基因教父陳奕雄
基因教父陳奕雄
2001.06.01 | 人物

肝癌及鼻咽癌向來是台灣人前十大癌症死因殺手,卻沒有人能解釋為什麼。拜人類基因定序完成所賜,數年內,科學家可望從基因找到答案與解藥。
賽亞基因科技公司總經理陳奕雄,知道找解藥最短路徑。
在《傑克與魔豆》的故事裡,頑皮的傑克用一頭母牛換來的豆子,在一夜之間竟長入雲霄,傑克攀著豆藤爬上巨人的家,抱走會下金蛋的母雞,又砍斷豆藤摔死追來的巨人,從此過著富裕的生活。
陳奕雄,就是童話故事裡的小男孩,要從巨人手中將金母雞抱回台灣。著名基因資訊公司賽雷拉(Celera),搶先美國政府完成人類基因草圖定序,宣告生物科技產業進入「後基因時代」。賽雷拉的人類基因資料庫,及基因資訊解讀技術,正是會下金蛋的母雞。

**不愛實驗,只愛打球

**
討厭唸書的陳奕雄,跟童話裡的傑克一樣頑皮,在台大唸農化系時考試都靠同學的筆記,現任輔仁大學校長,陳奕雄的同班同學李寧遠打趣說,幫陳奕雄最多的「同學」就是他的女友,後來的陳太太。
中研院院長李遠哲胞妹,中興大學環境工程學系教授李季眉最記得,大學時同組做實驗,陳奕雄常常下課鈴一響就抱著籃球往外衝,也不管實驗還沒做完,陳奕雄有點靦腆地說,「那時很多同學不願意跟我同組做實驗。」
熱愛籃球的陳奕雄,即使工作再忙,多年來從未放棄練球的習慣,他以球會友結交不少生技科學家,他與賽亞另一位創辦人徐立之每次見面,不切磋一下球技,總覺得渾身不舒服。
陳奕雄每周三、六都會跟哥哥陳武雄,和桐化學董事長到金華國中廝殺一番,有次跟幾個國中生賽球,小男生急了還跳上陳奕雄的背,差點沒把他的腰壓斷,所以陳奕雄身上總是有著大大小小的傷痕,採訪當天,他的眼角還留著前幾天打球被撞的瘀傷。

**一頭栽進基因解碼世界

**
大學畢業後,陳奕雄到肯特州立大學攻讀博士學位,又在兩度獲得諾貝爾生化獎的辛格(Fred Sanger)博士門下做博士後研究。二、三十年前,唸生物科技最好的出路是教書。衝著對DNA雙螺旋的興趣,陳奕雄選擇加入剛成立不久的Genentech。
陳奕雄在Genentech一待就是12年。從拿著「剪刀和漿糊」剪貼DNA,「誘拐」大腸桿菌製造胰島素做起,他一頭栽進基因解碼的領域,還得了個外號叫「基因定序的老祖宗」(grand daddy of sequencing),連賽雷拉總裁凡特(J. Craig Venter),都得敬他一聲前輩。
但Genentech並不把解碼當成核心業務,為了得到充分資源,陳奕雄決定加入製造醫療器材的PE(Perkin Elmer)公司,參與設計基因解碼設備。當PE和凡特共同成立賽雷拉,全力從事基因解碼定序,陳奕雄也參與草創,成為基因定序計劃主持人。
返台創業,並不在陳奕雄的人生規劃內,賽亞,原本也不會是台灣本土的生物資訊公司。兩年前,賽雷拉注意到亞洲快速興起的經濟力量,與佔了世界1/3的龐大人口,決定在台灣成立子公司,及早佈局。身為賽雷拉首席科學家的陳奕雄幾乎每個月都要在太平洋兩岸奔走考察,累積的哩程數讓他每次都能從經濟艙升等到頭等艙。
在一次會議中,陳奕雄猛然發現只有他不是白種人,「一個東方人在一群白人中談論白人的事業,」這樣的落差讓他擔心,中國人是否會在生物科技領域缺席。
陳武雄數年來一直極力遊說陳奕雄返台創業,但他始終不為所動,經過這次衝擊,陳奕雄決定回台催生賽亞。

