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。

去 YouTube 訂閱 | Facebook | 回 GitHub Pages 首頁 | 到 GitHub 點星 | 網站 | 到 Hugging Face Space 按愛心

---

大語言模型	語音處理	自然語言處理	電腦視覺
Large Language Model	Speech Processing	Natural Language Processing, NLP	Computer Vision

---

用 AI 懂 AI

• Chain-of-Thought is not explainability
• arXiv 2506.21521 (Potemkin Understanding in Large Language Models)
• arXiv 2502.04644 (Agentic Reasoning: Reasoning LLMs with Tools for the Deep Research)
• AI新賽局：企業的入門策略指南
• 臺灣大型語言模型性能評測與在地化策略分析報告
• 從零到一：打造本地端高精準度 RAG 系統的實戰指南
• GenAI 與 LLM 在金融產業的應用分析：金融服務中 GenAI 與 LLM 的變革潛力。
• AI Robot 陪伴型機器人：2025 趨勢分析技術突破、市場潛力與未來展望。
• 避開 AI Agent 開發陷阱：常見問題、挑戰與解決方案：探討多種 AI 代理人工具的應用經驗與挑戰，分享實用經驗與工具推薦。

---

AI 技術 體驗/分享

手把手帶你一起踩 AI 坑：https://www.twman.org/AI

• 白話文手把手帶你科普 GenAI：淺顯介紹生成式人工智慧核心概念，強調硬體資源和數據的重要性。
• 大型語言模型直接就打完收工？：回顧 LLM 領域探索歷程，討論硬體升級對 AI 開發的重要性。
• 檢索增強生成(RAG)不是萬靈丹之優化挑戰技巧：探討 RAG 技術應用與挑戰，提供實用經驗分享和工具建議。
• 大型語言模型 (LLM) 入門完整指南：原理、應用與未來：探討多種 LLM 工具的應用與挑戰，強調硬體資源的重要性。
• 解析探索大型語言模型：模型發展歷史、訓練及微調技術的 VRAM 估算：探討 LLM 的發展與應用，硬體資源在開發中的作用。
• Diffusion Model 完全解析：從原理、應用到實作 (AI 圖像生成)；深入探討影像生成與分割技術的應用，強調硬體資源的重要性。
• ASR/TTS 開發避坑指南：語音辨識與合成的常見挑戰與對策：探討 ASR 和 TTS 技術應用中的問題，強調數據質量的重要性。
• 那些 NLP 踩的坑：分享 NLP 領域的實踐經驗，強調數據質量對模型效果的影響。
• 那些語音處理踩的坑：分享語音處理領域的實務經驗，強調資料品質對模型效果的影響。
• 手把手學深度學習安裝環境：詳細介紹在 Ubuntu 上安裝深度學習環境的步驟，分享實際操作經驗。

---

手把手AI 技術深度實戰教學/開源/試用

• Dify、Coze、n8n、AutoGen、LangChain等熱門 Agent 框架
• vLLM、Ollama、SGLang、 LLaMA.cpp等四大主流熱門LLM服務框架
• gemini-fullstack-langgraph體驗
• 基於 AutoGen的FinRobot體驗
• 用 Cloudflared 實作 SSH / HTTP / RDP Tunnel

---

AI x Cyber-Security

• AIxCC，冠軍：亞特蘭大團隊 (Team-Atlanta/aixcc-afc-atlantis)
• AIxCC，亞軍：Trail of Bits (AFC-Buttercup)
• Shellphish，你所需要的只是 MCP - LLMs 解決 DEF CON CTF 決賽挑戰
• AI 大模型安全護欄綜合報告：從核心技術架構到市場趨勢
• 大型語言模型（LLM）安全攻防策略深度解析

