馬斯克狂砲轟老友OpenAI、還聯合千人連署!為什他對GPT這麼反感?
馬斯克狂砲轟老友OpenAI、還聯合千人連署!為什他對GPT這麼反感?
2023.04.06 | AI與大數據

喜歡放炮的馬斯克最近把他的砲口對準了AI。2月以來,馬斯克屢屢在推特上對開發出ChatGPT的OpenAI公司發難。

在他看來,現在的OpenAI實際上並不Open,反倒更加近似於「CloseAI」。他說:「OpenAI最初是作為一家開源(這就是為什麼我把它命名為「Open」AI)的非營利性公司而被創建的,用來制衡Google。但現在它已經成一家閉源、追求利潤最大化的公司,由微軟有效控制。而這完全不是我的本意。」

Musk twitter
圖/ 36kr

對此,OpenAI的現任CEO山姆·奧特曼也坐不住了。

最近,一向以溫文爾雅形象示人的他在接受採訪時面對鏡頭時稱,「馬斯克是我心目中的英雄,儘管他在推特上是個混蛋(Jerk),但我希望他能更多看到我們所做的艱難工作。」

除此之外,馬斯克還頻頻在推特表示了AI的擔憂,認為AI未來可能會對人類產生嚴重威脅。這一負面聲音,隨著一封千人聯名公開信的出現,達到了高潮。

3月29日,一封公開信在網路上開始流傳,這封信由非營利性的「生命未來研究所」發布,包括馬斯克、蘋果公司聯合創辦人史蒂夫·沃茲尼亞克和 Stability AI 執行長埃馬德·莫斯塔克等大佬在內的 1000多人在這份公開信上署名。

在這份公開信裡,大佬們呼籲,所有人工智慧實驗室應暫停訓練比GPT-4更強大的人工智慧係統至少6個月,並共同開發和實施一套高級人工智慧設計和開發的共享安全協議,由獨立外部專家進行嚴格審核和監督。

延伸閱讀:暫停GPT-4研究6個月!馬斯克帶頭千名CEO、科學家聯名信,他們恐懼什麼?

該消息一出,坊間吃瓜群眾看熱鬧不嫌事大,立刻聯想:馬斯克一方面批評OpenAI的ChatGPT不夠開放,另一方面又說它過於危險。

這該不會是你馬斯克因妒忌ChatGPT的成功而搞的拖延戰術吧?

open letter
圖/ 36kr

01

你很難責怪吃瓜群眾會產生這樣的聯想。

畢竟,就在ChatGPT橫空出世前,馬斯克還曾經高調宣布,特斯拉是人工智慧領域無可爭議的領導者。更何況,馬斯克自己就曾是OpenAI的聯合創辦人之一。

2015年,伊隆·馬斯克(Elon Musk)、山姆·奧特曼(Sam Altman)、彼得·泰爾(Peter Thiel)和里德·霍夫曼(Reid Hoffman)等六人聯合創辦了OpenAI,馬斯克向OpenAI提供10億美元作為啟動資金。

有了這10億美元,OpenAI在一開始設定的目標十分理想化。在章程之中,OpenAI甚至赫然寫道:「如果一個與人類價值觀相符、注重安全的項目領先於我們將近達成通用人工智慧,我們承諾將停止競賽,並轉而協助這個項目。」

翻譯過來就是說,如果市場上出現了符合人類價值觀且領先於我們的AI產品,我們就退出競爭去幫我們的競爭對手。這種為了追求崇高遠大理想而近乎脫離現實的目標,無疑嚇退了許多潛在投資者。

更何況,據當時比較熟悉矽谷的李開復所說,主要來自於馬斯克的10億美元投資其實只是個目標數字,而不是一筆可以一次性打到賬面的現金。

成立之初那幾年的OpenAI,並沒有什麼太拿得出手的研究成果。除了在一場Dota2遊戲的表演賽中,限定不能使用瓶子、凝魂之淚、靈魂之戒、神壇等道具,雙方都使用影魔(Shadow Fiend)等條件,單挑戰勝了冠軍選手Dendi外,其餘乏善可呈。

彼時AI界最耀眼的明星,是以AlphaGo為代表的、隸屬於Google的DeepMind,以及尚未誤入元宇宙「邪道」的Facebook。

據媒體Semafor報導,面對全面落後於Google的態勢,馬斯克向奧特曼提議由他來全面掌管並親自營運OpenAI。這一提議,在OpenAI聯合創辦人內部遭到了強力反對。

