事件總覽：一個在印度蘇拉特土生土長的電機工程師，從電信機房裡的線路開始，一路走進舊金山的金融科技核心，再到亞馬遜雲端服務（AWS）的西雅圖總部，花了將近二十年的時間，把「人機對話」從冷冰冰的電話樹狀選單，推進到能自主規劃行程的代理式人工智慧（agentic AI）時代。
📅 2002年：印度蘇拉特——電機工程的起點
那時候還沒有iPhone，更沒有人把「人工智慧」掛在嘴邊。Dipkumar Mehta 從蘇拉特的 C.K. Pithawalla 工程技術學院拿到電機工程學士學位，畢業後進了 HCL Infosystems，每天跟電信系統的設計與實施打交道。說白了，就是確保企業的電話線路別斷掉、數據傳輸別卡住。那個年代的工程師，想的不是怎麼讓機器聽懂人話，而是怎麼讓兩台機器別吵架。
不過，也正是在這種純粹的「硬線路」環境裡，Mehta 養成了一個後來貫穿他整個職涯的習慣：仔細觀察系統如何失敗，以及是什麼阻礙了它們成長。這個習慣，比任何特定的技術知識都重要——因為系統會換，語言會變，但人類對「順暢溝通」的渴望從來沒變過。
隨後幾年，他陸續服務於 Wipro Infotech、美國運通（American Express），足跡從印度本土一路延伸到波蘭華沙。在華沙，他幫花旗銀行（Citibank）把老舊的客服中心平台升級成現代化的多管道架構。有趣的是，當時他處理的「多管道」還只是電話、傳真、電子郵件的整合，跟現在我們理解的社群私訊、語音助理、聊天機器人完全是兩回事——但底層的邏輯是一樣的：讓客戶用最不費力的方式，找到他們要的答案。
📅 2016年：舊金山——從電信線路跳進人工智慧深海
這一年，Mehta 做了個關鍵的決定。他加入舊金山的 LendingClub Corporation 擔任首席工程師，從「電信背景的工程師」徹底轉型成「人工智慧領域的實踐者」。說真的，這不是個輕鬆的跳躍。2016 年的 LendingClub 是美國金融科技圈的當紅炸子雞，Mehta 被丟進去的任務，現在回頭看簡直是地獄難度：設計美國金融服務業最早的對話式人工智慧（conversational AI）系統之一。
當時的技術瓶頸是什麼？傳統電話網路是同步的、嚴謹的——你撥號、接通、講話、掛斷，每一步都有明確的順序和時間限制。但雲端 AI 服務是非同步的、相對較慢的——你把語音丟到雲端，它需要時間運算、理解、回應，然後再把結果傳回來。這兩者之間的落差，就像拿撥接上網去跑 4K 視訊會議，根本卡到天邊。
Mehta 的解法很漂亮：建立一個即時音訊串流層，讓語音數據能在電話網路和雲端自然語言理解（Natural Language Understanding）服務之間流暢地來回傳遞，而且處理時間必須短到人類不會察覺延遲。這個技術突破的直接效果是什麼？錯誤轉接的電話大幅減少，大量符合條件的請求在無人介入的情況下就被解決，每年幫公司省下數十萬美元的營運成本。
他當時講過一段話，現在聽起來依然很精準：「過去的選單樹狀圖，其實是在承認機器無法理解我們。客戶應該能夠用自己的話語和語言，表達他們的需求，並在第一次就被正確引導。」
換句話說，過去我們在電話裡按 1 按 2 按 3，不是在跟機器對話，是在「配合機器演一場它看得懂的戲」。Mehta 想做的，是把這個主導權還給消費者。
📅 2020年：西雅圖——從「對話」到「行動」的關鍵轉折
加入 AWS 之後，Mehta 的關注焦點從對話式人工智慧轉向一個更進階的概念：代理式人工智慧（agentic AI）。這兩者的差異在哪？簡單來說，對話式 AI 是「你問我答」，代理式 AI 是「你交辦任務，我自己想辦法完成」。
想像一下：你對客服說「我要更改航班時間」，對話式 AI 會幫你把流程唸一遍、然後轉接給真人；代理式 AI 會直接打開訂位系統、檢查航班空位、執行更改、寄送新機票，全程不需要你動手。Mehta 在 AWS 開發的平台，就是這種邏輯的具體實現。