---

🎵 不聽可惜的 NotebookLM

企業導入 AI 的聽君一席話，如聽一席話入門全攻略

🎵 不聽可惜的 NotebookLM

認真 企業導入 AI 全攻略

---

作者：TonTon Huang Ph.D.
日期：2025年07月21日更新

---

• GenAI 落地應用核心領域統計表
• 台灣上市櫃公司 GenAI 實際落地案例總表 (2024-2025)
• 企業 AI新賽局 入門策略實踐路線圖：從策略到治理，避開致命陷阱
• Introduction (導論)
• Prologue: Why Now? (序：為何是現在？)
• Chapter 1: Unlocking AI (解鎖AI)
  • Mistake 1: Strategy Disconnect (致命錯誤1：戰略脫節)
  • Mistake 2: Expectation Gap (致命錯誤2：期望鴻溝)
• Chapter 2: Building the Foundation (打造後勤基地)
  • Mistake 3: Data Dilemma (致命錯誤3：數據困境)
  • Mistake 4: Skipping the Basics (致命錯誤4：跳過基礎)
• Chapter 3: The AI Blueprint (擘劃AI藍圖)
  • Mistake 5: Lacking the Human Factor (致命錯誤5：缺乏人性)
  • Mistake 6: Talent & Governance Gap (致命錯誤6：人才治理不足)
• Chapter 4: The GenAI Minefield (應對GenAI)
  • Mistake 7: Authenticity Crisis (致命錯誤7：真實性危機)
  • Mistake 8: Blind Trust (致命錯誤8：盲目信任)
  • Mistake 9: Data Leakage (致命錯誤9：機密資料)
  • Mistake 10: IP Risk (致命錯誤10：智財權風險)
• Conclusion (結論)

---

企業 AI新賽局 入門策略實踐路線圖：從策略到治理，避開致命陷阱

第一波夯起來的時間估計是 2016年 Google DeepMind 的 Alpha Go 吧，但深度學習確實很難實際的被應用到各行各業，特別是台灣，在那幾年，做個規則式的聊天機器人，或者廣告點擊，可能就會先用新聞稿把自己吹成 AI 大神或新創了。第二波就是 Open AI 橫空出世的ChatGPT了，然後四處都能看到大家都說自己有GenAI，可惜可能連個幾張消費型的4090等級的GPU都沒有，更別說已屬上世代的V100 或者連 GCP、AWS跟Azure的GPU都沒啟用設定過吧？就目前體驗，雖然已有不少國外的新聞或資訊報導可能碰上的問題。

但這裡是 『台灣』，通常更可能發生：

• 高層心血來潮的玻璃心：因為新聞都在報 GenAI，所以不跟著 Gen 一下好像都對不起自己的職級；BUT，高層完全不懂也不想懂更不想花錢，就是做就對了 !
• 昂貴設備的高風險投資：據記憶，曾處理過 A100*4 以及 RTX 6000 Ada * 8 (皆約$330萬新台幣)，這是地端自建價格；至於雲端API請參考這
• 必要性的業務優化需求：千萬不要為了 AI 而 AI，而是要有專業人員先參與評估可以優化那些內部業務需求，如果不知道，也不想找人評估，那行政單據OCR應該會是最容易讓高層看到效果的試金石了。
• 低薪資但高回報的人力：全台都在喊需要AI人才，特別讓人懷念所謂的資安即國安的口號；無奈，不說所謂只給的出香蕉來請猴子，現在是怕給了也找不到猴子啊。

儘管如前所述，台灣企業在導入 AI 的過程中，確實存在高層心態、成本投入 與人才 等多重挑戰；然而，這並不代表所有企業都只是停滯不前高大上；在金融、電信、製造與半導體龍頭，已陸續發布了具體的 GenAI 落地產品或內部流程優化案例可以參考。

---

GenAI 落地應用核心領域統計表

(僅基於 2024-2025 年可查證之公開新聞)

