鴻海威州廠不應再做面板？美媒建議轉向生產電動車、搶量子運算硬體先機|數位時代 BusinessNext

鴻海威州廠不應再做面板？美媒建議轉向生產電動車、搶量子運算硬體先機

鴻海於美國威州的工廠至今仍未兌現當初的承諾，如1.3萬個工作機會等等。美國媒體因此建議，該工廠可投入電動車生產，並成為美國硬體供應鏈的一環。

鴻海可雇用美國汽車人才，開拓電動車領域

首先雙方要認知到，生產液晶顯示裝置沒有任何意義。美國在平板電視產業並沒有製造背景，這種需要大量資本投入、競爭激烈的業務在美國中西部沒有任何立足之地。

然而，鴻海已獲得威斯康辛州的土地，並開始建設工廠。值得慶幸的是，鴻海董事長劉揚偉可望跨入新領域，他想做的包括進軍電動汽車領域。

美國在生產液晶面板或組裝電視方面略顯不足，但他們了解汽車，而這是鴻海的短處。鴻海推出MIH電動汽車平台距今已一年，雖然公司將這個模組化製造方法視為電動汽車的未來，並與合作夥伴簽署協議，但實際上並沒有證明其可行性。鴻海先前已向特斯拉供應配件，現在則希望與客戶合作生產整輛車。

此外，鴻海還與電動汽車新創企業Fisker達成一項協議，每年開發和生產25萬輛電動汽車，而這就是威斯康辛州工廠未來的作用。與其繼續在美國生產高產量、低價值的消費電子產品，不如轉向一種更適合當地勞動力的產品，在這個過程中，鴻海可以雇用到美國當地的汽車人才。要知道，蘋果可能也在四處尋找能為其生產汽車的企業。

要把供應鏈帶回威州，美國需要先掏腰包

汽車並非是鴻海唯一考慮在美國生產的產品，威斯康辛州也可以成為專門為特定客戶設立安全要求較高的工廠所在地。由於鴻海在組件、晶片到組裝等製造階段都有經驗，其可以提供分包商無法提供的一系列安全保障。

這些成本並不便宜，美國的勞力成本更高，且當地供應商的缺乏也會增加成本。但隨著時間的推移，當有越來越多的供應商來到附近，成本可能會隨之降低。也就是說，如果要把供應鏈帶回當地，美國就需要為此掏腰包。

第三個值得探索的領域是量子運算。到目前為止，人們仍處於了解量子電腦該如何設計和實現的早期階段。若相關研究有了成果，這些計算能力也可能使現有的系統變得過時。

目前來看，可能需要10年的時間才能生產出這樣的硬體，而鴻海並非走在這項基礎科學的最前端。但在某種程度上，距離美國的創新中心更近，也意味著鴻海在量子運算的硬體競爭中有機會領先。

轉換現有工廠的營運模式並沒有那麼簡單，但鴻海最好的做法就是從頭開始。而對威斯康辛州來說，其應該更努力地依據新方案進行談判，但要提供更大的靈活性。而這一切都無法得到確切保證，雙方都需要承擔風險並預留出空間。

本文授權轉載自：網易科技
責任編輯：文潔琳

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。