從一片晶片，到一個國家的未來

陳良基談 AI、半導體、人才與台灣下一個十年的價值創造

2026 年 9 月 26 日，參加台灣勵志協會（Taiwan Inspiration Association, TIA）名人講堂。這一場的講者是前科技部長、台大教授陳良基，題目是〈如何掌握 AI 機會，創造新價值〉。

TIA 將自身的活動主軸定位為「凝聚台灣向心力」、「與青年交流」及「促進國際友善相處」，而 9 月 26 日這場陳良基的 AI 講座，也確實列在協會 2026 年的官方活動中。台灣勵志協會

原本以為今天談的會是 AI 技術、半導體與產業趨勢，但兩個多小時聽下來，我覺得陳良基真正想談的，其實是一個更大的問題：當一個新的時代來臨，我們究竟要追逐已經發生的現象，還是找到推動時代改變的力量，提早布局？

這也成了整場演講最值得記下來的一條線。

「我是誰？」一個喜歡闖蕩的科技人

陳良基一開始先用一張〈我是誰（WHO AM I）？〉介紹自己。

投影片右上角寫著一句很有意思的話：「喜歡闖蕩的科技人。」

他的自我介紹並不是傳統官員履歷式的排列，而是把自己一路走過的科技與教育現場串在一起：從晶片、IC 設計、台大電子研究，到創新創業、設計教育、科技新創，再走到 AI。

這其實已經替今天的演講埋下伏筆。

因為他反覆談到一個觀念：看到問題，不要只抱怨問題，而是問自己能不能去解決它。

他以自己在學術界的經歷為例。半導體是一個迭代速度極快的產業，新製程、新工具、新設計方法不斷出現。教授好不容易準備完成一套教材，過幾年產業可能已經走到下一個世代。

那麼，問題就來了：

如果每一位教授都各自重新準備所有內容，速度怎麼可能追得上產業？

他的解法不是要求一個人變得更辛苦，而是重新設計系統：讓不同學校、不同教授共同合作，把教學、晶片設計、製造與驗證的資源串接起來。

從這裡開始，他逐漸形成一個後來影響自己許多政策判斷的思維：

真正重要的，不只是解決一個問題，而是能不能建立一個會持續運轉的生態系。

我第一次真正看懂：一片晶片為什麼代表「價值」

演講前段，他拿出實際的晶片給大家看。

一顆晶片並不是孤零零的一小片東西。它需要封裝、接點、線路、記憶體、運算、輸入輸出，以及後面的整套系統，最後才能連接到我們真正使用的電腦、顯示器與各種設備。

而 IC 設計裡有一件非常現實的事：面積就是成本。

假設同一片晶圓原本只能切出 200 顆晶片，如果透過更好的設計與製程，在維持功能的情況下縮小晶片面積，使同一片晶圓可以切出更多晶片，那麼所創造的經濟價值就完全不同。

所以工程師做的事情，看起來可能只是把線路重新安排、把面積縮小、改善效能與功耗，但最後其實都回到四個字：創造價值。

這也是今天整場演講很重要的關鍵字。

半導體真正難複製的，並不只有工廠

談到台灣半導體，陳良基提出了一個我覺得很值得記下來的觀察。

很多國家看到台灣科學園區成功，就想複製園區、工廠與供應鏈。

但是，廠房可以蓋，設備可以買，行政制度也可以模仿，為什麼最後產生的結果還是不一樣？

因為我們平常看到的是產業供應鏈，比較不容易看到的是它背後的另一條鏈：人才供應鏈。

半導體不是把機器買回來，按下按鈕就能生產。

先進製程大約每隔數年便進入新的技術世代，背後需要大量工程師、研究者、教授與學生持續更新知識。新的學生從學校進入產業，新的研究再回頭支持下一個技術世代。

因此，一個科技聚落真正難以複製的，未必只是設備，而是：產業鏈 × 人才鏈 × 研究鏈 × 教育鏈。

這些東西必須長時間一起生長。

早在 2017 年陳良基擔任科技部長時，科技部公布的 AI 策略就已經把「人才」與半導體放在同一套布局中，包括 AI 創新研究中心、AI 運算環境及「半導體射月計畫」等；其中射月計畫當時規畫四年投入 40 億元，希望培養先進製程與晶片設計人才。國家科學技術委員會

