2025年4月初，巴黎春光明媚，2025 Blockchain Week大會，在塞納河畔盛大開幕。
這場與Token2049、Consensus，乃至CES、Web Summit齊名的全球盛事，吸引了逾1.5萬名技術迷、行業專業人士、企業家與投資人，會場外咖啡香與討論聲交織，除了區塊鏈議題之外，會場內大夥樂此不疲的討論著與AI相關的未來願景。
誠然，區塊鏈雖仍是主軸，只不過在普遍風口以轉向AI的情況下，所謂的「區塊鏈週」活動，超過七成在談與AI有關的應用，無論是「硬」要與blockchain整合，抑或是單獨的AI新創項目。
其中一個話題最為熱門：Model Context Protocol （MCP） 讓大家津津樂道，這項由Anthropic於2024年底推出的協議，被熱議為「AI的未來賽道」。
有人期待它能在如今各大AI語言模型碎片化的過程中扮演橋樑，有人卻擔心它只是另一個曇花一現的繼續名詞，甚至與許多不良「幣圈」從業者，一起搞什麼「發幣募資」的新騙局。
在AI慢慢從單純的聊天助手，進化為全方位的行動代理人（agent）浪潮中，MCP是否真能解決當前困境？它又將如何在科技時代的未來扮演關鍵角色？
AI百花齊放，各有所長卻無法相互協作
拜OpenAI帶起風潮之賜，AI近年如百花齊放，發展速度令人咋舌。
截至2025年，根據McKinsey全球AI調查報告，在受訪的1491家企業中，71%表示已將生成式AI應用於至少一個業務領域 ，相較於2024年初的65%顯著成長。這項調查涵蓋101個國家，顯示AI正滲透多元場景，例如醫療診斷、金融市場預測與太空數據處理。
然而，當前AI模型百花爭艷：OpenAI的GPT擅長語言生成、Google的Gemini精於多模態推理、Anthropic的Claude以安全性著稱，但彼此間的「孤島效應」日益嚴重。
這些模型像各自封閉的堡壘，很難載完成更高複雜度的任務上直接互通，舉例來說，你讓GPT去分析Excel表格，它給的答案總是「很爛」；叫Claude處理GitHub程式碼，得先人工進行資料整理。
更常遇到的是，企業內部常需多個AI相互協作，例如行銷部門想讓語言模型與數據模型聯手分析客戶行為，卻因格式不一、接口不通，效率與「良率」大打折扣。這不僅浪費時間，還限制了AI從單一工具／行為，升級為「系統級解決方案」的潛能。
具體困境，簡單來說， 一是相互操作性的匱乏 ：不同模型的訓練數據、輸出格式與API標準不統一，導致硬是讓他們協同工作後，結果人有很重的「AI痕跡」，又或是品質根本無法讓人滿意。
其二是對真實世界資源存取障礙 ：AI雖聰明，卻常被困在「沙盒」裡，無法直接讀取文件、數據庫或工具，得靠人工介入。
第三是安全與效率間的矛盾 ：企業想讓AI動手做事，又怕開放接口後數據外洩，兩難之下進展緩慢。這些挑戰讓「代理化AI」（Agentic AI），所謂能主動執行任務的下一代AI，一直以來無法更好的服務人類社會與商業發展的需要。
AI的「萬能遙控器」MCP出世，不再各據山頭
MCP正是為了破解AI的孤島困境而生。
簡單說，它就像一個「萬能遙控器」，讓各家AI模型能像插上傳輸線般，輕鬆連接到外界的資料、工具甚至彼此，不再像過去那樣各唱各的調。
試想，原本你得把公司報表一欄欄抄給AI，費時又費力；現在有了MCP，AI就像拿到了數位金鑰，瞬間打開資料庫或雲端資源，大幅縮短作業時間。
它的運作方式好比到餐廳點菜：開發者先備好「菜單」—可能是顧客資料、網站API或研究檔案—AI只需按統一的標準「下單」，就能直接取用所需。
2025年的《arXiv》論文（題為「MCP：現況、安全挑戰與未來方向」）解釋，MCP靠簡潔的指令語言（像手機App間的快捷分享）與安全門檻（類似銀行網站的雙重認證），確保資料傳輸既快速又不外洩。
