黃柏松 Po-Sung (Sinclair) Huang#
產業經營與策略｜企業競爭力與創新｜獨立研究#
從產品與市場機會出發，連結技術創新、資本配置與經營判斷，探索可持續的競爭優勢。
黃柏松（Po-Sung / Sinclair Huang）擁有逾三十年於上市公司的高階經營經驗。職涯早期曾任職於製藥業，之後長期投入電子科技產業，並於後期擔任碳黑產業的高階經營職務。
歷任財務長、執行副總、總經理與事業群財務經管主管等職務，長期參與產品方向、新市場與技術可行性、研發資源、策略投資及新事業評估。跨越不同產品世代與組織規模，這些工作的共同核心，是在市場與技術尚不確定時，連結產品競爭力、資本配置與組織能力，判斷哪些機會真正值得投入。
卸下全職經營職務後，他持續透過獨立研究、實務教學及選擇性的策略合作，探索新技術如何轉化為產品、新事業與長期競爭力。財務分析、資料分析與 AI 是檢驗商業假設的工具；企業的決策權及執行責任仍由管理團隊承擔。
他持續研究 AI、產業競爭力、半導體供應鏈、新興技術與資本配置，並將產業觀察與高階經營經驗帶入教學和公開寫作，讓研究與企業實務相互啟發。
策略視角#
產品競爭力與跨功能經營判斷
在財務與高階經營職務中，直接參與產品方向、市場機會、技術可行性、新事業與投資評估，結合業務、研發、工程、製造與財務的觀點，辨識值得投入的方向與必要條件。
技術創新與策略投資
關注既有能力如何延伸至新產品與新市場，以及哪些技術、客戶驗證、資本及組織條件尚待建立。技術前景與產品競爭力，仍須通過商業可行性的檢驗。
AI 與產業競爭的演變
持續研究 AI Agent、Physical AI 及其他新興技術如何改變產品、價值鏈與競爭格局。重點不在導入工具本身，而在新能力是否能帶來客戶價值、合理回報及可持續的競爭優勢。
了解策略參與方式 → ｜ 查看研究發表 →
English Summary#
Industry Executive & Strategist | Competitiveness & Innovation | Independent Research
Connecting product opportunities, technology innovation, capital allocation, and executive judgment.
Po-Sung (Sinclair) Huang is a senior industry executive with more than 30 years of management experience in publicly listed companies. His career spans early experience in pharmaceuticals, extensive roles in electronics and technology hardware, and later executive responsibilities in the carbon black industry. As CFO, Executive Vice President, General Manager, and in group-level finance and business management roles, his work has included product strategy, market and technology feasibility, R&D resource discussions, strategic investment, and new business evaluation.
Having stepped away from full-time executive management, he continues to explore product competitiveness, innovation, and strategic investment through independent research, teaching, and selective strategic engagement. Financial analysis, data analysis, and AI help test commercial assumptions; decision rights and execution remain with each company’s management team.
His independent research explores AI, industrial competitiveness, semiconductor value chains, emerging technologies, and capital allocation, connecting emerging industrial change with practical business judgement.
Strategic engagement → | Full profile →
Selected Work#
View All Publications → | ORCID: 0009-0007-8173-5672
本文為繁體中文版。English version: How AI Gains Experience in the Real World
從 World Labs 到程式學習與現場工作的觀察
2026 年 10 月 1 日
旅途中看到的住宅斜屋頂，讓我想起朋友談到的現場工作。作者攝影。
從一筆收購想到經驗如何養成 2026 年 9 月 28 日，AMD 宣布簽訂收購 World Labs 的協議，交易金額約 82 億美元，以全股票方式支付，預計年底前完成，仍須取得相關批准。交割後，李飛飛將出任 AMD 執行副總裁兼首席科學家。[1] 她在宣布加入 AMD 的文章中寫道，宇宙由真實的事物組成，而不只是文字。[2]
我聽過李飛飛多次演講與座談，很早就認同空間智慧與物理 AI 的方向。但最近使用 AI 處理生活中的問題，讓我更在意另一個問題：專業經驗如何養成？AI 已能幫我把想法做成工具；走進物理世界之後，它還需要能觀察、行動、得到回饋，並驗證結果的環境。
AI 讓我更容易動手學習 一年前，我還在用 Colab 寫程式：貼程式碼、執行、報錯，再把錯誤訊息貼回去問，來回十幾次是常態。現在使用 Claude Code 和 Codex，許多除錯與修改能由工具接續完成。我仍要測試與檢查，但反覆搬移程式碼和訊息的時間少了很多。
我也用不同的 AI 協助寫 Python，嘗試模擬自己喜歡的 EViews 的部分工作方式。EMBA 論文時，我用過 EViews；現在我把資料庫資料接進 Python 進行統計分析，並做成一個初步的 APP，叫作 PyViews。核心迴歸結果已用另一套獨立開發的 Python 套件 linearmodels 交叉核對，係數完全一致；由於我的 EViews 授權已經過期，與 EViews 的直接比對仍待完成。這些嘗試是為了學習、好玩與好奇，也想看看 AI 的能力邊界。
...
