4 月 2 日，美國總統川普（Donald Trump）宣布啟動大規模「對等關稅」，消息一出，企業的價格、庫存、採購節奏與市場擴張計畫全面被打亂，美中也迅速進入報復與反報復的循環，跨境供應鏈像被突然扭曲的鋼索般緊繃，整個世界陷入空前的不確定性。

半年過去，各國仍在談判桌上拉鋸，企業則在現金流壓力下努力調整生存策略。在這樣的局勢下，任何能降低成本、提升現金彈性的制度，都變得前所未有地重要。

也正是在這個時候，一項其實已經超過 200 年、卻長期被忽略的機制，再次被拿出來討論：「關稅退還」（Duty Drawback）。

「很多企業甚至不知道自己繳的關稅可以退回來。」專用 AI 幫企業退稅的新創 Pax 創辦人陳品衣（Penny Chen）說，她在與客戶訪談的過程中，反覆看見同一個現象：企業每年上繳百億美元的關稅給政府，真正被退回的只有約 20%。剩下的 80%、將近 150 億美元的金額就這樣躺在那裡無人申請，「It’s free money left on the table!」，她語帶無奈地補充。

這個巨大的斷層，意外成了 Pax 的切入點。Pax 以 AI 為核心，用演算法幫助企業找出比傳統服務商多 15% 的可退的關稅金額，並把原本動輒半年以上的流程壓縮到十多個工作天。企業第一次看見，原來只要善用 AI 工具，關稅退稅將不再是枷鎖，反而可以成為改善現金流的即時力量。

企業其實可以不用關稅「萬萬稅」！誰適合退稅？

「關稅退稅」是一項由美國海關與邊境保護局（CBP）實施、用於退還企業已繳交的進口關稅，不是一般民眾熟悉的所得稅退稅。企業只要因進口美國的商品曾繳過關稅，後續又符合再出口、加工後再出口，或在美國境內就地銷毀等條件，便能依法取回部分或全部已繳的稅金。

最典型的案例來自製造業：企業從海外進口原料，在美國完成加工後再出口成品，先前繳付的關稅便能依法退還。

另一個典型案例來自零售商與經銷商：企業自海外進口商品，若該商品在美國並未銷售或使用便再次出口，先前繳付的關稅同樣可以依法申請退還。

近年快速成長的跨境電商與大型零售商，也同樣高度符合退稅資格。貨品在美國境內移往海外倉庫視為出口，若消費者退貨後在美國就地銷毀，也都在規範之內。

換句話說，許多日常的物流動作，像是移倉、退貨、銷毀等，表面上看起來與營收無直接關聯，但實際上都蘊藏著可觀的退稅金額。只要能清楚地梳理商品的流向，企業就能把原本就屬於自己的錢拿回來。

流程複雜、工具老舊，為什麼傳統退關稅如此困難？

不過，儘管制度不難理解，但真正困住企業的，是落地執行的高複雜度。陳品衣說，除了不同商品、不同進出口情境都有各自的計算方式以外，更令人頭痛的是，關稅退還所需要的資料，通常散落在 PDF、Excel、ERP 之間，企業得從一堆格式不一、怪形怪狀的發票、報關單、物流紀錄裡，把資料整理成政府單位需要的樣式，極度耗時。

由於流程複雜，很多公司選擇交給專門的服務商，但問題並沒有因此變得簡單。傳統服務商用的仍是20多年的舊式軟體，流程大量仰賴人工，一個案件得手動輸入、逐筆比對，第一次申請的企業從送件到實際拿到退稅，甚至要等整整一年。也因為這個流程笨重緩慢，許多服務商只願意接一年退稅金額 10 萬美元以上的大客戶。這代表中小企業即使符合資格可以拿回關稅，卻常連願意受理他們的人都找不到。

「這是一個有趣的數學問題！」，Pax 如何用演算法幫企業多退 20%？

陳品衣最早接觸關稅退稅，是在 Flexport 擔任研究員的時期。當時她很快發現，這個流程牽涉大量資料清洗與規則比對，透過與業界專家交流，她試圖理解市場真正的痛點，「我發現大家的困境幾乎一模一樣：明明有資格拿回已經繳的關稅，卻因為不了解制度、沒有工具、也找不到願意服務的廠商，最後只好作罷。」

陳品衣是麻省理工學院（MIT）博士，專門研究演算法設計，「從我的角度來看，關稅退還其實是個很有趣的數學問題，只是以前沒有人用演算法的方式去解決它！」

Pax 在做的事，用一句話說，就是企業關稅版的 TurboTax。TurboTax 是美國最普及的報稅軟體，把繁瑣的規則拆解成標準化的流程，讓納稅人一鍵報稅；Pax 想做的，是在企業關稅退還的領域重現同樣的體驗，讓企業不用懂法規、不用整理資料、不用曠日費時，就能把該退的關稅拿回來。

不過，要做到這一點，最困難的第一步，是解決「資料混亂」這個最根本的痛點。

目前，市場上處理關稅退還的服務商花最多時間的地方，是資料前置作業。為了能進入後面的流程，企業往往得先提供所有文件，且需要整理成統一格式，光是這一段，就是大量的人力與時間成本，也是絕大多數企業在第一次接觸關稅退稅時最感到挫折的原因。

Pax 的做法，是將「手動整理」這一段拿掉，企業不需要先整理任何文件，只要將原始資料交給 Pax，他們的系統就會自動讀取、提取關稅退還所需的資訊，並把非結構化的數據變成能計算的結構化資料，省去大量時間。

