心得筆記

網路行銷

Google AI Overview 當道:organic CTR 剩 8%,SEO 怎麼活?

一句話結論

AI Overview 不是 SEO 的終點,而是迫使內容從追點擊轉向建立可引用答案、品牌信任與更深層的搜尋意圖承接。

Organic CTR 剩 8%,SEO 怎麼活?

你的排名沒掉、內容沒變,但流量卻少了三成。不是你的問題——是 Google 改了遊戲規則。5 項獨立研究、超過 300 萬筆數據,揭開 AI Overview 對 organic CTR 的真實衝擊,以及你現在就該做的事。


一段話總結

Google 的 AI Overview(AIO)正在系統性地吸走 organic 點擊。Pew Research 實測用戶行為:有 AIO 時僅 8% 會點 organic 連結,沒 AIO 是 15%——直接砍半。Ahrefs 追蹤 30 萬關鍵字:Position 1 的 CTR 下降 58%。Seer Interactive 分析 2,510 萬次曝光:organic CTR 跌 61%。DMG Media(Daily Mail 母公司)內部數據:從 25.2% 跌到 2.8%,跌幅 89%。

數據方向一致:AI Overview 把傳統搜尋流量攔截在 Google 的圍牆花園裡。


五大研究一次看

1. Pew Research Center|學術級面板數據

2025 年 7 月發表,追蹤 900 位美國成年人的實際瀏覽行為(不是工具估算)。

指標 有 AI Overview 無 AI Overview
點擊 organic 連結 8% 15%
點擊 AIO 內連結 1%
直接結束搜尋 session 26% 16%
  • AIO 在研究期間出現在 18% 的搜尋
  • Google 回應稱方法論「有缺陷」,但 Pew 是 peer-reviewed 的研究機構,樣本具人口代表性

來源Pew Research CenterSearch Engine Land 報導


2. Ahrefs|30 萬關鍵字兩階段研究

2025 年 4 月首次發布(-34.5%),2026 年 2 月用更大樣本更新。

  • 樣本:30 萬 keywords,GSC 聚合數據,對比 2023 年 12 月(AIO 前)vs 2025 年 12 月
  • 發現:有 AIO 時 Position 1 的 CTR 下降 58%
  • Ahrefs 的首次研究(-34.5%)已被超過,影響持續惡化

“Assuming AI Overviews stay in this current form, this is also likely the highest the CTR will be.”
— Ryan Law, Ahrefs Content Marketing Director

來源Ahrefs Update Study


3. Seer Interactive|業界最嚴謹的實測

追蹤 15 個月、跨 42 個組織的長期數據。

  • 樣本:3,119 個資訊型 queries、2,510 萬 organic impressions、110 萬 paid impressions
  • Organic CTR:1.76% → 0.61%(-61%
  • Paid CTR:19.7% → 6.34%(-68%
  • 即使沒出現 AIO 的 queries,organic CTR 同樣 YoY 下降 41%

關鍵洞察:被 AIO 引用的品牌獲得 35% more organic clicks + 91% more paid clicks。AIO citation 已成為新的 “Position Zero”。

來源Seer InteractiveSearch Engine Land 報導


4. DMG Media(Daily Mail)|出版業的極端案例

DMG Media 在 2025 年公開內部數據:

  • Desktop CTR:25.2% → 2.8%(-89%
  • 這是有史以來公開的最大幅度 CTR 跌幅
  • 說明資訊型內容(新聞、百科、how-to)受衝擊最嚴重

5. Authoritas + Amsive|行業細分數據

Authoritas(700K keywords):
– Top organic link CTR 下降 ~79%
– Desktop 流量 -56.1%、Mobile -48.2%
– 70% 的 AIO 引用頁面在 2-3 個月內更換 → citation 極不穩定

Amsive(700K keywords、5 行業):
– 平均 CTR:-15.49%
– 非品牌詞:-19.98%
– 排名 3 以後:-27.04%
– AIO + Featured Snippet 同時出現:-37.04%(最大衝擊)
– ⚡ 品牌詞反而上升 +18.68%——AIO 強化品牌權威性


宏觀數據:不只是 CTR 的問題

指標 數據 來源
Zero-click 搜尋佔比 69%(2024.05 為 56%) Similarweb
AIO 觸發率(全球) 18-20% 的搜尋 Pew / SeoProfy
AIO 在品牌搜尋出現率 89% GoodFirms
Google Search 收入 YoY +17%(Q4 2025) Alphabet 財報

模式很清楚:更多查詢 → 更少 organic 點擊 → 更多廣告收入。Google 正在系統性地把流量留在自己的生態裡。


誰受影響最大?按內容類型拆解

AIO 對不同類型內容的衝擊差異巨大。

內容類型 CTR 影響 原因
資訊型(How-to、百科) -60% ~ -89% AIO 直接給出答案
比較型 -40% ~ -60% AIO 提供摘要表
交易型 -20% ~ -30% 買家仍有意圖
品牌搜尋 +18.68% AIO 強化權威
長尾 影響較小 AIO 觸發率低

現在該怎麼做?5 個行動方向

① 從「排名」轉向「被引用」

用 H2/H3 明確問答、結構化內容、Schema markup 、前 100 字給答案。

② 投資品牌詞

品牌搜尋 + AIO = CTR +18.68%。在社群、Podcast、YouTube 持續曝光。

③ 追蹤 AI Visibility

AIO citation 頻率、AI Share of Voice、Branded search lift。

④ 長尾關鍵字是避風港

重分配 content strategy,用 內容系統 批量產出長尾。

⑤ 建立內容護城河:原創數據 + 專家觀點

AIO 只引用有原始出處的內容。


常見問題

AI Overview 會讓 SEO 死掉嗎?

不會,但只做傳統 SEO 的人會越來越難生存。

我的網站流量下降,是因為 AIO 嗎?

不一定。先檢查是否觸發 AIO、排名是否同步下降。

小網站還有機會嗎?

有,長尾反而更有機會。關鍵字研究加打游擊戰。

應該減少內容產出嗎?

改變方向,用 系統 管理高品質原創內容。


延伸閱讀

讀書心得

AI 的胃口變了——CPU 成為下一個戰場

一句話結論

AI 基礎設施的新瓶頸不只在 GPU,而在 CPU、記憶體、網路與資料流協同;當 AI 從回覆變成執行任務,整套系統都會被重新壓測。

SemiAnalysis 最新報告揭示:當 AI 從「打字員」變成「打工仔」,真正被搶爆的不是 GPU,是 CPU。

AI 的胃口變了——CPU 成為下一個戰場

一句話講完

全世界砸了幾千億美金搶 GPU,結果現在被卡住的竟然是 CPU。

半導體分析機構 SemiAnalysis 的 Dylan Patel 在 4/8 的深度訪談中丟出了一個反直覺的結論:過去六個月,雲端市場上所有 CPU 已被完全耗盡。不是因為大家突然開始挖礦,而是 AI 的工作型態正在發生根本性轉變。

這件事跟每一個用 AI 工作的人都有關係。往下看。

到底發生了什麼事?

1️⃣ AI 從「打字」進化到「打工」

兩年前的 AI 是什麼樣子?你丟一個 prompt,它回你一段文字。就這樣。CPU 幾乎沒事做,所有壓力都在 GPU 上。

現在呢?Agent 時代來了。

  • Claude Code 能連續自主工作 6-8 小時,自己查資料、自己跑 code、自己驗證結果
  • 這些 Agent 不只呼叫 GPU 做推理,還需要大量 CPU 做資料庫查詢、環境模擬、狀態管理
  • Code Agent 市場收入在半年內從數十億暴增到超過 1000 億美元

簡單講:以前一個 request 跑 0.5 秒就結束,現在一個 Agent task 跑好幾個小時,而且中間每一步都需要 CPU 介入。

2️⃣ 強化學習的訓練迴圈把 CPU 推到極限

未來的 AI 不只解數學題,還要在物理模擬器裡跑。這代表 RL 訓練時,模型生成的每一步都需要在 CPU 叢集上高頻驗證。

Dylan Patel 的原話:「這個迴圈在過去幾年越來越緊,過去六個月我們看到雲端上所有 CPU 都被跑滿了。」

3️⃣ Microsoft 的 CPU 直接賣到缺貨

市場需求暴增的後果?雲端算力被榨乾。據報,Microsoft 的 CPU 庫存已經售罄,甚至影響到 GitHub 的服務穩定性。

你沒看錯——一家全球最大的雲端廠商,CPU 不夠用了。

供應鏈的連鎖反應

這不只是「雲端 CPU 不夠」這麼簡單。SemiAnalysis 在 3 月的另一份報告「The Great AI Silicon Shortage」裡描繪了一個更完整的圖景:

瓶頸具體狀況
TSMC N3 晶圓2026 年所有 AI 晶片(NVIDIA Rubin、AMD MI350X、Google TPU v7、AWS Trainium3)同時轉進 3nm,AI 需求將吃掉 N3 近 60% 產能
記憶體HBM 需求暴增,產能跟不上,DRAM 價格壓力沿供應鏈蔓延
矽晶圓重新分配的算術把智慧手機 N3 晶圓的 5% 轉給 AI → 多產 10 萬顆 Rubin GPU 或 30 萬顆 TPU v7
資本支出暴增Google 2026 capex 預期翻倍;但受限於矽晶圓產能,想花更多錢也花不出去

另一個值得關注的數字:Anthropic 光 2 月一個月就新增 60 億美元 ARR,主要靠 Claude Code 的 agent 編程 adoption。SemiAnalysis 的說法是:「如果有更多算力,他們還能賣更多。」

這件事對我們意味著什麼?

作為一個在 IoT 產業工作、同時重度使用 AI 工具的人,我看到三個影響:

1️⃣ 雲端 AI 工具的訂閱費只會更貴

CPU 被搶爆 → 雲端廠商成本上升 → 這些成本最終會轉嫁到用戶身上。如果你覺得 ChatGPT Pro 或 Claude Max 已經夠貴了,做好心理準備——算力稀缺的時代才剛開始。

2️⃣ 本地部署和 Edge Computing 的戰略價值被重新放大

這也是為什麼我一直關注本地 AI 方案的原因。當雲端 CPU 都不夠用了,靠雲端的解決方案成本結構只會越來越糟。

在工業場景尤其如此——你不會想讓工廠的預測性維護系統跟全世界的 AI Agent 搶同一個雲端 CPU 池。本地推理、Edge AI 不是「省錢的替代方案」,而是「在雲端算力稀缺時代的理性選擇」。

3️⃣ 這不只是硬體問題,是 AI 工作方式的根本轉變

以前我們用 AI 的方式是「問問題 → 拿答案」,CPU 確實不重要。但 Agent 時代的 AI 是「自主執行任務 → 持續交互 → 多步驟驗證」,每一步都吃 CPU。

這代表 AI 基礎設施的規劃不能再只盯著 GPU 了。CPU、記憶體、網路頻寬、儲存 I/O——整個 stack 都需要重新評估。

結語

SemiAnalysis 這份報告最值得玩味的地方在於:它揭示了一個所有 AI 從業者都需要面對的現實——AI 的進步速度已經超過了基礎設施的供給能力

我們花了三年拼命造 GPU,結果發現瓶頸跑到了 CPU 上。我們拼命擴張雲端產能,結果發現 TSMC 的晶圓不夠分。

這不是短期波動,是結構性轉變。

而對我們這些日常重度使用 AI 工作的人來說,最實際的建議是:認真考慮本地化部署方案,不要再把所有雞蛋放在雲端的籃子裡。

資料來源:SemiAnalysis「CPUs are Back: The Datacenter CPU Landscape in 2026」(2026/4/8)、「The Great AI Silicon Shortage」(2026/3/12)

常見問題

為什麼 AI 會讓 CPU 變重要?

