企業 AI 時代的塑造者，將是那些能直接將智能嵌入營運平台的組織。當前企業 AI 領域存在一道裂痕，但並非公眾討論最多的那道。外界焦點仍停留在基礎模型與基準測試，例如 GPT 對比 Gemini、推理分數，以及邊際能力提升。但實際上，更持久的優勢在於結構層面：誰掌控智能應用、治理與改進的營運層。 一種模式視 AI 為隨選工具；另一種則將其嵌入營運層——這包括工作流程軟件、數據捕捉、反饋循環與治理機制，位於模型與實際工作之間，並隨使用而累積優勢。

模型供應商如 OpenAI 和 Anthropic 提供智能即服務：用戶有問題、調用 API、獲得答案。此智能通用、無狀態，且與日常決策工作流程僅鬆散連接。它能力強大且日益可互換。關鍵區別在於：智能是否每次提示即重置，或隨時間累積。 相對而言，現有組織可將 AI 視為營運層：橫跨工作流程的儀表化、人類決策反饋循環，以及將個別任務轉化為可重用政策的治理。在這種架構下，每個例外、修正與批准皆成學習機會——智能隨平台吸收更多組織工作而提升。

最可能主導企業 AI 時代的組織，是那些能直接嵌入智能至營運平台，並儀表化平台以產生可用信號的實體。

傳統服務組織的 AI 轉型優勢

主流敘事認為靈活初創企業將憑 AI 原生設計超越現有巨頭。若 AI 僅為模型問題，此論成立。但在多數企業領域，AI 是系統問題——整合、權限、評估與變更管理——優勢歸於已嵌入高量、高風險工作流程的玩家，並轉化為學習與自動化。 傳統服務組織架構簡單：人類使用軟件執行專家工作。操作員登入系統、導航流程、決策並處理案例。科技為媒介，人類判斷為產出。AI 原生平台則顛倒此模式：攝取問題、應用累積領域知識、高信心任務自主執行，並在需判斷時路由子任務至人類專家。

但此轉型不僅是 UI 重設計，還需原料基礎：多年累積的領域專長、行為數據與營運知識。 AI 原生初創擁有潔淨架構，可快速推進。但難以自造領域 AI 在規模下具防禦性的原料：服務公司已擁有三者。這些要素非護城河，僅當系統轉化混亂營運為 AI 就緒信號與機構知識，並反饋至流程以持續改進時，方成優勢。在多數服務組織，專長為隱性且易逝：頂尖操作員掌握難以表述的經驗法則、邊緣直覺與模式辨識。

以 Ensemble 為例，其知識蒸餾策略系統轉化專家判斷與營運決策為機器可讀訓練信號。例如在醫療收入循環管理，系統以明確領域知識啟動，透過每日結構化互動深化覆蓋。系統識別缺口、提出針對性問題，並跨多專家交叉驗證，捕捉共識與邊緣細微差異，合成反映專家級情境推理的活知識庫。 一旦系統足信賴，下步是無需年度模型升級即改進。每位熟練操作員決策，不僅完成任務，還產生標註範例——情境配對專家行動（有時含結果）。

規模化下，數千操作員與數百萬決策，可驅動監督學習、評估與針對性強化學習，讓系統在真實條件下更似專家。例如，每週處理 50,000 案例，每案捕捉三高質決策點，即得 150,000 標註範例，無需額外數據收集。 進階人機環設計將專家置入決策過程，讓系統學習非僅正確答案，而是歧義解析之道。人類於分支點介入：選 AI 選項、修正假設、重定向流程。每介入成高價訓練信號。

平台偵測邊緣案例或偏差時，可提示簡短結構化理由，捕捉決策因素而非冗長自由記述。目標為永久嵌入數千領域專家知識、決策與推理至 AI 平台，放大每位操作員成就。執行得宜，產生人類與 AI 單獨無法達品質：更高一致性、吞吐量與可測營運獲益。操作員專注更關鍵工作，受已分析數千類似前例的 AI 支持。企業領袖需知，AI 優勢非僅通用模型存取，而是捕捉、精煉與複合組織知識、數據、決策與營運判斷，並建高風險環境所需控制的能力。

AI 由實驗轉基建時，最持久優勢或屬深諳工作、能儀表化並轉化為隨用改進系統的公司。

百度正式發佈開源其元宇宙 3D 世界模型 2.0（HY-World 2.0）。根據介紹，HY-World 2.0 是一個多模態世界模型，能夠理解文字、圖片、視頻等不同類型輸入，自動生成、重構和模擬 3D 世界，同時支援多格式 3D 資產（Mesh/3DGS/點雲等）導出，可與現有遊戲引擎無縫對接，用於快速生成遊戲地圖和關卡原型。據悉，不同於 Google 的 Genie 3 和元宇宙世界模型 1.

