共享機車WeMo完成A輪融資，規模突破億元由AppWorks領投|數位時代 BusinessNext

共享機車WeMo完成破億元A輪融資，擴大車聯網中心徵才計畫

WeMo宣布完成A輪募資，金額規模達上億元，資金將用於拓展海外市場，以及培育車聯網軟硬體人才。

WeMo在台灣擁有每月近百萬騎乘次

WeMo成立於2016年，以軟、硬體整合研發核心技術，打造共享機車服務，簡單地運用App就能隨租隨還，目前營運範圍涵蓋台北、新北與高雄市，未來也將持續拓展營運範圍。使用者除一般通勤族更包含國際觀光客，每月可創造近百萬次騎乘次數。

為滿足用戶需求，WeMo更率先推出有別於傳統分鐘計價的「月租」與「小時短租吃到飽」的多元創新計價方式。此外，也瞄準使用者的停車痛點，開發特約合作停車場供會員免費停車。

共享機車服務只是WeMo的第一階段，WeMo將圍繞著共享機車，持續發展車聯網智慧控制系統、管理平台等各種交通解決方案應用，並輸出至全球。

此外，WeMo所有車輛皆裝載多種感測器，將用於蒐集環境大數據，建立交通政策模型，進而提升並優化城市智慧化，成為智慧城市發展的最佳夥伴。

WeMo創辦人暨執行長吳昕霈表示：「WeMo的技術不僅可用於共享電動機車，也將與地方政府及硬體廠商共同合作，運用車聯網、大數據搜集等技術，成為提供交通運輸行動服務 (MaaS) 的領先者。」

海外市場、解決方案輸出是重點發展方向

WeMo A輪的募資金額並沒有向外揭露，僅表示規模突破億元。以台灣新創募資的規模來說，A輪大多在1億元上下，幾乎快成為公定價。

過去吳昕霈在接受《數位時代》訪問時就提到：「 重資產、短時間內難看到成效的特性，讓WeMo較不受創投的青睞 。」

但對於擁有重資產——大量機車的WeMo來說，如果募資金額沒有突破一億元太多，其實應該算募的不多，且由於也沒有公佈其他參與投資者，無從得知是否有策略性的投資者（最直覺的為機車業者）加入。

不過，終於完成A輪募資後，可以從兩個重點關注WeMo的發展方向：一是海外市場的拓展進度，這一塊可以分成直接到他國落地以及協助他國（或私人企業）建立共享機車服務，前者一樣會有資產較為龐大的問題，後者則是輸出解決方案與經驗，應該是發展性較高的策略，但這也考驗WeMo是否能夠把技術「打包」成一個完整的解決方案來販售。

二是智慧交通的數據蒐集應用。在WeMo上搭載感測器，在台灣讓每月有百萬騎乘次的WeMo騁馳於大街小巷，能夠蒐集到相當多的數據，可應用於交通模型、空氣監測等，日前WeMo也與台灣大哥大展開合作，於高雄280輛電動機車搭載PM2.5偵測器，偵測空氣品質，而未來是否有其他更廣泛的數據用途，就看WeMo怎麼做了。

責任編輯：陳映璇

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。