今天再回頭聽他講，才比較容易理解：這些看似分散的政策，其實背後是同一個思考。

AI 到底是什麼？

講到這裡，陳良基忽然把問題拉回一個最基本、卻也是今天大家最容易講得過度複雜的問題：AI 到底是什麼？

他的說法很有意思。

他把 AI 能力理解為一種：

「有知識的行為模式。」

他用了一個非常生活化的例子。

假設我們要選一位「帥氣的主持人」，可以先設定幾個條件：人長得帥 × 50%＋機智應變 × 20%＋口齒清晰 × 15%＋親善能力 × 15%

換成數學形式，就是：F = A₁W₁ + A₂W₂ + A₃W₃ + A₄W₄

A 是不同參數，W 是不同權重。

如果我們重新定義「帥氣」，加入儀態、台風、控場、才藝、語言能力，而且重新調整每一項的權重，最後選出來的人就可能完全不同。

參數改了、權重改了，行為模式也跟著改。

這是他用來讓非工程背景聽眾理解 AI 的入口。

當然，現代大型 AI 模型的實際架構遠比這個線性加權例子複雜；但作為演講中的直觀比喻，它點出了一件重要的事：模型所學到的參數與權重，會影響最後產生的輸出。

AI 看起來很聰明，底層卻是不斷地計算

陳良基接著說了一句讓現場很好理解的話：對做電腦、做 IC 的人而言，電腦其實沒有大家想像中那麼神祕。底層仍然是大量的數學與邏輯運算。

真正驚人的地方是：它算得非常、非常快。

當模型從幾百、幾千、幾萬個參數，一路走向數十億、數千億甚至更大的規模，人腦不可能逐項完成的計算，機器卻可以高速反覆執行。於是 AI 的能力不斷提高。

而這也解釋了為什麼今天全球科技公司突然如此需要 GPU、伺服器、記憶體、先進封裝、散熱、電力與資料中心。

AI 看起來是一場「軟體革命」，但當我們一路向底層追，最後會發現：

AI 最後仍然必須落在實體世界。

需要晶片，需要電，需要散熱，需要高速傳輸，需要機房。也需要人。

2017 年，他為什麼開始押注 AI？

這是今天非常精彩的一段。

陳良基回憶，自己在 2017 年擔任科技部長期間便開始大力推動 AI。當時 AI 還不像今天這麼熱門，社會上也有很多質疑。

但他的判斷是：台灣不能再錯過這一波。

因為台灣在 PC 時代累積了非常完整的硬體與半導體能力；到了網路與軟體平台時代，台灣相對沒有取得同樣突出的全球位置。

AI 則再次把運算、晶片、伺服器與硬體系統的重要性拉回來。

這恰好碰到台灣最深的產業能力。

這段回憶可以和當年的公開紀錄互相印證。2017 年 10 月，陳良基與 NVIDIA 執行長黃仁勳在台北舉行 AI 高峰座談；當時陳良基就公開表示，台灣具有完整的半導體科技聚落與運算人才，是發展 AI 的重要優勢。科技部與 NVIDIA 當時也宣布人才培育及 AI 生態系合作。中央社 CNA