第二步是演算法。陳品衣與團隊自己設計演算法，系統會挑出哪一個排列組合能退還的關稅最多。許多企業把案件丟給 Pax 計算後，還能額外退回比過去人力檢視多 15%～20% 的金額。

最後一步，是把資料真正送出去。Pax 在演算法算出可退金額後，由自家的稅務專家確認後直接向政府送件。因為 Pax 已取得美國核可的送件資格，整個流程不需要傳統的往返，在這樣的模式下，企業過去要等上半年～一年的流程，如今往往只需要 10-15 個工作天，效率大幅提升。

一個冷門但被忽略的大市場，正在被 AI 重新打開

關稅退稅長期被視為貿易制度中的邊陲，但實際上，它是一套存在超過 200 年的制度，牽動著進口、加工、出口等整條跨境供應鏈。只要企業有進出口行為，就可能涉及退稅資格，因此涵蓋的產業遠比一般想像得廣。

也正因如此，這是一個成熟卻分散的市場：雖然美國有十多家服務商深耕多年，流程仍高度仰賴人工、導致大量原本就有資格的退稅金額長期躺著不動，像是被遺忘的「沉睡的現金」一樣，等待被重新喚醒。

Pax 將這個問題透過演算法重寫，再搭配經驗豐富領域專家，成立一年多，即入選矽谷知名加速器 Y Combinator、獲得 450 萬美元早期投資，處理的關稅退稅金額規模也達到千萬美元等級。而在今年川普關稅宣布後，企業的需求瞬間爆量，Pax 的營收也隨之跳增三倍。

對一個不到 10 人的早期團隊而言，這樣的成績單除了來自產品實力以外，也來自政策風口的加持，更清楚證明：「關稅退還」是一個巨大且被嚴重低估的市場，而 Pax 正站在這個缺口最前線。

展望未來，陳品衣認為，回顧歷史，美國其實已多次調整相關法規，這項從美國建國就存在的制度，200 年間不斷被修補、調整，也因此越來越複雜。「我認為關稅只會增，不會減」，陳品衣說。在供應鏈重組與地緣政治拉扯下，企業肩上的關稅負擔難以回到過去，而關稅退還的需求只會愈來愈強。

「關稅退稅」是一項在變動世界裡，應該比以往更需要被重新理解、重新運用的制度，陳品衣期望透過 AI 與自動化，幫助大大小小的企業，把原本的成本壓力，轉化成現金流的韌性，在新的局勢下掌握更多主導權。

更令人焦慮的，是 AI 對教育體系的衝擊。百年來，教育與職場之間存在一條穩定的通道：從學校畢業、進入初階職位、在工作中學習、逐步晉升。

但 AI 的出現，正在抽離這條通道。企業寧多買幾個 AI 工具，也不願意手把手培養新人。紐約聯邦儲備銀行警告，美國應屆畢業生失業率攀升至 5.8%；史丹佛數位經濟實驗室研究則指出，22 至 25 歲年齡層的就業率明顯下滑，最受衝擊的包括軟體開發、客服與文書工作。

但我更關心另一個問題：那些被取代的人，要去哪裡？

當多數公司忙著用 AI 降本增效時，另一個潛力巨大的市場正在成形。麥肯錫預估，到 2030 年，全球將有超過 4 億人需要重新訓練或轉職。這意味著，未來有多少人被 AI 取代，就有多少人需要重返職場。我認為，這不只是危機，而可能是下一個兆元級產業。

在這波浪潮中，全球各國都開始行動：我國政府預計在 2028 年前培育 20 萬名 AI 人才，打造能直接對接產業需求的即戰力。而日本更進一步，從 2024 年度起啟動為期五年的再技能支援計畫，總投入 1 兆日圓，推動企業與上班族在 AI 應用與數位轉型領域重新學習。

在美國，也有新創投入這個領域。Inference.ai 正在打造一個以 AI 驅動、以人為中心的「就業基礎設施」，讓那些被淘汰的白領重返職場。團隊選擇從機器學習等高需求職位切入，這些崗位長期人力短缺，但入門門檻高。Inference.ai 的系統就像一座「AI 時代的駕訓班」，透過 AI 掃描全球職缺、拆解職能需求，建立技能樹與個人化訓練地圖。

依靠他們獨有的 GPU 分割技術，Inference.ai 讓上千名參與者不需負擔高昂成本，即可在真實的算力環境中實作，同時由美國一線科技公司的導師與 AI 教練共同指導。最後再透過模擬題庫與 AI 面試官，幫助學員完成技能驗證與求職準備。

目前 Inference.ai 在沒有任何宣傳的情況下，已經吸引超過千名工程師與專業人士主動加入社群，每週仍快速成長。這顯示，「讓人重新被市場需要」正成為新一代職場的核心命題。

AI 巨變來得很快，新的就業形態、教育體系與社會秩序已經在成形。對我來說，這不只是勞動市場的危機，更是一場關於「人如何與 AI 共存」的全球實驗，也是全人類必須親自參與、共同回答的問題。

本篇文章授權刊登於《經濟日報》專欄

這幾年，我有不少機會和不同世代的人聊天。我明顯感受到，他們對未來的迷惘比以前來得更早也更強烈。很多人上了很多課、能考的證照都去考了，卻還是會問：我到底該做什麼，才叫做「準備好」？