更具體一點：過去企業要把整個客服中心遷移到雲端，動輒耗時數年、燒掉數百萬美元。Mehta 的團隊開發了一套加速器，把這個流程壓縮到數週內自動執行，而且已經被 AWS Professional Services 採用，應用在醫療、保險、金融服務及公共部門客戶身上。此外，他還做了另一套平台，用自主代理人來驗證 AI 代理的行為，把原本數週的人工 QA 測試週期縮短到數小時。
這些數字不是什麼華麗的科幻小說情節，而是正在發生的產業現實。
編輯觀點：Mehta 的職涯軌跡其實說明了兩件事。第一，人工智慧領域真正的稀缺資源不是會寫 Python 的人，而是懂「系統怎麼失敗」的人。他從電信工程出發的背景，反而讓他比那些純 AI 背景的工程師更了解「即時通訊」的物理限制和人性痛點。第二，代理式 AI 的商業應用正在從「酷炫技術」轉變為「成本效率工具」。當 AWS 這種等級的基礎設施玩家開始把 agentic AI 包裝成標準服務，未來兩年內，中大型企業的客服、IT 維運、合規審查等部門，都會面臨工作流程的全面重組。不是裁員，是重新定義工作內容——這對台灣的金融業和製造業來說，訊號已經非常明確了。
至今影響與未來展望
回過頭看，Mehta 從 2002 年到 2026 年的這段旅程，其實就是人機對話技術的濃縮史。從「機器聽不懂人話，所以我們得按選單」，到「機器聽得懂人話，可以回答問題」，再到「機器理解你的意圖，直接幫你把事情辦好」——這三個階段的演進，他剛好都踩在關鍵的節點上。
他在學術界也沒閒著，發表了多篇經同儕審查的論文，主題從強化學習適應性雲端安全政策到放射學中保護隱私的分散式機器學習都有。這種跨領域的涉獵，反映的正是他對「系統思維」的堅持：真正的技術突破，通常發生在兩個領域的交界處，而不是單一領域的深處。
對於那些正在古吉拉特邦或其他地方唸工程學院的學生，Mehta 給的建議很務實，也很不 AI：「我當年並沒有學習人工智慧，因為那時它還不是一門學科。但我具備的習慣是仔細觀察系統如何失敗，以及是什麼阻礙了它們成長。這種習慣適用於任何技術，包括那些尚未發明的技術。」
這句話背後藏著一個更深的提問：如果你現在學的技術，十年後可能完全變形甚至消失，那你帶走的能力是什麼？
Mehta 自己的答案已經很清楚了。他總結道：「現在，有趣的問題已不再是機器能否理解一個句子，而是它能否被信任來依據這個句子採取行動。這是一個更困難的工程問題，也是未來十年工作的重點。」
信任，不是技術問題，是人類問題。而解決人類問題，從來就不是靠寫程式就能搞定的。
👉 行動呼籲
如果你是企業的技術決策者或產品負責人，現在就可以開始盤點：公司內部有哪些流程，目前仍然依賴大量人工判斷與重複操作，而且具有明確的規則與步驟？ 那些地方，就是代理式 AI 最適合切入的痛點。不需要等到技術完美才行動——Mehta 的故事告訴我們，真正的突破往往始於一個「觀察系統如何失敗」的習慣，而不是一張完美的藍圖。
本文改寫整理自公開新聞來源，原始報導由Yahoo奇摩新聞發布。
常見問題 FAQ
代理式人工智慧（agentic AI）跟對話式 AI 最大的差別是什麼？
對話式 AI 負責「回答問題」，代理式 AI 負責「完成任務」。前者像是客服人員唸稿給你聽，後者像是直接把你的問題處理好再回報結果。
Dipkumar Mehta 的技術突破為什麼重要？
他解決了傳統電話網路與雲端 AI 服務之間「速度不同步」的根本問題，讓即時語音對話能夠順暢地串接自然語言理解系統，這項設計目前已成為全球企業對話式 AI 的主流架構。
企業導入代理式 AI 的實際效益是什麼？
根據 Mehta 在 AWS 的實務經驗，代理式 AI 能將客服中心遷移專案從數年縮短至數週，並將人工 QA 測試週期從數週壓縮至數小時，直接轉化為可觀的營運成本節省。
台灣的企業現在適合導入代理式 AI 嗎？
適合，但建議先從「規則明確、重複性高」的內部流程開始試點，例如 IT 維運、合規審查或客服分流，不急著一次翻轉整個核心業務系統。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
