Google與新創Holocene簽約！砸1000萬美元買「每噸100美元」碳捕捉協議|數位時代 BusinessNext

碳捕捉技術的「規模提升挑戰」

Holocene於2022年創立，已獲得比爾蓋茲的突破能源基金（Breakthrough Energy）、美國能源部的肯定。Holocene的碳捕捉技術與其他系統相比，採用了由美國能源部橡樹嶺國家實驗室（Oak Ridge National Laboratory）開發的創新方案，它結合了液態與固態技術，使用胺基酸及其他有機化合物，將空氣中的二氧化碳捕捉並轉化為固體結晶，然後通過輕微低溫加熱釋放出高純度的二氧化碳進行儲存。

Holocene官方聲明指出，新技術捕捉的二氧化碳以利後續運輸及封存，相較於其他能源密集的處理方式，更可以達到規模化，只是該技術目前還在初期開發階段。

《Carbon Credits》報導指出，目前全球每年僅能捕捉約2,000噸的二氧化碳，為了減緩氣候變遷，這個數字遠遠不夠。目標是每年要從大氣中移除數10億噸的二氧化碳，這意味著，碳捕捉技術必須在規模化上有所突破。

然而，Holocene的技術尚處於早期發展階段，尚未達到商業可行性，即使它成功達成10萬噸的目標，相較於全球每年數10億噸的需求量，仍是微不足道的一部分。要真正產生全球影響就必須大幅擴展，把成本降低到企業和政府可以承擔的成本範圍內。

雖然如此，Holocene仍對技術的潛力充滿信心，認為有了Google的財務支持，它將能夠在2030年上半年達成10萬噸的目標。

Google與Holocene攜手合作：創紀錄的碳捕捉協議

Google與Holocene的合作背後，是一場碳捕捉技術的賭注。

Google官方表示，這1,000萬美元的資金，能讓Holocene在2030年前半年從大氣中捕獲和儲存10萬噸二氧化碳，並且幫助Holocene進一步完善碳捕捉技術，同時提供充裕的資本來擴展業務。

此外，美國政府的《通貨膨脹削減法案》中的稅收抵免政策也發揮了關鍵作用，政策為每噸碳權提供高達180美元的稅收減免，為像Holocene這樣的公司投資碳捕捉技術提供了強大的財務支持。

而對Holocene來說目標很明確，加大碳捕捉的規模。如果成功，這次合作不僅將使碳捕捉變得更加經濟實惠，還將為全球達成淨零碳排目標鋪平道路。

責任編輯：李先泰

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。