2025.12.12
AI新十大建設－打造主權AI 「國網雲端算力中心」啟用 ：

為迎向AI時代智慧國家，行政院積極推動「AI新十大建設」方案。在國家科學及技術委員會主導下，位於臺南南部科學園區的「國網雲端算力中心」於今（12）日正式啟用，賴清德總統親臨主持，國發會主委葉俊顯、臺南市長黃偉哲、各部會、產業界、學研界代表共同見證。國網雲端算力中心兼具大型AI/HPC算力基地與國際電信節點功能，為我國推動「AI新十大建設」與「大南方新矽谷」科技戰略的重要支點，象徵臺灣在全球數位競爭中強化科技自主與算力韌性，啟動主權AI新篇章。

賴總統特別提到，臺灣不能永遠依循國外廠商訂定的系統規格，更要鼓勵臺灣的廠商發展我們自己的算力系統架構，從專用積體電路晶片，到超級電腦內部網路的設計，使用臺灣廠商研發的運算、儲存設備，以及通訊網路的交換器等，搭配臺灣的矽光子技術發展，以後能夠使用全光的網路來連結台灣的資料中心。他在典禮中宣布，國研院國網中心要和日本的 NTT 以及中華電信合作，引進下世代全光網路技術，以光通訊全面取代銅線網路，大幅降低能源消耗並提高資料傳輸速度。日本政府還特別於APEC雙邊會議中感謝臺灣協助NTT完成全光網路技術開發，同時也感謝臺灣協助 NTT 把全光網路技術引進台灣。

國科會主委吳誠文則指出，國網雲端算力中心的啟用，不僅支撐科學研究與產業應用，更具備部署未來量子電腦的戰略潛能。依據整體規劃，至2029年，國研院國網中心的算力將擴展至23MW，涵蓋南科的國網雲端算力中心與預計2029年啟用的臺南沙崙智慧創新算力中心，形成南臺灣科技廊帶的雙算力核心。此外，今日正式啟動的「臺灣算力聯盟」，顯示臺灣算力持續擴充，由政府與業界攜手建立完整的算力產業生態系，透過公私協力，打造一座真正能生產AI、部署AI、加速AI的在地工廠，為臺灣科技自主與產業創新注入強大動能。

國研院國網中心主任張朝亮表示，國網雲端算力中心具備 15MW 電量，未來預計於 2029 年啟用具備120MW電量規模的沙崙智慧創新算力中心，這兩座國家級設施不僅將支援生成式 AI 訓練、氣候模擬、生命科學、半導體研發等高階科研應用，更具備充足的電力與空間資源，可開放國內外業者進駐自建算力系統，落實公私協力，共同推動南部從製造基地邁向智慧科技重鎮。未來也將持續結合高速骨幹光纖網路，打造兼具自主韌性與國際競爭力的國家級算力基地。

國科會近年來積極推動主權AI，包括建置國家算力、訓練自主AI模型、鼓勵國人使用自己的語料庫，以及在地保存資料。由國研院國網中心建造「國網雲端算力中心」和串聯民間業者共組的「臺灣算力聯盟」，是AI新十大建設－打造主權AI關鍵的一步；加上國研院國網中心開發的生成式AI 服務平台「TAIWAN AI RAP」，可協助百工百業發展AI的各種應用。這些可讓 AI 新世代建設一步步向前推進，實現全民智慧生活圈的目標。

國網雲端算力中心的啟用，不僅為南臺灣科技走廊奠定國家級核心地位，更具體實現政府「打造人工智慧島」的願景。該中心依據「前瞻基礎建設計畫」建置，採國際商用電信中心高規格設計，具備15MW電量與高耐震、節能與備援機制，並透過高速光纖串聯南科、各大專院校與海纜登陸站，強化全台資料網路韌性，是確保國家數位韌性、資安防護以及通訊備援的關鍵堡壘；加上高規格耐震、備援供電與冷卻設計，確保遭遇災害或突發事件時服務不中斷，持續支撐國家科研與產業創新。

此外，該中心內部署由「晶創臺灣方案」支持、國內廠商合力建置、最新型的「晶創26（Nano4）」超級電腦，展現臺灣在系統整合與超級運算領域的世界級實力。賴清德總統於致詞中表示，「算力就是國力」，面對AI時代的全球競爭，臺灣不能只是硬體製造的供應者，更要成為具備自主、可信與韌性的AI科技國家。政府提出「AI新十大建設」，聚焦智慧應用、關鍵技術與數位基磐三大主軸，目標在2040年讓臺灣成為全球AI創新樞紐。此次啟用的國網雲端算力中心，是整體藍圖中最重要的關鍵環節，也代表臺灣從「矽島」邁向「人工智慧島」的堅定步伐。