這些對話，讓我回頭思考我們熟悉的學習路徑。過去，多數人都是先選科系，花好幾年累積知識與技能，等進入職場遇到問題時，再從學過的內容中找出能用的部分來應對。

這種模式之所以一直運作得很好，是因為產業變化相對緩慢、知識取得的成本也高，如果不先準備好所需的技能，很多事情根本無法開始。

然而，這個前提正在被 AI 改寫。現在要學會一項技能，不再一定要投入多年時間，只要先知道自己想做什麼，相關的知識與工具可以後續再透過 AI 補齊。換句話說，知識正在通膨，單純累積技能，已不足以構成長期優勢。

在這樣的背景下，我越來越覺得，「先準備好再出發」的模式恐怕不再適用，甚至可能效率不彰。當我們正在從「先學再用」，走向「要用再學」，關鍵可能不在於你累積了多少技能，而是在於你清不清楚現在想解決的是什麼問題。

這樣的學習順序看似顛倒，卻可能更有方向。當然，我並不是說基礎知識不再重要，而是你該把他當成「辨識好問題」的導航地圖，而不是唯一武器。

能先找出問題的人，他的學習效率將可能呈現指數成長；反之，即使擁有再多知識，若無法看清要解決的問題，那他的學習恐怕會變得分散且混亂。

在迎接 2026 年、設定新的學習目標之前，我們可以先換一個問題問自己：接下來這一年，什麼問題值得解決？當方向走在前面，學習自然會跟上。或許，這樣準備未來的方式，反而會讓新的一年更令人期待。

本篇文章授權刊登於《今周刊》專欄

原因其實很簡單，AI 已經具備過去被視為專業人士才擁有的技能，如果你把所有青春投注在鑽研某個專業領域，等到你真正站穩腳步，AI 很可能已經把這些技能做到更快、更便宜，也更通用。

這並不是說「專業不重要」；而是專業不再是最大的競爭力。真正能讓你在未來脫穎而出的，是面對變動時的彈性，是跨領域學習的新能力。未來十年、二十年，我們過去認為穩固的行業都可能重新洗牌，這種變動不會因為某個專業很扎實就停下來。

我常跟正在唸書的朋友說：「不要只學知識，要學會『怎麼學』。」這句話聽起來抽象，但在 AI 時代，它反而變成最務實的能力。AI 能產生大量答案，但不能替你定義問題；它能提出很多路線，但無法替你決定你要走哪一條路。

也正因此，「通才」的價值才更凸顯。當你的視野更廣、涉獵更多，你就更容易跨界思考，把不同領域的知識拼成新的解法。AI 準備好了所有的知識，但你要有能力去看見、去連結，甚至去質疑。

回頭看我自己的人生，一路走來也是這樣。我並不是按著一條清楚的「專業路線」走到今天。相反的，我嘗試過不同的角色，包括運動員、創業者、投資人，甚至現在在教育領域耕耘。這些經驗看似不相干，但正因為我不被單一身份綁住，才能在每一次轉折時找到新的方向。

所以，如果你現在還在學校，請不要急著把自己定義成「金融人」「工程師」或「法律人」，你該去培養快速掌握新領域的能力，把知識靈活運用在更多場景中。

如果我能給正要踏入未來的你一句話，那會是：不要把自己鎖在某個專業裡，而要訓練自己成為能跨越任何邊界的人。Be a generalist, not a specialist.

本篇文章授權刊登於《今周刊》專欄

來自台灣的 TherapiAI，由一群 AI 專家與醫學專家共同創立，他們打造的 AI 平台，幫助生技廠、藥廠、CDMO（委託開發暨製造服務）節省原料、加速產線，讓製藥生產以十倍速運轉，不再被傳統繁瑣的流程拖慢。

生技製藥產業（biopharma）長年累積的結構性瓶頸很明顯：實驗數據分散、研發製程緩慢、專業人力斷層、法規文件往返繁複耗時。TherapiAI 想要解決的，就是這 4 大卡點。他們做的是一套瞄準 CDMO、CMC （化學製造與管制）的 AI 基礎建設，讓研發效率、製程參數、文件與合規流程上全面加速。

就像智慧型手機需要一套作業系統才能讓 App 彼此協作，TherapiAI 就像藥廠的「AI 作業平台」：把分散的數據串起來，把繁雜的流程自動化，把專家腦中的知識化成可重複使用的 AI agents。那些過去仰賴特定博士經驗才能往前推的工作，如今都能被加速、放大。

從法院跨入藥廠，奠定跨界的底層能力

Therapi AI 前身為網資科技（Akousist），由韓駿逸（Michael Han）在 2018 年成立。有趣的是，他們最初做的跟生技製藥產業毫無關聯，「我們之前負責的是全台 36 個法院的電子卷證人工智慧自動化」，韓駿逸解釋，以 AI 協助法院專業人員將大量例行的文件進行自動化，這是他們當時盡力突破的難題。

這段看似無關的經驗，意外成了 Therapi AI 打入生技製藥產業的關鍵能力。因為藥廠面對流程的挑戰，其實和法院非常相似：資料分散在 ERP、機台與實驗室系統；不同部門能看到的內容天差地遠；臨床與實驗的文件都是機敏資訊，不能外流。

網資科技在法院的案件中，打磨出嚴謹的態度與經驗，讓 AI 能在資料安全、資訊互通下能「代理」（agent) 專業人員執行例行的工作，這些都是製藥產線最缺的底層架構，也自然成為 Therapi AI 最核心的護城河之一。

