數位時代 Business Next

2026年 3 月萬事達卡花 18 億美元買下穩定幣服務商 BVNK，4 月 Circle 推出自己的支付網路，8 月 Stripe 據報花 75 億美元買下 AI 模型路由商 OpenRouter，9 月 Chime 花 5.9 億美元買下 1913 年成立的 Stride Bank。一家卡組織、一家發幣公司、一家支付閘道、一家網路銀行，看起來毫不相關，卻很可能是同一個目標底下的不同角色。數位時代創新長黃亮崢 James 邀請金融科技產品專家徐君鳳 Cathy，拆解 Stripe 為什麼願意用 5 倍溢價，買下一家不持有任何一張 GPU 的AI新創。

聽完這集你可以學到：

1. token 成本會被寫進交易裡，就像手續費：Cathy 認為未來所有產品都會有 AI 的一部分，那所有交易本身都會有 AI 的成本，「就像我們買所有東西都會有稅在裡面」。同一筆帳單上會有不同項目，其中一項就是 token 成本。
2. 一筆刷卡背後有六到七個角色在分潤：Cathy 拆解完整鏈路，從收單（acquiring）、發卡（issuing）到 Visa 與 Mastercard 這層網路，我們常聽到的 2% 到 3% 手續費，中間其實有六到七個角色在分。看懂這條鏈，才會覺得多一層 AI 決策成本並不突兀。
3. Stripe 用三筆收購補完了三條流：OpenRouter 對應「決定」、跟 Paradigm 一起做的 Tempo 對應「資訊流」、Bridge 對應「清算」，而 Bridge 拿到 OCC 監管的信託銀行執照，把最後一塊拼圖也拼上。
4. 卡組織做穩定幣結算是防守，不是進攻：Visa 的 USDC 結算今年年化突破 200 億美元、年增 15 倍以上。Cathy 判斷這是必要的防守：商家最大的痛點是刷卡後要等三到五天才拿到錢，把結算做快，是為了降低商家轉去新網路的慾望。
5. 搶銀行牌照，是為了三件只有銀行能做的事：加入 FDIC 存保、在聯準會開帳戶、用極低成本做隔夜拆借。新設立的 de novo bank 前三年只能做申請書上寫的業務，Square Bank 當年只被核准存款與中小企業放貸兩項。Chime 直接買下營運一百多年的 Stride Bank，代價則是文化與技術整合往往要三到五年。

Cathy分享，付款閘道與 token 閘道，本來就是同一種生意。沒有人會把 AI 跟支付想在一起。但支付的本質是撮合：讓商家接上網路、讓消費者連進來，把交易帶到價值交換完成。OpenRouter 面對的是同一個結構，幾百個模型分散在幾十家供應商手上，價格與延遲各不相同，使用者需要有人替他挑。更關鍵的是撮合後留下的資料，知道大家怎麼選，就能回頭做最佳化與客製化。這正是支付公司最熟悉的位置。

token 成本會變成損益表上必須有的一行。過去我們決定要買什麼，靠自己搜尋、自己看評論、自己在腦袋裡整理，那是外部化的人力成本，不會出現在任何一張帳單上。當 AI 代理人接手這一段，成本第一次有了計價單位，而那個單位就是 token。Cathy 認為付費方式很可能從「每月付 20 美元訂閱費」轉向 result-based，真的撮合成一筆交易才收費，成本直接嵌進那筆交易裡，就跟現在商家端被抽的 3% 一樣。至於多一層成本為什麼還有人用，她的答案是規模：實體經濟已經成熟，網路經濟至今仍只是個位數百分比。

延伸收聽：

數位關鍵字195. 美參院通過穩定幣天才法案！為什麼注定將成金融科技的關注焦點（徐君鳳 Cathy 上一次上節目，本集的前傳）：https://www.bnext.com.tw/podcast/837/bn-sound-20250706224428-9pj9wi17

Powered by Firstory Hosting

AI時代需要什麼樣的人才？或者反過來問，什麼樣的人才不再被需要？傳統那套念書、考試拿文憑，從學士、碩士到博士的路還走得通嗎？

兩百多年來以革命著稱的法國，在教育方法上同樣激進。當然，公立教育除外。在2013年由私人出資在巴黎興辦的School 42, 不設學歷門檻，人人都可報名，經過層層篩選取得入學資格。這所學校沒有課程、沒有老師也不發文憑，只有一道又一道的程式題目，學生必須想辦法解開，需要的能力自己想辦法自學。學校宗旨相當於把學生丟進游泳池，但不給救生圈和救生員，要自己努力爬上來。

