搞懂開發者經驗，創造「有意思」的工作|數位時代 BusinessNext

初級開發人員：第一次真好

初級開發人員幾乎都在從事有意思的工作，因為任何事對他們來說都是既有挑戰性又値得學習。這就是為什麼初級開發員總是快樂地微笑著。他們每天都在學習，第一次使用軟體架構模式（Model-View-Controller, MVC）？好興奮呀！第一次發現Javascript裡的原型繼承（prototype inheritance）？太酷了！解決網頁IE 8的呈現錯誤？這需要好好思考…

有經驗的開發人員：換職位，不然就換工作吧！

最初的熱情已然消退，而僅存的樂趣一天比一天還少。當有趣的程度降到臨界點時，麻煩來了，那意味著工作者學不到任何新東西了。漸漸地，他會變成一個「殭屍開發者」，日復一日地解決相同的作業問題。然而，真正的殭屍開發者甚至不喜歡有意思的工作，他們挑選能以不費吹灰之力完成的類似工作，難度則是越低越好。

有一天，當「我已經幾週沒有做過有意思的工作了」的想法浮現腦海時，這是個嚴重的警戒，而且必須盡快解除它。最好能和管理者協調，看是換職位或是換公司。每份工作都應該要能平衡有意思的工作和日常例行的工作。

沙場老將：挑戰個人極限

可以增加三層企業的解決方案嗎？好。可以建另一個社群網絡嗎？好。殭屍開發者等級：80。經過10年專業的程式訓練，老將們已有充裕的知識和經驗做為後盾，甚至能精闢地挖苦、吐槽工作內容。事實上，已經沒什麼事情能激起他們的興趣了。

有些人說：「我們是專業人士，我們解決問題不為樂趣，而是實現造福他人的價值，這就是為什麼我們還在這個行業。」他們試著把修復程式的問題昇華為理想層面的問題，這個方法只有部分時間行得通，這些人通常並不快樂。沒人指望能看見他們的熱情、初衷和勇氣。

有些人則在本身領域內持續精進，不斷摸索更好的程式設計方法。例如，研究編譯器長達20年，一路上必須堅持、有耐心和冷靜，很少人能堅決地走完這趟荊棘之路。有些人則試著尋找挑戰個人極限的工作，他們換工作、換國家、換工作領域、換科技行業。他們解決各種各樣的問題，並且累積範圍驚人的技術能力。最終，他們將無法在各個領域學有專精，不過，卻能以令人意想不到的角度看待事情、解決問題。

公司該怎麼辦？

好的公司應能提供足夠數量的有意思的工作。有件事是很荒唐的，那就是認為每位員工能以相同的熱情執行每項作業。只有當有意思的工作和無趣的工作達成平衡，熱情才能持續燃燒。

最理想的情況是，公司讓初級開發者快樂地完成那些老將們認為瑣碎的任務；有經驗的開發者完成那些老將們認為一般的任務；而老將們則對真正艱困的任務進行腦力激盪（要找到這些任務或許不容易）。

X軸為開發者的專業知識，Y軸為開發者的數量。圖左上為產品開發；左下為外包作業；右上為目標進程；右下為科研項目。目標進程小組與科研項目的弧線相似。

至於初級、有經驗和資深人員的比例該如何安排？以Target Process來說，有25位初級人員、19位有經驗的人士和6位資深的開發員，換算成百分比則是0-75-25%。不過，更健康的比例是25-50-25%。

若認為一間公司不需要初級開發者，那就大錯特錯了。當老將們必須經常修理一些細碎不堪的問題，他們的熱情會冷卻、生產力會下降，而失去有力人才的機會就增加了。總結來說，管理者必須思考以下幾點：

幾乎每項任務對初級開發者來說都是有意思的。
有經驗的開發者應該著重於平衡有意思的、一般的任務。
老將級的開發者則有兩條路：持續專研技能或者涉獵新領域，以變成通曉各方面的多功能人士。
公司應該重視「有趣程度」，並且妥善安排不同專業程度的人員比例，讓其解決相對難度的任務。

若將生成式人工智慧（GenAI）技術視為改變人與資訊互動的重要分水嶺，Physical AI（實體AI）則讓 AI 真正理解並介入真實世界：從機器人、自駕車到智慧製造，AI 正從「理解內容」走向「理解物理世界」，其中，自駕車被公認是 Physical AI 最具代表性的落地場域，也是目前最能驗證 AI 感知、推理與決策能力的應用，因為，不僅要控制車輛，還必須即時與人流、車流、道路設施及各類載具互動，需要極高的 AI 感知、推理與執行能力。

對深耕智慧移動多年的勤崴國際而言，Physical AI不只是 AI 技術演進，而是自駕車產業邁向下一個世代的重要轉折：從依賴規則控制（Rule-based）的自駕系統，逐步升級為具備感知、推理、學習與持續優化能力的智慧移動平台，讓全球自駕車產業競爭從單一技術比拚，走向資料、場域、生態系與 AI 能力的全面競賽。

