不被市場淘汰的關鍵:除了專才也要通才
不被市場淘汰的關鍵:除了專才也要通才

本文摘自:《重拾好奇心:讓你不會被機器取代的關鍵》,新樂園出版

如果你的工作需要以知識為背景,那你一定需要抉擇學習策略。是成為一位專才好呢,還是通才好呢?過去一世紀是屬於專才的天下。歷史學家不僅要精通南北戰爭史,還得精通南北戰爭期間的進行曲。時至今日,唐.德雷柏再對客戶介紹自己是個廣告人已遠遠不夠,他還得說自己精通社群媒體或經營品牌故事(branded content)。矽谷公司搶人才時找的也不僅是專業軟體工程師,還得精通iOS或安卓系統的開發。

但數位革命──或說因數位、網路科技而起的革命──已然形塑了全然相反的潮流。寶拉.安東內利(Paola Antonelli)是美國紐約現代藝術博物館(Museum of Modern Art in New York,MoMA)建築與設計部門的館長,她告訴我館長分成兩類:儲藏派和獵人採集派,而她非常確定自己屬於後者。安東內利自稱是通才,喜歡從各個領域搜集不同的素材並互相組合,從設計、建築到科學、科技和哲學等等。她形容自己像是一隻「好奇的章魚,老愛伸手往四面八方抓東西。」

安東內利告訴我,設計師越來越需要參與團隊合作,還得快速適應各種形式的知識。她說,現在已經沒剩多少專才的設計師了──有些書籍設計師只設計書,但他們是特例。現今的設計師可能會需要跟工程師、行銷人員和會計師共事。「舉例來說,如果你是品牌設計師,而Texan石油公司聘請你負責企業形象設計,那麼你就得召集一組包括產油專家在內的小組──你自己也得對從地底挖出石油的過程感興趣。如果沒這麼做,你八成找不出正確解答。」

我們知道新點子常常是由不同領域的交集處醞釀而出,自博學者的心中迸現。遺傳物質DNA的發現者法蘭西斯.克里克(Francis Crick)原本是物理學者,他後來說,就是因為物理學方面的背景,讓他相信自己能夠解決生物學家心中根本無解的問題。畢卡索(Picasso)也是把非洲雕塑與西方繪畫結合在一起,創造出全新的藝術形態。

在人才市場上最搶手的永遠是那些擁有少見專長的人,但擁有廣博知識的人也越來越炙手可熱。這兩種人就像在兩個極端彼此拉扯,你到底是該深入鑽研所在領域的知識,還是該拓展自己的知識地基?

這個問題讓人想起刺蝟與狐狸的故事。雖然長久以來被傳唱的版本眾多,但基本要傳遞的依然是同一個道理。狐狸對付攻擊者的方法五花八門、創意十足,但也讓牠精疲力竭;而刺蝟只採取唯一一種歷久彌新的策略──縮成一團,其他的全交給背上的刺搞定。以希臘詩人亞基羅古斯(Archilochus)的話來說就是:「狐狸雖淵博多才,卻比不上刺蝟一招絕技。」

哲學家以撒.柏林(Isaiah Berlin)認為所有思想家都可以歸類為兩種,一種是透過特定的透鏡來觀察世界,一種則是將自己暴露在各種觀點之下。柏拉圖就是刺蝟型思想家,蒙田則是狐狸型。托爾斯泰認為自己是刺蝟型,但寫起文章卻不由得像隻狐狸。羅納雷根是刺蝟型,比爾柯林頓是狐狸型。史蒂夫沃茲尼克是刺蝟型,賈伯斯則是狐狸型,這大概是他們能夠合作無間的原因。

會在現代及未來社會發光發熱的思想家,則是這兩者的綜合體。在這個資訊爆炸、競爭激烈的世界,深刻了解一兩項重點事物,不論深度或細節都必須勝過你的同期對手,是非常關鍵的。但要真正讓這些知識迸出火花,你還需要擁有從各式各樣、包羅萬象的角度切入思考的能力,以及與擁有不同專業的人協同合作、發揮加乘效果的能力。

舉例來說,達爾文對於蚯蚓的生命週期、鷽鳥的喙知之甚詳、無人能及,但他是在讀過經濟學家馬爾薩斯(Thomas Malthus)的文章之後,才在眾多自然學家中脫穎而出,架構出如此宏大的生命理論。如果達爾文只是涉獵廣泛,卻沒有建立生物學上的深厚知識,那麼他永遠也不會想到那個最終的解答(就算想到了,大概也沒辦法說服別人相信他)。又如果他平常不是個大量吸收各種領域知識的人,大概也永遠看不出隱現於種種線索下的演化邏輯。達爾文就是一種他大概辨別不出來的物種典型:刺狐狸(foxhog)。