台科大產學創新學院執行長楊光磊，對動手實做解決問題的能力，評價高於單純上課考試。他研究School 42模式多年，也有興趣引進台灣落地。在那之前，他也將動手實做的能力，放在台科大的新竹校區，從半導體先進封裝著手，結合企業和學校，培養畢業後直接進產業的人才。

Powered by Firstory Hosting

本集重點：

• 從「能做什麼」轉向「想做什麼」，意圖與願景成為新護城河
• 具備批判性思考，做最後把關與決策的承擔者
• 避免成為「一張白紙」，畢業生出社會前可以如何強化競爭力？

延伸閱讀》
AI改寫人才戰！會用AI只是基本，下一代該練什麼能力？
https://www.bnext.com.tw/topic/view/996

-----------
🤩訂閱數位時代YouTube 》
https://www.youtube.com/@bnext_official

-----------
🤩有合作需求請洽：[email protected]

Powered by Firstory Hosting

婚戀交友市場可以說是軟體創業的老戰場，但當 Dating App 成為日常，越來越多人卻開始感到疲憊，甚至重新回到跑團、聚會與各種實體社交場合。本集邀請長期觀察北美華人交友市場的「矽谷月老」Ken，從跨文化擇偶、交友軟體的結構性問題，到新一代實體交友模式，解析科技如何改變現代人的感情選擇。我們也聊到 AI 能不能真的幫你找到適合的人，以及在演算法越來越懂你的年代，為什麼「真人相處的感覺」反而變得更加重要。

本集重點：

• 為什麼大家開始 Dating App 疲勞？ 
• 在美國交往，文化背景有多重要？
• 年輕人為什麼重新回到實體交友？ 
• AI 可以幫你找到另一半嗎？ 
• 交友也需要建立「手感」？ 

了解更多國際新創圈大小事 👉🏼 https://meetstartup.pse.is/4jhd5u

📍鏈結矽谷創新動態，關注Startup Island TAIWAN 矽谷 Hub：https://sv.startupisland.tw/

Powered by Firstory Hosting

8 月 16 日，一家做線上刷卡的公司買下了一家幫你挑 AI 模型的公司；18 天後的 9 月 3 日，最會賣 AI 晶片的那家公司用 129.3 億美元買下全世界最大的模型倉庫。兩家買主，Stripe負責收錢，NVIDIA做晶片，而它們買的公司都不做模型。同一個月還有第三件事：9 月 15 日，一個叫 Jev 的模型上線，它一個字都不生成，只回答一個判斷加一個機率。數位時代創新長黃亮崢 James 邀請 AWS 社群英雄蔣鐙緯 Ernest，拆解這兩家公司為什麼不造模型卻值這麼多錢，以及當AI把判斷變成便宜零件之後，人還剩下什麼要做。


聽完這集你可以學到

1. 不造模型的公司為什麼值這麼多錢：Ernest 的習慣是先看營收合不合價格。Hugging Face 營收印象中一億多美金，NVIDIA 卻開出約七、八十倍，代表買的不是營收。他的判斷是，這兩家已經站在所有人都會路過的那條路上，換成行銷的語言就是通路商。
2. Hugging Face 是模型的貨架：以前找程式碼去 GitHub，現在找模型去這裡，還有訓練用的資料集與可直接試玩的 Spaces。Ernest 認為關鍵在旁邊那張模型卡，它記錄了怎麼訓練、有沒有坑、別人在哪些場景踩到雷。選型看的是這些，不是參數。
3. OpenRouter 是路由器，也是收銀台：它依任務複雜度、價格、速度與供應商穩定度幫你挑模型與機房，再從預先儲值的餘額扣款、賺一點價差，很像金流廠商抽成。Ernest 說它對企業最實際的價值在帳單：自己串三家就是三份帳單，走中間層是一張，而且是累計式預儲。
4. NVIDIA 買下Hugging Face貨架，一手合規一手私心：Ernest 把架構拆成應用、模型、基礎設施、晶片四層，指出晶片層選項其實很多。NVIDIA 需要對外證明自己不是壟斷，買下 Hugging Face 就能說模型也跑得動在別家晶片上。黃仁勳承諾不會要求必須用 NVIDIA 的運算，他認為合理，因為不需要把路全部擋死，但也相信 NVIDIA 有讓模型優先跑在自家與 Groq 上的私心。
5. 賣場走道怎麼排，比會不會被下架更關鍵：James 用賣餅乾的公司買下最大超市比喻，Ernest 拆出三個施力點：搜尋與推薦決定你碰不碰得到、預設值決定你怎麼跑第一次、文件與範例決定哪條路比較容易成功。他也留一句給買家，超市再大，餅乾越做越爛，消費者還是會用現金投票。
6. 開發者沒有因為收購而改變做法，因為本來就該做備案：Ernest 用 CI/CD 的思維看待，每個單點都可能壞掉。Hugging Face 對他們切在研究階段，模型下載後進自己的備份備援機制；OpenRouter 這側，架構裡本來就有自己的排程與路由層，出事就改打 Amazon Bedrock 或原廠 API。

