這場史詩級的「退稅馬拉松」已鳴槍起跑，在申報報案件預期將塞車的背景下，過去被視為僵化、低效率的關稅行政流程，正迎來 AI 技術的革命性轉型。

儘管美國「退稅制度」（Duty Drawback）已存在兩百年，但過去因高度仰賴人工比對非結構化文件，流程動輒耗時一年，且傳統報關行因報酬有限、處理週期長，多不願主動承接。這使中小企業即便符合資格，也常因門檻過高而放棄。

事實上，在美國的貿易制度中，關稅並非不可逆的支出。只要符合條件，企業仍可申請退還大部分稅金，例如：進口至美國後再出口、在美國完成製造後外銷，或因退貨、銷毀而未實際在美國市場消費的貨品，皆可能符合退稅資格。這套制度已存在超過兩百年，是美國為鼓勵出口而設計的正式機制。

然而，制度雖然存在，實際使用率卻偏低。主要是因為傳統退稅流程高度仰賴人工，涉及大量非結構化文件的整理、比對與法規判斷，往往耗時數月，甚至超過一年。對中小企業而言，即使知道制度存在，也常因執行門檻過高而選擇放棄。

此外，從產業結構來看，傳統報關行多半不主動承接關稅退稅。這是因為退稅涉及高度專業的法規判讀與長時間的文件比對，即使是具備多年經驗的專家，仍需投入大量人力處理個案。更重要的是，「關稅退稅」案件對報關行來說，報酬有限、處理週期長，難以成為主要營收來源，因此往往被視為非核心業務。

正是在這樣的斷層中，AI 開始發揮關鍵作用。隨著資料擷取與文件解析技術成熟，原本高度人力密集的流程得以被 AI 重建，讓企業退關稅，第一次具備規模化的可能。

在美國，已有不少公司切入此一領域，例如，由台灣人成立的 Pax AI，便透過自動化資料擷取與自行設計的演算法，將原本需耗時數月的退稅流程縮短至數週。企業不必事前整理文件，只要提供原始資料，系統便能直接計算可退稅額。Pax 以演算法重寫退稅流程，再搭配具備多年實務經驗的專家，成立一年多便入選矽谷知名加速器 Y Combinator，並獲得 450 萬美元早期投資，累計處理的關稅退稅金額已達千萬美元等級。

相較之下，全球供應鏈平台 Flexport 則將退關稅，納入其供應鏈服務中。Flexport 透過自動化資料收集與平台分析工具，整合進出口、ERP 與其他系統資料，自動找出可申請退稅的機會，並簡化文件準備與申報流程，使原本繁複的流程更有效率。

兩者同樣導入技術，但切入點有所不同。Pax 著力於退稅流程的自動化與金額最佳化，而 Flexport 則將退稅視為供應鏈服務中的一環，強調流程整合與管理效率。美國另一家新創 Caspian，也同樣透過 AI 自動分析企業的貿易與庫存紀錄，快速辨識可申請的退稅機會並提交申請，並已獲得創投支持，顯示這類以技術重構關稅退還流程的模式，正逐漸形成新的產業趨勢。

在美國主導下，全球已全面進入新的關稅時代。關稅支出不再只是帳面上的合規成本，對企業利潤結構的影響也日益明顯。然而，隨著 AI 技術降低關稅退還的執行門檻、大幅加快效率，企業開始在新的關稅環境中看見一絲生機，得以將過去被視為沉沒成本的支出，轉化為可回流、可活用的現金流。

更令人焦慮的，是 AI 對教育體系的衝擊。百年來，教育與職場之間存在一條穩定的通道：從學校畢業、進入初階職位、在工作中學習、逐步晉升。

但 AI 的出現，正在抽離這條通道。企業寧多買幾個 AI 工具，也不願意手把手培養新人。紐約聯邦儲備銀行警告，美國應屆畢業生失業率攀升至 5.8%；史丹佛數位經濟實驗室研究則指出，22 至 25 歲年齡層的就業率明顯下滑，最受衝擊的包括軟體開發、客服與文書工作。

但我更關心另一個問題：那些被取代的人，要去哪裡？

當多數公司忙著用 AI 降本增效時，另一個潛力巨大的市場正在成形。麥肯錫預估，到 2030 年，全球將有超過 4 億人需要重新訓練或轉職。這意味著，未來有多少人被 AI 取代，就有多少人需要重返職場。我認為，這不只是危機，而可能是下一個兆元級產業。

