AI時代下,大學科系填資工就對了?專家拆解選系邏輯,1種軟實力更關鍵
AI時代下,大學科系填資工就對了?專家拆解選系邏輯,1種軟實力更關鍵

AI 以後也會是這樣,我們永遠需要AI人才沒有錯,卻並非「我現在趕快選資訊工程」的思維,這好像假設以後就只有資工系,其他什麼都沒有。

我一直強調,AI是放大器,必須加上其他領域的專長之後,才會有倍數相乘的成果,和別人的差距也會跟著拉開。做為一個逆向操作者(contrarian),應該試圖將人文跟工程跨域融合,在工程之外趕緊去深耕自己的領域,去加乘人類在每個領域的發展速度。從中長期來看,我相信這種人會勝出。 

該如何看待程式教育?

我知道很多人會有疑問,那我們到底應該如何看待程式教育?我的答案是,除非你進入資訊業,工作很明確就是AI 工程師、資料分析師、資料科學家,需要專精、投入AI技術的研究,否則只要知道程式語言的存在就可以了。 

進階的程式語言對一般人來說,愈來愈沒有急迫和必要性。你可以把程式語言當作一個興趣嗜好,當成稍微提升工作效率的小工具,但不要覺得不會Python就會失去很多東西,完全不會。市場上這幾年已經出現許多無程式、低程式碼的軟體,這些軟體有簡單明瞭的使用者介面,已經被包裝得非常好用,更重要的是,就算真的是科技小白也沒關係,因為AI會直接引導你使用軟體。 

過去使用者介面是死的,你可能要學習A按鍵、B按鍵的作用分別是什麼,有了生成式AI後,它能推理、理解你的行為,當你卡住、不知道該做什麼的時候,它會偵測你的行為,並且主動跳出來詢問:「你現在是想完成什麼工作嗎?」這種引導式、智慧化的介面會開始出現。 

以戰代訓、做中學,不用急著選科系 

在強化跨領域學習、盡量雜學之外,我認為劃分科系、專業的時間也應該延後。台灣的學生在高二時,就要面臨理工科和文科的抉擇,然後不管選哪一科,進了大學後就幾乎少有機會能窺探其他領域的樣貌。這部分美國可以做為一個很好的參考,美國多數的大一生不需要決定主修,他們在大一、大二的時候,能依照自身興趣選擇專業科目,並且盡情修習各種通識學分。台灣的大學必須打破科系的分界,先不分領域地鼓勵學生多多修習通識課,等到大二、大三再選系。 

當人類的學問已經累積得太多,導致每一件事情都必須是常識的時候,太早劃分科系的意義不大,畢竟每一堂課都是通識課,光是通識課就修不完了。 

我知道有些學校已經開始這麼做了,但擴散速度或許還要再加快。如果高校能打破既有的科系結構,重新分配預算、培養師資,讓學生具備跨領域技能,對下一代的培育一定會更好。 

而且從企業的角度來看,現在是「以戰代訓」的時代,到企業實習、從「做中學」反而更重要,還在拚數學、物理和化學那些術科,比誰記得多、誰背得好,這實在太老掉牙,還不如讓學生到餐飲學校實際學習做菜、炒菜更有價值,因為他們可以學到更多,就算有知識鴻溝,也能自行倚靠各種唾手可得的工具,輕鬆弭平差距。 

現今不論是媒體的報導、社會的氛圍,對於該學什麼、怎麼學,打從一開始就將理工科、文科一刀切,然後是一窩蜂地選擇資訊相關科系,遑論再往下討論到體驗、沉浸在背景各異的文化中。我建議政策制定者、領導者一定要趕快注意到這件事情,打破學科的界限,鼓勵學生跨域學習,將AI、程式設計、英文等專業能力都列為必修,讓擁有不同專長的人都一起共學。 

