元智第二屆 AI University 產學實習生計畫成果發表剛落幕，我感觸良多。

再一次，七號演算整合執行長沈秉文所帶領的團隊，展現了強大的韌性與教育熱忱，也讓我們這一場元智 AI University 有了如此振奮人心的成果展示。

這學期，學生們每週投入時間，與企業反覆討論、整理需求、設計系統並修正成果。最終，他們站上台，將自己對企業現場痛點的理解，轉化為具體可操作、可檢驗的 AI 應用雛形。

這件事對台灣至關重要。

現在談 AI，我們不能只停留在工具介紹或模型效能的比較。真正的核心課題是：AI 究竟能不能融入企業日常的營運作業？能不能讓製造業、醫材業、電子業、製藥業這些台灣長年累積實力的產業，將過去高度仰賴老師傅、業務、生管、採購、工程師經驗的工作，逐步轉化為可交接、可查詢且持續進步的標準流程？

這次各組題目有一個共同特徵：全數從企業日常工作中最耗人力、最依賴經驗、最難標準化的環節切入。

有的團隊處理設備報價。面對客戶格式不一、內容時而模糊的需求文件，業務必須先判讀需求，再回頭比對機型、規格、報價邏輯並交由主管審核。這是一連串高度仰賴經驗的判斷過程，絕非單純填表。

有的團隊處理客製化機械與線材規格。這些工作牽涉材料、規格、安全要求、客戶場域與工程判斷。AI 雖無法直接取代工程師，卻能協助初步整理需求、萃取關鍵欄位並建立基礎規格，讓工程師將寶貴時間保留給真正需要專業判斷的刀口上。

有的團隊處理醫材製造現場的訂單、排程與機台狀態查詢。企業過去可能已導入 ERP 或 MES，但現場同仁依然習慣打電話、問人或翻找 Excel。這提醒了我們，系統建置完成與使用者能順利取得解答完全是兩回事。若 AI 能讓查詢介面變得更直覺自然，既有系統才有機會發揮更高價值。

有的團隊處理中藥材採購。採購人員必須追蹤價格、評估供應商、判斷品質風險，同時還要引導新人理解採購邏輯。採購任務必須綜合評估市場波動、品項特性與供應商紀錄，絕對不只有單純比價。

也有團隊處理電子顯示產品報價。客戶最初提出的需求往往缺乏完整規格，業務必須步步追問，最終才能收斂成可報價、可審核、可交付的資料。AI 在此處的價值，正是協助將模糊的對話轉化為清晰的工作輸入指令。

這些題目都如此貼近工作現場！它們印證了一件事：AI 進入企業的第一站，通常是同仁每天花費大量時間處理、卻鮮少被系統化整理的繁瑣流程，而非最高階的決策會議。

▮ AI 導入的首要挑戰：資料整備與工作語言的對接

在過去的 16 週裡，學生們努力處理各種雜亂的資料來源：PDF、圖片、報價單、規格書、表格、網站資料、供應商報價、訂單紀錄與機台狀態。這些資料本來就存在於企業內部，卻常散落各處，且多半無法直接餵給 AI 運作。

這是製造現場導入 AI 最現實的一課。企業並不缺資料，缺的是將資料轉化為系統能穩定讀取、理解與比對的結構化格式。更深層來看，企業真正有價值的資產，往往深藏於員工的個人經驗中。老師傅懂得某些規格為何不能這樣搭配；採購知道看似便宜的報價背後潛藏哪些風險；業務聽得懂客戶某句話背後的弦外之音。

倘若沒有將這些無形的經驗記錄下來並轉為可查詢的結構，AI 就只能處理最表層的資訊。

正因如此，AI University 的訓練才顯得格外有意義。學生不能只會操作工具，更必須深入企業探究：這份資料從何而來？由誰負責確認？哪些欄位最關鍵？哪些決策絕對不能交給 AI？哪些環節必須保留人工審核？

釐清這些問題，遠比單純學會一套 AI 工具來得重要。

▮ AI 必須無縫融入既有工作節奏，避免淪為蚊子系統

這次部分團隊採用 LINE 介面，有些設計儀表板，有些串接資料庫，也有團隊專注於報價流程與後台管理。

企業導入 AI，焦點不能只停留在功能是否具備，更要評估同仁的接受度：用起來會不會增加工作負擔？能否順暢接軌原本的工作節奏

製造業的現場節奏極快。業務忙著回覆客戶，生管緊盯排程，採購四處比價，工程師處理規格，主管則忙於審核。倘若一套新系統要求大家額外耗費大量時間登入、填表或複製貼上，最終注定會淪為無人維護的數位工具。

因此，降低使用門檻是 AI 導入的關鍵。必須讓同仁透過最熟悉的方式查詢資料、建立初稿、產出文件與進行審核。這也是為什麼對話介面、表單、儀表板以及與既有系統的深度串接，在製造現場顯得格外重要。

AI 不能只活在展示用的螢幕裡，它必須真正走進員工每天的工作動線。

▮ 「將人留在決策圈內」，確立清晰的責任邊界

這次的成果中，已經有幾個團隊注意到人工審核的重要性，這是非常正確的方向。

在製造場域，AI 產出的內容牽涉報價、規格、交期、採購判斷、醫材生產與客戶承諾。這些內容絕不能僅因 AI 生成快速就直接對外發布。追求速度的同時，責任歸屬更為關鍵。

