實測Google Pixel 3和 iPhone XR,誰才擁有最強AI單鏡頭?
實測Google Pixel 3和 iPhone XR,誰才擁有最強AI單鏡頭?
2018.10.31 | 蘋果

智慧型手機問世後,人們拍照的方式就開始變了。

日本相機暨影像產品協會(CIPA)統計,2012年全球產出超過1億台日廠數位相機,但到了2017年,只剩下約2,500萬台;《紐約時報》還推估了另一個有趣的數字,2013年全球拍出的照片大約6,600億張,可到了2017年,這數字便飆到1.3萬億;而絕大多數照片,都是在智慧型手機上產生。

「拍照性能」無非是挑選手機的重要考量之一,從2年前起,手機品牌求新求異,開始把消費者的胃口養大,「至少2顆主鏡頭」似乎才成了理所應當的基本配置。分類這第二顆鏡頭的功用,一類是輔助測距,判斷何謂主體及背景,從而拍出時下流行的景深照;一類則是搭載望遠鏡頭,實現拍出拉長焦距,畫質卻不耗損的光學變焦照;最後一類則是廣角鏡頭,可拍出範圍更廣的照片。

iphone xr pixel 3
iPhone XR(黑)和Google Pixel 3,都只搭載一顆單主鏡頭,透過機器運算及演算法,可以拍出兩顆鏡頭才能達到的照片。
圖/ 唐子晴/攝影

時至今年,華為在旗艦新機Mate 20身上用了3顆主鏡頭,三星更是讓旗下中階機A9,一口氣搭載了4顆主鏡頭,但卻有兩支強機仍不為所動,屹立不搖地採用單主鏡頭設計——在台灣上市的第一支Google手機Pixel 3,以及被稱為「2018 CP值最高的iPhone」XR,像是在宣示「一顆鏡頭也能拍出好照片」。

Google和蘋果憑什麼信心十足?單顆鏡頭的實力,是怎麼累積的?誰拍出來的照片又更強?《數位時代》從四類情境訴求中,實拍實測。

除了只有1顆主鏡頭,為什麼要把它們放在一起比?

iOS與Android間的戰役,用Google自己打造的「最天然」Andriod手機Pixel來與iPhone比較,最適合不過。暫且不論其他規格,兩支手機的售價也較為相近。Google Pixel 3售價2萬7700元起、螢幕較大的Pixel 3 XL則售價3萬1100元起;而iPhone XR則最低2萬6900元起,最高3萬2500元。

另外一方面,則是相機的得分預測,這得看數位相機和智慧型手機拍照評測指標網站「DxOMark」的得分,雖然兩支手機的分數都還未出爐,但或許可參考同系列「兄弟姐妹」的分數略知一二。

在去年,Google推出Pixel 2時已經把「拍照」放在很重要的位置,進行軟硬體的整合,這讓當時Pixel 2評分高達98分,被DxOMark評為「創下智慧手機相機品質的新紀錄」,而今年Pixel 3無論是硬體規格、軟體系統再升級,自然令人期待更高的成績。

而與iPhone XR一同發表的iPhone XS Max成績已先公佈為,高達105分、位居全榜第二名,XR雖然少了XS Max一顆主鏡頭,但採用同樣的晶片、同樣的系統,在歷經一番全球媒體的實測後,證明了兩支手機成像效果相差甚微,讓人預期XR的分數也不會遜色。

dxomark
iPhone XS Max位居第二名,而Google Pixel 2也在前10名內。
圖/ DxOMark

再說說,這兩支手機憑什麼優秀?

這都得歸功基於晶片,透過一次次機器學習,以及演算法軟硬整合後,有AI來為相機加持來達成。

「我們發現多添加一顆副鏡頭是沒必要的,機器學習足以彌補,」Google官方信心十足地說,但這也不是單憑Pixel 3搭載的高通S845處理器就可以做到。在去年,Google和Intel就聯手開發了一顆處理器「Pixel Visual Core」搭載至Pixel 2內,專門用於加速AI拍照等相關內容,而今年用在Pixel 3上的處理器速度比去年快了40%。

而iPhone XR仰賴著新一代的A12晶片,上面的「神經網路引擎」,從A11的2核心提升至8核心,每秒運算速度提升至5萬億次,結合影像訊號處理器(ISP),讓iPhone第一次實現靠著一顆鏡頭也能拍「人像模式」的景深照,也能夠過演算法,「自動」給照片更漂亮的顏色。

