核心結論
2026 年 6 月 1 日，NVIDIA CEO 黃仁勳在台北音樂中心進行 GTC Taipei 2026 主題演說，時間點正好在 COMPUTEX 2026 開展前一天。這場演說真正值得台灣企業看的，不只是晶片、伺服器或 AI PC，而是 NVIDIA 正把 AI 描述成一套新的生產力基礎設施：從 AI factory、agentic AI、個人 AI 裝置，到台灣供應鏈與企業工作流。
FlyPig AI 的解讀很直接：Agentic AI 不是「更會聊天的機器人」，而是把資料、工具、流程、權限、審核與指標串在一起的新工作流作業系統。中小企業不用一開始就追最貴硬體，但必須開始整理自己的流程、資料與可自動化任務，否則很快會看得懂新聞，卻接不進自己的生意。
摘要
本文不是黃仁勳演說逐字稿，也不是 NVIDIA 產品規格整理。資料時間為 2026-06-02，事件與主題以 NVIDIA 官方 GTC Taipei 頁、NVIDIA 官方即時報導、COMPUTEX 官方資訊與公開媒體報導為準。
你會看懂三件事：
- 為什麼 GTC Taipei 的重點是「AI 變成基礎設施」，不是單一工具更新。
- Agentic AI 對企業真正的影響，是工作流與責任分工重組。
- 台灣企業接下來 30 天可以先做哪個最小可行 AI 專案。
目錄
- 先釐清：這場演說發生在哪裡
- 不要只看硬體：這是一場基礎設施演說
- Agentic AI 是工作流，不是聊天視窗
- AI Factory 對一般公司有什麼關係
- AI PC 與個人 AI 裝置：先看工作流，再看規格
- 台灣企業最容易踩的三個坑
- 30 天最小可行行動方案
- 參考來源與資料時間
- FAQ
先釐清：這場演說發生在哪裡
先把事實底座放穩。
COMPUTEX 2026 官方資訊顯示，展期為 2026 年 6 月 2 日至 6 月 5 日，主軸是 AI Together，四大主題是 AI 運算、機器人與智慧移動、次世代通訊、永續創新。
NVIDIA 官方 GTC Taipei 頁面則列出：GTC Taipei 2026 Keynote 於 2026 年 6 月 1 日上午 11 點在 Taipei Music Center 舉行，由 NVIDIA CEO Jensen Huang 主講。NVIDIA 官方即時報導也把這場活動定位在 GTC Taipei at COMPUTEX，涵蓋 AI factories、agentic AI、physical AI、AI 基礎設施與台灣供應鏈等主題。
所以這篇文章討論的是 GTC Taipei at COMPUTEX 2026 的黃仁勳主題演說，不是 2026 年 3 月在美國 San Jose 舉辦的 GTC 主活動。
這個區分很重要。因為台北這場演說不只是 NVIDIA 對全球開發者講技術，而是在台灣供應鏈、COMPUTEX 展場與企業採購情境中，重新定義「AI 下一階段會怎麼落地」。
不要只看硬體：這是一場基礎設施演說
很多人看黃仁勳演說，第一反應會是：這次又發表了哪張 GPU？哪個平台量產？AI PC 有什麼新規格？
這些當然重要，但對多數台灣企業來說，更大的問題不是「哪個硬體最強」，而是：
- 你的公司有沒有足夠清楚的資料流程？
- 哪些工作可以被 AI agent 接手第一段？
- 哪些決策仍需要人工審核？
- 算力、儲存、權限、資安與成本誰負責？
- AI 成果要怎麼被量化成工時、營收、毛利或錯誤率？
NVIDIA 官方報導把 AI factories 描述成 agentic AI 的基礎設施。這裡的關鍵不是每家公司都要蓋資料中心，而是「AI 會從單次回答，變成持續產出、可監控、可計費、可營運的生產系統」。
對台灣中小企業來說，這句話可以翻成更務實的語言：
你不需要第一天就擁有 AI factory，但你要開始把自己的流程整理成 AI 可以參與的產線。
例如客服不只是回答問題，而是：
- 收到 LINE 或表單問題。
- 判斷問題類型。
- 查內部知識庫。
- 產生建議回覆。
- 高風險情境交給人工。
- 記錄結果與錯誤。
- 每週回收資料更新 SOP。
這才是 Agentic AI 真正會改變的地方：不是讓你少開一個 ChatGPT 視窗，而是讓工作流本身變成可以被 AI 協作、追蹤與改善的系統。
Agentic AI 是工作流，不是聊天視窗
「Agentic AI」很容易被講得太玄。對企業主管來說，先不要把它想成一個會自己完成所有事情的萬能員工。
比較健康的理解是：Agentic AI 是一套能在明確邊界內，使用工具、查資料、拆步驟、執行任務並回報結果的工作流系統。
