# <a id="ai-expo-2025-議程筆記-第三天-3月28日"></a>AI Expo 2025 議程筆記 - 第三天 (3月28日)

## <a id="今日議程表-點擊跳轉"></a>今日議程表 (點擊跳轉)

| 時間 | 議程 | 講師 |
| :-------- | :-------------------------------------------------------------------------------------------------- | :-------------------------------------------------------------------------------------- |
| 09:30-10:00 | [AI 創生新場域 應用—智慧醫療](#ai-創生新場域-應用智慧醫療) | 杜奕瑾 (台灣人工智慧實驗室) |
| 10:00-10:20 | [NXP 聚焦工業應用: eIQ AI 軟體開發邁進 AI 新解方](#nxp-聚焦工業應用-eiq-ai-軟體開發邁進-ai-新解方) | 黃佳琪 (恩智浦半導體 - NXP) |
| 10:20-10:40 | [賦能智慧邊緣(LLM+ 邊緣 AI)與代理計算的結合](#賦能智慧邊緣llm-邊緣-ai與代理計算的結合) | 鮑志偉 (研華科技 - Advantech) |
| 10:40-11:00 | **上午休息** | |
| 11:00-11:20 | 邊緣 AI 殺手級 智慧 XX 如虎添翼 (尚無筆記) | 林茂榮 (新漢集團 - NEXCOM) |
| 11:20-11:40 | AI+ 成就數智企業 (尚無筆記) | 吳浪 (台灣用友資訊軟體 - yonyou) |
| 11:40-12:00 | 臺灣的聲音：宏正懂醫學 (尚無筆記) | 張勇教 (宏正自動科技 - ATEN) |
| 12:00-13:10 | **中午休息** | |
| 13:10-13:30 | AI 時代的教育核心：重新塑造未來學習 (尚無筆記) | 胡筱薇 (中原大學) |
| 13:30-13:50 | 智慧化纖 & 智慧工廠五大應用 (尚無筆記) | 李望堅 (穎杰科技) |
| 13:50-14:10 | 使用 AI Agent 融合生成式與決策式 AI (尚無筆記) | 林敦望 (慧穩科技 - AIMobile) |
| 14:10-14:30 | 打造高效 AI 數據中心：先進散熱策略解析 (尚無筆記) | 賴柏權 (艾瑪斯科技 - AMAX) |
| 14:30-15:00 | **下午休息** | |
| 15:00-15:20 | [巨大商機：以 AI 驅動的創新金融服務與用戶](#巨大商機以-ai-驅動的創新金融服務與用戶) | 彭顯恩 (HOYA BIT 禾亞數位) |
| 15:20-15:40 | [讓 AI 企業解密：NAVI 如何打造智慧決策力？](#讓-ai-企業解密navi-如何打造智慧決策力) | 周浩洋 (網創資訊 - Navi+) |
| 15:40-16:00 | [AI 驅動供應鏈轉型: o9 如何提升企業的敏捷度與韌性](#ai-驅動供應鏈轉型-o9-如何提升企業的敏捷度與韌性) | 石璐 (o9 Solutions) |
| 16:00-16:30 | 全球趨勢下的 AI 應用趨勢發展 (尚無筆記) | 林芬郁 (DIGITIMES 研究中心) |

---

## <a id="ai-創生新場域-應用智慧醫療"></a>AI 創生新場域 應用—智慧醫療

### <a id="演講基本資訊"></a>演講基本資訊

* **講者:** 杜奕瑾 (Ethan Tu), 創辦人, 台灣人工智慧實驗室 (Taiwan AI Labs)
* **時間:** 2025年3月28日 09:30-10:00
* **場次:** AI Expo 2025
* **形式:** 單一講者

### <a id="內容摘要"></a>內容摘要

杜奕瑾創辦人深入探討了台灣 AI Labs 在智慧醫療領域的 AI 應用與其核心理念。他首先回顧了 AI 發展的歷程，指出 2025 年將是「永續 AI」(Regenerative AI) 的元年，強調企業在導入 AI 時需考量資源限制、數據隱私、在地化知識整合以及法規遵循。他提出通用大模型如同基礎教育，而特定行業（如醫療、金融）需要「專家模型」。AI Labs 扮演著「AI 模型研究所」的角色，透過聯邦式學習 (Federated Learning) 為各行業訓練基礎專家模型 (如 FedGPT)，這些模型隨後能部署到企業內部，利用私有數據進行安全、合規的本地微調與應用，數據不出企業。演講重點聚焦於智慧醫療場景，展示了 FedGPT 如何在保護病患隱私的前提下，與台灣 92% 的醫學中心合作。他透過實際 Demo 展示了 FedGPT 在醫療領域的多模態應用：1) **腦轉移瘤輔助診斷：** AI 自動分析 MRI 影像，標示腫瘤位置、大小，並結合病歷系統提供歷史信息，生成初步診斷報告，輔助放射科或腫瘤科醫師決策；強調聯邦學習能整合跨院區經驗，持續提升模型準確率。2) **護理交班輔助：** 分析交班錄音檔，自動生成結構化交班紀錄，減輕護理師負擔。3) **藥物影像辨識：** 手機拍攝藥物即可辨識藥名，並從 API 獲取詳細資訊。他總結，AI 的應用已進入全產業落地的時代，需要「多模態、多中心、多專家」的協作模式。AI Labs 致力於提供從底層聯邦學習平台、中層多模態模型到上層應用工具 (知識庫建立、Agent 開發) 的完整架構，並與硬體夥伴 (如群聯) 合作推出 K-DaM (Knowledge Discovery and Management?) 等整合方案，降低企業導入門檻，讓台灣在可信任 AI 的基礎上走向世界。

### <a id="主要章節"></a>主要章節

#### <a id="1-從-genai-到永續-ai企業導入的挑戰與思維轉變"></a>1. 從 GenAI 到永續 AI：企業導入的挑戰與思維轉變

* **演講主旨：** 提出 2025 年為永續 AI 元年，強調企業導入 AI 需考量資源、數據、在地知識與法規，並區分通用模型與專家模型。
* **AI 發展階段：** 2023 (ChatGPT 普及) -> 2024 (治理/法規討論) -> **2025 (永續 AI - Regenerative AI)**。
* **永續 AI 的核心考量 (企業挑戰)：**
* **資源有限 (Sustainability):** 運算、能源、預算成本需合理、可負擔 (Affordable)。
* **數據隱私與安全 (Governance):** 企業內部機密資料保護。
* **在地知識整合 (Domain Expertise):** 通用模型無法完全滿足特定行業需求。
* **法規遵循 (Reliability/Compliance):** 符合 GDPR, AI Act 等規範。
* **模型層次類比：**
* **通用大模型 (雲端)：** 如同大學基礎教育，提供通用知識 (Internet Data 約佔企業數據 <1%)。
* **行業專家模型 (聯盟)：** 如同研究所，訓練特定領域專業知識 (由 AI Labs 等機構透過聯邦學習完成)。
* **企業內部專家模型 (本地)：** 如同進入職場後的在職學習，結合企業內部數據與流程進行微調。
> "Internet 的資料開放的資料大概只有企業資料的不到 1%。"
> "就像我們每個企業需要最優秀的員工，也不需要成立一個台大...畢業之後送到你的企業去使用。"

#### <a id="2-fedgpt可信任的聯邦式-ai-平台"></a>2. FedGPT：可信任的聯邦式 AI 平台

* **演講主旨：** 介紹 AI Labs FedGPT 的核心架構、運作模式及其在數據隱私和模型客製化方面的優勢。
* **核心技術：聯邦式學習 (Federated Learning)**
* **運作：** 基礎模型部署到企業內部 -> 在本地利用私有數據進行訓練/微調 -> **數據不離開企業** -> 僅共享模型更新（非數據）回中央或其他節點 -> 實現跨組織協同學習與模型優化。
* **FedGPT 平台特性：**
* **隱私設計 (Privacy by Design):** 符合 GDPR, AI Act 等國際法規。
* **可信任 AI (Trustworthy AI):** 強調倫理、負責、透明。
* **在地化：** 針對台灣語言、文化、特定行業知識進行優化 (展示中文語意理解優於通用模型的例子)。
* **多模態 (Multimodal):** 支持語言、影像、聲音等多種數據。
* **多中心 (Multi-center):** 支持跨機構協同訓練。
* **多專家 (Multi-expert):** 可訓練針對特定任務的專家模型。
* **AI Labs 的角色：AI 模型研究所**
* 負責訓練高質量的基礎專家模型 (醫療、金融、影視音等)。
* 提供平台工具，讓企業能輕鬆在內部進行微調和應用開發。
* **工具與功能：**
* **聯邦式學習平台 (底層)。**
* **模型 (中層)：** 語言、視覺、聲音模型。
* **應用開發工具 (上層)：**
* **DataLoader for KB:** 自動將企業文件轉換為模型可讀的知識庫。
* **Copilot:** 協助建立 AI Agent (GPT for GPT)。
* **Guardian:** 模型內容與行為的防護機制。
* **模型再訓練/精進 (Fine-tuning):** 提供工具讓企業自行微調模型 (無需 500 萬美金)。
* **硬體整合：K-DaM (Knowledge Discovery and Management? / 與群聯合作的 aimL 方案)**
* 提供軟硬整合的一體機方案 (AI in a Box)。
* 降低企業部署門檻，無需購買昂貴伺服器。

