AI 賦能 、 企業為本、 聚焦行業、 接軌世界

知識管理為本，賦能組織起飛

關於我們

中孚創聯科技 - 服務全球企業

創始團隊

伍自強 (EMBA)

共同創辦人

CEO

吳易達博士

共同創辦人

CTO

陳嘉琳院長

共同創辦人

首席科學家

實驗室專案團隊

李永輝教授

實驗室專案主持人

蔡銘峰 碩士

實驗室專案主持人

中孚創聯科技 (MAKE2REAL.AI)

中孚創聯科技 (MAKE2REAL.AI) 致力於利用生成式人工智慧技術建構垂直領域的 AI 推理模型，打造垂直領域的知識庫。我們匯集了來自華人地區各界的人工智慧專家，包括學者、工程師和企業家，目標是將人工智慧技術融入各行各業，實現產業智慧升級。

CAIL 的核心研究主題

• 垂直領域知識圖譜構建
• 產業客製化 AI 推理模型開發
• 針對中文特殊性，發展推論模型

企業為本，AI賦能，聚焦行業，接軌世界：開啟智慧製造新時代

一、倡議背景

• 全球智慧製造浪潮興起，人工智慧技術在工業領域的應用日益廣泛。
• 全球擁有雄厚的製造業基礎和龐大的市場潛力，發展智慧製造具有重要戰略意義。
• 全球企業在智慧製造轉型過程中面臨許多挑戰，需要藉助AI技術賦能。
• 全球智​​慧製造產業需要與世界接軌，才能實現互利共贏。

二、倡議目標

• 加速AI技術在全球工業領域的落地應用。
• 推動全球工業智慧轉型升級。
• 打造具有國際競爭力的智慧製造產業群聚。
• 實現全球智​​慧製造與世界接軌。

三、倡議內容

• 以企業為主體：發揮企業的主體作用，積極探索AI技術的應用場景，推動AI技術與製造業深度整合。
• 政府 [移除了無效網址] 支援：制定政策措施，支持企業採用AI技術，鼓勵產研合作，建立人才培育系統。
• 產學合作：加強產學協同創新，推動AI技術成果轉換應用。
• 人才 [移除了無效網址] 培養：加強AI人才培育和教育，打造高素質人才隊伍。
• 標準體系：建立AI技術標準與規範，促進產業健康發展。
• 國際合作：加強與國際組織和企業的合作，分享技術資源和經驗。

四、接軌世界

• 加強國際合作：與國際組織和企業合作，分享技術資源和經驗。
• 參與國際標準制定：積極參與國際標準制定，提升中華地區智​​慧製造產業在全球

創始團隊

AI 賦能 、 企業為本、 聚焦行業、 接軌世界

共同創始人

伍自強 碩士

學經歷

• 現任 中華大學微軟人工智慧創能學院 資深顧問
• 現任 Innovation Consortium Co. Ltd. CEO
• 新加坡國立大學EMBA , 論文：企業系統導入的迷思 (IT 資訊科技驅動的變革理論與個案研究)
• 曾任 Ulsee COO
• 富士康 Foxconn BU Head /Senior AVP, 負責 Amazon, Philips, Kodak, SONY, Best Buy、 Google 等客戶的電子書、電子相框、智慧穿戴產品
• 美國鳳凰科技 Phoenix Technologies (NASDAQ) 亞太區總經理
• 美國光寶影像事業部總經理
• 台灣 MyNet 總經理

透過AI技術，我們致力於助力企業實現數據驅動的決策和創新，使其轉化為智慧化和知識化的組織。

共同創始人

陳嘉琳博士

學經歷

• 現任 (2020起)，中華大學/微軟人工智慧創能學院，教授/院長
• 2006~2022，富士康科技集團 (深圳、鄭州、成都)；
• 美國紐約州立大學水牛城校區: (SUNY at Buffalo): 博士(電機及電腦工程研究所)、博士後研究(生物物理研究所)；

2012~迄今与AI、智能製造相关的经历

• 富士康集團 – 事業群總經辦技術特助，負責技術策略及新技術導入；
• 富士康集團 – 事業群 AI BU協理、雲端運算BU協理、教育長、人才長；
• 富士康集團 – 富士康-成都電子科大工業人工智慧聯合研究院共同院長；
• 2015起，负责富士康集团内部多个数字转型和智能製造专案。
• 2020起，擔任台灣多家公司的數位轉型培訓課程顧問，包括電子業、精密機械業、食品業與玻璃業等。