在國科會發起下，「臺灣算力聯盟」也在今日正式成立。由國研院國網中心籌組，成功匯集交通部中央氣象署、友崴超級運算、超微、緯謙科技、輝達、鴻海科技集團亞灣超算等跨部會與產業夥伴，形成政府部門與民間企業共構臺灣算力生態的戰略聯盟。聯盟未來將聚焦四大核心方向：算力協調與媒合、機房與基礎資源合作、人才培育以及開源軟體推廣，攜手推動主權 AI 關鍵應用落地，強化我國算力供應鏈韌性，促進算力供應鏈與生態系加速成長，共同推動臺灣邁向新一代算力發展階段。

❖第一階段：顯式演算法的時代 (1950s - 1980s)**

(**註：亦可稱「規則式／Rule-based」演算法時代)

這個時代的演算法典範是「人告訴電腦如何做」。

▹核心思維
演算法就是一套由程式設計師明確定義、一步步執行的指令。人類必須完全理解問題的解法，並將其邏輯用程式碼完整地寫出來。

▹底層技術
(a)年代／
1940s–1960s：數值演算法 → 資料結構與排序搜尋
1970s–1980s：理論演算法(NP、隨機化、可計算性)
(b)特色：演算法本身和資料結構是「核心基礎」，計算效率(時間複雜度與空間複雜度)是主要評價指標。後來延伸為不只是「怎麼算」，還涉及「是否可能算得出來」、「效率界線在哪裡」。

▹局限性
無法應對人類難以用明確規則描述的複雜問題，例如判斷一張圖片裡是否有貓**。
(**註：其實在那時期，這問題曾試圖透過「專家系統／Expert Systems」方式，也就是「規則庫 if-else 來模擬人類推理」方式處理，不過成果十分有限。)



❖第二階段：機器學習的時代 (1980s - 2010s)

這是第一個巨大的典範轉移，思維從「告訴電腦怎麼做」轉變為「讓電腦自己學」。

▹核心思維
演算法不再是固定的步驟。人類提供大量數據和學習目標，讓演算法自己從數據中尋找模式和規律，並建立模型來解決問題。

▹底層技術
(a)年代／1990s–2000s：分散式與大規模資料處理(PageRank, MapReduce)，以及大量統計學與傳統 ML 演算法的崛起(ex決策樹、SVM、KNN、隨機森林...etc.)。
(b)特色：處理「規模」成為主題，追求能在分散式系統上有效運行。

▹局限性
儘管已經可以學習，但仍需要人類專家進行關鍵步驟——「特徵工程」：人類必須手動從原始數據中提取有意義的特徵，才能讓演算法學習。尤其不同專業領域就需要不同領域的專家知識，才能提取出專屬該領域的特徵、完成該領域的特徵工程。這是關鍵痛點。



❖第三階段：深度學習的時代 (2010s - 2020s)

這是機器學習內部的一次重大典範轉移，它讓演算法從「學習」進化到「深度學習」。

▹核心思維
這個階段解決了特徵工程的問題。透過多層神經網路(DNN)，演算法能夠自動從最原始的數據中學習、並提取最抽象、最高階的特徵。意即，電腦已經開始有能力自行判斷「哪些數據是重要的」。

▹底層技術
(a)年代／2010s–2020s：機器學習(ML)與深度學習(DL)
(b)特色：不再只是「明確規則 + 決定性輸出」，而是「自我調整規則、從資料學習」。以深度學習來說，自動學習抽象特徵／表徵學習(Representation Learning)，就可說是最關鍵的突破口。

▹革命性：
這個階段讓 AI 第一次在圖像辨識、語音處理和自然語言理解等領域超越了人類的表現。



❖總結

上述三個階段代表了演算法從「遵循規則」到「從數據中學習」，再到「自動從數據中學習特徵」的根本性演變。

(還沒完...)



❖第四階段：生成式 AI / 大模型時代（2020s-）

不是只分類或預測，不只是更深的神經網路，而是開始使模型具備跨任務、跨領域的能力，例如「生成」新的內容(語言/影像/音樂)，透過Transformer 架構＋海量參數＋大規模語言模型(LLM)，都已應用在現實生活中。

未來，方興未艾。
https://vocus.cc/article/68a712e5fd89780001b13c29

#這碗呀不大

Google 在 2024 年底到 2025 年間推出了多款重要的自研晶片，涵蓋了手機、資料中心以及量子運算三大領域。
以下是 Google 最新晶片的重點整理：

1. Tensor G5：首款「台積電」代工的手機晶片
這是目前討論度最高的晶片，搭載於 2025 年 8 月發表的 Pixel 10 系列 手機中。
• 重大轉變：過去的 Tensor 晶片是與三星合作開發，而 Tensor G5 則是 Google 首款完全自研並交由台積電 (TSMC) 3 奈米製程代工的晶片。
• 效能提升：
• AI 算力 (TPU)：效能大幅提升 60%，專為運行 Gemini Nano 模型優化。
• 處理速度 (CPU)：平均速度提升約 34%。
• 亮點：這款晶片改善了過往 Pixel 手機容易發熱與能耗的問題，並支援更強大的裝置端（On-device）AI 功能，如語音即時聽寫、進階照片修復（Add Me 等）。