#### <a id="3-ai-在智慧醫療的落地應用-重點案例"></a>3. AI 在智慧醫療的落地應用 (重點案例)

* **演講主旨：** 展示 FedGPT 在醫療領域的實際應用，突顯其多模態處理、輔助診斷與流程優化的能力。
* **合作基礎：** 與台灣 92% 醫學中心合作，基於 FedGPT 的隱私保護特性。
* **應用一：腦轉移瘤 MRI 輔助診斷**
* **流程：**
1. MRI 影像上傳。
2. AI (視覺模型) 自動偵測、標示腫瘤位置、計算大小等。
3. AI (語言模型) 結合影像結果，自動查詢 HIS/PACS 系統，獲取病人歷史病歷。
4. AI 整合影像與病歷資訊，生成結構化報告草稿 (包含腫瘤特徵、歷史對比)。
5. **多模態交互：** 醫生可透過自然語言與 AI 對話，要求進一步分析或修改報告 (如「只看最大的那顆瘤」)。
6. 最終報告由醫生確認。
* **效益：** 輔助醫生快速判讀、整合資訊、撰寫報告，提高效率與一致性。
* **聯邦學習應用：** 在不同醫院 (台大、北榮、亞東、中榮、義大) 進行聯邦學習，能顯著提升模型在各院區的準確率 (從 0.8x 提升至 0.9x)。
* **應用二：護理交班語音轉文字與摘要 (AIScribe)**
* **流程：** 護理師錄下交班語音 -> AI 自動轉為文字 -> AI 根據交班格式要求 (如 SOAP note) 生成結構化摘要 -> 護理師確認。
* **效益：** 大幅節省護理師文書工作時間，提高交班效率與準確性。
* **應用三：藥物影像辨識**
* **流程：** 手機拍攝藥物 -> AI (視覺模型) 辨識藥物外觀 -> 透過 API 查詢藥物資料庫 -> 顯示藥物名稱、成分、用法等資訊。
* **效益：** 方便民眾或醫護人員快速識別藥物。

#### <a id="4-結論全產業-ai-應用時代與台灣機會"></a>4. 結論：全產業 AI 應用時代與台灣機會

* **核心觀點：** AI 已進入全產業應用階段，需要**多模態、多中心、多專家**的協作。
* **台灣的機會：**
* 利用聯邦式學習和本地化模型，建立符合法規、保護隱私的可信任 AI 基礎。
* 結合強大的軟硬體整合能力 (如 AI Labs + 群聯)，提供全球領先的、可負擔的 AI 解決方案。
* 從「AI 代工」走向「AI 應用」主導。
* **呼籲：** 企業應積極思考如何將 AI 應用於自身業務，現在是開始的最佳時機。
> "當你覺得說你沒有算力的話，我建議反過來想，我們今天要的是什麼樣的 solution...現在要做什麼樣的應用。"

### <a id="專業術語與強調點"></a>專業術語與強調點

* **專業術語:**
* **永續 AI / 再生 AI (Regenerative AI):** 2025 年趨勢，強調永續性、合規性、成本效益。
* **聯邦式學習 (Federated Learning):** 核心技術，保護數據隱私。
* **FedGPT (Federated GPT):** AI Labs 的 AI 平台/模型品牌。
* **多模態 (Multimodal):** 處理語言、影像、聲音等多種數據。
* **多中心 (Multi-center):** 跨機構協作。
* **多專家 (Multi-expert):** 訓練特定領域的模型。
* **模型蒸餾 (Model Distillation):** 大模型轉小模型技術。
* **AI Agent:** AI 智能體。
* **Copilot (for Agent creation):** AI Labs 內部用於建立 Agent 的工具。
* **知識庫 (Knowledge Base - KB):** 儲存結構化/非結構化知識。
* **K-DaM (Knowledge Discovery and Management?):** 與群聯合作的軟硬整合方案。
* **MRI (Magnetic Resonance Imaging):** 核磁共振成像。
* **HIS (Hospital Information System):** 醫院資訊系統。
* **PACS (Picture Archiving and Communication System):** 醫學影像存檔與通信系統。
* **SOAP note:** 醫療記錄格式 (主觀、客觀、評估、計畫)。
* **強調點:**
* **永續 AI** 是未來趨勢。
* **聯邦式學習**是解決數據隱私與模型共享的關鍵。
* **AI Labs** 扮演台灣 AI 基礎模型提供者與平台建立者角色。
* **多模態**是 AI 應用深化的重要方向 (尤其醫療領域)。
* **軟硬整合** (如 K-DaM) 能降低 AI 導入門檻。
* 模型需要持續**精進與在地化**。
* **現在是全產業導入 AI 應用的時機。**

### <a id="關鍵啟示"></a>關鍵啟示

1. **AI 發展進入新階段：** 從追求通用大模型轉向關注如何在特定行業內安全、合規、經濟地落地，並實現永續發展。
2. **聯邦式學習破解隱私困局：** 該技術為高度重視數據隱私的行業（如醫療、金融）導入 AI 提供了可行的技術路徑。
3. **多模態 AI 深化應用價值：** 結合處理影像、語音、文字等多種數據的能力，AI 能在醫療診斷、人機交互等領域發揮更大作用。
4. **軟硬整合加速落地：** 提供預配置、易於部署的軟硬整合方案，可以有效降低企業（尤其是中小企業）導入 AI 的技術門檻和成本。
5. **台灣具備發展可信任 AI 的潛力：** 結合技術實力（AI Labs）、硬體優勢（群聯等）以及對隱私法規的重視，台灣有機會在全球可信任 AI 領域扮演重要角色。

### <a id="行動建議"></a>行動建議

1. **醫療機構/金融機構：**
* 積極評估採用基於聯邦式學習的 AI 平台 (如 FedGPT)，在保護數據隱私的前提下，開發內部專家模型或應用（如輔助診斷、風險評估、智能客服）。
* 參與行業聯盟，共同訓練更強大的行業基礎模型。
2. **其他行業企業：**
* 思考如何利用 AI Labs 提供的工具和模型，結合自身數據建立內部知識庫、AI Agent 或進行模型微調。
* 評估 K-DaM 等軟硬整合方案，以較低成本快速部署本地 AI 能力。
3. **硬體廠商：**
* 與 AI Labs 等軟體平台商加強合作，開發針對特定 AI 工作負載（如 FedGPT 運行、多模態處理）優化的硬體解決方案。
4. **AI 開發者/研究者：**
* 深入研究聯邦式學習、模型微調、多模態融合等技術。
* 利用 AI Labs 提供的平台和工具進行實驗和應用開發。
* 關注 AI 倫理與法規，開發可信任的 AI 應用。

---

## <a id="nxp-聚焦工業應用-eiq-ai-軟體開發邁進-ai-新解方"></a>NXP 聚焦工業應用: eIQ AI 軟體開發邁進 AI 新解方

### <a id="演講基本資訊"></a>演講基本資訊

* **講者:** 黃佳琪 (Maggie Huang), 大中華區市場行銷資深經理, 恩智浦半導體 (NXP Semiconductors)
* **時間:** 2025年3月28日 10:00-10:20
* **場次:** AI Expo 2025
* **形式:** 單一講者

### <a id="內容摘要"></a>內容摘要

黃佳琪經理介紹了 NXP 在工業應用領域的 AI 佈局，核心圍繞其 eIQ (Edge Intelligence) AI 開發軟體環境以及相應的 MCU 與 MPU 硬體平台。她首先概述了 NXP 在工業領域的四大焦點（工廠自動化、健康照護輔助?、電力能源、家庭/樓宇自動化），並強調 NXP 提供的不僅是硬體，還包含連接性、安全性等系統級解決方案。硬體方面，介紹了從跨界 MCU (i.MX RT 系列，如 RT1180) 到應用處理器 (i.MX 6/7/8/9 系列) 以及內建 NPU 的最新 MCU 家族 (MCX N 系列)。安全性方面，強調了 NXP 的 EdgeLock 安全子系統，提供從獨立安全元件 (SE050) 到內建於處理器的安全保障，助力客戶符合工業安全標準 (如 IEC 62443)。演講的核心是介紹 NXP 的 **eIQ AI 開發軟體**，這是一個**免費**的工具套件，支援 NXP 廣泛的 MCU/MPU 產品線。eIQ 允許開發者：1) 使用內建模型庫直接部署；2) 匯入自行訓練的模型 (BYOM - Bring Your Own Model) 進行優化部署；3) 利用 **eIQ Toolkit** 進行模型選擇、訓練、量化、驗證。她特別提到了 NXP 是首家與 **NVIDIA TAO Toolkit** 整合的半導體廠商，允許將 TAO 訓練的模型無縫部署到 NXP 平台上。針對缺乏 AI 背景或數據收集困難的開發者，NXP 推出了 **eIQ Toolkit** 中的 **AutoML 工具 (eIQ Auto)** (基於其收購的公司技術，推測是指之前併購的 OmniPHY 或類似技術轉化，但未明說)，以及一個名為 **TSS (Time Series Studio)** 的新工具，專門用於處理時間序列數據的異常偵測、分類和回歸任務，極大簡化了基於感測器數據的 AI 應用開發。最後，她展示了 NXP 針對智慧工廠提供的完整解決方案，包含 PLC (可程式邏輯控制器)、工業乙太網、馬達控制、AMR (自主移動機器人) 等參考設計，並結合了 eIQ AI 功能，強調 NXP 致力於提供從硬體到軟體、從安全到連接的完整工業 AI 生態系統。