在這波浪潮中，全球各國都開始行動：我國政府預計在 2028 年前培育 20 萬名 AI 人才，打造能直接對接產業需求的即戰力。而日本更進一步，從 2024 年度起啟動為期五年的再技能支援計畫，總投入 1 兆日圓，推動企業與上班族在 AI 應用與數位轉型領域重新學習。

在美國，也有新創投入這個領域。Inference.ai 正在打造一個以 AI 驅動、以人為中心的「就業基礎設施」，讓那些被淘汰的白領重返職場。團隊選擇從機器學習等高需求職位切入，這些崗位長期人力短缺，但入門門檻高。Inference.ai 的系統就像一座「AI 時代的駕訓班」，透過 AI 掃描全球職缺、拆解職能需求，建立技能樹與個人化訓練地圖。

依靠他們獨有的 GPU 分割技術，Inference.ai 讓上千名參與者不需負擔高昂成本，即可在真實的算力環境中實作，同時由美國一線科技公司的導師與 AI 教練共同指導。最後再透過模擬題庫與 AI 面試官，幫助學員完成技能驗證與求職準備。

目前 Inference.ai 在沒有任何宣傳的情況下，已經吸引超過千名工程師與專業人士主動加入社群，每週仍快速成長。這顯示，「讓人重新被市場需要」正成為新一代職場的核心命題。

AI 巨變來得很快，新的就業形態、教育體系與社會秩序已經在成形。對我來說，這不只是勞動市場的危機，更是一場關於「人如何與 AI 共存」的全球實驗，也是全人類必須親自參與、共同回答的問題。

本篇文章授權刊登於《經濟日報》專欄

面對這場營收斷崖式下滑，藥廠別無選擇，只能加速轉型。降低成本、縮短研發時間，甚至將更多生產外包給 CDMO （藥品研發及製造委託服務商）。而要支撐這場轉型，「Pharma 4.0」正逐漸從「選擇題」變成「必修課」。

所謂 Pharma 4.0，借鑑工業 4.0，強調以數據貫通研發、臨床、製造與品質管理，將原本分散的流程串成可即時決策的閉環。而人工智慧（AI）正是這場變革的核心動力。

麥肯錫全球研究所（MGI）估計，AI 每年可為製藥與醫療產業創造 60 億至 1,100 億美元的價值，也因此，全球製藥業每年研發投入逾千億美元，因為任何效率提升都意味著巨大的回報：羅氏（Roche）旗下 Genentech 與 NVIDIA 合作，用 AI 加快藥物開發；法國製藥巨頭賽諾菲（Sanofi）更是首家將 AI 導入研發的製藥公司，與英國 Exscientia 在腫瘤與免疫學領域合作，同時也和 OpenAI、Formation Bio 等公司結盟，加速新藥的臨床進程。

不過，真正能改變遊戲規則的，並非只會分析數據的 AI，而是能深入研發與製造流程的 AI。近年來，這樣的探索在亞洲也逐漸浮現。

例如，台灣的新創 Therapi AI 嘗試以可部署的 AI Agents 切入製藥產業，把 AI 從旁觀的顧問，變成產線上的「執行者」。這些 Agents 分工明確，能快速鎖定高潛力細胞株、或協助合規文件審查，並透過「不集中、不留存」的架構，讓研究人員只需用自然語言下指令，就能跨系統自動調用數據，降低合規與資安風險。

這類技術的潛力已開始在實務中驗證。有案例顯示，導入 AI 模型後，細胞株篩選的成本可大幅下降，研發周期也能縮短數倍。對 CDMO 而言，這不只是效率提升，更關乎能否承接更多訂單、真正踏入 Pharma 4.0。

不過，這場轉型仍面臨挑戰，例如：美國食品藥物管理局（FDA）與歐洲藥品管理局（EMA）對 AI 新藥開發的模型可解釋性仍審慎以待；而在數據安全上，臨床資料極度敏感，一旦外洩後果嚴重。在落地應用上則是另一大挑戰，實驗室數據分散、製程複雜，微小偏差就可能讓實驗前功盡棄。這些挑戰顯示，Pharma 4.0 不僅是技術革新，更是一場制度與流程的全面轉型。

