[AI創業]AI新創能學Google與FB擁技術自重嗎？|數位時代 BusinessNext

剛剛結束的台灣人工智慧年會把台灣AI風潮帶到最頂點，Google董事總經理簡立峰曾經分享，「Google若進行5000項AI專案，最後證實有用的不到10項，論文演算法講得頭頭是道，但實作後好像不是這回事，許多參數調不出來。」這段話道破了AI創新和創業的本質。

首先，創新跟創業一樣，無論什麼題材，整體就是成功率極低，不會因為你搭上了某輛技術列車，成功率就會大大提高，頂多就是搭著市場當下關注的題材，在一段時間內較容易從市場取得資本。

而AI創業實在沒有理由是個例外。

先射箭再畫靶行得通嗎？

許多AI創業公司會先以擁技術自重，然後再尋找這項AI技術可以應用在什麼市場的需求上，這其實是一種「先射箭再畫靶」的作法。

先不說新創公司通常手上沒什麼資料拿來做AI訓練素材，與公開資料集大家都拿得到等，這幾個既成事情；最關鍵的是AI創新本質是數位創新，經營邏輯和框架不會跳脫數位經濟的本質。

數位創新要能規模化，重點不在你有多強的技術，而在於你是否能想出辦法掌握市場的需求方經濟。

或許有人會問：Google和 Facebook不就是一直靠著技術突破，不斷創造巨大的商業價值嗎？這個看法只說對了三分之一。

在技術之外的網路外部性與邊際效益遞增

這些全球科技強權之所以能不斷創造巨大價值，讓股價衝天、讓員工捨不得離開，在技術之外，靠的是網路外部性（network externality,又稱網路效應 network effect）和邊際收益遞增（increasing marginal revenue）兩種經濟效應。

「網路外部性」在數位經濟興起之後，已經被業界充分理解，簡單來說，幾家科技公司掌握了用戶規模和服務的入口，除了越多人使用服務會讓服務本身越有價值、形成正向循環外，也表示一點點服務的改善，就可以產生出巨大的新商業價值，彼得·泰爾（Peter Thiel）也在他的經典書籍《從零到一》中特別提到網路外部性的重要，這個效應是數位產品的本質。

試想，Google在電腦視覺技術上面改善1%的辨識率，背後代表的可能是10億美元甚至是百元美金以上的廣告新產值。

但是同樣的改善率放在一般的新創公司呢？可能對公司增加的產值寥寥可數到可以忽略的程度，頂多發發論文和一些公關稿就沒了。

因為巨量廣告的基礎和需求方規模經濟本來就是掌握在科技巨頭身上，而不是一般新創公司。

「邊際效益遞增」則是知識經濟當中的本質現象，講的是在知識依賴型經濟中，隨著知識與技術要素的投入增加，產出會越多，而生產者的收益會呈現遞增的趨勢。

傳統的農業經濟和工業經濟均是物質資源依賴型經濟，物質資源具有明顯的排它性特徵：其使用價值在某一時刻只能被一個使用者所占有和使用。同時物質資源是稀缺的，使用時必須消耗它，隨著其使用量的增加，成本越來越高。

最終導致生產者收益的遞減。知識性資源具有共用性，同一知識可以被多個人同時占有和使用。並且在使用過程中不會消耗它，只是利用它，在使用過程中還會產生新的知識。信息資源和知識資源在使用時還是一種積累和開發的過程，在重覆使用過程中成本遞減。從而會帶來遞增的收益（註1）。

科技巨頭們為什麼不斷把最尖端的技術不斷開源、毫不藏私呢？

因為這些開源的程式碼不是這些公司的核心競爭優勢，「網路效應」和「邊際效應遞增」才是真正的競爭優勢。

開放這些程式碼是為了更加利用既有的網路外部性，形成更大的用戶規模，一家新創公司如果發展出TensorFlow這種了不起的框架，或許會小心翼翼地當做智慧財產權保護、視為公司的核心資產、甚至於想要從中直接收費盈利；但對於Google來說，TensorFlow就跟其他所有產品一樣，是了不起的技術創新沒錯，但其核心目的是擴大其他產品的網路效應，這兩種商業經營邏輯在本質上完全不同。

兩個效應加在一起，形成數位經濟當中「大者橫大」的極化現象，所以 Google、Facebook 與Amazon等幾家公司，可以不斷吸引到最頂尖的知識型人才，不斷投入新技術和新知識型產品的生產，而且每年還可以不斷成長，最近哈佛商學院的學者也把這些經濟現象用一個更潛顯的名詞來概括：Hub economy（樞紐經濟），只要掌握了用戶和服務的入口，你想幹麻都可以。

結語

回歸到AI創新這件事情，其本質也是數位技術，因此在市場上要能切出一道破口，立刻會面臨科技巨頭籠罩的網路效應。

明年開始，當大家開始發現AI創新的本質其實和之前並沒有任何不同，也是數位經濟的一部分的時候，就可能會出現AI創業的一波泡沫化。

面對這樣的狀況，一種經營策略是利用AI人才稀缺的現狀，運用高薪加上資本市場的操作，想辦法在短時間內快速圈住AI人才，尋求被大公司人才併購出場，快速賺一波資本財，但這種作法是否真正為市場創造出新價值，則是一個問號。

回歸到辨識市場需求，先找靶再射箭，出發點一定是想著為市場解決新舊問題和滿足新需求，這還是創業最重要的出發點，AI創新和創業也絕對不例外。

註1：邊際效益遞增文字，引述自MBA智庫百科。

本文由程世嘉授權轉載自其Facebook。

《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。）

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