應用領域分類	核心應用類型 (具體案例)	主要案例公司 (產業代表)	分析與洞察
1. 客戶互動與服務	• 客服全量分析： 分析所有通話的情緒與意圖 (DeepVoice) • 智能客服升級： 導入 GenAI 進行語意分析，處理複雜問題 • 提升消費者體驗： 利用 AI 優化搜尋或使用者需求	• 中華電信 (電信) • 中華航空 (運輸) • 台灣大哥大 (電信) • PChome (電商)	• 最成熟的應用 • 這是公開案例最多的領域。GenAI 能立即優化成本（客服）和體驗（搜尋），ROI 明確。
2. 法遵、風控與合規	• KYC/法遵： 輔助 KYC 調查、法規文件比對 • 核保： AI 輔助職業代碼推薦，提升核保效率 • 商品合規： GenAI 偵測違規商品內容（圖片/文字） • 工安合規： AI 影像辨識人員防護穿戴	• 玉山金控 (金融) • 富邦金控 (金融) • 富邦媒體 momo (電商) • 台塑集團 (傳產)	• 剛性需求 • 金融、電商、傳產都面臨高度監管。利用 AI 處理合規性與風控是關鍵痛點。
3. 智慧製造與營運	• 專家知識傳承： 捕捉專家知識，處理 80% 標準化工作 (AI Factory) • 營運優化： AI 優化鍋爐，減少燃煤，提升效率	• 鴻海 (製造) • 台塑集團 (傳產)	• 內部核心機密 • 這是「最少被公開報導」的領域。鴻海的分享相對罕見，多數製造業將此視為競爭機密。
4. 內部知識與支援	• 內部知識庫： AI Agent 即時回應產品規格、保固等複雜查詢 • 內部營運分析： 平台分析顧客情緒 (GENIE)	• 華碩 (科技) • 玉山金控 (金融)	• 提升效率 • 旨在賦能員工。華碩與微軟的合作是明確的落地案例，取代過去的 FAQ 查詢。
5. IT 與研發 (R\&D) 效能	• (無公開可查證的具體案例)	• (N/A)	• 高度機密 / 尚無新聞 • 雖然「程式碼輔助」是 GenAI 最常見的應用，但企業鮮少會為此發布新聞稿。

如上表格所呈現，可以注意到兩大主流，應用最廣的是「對外」的客戶互動 (第1類) 和「對內」的 IT/研發 (第2類)；產業特性明顯： 金融/電信業 集中在「客服」和「法遵/IT」。 製造/半導體 則全力投入「研發」和「工廠製造 (第3類)」。模式清晰： 企業並非為了 AI 而 AI，而是將 GenAI 明確地應用於其最關鍵的成本中心（如客服、製造）或價值中心（如研發、行銷）。

---

台灣上市櫃公司 GenAI 實際落地案例總表 (2024-2025)

產業類別	公司名稱	落地應用 / 平台名稱	具體流程優化 (實際案例)	開發模式 (推測)
金融業	玉山金控 (E.Sun FHC)	內部 “GENIE” 平台	• 輔助 IT 撰寫程式碼 • 輔助法遵比對法規文件 • 輔助業務撰寫 KYC 報告	In-House 主導 (串接 Azure OpenAI)
金融業	國泰金控 (Cathay FHC)	GAIA 2.0	• 升級版智能助理阿發 • Agent Workspace可控環境 • 升級智能客服 “阿發”	In-House 主導 (串接 Azure OpenAI)
金融業	富邦金控 (Fubon FHC)	導入保險核心業務	• 【核保】自動摘要體檢報告 • 【理賠】自動分析診斷書與單據	In-House / 混合
電信業	中華電信 (Chunghwa)	DeepVoice 分析平台	• 客服全量通話進行情緒與意圖分析 • AI 輔助 5G 基地台選址	In-House / 混合
電信業	台灣大哥大 (TWM)	智能客服 小麥	• 支援更複雜的多輪對話 • 提供個性化行銷與產品推薦	In-House + PaaS
科技業	聯發科 (MediaTek)	晶片產品 (如 T930)	• 將 GenAI 功能落地到終端 (Edge AI) • (非內部流程，而是核心產品)	產品整合
科技業	華碩 (ASUS)	ASUS AI Assistant	• 內部 AI 知識庫 • IT 營運維護助手	混合 (共同開發) (與 Microsoft 合作)
智慧製造	鴻海 (Foxconn)	AI 工廠	• 學習老師傅經驗 (如注塑) • 數位孿生與物流模擬	In-House / 混合
零售電商	PChome 網路家庭	提升搜尋與消費者體驗	• 優化站內「語意搜尋」的理解力 • 自動化生成「商品文案」	雲平台 (PaaS) (與 Google Cloud 合作)
零售電商	富邦媒體 (momo)	商品內容檢測	• “AI 虛擬主播” (直播帶貨) • “AI 智慧選品” (輔助生成文案)	混合 (In-House + PaaS)
傳統產業	台塑集團 (FPG)	導入工安、ESG	• 輔助撰寫 ESG 報告書草稿 • 工安事件分析與通報建議	In-House (透過台塑網)

