AI國家戰略新登場！新加坡發表亞洲第一個AI工程師認證框架|數位時代 BusinessNext

新國家AI戰略！新加坡發表亞洲第一個AI工程師認證框架

新加坡明年1月將針對物流、醫療、教育和房地產使用AI技術及規範政策，並針對AI工程師設立國家級的認證框架，對於AI倫理和治理的觀念領先全亞洲。

新加坡選定5大AI國家發展項目，以海關邊境安全為例

此外，新加坡智慧國家計劃中的AI技術應用，則規劃到2025年，新加坡所有移民檢查站的安全檢查都將以指紋、臉部和虹膜辨識實現全自動通關，這是新加坡智慧國家計劃中，應用AI技術的一部分。新加坡副總理王瑞杰（Heng Swee Keat）於上（11）月13日宣布新的新加坡國家AI戰略，其中也提到一部分便是將AI應用於海關安全，列為這也是五個重要國家AI項目之一。

王瑞杰在新加坡FinTech和創新與技術週上表示：「各國將需要與時俱進，利用技術來解決共同的挑戰和國家優先事項。」智慧國家和數位政府辦公室表示，除了海關安全外，宣布的其他四個AI項目為是物流、醫療、教育和房地產管理。而選擇這五個項目的原因是，是因為預期它們可以很快地發揮效果，並產生較顯著很高的社會和經濟利益。

例如，在海關使用AI將為旅客提供更快、無縫的過境體驗，方便旅客辦理出入境檢查。此過程還將減少人為失誤，並使在櫃檯工作的移民官員能夠專注於其他更高價值的工作，像是例如關注可能需要更嚴格審查的旅客。例如，而目前已有案例可以看出其效用，據報導，新加坡樟宜機場4號航站的全自動系統，就使用了AI臉部識別技術，捕獲不同車站的乘客的照片，估計從而節省了多達20％的人力和效率。

不只是海關邊境安全，還有醫療、房產管理、教育和物流4個國家重點計畫

此外，在醫療領域，到2022年，根據新加坡醫療與AI計畫，整個新加坡也計畫2022年前於全國將部署名為Selena+ 的AI系統，以幫助更快、更準確地檢測包括糖尿病等在內的眼部睛疾病。針對醫療項目，王瑞杰說：「AI有巨大的潛力可用於預測、發現和管理慢性病。」，因為許多老年人可能不清楚自己的病情。另外，人工智慧可以用來分析臨床和基因數據、醫學圖像和健康行為，從而更好地評估個別患者的風險狀況，為了更好地進行預防和病例管理。

對於房地產管理，人工智慧可以幫助預測房屋問題，進而從而可以更好地優化房屋維護工作，例如使用AI分析數據來預測幫助預測建築物中的下一次電梯故障時間，以提前做維修、保養工作。

在教育方面，可以利用AI可用來自動執行某些英語作業的評分程序，老師這樣教師就可以騰出時間專注於其他任務上。

除了5大國家AI重點項目之外，AI戰略也要建立整體AI的生態系統

AI整體的生態系統包括：建立三方協作關係（官方、社群和產業）、資料架構、漸進式可被信任的環境、國際合作和人才與教育課程。舉例來說，新加坡的AI的人才與教育課程規劃，先以設定政策優先順序，再來幫助建立AI人才庫。

並在面臨AI人才需求持續成長，以及產業無法量化評估AI技能等問題時，新加坡將於2020年初推出首個針對AI工程師的認證框架，以幫助滿足雇主判斷持續成長對獲得具能力驗證的在地人才需求。在宣佈新加坡的工程師認證框架後，工程師將可透過認證以證明他們具有在實際情境環境中執行擴展AI項目的技能和能力。

##AI工程師分級認證
要獲得第一級AI認證工程師的資格，申請人必須具有至少一年與AI相關的工作經驗，並部署了至少一個價值500,000美元（約新台幣1,526萬元）的AI項目。至於第二級和第三級的申請人，則他們必須進一步證明有能力，管理整個組織中的AI工程團隊和多款個AI應用。

這些公告表明新加坡對AI的重視，根據新加坡研究、創新和企業2020計劃，將針對數位技術（包括AI）投入超過1.5億新幣（約台幣33.5億元）。為了在這裡培養AI人才，到2025年新加坡還計劃培訓25,000名專業人員進行基本AI編碼和應用的培訓。

微軟全球國家技術長家艾伯特（Andreas Ebert）並稱讚新加坡說：「國家AI戰略（National AI Strategy）的制定展現出新加坡已經是AI倫理和治理方面的全球性思想領袖，新加坡採取全面、包容的方法來加速國家快速適應科技技術，來增強國家能力。」新加坡的政策制定決斷力與計畫的執行能力，值得台灣借鏡。

資料來源：

責任編輯：江可萱

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