📰 Signal

AI 為什麼開始建立「知識」與「技能」？

如果最近有關注 AI 發展，你可能會發現一個有趣的現象。

一方面，大型語言模型持續快速進步。OpenAI、Google、Anthropic 等公司，不斷推出更強大的模型，

AI 已經能寫程式、分析資料、生成圖片，甚至協助完成許多日常工作。

另一方面，各大 AI 平台也開始推出越來越多 Skill（技能）、Workspace、Connector 與 AI Agent。

從會議紀錄、資料分析、客服助理，到 ERP 查詢、程式開發與設計創作，各種專業能力逐漸被封裝成可重複使用的 AI 技能。

同時，企業卻投入另一件看似不相關的工作——重新整理 SOP、產品文件、ERP、MES、CRM 與內部知識，

建立 Knowledge Base、RAG 與企業知識平台，希望 AI 能讀懂公司的知識。

乍看之下，這三件事情彼此沒有關聯。

模型愈來愈強、Skill 愈來愈多、企業知識愈來愈完整。

但它們其實都在回答同一個問題：

AI 要如何從「回答問題」，真正變成能完成工作的企業代理？

答案並不只是打造更大的模型，而是讓 AI 同時擁有三種能力：

• 知道世界：具備通用知識與推理能力。
• 知道企業：取得最新、正確的領域知識。
• 知道如何完成工作：把知識結合流程與技能，真正執行任務。

這也代表 AI 的競爭，正逐漸從模型能力，走向知識供給與技能封裝的競爭。

知識（Knowledge）讓 AI 知道該回答什麼；技能（Skill）讓 AI 知道該怎麼做；而後續的 AI 基礎建設與系統整合，

則決定 AI 是否能真正走進企業、持續創造價值。

🔍 Decode

AI 能力架構如何演進？

生成式 AI 的快速發展，讓企業開始重新思考一個問題：

AI 真正需要的是更多模型，還是更多知識與技能？

大型語言模型已經具備相當成熟的通用能力，但當 AI 開始走入企業、工廠與各種專業場景時，真正的瓶頸已不再只是模型，

而是 是否知道企業知識，以及是否具備完成工作的能力。

AI 能力架構正逐步演進，形成三個重要階段。

第一階段｜通用智慧時代

AI 知道世界（Know the World）

第一階段的 AI，主要透過大型語言模型（LLM）與 Pre-training，學習網路上的大量公開資料，因此具備廣泛的通用知識。

它可以回答百科知識、撰寫文章、翻譯或協助程式設計，但所有知識都來自模型訓練時的資料，

因此無法了解企業內部最新的產品資訊、製程流程或營運狀況，也容易因缺乏最新資訊而產生幻覺(Hallucination)。

這一階段的核心價值：建立 AI 的通用知識能力，解決「知道世界」的問題。

第二階段｜領域智慧時代

AI 知道企業（Know Your Business）

隨著 AI 開始應用於企業，重點逐漸從「模型記住知識」，轉向「即時取得知識」。

RAG（Retrieval-Augmented Generation）透過 Knowledge Base、Embedding 與 Vector Database 等技術，