這兩樁收購買的是必經之路，不是模型。 模型正在變便宜、變成通用商品，值錢的是模型經過的那條路。找模型大家都去 Hugging Face，決定這次用哪一個模型，很多團隊走 OpenRouter。Ernest 的觀察是，工具會一直換，但人要解決的問題不會消失，舊問題被解決之後人就會找到新問題，價值於是見縫插針地長出新的中間層。至於 Stripe 為什麼買，他的結論很直接：金流公司最怕使用者跑去新的通路而自己不知道，先切通路才能提早布局。

Jev 便宜到可以多判斷幾次，再取統計：一次判斷約萬分之四美金、約 1.2 分台幣，端到端只要 70 到 500 毫秒。Ernest 提醒它的設計目標是「做判斷」而不是「做出正確的判斷」，結果一樣可能錯。但既然一小時能跑 60 次，那就跑 60 次取平均或中位數，用統計逼近答案。


人剩下的是定義與例外。 判斷都外包出去之後人還要做什麼？Ernest 的答案是先把 AI 切開來想，不管用不用 AI，我們自己有哪些事情想做。接著把事情定義下來，而且要同時有正面與負面描述，因為一定會有例外。這些例外能不能變成標準案例、能不能寫成處理流程，都描述清楚之後，才輪到思考哪些可以導入 AI 與 Jev 這類判斷。他也強調判斷本身要能迭代進步，一開始就認定它不準，那就用其他技巧層層疊上去。


Ernest 的心法：梳理流程最困難的地方從來不是工具，是大部分的人無法描述規則。


延伸閱讀

• 蔣鐙緯 Ernest 的梳理流程工作坊：https://www.kyklosify.com/zh/contact/
• TypeSafe AI 發表 Jev 的官方原文：https://typesafe.ai/blog/introducing-system-one-models-and-jev
• NVIDIA 收購 Hugging Face 官方公告：https://blogs.nvidia.com/blog/nvidia-to-acquire-hugging-face/

Powered by Firstory Hosting

熵(Entropy)代表亂度，以熱力學解釋，ㄧ個系統在正常無外力介入做功之下，長期必然走最大亂度和最低能量。想像一個幾天沒有收拾的床鋪和餐桌，就知道亂度如何產生，而花力氣去收拾回復整潔，就是外力介入做功。

合金則是以一種金屬為主，再加上一或多種元素，改變其原有性質，比如鐵加上碳成為鋼，鋼的強度和使用場景就高於鐵。高熵合金是以多種以上元素為基礎混合而成，打破傳統以單一元素為基礎的合金做法，增加許多新材料被開發和應用的可能性，在科學研究和工程技術上極具潛在價值，也被視為未來諾貝爾獎的熱門領域。

清華大學材料系特聘研究講座教授葉鈞蔚，是全球研究高熵合金的先驅，並ㄧ路從合金擴大到非金屬的高熵材料領域。在現有化學週期表上的已知元素中，從中再做排列組合找到新材料的組成，遠比再發現新元素更具可行性。

被稱為「高熵合金之父」的葉均蔚，最近在時報出版社出書談自己的研究生涯，並在本集podcast分享他的人生故事。

Powered by Firstory Hosting

本集重點：

• 沉浸式體感與「推活」線下狂歡
• 經典 IP 重製潮與 Y2K 懷舊紅利
• 生成式 AI 遭玩家社群反彈，大廠宣傳主打「純手工」

延伸閱讀》
直擊東京電玩展30週年！老IP重新上場、AI走進開發流程，台灣如何切入遊戲產業下一局？
https://www.bnext.com.tw/topic/view/995

-----------

🤩訂閱數位時代YouTube 》
https://www.youtube.com/@bnext_official

-----------

🤩有合作需求請洽：[email protected]

Powered by Firstory Hosting

這一集，主持人柯誠要拆解9月15日日本內閣通過的消費稅減稅政策：飲食料品稅率從8%砍到1%，為期兩年。這個政策乍看是德政，柯誠會從稅務系統的技術限制、第一線店家的定價操作，到日本財政史上的前例，帶大家理解這項政策實際上會怎麼運作，以及2029年是否真的能回到原本稅率。

本集重點｜
✅ 日本政府把稅率訂在「1%」而非0%，背後跟Invoice制度與POS系統的技術限制有什麼關係?