因為長任務、資料前處理、工具調用與多代理協作會增加 CPU 與系統協調負載,不只是模型推理需要 GPU。

這代表 GPU 不重要了嗎?

不是。GPU 仍是核心算力,但 AI 系統的瓶頸正在從單點算力轉向整體架構。

企業部署 AI 時該注意什麼?

除了模型和 GPU,還要評估資料管線、CPU 配置、記憶體、儲存、網路和監控能力。

讀書心得

企業私有化 AI 模型部署指南:零門檻微調到上線 5 步驟

一句話結論

企業私有化 AI 部署的難點不是把模型跑起來,而是讓資料、微調、部署、介面與資安審查形成一條能維護的落地流程。

為什麼你的 AI PoC 永遠活不過資安審查?

企業私有化 AI 模型部署指南:零門檻微調到上線 5 步驟

每次去參加業界 AI 論壇,台上講的永遠是「顛覆性創新」。但台下真正推動過 AI 落地的人都知道——現實有多可笑。

你花好幾個禮拜寫出完美的 AI 助理 PoC,用 OpenAI 的 API。Demo 那天老闆眼睛發亮,隔天資安部門一盆冷水潑下來:「你想把公司機密丟上公有雲?門都沒有。」專案直接宣佈死亡。

然後大家回到座位上,繼續用那套老掉牙的系統下關鍵字找客服紀錄。

我見過這場景不下十次。 問題不是技術不成熟——是太多人只會選最簡單(也最危險)的路,直接 call 外部 API,然後被資安打槍。

企業要的根本不是多酷炫的技術名詞,而是一套資料絕對不出內網、且不需要養一票頂級工程師也能動的解決方案。

很多人以為微調大模型需要博士學位跟超級電腦。那是三年前的事了。 今天,靠現成的開源工具就能打通工作流。以下是我親自跑過、真正能在企業內部落地的 5 階段指南。不談玄學,只談怎麼把手弄髒。


第一階段:數據準備——搞 AI 不是先買顯卡,是先洗資料

痛點指數:⭐⭐⭐⭐⭐|技術門檻:低

所有的 AI 模型都是「垃圾進,垃圾出」。不要幻想把幾十個爛泥般不經清理的 Excel 丟進去就能煉出黃金。

你需要做三件事:

  • 篩選高品質語料——已結案的客服紀錄、產品手冊、內部文件。別什麼都塞
  • 敏感資訊遮蔽(Data Masking)——這是徹底堵住資安部門嘴的關鍵動作
  • 統一格式——建議 instruction + output 兩欄,CSV 或 JSONL

有預算:資料虛擬化平台

如果公司有 Denodo 這類企業級工具,恭喜,這步很爽:

  1. 在 VDP 篩選已結案的高品質紀錄
  2. 用內建 SQL 剔除空值,自動去識別化(姓名、電話、信用卡號)
  3. 無縫匯出 CSV/JSONL

但老實講,90% 的公司不需要這麼重的武器。

沒預算:照樣搞定

路線 A — SQL VIEW(最暴力直接): 如果語料在資料庫裡,別把事情複雜化。寫個 VIEW,用 WHERE 篩高品質紀錄,用字串函數把電話中間四碼換成 *,匯出搞定。

路線 B — Python + Pandas + Presidio(自動化浪漫): 微軟開源的 Presidio 能自動識別人名和信用卡號並遮蔽。寫一支腳本掛排程,每個月自動產出乾淨語料,效率高到可怕。

路線 C — Airbyte + dbt(現代開源數據棧): 如果資料散落在 Salesforce、Zendesk 和內部資料庫,用 Airbyte 把資料集中,dbt 管理清洗邏輯。

方案適合場景上手難度
SQL VIEW語料在關聯式資料庫⭐ 最快
Python + Presidio需要自動化遮蔽敏感資訊⭐⭐ 靈活
Airbyte + dbt資料散落多系統⭐⭐⭐ 最現代

第二階段:模型微調(Unsloth Studio)——把煉丹變成拖曳遊戲

痛點指數:⭐|技術門檻:極低(耗時 30 分鐘 ~ 幾小時)

聽到「微調」就想到工程師盯著終端機跑三天三夜?那是 2023 年的事了。

Unsloth Studio 把微調變成視覺化的可控工程:

1️⃣ 選對地基模型——挑中文語意強的開源大模型:

   – Gemma4 系列——通用性最強,生態最成熟

   – Qwen 系列——中文表現突出,對中文企業語料特別友好

2️⃣ 載入你的語料——把第一階段產出的乾淨資料拖進 Data Recipes 模組,做最後格式對齊。

3️⃣ 點擊 Train——Unsloth 對顯存(VRAM)的極致優化會讓你驚豔。以前跑整天的任務,現在喝幾杯咖啡的時間就搞定。

4️⃣ 殘酷對決測試——用內建 Arena 介面做 A/B 測試。親眼看著它從「只會講幹話的通用模型」,變成「熟讀你們公司產品手冊的專業助理」。

⚠️ 踩坑提醒: 微調前千萬別跳過資料清洗。垃圾進垃圾出這件事,Unsloth 救不了你。


第三階段:格式導出——把武林高手瘦身成能部署的大小

痛點指數:⭐|技術門檻:零

訓練好的模型就像內功深厚但體型龐大的武林高手。你需要把它打包瘦身,才能靈活部署。

  1. 在 Studio 選 Export,轉為 GGUF 格式
  2. 量化版本閉著眼睛選 Q4_K_M——這是推論速度與準確度最完美的甜蜜點
  3. 把這包幾 GB 的檔案移到你們的伺服器上

就這樣,三步搞定。 不需要再花時間研究 GPTQ、AWQ。GGUF + Q4_K_M 是目前本地部署的黃金標準。


第四階段:後端部署(Ollama / vLLM)——一行指令上工

痛點指數:⭐⭐|技術門檻:低(耗時 5 分鐘)

Ollama 是目前本地部署最乾脆的工具,沒有繁瑣的環境相依地獄。

Bash

# 一行指令,把你的 GGUF 變成可呼叫的服務
ollama create my_company_model -f Modelfile

載入完畢,localhost:11434 API 端口自動開啟。你的專屬模型已經醒著準備接客。

未來全公司幾十個人要同時用,扛不住併發時,再無痛切換到 vLLM

需求推薦
小團隊測試 / PoCOllama(最簡單)
50+ 人同時使用vLLM(高併發吞吐量明顯優勝)
GPU 叢集規模化vLLM + Ray

第五階段:前端對接——給非技術人一個說人話的介面

痛點指數:⭐|技術門檻:低

讓業務或行銷同事面對黑漆漆的 API 端口?這專案還是死路一條。

用現成的開源工具把門面撐起來:

  • Dify——部署快、介面成熟、支援 RAG
  • Open WebUI——輕量、ChatGPT 風格、上手零門檻

把後台指向 Ollama 的 API,整個飛輪就轉起來了:

同事在網頁輸入問題 → 呼叫本地 API → 專屬模型根據公司語料回答 → 顯示結果

從提問到回答,資料全程沒離開過公司內網。


實務碎碎念:兩件最現實的事

硬體門檻沒你想的那麼高

訓練(微調)階段確實需要像樣的 GPU——建議 VRAM 至少 12GB 起跳。 低於這個門檻,跑起來的時間成本會讓你懷疑人生。

但在推論部署階段,硬體要求其實很親民。

這是我實測的落地配備: 我自己跑本地 AI 推論的配備是 RTX 5070 Ti + Ryzen 7 9700X,這個組合在應付幾 GB 的本地模型時就已經做到絲滑順暢。不需要一開始就砸百萬買企業級伺服器。

資安合規是這套方案最大的護城河

  • 🔒 資料從撈取到最後 Chatbot 回答,全程沒離開過公司內網
  • 🔒 擁抱了最新科技帶來的效率,也完美守護了企業機密
  • 🔒 資安部門不會再翻桌——因為根本沒有資料出境的風險

AI 從來不是魔法,它是一個個工具與精確流程堆疊出來的生產力槓桿。 與其焦慮被時代淘汰,不如捲起袖子把流程理順。效率自然會跟著來。


你有在公司內部推動過 AI 專案嗎?卡在哪一關?留言聊聊 👇

常見問題

企業為什麼要私有化部署 AI?

主要原因是資料安全、合規、成本控制與客製化能力,尤其是內部知識和敏感資料不能外流時。

私有化 AI 部署第一步是什麼?

第一步不是買硬體,而是整理資料、定義任務與確認部署後誰會使用。

Ollama 和 vLLM 適合什麼場景?

Ollama 適合快速原型與本地測試;vLLM 較適合需要高吞吐量與服務化部署的場景。

讀書心得

如何讓 MiniMax 2.7 可以分析圖片:全面解讀MiniMax的圖片辨識迷思

如何讓 MiniMax 2.7 可以分析圖片:全面解讀MiniMax的圖片辨識迷思

Tool Calling 真的能解封 MiniMax 底層的視覺神經嗎?

最近在玩 OpenClaw、Hermes 這類 AI Agent 框架時,我一直在找那種「便宜、好用、又能扛事」的雲端大腦。MiniMax 2.7 就是很多人會想到的選項之一,畢竟它在文字推理、對話、長上下文這些地方,表現真的不差。

但它有個很明確的限制:不支援圖片輸入

只要你直接把圖片丟進去,通常就是報錯,沒有什麼模糊空間。
也因為這樣,網路上就開始出現一種很玄的說法:

只要透過 Tool Calling,把圖片轉成 Base64 塞進去,就能解封 MiniMax 底層的視覺神經。

這句話聽起來很猛,像是找到什麼隱藏捷徑一樣。
但實際測下去,結論很簡單:沒有這種事。


先講結果:不是破解,是誤會

我自己去試了一輪,結果其實滿明顯的。

如果是正常把圖片用 image_url 丟給 MiniMax 2.7,API 直接擋掉,回 400 錯誤。這很好理解,因為它本來就不是多模態模型。

但如果換個方式,把圖片轉成 Base64,然後丟到 Tool Calling 的流程裡,表面上看起來好像成功了,因為 API 沒報錯。

問題是,沒報錯不代表有看懂。

模型根本沒有真的描述出圖片內容,反而在我追問它的時候,開始胡亂猜,甚至把一張白底黑字的測試圖說成「日本收銀機收據」。

這種時候就很清楚了:
它不是看見了圖,只是看見了一串字串,然後開始發揮它最擅長的事情,亂補上下文


Base64 不是圖片理解

很多人會卡在這一步。

Base64 的確可以把圖片變成一段文字,看起來好像已經「送進模型」了。
但問題是,文字模型看到的還是文字,不是圖片。

你可以把它想成這樣:

  • 圖片原本是一張照片
  • Base64 只是把照片編碼成字串
  • 純文字模型拿到後,只會把它當成一串亂碼在讀

所以它不會突然學會辨識車標、人物、字體、場景。
它只是在讀一段它看不懂、但又想猜的資料。

這也是為什麼有些回答會看起來「好像有點像」,但細看又完全不對。
那不是視覺能力,那是幻覺。


那 Hermes Agent 為什麼真的能看圖?

