人人都能當「鷹眼」!YouTuber打造閉眼也能百發百中的超級弓箭,怎麼做到的?
人人都能當「鷹眼」!YouTuber打造閉眼也能百發百中的超級弓箭,怎麼做到的?

有人閒著無聊時,只會刷抖音、看劇、玩遊戲。而有些人閒著無聊,卻做出了一把全自動瞄準弓。

Shane Wighton是一名「平凡無奇」的YouTuber,在去年疫情期間,他創立了自己的YouTube頻道,名叫「Stuff made here」。

僅過了短短一年時間,他就有了300萬粉絲,而他漲粉的秘訣是製造東西,而且還是大工程。

作為一名工程師,他本就有著不俗的動手能力,平時會將一些突發奇想的產品創作過程拍下來上傳到YouTube上,自動理髮器、伐木機器人都是他的得意之作,活像手工耿Plus。

而他的最新作,便是這把「自瞄弓」。讓我們把他製作「物理外掛」的過程看一遍。

首先創作背景是這樣的,Shane有個會射箭的老婆,技術還不賴。於是他心中強烈的勝負欲開始作祟,讓他有了新的作品思路,做一把自瞄弓。

最後他甚至復刻了鷹眼在《復仇者聯盟1》中的名場面,背射命中目標。成果令人驚喜,但更有趣的是他的製作過程。

立項之初,他的目標是做到用弓箭打擊移動靶。

為什麼要設立這個目標呢?因為他老婆能做到,所以Shane的實際目標是超越他老婆。

考慮到一上來就打移動靶,有點不知天高地厚了,所以Shane先訂個小目標,射擊固定靶。

我們拉弓射箭時如果要擊中目標,需要有一個瞄準的過程,可以被極度簡略的比喻成用槍射擊時的瞄準過程,即瞄點、準星、眼睛三點一線,更精準的講是弓箭的延長線對上靶子。

請記住這是被極度簡化後的過程,實際射擊時還需要把風向、風速、射程、拉弓力度等等因素考慮在內。

那麼要讓自動弓實現瞄準的話,就得先給它裝上「眼睛」,Shane買來了OptiTrack的動態捕捉套裝給弓、箭、靶進行定位,然後自己用Python編寫軟體,實現對物體的跟蹤定位工作。

Shane
圖/ 愛范兒

這套動態捕捉系統可以實現每秒50幀的掃描效率,無論他怎麼動,這把弓都能瞄準靶心,至少理論上是這樣的。

經過一番加工、組裝、調整之後,進入到實踐知分曉的環節。初試時,箭支每次射出都會往左上方偏移,好在這不難解決。在Shane完成了箭道修正的工作之後,他立馬把妻子叫了過來,自信滿滿地開始第一次踢館。

然而結果與他預想的不太一樣,0:3完敗,但差距並不大,甚至可以說這把機器弓箭,與剛進箭館試練過幾個小時的小白的準度差不多了,至少沒有脫靶。

是時候向下一個目標進發了,似乎都能聽到Shane在畫外喊著「移動靶我來了」。不過舊的程序有太多Bug了,但他不想把時間花在「抓蟲」這件事上,於是他清空了所有代碼,直接開始編寫新的項目。在這期間,他還順便做了個發靶機,以替代之前的語音發靶助手:他的妻子。

Shane在新項目中加入了機器學習,這能讓每一次射擊都成為訓練自瞄弓的素材,不斷修正箭道,最終實現百分百空手接,不對,是百分百中靶。

Shane
圖/ 愛范兒

當然,道路是曲折的,Bug是多樣的,此處再次省略大段調整過程,總之箭支離移動靶越來越近,但Shane發現箭支射出後,移動方向並不固定,時而往左時而往右,即便演算法沒有任何問題,箭還是射不中靶。

原來,他一直用的都是反曲弓,這種弓的弓弦撒放時不是直直往前的,導致放箭後箭尾產生左右搖擺的動作,目標越遠,搖擺幅度越大,準度越低。

於是Shane把弓換成了複合弓,舊問題迎刃而解,但同時帶來了新的問題,複合弓很重。為此,他又順便做了一件攝影機穩定器套裝,用於固定複合弓。

Shane
圖/ 愛范兒

我們在遊戲裡換了把武器就能大殺四方,Shane用上最終的裝備後,也順利「攻克」了有著三年玩弓經驗的妻子、移動靶、假人頭上的蘋果這幾重難關。

作為旁觀者,看著這個略帶玩票屬性的項目逐步成型,最後變成真切可用的成品,感覺很燃,讓人聯想起探索頻道一檔早已停播的科普節目:《流言終結者》。

兩位主持人亞當 (Adam Savage) 和傑米 (Jamie Hyneman) 與另外三位常駐助手,會在每期節目裡找來當下熱門的謠言和都市傳說,然後用科學實驗的方式去驗證這些流言的真實性。

在他們的一次次實驗中,我們知道了電影裡「流沙吃人」的場景是假的;一張紙是可以對折超過7次的;食物掉落地面後,無論撿起的速度有多快,都會沾染細菌(3秒定律)。

節目組成員會親自打造出實驗所需的工具和裝備,然後用實驗反覆論證,最終解開縈繞在觀眾頭頂的困惑,同時也在許多小孩子心中種下了科學辯證一切的種子,不知道有多少人受此節目的影響,而踏上了成為科學家的道路。

不過我每次看到類似的科普節目,總會想到《流言終結者》,譬如Shane經營的YouTube頻道,只不過他所做的不是破除流言,而是發揮天馬行空的想像力,把別人想做但不敢做的東西做了出來。

我們翻翻Shane的頻道,就能看到許多看似無用但很有趣的東西:撞球機器人、百發百中機動籃框等等,其中用到的技術,通過拆解重新組合之後,很有可能會衍生出下一個改變世界的產品。

各種創新技術的快速普及,讓越來越多有才的人展現自己的技能,Shane在家就有一個創意工坊,放著各種各樣的工具和裝備。這使得他的頻道就像是新一代的《流言終結者》,借助媒體平台的推動力,在更廣的受眾範圍中,影響著更多人。

shane
圖/ 愛范兒

當然,國內外都有不少像Shane這樣的「創造大師」,像我們熟知的稚暉君、手工耿、才疏學淺的才淺等等,他們也在用自己的手藝活,向普羅大眾展示著如今科技的進展程度。

然而我們在內容平台上看到的,更多是一些濫竽充數的內容,它們背後的生產者吃著演算法的紅利,賺著昧良心的錢。

創作成本日益壓縮,這種劣幣驅逐良幣的情況漸漸顯現出來,我們作為普通的觀眾能做的,也只有動動手指點個讚,幫助高技術力創作者對抗演算法,加速每一塊金子發光的進程。

本文授權轉載自:愛范兒

【延伸閱讀】

1.第八輪疫苗預約也是AZ疫苗,9/10開放18-22歲預約!怎麼操作一次看懂 2.百事慫恿消費者和可口可樂分手!疫情帶出新型態市場,誰能奪取消費者的心?

最新9月號雜誌《2021年台灣網紅生態全解析》馬上購:傳送門 「電子雜誌」輕鬆讀:傳送門

責任編輯:傅珮晴、錢玉紘

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