鴻海 AI 產線效率暴增 50%，施崇棠喊出 AI PC 終於找到最強定位

本文整理自 2026 年 5 月 28 日 NVIDIA GTC Taipei Pre-Game Show 直播。

{{< youtube b1EaoN2CnCE >}}

---

三個數字，回答一個產業最想知道的問題

AI 導入工廠到底有沒有用？鴻海科技集團輪值執行長楊秋瑾在 GTC 台北會前秀上用三個數字回答了這個問題：排線產能效率提升 50%、誤判率下降 50%、異常真因分析精準率提升至 90%。這不是實驗室裡的概念驗證，而是鴻海大規模工廠實際運營的成果。

楊秋瑾把成功歸因於三個關鍵決策。第一，先把資料收好。在集團董事長劉揚偉的要求下，鴻海早在導入 AI 之前就開始系統性收集各廠區的會議記錄和異常處理流程紀錄，這些年累積下來的資料成為訓練 AI 最重要的基礎。第二，把 AI 放對位置，讓它真正進入工作流程，而不是當作獨立的技術展示。第三，找到最痛的痛點就立刻行動，不等待完美條件。

她舉了一個生動的例子。導入 AgentiOps AI 之後，廠長早上喝杯咖啡就能掌握所有產線狀況並做出決策，過去同樣的事情需要召開大量會議。「AI 不是要取代人，而是讓人把時間花在更有意義、更有價值的地方，」楊秋瑾說。

從 Omniverse 到榮總：鴻海的 AI 版圖

除了產線 AI，楊秋瑾也分享了鴻海如何使用 NVIDIA Omniverse 重新定義工廠規劃。她形容 Omniverse 不只是模擬工具，而是一個「千金難買早知道」的環境，能模擬整座工廠的硬體配置、軟體系統、人員動線，甚至 AI 伺服器機櫃的熱對流狀態。在虛擬世界中先把問題找出來、解決掉，讓鴻海將新建廠與產線部署的時間縮短了六成以上。

鴻海的 AI 應用也延伸到了工廠之外。楊秋瑾透露，鴻海與台北榮總合作導入護理機器人 Neurobor，負責在院內搬運檢體到檢驗室、從藥房取藥、遞送文件，把護理師從重複性的往返勞動中解放出來。在美國工廠，鴻海的機器人已經在做取放、簡易組裝和鎖螺絲等工作。

她強調，機器人最大的價值不在於取代單一任務，而在於實現「柔性製造」。只要更換末端工具並更新軟體，同一台機器人就能適應不同產品的產線，不必像過去那樣為了換線整套設備汰換。這對鴻海這種承接大量不同客戶、不同規格產品的代工廠來說，等於從根本上改變了產線的經濟學。

施崇棠：AIPC 終於找到定位

華碩董事長施崇棠在同場會前秀的另一個座談中，拋出了一個打破 PC 產業多年僵局的觀點：Agentic AI 讓 AIPC 終於找到了最強的定位，不是薄客戶端（thin client），而是重型客戶端（heavy client）。

他的論證是這樣的。過去所謂的「智慧軟體」其實都是人工撰寫的規則邏輯，很難維護也無法因應變化。Agentic AI 帶來根本性的不同：它有真正的推理能力，能多步驟規劃、使用工具、自主循環執行。施崇棠引用 Andrej Karpathy 的概念，指出「vibe coding」和「agentic engineering」正在讓 AI 代理大軍的產出從數十倍放大到百倍。

在這個背景下，AIPC 的角色突然清晰了。當 AI 代理需要在本地端處理多步驟規劃、監控幻覺（hallucination）和安全防護時，一台有足夠算力的本地裝置就不再是多餘的，而是必要的。施崇棠指出，雲端推論的 token 成本正在飆升，加上低延遲、隱私和個人化的需求，本地端的 MoE（混合專家）模型變得愈來愈有吸引力。但他也警告，必須在算力、記憶體頻寬和記憶體容量之間找到精確平衡，堆再多的 TOPS（每秒兆次運算）如果碰上記憶體瓶頸也是浪費。

Gartner 研究副總裁蔡惠芬在現場點出了一個更根本的問題：「不管你多 intelligent，如果我不 trust，我也不敢用。」Agentic AI 的商業化關鍵不是智慧能力，而是信任。AIPC 作為 heavy client，恰好能在本地端提供安全與隱私的 guardrails，這是 Agentic AI 落地的前提。

Physical AI 最難的一步

廣達旗下達明機器人的執行長陳尚昊，從另一個角度補充了 AI 在實體世界的挑戰。他坦言，兩年前根本不相信機器人可以靠訓練而非純粹的數學和物理來完成任務。「NVIDIA 確實 initiate 了這個機會，」他說。過去機器人學的核心是運動學（kinematics）和動力學（dynamics），靠精確的數學模型控制每一個關節的運動。NVIDIA Omniverse 讓業界看到了另一條路：在虛擬世界大量生成訓練資料，讓機器人像 AI 模型一樣透過學習來掌握任務。

但 Physical AI 面臨的根本挑戰是「sim-to-real gap」：虛擬環境中訓練出來的模型，部署到物理世界時一定有落差。陳尚昊強調，縮小這個落差需要紮實的物理學基礎，不是單靠資料量就能解決。他認為台灣在這個領域有獨特優勢：上游有台積電和聯發科提供全球最好的晶片，中游有馬達、齒輪箱等關鍵零組件的完整供應鏈，下游則有大量真實工廠場域可以做部署驗證。台灣應該出現更多像達明這樣的解決方案提供者，而不只是零組件供應商。

洗衣機沒有取代家庭主婦

和碩董事長童子賢用一個接地氣的比喻，化解了現場對 AI 取代工作的焦慮。「洗衣機的發明並沒有取代家庭主婦的地位，洗衣機跟微波爐讓太太有更多時間去管她老公。」笑聲之中，他指向了一個認真的論點：AI 和機器人取代的是最繁重、最危險、最重複的工作，讓人類騰出時間做更有意義的事。

童子賢用佛教「眼耳鼻舌身意」六根的比喻來描述 AI 的演進。過去的生成式 AI 只有「耳」（聽懂語言）、「腦」（LLM 推理）和「嘴」（輸出文字），缺少手腳和身體。Physical AI 正是補足了這些缺失的感官與行動能力。他描繪了一個場景：工廠感測器偵測到變壓器過熱，Agentic AI 立即協調一群人形機器人前往巡視，同時派出 AI 無人機飛往難以到達的角落檢查，再通知機器人修復。機器人（人形、輪式、飛行）、自駕車、達文西手術機器人，這些都是 Physical AI 的不同型態。

資料先行，不是口號先行

這場座談中最讓我印象深刻的，不是任何一項技術展示，而是楊秋瑾反覆強調的「先收資料」。鴻海能拿出 50%、50%、90% 這些數字，前提是劉揚偉在多年前就要求工廠把每一場會議記錄、每一次異常處理流程都完整保存。這件事聽起來無聊至極，卻恰恰是多數企業在 AI 落地時跨不過去的門檻。大家都在談模型有多強大、代理有多智慧，真正決定成敗的是你有沒有夠好的資料讓 AI 學習。

施崇棠把 AIPC 從找不到殺手應用的尷尬產品，重新定位為 Agentic AI 時代的 heavy client，是我近年聽過最有說服力的 PC 產業敘事翻轉。如果這個定位成立，PC 產業等了好幾年的換機潮，可能真的要來了。