根據英國《經濟學人》雜誌過去所作的統計,這批「非生產活動」身分的遊蕩資金,在二十一世紀初約有三十五兆美元(美國GDP的三倍有餘),它們遊泊於各個金融市場或房地產的權狀上──得力於現代金融投資工具的精進,在各個年代裡,把小故事吹成大泡沫。
最新版的故事,出現在三大領域──旺盛了十年的歐美房地產、在SARS之後開始蠢動的石油,以及熱炒「BRICs」概念的貴金屬。
這十年,歐美房價平均上漲了200~250%,在愛爾蘭的都柏林,這個數字是273%;千禧年過後,原油每桶由15美元漲到65美元,聲勢比Nasdaq股市榮景之時還兇猛;至於貴金屬,你可由台北下水道的人孔蓋都被人挖走就可知,這年頭只要是帶著「金」字邊的各種礦物,都奇貨可居,以電子工業用的「白金」為例,五年中漲了40%。
西方世界的房價大漲,原油和貴金屬的狂飆,有其實質的經濟原因,其中最主要的,就是全球股市崩盤、美元貶值,以及中國消費市場、原料加工出口的大幅成長。Nasdaq股市科技股的崩盤、美元多頭走勢的終結,使九○年代駐留美國股市與公債、國庫券的遊蕩資金大筆出走,房地產、石油和貴金屬期貨立刻由原先的避風港,轉成為主戰場。
說它們是泡沫,是因為愈來愈高比重的投資資金,已不是使用者和長期投資者來支付,摩根士丹利亞洲首席經濟學家謝國忠以原油市場舉例:雖然從沙烏地阿拉伯國王駕崩到美國煉油廠爆炸,刺激油價漲破65美元天價,但看看芝加哥期貨交易所的買單,最大買主已非來自傳統的石油公司,而是各種「對沖基金」(hedge fund),就知道泡沫崩破之日已不遠。
由去年底開始,中國重啟封坑多年的山西煤礦,拿來代替高價石油作替代能源,貴金屬價格因中國減少進口而下滑,加上澳洲雪梨房價由年初開以已崩跌20%以上,在在都是警訊。 全球房市、油價與貴金屬的泡沫化,台灣可能悲喜交加,喜的是原物料價格下降,而且終於讓西方人也嚐嚐「汐止式房價崩盤」的苦頭;憂的則是:我們外銷主力國家經濟將經歷長期衰退,對出口依存度高的台灣帶來不確定風險。
隨著 AI 工具逐漸普及,真正拉開差距的,已不只是技術或算力的強弱,是企業能否整理資料、重新設計流程,並把 AI 融合既有工作方式,持續轉化為營運價值。
Amazon Web Services(AWS)將於10月23日於高雄舉辦「2026 亞馬遜港都 AI 創新日」邀請 OpenAI 與製造、金融、交通、零售及運動育樂等領域的實務代表,從技術趨勢、資料治理、流程設計與組織轉型等面向,拆解 AI 落地前必須處理的現實問題,協助企業重新檢視自身的導入條件與下一步布局。
企業下一步,不只是再導入一套 AI 工具,而是讓 AI 進入日常營運
模型可以採購,系統可以建置,但資料是否整理到位、流程能否重新設計、組織是否清楚由誰負責,才是決定技術能否持續發揮價值的關鍵。
高雄近年推動數位轉型,同樣面對這項核心課題。亞灣周邊聚集扣件、石化、鋼鐵等傳統產業,場域複雜、既有系統眾多,正因如此,更能檢驗一套 AI 導入方法是否具備複製與擴大的條件。城市發展也從建置算力基礎,進一步走向讓技術真正進入產業與治理現場。
AWS 連續六年深耕高雄,今年以「雲騰智慧大南方 齊創 AI 好未來」為主軸,將討論重心從雲端與算力基礎,推進到應用全面升級,協助城市從「有 AI」走向「AI 有感」。
