維基創辦人建新社群網站「WT:Social」，主打無廣告、不用演算法、拒賣用戶數據|數位時代 BusinessNext

假新聞氾濫已經成了Facebook、Twitter等社交平台的頑疾，維基百科的聯合創辦人吉米．威爾斯（Jimmy Wales）認為他可以創造一個更好的社群網路，讓人們擺脫演算法推送沒有營養的內容和謠言。

「社群網路公司純靠廣告的商業模式是有問題的，結果就是低質量的內容成了贏家。」威爾斯對《金融時報》表示。

威爾斯打造的這個新的社群網路名為Wiki Tribune Social，簡稱WT:Social，翻譯成中文即「維基社交論壇」，它實際上是威爾斯兩年前創立的Wiki Tribune的衍生品，Wiki Tribune是一個致力於提供真實和中立文章的網站，而WT:Social雖然與維基百科沒有經濟上的關聯，但運作模式相似，WT:Social也不接受廣告投放，只靠捐款維持運轉。

對內容的信心讓威爾斯並不擔心資金問題，他以Netflix和《紐約時報》為例，證明人們願意為有意義的內容付費。

WT:Social還在首頁向用戶承諾：「我們將永遠不會出售您的數據，我們的平台依靠個人捐助者的慷慨生存，以確保您的隱私得到保護並且讓你的社群空間免受廣告侵擾。」

WT:Social的傲嬌也體現在對用戶的態度上。WT:Social發佈於今年10月，目前用戶接近5萬名，但要成為它的用戶並不容易。填寫郵箱和密碼註冊後，你可以選擇自己感興趣的小組Sub Wiki，但並不能立即使用WT:Social，而需要排隊等候，比如排在我前面的還有44,832人。

心急的人也可以選擇「插隊」：邀請好友加入可以提高排位，如果直接克金就可以立即使用，費用按月或年支付：12.99美元/月或100美元/年（約新台幣400元/月或3,050元/年）。

目前WT:Social的界面仍比較簡陋，採用三欄式設計，左右兩側為話題推薦和邀請鏈接，中間為內容發布和文章閱讀，你可以貼上可靠的新聞鏈接或發表自己的見解。WT:Social強調基於證據的報導，因此發佈到平台上的消息都會突出顯示文章來源及、訊息源和參考資料。

SubWiki類似於Facebook的討論組，會顯示打上對應標籤的文章，目前這些文章是按時間順序排列的，但WT:Social計劃之後加入投票系統，讓高質量的文章得到更多曝光。

威爾斯的願景很美好，但社交畢竟不止是嚴肅內容，Facebook和Twitter顯然不是能輕易取代的，看看Google關掉了多少社交產品就知道了，願意認真追根溯源、獨立思考的人畢竟是少數，這樣看來，WT:Social或許注定只能是一個小而美的社群。

責任編輯：江可萱、蕭閔云

本文授權轉載自：愛范兒

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。