重點整理
- 韓國專家認為LLM市場已飽和，實體AI（機器人、工業自動化）是亞洲廠商的突破口
- 實體AI對算力的需求迴異於LLM，更看重邊緣運算與低延遲能力
- 台灣半導體與製造業基礎，在實體AI時代具有潛在優勢，需及時佈局
為什麼韓國要放棄與美國競逐超大型語言模型？
韓國教授張炳琸直言，與美國在超大型語言模型領域競逐已無勝算，應轉攻實體AI。這個判斷反映的是一個冷酷的市場現實：OpenAI、Google、Meta等美國科技巨頭在LLM領域的投資規模與技術積累，已經形成難以逾越的護城河。韓國、日本、台灣等亞洲科技大國，若持續以追趕者角色投入LLM，只會陷入「永遠落後一步」的困局。相比之下，實體AI（機器人、工業自動化、邊緣AI）代表了更具「本地化優勢」的發展方向。
什麼是實體AI，它與大語言模型有什麼本質差異？
實體AI是指應用於物理世界的人工智慧系統——包括工業機器人、自動駕駛、製造業品質檢測、醫療機械臂等需要感知、決策、執行的應用領域。與大語言模型不同，實體AI強調的是低延遲、邊緣運算、實時反應能力，而不是純粹的語言理解能力。例如，一臺工業機械臂在檢測產品瑕疵時，必須在毫秒級內做出決策；一輛自動駕駛車在閃避障礙物時，不能依賴雲端API呼叫。這意味著實體AI對芯片、邊緣運算平台、IoT基礎設施的需求，遠高於對超大規模訓練運算的需求。
為什麼亞洲廠商在實體AI領域更有競爭力？
亞洲（尤其是日本、韓國、台灣）在工業機器人、電子製造、半導體等領域已有數十年的領先優勢，這正是實體AI應用最密集的產業生態。日本已是全球工業機器人最大製造國，韓國在芯片與顯示面板檢測自動化領域領先，台灣則掌握全球IC製造的關鍵環節。這些產業基礎天然需要AI加持——從產線品質檢測、設備預測維護、到供應鏈最佳化。相比之下，美國科技巨頭雖然在LLM領先，但在製造業實體化應用上往往缺乏深度的產業洞察。韓國的轉向意味著，亞洲廠商若及時佈局實體AI，不是「追趕美國」，而是「守住自己的陣地並升級」。
實體AI時代，雲端運算的角色會如何改變？
在實體AI時代，雲端不再是「絕對的運算中心」，而是「混合架構中的協調者」。邊緣運算（Edge Computing）會成為主角，負責實時決策和低延遲反應，而雲端則負責模型訓練、大數據分析、跨場景學習。這種架構轉變，對新興雲端服務商（如前陣子提到的Neoclouds）反而是機會——它們可以針對特定產業（例如智慧製造、醫療、自駕）設計優化的混合雲方案，而不用一上來就與AWS、Azure比拚通用規模。同時，這也意味著5G/6G通訊基礎設施、邊緣節點部署，會成為新的戰略資產。
對台灣科技產業有什麼啟示？
台灣應將此視為戰略轉向的信號。台灣半導體產業（台積電、聯發科等）在AI芯片領域已有深度投入，台灣機械產業在精密加工上也有優勢。若能將這些基礎與實體AI應用結合，例如開發針對智慧工廠、精密製造的邊緣AI解決方案，將比盲目投入LLM競賽更具價值。此外，台灣應加強與日韓產業的協作——在工業機器人、製造業AI應用上形成「亞洲聯盟」，共同對抗歐美在該領域的滲透。政策層面，應優先支持實體AI的產業化應用，而非只聚焦於大模型研發。
常見問題
實體AI真的會比大語言模型更有商業價值嗎？
在短期內，LLM仍是資本寵兒；但從產業長期價值看，實體AI觸及的是傳統製造、醫療、農業等規模龐大的實體經濟，應用需求更直接、更迫切。韓國教授的建議是「不必非此即彼」，而是根據各國優勢，聚焦於最有競爭力的賽道。
台灣廠商現在佈局實體AI還來得及嗎？
來得及，因為實體AI的產業化才剛剛起步。台灣的半導體、機械、製造業基礎，以及與日韓的產業互補性，都是天然優勢。關鍵是要在政策與投資上迅速反應，而不是等到全球格局已定。
邊緣運算會完全取代雲端運算嗎？
不會。邊緣與雲端會長期共存，形成「邊雲協同」的混合架構。邊緣負責實時反應，雲端負責集中學習和優化。這反而創造了更多的軟體與平台機會。