5 僅能生成視頻文檔，世界模型 2.0 的實用性更進一步：它能直接生成可二次編輯的 3D 資產文檔，這些生成的 3D 資產可直接導入遊戲製作或虛擬現實引擎，實現真正可玩、可用的效果。目前，世界模型 2.0 已上線至百度元宇宙 3D 創作引擎官網，用戶可申請使用。

多模態輸入與先進生成能力

元宇宙世界模型 2.0 支援文、圖、視頻等多種輸入。輸入一段文字或一張圖片，模型即可精準解析複雜語意，一鍵生成風格多樣的可漫遊世界。相較元宇宙世界模型 1.0，2.0 的模型架構全面升級，畫面精細度和真實感大幅提升。用戶還可自定義風格，按需生成真實風、漫畫風、遊戲風的 3D 空間。生成完成後，用戶可將資產導入 Unity、UE 等引擎，進行二次編輯，大幅降低遊戲地圖的創作門檻。

模型還支援角色模式，用戶可操縱角色在街道、建築、場景中自由探索，無時間限制，同樣擁有物理碰撞，就如在遊戲裡一般。同時，世界模型 2.0 支援複刻真實 3D 場景，用戶輸入一段真實空間的視頻或多視角圖片，模型就能構建出高精度的數字孿生空間。基於升級後的 WorldMirror 2.0 架構，模型支援任意尺寸圖像與視頻輸入，一次性預測密集點雲、多視角深度圖、表面法線及相機參數，一次生成永久可重用資產。

未來，虛擬修復預覽、城市規劃、文化遺產保護等場景，都能基於這一能力實現快速構建和還原。 元宇宙世界模型 2.0 以 3D 為主軸，透過統空間理解、生成、重構的架構，實現了 SOTA 級生成效果。與其他世界模型相比，元宇宙世界模型 2.0 在場景完整度（物體側面和背面）以及對輸入圖片的遵循程度表現更優。元宇宙生成的 3DGS 與 Mesh 的融合表徵，也讓用戶能開啟角色模式進行有真實物體碰撞的互動。

智能汽車座艙領域出現新進展，豆包大模型車載座艙方案進入 2.0 階段，與阿里通義千問在這一賽道展開競爭。此前，Tesla 將 Grok 大模型應用於車端，提升自然語言交互等多項功能，刺激多家車企加速布局座艙智能體。豆包積極參與，並與賽力斯展開全新合作。賽力斯投入上億元資金並提供整車平台，豆包抽調人員組成專項團隊，主導新座艙交互開發。雙方在車端部署約 30B 規模模型，雲端運行多個核心 Agent，實現全雙工語音對話等功能。

不過，此合作在工程層面需重做車機平台，成本亦較高。

阿里通義千問的端側策略

阿里通義千問則深度整合Qualcomm 8797 平台，推動端側大模型上車。其主推規模約 4B 的端側模型，已與比亚迪、廣汽等車企接洽。千問希望以全套能力進入車內並保留品牌露出，但車廠對此有所顧慮。車企在與外部模型合作時陷入兩難：依賴外部可能喪失入口與數據控制，自研則面臨高投入及能力差距。目前，部分車企採取折中方案，既引入外部基礎能力，又保留自身交互框架與數據體系。端側大模型上車即將進入大規模驗證階段，座艙智能體發展趨勢逐漸明朗。

豆包與千問的競爭，正推動技術創新，並促使車企在合作與自研間持續權衡。

專為特定用途設計的小型語言模型（SLMs），為政府機構提供實用的 AI 運作方案，確保所需的安全性、信任度和控制力。AI 熱潮席捲各行各業，公共部門機構正面臨加速採用的壓力，同時卻受制於獨特的保安、管治及營運限制，與企業界截然不同。因此，專用 SLMs 成為在這些環境中運作 AI 的理想途徑。Capgemini 一項研究顯示，全球 79% 公共部門高管對 AI 數據安全存疑，這在政府數據高度敏感及受法律規管的背景下並不意外。

Elastic AI 副總裁 Han Xiao 表示：「政府機構必須嚴格限制發送至網絡的數據類型，這為數據管理設下諸多界限。」敏感資訊控制的需求，是 AI 部署面臨的眾多挑戰之一，尤其相較私營部門的標準營運假設。私營企業擴展 AI 時，通常假設雲端持續連接、中央化基礎設施、模型透明度不完整及數據流動限制較少。但對許多政府機構而言，接受這些條件可能危險甚至不可能。

