Deep Learning 101, Taiwan’s pioneering and highest deep learning meetup, launched on 2016/11/11 @ 83F, Taipei 101

AI是一條孤獨且充滿惶恐及未知的旅程，花俏絢麗的收費課程或活動絕非通往成功的捷徑。
衷心感謝當時來自不同單位的AI同好參與者實名分享的寶貴經驗；如欲移除資訊還請告知。
由 TonTon Huang Ph.D. 發起，及其當時任職公司(台灣雪豹科技)無償贊助場地及茶水點心。
Deep Learning 101 創立初衷，是為了普及與分享深度學習及AI領域的尖端知識，深信AI的價值在於解決真實世界的商業問題。

---

📚 精選資源導航

🔥 嚴選 (必讀)

策略 AI新賽局：企業的入門策略指南 評測 臺灣 LLM 性能評測與在地化分析 實戰 從零到一：打造高精準度 RAG 系統 避坑 避開 AI Agent 開發陷阱與解決方案 手把手 Cloudflared 實作內網穿透 (Tunnel) 爆火 OpenClaw(MoltBot/Clawdbot)讓您焦慮嗎？

🛠️ 實戰工具 & Agent 框架 ▼

Dify, Coze, n8n, AutoGen 熱門框架比較 推論加速：vLLM, Ollama, SGLang Gemini + LangGraph 全端實戰 基於 AutoGen 的 FinRobot 體驗

📝 論文快遞 ▼

Agentic AI：Gemini 3.1 WebMCP 實戰 NVIDIA PersonaPlex 全雙工語音 AI 深度技術分析 CoT (思维鏈) is not explainability arXiv: Potemkin Understanding in LLMs arXiv: Agentic Reasoning

📝 產業趨勢 ▼

💰 GenAI 在金融產業的應用分析 🤖 2025 趨勢：AI Robot 陪伴型機器人

🚧 踩坑指南 & 科普入門 ▼

🎓 白話文科普 GenAI (硬體/數據) 🛑 LLM 打完收工？硬體升級重要性 📘 LLM 入門完整指南：原理與應用 🎨 Diffusion Model 圖像生成解析 💻 訓練微調 VRAM 估算指南 🎙️ ASR/TTS 語音開發避坑 📝 NLP 自然語言開發避坑 🐧 Ubuntu 深度學習環境安裝教學

🛡️ AI 資安與 AIxCC 競賽 ▼

🏆 冠軍團隊：亞特蘭大 (Team-Atlanta) 解析 🥈 亞軍團隊：Trail of Bits 解析 🐚 Shellphish：用 LLMs 解決 CTF 挑戰 🛡️ AI 大模型安全護欄綜合報告 ⚔️ LLM 安全攻防策略深度解析

---

---

• 2026 年春節期間，AI 迎來了從「對話生成」跨入「代理式執行」的歷史性轉折。分析 Gemini 3.1、WebMCP 協議與 Deep Think 機制如何重塑企業工作流。
• Analyzing how Gemini 3.1, WebMCP, and Deep Think reshape enterprise workflows as AI transitions from conversational to agentic execution in early 2026.
• 👉 點此看深度技術分析
• 👉 點此看白話文分析
• 🌐 Gemini 3.1 Pro (預先發布版)

• 🌐 WebMCP 搶先體驗版現已推出

• 終結「AI 點擊按鈕」時代 WebMCP預覽版引領新潮流 已登陸Chrome
• 🎵 不聽可惜的 NotebookLM Podcast @ Google 🎵

---

---

2026年02月22日：TonTon Huang Ph.D.

Agentic AI 崛起：企業轉型的機會與挑戰

From Chatbots to Autonomous Executors. Crafting Logic, Vision, and Speech for the Real World.