✅ 內用10%、外帶1%的9個百分點價差，會在忘年會、年菜訂購、到府主廚服務等場景，衍生出哪些真實的節稅操作?

✅ 麥當勞與星巴克面對雙重稅率時，分別採取了什麼不同的定價策略?

✅ 日本財政史上「暫定稅率」為什麼總是變成永久稅率（以汽油暫定稅率為例）?

【節目資訊】
主持人：柯誠

🎧 Production Team：Meet 創業小聚
🎬 Editing and Post-Production：聲歷其境 All Around You

Powered by Firstory Hosting

公司買了一批 ChatGPT 或 Claude 帳號，再找講師來上兩堂 prompt 課，這樣算導入 AI 了嗎？在企業現場，這只是第一階段，比較接近國民基本教育。真正的門檻在後面：AI 看不看得到公司的資料、權限與稽核管不管得住、能不能把公司裡那位十倍工作者的做事方法沉澱下來複製給別人。數位時代創新長黃亮崢 James 邀請 Asgard 肆佳科技共同創辦人暨執行長王韋仁 William，從企業導入的真實災情出發，拆解為什麼要給 AI 一台用完就丟的電腦，以及企業軟體最難的那段「最後一哩」卡在哪裡。

聽完這集你可以學到：

1. 企業導入 AI 分成四個階段：買帳號上課、讓 AI 看得到公司資料、統一配帳號做稽核與權限管理，第四階段才是把優秀員工的做事方法沉澱成流程、複製給其他人。王韋仁觀察，多數公司都還停在前兩階。
2. 每個上班族有兩到三成時間在搬資料：複製貼上、建檔這類工作藏在會計、客服、業務身上，但世界上沒有一個 job title 叫資料搬運。王韋仁指出，公司買的是這個人的專業與決策能力，把時間還給他，能用在決策上的時間就多出三到四成。
3. 系統打不通不是技術問題，是政治問題：王韋仁直言技術上一定打得通，資料也都還在。阻力在於十幾年前導入系統的人早就離職，現在的 IT 接手的是遺留系統，動了出事卻要他負責，於是多一事不如少一事。破解方法通常只有一個，從老闆那一層 top-down 支援下來。
4. 最後一哩不是 demo，是上線那一刻：demo 永遠是 happy path，短時間就做得出來；難的是進到 production，每一次都要跑得完。王韋仁分析這一哩由三件事構成：權限、能不能被稽核、能不能跟既有系統並行。比較像幫 legacy system 開一道新的大門，而不是去顛覆它。
5. 駕馭工程（Harness Engineering）的白話定義：換一個模型還能完成同樣的工作，就代表 harness 做好了。王韋仁比喻，模型是腦子非常好但第一天上班的人，harness 就是那間公司的教育訓練、門禁卡、系統帳號、SOP 和主管是誰。換到車上講，模型是引擎，harness 是底盤、方向盤、煞車與調校。
6. 一個工作階段開一台電腦，用完丟掉：共用一台機器養 agent 很容易養壞。王韋仁說明，每次互動才開一台幾秒就啟動的虛擬電腦，出事直接拋棄，同事的薪資資料也留在上一台一起被丟掉。但 agent 不會離職，牠會把稽核紀錄和學到的例外寫回檔案系統，下次開新電腦再掛回去。
7. agent 犯錯的真實災情：有一隻 agent 每天打電話訂便當，那天電話不通，牠很努力上網查，找到那家店有 Uber Eats，就自己登入帳號下了單。王韋仁強調，比犯錯更重要的是過程能不能被監管、被記錄、事後被防堵。另一個案例是報帳，交通費該掛專案還是部門是公司慣例，沒人寫下來，agent 當然掛錯。