**國內最大的生技投資案

**
賽亞的成立可說未演先轟動。擁有35億資本額的賽亞,不但是國內最大的生技投資案,而且董監事都是赫赫有名的人物,技術顧問團隊也大有來頭。
徐立之是加拿大首席遺傳學家、世界基因組織聯盟主席,詹維康是台灣神隆執行副總,方瑞賢則是美國知名生技公司Clontech的創辦人。這些人在台灣知名度也許不高,但在生技界可說無人不曉。
陳奕雄規劃,賽亞成立初期,先向政府申請科技研究專案,或向大藥廠申請研究經費,再逐步建立亞洲常見疾病基因資料庫,及SNP(單一核甘酸多形性)資料庫,尋找致病基因,再由這些基因追索功能性蛋白質,賣給藥廠。
交通大學生物科學系副教授黃鎮剛觀察,賽亞扮演的是內容提供者(content provider)的角色,供應藥廠資料庫的內容和應用工具。黃鎮剛認為賽亞真正的利基在資料加值,例如找出基因與蛋白質的關係,蛋白質與疾病的關係,並繪出蛋白質結構,提供給藥廠開發新藥。
生物資訊的應用就像網際網路一樣,一切才剛開始,發展空間無窮無盡,「賽亞能做的事太多了,搞不好還會推出基因算命服務呢!」陳奕雄半開玩笑地說。

**踩著巨人肩膀往上

**
基因定序完成只是序曲,生技產業組織(BIO, biotechnology Industry organization)主席費德邦(Carl B. Feldbaum)表示,「基因解碼是一場馬拉松,我們才剛繫好鞋帶準備起跑而已。」
人體內有數十萬種蛋白質,某種疾病可能與某幾種蛋白質相關,利用生物資訊找尋特定蛋白質,針對蛋白質構造與機轉設計特用藥品,能縮短新藥開發時程,提高成功機率。針對特定種族、甚至每個個體的基因型量身製藥,已是當前生技公司努力的目標,這也是賽亞的利基所在。
生技產業變化速度比IT產業更快,台灣並沒有比其他人更早起步,所以腳步必須更快。快速成功的最好策略,就是站在巨人的肩膀往上爬。
賽亞以賽雷拉的資料庫與解碼技術為基礎,建立亞洲人特有疾病資料庫,開發分析基因、解構蛋白質的工具及專利,建立賽亞的智慧財產權,陳奕雄相信賽亞5年後就能獨當一面。「等到賽雷拉轉型研究蛋白質,我們已經跑在前面。」
「賽雷拉現在靠賣資料庫賺錢,所以它不好左手賣地圖右手搶淘金,但它總有一天要轉型,在那之前,就是賽亞的機會,」即使成立10年的賽雷拉巨人仍處於連年虧損的狀態,陳奕雄仍大膽說出4年後損益兩平的承諾。
「這是台灣千載難逢的機會,」中研院院長李遠哲認為,基因定序剛完成,太多資訊等著被解讀,全世界差不多站在相同的起跑點上,台灣第一次有機會跑在科技大國之前。身處生技產業上游的賽亞,若能在生物資訊領域站穩腳步,將大幅提升台灣生技製藥產業競爭力。

**人才決定台灣未來

**
想像若干年後,我們不必再走進瀰漫消毒水味道的醫院,只需在家裡採一滴血或吐口口水滴在生物晶片上,由家用電腦判讀後,自動將資料經由網路傳送給醫師,醫師再回傳個人化處方籤──只對病人有效,對其他人不會發生作用的基因藥物。
全球進入高齡化社會,醫療需求與日俱增,市場潛力無窮,處於生技製藥產業上游的生物資訊,被《新聞周刊》(News Week)評為前景最看好的行業(Job of the future)。連比爾蓋茲(Bill Gates)都親口說出下一個超越他的世界首富必定出自生物科技產業。
但生物資訊人才正面臨空前的缺口,同時具備資訊與生物專業的人才全球難覓。黃鎮剛表示,台灣過去是資訊工業大國,生物基礎教育也不差,能不能結合兩種專業,儘快填滿人力空缺,將決定台灣能否趕上這波產業起飛。
陳奕雄也很清楚,人才是最大的問題。賽亞正大力挖角,預計3年內研究人員要增加為210人。「3年後,我們會是世界上前20大基因資訊公司之一,」目前,全世界已有二十幾家公司投入SNP研究。
放棄賽雷拉首席科學家的高位,放棄比目前高三倍的薪水,放棄27年天堂般的安逸生活,陳奕雄非但不感失落,反而活力旺盛、衝勁十足,「好像再活一遍,回到二十幾歲的年輕歲月,過去在美國的日子簡直像一場夢。」
陳奕雄盡全力呵護從美國帶回來的金母雞,希望能為故鄉盡一點力,台灣生技列車正在添煤加溫,蓄勢待發。

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