所以今天回頭看，這並不是事後才出現的說法。

2017 年時，他確實已經在做這件事。

50 億元，買的不是一台電腦

接下來，他談到另一件重要的事：AI 算力。

當時科技部「小國大戰略」的其中一項策略，是四年投入 50 億元建構 AI 主機與共享高速運算環境。國家科學技術委員會

後來形成大家比較熟悉的成果：「台灣杉二號」（TAIWANIA 2）。

2018 年完成時，台灣杉二號達到約 9 PFLOPS 運算效能，當時進入全球超級電腦 TOP500 第 20 名；系統由國研院國網中心與廣達、台灣大哥大、華碩等合作打造。中央社 CNA

而陳良基今天特別提到一個設計：一部分算力提供學術研究，一部分要讓產業使用。

這也和當年的官方規畫一致：台灣杉二號規畫約 50% 運算資源供政府前瞻計畫及學研界使用，另外一半則供創新產業應用。中央社 CNA

換句話說，政府投入的不是一台拿來「展示國力」的超級電腦。

真正要建的是：讓研究、人才、資料、產業可以一起跑起來的基礎設施。

但是今天的超級電腦，兩年後可能已經完全不同

科技最殘酷，也最迷人的地方就在這裡。

當年 9 PFLOPS 已經足以進入世界前列；今天單顆高階 AI 晶片的能力與當年的系統相比，已經跨越多個世代。

因此陳良基提醒：AI 算力不能單純用傳統「買資產」的方式思考。

如果今天花巨資購買最頂尖設備，卻沒有相應的使用需求、人才與商業模式，硬體可能還沒完成折舊，下一代技術就已經出現。

所以 AI 時代的管理邏輯，也會和傳統設備投資非常不同。

這其實又回到今天最重要的主題：不是擁有多少科技，而是你能用科技創造多少價值。

AI 會不會取代人？

這大概也是所有 AI 演講一定會遇到的問題。

但陳良基今天的回答不是簡單的「會」或「不會」。

如果 AI 的本質是一種「有知識的行為能力」，那麼某一項工作如果高度重複、可以資料化，而且它的行為模式可以被模型有效學習，當然就有相當部分可能被 AI 執行。

因此真正重要的問題逐漸變成：人怎麼使用 AI？

同一個人過去需要一個團隊才能完成的事情，未來可能透過不同 AI 工具協作完成。

同時，新的技術也會產生新的工作、新的專業和新的產業。

所以「AI 取代人」其實把問題問得太小了。

更大的問題應該是：

當人的能力被 AI 放大之後，工作與產業會重新如何分工？

從「通用 AI」走向「專用 AI」

這是我認為今天演講最值得注意的預測之一。

目前大家使用的大型模型，很像一個「什麼都會一點，而且什麼都能做的超人」。

但是，一家會計師事務所真的需要一個懂全世界所有事情的 AI 嗎？

一家律師事務所真正需要的，也許是懂法律文件、案件流程、排程、研究與事務所知識的專業 AI。

醫院需要的，可能又完全不同。

工廠、銀行、學校、設計公司，也各有自己的需求。

當市場規模愈來愈大，專業化就會出現。

這跟鞋子很像。

市場很小的時候，一雙鞋大家都穿；市場足夠大以後，開始有跑鞋、籃球鞋、登山鞋、馬拉松鞋，各自針對不同需求最佳化。

AI 很可能也會走向相似方向。

這正是台灣可能再次出現機會的地方

講到這裡，整場演講終於把前面的半導體、人才、AI、晶片、算力全部串在一起。

陳良基提出的方向，可以用四個字概括：

「AI 代工」

這其實不是他今天才提出的想法。早在 2022 年，他就公開論述過「AI 代工」可能成為台灣下一個十年的產業轉型方向，核心邏輯同樣建立在台灣的半導體、伺服器、運算及產學合作能力上。iThome

