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。

這對創業者來說是一個殘酷的警告。當取得一個夠強的模型愈來愈容易，你的優勢還剩下什麼？以前，一個好點子可以讓你領先市場半年；現在可能不到一個月，滿大街都是功能差不多的競爭對手。

這種現象在新創圈中顯露無遺。當所有人都在使用同一套模型，創業的點子已不再值錢，因為對手只需幾週就能複製你的成果，起跑線已經被徹底推平。

這時候，競爭的關鍵反而回歸到最根本的東西：「人」。

身為投資人我觀察到一件事：這些東西競爭對手都買得到，但他們唯獨買不到創辦人的判斷力、人脈網絡，以及長年累積的信任感。

AI 雖然極大化了生產力，卻也篩選出人與人之間的差異。這種差異首先體現在「判斷力」。這裡我說的不是點子，而是洞察：AI 可以高效完成任務，但它無法告訴你哪個題目才真正有商業價值。這種辨識痛點的直覺，就成了最核心的優勢。

同樣重要的是「信任」與「通路」。在產品高度同質化的市場中，客戶最終選擇你，很少是因為你的模型多厲害，更多是因為你們之間那份無法被數位化的長期連結；而當AI讓產出變得唾手可得，「能否把產出送到對的人手上」的重要性反而達到前所未有的高點。

第三是執行的速度。在AI還沒普及的年代，執行慢的團隊可能還有時間的優勢；但當對手能快速複製你的產品時，你能不能在被追上之前跑到下一個制高點，將決定你的輸贏。這種快速應變的能力，現在已經是最基本的門票。

AI 放大平庸，也放大卓越。如果你的優勢還只有「我有一個好點子」，這個時代會非常殘忍；但如果你的優勢是信任、判斷力與執行力，AI 將會是史上最適合你的武器。

本篇文章授權刊登於《今周刊》專欄

在密西根州立大學的宿舍裡，David 和兩位同學  Achyut Byanjankar 與 Soami Kapadia 決定自己動手。每到週末，他們把自己鎖在房間，對著白板和筆電想各種解決方法，還給這段沒日沒夜的時光取了個熱血的名字：「宿舍黑客松」（Dormathons）。

誰也沒想到，這場宿舍裡的實驗，會在短短一年內，在預算幾乎為零的情況下，滾出 150 萬名用戶。甚至連遠在埃及、敘利亞、印度的學生都發現了這個工具。到了 2025 年，他們正式拿到矽谷頂級加速器 Y Combinator 的門票，這三個大學生，真的把「不耐煩」玩成了一門生意。

「我們不想再浪費時間看教學影片！」

聊起創業初衷，David 坦言，大一相識時，他們只是單純想幫自己解決麻煩。「一開始，我們只是不想再看那些教學影片，所以隨手做了一個能幫我們快速理解內容的小工具。」，「但後來我們就想：既然我們覺得痛苦，會不會其他人也一樣？」

於是，在沒有任何精美商業計畫書的情況下，他們抱著「試試看」的心態，把產品原型丟上社群媒體 X，結果不到幾天，後台竟然湧入上萬名用戶。這讓他們第一次意識到：原來全世界的學生都在等一個能拯救學習效率的工具。

把學習素材變成「互動式」家教

YouLearn 到底在做什麼？簡單來說，它把原本「死板、密集」的學習材料，轉化成更生動的形式，讓人能夠更快理解與吸收。

過去我們讀講義或看錄影，總是要自己痛苦地抓重點。現在，學生只要把 PDF、課堂錄音或 YouTube 連結丟進 YouLearn，平台就會將這些素材，變成一位 AI 導師。使用者可以隨時提問，或根據剛剛學過的內容生成測驗題和記憶卡（flashcards），檢查自己是否真的理解了。

「我們發現，學生其實很渴望理解，而不是單純要解答，」David 進一步說明，「所以我們的產品設計的核心是讓人真正『學會』。我們不會一開始就丟出答案，而是讓使用者變得更有參與感。」

Youlearn 如何靠「去摩擦化」留住 200 萬用戶？

回顧最初的產品版本，David 坦言，很多東西一開始其實都行不通。連最基本的「上傳文件」都不順暢。團隊幾經嘗試後意識到，應該回到更根本的問題：使用者真正想要的是什麼？

