[東京直擊]為何Google要推開源機器學習系統TensorFlow？|數位時代 BusinessNext

Google宣佈將其最新的機器學習技術TensorFlow以開放源碼專案釋出。Google 以 Apache 2.0 授權模式開放以 Python 或 C++ 為主要服務語言的 TensorFlow 專案，並將這個專案的程式碼與相關工具放在 Github 上。

TensorFlow 是 Google 繼 2011 年開發了 DistBelief 之後，透過使用資料流 (flow) 圖像，來進行數值演算的新一代開源機器學習工具。這個機器學習工具的基礎設計，主要透過圖學裡的「節點」來表達數學運算，「邊」來表示「節點」間的多維度資料陣列 (tensors，張量)，因此命名做 TensorFlow。TensorFlow 主要由 Google 機器智慧研究室與 Google 大腦研究組 (Google Brain Team ) 的學者與工程師所開發，容許開發者自由配置運算環境來做深度神經網絡研究，但也足以支持普通環境所需要的服務（例如透過影片進行圖像辨識）；你可以部署 TensorFlow 在使用一個或多個 CPU 或 GPU的桌機或伺服器上，也可以透過一個 API 部署在行動裝置裡。

Gmail的垃圾郵件判讀、Google相簿臉部識別、Google翻譯，我們天天都在使用 Google的機器學習系統，現在Google將TensorFlow以開放源碼專案釋出了。相比IBM，微軟與百度等競爭對手的封閉路線，再次打出開源牌的Google是否又會成為機器學習領域的霸主呢？Goolge為什麼要推開源機器學習系統？

##沒資料，光有技術，機器學習就只是空談

「如果將機器學習比喻成一架火箭，那大量的『數據』就是驅動它的能源，並且需要各種創意、多方思考設立出來的模型和運算能力來支持整個學習過程，而且電腦不比人腦，人腦只需要有限的例子和經驗就能夠成功學習。電腦則是需要『非常多樣本和案例』來建立認知。」Google人工智慧、運算神經科學及可量化機器學習研究員科拉多（Greg Corrado）強調。

Google人工智慧、計算神經科學及可量化機器學習研究員指科拉多

（圖說：Google人工智慧、計算神經科學及可量化機器學習研究員科拉多。圖片來源：Google。）

言下之意，只靠Google自己發展機器學習技術勢必會遇到一些難題，資料量不夠多元。「電腦的學習過程是相當緩慢，曠日費時，深度學習需要投入大量的人力與資源進行相關研究」科拉多說。在這樣的情況下，Google透過開放機器學習讓開源社群幫Goolge收集、整理各式各樣大量可用來訓練類神經網絡的『資料』。

「沒資料，光有技術，機器學習就只是空談。就像火箭要有燃料，要不然只有推進器，火箭也飛不起來！」台北大學資訊工程學系教授戴志華進一步解釋，一但開放機器學習系統，用的人越多，資料越多元，越多量多變，Google 機器學習系統更聰明，能提供的服務就越好，可以提供更多種服務，形成一個正向循環。

戴志華舉例， Google 想要讓機器學習認 a~z 26個小寫字母，但每個人的字跡不同，Google若自己要準備各種不同筆跡字母太曠日費時，但若全世界有20%的人，一人給 Google 一份自己寫的a-z字母，有了這些大量，又多形變的資料，Google 機器認字母的能力也就越強。因此 Google 利用「開放」模式解決以上的難題。

也許你要問， Google 不是手握大量使用者數據了嗎？為什麼這些數據量還不夠呢？

##Google過去收集的資料不適合用來做機器學習

「Google過去收集的資料都不適合用來做機器學習，因為那些資料並沒有被賦予足夠具體的意義。」戴志華指出。

舉例來說，Google手邊有很多「1」、「one」與「一」等資料，但機器並不懂得什麼意思。機器不知道「1 」... 是 1 不是 2 、「one」是 1 不是 2 、「一」是 1 不是 2 。「機器學習就跟教小孩很類似，你要他叫爸爸，你就得先告訴他誰是爸爸。」戴志華舉例。

因為類神經網絡是模擬人的大腦，訓練類神經網絡，就跟教育嬰幼兒一樣。資料要大量、多變化，**資料的品質也重要，就是要大量且要含括足夠的變化，所以需要整個社群提供資料並且賦予這些資料正確具體的意義。**因此，透過開源 TensorFlow 這個工具， Google 得以號召整個開發社群透過利用該工具提供相關服務時，幫 Google 完成收集真實世界資料的任務。

那對開發者或研究員來說，Google的開源機器學習系統吸引點在哪裡呢？

##利用開源精神先把餅做大

Google 雖然發展機器學習10年，但還有許多領域未探索。因此需要這個社群共享力量，加速機器學習進展。「利用機系學習系統獲利並非 Google 現行目標，現在最重要的是社群的建立，透過開源社群的快速分享，建立共同標準。這對機器學習的發展非常重要。」科拉多說。

相較競爭對手微軟、IBM 與百度，機器學習技術需要付費，Google 的免費對於開發者的吸引力巨大。

##利用開源社群資料，壯大Google自身系統

「讓全球聰明人，給 Google 很好的回饋與貢獻，甚至連競爭對手的團隊都會用它， Google 不走常人之路。」 Alphabet 集團執行董事長施密特（Eric Schmidt）強調。

Google 目前透過兩方面應用機器學習技術強化現有的產品服務（如：Google 搜尋裡的排名建議）與提供更先進更新穎的產品服務。如語音文字與圖像辨識。科拉多指出「Google 的語音搜尋就是透過機器學習讓正確度不斷提升。」

「這對 Google 的 Mobile Only 政策具有重大的影響，在行動的世界，不需要手，我們使用語言溝通，電腦直接辨識圖像。」科拉多說。不過對於外界非常關切的 Google 自動駕駛車的機器學習成果，科拉多語帶保留，並不多談，是個敏感議題。

以下整理出目前已經使用機器學習的 Google 相關服務：

目前 Gmail 已經可以自動判斷約 99%的垃圾郵件。

Gmail 的 Smart Reply 功能，自動偵測對方寄來的郵件內容，並建立簡單的回覆（像是：對不起，我沒有空參加這個活動）。
Google 相簿已經可以讓使用者透過標籤搜尋找到相關的照片（例如輸入關鍵字「海」，也許就會出現前幾天在海邊拍的海景照）。
結合拍照功能即刻看到結果的 Google 翻譯。
Google 語音辨識功能的錯誤量已經減少逾 20%。

延伸學習：
1.圖解機器學習
2.百度首席科學家吳恩達：不只「機器學習」，更要「模擬人類大腦」。
3.微軟Adam挑戰Google Brain：我的機器學習比你快

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。

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。

「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