---

Google Cloud 近期發布的兩篇文章，完美地詮釋了 GenAI 從「為何做」到「如何做」的全球趨勢：

• 1,001 real-world gen AI use cases from the world’s leading organizations - Oct 09, 2025
  • 文章中，Google 揭示了全球企業的 GenAI 案例在 1.5 年內從 101 個激增至 1,001 個。這傳達了一個明確的訊號：GenAI 已是主流，而非實驗。
  • 文中更直接亮出可證明的商業回報，例如 Mercari 預期 500% ROI 並減少 20% 工作量，Virgin Voyages 一次生成數千個廣告。這旨在向企業 C 級主管證明，GenAI 是可帶來真實利潤的商業決策。
• 101 gen AI use cases with technical blueprints - August 22, 2025
  • 文章中，Google 接著提供了「技術藍圖」。這是在回應企業的下一個問題：「我們沒有人才，該怎麼辦？」
  • Google 的答案是提供可複製的「架構食譜」和工具（如 Vertex AI, Gemini），讓企業不必重新發明輪子，大幅降低導入的技術門檻和人才依賴。

---

Google 的六大 AI 代理類型 (The “Agents”)

1. 客戶代理 (Customer Agents)：

• 目的： 專注於優化外部客戶體驗、客服與互動。
• 實際案例：
  • 汽車業： MercedesBenz 正在打造能與駕駛自然對話的汽車；Volkswagen 在其 app 中建置了虛擬助理，讓車主能用語音詢問手冊問題，甚至用相機拍攝儀表板燈號來獲取資訊。
  • 電信/科技業： 台灣的 LUXGEN (納智捷) 使用 Vertex AI 驅動其 LINE 官方帳號的 AI 客服，減少了 30% 的真人客服工作量。

2. 員工代理 (Employee Agents)：

• 目的： 專注於提升內部員工的生產力。
• 實際案例：
  • 金融業： 全球銀行 BBVA 的員工使用 Gemini 總結郵件、查找資訊，平均每週節省近三小時；Commerzbank (德國商業銀行) 利用 Gemini 1.5 Pro 自動記錄客戶通話，釋放了財務顧問的時間。
  • 製造業： Geotab (全球最大車載資通訊公司之一) 的員工使用 Google Workspace 中的 Gemini 來進行研究、文件摘要、審查法律文件等。

3. 創意代理 (Creative Agents)：

• 目的： 專注於加速與規模化內容的生成。
• 實際案例：
  • 媒體/廣告業： PODS (搬家與儲存公司) 利用 Gemini 打造了「世界上最智能的廣告看板」，能在紐約市 299 個社區即時生成超過 6,000 個獨特標語。
  • 設計業： Figma 讓任何組織都能在幾秒鐘內創建高品質、符合品牌規範的圖片和資產。

4. 程式碼代理 (Code Agents)：

• 目的： 專注於提升 IT 與開發者的效率。
• 實際案例：
  • 科技業： SAP 正在其業務技術平台中使用 Vertex AI 和 Gemini，讓開發者能更快建構應用。
  • 金融業： FinQuery (金融科技公司) 的工程師團隊使用 Gemini 來協助偵錯程式碼和評估新的監控工具。

