聊天機器人與聲控機器人不是救國良藥
聊天機器人與聲控機器人不是救國良藥

聊天機器人(Chatbot)和聲控機器人(Voicebot)潮流大興,台灣方面自然也隨風起舞。

而這類機器人(Bot)的應用也被廣為報導,如Facebook的聊天機器人數量大增;語言學習平台Duolingo推出聊天機器人;而這些機器人相關公司與新創團隊也不斷擴增版圖。同時,大公司如亞馬遜、Facebook和Google也都與創投聯手,開始推出以聊天機器人為主題的創業加速計畫,如這個這個這個。當然,台灣也有不少新創團隊開始議論是否應該趁早切入聊天和聲控機器人領域,也有許多開發者已經動手開發產品。

但是,聊天和聲控機器人真的會翻轉科技業經濟嗎?讓我們一起看下去。

Bot不是一種產業

Bot究竟會不會顛覆現在的App經濟呢

答案是:言之過早。

首先,在討論Bot時,太多評論者犯了兩大謬誤:

第一謬誤就是將Bot與人工智慧搭上線。 事實上,不管是聊天機器人還是聲控機器人,所謂的Bot都只是一個接收訊息(輸入、輸出)的介面罷了,並不代表其真的運用了什麼足以掛齒的「人工智慧」技術。比如說,計算機聊天機器人縮短網址機器人翻譯機器人,都只是將一些稀鬆平常的API透過簡訊的形式呈現,跟人工智慧通常是兩條平行線,沒什麼必要地交集。

第二謬誤就是把Bot本身當作一種產業別來討論,過度神化Bot的價值。 Bot本身就好像是一台載具,這載具並沒有天生的社會和經濟價值,必須要為某種產業服務,才有商業上的意義。

重點來了,科技業其實沒有所謂的「Bot」公司,金融科技依然是金融科技、教育科技依然是教育科技、醫療科技依然是醫療科技,聊天機器人本身並沒有價值,新創公司也不會因為為自己打上「Bot」的標籤馬上就可以無中生有。

同時,聊天機器人疑雲尚未明朗,但是其警訊大部分科技人卻選擇充耳不聞:當許多美國知名創投與加速計畫都專注於產業化,積極與各種民生與傳統產業接軌的同時,亞馬遜和Google卻出手闊綽,合作協辦不少「專注於技術規格,卻沒有具體產業別與商業模式」的聲控機器人新創培育計畫。

在許多科技新創人眼裡,或許會以為為了新的技術規格和通訊介面,大手筆輔助相關新創公司是一件好棒棒的事情。

但事實而言?教育用聊天機器人、醫療用聲控機器人、金融用聊天機器人等新創公司之間除了都有「機器人」的介面以外,商業模式和營運模式都完全不同,把這些公司全部塞到同樣一家加速計畫中其實一點意義也沒有。

這顯示目前整體趨勢而言,聊天和聲控機器人還是相當茫然,而且在短期內恐怕不會得到紓解。

Bot在B2C與B2B的商機盲點

若要討論聊天與聲控機器人的產業應用,我們可以先從B2C(消費者用)與B2B(企業用)兩塊去探討。而不諱言,在兩大市場中,Bot前景的阻力仍多過助力。

先看看B2C。

B2C的Bot概念,一般都是透過Facebook、Twitter、LINE、WeChat、簡訊等訊息平台,以及Alexa、Google Home等聲控平台來與消費者互動。經過一番造神運動,許多人相信這些訊息和聲控平台將會取代現有的手機App,讓人只要用自然語言就可以完成現在呼叫Uber、簡易計算機、查看天氣、訂外賣等工作,一切都會更便利。

有夢是很美沒錯,但不要與現實脫節。B2C聊天與聲控機器人光從作用上就可以看到以下商業上的障礙:

首先,這些機器人所使用的通訊平台,原本就薄利多銷(甚至無利多銷)。 使用者對於付費的意願較低,先天市場條件就不理想。即便是Alexa、Google Home等家用聲控平台,其利潤也是來自於電子商務,而非軟體應用。

第二,聊天與聲控機器人的通訊平台本身設下了不小的商業化限制。 如Facebook對於聊天機器人在置入性行銷上的應用仍有諸多限制;而Alexa與Google Home上的聲控機器人必須透過其平台上的Skills商店才能上架。美其名是「商店」,但Skills商店上發行的Bots都是免費的。

除此之外,若要在金流和資訊上有更高的自由度,Bots仍需使用者在第三方開發者平台上先註冊(例如Nest的Alexa Skill就要求使用者必須要先上Nest網站上註冊才能夠使用Skill),因此不論在上架流程還是商業化過程上,聊天與聲控機器人都面臨極大的阻力。

最後, 聊天與聲控機器人最大的致命傷仍在於其介面。 雖然說自然語言是人類最自然的溝通方式,但大部分的溝通仍仰賴多維度(平面以上)互動,以及多媒體與文字的相輔相成。

目前許多聊天機器人的功能只能說是App的部分功能(如Amazon Alexa的購物功能只是Amazon Shopping App的一小部分),而當大部分的App本身都是免費下載並採用升級付款制度時,功能更蹩腳的聊天機器人,幾乎不可能突然突破各種網路服務平台的商業化困境、創造新產值。

再來,討論到B2B聊天機器人時,其面臨的商業化困境雖然沒有B2C嚴重,但是卻也面臨許多難題:許多B2B的產品對象都是高階使用者(Power User),大多數的B2B軟體不會使用自然語言,反而還會使用更多的圖表、試算表等量化分析工具來輔助提升工作效率。

由此可見,許多現在的聊天機器人新創,不管是金融科技的銀行餘額查詢和投資管理機器人,還是協助管理備忘錄和行事曆的機器人,很快地都將受限於其自然語言的溝通介面,並不適合高效率和高複雜度的企業工作環境。

在B2B環境中使用聊天機器人,只能說是輔助,而難以成為核心。

Bot的成敗關鍵不在Bot,而是在服務

聊天與聲控機器人至今輿論最大的盲點在於其過度專注於「機器人」,卻藐視了「服務」的核心。

說穿了,今天要學習語言,Duolingo的聊天機器人核心仍然是Duolingo;要叫車,其服務核心仍然是Uber和Lyft;若是要線上訂餐,利基仍然是由Seamless Grubhub掌握;論及個人金融管理,前提仍然是銀行與金融機構擁有多元且成熟的服務平台。

整個聊天機器人和聲控機器人的版圖,只能說是網路服務經濟的另一面向出口,而非什麼新產業的崛起。就好像過去的單機防毒軟體、單機繪圖軟體、單機通訊軟體,在2000年後紛紛被搬上雲端,而又在2010年後紛紛在App商店中上架。業務的模式和管道改變了,但是成功的前提還是要有服務的價值核心。

所以說,Bot不會是台灣新創環境的救星。

當大家看到Bot潮流不斷地跟風鼓譟時,請冷靜思考:台灣網路新創不論線上購物、線上訂餐、線上學習,還是線上通訊等領域,在亞洲都已經難以立足,更甭談到世界舞台競爭。服務的核心競爭力都已經疲軟,跟著做聊天機器人、聲控機器人,也改變不了現狀。

最終,聊天與聲控機器人的版圖,仍是世界級網路服務平台的舞台。

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場。)

關鍵字: #Chatbot
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