蛋糕已在烤，但誰來確認端上桌的那塊值得吃？
文／林華庭（聯新國際醫療集團總執辦策略總監）
輝達 NVIDIA 執行長黃仁勳近期以「五層蛋糕」重新定義 AI 產業的競爭版圖：能源、晶片、基礎設施、模型、應用，由下而上環環相扣。這套五層架構精準捕捉了全球 AI 供給端的競賽結構，告訴投資人錢往哪裡流，告訴政府主權 AI 如何佈局，也確認了台灣在晶片層與基礎設施層的無可取代。
一、破題：五層藍圖給了方向，你的戰場在第五層之內
然而，站在 CIO 的角度，五層模型在最頂端，也就是第五層「應用層（Applications）」，以三個字帶過了最困難的問題：你的組織採購了算力與模型之後，AI 投資真的轉化為可驗證的臨床成效、可量化的營運效率、可向董事會交代的財務 ROI 了嗎？還是買到了漂亮的介面，卻買不到真正的決策能力？
蛋糕怎麼端上桌，如何確認每個人真的吃了且消化得了，這才是 CIO 真正的戰場。本文要打開的，正是第五層這個最難兌現價值的黑盒子。
二、定位：不是挑戰五層架構，而是放大它的第五層
本文提出的「三層現實建構模型」與五層架構並非對等競爭，而是巢狀互補：NVIDIA 五層架構說明 AI 如何被建造，本文的三層現實建構模型則回答 AI 如何在企業內部創造可驗證的價值。
| 比較維度 | 五層 AI 架構（NVIDIA） | 三層現實建構模型 |
|---|---|---|
| 核心問題 | AI 如何被建造？誰在製造基礎設施？ | 企業 AI 投資如何產生可驗證的商業與臨床價值？ |
| 分析單位 | 全球產業鏈、國家級基建投資 | 單一企業或醫療機構的數據、模型與人機系統 |
| 主要受眾 | 投資人、政府、硬體供應商 | CIO、CFO、醫院管理層、轉型決策者 |
| 彼此缺口 | 不談應用層內部如何落地與治理 | 不談能源、晶片、基礎設施與基礎模型的建造邏輯 |
如圖 1，本文進一步打開的，正是第五層這個企業真正投入資源、也最難兌現價值的黑盒子。兩套框架是互補的：五層架構替你說明為什麼要投資 AI 基礎設施；本文要幫你回答一個更直接的問題，這筆投資有沒有效，如何讓它有效。
三、核心問題：Dashboard 不等於 Intelligence
BCG 的長期追蹤研究顯示，約七成數位轉型專案最終未能達成原訂目標（Boston Consulting Group, 2020）。原因往往不是算力不足，而是陷入了「特斯拉儀表板迷思」：把前端的視覺介面，誤認為後端的決策引擎。
許多機構斥資百萬建置炫目的 3D 戰情室、BI 看板，甚至直接接入 LLM 供員工查詢。開幕時掌聲四起，半年後成為無人使用的數位裝飾。一線醫師仍在查房時切換十五個系統視窗，拼湊出一位病患的完整風險圖像，認知負荷沒有減少，決策速度沒有提升。這就是給腳踏車裝上特斯拉儀表板的結果：買到了介面與注意力，卻沒有買到預測風險、改變組織行為的能力。
如圖 2，Dashboard 能讓管理者看見過去，卻不能改變未來。真正產生價值的，是從資料治理到組織行為改變的完整閉環。AI 的投資回報不來自單一模型，而來自「資料治理、智慧運算、人機互動、流程改善、商業成果、持續回饋」六個環節的連續作用。許多企業只走完前三步就以為大功告成，缺少後半段回饋循環，模型在上線初期尚可，六個月後悄悄失效。
四、解方：三層現實建構模型與跨層治理框架
要讓五層架構的第五層真正兌現價值，CIO 必須把「應用層」的內部架構，拆解為三個環環相扣的治理層次：
L1 現實數據層：可知性（Knowability）
企業的數據不會自然整齊，而是被定義出來的。行銷的「活躍客戶」與門市定義不同，急診的「心衰竭入院」與門診套用不同 ICD 編碼，對 AI 而言，這些碎片化資料在被治理之前幾乎等同於噪音。L1 的核心任務是推動主數據嚴格定義、跨系統數據治理與國際標準（如 HL7 FHIR）的語意對齊。底層若不可知，上層所有 AI 應用都是缺乏地基的海市蜃樓。