這才是重點。

很多人看到 Hermes Agent 可以準確認出照片裡的車標、貼紙,甚至連角色圖像都能講得很細,就會以為 MiniMax 2.7 暗中開了視覺功能。
其實不是。

關鍵在它的工作流不是「直接把圖片丟給文字模型」,而是先走了一個真正的工具鏈。
在執行紀錄裡,通常會看到像這樣的東西:

mcp_minimax_understand_image: "請詳細描述這張圖片的內容,包含車子細節、貼紙內容等"

這行很重要。因為它代表的不是「模型自己看圖」,而是:

  1. Agent 偵測到圖片
  2. 呼叫外部的視覺工具
  3. 由真正有看圖能力的模型去分析
  4. 把分析結果轉成文字
  5. 再交給 MiniMax 2.7 做文字整理和回應

也就是說,MiniMax 2.7 在這裡扮演的不是「視覺大腦」,而是「文字大腦」。

它擅長的是把外部工具回傳的資訊,整理成自然、連貫、符合人設的回答。
真正看圖的那一步,根本不是它做的。


Tool Calling 的正確用途,不是偷開視覺功能

Tool Calling 其實很強,只是很多人把它用錯方向了。

它的價值不是讓文字模型變成多模態模型,而是讓模型可以協調外部工具。
換句話說,Tool Calling 比較像是「指揮系統」,不是「感官系統」。

如果拿來比喻:

  • MiniMax 2.7 是會講話、會推理的腦袋
  • 視覺模型是負責看圖的人
  • Tool Calling / MCP 是中間負責接線和協調的流程

這樣分工才合理。
你不能期待一個純文字模型,只因為能呼叫工具,就自己長出眼睛。


為什麼這種說法特別容易讓人誤會?

因為流程看起來真的很像成功了。

圖片被轉成 Base64
Base64 被塞進工具流程
API 沒報錯
模型也有回應
最後整個結果看起來像是「有讀到圖」

但這裡有個很大的陷阱:
有回應,不代表有理解。

模型如果只是看到一串亂碼,然後根據上下文去猜,它照樣可以講得頭頭是道。
只是這些話有時候碰巧接近真相,有時候就完全跑掉。

這種狀況在 AI 裡很常見,也就是大家常講的 hallucination。
不是模型真的知道,而是它很會把不知道的部分補起來。


真正想做圖片理解,應該怎麼做?

如果你是要做 AI Agent,想讓它真的能處理圖片,做法其實不複雜:

1. 讓文字模型做協調

像 MiniMax 2.7 這種模型,很適合拿來做:

  • 對話
  • 任務拆解
  • 結果整理
  • 文本生成
  • 角色扮演

2. 把圖片交給真正會看圖的工具

例如:

  • MCP 視覺服務 (官方: https://github.com/minimax-ai/minimax-mcp)
  • Vision API
  • OCR 工具
  • 多模態模型

如果你跟我一樣使用Hermes遇到了Minimax無法使用MCP的問題,可以把這則PR丟給AI,讓他去閱讀: https://github.com/NousResearch/hermes-agent/pull/16012

3. 把視覺結果轉成文字再丟回來

讓視覺工具先描述:

  • 圖片裡有什麼
  • 字是什麼
  • 物件有哪些
  • 場景大概怎麼樣

然後再由文字模型把這些資訊整理成最終回答。

這樣才是穩的。
不是硬把圖片塞給純文字模型,而是讓每個工具做自己最擅長的事。


最後講白一點

這次測下來,其實可以很直接地說:

Tool Calling 並不能解封 MiniMax 2.7 的視覺能力。

它不是什麼隱藏功能,也不是什麼繞過限制的秘技。
如果模型本來就沒有視覺輸入能力,那你把圖片轉成 Base64,也不會 magically 變出眼睛來。

真正能讓 Hermes Agent 看懂圖片的,不是 MiniMax 2.7 突然進化了,
而是它背後真的接了視覺工具,先把圖看懂,再交給文字模型處理。

所以如果你下次又看到那種「破解底層封印視覺」的說法,大概可以先冷靜一下。
想要圖像理解,就老老實實接真正的多模態工具。
靠玄學,最後通常只會得到一堆看起來很像、其實不太對的回答。

讀書心得

用AI寫爬蟲下載無廣告小說

用 AI 寫 Python 爬蟲下載小說並轉存 epub 電子書

看網路小說最討厭的就是滿版廣告、每頁都要手動翻。一個 AI prompt 搞定,讓 Python 自動幫你把整本小說爬下來、去掉廣告、打包成 epub 電子書。

這個方法能幫你做什麼?

只要貼一段 prompt 給 ChatGPT 或任何 AI 工具,它就會自動幫你:

  • 從小說網站抓取所有章節連結
  • 逐章下載正文,自動清理廣告和多餘標籤
  • 下載圖片並嵌入 epub
  • 輸出帶目錄的 epub 電子書

全程不用寫一行程式碼,5 分鐘搞定。如果你也對 AI 自動化有興趣,推薦看這篇:為什麼你一定要學如何使用 OpenClaw?,裡面有更多 AI 實戰應用。

需要準備什麼?

  • 一個 AI 工具(ChatGPT、Claude、Gemini 都可以)
  • 你想下載的小說網址

就這樣。不需要安裝 Python,不需要裝套件,AI 會幫你把程式碼都寫好。

完整 Prompt 範例

把以下 prompt 貼給 AI,把 [url] 換成你要爬的小說首頁:

幫我用 Python (requests + BeautifulSoup + ebooklib) 寫一個爬蟲:

  1. 目標:[url]
  2. <ul class="nav chapter-list" id="chapter-list"> 抓所有 <a href="…">
  3. 依序進入每個 href,取 <div class="name"> 當章節標題,<div class="content"> 當正文
  4. 正文清理:去掉 <br>、頁尾的 “TOP” 連結、廣告 div
  5. 每次請求間隔 1-2 秒,帶 User-Agent
  6. 遇到 404 跳過並 print 記錄
  7. 圖片下載並嵌入 epub
  8. 最後輸出 epub,封面用第一張圖或留白,目錄自動生成

實際執行心得

試了幾個小說網站,AI 產出的程式碼大概 8 成可以直接跑。常見需要微調的地方:

  • 網站結構不同:每個小說站的 HTML 結構不一樣,chapter-list 這個 class name 要換成目標網站實際用的
  • 反爬機制:有些站會擋固定 IP,加上 User-Agent 和間隔請求通常能解決
  • 編碼問題:少數網站用 GBK 編碼,需要在 requests 裡指定 response.encoding = 'gbk'

常見問題

AI 產出的程式碼跑不動怎麼辦?

把錯誤訊息直接貼回給 AI,它會幫你改。這比自己 debug 快很多。

可以用在付費章節嗎?

不行。這個方法只能抓網站上公開免費的內容。需要登入或付費的章節無法存取。

epub 檔案太大怎麼辦?

如果小說圖片很多,epub 可能很大。可以在 prompt 裡加一句「不要下載圖片」,這樣出來的 epub 會小很多。

讀書心得

未來的行銷,不是學更多工具,而是建立一套會自己運轉的內容系統

我越來越確定:未來的行銷,不是學更多工具,而是先有一套會自己運轉的內容系統

這一年我越來越常看到一種很矛盾的現象。

一方面,大家手上的工具比以前多太多了。

寫文有 AI、排程有工具、搜尋有模型、做圖有平台、做影片有模板,理論上我們現在做內容的速度,應該比過去快非常多。

但另一方面,我也越來越常看到另一件事:工具越多,內容反而越容易做亂。

很多人不是不認真,也不是不願意學。相反地,很多卡住的人,往往就是最認真學工具、最願意研究新方法、最容易被新平台吸走注意力的人。

他們不是沒有產能,而是每次發文都像重新開機一次。題目重想一次、架構重排一次、平台重改一次,發完之後就結束,沒有留下任何可以複用、可以延伸、可以累積的東西。

所以我最近越來越確定一件事:未來的行銷競爭,不是比誰學會更多工具,而是比誰先建立一套會自己運轉的內容系統。

這句話聽起來很像在講流程管理,但我想講的其實不是 SOP,也不是企業顧問很愛講的那種標準化口號。

我真正想講的是,當工具越來越便宜、AI 越來越普及之後,真正稀缺的東西不再是「會不會用工具」,而是你有沒有辦法把內容這件事,從一次性的輸出,變成一套可重複運作的系統。

很多人內容做不起來,不是因為不夠努力,而是每次都從零開始

我覺得內容經營最容易讓人疲勞的地方,不是寫作本身,而是那種反覆從零開始的感覺。

今天想題目,明天改標題,後天再想這篇到底要發在部落格、LinkedIn、Threads 還是 Facebook。等到好不容易整理出一篇內容,發布之後又像打掉重練,因為沒有任何後續延伸,也沒有任何機制把這次的成果接到下一次的輸出。

這種狀態短期內還撐得住,尤其是你剛開始做內容、熱情還在、靈感還很多的時候。

但只要時間拉長,你就會很明顯地感受到一件事:靈感型創作可以撐過一陣子,撐不過長期經營。

這不是能力問題,而是設計問題。

很多人以為自己缺的是更好的 prompt、更會寫的 AI、更強的工具組合。但實際上,工具解決的是局部效率,系統解決的是整體運轉。

如果你沒有內容系統,AI 很多時候只是在幫你更快做出更多分散的東西。產量可能變高了,但內容沒有變得更穩、更有累積感,也沒有更接近商業目標。

所以真正拖慢內容的,不一定是你動作不夠快,而是你根本沒有一條可以穩定重複走的路。

工具只會加速原本的結構,沒有結構的人,只會放大混亂

這也是我現在看 AI 工具最明顯的感受。

很多人以為 AI 會解決內容焦慮,結果最後只是把焦慮加速而已。

以前是一週想一次「我要寫什麼」,現在變成一天可以生出十個題目,但還是不知道哪個真的值得做。以前是一篇文寫得慢,現在是三篇文都能很快生出來,但沒有一篇真的符合品牌定位,也沒有一篇和你的產品、服務或受眾需求真正對上。

所以我越來越不相信「工具多 = 內容成熟」這種說法。

因為工具只是外掛,真正的底盤還是你的內容系統。

你有沒有穩定的主題來源?

你有沒有核心觀點可以反覆延伸?

你有沒有一篇長文拆成不同平台版本的機制?

你知不知道每一篇內容最後要帶人走到哪裡?