Pharma 4.0 正加速成形並重塑醫藥生態。誰能率先完成 AI 與製藥的深度結合，就能掌握市場主導權；對病患來說，這則意味著新藥問世的時間將大幅縮短。換言之，Pharma 4.0 不僅是一場產業升級，更是攸關醫療可及性與公共健康的關鍵轉捩點。

「有時候對方講得非常禮貌，但我還是無法確定，那到底是真的答應，還是其實在婉拒？」他苦笑著舉例，有一次請客戶幫忙介紹窗口，對方客氣地回了句：「考えさせてください。」他當下以為對方會再聯絡，結果那封信就成了句點。

這樣的語氣，其實是日本人常見的委婉拒絕——「不是不幫，只是不方便說不」。這種溝通方式，對不熟悉日本文化的人來說，真的很容易誤解。

我聽完只覺得太有共鳴。因為語言從來不只是翻譯文字，而是關乎語氣、情境，還有彼此默契的理解。

我不禁想到，我們現在每天使用的 AI 大語言模型（LLM）。連長期生活在當地的創業者都有可能誤會對方語意，那些用「英文語境」來訓練的 AI 模型，又怎麼可能真正掌握這些文化裡的細緻用語呢？

AI 的文化偏見

這樣的疑問其實也被近期 MIT Sloan 的一項研究所證實。

研究團隊針對大型語言模型（如 OpenAI 的 ChatGPT 與百度的文心ㄧ言）進行實驗，發現模型在使用不同語言作答時，會顯現出不同的文化偏向。當用中文發問時，AI 更傾向展現出「重視群體」的思維模式；而以英文提問時，則明顯偏向「強調個體」的表達方式。

舉例來說，當要求大語言模型設計一個保險廣告標語，中文輸入時，AI會產出像「家人的未來是你的承諾」，而英文輸入時，則會出現「你的未來，你的平靜、我們的保險」。同一個問題，不同語言，反映的卻是截然不同的文化價值排序。

語言不只是工具，更是文化的載體（圖：心元資本）

更關鍵的是，研究還發現，這些文化傾向會在不知不覺中影響使用者，甚至透過 AI 編輯的媒體與教材滲透至社會。換句話說，生成式 AI  正在無聲地複製著某種文化與價值觀，就算我們沒有直接使用語言模型，也可能早已置身於它建構的文化觀與價值觀裡，而這一點，我們常常沒有察覺。

大語言模型，已成為文化的基礎設施

語言模型承載的不只是技術，而是文化。它們內建的語料與價值觀，正逐步形塑我們的語氣標準與溝通方式：每一個大語言模型的生成結果，更在默默定義：什麼樣的語氣是「合理的」、什麼樣的回應方式是「正常的」，當我們用大語言模型對話時，也接受了背後那套價值觀的邏輯。

這也是為什麼越來越多國家開始將語言模型納入「主權治理」的視野：歐盟在 2024 年通過《人工智慧法案》（AI Act），首創按應用風險分級，並要求基礎模型開發者揭露訓練資料來源，以維護對模型文化價值的可見性與控制。

新加坡則是針對東南亞地區文化，打造開源的大型語言模型Sea-Lion，透過廣泛收集東南亞語言與文化背景，Sea-Lion 將可以有符合本地需求的 AI，並在該基礎上建構新的應用程式。

沙烏地阿拉伯則透過主權基金直接切入，成立由王儲主導的 Humain 公司，建設涵蓋超級運算中心與大規模資料中心，總投資達 1,000 億美元。

這些不同策略其實都在傳遞同一訊號：語言模型不只是演算法，更牽涉文化價值、資訊治理與國家安全，必須由自己主動建構，而非仰賴他人。

長期依賴他國訓練的語言模型，不只是接受他人定義語氣與互動邏輯，更可能埋下結構性風險。隨著生成式 AI 逐步滲透到各行各業，若其語料偏向特定文化，其價值觀也將滲透社會，悄悄重塑我們的思考與表達方式。

日本的嘗試：Shisa.ai，從文化出發的語言模型

在語言理解這場全球競賽中，日本出現了一個格外突出的在地嘗試：Shisa.ai。這支僅由三人組成的團隊，在資源有限的情況下，成功訓練出一款 4,050 億參數的日文大型語言模型。根據實測結果，這款模型在指令理解、翻譯、語意推理等多項日語任務中表現亮眼，整體已能與 OpenAI GPT‑4、中國 DeepSeek‑V3 平起平坐。對一個小新創來說，這不只是技術突破，更是一場文化主體性的實踐。

