學習用機器思維來思考,強化自己的邏輯與AI共生
學習用機器思維來思考,強化自己的邏輯與AI共生

本文摘自《AIQ:不管你願不願意,現在已是AIQ比IQ、EQ更重要的時代》,商業周刊出版

AI焦慮症? 找個方法跟人工智慧共存下去

前文已經提過,我們的學生對於人工智慧有多興奮、以及全球各大企業如何積極地投入AI的發展。但是,如果說所有人都對這些新技術如此看好,那可就言過其實了。事實上,很多人對於工作就業、數據隱私、財富集中、或是俄羅斯人擁有傳播假新聞的Twitter機器人等問題感到焦慮。還有一些人,其中最著名的是Tesla電動汽車公司和SpaceX太空探索技術公司幕後的企業家伊隆·馬斯克(Elon Musk),甚至描繪出更可怕的景象:機器人變得有自覺意識,發現自己不喜歡被人類統治,因此開始用矽拳來統治人類。

先來談談馬斯克的憂慮吧。他的觀點引起了許多人關注,或許是因為億萬富翁在談論AI時,大家都會特別注意吧。馬斯克聲稱,在開發人工智慧科技時,人類正在「召喚惡魔」,而智慧機器是「我們最大的生存威脅」。

讀完本書之後,你將可以自己決定這些擔憂是否合理。但我們想事先提醒你,人們很容易陷入認知科學家所謂的「經驗性直觀推論法」(availability heuristic)的陷阱,亦即依據個人經驗中最容易立刻聯想到的事例,來評估相關事件發生的可能性。就人工智慧而言,這些例子多半來自科幻小說,其中絕大多數都是邪惡的 ,諸如《魔鬼終結者》、《星艦迷航記》、或是《2001太空漫遊》。我們認為這些科幻作品的例子造成了強大的錨定效應(認知偏差),讓許多人接受了「邪惡AI」的說法,而不加以懷疑。

畢竟,我們有豐富的想像力能拍出這種電影,並不代表我們真的有實現的能力。至今,還沒有任何人有辦法打造具有一般智慧的機器人,像人類一樣聰明、或如「魔鬼終結者」一般。也許你的後代子孫會想辦法辦到,也許他們甚至能夠編寫程式機器人去威嚇伊隆·馬斯克的遙遠後代,但那將會是他們的選擇、也是他們的問題,至今檯面上都還看不到任何一點這種發展的可能性。現在以及可預見的未來,「智慧型」機器只擅長在其專門領域中表現聰明的一面:  

Alexa可以為你朗讀義大利肉醬麵的食譜,但是它不能替你切洋蔥丁,也肯定不會手持菜刀對你發脾氣。

無人自動駕駛汽車可以載你到足球場,卻不能做球賽的裁判,更不用說能夠自己決定要把你綁在球門柱上,踢球攻擊你的要害。

再說,現在就開始擔心機器人具備自我意識,就好比德哈維蘭飛機製造公司(De Havilland Aircraft Company)在1952年試飛第一架商用噴射客機時,就開始擔心超高速飛行至遠距星系的影響。現在擔心這些都還太早了,眼前還有更重要的事情需要擔心。比如,延續噴射客機的比喻,為現今所有「飛機」制定明智的政策。

制訂政策的問題連帶引出我們對AI更多合理、切身相關的疑慮。人工智慧會造成全民失業的世界嗎?未來的機器可以對你的生活做出重大決定,卻毋須承擔任何責任嗎?最聰明機器人的擁有者終會掌握未來的世界嗎?

這些問題非常重要,無論是在科技研討會議上、世界各大新聞媒體、以及大學同事午餐閒聊的話題中,我們聽到大家不斷在討論。我們必須事先聲明,你不會在這本書中找到這些問題的解答,因為我們也不知道答案。就像我們的學生一樣,我們對於人工智慧未來的發展十分樂觀,希望讀者看完這本書之後,也會認同這種樂觀的態度。然而,我們並不是勞工經濟學家、政策專家,也不是算命師。我們是數據科學家、也是學者,這意味著我們的本能就是堅守自己的學術路線,對自己的專業知識充滿信心。我們可以傳授人工智慧的知識,但我們無法告訴你未來世界的發展將會如何。

別被AI嚇到,生活上擁有它可是事半功倍

然而,我們可以肯定地告訴你,一些AI相關主題常見的論述觀點,都是不完整的。這些說法強調大型科技公司的財富和權力,卻忽略了AI不可思議的普及化和傳播發展。它們強調機器使用存有偏見的數據做出重大決定的危險,卻沒有意識到我們早已生活在人類決策偏見之下、或深受其害。最重要的是,這些論述十分關注機器可能剝奪人類的權益,卻忽略了我們將得到的回報,例如不同類型卻更好的工作、新的便利、免於苦差事且更安全的工作場所、更完善的醫療保健、更少的語言障礙、新的學習和決策工具,這些回報讓我們更聰明、更精進。