如果我們能撥出一些時間去吸收更廣博的知識、更多元的文化,人才的樣貌應該會變得很不一樣。 

文化衝擊可以打開世界觀 

而或許我自己的歷程,也可以給各位讀者做為一個參考。我和大多數在台灣受中學教育的人一樣,必須在高二做出選擇,成為一腳踏進理組的學生,但從小到大在各種性向測驗中,我一直是理性與感性各半的人,每次測驗的結果都是「文理都可以」。造成這個結果的原因,除了先天性格之外,還受到家庭背景、求學經歷和自身興趣的影響。 

大約80年前,我的外公林鐘隸先生在日本上市公司兼松株式會社擔任經理,待在日本很長一段時間,後來回到台灣,也持續與日本往來,投入台灣、山東和日本三地間的遠洋漁業生意。1984年,他響應台灣政府和美國一起發展半導體的政策,拿出一筆資金成立矽品集團。所以我外公一直以來都只會講台語、日文和山東話,他是聽不懂國語的,外婆也是完全不會講國語,但日文超強的狀態。 

外公的日本背景自然影響到我媽媽。媽媽是很日式的人,守紀律、要求準時、愛乾淨,一切都要有秩序和有條理,我是沒那麼嚴重,但多少有點「龜毛」(東西沒對齊我會渾身不對勁,平常花很多時間調整簡報排版),所以在長大的過程中,日式教育對我的影響是滿深遠的。 

大學畢業後去美國念書,我又陷入另外一個極端裡。儘管小時候曾經去美國玩過,但我第一次感受到強烈的文化衝擊,就是去美國攻讀碩士的時候。當時我在史丹佛大學念書,不只是課堂制度完全不一樣,西方師生互動的方式也和過往經歷不同。 

台灣人非常尊敬師長,會說老師、教授、醫師好,有下對上的感覺,但我的外國同學是「水平式」對待師長,會直接叫老師的名字,比如說老師的名字是麥克,同學有什麼疑問就會說:「麥克,我有個問題!」老師也不覺得這有什麼。但對我來說這就很顛覆,因為我們從來不會直呼爸爸、媽媽、老師的名字,美國人卻認為每個人都是獨立的個體,在成年之後就是平等的,沒有誰需要依賴誰,稱呼上自然不受拘束。 

拿到碩士學位、加入Google,開始投入一些專案後,衝擊又更直接了。我和來自全世界的人合作,尤其網路科技公司在當紅的狀態之下,一切都講求快速,美式作風又更強烈,同事間的對話都很粗暴,「不要」、「你做的不對」、「我今天不想看到你」這些東方人聽來不客氣的話他們都會直說,但同事並非對你有惡意,他們只是就事論事,希望快速解決問題。 

抓住文化差異,做出更好的獨立判斷 

我自己後來回頭檢視,去美國對我完全是一個文化衝擊,去那邊與其說是念書,不如說是去吸收不同的文化。在比較美國和日本文化的差異後,我歸納出美國人強調直接、直來直往,日本則是對話間接、很多潛台詞的一個民族,這些文化有好有壞,但最慶幸的是還好我都經歷過,而且在吸收、融合台灣、日本跟美國三個地方的文化後,塑造自己成為今天這個樣子。也就是遇到不同的人事物時,我可以從各種視角去看待、檢視,有辦法理解這個人為什麼這樣說話?為什麼這樣做事?但是很多人因為缺乏跨領域的經驗、雜學的經歷,不會去客觀以對任何事物。 

文化的多樣性,是造就一個人獨立非常重要的因子,因為在不同文化下,同一件事情的做法會很不一樣,但各種做法其實沒有什麼對錯,純粹就是習慣和文化的差異。當你能夠抓到各個文化的差異時,就可以產生後設認知,知道同一件事情有沒有更好的解釋,甚至參考其他文化,提出更好的做法,否則大家做決定的時候會全部依賴慣性。而這種後設認知,是要經歷不同文化洗禮才會產生的。 

COVER 立封 0416.jpg
遠見天下文化出版。
圖/ 遠見天下

本文授權轉載自《AI世界的底層邏輯與生存方法》,程世嘉著;蕭玉品採訪整理,遠見天下文化出版

延伸閱讀:有了AI翻譯之後,為什麼你還是要學英文?企業全面導入AI,該思考的三個關鍵

責任編輯:李先泰

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