過去 24 小時的 AI 圈，延續兩條主線：一方面，開源模型能力持續上升，令企業更容易把 AI 由『試玩』推到『可控的內部落地』；另一方面，真正決定代理（AI Agent）能否取代重複工序的，往往不是模型參數，而是資料、流程與治理。今天精選三則消息，聚焦『開源部署、企業內部資料、以及亞洲推理硬件供應』三個角度，方便香港讀者把握投資與採用節奏。
開源模型加速落地：Gemma 4 主打推理與代理工作流
新一代開源模型家族 Gemma 4 以『推理（reasoning）』及『代理式（agentic）工作流』作為定位，並強調在本地硬件可運行。
官方同時釋出四個尺寸：E2B、E4B、26B（MoE）與 31B（Dense），並採用 Apache 2.0 以便商業使用。
從應用角度，這類高效能開源模型更容易被企業內部部署（合規、資料保留、成本可控），亦會推高『本地端 AI 助手／代理』的競爭。
重點整理
- 若你在香港做 SaaS／內部系統，建議把『可離線部署』列入選型條件，先用小模型做 PoC，再視成本與效果升級。
- 制定模型治理：資料分類、日誌與權限，避免把敏感資料直接送往外部 API。
企業訓練 AI 代理的新資料來源：員工滑鼠與鍵盤操作也成『訓練素材』
有大型科技公司計劃在美國員工電腦上收集滑鼠移動、點擊、鍵入等互動訊號，並會定期擷取螢幕畫面作情境理解，用於訓練可自動完成工作任務的 AI 代理。
重點不在『打字內容』本身，而是把人類如何操作介面（例如下拉選單、快捷鍵、工作流程）轉成可學習的行為資料，補足模型在『像人一樣用電腦』上的弱點。
相關做法同時把資料保護與內控推到前台：若企業日後也想做類似訓練，必須預先定義用途範圍、最小化收集、排除敏感內容，以及清晰告知與審核流程。
實務提示
香港公司若要用內部操作數據訓練/評估代理，可先從『匿名化的流程事件』入手（例如按鈕/步驟序列），避免直接錄屏或收集可識別個人與客戶資料。
亞洲 AI 推理晶片續吸金：推理需求拉動『產能與成本戰』
一間源自大型 AI 公司的中國推理 GPU 新創披露新一輪融資逾 10 億人民幣（約 1.4 億美元），資金將用於推理 GPU 的量產與後續產品研發。
公司策略押注『推理（inference）』而非訓練：隨著企業把 AI 帶入客服、營運與自動化，長期成本往往落在推理端，促使更多專用/低功耗方案出現。
對香港用家而言，這意味推理硬件與雲端方案選擇會更分散：同一個工作負載，可能在不同供應鏈下出現明顯價差與合規差異。
重點整理
- 採購或上雲時，除了算單價，也要算『延遲、吞吐、功耗』與『供應風險』，並預留可移植的推理層（例如容器化與標準化推理介面）。
總結來看，香港企業在 2026 年要把 AI 變成生產力，關鍵是『選擇可控的模型與供應』以及『把流程事件變成可度量的數據』。若你正規劃 AI 助手、客服自動化或內部代理，建議先訂下資料與權限邊界，再以小規模試點累積可重複的流程模板，最後才把硬件/雲端算力與模型版本擴大到全公司。
資料來源（供核對）
1) https://blog.google/innovation-and-ai/technology/developers-tools/gemma-4/
2) https://www.reuters.com/sustainability/boards-policy-regulation/meta-start-capturing-employee-mouse-movements-keystrokes-ai-training-data-2026-04-21/
3) https://www.caixinglobal.com/2026-04-21/chinas-sunrise-raises-over-140-million-for-ai-inference-chip-push-102436129.html
本文由 AI Course Hong Kong 導師 Ivan So 整理。如有查詢，歡迎電郵至 ivan@hdcourse.com。