台灣企業AI趨勢報告

2. 1 前言
INTRODUCTION
4 概況
OVERVIEW
2 報告概覽
KEY FINDINGS SUMMARY
3 研究方法
RESEARCH METHODOLOGY
5 企業 AI 成熟曲線
THE ENTERPRISE AI MATURITY CYCLE
6 數據生態圈完備度
DATA READINESS
7 數據組織與團隊完備度
TEAM READINESS
8 企業運行完備度
OPERATIONAL READINESS
9 企業落地挑戰
CHALLENGES OF AI ADOPTION
10 企業AI落地的挑戰與隱憂
CHALLENGES & CONCERNS ON ENTERPRISE AI ADOPTION
11 展望未來
LOOKING TOWARDS THE FUTURE
12 企業升級建議
SHIFTING THE PARADIGM
13 貢獻者
THE CONTRIBUTORS
14 結語
A FINAL WORD
15 致謝
ACKNOWLEDGEMENTS
16 免責聲明
DISCLAIMER
目錄
TABLE OF CONTENTS

3. 前言
INTRODUCTION 01
BUILD AN ELASTIC FUTURE ENTERPRISE | 建立靈活應變的未來企業
在過去的幾年裏，COVID-��給全世界帶來了重大的負面影響。
它也曝露了我們組織結構中的弱點。
在最需要彈性的時候，高效的企業反而變得很脆弱。
在最需要靈活的時候，企業卻變得僵硬。
我們相信未來的企業需要進化成為一個靈活應變的企業。
要能在極端的壓力下保持韌性，並且隨機應變地去適應變化多端的環境。
靈活應變的企業將以分散化及模組化的方式來運作，底層有著細緻的結構及數據，並且能夠和各部門的AI應用進
行協作。這樣的協作效應將會形成新的組織架構，形成自動化和自主性，並以此進一步建構有效率又具有彈性的系
統。
疫情已經發生兩年了，世界正在進入一個新的常態。
我們相信全球各地的企業應該利用這個機會為未來做好準備。
今年，
蜂行資本將再次帶你深度了解台灣企業的AI概況，看看企業在過去的一年裏如何為新常態做好準備。
你準備好了嗎?
�

4. KEY FINDINGS | 報告概覽
在過去的一年，企業AI成熟度有飛躍性的提升
在今年的研究中，我們看到企業的AI成熟度在過去一年有了飛躍性的提升。
去年的調查中，超過一半的受訪者仍處於�級或�級以下。今年則有超過一半的受訪企業進入了�級及以上的水平，
呈現了顯著的增長。此外，在今年的報告中，首次出現了進入第�級的公司。我們看到更多的組織開始擁抱AI，在企
業DNA中植入AI已經成為其工作文化的一部分。
去年COVID-��的大流行可能是企業加速擁抱AI的主要原因。自�年前病毒首次重創台灣後，��.��%的受訪者表
示，他們看到公司更加努力和快速地致力於AI的導入。
投資的重點在於效率和成本
去年我們在報告中預測，企業投資AI的重點將從創造收入的利潤中心轉向後端的運營部門，例如物流和後台營運
。今年我們看到一些轉變符合我們的預期，且看到今年企業內各業務部門都有增加導入AI，但製造、銷售和行銷部
門仍是今年企業投資AI導入的重點。
我們猜測，主要原因是因為整體環境的變化，企業傾向著重在降低成本
（��.��%）
。
AI科技的普及化
連續兩年，機器學習、深度學習、AI視覺和自然語言處理
（NLP）
等基礎技術都是企業導入最多的AI科技。隨著開
源模型的普及，企業用戶越來越容易獲取這些AI科技，一時蔚為風行。
針對特定應用案例的專屬軟體
（例如RPA）
也如雨後春筍般出現，更加速了AI科技在各產業的普及程度。
02報告概覽
KEY FINDINGS SUMMARY
�

5. 商業智慧及其基礎資料架構仍然是企業導入的核心主題
當企業開始邁向數據驅動型企業和 AI 友好型企業，商業智慧 (BI)會是它們尋求的核心功能。因此，BI工具在今
年的排名中繼續占據榜首位置。其他類似實現高效BI能力的底層數據處理服務，例如資料整理、數據倉庫、ETL和
數據中台等，今年也都排在前五位。
隨著企業實現運營化，對模式開發和部署充滿的宏偉計劃
許多企業充滿了企圖心，正在制定宏偉的計劃，希望在����年開發和部署更多更快的AI。
連續第二年，企業計劃開發的模型超越了前年發展水平。許多成熟的產業預計光今年就會開發超過��-���個模型
，模型部署率也進一步提高到��-��%，遠遠高於��%的全球平均水平。
由於MLOps平台可以協助這些雄心勃勃的計畫成功，企業開始對這類平台感興趣。因此，MLOps成為了企業在
未來��個月內預計導入的科技的第二位。
報告概覽
KEY FINDINGS SUMMARY 02 �

6. Hive Ventures蜂行資本
《台灣企業AI趨勢報
告����》
報告旨在研究台灣企業導入AI及機器
學習技術及其應用情況。
我們並將結果與其他經濟體進行比較，以幫助台
灣和世界其他企業進行數位轉型。
本次線上調查於 ���� 年 � 月 �� 日至 ����
年 � 月 �� 日期間進行，共收集到���位受訪者
的回應，代表了不同的行業、公司規模和專業部
門。
然後，根據每個組成類別
（分別是數據完備度、團
隊完備度和運行完備度）
的加權平均得分，將受
訪者分為不同的成熟度級別。每個組成部分的得
分是根據各自類別的調查中的加權計算出來的。
03研究方法
RESEARCH METHODOLOGY
METHODOLOGY | 研究方法 SURVEY RESPONDENTS PROFILE | 受訪者輪廓
受訪者產業別
受訪者公司規模
�

7. 概況
OVERVIEW 04

8. 各企業導入階段
企業AI導入概況
OVERVIEW OF ENTERPRISE AI ADOPTION
����年，席捲全球的COVID-��對台灣造成了
巨大的損失。
由於台灣進行了半封鎖，企業受到了打擊：辦公
室進入遠距辦公，工廠放緩生產，零售業幾乎沒
有人流。
這種影響促使企業開始建立新的業務流程以適
應不確定性和不可預測的市場變化。企業自動化
和AI的導入成為企業越來越關注的話題。
����年注定是一個分水嶺，對於還沒有開始的
企業來說，����年成為它們開始導入AI的里程
碑；對於那些已經開始的企業來說，他們更努力
地加速導入AI。
AI 導入年資
�

9. COVID-19 疫情對AI 導入之影響
COVID-19 疫情對各產業AI 導入之影響
迎風挑戰疫情
BRACING AGAINST THE PANDEMIC
在我們今年的調查中，多數受訪者
（��.��%）
觀
察到，企業加強了AI的導入來應對COVID-��
的影響。
其中，網路和媒體和遊戲公司最急迫地導入新科
技來進行自動化和加速運營效率。
醫療保健行業也是最活躍的產業之一。醫療保健
行業站在全球對抗流行病毒的最前線與病毒近
距離的作戰，人與人之間的互動變得艱難。疫情
造成醫療體系巨大的壓力，因此醫療行業需要更
多的數位化來快速應對流行病毒局勢的變化。
另 一 方 面，在 一 些 較 早 導 入 AI 並 取 得 成 果 的 行
業
（包括製造業、銀行業和電信業）
，對於去年的
疫情事件就沒有受到那麼大的傷害。部分原因是
因 為 先 前 的 AI 工 作 已 取 得 成 果，因 此 能 夠 較 有
效地應對疫情變化。
�

10. AI 導入目標
流行病毒和對未來的不確定性可能也改變了企
業 管 理 層 對 導 入 AI 的 目 標 的 看 法。在 去 年 的 調
查中，企業認為導入AI不是為了減少成本，至少
是列為最不重要的目標。然而，在今年的調查中，
我們看到企業強烈的關注成本控制，使其成為導
入AI的第二大目標。
導入AI來增加收入也從去年調查的第二位滑落
到今年的第四位。
整體反應表現了企業開始趨向保守，也呼應了企
業對於宏觀經濟狀況和流行病毒的發展沒有那
麼樂觀 。
企業AI導入目標
ORGANIZATIONAL OBJECTIVES TOWARDS AI ADOPTION
�

11. 企業導入部門比例分佈
平均導入部門數
跟去年相比，企業內導入AI的部門優先排序幾乎
沒 有 變 化。和 去 年 相 同，企 業 似 乎 著 重 深 化 同 一
部 門 的 應 用 案 例。但 有 個 明 顯 的 轉 變 是，企 業 內
部對製造/生產間的導入越來越重視，這些部門超
越了銷售和行銷而躍居AI導入的首位。
此外，導入AI的職能部門平均數量從�.��增加到
�.��，表明職能部門的導入在企業內逐漸擴散。
在未來幾年內，我們預計每個組織導入的部門將
持 續 擴 散，並 往 後 台 營 運 類 職 能 部 門 擴 展，以 提
高整體企業的生產力。
重點導入部門
FUNCTIONAL FOCUS OF ADOPTION
��

12. 企業AI成熟曲線
THE ENTERPRISE MATURITY CYCLE
05

13. 企業AI成熟度曲線旨在幫助企業了解他們處於AI導入的哪個階段。假設組織以AI民主化為最終目標，企業須先確
認他們目前所在的成熟度位置，藉此了解他們可以採取哪些步驟來推動企業在此曲線上的發展。
根據調查反饋，受訪者根據各個組成類別
（"數據完備"、"團隊完備 "和 "運型完備"）
的加權平均得分來計算成熟度
等級。每個類別的完備度分數是根據他們在調查中的回覆，並以加權平均的方式計算。
LEVEL 0 LEVEL 1 LEVEL 2 LEVEL 3 LEVEL 4 LEVEL 5 LEVEL 6
AWARE INFRA DEFINE R&D OPERATE INFUSE DEMOCRATIZE
企 業 準 備 導 入 A I
並開始驅使企業朝
著 同 一 個 A I 願 景
發展。
無 數 據 不 A I ， 開
始建立數據基礎架
構以確保獲得達成
A I 願 景 目 標 所 需
的高質量數據。
識別應用場景和建
立商業案例。開始
檢驗數據，以建立
實際案例的PoC。
確定部署預算來做
A I ， 選 定 工 具 、
解決方案和伙伴，
以補強組織的執行
能力。
A I 項 目 已 經 驗 證
， 有 部 署，已 經 體
現商業價值。
A I 正 在 被 部 署 到
更廣泛的業務。投
入更多的開發，更
多的部門部署，更
多的團隊參與。
A I 成 為 企 業 的
DNA。AI 將不再
是一個獨立的計劃
，而是存在各個部
門之間的共同語言
和合作。
��
企業AI成熟度曲線概念 | THE CONCEPT

14. 企業AI成熟度曲線概念 | THE CONCEPT
��

15. 2022年企業AI成熟度概覽
2022 ENTERPRISE MATURITY OVERVIEW
��
企業AI成熟度分布
2021年 vs. 2022年對比
總體而言，與去年的調查相比，我們看到����年
的企業AI成熟度有了明顯的成長。與去年相比，
大多數受訪企業現在已經轉向成熟度周期的中間
位置
（�級）
。超過��.�%的受訪者現在處於AI應
用 的 成 長 階 段
（ � - � 級 ）
，而 去 年 這 個 數 據 只 有
��.�%，同比去年提高了��.�%。
與去年相比，我們看到了企業從二級成熟度向三
級的大幅飛躍，標誌著這些企業已經完成了基礎
設施的建立，開始轉向實驗商業案例，以推動AI
的商業價值。從調查範圍內大多數產業的數據完
備分數的提高也可以看出這一點，數據水平中位
數從 �.�� 提高到 �.��。
在 過 去 的 一 年 中，企 業 部 署 了 更 多 的 模 型，達 到
了更高的運營水平，因此有著更高的平均運營完
備 度 分 數。然 而，團 隊 完 備 度 分 數 卻 僅 看 到 些 微
的成長，這表明在這此處尚存在改進的空間。

16. 各公司類型成熟度對比
AI MATURITY ACROSS DIFFERENT COMPANY TYPES
各公司規模成熟度分布
企業AI各產業成熟度
高企業AI成熟度中，大型企業相對分數較高且
佔多數。大企業在過去一年中取得了重大進展，
佔據了�-�級公司的大部分份額。與前一年相比，
大企業佔了�-�級企業中��%以上，而此數據在
前一年僅為��%。
但高AI成熟度並非僅限於大企業。中大型企業
（
��-���名員工）
緊隨大型公司之後，成為高成熟
度中第二活躍的細分類別。
AI應用的成熟產業是銀行和金融業，有很多公
司已經位於AI成熟度曲線的�-�級之間。法規對
於金融產業的調整及數據治理軟體的進步，釋放
了銀行和金融業在其組織內導入AI的能力，運
行的部門包括客戶服務、產品設計和行銷。
��

17. 數據生態完備度
DATA READINESS 06

18. 我們相信，基於數據，企業才能做出快速和準確的商業決策。因此，獲得高質量的數據對於企業決策來說是基石與根
本。
企業領導人需要真實的營運數據和實時的市場價格數據來對生產、定價和通路策略做出準確的決定；世界各地的疾
病控制中心依靠來自檢測中心、醫院和市政當局的實時數據來評估特定地區流行病毒的嚴重程度。
這些數據讓他們能夠做出決策來分配資源，並對全國不同地區的疫情作出緊急反應。如果沒有數據存取的基礎設施，
企業無法取得市場實時數據，沒有這些數據將讓它們和有數據的企業競爭時處於嚴重劣勢。
今年，我們看到企業在數據可及性方面略有改善，��.�%的受訪者對他們的數據存取感到滿意。令人鼓舞的是，醫療
產業在這方面實現了大幅成長，大大改善了其數據基礎設施，以跟上當前環境的需求。這部分歸功於多年來醫療數據
法規的修訂，授權醫療機構更好地利用數據。
數據獲取不僅受限於技術，還跟監管機構和企業管理層是否願意授權數據有關。目前為止，企業對數據治理產品越來
越感興趣，希望能透過這些產品更好地管控數據的發布和管理，也和我們調查的觀點相符合。
THE FABRIC FOR FAST AND ACCURATE DECISIONS | 精準迅速決策的基石
數據可及性 | DATA ACCESSIBILITY
��

19. 高品質數據可及性
高品質數據可及性
��

20. GRADUAL SHIFT TOWARDS HYBRID CLOUD
INFRASTRUCTURE | 逐步走向混合雲
數據基礎架構 | DATA INFRASTRUCTURE
數據基礎架構類型
各產業數據基礎架構類型
多數受訪者仍然採用地端伺服器的基礎架構，但我們看
到這種情形正在慢慢消失，而越來越多人轉向支持混合
雲架構。
我們看到企業大幅的轉用混合雲架構。隨著�G專網的出
現，原本阻礙製造業將自動化轉移到雲端的延遲問題將
消失。我們預計，隨著更多的企業使用�G專網，將大幅
度推動企業採用混合雲架構。
台灣和大多數亞洲經濟體主要由工業和農業兩大產業
來驅動，而美國和歐洲則更傾向於 "白領 "驅動的經濟。
由於這種差異，我們預計較難完全移轉到雲計算的基礎
架構，因此，亞洲將不可避免地更加依賴邊緣計算和混
合雲模式。在�G專網的高頻寬和低延遲特性的幫助下，
我們預計未來幾年基礎設施的轉型會有更大的進步。
我們的研究還顯示，銀行業基礎設施已經開始升級，大
幅減少了對地端系統的依賴，開始導入多雲和混合雲。
這可能是監管機構調整所致，允許在金融產業內實施更
靈活的數據基礎設施。
��

21. DATA GOVERNANCE: DATA SECURITY MEETS DATA DEMOCRATIZATION
| 數據治理: 資料安全性與數據民主化的交匯 ��
數據處理工具及服務 | DATA STACK
各資料處理服務普及率
各資料處理服務普及率變化
今年，在資料處理服務中導入的工具和服務沒有重大
變化。然而，從些微的趨勢可以看出來，企業開始越過
搜集和存儲數據階段，轉向提煉數據的價值。雖然數據
倉庫已經成為現代資料處理服務中的主力，但用戶對
專注於數據價值和治理的服務更感興趣，包括數據市
集、數據中台和Data Mesh。
數據安全對所有組織來說都是至關重要的。維護數據
安全的傳統方法是在嚴格限制數據存取的權限。然而，
為了邁向全民AI和AI民主化
（第�級）
，組織需要充分
授權企業團隊成員獲取他們需要的數據以用於他們自
己的任務和工作。這種挑戰催生了數據治理的產品和
服務部門。通過創建一個強大的數據存取權限框架，企
業現在可以在挖掘數據民主化的同時維持並增強數據
安全性。
建立安全的Data Mesh或數據市集不僅可以防止資料
泄露，還可以為數據驅動的商業決策提供單一的真實
數據來源。這些服務提供了特定用戶和特定主題的數
據存取權限的架構，能提供企業更強的安全性和更大
的數據存取靈活性。

22. 數據組織與
團隊完備度
TEAM READINESS
07

23. 組織中的
「AI領航人」
ORGANIZATIONAL LEADERSHIP
��
各企業成熟度AI領航人
各公司規模AI領航人
根據我們今年的調查，成功的AI部署和推動取決
於強有力的領導介入。其中，CEO是該行動是否
成功的關鍵核心。
與����年相比，今年的調查中，CEO發揮了更積
極的作用。這表明管理層有更強的意願，透過AI
導 入 帶 領 組 織 走 出 危 機。特 別 是 在 小 型 公 司，
CEO是推動這些行動的核心和靈魂。而當公司發
展到更大的規模時，這個角色可以委托給多個關
鍵角色進行密切監督，而CEO則做定期監督的角
色。
除了CEO之外，隨著公司的不斷成熟，CIO的重
要 性 明 顯 上 升。一 般 來 說，除 了 C E O 外，C T O、
CIO和CDO也要一起同心協力，為了相同的利益
，協調整個組織的資源，確保行動的成功。

24. AI PROJECT TEAM KEY STAKEHOLDERS
| AI項目團隊的關鍵利益相關者
AI 計畫團隊 | THE AI PROJECT TEAM STAKEHOLDERS
各產業中的AI導入關鍵團隊成員
各公司規模中的AI關鍵成員
和多數人的理解相同，在����年和����年的調查中，IT
團隊是所有產業中最適合處理AI工作的團隊。IT團隊在
過往的任務一直都是掌握和維護整個組織基礎設施資
源的完整性。因此，審查技術需求、調整相應的基礎設施
和控制預算等職責完全落在IT團隊身上。
然而，IT團隊無法從全盤性來看其他部門的數據使用需
求，且更不可能完全了解數據的意義。特別是當數據需
求在組織內變得更加多元化和分散時
（越來越多的業務
部門和職能部門需要客製化的數據分析和AI應用）
，由
IT部門來全面評估組織的所有需求將成為一大挑戰。因
此，專家們建議企業成立跨職能審查委員會，以協作方
式調整需求並評估整個組織的資源投入，而不是把重擔
只放在IT團隊身上。
大多數行業認為資料科學家是主流角色。本研究的結果
也一致發現。資料科學家的重要性越來越大，使他們成
為項目評估和基礎設施導入的重要決策角色。資料科學
家和工程師位於業務和技術的交匯處。讓他們參與關鍵
決策，可以確保數據/AI使用案例與所需的技術基礎設
施和工具更加一致。
��

25. 企業AI文化
CORPORATE AI CULTURE
��
企業開放AI文化
各行業企業開放AI文化
自去年以來，我們看到企業內部在培養開放的AI
文化方面取得了良好進展，特別是在傳統上保守
的 產 業，如 石 油 和 天 然 氣、銀 行 和 金 融 以 及 制 造
業。
石油、天然氣和化工行業去年是落後於其餘產業
（��%的認可度）
，但今年卻進步到最開放的AI文
化的前五名
（��.��%的認可度）
。銀行和金融業
也有明顯的改善，從��%多的認可度到今年��%
的認可度。制造業也不落人後，從去年的��%到
今年的��.��%。
開放的AI文化的重要性不可言喻，這種文化促進
了部門間的合作和重要項目的創新。隨著企業不
斷向全民AI邁進，組織內的所有成員都應該有發
言權和參與行動的機會，以提升企業內部的整體
生產力。

26. BACKBONE OF THE AI ADOPTION JOURNEY
| AI導入的脊梁
AI 團隊構成 | THE AI TEAM
AI團隊規模 2021 vs. 2022
美國AI團隊規模 2019 vs. 2022
今年，我們看到各企業在AI團隊建設方面取得了優質的
進展。
正如去年的報告中所預測的那樣，各企業都在為他們的
AI團隊配備人員並擴大規模。企業已經將他們的團隊增
加到超過�-�名資料科學家並配備整體��-��人的團隊。
我 們 特 別 注 意 到，在 受 訪 組 織 中，其 A I 團 隊 內 人 員 在
� � - � � 人 之 間 的 比 例 上 升 到 � � . � � %，而 去 年 只 有
�.��%。
每個級別的AI團隊規模的公司的比例也開始越來越接
近，首先是擁有�-�名資料科學家的組織比例開始趨於
平緩。
這與美國企業在過去兩年的趨勢一致。在成長階段團隊
的分布上，台灣持續接近美國的水平。
如果保持這種趨勢，我們預計台灣和美國的AI團隊規模
之間的差距將在未來幾年繼續縮小。我們還認為未來幾
年會有更多的機構擁有超過��人的大型AI團隊，並加
強團隊的力量，協助他們進行積極的模型開發和部署的
工作。
��

27. AI 團隊構成 | THE AI TEAM
SIZE MATTERS | 規模優勢
各成熟度公司AI團隊規模分布
各產業AI團隊規模分布
在我們的AI成熟度曲線中，團隊規模為評估是否
六級公司的重要參考指標。
從今年的分布中可以看出，��%的�級公司在其AI
團隊中擁有超過���名成員。而�級和�級公司也
有較大比例的公司擁有超過���名AI團隊成員。
同樣有趣的是，醫療保健公司似乎已經用更少的
資源做了更多的事情。只有一小部分公司擁有超
過���人的AI團隊，但其產業在我們的AI成熟度
曲線中卻排名前三，高於擁有大規模團隊的製造
業和銀行業。這表明，我們需要一個更有效率及全
面性的團隊以實現更高的AI成熟度，而且成熟度
並不只限於大型企業。採用正確方法的小型組織
也能夠產生正面的結果。
��

28. INFLUX OF ENTRY LEVEL DATA SCIENTISTS TO
FILL THE GAP | 資料科學家大規模湧入
資料科學家團隊 | DATA SCIENTISTS
資料科學家經驗年資
今年的調查產生了非常積極的信號，數據顯示資
料科學家仍然是組織內最受歡迎的職位之一。
有大量的入門級資料科學家湧入組織，以填補AI
部署所急需的工作。
隨著管理層對AI投入承諾的增加，每個業務部門
都在創建更大的AI
“任務清單”
，包括他們希望AI
可以幫助改進的領域和問題。資料科學家在這一
過程中發揮了重要作用，包括瞭解問題，確定方法
和解釋數據，以協助得出最佳解決方案。
總體而言，隨著組織內的經驗水平繼續向成熟度
轉變，我們認為這一趨勢正朝著積極的方向發展。
��

29. AI團隊組成 | AI TEAM CONSTITUENTS
TEAM BALANCE IS REQUIRED TO STAY ABOVE THE EVER CHANGING NATURE OF DATA & AI
| 團隊應平衡組成
AI團隊組成
雖然我們認為資料科學家在確定AI部署的商業案例和AI項目的成功交付方面發揮了重要作用，但成功與否還取決於
工程師和資料科學家之間是否組成了平衡的團隊。
特別是在較高的成熟度階段，各組織在每個角色中都有較平均的地位，這表明數據/AI工程、資料科學和資料分析這�
個角色的分布更加平衡。如果在較低成熟度的企業，每個角色的平均地位也相對較低，分布較分散。
數據需求和基礎設施服務持續快速發展。而組織需要對選擇新使用案例和新工具做出決定，以更好地優化其能力。因
此，一個平衡的團隊要可以不斷地學習、評估、實驗和部署，使組織保持必要的最佳性能，繼續向前推進。
��
20%
0%
40%
60%

30. 企業運行完備度
OPERATIONAL READINESS
08

31. APPLICATION SPECIFIC SOLUTIONS DRIVING CORE
AI TECH ADOPTON | 解決方案型應用驅動AI技術應用成長
AI科技採用情況 | AI TECHNOLOGY ADOPTION
AI科技採用情況
AI科技採用變化
今年，機器學習
（��.��%）
和深度學習平台
（��.��%）
繼
續盛行，但採用率比去年略有下滑。同時，針對特定應用
的tech stack在今年的採用率也略有增加。
AI科技的商品化和圍繞電腦視覺、自然語言處理
（NLP）
和自然語言理解
（NLU）
的開源模型，使其採用率在今年
有所上升。其他提高生產力的技術，如機器人流程自動化
（RPA）
的採用率也有所上升
（��.��%）
。
��

32. APPLICATION SPECIFIC SOLUTIONS DRIVING CORE AI TECH ADOPTON | 解決方案型應用驅動AI技術應用成長
AI科技採用情況 | AI TECHNOLOGY ADOPTION
各產業AI科技採用比例
自然語言處理
（NLP）
和自然語言理解
（NLU）
被廣泛地採用在流程優化和自動化，以及用於客戶服務和行銷中的客戶資料處
理和分析。自然語言生成
（NLG）
的進步也使零售商和行銷人員能夠自動化生成內容，並對細分的客戶群體進行客製化的行
銷。
利用前述科技解決商業案例的應用軟體和解決方案越來越多，使這些技術在各產業得到普及。
例如，先進的機器人流程自動化
（RPA）
解決方案通常利用NLP和電腦視覺技術來幫助企業實現重覆性高和繁瑣的文書審查
自動化，將生產力釋放到工作的其他方面。利用機器學習
（ML）
的特定應用解決方案也使企業能夠檢測生產線和網路活動中
的異常情況，防止意外停機和損失。
這些針對企業內部痛點的專屬解決方案，加快了從數據到產生價值的過程。與利用原始AI科技的解決方案相比，新一代的解
決方案能夠迅速地解決一些產業的生產力瓶頸。
��

33. AGGRESSIVE MODEL DEVELOPMENT MODE
| 積極模型開發模式
模型開發 | MODEL DEVELOPMENT
模型開發的速度和預期連續第二年超越過去的數
字。
去年，我們看到����年內預計開發的模型數量超
過 了 機 構 過 去 的 模 型 總 數。在 這 基 礎 上，各 機 構
預計在����年內建立的模型會比去年更多。
其 中，製 造 業 和 電 信 業 是 最 積 極 的。許 多 公 司 計
劃在今年就開發超過���個模型。對於該領域的
新進入者，大部分公司預計在一年內將建立�-��
個模型來支持�-�個AI項目，以趕上其產業同行
的 進 展。觀 察 顯 示，石 油 和 天 然 氣 產 業 將 大 大 加
快他們的步伐，超過�/�的企業表示在今年將開
發��-��個模型。整體目標雖然極具野心，但隨著
企業部署新升級的數據基礎設施，預期今年的結
果將是令人興奮的。
AI模型開發節奏繼續加速
2022年各行業預計導入模型數量
��

34. TAIWAN CONTINUES HIGH MODEL DEPLOY-
MENT RATES | 台灣保持高模型布署率趨勢
模型部署 | MODEL DEPLOYMENT
模型開發及部署趨勢
模型部署率
我們在去年的報告中指出，台灣部署模型的比率遠遠高
於其全球同行。
今年，台灣企業延續了這一趨勢，各企業的模型部署率
在��-��%之間，與去年的��-��%相比，有了明顯的提
高。這個部署率與全球平均的��%相比，也被認為是非
常高的。
這可能主要是由於AI團隊更善於挑選、試驗和測試項目
和模型，這有利於提高使用模型的成功率。同時，台灣有
大量經驗豐富的團隊和具有領域專長的合作夥伴，這有
助於確保項目迅速取得成果。因此台灣能比世界其他地
區有著更高的部署率。
鑒於台灣有大量訓練有素的專業工程師，台灣能夠如此
迅速地追趕全球同行也就不足為奇了。然而，我們預計
這種增長可能會放緩，因為這些先行者沒有很多的使用
案例可以進行試驗和測試。之後他們將不得不進行更多
大膽的試驗，並為他們的使用創造更先進且客製化的模
型。這可能會導致短期內模型部署率的下降，但長期來
說，會使更多的創新技術在台灣得到發展。
��

35. IMPROVED MODEL DEPLOYMENT SPEEDS SUPPORT AGGRESSIVE TARGETS
| 模型部署率顯著提升，有效支撐積極模型開發計畫
模型部署速度 | MODEL DEPLOYMENT SPEED
在過去的一年中，模型的部署速度有了很好的改善，超過��%的受訪公司有能力在�個月內部署模型，而上一年只有
��%。大多數行銷公司現在正將導入AI作為日常營運的一部分，超過��%的受訪者能夠在模型開發後��天內進行部
署。然而，接近四分之一的公司仍然需要超過�個月的時間來部署，高達��%的受訪者不確定它何時能夠成功部署。
對於那些部署緩慢的企業，Algorithmia公司建議導入第三方MLOps平台來大大彌補這一差距。根據其����年的
調查，購買第三方MLOps解決方案的企業，與自己悶著頭開始的機構相比，部署一個模型所需的時間減少了��%。根
據他們的報告，這兩種企業部署模型的平均時間從��天下降到��天。
總體而言，部署速度的提高是非常令人鼓舞的，並驗證了企業希望比去年更大規模的開發和部署模型。如果企業希望
達到與去年相同的模型部署速度，就必須縮短模型部署周期，並利用MLOps平台，使其流程進一步運作和擴展。
模型部署速度 模型部署速度變化
��

36. 企業AI落地挑戰
CHALLENGES OF AI ADOPTION
09

37. AI FUNDAMENTALS NEED TO CATCH-UP TO SUPPORT AGGRESSIVE PLANS
| AI基礎問題應儘速解決以免成為大規模開發計畫的絆腳石
AI導入挑戰 | CHALLENGES OF AI ADOPTION
儘管在過去的一年中，我們看到了AI導入的前景
持續發展，但對於希望更深入導入AI的組織來說，
這件事仍然面臨許多挑戰。
早期階段的挑戰包含數據收集、瞭解數據和驗證
具價值的商業用例，仍然是大多數受訪者提到最
普遍的挑戰
（��%）
。其中，資料蒐集
（��%）
、驗證
商業案例
（��.�%）
和人才供應
（��.�%）
被視為前
三大挑戰。
而成長階段的挑戰主要有三個，分別是擴大規模
（
�.�%）
、資料科學家的表現
（�.�%）
和模型性能監
測
（�.�%）
等。
當企業積極地擴大他們的AI業務時，如沒有妥善
處理上述的問題，這些積累將會反過來壓迫企業
導入AI的功效。也就是說，這些問題沒有得到改正
，機構將會遇到瓶頸，並可能因此出現大規模的系
統和流程崩潰。
管理層必須尋求基礎設施和資源就緒，並制定正
確的發展計劃，以確保繼續加快導入和交付速度。
各階段AI導入挑戰比例
AI導入挑戰
��

38. HEALTHCARE AND MARKETING INDUSTRIES IN MATURING PHASE | 醫療保健及行銷行業已逐步走入成熟期
AI導入挑戰 | CHALLENGES OF AI ADOPTION
各行業AI導入挑戰
從產業的角度來看，行銷、諮詢和醫療保健產業目前最關注的是成長階段的挑戰，這表明與其他產業相比，他們已經進入更
成熟的AI導入階段。這些產業現在正在尋找方法來加強組織內更多團隊和更多人員來接觸數據，以擴大AI的可操作性和其
效益。
如上所述，從管理的角度來看，更好的數據治理的解決方案將改善這些挑戰，而No Code的資料科學平台可以幫助擴大業務
數量和模型部署數量。
��

39. CONTINUOUS DEPLOYMENT AND CONTI-
NUOUS OPTIMIZATION | 持續部署，持續優化
AI導入挑戰 | CHALLENGES OF AI ADOPTION
AI導入在達到�級之後，並不表示就到終點了。
對於已經達到高成熟度的組織來說，組織已經可
以自發地並自在地運用AI。與所有的軟體開發一
樣，AI正經歷持續開發和優化的階段。特別是AI
模型，模型的性能會隨著生產的變化和運營模式
的 轉 變 而 發 生 變 化。因 此，對 模 型 和 團 隊 性 能 的
持續監測已成為主要焦點，佔據� 級公司在這個
階段所面臨的挑戰的三成。
雖然大多數公司仍處於起步階段，但越來越多公
司正在尋求開發工具來滿足這一需求，以避免服
務和流程中斷並導致不良預測及損耗損。企業應
該將流程落實到位，加強對這些關鍵性能指標的
持續監測。他們還應該尋求導入具有追蹤數據和
性能變化能力的MLOps平台，並能不斷更新數
據和模型的版本，為AI團隊監測當前性能以及潛
在異常情況。
各年資企業AI導入挑戰
各成熟度企業AI導入挑戰
��

40. MODEL PERFORMANCE MANAGEMENT IS THE KEY CHALLENGE FOR MODEL MANAGEMENT
| 效果管理仍為模型管理最大挑戰
模型管理挑戰 | CHALLENGES OF MODEL MANAGEMENT
模型管理挑戰
對於使用大量模型的組織來說，模型管理是他們面臨的
一大挑戰。
隨著企業擴大其AI業務，更多的模型被部署在各環節中
，他們越來越關注如何重新訓練這些模型
（��.�%）
，監
測這些模型的運行狀況
（��.�%）
，並通過模型版本控制
，將控制措施落實到位以確保模型的完整性和安全性
（
��.�%）
。
如前所述，如果要更廣泛地推動AI，企業需要更好的技
術解決方案、政策、流程和平台，以更好地應對未來的這
些挑戰，使推動導入更多AI的過程能夠順利。
��

41. 企業AI落地隱憂
CONCERNS OF AI ADOPTION 10

42. PERFORMANCE MEASUREMENT & SECURITY AREAS OF GREATEST CONCERN
| 績效評估及安全性為AI導入最大隱憂
AI導入隱憂 | CONCERNS OF AI ADOPTION
AI導入隱憂
對多數企業來說，導入AI有很多好處，但也有許多擔憂。
超過��.�%的受訪者擔心AI的整體性能以及如何有效地管理和監測AI性能，這兩點是目前企業最大的擔憂。
��

43. AI導入隱憂 | CONCERNS OF AI ADOPTION
除此之外，��.�%的受訪者關注AI模型的可解釋性及其預測結果。企業需要證明AI的應用是確實有效的，因此需要能
解釋模型表現良好與表現不佳的原因，這些觀察對於企業如何評估效益是非常重要的。也因此，這成為現階段AI部署
的首要關鍵及挑戰之一。
各行業AI導入隱憂
��

44. PERFORMANCE MEASUREMENT & SECURITY AREAS OF GREATEST CONCERN
| 績效評估及安全性為AI導入最大隱憂
AI導入隱憂 | CONCERNS OF AI ADOPTION
各成熟度企業導入隱憂
對於更成熟的行業來說，另一個日益關注的領域是安全性。
在未來的自主系統中，模型可能成為駭客的一個重要攻擊點。任何形式的數據中毒
（篡改機器學習訓練數據）
都可能導致不
準確的生產結果和危險的後果。AI系統的網路防禦機制要能夠抵禦各種形式的攻擊，必須確保網路、設施和所有端點都是安
全的，才能保證數據和模型的完整性以及可用性。除此之外，專家們還鼓勵對組織內的AI用戶進行良好的培訓，以了解並確
保模型安全，包括定期檢查數據完整性和任何有問題的數據流。同時也應該讓法律/法規團隊一同參與，共同制定相關的保護
政策，以及建立數據治理委員會來監督這些行為。
��

45. 展望未來
LOOKING TOWARDS
THE FUTURE
11

46. REVENUE GENERATING FUNCTIONS STILL THE
CORE FOCUS | 營收部門仍為AI導入重點
未來應用導入趨勢 | FUTURE FUNCTIONAL ADOPTION TRENDS
未來應用導入趨勢
各產業未來應用導入趨勢
雖然我們先前預測，企業將加大對後台營運部門的AI導
入，但預計在未來��-��個月內，製造
（��.�%）
、銷售
（
��.�%）
和行銷
（��.�%）
等創造營收的部門仍將是企業
導入的重心。
然而，與前幾節的討論一致，隨著AI運營安全和數據治
理方面的關注度不斷上升，今年，安全已成為所有產業
在未來��-��個月內導入的重點。企業預計將大幅度依
靠AI來檢測網路和終端活動的異常，並檢測隱藏在系統
中的惡意軟體，例如勒索軟體。
��

47. 科技導入趨勢 | FUTURE TECHNOLOGY ADOPTION TRENDS
我們今年在調查中加入了MLOps平台做為計畫導入的AI技術選項之一，出乎意料地，竟迅速上升到企業計劃導入的
首位。
根據我們所列舉在組織內運營和拓展AI的挑戰，MLOps平台能提供一套解決方案，為組織創建一個標準化和可拓展
的工作流程。MLOps平台還可以提供數據和模型的版本管理功能，並提供工具來衡量生產中模型的性能。這些功能
同時能應對我們今年調查中經常提到的挑戰和擔憂，這就是為何MLOps平台在未來��-��個月內成為企業導入首選
的原因。
今年，機器人流程自動化
（RPA）
解決方案的導入也受到重視。製造業、石油、天然氣和化工行業以及銀行和金融業都
希望自動化一些重覆性的事務工作，甚至實現軟體和流程的自動化測試。這些勞力密集型產業今年最大的目標之一，
就是使用系統自動化來大量減少時間和成本，還可提高流程的一致性並消除人為錯誤。這些好處激發了企業對這一領
域的關注，我們期望看到RPA在實踐中衍生出更多的應用。
TECHNOLOGY ADOPTION TRENDS | 科技導入趨勢
未來科技導入趨勢
��

48. 企業升級建議
SHIFTING THE PARADIGM
12

49. 晉級LEVEL 1: 組織結構調整
| SHIFTING TO LEVEL 1: ORGANIZATIONAL ALIGNMENT
As we act upon the urgency of AI adoption into the enterprise, the leadership should consider
and decide upon the following questions in order to realize a successful kickoff.
THE ENTERPRISE VISION AND KEY OBJECTIVES FOR ADOPTING AI | 企業願景和採用AI的關鍵目標
作為企業，我們希望通過AI達到什麼目的？這不應該是為了一句口號或流行語，而是幫助企業實現整體的組織願景，
實現收入增長、提高組織效率、加強客戶存留、降低某些流程的成本等諸多商業目標。
IDENTIFYING AND ALIGNING THE KEY STAKEHOLDERS | 找出並凝聚關鍵利害關係人
這些新措施將使誰受益和影響誰？誰是最能影響這些變化的利益相關者？企業需要找出相應的利益相關者，並凝聚上
至管理層，下至關鍵工作者的想法，以獲得整個組織的認同和明確同一個執行目標。
��

50. 晉級LEVEL 2: 實現數據的可及性
| SHIFTING TO LEVEL 2: TOWARDS DATA ACCESSIBILITY
DATA PROLIFERATION WITH GOVERNANCE | 強化數據治理以實現全民數據可及性
團隊成員需要了解數據，並且能依據這些數據來開發有效的應用程式以減輕工作量。
然而，正如我們在今年的報告中所強調的，數據安全反而成為數據可及性的障礙。因此，我們建議企業要多關注數據治理的
服務和解決方案，一個強大的控制框架可以促進信心並加強整個組織的數據訪問靈活性。
BUILD UP THE DATA INFRASTRUCTURE TO COLLECT THE RIGHT DATA FROM THE RIGHT PLACES AND DE-
LIVERED TO THE RIGHT PEOPLE | 建立良好的數據基礎架構，從對的地方收集對的數據並交付給對的人
對於許多大型企業來說，數據收集已經是其運營的核心。然而，有些舊系統可能跟不上最新的數據串流和數據結構，或者被
存儲在組織內部各種不同的數據孤島中。這些疆界需要被打破，以便數據無縫地流入資料湖、倉庫或虛擬資料庫，供用戶或
系統存取並處理這些數據。
企業還應該注重這個基礎架構的靈活性，機動調整這些目標和應用，以對應隨著時間推移和目標發展而產生的改變。
��

51. 晉級LEVEL 3: 快速實驗
| SHIFTING TO LEVEL 3: FAST EXPERIMENTATION
BUILD AND SCALE CROSS FUNCTIONAL AI TASKFORCES | 建立跨部門的AI專案小組
一開始就把重要的利益相關者
（Stakeholder）
納入團隊。團隊成員一開始需要具有廣泛技能、熟悉主題的主力成員，
再加上理解IT和軟體開發的技術專家。資料科學家可以逐步加入到團隊中來運行實驗。正如我們的研究所揭示，成熟
度較高的團隊已經把運營到資料科學的成員同時納入同一屋簷下，以加快發展過程。
TAKE QUICK WINS | 由簡入繁，迅速取勝
為了獲得對此措施的信任和信心，早期的實驗應該專注於單一的案例，這些案例可以迅速證明AI導入的商業價值，從
而建立信心，進而擴大部署。在執行上，建議先建立對當前業務運營影響最小、成功概率高的項目。這就好比產品管理
中的最小可行產品
（MVP）
概念。挑選這些項目進行實驗，可以讓新成立的團隊突破新的任務和範圍，也可以建立整
個團隊的融洽關係和信心。
��

52. 晉級LEVEL 4: 落地運行
| SHIFTING TO LEVEL 4: TOWARDS OPERATIONALIZATION
ESTABLISH PLATFORMS, PROCESSES & POLICIES | 建立平台、流程及政策進行管理
根據我們今年的研究，大多數受訪者都十分關注如何衡量和管理他們的模型和AI項目的性能。專家們提出的建議是建立委
員會來檢視問題並找出最佳做法。同時，AI團隊應建立並運行實踐相關流程，頻繁檢查數據流和模型性能以確保模型及其預
測 結 果 的 完 整 性。這 些 措 施 應 確 保 系 統 在 正 確 的 軌 道 上。而 為 了 保 障 這 些 政 策 和 流 程 的 順 利 運 行，專 家 們 還 建 議 導 入
MLOps平台來管理模型及其運作的各個層面，並協助委員會和從業人員擴大這些流程和政策。
SCALING THE AI TEAM | 擴大團隊規模
正如我們的報告中所強調的，從長遠來看，AI團隊的規模對成功很重要。當公司開始嚐到實驗成功的第一個甜果時，是時候
加快開發和部署了。公司應該引入更多的業務運營專家來加快這一進程。
��

53. 晉級LEVEL 5: 百花齊放
| SHIFTING TO LEVEL 5: PROLIFERATION
WIDER TEAMS AND MORE SPECIALIZED PODS | 更廣泛的團隊和更多的專業化工作小組
隨著AI產生的成果在整個企業中得到推廣和認可，更多的業務單位和職能部門將希望參與這類項目來加快實現其目
標。這將在企業內部激發出一種內驅動力。
此時，應該讓更多的業務部門加入到這個計劃中來，可以從原來的AI團隊中分離出新的任務小組，擴散到組織中的其
他業務部門，來宣導並傳播他們的專業知識和經驗。
這些技術小組會在這些交流中發展出更專業化的技能，之後能開發出以企業整體架構為中心的解決方案。
STABILIZING YOUR TECH STACK | 穩定你的技術堆疊
由於在前一階段已形成 SOP流程，基礎架構和技術堆疊
（Tech Stack）
在這一階段將具有一定的穩定性。
一個穩定的技術堆疊應該考慮模組化的設計，能隨著環境的變化，允許測試和採用新的軟體和解決方案。整體堆疊可
保持高度彈性，新產品不斷湧現，老產品快速退場。因此，企業必須多加關注新的相關技術，以確保整個系統是在最新
的狀態。
��

54. 晉級LEVEL 6: 全民AI
| SHIFTING TO LEVEL 6: TOWARDS DEMOCRATIZATION
AI DEMOCRATIZATION THROUGH ENTERPRISE EMPOWERMENT | 企業賦能，全民解題
當組織達到第�級水平時，AI不再是一個上層下達的命令，而是組織成員自下而上自主地推動AI。
組織及其管理層只需要提供團隊所需的數據和技術，並構建成員日常工作量需要的應用程式來實現這一目標。這將促進深遠
的創效果新，且這樣的自發性創新對整個組織至關重要。
有了數據治理作為基礎結構，企業可以大規模地向員工提供細化和實時的數據。而無代碼/低代碼工具將進一步促使員工能
夠自己建立應用程式，而不是依賴AI團隊和IT團隊，這將加快AI的部署及效率。組織切記需要有一個監督委員會進行運作，
確保數據安全和數據治理。
TRANSCENDENCE | 超然
在這個階段，企業將不再把AI視為一個獨立的倡議。AI已經深化成為組織的DNA一部分，所有員工，從上到下，都在利用已
開發的應用程序來協助他們的日常工作。許多模型已經投入生產，使管理層能夠超越他們的競爭對手，實現高水平的業務效
率。
企業領導人應繼續建立和宣揚擁抱AI的文化，不斷促進開放的跨部門合作。
企業也應該不斷幫助員工提高能力，利用這些技術來提高他們的工作效率和工作流程。
��

55. 貢獻者
THE CONTRIBUTORS 13

56. 蜂行資本 | HIVE VENTURES
Hive Ventures 蜂行資本 是台灣領先專注於台灣 AI、大數據產業的創投基金。該公司由一群在AI和大數據方面具有深厚
專業知識的創業家所創辦，專注投資AI、Data、SaaS、Blockchain、企業軟體和其他未來技術的早期團隊。 憑藉廣泛的全
球人脈和強大的創業和技術背景，Hive Ventures旨在幫助台灣新創公司成長，並推動國際市場發展。Hive Ventures在
推動企業打破數據孤島、加速開發與企業合作、提升台灣作為AI和 SaaS 創新領先市場品牌等方面有著豐富的經驗，同時與
亞太地區其他領先的VC及企業有著深度的合作。
欲了解更多，請至 https://www.hiveventures.io/
��

57. Origin
為運用我國既有資通訊、半導體等硬體製造優勢，同時連結全球先進科技研發能量，促使國內硬實力跨入軟體應用，
引領臺灣未來的新經濟發展模式，國發會、經濟部、科技部、交通部等各相關部會，自���年�月起共同執行
「亞洲．矽
谷推動方案」
（簡稱亞洲．矽谷�.�）
。該方案已於���年�月�日行政院第����次院會報告，以
「推動物聯網發展」
及
「健
全創新創業生態系」
為�大主軸，期以物聯網促進產業轉型升級，以創新創業驅動經濟成長，進而協助臺灣搶進下世代
數位創新商機，加速國內產業轉型升級。
近年來隨著人工智慧
（Artificial Intelligence, AI）
、�G快速發展，已使物聯網應用範疇更加廣泛，有助於發展各
類創新服務，且由於臺灣新創生態環境日益活絡，未來須加速推動新創事業成長及出場，爰國發會在過去亞洲．矽谷
�.�之推動基礎下，協調各相關部會共同規劃
「亞洲．矽谷�.�推動方案」
（簡稱亞洲．矽谷�.�）
，並於���年�月�日經行
政院核定，推動期程自���至���年。
Vision
亞洲．矽谷�.�以
「智慧物聯加速產業進化」
及
「創新創業驅動產業未來」
為２大推動主軸，未來將積極導入�G、AI等數
位經濟關鍵技術，鼓勵AIoT解決方案向國際輸出，並加速新創事業的成長及出場，期打造臺灣成為亞洲數位創新的關
鍵力量。
亞洲•矽谷
| ASIA SILICON VALLEY DEVELOPMENT AGENCY (ASVDA)
��

58. 台灣人工智慧學校 | TAIWAN AI ACADEMY
鑑於人工智慧的重要性，以及台灣產業長久被缺少高階人才的問題所困擾，甚至成為產業發展及升級的障礙，台灣人工智慧
學校為此而成立。希望很快地讓
「找不到人才」
不再成為企業發展人工智慧的障礙，同時建立
「自己的問題自己解決」
的文化，
打破被技術殖民的慣性，重建社會自信。
台灣人工智慧學校將以最好的師資及與產學界的密切合作，進行人工智慧技術人才的密集培訓。讓不同專業領域的學員都能
如虎添翼，以人工智慧加上原本的領域知識，具備協助各企業解決問題，以及帶領人工智慧團隊的能力。他們將擔任技術種
子角色，深入台灣產業的各個層面，以其本身專業及人工智慧技術協助企業解決在邁向智慧化的過程中所面臨的難題。
我們預期本校的校友們無論未來在產業界、學術界、或自行創業，都能以他們所學，在社會的各個角落協助台灣在人工智慧
技術及應用的全面升級，幫助未來的我們擁有更美好的台灣。
��

59. ALPHA Camp 是一所科技和創業學校，目前在新加坡、
台灣和香港設有分校。我們的使命是幫助亞洲的人才在科
技領域建立有意義的事業。我們幫助你發展未來就業技能、
創業心態和專業人脈，以在數位經濟中取得成功。
泰雅科技正在以一種全新的方式建立企業�G專網，包含無
線通信、Data Mesh和雲服務，涵蓋�G/�G、Wi-Fi和物聯
網連接技術。
Avesha提供了一個管理多雲和雲邊緣
（混合雲）
的雲軟體
平台。
邊緣雲給應用開發者帶來了新的挑戰，例如如何找到最理
想的節點到快速部署和管理邊緣網絡。
Canner 是一家數據管理軟體公司，為企業提供數據取得
控制、管道化和協作工具，在單一的虛擬化數據庫中最大限
度地實現數據智能控制，提高效率，並降低雲端成本。
其他合作夥伴 | OTHER PARTNERS
��

60. InfuseAI 是一家由產業專家於 ���� 年成立的機器學習
公司。公司服務於那些為客戶提供相關開發和數據分析的
企業。在 InfuseAI 的協助下，企業、組織和機構能夠從數
據中獲取、處理、得到洞察，並透過量身定做的解決方案快
速看到成果。
CacaFly 聖洋科技隸屬 funP 雲沛創新集團，於 ���� 年
成立，為台灣社群行銷的領導品牌。
CacaFly 深耕市場多年，擁有超過���位以上通過認證的
專業媒體行銷大軍，協助客戶在數位領域開疆闢土，專業技
能涵蓋社群、創意企劃、媒體整合、數據分析、趨勢預測，靈
活運用各媒體優勢，提供領先市場的行銷策略，為品牌發展
創造更多的可能性。
CacaFly 持續以最具前瞻性的觀點，洞悉瞬息萬變的數位
浪潮，與市場趨勢無縫接軌；以媒體科技發展為核心，為客
戶開拓數位行銷新視野。
其他合作夥伴 | OTHER PARTNERS
��

61. Instill AI致力於用新一代的視覺AI技術為視訊安全產業
提供解決方案。有鑒於看到企業耗費巨大的時間和成本來
使用Vision AI，他們決定建立Instill AI來為企業提供更
容易使用的解決方案。
ProfetAI (JWII) 由一批熟悉運營系統，橫跨研發、製造、
物聯網、AI機器學習、雲生成技術的專家成立，旨在打造高
附加值的自動化機器學習解決方案，解決業務和工廠管理
問題，從而幫助客戶實現數位化、智能化工廠。
IsCoolLab為工業界開發了一種獨特的基於電腦視覺的
RPA
（機器人流程自動化）
軟體解決方案，並獲得了專利。
我們的解決方案可以將您寶貴的人力資源從繁瑣、重覆、單
調的機床應用和辦公應用中解放出來，為工業�.�收集機床
數據，並同步將數據串聯到傳統/異構/第三方/跨平台的軟
體應用上。
TenMax 騰學廣告科技是 funP 媒體集團旗下專注數位
廣告技術開發的子公司。由專精大數據分析、數位廣告技術
的軟體工程師、資料科學家、與數位行銷專家組成。我們致
力於數位廣告技術的自主研發與創新，期許成為東南亞數
位廣告與 RTB 生態系的領導者，透過持續不斷累積的專
業與技術力，善用數據創造價值，幫助企業走向數位行銷創
新。
其他合作夥伴 | OTHER PARTNERS
��

62. BUILD AN ELASTIC FUTURE ENTERPRISE | 建立靈活應變的未來企業
COVID-��讓我們看到了生活中和組織架構的弱點。但它也給了我們一個機會來面對最大的恐懼，並在前進中找
到力量，在新常態下創造全新的商業基石。
希望透過這份報告，能提供台灣企業AI導入的現狀。雖然我們遇到了疫情，但是台灣企業AI的導入仍然展現了正
面的進展。
雖然我們的AI導入有著趕上已開發經濟體的跡象，但我們絕不能自滿。我們仍然處於這些發展和技術的初級階段
。導入AI的旅程是一條長長的曲線，還有不少路要走。數據基礎設施的架構和AI的科技仍持續地以光速發展。因此
，我們鼓勵那些還在早期階段的公司，仍然要不畏艱辛地努力前行；對於走在前頭的公司，需要持續關注產業內的
最新發展，與業內同行進行對話，並在此過程中不斷進行優化。
我們期待著在未來的歲月裡，這個產業將會繼續向前邁進！
14 結語
A FINAL WORD
��

63. OUR SINCERE THANKS | 我們誠摯的感謝
National Development Council 國家發展委員會
Asia Silicon Valley Development Agency
ASVDA亞洲·矽谷計劃執行中心
Taiwan AI Academy 台灣人工智慧學校基金會
ALPHACamp 又米創新股份有限公司
Atayalan Inc.
Avesha Inc.
Canner, Inc. 易開科技股份有限公司
CacaFly 聖洋科技股份有限公司
Instill AI
InfuseAI 工合股份有限公司
IsCoolLab 伊斯酷軟體科技股份有限公司
ProfetAI 杰倫智能科技股份有限公司
TenMax 騰學廣告科技股份有限公司
Richie Tsai 蔡明順 台灣人工智慧學校 校務長
Ning Ning Yu 俞寧寧 VP, R&D, Taboola
Edward Chen Strategy Consultant
Brian Yang Co-Founder, Cacafly
陳五福 董事長
致謝
ACKNOWLEDGEMENTS 15
在此，我們衷心感謝所有幫助我們、提供建議、創建、分發和參與本調查的朋友和合作夥伴，並為本報告的編寫提供寶貴的意見。
��

64. THE INFORMATION ON THIS DOCUMENT IS PROVIDED FOR INFORMATION PURPOSES
ONLY. IT DOES NOT CONSTITUTE ANY OFFER, RECOMMENDATION OR SOLICITATION TO
ANY PERSON TO ENTER INTO ANY TRANSACTION. ANY BUSINESS OR INVESTMENT DECI-
SIONS SHOULD NOT BE BASED PURELY ON THE INFORMATION PRESENTED IN OUR RE-
PORTS. WE WILL NOT BE RESPONSIBLE FOR ANY LOSSES INCURRED BY A CLIENT AS A
RESULT OF DECISIONS MADE BASED ON ANY INFORMATION INCLUDED IN THE REPORTS.
WE DO NOT GUARANTEE OR TAKE RESPONSIBILITY FOR THE ACCURACY, COMPLETENESS,
RELIABILITY AND USEFULNESS OF ANY INFORMATION. IN MANY CASES, THE OPINION
EXPRESSED IN THE REPORTS IS OUR CURRENT OPINION BASED ON THE PREVAILING
MARKET TRENDS AND IS SUBJECT TO CHANGE.
16 免責聲明
DISCLAIMER
��

65. 主辦單位
Hosted by
共同主辦
Co-Hosted by