ChatGPT Plus重新開放註冊！客製化ChatGPT能做什麼？3大功能讓OpenAI被擠爆了|數位時代 BusinessNext

OpenAI日前發表新版本GPT-4 Turbo，也開放用戶打造客製化的ChatGPT。不過傳出故障問題，執行長奧特曼（Sam Altman）隨後宣布，必須暫停新的用戶付費註冊ChatGPT plus，原因在於「OpenAI開發日後ChatGPT使用量的快速增加，超出了我們的承受能力，我們希望確保每個人都有良好的體驗」。

奧特曼14日在X平台宣布，已重新開放ChatGPT Plus訂閱。

ChatGPT推出幾個月來都沒有出現任何重大問題，在不到一年時間，每週使用者數量就達到1 億。這次則因為可以打造客製化ChatGPT功能，讓想嘗試的用戶擠爆網站。究竟在這場首屆開發者大會中，奧特曼還宣布哪些新服務？以下整理報導：

OpenAI在舊金山舉辦首屆開發者大會，執行長山姆．奧特曼（Sam Altman）發表了針對開發者的全新功能，包括最強大新版本GPT-4 Turbo、開放客製化打造ChatGPT、以及能夠打造「小幫手」的Assistants API。

「去年11月30日我們推出了ChatGPT，獲得非常好的成果，今年3月我們乘勝追擊推出GPT-4，依舊是世界上最強大的AI模型。」奧特曼登上講台，細數著OpenAI至今的成果，如今已有超過200萬開發者、92%《財星》500大公司正在使用他們的技術開發產品，而每週的活躍用戶更是高達1億人以上。

為了進一步滿足開發者的需求，讓企業與開發者能夠更輕易、便利地利用GPT技術打造新產品，奧特曼在本次開發者大會中，端出了多項針對開發者的更新。而OpenAI的大金主，微軟執行長薩蒂亞．納德拉（Satya Nadella）也出席活動站台，與OpenAI一同向開發者傳遞這場大會的宗旨：與我們一同打造。

OpenAI首屆開發者大會，有哪些亮點？

亮點一：GPT-4 Turbo模型：可支援128k上下文內容、資料更新至2023年4月、開發成本更便宜

作為開發者大會的第一齣重頭戲，奧特曼發表了更強大的GPT-4 Turbo模型。 GPT-4 Turbo擁有更即時的資訊，資料庫擴充到2023年4月，並且能夠支援多達128k上下文內容，相當於在單一提示詞下可以容納高達300頁的文字，相當於一次能寫一本書的容量。

過去ChatGPT的知識一直停留在2021年9月，直到開放擴充功能後才終於能夠與最新資訊接軌。「我和你們所有人一樣懊惱，或者更甚，因為GPT-4對世界的了解在2021年就結束了。」奧特曼表示，「我們會傾盡全力讓它不再跟不上時事。」

且因為GPT-4 Turbo比以往的版本更有效率，開發者的使用成本也會大大降低，輸入價格只有GPT-4的3分之1，而輸出價格也只有GPT-4的2分之1，依照官網上的價目表，輸入時每個Token（語言模型基本單位，1,000個Token約能寫750個英文字）0.01美元，輸出時每個Token 0.03美元。

而在發表GPT-4 Turbo的同時，OpenAI也為GPT-3.5更新了GPT-3.5 Turbo，具有16k的內文容量，並且在多種任務上的表現提升了38%。

目前所有付費使用者可嘗試GPT-4 Turbo的預覽版本，並預計未來幾週內將發布穩定版本。

亮點二：GPTs：任何人都能打造客製化GPT，GPT版App商店即將問世

而這場大會中最受矚目的發表，毫無疑問是「GPTs」功能──也就是客製化ChatGPT的服務。「GPTs是針對特定用途的客製化版本ChatGPT。」奧特曼解釋，「你可以依照指示為幾乎所有任務打造客製化的ChatGPT，發布給外界使用。」