四大情境實際拍攝

1. 白天明亮時,順便測測大逆光

Pixel 3的主鏡頭為1220萬像素,相機預設將開啟「HDR+」模式,按下快門前後,會同步拍攝最多8張相片,最後合併成1張相片,來達到最佳的效果;而iPhone XR的主鏡頭則為1200萬像素,也有「智慧HDR」功能,能在照片中「自動」調整亮部與暗部細節,讓顏色更加鮮艷。

整體來說,iPhone XR顏色較均衡、亮度更高,但當天空非常亮時,會有過曝的狀況發生;而Google Pixel 3則是明暗對比更強烈,在光源正常時,表現看似較遜色,但在過亮時,反而透過系統運算調節,成像的效果更好。

2. 光線不足時,偷跑體驗Pixel 3的「Night Sight」模式

Pixel 3和iPhone XR的主鏡頭,光圈大小皆為f/1.8,皆在沒有開啟閃光燈的情況下試拍。

但Pixel 3最讓人嘖嘖稱奇的,莫過「Night Sight」(夜間)模式,在昏暗的情況下,仍能拍出像「打過光」的照片,其原理是透過更長的曝光時間拍攝多張照片,再利用演算法合成一張「明亮的照片」。雖然此功能台灣11月才會正式上線,但在國外的開發者網站上XDA上,已有人經釋出「非官方版」Apk可以先行下載先體驗,一解好奇心。

就算沒有開啟Night Sight(夜間)模式,無論是室外、還是室內,在昏暗環境中,Pixel 3成像的亮度還是比iPhone XR明亮不少,更別說再開啟該模式後,幾乎可以拍出像是在白天或是開燈後的照片,但唯一麻煩之處,就是快門很慢,在拍照過程中得花個3~5秒手持固定住。

3. 玩人像模式,只有1顆主鏡頭怎麼拍景深照?

這是其中最有趣的一點,這兩支只有1顆主鏡頭的手機,也能拍出需要兩顆鏡頭運作,才能產生「主體清楚、背景模糊」的景深照,當然,一切得仰賴機器學習和運算。

iPhone XR和搭載雙鏡頭的iPhone XS一樣有「人像模式」,除了可呈現散景效果外,拍完後也可後製調整景深、光圈大小。但實際試用後發現,iPhone XS是「任何主體」都可以對焦拍攝,但iPhone XR軟體限制只能是「人物」,當主體物是其他物品、動物等等,便沒有辦法順利使用。

p5 a(2).PNG
iPhone XR的人像模式,主體只能是人。
圖/ iPhone XR截圖

而Pixel 3則是任何主體都可以對焦拍攝,但這對Google來說,是Pixel 2上就有的功能,藉助的是鏡頭感測器PDAF雙像素特徴將影像分割,分清前景和後景後,靠演算法虛化正確區域,最終合成一張景深照片,也會自動幫畫面中人物所在的區域調整亮度及色溫。

兩者無論在光線充足,或是較為昏暗的情況下,對主體人物的辨別能力都不差,基本上和背景都能清楚的區分開來,只是iPhone XR的焦距更長一些。

至於兩支手機的前置鏡頭,配置和主鏡頭相比都更「飽滿」一些。iPhone XR採用和iPhone X、XS一樣的700 萬像素「原深感測相機」,一樣可拍出景深照。而Google Pixel 3則是搭載一顆800萬像素的廣角鏡頭、一顆800萬像素的望遠鏡頭,除了可拍出景深照外,自拍時可調整焦距,讓人物「縮小」拍出107度的廣角照,並有「臉部潤飾功能」可選擇。

在光源充足時,人臉部的顏色反而iPhone XR更飽滿,但在暗處時,明顯Pixel 3透過機器學習「自動補光」表現更好。

4. 都是五倍數位變焦

兩支手機都只能進行「數位變焦」,iPhone XR可進行最大五倍光學變焦,而Pixel 3也是可進行五段變焦,但Pixel 3會進行「高解析變焦」,同樣使用疊圖的方式,拼出1張高品質照片。

若把照片再繼續拉大,Pixel 3相對而言顆粒感比iPhone XR更少。總體來說,兩者拍照表現都很優秀,最後就看看自己,更喜歡哪一種成像的調性了。

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