這兩年，AI成為全球最熱門的關鍵字。從ChatGPT、生成式AI到AI Agent（AI代理），全球科技產業幾乎全面投入大型模型發展與算力競賽。資本大舉投資AI發展的底層邏輯是相信所謂的「規模擴展法則（Scaling Law）」尚未走到盡頭，大力出奇蹟下，形成模型愈大、參數愈多、算力愈強，AI能力也愈好的正向循環。
AI在自然語言ToC場景的驚艷表現後，如何能順利部署到百工百業並成功營運自然成為ToB場景的焦點。然而，當生成式AI真正開始走進工廠、醫院、企業等工作場域、面對真實場景後，大家很快發現一件事：讓AI真正落地的挑戰，從來不是聊天，而是如何真正理解世界。因為AI真正要面對的，是充滿不確定性的真實環境。就如同部分學者提出的世界模型分析框架，不同類型的世界（例如物理世界、數位世界、社會世界、科學世界等）有不同的統治法則，理解目標世界的法則後AI才能做出有效規劃。
在工廠裡，同樣一個零件，今天可能是金屬材質，明天可能改成塑膠；原本固定位置的料件，也可能因為人員操作而產生偏移；不同的時間也面對不同的採光條件等。對人類而言，這些都在長期肌肉記憶下形成直覺反應，但對機器人這類的無人載具來說，多樣性的環境卻考驗著AI模型的預測能力、適應性與泛用性，不同的環境可能對應著是完全不同的法則及邏輯。
因此，未來AI與機器人的核心能力，不只是自動化與數位化，還必須包含「環境感知」、「預測未來狀態並進行規劃」、「理解不確定性」。AI真正的競爭，不只在數據、不只在模型，也在系統工程上：如何讓AI與場景、既有系統、流程與領域知識深度整合。
相較於投入世界級大模型的軍備競賽，台灣更有機會發展「產業AI（Industrial AI）」。也就是把AI真正導入設計研發、生產製造、工廠管理、供應鏈運籌、販售客服、公司治理等場景。例如在製造業中，AI可以成為產線的「眼睛」，透過影像辨識提早發現PCB瑕疵、半導體製程缺陷，或在回收場域中自動辨識材料成分與分類；生成式AI則能進一步自動產生模擬瑕疵樣本，大幅降低訓練成本與時間。
而AI Agent體系的發展及成熟也推動並擴大著Token經濟的版圖。過去的網路，是人與人之間的連線；但未來，可能逐漸變成Agent與Agent之間的大量協作。現在全球約有70億人口，但未來可能會出現7,000億個AI Agent同時在線。每個人身邊，都可能擁有多個AI Agent，協助安排工作、管理財務、分析市場、處理文件，甚至主動完成Agent to Agent跨系統協作。這也意味著，未來的網路將從傳統通訊網路，進一步走向「AI Native Network」。AI不再只是網路的重度使用者，也是優化網路效能的重要參與者。
當大量重複性、執行性與整理性的工作逐漸由AI接手後，人類工作的角色也將被重新定義。在AI Era職場上做出貢獻、成為組織看重的人，除了要儘早擁抱並熟悉這些賦能工具，也必須是能判斷、做決策、承擔責任的人。因為AI可以協助分析資料及執行程序，但真正面對不確定性、做出最後決策並當責的，仍然是人。
未來的競爭，不只是誰擁有更大的模型與更多算力，也是誰能真正把AI帶進產業、帶進場域、帶進真實世界。
（本文是由工研院資訊與通訊研究所長丁邦安授權轉載）