寫作教練、下棋玩伴、科技顧問⋯⋯依照開發者的需求與目標，可以自由打造有著各色功能與特色的聊天機器人。更重要的是， 整個過程完全不用編寫程式 。

「任何人都可以輕鬆打造自己的GPT──不必寫程式。」OpenAI在介紹中提到，「建立GPT就像開始一場對話一樣簡單，給予它們指令及需要的額外知識，然後選擇他們能做什麼，例如搜尋網路、製作圖片或者分析數據等。」

大會中，奧特曼更親自在台上從無到有打造了一款GPT，創造出一款「新創導師」聊天機器人，能夠創業家提供開始新事業的建議，好比說「招募新進人員要考慮的三件事」等問題。

開發者可以打造僅供內部使用的GPT，也能打造與外界分享，不過GPT將會依照目前OpenAI的隱私標準，與GPT的聊天內容不會與開發者分享，同時如果GPT使用了第三方API，用戶可以自由選擇是否分享資料。

而為了讓GPT能夠更便利地互通有無， OpenAI也宣布11月內將推出「GPT商店」，讓經過驗證的開發者能夠上架自己的GPT作品 ，將包羅從提升生產力、教育到純粹趣味性的內容，並且預計未來幾個月內， 開發者將能依照GPT使用人數獲得金錢回饋 。

亮點三：AI助理（Assistants API）：打造類似Copilot般的智慧助理

且為了幫助開發者能在自家的App中打造AI助理，OpenAI這次端出了專門用於打造助理的AI工具Assistants API。OpenAI指出，助理是種目的導向的AI，具有特別的指令、擁有額外知識，並能夠叫出模型或工具來達成任務。

簡單而言，OpenAI希望透過這項工具，讓任何開發者都能在App當中，打造類似Copilot般的智慧助理。

同時OpenAI一併提供了3種新工具支援打造AI助理的需求，程式碼直譯器（Code interpreter）讓開發者能在沙盒執行環境中編寫和執行Python程式碼、生成圖形圖表，處理有著不同資料和格式的檔案，這項工具讓AI助理能解決有難度的程式碼或數學問題。

另外，OpenAI還提供了檢索（Retrieval）和函式呼叫（Function calling）的工具，開發者可利用檢索工具提供AI助理額外的專業知識；而函式呼叫則讓AI能夠在需要時叫出開發者定義的函式，將資訊整合在回應當中。

並且就如OpenAI在「GPTs」功能強調的無程式碼開發，Assistants API同樣無須編寫程式就能讓開發者生成所需的AI助理。OpenAI開發者體驗主管Romain甚至親自在台上展示利用這套工具打造的AI助理，要求AI助理抽選5名幸運觀眾發放500美元的API積分。

OpenAI開發者大會，任何人都能打造聊天機器人的時代來臨了？

OpenAI的這場開發者大會，可說揭示了他們在商業化的努力。儘管OpenAI的技術一直領先各家公司，在將技術轉化為產品，甚至商品的腳步上卻一直相當緩慢，面對訓練及運行GPT技術的高額成本必須加快腳步，而他們得出的結論，便是協同開發者的力量，讓GPT技術深入每個角落。

《CNBC》指出，OpenAI的大金主，微軟執行長薩蒂亞．納德拉（Satya Nadella）也出席活動站台，與OpenAI一同向開發者傳遞這場大會的宗旨：與我們一同打造。納德拉表示，「我們的使命是賦能每個人及每間組織，幫助他們取得更多成果。對我來說，AI唯有能夠真正賦能時，才能發揮其價值所在。」

延伸閱讀：[OpenAI開發者大會，為何令人憂心？3重點看清Sam Altman真正對手][1]

資料來源：[Bloomberg][2]、[ZDNet][3]、[The Verge][4]

責任編輯：林美欣 [1]: https://www.bnext.com.tw/article/77308/openai-devday-comment [2]: https://www.bloomberg.com/news/articles/2023-11-06/openai-lets-users-make-custom-versions-of-chatgpt?srnd=technology-vp [3]: https://www.zdnet.com/article/openai-unveils-custom-gpts-store-and-assistant-api-at-dev-day/ [4]: https://www.theverge.com/2023/11/6/23948957/openai-chatgpt-gpt-custom-developer-platform

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。

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。

「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