答案很簡單：他們想馬上開始學習。

「我們發現，學生並不想花時間研究工具，所以我們就專注在降低產品使用上的摩擦。」，David 舉例，「像是上傳資料應該簡化在 2 個步驟內完成、上傳後的內容要即時處理，讓用戶一進到平台就能直接與 AI tutor 互動。」

另外，Youlearn 的團隊也發現，多數的學習工具都是碎片化的，學生在不同的分頁之間切換，大幅降低了效率。於是，他們將單字卡、筆記、對話與測驗集中在同一個空間，「我們的目標很簡單，」David 說，「把所有的摩擦力降到最低，讓學習變得極度容易。」

第二個關鍵學習，是簡化願景。

早期團隊對產品方向有過許多天馬行空的想法，也嘗試過多種可能性，但成長卻一直受限。真正的轉折點，是他們決定停止追逐多個方向，只專心在一件事：觀察學生怎麼使用產品。

在產品剛爆量成長時，David 坦言，「當時我們只看得到流量，卻不知道使用者具體在做什麼」，於是團隊開始建立追蹤指標與分析機制，回看使用行為，讓每一次產品迭代都有數據作為依據。

從數據中，他們看到一些關鍵行為：學生會反覆追問同一個概念，花好幾個小時完成測驗，甚至持續收聽 Youlearn 生成的 podcast。這些訊號讓團隊更確信，學生要的不是直接給他們答案，而是真正的學習。

但是，光有這些洞察還不夠，如果樣本太小，這些假設也沒辦法被驗證。於是團隊開始有意識地擴大知名度，他們知道，大學生更相信創作者，於是他們繞過傳統廣告，直接在 Instagram 與 TikTok 上跟小網紅合作。

(圖片來源：YouLearn Instagram)

「我們自己就是學生，很清楚大家在哪些社群停留，也知道什麼內容會讓人想看下去。」David 說，學生追求的是「立即價值」，比如「如何一小時學會這門課」、「如何更快記住某某內容」，因此與其大談品牌願景，他們選擇直接示範產品如何提升學習效率。這種基於對同齡人習慣的深刻理解，才讓 YouLearn 的增長策略真正落地。

爆紅了，然後呢？

第一波成長來得很快，該學年結束時，Youlearn每月活躍學生數已達約 20 萬人，更特別的是，這些用戶遍佈全球，包括埃及、敘利亞、印度等地的學生都主動在社群上分享。

但對團隊而言，真正的挑戰不在流量，而是留存率。

David 觀察到，現在的大學生習慣嘗試各種 AI 工具，但退出率也很高。於是，團隊開始更細緻地研究使用者行為，例如是否完成整段學習流程、是否回到平台進行第二次練習、哪些地方會卡住？哪些地方又讓學生繼續使用？「留存率」成為產品迭代的核心指標。

從數據中，他們發現，不同學科的學習需求截然不同。David 舉例，醫學院學生需要大量記憶，因此，系統就會強化單字卡與重複練習機制；法律系面對的是密集的文本與判例，平台則著重於拆解論證、釐清前提與結論間的關係；至於數學相關領域，則會加入計算題的推導，協助學生驗證公式與模型。YouLearn 的初衷很單純：降低整理資訊的成本，讓學生把時間用在「思考」本身。

針對不同科系的學生的學習方法改善後，Youlearn 的留存曲線也開始穩定上升，逐漸地，不少用戶開始從免費版升級為付費版，以獲得更完整的學習體驗。

有了良好的產品基礎，外部的驗證也隨之而來。2025 年，YouLearn 成功被選入 Y Combinator，並完成種子輪募資，正式踏上更大的舞台。

這個時代，每個人都能有一位專屬自己的 AI 導師！

Youlearn 的誕生，其實也來自David 個人的學習經驗。回顧大學階段，他認為對自己幫助最大的，是學會「如何學習」。

「我以前研究過一些更有效率的學習方法，例如刻意拉開複習間隔、強迫自己主動回想，而不是重複閱讀筆記。」，David 發現，當學習方式改變，吸收知識的速度也大幅提升。「關鍵在於理解，而不是死記，若還能加上實際運用知識，你會記得更久」，在高中時，他為了打造自己正在創立的電商品牌，翹掉了數百小時的課程，同時也不斷磨練自己的學習方式，好讓自己能更快完成課業，而不是被動地坐在課堂上聽講。

