[年假書摘]《物聯網革命》：物聯網開啟第三次工業革命|數位時代 BusinessNext

第二次工業革命所發展出來的一個強盛新技術平台，促使資本主義意識型態的核心矛盾，加速朝上述那個結局前進。通訊網路（Communications Internet）、尚處於初步發展階段的能源網路（Energy Internet）及物流網路（Logistics Internet）在二十一世紀綿密無縫的智慧基礎建設──物聯網的支持下結合在一起，進而觸發了第三次工業革命。物聯網已將生產力推升到很多商品及服務的邊際生產成本幾乎降到零的程度，故實質上來說，這些商品及服務幾乎是免費的。結果，企業獲利開始枯竭，財產權概念轉弱，一個以匱乏為基礎的經濟體系，也逐漸被一個豐饒的經濟體系取代。

物聯網將透過一個高度整合的全球網路，把所有事物和每個人全部連結在一起。舉凡人、機器、天然資源、產品線、物流網路、消費習性、回收流程以及經濟和社會生活中的幾乎所有面向，都將透過感測器和軟體連接到物聯網平台，而且會持續不斷地即時對每個節點（node，包括企業、家庭、汽車等）提供巨量資料（Big Data）；接下來，再用先進的分析學，將巨量資料轉化為預測性的演算法（algorithms），並將之編製為能改善熱力效率、大幅提升生產力的自動系統程式，促使整個經濟體系生產與運送各種商品及服務的邊際成本降到趨近於零。

歐洲聯盟（European Union）的執行單位歐盟委員會（European Commission），其中為促進「普及運算」（ubiquitous computing）的新世代轉型而成立的歐洲物聯網研究計畫小組，已詳細描繪出全球網路中，一部分被用來連接整個地球的物聯網管道。目前工業及商業領域的各個環節，也陸續導入物聯網。企業沿著商業運作流程安裝感測器，以監控並追蹤商品及服務的流動。舉個例子，優比速公司（UPS）利用巨量資料，和美國境內六萬輛汽車維持即時聯繫；這個物流業巨擘在自家的汽車裡內建感測器，監控每個個別單元的情況，隨時察看是否有機能失常或疲勞狀態，這樣就能搶在汽車拋錨前先替換相關車輛，因而節省不少成本。

進化人類生活和顛覆企業運作模式

感測器也能記錄與溝通原料的可取得情況，將目前倉庫的存貨狀況傳達給第一線的辦公室，同時能檢修及排除生產線上的機能失靈。還有一些感測器能即時通報企業及家庭電器用品的電力用量，也會讓使用者知道相關用量對傳輸網上的電力價格的影響。在這種情況下，電力的消費者便可以將家電用品設定為省電模式，或是在尖峰用電時間將電源關閉，以避免電價劇烈上升，或甚至導致電網的電壓不足，而這些作為將使他在隔月的電費帳單上，獲得一筆電費折抵額度。

零售通路的感測器能通知銷售及行銷部門，讓他們知道顧客察看或觸摸了哪些品項、把哪些品項放回貨架，或已購買什麼品項等，從而協助評估消費者的行為。還有一些感測器能追蹤被運送給零售商和消費者的產品現在位於何處，也能監督回收與加工再利用的廢料數量。企業為了重新將供應鏈的庫存、生產及配銷流程調回正常狀態，同時啟動新的方式作業來提高整個價值鏈裡的熱力效率與生產力，勢必會以二十四小時無休的方式，持續不間斷地分析巨量資料。

現在，物聯網也開始被用來創造智慧城市。感測器被用來測量建築物、橋樑、道路和其他基礎建設的振幅和材質狀態，以便評估相關建築環境的結構安全性，還有何時需要進行必要修護等。另外，有一些感測器能追蹤各個街坊的噪音汙染，監控街道交通擁擠度，以及人行道上的行人密度，進而針對駕駛及行走路線進行最適當的規劃。沿著街道邊緣安置的感測器能通知駕駛人哪裡有停車位。智慧道路與智慧高速公路則有助於駕駛人即時掌握路上的意外狀況和交通延遲情形。近來，保險公司也開始做實驗，在汽車裡安裝感測器，以了解相關汽車每天的使用時段、所在位置，以及特定期間內的行駛距離，最後的目的當然是要預測風險及判斷保險費率。

