要成為AI領域的微軟!太奇雲端靠AI邊緣運算讓終端裝置也能接地氣
要成為AI領域的微軟!太奇雲端靠AI邊緣運算讓終端裝置也能接地氣

「現在你看到的即時影像都是由AI去做偵測、辨識,而且所有分析在Edge端就完成」太奇雲端總經理李承勳對著投影幕上的監控畫面說道。

隨著智慧時代的浪潮來臨,將AI應用於安防領域的企業越來越多,但符合邊緣運算架構的新創,他們卻是少數。「 其實邊緣運算(Edge computing)的世界遠比雲端、伺服器端還要寬廣 」,李承勳強調。不論是路面車輛計算還是人流方向管控,透過邊緣運算便能在終端裝置上直接處理資料,不需先將資料傳到雲端運算後再回傳到裝置上。

**對於極具時間敏感性的事件,AI邊緣設備能以毫秒為響應單位,避免錯過黃金處理時間。**例如:在飯店場域內,當預設的禁區範圍識別到陌生人經過時,太奇雲端的AI就會立刻通知影像管理系統(VMS),讓飯店人員做出相關因應。同時,該事件觸發的時間軸也會以不同顏色標示,方便下次回放時能快速搜尋。

專注工業4.0、安控領域,提供邊緣運算解決方案

太奇雲端以深度學習為核心,運用技術協助客戶解決實際問題,其產品主要分為兩類,第一,為人工智慧監控分析;第二,是工業4.0的電腦視覺應用。

由於物聯網應用逐漸成熟,許多設備紛紛加入網絡,面對海量數據可能造成網絡延時或堵塞,邊緣運算因勢而生,使資料在終端裝置便能即時篩選、分類、彙整、記錄。像是在安全監控上,太奇和NX Network Optix合作,將他們的AI引擎嵌入其開放式影像管理平台(Witness VMS),由NX和不同類型的網路攝影機連接,管理錄像記錄、警報連動。

「NX提供我們和客戶溝通時,一個視覺化的操作介面,而太奇則負責人工智慧監控分析,包括人體/物件分類、虛擬圍籬偵測等。 」技術顧問林逸升表示,現有的智慧影像分析(IVA)僅便於檢測而非辨識,但利用太奇的AI,可以在光線變化時,也能保持精準的影像辨識能力,準確度達九成五。

另外在工業4.0方面,太奇雲端是唯一擁有產業實務經驗的新創,甚至獲得電子量測儀器及系統商致茂電子投資,欲結合其AI建置智慧工廠內的檢測設備。太奇透過把AI應用於自動光學檢測(AOI),不僅降低傳統以人力使用光學儀器檢測產品缺陷的成本,更提升生產良率、優化產品質量。除此之外,他們也提供大數據分析及預測,幫客戶分析生產線中的各項數據,進而改善製程。

太奇雲端_Meet創業午餐會_2018-06-20_賀大新攝影_1597_Lr.jpg
左起:太奇雲端技術顧問林逸升、AI架構師蔡明宏、總經理暨共同創辦人李承勳、資深解決方案架構師徐立興
圖/ 賀大新攝影

善用本身價值,說服大廠合作投資

成立不到三年,太奇的AI應用已遍佈交通管理、安全監控和高科技製造產業,還獲得凌華、研揚、新漢三家工業電腦廠商支持,希望在他們的機台上加入機器視覺。林逸升拿起手邊研揚的工業電腦說,不只是這台裝置,未來太奇也將利用邊緣運算,把AI納入各式各樣不同的產品裡面。

而雖然不曾參加競賽,太奇雲端仍吸引眾多大廠主動上門談合作,其中原因為何?李承勳認為,關鍵在於完整性,也就是說,能從雲端運算基礎平台到AI應用,打造完善解決方案的技術能力。他舉例,「像是買車,你會只買引擎還是要一台車?對客戶而言,AI就是個引擎,但是沒有人只買引擎」,所以其實太奇的價值,源自能幫客戶建構一套真正可用的全程(end-to-end)解決方案。

截至目前,太奇雲端已取得許多企業投資,包括麗臺科技、聚碩科技、和鑫光電、致茂電子、國票創投,且大部分投資者同時是他們的策略夥伴,透過彼此協作發揮綜效,使太奇技術得以快速落地。談及創業初期如何敲門找投資,李承勳提到,第一家的選擇很重要。憑藉在半導體、光電產業多年所累積的經驗與人脈,他剛開始主動找上GPU製造廠麗臺科技,後來在麗臺介紹下致茂進來,就這樣一個傳一個,其他廠商也自然上門。

專業人才齊聚,為創業勇往直前

擁有二十年工作經驗,曾是源訊科技台灣區總經理,被問及當初為何想出來創業?李承勳回答「對我來說,如果我一生都要奉獻給IT,我覺得應該要有所轉變 」,因此他跳脫穩定職涯,走上創業這條荊棘路。過程也曾遭遇服務項目大轉變,團隊需額外培訓新學能,所幸全體成員目標一致,對新領域也充滿熱忱。「在同業看來,我們是無路可退;但對團隊而言,我們是勇往直前」,架構師徐立興說道。

不只創辦人,太奇雲端的成員各個都經過業界歷練,「因為成員年紀都不小,創投還稱我們是業界最老的新創」,李承勳笑說道。但就太奇來講,年齡反而是種優勢,說明他們有足夠產業經驗,能與客戶講相同的語言。更重要的是,可以跟客戶主動溝通。「我們沒辦法扛著AI的招牌,就認為可以單打獨鬥,這不合邏輯」,因此對內,太奇雲端針對客戶需求與回饋,建構軟體工程;對外也積極跟各式各樣夥伴合作,創造生態體系,希望未來能進軍歐美、東協市場,成為AI領域的微軟。

創業快問快答

Q:服務的創意來源,是因為發生何事而有這樣的想法? 我們原本專注於物聯網雲端平台開發及建置,但後來發現客戶真正需要的是資料收集後之分析,也讓我們有利用AI來協助客戶分析資料的想法。

Q:就目前市場狀況,您認為貴公司服務的競爭優勢為何? 我們是少數真正能將人工智慧落地執行的企業,而非為了AI而AI。提供整體解決方案,讓客戶無需煩惱整合問題。

Q:長遠來看,公司想成為何種類型的企業? Touch Cloud希望朝著成為人工智慧世界的軟體公司方向前進,並且將市場定位為全球。為了達成這個目標,我們不斷跟世界一流的軟硬體公司結盟,利用互相為對方帶來價值的方式,達到有品質且快速的擴張。

團隊資訊

公司名稱:太奇雲端股份有限公司 / Touch Cloud Inc. 成立時間:2016/2/3 服務名稱:運用於工業4.0分析需求的TC Microscope、運用於即時監控分析需求的TC Telescope 上線時間:2018/1/1 團隊人數:10 官方網站

本文授權轉載自:創業小聚

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