將運算能力堆疊重組的樂高式創新
將運算能力堆疊重組的樂高式創新
2003.07.01 |

電腦硬體出現哪些創新應用?你幾乎沒看見,更令人沮喪的是,近來收益更是表現不佳。根據IDC指出,2000年以來,伺服器市場從690億美元衰退到490億。而唯一還賺得夠多、足以誇耀的特例只有戴爾電腦(Dell Computer),分析師預期來自德州圓石鎮(Round Rock)的戴爾電腦,今年獲利將增加22%,達到25億美元。
真正令競爭者氣結的是,戴爾不需投入為了創造新產品投入的研發費用,相反地,它愉快地拉著英特爾和微軟兩大龍頭的衣尾前進。去年,戴爾只花營收1.3%(營收為350億美元)的些微研發經費,相較之下,昇陽則花了營收的14.7%(營收為125億美元)投入研發,而為了銷售那些強有力伺服器已經累積賠上5億8700萬美元。「這種情節老早看過,結局是戴爾將勝出,」美林證券(Merrill Lynch)分析師米路諾米奇(Steven Milunovich)表示。

**連結過去自成區塊的電腦規格與設備

**
儘管如此,並不表示創新對電腦產業來說是一無是處。電腦工程師們仍然和1977年個人電腦剛出現時一樣,不斷積極致力在先進的設計研發,IBM和昇陽預計到2005年時,因為功能表現的巨幅躍進將打破摩爾定律──每18個月、電腦速度提昇一倍。屆時,IBM將推出超級電腦──藍色基因(Blue Gene),會比目前最快的500台超級電腦總和還快;昇陽則致力發展於高產能電腦(throughput computers),相當8台巨大伺服器塞進一個單一晶片,將提昇網路伺服器15倍效能。
我們應該說,關於電腦的創新樣貌正在改變。現在工程師要讓邊界消失,新的產品要將過去各自成區塊的產業規格電腦設備、運算能力連結 ,這種創新就是樂高積木式(Lego-style)創新。英特爾、AMD生產的晶片讓IBM和昇陽減低了產品表現的鴻溝;微軟視窗系統現在已足以應付從前高價的Unix系統才能進行的工作;而Linux運作系統不但免費而且在網頁表現出色。
藉由整合的創新,電腦業者可以發展出保持在最新技術水準(state-of-the-art)的新電腦設備,包括自我修復(self-healing)功能的電腦、或藉由結合許多零組件設備來發揮更大力量。「我們面臨的挑戰就是,如何用有限的組合去創造出不凡的事物,」IBM深度運算機構(Deep computing Institute)主管普利班克(William Pulleybank)說,「否則,我們無法負擔藍色基因的發展。」
IBM了解:唯有今天的科技突破,才能成為明天強而有力的銷售者。IBM將多達1200人大型主機研發團隊部分轉向低階產品研發,提昇了自動維護(automated maintenance)技術,過去兩年內,IBM在關鍵的PC伺服器、Unix部份的佔有率超過6%。
即使是戴爾的成功也同樣需要創新。雖然,戴爾將大部份的研發重心擺在更有效率的製造和流通過程,但它也同樣致力於電腦設計,例如將英特爾的晶片串連以發揮出超級電腦效能。「我不相信這個產業有任何人認為創新已死,包括戴爾在內,」EMC的執行長杜奇(Joseph Tucci)認為,「創新還有極大的空間。」

**解決更多問題的新一代電腦

**
但,什麼是最好的創新?科技應該讓顧客從已經擁有裡得到更多。目前大部份伺服器只發揮三成的效能。即使像手動下載新軟體這種簡單工作,就已經會花上不少時間。「今天的電腦不夠好,包括我們在內,」昇陽科技部門主管(Chief Technology Officer)帕華當普洛斯(Greg Papadopoulos)說,「問題包括了高成本、過於複雜和效能浪費。」以下,就是創新的新一代電腦。

