情商大勝ChatGPT!聊天機器人Pi不解題、不生成文案,靠這點要當最懂你的AI
情商大勝ChatGPT!聊天機器人Pi不解題、不生成文案,靠這點要當最懂你的AI

考試狂拿高分讓學生瑟瑟發抖,加入搜尋功能讓傳統搜索戰戰兢兢,升級工作能力搞得打工族群又悲又喜……當「神通廣大」式聊天機器人的賽道太擁擠,有人打算另闢蹊徑。

前段時間,名為 Pi 的聊天機器人橫空出世,它不競爭生產論文、不寫代碼,也不直接提升生產力,數據停留在 2022 年 11 月,它暫時只想和你好好聊天。

聊天機器人Pi
圖/ Inflection AI

Pi或許是情商最高的 AI,專注與用戶聊天

Pi 這個名字,是對 personal intelligence(個人智慧)的縮寫。開發者想從名字就展現出Pi 是一款以用戶個人為中心的產品:「Pi 優先考慮與人的對話,而其他 AI 則服務於生產力、搜尋或回答問題。」

所以,和 ChatGPT 不同,Pi 的評價標準應該是對話自不自然、情商夠不夠高等等。

登入官網聊天界面,高級感迎面而來。在跳動的游標後面輸入文字,按下輸入鍵發出去問題,像是在淡黃信紙上和 Pi 相互寫信。Pi 不太理解中文,最好還是用英文交流。

聊天機器人Pi
圖/ Pi

如果光盯著文字有些分神,你也可以讓 Pi 邊打字邊說話,有 4 種聲音可供選擇,但有時候說到感嘆詞,它會毫無感情地朗誦出來,會有點讓人感到出戲。

接下來,讓我們來看幾個具體例子。

我一上來就說心情不好,Pi 先是表示抱歉,然後問我為什麼不開心,我解釋說因為沒處理好人際關係,Pi則承認人際關係是一件難事,並再讓我舉出實例,最後教了我一些破冰的辦法。

Pi
圖/ 愛范兒

在幾輪對話裡,Pi循循善誘地做了一次簡單的心理疏導,儘管沒有那麽有用,但態度讓人如沐春風。當我給了ChatGPT 相同的開場白,它也問了我原因為何,然後直接給出泛泛而談的建議。

在機制設置上,採取提問式結尾、不斷主動追問的Pi 更有讓人聊下去的欲望。

當我諮詢Pi 如何學習日語,它推薦了Duolingo、Babbel、YouTube、電視劇電影等管道,問我更喜歡哪種方法,在我選擇了 YouTube 後,它推薦了幾個YouTuber。

Pi
圖/ 愛范兒

我選擇了其中一個,Pi 再向我介紹這位YouTuber的風格,建議我先看她的「基礎日語」合集,從平假名、片假名,到句子結構、動詞變化。

當我和 Pi 討論棒球這項愛好,它能夠準確地找出與棒球相關的作品,主動引導我討論其中的角色,準確概括角色的特點,還可以舉一反三,向我介紹現實生活裡有名的棒球選手。

Pi
圖/ 愛范兒

以上這些問題,Pi 處理得還不錯,但在和它談論觀點時,Pi 的態度過於樂觀。

我認為 AI 發展得太快了,讓人有些焦慮,Pi 表示理解我的心情,但建議我盡量關注 AI 積極的一面。

我反駁了它,並且說到了「創造性破壞」這個觀點,工業革命大大提高了生產力,但馬夫也永遠失業了。Pi 知道「創造性破壞」來自熊彼得的經濟發展理論,然後我們達成了共識,失業是一個非常現實的問題。

Pi
圖/ 愛范兒

談到這裡,我覺得話題有些沈重,Pi 也這麽認為,決定講笑話給我聽:「雞和吸血鬼有什麽區別?雞不會在陽光下閃閃發光。」我嚴重懷疑它的靈感來自《暮光之城》的愛德華,Pi 的其他笑話也差不多是這個水準,我的笑點還是比 AI 要高的。