Physical AI讓自駕車從「照規則開車」走向「理解世界」

過去，自駕車依靠高精地圖、光達（LiDAR）、攝影機等感測器，以及大量預先設定好的規則進行判斷，這種作法能處理相對固定的情境，但一旦遇到複雜且快速變化的交通環境，例如大量機車穿梭、行人突然穿越、不同國家的交通規則，系統很容易受到限制。

勤崴國際認為，Physical AI 的出現正改寫自駕車的發展模式：透過更強大的 GPU 算力，結合世界模型（World Model）、數位孿生（Digital Twin）與模擬器（Simulator），AI 能先在虛擬世界完成大量交通情境模擬，再將學習成果快速部署到真實道路，不僅大幅縮短訓練與驗證時間，也讓自駕系統持續學習與進化。

「在 Physical AI 賦能下，自駕車將從依照規則開車轉變成能理解環境、預測意圖，再做出最佳決策。」勤崴國際副總經理林映帆表示，例如當系統看到路邊有人揮手，不只是辨識動作，而是能推論對方有搭車需求；當機車快速切入車道，也能提前預測可能路徑，而非等事件發生後才反應。

這也意味著，自駕車的競爭已從「規則設計」走向「AI學習能力」的競爭：自駕車不僅是智慧移動的新載具，更是觀察 Physical AI 是否真正成熟的重要指標；換言之，Physical AI比拚的不是演算法，而是誰能持續累積真實場域、建立與完善資料庫，讓 AI 在每一次行駛中不斷學習、持續進化，形成下一波智慧移動競爭的關鍵。

七年累積三十個場域，勤崴國際打造台灣智慧移動新能量

相較於 Waymo、Tesla 的優勢來自數百萬輛車持續累積道路資料，勤崴國際的策略是透過不同場域的長期營運，建立屬於台灣的智慧移動資料庫。

自2019年投入自駕車商業化應用以來，勤崴國際不僅持續深耕高精地圖、自駕系統、車聯網及自駕運輸技術、於全台完成超過30個自駕場域部署，累積自駕行駛里程突破38萬公里、服務超過80萬人次，更逐步建立台灣少數具規模的智慧移動資料庫；為進一步加速自駕車產業價值鏈發展，勤崴國際也攜手車廠、路側設備，感測器、AI 平台、車聯網、客運與場域業者打造完整的自動駕駛生態系。

以台積電南科園區的自駕巴士服務為例，由於路線涵蓋園區內外道路，自駕車不僅要與物流車、叉車及一般車流共存，離開園區後更須面對台灣特有的高密度機車交通環境，對 AI 的感知與決策能力形成高度挑戰；截至今日，該服務已累積超過92,435人次搭乘、自駕行駛里程超過83,542公里，接駁率高達96.7%；此外，勤崴國際也於廠區內導入自駕接駁車與自駕載貨車，累積服務超過216,794人次，驗證自駕技術在智慧工廠場域的落地能力。

除了工業場域，勤崴也將自駕技術延伸至觀光應用，例如今（2026）年6月在南投埔里福興溫泉區推出「啡嚐咖心」觀光自駕車服務；林映帆指出，相較於工業場域重視效率，觀光應用更重視人車互動與乘車體驗，遊客只需一鍵即可啟動自駕接駁，系統除了安全辨識行人與周遭環境，也能透過語音互動提升搭乘安心感，證明自駕車不僅適用於產業應用，更可成為偏鄉觀光與高齡化社會的新一代公共運輸解決方案。

接下來，勤崴國際將憑藉著在南部科學園區、南投與新北市的落地運行經驗，攜手產業夥伴、針對未來對自駕公車有需求的城市，協助客運業者解決公車缺工等議題。

林映帆說：「我們的目標是提供自駕全方位解決方案。」在累積物流、廠區接駁、觀光、無塵室搬運等多元場域經驗後，勤崴逐步發展出「一個平台、多種載具、多種場域」策略：將共通技術平台模組化，再依不同客戶需求進行客製化調整，讓每新增一個場域，都成為下一個場域快速且安全部署的重要養分。

勤崴國際副總經理林映帆表示，將以「一個平台、多種載具、多種場域」策略，攜手自駕車產業鏈夥伴，協助AI自駕車等智慧移動落地應用，以及打造「國家隊」前進海外市場。

圖／數位時代

隨著Physical AI的成熟與落地，未來智慧移動的競爭，不再只是比誰擁有更大的模型，而是比誰能持續累積場域、建立完整資料庫，以及串聯完整生態系；在這個關鍵時刻，勤崴國際除因應不同場域客戶需求提供自駕車解方，也希望攜手更多產業夥伴，共同打造具有國際競爭力的智慧移動國家隊，讓台灣在全球自駕與 Physical AI 的新賽局中，占有一席關鍵位置。