[心得] AI EXPO Taiwan 2026 :代理人時代

看板Soft_Job (軟體人)作者 (Zaious.)時間2小時前 (2026/03/27 22:14), 2小時前編輯推噓1(100)
留言1則, 1人參與, 1小時前最新討論串1/1
※ [本文轉錄自 AI_Art 看板 #1fnf19vK ] 我讓 AI 幫我規劃了整個 DIGITIMES AI EXPO 三天行程 ——以一個外商 GAI Consultant/Evangelist 視角的現場觀察 為了大家好讀,底下我會給PTT純文字版,但配圖或支持請幫我點LinkedIn連結:) https://www.linkedin.com/feed/update/urn:li:activity:7443295618141253633/ -- 這次以廣告公司 GAI Solution Consultant 的身份出席 電子時報 AI EXPO Taiwan 2026 ,同時也帶著自己在 Multi-Agent Ecosystem 架構上的實踐視角。開展前我就把 AI EXPO 的網站丟給 Claude,解析出雙舞台三天的完整議程後,告訴它我的背景—— Agentic AI 顧問與架構師、自己跑 Multi-Agent 系統、每天的工作就是把前沿 AI 技術 轉譯成企業能落地的東西——請它根據這個視角幫我篩選必聽、可聽、直接略過,標出換 場時機、攤位優先順序、文字攻略。結果是一份比我自己排得好很多的三天作戰計畫,在 我禮拜二工作的同時。 三天下來我一直在驗證一個真正關心的問題:企業的 Agent 化,究竟卡在哪裡?展區給 了我一種答案,議程給了我另一種。 展攤讓我有點可惜,但有一個例外 實話,展區整體讓我有些失望。 很多攤位的邏輯是:把原本的產品加一個 AI 標籤, 或者把 AI 產品再加一個 Agent 標籤,然後就結束了。速度慢,沒有真正在解決新的問 題,更像是跟上話語權,而不是跟上時代。 龍蝦在人們口中無處不在,但不是每隻都知 道自己為什麼在。 但有一個攤位讓我停下來很久——AI SOLLY,一個專為特殊需求孩子設計的社交練習 AI 夥伴。Co-Founder Sunsha tseng 在現場親自向我解說設計哲學與使用情境:讓孩子在安 全環境中透過 AI 反覆練習對話、社交與情緒處理技巧,補足特教資源缺口。在一個滿是 商業應用的展場裡,AI 落實得最真實的地方,是輔助特教學生學習——我當天就把這件 事分享給最近正在關注 AI 實驗教育的母親。相較於那些還在很努力「加入 Agent 點」 的商業軟體,AI SOLLY 讓我看到的是另一種東西——它不是在 AI 上面貼標籤,它是因 為 AI 才得以存在的產品。這才是 AI-Native 時代真正的改變長什麼樣子。 議程的深度讓我驚喜 相比展區,講者場次的水準遠超預期。三天在知講堂跟未來舞台之間來回,我梳理出幾條 真正有意義的脈絡。 推論經濟學|台大徐宏民 NVIDIA AI Lab 計畫主持人,從推論成本切入 LLM 的下一步。 Autoregression 的本質——每次只看前面的 token 預測下一個——是 LLM 不穩定的根 本原因,也是為什麼 context governance 跟 control plane 不是加分項,是必要條件 。 Agentic AI 企業落地|AWS 楊書維 「Getting agents to production is still too hard」 ——這句話是楊書維整場的前提,也是我在顧問現場每次碰到的那道牆:PoC 做完 ,主管第一個問的不是「技術可不可行」,而是「誰可以用、怎麼用、出了問題誰負責」 。Bedrock AgentCore 的架構回答的正是這個——Runtime、Identity、Policy、 Observability 全部內建,AWS 不是在給你更好用的工具,是把你本來要自己蓋的控制平 面直接變成服務。 AI 時代的基礎建設|GMI Fred Jhang 或許眼尖的朋友發現攻略圖中沒有 GMI—— 那是因為我一開始把硬體基礎設施排在較低優先序。但看過他們的產品後我立刻把它加進排程。 GMI 的架構是從底層往上打通的:7,000 顆 NVIDIA GB300 的台灣 AI Factory、GPU as a Service、再到 MaaS「一個 API,所有模型」——GPT、Claude、Gemini、DeepSeek、 Llama 4 全部在同一個帳單裡。 我自己在準備雙 3090 跑 Qwen、做 API Router 在各家 推論層之間路由,花了大量時間手動處理不同 LLM 的輸出格式、quota 管理、帳單碎片 化——這正是 GMI MaaS 解決的問題。更重要的是:這個「一站式 API」的價值不只是降 低人管帳單的認知負擔,當 Agent 需要在執行過程中動態呼叫不同模型時,統一的 API 層讓 Agent 的 orchestration 邏輯乾淨得多。這不是概念,是我正在手動蓋的東西他們 已經做成服務了。 