另外，內建在交通燈號上的感測器，讓交通號誌得以根據周遭環境的亮度來增強或減弱亮度。現在連垃圾桶都裝了感測器，目的是要確認垃圾量，將廢棄物回收作業的效率提升到最高。

※ 本文摘錄自《物聯網革命》

AI 智慧代理人時代來臨！三大導入階段， AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」。

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」（Agentic AI），在最少人為干預的情況下，自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾，而是需要對AI有正確認識，並制訂循序漸進的導入流程，才能真正發揮AI功效。在2025台灣人工智慧年會中，cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段，深入剖析企業如何從概念驗證（PoC）階段，逐步推進到實際上線（Production），並分享實務經驗與觀察。

延伸閱讀：生成式AI可以怎麼用？cacaFly現身說法，助企業應用GCP服務智慧轉型

解鎖 Agentic AI，企業邁向多任務智慧代理

「很多公司會問，One AI 要做什麼事？但實際上，若要讓 AI 回答公司內部政策或新法條的相關問題，僅靠基礎模型並不足夠。」吳振和指出，要讓 AI 真正成為能「做事」的智慧代理人，前提是它必須理解企業內部的脈絡與知識，並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符，這意味著系統必須具備持續爬取與解析最新資料的能力。為此，企業必須先截取與整理內容，再建構成專屬的知識庫（Knowledge Base），確保資料品質達到可用標準後，再透過檢索增強生成（Retrieval-Augmented Generation, RAG）技術，使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀：從資料清洗到 RAG，大型語言模型的必需品，做出專屬企業的 AI 知識庫！

吳振和強調，這是一個動態循環的過程：從資料蒐集、品質控管、知識庫建構到生成應用，每一環節都息息相關，任何一處鬆動都會影響最終產出的準確性與可信度。

破除「一次到位」迷思，從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望，因此常將 PoC 視為年度計畫的重點，希望能「一次到位」做出具體成果。但吳振和提醒，若缺乏清楚的系統工程思維，PoC 容易淪為「概念展示」，難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程，分為三個關鍵階段：

1.第一階段：可行性評估（Feasibility Study）
企業必須在投入資源前，先明確界定「最需要被 AI 解決的關鍵問題」是什麼，並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性，更要從商業目標出發，釐清導入 AI 的具體使用情境、預期成效與風險邊界，如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段：系統設計與驗證（Design & PoC）
在確定導入方向後，必須規劃清楚資料蒐集與整理流程，確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調，這個階段不能只追求展示效果，而應以「產品化思維」來構築 PoC，使其具備可擴充性、可維護性及安全性，才能為後續上線打下基礎。

3.第三階段：產品化與營運（Production & Operation）
當 PoC 驗證完成後，進入正式上線階段，挑戰也隨之而來。除了需要整合企業內部系統與流程，還必須建立持續監控與維運機制，確保模型表現隨時間演進不會劣化，並能快速回應法規變動或資料更新的需求。吳振和指出，這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

建立模型優化根基，打造高品質的黃金資料集

吳振和特別強調，要讓 Agentic 系統工程真正發揮效益，企業必須先建立一套高品質的「黃金資料集」（Golden Dataset），作為模型評估與優化根基。他指出，黃金資料集的價值在於能為模型選擇與前測提供客觀依據，讓團隊能針對不同任務挑選最適合的模型，避免導入初期就誤踩方向。

同時，黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點，進而快速回應「模型飄移」（Model Drift）的風險。吳振和說明，所謂模型飄移，指的是即使模型本身未經改版，效能也可能隨著環境與資料變動而突然下降，導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果，團隊才能即時察覺效能衰退，並進行迭代更新，確保系統長期穩定運作。

從小規模應用起步，漸進擴展至核心業務

吳振和分享，在實際輔導企業導入 AI 的經驗中，最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證（PoC）階段即可呈現完整的產品原型，然而實際情況顯示，若企業未能建立完善的資料架構與流程基礎設施，即使短期內展現亮眼成效，也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時，應採取漸進式策略，從小規模應用場景著手，逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節，而非獨立的一次性專案。

AI 的導入不僅是一場技術升級，更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局，才能確保 AI 能在企業內部真正「落地生根」，創造長期商業價值，成為真正的智慧代理人。