聊了好幾輪後可以發現,Pi 接話有種屢試不爽的套路:以「這種感覺可以理解」或者「我認為你說得很好」開頭,然後以「你認為這是對的嗎」或者「你對這件事情的某部分怎麽看」結尾。

所以,雖然 Pi 總是鼓勵你、肯定你,以問句結尾讓你繼續說下去,擅長給你思路而不是答案,但有時它的回覆和引導方式完全在意料之中,讓人失去了談話的興致,不痛不癢的 Pi 式雞湯尤其令人敬謝不敏。

另外,Pi 並非對寫代碼、解數學題目等實用話題一竅不通,只是發揮不如 ChatGPT 穩定,甚至戲台沒搭好就已戲癮大發。

我讓 Pi 幫我用 Java 製作一個氣泡排序(Bubble Sort),它先介紹了什麽是氣泡排序,問我跟不跟得上它的思考,我冷漠回應直接給出範例就好,然後讓 ChatGPT 評論 Pi 的生成結果。

ChatGPT 表示,這段代碼展現了氣泡排序演算法的核心思想,但存在一個可能的錯誤。

問Pi數學題目
圖/ 愛范兒

至於數學能力,我考了 Pi 七八道入門題目,有時它壓根不回答,說自己不會做算數和解方程式,甚至開始轉移話題,有時它又能答出來,或者接受挑戰卻答錯了,狀態飄忽不定。

類似地,像是寫論文大綱之類的事最好也交給 ChatGPT。

簡而言之,Pi 對自己的認知很清楚:擅長引導話題、同理心強的聊天夥伴,主打你來我往的互動。在 MBTI 體系下,如果不幸有個 i 人群組的房間,它應該是那個把場子炒熱的 e 人。

延伸閱讀:網紅打造「AI女友」,跟千名網友談戀愛!她怎麼靠「AI版的自己」一週賺220萬?

Inflection AI打造!Pi很多事都不會做,但安全性可能更高

現在的 Pi,只是 Inflection AI 研發的第一個版本,建立在他們內部的大型語言模型之上,用的還不是最好的那個。

Inflection AI 成立於 2022 年初,是矽谷生成式 AI 熱潮中最受關注的新創公司之一,部分原因是「出身名門」。它由 DeepMind 共同創辦人 Mustafa Suleyman 與領英共同創辦人 Reid Hoffman 創辦。作為首席科學家加入的 Karen Simonyan,也是 DeepMind 資深的前研究員。

Mustafa Suleyman
圖/ twitter

Inflection AI 與 OpenAI 等其他 AI 公司相比,有個鮮明的不同:他們不癡迷於通用人工智慧(AGI)。

我們相信,先進的應用人工智慧(applied AI)是利用這些新技術優勢的最安全方式。

接受《財富》雜誌的採訪時,Suleyman 沒有自賣自誇,反而說了一堆 Pi 不能做到的事情:

它不生成代碼,不寫高中論文,不提供冗長列表,也不編寫行銷策略。有很多事情它不會做。我們沒有為通用性而設計它,所以它受到更多限制,因此希望更安全一些。

他更願意將 Pi 定義為「中立的傾聽者」:很多人只是想被傾聽,需要一個工具反應他們所說的話,證明他們確實被聽到了。

就目前的體驗來看,Pi 在這方面做得確實不錯。

一方面,和它聊天的管道有很多,包括官網(heypi.com)、Instagram、Facebook、WhatsApp 等等。如果你註冊了海外手機號碼,它會不時透過訊息和你保持聯繫,存在感比手機版ChatGPT 還強。另一方面,Pi 記得住一百輪的對話,你和它聊得越久,它也就越了解你。

現在的 Pi 還是免費的,未來可能會採取訂閱等模式變現。

那麽,Pi 將如何升級?構建個人數位助理,是 Inflection AI 的終極目標,他們對標的可能是鋼鐵人的賈維斯,但聽起來更像是高級版 Siri。

Pi 目前幾乎只能對話,離終極目標還差十萬八千里,但也只能一步步來。

Inflection AI 將在不久的未來更新模型,接入即時內容,讓 Pi 分享連結、來源和新聞摘要,並獲取用戶的日歷、電子郵件和其他文檔,幫助管理用戶的時間。Suleyman 指出:「我認為這就是 AI,一種集輔導、知己和顧問、數位個人助理於一體的新型事物。」

與此同時,和其他聊天機器人一樣,Pi 也可能生成錯誤的答案,Inflection AI 表示正在盡量減少它的「幻覺」。

傳統搜尋引擎瀕死?「對話」才是未來的界面?