Shisa.ai 的三位創辦人皆為移民，選擇在日本落腳創業。他們相信，AI 主權必須從在地語言與文化出發，打造本土模型，不只是為了保留多樣性，更關乎資料隱私、地緣政治韌性與國家的數位自主權。

執行長 Jia Shen 與技術長 Leonard Lin 是共同創辦人，其中 Shisa 模型由 Leonard 領銜開發，是他的代表作。而團隊中的 AI 研究員 Adam Lensenmayer，則有著截然不同的背景——他是日本動畫迷耳熟能詳的字幕翻譯家，曾參與《進擊的巨人》、《鋼彈》、《名偵探柯南》（劇場版）、《銀河鐵道999》、《櫻桃小丸子》、《宇宙戰艦大和號》，以及在便利商店都能買到的《宇宙兄弟》等作品。對語感與語氣的極致講究，讓他在模型的訓練中扮演關鍵角色，也讓 Shisa.ai 更貼近日語世界的深層語境與文化細節。

從一開始，Shisa.ai 就選擇在日本本地訓練模型，刻意聚焦於日語中的語氣細節、社交潛台詞等特性。創辦人 Jia Shen 指出，過去三十年的網路語料幾乎已被大語言模型掃過，接下來，AI 訓練的資料將面臨天花板，未來的突破不在於「更多資料」，而是「更貼近語境的資料」，例如，那些不會自動留在網路上的聲音與情感。像是長輩的生活對話、地方方言、Z 世代約會時的語氣變化——誰能掌握語言與文化交織的真實語料，誰就握有下一代模型的籌碼。

這樣的理念，也獲得日本政府的支持。2024 年，經濟產業省（METI）啟動 Generative AI Accelerator Challenge（GENIAC），提供資金、導師與大規模算力，協助新創發展自有基礎模型。Shisa.ai 作為入選團隊之一，成功加速模型訓練進程，也讓日本語言模型的研發實力嶄露頭角。

更難得的是，Shisa.ai 並未止步於技術開發。他們將語氣理解技術實際帶入產業，例如，協助日本餐廳應對國際觀光客、支援零售門市處理退換貨，甚至在車站設置多語 AI kiosk 協助旅客查詢方位與服務。這些應用，不是單純的技術展示，而是對跨文化溝通的務實回應。

誰的語氣，會成為 AI 的語氣？

Shisa.ai 或許只是起點，卻提醒我們：生成式 AI 正快速融入日常與各行各業，而它所承載的語氣，將深刻影響我們理解彼此、表達自己的方式。

語言不只是工具，更是文化的載體——我們怎麼說話，終將決定 AI 如何理解這個世界。

像這樣由 AI 代理人（AI Agent）「代勞」的服務，正在快速普及。不只是 Amazon，越來越多服務開始讓 AI 幫你處理日常瑣事：查機票、比價、訂餐廳、繳帳單、安排行程——它甚至知道你不吃香菜，可以自動幫你篩選合適餐廳。

AI 不再只是提供建議，而是真正開始為你「做決定和執行」。

但平台怎麼知道這不是駭客？

這樣的轉變，也讓「平台與使用者之間的信任關係」被重新定義。

對平台來說，它們需要有新的規則來判斷：這筆訂單是誰下的？這筆付款是誰授權的？這個執行動作的帳號，是人類自己點的？還是 AI 自動跑的？還是駭客入侵的？

畢竟，AI 代理人的行為，對網站來說常常像爬蟲機器人，甚至可能與惡意攻擊難以區分。根據資安公司 Oasis Security 的調查，AI agent 所創造出的非人類身份，正以極快的速度增加，遠遠超過人類帳號，也讓資安風險同步上升。

兩種「身份驗證」新挑戰來臨

當越來越多操作由 AI 執行，整個網路世界的「身份」問題也被重新定義。未來，身份驗證需求，已經不只是在驗證「你登入了沒」，而是需要經過兩階段的判斷。

第一種是：你是真人嗎？（Proof of Humanity）。

在 AI 生成帳號與假身分氾濫的時代，確認一個帳號背後是否為真人的重要性，也隨之提升。像由  OpenAI 共同創辦人 Sam Altman 投資的生物辨識新創 Tools for Humanity，即透過虹膜掃描裝置 Orb 來辨識是否為真人。