### <a id="主要章節"></a>主要章節

#### <a id="1-nxp-在工業領域的佈局與系統級方案"></a>1. NXP 在工業領域的佈局與系統級方案

* **演講主旨：** 概述 NXP 在工業市場的焦點領域及其提供整合式解決方案的能力。
* **四大焦點領域：**
1. 工廠自動化 (Factory Automation)
2. 健康照護輔助 (Healthcare Assistance?) (原文 "head sales"，推測應指 Healthcare)
3. 電力與能源 (Power & Energy)
4. 家庭與樓宇自動化 (Home & Building Automation)
* **台灣市場地位：** 在工業感測器 (Industrial Sensor?) 領域市佔率高。
* **系統級方案：** 不僅提供晶片，還整合連接性 (Connectivity)、安全性 (Security)、人機介面 (HMI)、AI/ML 等技術，提供打包的系統級解決方案。
* **硬體平台概覽：**
* **跨界 MCU (Crossover MCU):** i.MX RT 系列 (高達 1GHz+，兼具 MCU 易用性與 MPU 效能)。
* **應用處理器 (Application Processor):** i.MX 6, 7, 8, 9 系列 (基於 Arm A 核)。
* **AI 加速 MCU:** MCX N 系列 (業界首款集成 NPU 的通用 MCU)。包含多個子系列 (N, A, W, L) 針對不同需求 (AI, 通用, 無線, 低功耗)。
* **安全性核心：EdgeLock**
* 提供從獨立安全元件 (SE050 - Secure Element) 到內建於處理器的安全子系統 (EdgeLock Secure Enclave)。
* **目標：** 簡化安全設計，幫助客戶符合工業安全標準 (如 IEC 62443)。硬件預置，軟體啟用即可。

#### <a id="2-eiq-ai-開發軟體賦能-nxp-平台"></a>2. eIQ AI 開發軟體：賦能 NXP 平台

* **演講主旨：** 重點介紹 NXP 免費提供的 eIQ AI 開發工具套件，及其功能與支援範圍。
* **eIQ (Edge Intelligence) 概覽：**
* **定位：** NXP 的 AI/ML 軟體開發環境。
* **免費提供。**
* **廣泛支援：** 涵蓋最新的 MCX MCU 到 i.MX 9 系列處理器。
* **核心功能：** 提供模型庫、模型導入/優化工具、開發流程支持。
* **兩種主要開發流程：**
1. **使用 eIQ 內建模型 (Model Zoo):** 提供多種預訓練模型 (視覺、語音、異常偵測等) 供開發者直接選用部署。
2. **自帶模型 (BYOM - Bring Your Own Model):** 開發者使用 TensorFlow, PyTorch, ONNX 等框架訓練好模型 -> 匯入 eIQ Toolkit -> eIQ 進行優化 (量化、編譯) -> 部署到 NXP 硬體。
* **與 NVIDIA TAO Toolkit 整合：**
* NXP 是首家與 NVIDIA TAO 整合的半導體廠。
* 允許將 TAO (一個簡化 AI 模型訓練的平台) 訓練出的模型，透過 eIQ 部署到 NXP 的 MCU/MPU 上。
* **eIQ Toolkit 核心組件：**
* **模型轉換/優化引擎。**
* **模型庫 (Model Zoo)。**
* **效能評估工具。**
* **(新增) AutoML 工具 (eIQ Auto):** 針對無 AI 背景開發者，自動化模型選擇與訓練。
* **(新增) TSS (Time Series Studio):** 專門處理時間序列數據的工具。

#### <a id="3-tss-time-series-studio簡化時序數據-ai-應用"></a>3. TSS (Time Series Studio)：簡化時序數據 AI 應用

* **演講主旨：** 介紹 NXP 針對工業感測等時序數據應用推出的易用型 AI 開發工具 TSS。
* **目標應用：** 基於感測器數據的 AI 應用，常見於工業、物聯網場景。
* **異常偵測 (Anomaly Detection):** 如馬達震動異常。
* **分類 (Classification):** 如家電運行模式識別 (冷氣風速強/中/弱)。
* **回歸/預測 (Regression):** 如設備老化預測 (冰箱功耗變化)。
* **TSS 工具特點：**
* **易用性：** 圖形化介面，開發者主要提供時間序列數據即可。
* **自動化流程：**
* 數據導入與預處理 (提升數據品質)。
* 自動化模型選擇與訓練 (內建多種適用於時序數據的模型)。
* 模型評估與比較 (視覺化呈現不同模型的準確率、記憶體佔用等)。
* 一鍵部署 (生成適用於 NXP MCU 的代碼)。
* **效益：** 大幅縮短開發時間 (從數週/月縮短至數小時)，降低 AI 開發門檻。

#### <a id="4-nxp-在智慧工廠的-ai-解決方案"></a>4. NXP 在智慧工廠的 AI 解決方案

* **演講主旨：** 展示 NXP 如何將其硬體平台與 eIQ AI 軟體結合，提供完整的智慧工廠解決方案。
* **硬體平台：** i.MX RT1180 (跨界 MCU) 為核心的開發套件 (PLC Next-Gen IO Starter Kit)。
* **整合方案：**
* 結合 NXP 的 **Analog Front-End (AFE)** 產品 (用於感測器接口)。
* 整合 **工業乙太網 (Industrial Ethernet - TSN)** 功能。
* 整合 **EdgeLock 安全**功能 (符合 IEC 62443)。
* 提供**馬達控制 (Motor Drive)** 解決方案。
* 提供 **AMR (自主移動機器人)** 參考設計。
* **AI 應用：** 可利用 eIQ Toolkit (包含 TSS) 在此平台上開發異常偵測、預測性維護、流程優化等 AI 功能。
* **生態系統：** 強調 NXP 提供從控制器、連接、驅動到安全的完整工業解決方案，並透過 eIQ AI 賦能。
* **產品生命週期保證：** 強調 NXP 的產品長期供貨計畫 (Product Longevity Program)，提供至少 10-15 年的供貨保證，對工業客戶至關重要。

### <a id="專業術語與強調點"></a>專業術語與強調點

* **專業術語:**
* **MCU (Microcontroller):** 微控制器。
* **MPU (Microprocessor):** 微處理器。
* **Crossover MCU:** 兼具 MCU 易用性與 MPU 效能的處理器 (i.MX RT)。
* **NPU (Neural Processing Unit):** 神經處理單元 (MCX N 系列集成)。
* **eIQ (Edge Intelligence):** NXP 的 AI 開發軟體環境。
* **BYOM (Bring Your Own Model):** 自帶模型。
* **TensorFlow, PyTorch, ONNX:** 主流 AI 開發框架。
* **NVIDIA TAO Toolkit:** 簡化 AI 模型訓練的平台。
* **AutoML (Automated Machine Learning):** 自動化機器學習。
* **TSS (Time Series Studio):** NXP 的時序數據 AI 工具。
* **Anomaly Detection (異常偵測), Classification (分類), Regression (回歸):** TSS 支持的任務類型。
* **EdgeLock:** NXP 的安全子系統/技術品牌。
* **Secure Element (SE):** 獨立的安全晶片。
* **Secure Enclave:** 整合在處理器內的安全區域。
* **IEC 62443:** 工業自動化和控制系統的網路安全標準。
* **PLC (Programmable Logic Controller):** 可程式邏輯控制器。
* **AFE (Analog Front-End):** 類比前端 (感測器接口電路)。
* **TSN (Time-Sensitive Networking):** 時間敏感網路 (工業乙太網標準)。
* **AMR (Autonomous Mobile Robot):** 自主移動機器人。
* **Product Longevity Program:** 產品長期供貨計畫。
* **強調點:**
* NXP 專注於**工業應用**的 AI 落地。
* 提供從 MCU 到 MPU 的**廣泛硬體選擇**，並整合安全功能。
* **eIQ** 是**免費**且功能強大的 AI 開發工具套件。
* **TSS** 工具能**極大簡化**基於感測器的時序數據 AI 開發。
* NXP 提供**系統級**解決方案，而非僅僅是晶片。
* **安全性**和**長期供貨**是 NXP 對工業客戶的重要承諾。
* 與 **NVIDIA TAO** 的整合提供了更多模型來源選擇。

### <a id="關鍵啟示"></a>關鍵啟示

1. **工業 AI 需求強勁：** 工廠自動化、能源管理、預測性維護等工業場景是 AI 落地的重點領域。
2. **易用性是普及關鍵：** 對於許多缺乏 AI 專家的工業客戶，提供像 eIQ Toolkit (特別是 TSS) 這樣易於使用、自動化程度高的開發工具，是降低導入門檻的關鍵。
3. **時序數據 AI 工具價值高：** 工業場景產生大量感測器時序數據，專門用於處理此類數據的 AI 工具 (如 TSS) 能快速實現異常偵測、分類、預測等高價值應用。
4. **安全與可靠性是工業級要求：** 在工業環境中，AI 系統的安全性 (符合 IEC 62443 等) 和長期穩定運行 (長期供貨保證) 是不可或缺的。
5. **生態系統整合能力重要：** 半導體廠商需要提供從硬體、軟體工具、參考設計到安全、連接的完整解決方案，才能更好地服務工業客戶。