這樣的經驗，深刻影響了 YouLearn 的產品方向，他相信未來的教育會更少強調背誦，更多著重批判性思考與理解力。

面對 AI 正在重塑教育的浪潮，David 對 YouLearn 的想像其實很簡單，也很大膽：讓學習像人們想像中的「捷徑」一樣有趣，但不因此犧牲真正的理解與記憶。

他的目標很清楚：讓每個人都能擁有一位 AI 導師。他說：「YouLearn 的目標不是讓學習變得毫不費力，而是讓它更個人化，保持在剛好有點挑戰的程度，同時又真正有趣。這樣我們才能更聰明、更有效率地學習，也真的把知識學會。」

過去，選擇一條大家認為「穩定」的路，往往可以讓人安穩一輩子。然而現在科技變化太快了，那些安全的選擇很可能在幾年內就被推翻。

我覺得，與其找出「最有前途」的那條路，或許值得思考的是：有沒有一件事情，能讓你投入到忘記時間、還甘之如飴？

前陣子，一位朋友跟我分享：一位國中生相當著迷於 Roblox 和 Discord，起初他跟多數孩子一樣，只是一個愛玩遊戲的青少年，但慢慢地，他開始找資料、看教學影片、加入不同社群，和世界各地的玩家交流。

後來，他不再滿足於只當玩家，他自學程式、開發工具，替社群解決實際問題，讓溝通更有效率；最近他甚至迷上日文，主動要求老師增加難度，只為了和更多不同國家的人順暢交流。

從玩家、自學者到創作者，再到跨文化的溝通者，整個過程裡，沒有人強迫他學習（也慶幸沒有人幫他貼上「打電動沒前途」的標籤），一切只因為他真的著迷，所以投入時間並主動探索，當他談起自己正在做的事時，眼睛會不自覺地發亮，那種專注與興奮，是任何考試成績都無法取代的。

其實真正推動人成長的，正是這種「眼中有光」的狀態。當一個人找到讓自己著迷的事物，自然會延伸出學習力、溝通力、技術力，甚至跨文化的理解。這些能力一開始還沒有清楚的職業名稱，但它們正在悄悄累積，成為未來的底氣。

無論此刻你在人生哪個階段，都可以問自己：你願意為了什麼事而日復一日的沉浸其中？什麼事會讓你的眼神重新發光？給自己一些探索的空間、允許自己去走一些看起來「沒那麼直線」的路吧！願大家都能找到那個眼中有光的自己。

本篇文章授權刊登於《今周刊》專欄

這番話，恐怕動搖了許多人深信的觀念：只要沿著成功模板前進，人生就會走上正確的路。然而科技更迭太快，那些曾被視為安全的專業技能，壽命正在急速縮短。 

Elon Musk 點出了連醫學這種高度專業都可能被科技推翻，但他沒講的是：我們該如何應對？

我想起自己人生中幾次大膽的選擇。我一路從網球國手、名校，再跨到創業與投資，身上貼滿了社會定義的成功標籤，看似順風順水，但只有我自己知道，這其中是經歷了多少次劇烈的身份轉換與心態調適。

在我看來，不管你身在什麼領域，最重要的是要有隨時重新調整的能力與膽識，這遠比你有什麼頭銜更加重要。

網球、創業與投資，這些領域天差地遠， 但每一次跨界，對我來說都是自我框架的粉碎與重建，而我性格中的冒險基因與好奇心，驅使著我走進一個又一個充滿未知的領域，讓視野與歷練更加寬闊。

若當時的我選擇留在熟悉的球場，現在應該已是一名專業教練，那會是一份令人尊敬且安穩的工作；若當時的我，沒有打破既有思考、沒有在碰到陌生領域時調整轉向，我今天就不可能在瞬息萬變的商場生存，更遑論進入需要宏觀判斷的投資領域。

這也是我後來的觀察：極致的「反應速度」與「適應力」是成功的人都擁有的共通強項。環境風向變了，他們不會在原地懊惱，而是承認原本的假設失敗，果斷尋找下個突破點。他們大膽嘗試、不怕跌倒、修正速度也比別人快，因為就算跌倒了，一路上的收穫也足以讓他們航向更遠的地方。