不過，要理解這套 AI 基礎建設為什麼重要，就得先回到一個問題：CDMO 的痛點，到底在哪裡？

CDMO 的四大痛點：數據、製程、人力、法規

首先是最根本的數據孤島問題。在製藥現場，關鍵實驗數據往往被拆散在各種儀器、紙本紀錄，或不同部門使用的系統裡，不但格式彼此不相容，也難以在同一個平台上被完整比對。

其次，細胞與藥物製程的高變異性讓放大流程變得格外困難。這些流程對參數與環境極度敏感，任何細小偏差都可能讓價值數百萬元的實驗失敗。細胞在實驗室當中環境單純，但是進入大型反應槽後，所有參數都必須重新調整，藥廠往往得靠反覆試錯、增加原料批次，才能摸索出能讓產線穩定運作的製程。

第三個痛點，是高度依賴專家的人力瓶頸。

CDMO 的專案繁雜冗長，平均要花 18 個月才能簽下一份合約，大量流程都壓在少數資深VP、 BD、PM 身上。 以 PM 為例，CDMO 普遍面臨資深 PM 難找、流動率高、工作量極大等挑戰。更棘手的是，許多製程 know-how 掌握在博士手裡，一旦核心博士離職，整條線等於得從零重建。

最後一個最棘手的痛點，是資料的敏感性與法規壓力。

在 CDMO 裡，許多數據屬於高度機密，本質上就不適合放在公有雲裡。更深層的問題是，「整個產業普遍都有一個共同的誤解：以為導入 AI 的第一步，就是把所有資料集中起來」，韓駿逸解釋，「但資料集中化處理，又慢又昂貴，動輒數百萬元起跳，也不一定真的能用得好」。最後，多數藥廠明明知道 AI 能帶來助益，卻寧願維持現狀、不願冒險。

TherapiAI 在做什麼？打造生技製藥產業的 AI 作業平台

TherapiAI 的技術架構由兩個核心層次組成：底層的「知識層模型」與前端的「AI Agents」。在知識層，團隊將全球公開的資料，與 CDMO 內部生產數據進行整合，讓 AI 能真正理解製藥產業的高度專業內容。這樣的調整，讓這些模型變成藥廠的可信基座，也為後續的自動化與應用奠定底層能力。

在這個基礎上，TherapiAI 再往上打造能「真正執行工作」的 AI Agents。這些 Agents 的設計並非單一功能，而是對應製藥流程中三個彼此銜接的階段：研究、探索與應用。

首先，在研究（Research）階段，AI 必須做到「寧缺勿濫」。這段工作環境高度精準、容錯率極低，因此若模型沒有足夠資料支持，它會直接回覆「不知道」，避免產生錯誤推論，讓研究人員能把 AI 當成可信的資料夥伴，而非需要反覆驗證的黑箱。

接下來則進入「探索」（Exploration）階段，研究者不只是找答案，而是希望 AI 協助推論。此時 AI agent 會根據模型內建的知識與跨系統數據，提出可能的參數範圍、假設路徑或異常原因，協助研究者縮短實驗迭代周期。這是從「查資料」邁向「一起思考」的關鍵轉折。

最後在應用（Exploitation）階段，AI 開始正式「走進產線」，將研究成果轉為可操作的流程，例如執行細胞株篩選、自動生成合約、製程文件、GMP 報告與查詢 FDA 法規等，直接解決 CDMO 的痛點。

對製藥業者而言，研究端能更快收斂方向，製程端能以更少的原料找到穩定參數，法規端能縮短文件往返與補件時間。許多原本需要資深 PM 或博士層級人員反覆對照數週才能完成的任務，如今只需要幾分鐘便能生成初版，再由專家做判讀即可。

韓駿逸說，TherapiAI 的核心，是把大語言模型裡與產業無關的噪音全部去掉，只留下製藥領域真正需要的知識，並透過三階段的 agent 流程，讓模型不只會「回答問題」，而是能在研發與生產現場「真的把事情做完」。也正因如此，TherapiAI 提供的並非單點工具，而是一套能把整個開發週期壓縮至過去數分之一的 AI 基礎建設。

AI Agents 的真實應用：加速「魔法導彈」ADC 新藥開發、掌握法規變化

TherapiAI 的 AI agents，已開始應用在多項高度專業的場景。其中，最具代表性的案例來自近年備受關注的 ADC（Antibody–Drug Conjugate，抗體藥物複合體）新藥研發。由於 ADC 能在不傷及正常細胞的情況下精準遞送有效載荷，被視為癌症治療的重要突破，更有「魔法導彈」的美譽，授權交易動輒數十億美元。

在這個試驗密集、路徑龐雜的領域中，TherapiAI 開發了專為 ADC 設計而成的 AI Agent。研究人員透過自然語言提出問題後，系統會自動整合跨系統與跨文獻的資料，涵蓋抗體（Antibody）、連接子（Linker）、有效載荷（Payload）等核心元素，並整理牽動藥效與毒性的設計關鍵。這讓團隊能在早期階段看到不同策略的可行性，不必花時間反覆比對文獻與資料庫。

更重要的是，ADC AI Agent 會進一步指出後續可能需要調整的參數，協助團隊快速縮小方向。對藥廠與 CDMO 而言，這種方式能減少不必要的試驗輪次，大幅壓縮傳統需 2～3 年的前期探索期，更早跨入真正具商業價值的開發階段。