### <a id="行動建議"></a>行動建議

1. **從事工業自動化、物聯網、智慧製造的企業/開發者：**
* 評估 NXP 的 MCU/MPU 平台 (如 i.MX RT, i.MX 8/9, MCX N) 是否符合自身產品對效能、功耗、安全性的需求。
* 利用免費的 eIQ 軟體工具套件進行 AI 功能的開發與部署。
* 若應用涉及感測器時序數據 (如震動、溫度、壓力)，優先考慮使用 TSS 工具快速開發異常偵測或預測性維護功能。
* 關注 NXP 提供的 PLC、馬達控制、AMR 等參考設計，加速產品開發。
* 重視產品的安全設計，利用 NXP EdgeLock 等方案簡化安全合規流程。
2. **AI 模型開發者：**
* 了解 eIQ Toolkit 的模型轉換與優化流程，將模型部署到 NXP 平台。
* 探索利用 NVIDIA TAO Toolkit 訓練模型，再透過 eIQ 部署的路徑。
3. **系統整合商 (SI)：**
* 利用 NXP 提供的完整硬軟體平台與參考設計，為工業客戶打造客製化的智慧工廠 AI 解決方案。

---

## <a id="賦能智慧邊緣llm-邊緣-ai與代理計算的結合"></a>賦能智慧邊緣(LLM+ 邊緣 AI)與代理計算的結合

### <a id="演講基本資訊"></a>演講基本資訊

* **講者:** 鮑志偉 (Miller Pao), 產業雲暨影像科技事業群副總經理, 研華科技 (Advantech)
* **時間:** 2025年3月28日 10:20-10:40
* **場次:** AI Expo 2025
* **形式:** 單一講者

### <a id="內容摘要"></a>內容摘要

鮑志偉副總經理探討了在智慧邊緣端，結合大型語言模型 (LLM) 與傳統邊緣 AI (Edge AI)，並引入代理計算 (Agent Computing) 的新興趨勢與挑戰。他首先指出，勞動力短缺是驅動邊緣自動化與 AI 應用的重要背景。雖然 LLM 在雲端展現了強大能力，但邊緣運算對即時性、可靠性、安全性有更高要求。他分析了將 LLM 引入邊緣所面臨的挑戰：模型規模龐大、運算需求高、以及如何與現有邊緣 AI (如視覺、感測) 應用有效結合。研華科技提出的核心觀點是，未來的智慧邊緣將是 **"LLM + Edge AI + Agent Computing"** 的融合體。LLM 提供更自然的交互和高層次的理解能力，傳統 Edge AI 負責即時的感知與控制，而 Agent 則扮演協調者與執行者的角色，串聯 LLM 的指令、Edge AI 的感知數據以及實際的硬體操作。他強調，要實現這種融合，需要強大的邊緣硬體平台（需具備高運算效能、低功耗、適應惡劣環境）以及高效的軟體開發與部署工具。他介紹了研華在邊緣硬體方面的積累，並重點闡述了其 **"Solution Ready Package (SRP)"** 或稱 **"AI Suite / Solution Pack"** 的軟體策略，旨在降低 AI 在邊緣部署的複雜性。這套工具集類似於一個「AI 作業系統」，提供圖像化開發介面 (Node-RED 模式)、預整合的驅動程式、模型庫、以及應用範本 (如 AMR、AOI、智慧監控)，讓開發者能快速搭建、部署和複製邊緣 AI 應用，目標是將開發週期從數月縮短至數週甚至一個月。他透過服裝瑕疵檢測、煙火偵測、機器人導航等案例，展示了其方案的實際應用。最終，他認為 AI Agent 將是串聯雲端智能與邊緣執行的關鍵，研華正積極佈局相關技術與平台，以抓住邊緣 AI 的巨大市場機會。

### <a id="主要章節"></a>主要章節

#### <a id="1-智慧邊緣的驅動力與新趨勢"></a>1. 智慧邊緣的驅動力與新趨勢

* **演講主旨：** 分析驅動邊緣 AI 發展的宏觀因素，並指出 LLM 與 Agent Computing 向邊緣延伸的新趨勢。
* **宏觀驅動力：勞動力短缺**
* 全球普遍面臨勞動力老化與短缺問題 (引用日本平均勞動年齡數據)。
* AI 驅動的自動化成為替代部分人力的必然選擇。
* **邊緣 AI 的核心價值：** 即時性、可靠性、安全性、低延遲。
* **新趨勢：LLM 向邊緣遷移 (LLM on Edge)**
* **動機：** 利用 LLM 的自然語言理解和生成能力，提升邊緣應用的交互體驗和智能水平。
* **挑戰：** 模型龐大、算力需求高、成本、功耗。
* **技術突破：** 模型小型化 (如 DeepSeek)、邊緣運算硬體效能大幅提升 (展示了從 67 TOPS -> 年底 2000 TOPS 的預期)。
> "在邊緣端要做到所有大部份的應用包含 LLM, VLM 其實都可行的。"
* **新趨勢：代理計算 (Agent Computing) 的引入**
* **角色：** 作為 LLM (大腦/指令) 與 Edge AI (感知/執行) 之間的橋樑和協調者。
* **運作：** Agent 接收 LLM 指令 -> 調用 Edge AI 功能 (如視覺辨識) -> 獲取數據 -> 結合 LLM 進行判斷 -> 控制硬體執行。
* **目標架構：LLM + Edge AI + Agent Computing。**

#### <a id="2-研華的邊緣-ai-策略硬體平台與軟體賦能"></a>2. 研華的邊緣 AI 策略：硬體平台與軟體賦能

* **演講主旨：** 介紹研華如何透過其硬體產品和軟體工具，應對邊緣 AI (特別是 LLM+Agent) 的挑戰，加速應用落地。
* **硬體基礎：強固型邊緣計算平台**
* 研華在工業電腦 (IPC)、邊緣伺服器方面的長期積累。
* 提供不同等級、具備 AI 加速能力 (集成 Nvidia Jetson, Intel Core Ultra/OpenVINO 等) 的邊緣硬體。
* 強調硬體的可靠性、適應工業環境的能力。
* (展示了小型 AI 運算模組 - "比一張名片可能就一半的大小")。
* **軟體核心：AI Suite / Solution Pack (類似 AI 作業系統)**
* **痛點：** 邊緣 AI 開發部署複雜，涉及驅動、函式庫、模型、作業系統整合，耗時長 (數月至一年)。複製困難。
* **研華策略：提供 Solution Ready Package (SRP)**
* **目標：** 將開發週期從數月縮短至**一個月內**。加速開發、易於複製。
* **核心理念：** 讓開發者專注於應用邏輯與模型調優，而非底層整合。
* **主要功能/組件：**
* **圖像化開發介面 (Node-RED like):** 拖拉式節點編排 AI 工作流 (影像輸入 -> 模型推理 -> 結果輸出/觸發動作)。
* **預整合驅動與函式庫 (Pre-integrated Drivers/Libraries):** 支援各種相機、感測器、硬體加速器。
* **模型庫/模型管理 (Model Zoo/Management):** 提供或方便導入不同 AI 模型。
* **應用範本/套件 (Solution Packages):** 針對特定應用場景 (如 AMR, AOI, 智慧監控, 服裝檢測) 提供預置的工作流和模型。
* **(隱含) Agent 開發框架：** 提供構建 AI Agent 的基礎設施。
* **開放性：** 基於開源組件 (如 Node-RED, GStreamer, Triton Inference Server - 未必直接使用但概念類似)，並可在 GitHub 上獲取部分資源。
* **強調：** 軟體與服務**免費**提供給使用研華硬體的客戶/夥伴。

#### <a id="3-應用案例與市場機會"></a>3. 應用案例與市場機會

* **演講主旨：** 展示研華 AI 解決方案在不同垂直領域的實際應用案例，並強調市場潛力。
* **應用案例 (Demo/提及)：**
* **服裝瑕疵檢測 (智慧製造)：** 利用視覺 AI 檢測衣物瑕疵。
* **煙霧/火焰偵測 (智慧城市/安防)：** 快速識別火災隱患。
* **自主移動機器人 (AMR - 智慧物流/製造)：** 提供包含導航 (VSLAM)、避障、路徑規劃的完整開發套件。
* **自動光學檢測 (AOI - 智慧製造)：** 傳統視覺檢測的 AI 升級 (如 Wafer 檢測)。
* **智慧監控/人流分析 (智慧城市/零售)。**
* **軌道安全檢測 (智慧交通)。**
* **市場增長趨勢：**
* 研華觀察到其 AI 相關應用落地數量呈指數級增長 (2022 年 200+ -> 2023 年 500+ -> 2024 年 1000+)。
* **結論：** 邊緣 AI 市場正在起飛 ("Edge AI 已經開始要起飛了，而且這起飛點已經就在下一秒")。
* **未來焦點：工業級 AI Agent**
* 認為 Agent 是串聯雲端智能與邊緣執行的關鍵。
* 研華正與夥伴 (ISV/SI) 密切合作，將 AI Agent 導入工業場景。

### <a id="專業術語與強調點"></a>專業術語與強調點

* **專業術語:**
* **邊緣 AI (Edge AI):** 在靠近數據源的本地端進行 AI 運算。
* **LLM (Large Language Model):** 大型語言模型。
* **Agent Computing / AI Agent:** 代理計算 / AI 智能體。
* **TOPS (Tera Operations Per Second):** AI 運算效能單位。
* **VLM (Vision Language Model):** 視覺語言模型 (多模態)。
* **Solution Ready Package (SRP) / AI Suite / Solution Pack:** 研華的邊緣 AI 軟體開發部署平台概念。
* **Node-RED:** 一種流程編程工具 (研華介面與其類似)。
* **AMR (Autonomous Mobile Robot):** 自主移動機器人。
* **AOI (Automated Optical Inspection):** 自動光學檢測。
* **VSLAM (Visual Simultaneous Localization and Mapping):** 視覺同步定位與地圖構建。
* **ISV (Independent Software Vendor):** 獨立軟體開發商。
* **SI (System Integrator):** 系統整合商。
* **強調點:**
* 勞動力短缺是邊緣 AI 自動化的重要推手。
* 邊緣硬體算力已**大幅提升**，足以支持複雜 AI 模型 (包括 LLM)。
* **LLM + Edge AI + Agent Computing** 是未來智慧邊緣的核心架構。
* **簡化開發與部署**是加速邊緣 AI 落地的關鍵 (研華 AI Suite 的目標)。
* 研華提供**免費**的軟體平台與服務給其硬體客戶/夥伴。
* 邊緣 AI 市場正處於**爆發前夕**。
* **AI Agent** 是實現端到端智能自動化的核心。

