鴻海MIH有馬達助攻！鴻華先進攜手日本電產，會員大會分享合作成果|數位時代 BusinessNext

鴻海MIH有馬達助攻！鴻華先進攜手日本電產，會員大會分享合作成果

鴻華先進宣布與日本電產共同簽署合作備忘錄，持續布局電動車，而日本電產也將在MIH會員大會上，分享雙方合作的經驗談。

鴻華先進18日宣布與日本電產株式會社（Nidec Corporation，以下簡稱「日本電產」）共同簽署合作備忘錄，雙方攜手深度策略合作，為下世代電動車動力系統注入不可或缺的發展動能。

日本電產為全球排名第一的綜合馬達製造商，透過其累積多年的研發能量，未來將結合鴻華先進整車設計開發能力，提升電動車開放平台性能。

本次合作雙方將透過MIH電動車開放平台，結合鴻華先進在整車設計領域的豐富經驗與日本電產在馬達領域的領先技術，深化電動車動力系統的策略合作，充分發揮雙方的專業優勢與互補綜效，在電動車開放平台上快速發展商品，取得競爭優勢。

目前於乘用車與商用車皆有相關合作計畫，預估在今年第四季展現雙方初步合作成果，鴻華先進未來將持續提供最新技術且更多元的平台選擇予電動車產業鏈。

延伸閱讀：台灣電動車3巨頭大會師！和碩躍一級供應商，鴻海MIH成員破千7月獨立，和大成全球最大減速箱龍頭

鴻華先進協助MIH聯盟推動軟硬體開放平台，發展滿足C.A.S.E.趨勢的自主技術。MIH電動車平台採開放架構，以「模組化」、「彈性化」等特色，獲得不同產業鏈夥伴響應，日本電產未來將扮演聯盟在電機以及相關硬體控制領域關鍵夥伴角色。

而日本電產的動力系統具有體積小、輕巧、高效率的特性，加上產品優越的性能與高品質，使其於競爭群中維持領先。

近年來，世界各國陸續提出禁售燃油車的日程計畫，成為電動車市場崛起的助力，日本電產多年前便洞察到此趨勢並開始進行全球布局，投入大量研發資源於電動車驅動與控制領域，其產品涵蓋了從50kW 到 200kW的範圍，足以滿足大部分未來電動車的需求；而在技術的研發上，日本電產也持續的在產品效率、性能與輕量化上不斷的精進並擴大優勢，目標在2030年全球電動車動力系統的市占率達到40% 至 45%。

日本電產常務執行董事早舩一彌表示，「這次的合作是一項充滿刺激的挑戰，我們和鴻華先進每天都在緊鑼密鼓協商討論，希望未來將能貢獻一份力量，讓鴻華先進能成為世界一流的車輛平台提供者。」

延伸閱讀：傳統車業、科技廠都是客戶！鴻華先進靠MIH平台，「不做品牌也能贏」？

本月25日MIH 聯盟會員聚會 (MIH Alliance Member Gathering)，日本電產也將以線上參與的方式，與聯盟會員分享，這段時間與鴻華先進合作的經驗。

鴻華先進總經理李秉彥表示，「日本電產擁有領先業界的三合一驅動馬達系統，這是未來電動車發展的關鍵核心，也因此鴻華先進在去年第四季宣布推動電動車開放平台時，就已經和日本電產商討共同合作的可能性。這一次雙方簽署合作備忘錄，將強化後續合作的深度和速度，預計今年第四季，就會對外展現雙方合作的成果。」

聚集世界一流的聯盟夥伴是發展開放平台成功的重要關鍵，MIH電動車開放平台已受到國際一流系統供應商重視，與日本電產的策略合作，只是一個開始。鴻華先進作為聯盟的硬體平台主要提供者，希望藉本次與日本電產強強結合，打造世界級水準的電動車硬體實力，未來可提供電動車產業鏈更多元的選擇並帶領國內相關業者踏上國際舞台。

責任編輯：錢玉紘

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。