人物觀點｜納瓦爾：AI 工業革命會讓每個人打造自己的智慧工廠

納瓦爾（Naval）在 Podcast《The AI Industrial Revolution》中，把 AI 帶來的變化稱為一場新的工業革命。他提醒的核心，是個人、小團隊與企業能否把 AI 做成可重複運作的生產系統。

· AI 職場,人物觀點,AI 轉型
InfoAI | 納瓦爾在《The AI Industrial Revolution》中指出，AI 工業革命的核心是打造可重複運作的智慧工廠。

AI 讓人更有效率，已經不是新觀點。真正需要判斷的是，當 AI 可以寫程式、整理資料、生成文件、協助設計、參與初步分析，甚至進入部分工程流程時，人類工作的基本組織方式會不會改變。對台灣企業與知識工作者來說，這個觀點的價值在於重新理解：AI 導入已經從工具操作，走向流程設計與組織能力重建。

納瓦爾在 2026 年 6 月 1 日發佈的 Podcast《The AI Industrial Revolution》中，用「Build your own factory」作為副標，和 Vercel 的 Guillermo Rauch、Boom Supersonic 的 Blake Scholl、Science 的 Max Hodak 一起討論 AI 如何改變軟體、硬體、航空、神經科技與創業方式。官方頁面也標示，這集長度為 1 小時 10 分 2 秒，並收錄 20 分鐘新增內容。

這場對談最有價值的地方，是把「工廠」這個概念從實體產線，帶進知識工作、軟體開發、企業流程與個人生產力。這篇文章要拆解的核心問題是：如果 AI 工業革命真的正在發生，台灣企業與知識工作者該如何理解自己的第一座「智慧工廠」？

AI 工業革命的核心，是工作開始被重新做成生產系統

納瓦爾談 AI，通常不會只看技術本身。他過去長期關注槓桿、創業、財富創造與個人判斷力，因此他看 AI 的角度，也不會停在模型能力比較。他更在意的是：當 AI 讓個人與小團隊取得過去只有大公司才有的生產能力之後，公司、工作與創業會如何重組。

這集 Podcast 的第一個關鍵概念，來自 Guillermo Rauch 提到的「software factories」。他的意思是，工程師的價值正在改變。過去公司評估一位工程師，常看他能不能交付某個功能、修好某個問題、寫出某段程式。現在更重要的是，他能不能做出一座會繼續產生更多成果的「工廠」。

這裡的工廠不是廠房，也不是機器手臂，而是一組由架構、資料、工具、prompt、agent、測試流程與人工覆核組成的生產系統。

納瓦爾接著把這個變化放進「100 倍、1000 倍工程師」的脈絡。他認為，在知識與數位領域，人的能力差距本來就可能非常大；AI 讓這種差距更明顯。差距來自寫程式速度，也來自誰能定義問題、設計流程、使用模型、判斷輸出，並把每一次成果變成下一次更好的基礎。

這個觀點對企業有很直接的提醒。AI 導入如果只停在「每個人都開一個帳號」，最後通常會變成個別員工各自摸索。有些人用得很好，有些人只拿來改信件、整理會議紀錄。真正的差距會出現在下一步：組織能不能把 AI 使用經驗變成可複製、可檢查、可持續改善的流程。

AI 工業革命的第一個變化，會先發生在工作被拆解、重組、委派、檢查與累積的方式裡。

工程師與知識工作者的價值，開始移向流程設計

這場對談最有啟發的一點，是它重新定義了工程師與知識工作者的價值。

在過去，一個人有價值，常常是因為他能親手完成某件事。工程師寫程式，設計師做畫面，行銷人員寫文案，顧問做簡報，研究員整理報告。AI 進入工作現場後，這些產出仍然重要，但產出的方式開始改變。

更高價值的人，會逐漸變成能設計生產系統的人。

他不只向 AI 問一次問題，而是知道如何拆解任務、設定輸入、定義輸出、加入檢查點、讓 AI 重複執行，並把每次結果累積成下一次更好的流程。這種能力，和傳統所謂「會用工具」不同。會用工具，是單次操作；會建系統，是把操作變成組織能力。

Max Hodak 在對談中提到，Claude 或 ChatGPT 在某個領域裡的表現，很大程度取決於使用者在該領域的能力。能力強的人可以給出更好的回饋，知道模型哪裡錯，也知道下一步該怎麼修正；能力不足的人，可能只會得到看似完整、實際上不可靠的答案。