再來談談工作就業的問題。在美國,儘管人工智慧和自動化成為經濟發展的動力,從2010年到2017年,失業救濟人數仍持續創下新低。在中國,機器人自動化的步伐變得更加快速,工資卻連年飛漲。這並不代表AI沒有威脅到個人的工作機會。影響已然產生,也會繼續構成威脅,就像電動織布機威脅紡織工的工作、汽車取代馬車伕的工作一樣。

新技術總是會改變經濟所需的勞動力結構,造成某些領域的工資不斷下跌、某些領域則不斷飆升的壓力,人工智慧也不例外。我們強烈支持就業培訓和社會福利計劃,為那些被技術取代的人提供實質的幫助。或許正如許多矽谷老闆所想,全球化基本工資甚至可能成為解決之道。我們不敢妄下斷語,不過,AI未來將造成人類失業的這種論述,目前為止尚未完全得到實證的支持。

接著是市場獨占的問題。亞馬遜、Google、Facebook和Apple都是實力堅強的科技巨頭。最重要的是,面對那股強大力量,我們必須保持警惕,以免它被用來扼殺競爭或削弱民主規範。但也別忘了,這些公司之所以成功,是因為他們提供了人們喜愛的產品和服務;只有不斷創新,才會取得成功,這對大型機構來說,並不容易。此外,我們也看過許多預測,認為今天的科技巨頭將永遠保持主導地位,但其實這些預測通常無法印證過去,更不用說未來。

還記得戴爾(Dell)和微軟(Microsoft)曾經是電腦界龍頭嗎?還記得諾基亞(Nokia)和摩托羅拉(Motorola)獨佔手機市場的盛況,熱門的程度令人難以想像?還記得每位律師人手一支黑莓機(Blackberry)、每個樂團活躍於MySpace 社群網站、每台伺服器都來自昇陽電腦(Sun Microsystems)的年代?還記得美國在線(AOL)、百視達影業(Blockbuster)、雅虎(Yahoo)、柯達(Kodak)或是索尼隨身聽(Sony Walkman)?企業起起落落,時間不斷流逝,科技發明卻越來越酷炫。  

我們對於AI崛起有個實際的看法:AI時代己經到來,未來會更加速發展,不管我們喜歡與否,這些技術將帶來巨大的好處,也將不可避免地反映我們文明的弱點。因此,要加以提防,不管是在隱私權、平等權、現有的機構、甚至是還沒有人想到的東西,我們必須用明智的政策來應付這些危險。如果我們希望在「熱門話題」和140個字元的世界裡制定明智的政策,我們必須達到某種社會境界──在這個社會中我們可以平衡地討論這些問題、反思問題的重要性和複雜程度。本書不會進行這個討論,但如果你想在討論中充分掌握內容,本書會提供你所需的知識。

了解AI與數學運作,學習用機器思維思考,讓你開始有不同決定

在開始之前,我們認為有必要提醒讀者:在這本書中你會碰到一些數學問題。然而,就算你自認為對數學很沒天份,請不要擔心,人工智慧的數學其實是非常簡單的,我們保證你能夠掌握。同時,我們也向你保證,下一點功夫是值得的:如果你理解AI背後的一些數學運作,你會發現它不再那麼神秘難解。

我們本來可以寫一本關於人工智慧卻又不參雜數學的書,畢竟,若照我們一直以來所聽到的說法,你可以選擇數學或朋友,但不可能兩者兼得。編輯最初懇求我們採取這種方法,低聲嘀咕著:「每多一個數學符號就損失3千名讀者」、「每多一個希臘字母就損失5千名讀者」之類的。無論如何,我們的回應是:該死的不可能(no δαμυεδ way),根據經驗,我們對讀者的信心絕對不止如此。我們兩位已經教了40年的數據科學和機率,其中包括許多MBA碩士生和大學生;他們在來到課堂之前,滿腦子充斥著討厭數學這種可怕的病毒思想。

然而,當他們明白這些超酷的人工智慧應用程式,從Alexa語音助理到圖像識別究竟如何運作時,我們看到這些學生的眼睛興奮地發亮。說穿了,不過就是大數據的概率罷了。他們這才開始明白,數學方程式根本沒有那麼難以理解。最後,他們甚至感受到數學的力量,意識到在正確的環境下,學習用一點機器思維來思考,也就是運用數據和機率規則做出決定,甚至可以幫助他們成為更聰明的人。 

所以,在接下來的7個章節中,我們將為你介紹七位精彩可期的歷史人物,每一位都有重要的經驗可傳授,告訴你為什麼聰明的機器需要聰明的人,反之亦然。你將會得到更高的AIQ和全新的領悟、讚歎人類多麼聰明,能夠將自己的創意構想和科學技術完美融合在一起。

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