(鄒志中特稿) 台灣真正的風險不是沒有台積電，而是沒有「產業AI」？Nokia的教訓不是大公司會倒，而是遊戲規則都改變了，台灣還在用舊方法？台灣目前正在享受一場前所未有的AI出口繁榮。2025年台灣出口金額達6399.8億美元，年增34.8%，創歷史新高；2026年上半年更續創同期新高。台灣資通與視聽產品出口暴增，電腦及其附屬單元躍居出口第一大品項，與積體電路合計約占總出口三分之二。台灣電子零組件與電腦電子產品景氣燈號轉紅，成為製造業回溫的主要引擎。台灣GDP與外銷訂單屢創新高，台灣經濟成長率有望再次突破兩位數。
但就在半導體、電子零組件與資通訊產業乘著AI浪潮高速成長之際，另一個台灣也正在形成。紡織、紙漿、化學製品、橡塑膠、基本金屬、汽車零件等傳統產業，絕大多數仍陷於低潮，出口與生產承壓，景氣燈號多呈藍燈。許多次產業已十餘個月陷入出口負成長。台經院明確指出，「AI強、傳產弱」的雙軌走勢恐將延續。
這兩個台灣，正在同時存在。問題因此已經不是「台灣有沒有AI」。真正的問題是：AI創造的繁榮，究竟能不能穿透半導體與資通訊產業，進入台灣數十年累積的傳統製造業？如果答案是否定的，那麼台灣今天看到的就不只是產業景氣循環，而可能是一次結構性的產業分化，甚至可能是台灣傳統製造業自己的「Nokia時刻」。
Nokia的故事之所以經典，並不是因為手機公司被另一家手機公司打敗。真正重要的是競爭規則改變了。2007年iPhone問世以前，手機產業的核心能力包括硬體設計、通訊技術、製造能力、通路與品牌。Nokia在這套遊戲規則中曾經極具優勢。但iPhone帶來的並不是「一支更好的手機」，而是把手機從硬體產品重新定義成作業系統、應用程式、資料與開發者生態系。競爭的核心從「誰能把手機做得更好」，逐漸變成「誰能控制平台與生態系」。Nokia真正失去的，不是一款手機的市場，而是產業定義權。
這正是今天台灣傳統製造業最值得警惕的地方。過去台灣製造業最擅長的是把產品做得更快、更便宜、更精準、更有效率。這套能力支撐台灣製造業數十年。但AI帶來的下一場競爭，很可能不是要求企業把同一套產品再做得更便宜5%。而是問：如果產品設計、製程調整、品質判斷、設備維護、供應鏈管理，全部可以被AI資料化與模型化，那麼「製造能力」本身還值多少錢？這才是問題。
今天台灣經濟最值得注意的現象，是AI正在製造一個非常明顯的產業雙軌。一端是半導體、電子零組件、資通訊、伺服器、AI算力，吃的是AI資本支出與全球資料中心建設。另一端則是機械、金屬、塑橡膠、工具機、紡織、化工、傳統零組件等製造業，面對的卻是中國大陸產能、價格競爭、全球需求疲弱與供應鏈重新布局。因此，台灣正在形成一個值得警惕的現象：AI讓台灣GDP變得更高，卻不代表所有產業都變得更強。
這也是「均衡台灣」真正困難的地方。如果出口與經濟成長越來越集中於少數AI相關產業，台灣整體GDP即使創新高，也可能同時出現傳統製造業利潤下降、中小企業投資能力下降、就業結構分化、薪資差距擴大、地區產業發展不均與供應鏈兩極化。因此，台灣不能只看GDP。必須看誰在成長？誰沒有成長？以及誰正在被新的技術規則給排除？
但如果只把問題歸咎於「中國擠壓」，仍然不夠。中國製造業的競爭壓力當然是真實存在的。尤其在新能源車、太陽能、電池、鋼鐵、化工、機械設備等領域，中國企業依靠龐大的內需市場、完整供應鏈、規模經濟與政策支持，形成強大的成本與產能優勢。歐美與部分發展中國家對中國產能、貿易失衡與產業競爭的疑慮，也確實持續存在。
但如果台灣最後只得到一個結論：「傳產衰退，是因為中國太便宜」，那麼政策就很容易走向錯誤答案。因為中國企業也正在改變。中國大陸製造業的競爭力早已不只是「低工資」。從新能源車、電池、太陽能到高端裝備，中國製造正在往規模、供應鏈、工程能力、資料與自動化移動。因此真正的問題不是中國為什麼可以這麼便宜，而是當中國大陸也開始使用AI降低設計、製造與供應鏈成本時，台灣還剩下什麼競爭優勢？這才是台灣真正應該回答的問題。
「中國擠壓論」與「中國合作論」其實可以同時存在。中國大陸方面強調的是，中國企業對全球南方的投資、基礎建設合作，以及新能源產品輸出，同樣可能降低部分國家的工業化與能源轉型成本。太陽能板更便宜、電動車更便宜、電池更便宜，對於需要低成本完成能源轉型與基礎建設的國家而言，這當然可能具有正面效果。但另一個問題也不能因此消失：如果一個國家的本土製造業因為外國超大規模產能而無法建立，那麼便宜的進口商品究竟是「工業化助力」，還是「工業化替代」？答案並不會完全相同。這取決於這個國家有沒有能力把低價進口轉換成自己的產業能力。因此，「中國擠壓」與「中國合作」並非一定只能二選一，它可能同時存在。
