1. 互聯互通：航空業率先起飛

航空業已經開始相關工作，並被形容為四大任務下首個跨行業項目。初步方向包括以安全為先的下一代空中交通管理，以及在航空運力增加之際，利用 AI 改善航班排序、旅客流動和行李運作。

互聯互通任務亦會延伸至機場、海運及港口網絡。樟宜機場和大士港都是複雜而數據密集的營運環境，可供 AI 應用於機場、海事及物流優化。

2. 先進製造：讓 AI 走入工場

先進製造任務聚焦可以與實體生產環境互動的 AI，包括機械人、用於重新設計生產流程的模擬、數碼孿生，以及預測性維修。

這類「具身」或「實體 AI」有望協助製造商更早發現生產問題，並減少物料浪費和停機時間。不過，現有資料描述的是計劃中的應用方向，並未證實相關成效已經全面實現。

新加坡同時加強應用研究及真實環境測試，亦反映出它希望 AI 不只停留在軟件示範，而是能夠真正進入工場運作。

3. 金融服務：更早識別金融罪案

金融服務任務預計會處理日益複雜的金融罪案，改善財務管理工具，並支援新一代跨境支付系統。

金融 AI 要在涉及敏感數據、合規要求及重大決策的嚴格監管環境中運作，因此單靠一個模型「夠唔夠叻」並不足夠。NAIS 2.0 強調受治理的數據存取及負責任部署，正是將這些應用擴大時不可或缺的基礎。

4. 醫療：由臨床支援走向個人化照護

醫療任務所列出的應用包括診斷及臨床決策支援、資源規劃，以及更個人化的健康建議和照護。

由於這些都屬高風險用途，技術發展亦必須配合問責機制及風險控制。現有資料說明了政策方向，但未證實每一項應用已經在全國層面正式部署。

NAIS 2.0 如何將任務由試點推向採用？

更新版策略並不是簡單列出幾個試驗項目，而是將行業面對的問題，連接到發展、測試及擴大 AI 所需的能力，包括應用 AI 研究及工程、AI 雙語人才、受治理的相關數據存取，以及更深入的公共部門轉型。

這個架構針對的是 AI 落地時常見的斷層：有一個表現亮眼的模型，並不代表機構已經有足夠的行業專業、可用數據、技術基建、測試環境和清晰規則，在涉及重大影響的場景中安全部署 AI。

研究與人才，本身就是 AI 基建

新加坡根據 National AI Research and Development Plan，在 2025 至 2030 年投入超過 10 億新加坡元，支持基礎及應用 AI 研究，以及由大學前教育、教研人員到國際研究合作的人才培育。

NAIS 2.0 亦將 AI 雙語人才列為優先方向，即同時具備特定行業專長及 AI 工作能力的人。對航空、製造和醫療而言，這點尤其重要：成功的 AI 系統必須配合現有專業流程和安全要求，而不只是產生技術上令人驚艷的輸出。

Punggol 及研究生態圈，提供真實測試場

Punggol Digital District 正發展成為具身及應用 AI 的前沿測試場。計劃中的試驗包括由企業部署機械人，執行清潔、巡邏及送餐等工作。

新加坡亦透過 Nvidia 在當地的研究布局，擴大 AI 研究生態圈。相關研究中心預計會與本地大學、企業及政府合作，研究機械人、能源效益更高的 AI 模型及相關基建。

對實體 AI 而言，單靠基準測試或軟件示範並不足以全面評估系統。機械人和自主系統需要在實際環境中接受測試，才能觀察可靠性、協調能力及安全表現。

信任與問責，仍然是底線

新加坡的《Agentic AI 模型 AI 治理框架》為企業部署自主 AI 系統提供指引，並將人與機構的問責放在核心位置。框架要求企業設立治理架構、指定監督角色，並按系統的自主程度及風險，配置相應的風險管理和控制措施。

其中一項重要保障是：涉及高風險或不可逆轉的行動，不應在沒有人工審核的情況下執行。企業應預先設定需要人員批准的檢查點或行動界線。

這項原則與四大任務息息相關。AI 可以協助優化港口、找出可疑金融活動，或者支援臨床決策，但採用 AI 的機構，仍然要為系統的運作方式，以及人員能否及時介入，負上責任。

新加坡這套方法，關鍵在哪裏？

新加坡的 AI 計劃之所以值得留意，在於它將四個行業任務，與長期研究資金、人才培訓、共享及真實測試場、相關數據存取和部署指引放在同一個框架內。

航空業是目前最清晰的早期例子。它既是複雜而具全國重要性的營運環境，又可以在安全要求明確的前提下，應用 AI 改善協調及流程。至於製造、金融和醫療，將各自面對不同的技術和監管挑戰；現有資料尚未證明四個任務已全部完成大規模推行。

眼前的重點，是 NAIS 2.0 希望推動新加坡由小規模試驗，走向跨行業落地。最終能否轉化成可量度的改善，仍要視乎部署質素、人為監督是否足夠，以及 AI 系統能否真正圍繞營運需要建立，而不是停留在展示技術之上。