我希望AI能成為人類智慧的延伸，不僅解決複雜問題，更能啟發我們探索未知的勇氣與智慧

共同創始人

吳易達博士

學經歷

• 現任 中華大學微軟人工智慧創能學院 資深顧問
• 現任 (2022件)，瑞泰生醫/人工智慧研發團隊，Chief AI Scientist
• 2017~2021，ULSee (軟銀投資)/人工智慧部門, 研發副總；
• 2016~2017, 台灣工業技術研究院/小蘋果園計畫A9團隊, 負責人
• 2012~2015, 沙漠科技/研發部門, 研發副總/共同創辦人
• 2008~2012, 台灣工業技術研究院 (ITRI) /資通所, 資深研究員
• 2005~2008, 美國密西根大學, 博士後研究(放射輻射研究所電腦輔助診斷研究室)
• 2002~2005, 美國紐澤西大學, 博士(資工所)
• 2005~迄今與AI、電腦視覺應用相關的經歷
• 瑞泰生醫 – 率領研發團隊, 開發先進的內視鏡醫學應用系統，旨在提升醫療診斷的精準度與效率；
• ULSee – 率領研發團隊, 致力於開發車用電腦視覺, 與 機械人視覺相關的應用方案；
• 沙漠科技 – 率領研發團隊, 開發 ADAS (先進駕駛輔助系統) 解決方案；
• ITRI – 開發電腦視覺相關應用的解決方案；
• 密西根大學 – 發展醫學影像應用的解決方案。

實驗室專案主持人

李永輝教授

學經歷

•現任 (2021起)，長榮大學安全衛生科學院教授研究員

•2018/3-2020/2 臻鼎科技集團工業大數據 專案顧問

•2016/8-2018/7 東海大學 工業工程與工程管理系 客座教授

•2011/8-2016/7鴻海科技集團 ＩＥ學院 協理

•1988/9-2011/12 台灣科技大學 教授退休，2016獲頒 名譽教授

•1988/9 美國德州理工大學 工業工程 博士

2018~迄今與AI演算法相關的經歷

•2024財團法人職業災害預防及重建中心，智慧人因性危害風險評估工具開發

•2022 核桃運算公司 販賣機的收益最大化之補貨和配送智慧系統開發

•2022 財團法人商業發展研究院AI智能零售圖像辨識行銷應用程式開發

•2019-2020 臻鼎科技集團，運用大數據的方法與技術，透過工業數據分析與建模，執行智慧水處理專案及智慧無塵室溫濕度控制專案

•2018, 企業智慧語音特助系統開發，經濟部科技研究發展專案-協助傳統產業技術開發

實驗室專案主持人

蔡銘峰 碩士

學經歷：

• 現任 (2022起),TokenBacon/人工智慧研發團隊，CTO
• 2018~2022,海耶克數位金融科技, 研發長；
• 2013~2017,台灣鴻海科技集團/研發部門,資深經理
• 2007~2012, Foxconn/ Apple_AWS 事業群/軟體技術經理
• 1998~2007,台灣視聯科技／研發部門, 研發副總
• 2005~2008,台灣科技大學,電機研究所碩士(無線網路定位運算實驗室)
• 2003~2005, 德矽半導體, 工程師(數位訊號處理實驗室)

• 2003~迄今與AI、電腦計算應用相關的經歷
• Tokenbacon– 研發團隊, 開發企業用智慧客服系統, AI影像處理方案；
• 海耶克 – 率領團隊,致力於開發溯源帳本,與3D元宇宙聊天機器人應用方案；
• Foxconn– 率領團隊研發 FinTech/分散式物聯網追蹤運算環圖方案；
• 視聯科技 – 獨立開發手持作業系統與連網通訊協定；
• 台灣科技大學–開發無人機室內無線定位數演算法。

台灣國發會智慧語音發表會

美國 VelocityMicro.com

AI-POWER STACK 專案

成功案例

台湾经济部工业局CiTD专案：企业智慧語音特助系統開發計畫

台灣經濟部2020-2023年產業園區產業輔導創新計劃

台灣經濟部技術處科研成果價值創造計畫：AIoT 長照陪伴助理雲服務計畫

獲邀於 Synopsys 2019 年 ARC 處理器高峰會 演講 如何利用 硬體加速器 進行 AI 模型加速

產品與服務

AI導入故事

AI 突圍：中小企業如何用 **「一機一庫」模式 化解資料安全與成本困境

人物

• 王明：公司總經理
• 李娜：數據分析師
• 趙輝：IT 主管

劇情簡介

王明總經理為公司發展策略制定需要大量數據分析，他找到了數據分析師李娜。李娜建議使用生成式 AI 模型，及 RAG 與 LangChain 技術，以公司現有的 Excel 資料庫建立知識庫，並以一台有 GPU 卡的 PC 進行 AI 分析。最終，李娜利用自動化工作流程將分析流程自動化，既確保了資料安全，也降低了成本，最終獲得了王明的認可。