如果這些問題都還沒有答案,那你現在做的很多內容,本質上還是一次性的。

我自己越來越傾向把這件事講得更直接一點:

會不會用工具,影響的是一篇內容做得多快;有沒有內容系統,影響的是你能不能持續做三個月、六個月、一年。

什麼是內容系統?不是很重的 SOP,而是一套反意志力設計

很多人一聽到「系統」就會本能排斥,覺得是不是要把自己變成內容工廠,或者把每一步都流程化到失去彈性。

但我理解的內容系統,不是這種東西。

它比較像是一種反意志力設計。

也就是說,你不是每天都在逼自己變得更有紀律,而是先把內容的運作方式設計好,讓自己不需要每次都靠當天的狀態、情緒和靈感來決定有沒有輸出。

如果要用一句最白話的方式定義,我會這樣講:

內容系統,就是把靈感、產出、分發、再利用、轉換,變成一條可以重複運作的路,而不是每次都從零開始。

這件事的好處,不只是讓你比較不累。

更重要的是,它會讓你的內容開始有「資產感」。

今天做的一篇內容,不會只活一天。

它可以變成下週的 Threads,可以變成下個月的 LinkedIn,可以變成未來課程的一部分,也可以變成客戶理解你價值的入口。

當內容從一次性勞動變成可累積資產,你才會真正感受到系統的威力。

一套最基本的內容系統,至少要有五個模組

主題庫:不是想到什麼寫什麼,而是知道哪些題目值得反覆做

很多人內容做不穩,最根本的原因不是不會寫,而是題目來源太隨機。

今天看到一篇文章有感就寫,明天被一個新聞刺激又寫,後天突然想講工具,再過兩天又換成別的方向。這種做法短期內看起來很多元,但長期會讓品牌印象變得很散。

所以我覺得內容系統的第一個模組,不是寫作,而是主題庫。

主題庫不是靈感備忘錄而已,它應該和三件事綁在一起:

你的受眾到底一直在卡什麼

你的品牌真正想搶哪個觀念的詮釋權

你的產品或服務最後要承接哪一類需求

如果這三件事沒有對齊,那你就算很會寫,也很容易寫出很多「看起來不錯,但累積不起來」的內容。

內容工作流:讓每一篇內容都不是臨時起意

第二個模組是工作流。

很多團隊其實不是完全沒有流程,而是流程只存在某個人的腦子裡。

知道怎麼選題的是某一個人,知道怎麼改標題的是某一個人,知道怎麼把 blog 轉成社群的是某一個人。一旦那個人沒空,整條內容鏈就停住。

所以工作流的價值,不是把事情變官僚,而是讓內容從選題、草稿、編輯、發布,到最終分發,都有一條基本可重複的路。

不一定要很重,但至少不能每次都靠現場發揮。

內容再利用機制:一份洞察,應該有多次輸出的價值

我覺得這是很多人最常忽略,但其實最值得先補的一塊。

很多人寫完一篇長文,就把它當成結束。

但在我看來,真正有效率的內容經營不是多寫,而是讓同一份核心洞察發揮最大價值。

一篇長文,本來就可以拆成:

一則 LinkedIn 觀點文

一串 Threads

一封電子報摘要

一段短影音腳本提綱

幾句可重複引用的 punchline

這不是偷懶,而是內容本來就應該有再利用機制。

如果每個平台你都重做一份,久了只會越做越累,而且風格還很容易失真。

分發節奏:內容不是寫完就完成,而是被看見才有意義

很多人其實已經願意寫內容,但發布這件事常常處理得很隨機。

有空就發、想到就發、某個平台突然有靈感就發,沒有節奏,也沒有角色分工。

但內容真正的問題不是「有沒有寫」,而是「有沒有被對的人看到」。

所以內容系統一定要包含分發節奏。

你不需要每個平台都很勤,但你要知道:

什麼內容適合留在 WordPress 做長期 SEO 累積

什麼內容適合放 LinkedIn 建立專業定位

什麼內容適合在 Threads 種觀點、收互動、養共鳴

平台不是越多越好,而是每個平台都要有自己的任務。

商業回收機制:內容最後要回到品牌與產品,不只是曝光

最後一個模組是最多人不想面對,但其實最重要的:商業回收。

如果內容只是發出去,看起來有流量、有觸及、有互動,但最後沒有回到任何商業路徑,那它很容易變成一種很忙但不一定有效的活動。

內容應該要知道自己在幫哪一段流程服務。

是幫陌生人理解你的觀點?

是幫潛在客戶建立信任?

是幫某個產品鋪路?

還是幫讀者形成「這件事該找你」的印象?

沒有這個模組,內容很容易只剩表面上的勤奮。

AI 最適合放在系統裡,不適合被當成系統本身

講到這裡,我反而覺得 AI 的位置更容易看清楚了。

AI 最有價值的地方,不是替你省掉思考,而是幫你把已經想清楚的系統跑得更順。

它很適合拿來:

  • 整理資料
  • 延展觀點
  • 初稿輔助
  • 轉不同平台格式
  • 把一份內容拆成多個版本

但它不適合取代:

  • 品牌判斷
  • 核心觀點選擇
  • 受眾理解
  • 最終定調

如果前面沒有主題庫、工作流和分發邏輯,那 AI 只會幫你更快做出一堆不重要的內容。

這也是為什麼我現在不太想再問「還要學哪個工具」,而是更想問:這個內容流程,有沒有辦法下次不用重新來一次?

一人公司或小團隊,不需要等完整,先從最小可行系統開始

如果你是個人品牌、一人公司,或者人不多的小團隊,我其實不建議一開始就把系統做得很重。

反而更實際的做法是,先建立一條最小可運轉版本。

例如:

  • 先固定 3–5 個核心主題
  • 每週產出 1 篇核心內容
  • 再拆成 1 則 LinkedIn、1 串 Threads
  • 每篇內容都對應一個清楚的商業目的

這樣的系統很小,但已經足夠讓你從「每次都重新開始」變成「每次都在上一個成果上往前推」。

我覺得這個差別非常大。

因為當你開始有累積感,內容就不再只是輸出,而會慢慢變成你的品牌底盤。

結論:工具會越來越便宜,系統化能力才會變成真正門檻

未來一定還會有更多工具、更快的模型、更便宜的內容生產方式。

這些東西我一點都不懷疑。

但也正因為如此,真正會拉開差距的東西,不會是工具本身,而是你能不能把工具放進一套清楚、穩定、可持續運轉的內容系統裡。

所以如果你最近也覺得內容越做越累,也許先不用急著找下一個工具。

先回頭看一次自己的流程:你現在是在堆工具,還是在建系統?

FAQ 區塊

內容系統是什麼?

內容系統不是單一工具,也不是單純的內容排程表。它是一套能讓主題規劃、內容生產、平台分發、再利用與商業回收持續運轉的內容機制。重點不是做更多,而是讓每一次輸出都能累積。

內容系統和內容行銷有什麼不同?

內容行銷比較像是一種策略方向,重點是透過內容吸引受眾、建立信任與帶動轉換。內容系統則更接近執行層與營運層,它處理的是:題目從哪裡來、內容怎麼產出、怎麼拆成多平台版本、怎麼穩定持續,以及最後怎麼接回商業目標。

為什麼未來行銷的關鍵不是學更多工具?

因為工具只能提升局部效率,不能替你建立整體流程。當工具越來越多、AI 越來越普及之後,真正的差距反而會來自「誰有清楚的內容系統」。沒有系統的人,工具只會放大混亂;有系統的人,工具才會放大成果。

AI 在內容系統裡最適合做什麼?

AI 最適合放在整理資料、延展觀點、初稿輔助、格式轉換與內容再利用這些環節。它可以幫你把同一份核心洞察拆成 blog、LinkedIn、Threads 等不同版本。但品牌判斷、觀點選擇、受眾理解與最終定調,仍然需要由人主導。

一人公司或小團隊也需要內容系統嗎?

其實越小的團隊越需要。因為人少、時間有限,最怕的就是每次內容都從零開始。對一人公司或小團隊來說,內容系統不需要很重,先從一篇長文拆成多平台版本、固定幾個核心主題、設定穩定發布節奏開始,就已經很有幫助。

相關閱讀

讀書心得

【為什麼你一定要學如何使用openclaw?】

為什麼你現在就要學 OpenClaw:AI Agent 如何改變 SEO、流量分析與 digital marketing

【為什麼你一定要學如何使用openclaw?】

最近 OpenClaw 在網路上非常火紅,甚至可以說已經開始有點破圈的味道了。現在討論 OpenClaw 的人,不只是工程師,還包括一堆本來不碰程式、但已經開始感受到 AI 變化速度的人。老實說,我自己一開始也是抱著「先裝來看看」的心態去碰這個工具,但真正開始使用之後,我腦中浮現的不是單純的技術新鮮感,而是另外一件事:如果你現在還不開始理解 AI Agent,你很可能會在未來幾年完全看不懂工作世界到底發生了什麼變化。

這種感覺其實不是第一次出現。 在我剛踏入社會的第一年,Google Analytics 與 digital marketing 才剛開始慢慢成為顯學。那時候很多人還沒有真的理解網站數據、SEO 與內容經營背後的意義,但我當時就自己去找資料,研究網站分析怎麼看,自己架站、自己用 Google Search Console 學 SEO,也花錢上課補足自己的觀念。也因為這段自學的經歷,後來即便我沒有真正待在 digital marketing 部門十年,我也始終是公司裡最懂這塊的人。

這也是我現在看 OpenClaw 的角度。很多人會把它當成一個新工具,甚至只是把它當成另一個 AI 產品,但我不這樣看。我認為 OpenClaw 代表的是一種更深層的轉變:AI 不再只是回答你問題,而是開始進入你的工作流程、幫你做判斷、幫你調用工具,甚至直接執行原本要由人來完成的任務。

OpenClaw 是什麼?為什麼它值得現在就開始研究

如果你是第一次接觸 OpenClaw,可以先把它理解成一種更接近「AI Agent 工作架構」的系統,而不是單純聊天型 AI。 一般人現在接觸 AI,很多時候還停留在 ChatGPT 這種問答模式:你問問題,它回答;你下指令,它輸出內容。但 OpenClaw 類型的系統不是這樣,它更像是把模型、工具、記憶、設定、工作流程整合在一起,讓 AI 可以依照任務複雜度選擇不同模型、調用不同 API 或工具,甚至分工處理不同類型的工作。

這件事看起來只是技術升級,但對我來說,它真正重要的地方在於:它讓 AI Agent 從概念變成可以落地操作的東西。 過去幾年大家講 AI Agent,很多時候比較像在講一種想像中的自動化未來,或者是 n8n + LLM 這種 workflow 組合。但現在這一波 OpenClaw 這類工具的出現,已經不是在講概念,而是你真的可以開始實際操作、測試、踩坑,甚至親手感受到一個 AI Agent 到底會怎麼影響你每天的工作。

為什麼我會這麼早開始研究 OpenClaw

隨著 2022 年 ChatGPT 問市,整個世界產生了非常大的變化。那時候我很快就意識到,這不只是內容生成工具,而是一個會直接改寫 digital marketing 與知識工作模式的核心技術,所以我後來也持續研究 LLM,甚至順便去考了 AWS 證照。 這段期間,我自己也做了幾個相關專案。

第一個是跟外部夥伴合作,嘗試開發利用 AI 建立行銷資料庫的方案;第二個則是思考 AI Agent 在 B2B Lead Generation process 上的落地可能。

但 AI 的變化速度真的太快了。

第一個資料庫專案,很快就被更成熟的 AI platform 方案取代。很多以前需要自己做資料結構與流程設計的工作,現在透過 AI search + NotebookLM,基本上已經可以完成八成。

而第二個專案最後雖然因為成本問題沒有真的做成,但我一直認為那不是方向錯了,而是時間點還沒完全成熟。等到模型成本再下降、工具鏈更穩定,這類流程幾乎是一定做得起來的。 這也是為什麼我現在會這麼強調 OpenClaw。因為它讓我看到的不是單點功能,而是未來整套 AI workflow 將如何被重組。

AI Agent 為什麼會直接影響 SEO、流量分析與 digital marketing

如果你本身有在做 SEO、網站營運、內容行銷或 digital marketing,那你更應該提早研究 AI Agent,原因很簡單:它會直接動到你過去最信任的那套判讀邏輯。

以前我們在做數位行銷時,很多核心工作都圍繞在流量與轉換上。透過 cookie 或 user ID,我們會想辦法把社群、官網與廣告串起來,建立一個相對完整的流量閉環,再從這些可量化的數據裡去追 ROI、看 engagement、看 conversion rate,最後決定預算、內容策略與渠道配置。 但問題是,當 AI Agent 已經可以模仿人類行為自動操作瀏覽器、點擊頁面、執行互動流程時,你看到的 traffic report 還真的能完全代表真人嗎?