繁體中文版：AI 的經驗如何在真實世界養成
Reflections on World Labs and learning through code and fieldwork
Po-Sung (Sinclair) Huang | October 1, 2026
Figure1. Sloping residential roofs seen during my travels brought to mind my friend’s work on site. Photograph by the author.
A question prompted by an acquisition On September 28, 2026, AMD announced an agreement to acquire World Labs in an all-stock transaction valued at approximately $8.2 billion. The deal is expected to close by year-end, subject to the required approvals. After closing, Fei-Fei Li will become AMD’s executive vice president and chief scientist.[1] In her announcement, she wrote about a universe made of real things, rather than words alone.[2]
...
AI will be everywhere. The harder question is who still earns a margin when intelligence gets cheap.
By Sinclair
I have watched AI move from conversation and search into data processing, automation, vehicles, robots, industrial tools, and factories. That makes me sceptical of debates that begin with whether AI demand will exist. Much of the eventual demand will not look like a deliberate purchase of “AI.” Intelligence will be built into a product or workflow, and the customer will pay for the outcome.
...
本文為繁體中文版。English version: When AI Leaves the Screen: Will We Need a Worker, a Caregiver, or a Companion First?
本站為文字版；含完整圖表的版本請見 Medium 原文。
這個問題對我不是抽象的未來想像。
最近半年，我九十多歲的母親在家中跌倒了幾次。我的姊姊、姊夫一直在照顧她，我們也定期陪她回醫院檢查。家人已經付出很多，但沒有人能一天二十四小時始終站在她身旁。幸好幾次跌倒沒有造成嚴重傷害，卻留下了一個無法迴避的問題：如果當時有一個能持續觀察、及時提醒，並在異常發生後立刻求助的實體AI，結果是否可能不同？
我想到的不是一台取代家人的機器，而是一個補上「人不可能永遠在場」這段空白的系統。
這也是我重新理解Physical AI的起點。它最重要的價值，未必是讓機器像人一樣跳舞、跑步或表演，也不只是下一波資本市場題材。真正值得問的是：當人工智慧離開螢幕、取得身體，它能不能在人類無法持續在場的時刻看見風險、做出回應，並把真正的人帶回現場？
過去幾年，AI的主要成果發生在螢幕裡。它回答問題、寫程式、生成圖像、整理資料。但對一位夜裡起身的老人而言，再聰明的聊天機器人，如果沒有看見她失去平衡，也無法在跌倒後確認是否受傷，那份智慧仍然停留在另一個世界。
現在，AI正開始走出那個世界。
在工廠裡，它被要求搬料、分揀、裝配並連續工作；在家庭市場，它被想像成家務助手；在中國新出現的仿生人產品中，它甚至被包裝成具有表情、記憶與人格的陪伴者。
當AI離開螢幕，人類會先為它的勞動力付費、為家人的安全付費，還是先為它的存在感付費？
一、Physical AI到底多了什麼？ Physical AI、具身智慧與空間智慧經常被混在一起。它們彼此相關，但不完全相同。
李飛飛近年強調的Spatial Intelligence，是AI對三維世界的理解：深度、幾何、物體彼此的位置、運動，以及它們如何在空間中互動。Embodied Intelligence更進一步：智慧不只在模型內推理，而是透過身體與環境互動，在行動和結果之間學習。
Physical AI則是較接近產業化的總稱。它把感知、空間與物理推理、規劃、控制和動作連成閉環，應用可以是人形機器人、自駕車、無人機、工業機械或智慧空間。
生成式AI的循環大致是：
提示 → 模型推理 → 文字、影像或程式碼
Physical AI的循環則是：
感測世界 → 建立物理狀態 → 規劃 → 動作 → 接觸結果 → 發現誤差 → 修正下一步
大型語言模型主要從人類留下的文字、影像、程式碼與數位紀錄中學習。Physical AI面對的則是另一種資料：它不只要知道「杯子」這個詞，也要知道杯子的位置、重量、材質與可抓取部位；手指施力後，杯子會不會滑動、傾倒或破裂；第一次沒抓好，下一步該如何修正。
它的經驗單位不再只是一句話或一張圖，而是一段感知—行動—結果：
看見物體 → 預測結果 → 採取動作 → 感覺接觸 → 觀察成功或失敗 → 修正策略
...
繁體中文版：AI離開螢幕之後：人類會先需要一個工人、照護者，還是一個陪伴者？
China is turning factories into schools for robots. Tesla is betting on general-purpose labour. But Physical AI’s most urgent value may be filling the gap left by a simple human limitation: no one can always be there.
Sinclair
This is not an abstract technology question for me.
Over the past six months, my mother, who is in her nineties, has fallen several times at home. My sister and brother-in-law care for her, and we take her back to the hospital for regular checkups. The family is doing a great deal. But no one can stand beside another person twenty-four hours a day.
...
本文為繁體中文版。English version: The AI Capex Money Map v0.2 — America Spends. Who Actually Keeps the Margin?