故事詳情

1. 困境：資料安全與成本的博弈 王明：李娜，最近公司需要進行策略分析，需要大量資料分析工作，你有什麼建議？李娜：王總，我可以使用 生成式 AI 模型，及 RAG 與 LangChain 技術進行分析，它們可以快速產生分析報告，並且不需要依賴 ChatGPT 等雲端服務。

王明：這個方案不錯，但我們現有的資料都是儲存在 Excel 表格中的，如何利用這些資料進行分析呢？李娜：我們可以將 Excel 資料整理成結構化的知識庫，然後使用 生成式 AI 模型，及 RAG 與 LangChain 技術進行分析。

王明：建立知識庫和部署 AI 模型所需的時間和成本太高，我們現在預算有限，恐怕難以負擔。

2. 轉機： 「一機一庫」模式的破局

李娜：王總，我最近研究了一個新的方案，叫做 「一機一庫」模式。我們可以利用公司現有的 Excel 資料庫建立知識庫，並用一台有 GPU 卡的 PC 進行 AI 分析。這樣既能確保資料安全，又能降低成本。

王明：這個方案很有意思，你詳細說說看。

李娜：首先，我們可以將公司現有的 Excel 資料進行整理與清洗，並建立成結構化的知識庫。然後，我們可以使用 RAG（Retrieval Augmented Generation）技術，將知識庫中的資訊與外部資料進行整合，產生更豐富且準確的資訊。最後，我們可以使用 LangChain 技術，將這些資訊進行分析，產生數據報告。

王明：這個方案聽起來不錯，既能確保資料安全，又能降低成本。

3. 實踐：AI 助力企業起飛

趙輝：王總，李娜，我已經按照李娜的方案，將公司現有的 Excel 資料整理成知識庫，並部署了 RAG 與 LangChain 技術。

王明：很好，我們來試試看。

李娜：王總，我們可以使用 AI 模型對以下幾個面向進行分析：

• 市場趨勢：分析未來市場需求，幫助公司發展產品策略。
• 客戶行為：分析客戶行為模式，幫助公司提升客戶服務。
• 營運效率：分析營運效率，幫助公司降低成本。

王明：好的，我們先從市場趨勢分析開始。

（使用 生成式 AI 模型，及 RAG 與 LangChain 技術進行分析，產生數據報告） 王明：這個報告非常詳細，對我們制定市場策略非常有幫助。

李娜：王總，為了提高效率，我們可以將分析流程自動化。

4. 昇華：自動化工作流程

李娜：我可以使用 LangChain 的工作流程編排功能，將資料整合、資料處理、模型訓練等步驟串連起來，形成自動化工作流程。

王明：這個主意很好，這樣可以節省大量時間和人力。

（李娜利用 LangChain 技術，將分析流程自動化） 王明：非常好，這樣我們就能夠快速、準確地進行數據分析，為公司發展提供決策支援。

結語

「一機一庫」模式與自動化工作流程相結合，可以為中小企業提供一種更有效率、低成本、高準確的 AI 數據分析解決方案。

AI 佈署模式

本地 (Local Host) vs. 雲端 (Cloud)

對企業而言，資料的安全性至關重要。本地部署模式和建立自有企業知識庫是保障資料安全的兩大有效手段。

本地部署模式的優勢在於：

• 資料控制權完全掌握在企業手中，降低了資料外洩風險。
• 不受網路環境影響，能夠確保系統穩定運作。
• 可依企業需求進行客製化部署，滿足個人化需求。

建立自有企業知識庫的優勢在於：

• 能有效沉澱企業知識，避免知識流失。
• 可以提高員工的知識獲取效率，促進知識分享。
• 能幫助企業建構競爭優勢，提升市場競爭力。

對於特別重視資料安全的企業，建議採取以下措施：

• 採用本機部署模式，將資料儲存於本機伺服器或裝置上。
• 建立自有企業知識庫，對資料進行統一管理與控制。
• 加強資料安全防護措施，例如加密、權限管理、稽核等。