你現在看到的這個 session,到底是一個真人打開你的網站、閱讀你的文章、點擊你的 CTA,還是其實是一個 AI Agent 代替人類執行某段流程?

如果這件事開始變得普遍,那你過去很依賴的 engagement rate、停留時間、conversion path,還能不能用同樣的方式解讀?你現在正在做的 SEO,到底還是不是建立在一套有效的使用者行為判斷上? 這才是我認為 AI Agent 真正可怕,也真正值得研究的地方。它不是多一個工具而已,而是可能改寫你對數據、使用者與流量真實性的理解方式。

OpenClaw 可以做什麼?我看到的幾個實際應用方向

如果只是把 OpenClaw 當成聊天工具,那真的太小看它了。以我目前看到的應用方向來說,它的價值至少已經可以延伸到幾個層面。

第一個是市場研究。

你可以先用 DeepSearch 類型的方式做市場調查,整理目標市場與潛在客戶名單,再透過爬蟲與自然語言篩選方式,去過濾出真正符合條件的公司,例如只看系統整合商、只看接政府標案的公司,或只找 success case 裡明確提到特定產品線的對象。

第二個是 B2B lead generation。

當你把名單整理出來之後,後面其實就可以再接第三方 B2B database,找聯絡窗口資訊,甚至再透過 LinkedIn 做交叉驗證。這整段流程以前很像是要切成很多工具、很多人力去串接,但 AI Agent 的出現,讓這些原本分散的步驟開始有機會被重新整合。

第三個是 workflow 與模型 routing。

以前很多人用 AI 時,不太會去想「這個任務適合什麼模型」,但新的 AI Agent 架構其實可以開始根據任務複雜度做分流。簡單報表、資料整理、routine task,可以用本地模型或成本較低的模型;日常工作可以交給 Gemini Flash 這類反應快的模型;真正需要大量推理時,再上 Claude 或 GPT-5.4 這種昂貴模型。這不只是技術選型問題,而是直接關係到 token 成本與整體效率。

OpenClaw 的風險與限制,為什麼還是要研究

當然,OpenClaw 不是沒有問題。 如果你稍微看過相關討論,就會知道大家最常提的兩件事就是:資安風險與權限過大。這些問題都是真的,而且我不建議任何人因為「很酷」就忽略掉。OpenClaw 這類開源工具,本來就有大量 bug、整合不穩定、權限管理混亂與未知風險。尤其當 AI Agent 不只是讀文字,而是開始接觸工具、瀏覽器、檔案與工作流程時,整件事情的風險層級就跟單純聊天型 AI 完全不同。

但我反而覺得,正因為它現在不完美,你才更應該及早理解它。 因為如果你現在因為怕麻煩、怕風險、怕不穩定,所以完全不碰,那最後你得到的只會是大廠幫你包裝好的「安全版成品」。那時候你雖然可能一樣能用,但你不會真的理解背後的邏輯,也不會知道這套東西到底是怎麼影響你的工作、你的數據判讀、你的內容策略,甚至你的競爭優勢。 說白一點,如果你不親手操作,你就只是使用別人包裝好的答案,而不是理解問題的人。

結論:不實際操作,你就不會真的理解 AI Agent

我一直覺得,每一次技術轉折真正拉開差距的地方,從來都不是「有沒有聽過」,而是「你有沒有在還很混亂的時候先下去碰」。

以前是 Google Analytics、SEO、digital marketing。現在輪到的是 OpenClaw、LLM 與 AI Agent。 如果你現在不深入去操作,你就很難真正理解未來幾年 AI Agent 的應用趨勢,也不會知道它會怎麼改變你的工作方式、內容生產、流量分析,甚至是你今天所相信的那套 SEO 判斷邏輯。

OpenClaw 本身也許還有很多 bug,也有很多不確定性,但這不代表你可以忽略它。相反地,我反而認為,這正是未來 AI Agent 改變人類生活的一個重要轉折點。你越早開始理解它,越有機會在下一波變化真正到來之前,先站到看得懂局勢的位置上。

FAQ:關於 OpenClaw 與 AI Agent 的幾個常見問題

OpenClaw 是什麼?

OpenClaw 不是單純聊天型 AI,而是更接近 AI Agent 架構的系統。它可以結合模型、記憶、工具與工作流程,執行更複雜的任務。

為什麼現在就該開始學 OpenClaw?

因為 OpenClaw 代表的不只是單一工具,而是未來工作流程與 AI 協作方式的變化方向。越早理解,越不會在下一波轉變中被動跟上。

OpenClaw 跟一般 AI chatbot 有什麼差別?

差別不只是能不能回答問題,而是能不能根據任務複雜度選模型、調用工具、執行流程與管理上下文。

AI Agent 會影響 SEO 與流量分析嗎?

會。當 AI 已經能模仿人類操作與互動,未來的 traffic report、engagement 與 conversion interpretation 都會受到挑戰。 — 建議加的內部連結位置

相關閱讀

讀書心得

2026年世界經濟論壇(WEF)達沃斯年會:地緣政治重構、中等強國崛起與全球經濟的新現實

2026年世界經濟論壇(WEF)達沃斯年會:地緣政治重構、中等強國崛起與全球經濟的新現實

第一章:引言與大會宏觀戰略框架

第56屆世界經濟論壇(WEF)年會於2026年1月19日至23日在瑞士達沃斯-克洛斯特斯(Davos-Klosters)舉行。本屆大會的官方主題設定為「對話的精神」(A Spirit of Dialogue),旨在全球動盪加劇之際,為公私部門提供一個重建信任的跨領域交流平台 。然而,從國際智庫與地緣政治分析的深層視角來看,這場匯聚了全球權力核心的盛會,實際上深刻揭示了傳統多邊主義的解體與大國權力博弈的「新現實」 。   

本屆達沃斯論壇的參與規模創下歷史新高,共有來自130個國家的近3000名領袖出席,其中包括破紀錄的400位頂尖政治領袖、近65位國家元首與政府首腦(包含多數G7領導人),以及約830位全球頂尖企業執行長與近80位獨角獸企業與技術先鋒 。大會的焦點圍繞著美國總統唐納·川普(Donald Trump)、法國總統馬克宏(Emmanuel Macron)、歐盟委員會主席馮德萊恩(Ursula von der Leyen)、烏克蘭總統澤倫斯基(Volodymyr Zelenskyy)以及加拿大總理馬克·卡尼(Mark Carney)等關鍵政治人物的戰略表態展開 。   

大會的核心議程跳脫了過去單純的技術或經濟趨勢預測,轉而聚焦於五個決定未來十年全球走向的系統性挑戰。這五大支柱不僅反映了當前全球體系的脆弱性,也為跨國企業與各國政府的戰略資源配置提供了底層邏輯。

核心議程 戰略內涵與大會討論焦點 第二層與第三層政策意涵分析
在地緣政治衝突加劇的世界中合作 面對保護主義、經濟脅迫與大國競爭,探討如何強化全球合作的韌性。大會聚焦於在高度分化的世界中尋找供應鏈與關鍵礦產的共同利益 全球化已從「效率優先」轉向「安全與韌性優先」。企業必須將地緣政治風險內部化,各國政府則需在「脫鉤」與「去風險」之間尋求平衡,並推動多元化的供應鏈避險佈局
釋放新的增長動能 在多邊主義衰退的背景下,尋找推動經濟增長的新引擎。討論重點集中於將人工智慧(AI)與基礎設施作為公私部門的核心增長戰略,並推動歐洲的資本市場聯盟與創新投資 傳統的貨幣與財政擴張增長模式已見頂。未來資本將高度集中於具備技術壁壘與國防戰略意義的硬核產業(如AI超級工廠、千兆工廠),技術主權成為經濟增長的前提
更好地對人投資 應對人口結構變化與AI帶來的就業衝擊,強調勞動力韌性。會中發起了旨在填補製造業與供應鏈人才缺口的重大倡議(如 SmartStart USA) 勞動力短缺已成為限制工業競爭力的核心瓶頸。重新技能化(Reskilling)與技能提升(Upskilling)成為企業核心競爭力,教育體系必須與未來的國防及前沿技術需求深度接軌
大規模且負責任地應用創新 探討如何將前沿技術(如AI、量子計算、合成生物學)從實驗室快速推向市場,同時建立負責任的管理框架與監管邊界 技術發展的焦點從「是否應用」轉向「如何負責任且規模化地落地」。各國在爭奪AI算力與基礎設施的同時,必須確保人類在技術演進中保持主導地位(Human in the lead)
在地球邊界內建立繁榮 應對氣候變遷臨界點,討論如何在追求商業回報的同時,將永續發展視為增長戰略而非單純的合規成本。涵蓋水資源安全、自然正向商業模式與中小企業減碳 忽視自然資源風險將導致巨大的經濟損失。企業領袖的態度已從道德層面的「拯救地球」轉變為務實的「商業競爭優勢」,自然資本與氣候行動被深度整合至供應鏈的防禦性戰略中

第二章:從「烏托邦」到「新現實主義」——2026達沃斯與歷屆年會之顯著差異

回顧過去幾年的世界經濟論壇,達沃斯往往充滿對全球化一體化、技術烏托邦(如2025年對AI的狂熱)以及跨國氣候行動的盲目樂觀。然而,2026年的達沃斯呈現出深刻的「新現實主義」(New Realism)轉向。國際智庫與與會專家的共識是,樂觀情緒變得更具條件性,政治與商業野心也更為腳踏實地,整個大會瀰漫著一種對抗與重構交織的複雜氛圍 。   

「獨白現實」取代「對話精神」

美國外交關係協會(CFR)總裁 Michael Froman 敏銳地指出,儘管大會官方高舉「對話的精神」,但實際運作卻淪為大國的「獨白現實」(Reality of Monologue) 。歐洲政策分析中心(CEPA)的評論更為直白,將本屆大會的核心基調定義為「冰」(Ice)——這不僅暗指達沃斯長廊上令人滑倒的黑冰,更隱喻了跨大西洋同盟關係降至冰點,以及全球外交舞台上的冷酷現實 。川普總統的強勢回歸與其充滿民族主義色彩的演說,產生了巨大的地緣政治引力,迫使所有其他議程必須圍繞著美國的新孤立主義與脅迫性外交進行重新校準 。   