這個觀點很適合用來看台灣企業的 AI 培訓。

許多企業現在把 AI 培訓做成工具課：教員工如何下 prompt、如何生成圖片、如何整理會議摘要。這些都有用，但只做到這裡，容易停在個人技能。下一階段的重點應該是流程課：如何把業務開發、客服回覆、採購比價、法務初稿、財務分析、內部知識查詢，做成 AI 可參與、可審核、可改善的流程。

在這個轉變裡，主管的責任也會變。主管不只是分派任務的人，而是設計人機分工的人。他要決定哪些環節可交給 AI，哪些環節必須人工覆核，哪些資料能進入系統，哪些決策不能交給模型，哪些輸出需要留痕與版本管理。

AI 讓執行變便宜之後，真正變貴的是判斷。

台灣製造業要看的，是工程流程會如何被軟體化

這集 Podcast 值得台灣讀者特別留意的地方，在於它沒有把 AI 限定在軟體產業。

Boom Supersonic 創辦人 Blake Scholl 在對談中提到，硬體工程裡有大量工作其實也像軟體，只是過去常被包在 Excel、人工交接、工程師個人檔案與孤立流程裡。他說，Boom Supersonic 早期就嘗試把傳統硬體工程流程軟體化，讓設計、分析與交接變得可重複。AI 加入後，軟體工程師可以建立架構與工具，硬體工程師則可以用 AI 輔助完成自己的專業部分。

他提到一個很有衝擊力的例子：過去渦輪葉片的分析可能需要工程師花一天處理一片葉片的一部分；現在透過軟體與硬體工程師共同建置的系統，可以更快看到結構與氣動結果，甚至讓兩位工程師設計整個噴射引擎。

這不代表 AI 已經讓兩個人可以處理完整航空產業裡所有設計、測試、製造、認證與安全責任。航空工程仍有高度複雜的物理限制、材料要求、測試流程與監管責任。

它提供的訊號在另一個地方：AI 對硬體產業的影響，會進入工程文件、測試紀錄、規格比對、模擬輔助、版本追蹤、跨部門交接與客製化設計流程。

放回台灣產業條件來看，這一點特別關鍵。台灣的產業優勢長期建立在硬體、供應鏈、工程整合、製造管理與客戶客製化能力上。若 AI 只被理解成聊天機器人，企業會低估它進入工程現場的速度。若把 AI 理解成流程重組工具，它就可能成為老工程師經驗傳承、跨部門協作、報價效率、規格變更與品保追蹤的新基礎。

許多台灣企業真正有價值的知識，並不在漂亮的資料庫裡，而是在工程師桌上的 Excel、業務與客戶來回修改的規格、資深人員腦中的判斷、品保與採購之間的交接紀錄，以及一次次專案踩過的坑。AI 若能把這些分散知識整理成可查詢、可推理、可更新的系統，製造業導入 AI 的重點就會從自動化，推進到組織經驗的保存、轉譯與擴大使用。

台灣的機會未必是做下一個 frontier model。更務實的切入口，是把 AI 放進既有產業的深層流程。

智慧工廠需要人類判斷，缺少審核只會更快製造錯誤

納瓦爾的觀點帶有強烈的科技樂觀主義，但他沒有把人類角色完全抹掉。

在對談中，他一方面主張「waste tokens, save time」，也就是不要過度斤斤計較 Token 成本，應該把重點放在節省人的時間與取得最終成果。另一方面，他也談到最強模型的重要性。他認為，在高價值任務裡，人往往不知道模型什麼時候犯錯，因此會傾向使用最聰明、最可靠的模型。這也可能讓 AI 市場出現寡占，因為高槓桿任務會集中使用少數最強模型。

這個判斷對企業有兩層提醒。

第一，AI 成本不能只看 Token 價格。若任務牽涉法律、財務、品牌、客戶信任、產品安全或重大決策，模型錯誤的代價可能遠高於模型使用成本。企業不能把所有 AI 任務都用同一個成本邏輯處理。

第二，模型越強，也越需要清楚的人類判斷。因為強模型的輸出通常更像真的、更有說服力，也更容易讓人放下戒心。如果組織沒有清楚的審核標準、資料邊界與責任歸屬，AI 工廠可能只是更快製造更多看似合理的內容、文件與決策建議。

Max Hodak 在對談中也把 AI 帶到法規、品質與受監管產品的脈絡。他來自 Science，這家公司聚焦神經科技裝置與腦機介面相關產品；Science 官方介紹也顯示，Max Hodak 是 Science Corporation 的 founder and CEO。 從這個位置來看，AI 能協助處理文件、追蹤標準與加速溝通，但它無法直接消除公共安全、法規責任與社會信任的問題。