為什麼？

因為台灣半導體最重要的能力之一，並不是單純大量製造同一種產品，而是：客戶提出需求與規格，台灣有能力把它實現。

到了 AI 時代，也可能出現同樣的模式。

企業不一定需要一個巨大、什麼都會的通用模型。

它可能說：「這就是我的產業、我的資料、我的工作流程、我要解決的問題。」

接下來，由專業供應者協助它建立所需要的 AI 能力，甚至一路整合到晶片、硬體、伺服器與系統。

如果這件事情成立，那麼台灣就可能從：半導體代工

再向前走到：AI 能力的專業提供者。

台灣真正珍貴的資產：信任

這裡還有一個很容易被忽略的條件。

為客戶做專用晶片，客戶必須願意把自己的產品規格、需求，甚至尚未公開的技術方向交給供應商。這背後需要的是：信任。

台灣半導體產業幾十年建立起來的不只是製造能力，還包括與全球客戶長期合作所累積的商業信任。

如果未來企業要把自己的資料、know-how、流程與 AI 需求交給外部夥伴共同開發，那麼「可信任」本身就會成為非常昂貴的資產。

因此台灣下一階段的競爭力，不只是「會不會做晶片」。

而是：技術＋製造＋人才＋生態系＋信任。

人才，才是整場演講真正的主角

聽到最後，再回頭看陳良基一開始談半導體教育的那一大段，就會發現他其實從來沒有離題。

他一路講晶片、教授、學生、台大、科學園區、科技部、NVIDIA、超級電腦、AI、先進封裝……

表面上講的是很多不同事情。

其實只有一件：人才如何跟著技術一起往前移動。

科技部當年推動 AI 時，官方政策也明確把人才列為核心：除了建置算力，也設置 AI 創新研究中心、推動半導體射月計畫、智慧機器人基地及競賽，希望讓研究、人才與產業共同形成生態系。國家科學技術委員會

因為設備會折舊。製程會更新。今天領先的晶片，幾年後也會被下一代取代。

但是只要一個地方仍然擁有能夠理解下一個問題、學習下一個技術、重新組合資源的人，它就仍然有能力進入下一個時代。

不要追現象，要找到推動現象的力量

我覺得今天陳良基整場演講，如果最後只能帶走一個觀念，我會留下這一句：不要一直追著已經發生的現象跑，要去理解造成現象的力量。

如果只是看到今天什麼熱門，就追什麼，我們永遠只能站在後面。

但如果知道一件事情為什麼發生，就有機會推測：這股力量接下來會往哪裡走？

2017 年 AI 還沒有今天這樣席捲所有人的生活時，陳良基與當時的科技部已經開始投入 AI 算力、人才、半導體與產業生態；同年他與黃仁勳公開談 AI 時，也已經把台灣的半導體聚落與運算人才視為重要優勢。中央社 CNA