### <a id="關鍵啟示"></a>關鍵啟示

1. **邊緣 AI 進入新階段：** 隨著硬體效能提升和 LLM 模型優化，邊緣 AI 不再局限於簡單的感知任務，開始具備更複雜的理解、推理和自主執行能力 (LLM + Agent)。
2. **開發工具鏈是落地關鍵：** 要將複雜的 AI 技術部署到多樣化的邊緣硬體上，需要一套高效、易用、預整合的軟體開發與部署工具鏈，以降低整合難度和縮短上市時間。
3. **Agent 扮演核心協調角色：** 在未來的智慧邊緣系統中，AI Agent 將負責理解高層指令 (來自 LLM 或人類)、調度本地 AI 感知能力、並控制硬體執行，實現端到端的智能。
4. **行業知識與生態合作重要：** 邊緣 AI 的成功落地需要硬體供應商、軟體工具提供商、行業 ISV/SI 以及終端客戶的緊密合作，共同開發針對特定場景的解決方案。
5. **市場爆發在即：** 驅動因素（勞動力短缺）、技術可行性（硬體效能、模型優化）和開發效率（工具鏈）的到位，預示著邊緣 AI 市場即將迎來快速增長。

### <a id="行動建議"></a>行動建議

1. **企業 (尤其是製造、物流、零售、醫療、交通領域)：**
* 評估自身業務流程中，可以透過邊緣 AI + Agent 實現自動化、提升效率或安全性的環節。
* 關注研華等廠商提供的 Solution Ready Package，評估其是否能加速內部 AI 專案的開發與部署。
* 與具備行業知識的 ISV/SI 合作，共同開發基於研華等硬體平台的邊緣 AI 解決方案。
2. **ISV / SI / AI 開發者：**
* 利用研華 AI Suite 等平台，快速開發和驗證面向不同行業的邊緣 AI 應用。
* 專注於特定行業的應用邏輯和模型優化，而非底層硬軟體整合。
* 探索開發 AI Agent，將 LLM 的理解能力與邊緣 AI 的感知執行能力結合。
* 加入研華等硬體廠商的生態系，獲取技術支持與市場機會。
3. **硬體工程師/設計師：**
* 了解最新邊緣 AI 處理器 (NPU, GPU) 的效能與功耗特性。
* 設計易於集成 AI 軟體和感測器的邊緣硬體平台。

---

## <a id="巨大商機以-ai-驅動的創新金融服務與用戶"></a>巨大商機：以 AI 驅動的創新金融服務與用戶

### <a id="演講基本資訊"></a>演講基本資訊

* **講者:** 彭顯恩, 創辦人暨董事長, HOYA BIT 禾亞數位科技
* **時間:** 2025年3月28日 15:00-15:20
* **場次:** AI Expo 2025
* **形式:** 單一講者

### <a id="內容摘要"></a>內容摘要

彭顯恩董事長從加密貨幣交易所 (HOYA BIT) 創辦人的角度，探討了 AI 如何為金融服務（特別是新興的數位資產領域）帶來巨大變革與商機。他認為，AI 是實現加密貨幣「普惠金融」理念的關鍵催化劑，能有效降低用戶的進入門檻和投資風險。演講聚焦於 AI 在優化用戶體驗、提升決策質量和強化風險控管方面的應用：1) **個人化投資顧問：** AI 可以根據用戶的風險偏好、財務狀況、投資目標（如 Z 世代追求高風險高報酬 vs. 壯世代追求穩定），提供量身訂做的投資策略建議，克服傳統投顧服務的局限性。2) **數據驅動的理性決策：** AI 能快速分析海量市場資訊（新聞、社群討論、鏈上數據、技術指標如資金費率），提供客觀、冷靜的投資判斷，幫助用戶擺脫情緒化交易（追高殺低）。3. **一站式智能交易平台：** 未來 AI 可整合資訊查詢、策略生成、下單執行甚至自動調整倉位的功能，實現「懶人投資法」，大幅簡化用戶操作流程。4) **高效智能客服：** AI Chatbot 能 24/7 提供專業、標準化、多語氣的客戶服務，解答從基本概念到複雜操作的各類問題，大幅降低人力成本和培訓難度，尤其適合全天候運作的加密貨幣市場。5) **強化 KYC/AML 風險控管：** AI 能更精準地分析用戶交易行為和資金流動，識別潛在的洗錢、詐騙等非法活動，提升合規性。他強調，若沒有 AI 的加持，加密貨幣產業難以真正走向大眾化和普惠化；AI 的導入正像一把火，加速了整個產業的成熟與發展。

### <a id="主要章節"></a>主要章節

#### <a id="1-ai加密貨幣實現普惠金融的催化劑"></a>1. AI：加密貨幣實現普惠金融的催化劑

* **演講主旨：** 定位 AI 在加密貨幣和新金融服務中的核心價值——降低門檻，實現普惠。
* **背景：金融科技 (FinTech) 的融合挑戰**
* 傳統金融：保守、穩定、低風險。
* 科技/加密貨幣：創新、快速、高風險。
* AI 作為橋樑，平衡創新與穩定。
* **加密貨幣的痛點 (阻礙普惠的因素)：**
* **進入門檻高：** 技術概念複雜 (Bitcoin, Blockchain)，投資知識專業 (資金費率等指標)，用戶難以理解和入門。
* **資訊過載與混亂：** 市場資訊來源多樣 (社群、新聞、交易所)，真假難辨，研究耗時。
* **情緒化交易：** 用戶易受市場氛圍影響 (恐懼與貪婪指數)，追高殺低，導致虧損。
* **缺乏個性化指導：** 傳統投顧難以滿足不同用戶（年齡、風險偏好）的細緻需求。
* **AI 的核心價值：**
* **降低門檻：** 透過自然語言交互，解釋複雜概念，提供易懂資訊。
* **提升效率：** 快速分析海量數據，提供即時洞察。
* **個性化服務：** 根據用戶畫像提供量身訂做的建議。
* **理性決策輔助：** 提供客觀數據分析，減少情緒干擾。
* **教育與引導：** 扮演投資導師角色。
> "如果沒有 AI 加入到這個產業，我覺得加密貨幣這個產業它是會非常緩慢的前進，也可能是無法達到我印象中可以做到普惠金融這件事情。"
> "AI 的導入正像一把火，加速了整個產業的成熟與發展。"

#### <a id="2-ai-驅動的創新金融服務場景"></a>2. AI 驅動的創新金融服務場景

* **演講主旨：** 展示 AI 在加密貨幣交易平台及相關金融服務中的具體應用場景。
* **應用一：AI 投資顧問/交易助理**
* **功能：**
* **個性化策略生成：** 根據用戶輸入的年齡、風險承受度、投資目標、可用資金等，推薦適合的投資標的與策略。
* **市場資訊整合與分析：** 自動抓取分析新聞、社群情緒、技術指標 (資金費率等)、鏈上數據，提供市場狀況總結。
* **投資教育：** 解釋基礎概念 (如 BTC 是什麼)、專業術語。
* **行動建議：** 給出買入/賣出/觀望的具體建議。
* **效益：** 解決用戶研究時間不足、專業知識缺乏、決策困難的問題。
* **應用二：AI 智能客服**
* **痛點：** 金融客服要求高 (專業度、即時性、情緒管理)，人力成本高、訓練週期長、人員流動率高。加密貨幣市場 24/7 運作，人力難以完全覆蓋。
* **AI 客服優勢：**
* **全天候服務 (24/7/365)。**
* **快速學習：** 短時間內吸收大量產品知識、FAQ。
* **標準化服務：** 回答精準、態度專業 (可設定不同語氣)。
* **多語言能力。**
* **處理量大。**
* **成本效益高。**
* **效益：** 大幅降低客服運營成本，提升服務效率與一致性，滿足全天候市場需求。
* **應用三：一站式智能交易平台 (未來願景)**
* **概念：** 真正的「懶人投資法」。
* **流程：** 用戶設定投資目標與風險偏好 -> AI 自動分析市場、生成策略 -> (用戶確認後) AI 自動執行下單 -> AI 持續監控市場，可能自動調整倉位 -> 定期報告投報率與市場展望。
* **效益：** 極大程度簡化用戶操作，實現端到端的智能投資管理。
* **應用四：AI 驅動的風險控管 (KYC/AML)**
* **痛點：** 洗錢、詐騙等金融犯罪手段不斷變化，傳統基於規則的系統和人工審核難以完全防堵。
* **AI 風控優勢：**
* **異常行為偵測：** 分析用戶交易模式、資金流向，識別可疑行為。
* **身份驗證強化：** 更精準地識別偽造文件或信息。
* **提升合規效率：** 自動化處理大量審核工作。
* **效益：** 提高風險識別的準確性和效率，滿足監管要求。