第二種是：這個 AI 有被真人授權嗎？（Agent Verification）。

當 AI 開始幫人做決定、處理任務，我們也需要確認：這個 AI 是誰派來的？它的權限是什麼？

為了解決這挑戰，一種新的身份驗證方法正在出現：讓 AI 代理人擁有一種類似「護照＋簽證」的數位憑證，讓平台能即時驗證身份與授權。

我們可以把這個想像成出國入境的流程：當你抵達一個國家，海關不需要認識你本人，只需要確認你的護照與簽證是真的、有效，就能讓你過海關。

其中一家代表新創是 Terminal 3，成立目的是將網路世界的身份驗證和資料授權變得更安全。他們設計的「Agent Auth」機制，幫 AI 代理人建立一個可驗證、可追蹤的數位身份，並附上任務授權，讓平台可以立即判斷，現在 AI 執行的任務，是否由使用者合法授權。目前，包括教育、金融、政府等高度重視隱私與授權的平台和場景，都已開始採用 Terminal 3 技術來處理身份信任問題。

回到開頭所說，在未來的網路世界中，每筆交易不一定都是由人類本人完成，更多時候，是由他的 AI 代理人代表他完成任務。

而要讓這種未來能實現的前提是，我們需要一套新的基礎設施：幫 AI 發數位身分證、任務簽證，並提供標準化的驗證機制。這也許會是未來十年裡最關鍵、但目前還被低估的創新場域。

這也讓我們需要重新思考一個問題——當 AI 已經能即時存取全球知識，甚至是產出內容、模擬人類思考流程，那麼在 AI 時代，到底什麼能力才是最重要的？

我相信，未來，真正拉開差距的，不是誰學得多，而是誰能學得深、學得靈活，並且主動去學——也就是深度學習（Deep Learning） 和自學力（Self-Learning）。

深度學習（Deep Learning）指的是，能不能把吸收到的資訊整理成自己的理解方式，並在不同情境中靈活應用，而不是停留在記憶或複製的層次。自學力（Self-Learning），講的是能不能主動探索有興趣的問題、遇到卡關能不能自己找到解法。

而透過 AI 工具，具備這兩種能力的人，能把過去需要大量時間才能完成的事做得更快、更精準。

以創業為例，很多創業者不是沒有好想法，而是常常卡在「不知道市場需不需要」的階段，以往得花大量時間做市場研究，但現在只要會問問題，AI 就能幫忙盤點競品、整理需求、模擬情境，像多了一位有經驗的產品經理，讓想法更有機會落地。

又或是，過去要做一個產品，光靠一個人很難自己學完設計、前後端、UI / UX 等技能，從 0 到 1 的過程很長。但現在有了 AI 工具輔助，自學的門檻和時間成本已被大幅降低。很多時候，不再需要先成為某個領域的專家，而是可以邊做邊學、邊做邊優化。

這幾個月備受關注幾款 AI 工具，剛好展現出這樣的趨勢。例如在開頭提到的 Replit，讓用戶只要輸入一句話（例如「我要開發一個聊天機器人」），就能自動生成程式碼並部署。這在科技圈引發一股「Vibe coding」（氛圍編碼）浪潮，也就是直接用自然語言描述目標和需求，AI 就能自動把程式寫出來。

這些工具，不只改變了我們創作的速度，也改變了學習的方式——從需要先準備好知識，變成從實作中理解，邊做邊調整；學習和創作是同步進行，而不再是先學完、再開始。

同樣的道理也可套用在創業上。創業的流程可大致拆解成：有想法（ideation）、做出產品（productization），到最後走向市場（commercialization）。以前，這三個階段都需要不同領域的專業分工，但現在 AI 工具正把這三段的距離拉近。

回到一開始提到的，AI 幫我們處理了許多過去需要時間累積的知識和技能，但也正因如此，現在最有價值的，已經不再是誰記得多、背得快，而是誰能把學到的東西消化成自己的理解，進一步定義出對的問題、提出解法，並善用工具把想法實作出來。

