偷閒「第25小時」！完全自駕夢仍有2門檻待突破|數位時代 BusinessNext

根據交通部統計，台灣上班族平均通勤時間為37分鐘，遇上塞車或突發狀況，時間還可能長達1～2小時。在駕車上路這個「不能不專心」的時空裡，駕駛的身心要是能放鬆片刻，原本不怎麼能夠做其他事的時間，或許就空了出來。

汽車大廠奧迪（Audi）自2017年起，就以「第25小時」的概念研發自動駕駛，期待藉由系統的導入，讓駕駛及乘客在行進過程中，能更有效地利用時間，目前已推出具備L3（參見下圖表）等級的A8車款。

繪圖晶片大廠輝達（NVIDIA）執行長黃仁勳日前接受《歐洲汽車新聞》（Automotive News Europe）訪問時就曾透露，自己相當享受特斯拉（Tesla）帶來的自駕感受，「這讓開車的體驗變得更輕鬆。」

不過黃仁勳也指出，要到2030年左右，才會有2成的汽車能實現L4、L5的高階自動駕駛，且主要用於貨車上；乘用車仍以L2為主，車上附帶的許多自動輔助控制功能，只是會優化駕駛體驗，不會取代駕駛。

科技巨頭合作新創，加速自駕車系統

在現有具L2等級的車款中，駕駛或許能夠在高速公路上面，透過ADAS（先進駕駛輔助系統；Advanced Driver Assistance Systems）獲得喘息空間。又或是對於害怕S型倒車、停車的駕駛而言，L2也能輕鬆解決這類難題。

至於何時才能真正走到L5等級，亦即在任何條件下，車輛都能完全自行駕駛的程度，車輛研究測試中心（ARTC）經理陳建次表示，這需要從大眾運輸工具和乘用車兩個不同面向來看。「短則5年，公共運輸將在特定場域裡，就能以L5自動駕駛模式，將乘客從A點移動到B點。」陳建次表示。

自駕車系統目前發展最快的是兩大科技巨頭，分別是Alphabet旗下的自駕車公司Waymo，已在2020年底宣布於美國鳳凰城開放「沒有真人駕駛隨車」的自駕計程車服務；其次是亞馬遜所投資的Zoox，也在舊金山、拉斯維加斯等地進行測試，但尚待進一步提供自駕計程車服務的時程。

另外，Intel併購以色列新創Mobileye也鴨子划水發展自駕技術，只靠裝配在車上的12個鏡頭，就能展現Level 2＋自駕程度，他們的策略是與福斯（Volkswagen）、BMW、日產（Nissan）等車廠合作，讓百萬輛車每天在全球上路，藉此搜集超過600萬公里道路資訊，進行圖資繪製及自駕訓練。

完全解放雙手的L5，仍有技術門檻待突破

根據美國加州車輛管理局（DMV）公布的《自動駕駛脫離率報告（Disengagement Report）》，Waymo以平均每47,911.5公里才有一次人為干預的表現，位居自駕可靠度第一（系統運行每1,000 英里需要駕駛員接管的次數，為評定自動駕駛可靠性的重要指標，脫離率愈低，可靠性愈佳）。若以台灣環島一圈約1,073公里來算，Waymo的自動駕駛系統能在環島將近45圈，才需要一次的人為干預，顯見其自駕系統相當成熟、能應付多數道路上的考驗。

與此同時，隨著汽車動力系統朝向以電池為主發展，陳建次認為，這也有助於自駕車優化。當整輛車都能透過電子方式傳輸指令，不但能加快反應時間，操作上也更直覺。

儘管大眾運輸工具的自動化令人期待，對於部分消費者來說，他們更期待自己的車能夠加速自動化，讓他們的雙手能更快擺脫方向盤。調查機構Gartner指出，到了2023年，全球自駕車數量將超過74.5萬輛，其中個人自駕車就占了70.8萬輛。只是，這些乘用車距離真正的自動駕駛還很遠，即使是從停車、主動車道維持等L2功能跨入到L3，陳建次表示，這也還要再等2～3年。過程中，也必須跨過不少技術門檻。

延伸閱讀：自駕技術離商用不遠了？「最懂自駕車」的詹景堯：先學習接受科技不完美

門檻1：超精準地圖，解決車輛定位問題

「肯定要有非常精準的地圖。」NVIDIA業務協理蕭怡祺點出了第一個技術問題。地圖，就好比車輛定位系統；而所謂精準，「必須有誤差值很小（至少小於10公分）的地圖，才能讓自駕系統知道位置。」

試想，當自駕車以時速60公里行駛路上，要知道何處停、何時轉彎，不能只靠高速的運算能力來協助汽車判斷，精準的地圖也不可或缺，「這不一定要仰賴車廠，圖資公司也需要參與其中。」蕭怡祺說，目前NVIDIA提供的解決方案裡，已與TomTom、Zenrin等圖資公司合作，並運用自家運算技術，嘗試解決車輛定位問題。

門檻2：提升汽車感知功能，助AI判斷路況

「另外還有影像技術的突破。」陳建次指出了第二道技術門檻。過去，駕駛人就是汽車的大腦和感知來源，透過後視鏡的輔助做判斷，確保行車安全。一旦駕駛人想要解放雙手，汽車該如何感知外在環境、保持安全，就成了一大挑戰。

現有的輔助工具包括光達（LiDAR）、雷達及攝影機等，但陳建次表示，個別工具其實都有需要克服的難題。像雷達穩定，卻無法判讀物體輪廓，僅能偵測前方有障礙物；光達雖能用光束勾勒障礙物輪廓，但一碰到下雪或濃霧，便可能被干擾其判讀。

更重要的是，當汽車透過這些工具，取得了障礙物的資訊之後，還要搭配大量的運算能力和人工智慧（AI）訓練，才能夠精準判斷和決策。克服了萬難，若真有一天，我們能跟方向盤說分手，「汽車將被軟體重新定義。」黃仁勳如此詮釋邁入L5等級時的汽車概念。

屆時，我們可能會把更多的注意力，從硬體轉向自駕系統能有哪些軟體的升級或選擇，優化乘車體驗。「這有點像是App Store的概念。」蕭怡祺說，車主可以隨時下載需要的服務，而被釋放出的雙手和時間，將在這第25小時裡，有更多被挖掘和創造的可能，「車內娛樂或許是值得期待的應用。」

責任編輯：郭昱彣、林美欣

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