地緣政治全面壓倒氣候變遷與ESG議題

在先前的WEF年會中,氣候變遷、環境、社會與公司治理(ESG)以及全球健康(如聯合國永續發展目標 SDGs)通常佔據大會最核心的舞台 。然而,2026年的會議出現了顯著的板塊移動。隨著全球大國競爭加劇與區域戰爭爆發,傳統的環境治理與跨國氣候合作被迫讓位給硬核的國家安全與戰略自主討論 。   

一個極具象徵意義的細節是,往年佔據黃金地段的氣候倡議中心,今年被安置在達沃斯長廊的餐車後方,徹底被邊緣化 。儘管論壇仍呼籲在「地球邊界內」發展,但跨國企業執行長們的敘事邏輯已發生根本性改變。企業領袖不再高談闊論「企業社會責任」(CSR),而是直接將水資源安全、關鍵礦產合作與氣候適應性,定義為決定未來十年企業存亡的「商業案例與執行路徑」(business case and execution pathway) 。這表明永續發展已從一種道德追求,徹底異化為供應鏈韌性與地緣政治競爭的防禦性工具 。   

人工智慧(AI):從「技術炒作」走向「摩擦與國家主權碰撞」

如果說2025年的達沃斯完全被AI的無限潛力與技術狂熱所主導,那麼2026年則標誌著AI正式進入了現實世界的摩擦期(friction)與落地執行的陣痛期 。國際貨幣基金組織(IMF)總裁 Kristalina Georgieva 提出嚴厲警告,全球高達40%的就業崗位將在未來幾年內受到AI的深度衝擊;在先進經濟體中,這一比例更高達60% 。IMF自身的運作已率先展現了這種顛覆性,該機構已因為AI技術的廣泛應用,將內部翻譯人員編制從200人大幅裁減至50人 。   

在社會層面,商界領袖如埃森哲(Accenture)執行長 Julie Sweet 強調,AI的發展軌跡必須確保「人類主導,而非僅僅在迴圈中」(human in the lead, not human in the loop) 。專家們在會中特別針對AI對人類認知能力的長期影響提出警告,指出若下一代過度依賴AI捷徑而未能建立自身的神經路徑,人類社會將面臨嚴重的「認知萎縮」(cognitive atrophy)危機 。這些討論顯示,全球菁英對AI的關注點已從算力競賽,轉向探討技術對人類主體性與社會結構的深層解構。   

第三章:大國博弈下的地緣政治地震與跨大西洋關係破裂

2026年達沃斯論壇最具破壞性與戲劇性的焦點,無疑是美國總統唐納·川普的強勢登台及其所帶來的地緣政治衝擊波。這不僅是川普重返白宮後首度大規模的國際表態,更徹底暴露並加速了美歐同盟之間難以修復的信任破裂 。   

川普的「美國優先」成績單與經濟脅迫戰略

在論壇的特別演說中,川普將達沃斯舞台轉變為宣揚其第二任期首年「戲劇性經濟逆轉」的展示場 。他宣稱,在一年內透過極端放鬆管制與削減聯邦政府規模(裁減27萬名聯邦官員,創二戰以來單年最高紀錄,並削減1000億美元聯邦支出),成功將通貨膨脹率壓低,並將每月貿易逆差大幅削減77% 。在能源戰略上,川普強調美國正大力推動石化能源增產(宣稱油價已降至每加侖1.95美元),並戲劇性地轉變態度,宣佈對核能展開大規模投資,以應對AI時代爆發的龐大電力需求 。   

此外,川普在達沃斯親自主持了一個以其為中心的「和平委員會」(Board of Peace),試圖以此證明美國並未退出國際舞台,而是以一種更具霸權色彩的方式主導議程 。然而,真正引發全球地緣政治震盪的,是其針對格陵蘭(Greenland)的領土野心與後續的經濟脅迫操作。   

格陵蘭危機與歐盟戰略自主的加速

在達沃斯論壇前夕,川普政府為了迫使丹麥讓渡對格陵蘭的主權控制,竟威脅要對拒絕其提案的八個歐洲國家徵收毀滅性的新關稅 。儘管在達沃斯期間,川普宣佈「暫時」放棄使用軍事力量奪取格陵蘭,並透過與北約秘書長的會面達成了旨在強化北極安全的「框架協議」,但他明確表示格陵蘭對美國及西方半球的國防安全至關重要,並且毫不掩飾地將經濟關稅作為要脅盟友的常態化籌碼 。   

英國皇家國際事務研究所(Chatham House)對此事件進行了極為深刻的剖析。分析指出,川普在格陵蘭事件上的操作,向歐洲傳達了一個冷酷的訊息:美國已將經濟脅迫(如關稅與市場准入)常態化,作為逼迫民主盟友讓步的正當外交工具 。這種「不對稱依賴」讓歐洲菁英徹底清醒,意識到跨大西洋關係已受到結構性與不可逆的破壞,美國的安全保護傘隨時可能轉變為經濟勒索的利刃 。   

格陵蘭危機因此成為歐盟加速推動「戰略自主」(Strategic Autonomy)的最強催化劑。為防止國家主權的進一步流失,歐盟加速部署其於2023年底生效的「反脅迫工具」(Anti-Coercion Instrument, ACI)。Chatham House將ACI形容為歐盟經濟武器庫中的「核武器」;由於美國企業在歐盟擁有全球最龐大的外國直接投資(FDI),歐盟可以透過ACI在服務業、政府採購與投資領域對美國企業實施精準的報復性打擊 。這種策略的精妙之處在於,它能將政治成本精準轉嫁給美國國內的特定利益集團與搖擺州選民,從而對華盛頓發揮強大的政治嚇阻作用 。   

歐洲領導人對此表達了強烈的危機感。法國總統馬克宏警告,歐洲正在進入一個由「惡霸」(bullies)塑造的世界,必須變得更強大且更自主,絕不能對權力抱持天真的幻想 。比利時首相更直言不諱地指出,如果歐洲不能在技術平台(Eurostack)、能源供應與國防工業上實現獨立,將徹底淪為美國總統的「奴隸」 。這表明,歐洲的戰略自主已從過去法國單方面推動的地緣政治願景,轉變為整個歐洲大陸攸關生存的迫切行動方針。   

第四章:中等強國的覺醒——卡尼的「價值現實主義」與「多邊戀」世界秩序

面對美國的單邊主義以及傳統「基於規則的國際秩序」(Rules-based international order)的崩潰,2026年的達沃斯論壇見證了「中等強國」(Middle Powers)的強勢覺醒與戰略轉型 。在論壇上,加拿大總理馬克·卡尼(Mark Carney)的演說與川普的霸權獨白形成了極具張力的對比,為非超級大國提供了一套全新的地緣政治生存哲學。   

告別「令人愉快的虛構」,直面「殘酷現實」

卡尼在演說中直言不諱地指出,過去數十年來被西方奉為圭臬的多邊規則秩序,實際上已淪為一種「令人愉快的虛構」(pleasant fiction) 。在舊秩序中,霸權國家雖然提供了穩定的金融體系與開放的海上通道等公共財,但同時也為自己保留了隨意豁免規則的特權 。如今,世界正經歷深度的結構性斷裂,各國必須正視大國肆意將經濟一體化武器化、利用關稅與供應鏈脆弱性進行脅迫的「殘酷現實」(harsh reality) 。   

卡尼引用了捷克前總統瓦茨拉夫·哈維爾(Václav Havel)在《無權力者的權力》一書中的「蔬菜店老闆」比喻,深刻批評了當前的國際社會狀態。他指出,許多國家明知當前的國際合規儀式(如氣候承諾或自由貿易宣言)已名存實亡,卻依然像掛著標語的蔬菜店老闆一樣盲目遵從。卡尼呼籲中等強國「拿下這些虛偽的標誌」,拒絕參與這些已知為謊言的國際儀式,並尋求真正的自主權 。   

中等強國的第三條道路:「價值現實主義」與「變量幾何」

為在強權博弈中求生,卡尼提出了中等強國的第三條戰略路徑——「價值現實主義」(Value-based realism)。這套戰略要求中等強國在捍衛主權、領土完整與人權等核心價值的同時,展現極度的務實性,不再盲目依賴「價值觀的力量」,而是懂得運用「實力的價值」 。   

這套戰略的核心運作機制被稱為「變量幾何」(Variable geometry)與議題導向的靈活結盟 。   

  1. 拒絕單邊談判與被動依附:卡尼強調「如果我們不在餐桌上,我們就會在菜單上」(if we’re not at the table, we’re on the menu)。中等強國若單獨面對霸權,其談判結果將只是接受從屬地位的「主權表演」。因此,必須透過國際多邊力量的結合來發揮實質影響力 。   
  2. 建立跨領域的利益聯盟:在國防安全上,中等強國堅守北約第五條款的集體防禦承諾;但在經濟與科技領域,則積極組建將美國排除在外的「買方俱樂部」(Buyers’ clubs)以確保關鍵礦產供應,並推動跨太平洋夥伴關係與歐盟市場的對接,打造不受單一霸權控制的15億人口貿易集團 。在人工智慧領域,民主國家將合作制定標準,避免被迫在「霸權與超大規模科技巨頭」(hegemons and hyper-scalers)之間做出痛苦選擇 。   
  3. 強化內部經濟與國防實力:為抵禦外部脅迫,中等強國必須大規模投資國內經濟韌性。例如,加拿大承諾在十年內將國防支出翻倍,並在AI、能源與關鍵礦產廊道投入上兆美元,藉此將經濟實力轉化為實質的地緣政治籌碼 。   

「多邊戀」取代「多極化」的新地緣秩序

美國外交關係協會(CFR)總裁 Michael Froman 在達沃斯論壇期間進一步闡釋了這種中等強國行為模式的底層邏輯。他指出,當前的世界並非退回冷戰時期的兩極對立(Bipolarity),也不是傳統定義下壁壘分明、各自結盟的「多極化」(Multipolarity) 。相反地,全球體系進入了一種被稱為「多邊戀」(Polyamory)的複雜狀態 。   

在「多邊戀」秩序下,國家致力於避免陷入必須在美國與專制陣營(如中國、俄羅斯、伊朗)之間「選邊站」的二元對立。各國基於絕對的國家利益,在不同領域與不同的強權維持重疊但獨立的關係。印度是這套戰略最完美的實踐者:新德里在技術與民用核能上與美國保持緊密結盟,在軍火採購上嚴重依賴俄羅斯,同時在原油進口上與伊朗維持合作 。這種靈活的戰略避險,使得過去專門針對中國的「去風險化」(Derisking)概念,現在被廣泛應用於防範美國政策突變的風險管理上 。   

第五章:地緣經濟避險的里程碑——歐盟與印度「世紀協議」深度剖析

在多邊貿易體制受挫、美國最高法院駁回川普的國家緊急狀態關稅,但川普隨即強制實施15%全球關稅的混亂背景下 ,歐盟與印度在達沃斯論壇後正式簽署了被譽為「世紀協議」(Mother of All Deals)的自由貿易協定(FTA) 。這是2026年全球地緣經濟重構最具標誌性、也最具實質影響力的事件之一。   

