消費者 AI 之後，工業 AI 為何成下一波商機？台達電列為 3 到 5 年重點、Honeywell 執行長也點名
AI 資料中心投資熱潮下，從邏輯晶片、記憶體、先進封裝到伺服器、電源、散熱機櫃，台灣科技供應鏈幾乎全線滿載，訂單能見度普遍看好。當眼前的「消費者 AI（Consumer AI）」商機還在高速成長，身處供應鏈核心的大型科技廠商，已經開始盤點下一步。
《數位時代》總編輯王志仁近期實地參訪台達電，與電源供應事業群、基礎設施事業群的高階主管面對面交流，了解台達電如何規劃未來 1 到 10 年的技術布局，其中「工業 AI（Industrial AI）」被視為未來 3 到 5 年的重點方向。
無獨有偶，美國老牌工業自動化大廠 Honeywell 董事長暨執行長庫帕（Vimal Kapur），在高盛（Goldman Sachs）「Talks at GS」節目中，與高盛總裁瓦德隆（John Waldron）對談時也提出類似觀察：物理 AI（Physical AI）的機會，來自工業設備長年累積、卻從未被真正利用的大量數據，加上全球關鍵產業技術人力持續短缺。
以下整理王總編輯對相關產業的觀察。
Q1：台股權值排名反映了 AI 供應鏈哪些現況？
A： 這次到台達電進行參訪，了解台達電目前在電源供應、儲能與散熱機櫃方面的進展。過去兩年，這些業務成長非常快，台達電董事長鄭平在今年 2 月法說會上也提到，主要大型雲端業者的專案都已排定，訂單能見度高、產能滿載；4 月法說會上他進一步表示，現在產能仍然吃緊，「現在談的都是一年後的產能布局」。這某種程度反映了台灣電子產業從半導體晶片、封裝到電子組裝、零組件廠商，普遍受惠於 AI 基礎設施需求的現況。
依台灣期交所 2026 年 7 月底資料，市值占大盤比重前五大依序為台積電（44.78%）、聯發科（4.06%）、台達電（3.03%）、鴻海（2.50%）、日月光投控（1.76%）。
這五家企業基本上都是半導體、封裝或電子組裝、零組件業者，訂單之所以不斷湧入、帶動成長，都跟目前 AI 整體基礎設施需求強勁有關係：台積電、日月光集中在晶片製造與先進封裝（CoWoS 等）；聯發科受惠與 Google 合作設計第 8 代 TPU 等 ASIC 訂單，負責 I/O Die 設計、晶圓採購與後段封裝整合；鴻海則受惠 AI 伺服器組裝訂單持續湧入。
延伸閱讀：Google、亞馬遜搶訂 AI ASIC！世芯、創意、聯發科憑什麼接單？拆解台灣晶片設計業卡位雲端巨頭的邏輯
台達電的角色相對特殊。以輝達執行長黃仁勳提出的「五層蛋糕」架構來看，第一層是能源、第二層是晶片、第三層是基礎設施（含 AI 伺服器、散熱等）。台灣廠商中，台積電、日月光屬於第二層晶片製造與封裝；鴻海、廣達、緯穎等屬於第三層資料中心硬體組裝；台達電則同時橫跨第一層能源（電源供應）與第三層基礎設施（散熱機櫃等），是台廠中少見同時涉及兩層的廠商。
Q2：台達電對未來技術發展的三階段規劃是什麼？其中鎖定的「工業 AI」和目前主流的「消費者 AI」差在哪？
A： 台達電內部把技術發展分成三個階段：未來 1 到 2 年是「產品量產」，也就是現在已經在出貨的電源、儲能、散熱等產品；3 到 5 年是「先進技術」，代表已經看好方向、也開始與客戶進行概念驗證（POC），準備小幅出貨；5 到 10 年則是「理論技術」，這部分仍在實驗室或研發單位階段，不用馬上承擔量產壓力。
其中，3 到 5 年台達電鎖定的重點方向之一，就是「工業 AI」，主要處理廠房內機台設備產生的資料，也就是 OT（Operational Technology，營運技術），像是工廠、賣場、醫院等場域中自動運作、持續產生資料的機器與系統；相對地，過去三年發展熱絡的「消費者 AI」，處理的是使用者在電腦、手機等裝置上操作所產生的資料，也就是 IT（Information Technology，資訊技術），服務的是個別使用者。這個分類架構也可以進一步對應到「Digital AI」（發生在電腦裡的問題）與「Physical AI」（發生在實體世界的問題）兩種類型。
延伸閱讀｜台達電全解讀：最被低估的AI黑馬，如何吃下「黃仁勳蛋糕」最難2層？
Q3：現在的 AI，主要在解決什麼問題？
A： 同樣以「五層蛋糕」架構來說明，第四層是大語言模型，第五層是應用層，包含生產力工具與這一年很熱門的 AI 代理（AI Agent）。目前這些工具與代理，絕大部分服務的是個別使用者，處理的是發生在電腦裡的 Digital AI 任務。以媒體工作為例，記者採訪錄音後，可以用工具轉成逐字稿並整理重點摘要，甚至先由 AI 整理初稿，再由編輯進行人工編輯。會議記錄、行程安排等日常生產力工作，也是類似邏輯。