2. Axion：首款自研資料中心 CPU
Google 為了降低對 Intel 和 NVIDIA 的依賴，在 2024 年推出了 Axion 處理器。
• 架構：採用 Arm 架構。
• 效能：在雲端運算任務中，效能比現有的 X86 架構處理器提升了 50%，節能效率也大幅領先。
• 用途：主要用於 Google Cloud 雲端服務，支援如 Google 搜尋、YouTube 廣告以及大規模的 AI 運算。

3. TPU v6e (Trillium) & TPU v7 (Ironwood)
這是 Google 用來訓練大型 AI 模型（如 Gemini）的專用加速器。
• Trillium (v6e)：於 2024 年底大規模部署，效能是前代的 4.7 倍。
• Ironwood (v7)：預計在 2025 年進一步強化大模型推理與訓練速度，目標是提供比對手更低的成本與更高的頻寬。

4. Willow：新一代量子運算晶片
在 2024 年 12 月，Google 發表了名為 Willow 的量子晶片。
• 驚人表現：它在 5 分鐘內完成了一項傳統超級電腦需要運算「10 兆兆年（10 septillion years）」的錯誤校正任務。
• 里程碑：這標誌著量子運算從「純實驗」轉向「可驗證的量子優勢」。

報導記者／涂志豪

將採CIP計畫減少光罩使用道數，降低晶圓代工價格過高問題

#CIP

台北報導
晶圓代工龍頭台積電下半年5奈米接單滿載，優化版4奈米明年進入量產，已獲蘋果、高通、聯發科、博通、英特爾等大廠採用，但3奈米推進面臨晶片設計複雜度及晶圓代工成本大幅拉高等問題，關鍵在於新款極紫外光（EUV）曝光機採購金額創新高，產出吞吐量（throughput）提升速度放緩，恐將導致3奈米晶圓代工價格逼近3萬美元。
由於3奈米晶圓代工價格過高恐影響客戶製程微縮速度，為了在明年之後加速客戶5奈米產品線轉換至3奈米，並維持先進製程依循摩爾定律推進軌道，設備業界透露，台積電將啟動EUV持續改善計畫（Continuous Improvement Plan，CIP），希望在略為增加晶片尺寸的同時，減少先進製程EUV光罩使用道數，以降低3奈米「曲高和寡」問題。
台積電近幾年擴大採購EUV曝光機，下半年5奈米產能全開，包括蘋果A15應用處理器及M1X／M2電腦處理器、聯發科及高通新款5G手機晶片、超微Zen 4架構電腦及伺服器處理器等將陸續導入量產。台積電為了維持技術領先，由5奈米優化後的4奈米將在明年進入量產，全新3奈米也將在明年下半年導入量產，然而客戶端對於延長使用4奈米或採用全新3奈米態度搖擺，關鍵差別在於EUV光罩層數多寡決定了晶圓代工價格高低。
業者分析，EUV曝光機價格愈來愈高，下半年即將推出的NXE：3600D價格高達1.4～1.5億美元，產出吞吐量每小時可達160片12吋晶圓，與上代機型相較增加幅度不大。而由製程上來看，4奈米主要是以5奈米進行優化，EUV光罩層大約在14層以內，但3奈米預計將採用25層EUV光罩層，所以3奈米晶圓代工價格恐怕上看3萬美元，並不是所有客戶都願意買單。為了降低客戶產品線由5奈米向3奈米推進速度放緩的疑慮，台積電啟動EUV CIP計畫改善製程，希望透過減少EUV光罩層使用道數及相關材料，例如將3奈米的25層EUV光罩層減少至20層。設備業者指出，雖然晶片尺寸將因此略為增加，但若計畫成功可以有效降低生產成本及晶圓價格，加快客戶產品線轉向3奈米。

中正大學企管系各類評超越群倫！

中正大學MBA（企業管理學系）的評比可參考《遠見》2024年大學排行榜，中正大學在「人文社科類」中排名第三，總體競爭力進步最多。過去，《快樂工作人》雜誌曾將中正大學的EMBA評為2004年「最受歡迎EMBA」全國第八名。此外，在國際排名上，中正大學有多個學科，如「古典文學與古代史」、「社會學」、「法律」、「電腦科學與資訊系統」等，都位居全球排名之中，顯示其在特定領域的學術實力。
國內排名

《遠見》2024年台灣最佳大學排行榜：
人文社科類：第三名
總體競爭力：進步最多的國立大學

《快樂工作人》雜誌：
2004年「最受歡迎EMBA」：全國第八名
國際排名（學科排名）

《QS學科排名》
上榜學科：古典文學與古代史、社會學、法律、電腦科學與資訊系統
排名依據：學術聲譽、雇主聲譽、研究論文引用次數等

總體評比
中正大學的MBA課程涵蓋廣泛的領域，但具體評價仍需考量個人需求和科系特色。
對於想提升學術實力或尋求國際視野的學生而言，中正大學MBA是個不錯的選擇。

#中正大學 #中正MBA #中正招生 #CCU#中正企管