人工智慧研究所 掌握技術主權與永續算力
助攻電動車與智慧製造轉型升級

人工智慧（AI）浪潮席捲全球，更是驅動鴻海科技集團「3＋3策略」（電動車、數位健康、機器人；人工智慧、半導體、新世代通訊）的核心技術。2025年鴻海研究院人工智慧研究所（簡稱AI所）也在三大面向研究有突破性進展，從自主研發、懂臺灣語境的推理大腦FoxBrain，到能在極端環境下精準預判的電動車感知技術，再到突破節能極限的脈衝神經網路（spiking neural networks, SNN）。這三大技術不僅展現鴻海研究院在國際頂級學術殿堂的競爭力，更顯示鴻海科技集團對前沿AI技術的深耕。

打造會推理的繁中 AI
大型語言模型 FoxBrain

目前全球大型語言模型（LLM）競爭進入白熱化，但鴻海研究院選擇一條具備戰略深度卻艱難的路—自主研發訓練大型語言模型FoxBrain。

這項決策背後，有著極為現實的考量—語言與文化主權。若過度依賴國際模型，臺灣將面臨語言文化不對等的困境。目前國際模型的中文語料大多採用簡體中文資料，對臺灣在地知識、特有用語乃至價值觀覆蓋率不夠且常有偏頗；更重要的是資安風險，當企業需要將AI深入結合至生產流程時，若使用國外雲端服務，核心資料必須傳輸至海外伺服器，對注重專利與隱私的製造業而言是無法接受的。

FoxBrain的出現，解決「地端部署」（on-premise）的需求，它能在不聯網的環境下運作，保護核心技術並在訓練過程建立領域內的獨特資料。

另一方面，FoxBrain與2025 年之前最大的不同，在於它具備「推理能力」。在自動駕駛領域，傳統演算法多基於「規則」，遇到未定義的突發狀況往往只能僵化急停；但FoxBrain像人類大腦一樣，具備「思維鏈」的推理能力。舉例來說，當車輛遇到路邊臨時修路、三角錐引導車輛跨越黃線時，傳統模型可能因違規而卡死，FoxBrain卻能根據場景進行邏輯判斷，像人類一樣靈活繞行；在預測行人行為時，它不只是追蹤路徑，更能感知行人意圖，預先做出減速等防禦性駕駛舉措。

FoxBrain當前目標是成為「最懂製造業」的模型，透過蒐集實體機器人在工廠內操作的影像與數據，FoxBrain正演化為多模態模型（VLM），未來能直接判讀產線瑕疵圖或車輛行駛時的道路影像。

在醫療領域，團隊利用「檢索增強生成」與「知識圖譜」技術，成功抑制AI幻覺（hallucination）問題，確保輸出的醫學建議嚴格遵循醫療指引，成為醫生的智慧副駕駛，協助縮短醫病間的資訊落差。

多模態感測突破自駕長尾問題

儘管AI技術成為顯學，但自動駕駛技術要在真實世界落地，最大的挑戰在於「長尾問題」（long-tail problems），也就是那些發生機率極低，卻可能致命的極端情境。鴻海研究院在2025年透過兩項國際奪冠的技術，重新定義車輛的感知與預測邊界。

首先是Waymo Open Motion Pre-diction Challenge 挑戰賽。AI所在此挑戰賽奪冠的關鍵，在於「多軌跡預測」能力。人類的駕駛意圖十分複雜，在路口可能直行、左轉或停等，而AI所的演算法能同時預測多條路徑，當第一選擇發生突發狀況時，系統能瞬間切換至備選路徑，避免危險。

這項技術的延伸應用是打造高真實度的虛擬環境，透過模擬各種「危險駕駛」的多元行為，自駕模型能在虛擬世界中經歷數萬小時的磨練，比實際路測更安全、更高效，讓AI學會應對各種不按牌理出牌的路況。

針對暴雨、濃霧與夜間低光等視線不佳的場景，AI所也在CVPR 2025的 Thermal Image Super-Resolution 熱影像超解析挑戰賽拿下第一名，關鍵在於核心技術「導引式熱成像超解析度」（GTSR），透過RGB影像與熱成像的多感測器融合截長補短。其中，熱成像能感知熱能，RGB則補足細節紋理（如：樹葉邊緣、紅綠燈輪廓），讓車輛在全黑環境下依然能精準辨識目標。

獲得AAAI 2025肯定的MARE技術，正是為了解決傳統感知模型難以處理的「長尾物件」問題。AI所率先將特斯拉的「空間占用網路」概念轉化為具備3D還原能力的MARE演算法，打破對昂貴光達的依賴，證明僅靠單一鏡頭結合先進的語意場景理解，就能在複雜環境中精準判斷可行駛空間，開創了低成本自駕感知的新典範。

另外，MARE技術還能即時還原整個3D場景，透過引入「記憶庫」概念，即使物件暫時被遮擋，系統仍能憑藉記憶重建場景。這種單鏡頭SSC （semantic scene completion）技術讓鴻海能以極低硬體成本，實現媲美高階感測器的導航效果，為電動車發展提供強大競爭力。

SNN 賦予邊緣 AI「仿生」續航力

當全球都在憂心AI成為「吃電怪獸」時，AI所正致力於研發能像人腦一樣省電的SNN。SNN利用脈衝傳遞訊號，比傳統深度學習（CNN/Transformer）更省電、更仿生。

過去SNN在縮短模擬時間以達成低耗能時，常面臨性能崩潰，資訊量不足、易受雜訊干擾；如今，AI所發表在AI與機器學習領域頂級期刊IEEE Transactions on Pattern Analysis and Machine Intelligence的研究，對此提出根本解方—動態容量經驗回放。如果把AI大腦比喻為學習者，這項機制就像是智慧的「記憶管理員」，能自動篩選、保留高品質的經驗，剔除低質量的雜訊數據。

這項創新打破AI領域長期存在的「取捨關係」，也就是硬體要小、要省電，但最後往往學習效果大打折扣。透過這套機制，AI能在極低的功耗下穩定學習，這對邊緣運算（Edge AI）至關重要，雖然地端算力目前尚無法與雲端巨頭幾萬顆GPU的規模相比，但AI所正透過演算法的典範轉移，尋找新的突破點。代表未來工廠裡的巡檢機器人、農業無人機或是車載晶片，在不依賴雲端算力的情況下，能具備更長時間的自主學習與決策能力。

值得注意的是，現有的AI模型在完成訓練後，參數往往趨於固定，要學新東西必須重新訓練。但AI所的SNN研究目標，是希望達成「持續學習」或「終身學習」。模型在推論的過程中能不斷演化，就像人類讀完書後仍能持續汲取新知。一旦SNN能規模化到擁有千億級以上的參數規模，結合專用的類神經網路晶片，下一代AI系統將變得既聰明又節能。

這三大技術彼此相互連結：FoxBrain提供深層推理與決策，多模態感知技術賦予車輛精準的視覺，SNN技術則確保這一切運算能在低能耗下高效運行。AI所所長栗永徽強調，這些研究不僅是為了提升鴻海科技集團產品與解決方案的競爭力，更是為了臺灣整體的AI實力，不僅保護技術主權、培育本地尖端人才，更能和臺灣各界攜手一同掌握AI關鍵話語權。