3年衝出10億用戶,WeChat用人工智慧做了哪些事?
3年衝出10億用戶,WeChat用人工智慧做了哪些事?
2015.09.03 | 科技

你對微信(WeChat)的印象停留在哪裡?如果還只當它是一個單純的通訊軟體平台,那誤會可就大了。「WeChat已經超越溝通軟件,而是一個巨大的生態,這樣的生態為人工智慧、機器深度學習,提供了絕佳的土壤,」WeChat首席技術顧問楊強如此說到,「短短三年間,就從零成長到現在這個規模,連Facebook都在向微信學習。」一句話,就聽出如今擁有10億用戶數的WeChat能夠建立起這樣龐大的帝國,還讓社群巨頭Facebook虛心請教,絕非浪得虛名。

不過,在了解WeChat用了人工智慧和機器學習做了哪些事之前,先來看看WeChat這幾年迅猛的成長態勢。楊強說,WeChat有三個著名的里程碑,「一開始花了一年多達到1億用戶,再花半年時間達到2億用戶,最後只用了3個月時間就達到3億用戶。」而截至2015年3月,WeChat的註冊用戶則已經突破10億大關,每日活躍用戶數將近6億人,目前有800萬個活躍群組,覆蓋20種語言、200個國家和地區。

從0到10億,看起來是多麼艱難的歷程,WeChat卻像個從石頭蹦出來的巨人,橫空出世、一步一跨,轉瞬間就將它走完。

現在的WeChat不僅是溝通聯繫的平台,還包含了微信支付、微信紅包、搖一搖、公眾號/服務號等功能,客戶群涵蓋一般企業、廣告業主、終端使用者、電視傳媒等。但你知道,WeChat為了讓這冰山一角顯得舉重若輕,在水面下都積累了什麼嗎?成功絕非偶然,若將WeChat全然形容成先天基因就優良的勝利組,那也是抹煞了WeChat多年來鑽研人工智慧的苦心及努力。

WeChat
(圖說:WeChat只用了3年,註冊用戶數就從0衝到10億大關。圖片來源:WeChat提供。)

#大數據與關係模型
楊強說,WeChat跟Facebook、Twitter最大的區隔就是精準的「關係模型」。WeChat用戶可以在「朋友圈」更新自己的活動及狀態,雖然看起來跟一般社交平台沒有兩樣,但因為WeChat性質的關係(通訊軟體),在這裡的社交關係大多有90%是屬於「現實生活中的朋友」,極少數是陌生的,讓WeChat蒐集到的用戶數據更加聚焦且精準。

而WeChat也因為這些龐大的人際關係數據,包括用戶貼文內容、朋友圈的互動方式、圖片/影像/文字的使用情況、在不同群組的活躍程度等,分析出每個用戶的關係模型,並加以利用。

#遷移學習
有了用戶的大數據及關係模型後,WeChat就能用機器的遷移學習(Transfer Learning)功能,做出各種精準的應用。

最基礎的莫過於「朋友圈廣告」。楊強表示,「在移動互聯網上面,大家都在移動,而WeChat朋友圈廣告也反映了系統對人的理解,廣告本身內容基於朋友圈生態系,這後面是很強大的人工智慧。」

由於WeChat系統已經擁有用戶的關係模型,不只能夠分析用戶行為,還能提前預測用戶的社交行為,因此當系統「描繪」好廣告用戶畫像後,WeChat朋友圈的廣告便會透過WeChat廣告系統進行投放和管理,再利用演算法,將廣告以類似朋友原創的貼文內容為形式,不著痕跡地展現在你的朋友圈內,就如原生廣告一般。

#群體智慧
「每個人的智慧是有限的,但只要匯集起來就是不得了的事情。」楊強說到。WeChat曾將群體智慧(Crowd Intelligence)的概念應用在公益活動「為盲胞讀書」。

你可曾想過,盲胞除了點字之外,還能用什麼方式體會文字世界的美好?其實,盲胞是需要「聽」書的,但是製作這樣一本「有聲讀物」要花上許多時間,並不容易。WeChat則發起了一項公益計畫,利用群體智慧技術,讓每個人都能「為盲胞讀書」——只要一分鐘的時間。

「或許我現在有一分鐘的時間可以讀,你就跟微信說『給我一段字吧』,它可能給我一段《紅樓夢》,」楊強說,用戶讀完文字之後,WeChat就會把這段聲音上傳回後台,而WeChat背後有一套語音處理及理解系統,它會篩選各個檔案,將最「高質量」的聲音揀選出來,再將每段聲音串起來匯集成一本有聲書。視障者可以透過WeChat的「為盲胞讀書」服務號、官網平台,線上收聽或下載這些有聲讀物。

如今,WeChat已經累計推出好幾百本集群體智慧而成的有聲讀物。對WeChat用戶而言,你我或許只是利用一分鐘的時間,舉手之勞做公益;對盲胞而言,這樣涓滴而成的群體人工智慧技術,卻讓科技充滿了實實在在的溫度。

為盲胞讀書
(圖說:WeChat發起的「為盲胞讀書」公益計畫,利用群體人工智慧技術製作有聲讀物。)

#音頻辨識
WeChat在2013年發布一項功能「搖歌曲」。當用戶在空氣中聽到一段音樂,只要拿起手機、開啟WeChat,接著,搖一搖,不出3~5秒,WeChat就會秀出這段音樂的資訊,楊強說,每天使用這個功能的人數平均高達300萬。

更令人訝異的,是WeChat打算利用音頻辨識技術改變電視節目的生態。楊強表示,閱聽眾在電視機前只能單方面地接受訊息,無法對電視節目「發送訊息」,這樣一來就容易出現廣告投放不精準的問題,因為廣告主及電視台很難知道「到底是誰坐在電視機前」。

WeChat計畫利用音頻識別技術,知道用戶正在收看哪一台、哪個電視節目,再將此資訊回傳給電視台,這些數據就可以作為電視台及廣告主的分析基礎,甚至能立即性決定要如何調整節目內容橋段及廣告內容,讓傳統的傳媒與新型態的網路社平台為結合。「這為電視節目及廣告生態注入了新鮮的血液。」楊強說。

#圖像搜尋
Google、百度等網路企業都在大力注資的圖像搜尋技術,WeChat怎麼可能錯過?WeChat透過繪圖處理器(GPU)的加速運算,讓系統能夠即時辨識圖像,不僅可作為未來系統機器學習的內容,也能即時為廣告主推送合適廣告給用戶,進一步將用戶的使用習慣化為商機。此外,WeChat的人臉辨識技術亦號稱可達到偵測、追蹤、辨識、認證等功能。

楊強
(WeChat首席技術顧問楊強。圖片來源:NVIDIA。)

除了上述這些之外,WeChat還積極研擬擴增實境(AR)、自然語言理解(Natural Language Understanding)等技術,企圖讓WeChat成為用戶生活中密不可分的隨行助理。

楊強強調,WeChat是個緊密的閉環(Closed-loop)生態圈,所有的用戶行為、回應及系統提前預測的用戶導向意圖,都會回應到WeChat生態圈內的服務,例如微信支付、打車服務、購票、理財等。至於這些人工智慧建立起的功能到底有沒有效?究竟準不準確?楊強笑說,「你看用戶有沒有使用就知道啦!」

「10億」,或許代表了部分答案。

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