在高度敏感的法規領域，TherapiAI 以自家的 GMP AI Agent 挑戰過去仰賴人工的流程，協助企業即時掌握國際法規變化。

這套系統能即時搜尋、比對並解讀 FDA、ICH 等國際法規條文，並且自動偵測跨部門文件間的矛盾或缺漏，協助確保文件的一致性，避免因版本錯誤造成延誤。

同時， GMP AI Agent 也能透過內建的風險預測模型，模擬審查員可能追問的細節，並以「風險地圖」標示出高風險段落，讓文件在送出前就先經過一輪「預審」。

TherapiAI 目前已在台灣、日本及海外多間藥廠與 CDMO 落地，涵蓋 ADC 早期設計、細胞株篩選、自動化製程文件生成、及 GMP 法規比對等場景。部分客戶已將 AI agents 納入正式產線流程，用於跨部門協作與文件生成；也有客戶在導入後，主動提出新的需求，希望把更多核心節點從人工轉為 AI 自動化。這些合作讓 TherapiAI 逐漸成為製藥生產鏈上的重要作業層。

你賣的是「解決方案」還是「工具」？

許多深科技的新創在早期都有同樣的盲點：技術很強，但不等於價值會被自動看見；工具很多，但不代表客戶願意花時間自己組合。TherapiAI 也曾遇過同樣的瓶頸。

「當初我們從技術出發，期望客戶能自己操作」，韓駿逸表示，然而，大多數製藥廠商工作繁重，使得無法投入時間，自然也無法為「工具」付錢，因為工具強不強，和能不能解決現場的問題，是兩件完全不同的事。

後來，團隊意識到「專家需要的不是多厲害的工具，而是要直接解決他的痛點」，「我們在短短兩週內，把所有分散的工具收回來，不再賣技術，而是將技術變成能直接完成工作的 AI agents。」，韓駿逸表示，例如原本獨立存在的 OCR，就被拉上來變成 GMP 文件 AI Agent，一旦從「工具」變為能交付產出成果的「agent」，價值立刻被看見：客戶願意付費，也更願意導入。

客戶要的不是一個工具，而是一套能真正把研發、製程、文件與法規整合起來的底層能力；TherapiAI 做的不只是解決單一問題的工具，而是一整套重建整個生技製藥產業的 AI 作業平台。並不是每一場 AI 革命都以矽谷為起點。TherapiAI 這個來自台灣的團隊，讓人看見另一種未來的可能：下一個重要的產業突破，不取決於地圖上的座標，而取決於誰能把 AI 放進最複雜、最關鍵的現場。

這句話，立刻把我拉回青少年時期的一場關鍵比賽—— 一場我以為自己會贏，卻徹底被擊垮的比賽。

當時我排名全國第一，贏下那場比賽，就能守住年終第一的位置。比賽一開始，我的狀態極好，節奏與策略都在掌控中。

然而，幾個連續的失誤讓一切崩壞。那些我最有信心的擊球突然失靈。我開始焦慮：「為什麼會這樣？」，注意力從「下一球怎麼打」，慢慢變成「千萬別再失誤」。

從那一刻起，我不再是在打球，而是在跟恐懼談判。對手察覺我的猶豫後加強攻勢，而我越打越縮手，直到整場比賽被逆轉。

那次失敗後，我久久難以釋懷。因為我知道真正擊敗我的不是對手，而是那個「怕輸」的自己。

多年後踏入職場，我才發現，不只是我，幾乎每個人都在和自己心裡那個聲音對決。創業、投資，本質上都一樣：大家都聰明、有技巧。但真正拉開差距的，不是反應的速度，而是心態。當事情出錯時，有人慌亂失焦，也有人能冷靜判斷形勢後再出發。唯有不被上一分困住的人，才有餘力迎戰下一分。不被過去牽制，只專注在眼前的挑戰，這才是分勝負的關鍵。

我看過許多創業者第一次並不成功，甚至被貼標籤是「失敗者」。但他們沒有停滯，而是在跌倒的地方重新振作；他們會吸收教訓，然後快速聚焦在下一步該怎麼走。這樣的人通常走得更遠，最終創造出偉大的公司。

看著他們，我也慢慢明白，真正決定輸贏的，是心裡的分水嶺。這不只是創業者的課題，也是我一路以來反覆面對的功課。人生如比賽，輸給自己並不可恥，因為往往正是在那些時候，成長才真正開始。真正的勝利，不是從不出錯，而是能一次又一次，放下過去、贏過先前的自己。

本篇文章授權刊登於《今周刊》專欄

面對這場營收斷崖式下滑，藥廠別無選擇，只能加速轉型。降低成本、縮短研發時間，甚至將更多生產外包給 CDMO （藥品研發及製造委託服務商）。而要支撐這場轉型，「Pharma 4.0」正逐漸從「選擇題」變成「必修課」。

所謂 Pharma 4.0，借鑑工業 4.0，強調以數據貫通研發、臨床、製造與品質管理，將原本分散的流程串成可即時決策的閉環。而人工智慧（AI）正是這場變革的核心動力。

麥肯錫全球研究所（MGI）估計，AI 每年可為製藥與醫療產業創造 60 億至 1,100 億美元的價值，也因此，全球製藥業每年研發投入逾千億美元，因為任何效率提升都意味著巨大的回報：羅氏（Roche）旗下 Genentech 與 NVIDIA 合作，用 AI 加快藥物開發；法國製藥巨頭賽諾菲（Sanofi）更是首家將 AI 導入研發的製藥公司，與英國 Exscientia 在腫瘤與免疫學領域合作，同時也和 OpenAI、Formation Bio 等公司結盟，加速新藥的臨床進程。

