跨活動對照 · 2024–2026
同一波浪潮,從太平洋兩岸看過去
Berkeley 的 Agentic AI Summit 2026 講了什麼,對照前兩年台北三場 AI 年會講了什麼。四個活動都有同一位作者整理的完整筆記站——下面每一個論點都能連回出處。
四個活動,一條浪潮
陣容其中三場是台灣規模最大的綜合型 AI 活動——台灣人工智慧年會 2024、2025,以及 2025 年 5 月的生成式 AI 年會;第四場就是本站主角、Berkeley RDI 的 Agentic AI Summit。每張卡片都直接連到該活動的完整筆記站。
2026/8/1–2 · UC Berkeley
Agentic AI Summit 2026
前沿實驗室、學界與企業齊聚,整場都在談 agentic AI 本身:能力、評估、安全、治理、機器人與 agentic 經濟。
2025/9/9–10 · 台北中研院
台灣人工智慧年會 2025
台灣產業與研究社群談「導入之後」:agent 的失敗模式、評估危機、算力回流地端與 physical AI。
2025/5/23–24 · 台北
生成式 AI 年會 2025
實務者與開發者社群,正好站在生成式 AI 轉向 agentic 的那個時刻:MCP 成為協定層共識、AI 寫程式,以及評估首次被點名為瓶頸。
並排看規格
基本盤| Agentic AI Summit 2026 | 人工智慧年會 2025 | 生成式 AI 年會 2025 | 人工智慧年會 2024 | |
|---|---|---|---|---|
| 日期 | 2026/8/1–2 | 2025/9/9–10 | 2025/5/23–24 | 2024/9/27–28 |
| 地點 | UC Berkeley 校園 | 台北中研院 | 台北福華國際文教會館 | 台北中研院 |
| 主辦 | Berkeley RDI | 台灣人工智慧學校 | — | 台灣人工智慧學校 |
| 形式 | 4 舞台並行、14 場直播 | 3 軌並行 | 單一舞台依序進行 | 5 軌並行 |
| 規模 | 147 場 · 現場約 5,000 人+全球直播 | 約 58 場 · 約 1,500 人 | 25 場 · 23 位講者 | 58 場 · 71 位講者 |
| 誰在台上 | 前沿實驗室(OpenAI、Google DeepMind、NVIDIA…)、學界、企業 | 台灣企業、研究機構、政府 | 實務者與開發者社群 | 台灣產官學 |
| 一句話主軸 | 能力已不是瓶頸——瓶頸在評估、環境與治理 | 從導入 AI 走向規模化 AI | 從回答走向行動 | AI 落地各行各業——到底能不能導入? |
| 筆記 | 本站 | taiwan-ai-academy-conf-2025 ↗ | gaiconf2025 ↗ | taiwan-ai-academy-conf-2024 ↗ |
同一條曲線,四個讀點
時間軸按時間排開,四場活動像同一個 agent 故事在四個時刻的四次講述——每一場都在回答上一場留下的問題。
2024/9
台北
「到底該不該導入?」
人工智慧年會 2024 還在辯基本題:RAG 與 fine-tuning 之爭沒有定論,主權 AI 與繁中資料瓶頸是主旋律(訓練語料裡繁中只佔百萬分之四),agent 只在「任務明確、可拆解、可驗證」的地方跑得動——X 光判讀 agent 靠任務拆解把準確率從五六成拉到九成以上。該站自己的 2026 回望 ↗ 幫官方預測打了分數:「AI agent 將成主流」正是沒有應驗的那一條。
2025/5
台北
「從回答走向行動」
生成式 AI 年會 ↗ 剛好抓住轉折的瞬間:焦點從聊天移向會動手的 agent,MCP 形成協定層共識,而且——在這個系列裡第一次——「評估比能力更難」被明確點名。台灣的位置被總結成「應用層扎實、模型層單薄」。
2025/9
台北
「為什麼上線了卻留不住?」
三個半月後,人工智慧年會 2025 ↗ 已經走進幻滅低谷:工具掛太多,agent 準確率掉到 33%;評估危機浮上檯面(benchmark 八成是選擇題,真實工作不是);算力回流地端;垂直小模型在在地任務上打贏通用大模型。該站的五月對九月比較頁 ↗ 逐題記錄了問題意識如何在一季內變硬。
2026/8
Berkeley
「先量測,再放權」
Agentic AI Summit 拿著同一份診斷書,直接把整個議程蓋在上面:既然能力已不是瓶頸,兩天就都給了評估方法學、安全、governance as code、世界模型與 agentic 經濟。第二天的主旋律「先量測、再放權」,正是九月台北那個問題的答案。詳見每日統整。
兩邊不約而同的地方
共同結論隔著一個太平洋、差著一年、講者幾乎零重疊,幾個結論卻是各自獨立走到的——而且通常兩個房間都沒聽到對方講過。
評估是瓶頸——三個房間,同一個判決