Elon Musk 的發言確實讓人深思；但無論如何，這種隨時打破既有框架的應變力，才將是帶我們穿過暴風雨的指南針。

本篇文章授權刊登於《今周刊》專欄

4 月 2 日，美國總統川普（Donald Trump）宣布啟動大規模「對等關稅」，消息一出，企業的價格、庫存、採購節奏與市場擴張計畫全面被打亂，美中也迅速進入報復與反報復的循環，跨境供應鏈像被突然扭曲的鋼索般緊繃，整個世界陷入空前的不確定性。

半年過去，各國仍在談判桌上拉鋸，企業則在現金流壓力下努力調整生存策略。在這樣的局勢下，任何能降低成本、提升現金彈性的制度，都變得前所未有地重要。

也正是在這個時候，一項其實已經超過 200 年、卻長期被忽略的機制，再次被拿出來討論：「關稅退還」（Duty Drawback）。

「很多企業甚至不知道自己繳的關稅可以退回來。」專用 AI 幫企業退稅的新創 Pax 創辦人陳品衣（Penny Chen）說，她在與客戶訪談的過程中，反覆看見同一個現象：企業每年上繳百億美元的關稅給政府，真正被退回的只有約 20%。剩下的 80%、將近 150 億美元的金額就這樣躺在那裡無人申請，「It’s free money left on the table!」，她語帶無奈地補充。

這個巨大的斷層，意外成了 Pax 的切入點。Pax 以 AI 為核心，用演算法幫助企業找出比傳統服務商多 15% 的可退的關稅金額，並把原本動輒半年以上的流程壓縮到十多個工作天。企業第一次看見，原來只要善用 AI 工具，關稅退稅將不再是枷鎖，反而可以成為改善現金流的即時力量。

企業其實可以不用關稅「萬萬稅」！誰適合退稅？

「關稅退稅」是一項由美國海關與邊境保護局（CBP）實施、用於退還企業已繳交的進口關稅，不是一般民眾熟悉的所得稅退稅。企業只要因進口美國的商品曾繳過關稅，後續又符合再出口、加工後再出口，或在美國境內就地銷毀等條件，便能依法取回部分或全部已繳的稅金。

最典型的案例來自製造業：企業從海外進口原料，在美國完成加工後再出口成品，先前繳付的關稅便能依法退還。

另一個典型案例來自零售商與經銷商：企業自海外進口商品，若該商品在美國並未銷售或使用便再次出口，先前繳付的關稅同樣可以依法申請退還。

近年快速成長的跨境電商與大型零售商，也同樣高度符合退稅資格。貨品在美國境內移往海外倉庫視為出口，若消費者退貨後在美國就地銷毀，也都在規範之內。

換句話說，許多日常的物流動作，像是移倉、退貨、銷毀等，表面上看起來與營收無直接關聯，但實際上都蘊藏著可觀的退稅金額。只要能清楚地梳理商品的流向，企業就能把原本就屬於自己的錢拿回來。

流程複雜、工具老舊，為什麼傳統退關稅如此困難？

不過，儘管制度不難理解，但真正困住企業的，是落地執行的高複雜度。陳品衣說，除了不同商品、不同進出口情境都有各自的計算方式以外，更令人頭痛的是，關稅退還所需要的資料，通常散落在 PDF、Excel、ERP 之間，企業得從一堆格式不一、怪形怪狀的發票、報關單、物流紀錄裡，把資料整理成政府單位需要的樣式，極度耗時。

由於流程複雜，很多公司選擇交給專門的服務商，但問題並沒有因此變得簡單。傳統服務商用的仍是20多年的舊式軟體，流程大量仰賴人工，一個案件得手動輸入、逐筆比對，第一次申請的企業從送件到實際拿到退稅，甚至要等整整一年。也因為這個流程笨重緩慢，許多服務商只願意接一年退稅金額 10 萬美元以上的大客戶。這代表中小企業即使符合資格可以拿回關稅，卻常連願意受理他們的人都找不到。

「這是一個有趣的數學問題！」，Pax 如何用演算法幫企業多退 20%？

陳品衣最早接觸關稅退稅，是在 Flexport 擔任研究員的時期。當時她很快發現，這個流程牽涉大量資料清洗與規則比對，透過與業界專家交流，她試圖理解市場真正的痛點，「我發現大家的困境幾乎一模一樣：明明有資格拿回已經繳的關稅，卻因為不了解制度、沒有工具、也找不到願意服務的廠商，最後只好作罷。」

