一個台灣小子的親身觀察:全球最難進學校,原來這樣教學生!
一個台灣小子的親身觀察:全球最難進學校,原來這樣教學生!

本文摘自《MIT最精實思考創做力》,遠流出版

如果說MIT(麻省理工學院)在我研究領域內有一位我崇拜的偶像,那就是彼得,但在我研究領域之外的則是艾咪.史密斯(Amy Smith)了。艾咪是機械工程系的資深講師,年輕時曾經在非洲的波札那共和國工作了兩年,她在沙漠中忽然有了一個頓悟,她想為發展中國家做小型工程設計。

2002年,艾咪成立MIT的D-Lab,專門教MIT學生如何為發展中國家進行工程設計。這幾堂課在MIT非常熱門,每年都要經過申請或抽籤決定才能註冊。
我從烏干達回來之後,決心要到D-Lab上課,學習如何在發展中國家工作。而我很幸運地,在2010年9月成功註冊。

我上的課名叫「發展」,是D-Lab「發展、設計、創業」三部曲的第一堂課,主旨是介紹發展中國家的環境,以及如何為其做工程。

探索當地》憑空設計的科技,就是種浪費

寒假(一月)時,這堂課也會帶學生去某個發展中國家工作四星期,以實務來印證理論。一堂課約有六十位學生,因此分為八隊,各自去不同的國家(亞洲、非洲、中南美都有)。每支隊伍由七、八個學生及兩位D-Lab領隊共同組成。這趟旅程的目的是要教導學生如何聆聽發展中國家當地人的問題,然後一起設計解決方案。

「很多MIT學生都是科技迷,認為只要能把適當的科技空降到發展中國家,就能解決當地大部分的問題。」艾咪告訴我們,「可是憑空設計的科技只是浪費大家的時間。如果你能真心去了解當地的問題,有時候,你會有前所未有的見解。」

我聽了格外覺得心有戚戚焉。當初在烏干達,如果我們能多花一、兩個星期和當地家庭一起生活,或許就能更了解他們喝茶的習慣,也不會犯下那麼大的錯誤。

「為了避免盲目的探索,你們每個人可以選一種科技先做初期的研究了解,成為代表那項科技的使者和專家。」艾咪說,「但這並不表示你們研究的科技是當地所需要的。儘管如此,也許你們可以從與當地人的對話中,找出真正的問題及解決的方法。記住,你們首要的目標是探索與學習。」

我抽到的是迦納隊,領隊就是艾咪。我覺得自己實在太幸運了,不僅可以聆聽艾咪講課,還有機會在2011年一月和她一起去迦納學習。

之後,每個人都選了一項自己感興趣的科技去研究。我選擇研究一種稱為「連鎖磚」的東西。在非洲很多地方,房子都是用泥磚砌成的。磚與磚之間要鋪很多水泥。但水泥很貴,在鄉下也很稀有。連鎖磚本身就是凹凹凸凸的形狀,因此蓋房子就像堆樂高積木一樣把連鎖磚互相嵌合,如此便能降低水泥的需求量了。

2011年一月初,我們一組十人和二十幾件行李進了小貨車,一群人來到波士頓羅根機場,在阿姆斯特丹轉機後,於隔天晚上抵達悶熱潮溼的迦納首都阿克拉(Accra)。

一到當地,立刻就有人開車來接我們到庫馬西市(Kumasi)。一路上顛簸異常。我很睏,但是一睡著,腦袋就會撞上窗戶或車頂。就這樣一直晃到凌晨兩點多,我們終於到達了目的地。

在往後的幾天裡,我們都待在庫馬西市,購買或製作需要的各種零件。例如,我向庫馬西大學借了一台壓縮磚塊的機器,試著製作不同形狀的連鎖磚塊。

由於我的零件需求不多,一下子就搞定了,便去幫其他同學準備他們的零件。例如同學拉加西(Rajesh)要製作花生油的壓縮機,其中最棘手的部分是一個精密的螺旋錐。這種螺旋錐在美國到處都有,但我們找遍了庫馬西市都沒找到。最後,我們試著找當地的金屬工用砂模鑄造方式幫我們打造一支。

於是,我成為了那位金屬工的學徒及助手。我們先把帶來的樣本錐埋入砂箱中,然後小心翼翼地取出來,砂箱裡便有了一個螺旋錐形狀的洞。接著,金屬工把一些破銅爛鐵的廢物裝進一個他們親手打造的燒爐去熔化,然後把熔化的金屬倒進砂箱的洞裡,等到金屬冷卻加以清理過後,就變成螺旋錐模型。

我從來沒有看過熔化的金屬,也從未看過有人可以如此靈巧地操控金屬,覺得整個過程實在酷斃了!

在庫馬西的幾天,我們把所需的零件都準備好之後,便搭了兩個多小時的車來到一個小村莊。由於艾咪和當地的一位牧師很熟,因此每年她帶學生過來時,就會借住在牧師家裡。

這個村莊比我以前在烏干達待的診所簡樸了些。很多地方都沒電,因此晚上全靠手電筒及頭燈辦事。有時晚餐後大家會在漆黑的環境中聊天,只有爐子的紅色木炭隱隱發光,除非有人去攪動爐子,這時散發的火花才暫時照亮大家的臉龐。

聆聽需求》從研究磚頭,導出解決方案「蓋冰箱」

我在村裡用從庫馬西帶來的手動壓縮機製造了不同形狀的連鎖磚,同時也蓋了一個小型的牆來做測試。

我觀摩當地的建築和製磚業,發現當地的磚塊都是就地取材的黏土磚。這種磚塊的製造成本非常低,因此若要以較複雜的連鎖磚做市場競爭,是非常困難的。

另外我也發現,當地大部分的房子不是用水泥、而是用黏土建造而成的;這裡的房子大多是一層樓的茅頂屋,不需要十分堅實的結構。沒有了水泥的需求,連鎖磚也就無法發揮它的功用。因此我的結論是,連鎖磚在這村子並沒有什麼發展的機會。

在艾咪的建議下,我和掌控廚房的家庭主婦談了談。她們的難題是新鮮蔬果難以保鮮,因為沒有電,也就無法使用電冰箱。

「你的磚塊如果不是實心的,而是滲水的,是不是就可以造成一個自然的冰箱?」艾咪問我。

艾咪說的原理是指水氣蒸發時會帶走熱能。如果我用可以滲水的連鎖磚造成一個地窖似的容器,那麼當地家庭主婦只要把蔬果放入地窖內,然後每幾個小時在周圍的滲水圍牆澆水,那麼從周圍蒸發的水氣就可以冷卻圍牆裡的蔬果。

我不知這樣是否行得通,但我興奮地設計了一個地窖,並花一週時間蓋了一個簡單的冰箱模型。

測試後,發現裡面的溫度是冷了些,可是無法達到像冰箱裡的冷度。因為我們沒有溫度計,因此無法精確測量溫度。而且,這個地窖的功能是看天氣運作的,當雨天或溼度較高時,它就失去冷卻的功能。

最後我把這個「冰箱」留下來當做展示品,其他人若有興趣也可在自家建造。

我開始研究連鎖磚時,絕對想不到最後會用它來蓋冰箱。但這就是D-Lab教我們聆聽當地人需求之後而開發出來的產品。我從這個過程中領悟出,一個外地人其實很難在遠處就對當地情況有徹底了解,也無權把腦袋裡憑空設計出的科技,一股腦地就要求當地居民測試。有時候,必須先耐心聆聽他們的聲音和想法,才能印證想像中的問題是否存在。這是我在D-Lab「發展」課程中學到的最重要一件事。

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