多麼精彩,一年的結束
多麼精彩,一年的結束
2016.12.03 |

科技是否將我們帶往更文明、更有效率的社會?從川普當選美國總統到放寬同志婚姻的言論散播中,不斷引起各式各樣虛假資訊與演算法操控的爭論,究竟是否這一年結束後,明年還是這般精彩、讓人期待嗎?

11月下旬,台北的陽光似乎還有暖意;十天前川普正式當選美國總統,中國電商雙11光棍節的諸多數據再次打破紀錄,甚至出現「爆款下沉模式」這類結合實體倉儲與線上線下大數據預測的新技術。Netflix的《黑鏡》第三季第一集據說對社交評價的描繪與芝麻信用的走向不謀而合,編劇布魯克(Charlie Brooker)暢談未來世界的黑暗想像。而HBO重拍的1973年《WestWorld》同名電視影集《西方極樂園》走到第一季尾聲,人們的鬥爭、人與機器人之間的殺戮,在塵沙中飄來肅殺氣息。

黑鏡第三季第一集.jpg
《黑鏡》第三季第一集,瞄準現在熱門的社交媒體生態,透過網路每個人都可以為其他人評分。
圖/ 《黑鏡》劇照

我們的世界已經大幅改變了。是的瑞凡,我們回不去了。

11月上旬在上海雙年展的臨時辦公室中,印度策展人走進辦公室大聲說,我們要恭喜我們的美國同事;但是我們的總理昨天把錢給升級了,瞬間錢就不見了。印度的重量級消息引起了一陣譁然,同時,美國開票的資訊繼續跌破眾人眼鏡。英國藝術家面露微笑地抽著電子菸,說這樣終於可以回敬那些英國脫歐公投(Brexit)之後,送訊息來關切我們的那些美國朋友了;美國再一次光榮地,重新搶走了寶座。

所有人的世界都在改變,印度、英國、美國,接下來人們在等待的是法國與德國──歐盟兩大支柱接下來的動盪。之前我們談論的嘲諷新聞,當美國知名喜劇節目SNL《周六夜現場》與川普合作的選前情境喜劇:模擬川普當選後的情況在Facebook廣為傳播之後,當他們的嘲諷劇本成為真實時,這些嘲諷將何去何從?

我們也曾經提到資訊工具與多元觀點的決策價值。就在這個迷離的時刻,我們不知道在這些世界中,發生在我們周圍的這些重要事件,哪些是有著一隻新的手在介入。這隻手有許多不同的名字,以往可能被叫做資料庫、現在它可能叫做演算法,或者最新的名字叫做機器學習、人工智慧。

許多人認為Facebook的演算法以及在該平台上流通的假新聞,影響了這次的總統大選。科技意見領袖歐萊利(Tim O’Reilly)引述萊辛(Jessica Lessin)的看法,認為: ……我們正在見證一個新世界所帶來的效應:這是一個網際網路把對任何人、說任何事「渾言無忌」的成本降到零的新世界。這是一個無法倒轉的趨勢,沒有任何公司能夠停下這個趨勢,我們也不應該希望有任何人有力量能夠阻止它。

雖然如此,歐萊利還是認為存在一種更有效率與言論自由的平衡,至少Google做到了。他們所維繫的搜尋品質、打擊網路垃圾留言,帶給搜尋使用者一個更為好用、更為文明、而不犧牲公共的價值──在他的眼裡讓世界還是有一些希望。雖然什麼叫做「更好」的確有不同看法,但歐萊利認為,Facebook對於「觸及」的優先價值凌駕於其他品質之上,可能走到了一個錯誤方向。

這次在台灣因為《民法親屬編、繼承編部分條文修正草案》即將修正,放寬同志婚姻等多項權益,造成反同的動員與Facebook言論資訊,也在同溫層裡發酵、流通「各式各樣的虛假資訊」。當我們的內容溝通已經更加依賴Facebook平台時,你所仰賴的認同訊息、動員情報,驅動你發出不平之鳴的各種迫切訊息,有多少是在Facebook的演算法中被放大?有多少是在「遙遠的社交關係」中所形成的團體裡,被傳遞到讀者面前?這與其他的政府施政連動關係,又有什麼樣的連帶關係?

我們得開始創造概念工具來面對新世界。11月初我有一篇隨筆,試圖用「國家的頻寬」這個概念來反省。我們有多少頻寬用來傳達複雜的想法、審慎的考量,與必須要因應實際情況而調整的決策資訊?第一線的觀察者,怎麼跟後端的決策者,有充分的溝通協調與傳遞訊息?當這些資源不足的時候,我們就只能夠將所有的過程以外部化來放空及閃躲後果。

除了對話的頻寬之外,影響決策結果的過程還包括資料、演算法與平台。這次很多人質疑Facebook的演算法決定了眾人「動態時報」上的露出結果。我們該期待Facebook與其他社群媒體公開演算法嗎?如果不是百分之百公開的話,要揭露到什麼程度才是合理的?

限編輯使用_臉書facebook_weedezign via Shutterstock_382183
圖/ weedezign via Shutterstock

除了演算法之外,「餵」進演算法的資料更是決定世界圖像的重要因素。在今年11月上旬杭州中國美院網路社會年會中,布朗大學加拿大籍韓裔學者全喜卿(Wendy Chun)提出了「歧視的資料」(discriminating data)這個論點,認為基於同質性資料的網路治理,只會帶來區隔結果的網路科學。

倘若我們不能洞悉其中的偏見與錯誤預設,我們就將被機器決定世界的面貌。她引用一句驚悚的格言:

「⋯⋯很幸運地,我們是聰明人而且找到了一條出路。與其依賴演算法──我們有可能被指控為我們的利益而操弄,我們轉向機器學習,一種聰明的免除所有責任的方式。 機器學習就像用偏見來洗錢一樣 :它是一種很乾淨的數學機器,提供既存狀態一種邏輯必然性的光暈。數字是不會騙人的。」

我們不僅僅要處理從停滯、落後趕上的挑戰,面對自身的混亂,還得要面臨新科技處處的陷阱與暗流。當世界虛與實已經融合為一,網路世界影響真實社會的變化面貌,需要有更多的獨立心智與集體的對話辯論,才能穩健地一步步往前邁進。

國家的頻寬:政府運作順暢與否的另一關鍵

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