受訪者：王立志

時間：2026年7月29日 09：30-11：00

地點：DDS THU AI中心

整理：張運宗

 

 

　　我在學術界待了36年，老實說，從去年6月到現在這一年多，我所感受到的震撼與衝擊，比過去36年加起來還要巨大！這絕非玩笑，AI 的演進速度已不能用「年」來看，甚至用「月」來衡量都嫌太慢。　

 

產業的巨大衝擊

 

　　今年三月，我一位在美國沃爾瑪（Walmart）全球總部擔任資料科學部門主管的博士生回台，他手下管理 50 個資料科學家和工程師。　他跟我分享非常殘酷的事實：各部門已大幅縮減甚至停止招募初階（Entry level）工作人員，因為基礎的資料輸入、清理與分析，AI 已能全部接手。　

 

　　兩個月後，我有了無比深刻的切身印證。　當時我帶了兩個頂尖大學和研究所的實習生進公司，想培養一些 AI 人才；但僅僅兩個禮拜，我就請他們離開，薪水照付。　為什麼？在需要即戰力參與架構定義的高節奏專案中，他們對產業的領域知識（Domain Knowledge）已是不足，在需要即戰力參與架構定義的高節奏專案中，AI 的知識與實作能力近乎空白。　

 

　　過去我們收實習生，是抱著「培育」的心態；但現在企業走得太快，真的沒有餘裕手把手帶人。　如果連頂尖大學培養出來的學生，在產業最前線都顯得如此不適用，不得不說，現在的教育體制顯然出現極大的問題。　

 

　　這場焦慮更是蔓延到了家庭。　前陣子一場演講後，一位媽媽神色慌張地跑來：「教授，我該怎麼培養我的孩子？」我問她孩子多大？「六歲。」我只能嘆口氣：「老實說我真的不知道該給妳什麼建議，因為我根本無法想像三年後的世界會變成什麼樣子。」

 

 

AI的發展演進

 

　　「生成式 AI」（Generative AI）和「智能代理」（Agentic AI）是完全不同的維度。　

 

　　過去的大語言模型（LLM）「只有大腦、沒有手腳」，你輸入一句提示詞，它被動回答一句。　但從今年開始，正式進入 Agentic AI 時代，正如 Nvidia 執行長黃仁勳所強調，AI 正走向具備自主規劃、執行工具、自我評估與修正的「智能代理」形態。　

 

　　白領階級將面對直接的生存威脅。　我問過很多企業：「辦公室平時花最多人力和時間在做什麼？」答案往往是極其枯燥的例行行政——手動鍵入訂單、對接ERP、拉採購單等等。　現在，透過 API、MCP、螢幕作業擷取， Agent 能直接串接 ERP、MES等核心系統，偵測到事件即自主觸發後續流程，完全不需要人工手動在鍵盤和滑鼠上點來點去。　我們輔導過一家大型能源公司整合主流 ERP 系統，光是精簡前段手動鍵入資料的人員，就能省下龐大的人力成本。　

 

　　這不是遙不可及的科幻故事，而是我們已經在兩岸實際落地、大量推廣的現實。　

 

 

五個漸進層次

 

　　如果參考頂尖大學（如史丹佛全校最受歡迎的 Beyond LLM 應用課程）的架構，不論是個人還是企業，AI 的發展與治理可以劃分為五個遞進層次：

 

　　Level 1：Prompt（提示詞工程）。　對「指令」的工程化。　在對話框裡進行單純的「你問、它答」。　

 

　　Level 2：Fine-tuning／Context（微調與上下文資訊）。　對「資訊」的工程化。　將模型與特定領域資訊串接，使其適應特定 Domain。　

 

　　Level 3：RAG／Harness（檢索增強生成與知識庫管理）。　為 AI 套上韁繩（Harness）以消除幻覺。　在客服或非硬性檢索場景可用 RAG 輔助；在精密製造維修等不容出錯的領域，則需運用嚴謹的 Markdown（.md）結構建立技術規範庫。　

 

　　Level 4：Agentic Workflow（智能代理工作流）。　單一 Agent 具備主動性，能感知事件、規劃方案、調用工具執行，並檢視效果，形成自我修正的閉環（Loop）。　

 

　　Level 5：Multi-Agent（多重代理系統）。　應對複雜的企業任務時，由具備不同職能的 Agent（如業務、研發、生物管、生產、品質、維修、ESG、系統整合）協同作業、彼此校驗，人類主管則專注於最終決策與指揮。　