而深度學習力與自學力，正是在這個過程中，不可或缺的兩項關鍵能力。這不只是為了跟上 AI 時代，更是讓我們有機會在這個快速變動的世代裡，成為真正能創造價值的人。

本篇文章授權刊登於《經濟日報》專欄

Continuum Club 位於曼哈頓精華地段，比起健身房，更像是一座精密的健康實驗室。在那裡，除了傳統健身房的器材，還有一整套醫療級的精密儀器：骨密度掃描儀、具備心肺測試功能的跑步機、生物辨識系統…。有趣的是，這裡甚至捨棄了「私人教練」的稱呼，改稱這些專業人士為「人類表現專家」（human-performance specialists）。儘管每月會費高達一萬美元，但根據報導，申請入會的等候名單仍在持續增加。

不只是單純的「運動」，這間健身房賣的是一整套完整的「健康管理」，預防未來疾病發生的可能。

預防醫學的崛起

從市場數據來看，這股預防醫學的風潮正在加速成長。根據 iHealthcareAnalyst 的研究，全球預防醫療市場正以 9.7% 的年複合成長率成長，預計 2031 年將達到 4,150 億美元規模。而推動這股趨勢的，主要有三股力量：

首先是經濟層面的壓力。目前醫療體系面臨著巨大的成本壓力。以美國為例，慢性病其每年3.8兆美元醫療支出中的90%，更有七成的死亡案例來自慢性病。這迫使醫療產業思考如何從根本上改變現有的治療導向模式，開始重視預防醫學。

其次是消費者意識的轉變。現代人不再滿足於生病才就醫的被動模式，而是追求主動的健康管理，帶動定期健康檢查、預防篩檢、基因檢測等預防性醫療服務的需求增加。同時，個人化醫療的概念也日漸普及，人們希望根據自己的健康狀況、生活方式和風險因素，獲得量身打造的健康建議。

第三是科技的突破。技術創新也正加速預防醫學進展，包含：AI驅動的診斷系統能夠更早發現潛在健康風險、穿戴式健康裝置可做到24/7的健康監測、個人化醫學技術能根據個人基因和生活方式提供精準的預防建議。

麥肯錫在 2024 年發布的健康趨勢報告也反應出同樣現象。報告指出，生物監測、 AI 個人化建議、有科學支持的健康服務，正在成為產業主流。

用數據科技重塑慢性病照護 —— Health2Sync

在談到預防醫學的實踐時，台灣新創公司智抗糖（Health2Sync）特別值得關注。

Health2Sync不只是一個手機應用程式，而是一個健康管理平台。想像一下：你的血糖機、血壓計、體重機、連續血糖監測器（CGM）等，全都能即時將數據上傳、整合成易懂的圖表，讓用戶一次掌握自己的健康狀況，甚至還能發現飲食和生活習慣對健康帶來的影響，並依此提供建議。

經過近十年的努力，Health2Sync已發展成亞洲最大的慢性病管理平台，擁有超過130萬註冊用戶，並與台灣、日本、澳洲、韓國、新加坡等地的400多家醫療院所合作。

不難想像，隨著穿戴式裝置的普及，健康數據的應用場景將更加廣泛。營養、健身、睡眠等領域的服務提供商，都能提供更個人化的建議。例如，透過監測壓力荷爾蒙的波動，為用戶推薦適合的健康產品或正念練習。

在新科技的加持下，預防醫學這個概念終於開始加速實踐。我們看到新創公司正用不同的方式重新定義健康管理，相信這將是健康產業的下一個藍海！

繼打造電動車與火箭之後，特斯拉執行長馬斯克把目標投向遊戲產業，宣布旗下 AI公司 xAI 將成立遊戲工作室——這是xAI首個對外落地的產業應用。同時，全球首款完全由AI打造的遊戲《Oasis》也正式亮相。

這波AI與遊戲結合的熱潮，不只在玩家社群間引起討論，也迅速延燒至投資圈。數據顯示，專注於遊戲產業的創投資金，2024 年投入在 AI 相關技術的比例正逐季上升，從第一季的 7% 一路成長到第三季的 22%。

這波熱潮並非偶然。AI 的核心魅力之一，是大幅提升遊戲開發效率，降低成本與門檻，為遊戲產業帶來更多創意、多樣性跟品質。

過去，在遊戲開發領域，高昂的成本和冗長的開發週期一直是許多團隊的痛點。然而，AI 工具正在徹底改變這一現狀。

以成立於 2022 年的 AI 遊戲新創 Cybever 為例，這家新創不是選擇最常見的「生成」解決方案，而是聚焦 3D 場景設計的自動化，能無縫與既有主流 3D 場景開發軟體整合（如 Unreal Engine 和 Unity），加速開發流程與產品落地。