代理人原生時代|HCLTech 張有鈞 張有鈞從德國帶回來的那張投影片讓我停住很久—— 「ARE YOU AGENT-NATIVE YET — OR JUST AI-ENABLED?」他把企業 AI 進化拆成三層: Cloud-Native 改變軟體跑在哪裡,AI-Native 改變系統怎麼思考,Agent-Native 改變的 是誰在執行工作——人類從執行者轉移到意圖設定與治理的角色。Executive Takeaway 很清楚:Copilots help. Agents execute. Winners redesign value chains early. 我 們會後聊到台灣跟歐洲的落差——他對台灣有信心,我有點保留,但他說了一句讓我記住 的話:要先有人說,才有人會願意做。 AI 代理新進化|Google Cloud Neo Chen Neo 帶來的是 GCP 在 Agent 管理上的完整框架—— Gemini Enterprise 定位為企業所有 Agent 的統一入口,不論是誰建的、用什麼 工具建的,治理層直接內建。跟 AWS 那場對照看很有意思:AWS 切的是基礎設施與架構 決策,從怎麼建 Agent 進去;Google Cloud 切的是企業端的統一管理體驗,從怎麼管 Agent 進來。同樣在談落地,進場的角度完全不同。 From Copilot to Colleague|微軟吳子強 如果說張有鈞給了框架,吳子強給的是企業現場的問題清單: IT 能不能掌握組織裡所有的 Agent?Agent 的行為符不符合企業規範? 存取機敏資料時誰在負責?當我自己跑完 38 隻 Agent 的系統後,試圖在公司專案中建 制 Agent 時,這些問題全部真實出現過。Microsoft Agent 365 的定位是「The control plane for agents」——不是更好用的 Copilot,是讓這些問題有答案的那一層 。Intelligence + Trust,少了 Trust 那一半,Agent 在企業裡走不遠。 GEO 時代的生存法則|阿物科技陳岱旻 搜尋框消失之後,廣告跟內容的邏輯要重寫。 陳岱旻提出的 GEO 三層框架讓我印象深刻:技術層(AI 抓得到、信得過)、內容層(AI 懂你說什麼、容易擷取)、信任層(AI 知道你是誰、覺得你真實)。其中最讓我有感的 概念是 Extractability——當 AI 成為唯一入口,品牌的挑戰不再是排名和流量,而是 「被擷取性」:被 AI 忽略等於不存在。這個命題直接影響品牌主的預算邏輯,也是我們 內部最近持續在討論的方向。 2026 科技業薪資趨勢 × 技術人的職涯中場| Robert Walters 蕭清元 × 科技工作講 抹布與艾瑞思 在技術棧討論之外,有一場讓我重新確認這個時代機會在哪裡的對話。 蕭清元帶來的數據比任何 JD 都直接。台灣市場最大的 hiring challenge 不是預算,是 「找不到對的人」(69%);有 in-demand skill set 的 job mover 可以拿到 10-20% 的薪資增幅。但另一個全球數據更值得注意:52% 的雇主導入 AI,其中 34% 的目的是優 化人力而非擴編——企業不是要更多人,是要更對的人。這組數字說明的是:市場不是不 缺人,是缺有真實能力的人,這個差距才是這個時代的真正機會。後續論壇由蕭清元與科 技工作講的抹布、艾瑞思共同主持——他們本身就是在外商科技業打滾多年的工程師,聊 的是真實的市場現狀而非教科書邏輯。 三天下來最真實的觀察 台灣不缺對 AI 感興趣的人,缺的是願意認真思考「可治理的 AI 系統」長什麼樣子的人 。 Agent 時代不只是讓 AI 做更多事,而是要回答:誰在負責?邊界在哪裡?出了問題 怎麼辦? 展攤幾乎沒有人在回答這些問題。議程裡,已經有人開始了。 AI SOLLY 那個 小攤位讓我記住的不是技術,是一個很簡單的事實:真正的 AI-Native 產品,不是在原 本的東西上面加 AI——而是因為有了 AI,這件事才第一次變得可能。 這個標準,才是 我評估這個時代的尺。 本文草稿起草於三天議程中與 AI 助理的密集對話,素材、觀點與內容核實由本人負責。 -- 當然以上是書寫版,如果有人想更深入聊聊哪個部份,歡迎留言。 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.161.118.184 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/AI_Art/M.1774620745.A.E54.html ※ 發信站: 批踢踢實業坊(ptt.cc) ※ 轉錄者: ZMTL (1.161.118.184 臺灣), 03/27/2026 22:14:04 ※ 編輯: ZMTL (1.161.118.184 臺灣), 03/27/2026 22:14:40

03/27 23:55, 1小時前 , 1F
最想讓 AI 幹的事情是從監視器錄影找出人們會關注的內容
03/27 23:55, 1F
文章代碼(AID): #1fnf2jM4 (Soft_Job)
文章代碼(AID): #1fnf2jM4 (Soft_Job)