#### <a id="3-跨世代用戶服務與-ai-的角色"></a>3. 跨世代用戶服務與 AI 的角色

* **演講主旨：** 強調 AI 如何幫助金融服務平台更好地滿足不同世代用戶的差異化需求。
* **世代差異：**
* **Z 世代：** 可能更追求效率、直接的答案，熟悉數位工具。
* **壯世代 (40/50歲+)：** 可能更重視服務態度、溝通的舒適度，對新技術接納需要引導。
* **AI 的適應性：**
* 可針對不同用戶畫像，調整交互語言、語氣和資訊呈現方式。
* 為不熟悉技術的用戶提供更友善的引導。
* 滿足不同風險偏好和投資風格的需求。
* **結論：** AI 是實現跨世代、全齡化金融服務的關鍵。

### <a id="專業術語與強調點"></a>專業術語與強調點

* **專業術語:**
* **加密貨幣 (Cryptocurrency):** 如比特幣 (BTC)。
* **數位資產 (Digital Asset):** 加密貨幣及其他代幣化資產。
* **交易所 (Exchange):** 提供加密貨幣交易的平台。
* **普惠金融 (Financial Inclusion):** 讓所有人都能平等獲得金融服務。
* **AI 投資顧問/助理 (AI Investment Advisor/Assistant):** 利用 AI 提供投資建議。
* **資金費率 (Funding Rate):** 加密貨幣衍生品市場的一個指標。
* **用戶畫像 (User Persona / Profile):** 對目標用戶特徵的描述。
* **智能客服 (AI Customer Service / Chatbot):** AI 驅動的客服系統。
* **KYC (Know Your Customer):** 了解你的客戶 (身份驗證)。
* **AML (Anti-Money Laundering):** 反洗錢。
* **Z 世代 (Gen Z):** 通常指 1990 年代末至 2010 年代初出生的人。
* **壯世代:** 指中高齡活躍人口。
* **強調點:**
* AI 是實現**普惠金融**的關鍵**催化劑**。
* AI 能有效**降低加密貨幣投資門檻**。
* AI 幫助投資者做出**更理性的決策**。
* AI **大幅提升客服效率**並降低成本。
* AI 能**強化風險控管** (KYC/AML)。
* AI 能提供**個性化、跨世代**的金融服務。
* 未來 AI 可實現**一站式智能投資**。
* **可信任的數據** (隱含) 和**負責任的 AI** (隱含) 對金融應用至關重要。

### <a id="關鍵啟示"></a>關鍵啟示

1. **AI 重塑金融服務體驗：** AI 正在從投資顧問、客戶服務到風險控管等多個層面，深刻改變金融服務的提供方式和用戶體驗。
2. **個性化與普惠化成真：** AI 使得過去難以實現的大規模、低成本個性化金融服務成為可能，有效降低了金融服務的門檻，推動普惠金融。
3. **數據分析能力是核心：** AI 在金融領域的核心價值之一在於其強大的數據處理和分析能力，能夠從海量、多源的資訊中提取洞察，輔助理性決策。
4. **效率與成本優勢顯著：** AI 在自動化客服、簡化交易流程、強化風控等方面展現出顯著的效率提升和成本降低潛力。
5. **信任與合規仍是關鍵：** 儘管 AI 能力強大，但在金融這一高度監管和信任敏感的行業，確保 AI 的可靠性、透明度、安全性及合規性仍是重中之重。

### <a id="行動建議"></a>行動建議

1. **金融機構 (傳統與新興)：**
* 積極將 AI 融入核心業務流程，特別是客戶服務、投資顧問、風險管理等環節。
* 利用 AI 開發個性化的金融產品和服務，滿足不同客群（尤其是 Z 世代和壯世代）的需求。
* 探索一站式智能投顧/交易平台的可行性。
* 加強 AI 在 KYC/AML 方面的應用，提升合規效率與風險識別能力。
* 重視 AI 模型的透明度、可解釋性與公平性，建立用戶信任。
2. **投資者/用戶：**
* 嘗試使用 AI 驅動的投資分析工具或智能投顧服務，輔助自身投資決策。
* 利用 AI 客服獲取更快速、便捷的服務。
* 保持批判性思維，理解 AI 建議背後的數據來源和侷限性。
3. **監管機構：**
* 密切關注 AI 在金融領域的應用發展，及時更新監管框架，平衡創新與風險。
* 制定關於 AI 演算法透明度、公平性、數據使用的相關規範。
4. **AI 技術提供商：**
* 開發針對金融行業特定需求的 AI 模型與解決方案（如風險評估模型、合規檢測工具）。
* 提供安全、可靠、易於整合的 AI 平台與服務。

---

## <a id="讓-ai-企業解密navi-如何打造智慧決策力"></a>讓 AI 企業解密：NAVI 如何打造智慧決策力？

### <a id="演講基本資訊"></a>演講基本資訊

* **講者:** 周浩洋, 資深技術協理, 網創資訊 (Navi+)
* **時間:** 2025年3月28日 15:20-15:40
* **場次:** AI Expo 2025
* **形式:** 單一講者

### <a id="內容摘要"></a>內容摘要

周浩洋協理介紹了網創資訊 (Navi+) 如何透過其企業級 AI 知識管理平台 NAVI，協助企業將內部海量、分散的數據轉化為可行動的智慧決策力。他首先點出企業在 AI 浪潮中普遍面臨數據孤島、資訊混亂以及如何將 AI 應用於實際業務的挑戰。NAVI 平台的設計理念是分三步走：1) **從數據到知識 (Data to Knowledge):** 平台具備強大的數據整合能力，能處理多種格式 (PDF - 含圖像/表格, 影片等)，並連接內外部數據源 (網際網路、內部資料庫、ERP/CRM 系統)，利用 RAG 技術構建企業內部的知識圖譜或向量資料庫，同時解決本地部署與權限管理的資安需求。2) **從知識到洞察 (Knowledge to Insight):** 引入「深度研究」(Deep Research) 的概念，利用 AI Agent 的推理 (Reasoning) 與規劃 (Planning) 能力，針對特定主題自動拆解分析框架、蒐集內外部資料、進行深度分析並生成結構化報告 (以分析台積電赴美設廠影響為例，展示了 AI 自動生成包含六大主題、參考上百份資料的 50 多頁報告)，將過去需要數週的研究工作縮短至數十分鐘。3) **從洞察到行動 (Insight to Action):** 透過 Plugin 機制，賦予 AI Agent 調用外部工具 (API) 的能力，使其能執行預訂機票/飯店、下單交易 (理論上) 等實際任務，實現從分析到執行的閉環。他強調 NAVI 平台旨在提供一個安全、可擴展、易於整合的企業級 AI 基礎，並展望未來將持續強化其自動化決策和 Agent 協同能力，最終賦能企業實現真正的智慧運營。

### <a id="主要章節"></a>主要章節

#### <a id="1-企業-ai-應用的挑戰與-navi-平台定位"></a>1. 企業 AI 應用的挑戰與 NAVI 平台定位

* **演講主旨：** 指出企業在 AI 時代面臨數據混亂與應用落地難的挑戰，並介紹 NAVI 作為企業級 AI 知識管理與決策平台的定位。
* **網創資訊 (Navi+) 介紹：**
* 強調在雲端服務領域的經驗 (2017 年成立，疫情期間快速發展)。
* 早期獲得 AWS AI/ML 能力認證 (台灣首家?)。
* 專注於企業級 AI 解決方案。
* **企業面臨的挑戰：**
* 數據來源多樣、格式混亂、儲存分散 (數據孤島)。
* 通用 AI 模型 (如 ChatGPT) 無法解決企業內部特定問題。
* 導入 AI 的路徑不明，不知如何應用。
* **NAVI 平台定位：** 企業的 AI 軍師/大腦。
* **核心目標：** 協助企業將海量數據轉化為知識，再從知識提煉洞察，最終驅動智慧決策與行動。
* **三步走策略：** Data to Knowledge -> Knowledge to Insight -> Insight to Action。

#### <a id="2-navi-step-1-從數據到知識-data-to-knowledge"></a>2. NAVI Step 1: 從數據到知識 (Data to Knowledge)

* **演講主旨：** 闡述 NAVI 平台如何整合內外部數據，利用 RAG 技術構建企業知識庫，並解決資安問題。
* **數據整合能力：**
* **多格式處理：** PDF (含圖像、表格)、影片等非結構化數據。
* **多來源連接：**
* 外部：網際網路即時資訊。
* 內部：檔案系統、資料庫、ERP、CRM 等業務系統。
* **核心技術：RAG (Retrieval-Augmented Generation)**
* 將整合後的數據轉換為 LLM 可理解的知識庫 (向量資料庫/知識圖譜)。
* 讓 LLM 能夠基於企業內部數據回答問題。
* **解決企業痛點：**
* **資安與隱私：** 支持本地部署 (On-Premise) 或私有雲部署，確保數據不出企業。
* **權限管控：** 提供精細化的權限管理機制，區分不同部門/角色的訪問權限。
* **應用示例：投資研究報告輔助**
* **傳統流程：** 研究員手動收集公司財報、新聞、內部報告、網路資訊 -> 耗時數週 -> 產出報告。
* **NAVI 輔助：** 研究員透過 NAVI 平台 -> AI 自動整合內外部相關數據 -> 快速生成初步分析資料 -> 大幅縮短研究時間。

