在全球數位轉型浪潮中，生成式AI已成為驅動創新的核心動能。面對交通運輸研究與決策日益複雜的挑戰，唯有結合先進技術與專業知識，方能有效提升效率與決策品質。資策會軟體院致力於推動跨域應用，協助政府與產業打造智慧決策支援平台，藉此引領台灣邁向更具韌性與永續的智慧交通新局。
每天在研究單位、政府機關或大型企業裡，都有一個不變的場景：無數文件要撰寫、資料要蒐集、報告要整理。這些日常重複性工作雖然必要，卻常常消耗了研究人員與行政人員的大量時間與心力。
以交通部運輸研究所為例，研究人員需要不定期的產出行政需求文件及研究報告等。這些任務的共通點是：格式相對固定、資訊龐雜卻重複，往往讓人覺得時間被綁死在鍵盤與文件之間。真正重要的思考與決策，反而因為日常工作壓力而被壓縮。其中，辦理相關研究並提供專業意見，為所內重要之業務，面臨著日益複雜的決策環境，資訊的快速成長和多樣化，使得傳統的決策方式可能難以應對所有挑戰。研究人員在進行業務決策時，可能會遇到資料分散、蒐集困難、決策耗時等問題，進而影響決策的品質。
隨著近年來人工智慧快速發展，影響遍及產官學研單位，各式相關模型與技術也逐漸朝向開源方向進展，帶動相關更多元且廣泛的應用方式與場景產生；尤其是生成式AI和自然語言模型，在各個領域展現出變革性的潛力。
有鑑於此，探索和評估將先進的人工智慧技術應用於交通運輸研究的決策支援，成為一個重要的發展方向；透過導入生成式AI相關技術，期望能更有效地整合和分析龐大的交通運輸相關資訊，輔助研究人員和決策者做出更精確、更具洞察力的判斷，以提升整體的研究效率和組織效能。
生成式AI在交通運輸上的國際案例與趨勢
國際上在人工智慧技術加速演進的背景下，生成式AI正逐步改變交通運輸產業的運作模式與創新路徑。相較於傳統的分析與預測模型，生成式AI具備文本、圖像、語音等多模態資料生成與理解的能力，不僅能強化決策支持，更可提升服務效率與溝通品質。
例如在空運方面，Air France-KLM與Google Cloud合作，重點即在於將生成式AI整合至客服、內部知識管理與營運支援之中，藉此提升整體運作效率與乘客體驗[1][2]。早期應用以票價預測、客服自動化與航班排程為主，目前逐漸延伸至客製化旅客體驗與維修管理。尤其在維修預測(Predictive Maintenance)方面的潛力受到航空公司重視。透過感測器與歷史數據的結合，AI模型可預測設備可能故障時間點，降低突發維修風險與延誤成本。此外，AI在資料分析速度上的優勢也使大型航空公司能更有效處理來自不同部門的營運資料，提升整體決策效率。
海運方面，航運業作為全球供應鏈的脊樑，其穩定性、安全性與效率攸關全球貿易與經濟發展。面對氣候變遷壓力、國際法規強化、營運成本上升的挑戰，業界逐步尋求智慧化轉型解方。如美國德州Corpus Christi港口於2024年推出AI解決方案—OPTICS(Overall Port Tactical Information System)[3]，OPTICS為一個結合3D數位分身、機器學習與大型語言模型的複合式AI平台。其主要功能包括即時船舶追蹤與動態補償、數位分身港口建模、生成式AI應急訓練模擬。
Corpus Christi的案例顯示，生成式AI並非僅限於文書、客服等領域，其於空間數據與災害應變情境的應用具有高度價值。Corpus Christi港導入OPTICS系統的實例，具體展現了生成式AI在實體場域監控與應急模擬方面的巨大潛力。從技術整合到訓練應用，此系統不僅提升港口營運效率，也為數位轉型與危機應對提供創新解方。
陸運方面，FedEx也嘗試以生成式AI來推動智慧物流[4][5]。FedEx為全球物流大廠，每日處理超過1,600萬件包裹，之間涉及大量的客服問答、報關資訊與配送說明。傳統以人工客服與規則式系統為主，但因資訊繁雜且更新迅速，效率與準確性總有改進空間。特別處理貨物追蹤等專業資訊時，更需依賴專業判讀與資訊整合。生成式AI與大型語言模型的興起，為智慧客服、互動說明與報關流程提供可能性，因此成為FedEx近年技術布局的重點領域。
有關於上述空運、海運、陸運等三大領域綜整如表1。
表1 生成式AI在交通運輸領域相關國際案例發展綜整表
生成式AI在自然語言處理、資料摘要、互動式分析與自動化內容生成方面的突破，提供了許多創新的工具與方法可以用來協助交通運輸相關的工作，從智慧客服系統、交通路線規劃、研究報告撰寫、政策文本的語意分析，到交通事件彙整與決策支援系統的構建，生成式AI為交通與運輸研究注入強大的語意理解與生成能力。