5. 數據代理 (Data Agents)：

• 目的： 專注於簡化數據分析與洞察。
• 實際案例：
  • 金融業： Deutsche Bank (德意志銀行) 創建了 “DB Lumina”，一個 AI 研究工具，能將過去需要數小時甚至數天的分析報告時間縮短到幾分鐘。
  • 科技業： Temporal (開發平台) 利用 Vertex AI 自動將 80% 的工單 (support tickets) 分類，以洞察客戶需求趨勢。

6. 安全代理 (Security Agents)：

• 目的： 專注於強化企業的資安防禦。
• 實際案例：
  • 資安業： Rubrik (網路安全公司) 正在利用 Agentspace 中的知識代理來發展更深的客戶洞察，並為銷售互動做準備。
  • 運輸業： 704 Apps (運輸 App) 在行程中利用 Gemini 分析車內對話的音訊，以偵測「搶劫」、「綁架」等敵意詞彙，即時產生警報以預防風險。

分析結論： 這種「(1) 案例創造需求」->「(2) 藍圖降低門檻」->「(3) 代理定義場景」的策略，清楚地表明了 GenAI 正在進入規模化導入的階段。這也為台灣企業提供了明確的訊號：即使內部缺乏頂尖 AI 人才，也能透過善用雲端服務商的工具和藍圖，從最成熟的「客戶代理」(如您表格中的中華電信、華航) 或「員工代理」(如玉山金控) 開始，快速啟動轉型。

導論

企業導入 AI 的旅程，就如同在充滿潛在回報但也遍布陷阱的挑戰。多數專案的然後沒有然後，並非因為 AI 技術本身，而是因為某個關鍵階段迷失了方向。本本將根據自身體驗以及相關文章提供的指南，供一份實踐路線圖，提供企業從「如何開始」出發，走過戰略、基礎建設、人員治理等關鍵階段，並特別標示出在每個階段最容易犯下的錯誤，以及如何應對生成式 AI（GenAI）帶來的全新挑戰。

序：為何是現在？

• 解鎖AI：從最基礎的概念出發，釐清人工智慧、機器學習、深度學習到當前最熱門的生成式AI之間的關係與區別。
• 洞見AI：跨越不同行業，展示AI如何在金融、行銷、營運、醫療等領域解決真實的商業問題，創造可衡量的價值。
• 擘劃AI：提供一個策略框架，探討企業在導入AI時必須考量的組織、數據、人才與風險管理等關鍵議題，並提供具體的起步建議。

第一章：解鎖AI

建立一套清晰的AI詞彙與概念體系

• 通用人工智慧 (Artificial General Intelligence, AGI)
• 狹義人工智慧 (Artificial Narrow Intelligence, ANI)

機器學習：預測的藝術

垃圾郵件過濾器：傳統的作法是工程師手動編寫數百條規則（例如，「如果郵件標題包含『免費』、『中獎』就歸為垃圾郵件」），但這種方法僵化且容易失效；機器學習的做法？

• 機器學習的主要功能是進行預測與分類。它擅長回答以下兩類問題：
  • 分類問題：「這位客戶會流失嗎？」（是/否）、「這筆信用卡交易是詐欺嗎？」（是/否）。
  • 預測（迴歸）問題：「我們下個季度的銷售額會是多少？」（一個具體的數值）、「這棟房子的合理售價是多少？」（一個具體的數值）。 值得注意的是，傳統的機器學習模型最擅長處理的是結構化數據，也就是那些可以整齊地存放在試算表或資料庫中的數據，例如銷售數字、客戶基本資料、庫存量等。

深度學習：讓數據「開口說話」

• 深度學習(DL)是機器學習的一個更強大、更先進的子集。它並非一項全新的技術，而是機器學習技術在處理特定問題上的一種演進與深化。幼兒學習辨識貓的過程。我們不會對一個孩子說：「貓有毛、有鬍鬚、有尖耳朵」。相反地，我們只是不斷地指給他看各種各樣的貓——黑貓、白貓、坐著的貓、奔跑的貓。透過觀察大量範例，孩子的大腦會自動形成一個複雜的、多層次的概念模型來辨識「貓」。
• 深度學習的超能力在於其處理非結構化數據的卓越表現。非結構化數據是指那些無法輕易放入傳統資料庫的數據，例如圖片、影片、聲音、自然語言文本等。