它們需確保數據留在掌控中、可驗證，並將營運中斷減至最低，同時常在互聯網連接有限或不可靠的環境運作。這些複雜性阻礙許多公共部門 AI 試驗項目轉向實用階段。Han Xiao 指出：「許多人低估 AI 的營運挑戰。公共部門需要 AI 在各種數據上可靠運作，並能擴展而不崩潰。營運連續性常被忽視。」Elastic 對公共部門領袖的調查發現，65% 受訪者難以即時大規模使用數據。

基礎設施限制加劇問題，政府機構難以取得用於訓練及存取複雜 AI 模型的圖形處理單元（GPUs）。Han Xiao 補充：「政府不像私營部門常購買 GPUs，它們不習慣管理 GPU 基礎設施，這成為公共部門運行模型的瓶頸。」公共部門的諸多硬性要求，使大型語言模型（LLMs）難以適用，但 SLMs 可本地部署，提供更高保安及控制。SLMs 是專門 AI 模型，通常僅用數十億參數，而非數千億，計算需求遠低於最大 LLMs。

公共部門無需建置更大模型於遠端中央位置。一項實證研究顯示，SLMs 表現與 LLMs 相若或更佳。它們讓敏感資訊有效利用，避開維護大型模型的複雜性。Han Xiao 形容：「用 ChatGPT 校對很容易，但在無網絡環境運行自家大型語言模型就極難。」SLMs 專為部門需求打造，數據安全儲存模型外，僅於查詢時存取。精細提示確保僅檢索最相關資訊，提供更準確回應。

透過智能檢索、向量搜尋及可驗證來源錨定等方法，可建構適合公共部門的 AI 系統。

SLMs 革新公共部門數據應用

公共部門下一階段 AI 採用，或許是將 AI 工具帶到數據旁，而非將數據送往雲端。Gartner 預測，到 2027 年，小型專用 AI 模型使用量將是 LLMs 的三倍。Han Xiao 表示：「公共部門聽到 AI 多Lenovo ChatGPT，但我們可更具野心。AI 可革新政府搜尋及管理海量數據的方式。」超越聊天機械人，AI 最即時機會在於大幅改善搜尋。公共部門擁有大量非結構化數據，如技術報告、採購文件、會議記錄及發票。

現代 AI 可處理混合媒體，包括可讀 PDF、掃描檔、圖像、試算表及錄音，並支援多語言。SLM 驅動系統可索引這些內容，提供客製回應及多語言複雜文本草稿，確保輸出符合法律。Han Xiao 說：「公共部門數據豐富，但不知如何善用，不知潛力。」更強大之處在於，AI 助員工解讀數據。「現代 AI 提供全新視角，發掘數據價值。」經良好訓練的 SLM 可解讀法律規範、從公眾諮詢提取洞見、支援數據驅動決策，並提升公眾服務及行政資訊存取。

這有助公共部門營運大幅改善。聚焦 SLMs，將討論從模型全面性轉向效率。LLMs 帶來高性能及計算成本，需專用硬件，多數公共機構負擔不起。SLMs 雖需初始投資，但資源需求較低，成本更親民並減低環境影響。公共機構常面臨嚴格審計，SLM 演算法可記錄及認證為透明。有些國家如歐洲的 GDPR 隱私規例，SLMs 可設計符合。客製訓練數據產生更精準結果，減少錯誤、偏見及幻覺。

Han Xiao 解釋：「大型語言模型依訓練數據生成文本，有截止日期，之後查詢易幻覺。我們可強制模型依驗證來源運作。」本地伺服器或單一裝置儲存數據，亦減低風險。這非孤立，而是策略自主，帶來信任、韌性及相關性。優先任務特定模型、本地數據處理及持續監測，即可建構持久 AI 能力，支援現實決策。Han Xiao 建議：「勿從聊天機械人入手，從搜尋開始。大部分所謂 AI 智能，實為尋找正確資訊。

」

時裝巨頭 Express 已修補其網站的安全漏洞，此漏洞曾允許任何人查看其他顧客的訂單詳情及個人資料，TechCrunch 獨家得悉。至少十數個 Express 顧客訂單曾公開出現在搜尋引擎結果中。 該安全漏洞暴露了 Express 網上商店的訂單確認頁面，洩露購買詳情及購買者身份。暴露資料包括顧客姓名、電話號碼及電郵地址；郵寄、帳單及送貨地址；訂單內容，如顧客購買的物品；以及部分付款卡資料，包括卡類型及末四位數字。