真正值得台灣研究的，其實是德國：把「資料」變成製造業基礎設施。德國面對中國製造競爭，並沒有只選擇「降低工資」，也沒有只選擇「補貼企業買AI」。它開始處理一個更底層的問題：製造業的資料能不能成為新的基礎設施？Catena-X就是重要案例。它以汽車產業為核心，建立跨企業的資料交換與標準體系，把車廠、零組件供應商、物流、原材料與其他供應鏈參與者連結起來。
這件事情的真正價值，不只是「數位化」，而是把原本散落在不同公司的設計資料、生產資料、品質資料、物流資料、碳排資料、材料資料與回收資料，變成可以按照共同標準交換、驗證與使用的產業資料。這與「每家公司自己買一套AI」是完全不同的概念。2026年，Catena-X已成長超過五倍，會員突破1000家企業，涵蓋多數頂尖供應商，並開始產生實質經濟效益：品質問題平均提早四個月被發現、新供應商資料交換從數月縮短至五週、能耗降低15%。德國進一步推動Manufacturing-X與Factory-X，把資料空間從汽車擴展到機械與工業工程，強調主權資料交換與工業AI的基礎。
AI的規模經濟，不在一家工廠，而在整條產業鏈。假設一家工具機廠導入AI，它可以讓設備預測維護更準確、良率提高、能源使用降低、生產排程最佳化。這當然有價值。但如果整個工具機產業的資料都能按照共同標準交換，AI能做到的事情就完全不同。設備製造商知道哪些零件最容易故障，使用者知道不同加工條件下的設備反應，材料商知道不同材料特性，維修商掌握設備壽命，供應鏈知道零件需求。因此，AI不只是「一家工廠的助手」，而變成整個產業的知識引擎。這就是所謂的資料網路效應，也是台灣現在最容易漏掉的一塊。
台灣推動AI進入各產業，方向本身沒有問題。政府已推動「AI新十大建設」、百工百業AI應用，輔導超過2000家企業導入AI，並開發共通模型。問題可能出在：台灣仍然習慣用「企業」作為政策最小單位。補助一家企業、輔導一家企業、導入一套AI、完成一個數位轉型案例，最後得到很多「AI示範企業」。但這些企業彼此之間的資料能不能互通？產業共同資料集在哪裡？產業標準在哪裡？AI模型能不能跨企業學習？上下游供應鏈能不能共同使用？這些問題如果沒有解決，台灣就容易陷入：每家公司都有AI，但整個產業卻沒有AI產業鏈。這是兩回事。
同樣的變化也正在美國出現。近年矽谷AI投資開始從純軟體進一步往機器人、工業自動化、工程設計、製造模擬、航太、生技、晶片設計延伸。其中一個核心概念就是Physical AI：讓AI不只理解文字與影像，而是理解物理世界。這意味著AI必須知道材料會怎麼變形、機械手臂如何運動、零件在不同溫度下如何反應、設備什麼時候會故障、一個設計修改之後實體產品會發生什麼變化。如果這些資訊全部可以被感測器、模擬器與AI模型捕捉，製造業最珍貴的「老師傅經驗」也可能逐漸被數據化。這是一個非常大的產業變化。2025年底以Jeff Bezos的Project Prometheus為首，帶動逾千億美元「Neo Labs」新創投資，正是試圖用AI重構從設計到生產的一條龍自動化體系。
老師傅的經驗，可能就是下一代製造業最重要的訓練資料。傳統製造業有一種很特殊的資產。它不在財報裡，也不一定有專利。它存在老師傅腦中：「這個聲音不對」、「這個震動代表軸承快壞了」、「這種材料不能用這個加工速度」、「溫度再高兩度，良率就會開始掉」。這些經驗過去被稱為know-how。AI時代真正重要的問題是：能不能把know-how轉換成data → model → algorithm → automated decision。一旦成功，製造業的競爭邏輯就會發生重大改變。因為企業不再只是比較「誰的機器比較好」，而是比較誰擁有更好的資料與模型。
這才是台灣真正的「Nokia風險」。因此，台灣傳產的Nokia風險，不是某一天突然被AI淘汰。真正的風險是：第一階段，競爭對手價格比較低；第二階段，競爭對手自動化程度比較高；第三階段，競爭對手資料比較完整；第四階段，競爭對手AI模型開始比人更快做決策；第五階段，產品本身變成演算法的一部分。到了這個階段，傳統製造業原來最珍貴的資產——機器、廠房、人工經驗——可能都不再是唯一核心競爭力。真正稀缺的可能變成資料、模型、演算法與場景。這才是Nokia故事真正值得台灣學習的地方。