想像一下，你是一名遊戲開發者，準備打造一個荒涼的末日世界場景。在傳統的 3D 設計過程中，你可能需要花好幾週的時間手動繪製河流、山丘、建築物等 3D 模型，或是從 3D 資產庫購買現成的元件，然後再花費大量時間將這些資產放到 3D 地圖中，進行調整與布局。而使用 Cybever 的產品，只需輸入幾個簡單的提示詞，例如「荒廢的村莊」、「天氣多雲」、「周圍有河流」等，Cybever 就會自動幫你從資產庫中找到適合的資產，並自動擺放至地圖裡，不到幾分鐘，一個栩栩如生的 3D 世界就完成。不僅如此，還可以即時調整地形起伏、河流走向，甚至控制天氣變化。

對開發者來說，這套 AI 工具將過去需要一到兩週時間才能完成的場景設計工作，濃縮至一天內即可完成。目前，已有數家遊戲工作室使用 Cybever 的產品輔助開發遊戲。

Cybever 這套將場景設計自動化的工具，也蘊含許多 AI 技術。例如，在擺放資產時，這套 AI 工具能考量歷史文化與邏輯需求，例如中世紀村莊的農田比例、現代都市的街道應該多寬等。同時，AI 還能避免常見的瑕疵，以確保場景夠真實。

Cybever 的技術不只受到遊戲開發者青睞，還延伸到電影娛樂產業。最近，Cybever 和《明天過後》的導演羅蘭·艾默瑞奇合作，他的新科幻影集《SpaceNation》就靠 AI 生成飛船、背景，還有其他視覺特效。

而這些技術的影響也早已超越遊戲。例如，未來，特斯拉也能將xAI的遊戲技術，應用於自動駕駛模擬測試，用虛擬場景模擬真實交通狀況，優化演算法。更早之前，英特爾就曾利用賽車遊戲《GTA5》的遊戲引擎進行自動駕駛的研究。像這樣的「數位孿生」技術，已廣泛應用於都市規劃、醫療訓練、航空等領域。可以想見，隨著 AI 生成能力的不斷提升，遊戲場景越擬真，其延伸應用也越來越多元。

遊戲，從來不僅僅是娛樂，更是一種探索現實世界的獨特方式，而隨著 AI 的融入，虛擬與現實的界線變得更加模糊，也讓這場探索的範圍變得更大、走得更深。相信在 AI 技術更成熟的未來，我們將見證更多跨領域的創新與突破。

本篇文章授權刊登於《數位時代》專欄

目前，AI已在多個專業領域中展現了超越人類的能力，如通過複雜測驗、破解數學難題，甚至能取代部分白領工作者的工作。然而，對四歲小孩來說再簡單不過的動作，例如拿筆或小心捧起雞蛋，對機器人卻是一大難題。

現在，機器人領域的新研究方向——Embodied AI（擁有「身體」的AI），有機會解開這項難題。

傳統的機器人訓練，是根據事前設定好的規則和指令，來完成任務，因此雖然可以快速完成重複性動作，但較難適應陌生任務和環境變化。例如，一個傳統的機器人只會按照程式移動到指定位置，若遇到障礙或新任務，便可能無法自我調整。

相較下，Embodied AI則強調「學習」能力，像人類小孩一樣，透過環境中的感知逐步修正行為。例如，一個學習中的機器人若想從桌子上拿起杯子，會先利用鏡頭辨識杯子位置，若第一次拿取失敗，則會根據觸覺感測器調整力量與角度，直到成功拿到杯子。

這種能夠「邊做邊學」的方式，讓Embodied AI比傳統機器人更靈活，能迅速適應環境變化，未來有機會應對許多複雜且多變的場景，並具備自主學習新任務的潛力，這對實現更「聰明」的通用型機器人是一大進展。

儘管如此，讓機器人具備類似人類的「推理」和「適應」的能力，仍需大量的訓練數據。以ChatGPT為例，它能達到一定的推理效果，是仰賴從網路上取得的大量語言數據；而目前機器人的互動訓練數據相對稀缺，也導致開發速度較緩慢。

據估計，ChatGPT用於訓練模型的文字量約4000億個字元；圖像生成模型Midjourney也使用約60億組圖文訓練資料，但目前由Deepmind推出的機器人開源資料庫，資料量僅約240萬，遠不足以訓練出夠聰明的通用機器人。