舊系統怎麼交給 AI 碰：理想上直接操作 API 就能把事情做完，但王韋仁指出台灣的現實是，大量企業的系統已經跑了二三十年，原廠可能都不在了，不會有人回頭幫你開 API，而這些沒人維護的系統還在某一台電腦裡服役。給瀏覽器是最低限度的做法，至少讓 AI 有一條路能操作系統。至於權限那條線，他的做法是讓 agent 沿用工程師本來就在用的 CRUD 規則，而不是另外發明一套：讀取同一份資料二三十次都該是一樣的狀態，這類可逆的事直接授權；會造成資料變更的不可逆動作才要卡人核可。這樣做的附帶好處是，企業原本的稽核制度看得懂這件事，不必為 agent 重新創造一套稽核方式。

真正的痛點往往不在行銷和客服：Asgard 接觸的產業橫跨電商、餐飲、飯店、製造、材料與金融投資，切入點通常來自二代接班或大老闆的 top-down。王韋仁分享一個飯店業的例子：這家飯店有二三十間餐廳，每間的信用卡卡機對帳號碼都不同、結帳系統也不同，財務每個月對帳非常痛苦。他們要的其實不是完美，只是把銀行送來的對帳單跟自己收回的資料自動比對，先把對得上的七八成拉掉，剩下的一兩成再交給人。他說這種題目是外行人想不到的，得從企業真正的痛點反推回來。

不必追最新最大的模型：王韋仁認為好的流程架構與 harness，要確保模型是 plug and play、可以隨意切換。他自家公司幫員工付模型的錢但不限制用哪一個，重點是產出要能被接受、能被 review。他也直言沒必要一律用最聰明的模型，很多新模型是 thinking model，會花更多時間，一般的操作任務用 Sonnet 4.5 可能就搞定，效率反而更好而且不會出錯。至於地端，他判斷當一萬個員工都開始用 AI，token 用量會逼企業去想「我有沒有自己的發電裝置、自己的桶裝水」。

不要問一個人要配幾個 agent：黃仁勳在 Computex 2026 提出每位員工可以配 100 個 agent，也算過年薪 50 萬美元的工程師，一年的 token 成本可能要 25 萬美元。王韋仁換了一個算法：該問的不是標配幾隻給一個人，而是這間公司有多少件事已經被 agent 掌握、又需要多少人來操作牠們。他提醒台灣的現實是大部分賺錢的企業並不靠軟體賺錢，IT 是成本單位、預算本來就少，但 AI 接下來會像水、像電一樣變成生產要素。他給的起手建議是先確認自己 AI Ready 或 Data Ready，因為他遇過不少正在賺錢、資訊狀態卻還停在 15 年前的企業。

延伸閱讀

• Karpathy 提出大語言模型是新作業系統核心行程：https://x.com/karpathy/status/1707437820045062561
• Karpathy 演講《Intro to Large Language Models》：https://www.youtube.com/watch?v=zjkBMFhNj_g
• 黃仁勳與 Harrison Chase 對談：https://www.youtube.com/watch?v=Yy3JH6dDugc

Powered by Firstory Hosting

如果舉行一場全球公投，關於當前AI發展是否該踩剎車，讓更多法規和監管能跟上，投票結果會如何？可能一面倒，也可能很分散。

不過，決定AI發展的主導力量，可能不是選票，而是鈔票。在目前各路資金持續重押AI的情境下，領跑在前的未必是最後贏家，但落後的註定出局。這種緊迫感讓所有參與者繃緊神經，一路催速。

因此，當Anthropic共同創辦人暨執行長阿莫迪(Dario Amodei)近期發文希望「減速AI」(Pacing the AI)時，很快引來OpenAI執行長奧特曼(Sam Altman)和馬斯克贊聲。

即使業者有意，但美國政府站在國家安全立場，並不樂見。AI競賽也是美中搶奪發言權的主戰場，如果美國放慢，等於做球給中國，川普並不認同。白宮科技顧問薩克斯(David Sachs)也強調，政府應該注意的是業者競爭是否有妨礙創新和市場公平，而不是介入去決定創新的快慢。

於此同時，AI脫離控制而產生技術人員意料之外的事故，也越來越多。缺少足夠的安全護欄和法規監管，全球都正面臨風險。2024年諾貝爾經濟學獎得主、麻省理工學院經濟系教授艾塞默魯(Daron Acemoglu)觀察，少數幾家巨型企業掌握AI未來方向，主事者的成長和求學背景類似，喜歡同一部電影看同樣小說，決策邏輯接近，也是風險之一。

真正能讓AI減速的，可能是聯準會升息和11月的美國期中選舉結果。綜合以上因素，科技專家吳金榮分享他的觀察。

Powered by Firstory Hosting