Suleyman 對 Inflection AI 的設想,源於這樣一個核心問題:什麽才是一場精彩的對話?

最近,Suleyman 對傳統搜尋引擎「判了死刑」,部分也是出於他對「對話」的理解:我們所知道的網路將發生根本性變化,「老派」搜尋引擎將在十年內消失。傳統的 Google 搜尋使用 1980 年代的黃頁對話,現在我們可以用流利的自然語言對話。

google搜尋
Google搜尋引擎

在他看來,傳統的 Google 搜尋引擎,用一種針對廣告優化的方式塑造了內容生產。

具體來說,當我們打開一個網頁,文本被分解成子項目符號和子標題,並由廣告分隔開來,為了找到有用的訊息,我們在這個頁面花費了 11 秒而不是 5 秒,被迫停留了更長時間。

這對 Google 來說像是高質量的內容,但我們想要的是簡潔流暢的自然語言答案。

所以,Suleyman 認為傳統搜尋是一種非常痛苦的對話,生成式 AI 承擔著他眼中網路的未來。

延伸閱讀:Google該擔心了?DeepMind創辦人警告前老闆:傳統搜尋引擎10年內消失

在 Google 的最後一段時間,Suleyman 曾和同事們埋頭於大型語言模型 LaMDA,計劃推出一款對話式、互動式產品,但無法說服 Google。

自立門戶後,Suleyman 更堅定了自己的看法:無論有沒有 Google,搜尋體驗都將演變為對話式和互動式。

Suleyman 甚至提出,接下來的幾年,各行各業乃至每個人,都將擁有自己的 AI,但它們有著不同的使命,這也是他推出 Pi 的原因。

品牌 AI、網紅 AI、非營利 AI…… 所有這些都將擁有與所有者一致的目標,也就是宣傳某事、推銷某事、說服你接受某事。而作為個人,我們希望自己的 AI 符合我們的興趣,這就是個人 AI,我們稱為 Pi(個人智慧)。我們正在以一種富有同理心的風格開始。

為什麽字裡行間將品牌 AI 等其他類型的 AI,與個人 AI 相比較?這就是 Inflection AI 專注個人 AI 的另一個原因了。

Suleyman 將社群媒體拿出來做反例。社群媒體促進訊息平權,也傳播錯誤和放大仇恨。恰恰因為這些負面內容,平台賺得盆滿缽滿。

Facebook 的一項研究發現,人在憤怒的時候,會更積極地回貼文、消費、點擊廣告。為這一切推波助瀾的演算法,背後也是 AI 在發揮作用。

但 Inflection AI 不想這樣做,不願將你的注意力作為商品。他們認為,AI 應該為人工作。

想像一個 AI,不是抓住你的注意力,而是幫助你表達和實現想法;不是標記膚淺的點擊誘餌,而是幫助你深入理解你真正關心的主題…… 它的唯一使命是讓你更快樂、更健康、更有生產力。

這也是為什麽,他們更傾向於將訂閱而非廣告作為盈利方式。聽起來是一個天真的理想,但未來會不會變卦,只能交給時間了。

聊天機器人已經是一片紅海。入局並不算早的 Suleyman 將 Inflection AI 定位為挑戰者。

在大多數 AI 新創公司盡量將聊天機器人做大做強的時候,Inflection AI 先是討論聊天機器人的有限之處,然後圍繞「對話」規劃出可能的未來,以異軍突起的姿態在競爭中搶占了一席之地,讓 AI 的個性化和對話能力成了一條獨有的賽道。

延伸閱讀:ChatGPT崛起,Google發布紅色警戒!一款聊天機器人,怎麼嚇到搜尋龍頭?

本文授權轉載自:愛范兒

責任編輯:蘇祐萱

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