陳品衣是麻省理工學院（MIT）博士，專門研究演算法設計，「從我的角度來看，關稅退還其實是個很有趣的數學問題，只是以前沒有人用演算法的方式去解決它！」

Pax 在做的事，用一句話說，就是企業關稅版的 TurboTax。TurboTax 是美國最普及的報稅軟體，把繁瑣的規則拆解成標準化的流程，讓納稅人一鍵報稅；Pax 想做的，是在企業關稅退還的領域重現同樣的體驗，讓企業不用懂法規、不用整理資料、不用曠日費時，就能把該退的關稅拿回來。

不過，要做到這一點，最困難的第一步，是解決「資料混亂」這個最根本的痛點。

目前，市場上處理關稅退還的服務商花最多時間的地方，是資料前置作業。為了能進入後面的流程，企業往往得先提供所有文件，且需要整理成統一格式，光是這一段，就是大量的人力與時間成本，也是絕大多數企業在第一次接觸關稅退稅時最感到挫折的原因。

Pax 的做法，是將「手動整理」這一段拿掉，企業不需要先整理任何文件，只要將原始資料交給 Pax，他們的系統就會自動讀取、提取關稅退還所需的資訊，並把非結構化的數據變成能計算的結構化資料，省去大量時間。

第二步是演算法。陳品衣與團隊自己設計演算法，系統會挑出哪一個排列組合能退還的關稅最多。許多企業把案件丟給 Pax 計算後，還能額外退回比過去人力檢視多 15%～20% 的金額。

最後一步，是把資料真正送出去。Pax 在演算法算出可退金額後，由自家的稅務專家確認後直接向政府送件。因為 Pax 已取得美國核可的送件資格，整個流程不需要傳統的往返，在這樣的模式下，企業過去要等上半年～一年的流程，如今往往只需要 10-15 個工作天，效率大幅提升。

一個冷門但被忽略的大市場，正在被 AI 重新打開

關稅退稅長期被視為貿易制度中的邊陲，但實際上，它是一套存在超過 200 年的制度，牽動著進口、加工、出口等整條跨境供應鏈。只要企業有進出口行為，就可能涉及退稅資格，因此涵蓋的產業遠比一般想像得廣。

也正因如此，這是一個成熟卻分散的市場：雖然美國有十多家服務商深耕多年，流程仍高度仰賴人工、導致大量原本就有資格的退稅金額長期躺著不動，像是被遺忘的「沉睡的現金」一樣，等待被重新喚醒。

Pax 將這個問題透過演算法重寫，再搭配經驗豐富領域專家，成立一年多，即入選矽谷知名加速器 Y Combinator、獲得 450 萬美元早期投資，處理的關稅退稅金額規模也達到千萬美元等級。而在今年川普關稅宣布後，企業的需求瞬間爆量，Pax 的營收也隨之跳增三倍。

對一個不到 10 人的早期團隊而言，這樣的成績單除了來自產品實力以外，也來自政策風口的加持，更清楚證明：「關稅退還」是一個巨大且被嚴重低估的市場，而 Pax 正站在這個缺口最前線。

展望未來，陳品衣認為，回顧歷史，美國其實已多次調整相關法規，這項從美國建國就存在的制度，200 年間不斷被修補、調整，也因此越來越複雜。「我認為關稅只會增，不會減」，陳品衣說。在供應鏈重組與地緣政治拉扯下，企業肩上的關稅負擔難以回到過去，而關稅退還的需求只會愈來愈強。

「關稅退稅」是一項在變動世界裡，應該比以往更需要被重新理解、重新運用的制度，陳品衣期望透過 AI 與自動化，幫助大大小小的企業，把原本的成本壓力，轉化成現金流的韌性，在新的局勢下掌握更多主導權。

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

這幾年，我有不少機會和不同世代的人聊天。我明顯感受到，他們對未來的迷惘比以前來得更早也更強烈。很多人上了很多課、能考的證照都去考了，卻還是會問：我到底該做什麼，才叫做「準備好」？

這些對話，讓我回頭思考我們熟悉的學習路徑。過去，多數人都是先選科系，花好幾年累積知識與技能，等進入職場遇到問題時，再從學過的內容中找出能用的部分來應對。

這種模式之所以一直運作得很好，是因為產業變化相對緩慢、知識取得的成本也高，如果不先準備好所需的技能，很多事情根本無法開始。

然而，這個前提正在被 AI 改寫。現在要學會一項技能，不再一定要投入多年時間，只要先知道自己想做什麼，相關的知識與工具可以後續再透過 AI 補齊。換句話說，知識正在通膨，單純累積技能，已不足以構成長期優勢。