它至少包含五個層次：
| 層次 | 企業要問的問題 |
|---|---|
| 任務 | 這個 agent 到底要完成哪一件可驗證任務？ |
| 資料 | 它可以讀哪些資料？哪些資料不能碰？ |
| 工具 | 它可以呼叫哪些系統、API、表單或資料庫？ |
| 權限 | 哪些動作可以自動做？哪些一定要人工批准？ |
| 指標 | 成功率、錯誤率、節省工時與人工介入率怎麼量？ |
如果少了這五層，所謂 agent 很可能只是包裝過的聊天機器人。
這也是為什麼 FlyPig AI 一直提醒：AI 不是魔法，而是新的生產力基礎設施。真正重要的不是追工具，而是建立判斷力、流程力、內容力、產品化能力與商業化能力。
你要問的不是「我們公司要不要用 Agentic AI」，而是：
- 哪一個流程重複、耗時、但規則大致清楚？
- 這個流程有沒有足夠資料讓 AI 參考？
- 錯誤發生時，風險能不能被人工接住？
- 成果能不能在 30 天內量化？
如果答案是肯定的，那就值得做最小可行實驗。
AI Factory 對一般公司有什麼關係
AI factory 聽起來像大型雲端公司、晶片廠或資料中心業者的事。某種程度上，確實如此。NVIDIA 在 GTC Taipei 的官方報導談到 AI factory、Vera Rubin 平台、台灣供應鏈、電力效率、網路與冷卻等基礎設施議題，這些不是一般公司可以直接複製的規模。
但概念可以縮小。
對中小企業來說，「最小 AI factory」可以是一條可重複的 AI 生產線：
| 大型 AI factory | 中小企業版最小 AI factory |
|---|---|
| 大規模算力 | API、雲端 GPU 或內部伺服器 |
| 資料中心 | 公司知識庫、CRM、訂單資料、文件庫 |
| 模型與推論平台 | Dify、n8n、Make、內部 agent 或自建 API |
| 監控與營運 | KPI、錯誤紀錄、人工審核、版本控管 |
| 商業產出 | 客服效率、報價速度、內容產能、轉單率 |
重點是：你要把 AI 從「誰想到就問一下」變成「公司每週都能穩定產出某個成果」。
例如一間 B2B 零件公司可以先做：
- 報價前資料整理 agent。
- 產品型錄問答 assistant。
- 客服問題分類與摘要。
- 業務拜訪後的 follow-up 草稿。
- 每週市場情報摘要。
這些都不是科幻。它們也不需要一開始就大規模採購。真正需要的是流程盤點、資料清理、責任邊界與成效指標。
AI PC 與個人 AI 裝置：先看工作流，再看規格
GTC Taipei 與 COMPUTEX 期間，AI PC、個人 AI 裝置、Windows AI 工作站與本地推論會成為熱門話題。AP 報導也指出 NVIDIA 在台北發表面向筆電與桌機的 AI 晶片相關產品，並提到 Microsoft、Dell 等品牌的 PC 模型。
但對一般讀者來說，先不要被規格帶著跑。
選 AI PC 或個人 AI 裝置前，先問五個工作流問題：
- 我是否需要在本機處理敏感資料？
- 我是否需要離線使用 AI？
- 我的工作是否包含大量影像、影音、3D、程式碼或模型測試？
- 我是否需要把 AI agent 長時間放在本機執行？
- 我願意為本地效能多付多少錢，換取隱私、速度或控制權？
如果你的工作只是寫信、摘要、簡報、一般搜尋與內容草稿，多數雲端 AI 工具已經夠用。 如果你要做模型測試、影像生成、影音處理、內部資料推論或低延遲工作流，本地 AI 裝置才更值得評估。
更務實的做法是：先用雲端工具或 GPU Cloud 測出任務瓶頸，再決定要不要買更強的本機設備。若只是短期測 GPU 工作流，可以先看站內的 Runpod GPU Cloud 推薦文，用小規模實驗確認算力需求，再談長期採購。
台灣企業最容易踩的三個坑
坑一：把演示效果當成正式導入能力
舞台上的 demo 通常是精心設計過的場景。企業導入會遇到髒資料、例外流程、權限限制、跨部門阻力、舊系統 API、資安審核與人員訓練。
看完演說後，不要問「我們能不能做一樣的東西」。 要問「我們公司哪一個流程已經足夠清楚，可以先做小一號版本」。
坑二：只買工具，不整理流程
Agentic AI 最怕接到混亂流程。 如果你的 SOP 本來就不清楚，資料來源不一致，責任歸屬模糊，AI 只會把混亂放大。
導入前請先整理：
- 主要資料來源。
- 誰有權更新資料。
- 哪些回覆需要人工審核。
- 錯誤如何回報與修正。
- 每週誰負責看指標。
這些聽起來不刺激，但它們才是 AI 可以穩定工作的地基。
坑三：忽略總成本
AI 導入成本不只是模型費或軟體月費。 真正的總成本包含：