**精簡型電腦(Blade Computers) **
許多公司已經停止大量購買電腦設備,也不願為了讓這些電腦(Windows或Linux系統)能一起工作而花大錢,根據IDC統計,每花一塊美金買新裝備,運作成本就要花3塊錢。想像一下,如果所有的伺服器能變成一個標準尺寸,而且可以這些薄片的伺服器可以密集堆疊在同一個積架上,就像書本放在書架上,這就是所謂精簡伺服器的概念。精簡型電腦可以讓企業在小小空間裡卻擁有更多運算能力,同時減低實際設備的基本支出,比如省電就是最明顯的好處。如果以RLX Technologies目前領先推出的精簡型系列電腦來看,伺服器的運作成本可以減少25%。戴爾和IBM最近開始推行精簡電腦,銷售業績反應不錯,精簡型電腦市場預期將從2003年的15萬台變成2007年的190萬台。

網格運算(Grid Computing)
網格技術是設計來獲取多數未被運用的運算能力。企業開始使用網格軟體來連結上網際網路或是私人網路的運算能力,這種新的科技管理模式讓使用運算能力和使用電力一樣容易。網格軟體能持續監控整個網路,搜尋能幫助執行工作的電腦,把原本龐大的工作,切成許多小部份而且每部電腦能負荷的工作量,讓任務快速完成。比如,提供財務服務的嘉信理財公司,希望它的經紀人能更快計算出給客戶投資組合計畫,於是開始利用網格技術的運算能力,結果過去需要4分鐘的工作,現在客戶能在幾秒內得到答案。「成果很令人驚奇,」執行副總狄波(David Dibbl)說,「而且我們不需要買任何額外電腦。」

高產能運算(Throughput Computing)
高產能運算是昇陽正努力發展先進技術,大部份伺服器的設計是為盡可能快速執行單一任務時,但昇陽希望設計同時執行愈來愈多工的電腦,為了達成這個目的,相當於將8個伺服器放進一個矽晶片裡。對需要快速處理上千需求的網際網路伺服器,高產能運算技術是很完美的設計,因為可能需要同時處理Google搜尋、音樂下載甚至是複雜商業交易,「一旦成功的話,昇陽的產品將擁有獨特的特色,」《微處理器報導》(Microprocessor Report)的編輯葛拉斯柯斯基(Peter N‧ Glaskowsky)說。
預計2005年,第一片高產能運算晶片,就會出現在精簡型伺服器裡。雖然這個超級晶片聽起來像科幻小說,但是感謝摩爾定律,依照定律推算,2005年一個矽晶片可以有5億個電晶體(半導體製程的電子元件),10年內將有10億個,這對新技術的研發創新將是極大鼓舞。

彈性電腦(Flexible computers)
要讓摩爾定律繼續維持下去的最可能辦法就是重新組構晶片。目前的晶片其實是雜而不精,它們被設計成能處理某些特定工作需求,同時也要能應付其他例行工作。但新一代晶片和電腦,必須在百分之一秒的極短時間內就完成所要求的工作。
德州大學正在進行一項研究(Polymorphous TRIPS architecture),把晶片設計為能處理各種不同專門工作,就像一棟有十餘種樓層規劃可供選擇的房子,到了夏天就能把天花板變成天井。
新一代晶片會分成100個小格,每一格能處理來自記憶體或網路回路的程式資訊。首先經由軟體將送進來的程式指令重新整理分配,晶片裡的每一格都會分配處理一小部份,而且能以最佳的方式處理,整個資訊處理過程就像不斷進行的搶位子遊戲,每一小塊的資訊都能找到最佳的處理方式,比如讓影像處理加快速度,而不會為了等記憶體而耗費時間(時間延遲通常是因為記憶體的速度不夠快)。
目前市場上還未出現這樣的晶片,預估原型要到2005年才會出現,IBM、英特爾(Intel)、昇陽(Sun)和DARPA(Defense Advanced Research Projects Agency)都是這項計畫投資者。如果研發成功,TRIPS晶片能讓每項產品都有超級電腦的表現,不論是遊樂器或是家庭醫療影像設備。
對於正在發展中的新科技,摩爾(也是TRIPS研究者之一)認為目前的伺服器類型(非架列式,off-the-shelf)絕非電腦發展的終點。「追求生活更便利舒適所帶來的經濟本質是不容否認,如果你不認同,就會慘敗,」他相信沒有創新,就不會有更多的生活便利,而電腦產業也將真正成為缺少愉悅和獲利的地方。

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