 

 

邁入 SaaS 2.0時代

 

　　SaaS，過去是「軟體即服務」（Software as a Service），如今已邁入「SaaS 2.0」——服務即軟體（Service as Software）。　

 

　　這是一場根本性的思維翻轉。　未來系統建置不再是撰寫複雜的程式碼，而是能否清楚「定義」作業標準流程（SOP）和業務規範。　只要架構明確，背後的程式生成與系統運作皆可由 AI 驅動。　開發門檻被徹底打破，懂流程與Domain的人直接掌握了系統生成的指揮棒。　

 

　　這支指揮棒在實務上到底該怎麼揮舞？這是我過去一年多來，帶領團隊不眠不休在做的事，開發企業級的 Multi-Agent 建置平台「AgentForge」，打造出主動監控、分析、自主決策且由事件驅動的企業AI Agent運作環境。　

 

　　最近剛發生一家日本國際級老牌大廠的合作案例。　其大中華地區總代表親訪，我們談了一個小時後，邀我八月中到上海與社長進一步交流。　日商極度保守，不輕易相信人，但一旦看懂你的實力，就是長期的戰略合作。　

 

　　當天傍晚，他們生管團隊提供一份包含最終組裝線十多台組裝設備生產訂單的 Excel與 SQL 數據。　過去工程師做先進規劃與排程（APS）至少要花好幾天清理資料，而我將資料導入 AgentForge 後，系統三個 Agents 迅速自主完成由資料解析、圖表呈現及分析文件生成的全套流程。　

 

　　一、自動排程：系統分析每台機器每天最高產能，自主運用多目標最佳化排程演算法，綜合考量產品規格與優先級，達成產線負載平衡與最小化換線時間的生產排程。　

 

　　二、異常模擬：自主進行情境模擬，推演機台故障時的自動轉單與重排流程。　

 

　　三、高階改善建議：主動在分析報告中建議公司應建立「規格與機器的對應表」，以降低換線成本。　這已是資深製造業顧問才能給出的商業洞察（Data Insight）。　

 

　　四、自動產出戰情室：數分鐘內自動生成包含甘特圖、機台分佈等 8 個控制面板的戰情儀表板，並附帶完整的日／中文分析報告。　

 

　　AgentForge 的上層具有指揮所有工作流中被賦予不同職能與專長 Agent 的分工合作，底層串接多元大模型生態、企業知識與檢索、安全呼叫企業系統/資料庫/設備與第三方服務，token 成本極低，能有極高的性價比。　運作核心在於我們為每個 Agent 設定的「注入法則」（Injection Rule）——工作指南與邊界規範 。　這正是未來企業顧問的核心價值；不再只是寫系統，而是梳理 SOP，將專業 Know-how 轉譯為 AI 的注入法。　

 

 

時代警鐘

 

　　當 AI 能自主排程、預測並提供決策支援時，教育界是否還在大量生產即將被淘汰的初階白領？如果 Walmart 不再聘用初階人才，世界大廠的排程不再需要人工清理與分析資料，教育體制若不翻轉，就是在誤人子弟。　

 

　　2009年我發表一篇登在國際期刊（IF 7.3）的 “A multi-agent based agile manufacturing planning and control system”，提出系統的整體架構、Agents的功能與互動／決策模式（negotiation, bidding）應用於實驗室場景的實作系統，花了一年時間 coding。　現在的 AgentForge Platform 不但落實真正可落地的企業級 multi-agent system 建置平台，更在短期內已完成15 個企業應用場景，真是不可同日而語。　

 

　　回頭看看那位在沃爾瑪（Walmart）全球總部的主管所帶來的殘酷警訊：「初階工作已經消失了。　」這絕非危言聳聽。　當 Multi-Agent 系統與類似 AgentForge 的平台已經能在幾分鐘內自主完成排程、跨系統接單，甚至主動提出高階經營決策建議時，傳統白領賴以生存的例行性行政與資料處理工作，確實已經不復存在。　

 

　　這場由 Agentic AI 引發的時代鉅變，雖然無情地淘汰了舊有的運營模式，卻也為企業釋放了前所未有的生產力。　這不再是一場「要不要導入 AI」的技術選擇，而是一場「如何重新定義企業競爭力」的存亡之戰。　

 

 

 

---