅 18 條、聚焦政府部門 AI 風險評估與法規檢討義務，規模遠小於歐盟 AI Act，預計 10 月底送行政院；邱文聰（中央研究院法律學研究所研究員）主張需另訂獨立的「資料治理法」規範資料治理層。《人工智慧基本法》已於 2025/12/23 三讀通過，擴充為 20 條，明定國家科學及技術委員會（國科會）為主管機關，數位發展部負責建立風險分級框架；邱文聰主張的獨立「資料治理法」查無公開資料顯示已進入正式立法程序，其精神部分被基本法及行政院同期推動的個資法修正案、個人資料保護委員會組織法草案吸收。部分應驗
侯宜秀指出加州 SB 1047（要求前沿大模型開發者承擔一定安全責任）因 OpenAI、Meta 及開源陣營（含李飛飛、Yann LeCun 等學者）反對，責任已在立法過程中被大幅削弱，被稱為「沒有牙齒的法律」；查士朝（台科大教授）則預期該法案（預計 9/30 決定）會通過。SB 1047 於 2024/9/29 遭加州州長 Newsom 否決；加州轉而推動範圍窄得多的 SB 53（《前沿人工智慧透明法案》），2025/9/25 簽署、2026/1/1 生效，僅要求年營收 5 億美元以上、訓練算力超過 10²⁶ FLOPS 的前沿模型開發商公開安全框架文件與災難性風險評估報告，不含 SB 1047 原本要求的開發者安全責任與究責機制。聯邦層級同期也走向鬆綁監管（行政命令 14179、14365、14409）。應驗
黃瀚萱（中研院資訊所副研究員／TAIDE 模型鑄造組顧問）說明 TAIDE 已於 2024/04 釋出以 Llama 3 為基礎的版本，2024 下半年目標推進到多模態（至少能理解影像），但台灣本土、CC 授權可用影像資料極度稀缺（Wikipedia 上僅約 1,300 張）。文字模型持續迭代：Llama 3.1-TAIDE-LX-8B-Chat（2025/2，上下文長度擴展至 131K）→ Gemma-3-TAIDE-12b-Chat（2025/8，改用 Gemma 3 為基礎）→ Gemma-3-TAIDE-12b-Chat-2602（2026/2）→ Embeddinggemma-GTAIDE-300m-2605（2026/6）；但官方網站未提及任何多模態模型正式釋出，原訂「2024 下半年」目標截至查證時點仍未達成。部分應驗
陳宜昌（聯發創新基地／MediaTek Research）介紹 Breeze 2.0 開發者導向新功能（RAG、Long Context、Function Calling、Vision/Chart、語音辨識 GFD、語音合成 BreezyVoice TTS），並預告即將發表含 Vision 與 Function Calling 的「Breeze 2 Herd of Models」（3B/8B）論文。論文於 2025/1 如期發表（arXiv:2501.13921）；團隊持續往部署優化與語音方向擴展——手機 NPU 量化版 Breeze2-3B-8W16A-Instruct-mobile-npu（2025/8）、Breeze-ASR-25（2025/7）、Breeze-ASR-26（2026/4）；未查得更大規模旗艦 LLM 版本（如「Breeze 3」）公開發布。應驗
黃仕鎮（玉山銀行）提出「AI Embedded→AI Copilot→AI Agent」三階段架構；胡德民（遠傳電信）建構「遠傳智靈」AI Agent 平台；蔡祈岩（台灣大哥大）規劃可接內部系統辦請假、約會議的 AI Agent；葉家順（聯發科技）展望裝置與雲端走向 agent-to-agent 協作。第三方報導顯示企業實際部署仍少：美聯社（2025/4）報導現實世界 AI Agent 應用甚少；華爾街日報（2025/11）指出僅少數已部署公司獲得投資回報；卡內基美隆大學研究測試顯示沒有任何 AI Agent 能完成大多數分配任務；Salesforce 研究發現 LLM Agent 在 CRM 測試中表現不佳。代表性應用集中在軟體開發、客服、影片遊戲開發（近 90% 遊戲開發者已使用）、加密貨幣交易、政府服務。未應驗
楊立偉（意藍資訊）主張多數企業不再做 fine-tuning，改採 model-agnostic 架構＋RAG；蔡宗翰在同場座談主張相反立場「訓練小模型優於通用大模型＋RAG」；李明達則主張第三種立場，full-parameter fine-tuning 優於 RAG／LoRA。查無公開產業調查資料，無法完整判定；未能找到 Gartner／IDC 等分析機構關於 2025–2026 年 RAG 與微調產業採用比例的調查數據，也沒有主流模型廠商建議演變的具體記錄。仍待觀察，資料不足
廖弘源（中研院資訊所所長／晶創計畫副執行長）說明原規劃每年 300 億、連續 10 年共 3000 億，但講者本人坦言 113 年（2024）實際預算僅約 113–117 億、114 年（2025）將增至約 180 幾億，換算僅達原訂年度目標約 37–39%。查無公開資料可判定 2025–2026（115、116 年度）是否加速追上原訂規模、十年 3000 億目標是否已調整，均未能查證。仍待觀察，資料不足
林緯（群聯電子技術長）介紹 aiDAPTIV+，利用群聯 NAND 專業技術設計的 SSD 透過 aiDAPTIVlink 控制，將資料切割並傳輸至 GPU，藉此突破 GPU 記憶體容量限制。群聯已將此技術路線升級為「aiDAPTIV 多層級記憶體架構」，推出專用 Pascari SSD，應用範圍從資料中心 GPU 擴展至 iGPU PC 平台。應驗

