半導體晶片市場前景不同調！SK海力士削減成本，德州儀器抱樂觀態度|數位時代 BusinessNext

SK海力士：電子消費品需求減，雲端晶片需求有望長期擴大

身為全球第二大的記憶體晶片製造商的SK海力士在財報會議上表示，除了消費者對智慧型手機和筆電的需求逐漸放緩外，客戶們也因為對經濟衰退的擔憂，正在盡可能地縮減成本和減少投資，因此對企業的電子設備需求和伺服器晶片需求形成一定程度的打擊。

不過根據對主要客戶的觀察，未來對雲端服務的長期需求應該仍有望繼續擴大，因此用於伺服器的記憶體晶片將會是接下來該公司晶片的大宗需求來源。

隨著亞馬遜等大型數據公司的雲端開會需求上升，也大大推動該公司的營利成長，第2季的營業利潤成長56%至32億美元，SK海力士表示整體趨勢是客戶將會持有更多晶片的庫存，不過短期零組件短缺、整體經濟不確定性以及對消費部門需求的打擊，也讓伺服器客戶在下半年的支出計畫變得保守。

德儀看好工業和車用晶片

至於德州儀器則採取較為樂觀的看法，該公司在26日發布的聲明中表示，他們預期第三季收入將會介於49億至53億美元之間，EPS也高達2.51美元，德州儀器雖然也和許多同業一樣認為個人電子消費品的表現不佳，但德州儀器財務長Rafael Lizardi表示用於工業機械和車輛的晶片在本季實現了強勁增長，特別是汽車相關收入成長超過兩成，不過德州儀器拒絕為整個晶片市場或電子消費品的未來需求走向進行預測，表示以上觀察僅代表該公司將繼續投入工業和汽車產品的投資。

從晶片用途來看，德州儀器主要生產用於工廠設備和航太硬體的類比嵌入式晶片，和SK海力士所生產的記憶體晶片所仰賴的電子消費品客戶即存在著本質上的差異，因此相較於SK海力士，德州儀器受到景氣和個人消費的影響並不像其他廠商如此劇烈，或許這是造成兩間公司對未來預期有著天壤之別的主要原因。

雲端和車用晶片未來需求將穩定增加

高德納（Gartner）顧問研究公司認為，即使晶片短缺的問題正在緩解，但受到通膨和利率上升的影響，半導體市場的疲軟期將會延續至2023年，而今（2022）年全球半導體的收入預計僅會成長7.4%，遠低於去年的26.3%，雖然電子消費品大大放緩半導體的收入成長速度，不過該顧問公司的實務副總裁理查‧高登（Richard Gordon）提到，雖然電子消費領域的需求將放緩，但用於數據中心的雲端基礎設施和不斷發展中的電動車產業，將會成為未來半導體產業的趨勢。

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。