不過，真正能改變遊戲規則的，並非只會分析數據的 AI，而是能深入研發與製造流程的 AI。近年來，這樣的探索在亞洲也逐漸浮現。

例如，台灣的新創 Therapi AI 嘗試以可部署的 AI Agents 切入製藥產業，把 AI 從旁觀的顧問，變成產線上的「執行者」。這些 Agents 分工明確，能快速鎖定高潛力細胞株、或協助合規文件審查，並透過「不集中、不留存」的架構，讓研究人員只需用自然語言下指令，就能跨系統自動調用數據，降低合規與資安風險。

這類技術的潛力已開始在實務中驗證。有案例顯示，導入 AI 模型後，細胞株篩選的成本可大幅下降，研發周期也能縮短數倍。對 CDMO 而言，這不只是效率提升，更關乎能否承接更多訂單、真正踏入 Pharma 4.0。

不過，這場轉型仍面臨挑戰，例如：美國食品藥物管理局（FDA）與歐洲藥品管理局（EMA）對 AI 新藥開發的模型可解釋性仍審慎以待；而在數據安全上，臨床資料極度敏感，一旦外洩後果嚴重。在落地應用上則是另一大挑戰，實驗室數據分散、製程複雜，微小偏差就可能讓實驗前功盡棄。這些挑戰顯示，Pharma 4.0 不僅是技術革新，更是一場制度與流程的全面轉型。

Pharma 4.0 正加速成形並重塑醫藥生態。誰能率先完成 AI 與製藥的深度結合，就能掌握市場主導權；對病患來說，這則意味著新藥問世的時間將大幅縮短。換言之，Pharma 4.0 不僅是一場產業升級，更是攸關醫療可及性與公共健康的關鍵轉捩點。

然而這些年，我見過無數創業者，他們最初的想法幾乎沒有一個能原封不動地長大。有人從消費市場轉進企業服務，有人推翻產品重來，有人甚至在瀕臨放棄時才找到新的方向。

我從中得到的第一個體悟是：點子從來不是決定成敗的關鍵。

它更像是一個窗口，讓人窺見創業者的世界觀與思考模式：為什麼選擇這個市場？為什麼認為現在是最佳時機？更重要的是，他看見了什麼問題，又如何定義問題。

點子只是起點，會在市場中不斷被修正；但創業者對世界的洞察力和提問方式，會影響他每一次調整的方向與品質。真正值得投資的並不是「完美答案」，而是背後的獨特思考。

而這十年間，我也深刻體會到：市場的力量遠比想像更重要。產品隨時可以調整，但如果市場太小，甚至時機太早，再聰明的解法也可能徒勞。創業不是一場孤軍奮戰，需要被大環境的浪潮推動，否則很難走遠，不少外界認為技術上完美的團隊，最後仍敗在市場規模不足或節奏過早。

最重要的，真正決定一家公司能否走遠的，終究是人。太多公司倒下，不是因為方向錯了，而是創業者無法在錯誤中修正、在挫折裡堅持。

例如，當判斷錯誤時，創業家能否放下身段、坦率認錯？能否在一次次的失敗後，依然站起來？點子可以再調整、市場可以重選，但「人」必須真誠。因為最後能站在場上的，往往不是最聰明的人，而是那些誠實面對自我、不肯放棄的人。

過去的我，曾以為投資是一門科學。經過十年我才懂得，投資沒有標準答案，更多時候它是一種信任。因為未來無法被預測，資料永遠不完整。如何在在不確定中保持信心，用更長遠的眼光看待未來與人生，是我這十年來最大的收穫！

本篇文章授權刊登於《今周刊》專欄

很多人以為「說故事」是一種天賦，但這位學生的表現證明了另一件事：真正能影響別人的，不是天生口才，而是一套可以被學習與鍛鍊的能力。我稱之為 Story Crafting。

想像你走進一個房間，第一件事不是急著開口，而是先觀察、傾聽，去理解對方真正關心什麼。當你找到能打動他的角度，故事才有了入口。接著，你用情感鋪陳，同時以數據佐證，讓內容既能觸動人心，又言之有理。隨著對話推進，你不斷引導互動，當對方開始點頭、甚至主動回應時，你就知道，他已經走進了你的故事。

最後，你要留下能帶走的東西：也許是一句簡單卻有力的話，成為對方腦中的迴響；也許是一個鮮明的畫面，在記憶中久久不散；更可能是一個具體的行動，推動他在會議之後真正採取下一步。當他離開後仍然記得你，故事才算完成。

當一個故事經過這幾個步驟，它就不再只是表演，而是能驅動決策與改變的力量。它能讓聽者產生共鳴，也能在對話結束後留下延續的效應。

在後 AI 時代，資訊比以往更加氾濫，知識也隨手可得。真正稀缺的不再是內容，而是信任與影響力。AI 可以生成大量文字，卻無法替你展現價值觀；它能模仿語言，卻無法幫你建立真實連結。最終決定成敗的，是對方是否願意在聽完後，繼續和你對話，甚至採取行動。

這正是 Story Crafting 的價值。它不是少數人天生的「超能力」，而是一項可以反覆鍛鍊的硬實力。而能否掌握這項能力，或許正是決定你能否抓住下一個機會的關鍵。