讓 AI 在回答前先搜尋企業知識，再結合大型語言模型生成答案。

AI 不再依賴模型內部記憶，而是能即時取得產品規格、SOP、ERP、MES、法規或技術文件等最新資訊，

大幅提升回答的正確性與可信度。

這一階段的核心價值：建立 AI 的領域知識能力，解決「知道企業」的問題。

第三階段｜專業智慧時代

AI 完成工作（Know How）

下一步，企業開始發現，光有知識仍然不足。

真正的工作，除了知道答案，更需要依照企業流程執行任務。

因此，AI 開始結合 Skill、Workflow、Agent 與企業系統，將最佳實務與工作流程封裝成可重複使用的能力。

AI 不僅能查詢知識，還能依照工作流程分析報表、查詢 ERP、安排生產、回覆客戶、協助設備維修，

逐步從「回答問題」走向「完成工作」。

這一階段的核心價值：建立 AI 的專業技能能力，解決「完成工作」的問題。

RAG 讓 AI 擁有最新的企業知識；Skill 讓 AI 具備完成工作的能力。當這些能力再透過企業系統與標準協定串聯後，

AI 將真正從聊天助手，進化為企業的數位同事。

🌏 Impact

AI 的競爭，開始從模型能力，走向知識與技能的競爭

當大型語言模型逐漸成熟，模型能力差距開始縮小，企業間真正競爭焦點，開始發生改變。

真正難以複製的，是企業長年累積的領域知識（Knowledge），以及把事情做好的一套工作方法（Skill）。

過去，這些能力分散在 ERP、MES、CRM、產品文件、設計圖、維修手冊，

甚至資深員工的經驗之中，雖然是企業最重要的資產，卻難以有效搜尋、共享與傳承。

生成式 AI 的出現，讓企業開始重新整理這些知識，並將最佳實務、工作流程與專家經驗，

逐步封裝成 AI 可以持續使用的 Knowledge 與 Skill。

AI 不只是回答問題，更能依照企業的方法完成工作，讓經驗得以複製、傳承與持續優化。

這也代表企業管理的重點，將逐漸從資料管理（Data Management），

走向知識管理（Knowledge Management），再進一步發展為技能管理（Skill Management）。

未來企業真正的競爭力，不只是擁有最多資料，而是能否持續挖掘企業知識、沉澱工作方法，並讓 AI 能夠不斷學習、持續複製，形成難以取代的競爭優勢。

🧩 Opportunity

台灣 AI 產業會有什麼改變？

當 AI 的競爭逐漸轉向 Knowledge 與 Skill，真正受惠的是最了解產業與工作流程的企業。

對軟體業而言，ERP、MES、CRM 等系統累積了大量流程與管理經驗，未來可進一步將產品知識、顧問方法與最佳實務，

轉化為 AI Knowledge 與 Skill，讓 SaaS 從提供功能，升級為提供智慧能力。

對系統整合商而言，價值也將從導入系統，轉向沉澱專案經驗與產業 Know-how，建立可重複複製 AI 工作技能。

而對工業電腦、工具機、自動化設備業者而言，更大的機會在於把設備手冊、製程參數、維修經驗與操作技巧融入產品。

未來，設備販售的不只是硬體，而是一位懂設備、懂製程、懂操作的 AI 專家。

AI 時代的產品競爭力，將從 Hardware + Software，進一步升級為 Hardware + Software + Knowledge + Skill。真正難以複製的，不再是產品本身，而是產品背後累積的領域知識與工作方法。

什麼? AI的Skill技能可以自動創造，請觀賞以下影片就知道!!

📈  Outlook

產業的競爭態勢在哪？

這也意味著，AI 時代的競爭，將逐漸從模型能力，轉向AI 能力平台的競爭。

未來，真正具競爭力的企業，不一定擁有最大的模型，而是能持續累積領域知識、沉澱工作技能，

並將這些能力快速複製到不同產品、服務與工作流程。

因此，Knowledge Base、AI Skill、Workflow、Agent 與 MCP 等技術，將逐步整合成企業新的 AI 基礎能力，

而 ERP、MES、CRM、工業設備等系統，也將從管理工具，逐漸演變為 AI 持續學習與工作的能力平台。

AI 的應用愈深入，市場關注的焦點，就愈可能從「一個模型」，轉向「一個持續累積 Knowledge 與 Skill 的 AI 生態系」。

未來 AI 的競爭，不只是打造最聰明的模型，而是打造最完整、最懂產業、最能持續累積能力的 AI 平台。

💡 AI Insight

AI 觀點

如果說過去二十年的企業競爭，建立在資訊數位化；那麼未來十年的 AI 競爭，將建立在知識與技能數位化。

大型語言模型讓 AI 擁有通用智慧，但真正決定企業競爭力的，仍然是每個產業長年累積的 Know-how、最佳實務與工作方法。

這些過去存在於文件、系統與資深員工經驗中的知識，將逐步轉化為 AI 可以理解、學習與持續使用的能力。

因此，企業管理的重點，也將從管理資料、管理流程，進一步發展為管理 Knowledge 與 Skill。

未來企業累積的不只是 SOP，而是一套能持續被 AI 學習、複製與優化的能力資產。

對軟體產業而言，競爭也將從提供功能，轉向提供能力。

ERP、MES、CRM 或工業設備，不只是完成管理工作，更將成為累積產業知識、沉澱工作技能與培育 AI 能力的平台。

AI 時代真正的競爭，不只是誰擁有最聰明的模型，而是誰能把知識變成能力，把能力變成產品，並持續累積成企業最難以複製的競爭資產。

📖 AI Dictionary

▶ 下一集預告

AI 解碼 EP05｜AI 為什麼開始擁抱光通訊？

當 AI 擁有更強的模型、更快的記憶體，以及企業知識後，新的瓶頸開始浮現。

不是算力，而是資料傳輸。

AI GPU 之間每天需要交換海量資料，傳統電訊號逐漸面臨頻寬、功耗與延遲的限制，

光通訊（CPO，Co-Packaged Optics）因此成為 AI 資料中心的新關鍵技術。

下一篇，我們將帶你看懂 CPO 為何成為 AI 基礎建設的新戰場，以及它如何重新定義 AI 伺服器、網路架構與台灣半導體供應鏈。