- 算力與 API。
- 儲存與資料同步。
- 權限與資安。
- 工程串接。
- 人工審核。
- 錯誤修正。
- 教育訓練。
- 流程改版。
這也是為什麼 GTC Taipei 談到 AI factory、電力效率與基礎設施時，對一般企業也有意義。你不一定要買一整套大型系統，但你一定要開始算「AI 工作流的完整帳」。
30 天最小可行行動方案
Zero2Fly 的精神是從零起飛：先做出最小可行成果，再逐步自動化、產品化、規模化。
看完 GTC Taipei 與 COMPUTEX 2026，不需要立刻開大型專案。你可以用 30 天做一個小但真實的 AI 工作流。
第 1 週：選一個流程
選擇標準：
- 每週至少重複 20 次。
- 有明確輸入與輸出。
- 錯誤風險可控。
- 能在 30 天內看出成效。
適合起步的流程包括客服摘要、業務 follow-up、會議紀錄、報價資料整理、內部 FAQ、內容草稿與競品摘要。
第 2 週：整理資料與邊界
請列出：
- AI 可以讀的資料。
- AI 不可以碰的資料。
- 哪些內容要附來源。
- 哪些輸出要人工審核。
- 出錯時由誰接手。
這一步決定你的 agent 是可控助理，還是高風險黑箱。
第 3 週：做出第一版原型
工具可以很簡單。你可以用 ChatGPT、Claude、Dify、Make、n8n、Google Sheets 或內部系統先拼出第一版。
不要追求完美。第一版只要回答：
- 能不能節省時間？
- 輸出是否可用？
- 需要多少人工修正？
- 哪些資料缺口最嚴重？
第 4 週：設指標與決策
至少量四個指標：
- 平均處理時間。
- 可用輸出比例。
- 人工介入率。
- 錯誤類型。
30 天後再決定：
- 停掉。
- 修正再測。
- 擴到下一個流程。
- 串進正式系統。
這才是 AI 時代比較健康的做法：不是被大型演說震撼後亂買工具，而是把一個流程變成可驗證、可改善、可累積的能力。
參考來源與資料時間
資料時間：2026-06-02。COMPUTEX 展期、產品資訊、GTC Taipei replay、NVIDIA 官方報導與第三方媒體報導可能更新，請以官方最新頁面為準。
- NVIDIA GTC Taipei 2026 Keynote 官方頁
- NVIDIA GTC Taipei at COMPUTEX 官方即時報導
- COMPUTEX 2026 官方展覽資訊
- AP: Nvidia bets on AI personal computers with new superchip powering Windows laptops
- TaiwanPlus: Nvidia's Jensen Huang lays out AI vision at GTC Taipei
FAQ
Q1：這篇是黃仁勳 GTC Taipei 演說逐字稿嗎？
不是。本文是 FlyPig AI 依官方頁面、官方報導與公開媒體資料整理出的商業解讀，不提供逐字稿，也不搬運演說內容。
Q2：Agentic AI 是否代表公司可以不用人了？
不建議這樣理解。更務實的做法是把 Agentic AI 視為工作流協作系統：它可以處理部分查詢、整理、草稿、分類與執行任務，但高風險決策、客戶承諾、法務、財務與個資相關流程仍需要人工審核。
Q3：中小企業現在需要買 AI PC 或 GPU 嗎？
不一定。先看工作流。如果你只是一般文書、摘要、簡報與內容草稿，雲端 AI 工具可能已足夠。如果你需要本地推論、敏感資料處理、影像影音生成、模型測試或低延遲任務，再評估 AI PC、工作站或雲端 GPU。
Q4：看完 COMPUTEX 2026，企業最該先做什麼？
先不要買一堆工具。請選一個重複、可量化、風險可控的流程，做 30 天最小可行 AI 專案。重點不是追上所有趨勢，而是建立公司自己的判斷力、流程力與產品化能力。
延伸閱讀
- Runpod 推薦文：AI 團隊想租 GPU、跑模型與做 Serverless 推論，什麼情境值得先試？
- 如何評選 AI Agent 平台？從工作流自動化到企業級 Agent 編排
- 別急著買一堆 AI 工具：台灣中小企業為什麼先從 Dify 做「可控的內部 AI 應用」
- 非技術主管的 90 天 AI 升級路線：不用寫程式，也要能交付可驗證成果
CTA
如果你想把 GTC Taipei 與 COMPUTEX 2026 的趨勢轉成自己的第一個 AI 工作流，先從一個流程開始，不要從一堆工具開始。
下一步可以接著看：OpenClaw AI Agent Guide，用 Agent 的角度重新整理你的工作流、資料與自動化節點。