本篇文章授權刊登於《今周刊》專欄

「工程師常常需要投入超過 100 個小時，逐頁翻閱多達 2,000 頁的 datasheet，只為確認硬體元件是否相容。」Niyam AI 創辦人暨執行長 Samarth Shyam 說，「在這個行業裡，每延誤一天，就可能燒掉數十萬美元；而對品牌而言，產品若延後一個月上市，更可能失去 20% 到 30% 的生命週期利潤。」

電子製造業是全球創新的支柱，卻長期受制於低效率的設計工具。原型製作的一次成功率低於 2%，工程師不僅要逐一檢查元件相容性，還要面對零件汰換、供應鏈的不穩定性等問題。

更棘手的是，電子設計涉及不同團隊，但缺乏能整合全流程的統一平台，導致許多問題在產品原型做好後才被發現。現有工具缺乏即時回饋與主動分析，公司往往只能等錯誤釀成後，才被迫「救火」。

在這個規模高達 2 兆美元的產業裡，微小的效率流失，就意味著數十億美元的代價。而這個痛點，正是 Niyam AI 想要解決的問題。

兩個非典型硬體人，如何顛覆電子製造業？

Niyam AI 的兩位創辦人並非典型「硬體人」，卻看見了產業長年的痛點。

CEO Samarth Shyam 是一名連續創業家與天使投資人，在創業與投資端，都有多次成功出場的經驗，也累積了不少實戰傷痕，先前他打造的企業級代幣化會員平台，後來成功被收購。

技術長 Agrim Singh 則是花旗銀行聘用的首位駐場駭客（Hacker-in-Residence），曾打造市場分析工具，能在 Bloomberg 或 Reuters 之前幾分鐘就捕捉到影響價格波動的事件。兩人於新加坡的 Entrepreneur First 計畫中相識，此後合作過多個專案。但真正的轉折點，是看到一位創業朋友，因為錯選一顆 MCU（微控制器），差點讓公司破產。

「這是典型的上游錯誤。」Shyam 進一步表示，Kickstarter 上其實有大量類似案例：看似微小的零件數據疏漏，最終導致產品無法如期上市。兩人發現，硬體原型往往需要多次修改，原因就是零組件的相容性或規格錯誤，而工程師缺乏能「主動」預警問題的工具，只能在錯誤發生後被迫重新修改。仔細思考之後，他們很快就發現，這其實是一個純粹的數據（ETL）問題。

於是，兩人決定創立 Niyam AI，這是一套能在早期即捕捉零件風險的系統，主動浮現合規、採購與設計錯誤，避免這些隱憂演變成高昂的代價。Samarth 與 Agrim 的搭檔，結合了強大的商業推進力（GTM）與深厚的 AI 技術實力，正是突破這個快速變動、技術門檻高市場的關鍵。

「硬體世界的 AI 拼字檢查」讓設計速度快10倍！Niyam AI 怎麼做？

「Niyam 就是硬體世界的 AI 拼字檢查。」Shyam 解釋，以前工程師必須花上數百小時比對數據、從 PDF 中手動複製規格，現在只要有 Niyam，它就能嵌入在 ECAD 和 PLM 系統中，自動抓取設計檔、BOM 以及連結的規格書，並在幾分鐘內完成解析與檢查。

Shyam 進一步說明，流程開始時，AI 首先會解析設計檔中的每個零件規格，並即時比對相容性問題，接著，系統會檢查零件是否存在庫存不足、交貨期過長或認證即將失效等風險。

所有檢測結果都會被整合到一個儀表板上，工程師只需點擊建議選項，系統就能自動生成一份更新後的 物料清單，並重新匯回既有的產品生命週期管理系統（PLM），幾乎不需要改變原本的工作習慣。

在供應鏈端，Niyam 則大幅降低了人工比對的成本。以往，工程師得在數千家供應商、上百萬個零件中逐一輸入編號、比對庫存與認證，再人工挑選替代品。現在，AI 會從物料清單出發，主動提供「情境化推薦」——不僅告訴你「有什麼零件」，還會依照條件篩選出「真正能用」的解決方案。這種主動、即時的回饋，讓設計速度提升 10 倍以上，徹底改變了過去被動、耗時的模式。

直擊問題核心！Niyam AI 從硬體供應鏈的「上游失誤」切入

過去 30 年，EDA 市場由 Synopsys、Cadence、Siemens 等巨頭壟斷，工具重心放在設計，雖然有驗證功能，但僅止於基本檢查。隨著硬體設計日益複雜，傳統工具難以在初期就做跨元件分析，也缺乏與供應鏈的數據整合。

從商業模式來看，EDA 廠商主要靠「模擬授權席次」（simulation seats）賺錢──工程師要多跑一次模擬，公司就得多買一個使用權；PLM 廠商則是靠「設計變更」賺錢──產品每改一次設計，就會增加更多流程要透過系統處理。也因此，「主動的上游驗證」始終不是他們的優先項目。

AI 浪潮下，不少新創如 Flux、Celus 與 JITX 嘗試切入，但多半著重在設計效率，並未解決真正的痛點：零件數據仍然靠「人工搬運」，而相容性驗證依舊要等到產品設計已經完成、甚至進入後期流程時才進行，往往為時已晚。

Niyam 的切入點正是這個「上游失誤」：他們的 AI agent 直接嵌入 ECAD 與 PLM，能自動抓取電路圖（schematics）、BOM 與連結的規格書，並持續進行風險檢查，涵蓋相容性、生命週期、供應鏈與合規等面向。工程師不需要手動上傳、不只是一次性掃描，而是後台的安全護欄，在早期就浮現問題並提出修正方案，把原本需要數百小時的工作壓縮到幾分鐘內完成。