透過採取以上措施，企業可以有效保障資料安全，降低資料外洩風險。

獨特AI導入模式

企業導入 AI 的關鍵：Train-to-work：雙管齊下，鍛造 AI 實戰利品

一、Train-to-work 的雙重目標

Train-to-work 模式的核心是雙管齊下，以實踐為導向，同步提升人才隊伍和 AI 模型的實戰能力，助力企業高效導入 AI。

1. 人才訓練：

• 建構多層次人才培育體系，滿足不同職缺員工的學習需求。
• 採用理論與實務結合的教學方式，提升員工的 AI 實操能力。

2. 模型訓練：

• 選擇合適的項目進行試點，累積資料並訓練模型。
• 鼓勵員工創新，探索 AI 在不同領域的應用場景。
• 建立回饋機制，收集使用者意見並持續優化模型。

二、Train-to-work 的實施路徑

1. 規劃設計：

• 明確 AI 戰略目標和應用場景。
• 制定詳細的專案實施方案，包括人才培育計畫、資料準備計畫、模型訓練計畫等。

2. 人才培育：

• 提供針對不同職缺員工的 AI 培訓課程，內容涵蓋 AI 基礎、AI 工具使用、AI 專案管理等。
• 採用線上與線下混合教學模式，理論與實務結合，提升學習效果。

3. 模型訓練：

• 收集真實業務數據，建立訓練資料集。
• 選擇合適的 AI 演算法和模型，進行模型訓練和最佳化。
• 部署模型並進行測試，確保模型效能符合實際需求。

4. 持續改進：

• 建立回饋機制，收集員工和顧客的意見建議。
• 定期評估專案進展，優化人才培養方案和模型訓練策略。

三、中孚創聯 的 Train-to-work 服務

中孚創聯 擁有豐富的 AI 實務經驗和專業服務團隊，可以為企業提供全方位的 Train-to-work 服務，包括：

1. 諮詢服務：

• 幫助企業制定 AI 策略規劃，評估 AI 應用潛力。
• 提供 AI 專案實施建議，幫助企業規避風險。

2. 培訓服務：

• 提供客製化 AI 培訓課程，滿足企業不同需求。
• 授課老師擁有多年 AI 實務經驗，理論與實務並重，確保教學品質。

3. 專案實施服務：

• 協助企業落地 AI 項目，提供技術支援和人才服務。
• 幫助企業建立 AI 應用標準和規範，確保專案成功實施。

4. 模型訓練服務：

• 提供資料收集、清洗、標註等服務。
• 協助企業選擇合適的 AI 演算法和模型，進行模型訓練和最佳化。
• 提供模型部署和測試服務，確保模型效能符合實際需求。

5. 持續改善服務：

• 提供定期評估和優化服務，幫助企業持續提升 AI 應用效果。
• 追蹤產業最新技術發展，幫助企業保持 AI 技術領先地位。

四、案例

某大型製造業與 中孚創聯 合作，採用 Train-to-work 模式導入 AI。 中孚創聯 協助企業制定了 AI 策略規劃，並為員工提供了系統性的 AI 培訓。在實踐中，員工將所學應用於生產線改造，成功實現了產品品質提升和生產效率優化。

五、總結

Train-to-work 模式是企業導入 AI 的高效率路徑。 CAIL 擁有豐富的AI 實務經驗和專業服務團隊，可以為企業提供全方位的Train-to-work 服務，助力企業打造一支高素質的AI 人才隊伍，並訓練出滿足業務需求的AI 模型，最終實現數位轉型和智慧製造升級。

合作模式

中孚創聯合作模式：AI賦能，共創未來

一、模式概述

中孚創聯提供AI技術和知識管理服務，並以技術和知識入股方式，參予廠商成立新創事業單位或新創企業。

此模式旨在：

• 推動AI技術在各產業的落地應用。
• 幫助廠商建構AI能力和知識管理體系，實現數位轉型。
• 共創智慧製造新時代，實現互利共贏。

二、合作方式

第一步：建立企業知識庫

• 中孚創聯協助廠商分析需求，制定知識庫建置方案。
• 中孚創聯提供知識庫建立平台和工具，並協助廠商進行知識收集、整理、儲存和發布。
• 中孚創聯提供知識訓練服務，幫助廠商員工學習並使用知識庫。

