全球股債市走勢震盪，基礎建設，躍居機構投資人最想加碼的資產類別|數位時代 BusinessNext

全球股債市走勢震盪，基礎建設，躍居機構投資人最想加碼的資產類別

今年全球股債市走勢震盪，其中史坦普全球基礎建設指數今年逆勢上漲6.91%，優於MSCI AC世界指數下跌15.73%，成為金融市場異軍突起的投資黑馬。

受到高通膨、俄烏戰爭、聯準會緊縮、中國防疫封控及景氣疑慮等利空疊加衝擊，今年以來全球股債市走勢震盪，其中史坦普全球基礎建設指數今年以來逆勢上漲6.91%，優於MSCI AC世界指數下跌15.73%，成為金融市場異軍突起的投資黑馬。

富蘭克林證券投顧表示，第一季末供應鏈瓶頸緩解但改善速度比預期慢，讓庫存和通膨擔憂加劇，加上中國防疫封控影響，預期供應鏈問題會再持續一段時間，增添總體經濟和聯準會緊縮政策的不確定性。

面臨通膨和升息環境，基礎建設資產挾抗景氣循環和應對通膨等優勢，已成為機構投資人近一年和未來看好的資產類別之一。

根據顧問公司bfinance四月發布的機構投資人調查結果顯示，82%受訪者擔憂通膨和利率上揚恐影響其達成中期投資目標的能力，過去12個月已有31%受訪者增加投資基礎建設資產，46%受訪者預計未來12個月將增加基礎建設投資，高居各資產之冠，高於欲加碼私募債券(42%)、房地產(39%)、通膨連結債(14%)、或是上市股票和債券資產的比例。

此外，高盛證券也看好在通膨環境下實質資產將在投資組合扮演一席之地，有助於分散傳統股六債四投資組合風險。追蹤1950年以來美國通膨高於3%且通膨持續上揚的環境下，實體原油和商品表現最強勢，未來即使通膨自高檔放緩但仍高於3%的環境下，具備現金流量創造能力的基礎建設、房地產、能源和黃金礦脈類股的表現依舊可期。

美盛凱利基礎建設價值基金經理人尼克．蘭利表示，預期受到疫情影響的供應鏈通膨可能開始消退，但目前尚未被市場重視的氣候通膨風險可能會接踵到來，預期氣候通膨將在2025年左右開始出現且可能會維持未來十年或二十年，驅動氣候通膨的因素眾多，其中碳定價(carbon pricing)在以市場為基礎的低碳經濟中扮演關鍵角色，中長期將推升物價上漲。

由於基礎建設資產的本質具備應對通膨的特性，基金的布局策略就是要建構一個能聚焦於實現長期可持續性實質絕對報酬率的投資組合。

富蘭克林證券投顧認為，相較於許多實質資產的流動性較差且缺乏穩定的收益，上市基礎建設股票不僅具備實體資產的通膨轉嫁能力，因為有政府監管或特許經營權契約保護，因此能提供穩定現金流量且波動風險較低的優勢。

此外，過去基礎建設投資被視為是退休基金等機構法人或私人銀行高端財管客戶才能投資的產品，但隨著近幾年各國相繼擴大基礎建設產業支出並吸引民間資金參與，擴大上市基礎建設股票的投資範疇，現在小額投資人也能輕鬆參與基礎建設的投資商機，建議可採單筆和定期定額策略並進。

責任編輯：吳秀樺

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。