在這樣的背景下，我越來越覺得，「先準備好再出發」的模式恐怕不再適用，甚至可能效率不彰。當我們正在從「先學再用」，走向「要用再學」，關鍵可能不在於你累積了多少技能，而是在於你清不清楚現在想解決的是什麼問題。

這樣的學習順序看似顛倒，卻可能更有方向。當然，我並不是說基礎知識不再重要，而是你該把他當成「辨識好問題」的導航地圖，而不是唯一武器。

能先找出問題的人，他的學習效率將可能呈現指數成長；反之，即使擁有再多知識，若無法看清要解決的問題，那他的學習恐怕會變得分散且混亂。

在迎接 2026 年、設定新的學習目標之前，我們可以先換一個問題問自己：接下來這一年，什麼問題值得解決？當方向走在前面，學習自然會跟上。或許，這樣準備未來的方式，反而會讓新的一年更令人期待。

本篇文章授權刊登於《今周刊》專欄

原因其實很簡單，AI 已經具備過去被視為專業人士才擁有的技能，如果你把所有青春投注在鑽研某個專業領域，等到你真正站穩腳步，AI 很可能已經把這些技能做到更快、更便宜，也更通用。

這並不是說「專業不重要」；而是專業不再是最大的競爭力。真正能讓你在未來脫穎而出的，是面對變動時的彈性，是跨領域學習的新能力。未來十年、二十年，我們過去認為穩固的行業都可能重新洗牌，這種變動不會因為某個專業很扎實就停下來。

我常跟正在唸書的朋友說：「不要只學知識，要學會『怎麼學』。」這句話聽起來抽象，但在 AI 時代，它反而變成最務實的能力。AI 能產生大量答案，但不能替你定義問題；它能提出很多路線，但無法替你決定你要走哪一條路。

也正因此，「通才」的價值才更凸顯。當你的視野更廣、涉獵更多，你就更容易跨界思考，把不同領域的知識拼成新的解法。AI 準備好了所有的知識，但你要有能力去看見、去連結，甚至去質疑。

回頭看我自己的人生，一路走來也是這樣。我並不是按著一條清楚的「專業路線」走到今天。相反的，我嘗試過不同的角色，包括運動員、創業者、投資人，甚至現在在教育領域耕耘。這些經驗看似不相干，但正因為我不被單一身份綁住，才能在每一次轉折時找到新的方向。

所以，如果你現在還在學校，請不要急著把自己定義成「金融人」「工程師」或「法律人」，你該去培養快速掌握新領域的能力，把知識靈活運用在更多場景中。

如果我能給正要踏入未來的你一句話，那會是：不要把自己鎖在某個專業裡，而要訓練自己成為能跨越任何邊界的人。Be a generalist, not a specialist.

本篇文章授權刊登於《今周刊》專欄

來自台灣的 TherapiAI，由一群 AI 專家與醫學專家共同創立，他們打造的 AI 平台，幫助生技廠、藥廠、CDMO（委託開發暨製造服務）節省原料、加速產線，讓製藥生產以十倍速運轉，不再被傳統繁瑣的流程拖慢。

生技製藥產業（biopharma）長年累積的結構性瓶頸很明顯：實驗數據分散、研發製程緩慢、專業人力斷層、法規文件往返繁複耗時。TherapiAI 想要解決的，就是這 4 大卡點。他們做的是一套瞄準 CDMO、CMC （化學製造與管制）的 AI 基礎建設，讓研發效率、製程參數、文件與合規流程上全面加速。

就像智慧型手機需要一套作業系統才能讓 App 彼此協作，TherapiAI 就像藥廠的「AI 作業平台」：把分散的數據串起來，把繁雜的流程自動化，把專家腦中的知識化成可重複使用的 AI agents。那些過去仰賴特定博士經驗才能往前推的工作，如今都能被加速、放大。

從法院跨入藥廠，奠定跨界的底層能力

Therapi AI 前身為網資科技（Akousist），由韓駿逸（Michael Han）在 2018 年成立。有趣的是，他們最初做的跟生技製藥產業毫無關聯，「我們之前負責的是全台 36 個法院的電子卷證人工智慧自動化」，韓駿逸解釋，以 AI 協助法院專業人員將大量例行的文件進行自動化，這是他們當時盡力突破的難題。