#### <a id="3-navi-step-2-從知識到洞察-knowledge-to-insight"></a>3. NAVI Step 2: 從知識到洞察 (Knowledge to Insight)

* **演講主旨：** 介紹 NAVI 的「深度研究」(Deep Research) 功能，利用 AI Agent 的推理能力自動化研究分析過程。
* **超越 RAG：從助理到分析師**
* 傳統 RAG + LLM 像個助理，需要人來指揮分析步驟。
* **深度研究：** 利用 AI Agent 的 **推理 (Reasoning) 和規劃 (Planning)** 能力。
* **運作模式 (React - Reason + Act 框架)：**
1. **設定主題：** 用戶給定研究目標 (如分析台積電赴美設廠影響)。
2. **AI 自動規劃 (Reasoning):** AI Agent 自動拆解研究主題，生成分析大綱/框架 (包含多個子主題)。
3. **AI 自動執行 (Action):** Agent 根據規劃好的框架，自動調用工具 (搜尋引擎、內部數據庫接口) 蒐集相關資料。
4. **AI 自動整合與生成 (Observation & Generation):** Agent 彙整蒐集到的資訊，進行分析，並自動生成結構化的深度報告。
* **Demo 展示：分析台積電赴美設廠影響**
* 用戶輸入主題。
* NAVI 平台自動生成研究大綱 (含商業影響、地緣政治等六大主題)。
* 點擊「一鍵生成報告」。
* **結果：** 30 分鐘後生成 50 多頁、引用上百份資料的深度分析報告。
* **效益：** 將數週的研究工作壓縮到數十分鐘，效率極大提升。
* **類比：** 如同請 AI 自動完成一篇研究論文 (從定大綱到找資料、寫內容)。
* **強調：** 目前此功能主要面向企業，而非學術界。

#### <a id="4-navi-step-3-從洞察到行動-insight-to-action"></a>4. NAVI Step 3: 從洞察到行動 (Insight to Action)

* **演講主旨：** 闡述 NAVI 如何透過 Plugin 機制，讓 AI Agent 能夠調用外部工具執行實際任務。
* **核心機制：Plugin / 工具調用 (Tool Calling)**
* 讓 LLM/Agent 具備連接並操作外部 API 或系統的能力。
* **應用示例：旅遊行程規劃與預訂**
* **流程：**
1. 用戶提出需求 (如規劃日本滑雪行程)。
2. AI Agent 分析需求，規劃行程草案。
3. **調用工具：** Agent 透過 Plugin 連接天氣 API、飯店預訂 API、機票預訂 API，獲取即時、準確的資訊。
4. Agent 整合資訊，生成包含具體航班、飯店選項的行程計畫。
5. **(可選)** 用戶確認後，Agent 透過 API 完成預訂動作。
* **未來延伸：** 智能投資 (自動分析 + 自動下單)、自動化工作流等。
* **目標：** 實現從數據分析到業務執行的自動化閉環。

#### <a id="5-navi-平台特性與未來展望"></a>5. NAVI 平台特性與未來展望

* **平台特性總結：**
* **企業級知識管理：** 整合內外部、多格式數據。
* **深度研究能力：** AI Agent 自動化分析與報告生成。
* **行動執行能力：** Plugin 機制連接外部工具。
* **安全性：** 支持本地部署、精細權限管理。
* **易整合：** 提供 API 與企業現有系統 (SSO 等) 對接。
* **可擴展性：** 彈性架構支持未來功能擴展。
* **未來發展方向：**
* **更強的自動化決策：** 讓 AI 在更多場景下自主做決定。
* **AI Agent 協同 (AI calls AI):** 讓不同專長的 Agent 互相協作完成複雜任務。
* **多模態內容生成 (影片等)。**
* **持續強化基礎能力：** 數據源擴展、格式支持、安全整合等。

### <a id="專業術語與強調點"></a>專業術語與強調點

* **專業術語:**
* **企業知識管理 (Enterprise Knowledge Management):** NAVI 平台的核心功能。
* **數據孤島 (Data Silos):** 企業數據分散問題。
* **RAG (Retrieval-Augmented Generation):** 構建知識庫的基礎技術。
* **向量資料庫 (Vector Database) / 知識圖譜 (Knowledge Graph):** 知識儲存方式。
* **本地部署 (On-Premise):** 重要的安全部署選項。
* **權限管理 (Access Control / Permissions):** 企業內部安全需求。
* **AI Agent:** 具備推理、規劃、行動能力的 AI。
* **深度研究 (Deep Research):** NAVI 的自動化分析報告功能。
* **推理 (Reasoning), 規劃 (Planning), 行動 (Action):** AI Agent 的核心能力 (React 框架)。
* **工具調用 (Tool Calling) / Plugin:** Agent 連接外部 API 的機制。
* **API (Application Programming Interface):** 應用程式介面。
* **強調點:**
* 企業 AI 落地需解決**數據整合**與**應用場景**兩大問題。
* NAVI 平台提供**從數據到知識、到洞察、到行動**的三步解決方案。
* **深度研究**功能是 NAVI 的亮點，能自動化複雜分析。
* **Plugin 機制**實現了從分析到執行的閉環。
* **安全性 (本地部署、權限管理)** 是企業級方案的關鍵。
* AI Agent 的協同與自動化決策是未來方向。

### <a id="關鍵啟示"></a>關鍵啟示

1. **企業級 AI 需超越簡單問答：** 真正的企業 AI 應用不僅要能回答基於內部知識的問題 (RAG)，更要能進行深度分析 (Reasoning) 並觸發行動 (Action)。
2. **AI Agent 是實現智慧決策的關鍵：** Agent 的自主規劃、工具調用能力，使得自動化複雜的研究分析和業務流程成為可能。
3. **數據整合與知識構建是基礎：** 無論 AI 多麼智能，其能力的發揮仍高度依賴於能否有效整合、理解企業內外部的多源、多格式數據。
4. **安全與可控是企業採用的前提：** 提供本地部署選項和精細的權限管理，是打消企業對數據安全和隱私顧慮的必要條件。
5. **平台化是趨勢：** 提供一個整合數據接入、知識構建、AI 分析和行動觸發的統一平台，能顯著降低企業導入和使用 AI 的複雜度。

### <a id="行動建議"></a>行動建議

1. **面臨數據整合與知識管理挑戰的企業：**
* 評估 NAVI 等企業級 AI 知識管理平台，了解其數據處理、RAG、Agent 分析及行動能力。
* 優先考慮支持本地部署和精細權限管理的解決方案。
* 思考內部有哪些重複性的研究分析或報告生成工作，可以透過 NAVI 的「深度研究」功能來自動化。
2. **需要提升決策效率的部門 (如投研、市場分析、戰略規劃)：**
* 探索利用 AI Agent 自動蒐集、整理、分析內外部資訊，生成初步報告，輔助決策。
* 嘗試將 AI Agent 應用於特定主題的深度研究。
3. **希望實現流程自動化的企業：**
* 評估 NAVI 等平台的 Plugin/工具調用能力，思考如何將 AI 的洞察轉化為實際的業務動作 (如自動更新 CRM、觸發工單等)。
4. **系統整合商 (SI)：**
* 了解 NAVI 等平台的架構與 API，思考如何將其整合到客戶現有的 IT 環境中。
* 基於 NAVI 平台為特定行業客戶開發客製化的 AI 解決方案。

---

## <a id="ai-驅動供應鏈轉型-o9-如何提升企業的敏捷度與韌性"></a>AI 驅動供應鏈轉型: o9 如何提升企業的敏捷度與韌性

### <a id="演講基本資訊"></a>演講基本資訊

* **講者:** 石璐, 行業解決方案顧問, o9 Solutions
* **時間:** 2025年3月28日 15:40-16:00
* **場次:** AI Expo 2025
* **形式:** 單一講者

### <a id="內容摘要"></a>內容摘要

石璐顧問介紹了 o9 Solutions 如何利用其基於企業知識圖譜 (EKG) 和 AI 技術的「數字大腦」(Digital Brain) 平台，幫助企業應對日益複雜和不確定的供應鏈環境，提升敏捷度與韌性。她首先分析了當前企業面臨的挑戰，包括全球化帶來的供應鏈複雜性、地緣政治導致的脫鉤風險、貿易保護主義 (關稅)、勞動力變化 (少子高齡化、知識傳承困難) 以及普遍存在的數據孤島和手工流程 (Excel/郵件驅動決策)。她指出傳統運營模式如同多人駕駛汽車，反應遲緩且不協調。o9 的目標是讓企業像一個人一樣運營，實現端到端的數據可視性、快速響應、情景模擬 (What-if Analysis)、跨部門及跨供應鏈的協同。o9 數字大腦平台的核心是企業知識圖譜 (EKG)，它利用圖數據庫技術將供應鏈中不同類型、來源的數據（客戶、產品、BOM、產能、庫存、供應商、運輸等）有效連接起來，實現端到端可視化。在此基礎上，平台利用 AI/ML 技術進行自動化分析和預測。透過 Demo 展示了平台的兩大應用：1) **關稅影響模擬：** 自動構建供應鏈網絡圖，當模擬某一原材料因關稅導致採購成本上升時，系統能快速計算並視覺化呈現對最終產品毛利的影響，輔助企業制定應對策略。2) **供需匹配與缺料分析：** 視覺化呈現需求與供應的匹配情況，當出現供應短缺（紅色預警）時，能自動下鑽分析，快速定位瓶頸原因（如某供應商原材料到貨延遲）。演講強調 o9 平台旨在賦能計劃人員和管理者，利用 AI 增強決策分析能力，實現更敏捷、更具韌性的供應鏈運營。