Berkeley 兩個舞台各排了一整個場次談 evals,結論是「benchmark 分數不等於生產環境可靠度」。人工智慧年會 2025 把同一件事叫做「評估危機」,還附上數字:benchmark 八成是選擇題、商用場景卻是開放題,11 項開放式評測只有 4 項過線——「磅秤秤不出水有多深」。生成式 AI 年會更早就點名「判斷夠不夠好,比把能力做強更難」。同一個判決,三種說法。
Agent 有了自己的「失敗模式文獻」
到了 2025–26,每個房間都不再 demo agent,改成解剖 agent 怎麼失敗。Berkeley 這邊:Stoica 的 agentic 軟體工程兩大根本缺口、Tworek 盤點長視野 agent 的失敗模式、Credo AI 的「掙來的自主權」授權階梯。台北那邊:工具一掛多準確率掉到 33%、Cisco 統計每台 agentic 引擎平均要重複確認 8–14 次——而 2024 年就已經發現,任務可拆解的 agent 才落得了地。連解法都收斂到同一句:把環境縮小、每步驗證、自主權要用表現換。
資安從「模型」移到「系統」
Dawn Song 在 Berkeley 的 keynote 示範了連評估沙盒都能變成攻擊面;Zaremba 把安全重新框成「火」一般的 resilience。台北從防守方視角追到同一個位移:2025 年會發現企業最大風險不是模型失控、而是員工誤用,並逐條過了 OWASP LLM Top 10;Ed Chi 的說法是「safety 是 A × B × C,不是 A + B + C」——一個因子弱,乘積歸零。順帶一提,Chi 是唯一同時出現在兩個房間的講者:2025 在台北講安全乘法,2026 在 Berkeley 講個人化通用 agent。
沒有人把「人」拿掉
四個房間裡,沒有任何一個部署案例宣稱做到完全取代人。Berkeley 第二天反覆回到 human-in-the-loop 與 Dan Klein 的「超可靠勝過超智慧」;Salesforce 談的是讓員工蓬勃發展。台北這邊,91App 跑的是「Rule Engine + AI + 人」的混合架構,台達電的生成式設計做到「大概對的 85%」之後交給人接手。混合不是過渡期——兩邊現在都把它當成設計目標本身。
各走各的地方
分歧點分歧多半不是互相矛盾,而是問的根本不是同一題——取決於各自坐在技術棧的哪一層、自己的經濟體缺的是什麼。
議題光譜的兩端
Berkeley 花了不少舞台時間談遞迴自我改進、AGI 時程、世界模型、agentic 經濟的支付軌道——這些在台北幾乎不存在。台灣三場花時間談主權 AI、繁中資料稀缺(訓練語料百萬分之四、合法授權的台灣影像約 1,300 張)、數位孿生與無人機供應鏈——這些在 Berkeley 也幾乎不存在。沒有誰落後,兩邊寫的是不同的考卷。
引擎不同:能力前沿 vs. 缺工
推動採用的力量從根上就不一樣。Berkeley 的驅動力是能力前沿、以及治理它的競賽——能放多少自主權、放多快。台灣的驅動力是人口結構:年出生數從 40 萬腰斬到 20 萬,企業導入 AI 之後照樣缺好幾百人,政策場上有人講得直白——「能救台灣的只有機器人跟外國人」。同一項技術,照出兩種相反的稀缺:美國缺的是信任,台灣缺的是人。
機器人:基礎模型 vs. 物料清單
兩邊都把機器人放上主舞台,但講的是兩件事。Berkeley 的機器人線在談 robot foundation models 與「模擬是新的基礎建設」——Fidler 的世界模型一年內從五秒影片跑五分鐘,進化到消費級顯卡即時。台北的機器人線在算成本表、看供應鏈:一台人形機器人實體測試要價約 400 萬新台幣、數位孿生的價值在試產、機器人廠商開始把 URDF 檔列為交付項目。一個房間在訓練大腦,另一個在替身體報價。
算力:往前推曲線 vs. 沿著曲線省
Berkeley 的基礎設施場往外推:光子運算、rack 級共享記憶體 KV cache 的分離式 serving、diffusion LLM 重定義 token 效率前沿。台北往內算帳:地端建置對雲端 token 的損益平衡點約在每分鐘 250 次推論、1.5–2 年回本;群聯用 NAND flash 把一筆地端訓練成本從 3,000 萬新台幣壓到 100 萬以下;24B 的垂直模型用六分之一的 VRAM,在台灣法律題上打贏 120B 的通用模型。其實是同一條成本曲線的兩端——一邊在移動它,一邊在沿著它走。
這一頁怎麼讀
方法這份比較的底稿是四個筆記站,不是四份官方議程。四個站——本站與三個台灣活動站——都由同一位作者整理,所以視角一致;但每份筆記的收錄門檻不同,表格裡的空白只代表「筆記沒收」,不必然代表「台上沒講」。
台灣的站本身就有自己的比較頁,本頁的方法直接借鑑它們:人工智慧年會 2025 的站把自己對照 2024、也對照五月的生成式 AI 年會;2024 的站則用 2026 的後見之明回頭驗證當年的官方預測。Berkeley 這一側的每個論點,都連到本站的完整演講筆記。
文中引用的數字(工具過多掉到 33%、每分鐘 250 次推論的損益平衡、一台人形機器人 400 萬新台幣、繁中語料百萬分之四……)都是各活動講者在台上給的說法,外部查證請見各站的 sources 頁。