Swift語言發明者Chris Lattner，在加入特斯拉六個月後宣布離職|數位時代 BusinessNext

前不久特斯拉開始啟用遍布Autopilot 2.0硬體車型車身四周的攝影鏡頭開始收集路況信息，自動駕駛的研發剛開了一個好頭，近日，加入特斯拉不到6個月的特斯拉Autopilot軟體副總裁Chris Lattner宣布離職，同時前Open AI深度學習和電腦視覺專家Andrej Karpathy被曝已加盟特斯拉，擔任特斯拉Autopilot視覺部門主管。

Chris Lattner很傳奇，Andrej Karpathy也不遜色

1月11日，特斯拉宣布前蘋果軟體高階主管Chris Lattner加盟特斯拉，擔任特斯拉Autopilot軟體副總裁。在加入特斯拉前，Chris在蘋果任職達11年之久，在蘋果期間主導開發了大名鼎鼎的蘋果編程語言Swift，Swift是用於在蘋果平台上構建應用的編程語言，這一方便高效的編程語言一問世便廣受歡迎，並成為Linux平台上成長最快的語言之一。

Chris的輝煌履歷讓特斯拉對其寄予厚望，在歡迎Chris的部落格中，特斯拉表示「Chris以高深的工程學造詣而聞名」、「我們很高興Chris加入特斯拉，也熱切期待他能帶領自動輔助駕駛工程團隊加速自動駕駛時代的到來。」

任期不到6個月，Chris Lattner的離職似乎有些倉促，他日前透過Twitter宣布：「事實證明我和特斯拉不是很合拍，我正在尋求技術管理的新職位。」

然而就在不到一周前，他的上條Twitter還在為特斯拉啟用攝影鏡頭收集路況信息搖旗吶喊：「深度學習技術需要大數據。」

Deep learning loves big data! https://t.co/Tw2M0P1KRv
— Chris Lattner (@clattner_llvm) 2017年6月15日

Turns out that Tesla isn't a good fit for me after all. I'm interested to hear about interesting roles for a seasoned engineering leader!
— Chris Lattner (@clattner_llvm) 2017年6月21日

對於離職的Chris，特斯拉發言人的回應與前者如出一轍：「Chris和特斯拉不太合拍，我們決定做出改變，祝他好運。」

再來說說新來的，Andrej Karpathy是史丹佛大學電腦視覺方面的博士生，學業生涯師從史丹佛人工智慧實驗室主管、Google首席科學家李飛飛教授。曾先後在研發出「AlphaGo」的Google DeepMind公司及Google Brain研究小組工作，加盟特斯拉前的最後一站，Karpathy擔任了非盈利性AI研究組織Open AI的研究科學家。無論是理論知識水平還是產品商業化能力都無可挑剔。

Karpathy本人也在Twitter表達了對在特斯拉任職的期待——

Excited to join Tesla as the Director of AI! https://t.co/5AdhaF40kM
— Andrej Karpathy (@karpathy) 2017年6月21日

特斯拉在歡迎Karpathy的聲明中表示：

「Andrej Karpathy是電腦視覺和深度學習領域全球頂尖的專家，我們歡迎他加盟特斯拉擔任人工智慧主管兼Autopilot視覺部門主管，他將直接向CEO Elon Musk匯報工作。

Andrej將與Jim Keller緊密合作，Jim Keller現在統領特斯拉Autopilot硬、軟體的研發工作。」

Karpathy在業內的影響力有多大呢？特斯拉在自動駕駛領域的競爭對手、天才駭客George Hotz創辦的自動駕駛新創公司Comma.ai 一直很欣賞特斯拉激進的自動駕駛技術研發策略，並對傳統車企的漸進式策略嗤之以鼻，而今Karpathy加盟特斯拉的消息曝出後，Comma.ai官方Twitter評論稱：「這種規格的挖人解釋了為什麼傳統車企（在自動駕駛領域）根本沒機會。」

高層更迭頻繁？特斯拉習以為常。

如果我們翻回去看看5個月前特斯拉歡迎Chris Lattner的部落格文章，會發現另一些有趣的信息。

那篇文章中還特意感謝了另一位高階主管——特斯拉Autopilot視覺部門副總裁David Nister所做的工作。問題是，在今天歡迎Karpathy的聲明中，Karpathy的Title是「人工智慧主管兼Autopilot視覺部門主管」，那麼……誰向誰匯報？