### <a id="主要章節"></a>主要章節

#### <a id="1-現代供應鏈的挑戰與轉型需求"></a>1. 現代供應鏈的挑戰與轉型需求

* **演講主旨：** 分析當前企業供應鏈面臨的複雜性、不確定性，以及傳統運營模式的不足，提出轉型必要性。
* **面臨的挑戰：**
* **複雜性 (Complexity):** 全球化供應鏈網絡龐大。
* **不確定性 (Uncertainty):** 地緣政治 (脫鉤)、貿易保護 (關稅 - 提及汽車關稅影響日經指數)、疫情等外部衝擊。
* **勞動力變化：** 少子高齡化、有經驗員工退休、知識傳承困難。
* **內部問題：**
* **數據孤島 (Data Silos):** 數據分散在不同系統，缺乏端到端可視性。
* **手工流程：** 大量依賴 Excel、郵件進行計劃與決策，效率低下、易出錯。
* **響應遲緩：** 對外部變化的感知和響應能力差。
* **傳統模式弊端：** 如同多人駕駛汽車，各部門各自為政，決策不協調，無法快速應對變化。
* **轉型目標 (下一代供應鏈平台需具備的能力)：**
1. **端到端可視性 (End-to-End Visibility):** 快速感知外部變化。
2. **快速響應 (Agility & Speed):** 加快內部決策與計劃流程，跨部門同步協同。
3. **情景模擬 (What-if Simulation):** 評估不同假設 (如供應商斷供) 下的影響，制定預案。
4. **協同 (Collaboration):**
* 內部：跨部門協同。
* 外部：與客戶、一/二/三級供應商等合作夥伴的協同。
5. **AI 賦能決策 (AI-Powered Decision Making):** 利用 AI 增強計劃人員與管理者的分析與決策能力。

#### <a id="2-o9-數字大腦平台架構與核心技術"></a>2. o9 數字大腦平台：架構與核心技術

* **演講主旨：** 介紹 o9 數字大腦平台的架構，特別是其企業知識圖譜 (EKG) 的核心作用。
* **平台定位：** 供應鏈計劃、分析與決策支持平台。
* **平台架構：**
* **數據整合層 (Data Integration):** 從外部系統 (ERP, CRM, MES, WMS 等) 抽取、轉換、加載 (ETL) 數據。
* **資料管理層 / 企業知識圖譜 (Data Management / EKG - Enterprise Knowledge Graph):**
* **核心技術：圖數據庫 (Graph Database)。**
* **優勢：**
* **連接性：** 能有效連接供應鏈中不同類型、高度關聯的數據 (客戶、供應商、產品、BOM、產線、產能、庫存、運輸路徑等)。
* **高效查詢/計算：** 快速遍歷複雜的供應鏈網絡關係。
* **實現：** 將碎片化的數據整合為端到端的、可視化的供應鏈模型。
* **AI/ML 分析層 (AI/ML Analytics):** 利用 EKG 中的數據進行自動化分析、預測、優化。
* **用戶展現層 (User Experience):** 提供直觀的用戶界面、儀表板、工作流，方便計劃人員和決策者使用。
* **o9 公司歷史與背景：**
* 創始人 Sanjiv Sidhu 曾創立知名供應鏈軟件公司 I2。
* o9 成立於 2009 年，早期專注於諮詢，深入了解企業痛點。
* 2016 年正式發布 o9 數字大腦平台。
* 全球已有約 180 家大型企業客戶 (涵蓋消費品、零售、製造等)。

#### <a id="3-應用場景-demo-展示"></a>3. 應用場景 Demo 展示

* **演講主旨：** 透過實際操作演示，具體展現 o9 平台在供應鏈場景中的應用價值。
* **Demo 一：關稅影響分析 (What-if Simulation)**
* **流程：**
1. 系統自動基於導入數據，生成視覺化的供應鏈網絡圖。
2. 用戶可按地點、層級等維度查看網絡結構 (客戶 -> RDC -> DC -> 工廠 -> 供應商)。
3. 展開工廠節點，可看到庫存、工序、產能等詳細信息。
4. 選定某個由特定供應商提供的原材料。
5. 創建一個新的模擬場景 (Scenario)。
6. 在新場景中，修改該原材料的採購成本 (模擬關稅導致成本上升 100%)。
7. 系統快速重新計算。
8. 比較新舊場景下的關鍵指標 (KPI)，如**產品毛利率 (Gross Margin)**。
* **結果：** 視覺化圖表清晰顯示成本上升導致毛利大幅下降。
* **效益：** 幫助企業快速評估外部成本變動（如關稅）對財務的影響，支持定價、採購策略調整等決策。
* **Demo 二：供需匹配與缺料分析 (Supply-Demand Match & Root Cause Analysis)**
* **流程：**
1. 儀表板顯示需求預測 (線) 與供應計劃 (柱狀圖)。綠色表示滿足，紅色表示短缺。
2. 點擊某個紅色短缺的時間段。
3. 系統自動下鑽 (Drill-down) 到供應鏈網絡圖。
4. 圖中自動高亮顯示導致短缺的瓶頸環節（紅色標識）。
5. **定位原因：** 發現是某個供應商的某個原材料，因運輸問題導致**到貨時間延遲 (Late Arrival)**，進而影響了後續的生產和成品交付。
* **效益：** 快速識別供應缺口，並自動追溯根本原因，幫助計劃人員及時採取應對措施（如尋找替代料、調整生產計劃）。

#### <a id="4-總結ai-增強決策提升供應鏈韌性"></a>4. 總結：AI 增強決策，提升供應鏈韌性

* **核心價值：** o9 平台利用 EKG 整合數據，實現端到端可視化，再結合 AI 技術進行分析、預測與模擬。
* **目標：** 賦能計劃人員和管理者，增強其決策分析能力，更快速、更準確地應對供應鏈的複雜性和不確定性，最終提升企業的敏捷度 (Agility) 和韌性 (Resilience)。

### <a id="專業術語與強調點"></a>專業術語與強調點

* **專業術語:**
* **供應鏈管理 (Supply Chain Management - SCM):** 核心領域。
* **敏捷度 (Agility):** 快速響應變化的能力。
* **韌性 (Resilience):** 從衝擊中恢復的能力。
* **數字大腦 (Digital Brain):** o9 平台的品牌名稱。
* **企業知識圖譜 (EKG - Enterprise Knowledge Graph):** o9 平台的核心數據模型。
* **圖數據庫 (Graph Database):** EKG 的底層技術。
* **端到端可視性 (End-to-End Visibility):** 供應鏈管理的關鍵需求。
* **情景模擬 (What-if Simulation / Scenario Analysis):** 評估不同假設影響的分析方法。
* **供需匹配 (Supply-Demand Match):** 供應鏈計劃的核心任務。
* **根本原因分析 (Root Cause Analysis):** 追溯問題源頭。
* **毛利率 (Gross Margin):** 衡量盈利能力的指標。
* **KPI (Key Performance Indicator):** 關鍵績效指標。
* **ETL (Extract, Transform, Load):** 數據整合流程。
* **強調點:**
* 現代供應鏈面臨**複雜性**和**不確定性**的巨大挑戰。
* **數據孤島**和**手工流程**是傳統供應鏈運營的主要障礙。
* **端到端可視性**和**跨鏈協同**是轉型的關鍵目標。
* **企業知識圖譜 (EKG)** 是實現數據連接和可視化的有效技術。
* **情景模擬 (What-if)** 對於應對不確定性至關重要。
* AI 在供應鏈中的作用是**增強人類決策**，而非完全取代。
* o9 平台能幫助企業**快速定位問題根源**並**評估決策影響**。

### <a id="關鍵啟示"></a>關鍵啟示

1. **供應鏈管理的複雜性需要新技術：** 傳統的 ERP 或分散的計劃工具難以應對現代全球供應鏈的動態變化，需要整合的、智能化的計劃平台。
2. **數據整合與可視化是基礎：** 在進行任何高級分析或 AI 應用之前，必須先打通數據孤島，建立一個能反映供應鏈網絡真實關係的統一數據模型（如 EKG）。
3. **圖數據庫技術適用於供應鏈場景：** 其天然的連接性使其非常適合表達和查詢複雜的供應鏈網絡關係。
4. **情景模擬是提升韌性的關鍵工具：** 能夠快速模擬不同場景（如關稅變化、供應商中斷）並評估其影響，是企業制定應急預案、提升供應鏈韌性的核心能力。
5. **AI 賦能計劃人員：** AI 在供應鏈中的價值更多體現在自動化分析、加速洞察發現、輔助複雜決策，從而提升計劃人員的工作效率和決策質量。

### <a id="行動建議"></a>行動建議

1. **面臨供應鏈複雜性挑戰的企業：**
* 評估自身供應鏈的可視性、敏捷性和韌性水平，識別關鍵瓶頸。
* 考慮導入像 o9 這樣的整合供應鏈計劃平台，以打通數據孤島，實現端到端可視化。
* 利用平台的情景模擬功能，針對潛在風險（如地緣政治、關稅、供應商風險）制定應對預案。
* 將 AI 技術視為提升計劃效率和決策質量的工具，賦能計劃團隊。
2. **供應鏈計劃人員/管理者：**
* 學習使用新一代供應鏈計劃工具，掌握數據分析、情景模擬等功能。
* 利用平台提供的可視化工具，快速理解供應鏈狀況和問題根源。
* 從繁瑣的手工數據處理中解放出來，更專注於戰略性思考和決策。
3. **IT 部門：**
* 支持供應鏈計劃平台的數據整合工作，確保從 ERP 等源系統獲取準確、及時的數據。
* 了解圖數據庫等新技術在供應鏈數據管理中的應用。