「世紀協議」的經濟規模與市場重構機制

歷經近20年的反覆停滯與重啟,這項協定將歐盟與印度連結成全球最大的自由貿易區。該區域涵蓋近20億人口(約佔全球人口的四分之一),GDP總量高達27兆美元,佔據了全球經濟產出的25%與國際貿易的三分之一 。   

  • 深度的關稅削減與產品覆蓋:印度將對96.6%的歐盟出口商品(如汽車、化學品、重型機械)取消或大幅降低關稅,例如將歐盟汽車的進口關稅從110%驟降至10%,葡萄酒關稅從150%降至20%-30% 。作為互惠,歐盟則將對高達99.5%的印度商品(特別是家具、化學品、金屬以及傳統面臨高關稅壁壘的紡織、珠寶與皮革等勞力密集型產品)提供零關稅的免稅准入 。歐洲委員會預測,到2032年,歐盟對印度的貨物出口將實現翻倍增長,每年為雙方企業節省高達47億美元的關稅成本 。   
  • 服務業壁壘的歷史性突破:更具變革性的是服務業的相互開放。印度破天荒地對歐盟開放了102個服務子行業,涵蓋其傳統上極度保護的金融、電信與海事領域;而歐盟則對印度開放了144個服務板塊(特別是IT、專業服務與教育),並大幅放寬了印度高階技術人才的勞動力流動限制 。這對印度而言具有重大的戰略意義,它將極大程度減輕印度龐大IT服務出口過度依賴美國市場的結構性風險 。   

印度觀察家研究基金會(ORF)的戰略解讀

總部位於新德里的權威智庫觀察家研究基金會(ORF)指出,這項協定絕不能僅從龐大的經濟數據來解讀,其核心本質是在全球地緣政治動盪下的「經濟避險」(Economic Hedge)與戰略對沖 。   

  1. 「奉子成婚」的戰略驅動力:談判之所以能在2025年至2026年間取得突破性進展,很大程度上歸因於美國川普政府所產生的「催化劑效應」。川普對歐洲與印度等傳統夥伴的輕蔑態度,以及其不可預測的關稅大棒,迫使歐印雙方意識到,在華盛頓的反覆無常與北京的供應鏈脅迫之間,他們迫切需要彼此作為龐大的經濟緩衝區與替代市場 。   
  2. 印度的全方位平衡與「南方領導力」:這份協定展現了印度在全球供應鏈重組中的極大野心。聯合國貿易和發展會議(UNCTAD)2025年的報告指出,印度在貿易夥伴多樣性指數上已位居全球南方國家第三位 。除了與歐盟簽署協定,印度總理莫迪也正積極與海灣合作委員會(GCC)展開深入貿易談判(雙邊貿易額達1800億美元,甚至超越了歐印之間的1800億歐元),藉此全方位確立印度作為「全球南方」核心樞紐的地位 。   

氣候壁壘與潛在實施摩擦

儘管雙方簽署了這項歷史性協議,但實施過程仍暗藏重大摩擦。最引人注目的爭議點在於歐盟於2026年初正式全面實施的「碳邊境調整機制」(CBAM) 。CBAM將對印度出口的高碳排產品(如鋼鐵與鋁)徵收高額的氣候保護關稅,這引起了以燃煤為主的印度工業界的強烈反彈。儘管布魯塞爾在談判最後階段承諾提供5.9億美元的資金協助印度減少工業排放,並給予印度確保未來獲得氣候關稅豁免的最惠國待遇,但已開發國家的氣候標準與開發中國家的發展需求之間的根本性衝突,仍將是該協議未來運作的最大壓力測試 。   

第六章:人工智慧的「主權悖論」與規模化落地的摩擦

如果說全球化重構是2026年達沃斯的外在表徵,那麼人工智慧(AI)引發的國家主權危機與勞動力解構,則是驅動深層變革的內在引擎。大會的討論焦點已徹底告別了對AI生成技術的單純迷戀,轉而嚴肅面對AI如何深刻改變國家權力結構與實體經濟運作 。   

勞動力市場的顛覆與「人類主導」的必要性

在經濟衝擊層面,國際貨幣基金組織(IMF)總裁 Kristalina Georgieva 提供了令人警醒的數據:全球高達40%的就業崗位將在未來數年內受到AI的深度衝擊;而在先進經濟體,這一比例更攀升至驚人的60% 。這種衝擊並非理論推演,而是正在發生的現實。IMF自身的機構運作已率先展現了這種顛覆性,該機構已因為內部AI翻譯系統的廣泛應用,將專業翻譯人員編制從200人無情地裁減至50人 。   

面對AI帶來的效率躍升,達沃斯的商界領袖與倫理專家達成了關鍵共識。埃森哲(Accenture)執行長 Julie Sweet 強調,AI的發展軌跡必須確保「人類主導,而非僅僅在迴圈中」(human in the lead, not human in the loop) 。專家們在會中特別針對AI對人類認知能力的長期侵蝕提出警告,指出若教育體系與產業界允許下一代過度依賴AI演算法作為解決問題的捷徑,而未能建立自身獨立的神經思考路徑,人類社會將在短短數代內面臨嚴重的「認知萎縮」(cognitive atrophy)危機 。輝達(NVIDIA)執行長黃仁勳(Jensen Huang)則指出,儘管AI具備消除技術鴻溝的潛力,但前提是必須確保全球基礎設施的公平接入,否則將引發更嚴重的數位種姓制度 。   

「AI主權悖論」:國內衝突與全球依賴

針對AI技術帶來的深層政治衝擊,美國外交關係協會(CFR)總裁 Michael Froman 提出了「AI主權悖論」(AI Sovereignty Paradox)的深刻洞見。這一悖論在國家內部與國際體系兩個層面產生了劇烈的摩擦 。   

AI主權悖論層次 核心衝突機制 達沃斯論壇揭示的現實案例與影響
國內層面 (華盛頓的對抗) 國家安全機關的絕對控制慾 vs. 私營科技巨頭的倫理底線與商業自主權。國家尋求成為軍事AI的「終極權力使用者」,而企業擔憂技術失控。 五角大廈向AI企業 Anthropic 發出最後通牒,要求無條件獲取缺乏防護欄(guardrails)的Claude模型以支援軍事行動,甚至威脅動用《國防生產法》將其標記為「供應鏈風險」。Anthropic 執行長 Dario Amodei 嚴詞拒絕,堅守反對大規模國內監控與全自動致命武器的底線。這引發了深層叩問:如果私營企業能限制國家軍事技術,國家主權是否依然存在?
國際層面 (全球技術依賴) 全球中小型國家尋求技術影響力與經濟發展 vs. 對外國(美中)AI基礎設施的深度依賴與被殖民恐懼。 全球面臨嚴重的「AI技術棧」(AI Stack)壟斷。目前美國掌握了全球75%的AI超級計算能力,中國佔15%,而世界其他地區總和僅佔10%。在龐大的資本支出差距下(美國企業年投資逾6500億美元,歐洲僅470億美元),各國被迫依賴「準主權」解決方案(如亞馬遜在歐洲建立的、由當地人營運的「歐洲主權雲端」)來維持表面上的技術自主

這種不對稱的技術實力,迫使東協、歐盟、印度與日本等國家拼湊出高度分化的監管政策(Patchwork quilt of regulations),試圖透過合規壁壘來減緩美國科技巨頭的擴張速度,這成為達沃斯論壇上各國科技決策者爭論不休的焦點 。   

第七章:全球宏觀經濟展望與韌性中的隱憂

在經歷了地緣政治衝突、貿易戰升級與外交規範崩解的劇烈衝擊後,全球經濟的整體表現出乎意料地穩健。IMF總裁 Kristalina Georgieva 在「增長兩難」(Dilemmas around Growth)的環節中驚嘆,世界經濟能在如此多重危機中保持穩定堪稱奇蹟 。然而,在表面的韌性之下,深層的結構性裂痕已不容忽視。   

經濟放緩預期與關稅逆風

彼得森國際經濟研究所(PIIE)在達沃斯期間發布的經濟預測顯示,儘管AI技術的推廣為生產力帶來了正面預期,但高昂的政策不確定性與貿易壁壘,將無可避免地拖累全球增長動能。PIIE預測,全球實質GDP增長率將從2024年的3.3%、2025年的3.1%,進一步放緩至2026年的2.9% 。   

作為全球經濟引擎的美國,其內部展望同樣充滿矛盾(Crosscurrents)。一方面,川普政府實施的大規模新關稅政策嚴重削弱了國內消費者的購買力,導致美國2026年GDP增長率預計將從前一年的1.9%進一步回落至1.7% 。為緩解關稅帶來的通膨壓力與勞動力市場疲軟(失業率預計微升至4.5%),美國聯準會(Fed)預計將採取「看穿」(look through)短期關稅通膨的策略,在2025年降息兩次後,於2026年繼續維持寬鬆的貨幣政策 。同時,歐洲經濟則呈現嚴重分化,南歐國家表現相對強勁,而依賴傳統製造業出口的北歐國家則面臨巨大的地緣經濟逆風 。   

「另一種債務」危機與K型復甦

達沃斯經濟學家們特別將焦點放在了威脅發展中國家生存的「債務危機」上。IMF指出,目前有相當數量的開發中國家,其用於償還國際債務的資金支出,已經遠遠超過了它們投資於國內醫療與基礎教育的總和 。這種資源的嚴重錯置,不僅摧毀了這些國家的長期競爭力,更使它們面臨「在發展上違約」(defaulting on development)的絕境 。這種富國掌握AI算力與資本,窮國深陷債務泥沼的K型經濟復甦,正強烈拉扯著全球的社會契約,為未來的區域動盪埋下毀滅性的引信 。   

第八章:從承諾走向執行的國際倡議與追蹤機制

有鑑於過去達沃斯論壇經常被批評為「流於清談」,2026年的大會展現了強烈的「執行力」與「問責制」導向 。公私部門聯合推出了多項具備實質約束力與資源投入的追蹤機制與倡議,試圖在系統性崩潰前建立結構性的防護網。   

JEDI Draghi Tracker:挽救歐洲競爭力的硬性指標

為了解決歐洲在創新與經濟競爭力上長期以來「說多做少」、政策執行力低下的沈痾,歐洲聯合顛覆性倡議(JEDI,被譽為歐洲的先進研究計畫署 ARPA)在達沃斯著名的「科學之家」(Science House)正式發布了「JEDI Draghi Tracker」(德拉吉報告競爭力追蹤器) 。   

2024年發布的《德拉吉歐洲競爭力報告》雖提出了383項旨在重振歐洲研究、創新與經濟競爭力的全面性措施,但其實施進度極度緩慢,導致歐洲始終難以將其卓越的基礎科學研究轉化為具備全球商業競爭力的規模化產業 。JEDI 主席 André Loesekrug-Pietri 強調,歐洲缺乏的並非資金,而是缺乏如同「登月計畫」(moonshot approach)般的執行速度與高風險承擔能力 。   