因此，台灣下一階段的AI政策，應該從「企業AI」走向「產業AI」。不是問這家公司有沒有導入ChatGPT，而應該問這個產業有沒有自己的資料基礎設施？不是問有多少企業導入AI，而應該問有沒有形成產業級AI模型？不是問補助了多少家公司，而應該問整條供應鏈的生產力提高多少？這三個問題完全不同。
台灣下一個政策競爭，不應該是「百工百業」，而是「百鏈百AI」。如果台灣真的要把AI紅利擴散到傳統製造業，政策可以進一步思考：第一，建立產業共同資料空間，以工具機、金屬加工、紡織、塑化、汽車零組件等產業為單位，建立共同資料標準；第二，建立產業級資料集，把供應鏈、品質、能源、設備、材料、物流與碳排資料結合；第三，建立產業AI模型，不是每家公司各自訓練，而是由產業共同建立基礎模型；第四，建立Physical AI測試場域，讓AI真正進入機器、設備、工廠與產線；第五，把中小企業納入資料生態系，否則AI最後只會集中在大型企業，反而擴大產業差距；第六，把AI與人才政策綁在一起，台灣真正需要培養的不只是AI工程師，而是懂製造、懂資料、懂AI的人。
台灣真正要避免的，不是「沒有下一個台積電」。台灣經常問「下一個台積電在哪裡？」，但這個問題可能已經太晚。真正應該問的是：下一代製造業的核心能力在哪裡？因為未來製造業可能不是晶片廠、工具機廠、汽車廠、機器人廠，而是資料、模型、設備與供應鏈的融合體。如果是這樣，台灣最大的優勢其實仍然存在。台灣擁有非常完整的製造供應鏈、大量中小企業、電子、機械、金屬、半導體與ICT產業的密集網絡。問題不是台灣沒有資料。問題是：資料都被鎖在一家公司、一台設備、一條產線、一個ERP系統裡。
AI時代最大的產業政策錯誤：把資料當副產品。過去企業生產產品，資料只是副產品。AI時代可能反過來。生產產品，同時也是生產資料。每一次加工、每一次失敗、每一次維修、每一次客訴、每一次材料變化、每一次設備異常，都是AI模型的訓練資料。因此，資料不是IT部門的問題，而是製造業的戰略資產。誰能把製造現場變成資料資產，誰就可能取得下一代製造業的競爭優勢。
所以台灣傳產到底會不會出現「Nokia時刻」？答案不能簡單地說「會」或「不會」。因為Nokia案例與台灣傳產並不完全相同。Nokia面對的是智慧型手機平台的典範轉移。台灣傳統製造業面對的則是中國產能競爭、全球供應鏈重組、AI、資料與Physical AI多重力量同時作用。但Nokia故事確實提供一個重要警訊：產業最危險的時刻，不一定是營收開始下降的時候，而可能是企業仍然依靠過去成功的方法，卻沒有察覺遊戲規則已經改變。這才是台灣今天真正應該警惕的地方。
真正的問題不是AI會不會淘汰傳統製造業，而是誰能把AI變成傳統製造業的新生產力。中國大陸正在用規模、供應鏈與成本重新定義製造。歐洲正在用資料標準、共同資料空間與工業AI維持製造優勢。美國則正在把AI往機器人、工程設計與Physical AI推進。三者走的路不同，但有一個共同點：製造業正在從「機器競爭」走向「資料與智能競爭」。
台灣最大的危險，不是沒有AI。台灣其實擁有全世界最密集的製造資料之一。真正的危險是：台灣擁有資料，卻沒有把資料變成產業資產；台灣擁有製造能力，卻沒有把製造能力變成AI模型；台灣擁有完整供應鏈，卻沒有把供應鏈變成共同智能。如果政策仍然停留在「一家企業補助一套AI」，台灣可能得到數千個AI示範案例，卻失去一整代產業升級機會。反過來，如果能把工具機、金屬、汽車零組件、塑化、紡織等產業的資料真正組織起來，建立產業共同資料空間、產業模型與Physical AI應用環境，那麼台灣傳產就不必複製Nokia的命運。
Nokia真正的教訓，從來不是「大企業也會被淘汰」，而是：當產業的競爭規則改變時，過去最成功的能力，可能反而成為最危險的路徑依賴。台灣現在還有時間。但這個時間，恐怕不是拿來討論「要不要導入AI？」，而是要回答更根本的問題：下一代台灣的製造業，到底要不要擁有自己的資料、自己的模型，以及自己的產業智能？這才是台灣傳統製造業真正的「Nokia時刻」究竟會不會到來的關鍵。