最終,馬斯克出局。

2018年,馬斯克與OpenAI正式分道揚鑣,從OpenAI的董事會卸任。

musk announcement
圖/ 36kr

馬斯克的離開帶來了一系列連鎖反應。雖然馬斯克認捐了10億美元,但到他離開時,尚有9億沒有兌現。

把崇高理想掛在嘴邊,不為金錢所動的OpenAI也開始缺錢了。最終,OpenAI在山姆·奧特曼的帶領下引入了微軟高達100億美元為期數年的投資,微軟成為OpenAI新任金主爸爸。山姆·奧特曼也在不久後出任總裁,接管了公司的控制權。在強大資金加持下,OpenAI從此進入了高速發展的快車道。

而特斯拉人工智慧翻開新篇章,則是從馬斯克挖來OpenAI的首席科學家安德烈·卡帕斯(Andrei Karpathy)作為自主駕駛計劃的架構師和特斯拉人工智慧負責人後開始的。

02

馬斯克視線的邊界是星辰大海,他所立足的賽道也是新能源與最前沿的AI。但是,在AI技術領域秀肌肉,馬斯克的做法與傳統的技術宅理工男很不一樣。在自動駕駛技術上,主流新能源車企用的都是雷達+鏡頭的技術,只有特斯拉在馬斯克的力排眾議下,走了純視覺的道路。

很顯然,馬斯克並不是一個傳統意義上的理想主義者。除了遠大理想外,馬斯克身上散發出更多的,其實是典型的優秀商人氣質。對於他來說,「財富」和「控制」是其實現遠大理想中不可或缺的重要途徑。

在談理想的同時從來不避諱談錢,是馬斯克不同於矽谷大多數企業家的特質之一。所以,在滿足標準的前提下,特斯拉很多「不走尋常路」的動作實際上都與「成本」這一因素息息相關。

在2019年特斯拉首次提出「一體化壓鑄」技術後,該技術於2020年被首次適用於Model Y上。

如此一來,其後車架原本由70個零件沖壓、焊接而成,一體化壓鑄技術將其變為了一個零件,一體化壓鑄為ModelY節省的製造成本高達20%。

這一技術不僅開始為其他新能源車廠所採用,也將被用在特斯拉發布的電動皮卡Cybertruck中。

在Cybertruck這輛車上,一體化壓鑄技術外與301不銹鋼外骨骼設計相結合,在車輛外殼上將低成本做到了極致。

事實上,301不銹鋼材料最早應用於馬斯克控制下的另一家公司——Space X所生產的星際飛船的外殼上。本來,Space X最初計劃採用最先進的碳纖維材料來製造星際飛船,但後來宣布將用301不銹鋼材料來取代碳纖維。

相比最高耐受溫度為200℃的碳纖維材料,鋼可以在820℃-870℃的高溫下正常工作。更重要的是,碳纖維的成本為每公斤135美元,在加工過程中至少會產生30%的廢料,而每公斤不銹鋼所需的花費僅為3美元。

由於301不銹鋼具有堅硬耐撞、具有強耐磨的特性,不能被熱成型而只能採用冷彎工藝,所以其沖壓出來的造型十分有限,現在很多車身上流行的複雜流線造型,無法被應用於Cybertrunk的車上設計上。所以,Cybertrunk最終選用了現在這樣一個別具一格、不同於當下主流趨勢的外觀。

在成本節省上,特斯拉被媒體噴得最多的,恐怕還要屬特斯拉在自動駕駛技術上棄用雷達,採用純視覺自動駕駛路線。不僅不用雷射雷達,超聲波雷達甚至是毫米波雷達也被特斯拉棄用,而是完全用8個鏡頭來實現自動駕駛。

特斯拉兩款新車無預警開賣!Model-S、X-售價、亮點、交車日期一次看.jpg
圖/ 特斯拉

在大多數媒體看來,特斯拉這麼做,無非又是在省錢。據悉,砍掉超聲波雷達後,特斯拉每輛車可節省144美元的成本。

但是,媒體們似乎忘記了,特斯拉作為馬斯克控制的企業,其與「無良奸商」的本質差別是,特斯拉總是在尋找節省成本的最佳方案,而非為了節省成本而拋棄底線。

03

馬斯克本人,對雷達是非常不屑一顧的。

他本人曾經詳細闡釋過對雷達和鏡頭的看法:「在雷達波長下,現實世界看起來像一個奇怪的幽靈世界。除了金屬,幾乎所有東西都是半透明的。當雷達和視覺感知不一致時,你採信哪一個?」