本站為文字版；含完整圖表的版本請見 Medium 原文。
大多數人現在都在問：「AI 是不是泡沫？」
這個問題重要，但不夠可操作。對投資人與供應鏈觀察者來說，更好的問題只有一句：
美國大型科技公司花出去的 AI Capex，最後流到誰的收入、誰的毛利、誰的護城河？
這篇不是拆到每一根電纜的投行 BOM 模型，而是一張用公開資料建立的 v0.2 錢流地圖。它的目的不是假裝精準，而是把三件常被混在一起的事情分開來看：錢在哪裡變成營收、營收在哪裡變成毛利、瓶頸何時鬆解。 因為這三題的答案，往往不是同一批公司。
一、AI Capex 不是一個數字，是一組水管 Reuters 引述 Bridgewater 的估計：Alphabet、Amazon、Meta、Microsoft 四大 2026 年的 AI 基礎設施投資約 US$650B，高於 2025 年約 US$410B。先講清楚一件事——這是四大的地板數，不含 Oracle、Stargate、CoreWeave 這類 neocloud、xAI，也不含任何非美系業者。所以 $650B 是四家公司的下限，不是市場總額。
錢不會平均落下，而會進入性質不同的系統層支出。設備與材料則屬二階供應商 capex，不計入 hyperscaler 直接支出，以避免重複計算。
關鍵是——設備與材料（ASML、AMAT、TEL、Advantest…）不在這 $650B 裡。 那是台積電、SK Hynix 的資本支出，是二階供應商支出、是另一個分母。把它加進 hyperscaler 支出裡相加，就是 v0.1 犯的、也是很多市場圖表仍在犯的 double counting。
二、把箱子打開：成本重心已經從邏輯移到 HBM + 封裝 把「Compute Systems」這條水管打開，你會看到這一輪最反直覺的結構變化。
...
繁體中文版：AI Capex 錢流地圖 v0.2｜美國出錢，誰真的收得到毛利？
The AI Capex Money Map v0.2 — America Spends. Who Actually Keeps the Margin? From $650B to HBM, CoWoS and power — mapping who gets paid, who keeps margin, and when the bottlenecks move. (The capex waterfall, cost-stack, bottleneck-clock, and regional margin-capture charts are figures in the original Medium version; this text edition keeps the surrounding reasoning — see Medium for the full visual breakdowns.)
Most people are asking whether AI is a bubble. It is an important question, but not a very operational one.
...
A Taiwan supply-chain note on sovereign AI, physical AI, power, quantum — and valuation stress Sinclair
2026–06–29
本文以中文寫作，從台灣供應鏈、市場情緒與個人現場觀察出發，觀察 AI
需求、資本支出、實體部署與估值壓力之間的拉扯。
Written in Chinese, from a Taiwan supply-chain perspective. AI 故事還在，但價格已經在喘。
這幾天再寫 AI 供應鏈，其實有點尷尬。台股剛經歷劇烈回檔，市場還在消化外資賣超、台指期偏空部位與 AI 估值壓力。6 月 29 日，指數反彈，盤中重新站上 45,000 點，最後卻收在 44,999.90，差一點沒有站回整數關卡；同日外資現貨仍賣超 60.11 億元，投信買超 137.54 億元。期交所資料則顯示，台股期貨（TX）外資未平倉淨額為 -76,627 口，其中多方 7,494 口、空方 84,121 口。Ref A1Ref A2
Taiwan market and futures snapshot
資料截點：本文使用 2026–06–29 盤後與期交所公開資料。這不是即時交易建議，而是用當天市場結構作為壓力測試的觀察入口。
這個收盤數字很有意思。
它不像恐慌延續，也不像壓力解除。它更像市場正在問一個中間問題：AI 與半導體的長期故事還在，但今天的價格，還能不能承受這個故事？
我不想把這篇寫成「AI 回檔就是機會」。
也不想寫成「AI 泡沫要破了」。
我真正想問的是另一件事：當市場從 AI euphoria 進入 valuation stress，哪些需求還能被現場驗證？哪些只是價格上漲時，大家願意相信的敘事？
...
From “What’s the next AI stock?” to “Where’s the next bottleneck, who gets paid, and what would prove us wrong?”
Sinclair Huang
This essay helps answer four practical questions: Which AI themes are real constraints rather than just attractive stories?
Who can capture gross margin when a constraint binds?
How long might the bottleneck last before capacity, substitution, or efficiency relieves it?
What evidence would prove the thesis wrong?
The main argument: large AI demand explains why the sector is hot; bottlenecks explain who gets paid; spillovers explain who absorbs hidden costs; monetised usage determines whether the buildout is sustainable.
...
Why the second AI revolution may be bigger — and riskier — than the firstSinclair Huang AI Infrastructure Notes｜Article 5*
Field Note v4 — updated with GTC Taipei and statistical-science reference materials, using public and user-provided sources available as of June 6, 2026.*
AI is acquiring three things it never had at scale: a ticker, an agent, and a body.
A ticker makes AI liquid. An agent makes AI operational. A body makes AI physical.
...