生成式AI：創造的黎明

• 生成式AI (Generative AI) 是AI領域的一項典範轉移。與我們前面討論的、主要用於分析或分類現有數據的AI不同，生成式AI的核心能力是創造全新的、原創的內容。這些內容可以是文字、圖像、程式碼、音樂，甚至是影片。
• 在商業上，生成式AI的主要功能是創造、摘要與互動。它能夠回應這樣的指令：「為我的新產品草擬一封行銷郵件」、「將這份長篇報告總結成500字的摘要」，或者「扮演一個專業的客服人員，回答客戶問題」。它正從一個分析工具，轉變為一個知識工作者的強大協作夥伴。

為戰略設定正確的航向與規劃

這是所有 AI 專案計畫的起點，也是最容易犯下根本性錯誤的地方。方向錯了，再努力也是枉然，更別說是跟著想曝光的高層瞎搞了。

如何開始：

AI 計畫的起點絕對不是「我們需要 AI」，應該是 「我們有一個棘手的業務問題」。

致命錯誤 1：戰略脫節

陷阱：在沒有明確業務目標的情況下，僅因 「競爭對手在做」 或 「高層一時興起」 而啟動專案。

• 這類專案從一開始就缺乏存在的理由，最終因無法證明其商業價值而被放棄。
• 最常碰到的便是新聞都在播AI，高層也很常聽到AI，所以就希望大家用力 拍腦袋 想想看能夠怎樣 AI；但這通常正是最會然後沒有然後的案例。

致命錯誤 2：期望與現實的鴻溝

陷阱：將 AI 視為能立即解決所有問題的「魔法」，卻嚴重 「低估了背後所需的數據準備、基礎設施和人才投入」。

• 如同 Bernard Marr 在 The AI Graveyard: 7 Deadly Mistakes That Kill Most Enterprise AI Projects 所提到：一家公司曾因其數據分散在 27 個老舊系統中，導致耗資 250 萬美元的 AI 專案徹底失敗，這就是期望與現實脫節的慘痛代價。
• 但在台灣，估計不太可能有公司高層突然的投入250萬美元 (7000多萬新台幣) 要做AI，所以這點通常是還沒發生或者只是發個新聞稿，然後就沒有然後了 !

正確航線：

• 首先應識別出一個具體、可衡量且對公司至關重要的業務挑戰（例如：如何將業務處理時間縮短降低 20%）。
• 採取漸進式方法。從一個小規模、能快速看到成效的試點專案開始，驗證可行性、累積經驗並建立內部信心，然後再逐步擴大。
• 看看 Meta 和 Open AI等公司為了做AI在人力與硬體上投入了多少 ?
• 至少找一個 「相對有實戰及學術經驗的人」(EX: 至少有資訊領域碩博士學歷，或已在資訊科技領域工作多年)，不要想著便宜好辦事，或者找壓根不是資訊背景或隨便上個幾堂課的網紅 。