視覺具有更高的精度,因此投入兩倍的精力改善視覺比押注兩種傳感器的融合更明智。傳感器的本質是比特流。鏡頭比特/秒的信息量要比雷達和雷射雷達高幾個數量級。雷達必須有意義地增加比特流的信號/噪聲,才能值得集成。隨著視覺處理能力的提高,鏡頭的性能將會遠遠甩開當下的雷達。

馬斯克的這一論斷,前兩日在採用雷射雷達+鏡頭的理想L9身上得到了應驗。

日前,有車主在社交媒體發布影片稱,自己的理想L9在空無一人的陵園道路上識別並標註出了數位行人。

理想汽車方面給出的回應是,「理想Max系列車型,使用雷射雷達和視覺鏡頭融合感知,受限於當前市場上傳感器識別能力的局限性,車輛在某些場景下會出現顯示異常,我們會在後續的OTA優化算法來加強識別能力。」

業內人士介紹,雷射雷達看到的是一堆點雲(point cloud),通過點雲來識別,而視覺鏡頭能達到的效果與人眼觀看的效果近似,這兩種不同傳感器的數據是需要融合的,兩種不同傳感器的融合算法尤為關鍵。

這就回到馬斯克提出的那個老問題了:「當雷達和視覺感知不一致的時候,你採信哪一個?」採信雷達,顯然不科學。

因為雷達不能識別出物體的樣貌,對物體屬性的判斷要弱於視覺,但能精準的測算出距離和速度;而視覺鏡頭就像人的眼睛,在識別物體後用大腦進行判斷後能大概知道物體的樣子和距離,以及大致的速度,在某種程度上比雷達方案獲取信息更多。

與很多人的直覺相反,純視覺方案的基礎,並不在於鏡頭的像素,而是在於神經網絡的機制和訓練。

特斯拉目前的純視覺算法,不僅能夠對物體三維立體形態進行準確識別,而且還能夠靠鏡頭讀取深度和速度信息,而採集外界數據和駕駛員面對外界環境採取動作訓練AI的,正是每一台採用純視覺算法的特斯拉。

現階段,特斯拉的純視覺方案當然也有可能會將墓碑這類陌生的物體錯認為行人,但只要投餵了足夠多的數據,就能夠最終解決。

而採用雷達+純視覺方案的車在出現此類問題的時候,除了要解決視覺算法本身對陌生物體的識別問題外,還需要兩種不同傳感器之間的算法融合問題。

如果說當雷達和視覺感知不一致,最終還是只能選擇採信視覺鏡頭的話,那麼這一切又回到了原點:

實際上這意味著視覺鏡頭的算法就成了事實上的「最終裁判」,那麼和馬斯克採用純視覺方案不還是一回事嗎?

所以說,特斯拉採用純視覺方案並不僅僅只是為了省錢,其最終目標是真正意義上的自動駕駛,而其他新能源車企採用雷達+視覺鏡頭的目標,在輔助駕駛時對車輛安全性的提高助力不小,但如果想要完全實現自動駕駛,依舊需要通過視覺算法來精確識別障礙物。

特斯拉和其他新能源車企的根本區別在於,其他新能源造車新勢力是在造一台新能源車,而特斯拉是在造一部通向未來的大型行動智慧設備。

這一點,被看透了真相卻又怒批特斯拉的華為前高管蘇菁巧妙地嫁接在了自己的品牌上。

在賈伯斯去世多年後,如果有人問起賈伯斯到底偉大在哪?有些人往往會從賈伯斯的個人品質上去尋找答案,而忽略了 賈伯斯世界上第一部智慧生態手機——iPhone的創造人。

很多善於百度的人看到這裡可能會問,你說的不對,第一部智慧手機不是摩托羅拉的天拓A6188嗎?