第二步：AI技術賦能

• 中孚創聯根據廠商的實際需求，提供領先的AI技術和解決方案。
• 中孚創聯協助廠商進行AI人才培養與訓練。
• 中孚創聯幫助廠商進行市場推廣和銷售。

第三步：共創未來

• 中孚創聯與廠商共同組成專案團隊，共同開發AI產品和解決方案。
• 中孚創聯與廠商共享技術、知識、資源和市場，實現合作共贏。

三、模式優勢

• 知識先行，奠定基礎：建立企業知識庫，為AI應用提供數據與知識支撐，提升AI應用效果。
• 技術領先，賦能發展：中孚創聯擁有領先的AI技術，能夠為廠商提供強大的技術支援。
• 資源共享，合作共贏：中孚創聯可提供廠商資金、人才、市場等資源，協助廠商快速發展。
• 風險共擔，攜手共進：中孚創聯與廠商共擔風險，共創價值。

四、適用場景

• 傳統製造業：中孚創聯可協助傳統製造業企業實現智慧轉型，提升生產效率及產品品質。
• 新興產業：中孚創聯可協助新興產業企業快速發展，搶佔市場先機。
• 其他領域：中孚創聯可根據不同領域的實際需求，提供客製化AI解決方案。

五、案例

• 中孚創聯與某大型製造業合作：中孚創聯協助該企業建立了企業知識庫，並提供AI視覺檢測技術，協助其提升產品良率，降低生產成本。
• 中孚創聯與某美國企業合作：中孚創聯協助該企業建立硬體綁定之AI軟體，幫助其提高客戶滿意度，增加銷售額。

六、未來展望

中孚創聯將持續秉持開放合作的態度，與各界夥伴攜手共進，共創智能製造新時代！

AI 相關資訊

業界重大事件

中國大陸：

台灣地區：

問與答：

Q：我們常說的 BI 跟 生成式 AI 有何不同?

商業智慧 (BI) 和生成式 AI 是兩種不同的技術，它們可以互補使用以提供更強大的分析功能。

BI 著重於從資料中提取洞察力。它使用各種工具和技術來收集、清理、分析和視覺化資料。 BI 可以幫助企業了解其營運、客戶和市場。

生成式 AI 著重於產生新的資料。它使用機器學習演算法來創建新的內容，例如文字、圖像和程式碼。生成式 AI 可以用於各種目的，例如創建個人化內容、生成預測和開發新產品。

主要區別

以下是 BI 和生成式 AI 之間的一些主要區別：

• 目的：BI 的目的是從資料中提取洞察力，而生成式 AI 的目的是產生新的資料。
• 方法：BI 使用各種工具和技術來分析數據，而生成式 AI 則使用機器學習演算法來產生新的數據。
• 輸出：BI 的輸出通常是視覺化、報告和儀表板，而生成式 AI 的輸出可以是文字、圖像、程式碼等。

互補性

BI 和生成式 AI 可以互補使用以提供更強大的分析功能。例如，BI 可用於分析資料以識別趨勢，而生成式 AI 可用於根據這些趨勢產生預測。

未來

隨著 AI 技術的不斷發展，BI 和生成式 AI 將繼續融合。這將使企業能夠從數據中獲得更深入的洞察力，並做出更明智的決策。

以下是一些 BI 和生成式 AI 如何互補使用的範例：

• 預測分析：BI 可用於分析資料以識別趨勢，而生成式 AI 可用於根據這些趨勢產生預測。例如，BI 可用於分析銷售資料以識別趨勢，而生成式 AI 可用於根據這些趨勢預測未來的銷售。
• 個人化內容：BI 可用於分析客戶資料以了解他們的需求，而生成式 AI 可用於根據這些需求產生個人化內容。例如，BI 可用於分析客戶資料以了解他們的興趣，而生成式 AI 可用於根據這些興趣產生個人化的產品推薦。
• 新產品開發：BI 可用於分析市場數據以識別新的機會，而生成式 AI 可用於產生新的產品概念。例如，BI 可用於分析市場數據以識別未滿足的需求，而生成式 AI 可用於根據這些需求產生新的產品概念。

Q: 請用表格比較 BI、Analytical AI and Generative AI

BI、Analytical AI 和 Generative AI 的關係

BI 是基礎。它提供對數據的基本理解。

Analytical AI 增強了 BI。它使用機器學習來發現隱藏的模式和趨勢。

Generative AI 是未來的方向。它可以產生新的數據，用於預測和創造性工作。

總結

BI、Analytical AI 和 Generative AI 是三種不同的技術，它們可以互補使用以提供更強大的分析功能。 BI 提供對資料的基本理解，Analytical AI 增強了 BI，Generative AI 是未來的方向。

聯絡