今日要聞
過去一年，企業對生成式 AI 的期待已由「能否用」轉向「能否安全、可控、可落地」。今天的三則消息剛好反映這個轉向：一方面，模型供應商開始把私隱與安全能力做成可重用的基建；另一方面，監管框架也在把抽象原則落到具體義務與工具；同時，前線團隊最在意的仍是效率——特別是能否把長任務、跨步驟的工作交給模型更穩定地完成。
可在本地運行的私隱過濾模型：把 PII 先「遮罩」再進入 AI 流程
不少公司在導入生成式 AI 時遇到同一個瓶頸：資料一旦進入提示詞、向量庫或日誌，就很容易把個人資料（PII）一起帶進去，之後再補救成本極高。最新做法是把私隱保護前置——先把可識別資訊遮罩或刪除，再送到後續的檢索、摘要、客服或分析流程。
有研究團隊近日發布一個可用於偵測及遮罩 PII 的開源權重模型，定位是「高吞吐、長文本、一轉掃描」的私隱工作流元件：模型能在單次前向運算中標註 span，再把結果解碼成一致的遮罩區段；而且可以本地運行，讓未處理的敏感資料不必離開企業環境。它把常見的私隱類別（例如姓名、地址、電郵、電話、帳號、密鑰等）用固定 taxonomy 管理，便於企業依風險門檻調整精準率/召回率取捨。
重點整理（給香港企業/團隊）
- 把遮罩放到最前：在「進提示詞、入向量庫、寫日誌」之前先做 PII 過濾，可把合規與資安風險降到最低。
- 用「可本地跑」換取資料主權：對金融、醫療、保險、會員制零售等行業，能否在內網處理是採用的關鍵門檻。
- 把類別做成制度：用固定分類（例如帳號/密鑰）配合內部政策，才能把遮罩規則交到工程、法務、風控共同維護。
落地小提示
若你正在做 RAG 客服或內部知識庫，最常出事的位置是「檢索片段」與「除錯日誌」。建議把 PII 過濾做成中介層：對入庫資料與出庫片段都跑一次，並保留可審計的遮罩紀錄。
AI 合規進入「工具期」：EU AI Act 的透明度與高風險要求如何影響跨境業務
很多香港公司以為歐盟法規離自己很遠，但只要你的產品或服務面向歐洲用戶、與歐盟企業合作，或在供應鏈內提供 AI 元件，就很可能被要求交代風險分級、資料治理與透明度做法。近期官方公開資料再次強調：合規不是單靠「寫一份政策」就完成，而是要有可落地的流程、文件、監測與標記。
該框架以風險分級管理 AI：對「不可接受風險」直接禁止；對「高風險」要求在上市前完成風險管理、資料品質、紀錄追溯、技術文件、人為監督、準確性與資安等一系列義務；而對生成式 AI 相關的透明度，則要求在特定情境下標示 AI 生成內容、並讓用戶知悉正在與 AI 互動。對企業而言，最重要的不是背法條，而是把需求轉成一張清單：哪些功能屬於高風險使用情境？哪些輸出需要標記？事件如何上報？模型/資料變更如何留痕？
常見誤區
不少團隊把「合規」當成上線前最後一關，結果一遇到投訴或審查就要臨時補文件、補監測。更穩的方法是把合規工作拆成工程化任務：分級、文件、測試、日誌、權限、審批與回溯，從第一版就納入開發流程。
更可靠的長任務模型更新：如何把「編程代理」帶入日常研發與營運
模型能力提升的另一個方向，是讓它能更像「同事」而非「聊天工具」：一次接手一個較大範圍的任務，持續規劃、執行、驗證，再回報結果。近期有大型模型更新，重點放在長時間、複雜工程任務的穩定性，包括更嚴格的指令跟隨、在規劃階段自我檢查邏輯、以及更好的高解像視覺理解，令它在處理密集截圖、技術圖表、或代理式電腦操作等情境更可靠。
對香港的產品與工程團隊而言，這類更新的價值在於把「代理」做成可管理的工作流：例如讓模型負責把需求拆解成工單、生成測試、先跑靜態檢查再提交 PR；又或在營運上，讓它把每日告警與日志歸納成可行的修復建議。值得留意的是，能力變強同時也意味著提示詞與權限設計要更嚴謹——因為模型更「照做」，如果指令寫得含糊，產出反而更容易偏離預期。
把代理用好：三個「管理層」概念
- 任務邊界：先定義可做/不可做（例如不能接觸生產密鑰、不能自行上線）。
- 可驗證輸出：要求產出附帶測試、diff、或可重現步驟，避免只交付「看似合理」的文字。
- 成本與延遲：長任務要用 token 預算/中止條件管理，避免無限循環式嘗試。
資料來源
總結來說，今天三則消息的共同點，是把 AI 從「功能」拉回「系統」：私隱過濾做成可插拔元件、合規要求落到可操作的文件與標記、以及更適合長任務的模型更新。對香港企業最實際的下一步，是把導入 AI 的路線圖改成兩條並行：一條做生產力（代理、流程、自動化），另一條做治理（資料分級、遮罩、監測、可追溯）。兩者一起推，才有機會在跨境合規與競爭速度之間取得平衡。
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。