鴻海電動巴士先行！北美工廠月產1萬輛起跳，劉揚偉：將邀客戶合資|數位時代 BusinessNext

鴻海電動巴士先行！北美工廠月產1萬輛起跳，劉揚偉：將邀客戶合資

鴻海法說會上，焦點全部落在電動車的策略與進展，董事長劉揚偉說，預計在六月決定電動車工廠地點，他也分享了鴻海造車的優勢。

電動巴士2022年推出，劉揚偉：六月決定電動車工廠地點

鴻海除了是MIH聯盟的催生者外，集團將基於MIH平台，來發展未來的電動車相關產品。在上周的會員大會上，MIH聯盟已經發布一款電動巴士原型車，以及兩款乘用車原型，預計在2022年拜騰M-Byte開始量產、電動巴士上市；2023年，Fisker Project PEAR開始量產，C級距電動車上市。

之所以先生產電動巴士，劉揚偉說，鴻海的強項一直都是B2B、B2G（政府），「2c一直是我們的弱勢，所以先做商用車產品線。」而且，未來推一般的乘用車，鴻華先進也不會自己做品牌，而是跟拜騰、納智捷、Fisker這些品牌合作。

至於電動車工廠的規劃，劉揚偉說，目前內部鎖定美國跟墨西哥設廠，預計在六月底之前會決定。未來目標是要蓋一個每月產能一萬台汽車的工廠，每月的資金需求約需10億美金，整車製造會與在地夥伴合作，像是在中國跟吉利、台灣跟裕隆、美國也會找客戶合作，資金費用會跟客戶一起負擔。

兩個月內公布電池研發細節，鴻海造車優勢有哪些？

未來鴻海會專注在電池、電機、電控的研發，不過，這些系統的難度都很複雜，不可能全靠自己的力量研發，劉揚偉說：「這樣會緩不濟急，一定會跟相關隊友合作。」並透露最快在未來1~2個月內，會公布電池研發合作的細節。

另外，在軟體上也有很多合作的夥伴正在洽談中，劉揚偉說等到一切細節都確定後，一定會跟外界分享。不過是否有人力可以去承接需求，以及製造電池的原料是否充足，是目前的兩大挑戰。

究竟鴻海做電動車，跟其他競爭者比有哪些優勢？「我們有整車設計的能力。」劉揚偉說，之所以會跟裕隆合組鴻華先進，是因為裕隆旗下的華創車電，是台灣過去20多年來唯一有整車設計能力的公司，「去年合併後（指鴻華先進成立），600多位工程師，解決了我們許多造車上的難點，這是其他ICT業者很難解決的問題，不然我們也只能做零件。」

劉揚偉說，鴻海在半導體設計製造的工藝能力，可以製造出非常好的設備，無論是做電池、馬達，都跟精密製造有關，「馬達轉子以精密製造，可以把馬達做的很安靜，這是我們的競爭優勢。」

「電動車（EV）是集團未來主要成長動能之一。」鴻海董事長劉揚偉說，過去很多業者想要做電動車，想要取得關於現有車廠平台的資訊非常有限，很難做到好的搭配，鴻海的MIH是一個開放的平台，全球想切入電動車產業的業者，都可以取得足夠的資源。

目前，鴻海已經獲得傳統車廠，以及新造車勢力的肯定，合作的品牌客戶，包括美國的Fisker、台灣的納智捷、中國的拜騰等，劉揚偉說，鴻海會與裕隆集團以及吉利集團合作，在垂直整合的供應鏈中，提供整車代工製造的服務。

面對全球市場，集團將推出電動乘用車，以及電動巴士的共享動力底盤平台，搭配著MIH夥伴及鴻海所提供的軟硬體供應鏈，提供給品牌客戶完整的整車設計、開發及生產服務，共同打造創新的造車商業模式，「這個模式的優勢可以大幅縮短開發時程，同時節省新車研發所投入的成本。」

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。