運輸研究決策支援AI應用平台
回到國內需求上，為兼顧資料安全、運算效能與彈性擴展性，近年來生成式AI在企業或研究機構中的部署模式，逐漸採用混合雲(Hybrid Cloud)架構。此架構結合了公有雲與私有雲的優勢，允許組織根據實際業務與資料特性，靈活配置資源與模型運行環境。
在交通運輸與智慧城市等高敏感應用領域，混合雲架構特別具有實務效益。例如，可將交通影像或個人隱私資訊等敏感資料留存在本地私有雲進行儲存與推論，而將需大量運算資源的生成式AI模型訓練與微調工作，部署於AWS、GCP或Microsoft Azure等公有雲平台。此做法不僅降低硬體建置成本，也提升整體運算效率與彈性。
此外，混合雲亦支援跨雲端模型協作開發，例如模型在GCP完成預訓練後，可導入Azure進行垂直應用微調，最終再透過私有雲內的推論引擎落地應用於特定交通場景中。整體而言，混合雲架構為生成式AI的商轉與大規模應用提供了理想的技術基礎，不僅強化資料治理能力，也符合多變的營運需求與資安規範，是未來AI技術部署的重要趨勢。
因此「運輸研究決策支援AI應用平台」即是採用混合雲架構，其中私有雲部署(資策會)保障內部資料的安全性，公有雲部署則提供彈性的運算資源與模型接入。圖1為決策支援AI應用平台的系統架構，各項目分述如下。
圖1 運輸研究決策支援AI應用平台系統架構
資料來源：資策會軟體院移動聯網技術中心整理
使用者介面層的部分，如圖2所示，設計符合運研所日常使用習慣的互動介面，包含對話輸入區、文件上傳區、模型選擇以及對話歷史區域，讓使用者可以像使用ChatGPT一樣自然操作，不需要額外訓練。而在網頁最底下並加上免責聲明，以提醒使用者生成式AI所生成的結果可能會有錯誤，在採用前應進行再次確認的動作。
圖2 運輸研究決策支援AI應用平台使用者介面
資料來源：資策會軟體院移動聯網技術中心整理
對話功能則為根據平台需要服務所開發的功能，使用者在使用前可以先行選擇要進行仿寫助理、知識庫對話或是讀書報告助理。這三項功能預設的提示詞與內部運行的程式流程皆是根據目的優化過後的提示詞組合與程式運作流程。
資訊護欄則是用來阻擋機敏文件上傳。當使用者上傳檔案後，平台會使用影像辨識的技術來偵測文件封面或特定區域是否有標註機密、極機密、限閱等文字，以避免使用者洩露內部機敏文件，這點對政府單位來說尤其重要。
圖3 禁止上傳機敏文件流程示意圖
資料來源：資策會軟體院移動聯網技術中心整理
公有雲AI平台客製化設計
(一)知識擴充層
本層整合內部知識庫與外部知識來源(如政府開放資料、學術資料庫、網路搜尋API等)，達成即時知識查詢與多源資訊整合。內部知識為運研所內部KM資料，外部知識則透過API即時接入並經過濾與分類。此層有助於拓展LLM的知識廣度，克服模型本身知識更新的限制。
(二)知識梳理層
在資料進入模型前，需先經過清理與結構化作業。本層進行資料清洗、格式統一、重複排除、錯誤標記修正等前處理，並結合智慧化文件處理模組，例如透過NLP模型解析章節、標題、表格與圖示。此層有助於強化知識的組織與可讀性，提升語言模型後續的回應品質。
(三)資料表示層
該層處理知識資料的格式轉換與向量化，將結構化與非結構化資料(如報告、網頁、PDF)轉換為語意向量，便於LLM進行語意檢索與關聯查詢。透過向量化資料結構，可實現快速比對與語意近似度運算，是RAG(Retrieval-Augmented Generation)應用的關鍵基礎。
(四)AI Agent層
AI Agent層負責整合不同任務型代理人(Agents)，包括仿寫Agent、外部搜尋Agent、內部問答Agent等。每個Agent結合語言模型能力與特定功能模組，如向量資料庫、搜尋引擎API或知識庫系統，完成複合式任務處理。此模組支援多任務並行處理與上下文持續性，提供使用者更智慧且互動性的操作體驗。
(五)模型庫層
此層是整個AI系統的核心計算資源，涵蓋多種大型語言模型(LLM)，如OpenAI的GPT系列、Meta的LLaMA等。使用者可根據任務特性(如創作、摘要、搜尋等)，自行選擇適合的模型進行推論，實現彈性高、精準度佳的語言理解與生成任務。模型來源基於公有雲端部署，具備即時更新與可擴展的優勢。目前平台上可選擇的大型語言模型皆為主流GPT系列大型語言模型，以提供使用者在不同Cost-Quality比重上不同的選擇。