AI Agent 則處理更複雜、需要跨工具協同的任務，例如訂高鐵票、訂餐廳、訂飯店等。不過，簡單的任務不一定適合交給 Agent 處理，因為過程中消耗的運算成本（token）可能遠高於任務本身的價值，這也是近期部分企業開始限制員工濫用 Agent 處理過度簡單任務的原因之一。
有趣的是，AI 目前擅長的是複雜的思考與資料結構化工作，但回到實體世界的問題，能力反而相對弱。例如請機器人下樓買一瓶醬油，牽涉到空間辨識、行走路徑判斷、抓取物品、依情境調整握力等一連串複雜判斷，這對機器人來說至今仍是一大挑戰；相對地，即使是背誦九九乘法表這種對人類小孩而言較困難的任務，對 AI 來說反而簡單得多。
延伸閱讀：黃仁勳猛催 token，微軟、Uber AI 帳單卻炸鍋！token 愈便宜，成本怎麼反而更高？
Q4：Honeywell 董事長暨執行長庫帕怎麼看工業 AI 的機會？
A： 庫帕觀察到，過去的工廠自動化設備，多半是針對特定任務設定好功能，像製程、樓宇這類 24 小時連續運轉的系統，只會執行事先寫好的固定動作；但現在有機會透過機台裝置長期累積的大量資料重新訓練模型，讓機台遇到不同狀況時也能自主反應，也就是從「自動化（Automation）」走向「自主化（Autonomy）」。不過多數情境仍以輔助決策為主，最終由人判斷。
庫帕在對談中表示，這個機會背後還有另一個驅動因素：全球關鍵產業的技術人力持續短缺，他提到自己走訪各國查到的生育率多在 1.5 到 2 之間，美國約 1.6，說明有經驗的技術人員將愈來愈難補齊。他認為從自動化走向自主化，是未來 5 到 10 年的發展方向，能為公司帶來新一波成長動能。
編按：Honeywell 正分拆為三家上市公司（Honeywell Aerospace、Solstice Advanced Materials、Honeywell），分拆後，庫帕將續任新 Honeywell 董事長暨執行長，公司轉型為純自動化業務（pure-play automation）。
Q5：工業 AI 若走出工廠，落地到餐廳、零售、醫院等場景，可能長什麼樣子？
A： 工業 AI 不會只發生在工廠現場，各種需要處理機台或系統資料的場景都有機會應用，包括零售賣場的監視器、收銀與庫存系統，或醫院裡的超音波、MRI 等檢測裝置產生的資料。以工廠現場來說，這也和許多客戶長期面臨的缺工、人員流動率高的問題有關。工廠設備若能從自動化走向自主化，將有助於緩解人力短缺，並在設備出現異常時提前預警、進行維修調度。
以高階餐飲（Fine Dining）為例：一家餐廳其實同時存在訂位系統、POS 收銀系統、CRM 會員管理系統、廚房出餐系統、採購系統、財務系統等多套獨立系統，過去這些系統彼此串接需要另外開發介面程式，成本高、也複雜。如果客人是常客，理論上系統可以在客人抵達前就辨識出偏好菜色、生日等資訊，甚至串接代客泊車紀錄的車牌資料，提供更客製化的服務，但過去因為系統整合成本過高，這類串接往往做不到。
現在透過 AI，有機會把這些原本各自獨立的系統打通，這個概念類似約兩年前業界討論的 MCP（模型上下文協定，Anthropic 於 2024 年 11 月發布）：如同多語系統之間需要一位翻譯（相當於 AI Agent 的角色），才能讓不同系統、不同標準的工具彼此協作。
延伸閱讀：世界模型比 LLM 更重要？台大教授徐宏民：讓機器人在虛擬世界先犯錯，才是產業化關鍵
Q6：消費者 AI 走向工業 AI 大概還要多久？現在該做什麼準備？
A： 從台達電與 Honeywell 觀察，工業 AI 不是要取代消費者 AI，而是消費者 AI 目前的大量投資與應用，先讓 AI 工具的能力、操作介面經驗與基礎設施逐漸成熟，之後才有條件進一步解決更複雜的實體世界問題，包括生產線現場、零售店面、醫院、自駕車、無人機等場景。
以台達電規劃的時間軸來看，這大約是 3 到 5 年內逐步成形的事，但這個估計可能偏保守，因為已經有部分產業走得比較快，開始嘗試導入。目前階段，不論是工具、系統或企業內部經驗，都還在累積當中；等到相關環境更成熟，一般企業即使能力經驗不強，也能較輕鬆導入工業 AI。這是消費者 AI 之後，被認為必然會到來的下一步。
收聽完整 Podcast｜EP296. 科技製造大廠如何賺下一波AI財？
（本文初稿為 AI 編撰）
延伸閱讀
人型機器人 Digit 進駐 Amazon、Toyota！能搬 16 公斤還會爬樓梯，Agility：「不像人」反而更有商機
大數據 KEYLM 上線！65 億筆繁中語料練出 BIG10 語言模型，讓政府 AI 幕僚也能聽懂繁中
洗碗也能賺錢？DoorDash 推 Task App 讓外送員兼職 AI 訓練師，把日常動作變成 AI 訓練數據