2018 年，台灣杉二號完成。中央社 CNA

2019 年，TWCC 台灣 AI 計算雲開始提供服務。國家科學技術委員會

到了今天再看 NVIDIA、台積電、AI 伺服器、先進封裝、散熱、資料中心與整條 AI 供應鏈，很多當年看起來遙遠的事情，已經變成我們每天看到的新聞。

從「護國神山」走向下一座山

所以今天聽完，我反而覺得「護國神山」不是這場演講真正的終點。

半導體只是上一個問題的答案。

下一個問題是：台灣能不能利用已經累積的半導體能力，再創造下一個產業生態？

陳良基給出的方向是：從晶片製造走向 AI 能力；從硬體代工走向專業 AI；從單一企業走向生態系；從設備投資回到人才投資；從追逐科技趨勢，走向提前布局。

而這也讓我重新理解他開場那一句：「喜歡闖蕩的科技人。」

所謂闖蕩，可能並不是不停地尋找新的地方。

而是在每一個時代交替的地方，先看到那個還沒有被解決的問題。

然後問：如果這是未來一定會遇到的問題，我們今天能不能先做一點什麼？

這或許也是今天 TIA 這場講座，留給我最重要的一個答案。

科技真正的價值，從來不只是「擁有最先進的技術」。

而是我們能不能比別人早一點理解世界正在往哪裡走，培養下一代需要的人才，建立新的連結，再把技術真正轉化成社會與產業的價值。

這樣回頭看，一片小小的晶片，談的其實從來不只是一片晶片。

它談的是一個國家，如何準備自己的下一個十年。

AI 之後，我們真正該培養什麼？

陳良基 TIA 演講 Q&A：從產業押注、開放模型，到教育、醫療與科技安全

2026 年 9 月 26 日，在台灣勵志協會 TIA 的名人講堂中，前科技部長陳良基以〈如何掌握 AI 機會，創造新價值〉為題，從半導體一路談到 AI、算力、人才供應鏈與他所構想的「AI 代工」。

但我覺得演講結束後的 Q&A，其實又打開了另一個很重要的面向。

因為聽眾開始問的，不再只是：「AI 有多厲害？」

而是更現實的問題：如果台灣把這麼多資源放在科技與 AI，其他產業怎麼辦？台灣真的還能吃 AI 紅利十年、二十年嗎？開放模型對台灣有什麼意義？我們現在應該累積什麼，才能換來二、三十年後的下一次奇蹟？如果 AI 與半導體成為國家重要產業，資安、環境與人才又該怎麼辦？

這些問題，反而讓陳良基整場演講背後的思考更加完整。

第一問：台灣把太多資源押在科技與 AI，會不會太危險？

第一位提問者的問題很直接。

如果科技業只是整體產業的一部分，政府卻投入大量資源在半導體與 AI，是否會因此忽略其他傳統產業？

尤其從金融業的風險觀點來看，最怕的就是：「把所有雞蛋放在同一個籃子裡。」

現在 AI 很好，但台灣真的能靠這一波再走十年、二十年嗎？

陳良基的回答，我覺得很值得記下來。

他沒有從「科技業一定會一直贏」的角度回答。

相反地，他把問題拉高了一層：

不要用今天的產業分類，去想像明天的世界。

今天我們把產業分成科技業、金融業、農業、傳統產業、服務業，但二十年後，產業本身的形態可能早已不同。

因此真正應該關心的，不是哪一個「現在的產業」能不能被永久保存，而是：

當新的產業、新的需求、新的工作出現時，我們有沒有掌握它？

這是兩種完全不同的政策思維。

一種是努力維持既有職位。

另一種則是思考：未來社會需要什麼樣的人？

AI 時代，教育反而不應該太早專業化

這個問題後來一路談到教育，而且我認為這是整場 Q&A 最有意思的部分之一。

如果 AI 未來能夠掌握愈來愈多專業知識，人還需要像現在一樣，從很年輕就開始拚命分科嗎？

陳良基的答案反而是：不一定。

當大量知識可以由 AI 協助取得，人的教育可能更應該回到一些 AI 很難替代、卻決定我們如何使用知識的能力。

例如：同理心、審美、理解人、發現問題、跨領域思考，以及想像未來。

所以他談到一個非常重要的教育轉向：

專業可以晚一點，但人的核心能力應該更早、更扎實。

這也解釋了他過去在台大推動創新設計教育，以及擔任教育部政務次長期間推動教育制度調整的一部分思路。

未來一個人不一定一輩子只能對應一個固定科系、一個固定專業。

真正重要的，是教育制度能不能讓學生因應新的產業與新的知識，重新組合自己的能力。

換句話說：未來不是「選對一個科系，一輩子就安全」，而是必須擁有持續重新學習的能力。

第二問：為什麼陳良基特別看重「開放模型」？

另一位聽眾問了一個比較技術性的問題：既然 AI 有模型（model），那麼「開放模型」與「封閉模型」究竟有什麼差別？而台灣是不是應該更積極發展開放模型？

這個問題剛好接回陳良基前面講的「AI 代工」。

他的解釋很生活化。

我們今天使用許多大型 AI 服務時，是把問題或資料交給服務提供者，最後得到答案；但企業真正關心的是：我的資料去了哪裡？怎麼被處理？我的 know-how 會不會暴露？