隨著生成式 AI 技術快速演進，企業對於「如何在效率與風險之間取得平衡」的關注日益升高。2026 年春節期間，AI 迎來了從「對話生成」跨入「代理式執行（Agentic Execution）」的歷史性轉折；包含 Google 推出的 Gemini 3.1、WebMCP 協議。(PS: Anthropic 的 Claude Opus 4.6 靜待下回分曉)

代理式工作流是什麼？關鍵特性一次掌握

在功能定位上，Google 最新的 Gemini 3.1 並非「單純看一步走一步的文字接龍機器人」，而更像是「具備視覺與邏輯的數位協同工作者」。其複雜任務的拆解與執行仍需透過強大的雲端算力運算，採取按 Token 用量付費的模式。若企業追求「僅作簡單文案潤飾」的解決方案，這類旗艦大腦未必符合成本效益；然而，若希望 AI 能「代為解決多步驟工程任務」，則正是其核心強項。

主要特點包括：

• 核心技術矩陣：整合 Gemini 3.1 的極致多模態理解力與頂尖生成工具矩陣（如 Nano Banana、Veo）。
• 平行推理機制：透過 Deep Think 推理機制，展開多條邏輯分支進行假設與自我辯證。
• 技術門檻：多數複雜應用需建立嚴謹的 Prompt 與系統整合，對一般使用者而言仍具一定技術門檻。

值得關注的是，讓這套代理式工作流得以完美落地的關鍵，在於 Google 同步推出的 「Deep Think」機制與「WebMCP」協議。WebMCP 讓 AI 可直接與網站底層的宣告式或命令式 API 握手，省去傳統「截圖盲猜」的繁瑣流程，使模型得以直接調用網頁結構數據，形同讓 AI 具備了精準操作網頁的「手」；而 Deep Think 則賦予其平行思考的能力，成為高階邏輯的「智力倍增器」。

所謂的「Zero-shot 多模態轉化」，意指其能直接理解跨領域資訊。不同於過去模型僅能回應文字，Gemini 3.1 可直接看懂充滿高等數學公式的影片，並寫出純程式碼轉化為互動式 SVG 動畫。這種設計大幅提升了工作效率，同時也對企業的算力成本控管提出考驗。👉 點此看實際案例分析

---

典型應用場景

在適當治理與控管下，這套 Agentic AI 可於以下場景展現價值：

1. 金融合規的動態兵推沙盒：將金管會公平性指標等抽象公式，瞬間轉化為動態 SVG 視覺化沙盒。例如在建構台語語音 AI 客服時，視覺化防範不當銷售的攔截過程，協助決策者直觀確立合規邊界。

1. 科學與高階邏輯研究專家：奠基於專案 Aletheia 的技術，在不涉及機敏資料的前提下，協助突破機器學習或物理學領域中長期卡關的技術瓶頸，作為全天候待命的研究輔助工具。

1. 高效率 Web 情報自動化：透過 WebMCP 讓 AI 繞過視覺解析，直接讀取企業內部系統的 JSON 數據，實測可節省高達 89% 的 Token 消耗，發揮其高效率的數據讀取優勢。

---

治理與資安風險不可忽視

然而，正因 Agentic AI 擁有更深度的推理與直接操作網頁底層函數的權限，若缺乏適當的內控與治理機制，恐成為潛在資安破口。例如：

• 攻擊面擴大：複雜的代理協作可能擴大惡意「Prompt Injection」的攻擊面。
• 合規風險：演算法黑箱與語音辨識誤差（如台語口音）可能引發違背金管會公平待客原則的裁罰。
• 載體安全：WebMCP 外掛若缺乏嚴謹審核機制，可能淪為惡意程式載體。

因此，企業在評估導入此類技術時，應同步建立「權限分級控管」、「動態人類介入機制 (Human-in-the-loop)」、「操作紀錄留存」及「AI 決策軌跡審查」等管理措施，並納入整體資訊安全與合規架構中審慎規劃。

總體而言，這波技術爆發象徵 AI 應用從「對話生成」邁向「實際執行」的重要里程碑。其帶來的效率提升潛力不容忽視，但也同時對企業治理能力提出更高要求。如何在創新應用與風險控管之間取得平衡，將成為企業邁向 Agentic AI 轉型過程中的關鍵課題。