經濟日報社論／再論培育頂尖 AI 人才

面對全球AI浪潮，政府展現了令人肯定的行動力，從教育部的AI課程推動、科技部的晶片驅動計畫，到數位部算力建設規劃，跨部會動員顯示了台灣不願在第四次工業革命缺席的決心。然而，身為政策制訂者與資源分配者，我們必須誠實地問自己一個問題：為什麼預算投入後，產出的多半是應用型工程師，而非能像Google DeepMind或OpenAI那樣，具備定義未來能力、引領世界潮流的「頂尖科學家」？答案或許不在於預算多寡，而在於我們治理思維的本質差異。

黃仁勳在不久前的一次媒體專訪中透露，輝達在創業初期，有部分研發人員的短期績效成果不佳，但公司不但未予辭退，反而給予最大的耐性與自主空間，沒想到這批人後來成為輝達GPU基礎技術的奠基者。

我們必須認清，頂尖AI人才的培育與傳統半導體人才截然不同。過去，教育部與經濟部習慣的成功模式是「產學接軌」，目標是訓練出能快速上手、良率精準的工程師，這在製造業時代是完美的戰略。但真正的頂尖AI人才，那些能開發出下一個Transformer架構的人，本質上是「科學家」與「數學家」。在矽谷的頂尖實驗室裡，這些人花費大量時間探討線性代數與高維空間的機率分布，而不僅僅是調用API。如果我們的教育政策仍停留在追求「修課人數」或「證照張數」，忽略了基礎數學與邏輯推演的深耕，充其量只能培養出成千上萬名熟練的AI操作員，卻無法誕生能改變規則的架構師。

更深層的危機在於我們對「失敗」的行政定義。在科技部或經濟部的科專計畫審查中，往往要求明確的「績效指標」與「商業化時程」，這種源自製造業「零瑕疵、高良率」的考核文化，正是AI創新的最大殺手。看看OpenAI或Meta實驗室，他們推崇的是「快速試錯」與「開源分享」。頂尖人才需要的是一個能容忍長期探索、甚至允許高機率失敗的環境。如果政府的每一筆補助都要求在一年內看到具體ROI（投資報酬率），那麼真正的天才絕不會願意在填寫繁瑣的結案報告中浪費生命，他們會選擇離開，去往那些願意為「可能失敗的大膽嘗試」買單的地方。

此外，數位部與相關部會必須意識到，基礎設施的「主權」不僅在於硬體，更在於數據治理。對於頂尖AI科學家而言，算力與數據是如同空氣般的必需品。當我們羨慕微軟能為OpenAI提供無上限的Azure算力時，我們是否為台灣的研究者搭建了足夠的舞台？更重要的是，政府掌握海量的公部門數據，卻往往因跨部會格式不一或法規保守而成了死資料。若能建立一套國家級的數據治理框架，將這些數據轉化為高品質的「燃料」，這對頂尖人才的吸引力，絕對大於單純的薪資補貼。

擴大建立產學研旋轉門機制，允許潛力人才在學術界進行前沿理論研究，與產業界驗證大規模落地之間自由流動，是培育AI頂尖人才環境的重要養分，如此既能確保理論不脫離現實，應用亦不缺乏理論支撐。

具挑戰性的真實問題亦是頂尖人才渴望的激勵元素。如果只是做簡單的報表自動化，他們很快會流失。給予能改變行業格局的挑戰，例如：利用AI加速新藥開發、優化全球供應鏈路徑等，是關鍵的留才條件。

台灣擁有世界第一的晶片製造能力，這是我們的底氣，但也可能成為我們的盲點。我們不能只滿足於做AI時代的「軍火商」，賣鏟子給別人去挖礦；我們必須自己也能培養出懂得在哪裡挖礦的地質學家。這需要教育部回歸基礎科學的扎根，需要科技部與經濟部鬆綁對研發失敗的零容忍，需要數位部加速構建數據與算力的基礎建設。唯有當政府的決策思維從「代工邏輯」進化為「研發邏輯」，我們才能真正留住那些擁有頂尖大腦的人才，讓台灣在AI時代不僅有硬體的骨架，更有軟體的靈魂。