迎接雙11，阿里巴巴派出700個小藍人應戰|數位時代 BusinessNext

700個「小藍人」全力迎戰

去年（2017）的雙11創下了250億美元的銷售金額，整體的包裹數量高達13.8億件，比前一年增加26.8%，這幾個關鍵數字年年都在提高，對於物流、快遞業者來說，面臨的挑戰只會更加嚴峻。

像是阿里巴巴擁有51%股份的物流公司菜鳥網絡（Cainiao），去年就處理了超過8億份的包裹，今年預估數量會超過十億。阿里巴巴主席馬雲曾在今年的全球智慧物流峰會上談到，要協助菜鳥網絡發展智慧物流網絡，達到中國境內24小時到貨、全球包裹72小時必達的目標。

要達到這樣的速度，光是靠傳統物流的方法是無法達成的，最近菜鳥網絡在無錫的一座工廠中，導入了700個藍色物流機器人，這些機器人上頭會頂著三層貨架前行，能負責取貨、移動貨架、裝貨，還會聰明地避開彼此及自己充電。

在傳統的物流倉庫中，都是人拉著貨車在倉庫內尋找商品，不僅效率差還非常耗體力，而這款藍色機器人是採用「車到人」的方式揀貨。簡單來說，系統會根據每件商品的大小、重量選定相對應的紙箱，以及判斷是否需要分拆成多個紙箱出貨，接著機器人會把揀貨車送到貨架前，抵達時貨架會亮起紅燈提醒揀貨員，將對應的商品放入紙箱中，最後就能直接直接打包出貨，省下很多時間。

菜鳥網絡：最終物流倉庫將完全自動化

菜鳥網絡副總裁王文彬表示，這座位於無錫的倉庫，是中國最大的機器人倉庫，「自動化絕對是物流業的未來，雖然未來人們會與物流機器人一起工作，但最終物流倉庫將會完全邁向自動化。」

無人物流工廠已經是產業趨勢，像是最近Uniqlo在位於東京的倉庫導入一套自動化系統，由機器來負責服裝品管、分貨的工作，這座「機器人倉庫」目前已經減少了90%的人力，還可以24小時持續不間斷地運作；此外，去年年初，亞馬遜在全美20個物流中心導入4.5萬個Kiva機器人，專門負責搬運貨架等工作。

不過王文彬表示，目前公司仍在投資階段，尚未營利，「我們現在的首要任務是繼續投資，並沒有明確的盈利計劃。」他認為：「現在重點是要為物流自動化，建立整體基礎設施，因此營利不會是我們的首要目標，未來希望建立更好的物流設施，提供優質的客戶體驗。」

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。