這一點必須講清楚。AI 可以降低流程摩擦，卻不能讓責任消失。尤其在醫療、航空、金融、法律、製造安全這類場景裡，真正重要的不是模型能不能產出一份看起來完整的文件，而是這份文件是否可追溯、可驗證、可被負責任的人審核。

智慧工廠如果缺少審核，就只是高效率的錯誤放大器。

內容創作者的 AI 工廠，核心是可信來源、觀點判斷與再利用流程

納瓦爾在創作部分也保留了人類角色。他認為，AI 會讓普通產出的價值下降，也會讓模仿風格很快失去新鮮感；真正能留下來的，仍與人的意圖、情感、品味與驚喜有關。

這一點對內容創作者尤其重要。

AI 可以協助產出文章、影片腳本、圖卡、標題與社群貼文，但如果所有內容都只是把既有網路資料重新排列，讀者很快會失去感覺。內容工作者的價值，會從「寫得出來」轉向「知道該問什麼、該保留什麼、該判斷什麼、該用什麼角度讓讀者看見變化」。

對知識媒體來說，AI 工廠不應該只是更快生成文章。它應該包含選題資料庫、來源核實流程、人物觀點拆解、標題測試、FAQ 設計、SEO／GEO 優化、圖卡與貼文再利用，以及讀者回饋整理。

這裡的關鍵是可信度與辨識度。

當 AI 內容越來越多，讀者會更在意誰能幫他判斷來源、看懂脈絡、指出邊界、轉成行動。內容創作者若只追求速度，很快會被其他更快的 AI 系統淹沒。能留下來的，是能把資料轉成判斷，把判斷轉成讀者可用理解的人。

在 AI 工業革命裡，品味不是裝飾，而是篩選與決策能力。

文/ 睿客

FAQ:

Q1｜納瓦爾說的 AI 工業革命，真正改變的是什麼？

納瓦爾談的 AI 工業革命，重點在於生產方式的改變。過去我們常把 AI 想成提高效率的工具，例如更快寫信、更快做簡報、更快整理資料；但他的觀點更進一步：個人、小團隊與企業，開始有機會把 AI 做成一套可重複運作的「智慧工廠」。

這座工廠不是實體廠房，而是一套由模型、agent、資料、工具、流程、測試與人工覆核組成的工作系統。它的目標不是完成一次任務，而是讓工作成果可以持續產生、修正、累積，並在下一次變得更有效率。

這也是為什麼這個觀點對企業特別重要。AI 導入不能只停在員工會不會使用工具，而要進一步思考：哪些工作流程可以被拆解？哪些任務可以交給 AI 先處理？哪些結果需要人類審核？哪些經驗可以被保存下來，變成下一次可重複使用的組織能力？

Q2｜為什麼這個觀點對台灣中小企業特別重要？

台灣中小企業常有一個共同特徵：專業很深，但流程分散，許多重要知識集中在少數資深人員身上。很多關鍵經驗不是存在正式資料庫裡，而是在工程師腦中、Excel 表格、LINE 對話、客戶規格變更紀錄、品保回報與跨部門交接裡。

納瓦爾的「智慧工廠」觀點，對台灣企業的提醒是：AI 的價值不只在自動化，也在於把分散的經驗整理成可以查詢、可以更新、可以傳承的系統。當 AI 能協助整理工程文件、客服知識、報價資料、採購紀錄、內部 SOP 與客戶需求，企業就有機會把原本靠人腦保存的經驗，轉成可累積的組織資產。

不過，AI 不能自動解決資料混亂、權責不清或流程沒有標準的問題。企業若沒有基本流程與人工審核，AI 只會讓混亂更快流動。因此，台灣中小企業的第一步，不一定是追求全面自動化，而是挑一段重複性高、風險可控、容易檢查成果的流程開始試作。

Q3｜AI 會讓工程師與知識工作者變得不重要嗎？

納瓦爾這場對談給出的方向，不是工程師與知識工作者不再重要，而是他們的價值正在移動。

過去，一個人的價值常來自親手完成任務。工程師寫程式，顧問做簡報，行銷人員寫文案，研究員整理資料。AI 進入工作流程後，這些能力仍然重要，但更高價值會逐漸集中在另一種能力上：能不能定義問題、拆解任務、設計流程、選擇工具、審核結果，並讓 AI 穩定參與產出。