其實，早在3月底，David Nistér便從特斯拉跳槽到了晶片廠商英偉達，擔任自動駕駛副總裁一職，負責領導軟體開發和高精度地圖的繪製。彼時特斯拉發言人對David Nistér的離職回應稱：「伴隨著Chris Lattner成為新任Autopilot軟體副總裁，David Nistér在公司的角色也發生了變化，繼續留在特斯拉讓他遇到了瓶頸，我們感謝David Nistér為公司做出的貢獻，並祝他未來一切順利。」

好了，現在的狀況是，David Nistér繼任者Chris Lattner也已經離開了特斯拉。

除此之外，現在統領特斯拉Autopilot硬、軟體研發工作的是Jim Keller，他的前任Sterling Anderson是去年年底才從特斯拉離職的。

如此頻繁的高階主管更迭，又一次引起了一個老生常談的質疑：特斯拉的公司文化是否留不住人才？繼Uber之後，特斯拉也患上矽谷明星公司病「公司文化危機」了嗎？

事實上，我們上文披露的不過是特斯拉高階主管更迭的冰山一角。自去年3月開始，特斯拉已經流失了超過20名高階主管，他們的業務範圍涵蓋了金融、通信、監管事務、生產、製造、產品和規劃等各個領域。

以下是特斯拉離職高階主管的不完整名單：

2016年3月16日，分管通信與戰略行銷的特斯拉全球副總裁Ricardo Reyes透過Twitter證實已離職。
2016年3月24日，分管全球會計、財務報告及財務運營團隊的特斯拉財務副總裁Michael Zanoni離職，以財務副總裁的身份加盟亞馬遜。
2016年4月13日，特斯拉公共政策與法律事務副總裁兼副總法律顧問James Chen離職，加盟新創公司。
2017年2月，特斯拉人力資源副總裁Mark Lipscomb離職，跳槽到Netflix擔任人力資源副總裁。
2017年3月，特斯拉硬體工程主管Satish Jeyachandran離職。
2017年4月，特斯拉CFO Jason Wheeler離職。

特斯拉頻繁的高階主管更迭甚至引發了市場擔憂，瑞銀分析師Colin Langan就特斯拉股票給出「賣出」評級的理由是，任何時候，一家公司要高速擴張，都必須要有穩定的管理層來主導。

華爾街質疑的另外一點是特斯拉高階主管信息不透明，除了CEO Elon Musk和CTO JB Straubel，特斯拉官網、投資者關係界面、向美國證券交易委員會提交的年報中從未列出其他任何高階主管或副總裁的名單。

然而身處旋渦中央的特斯拉表示情緒穩定：「特斯拉吸引和留住人才的能力是我們最大的資產之一，2016年，特斯拉的員工流失率低於科技公司的行業平均水平。特斯拉高階主管團隊擁有相當長的任期，在特斯拉最高級的高階主管團隊中，超過3年任期高階主管比例達到75%；超過6年任期的比例達到60%；超過十年任期的比例達到20%。自特斯拉成立的14年來，特斯拉管理層近60%的人目前仍然留在公司。」

除了新來的Andrej Karpathy，特斯拉還挖來了前Faraday Future電腦視覺科學家Yong-Dian Jian，在Autopilot視覺部門擔任首席科學家，他更早些時候在百度美國自動駕駛事業部擔任研究員。

值得一提的是，上文提到的Open AI同樣是Elon Musk發起成立的公司，這家公司匯聚了多位全球頂尖的AI及電腦視覺專家，比如本文主角之一Andrej Karpathy。對於Musk來說，同時擔任航空航天、汽車製造、自動駕駛、人工智慧研究等多個領域的公司CEO使得他有機會隨時找到相關領域的頂尖人才加碼業務的研發。

可以看出，伴隨著時間的不斷流逝，自動駕駛技術演示期限的臨近，特斯拉正在不斷加大對計算機視覺及深度學習人才的招募。從另一個角度說，即便在今年上半年Autopilot高階主管頻繁更迭的情況下，特斯拉不還是在6個月內自研了此前由ADAS廠商Mobileye提供的所有輔助駕駛功能？所以，關於年底長達4500公里全程無干預的自動駕駛技術演示，繼續安心等待就好啦。

本文授權轉載自：36 氪

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