這段看似無關的經驗，意外成了 Therapi AI 打入生技製藥產業的關鍵能力。因為藥廠面對流程的挑戰，其實和法院非常相似：資料分散在 ERP、機台與實驗室系統；不同部門能看到的內容天差地遠；臨床與實驗的文件都是機敏資訊，不能外流。

網資科技在法院的案件中，打磨出嚴謹的態度與經驗，讓 AI 能在資料安全、資訊互通下能「代理」（agent) 專業人員執行例行的工作，這些都是製藥產線最缺的底層架構，也自然成為 Therapi AI 最核心的護城河之一。

不過，要理解這套 AI 基礎建設為什麼重要，就得先回到一個問題：CDMO 的痛點，到底在哪裡？

CDMO 的四大痛點：數據、製程、人力、法規

首先是最根本的數據孤島問題。在製藥現場，關鍵實驗數據往往被拆散在各種儀器、紙本紀錄，或不同部門使用的系統裡，不但格式彼此不相容，也難以在同一個平台上被完整比對。

其次，細胞與藥物製程的高變異性讓放大流程變得格外困難。這些流程對參數與環境極度敏感，任何細小偏差都可能讓價值數百萬元的實驗失敗。細胞在實驗室當中環境單純，但是進入大型反應槽後，所有參數都必須重新調整，藥廠往往得靠反覆試錯、增加原料批次，才能摸索出能讓產線穩定運作的製程。

第三個痛點，是高度依賴專家的人力瓶頸。

CDMO 的專案繁雜冗長，平均要花 18 個月才能簽下一份合約，大量流程都壓在少數資深VP、 BD、PM 身上。 以 PM 為例，CDMO 普遍面臨資深 PM 難找、流動率高、工作量極大等挑戰。更棘手的是，許多製程 know-how 掌握在博士手裡，一旦核心博士離職，整條線等於得從零重建。

最後一個最棘手的痛點，是資料的敏感性與法規壓力。

在 CDMO 裡，許多數據屬於高度機密，本質上就不適合放在公有雲裡。更深層的問題是，「整個產業普遍都有一個共同的誤解：以為導入 AI 的第一步，就是把所有資料集中起來」，韓駿逸解釋，「但資料集中化處理，又慢又昂貴，動輒數百萬元起跳，也不一定真的能用得好」。最後，多數藥廠明明知道 AI 能帶來助益，卻寧願維持現狀、不願冒險。

TherapiAI 在做什麼？打造生技製藥產業的 AI 作業平台

TherapiAI 的技術架構由兩個核心層次組成：底層的「知識層模型」與前端的「AI Agents」。在知識層，團隊將全球公開的資料，與 CDMO 內部生產數據進行整合，讓 AI 能真正理解製藥產業的高度專業內容。這樣的調整，讓這些模型變成藥廠的可信基座，也為後續的自動化與應用奠定底層能力。

在這個基礎上，TherapiAI 再往上打造能「真正執行工作」的 AI Agents。這些 Agents 的設計並非單一功能，而是對應製藥流程中三個彼此銜接的階段：研究、探索與應用。

首先，在研究（Research）階段，AI 必須做到「寧缺勿濫」。這段工作環境高度精準、容錯率極低，因此若模型沒有足夠資料支持，它會直接回覆「不知道」，避免產生錯誤推論，讓研究人員能把 AI 當成可信的資料夥伴，而非需要反覆驗證的黑箱。

接下來則進入「探索」（Exploration）階段，研究者不只是找答案，而是希望 AI 協助推論。此時 AI agent 會根據模型內建的知識與跨系統數據，提出可能的參數範圍、假設路徑或異常原因，協助研究者縮短實驗迭代周期。這是從「查資料」邁向「一起思考」的關鍵轉折。

最後在應用（Exploitation）階段，AI 開始正式「走進產線」，將研究成果轉為可操作的流程，例如執行細胞株篩選、自動生成合約、製程文件、GMP 報告與查詢 FDA 法規等，直接解決 CDMO 的痛點。

對製藥業者而言，研究端能更快收斂方向，製程端能以更少的原料找到穩定參數，法規端能縮短文件往返與補件時間。許多原本需要資深 PM 或博士層級人員反覆對照數週才能完成的任務，如今只需要幾分鐘便能生成初版，再由專家做判讀即可。