因此對企業來說，AI 不只是「答案準不準」的問題。

還有：資料能不能掌握在自己手中。

陳良基所說的開放式方向，是企業可以取得一個基礎模型，再依照自己的專業、規範與資料進行後續調整。

他用教育做了一個很容易懂的比喻：基礎模型就像一個大學畢業生。

大學先把一個人的基本能力訓練完成。

進入公司之後，公司還會做職前訓練，告訴他公司的制度、工作方式、專業資料與保密規範。

AI 也可以有類似的概念。

如此一來，醫院可以建立適合醫療的 AI；法律事務所可以有自己的專業 AI；製造業也可以依自己的資料與需求調整。

這也是他認為台灣可以切入的地方。

他近年公開受訪時，也持續主張台灣可借鏡 ASIC 與晶圓代工形成的分工模式，發展可信任的「AI Foundry／AI 代工」，讓企業能掌握自己的資料與專業模型。這並非今天演講臨時提出的概念。投資臺灣

「小國大戰略」：不要跟巨人做一模一樣的事

這裡也出現一個很重要的台灣策略。

如果建立全球最大的通用 AI，需要天文數字的資金、能源、算力與資料，那麼台灣是否需要直接跟全球科技巨頭競爭？

陳良基的思考比較接近：沒有必要什麼都自己做。

小國真正重要的是找到自己不可取代的位置。

所以他的構想不是要台灣複製一家全球大型 AI 平台，而是把半導體產業過去幾十年的經驗搬過來：別人提出需求，我們把它做出來。

因此「開放」、「專業分工」、「客製化」、「信任」這幾件事，在他的 AI 產業構想裡其實是連在一起的。

他近年的公開論述也將台灣的 AI 優勢概括在專業、信任與開放生態系，並認為 AI 市場可能逐漸走向少量、多樣、專業化的需求。城市網

第三問：二、三十年後的下一個台灣奇蹟，今天應該累積什麼？

我很喜歡現場第三個問題。

提問者說：今天我們看到的半導體成果，其實是三、五十年前開始累積的。

那麼問題應該反過來問：

「我們今天應該累積什麼，二、三十年後才可能再看到一次奇蹟？」

尤其大家常說，台灣硬體很強、應用服務比較弱。

但總不可能所有應用服務都沒有機會。

例如台灣有很好的醫療人才。

能不能把醫師的經驗、診斷能力與專業知識，轉化成 AI 能力？

陳良基的回答很有意思：可以，但是台灣不能什麼市場都做。

因為台灣人口、人才與資本規模有限。

如果直接面對全球數十億消費者做 B2C，未必是最適合台灣的戰場。

但台灣非常熟悉另一種模式：B2B。

也就是幫其他企業提供它們需要的核心能力。

這也是為什麼他一直把 AI 與半導體代工放在一起談。

台灣未必要成為全世界最大的 AI 消費品牌。

卻有可能成為：全世界許多 AI 服務背後的重要能力提供者。

這和他近年的公開說法相當一致；他曾將策略描述為從台灣較弱的直接 2C，轉向利用既有產業能力發展 2B、甚至 B2B2C。CIO Taiwan

那醫療 AI 呢？

醫療是一個非常好的例子。

台灣擁有醫師、醫院、臨床經驗與醫療體系。

因此真正值得思考的不是：「台灣能不能做一個全世界最大的 AI？」

而可能是：「台灣能不能在某些醫療領域，做出世界級的專業 AI？」

把頂尖醫師多年累積的判讀經驗與臨床知識，透過適當且符合隱私、醫療倫理及法規的資料治理方式，轉化為可以協助更多醫療人員的工具。

這就是「利基市場」的概念。

市場不需要最大。

只要專業足夠深，就可能形成自己的價值。

可是答案最後又回到了「人」