在整個處理流程上，特別針對大檔案文件進行額外的處理，這是因為運輸交通領域常見大型文件檔，如研究報告、報告書等資料，頁數常常會超過2、300頁，這麼多的文字資料，如果直接輸入至大型語言模型或是嵌入模型，通常會遇到上下文太長，超過大型語言模型token長度限制的錯誤。因此，特別針對大檔案文件設計自動化分析流程，透過切割文件與平行處理，可明顯加速文件仿寫功能的運作效率(大檔案如超過300頁的文件，處理速度可從30分鐘加速至5分鐘)。
圖4 文件仿寫運作流程
資料來源：資策會軟體院移動聯網技術中心整理
目前平台實際應用在研究人員的日常工作中，提供以下服務：
(一)自定義行政需求文件自動生成
此功能主要針對格式固定、資訊龐雜且具重複性的文件進行處理，以新聞稿為例，過去需由研究人員耗費時間進行撰寫與修訂。導入AI技術後，僅需提供參考樣本及所需內容，系統即可自動生成初稿，再由研究人員進行調整與定稿，進而有效縮短作業時間。
(二)內部知識庫搜尋
過去要在龐大的內部資料中找到一份研究報告，可能得靠傳統關鍵字的方式在知識庫中搜尋。現在，透過AI的檢索與摘要能力，研究人員能在幾秒鐘內取得需要的資訊。
(三)交通研究題材探索
當研究人員需要發掘新的研究題目時，AI可以快速整理國內外的最新趨勢與研究方向，並提出潛在題材清單，幫助研究人員節省前期的探索時間。
(四)讀書報告自動生成
許多研究需參考的國內外文獻與技術報告往往篇幅龐大。AI可以自動生成讀書報告摘要，協助研究人員快速掌握重點，再進行深入研讀並透過人機協作探討與分析。
透過這套平台的導入，帶來了幾個在工作上明顯的效果：
- 時間效率提升：大幅縮短資料查找時間，文件產出速度提升。
- 知識共享改善：內部資料能更快速被檢索與再利用，避免重工。
- 內容品質提升：AI生成的初稿一致性高，研究人員能專注在調整與補充，而不是從零開始。
藉由導入生成式AI，可以讓繁瑣的重複性任務交由AI處理，讓研究人員能把精力投入到真正具價值的決策思考，以顯現智慧轉型的真正價值所在。
AI與工作的未來
在交通部運研所的案例中，生成式AI與Agent技術，從「趨勢」真正變成「工具」。它不僅解放了研究人員的時間，也改變了知識工作的方式。未來，這樣的決策支援平台不會只存在於研究所，企業、媒體、教育機構都可能擁有自己的AI助理，幫助組織與個人擺脫重複性的工作。就讓重複的工作交給AI，創新的思考留給人吧。
(本文作者黃暉慈主任、廖憲正副主任、江立仁組長、桂學文、丁坤福任職於資策會；張益城組長、葉曜副研究員任職於交通部運研所)
參．考．資．料
[1] Reuters. (2024, December). Google Cloud partners with Air France-KLM on AI technology. https://www.reuters.com/technology/artificial-intelligence/google-cloud-partners-with-air-france-klm-ai-technology-2024-12-04/.
[2] Air France. (2025, February). Air France and Artificial Intelligence (AI). https://corporate.airfrance.com/en/news/air-france-and-artificial-intelligence-ai.
[3] Smith, M. S. (2025, May). A massive seaport in Texas is using an AI-powered digital replica to track ships and prepare for emergencies. https://www.businessinsider.com/corpus-christi-port-ai-ship-tracking-emergency-training-2025-5.
[4] Disruption Hub. (2024, January). How Is Fedex Using AI. https://disruptionhub.com/how-is-fedex-using-ai/.
[5] Garland, Max. (2023, November). FedEx makes progress with AI to sharpen delivery time estimates. https://www.supplychaindive.com/news/fedex-machine-learning-ai-ceo-raj-subramaniam/698659/.