韓駿逸說，TherapiAI 的核心，是把大語言模型裡與產業無關的噪音全部去掉，只留下製藥領域真正需要的知識，並透過三階段的 agent 流程，讓模型不只會「回答問題」，而是能在研發與生產現場「真的把事情做完」。也正因如此，TherapiAI 提供的並非單點工具，而是一套能把整個開發週期壓縮至過去數分之一的 AI 基礎建設。

AI Agents 的真實應用：加速「魔法導彈」ADC 新藥開發、掌握法規變化

TherapiAI 的 AI agents，已開始應用在多項高度專業的場景。其中，最具代表性的案例來自近年備受關注的 ADC（Antibody–Drug Conjugate，抗體藥物複合體）新藥研發。由於 ADC 能在不傷及正常細胞的情況下精準遞送有效載荷，被視為癌症治療的重要突破，更有「魔法導彈」的美譽，授權交易動輒數十億美元。

在這個試驗密集、路徑龐雜的領域中，TherapiAI 開發了專為 ADC 設計而成的 AI Agent。研究人員透過自然語言提出問題後，系統會自動整合跨系統與跨文獻的資料，涵蓋抗體（Antibody）、連接子（Linker）、有效載荷（Payload）等核心元素，並整理牽動藥效與毒性的設計關鍵。這讓團隊能在早期階段看到不同策略的可行性，不必花時間反覆比對文獻與資料庫。

更重要的是，ADC AI Agent 會進一步指出後續可能需要調整的參數，協助團隊快速縮小方向。對藥廠與 CDMO 而言，這種方式能減少不必要的試驗輪次，大幅壓縮傳統需 2～3 年的前期探索期，更早跨入真正具商業價值的開發階段。

在高度敏感的法規領域，TherapiAI 以自家的 GMP AI Agent 挑戰過去仰賴人工的流程，協助企業即時掌握國際法規變化。

這套系統能即時搜尋、比對並解讀 FDA、ICH 等國際法規條文，並且自動偵測跨部門文件間的矛盾或缺漏，協助確保文件的一致性，避免因版本錯誤造成延誤。

同時， GMP AI Agent 也能透過內建的風險預測模型，模擬審查員可能追問的細節，並以「風險地圖」標示出高風險段落，讓文件在送出前就先經過一輪「預審」。

TherapiAI 目前已在台灣、日本及海外多間藥廠與 CDMO 落地，涵蓋 ADC 早期設計、細胞株篩選、自動化製程文件生成、及 GMP 法規比對等場景。部分客戶已將 AI agents 納入正式產線流程，用於跨部門協作與文件生成；也有客戶在導入後，主動提出新的需求，希望把更多核心節點從人工轉為 AI 自動化。這些合作讓 TherapiAI 逐漸成為製藥生產鏈上的重要作業層。

你賣的是「解決方案」還是「工具」？

許多深科技的新創在早期都有同樣的盲點：技術很強，但不等於價值會被自動看見；工具很多，但不代表客戶願意花時間自己組合。TherapiAI 也曾遇過同樣的瓶頸。

「當初我們從技術出發，期望客戶能自己操作」，韓駿逸表示，然而，大多數製藥廠商工作繁重，使得無法投入時間，自然也無法為「工具」付錢，因為工具強不強，和能不能解決現場的問題，是兩件完全不同的事。

後來，團隊意識到「專家需要的不是多厲害的工具，而是要直接解決他的痛點」，「我們在短短兩週內，把所有分散的工具收回來，不再賣技術，而是將技術變成能直接完成工作的 AI agents。」，韓駿逸表示，例如原本獨立存在的 OCR，就被拉上來變成 GMP 文件 AI Agent，一旦從「工具」變為能交付產出成果的「agent」，價值立刻被看見：客戶願意付費，也更願意導入。

客戶要的不是一個工具，而是一套能真正把研發、製程、文件與法規整合起來的底層能力；TherapiAI 做的不只是解決單一問題的工具，而是一整套重建整個生技製藥產業的 AI 作業平台。並不是每一場 AI 革命都以矽谷為起點。TherapiAI 這個來自台灣的團隊，讓人看見另一種未來的可能：下一個重要的產業突破，不取決於地圖上的座標，而取決於誰能把 AI 放進最複雜、最關鍵的現場。