這樣的定位，讓 Niyam 快速建立優勢：一方面累積零件生命週期、供應鏈動態與設計規則等專業知識，另一方面在成立一年內就獲得大型 EMS 與 ODM 驗證，在真實場景中不斷強化資料、流程與信任，築起難以跨越的高牆。

企業級 SaaS 的兩大難題：找出真正的用戶、釐清價值鏈定位

對 Niyam AI 而言，挑戰不僅在技術，也在於安全與使用習慣。大型製造商的設計流程高度機密，Niyam AI 因此選擇不保存設計檔，並部署於客戶的私有雲，讓企業能完全掌握存取權限。這些措施換來了市場的信任，也讓團隊更清楚：安全性本身就是產品價值的一部分。

同時，產品要真正落地，不能只靠高層決策，還需要一線工程師的認同。許多工程師已習慣固定流程，因此 Niyam AI 將「整合性」落實到細節，支援 Excel、CSV 與原理圖格式，確保他們幾乎不用改變習慣就能上手。

Niyam AI 進一步觀察，則發現「真正使用者」的與他們原先想像的有落差。Shyam 說，「我們一開始以為，使用者會是是製造廠工程師，畢竟他們每天都在看 datasheet、檢查元件的相容性。」，「但後來發現，比起時間，工程師最在意的是『正確性』，因此即使耗費數百小時，也要確保正確性。」

真正承受時間壓力的，其實是下游品牌與決策者。「例如對 Apple 這樣的國際品牌而言，產品推出一旦延誤，可能直接錯過市場機會；每延後一個月，產品生命週期的利潤甚至會減少 20%–30%。」Shyam 表示。

這讓 Niyam 意識到，唯有同時滿足工程師的嚴謹需求，以及品牌端對時程的壓力，才能真正成為產業鏈不可或缺的一環。

企業級 SaaS 軟體的銷售與一般面向消費者的軟體不同，對 Niyam AI 來說，最困難的兩件事在於：找出真正的用戶以及釐清自己在價值鏈（value chain）中的定位。

早期 Niyam AI 的產品，會要求客戶將檔案上傳到一個 dashboard，後來發現這樣的模式行不通。「工程師可能偶爾會用，但不可能天天使用。」，Shyam 表示，「一個 BOM 或電路圖，在產品生命週期內可能會有超過 300 次變動。不可能有人每次都上傳新檔案。如果一直依賴上傳，絕大部分風險都可能被忽略。」

於是，與其強迫工程師改掉數十年的習慣，Niyam AI 在 2024 年 11 月改變了產品的設計，讓它變成 AI agent，直接嵌入客戶的 ECAD 與 PLM，並直接給出系統檢查的結果，同時支援 Excel 與 CSV 格式，「我們必須走進工程師的工作流程，Niyam AI 的 Agent 會自動監測 ECAD 和 PLM 的變更，抓取正確的 datasheets，自動檢查並提出修正建議。」

此外，團隊也重新認識了誰才是真正的日常使用者。「我們一開始以為，使用者會是是製造廠工程師，畢竟他們每天都在看 datasheet、檢查元件的相容性。」，Shyam 說，「天天在這些工具裡工作的，是 零件管理員（librarians）、零件工程師、採購以及合規部門。他們最在意的是『正確性』與『可追溯性』，就算要因此耗費數百小時，也要確保正確性。」

相較之下，時間壓力更多落在下游的品牌與專案負責人身上。「例如對於 Apple 這樣的國際品牌來說，一旦延遲錯過市場機會，產品生命週期的利潤甚至會減少 20%–30%。」

 這些經驗讓 Niyam AI 團隊體會到，產品不僅要滿足第一線工程師對正確性的高度要求，還必須在使用體驗上做到零阻力，同時讓管理層也能清楚感受到時間效益的提升。「唯有如此，Niyam 才能成為供應鏈中不可或缺的一環，而不是另一個被打開一次就遺忘的 dashboard。」

Niyam：為製造業建立「新秩序」

經過多次試點與驗證，Niyam AI 已成功進入多家大型 EMS 與 ODM 的視野，並於 2025 年入選緯創加速器。這不僅讓團隊能在真實場景中加速測試與迭代，更象徵全球最大製造商之一對其潛力的認可，也成為打開市場的重要敲門磚，目前已有全球前十大製造商與其進行試點合作。

Niyam 不只是用來抓錯誤，而是重新塑造工程師的工作流程。Shyam 強調：「在這個產業裡，即使 1% 的效率提升，都可能轉化為數十億美元的收益。」

對 Shyam 而言，這只是開始。他的願景十分清晰：5-7 年內，Niyam AI 將成為全球 2 兆美元電子供應鏈的基礎設施。 「我相信所有一線的 EMS、ODM 與 OEM 都會使用我們的系統，從 datasheets、BOM，到替代料、認證，甚至元件擺放。過去需要人工操作、分散孤立又充滿錯誤的流程，將變得完全自動化。硬體終於能像軟體一樣快速迭代。不管你在世界上任何地方打造電子產品，Niyam AI 都會在背後確保不會有任何疏漏。」

如同 Niyam 這個名字來自梵文，意為「規則」與「生活方式」。這正是團隊的目標：把維繫硬體安全的規則，化為內建在 ECAD 與 PLM 中的日常運作，讓「紀律」自然而然成為整個供應鏈的默契與標準。