吳淡如的「AI繪圖」被炎上!Midjourney是什麼、有多強大?還惹過哪些爭議?
吳淡如的「AI繪圖」被炎上!Midjourney是什麼、有多強大?還惹過哪些爭議?

2023.2.14更新

國內知名作家吳淡如12日秀出一張圖畫,表示是自己在學「電腦動畫」(後已改成「電腦繪圖生成」),並分享作品,不料引發大量網友質疑,認為其是使用生成式AI軟體繪圖,並不屬於自己的創作,遭到「炎上」。

之後,吳淡如在貼文中坦承使用MidJourney,但認為沒有不妥,更呼籲用它才跟得上時代。

吳淡如
圖/ Facebook截圖

在去(2022)年,類似Midjourney生成式AI軟體就已在歐美國家引發了許多討論,甚至發生有參賽者用Midjourney作畫參展,得到首獎的事件,究竟發生什麼事?Midjourney到底是什麼?

以下為2022年10月原報導

畫布、顏料曾經是視覺創作的核心之一;後來,相機被發明了,攝影技術也拓展了藝術的疆土。現在,AI奪得美術大獎了──藝術界的未來將會走向哪裡?

遊戲設計師傑森.艾倫(Jason M. Allen)在科羅拉多博覽會的年度藝術比賽,以作品《Théâtre D'opéra Spatial(太空歌劇院)》奪下首獎,也掀起論戰。該比賽參與的項目有常見的視覺藝術領域,如繪畫、雕塑、縫紉等等。

而艾倫的三件作品參與評比的項目則是「數位藝術」,指使用「數位科技作為創作或展示過程的一部分」的作品。只不過,艾倫用的是AI圖像生成工具「Midjourney」製作成的。

AI媒材掀論戰,「藝術」的定義漸模糊

遊戲設計師傑森.艾倫在科羅拉多博覽會的年度藝術比賽的得獎作品《Théâtre D'opéra Spatial(太空歌劇院)》
圖/ 維基百科

艾倫獲獎的作品看起來像是巴洛克油畫加上科幻電影的超現實組合。擔任比賽評審委員之一的藝術家Cal Duran也表示,雖然艾倫的作品中提到了「Midjourney」,且他在審視作品時並不知道它是由AI生成的。但Duran與另一位評審還是堅持將這幅畫作頒發該項目第一名,並表示評審正在尋找「講述故事、喚醒靈魂的作品,我認為這件作品做到了。」

該比賽的結果引發了藝術家以及網民的激烈爭論。數位科技與他們製作圖像的方式、以及過於便利和強大,已經引發了關於它們是否能夠「真正」創作藝術或幫助人類創作的爭論。

一位推特用戶這樣說:「這就跟為什麼我們不讓機器人參加奧運會的原因完全一樣。」另一位寫道:「我可以了解人工智慧藝術很有用,但是生成一幅畫來聲稱你是藝術家?絕對不行。」

而一些藝術家也對人工智慧在藝術創作的興起感到擔憂。畫家朱馬隆(Genel Jumalon)在推特直言「這爛透了」,而後補充聲明自己支持AI作為創作工具,但比賽項目應該要有獨立類別。

而漫畫家馬特.博爾斯(Matt Borrs)則詳細說明了他的看法:「科技可以做的工作越來越多,讓富有的人變得更富有,但大部分(科技)似乎並沒有讓一般大眾受益……對於開發人員和科技人來說,(人工智慧藝術)這是一件很酷的事情,但對於插畫家來說,這非常令人沮喪,因為感覺就像你已經不需要聘請插畫師。」

從字句組合生成畫作,創作方法不再侷限

但艾倫本人的立場也毫不退讓,甚至很高興掀起人工智慧作為藝術創作工具的關注和討論。他說,儘管自己沒有使用畫筆來創作,但創作出三幅投稿作品,也花費了他相當大量的工作,並不容易。

任何人都可以向Midjourney輸入「憤怒草莓的油畫」之類任何無厘頭的字詞,並在幾秒鐘內從AI接收到幾張圖像。但如果要呈現令人滿意的光影、構圖、主題等,還要在有限的字詞內精準表達,「這並不只是拼湊字詞就可以贏得比賽。」艾倫說。

他表示自己花了80多個小時、歷經900多次的修正。首先,他先結合「褶邊連衣裙和太空頭盔的女性」為主題的敘述,生成維多利亞與太空主題的角色。接著,他在文辭中針對畫面明暗、色彩進行更多修正,最後形成三件作品。

然後,他在Photoshop後製並潤飾了這三張圖片,例如其中一位角色在生成之後沒有頭,因此艾倫補上了擁有深色捲髮的頭。最後,他用名為Gigapixel AI的軟體讓圖片畫質更好,並在當地印刷店印製在畫布上。

艾倫投稿的另一幅作品。
圖/ Jason Allen於Discord論壇分享

艾倫後來在Discord的Midjourney討論區中表示:「與其討厭科技或應用它的人,我們不如承認它是一種強大的工具,並長久地運用它,這樣我們才能向前邁進,而不是為此怨懟。」

艾倫還沒有分享獲獎作品使用的文辭提示是什麼。他計劃在今年完成更大的相關作品前保密。

「大數據」訓練,可能隱含風險?

Midjourney從今年7月開放公開測試以來,已經成為相當受歡迎的創意工具,只需靠著文本敘述就能輕鬆上手。而尚未向公眾開放的AI製圖軟體還有OpenAI的DALL-E 2和Google Research的Imagen,可以用來生成極其詳細、逼真的圖像。

但DALL-E 2和Imagen的研究報告都承認了所謂「大數據」圖像訓練帶來的風險──大量的圖像數據訓練讓AI可以自動生成圖像,也會讓他們大量複製這些資料內的西方文化和性別刻板印象

這些偏見與刻板印象將可能被大規模傳遞,也可能被延伸到性別與種族的歧視。OpenAI在線上公開的「風險和限制」文檔中,說明了文字提示如何反應這些問題,例如「護理師」一詞產生的圖像幾乎都是戴著聽診器的女性,而輸入「CEO」顯示的圖像幾乎都是男性,而且幾乎都是白人。在Google Brain團隊成員介紹Imagen的研究論文中,Imagen似乎也呈現了「幾種社會偏見和刻板印象,包括對傾向生成膚色較淺的人的圖像,以及對於不同職業的描繪會產生西方的性別刻板印象。」

目前,OpenAI和Google Research都還將注意力集中在可愛的卡通圖片上,尚未觸及到令人不安的圖像與領域,例如色情與暴力等主題。

「我們必須明白人工智慧非常酷,可以做好很多事情。」加州理工大學的倫理與新興科學小組的研究員Julie Carpenter這樣說,「我們應該作為合作夥伴與它合作,但它還不完美。它還有其局限性,而我們必須調整我們的期待。這不會像是在電影中看到的。」

資料來源:ViceCNN

責任編輯:侯品如

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