舉個例子，假設台中一家運動用品電商想用AI預測春節銷售，過去得花半天整理庫存和顧客喜好，現在MCP讓AI直接連上公司的訂單系統和臉書廣告數據，幾分鐘內吐出熱銷鞋款的趨勢圖，效率翻了三倍。
Anthropic的工程師Mahesh Rao比喻：「MCP就像網際網路初期的TCP/IP，把零散的電腦織成一張大網。」它如何解決問題？
首先，MCP統一了AI的「溝通語言」，讓一個模型寫分析報告、另一個畫圖表，合作無縫；其次，它打破AI的「封閉實驗室」，讓模型能直接抓取真實世界的資料；最後，它設下安全防線，像一道數位鐵閘，防止敏感資訊被竊。
但MCP並非獨一無二的解方，過去我們也見過類似機制的嘗試。
傳統的「function call」（功能呼叫）就像給AI一個個特定指令，例如讓模型去查天氣或計算數字，但它靈活性差，只能處理預設任務，無法應對複雜的資料串聯。
Google的Agent-to-Agent（A2A）則更進一步，專為Google生態系打造，讓自家模型（如Gemini）能互相傳遞任務，例如一個AI搜集資料、另一個寫總結。
但A2A的封閉性是缺點，它像Apple的Lightning線，只適合自家產品，難以跨平台操作（至少目前來看）。MCP則像通用的USB-C，開放給任何模型，無論是Claude、GPT還是台積電的自研AI，都能用同一個標準接口。
應用上，A2A適合Google內部的深度整合，比如優化YouTube推薦；MCP則擅長跨組織協作，例如讓台灣醫療AI串聯國際研究，靈活度更高。當然，兩者都重視安全，但MCP的標準化讓它更具潛力成為AI界的「共同語言」。
MCP真那麼神？有什麼限制？
MCP是否真能成為通往通用人工智能（AGI）—那種能像人類一樣應對任何任務的終極AI—的關鍵拼圖？
當前主流模型如GPT、Gemini、Claude都屬狹義AI（Narrow AI），各擅長特定領域，例如語言生成或圖像分析。
MCP的出現讓人眼睛一亮，它像一座「數位圖書館」，讓不同模型能分享資源、協同工作，甚至從真實世界的資料軌跡中捕捉更細膩的人類行為模式。
然而，MCP與A2A的結構性影響並非萬能，Google的A2A像私人俱樂部，只在自家生態（如YouTube或Google Cloud）內高效運作，無法廣泛兼容；MCP雖開放如公共廣場，卻僅是數據與任務的橋樑。
史丹佛大學AI專家李飛飛（Li Fei-Fei）便分析：「AGI的實現遠超模型整合，它需要深層推理、自主學習與對世界法則的洞察，這不是MCP或A2A能單獨承載的。」
《Nature Machine Intelligence》2024年研究也指出，當前協議缺乏引導AI「自我質疑」或「跨領域推論」的機制，舉例來說，MCP能讓AI快速分析股市與新聞，但無法讓它理解「人性貪婪」背後的動機—這正是AGI的核心挑戰。
未來，MCP與A2A或許能為AGI提供更豐富的數據土壤，但要從拼圖變成藍圖，還需突破技術與哲學思維的雙重關卡。
對台灣而言，它是既是機遇也是挑戰，若能發揮台灣在ICT設計，科技與半導體供應鏈的優勢與AI結合，便可在多個領域成為重要的全球技術夥伴；但缺點是，若一味的滿足於低毛利的代工模式，未能自建生態或成為生態體系中的規則制定者角色，恐淪附庸，真正有附加價值的應用多半還是掌控在別人手上。
最後，巴黎峰會的熱議只是開端，MCP能否如TCP/IP般改寫AI歷史，實踐終將揭曉答案。
（觀點文章呈現多元意見，不代表《數位時代》的立場）
《數位時代》長期徵稿，針對時事科技議題，需要您的獨特觀點，歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw，文長至少800字，請附上個人100字內簡介，文章若採用將經編輯潤飾，如需改標會與您討論。
責任編輯：溫偉軒