查理.蒙格(Charlie Munger),股神巴菲特(Warren Buffett)的事業夥伴,是他們旗下傳奇性創投公司波克夏.哈薩威(Berkshire Hathaway)的副總裁,也是有史以來最成功的投資人之一。他的選股能力與業界其他人差不多,但對於如何買賣這些股票則擁有無人能比的深厚經驗。但這還不足以說明他的卓越之處──雖然為數不多,但也有人擁有類似的才能。他在同儕中脫穎而出的原因,正是因為他如同刺狐狸般地尋獵知識。他持續閱讀自身專業領域以外的知識,努力將他吸收的知識爬梳出脈絡、或重新架構既有脈絡。他熱切地信仰一種被他稱為「多元思維模式」(multiple models)的思考方式,當他審視一家企業時,他會用上數學、經濟學、工程學、心理學與其他理論的透鏡來觀察。他說這種多模式非常關鍵,因為你能因此得到跟所有人都不一樣的答案,即使你們看的是同一份資料。多模式能把事實化為故事,把資訊化為洞見。廣度與深度一樣重要,他說:「要成為選股大師,你得先受過普通教育。」

刺狐狸擁有的是被IBM稱為「T型」知識的能力。二十一世紀最具價值的人才,結合了深厚的專業能力(T中的垂直線),和對於其他理論的廣泛了解(T中的水平線)。前者讓他們有能力執行需要特定專業的項目,後者則讓他們能夠看出與其他領域的脈絡和連結。擁有核心知識讓刺狐狸在人力市場中與眾不同──給予他在組織中或組織外獨特的賣點(Unique Selling Proposition,USP)──而T字裡的水平線則能讓他和不同領域的同事建立對任務有助益的關係,並在整個職涯中從容應付各種挑戰。

若要從當代人物中選出一位成功的刺狐狸代表,非奈特.席佛(Nate Silver)莫屬。他是統計學者,也是一位作家。席佛首度受到矚目是因為他開發了一套預測美國MLB大聯盟球員表現的系統,不過他感興趣的永遠不只有運動項目而已,2008年美國即將舉辦總統大選期間,他以此為主題開始寫部落格,網站名稱是538.com(538是美國選舉人團的票數)。他採取自己用於分析業界的一套統計方法,先預測兩黨推出的候選人,接著預測大選結果,兩者都驚人地準確。接受《紐約時報》聘任後,他在2012年又做了一樣的事,預測出來的最終結果幾近完美,遠勝其他傳統專家。2013年他被ESPN挖角,並把他的統計方法運用在體育項目、政治和電影等等各種領域上。

席佛告訴《哈佛商業評論》(Harvard Business Review),他大力倡導能養出刺狐狸的教育方式:「最最困難的,是教會人們如何直覺反應什麼是最該問的大問題。是這種求知的好奇心……如果你要受教育的話,最好學得越雜越好,這樣你就可以訓練到各種不同的肌群……技術能力可以晚點再學,等你遇到想要解決的問題,或者經濟能力許可的時候,你會更有動力去學技術,也可以學得更多。所以重點是,不要太早就一門深入。」

西方的政策制定者對亞洲教育體系培養科學家與工程師的成功經驗瞠目結舌,同時也為他們的經濟競爭力感到擔憂,於是更加堅持自家的大專院校必須專注於製造刺蝟──畢業後馬上就能完美契合市場需求的專才。但這個解答只寫對一半。亞洲經濟體中擁有最前瞻觀點的教育家都知道,最頂尖的西方大學所擅長的跨領域廣博教育,在二十一世紀與在上個世紀一樣有價值。以下是新加坡大學陳祝全(Tan Chorh Chuan)教授的看法:

我至今越來越相信的一件事,就是智識廣度的重要性,原因有兩個。首先,我們在工作和生活上遇到的問題都很複雜,跨越數個知識與理論的領域。如果我們的智識基礎不夠廣闊,就看不到潛在的跨界線索。第二,我們以前一輩子大概會歷經平均三到四項工作,現在的新鮮人則是十到十二項。這些工作可能橫跨許多不同種類的行業,所以你必須擁有足夠的智識基礎,才能輕鬆替自己的幾把刷子汰舊換新,以適應不同種類的工作。

談起刺蝟或狐狸的時候,總會落入決定誰優誰劣的結果,但這個世界既看重專家,也賞識來自多領域碰撞之下所產生的劃時代洞見,我們就得同時擁有兩種優點,我們必須做一隻刺狐狸。

關鍵字: #數位書選
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