領袖觀點｜從AI的演進討論智慧車輛「產業AI化」議題

前言

臺灣推動電動車、智慧車和自駕車的發展已經多年了，但是最近幾年智慧科技的發展與人工智慧（AI）緊密交集，而以生成式AI為主的AI在快速發展中又呈現AI的多元化演進與應用趨勢。當前政府政策也相當強調「AI產業化」和百工百業的「產業AI化」。基於上述因素，我想從科技管理的角度，從AI的演進趨勢，討論一些智慧車輛「產業AI化」議題，並進一步從國內外智慧車輛產業AI化案例對照，拋出一些 second opinions。

AI的多元化演進與應用

ChatGPT 於 2022 年末問世後，生成式AI廣受矚目和快速導入應用；但AI仍然在發展中，而且AI已經衍生多元化演進與應用，整體而言，呈現由鑑別式AI、生成式AI推進到AI代理（AIAgent）及代理式AI（AgenticAI）、和實體AI（PhysicalAI）的發展趨勢。在生成式AI問世之前，已經有多種AI模型，大多屬於鑑別式AI。生成式AI出現後讓關注焦點都集中在AI大語言模型（LLM）。然而，生成式AI和AI知識蒸餾（Knowledge Distillation）等技術快速發展也衍生出多種型態和尺度的AI，包括：輕量化AI、小型AI、AI代理／助理、數位雙生AI、邊緣AI、實體AI等；不僅尺度差異大，而且AI的功能也從生成多模態內容，進一步推進到可以執行特定任務（如結合AI代理）。尤其，大型語言模型（LLM）在加入記憶、規劃、工具調用與持續回饋功能後，可形成AIAgent。學界普遍將其視為 LLM 發展的下一階段，並指出成熟的AIAgent 必須具備角色設定（profile）、短長期記憶（memory）、任務規劃（planning）、和工具／API 行動（action）等模組，關鍵在於：「模型＋記憶＋規劃＋工具行動＋治理」所構成的整體系統設計 [1]。IBM[2] 與 McKinsey[3] 均將 2025 年視為AIAgent 應用急遽擴張的關鍵節點，認為自主型AI將成為企業與政府部署AI的核心架構 [4]。

值得注意的是，2025年一篇Nvidia實驗室論文[5] 特別強調小型語言模型 (SLMs) 可能日益重要。該論文主張：小型語言模型具備足夠的能力、本質上更適合，並且在許多具代理能力的AI系統中更具成本效益，將成為未來的發展方向。論點基於SLMs 當前展現的能力、代理系統的典型架構，和LLM 部署的經濟性。進一步指出，在需要一般性對話能力的情境下，異質性的代理系統（即同時調用多種不同模型的系統）才是自然選擇。同時探討SLM 在代理系統中落地應用可能面臨的障礙，並提出一個通用的「LLM 到SLM」轉換演算法。文章強調若能部分轉向使用SLM，將對AI產業的運作與經濟影響帶來重大意義，希望能推動關於AI資源有效利用的討論，並促進降低當前大型模型成本的努力。然而，國內在AI應用推動過程中，往往會忽略AI的多元化演進與應用趨勢。類似輕量化AI、小型AI、AI代理/ 助理等應用可能比較適合中小微企業。

目前我國及主要國家都積極推動「AI產業化、產業AI化」，而且強調百工百業之產業AI化。我國目前在AI產業化方面，主要牽涉大語言模型所需的AI晶片和資料中心，核心是我國半導體與電子領域和國際大廠（如輝達）間的價值鏈合作。同時，因地緣政治、「Taiwan+1」、「美國優先製造」等壓力，電子業（AI伺服器）為主的臺廠已成為Nvidia 積極鏈結的lead users。一方面，Nvidia 擁有多元的軟硬體平台，包括：AI晶片、Jetson、Omniverse、Thor、Isaac； 另一方面， 臺灣電子廠在海外擴廠，客戶要求高度智慧化的工廠營運與供應鏈管理；臺廠的domain knowledge也提供Nvidia 各種軟硬體平台訓練和導入AI應用的基礎。因此，臺灣電子業也在推動產業AI化，形成軟體定義製造與供應鏈，包括落實實體AI。所以，臺灣半導體與電子業是AI產業化、產業AI化的領先群。

就產業AI化而言，Frost & Sullivan 曾經歸納出生成式AI在製造業的新興應用機會[6]。其中，缺陷檢測最常見，但除了過去應用鑑別式AI的AOI之外，生成式AI也可應用在缺陷數據的生成。Frost & Sullivan 也指出AI助理、數位雙生AI等的應用；呼應前述的AI的多元化演進與應用趨勢。另外，生成式AI也可應用於製造業的多個場域，包括：研發（如新材料開發、3D列印）、汽車產品製造（如虛擬設計生產與測試評估）、培訓（如知識轉移與任務分配）、物流運輸（如配送計畫與路線）等。

DOI:10.30256/JIM.202604_(517).0003