稜研科技跳脫毫米波代工框架,靠兩大策略走向海外!為何說要當「亞洲版Google」?
稜研科技跳脫毫米波代工框架,靠兩大策略走向海外!為何說要當「亞洲版Google」?
2021.08.24 | 5G通訊

毫米波新創公司稜研科技創立七年,自2020年底完成3億元A+輪融資後,公司團隊迅速從20人擴張到50多人。不僅如此,還一手掌握KDDI、富士通大廠訂單,並與歐洲太空總署密切合作,旗下配合的經銷商高達20家左右,就連大多數只賣自己產品的國際級經銷商thinkRF,也破天荒銷售稜研科技產品。

稜研科技是一家以毫米波(mmWave)設計技術為核心的新創公司,提供5G封裝天線(AiP)、天線模組(Antenna in Module,AiM)與空中下載(OTA)測試方案供應商。

稜研科技展示XBeam OTA量測方案,自動化機台是與鴻勁精密合作,但現場不給拍照,此圖為官方提供。
圖/ 稜研

這家才成立7年的新創公司能受各大廠商喜愛,歸功於背後的兩位靈魂人物——創辦人張書維與林決仁。他們有著相似的成長背景(同為中研院天文所),一個人主攻硬體設計方案,一個人則發揮軟體長才,在這種極需高度軟硬整合的5G毫米波設計領域,恰好碰出完美火花。

在創業過程中,張書維和林決仁的分工也不斷調整。稜研科技非一家純軟體或純硬體的公司,要將軟硬體整合起來做成一項產品,在設計開發過程上會延伸許多問題,同時又有銷售、採購、付款等管理和營運層面的工作要處理,談及此處張書維不禁感嘆,「很慶幸我們可以分工做這些事」。

從高通到Google,稜研的商業策略大轉變

其實最初稜研是以成為亞洲版的高通為目標,積極耕耘旗下5G毫米波模組方案,將產品技術發揮到極致,而後銷售至全球。如今稜研則以Google為目標,與張書維商業策略思考的轉換息息相關。

稜研科技創辦人張書維。
圖/ 侯俊偉

他談到,最初稜研是以硬體角度切入市場,但經過幾年市場洗禮後,發現布局通訊產業應該以應用端的角度看待,找出需要被解決的問題,而非單純賣產品,最重要的價值在於背後的數據力量。

就如同Google一樣,即便他們擁有硬體開發設計的能力,但在產品銷售與規劃時,大多從應用的角度看待,並且大量進行數據分析與研究,提供消費者(如免費搜尋)或廣告用戶(像是導流技術)雙贏的方案。

而這樣的概念也呼應到稜研產品設計的走向,例如,OTA測試產品除了幫助廠商測試毫米波訊號之外,更有價值的地方是使用這些量測數據資料,協助廠商提升製程、良率,透過數據的力量增加產品的價值。

張書維認為,台灣半導體應逐漸跳脫代工的思維,找出更多Value Add的機會。特別是通訊產業是一個門檻極高的產業,若只執著於代工生產,最後很有可能淪於殺價競爭的局面,被取代性極高。也因此,稜研科技近年不在只是將重心放在硬體設計的研發,同時也側重於軟體、量測系統上的開發,期能從晶片設計、模組開發套件到量測系統等不同層面注入量能,為產業提供一套完整的毫米波方案。

不過張書維也笑道,無論是成為高通或Google,兩者都非常優秀,稜研更看重的是這兩家公司背後的成長背景、商業模式的建立,以及如何掌握自己在全球某個領域的地位與話語權。

積極拓展海外版圖,稜研定出兩大營運重點

再過不久,稜研將迎來創業十年的里程碑,在此之前,張書維訂立為期三年的營運目標,預期接下來將以拓展海外市場為主,目標8成營收來自海外,從近期與國際大廠thinkRF和是德科技相繼發布的合作消息,即可看出延伸觸角到海外市場的野心。

迎接2024年即將到來的毫米波市場,稜研一方面積極專研自身技術,同時也強化海外布局的策略,目標總體營收8成來自海外市場。

為了實現海外業務拓展的目標,張書維提出兩大營運策略。首先是要讓稜研科技開始有實際的獲利來源,目前毫米波商用化發展尚未完全成形,許多基礎建設仍處於POC或研究階段,張書維預期2024年毫米波才會開始有實際效益出來,這也意味著在此之前,AiP產品類型商轉放量時間還須等候一段時間。

為彌補毫米波市場成形前的營收空缺,稜研陸續發布毫米波射頻系統開發套件BBox,以及OTA測試工具,協助5G業者進行前期的產品設計與量測,並加速其5G方案的生產速度。

張書維透露,其實一開始投資人對此策略非常不諒解,認為與其分心開發新產品類型,賺取少量營收,何不專心於AiP的研發,待毫米波市場機會來臨時,加大馬力全力衝刺。

然而在維持營運的考量下,稜研仍毅然決然投入毫米波射頻系統開發套件與OTA測試產品,而事實也證明市場上的接受度頗高,包含台灣的智易、日月光,以及日本KDDI和國際多個國際學術單位也都相繼採納。

第二策略是強化稜研在國際市場的話語權,並且獲得業界廠商的認可。張書維談到,這部分除了持續加深開發套件與OTA測試工具的完整度外,下一步將持續募資擴大營運規模,以取得與業界大老同席而坐的入場卷。

也就是在募資之後,將繼續強化稜研既有的毫米波強項,例如AiP模組的開發與設計,結合台灣完整的產業鏈,提供CP值最高的AiP模組方案。

由左自右分別為稜研科技創辦人張書維與林決仁。
圖/ 侯俊偉

另一方面,將同步提出一套讓廠商認識、信任並且看中的提案,如何讓客戶買單是最終目的。張書維分享,當初與thinkRF合作時,即面臨到廠商要求要貼牌稜研產品,以代工方式進行合作的爭議,經歷的雙方不斷的溝通協調,稜研成功說服thinkRF以直接代理的形式合作。他自豪地說,此次的合作對稜研來說是一個極具指標性案例,有了這樣的實戰經驗,也讓團隊知道稜研已具備步入國際的資格,而此合作案也預計在9月正式上線。

責任編輯:錢玉紘

最新8月號雜誌《區塊鏈上的金融新世界》馬上購:傳送門
「電子雜誌」輕鬆讀:傳送門

關鍵字: #5G
往下滑看下一篇文章
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關
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」(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。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

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。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

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。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂Vibe Coding
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