換句話說，只會單次操作工具的人，競爭力會被快速拉平；能把 AI 變成生產系統的人，會更有價值。這也是企業培訓需要調整的地方。未來的 AI 培訓不能只教 prompt 技巧，還要教員工如何設計流程、判斷品質、管理資料、處理例外，並為最終成果負責。

Q4｜企業應該使用最強模型，還是優先考量成本？

納瓦爾的看法是，高價值任務會傾向使用最聰明、最可靠的模型，因為使用者往往不知道模型什麼時候犯錯。對企業來說，真正昂貴的不是模型費用，而是錯誤決策、錯誤文件、錯誤程式、錯誤合規判斷，或客戶信任受損。

這不代表所有任務都必須使用最高階模型。大量低風險、標準化、容易驗證的任務，可以使用成本較低的模型，甚至用開源模型處理。但如果任務牽涉法律、財務、品牌、產品安全、客戶關係或重大決策，企業就不能只看 Token 成本。

更合理的做法，是建立模型分級使用原則。低風險任務追求成本效率，高風險任務優先考量正確性、可審核性、資料保護與責任歸屬。AI 工廠不是用一個模型處理所有事情，而是根據任務風險配置不同能力與審核層級。

Q5｜AI 智慧工廠會不會讓企業只需要更少人？

AI 可能讓部分重複性工作所需人力下降，但若把智慧工廠簡化成「少請人」，會錯過更大的變化。真正重要的問題，是人力會如何重新配置。

當 AI 能處理更多中間流程，人類的工作重心會往流程設計、審核判斷、客戶關係、創意方向、例外處理與責任承擔移動。企業仍需要人來定義方向、設計工作系統、處理複雜情境、維持客戶信任，並承擔最終結果。

尤其在製造、醫療、金融、法律、航空與安全相關場景，AI 可以加速文件、分析與流程處理，但不能取代所有審核與問責。企業真正要思考的是：哪些職位會被重新設計？哪些員工需要從任務執行者，轉成 AI 流程管理者與品質把關者？

Q6｜內容創作者可以如何建立自己的 AI 工廠？

內容創作者可以把 AI 從單次寫作工具，提升為內容生產系統。這套系統可以包含選題資料庫、資料蒐集、來源核實、文章架構、標題測試、FAQ 設計、SEO／GEO 優化、圖卡製作、社群貼文再利用與讀者回饋整理。

真正的差距，不在誰能更快生成一篇文章，而在誰能持續產出可信、有觀點、有辨識度的內容。當 AI 內容越來越多，讀者會更在意誰能幫他判斷來源、看懂脈絡、指出邊界，並把資訊轉成可用的理解。

因此，內容創作者的 AI 工廠，核心不是產量，而是可信度、觀點與再利用能力。AI 可以協助加速流程，但最後能讓讀者記住的，仍是人類的判斷、角度、品味與責任感。

參考資料：

閱讀推薦：

版權聲明與授權須知

本內容由 InfoAI 擁有著作權。如有引用、轉載或任何商業用途的需求，請來信聯絡： contentpower688@gmail.com。

如果你覺得這篇解讀對你有幫助，歡迎訂閱 InfoAI 電子報，我們將持續為你精選 全球 AI 新聞與趨勢洞察，幫助你看懂新聞背後的真正意義。也別忘了加入透過［按鈕］加入 Line 社群 ，隨時掌握值得關注的 AI 發展與專業觀點。

AI 協作聲明：

本篇文章由 InfoAI 團隊策劃，並透過人工智慧工具協助資料整理與內容撰寫，最終內容由編輯進行人工審閱與優化。

Section image

JUDGEMENT

We help you make better judgement about AI.

不是更快知道 AI 新聞，而是更早做出你能承擔後果的判斷。

InfoAI 存在的目的
是把 AI 的變化，轉換成可被理解、可被評估、可被行動的判斷框架。

上一篇下一篇
Cookie的使用
我們使用cookie來改善瀏覽體驗、保證安全性和資料收集。一旦點擊接受，就表示你接受這些用於廣告和分析的cookie。你可以隨時更改你的cookie設定。 了解更多
全部接受
設定
全部拒絕
Cookie 設定
這些cookies支援安全性、網路管理和可訪問性等核心功能。這些cookies無法關閉。
這些cookies幫助我們更了解訪客與我們網站的互動情況，並幫助我們發現錯誤。
這些cookies允許網站記住你的選擇，以提升功能性與個人化。
儲存