「數據會成為國家與企業的護城河。」數發部次長侯宜秀點出 AI Ready 發展的關鍵底層與上層
「AI Agent 需要有很多的管理和調教，最底層感知和資料層，和最上面的測試和治理層，是台灣非常好的機會，必須有足夠的在地資料，還有企業內部重要的資料，這些數據會成為國家與企業的護城河，」數發部次長侯宜秀在 TechOrange 科技報橘日前舉辦的「AI Ready 數據治理論壇」致詞時強調。
從企業、城市到國家，要打造專屬於自己的 AI 發展模式，數據已成為具備明確規格且不可或缺的核心基礎。
鴻海科技集團 正在建立「AI Ready」智慧城市大腦
鴻海科技集團董事長辦公室軟體研發處資深經理潘相輔以「整合碎裂數據，建立 AI Ready 智慧城市大腦」為題，分享了鴻海在推動 CityGPT 與智慧城市應用的實戰經驗與觀察，當前企業與政府面臨的核心痛點已非缺乏資料，而是如何透過 AI Agent 自動化處理龐雜的數據流，提升治理效率。
潘相輔先以「生活圈發展」比喻 AI 宜居城市的發展，將其歸納為交通、機能、人潮三大元素。「交通」表示底層技術，包含算力基礎等建設，當基礎建設完善後，便會發展出「機能」，結合社會化數據與多元應用服務，當交通與機能到位後，將吸引「人潮」，進而完成 AI 宜居城市的標準化建置。
然而在建置過程中，如何讓 AI 精準存取資料是關鍵挑戰。「過去 API 是為工程師設計，讓工程師能理解並帶入參數撈取資料，但若直接交給 AI 處理，AI 常因無法辨識正確參數而盲目測試，耗費運算資源。」潘相輔表示，為此鴻海強調建立「資料說明與詮釋」標準的重要性，並透過多個 AI Agent 協作的自動化調優流程，引導 AI 精準執行任務。
台灣數位平台經濟協會 分析六都智慧城市治理發展
「協會與政治大學研究團隊耗時一年多，透過 18 位專家學者、102 項關鍵指標，以及包含智慧科技、智慧經濟、智慧民眾、智慧治理及智慧環境的五大構面，客觀評估台灣六都的數位發展狀況，」台灣數位平台經濟協會理事長劉于遜分享即將在 5 月份發布的「六都數位政策調查研究」。
「治理是本質，硬體只是輔助，」劉于遜指出，目前六都在硬體基礎設施已趨於同步，城市競爭的關鍵分水嶺已轉向智慧治理，政府數位能力是成功的核心引擎，施政團隊是否具備數位思維、能否將數據整合並落實「決策科學化」，才是拉高城市競爭力的真正分水嶺。
台灣帆軟 打破數據孤島，助半導體企業將每日資料匯整降至 10 分鐘
無論是資料治理或企業營運，高品質的底層數據都是發揮智慧化成效的關鍵基石。
「許多企業看起來像在做 AI，但底層數據卻仍仰賴人工以 Excel 整理，缺乏統一標準，導致專案在數據梳理階段就停滯不前，」台灣帆軟客戶經理張姿敏強調，要打造 AI Ready 的數據環境，首要任務是建立自動化、標準化的資料倉儲。
針對此痛點，帆軟提出一站式資料治理解決方案，將分散在各業務系統數據，如同物流中心般集中至規範化的資料倉儲，並進行標準化的分層梳理，透過 FineDataLink 整合平臺，企業能自動化執行數據處理，建立統一的數據標準。
張姿敏以某半導體大廠為例，過去某製造部門每天凌晨需耗費數小時人工跨系統撈取資料，傳輸不僅容易中斷，主管也只能看昨天的舊數據做決策。在導入自動化資料治理與整合平台後，資料處理時間大幅壓縮至 10 分鐘內，不僅確保數據的即時性，更能輕鬆實現異常自動通報與派工，降低人力及時間成本。
NetApp 確保資料暢行無阻，滿足企業 AI 所需燃料
企業在推動 AI 專案時，常面臨資料孤島與資料分散雲地各處的難題，同時面對營運流程複雜、成本高昂等挑戰，需要大規模優化運算效能與儲存成本，同時應對潛在的資料安全威脅。
「我們不只是單純的儲存平台，而是可以利用儲存的特性，加速企業在 AI 資料整理與生成的過程，」NetApp 資深技術顧問徐榮君表示，針對跨雲資產調度不易的痛點，透過混合多雲的一站式資料管理平台，企業能實現更無縫且高效的資源調配。
而在資安防護方面，考量到企業對資料外洩的疑慮，NetApp 資料護欄技術能自動隱藏敏感個資，並將機密檔案從 AI 工作流程中完全排除，結合防勒索偵測與因應未來的後量子密碼防護技術，協助企業打造既高效又安全可靠的 AI 運作環境。
先有穩健剎車，才讓人敢踩下更深的 AI 油門
勤業眾信資深執行副總經理陳威棋指出，AI 規模化應用的關鍵，在於資料架構現代化，建立唯一可信的資料環境，AI 才能產出正確決策，「擁有好的剎車，才讓人敢踩下更深的油門。」
陳威棋建議，企業應落實「Secure AI By Design」理念並接軌國際標準，將 DevSecOps 流程導入 AI 生命週期，自動化執行合規審核與漏洞追蹤。針對具體的 AI 落地路徑，陳威棋建議企業可依序執行六大步驟，首先由高層承諾並啟動治理，接著進行 AI 應用的盤點與分類，隨後完成風險評估與法規確認，建立治理政策後，進入落地實施與營運整合階段，最後透過持續的監控、稽核與改善，確保 AI 應用的長久穩健，透過資料治理與安全開發流程的整合，打造既高效又安全可靠的 AI 運作環境。