AI 可以協助萃取資料、提出建議、整理歷史紀錄並提示異常。但最終哪些內容可對客戶承諾、哪些規格能拍板定案、哪些採購建議該被採納，依然需要企業內部明確指定負責人。

這正是 AI 導入製造業必須建立的基本規則：AI 僅是工作流程的輔助，無法替代人員的當責。

缺乏審核機制，AI 可能會放大錯誤。缺乏紀錄機制，企業將難以追溯決策源頭。缺乏權限管理，敏感資料面臨外洩風險。缺乏資料的持續更新，系統很快就會失去準度。

我認為評估 AI 導入的成熟度，不僅要看系統回答問題的能力，更要檢視企業是否已建立清晰的資料來源、人工審核、權限控管與責任分工機制。

▮ 台灣製造業亟需具備跨界溝通能力的 AI 橋接人才

由七號演算整合所建立的 AI University 對台灣人才培育有如此大的貢獻。

過去我們常將 AI 人才與純工程背景畫上等號。但從這次成果來看，企業真正渴求的人才，必須具備跨越三大領域的能力：懂一點技術、懂一點管理、並願意走進現場理解問題。

學生這學期面對的全是企業提出的真實痛點，早已超越課本範疇。企業初期往往無法將問題定義得極度明確，學生必須透過訪談、追問、梳理與反覆修正，才能逐步對準企業真正需要解決的核心難題。

這正是台灣接下來迫切需要的人才戰力。

未來企業推動 AI，不可能單靠少數資訊部門，多數公司也無法立刻建立編制完整的 AI 團隊。中小企業尤其需要一批懂得將 AI 工具務實嵌入工作流程的人才。他們未必具備深厚的工程背景，但絕對懂得聆聽現場語言、知道如何將營運需求轉譯為系統規格，並清楚如何安排人工節點來審核 AI 產出。

AI University 正在培養的，正是這群關鍵的橋接型人才。

▮ AI University：大學回應台灣產業變革的具體行動

身為元智大學終身教育部主任，我很清楚大學不能只站在校園裡談論趨勢。產業的變革早就真實在現場發生。企業都在問：我們該從哪裡起步？哪些工作適合優先切入？導入 AI 會不會反而增加負擔？既有資料派得上用場嗎？員工能否接受？

AI University 的核心價值，就是將學生、老師、業師、企業與顧問團隊匯聚在同一個實作場域。大家共同面對真實問題，攜手將模糊的需求具象化，並合力將概念轉化為可測試的系統。

這條路並不輕鬆。正因挑戰艱鉅，才更值得我們投入。

我特別要誠摯感謝七號演算整合的 Brian 沈秉文執行長所帶領的團隊。這類計畫需要海量的陪跑、溝通與技術支援。若沒有 Brian 與團隊的長期投入，AI University 絕對無法走到今天的規模，更無法在多校快速擴散。很榮幸元智是 AI University 生態圈的一份子。

我也要感謝所有參與課程的老師與業師，尤其是陳老師與曾老師。這學期他們極其細心地陪伴學生，從題目理解、需求釐清、系統建置到成果修正，一路協助學生跨越障礙。這樣的指導極度耗費時間與心力。學生最終能自信站上台完成發表，背後仰賴了無數老師與業師的默默支撐。

更要感謝所有提供題目的企業。願意將真實痛點交給學生，本身就需要極大的信任。企業願意敞開現場，學生才有機會透徹理解產業；學生願意投入實作，企業也才有機會透過年輕世代的視角，發掘 AI 應用的全新可能。

▮ 台灣當下的關鍵需求：從口號走向現場的務實 AI 應用

我們對 AI University 的期待非常清晰。

我們期盼學生除了熟稔 AI 工具，更能透徹理解如何將其融入真實的工作場域。我們期盼企業看見的不只是展示成果，更能藉此找到第一個具備可行性的導入起點。大學的任務也早已超越單純培養畢業生，必須成為產業在變局中共同學習、試作與修正的堅實夥伴。

這次各組的成果讓我更加確信一件事：AI 在台灣製造業的真正價值，在於協助企業萃取並傳承寶貴經驗，絕非單純取代人力。它能讓新人更快步上軌道，讓資深同仁擺脫重複性庶務，讓主管擁有更扎實的判斷依據，進而全面提升組織回應客戶需求與市場波動的敏捷度。

AI University 只是起點，但這個起點至關重要。

因為台灣真正需要的 AI 轉型，不會只發生在大型科技巨頭內部，也不會只出現在富麗堂皇、充滿科技感的展示中心。它會真實發生在一張報價單、一份規格書、一通客戶電話、一筆採購紀錄，以及每一次的機台狀態查詢裡。

當 AI 真正走進這些不起眼的角落，台灣企業的底蘊與實力，才會迎來一次真正的升級與重組。

這也是我堅信 AI University 必須持續推動的核心理由。

接下來請期待第三屆的 AI University。