專訪Mashable CTO:人工智慧如何幫助媒體編輯提升效率
專訪Mashable CTO:人工智慧如何幫助媒體編輯提升效率
2016.11.16 | 人物

科技媒體Mashable創建於2005年7月,其創始人是當時年僅19歲的蘇格蘭人皮特.卡什莫爾(Pete Cashmore)。在那之前皮特沒有任何媒體工作經驗,網站主要從社群網路上追蹤最受使用者關注的科技公司新聞。到現在,Mashable 在全球的Alexa排名已經達到516名,成為世界上訪問量最多的媒體之一。

Mashable
圖/ Mashable

不走傳統新聞操作,而是根據社群媒體熱門內容挑文章

正是因為Mashable的創始人沒有任何媒體從業經歷,這個科技媒體才沒有從傳統媒體那裡繼承任何過時的新聞操作方式。在Mashable創辦初期,整個團隊20多人每天最重要的工作是在Facebook、Twitter和LinkedIn等社群網路上查看自己關注的大量使用者都在轉發什麼內容,並根據熱門內容撰寫相關的文章。

後來隨著現任CTO羅賓.彼得森(Robyn Peterson)的加入,Mashable開始使用自己開發人工智慧工具來代替團隊每天在社群網路上追蹤內容的工作。羅賓帶領研發團隊設計了一個人工智慧資料分析系統Velocity,透過自然語言理解技術分析社群網路使用者對相關事件的討論,並透過視覺化的圖表向編輯部預測可能會爆發的熱點內容。

開發人工智慧追蹤數據、預測話題熱點

在今年的騰訊網媒體高峰論壇上,羅賓接受了《PingWest品玩》的專訪,並詳細解釋了Velocity系統的工作原理。羅賓表示Velocity會根據社群網路上的分享和討論生成一個熱度曲線,它其實很類似於經濟學中的供求曲線,橫軸代表時間,縱軸代表需求量。相應的,當某一個話題的需求量(熱度)提升時,Mashable就會生產相關的內容進行「供應」。

「舉個例子,透過分析我們預測到接下來一個關於食品比較大的事件有可能是《紐約時報》上所發表的轉基因番茄的故事,現在關於這條新聞的轉發量只有幾十條,但我們的系統可以預測到接下來幾個小時它的轉發量將達到上萬。」羅賓說。

使用自然語言處理等人工智慧技術的基礎是能夠擁有大量資料,Volecity每天能夠分析300萬個不同頁面的連結資料,這些連結包括社群網路貼文、文章、圖片和影片,並從中分析出下一個熱點。

2012年12月,羅賓曾在Mashable上發表了一篇文章稱媒體應該像程式師做產品一樣生產內容。在這篇文章裡,羅賓給了正在衰落的媒體公司四點建議,分別是:社群網路比搜尋引擎更重要、擁抱行動網路、提供個性化的廣告和以產品為主導生產內容

羅賓認為媒體公司的衰落主要在於工程師幾乎不為媒體公司工作來幫助他們創造更好的資料探勘工具,但換句話來說,就是媒體公司根本就不重視工程師和產品經理的作用。但沒有任何傳統媒體基因的Mashable卻利用資料探勘工具和演算法成為了新媒體裡的佼佼者。

Mashable CTO羅賓.彼得森
沒有任何傳統媒體基因的Mashable卻利用資料探勘工具和演算法成為了新媒體裡的佼佼者。

在Mashable的網站上,每篇文章下面都會有一個小小的曲線圖表,讀者可以直觀地看到與這篇文章相關的話題的熱度變化。但羅賓解釋道,這個曲線本來是給編輯作為內部參考的,只是初期將它放在了前臺給一個概念。但後來Mashable的讀者都習慣了這個小圖表,甚至在他們取消掉圖表後發出了抗議,所以這個圖表就被保留了下來,成為了Mashable的一個特色。

mashable
Mashable會標示出每篇新聞的熱度表。
圖/ 截圖自mashable

在中國,將人工智慧演算法和新聞編輯結合起來的公司同樣有很多,其中最成功的非《今日頭條》莫屬。羅賓表示,自己並不知道《今日頭條》這家公司,但他很贊同《今日頭條》用機器和演算法輔助人類編輯的做法。但他認為在新聞編輯這件事上,人的作用應該比演算法重要,而機器只能起到輔助作用

「拿Mashable舉例,我們是在這個話題之前收集大量資料進行分析,對這個話題進行預測。這個過程中,我們預測的是人的一些行為。所以我認為我們仍然還是需要人的參與的,我們需要作者和影片製作人員為我們提供有意思的資料,或者說他們來觀看這些資料,來分享這些資料。在這個過程中,可能這些新的分享會給他們帶來一些啟發,給他們帶來一些興奮點,這個過程中他們可以創造更新的東西出來。」羅賓說。

是否擔心過於仰賴演算法造成回聲室?「會盡量做到中立。」

針對演算法和大資料過多的干預編輯是否會造成媒體過於以讀者的興趣為導向,羅賓認為這種情況存在,但最終還是取決於使用工具的人。「你說的這種情況或許在Facebook上是存在的,例如在這次美國大選中,你的資訊流裡幾乎只會出現你支持的觀點,而其他人的觀點是被過濾掉的,我們把這種情況叫做『迴聲室』(echo chamber)。但Mashable是一個面向大量讀者的新媒體,我們認為演算法不能用這種危險的方式來控制人們能夠看到哪些資訊,所以我們會儘量做到中立。」

羅賓認為,人工智慧演算法和大數據能為媒體帶來的最大幫助是效率的提升。「這幾年來媒體公司的日子都不好過了,很多媒體開始大規模裁員。在這種情況下,演算法和資料能夠説明編輯部甄選出值得關注的新聞,並讓他們集中精力在相關領域生產出更深度的新聞,同時也能讓媒體在保持稿件數量的情況下保持品質。」羅賓說。

本文授權轉載自:PingWest

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