華為Mate 60 Pro賣翻，背後是中芯7奈米撐腰！中國想宣示什麼？陸行之這樣看|數位時代 BusinessNext

華為Mate 60 Pro賣翻，背後是中芯7奈米撐腰！中國想宣示什麼？陸行之這樣看

華為近日推出最新旗艦機，搭載中芯國際所生產的7奈米製程，引起各界關注。中芯國際是如何做到？背後有哪些內幕？

沒有設備的中芯，為何還能做7奈米？

陸行之表示，中芯本次的7奈米，並非採用EUV（極紫外光曝光機），而是透過DUV（深紫外光）反覆曝光而成。半導體業內人士表示，主要是將14奈米的製程，透過反覆曝光，作為製造7奈米工藝。

當前DUV製造大廠艾司摩爾（ASML）還未被限制販售DUV機台至中國，中企仍可取得DUV機台。陸行之指出，美國並非禁止購買設備，而是購買設備必須先向美國商務部申請。然而陸行之指出，近年來中國半導體新創大量崛起，美系設備廠及商務部也很難判定這些被採購的設備是否被轉賣至中芯。

中芯明顯產能不足！積極擴充帶動設備國產化

不過當前中芯產能看起來並非充足，研調分析師指出，中芯目前每月產能約落在5000至1萬片左右。然陸行之所估計華為明年將出貨4000萬台手機，意味著中芯7奈米的月產至少需達24000，明顯供不應求。

陸行之表示，中芯2022年的資本開支除以營收比率是110%，遠高於台積電的50%，產能擴充年增率明顯較高，積極擴充產能的動作明顯。分析師則觀察，中國近年來設備國產化的比率相當高，很可能部分不重要的設備已由中國本地設備商代替，雖還未能完全替代美系設備大廠，但或許是中芯資本支出持續攀升的原因之一。

分析師指出，中芯目前應該還未有大規模量產的能力，「如果有，那也不會只用在手機上。」他並進一步指出，本次中芯賣晶片給華為，應會受到美國商務部的封殺，一如先前長江存儲未經過審合而提供晶片給華為，最終被列入黑名單的結果，「中芯海外營收還是佔它總營收近兩成，之後可能一些海外訂單都會不見，以內需市場為主。」

中芯往下5奈米恐有難度，華為會到此為止嗎？

華為推出新機引起眾人目光，陸行之則認為，華為的回歸不會倒此為止，將持續推出新機。分析師表示，所謂的新機不見得是立基在晶片的迭代，很可能是軟體系統的革新，「以技術角度來看，就算中芯做出7奈米，但要進步到5奈米，技術上是會有極限的。」

分析師指出，即使中國人因為國產化而支持華為手機，並非長期需求，「因為很明顯這個7奈米晶片不是旗艦機的版本，但華為卻放在旗艦機裡賣旗艦機的價價格。」代表華為如今推出這支手機，向美宣示意義較重。

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。