政府治理是否更即時、產業流程是否真正改變、市民與使用者能否感受到服務提升,才是「AI 有感」的具體檢驗。延續「高雄試點、全臺普及、雲端出海國際」的發展路徑,10月 23 日登場的亞馬遜港都 AI 創新日要談的不只是企業「有沒有 AI」,而是導入之後企業的真實改變。
OpenAI 重磅講者親臨高雄,從技術前沿看見企業的關鍵課題
今年活動特別邀請 OpenAI 東南亞暨台灣合作夥伴總監 Mark Jeffrey,以「前瞻 AI 如何助力產業領袖開創新局」為題,分享在 AI 技術快速演進之下,企業應如何重新思考未來布局。
面對 AI 能力邊界持續擴張,哪些應用已具備規模化條件?哪些仍需要更完整的資料、治理與組織準備?這是正在規畫下一階段 AI 投資的企業必須先回答的關鍵課題。
上午議程將從資料、組織與金融三個面向,拆解 AI 落地前必須處理的現實問題。「數據為本,AI 啟航」先回到資料基礎:外部模型跑得再快,若企業自身的欄位定義、存取權限與資料品質尚未整理到位,技術仍難以轉化為可靠判斷。
「打造 AI-Ready 組織的關鍵布局」論壇則聚焦組織當責。AI 專案通常橫跨資訊、營運與管理部門,真正困難的不只是把系統建起來,而是由誰推動流程改造、由誰認列成果,以及當 AI 產出的判斷出現問題時,責任最後應由誰承擔。公部門、製造業與雲端服務業者如何從不同角色處理這些問題,對其他組織同樣具有參考價值。
金融創新論壇將討論 AI、虛擬資產與企業轉型。金融場域對資料安全、合規、風控與可追溯性的高度要求,也提醒企業:效率不能取代治理,AI 更不能成為責任模糊的理由。能否在高監管、高風險環境中建立清楚邊界,將直接影響 AI 應用能不能被長期採用。
從六種產業場景,看 AI 如何走進真實流程
真正具備參考價值的 AI 案例,不只要說明「做了什麼」,還要回答幾個更實際的問題:解決哪一段流程、使用哪些資料、在哪個節點交給 AI、誰負責最後判斷,又如何確認投入確實產生價值。
下午議程規劃橫跨智慧支付、製造、媒體科技、智慧交通、零售製造與運動育樂六種產業場景。每個場景面對的資料條件、即時要求與風險門檻都不相同。
| 產業場景 | 議程規劃與關鍵課題 |
|---|---|
| 智慧支付 | 藍新金流運用 AWS AI 自建智能 KYC 與交易監控;處理身份辨識、交易監控與風險判斷 |
| 製造 | 以語意層串接資料孤島,讓 AI Agent 正確理解分散在不同系統的資料 |
| 媒體科技 | 會說台語的 AI Agent:從醫院櫃台到第一線的落地實戰 |
| 零售製造 | 零售製造轉型;把技術接進實際營運與使用者體驗 |
這些差異進一步說明,AI 沒有一套可以直接複製到所有產業的標準答案。企業真正需要的,不只是更多案例,而是看見不同產業如何依資料條件、即時要求與風險門檻,把 AI 融入實際營運與使用者體驗。
現場同步打造「產業賦能走廊」,邀集超過 15 組雲端生態系夥伴設置展示攤位,聚焦智慧製造、金融科技與城市治理的真實痛點與解法。無論企業目前卡在技術、資料、治理,還是組織協作,不同問題點,都能找到對應的解方。
10 月 23 日,從智慧製造的產線優化、金融科技的風控升級,到運動產業的會員體驗創新,看 AI 如何從概念走進產業現場,成為百工百業轉型升級的實際動能。
「2026 亞馬遜港都 AI 創新日」,掌握 AI 賦能百工百業、領航產業升級的實務趨勢
立即報名