第二章：打造堅實基礎的後勤基地

如果說 AI 是前線的作戰部隊，那數據和基礎設施就是決定戰爭勝敗的後勤。

如何開始：

在啟動 AI 專案前，先誠實地評估自身的數據狀況。企業應先具備穩定的數據倉儲、商業智慧（BI）和基礎分析能力。

致命錯誤 3：數據困境（垃圾進，垃圾出）

陷阱：這是 AI 專案失敗最常見的技術原因。組織往往假設現有數據「足夠好」，卻忽略了數據品質不佳、格式不一、標籤混亂等問題。

• 一個醫療系統曾試圖用 AI 預測病患再入院率，最終卻因各設施的數據編碼不一致，導致模型學到的是「數據的混亂」而非「醫療的規律」。

致命錯誤 4：跳過基礎工作

陷阱：在連基礎的銷售報告都無法統一的情況下，就想直接打造先進的 AI 定價系統。

• 這如同在沙上蓋樓，註定會崩塌。AI 是數據成熟度的演進，而非技術上的蛙跳。

第三章：擘劃您的AI藍圖：組建團隊並制定從策略到實踐的規則

再好的技術和數據，如果沒有合適的人來使用和管理，也只是一堆昂貴的擺設。

如何開始：

建立一個跨職能的 AI 團隊或卓越中心，並從專案第一天起就讓最終使用者（例如工廠主管、行銷人員）真心願意參與進來；畢竟，這事不在他們原本所謂的 KPI 上，80%的人估計都不願意另外花時間來協助正站在風口上的所謂 AI 團隊。

致命錯誤 5：缺乏人性化因素

陷阱：將 AI 專案視為純粹的 IT 任務，完全忽略使用者的感受和工作流程。

• 一樣參考 Bernard Marr 在 The AI Graveyard: 7 Deadly Mistakes That Kill Most Enterprise AI Projects 所提到：一個耗資 180 萬美元的製造業 AI 系統，就因工廠主管們不信任、不理解而完全不使用其建議，最終宣告失敗。
• 不過，這裡是台灣，180萬美元相當於5000多萬台幣，估計不會有這麼衝動的高層。

致命錯誤 6：人才與治理不足

陷阱：缺乏兼具技術與商業頭腦的人才，同時又沒有明確的治理架構。這會導致各部門各自為政、重複投資。

• 還是 Bernard Marr 在 The AI Graveyard: 7 Deadly Mistakes That Kill Most Enterprise AI Projects 所提到：一家電信公司就曾因七個部門各自開發 AI，最終浪費數百萬美元，專案也被迫取消。
• 同上，這裡是台灣，這卻是非常可能發生的場景，與對岸所謂敵對國家的內卷相比較，台灣較常見的反倒是高層各擁山頭，誰也不讓誰，但也誰都做不出啥鬼東西。

第四章：應對 GenAI — Navigating the New Minefield

GenAI 帶來了巨大的機遇，但也埋下了全新的、更隱蔽的地雷。管理這些風險，是當下最重要的課題。

如何開始：

立即制定一份清晰的 GenAI 使用政策。這是所有後續風險管理的基石，也是一個「不費吹灰之力」卻至關重要的決定。若無政策，就等於默許所有風險的發生。

致命錯誤 7：取代人類創造力，引發真實性危機

陷阱：過度依賴 GenAI 產出通用、缺乏靈魂的內容，會讓品牌顯得廉價。

• 遊戲發行商動視暴雪（Activision Blizzard）就因使用「AI 垃圾」取代人類創作而引發粉絲強烈反彈。GenAI 應是增強創意的工具，而非替代品。

致命錯誤 8：盲目信任產出，忽略人為監督

陷阱：GenAI 會犯錯，高達 46% 的 AI 生成文本可能包含事實錯誤。

• 科技媒體 CNET 就因其 AI 生成的報導錯誤百出而嚴重損害聲譽。任何關鍵產出都必須有「人在迴路中」進行審核。

致命錯誤 9：未能保護機密資料

陷阱：員工可能在不知情下，將公司機密或客戶個資輸入 ChatGPT 等公共工具，造成數據外洩。

• 三星員工的案例已為全球企業敲響警鐘。

致命錯誤 10：忽視智慧財產權風險

陷阱：在商業上使用由可能包含版權資料訓練的 GenAI 所產出的內容，可能讓企業在未來面臨侵權訴訟的風險。

---

結論：成功的 AI 遠征需要一張好地圖

企業導入 AI 的成功，取決於是否能在每個階段都做出正確的決策。這份路線圖與其中的錯誤警示，就是幫助您規劃路徑、避開陷阱的地圖。謹慎、有策略且治理良好的方法，是通往可持續成功的唯一途徑。