該追蹤器每季度發布一次,由歐洲頂尖企業執行長組成的顧問團支持。其運作機制的獨特之處在於:它專注於德拉吉報告中最具影響力的20項關鍵建議,並且採用極度保守的累計評估方法——僅將已經正式轉化為具有約束力的「歐盟法律」的措施納入計算,完全排除了空泛的政策意向與政治口號 。2026年1月的首份期中審計報告殘酷地顯示,被評估為「嚴格落實」的指數僅從2025年9月的11.2%緩步上升至15.1% 。這一客觀且公開的數據儀表板,為歐洲政策制定者施加了持續、強大且具針對性的壓力,迫使他們加速將政策願景轉化為實體法律。   

SmartStart USA 倡議:重塑人力資本與供應鏈韌性

在「更好地對人投資」的核心議程下,為了解決技術變革與人口老化帶來的毀滅性勞動力短缺,由公私部門聯合發起的 SmartStart USA 倡議在達沃斯正式啟動 。   

全球製造業正面臨史無前例的人才斷層。預計到2035年,全球製造業將面臨高達780萬個職位空缺;單在美國,2033年前就有380萬個現代化製造業崗位需要填補,其中一半可能因為缺乏具備數位與技術技能的勞動力而無人問津,這將直接削弱國家的工業生產力與全球競爭力 。   

該倡議設定了極具野心的目標:承諾在2035年前,為100萬名年輕人提供面向未來的製造業與供應鏈核心技能培訓 。其執行路徑包含四個核心領域:   

  1. 面向未來的教育:推動課程現代化,將AI工具、數位化技術與永續發展技能直接嵌入教育體系,匹配未來工廠(Future factories)的真實需求 。   
  2. 與就業掛鉤的實踐:將課堂學術學習與前沿技術的實踐操作深度結合,並透過行業認可的「可堆疊憑證」(stackable credentials)與學徒制,打通從校園到高薪藍領職位的快速通道 。   
  3. 重塑技術職業的社會敘事:翻轉社會對傳統製造業的刻板印象,將技術職業重新定位為現代化、高科技且面向未來的核心職業 。   
  4. 廣泛的資源動員:該倡議成功匯聚了極其強大的跨界資源,參與機構包含亞馬遜AWS、蘋果公司、萬寶華(ManpowerGroup)、美國勞工聯合會(AFL-CIO)、美國教師聯合會,以及密西根州與肯塔基州州長等政府力量,展現了由下而上解決結構性勞動力問題的強大決心 。   

第九章:邊緣化的危機——中東戰火與烏克蘭僵局的達沃斯視角

值得深入省思的是,儘管達沃斯論壇匯聚了全球權力核心,但對於目前正在進行的毀滅性區域衝突(如烏克蘭戰爭、加薩衝突、蘇丹內戰與美伊軍事對抗),大會的實質介入深度極其有限。CFR總裁指出,這些決定全球生死存亡的熱點議題,在達沃斯宏大的經濟敘事下,甚至出現了被刻意迴避與邊緣化的現象 。   

中東火藥庫的引爆與能源安全威脅

2025年至2026年初,美國與伊朗之間經歷了史無前例的直接軍事衝突,導致中東區域穩定性降至冰點。美國川普政府在談判破裂後,發動了代號「午夜之鎚」(Operation Midnight Hammer)與後續的「史詩狂怒」(Operation Epic Fury)聯合軍事行動 。美軍動用B-2隱形轟炸機與鑽地彈,直接針對伊朗本土的福爾多(Fordow)、納坦茲(Natanz)與伊斯法罕(Isfahan)等核心核設施進行了毀滅性打擊,甚至有報導指出伊朗最高領袖哈米尼(Ayatollah Ali Khamenei)在襲擊中喪生 。   

伊朗隨後向以色列與美國駐守的多個海灣國家(包含巴林、科威特、卡達、阿聯酋)發射彈道飛彈進行報復,徹底引爆了中東的地緣政治火藥庫 。在達沃斯論壇上,國際能源署(IEA)署長 Fatih Birol 對此發出嚴厲警告,強調當前全球能源供應中斷的風險已經成倍增加,各國政府不能再單純以經濟視角看待能源貿易,而必須將能源安全風險提升至最高層級的「國家安全」戰略高度來進行資源調配與儲備準備 。   

美俄烏阿布達比三邊談判:技術進展與政治死結

在達沃斯論壇舉辦期間及會後,俄羅斯、美國與烏克蘭代表在阿拉伯聯合大公國首都阿布達比(Abu Dhabi)與瑞士日內瓦,舉行了自2022年衝突全面升級以來的首次直接三方接觸 。烏克蘭總統澤倫斯基透過視訊表示,會談的主要目標在於確立能夠提供「真實安全保證」(real security guarantees)的機制,並期望能在3月初於阿布達比促成國家領導人級別的最終和平峰會 。   

然而,軍事觀察家與談判代表團的分析指出,此次談判呈現出「軍事技術有進展,政治外交無突破」的鮮明特徵 。各方僅在極其具體的軍事技術層面上——例如部隊脫離接觸的界線劃分、初步的停火安排、暫停敵對行動的國際監督機制,以及建立停火監督協調中心等——達成了初步的術語定義與共識 。   

但在最核心的領土歸屬、戰略利益分配以及烏克蘭未來的地緣政治定位上,莫斯科、基輔與華盛頓之間的分歧依然深不見底,三邊談判並未取得任何實質性的政治突破 。這再次殘酷地印證了達沃斯論壇的本質侷限:它可以在奢華的阿爾卑斯山莊中,創造讓深度極化、相互敵視的政治行為者相遇與對話的條件,卻永遠無法為那些根植於鮮血與深刻歷史矛盾的生死衝突,提供直接且立竿見影的解決答案 。   

第十章:全球風險報告(2026)的結構性預警

為整個達沃斯年會定下悲觀而謹慎基調的,是WEF於會前發布的第21版《全球風險報告》(Global Risks Report 2026)。這份基於全球1300多位專家見解的報告指出,「不確定性」(Uncertainty)已成為2026年全球風險展望的絕對決定性主題。受訪專家對未來兩年抱持「動盪或風暴」預期的比例,較去年大幅增加了驚人的14個百分點,顯示全球防禦體系正處於極度緊繃的狀態 。   

《全球風險報告》將未來的威脅劃分為短期與長期兩個維度,並揭示了這些風險之間錯綜複雜的相互強化機制。

威脅時間維度 首要系統性風險排行 深度影響機制與社會經濟衝擊分析
短期風險 (2026-2028) 1. 地緣經濟對抗 (Geoeconomic confrontation)
2. 錯誤與虛假訊息 (Misinformation and disinformation)
3. 國家間武裝衝突 (State-based armed conflict)
地緣經濟對抗位居首位,它直接威脅著過去數十年建立的高度互聯全球經濟體系核心,導致全球貿易規則碎片化與關鍵供應鏈中斷
同時,錯誤與虛假資訊(特別是在AI深度偽造技術的推波助瀾下)被視為對信任與社會穩定的「結構性威脅」。高達58%的受訪者認為其影響正急劇擴大,它不僅加劇了社會與政治的兩極分化、削弱了公眾批判性思考能力,更破壞了民主選舉的完整性與金融市場的穩定性,進而瓦解了支撐已開發經濟體的社會契約
長期風險 (至2036年) 1. 極端氣候事件 (Extreme weather events)
2. 生物多樣性喪失與生態系統崩潰
3. 地球系統的關鍵轉變 (Critical change to Earth systems)
儘管在短期的達沃斯論壇中,環境議題被地緣政治的喧囂所掩蓋,但科學家與風險專家嚴厲警告,環境風險將絕對主導長期的風險視界(Risk horizon) 。若商業領袖與政治家繼續追求短期經濟利益,突破不可逆的地球氣候臨界點,將引發全球農業崩潰、海平面上升與極端氣候常態化,為人類社會帶來毀滅性且無從適應的災難性後果

報告特別指出,經濟衰退(Economic downturn)與社會不平等(Inequality)是串聯所有風險的底層放大器。在高通膨、高債務的壓力下,財富持續向少數人集中,這種深度的社會經濟斷層將進一步催化政治極端主義,使得各國政府在應對外部地緣衝擊時顯得更加脆弱無力 。   

第十一章:結論與戰略建議

2026年的世界經濟論壇達沃斯年會,不僅是一場全球政商菁英的年度聚會,更標誌著一個歷史時代的正式終結。過去三十年由單一超級大國主導、基於自由貿易與普世民主規則的全球化黃金時代已然落幕。取而代之的,是一個充斥著經濟脅迫、關稅壁壘、國家主權碰撞與硬核軍事對抗的「殘酷新現實」 。   

透過對國際智庫深度分析與大會各項倡議及雙邊行動的系統性梳理,我們可以提煉出主導未來十年全球政經格局的三個核心戰略結論:

  1. 「多邊戀」(Polyamorous)地緣政治取代了二元對立與傳統多極化 全球體系並未如預期般退回冷戰時期的簡單兩極對立,也未進入陣營分明的多極化。相反地,世界進入了由利益驅動的「多邊戀」狀態 。中等強國(如歐盟、印度、加拿大與東協國家)基於極度務實的「價值現實主義」,拒絕在強權之間做出排他性選擇。他們在國防、科技、氣候與關鍵礦產供應鏈等不同維度上,分別與不同的強權進行「變量幾何」式的靈活結盟 。這種極致的戰略避險(如歐盟與印度簽署具有戰略緩衝性質的「世紀自由貿易協定」),已成為中等國家在動盪的大國博弈中求生與崛起的唯一法則 。   
  2. 戰略自主的實體化與經濟武器化的全面常態化 美國在格陵蘭事件中所展現的毫不掩飾的脅迫性外交,徹底擊碎了歐洲對跨大西洋安全保證的盲目信任 。未來十年,建立本土的獨立國防工業、確保能源供應自主,以及掌握關鍵技術(如AI主權基礎設施與 Eurostack)的控制權,已成為歐盟等地區不容妥協的核心國策。同時,隨著歐盟「反脅迫工具」(ACI)等經濟報復機制的部署完成,宣告了全球貿易體系已從互利共贏的資源優化平台,徹底異化為國家間互相威懾、實施精準打擊的政治戰場 。   
  3. 創新與資本必須與國家安全及社會韌性深度綁定 技術創新已不再是純粹的商業行為或效率追求。從 SmartStart USA 倡議對未來供應鏈人才的急迫系統性投資,到 JEDI Draghi Tracker 對歐洲競爭力法案嚴格的法制化督促,再到五角大廈與私營AI企業之間為了模型控制權而爆發的劇烈衝突,種種跡象表明,資本、技術與人才的全球配置,正以前所未有的深度與國家安全、社會契約穩定性以及供應鏈防禦力綁定 。   

總結而言,2026年的達沃斯雖然以「對話的精神」為名,但其實際的歷史遺產,是迫使全球領袖徹底放棄對舊秩序的留戀與幻想。正如與會領袖在論壇上所發出的冷酷宣告:「我們必須積極應對這個世界真實的樣貌,而不是坐等我們理想中的世界到來。」(We actively take on the world as it is, not wait around for the world we wish to be.) 。在未來更加分化、充滿摩擦且不可預測的全球棋局中,唯有具備極致戰略敏捷性、能將不確定性轉化為競爭優勢,並能迅速建立務實多邊聯盟的國家與企業,方能在此地緣政治的「新現實」中立於不敗之地 。   

相關閱讀