為了應對這一挑戰，部分新創公司開始尋求新的解決方案。Hillbot是其中一個例子，它利用3D模擬技術生成虛擬環境場景，並讓機器人能在虛擬環境中「學習」各種複雜情境。

例如，若要訓練機器人如何排列不同形狀的椅子，Hillbot團隊只需輸入簡單的文字指令，就能生成上萬種不同造型的椅子，幫助機器人學會應對多種情況。如果需要讓機器人熟悉某個特定場地，例如咖啡廳或倉庫，Hillbot也可以拍攝該場地照片，再轉換成3D虛擬模型，讓機器人進行操作練習。

機器人的「ChatGPT時刻」或許還不會瞬間到來，但隨著技術逐漸成熟，我們將會看到它們從工業、服務業逐步滲透到家庭生活中，在未來某天，機器人將成為我們日常環境中最常見的夥伴。

本文授權刊登於《經濟日報》專欄

成立於 2017 年，Hims 是一家 DTC（Direct to Customer）醫藥電商，提供 24 小時線上醫師諮詢及藥物配送服務。以男性生髮水和性功能障礙藥品起家，如今已拓展至心血管保健、心理健康和體重管理領域。2021 年，Hims在紐約證交所上市，距創立不到五年。

今年，禮來與諾和諾德推出的減肥針因需求過高而供不應求。Hims 抓住機會，於五月推出價格僅為大廠品牌 15%~20% 的調製藥品（compounding）GLP-1，迅速掀起搶購潮。根據美國法規，為解決短缺，廠商可在特定條件下製造調製藥品以補充市場。

回到一開始的問題：Hims 如何在競爭激烈的市場中站穩腳步，並反過來挑戰傳統藥廠？其成功可歸因於在不同階段靈活運用三種策略：先發優勢、品牌化和反向定位。

一、先發優勢：搶占先機，迅速進入市場

新創企業資源有限，必須在早期迅速達成產品市場媒合度（Product-Market Fit）並取得首批顧客。Hims 剛成立時，正值美國電子醫療法規放寬，允許醫師在線上問診並開立部分處方。同時，數款性功能障礙和落髮藥品的專利也即將到期，讓其他業者能以更低成本推出替代品。

Hims 把握這些時機，快速切入傳統醫療尚未重視的領域。像性功能障礙和落髮這類敏感問題，特別適合透過遠距醫療提供服務，避免面對面問診的尷尬，滿足消費者對隱私的需求。這些策略使 Hims 吸引大量年輕客群，迅速建立穩固的市場基礎。

二、品牌化：鞏固市場地位，建立品牌影響力

成功進入市場後，Hims 進一步鞏固品牌地位。從官網設計到產品包裝，Hims 採用粉色調、簡約且現代的風格，讓冷冰冰的醫藥產品變得更親民也更有吸引力。同時，Hims 在廣告上，也將敏感產品透過幽默和優雅的品牌語調呈現（例如，用軟掉的仙人掌比喻性功能障礙），成功將過去令人尷尬的醫療產品轉化為消費者更易接受的日常保健品。

三、反向定位：顛覆傳統，重新定義市場規則

在擴張期，Hims 採用反向定位策略，重新定義市場規則。

「反向定位」指的是，新進入市場的公司提供與現有企業根本不同且更棒的商業模式，這讓現有企業陷入進退兩難的情況——不模仿可能會失去客戶且落後市場，但一旦模仿則可能損害其現有業務。

傳統的體重管理服務，往往涉及繁瑣的面對面諮詢、高昂的處方費用和複雜的保險流程。Hims 的 D2C 模式透過網路提供諮詢和產品，直接挑戰面對面看診和保險計費的傳統醫療服務商，也對傳統業者構成強大壓力。例如，禮來為應對競爭，也推出平價小瓶裝減肥藥。然而，多數傳統業者為保護既有模式，仍對新模式採取保守態度，進一步為新創企業創造機會。

在市場站穩後，今年 9 月，Hims 收購調製藥局 Nivagen Pharmaceuticals，將部分產品生產納入內部，持續透過不同佈局加深自己的護城河。畢竟，要能真正贏得市場的，永遠是那些不斷突破現狀的創業者。

本篇文章授權刊登於《數位時代》專欄