提出這種問題的人,顯然還在把觸摸屏當作智慧機的關鍵標誌。 iPhone真正的偉大之處在於,它提供的一整套智慧生態,開創了行動網路時代。

以iPhone為標誌,手機從一台行動電話,變為了一個具有行動通話功能的網路平台。

特斯拉也一樣,以自動駕駛為最終願景,車本身只不過是搭載人工智慧和人機新生態的一個載體罷了。

在偉大的賈伯斯逝去多年後,很多人都沒有意識到,馬斯克的特斯拉才是最接近賈伯斯的存在。

04

然而,與賈伯斯的iPhone所不同的是,特斯拉在通往未來道路上的挑戰遠比一台手機要多得多。

因為,iPhone絕對不會像以自動駕駛為最終目標的特斯拉這樣,需要將安全問題擺在首位。特斯拉的Autopilot(自動駕駛)在安全上先天就要承受其他AI工具所無需承擔的重壓。

除了算力,特斯拉的純視覺方案要想最終進化成熟,優秀的硬體也至關重要。在過去一段時間內,作為自動駕駛領域唯一堅持使用純視覺方案的特斯拉,確實有資本在自己的領域內稱雄。

直到,ChatGPT的出現。

GPT的全稱是Generative、Pre-trained、Transformer,中文翻譯為生成式預訓練轉換器。而其中的Transformer核心模型最早在Google論文Attention Is All You Need中提出,主要應用於自然語言處理(NLP)領域,也是特斯拉自動駕駛AI方案中用來表示向量空間的主要模型。

特斯拉
圖/ Shuttersotck

說的更淺顯一點,雖然GPT與Autopilot的算法原理和系統架構都不相同,但在特斯拉引以為傲的圖像識別領域內,ChatGPT與特斯拉之間並不存在技術上的絕對鴻溝。

最近GTP 4.0的橫空出世,已經證實了這一點——原本無法將語意與特定物品對應聯繫起來的GPT 3.5,在換代為4.0後,已經具備了識別圖像內容的能力。再加上大牛安德烈·卡帕斯(Andrei Karpathy)已經從特斯拉離職,重新加入OpenAI。

今時今日,特斯拉在自動駕駛道路上面臨的壓力無疑是巨大的。一旦在技術上不能形成足夠深的護城河,在自動駕駛領域,特斯拉很有可能會面臨被後入局的微軟反超的風險。所以,恐怕我們已經很難準確界定,馬斯克反對GPT,是出於其對AI失控的擔心,還是出於自身對特斯拉AI領先地位控制的渴望。

一方面,馬斯克是一個享受「控制」的人,這是他不同於其他技術宅而更像商人的一面。

在歐美職場,控制本身就是一條終極真理:如果要想成為一件事情的主導者,就必須擁有一個主導者所擁有的控制力,否則你永遠只能扮演一個邊緣的小角色。

事實上,你可以從很多事情上發現馬斯克對「控制」的追求。

比如,為了獲取4680電池的「乾式塗佈」關鍵技術,特斯拉在2019年初以2.35億美元的價格收購了開創這項技術的麥克斯韋(Maxwell)公司。在兩年後,特斯拉還將自己產品上用不到的、麥克斯韋公司的超級電容器業務出售給了UCAP Power公司。

在特斯拉內部,所有大小事物都由馬斯克直接決策。

這樣做當然會有矛盾和衝突,但也成為馬斯克身上獨有的魅力光環,進一步強化其在特斯拉內部的控制力。

ChatGPT大熱後,追求控制的馬斯克,想必不會喜歡在AI發展這條賽道上發生令自己失控的狀況。

另一方面,大熱的ChatGPT也確實出現了一些需要注意的安全問題,馬斯克等人在公開信中所言的內容的確是事實。

比如,ChatGPT已經存在編造杜撰信息的情況,對使用者產生嚴重誤導。另外,ChatGPT還被證實已經可以被用來定制編造虛假信息,被用於誤導他人,甚至還可以被不精通相關指令的人用於駭入他人電腦。

不僅馬斯克多次表達了對AI的擔憂,就連OpenAI創辦人兼首席執行長山姆·奧特曼3月25日在接受科技博客主萊克斯 · 弗里德曼(Lex Fridman)的採訪時也表態,他不會迴避「人工智慧可能殺死全人類」的說法。

不管出於何種原因,抑或兩者兼而有之,在AI浪潮下,馬斯克早已註定不會是輸家。

在特斯拉員工中間,馬斯克信奉的第一性原理被他們奉為圭臬:通過假設然後驗證,逐漸觸及本質的過程,而不是通過類比和比較來實現這個過程。

這恰恰是在可以預見的未來中,AI依舊未能抵達人類智慧彼岸的關鍵。

本文授權轉載自:36氪

責任編輯:傅珮晴

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