L2 孿生智慧層：可計算性（Computability）
傳統 BI 看板記錄的是過去。L2 的任務是把靜態數據資產轉化為動態的數位孿生模型，在危機爆發前提供早期風險預警與因果推演。在醫療場景，系統在病患體徵尚未觸發警示前，已整合多維數據預測出健康惡化路徑；在製造場景，設備停機前 48 小時，AI 已自動調整保養排程。這是從「發生才應對」升級為「提前辨識」的核心引擎。
近來 AI 領域對「世界模型」（World Model）的討論，也呼應了這一點。世界模型的重點，已不只是讓 AI 生成文字或畫面，而是讓 AI 能理解世界狀態、模擬變化路徑，並支援下一步行動。李飛飛近期將世界模型區分為渲染器、模擬器與規劃器，其中「模擬器」最接近企業 AI 的核心價值：它輸出的不是漂亮畫面，而是可被運算、推演與校準的狀態。對 CIO 而言，L2 的任務正是把企業資料從靜態紀錄，升級為可模擬、可預警、可治理的現實模型。
L3 空間互動層：可操作性（Operability）
最精準的預測模型若造成過重的認知負擔，仍是無效投資。L3 的本質是將 L2 的複雜預測，轉化為人類直覺可感知、可即時操作的決策沙盤，核心目標是降低認知負荷、驅動持續的組織行為改變，而非打造炫目的 3D 視覺本身。三層能力並非線性，而是形成持續循環。
跨層治理：Reality Governance （現實治理框架）
本文提出 Reality Governance 作為跨層治理框架；其目的不是增加治理流程，而是確保資料、模型、人機互動與商業成果之間保持持續一致，避免 AI 系統隨時間偏離真實世界需求。換言之，當 AI 從語言模型走向世界模型，CIO 的治理任務也從「導入模型」升級為「維持模型與現實之間的持續對齊」。三層架構若缺乏垂直貫穿的治理機制，仍可能各自成為技術孤島。Reality Governance 涵蓋四個構面：資料語意治理（L1 的可知性保證）、模型漂移治理（L2 的持續校準）、人機責任治理（L3 的行為改變驗證）、價值回饋治理（ROI 與董事會溝通）。它的作用是確保每一層的技術指標都能對應到業務成果，讓 AI 從費用科目轉化為財務報表上可見的競爭優勢。
| 層級 | 核心屬性 | 核心衡量指標（示意） | 治理問題 |
|---|---|---|---|
| L3 空間互動層 | 可操作性 | 採納率、警報疲勞改善率、行為改變率 | 科技是否降低認知負荷並驅動行為改變？ |
| L2 孿生智慧層 | 可計算性 | 預警準確度、模型漂移率、決策縮短時間 | 演算法能否在危機前提供穩定精確的推演？ |
| L1 現實數據層 | 可知性 | 主數據合規率、互通率、資料延遲 | 我們真的讀懂了物理現實嗎？ |
| Reality Governance | 價值實現 | ROI、再住院率、成本控制率、法遵風險率 | 這筆投資值得持續嗎？能對應財務報表嗎？ |
五、場景驗證：三層閉環如何避免 AI 投資失焦
以下為情境示例，用以說明三層架構的落地邏輯，非特定機構之實際成效數據。
以容錯成本最高的醫療大健康產業為例，三層模型的落地成效最能說明問題。某醫院斥資建置 3D 虛擬遠距指揮中心，畫面炫目，但底層臨床主數據未整合，視覺平台無法與電子病歷（EMR）即時串接，最終淪為只在貴賓參訪時啟動的數位壁紙。跳過 L1 與 L2、盲目投資 L3 的代價，是預算花完了，臨床行為一點也沒改變。
[ 加入 CIO Taiwan 官方 LINE、Facebook 與 LinkedIn，與全球 CIO 同步獲取精華見解 ]
對照情境：若嚴格依循三層路徑，在慢性病個案管理場景中，L1 全面導入 HL7 FHIR，將院內檢驗報告與穿戴裝置的即時生理數據語意對齊；L2 為每位個案建立動態健康孿生，在心率變異度（HRV）出現異常趨勢且結合病史數據時，可在部分高風險情境下支援較早期的風險辨識與預警；L3 將複雜風險轉為立體健康沙盤，個管師一目瞭然，病患也能直觀看到自身風險趨勢，依從意願顯著提升。最終可追蹤的成果，是高風險群體非預期再住院率的下降與健康管理成本的控制，AI 投資才能逐步轉化為可量化的經營績效與財務成果。