有趣的是，談了半天 AI、模型、晶片、醫療，陳良基最後又把答案帶回教育。

因為如果二、三十年後的產業我們今天根本無法完全預測，那麼我們今天能替下一代準備的，就不能只是一套現在最熱門的技術。

反而是：讓他們擁有面對未知問題的能力。

所以他特別提到，人文、社會、藝術教育不應該在 AI 時代被削弱。

甚至可能恰恰相反。

當 AI 愈來愈會計算、愈來愈會整理既有知識，人更需要知道：什麼問題值得解決？誰受到這個問題影響？不同的人怎麼看同一件事？我們究竟想創造什麼樣的生活？

這些問題，已經不是單一工程科系能回答的。

第四問：半導體愈重要，國家安全、科技機密與環境風險怎麼辦？

最後一組問題把現場帶到另一個非常現實的層面。

當半導體、IC 設計與 AI 已經成為高度重要的產業，我們不能只看到產值。

還必須問：科技機密怎麼保護？產業安全怎麼管理？大量製程需要水、電與化學材料，環境與工作安全又怎麼處理？

這一部分陳良基的回答，我覺得核心不是「科技優先」或「環保優先」二選一。

他的思考比較像：整個國家的資源必須一起計算。

如果高科技產業確實能創造足夠大的社會價值，那就需要土地、水、電與園區；但同時也必須把環保、廢水處理與安全管理的成本納入。

他的概念是：與其讓具有較高環境風險的產業零散分布，不如透過科學園區等集中管理，使污染防治、廢水處理與安全設備也能集中投入。

這是一個「產業效益與外部成本一起算」的觀念，而不是只看營收。

至於現場提到的科技機密與境外人才風險，這部分屬於國安與法律治理議題；演講中的回答並沒有提供一套完整制度方案，因此不宜把它延伸成陳良基已提出某種具體防諜政策。比較準確的整理是：科技愈成為核心資產，人才、資料、智慧財產與供應鏈安全就愈需要一起納入產業治理。

最後一問：AI 時代，我們到底要培養什麼樣的人？

整理完這一整段 Q&A，我反而覺得這才是所有問題共同指向的答案。

有人擔心產業。

有人問模型。

有人問醫療。

有人問環境。

有人問國家安全。

但最後都回到同一件事情：

我們要培養什麼樣的人？

如果只是問：「未來哪一個科系最賺錢？」

可能又掉進陳良基今天一直提醒大家不要犯的錯誤:拿今天的世界，去猜明天的職業。

更值得準備的，也許是另一套能力：能理解科技，但不只懂科技；能使用 AI，但不把判斷全部交給 AI；有專業深度，也能跨領域溝通；能找到問題，而不只是等待別人出題；理解人、理解社會，也理解科技如何真正落地。

尤其最後這一點，我覺得和他前面談台大 D-School 的「同理心」完全接了起來。

AI 可以幫我們更快找到答案。

可是：要問什麼問題？為什麼要解決它？它對誰有價值？它可能傷害誰？我們希望科技最後把社會帶到哪裡？

這些仍然需要人來決定。

所以如果要替今天這場 Q&A 留下一句話，我會寫：

AI 時代真正的人才培育，不是把每一個孩子都提早訓練成某一種工程師，而是讓他擁有足夠寬廣的人文底蘊、同理心、想像力與問題意識；等到真正需要專業時，再善用 AI，把學習的速度拉上來。

半導體可以兩、三年換一個世代。

AI 模型也會不斷更新。

今天最熱門的工作，二十年後甚至可能不存在。

但是，一個能看見問題、理解人、跨越領域，而且知道如何運用新工具創造價值的人，不論下一個時代叫做 AI、機器人，還是我們今天尚未命名的新科技，他都有重新找到位置的能力。

我想，這才是這一場 Q&A 談到最後，最值得帶回去的一件事。