1. 互聯互通：航空業率先起飛

航空業已經開始相關工作，並被形容為四大任務下首個跨行業項目。初步方向包括以安全為先的下一代空中交通管理，以及在航空運力增加之際，利用 AI 改善航班排序、旅客流動和行李運作。

互聯互通任務亦會延伸至機場、海運及港口網絡。樟宜機場和大士港都是複雜而數據密集的營運環境，可供 AI 應用於機場、海事及物流優化。

2. 先進製造：讓 AI 走入工場

先進製造任務聚焦可以與實體生產環境互動的 AI，包括機械人、用於重新設計生產流程的模擬、數碼孿生，以及預測性維修。

這類「具身」或「實體 AI」有望協助製造商更早發現生產問題，並減少物料浪費和停機時間。不過，現有資料描述的是計劃中的應用方向，並未證實相關成效已經全面實現。

新加坡同時加強應用研究及真實環境測試，亦反映出它希望 AI 不只停留在軟件示範，而是能夠真正進入工場運作。

3. 金融服務：更早識別金融罪案

金融服務任務預計會處理日益複雜的金融罪案，改善財務管理工具，並支援新一代跨境支付系統。

金融 AI 要在涉及敏感數據、合規要求及重大決策的嚴格監管環境中運作，因此單靠一個模型「夠唔夠叻」並不足夠。NAIS 2.0 強調受治理的數據存取及負責任部署，正是將這些應用擴大時不可或缺的基礎。

4. 醫療：由臨床支援走向個人化照護

醫療任務所列出的應用包括診斷及臨床決策支援、資源規劃，以及更個人化的健康建議和照護。

由於這些都屬高風險用途，技術發展亦必須配合問責機制及風險控制。現有資料說明了政策方向，但未證實每一項應用已經在全國層面正式部署。

NAIS 2.0 如何將任務由試點推向採用？

更新版策略並不是簡單列出幾個試驗項目，而是將行業面對的問題，連接到發展、測試及擴大 AI 所需的能力，包括應用 AI 研究及工程、AI 雙語人才、受治理的相關數據存取，以及更深入的公共部門轉型。

這個架構針對的是 AI 落地時常見的斷層：有一個表現亮眼的模型，並不代表機構已經有足夠的行業專業、可用數據、技術基建、測試環境和清晰規則，在涉及重大影響的場景中安全部署 AI。

研究與人才，本身就是 AI 基建

新加坡根據 National AI Research and Development Plan，在 2025 至 2030 年投入超過 10 億新加坡元，支持基礎及應用 AI 研究，以及由大學前教育、教研人員到國際研究合作的人才培育。

NAIS 2.0 亦將 AI 雙語人才列為優先方向，即同時具備特定行業專長及 AI 工作能力的人。對航空、製造和醫療而言，這點尤其重要：成功的 AI 系統必須配合現有專業流程和安全要求，而不只是產生技術上令人驚艷的輸出。

Punggol 及研究生態圈，提供真實測試場

Punggol Digital District 正發展成為具身及應用 AI 的前沿測試場。計劃中的試驗包括由企業部署機械人，執行清潔、巡邏及送餐等工作。

新加坡亦透過 Nvidia 在當地的研究布局，擴大 AI 研究生態圈。相關研究中心預計會與本地大學、企業及政府合作，研究機械人、能源效益更高的 AI 模型及相關基建。

對實體 AI 而言，單靠基準測試或軟件示範並不足以全面評估系統。機械人和自主系統需要在實際環境中接受測試，才能觀察可靠性、協調能力及安全表現。

信任與問責，仍然是底線

新加坡的《Agentic AI 模型 AI 治理框架》為企業部署自主 AI 系統提供指引，並將人與機構的問責放在核心位置。框架要求企業設立治理架構、指定監督角色，並按系統的自主程度及風險，配置相應的風險管理和控制措施。

其中一項重要保障是：涉及高風險或不可逆轉的行動，不應在沒有人工審核的情況下執行。企業應預先設定需要人員批准的檢查點或行動界線。

這項原則與四大任務息息相關。AI 可以協助優化港口、找出可疑金融活動，或者支援臨床決策，但採用 AI 的機構，仍然要為系統的運作方式，以及人員能否及時介入，負上責任。

新加坡這套方法，關鍵在哪裏？

新加坡的 AI 計劃之所以值得留意，在於它將四個行業任務，與長期研究資金、人才培訓、共享及真實測試場、相關數據存取和部署指引放在同一個框架內。

航空業是目前最清晰的早期例子。它既是複雜而具全國重要性的營運環境，又可以在安全要求明確的前提下，應用 AI 改善協調及流程。至於製造、金融和醫療，將各自面對不同的技術和監管挑戰；現有資料尚未證明四個任務已全部完成大規模推行。

眼前的重點，是 NAIS 2.0 希望推動新加坡由小規模試驗，走向跨行業落地。最終能否轉化成可量度的改善，仍要視乎部署質素、人為監督是否足夠，以及 AI 系統能否真正圍繞營運需要建立，而不是停留在展示技術之上。