判定分布總覽：應驗 3 項（加州 SB 1047、Breeze 系列、群聯 aiDAPTIV+）、部分應驗 2 項（人工智慧基本法與獨立資料治理法、TAIDE 計畫）、未應驗 1 項（AI Agent 主流化）、仍待觀察・資料不足 2 項（企業微調 vs. RAG、晶創臺灣方案）。

這份觀察的限制

收錄標準：每一條趨勢都必須有至少兩位講者、跨至少兩個不同軌道的內容互相佐證，才算「趨勢」；單一講者的觀點不夠格放進這份文件。有反例、有分歧的地方會明講，不會為了讓趨勢看起來乾淨而藏起反例。

不要把這份文件當成招商簡報：台灣在這場年會裡呈現的現實是資源極度有限（TAIDE 72 片 H100 vs. Meta 2.4 萬片）、資料供給鏈處處卡關（黃瀚萱僅 1,300 張授權圖片）、超過三分之一的 Day 1 場次連現場內容都沒有留下。本文六條趨勢軸線都是講者自己攤開的真實限制，不是包裝過的成功案例集。

軸線三有一部分證據來自背景補充資料，不是現場內容：Intel／英業達／Arm／AMD 四家廠商的策略方向，本文已在軸線三內文明確標示為「未經現場內容證實，僅供參考」，讀者引用時請務必連回原始標示，不要把它們當成跟其他五條證據同等級的現場發言。

第 5 節的查證範圍受限於工具額度：本文撰寫過程中，用於查證後續發展的搜尋工具額度已經用盡，因此改用少數已知或可預期的網址做查證，只收錄了 3 條找得到紮實外部來源、且另一份查證檔未收錄的補充預測。原本設想的「NPU 市場規模預測」因找不到能明確裁定的外部來源，予以捨棄，沒有勉強寫出沒有根據的判定；「2024→2026 年 fine-tune vs. RAG 哪一派勝出」已由另一份查證檔查證為「仍待觀察，資料不足」，與本文原本因查無外部來源而捨棄的判斷方向一致，故本文不再重複列出，改為直接引用該查證檔的結論。

本文的軸線劃分是筆者的歸納：六條軸線是從 11 份場次筆記裡挑出「至少兩位講者、跨至少兩個軌道」的內容重新組織而成，不是年會官方定調，也不代表窮盡了所有可能的分類方式；同一批發言用不同角度切分，可能得出不同的軸線劃分。