製造業的邏輯同樣適用。L1 是設備感測器數據的標準化串接，L2 是預測性維護模型在停機前 48 小時的自動預警，L3 是維修人員的行動端派工介面，三層缺一，就只是買了昂貴的感測器，卻仍在靠人工巡檢判斷。GenAI 是加速器，不是替代者。缺乏高品質、可治理資料支撐時，更容易放大模型幻覺（Hallucination）與決策偏差；沒有 L3 反饋的模型則與動態現實脫節，再強大的生成能力也只是在噪音中生成更流暢的噪音。
六、CIO 行動指南：三個即刻可執行的決策
行動一：扮演應用層的品質守門人
任何 AI 採購申請，CIO 應強制要求回答三個問題：L1 數據治理是否完備？L2 具備動態預測邏輯嗎？L3 能實質降低一線認知負荷嗎？三問若無具體答案，暫停採購，而非讓預算繼續流入數位壁紙。
行動二：把核心資源壓注 L1，這是最難複製、最具差異化的護城河
GenAI 時代，演算法與算力正在商品化。五層架構的第四層模型可以租用，但讓模型真正理解你的業務脈絡、你的病患群體、你的產線特性的 L1 數據資產，是競爭對手無法複製的。這才是未來三至五年最值得持續投資的護城河。
行動三：以閉環系統思維重寫 IT 採購準則
每一個系統導入，都必須通過以下四維檢核，這份清單同時是向 CFO 與董事會說明技術投資合理性的溝通語言：
| 評估維度 | 核心審查問題 | 通過標準（示意） |
|---|---|---|
| L1 可知性 | 數據能否與主數據標準（如 FHIR）無縫語意對齊？延遲是否可接受？ | 互通率 >95%，延遲 <5 分鐘 |
| L2 可計算性 | 是否具備動態因果推演？模型漂移率與誤報率如何即時監控？ | 具備早期預警機制與漂移監控介面 |
| L3 可操作性 | 介面是否實質降低認知負荷？能否驅動持續行為改變而非一次性使用？ | 操作視窗切換減少 40%，附採納率追蹤 |
| 治理審查 | 上線後的價值能對應哪幾項可量化財務或品質指標？治理週期為何？ | 明確對應再住院率或成本控制，具季度審查機制 |
七、結語：把五層架構的最頂層，變成你的競爭引擎
黃仁勳提出的五層模型說明了「AI 如何被建造」。但蛋糕烤好之後，能不能端上桌、讓每個人真正消化，這是另一場戰役，也是 CIO 無可迴避的核心使命。
「應用層」不是可以直接購買的技術產品，而是由可知性、可計算性、可操作性三重能力，加上跨層現實治理，共同構築的組織能力體系。缺少任何一層，都只是在偉大藍圖中，為組織花費了大量資本，卻買到一塊沒有滋味的空心蛋糕。
本文提出一套協助 CIO 驗證 AI 是否真正創造價值的管理工具。Reality Governance 的四個構面，資料語意治理、模型漂移治理、人機責任治理、價值回饋治理，每一個都對應一種組織可能失守的地方。每一次決策結果都應回饋至 L1 與 L2，形成持續學習與治理閉環，而非一次性的 AI 導入。
AI 原生時代，CIO 的使命正在根本性地升級：從「基礎建設提供者」，進化為「現實建構的總架構師」。這才是第五層蛋糕真正的份量。
[ 推薦閱讀：別再要求 IT 讀心術：當 IT 被迫發明需求時，治理其實已經失敗 ]
引用說明：
‧五層 AI 架構引自 NVIDIA 官方部落格〈AI Is a 5-Layer Cake〉（Jensen Huang，2026 年 3 月）及 GTC 2026 相關論述。
‧BCG 數位轉型成效數據引自 Boston Consulting Group《Flipping the Odds of Digital Transformation》（2020）。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