Express 是美國、墨西哥及拉丁美洲擁有數百家門市的服裝零售商。這家曾公開上市的公司現由 WHP Global 營運，後者亦擁有數家時裝及零售巨頭。 安全及私隱倡導者 Rey Bango 在調查親屬帳戶的欺詐購買時意外發現此漏洞，但無法向 Express 報告。他請求 TechCrunch 通知公司修補漏洞。「當我用 Google 查詢訂單號碼是否為合法的 Express 訂單格式時，看到另一訂單連結，並彈出他人訂單資料！

」Bango 向 TechCrunch 表示。 TechCrunch 驗證，用戶可透過修改訂單確認網頁地址查看其他顧客的訂單及個人資料。Express 的訂單號碼大致循序排列，使用自動化工具輕易可遍歷數千訂單。

Express 回應及後續

TechCrunch 聯絡 Express 後，該服裝巨頭於週三修補漏洞，但未表示是否計劃通知顧客。公司市場主管 Joe Berean 向 TechCrunch 回應：「我們重視顧客資料的安全及私隱，鼓勵發現潛在安全問題者直接聯絡我們。」 「察覺問題後，我們已調查並持續檢討，暫無進一步評論。」Berean 表示。他未透露顧客聯絡途徑、是否計劃推出漏洞披露計劃（如更新網站接收報告），亦未說明公司是否有技術手段（如日誌）檢查他人是否存取顧客資料。

Berean 未回覆後續查詢，包括是否按美國資料洩露通知法向州檢察長披露事件。 Express 安全失誤是近期多宗顧客資料因配置錯誤或意外漏洞暴露網際網路的最新事件。去年 12 月，一安全研究員發現 Home Depot 內部系統暴露一年，但難以通知公司。同月，寵物保健巨頭 Petco 在 TechCrunch 發現其 Vetco Clinics 網站洩露顧客個人資料及寵物醫療文件後，關閉網站。

全新 AI 平臺的核心承諾是，用戶只需向 AI 助手描述任務，由其規劃流程並調用相關工具，同時記住用戶偏好以應用於未來任務。這對設計專業人士尤為重要，他們希望擁有可預測的自動化工作流程，用於創作內容和媒體資產。Canva 在最新版本的 Canva AI 助手上緊跟這一趨勢，利用自家 AI 模型，讓用戶透過文字提示生成可編輯設計。用戶描述需求後，助手會調用必要工具並提供多個選項。

助手採用圖層結構創作設計，讓用戶靈活調整成品各部分。

Canva AI 助手升級細節

此次更新正值 Canva 致力將 AI 助手融入用戶工作流程，並新增影像生成和網站生成功能。競爭對手亦朝相同方向發展。本週 Adobe 推出 Firefly AI 助手，可跨公司多款應用執行任務；Figma 上月則在平臺整合 AI 代理支援，搭配 MCP 伺服器。Canva 共同創辦人兼 COO Cliff Obrecht 表示，雖然多家公司試圖合併工作流程，但企業偏好在 Canva 完成最終編輯和發佈步驟。

「許多中小企的一天從 Canva 開始，也在 Canva 結束，他們的大部分工作流程均在此完成，」Obrecht 說。「我們與 Anthropic、Google 和 OpenAI 合作無間，若用戶在那些產品執行代理工作流程，可調用 Canva 生成內容，再回傳大型語言模型。但最終的編輯、協作和部署仍需 Canva，這是我們的強項。」 Canva 收入主要來自個人和小團隊，但企業業務年增 100%，Obrecht 指出。

公司最新估值達 US$42 billion，約 HK$327.6 billion（PitchBook 數據），預計明年上市。此次更新新增 Slack、Gmail、Google Drive、Calendar 和 Zoom 整合，讓 AI 助手透過閱讀電郵、對話、檔案和會議資料建立脈絡。公司亦加入網路研究功能，讓助手瀏覽互聯網執行任務，並支援排程重複任務於背景運行（僅生成草稿供審核）。

現有 AI 工具亦優化，AI 程式碼生成器可匯入 HTML，用戶以文字提示生成試算表。公司稱 AI 模型效率提升，其 Lucid Origin 影像生成模型速度快 5 倍、成本低 30 倍；12V 影像轉影片模型速度快 7 倍、成本低 17 倍。 下表列出主要規格改進：

Canva AI 2.0 本週以研究預覽版推出，數週內向所有用戶開放。