關鍵證據公開,Waymo、Uber商業機密爭議最新進展
關鍵證據公開,Waymo、Uber商業機密爭議最新進展

今年初以來,Uber與Waymo鬧得沸沸揚揚的無人車商議機密爭議,隨著本周一份新證據浮出水面有了新進展,Waymo為了能有足夠時間審視文件、調整策略,提出要求希望法官能將預計在下個月舉行的審訊延期。

全案進入司法程序,「盡職調查報告」成關鍵

今年二月,從Google無人車專案分拆出來,現隸屬於Alphabet的無人車公司Waymo,控告Uber及旗下無人卡車新創Otto竊取包括雷達掃描技術(LiDAR)等商業機密。

全案的關鍵人物是Google無人車專案的前員工李文多斯基(Anthony Levandowski),他在離職前偷偷下載超過14,000份有關Waymo專利技術的機密文件,接著創辦了被Uber以6.8億美元(約合新台幣210億元)收購的無人卡車新創Otto,讓Waymo氣的一狀告上法院。

全案在今年五月進入審判程序,Uber方面否認有關指控,辯稱絕對沒有Waymo任何的商業機密,事實上Uber在收購Otto前,曾在2016年曾委託網絡安全Stroz Friedberg做過一份「盡職調查報告」,過去這段時間Waymo一直想方設法要取得這份文件,希望能從中得知更多像是李文多斯基到底下載了那些機密資料等關鍵資訊。

UBER OTTO
無人卡車新創Otto推出全球首輛載貨上路測試的自駕卡車。
圖/ FLICKR

更多關鍵證據公開,Uber新任執行長大挑戰

就在舊金山聯邦法院挑選的陪審團預計於10月展開審理前,Waymo取得了突破性進展。

上週聯邦上訴法院裁定Uber必須交出這份關鍵性的「盡職調查報告」,據傳這份報告內容詳盡,包括許多調查人員從李文多斯基的電腦、手機中取得的資訊;事實上,過去就連Uber董事會也只能看到這份文件中的部分大綱,因此Waymo認為這份報告中的資訊需要更多時間審視、調查,希望法官能將下個月舉行的審訊延期,外媒《Recode》也指出,這些多餘的時間或許也能讓Waymo跟Uber達成和解協議。

這起訴訟也成為Uber新任執行長Dara Khosrowshahi上任後的大挑戰,隨著更多資料公開,Waymo發言人說:「現在大家就可以很清楚知道,為什麼之前Uber竭盡所能不要讓Waymo跟法院看到這些資料。」「除了『盡職調查報告』,上千的新文件以及上百個先前未檢查的設備現在都交給了Waymo,在這場商業機密爭議中我們掌握了更多直接關鍵的證據。」

針對全案最新發展,Uber則沒有發表任何評論。

資料來源:TechCrunchGizmodoCNETRecode

關鍵字: #Uber #自動駕駛
往下滑看下一篇文章
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關
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」(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。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

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。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

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。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂Vibe Coding
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