AI不是泡沫是「野火」?4類企業解析:誰能活?誰又會被技術狂潮清算?
AI不是泡沫是「野火」?4類企業解析:誰能活?誰又會被技術狂潮清算?

「AI泡沫什麼時候會破裂?」 這個問題近來甚囂塵上,尤其不斷傳出輝達、OpenAI等公司相互重金投資的消息,更令外界擔憂一旦泡沫破裂,可能牽連甚廣。

不過現在有看法指出,AI更像是一場「野火」,將摧毀脆弱的企業重新分配資源、塑造生態系,雖然痛苦,但對生態系是至關重要的淨化過程。

AI新創Adept顧問Dion Lim近日在文章中指出一個論點:AI不是泡沫,而是一場野火。如同科技界每次掀起一波又一波的技術熱潮,最終總會有火焰燒掉脆弱的企業,重新分類人才、留下基礎設施來推動下一波的發展,如同現實中森林大火過後,總會成為新生森林的養分。

問題只在於,哪些企業能從大火中倖存,而哪些企業又會成為被吞噬的乾燥灌木叢?

「AI野火生態學」:誰能倖存,誰會成燃料?

文章中將AI領域的新創及科技巨頭分成4種類型,預測他們在這場AI大火中的可能命運。

類型一:易燃的灌木叢,缺乏核心技術的新創

特徵:這些企業在產業容易獲得資金時看似充滿活力,然而一旦溫度上升(資金緊縮或者客戶減少投入)就毫無招架之力。

這個類別包括缺乏專有數據訓練模型、也沒有強大分發管道留住客戶的AI模型套殼公司;市場擁擠的基礎設施,如LLM閘道、向量資料庫;追求每日活躍用戶而非長期用戶的消費性App。

這些企業吸引了資本與人才進入AI產業,當它們被燒毀時也會將這些資源重新釋放到市場,並被倖存公司吸收。

類型二:耐火的巨木,擁有壁壘、金流穩健的巨頭

特徵:這些公司往往擁有深厚的基礎、穩健的財務狀況與客戶關係,同時業務多元、擁有護城河,就像能夠儲存水分保護樹幹核心的橡樹及紅杉等高大強健的樹木。

蘋果、微軟、亞馬遜、Google等傳統巨頭都屬於此類,他們能在野火中屹立,當濃煙散去,周遭矮小的植物都已化為灰燼時,可能只有樹皮出現燒焦痕跡。

Sundar Pichai Official Twitter
Google等科技巨頭擁有穩健的財務與多元業務,就像紅杉、橡樹等能在野火中倖存的高大樹木。
圖/ Sundar Pichai Official Twitter

類型三:再生芽植物,吸取教訓重新出發的新創公司

特徵:產品可能會失敗,但團隊擁有深厚專業知識及資料資產,並且願意調整方向重新開始,在野火過後變得更精練,更能適應環境。

文章指出,這是真正能夠學習成長的企業,例如一位創辦人和他的團隊在2024年因打造錯誤產品而失敗,但在2027捲土重來用正確的產品取得成功。失敗並非毫無意義,而是成為這些企業儲存在根部的養分,等待下一個季節萌芽。

延伸閱讀:輝達砸300億入股Nokia!黃仁勳認證「6G網路革命核心」:昔日手機之王,如何在AI時代大翻身?

類型四:火後發芽植物,野火後創辦的企業

特徵:有些植物需要火災的高溫才能發芽,這就像是在經濟崩潰、野火爆發後才創業的創辦人。他們能從大量傾頹的企業中招募人才,在成本更低的基礎設施上進行建設,並吸取在野火中倒下的企業教訓。2002年的LinkedIn、2010年的Stripe、2013年的Slack都屬於這種類型的企業。

Dion Lim認為,能夠真正將AI融入工作流程、真正偉大的AI原生公司很可能會在此時誕生。那時候,AI領域的競爭不再是比拼模型的算力,而是推理應用,誰能最有效率地讓AI走入生活與工作,誰就是贏家。

AI野火後的新焦點:算力與能源

AI熱潮下,算力與電力可說是各家AI公司最為短缺、積極爭奪的主要資源,算力的稀缺更是許多新創不得其門而入的巨大門檻。但就如同網路泡沫後,留下了大量光纖基礎建設,AI野火後也將釋放出各種基礎設施,為新興公司解放瓶頸。

data center
雖然AI野火會為新公司留下低成本的基礎設施,不過晶片及GPU的汰換快速,可能很快就會過時需要再次投資。
圖/ Freepik

尤其現在算力正陷入一場軍備競賽,當軟銀砸1,000億美元建設資料中心時,Google等競爭對手也得做出相應回應,循環往復之下不斷堆高對算力的投入。沒有企業願意因為投入太低而失敗,這種情況為AI野火後的新生態做好了鋪墊。

他還提到,算力還分成「訓練算力」及「推理算力」兩種類型,訓練算力是軍備競賽的重災區,而推理算力是用於實際服務客戶的算力,社會對這方面的需求是無限的,能夠吸收多餘的算力。

另外,不同於能用上十多年甚至數十年的光纖,GPU及AI晶片的壽命往往只有短短幾年,很快就會因為技術更新而貶值。倖存企業想要長時間擁有最先進的算力,終究得增加投入。

不過,事實上對企業最大的限制不是晶片與算力,而是能源。現代資料中心的耗電量堪比一座小型城市,沒有充足的能源供給很難維持運作。因此作者認為,能源基礎設施才是這場野火後,真正長久留給倖存者的寶藏,確保能源供應的公司,才是未來真正的贏家。

不要阻止野火,企業需重新審視自己

作者提到,矽谷應該從「野火」的看法中學習到,週期性的野火──正常的公司破產、創造性破壞都是良性的,可以去除如同灌木叢般的企業,釋放資源促成新成長,如果不斷抑制大火發生、救助崩潰公司、勉強維持失敗的商業模式,最終只會讓野火成為災難。

並且所有創辦人都需要詢問自己,自己的企業究竟屬於哪種類型的植物,是否能在野火中倖存下來,不過更重要的是,企業的根紮得夠不夠深,好在未來10年繼續成長茁壯。

延伸閱讀:AI提問攻略!善用「3字規則+7組萬用提示詞」,問出ChatGPT、Gemini專業級回覆

資料來源:CEO Dinner Insight

責任編輯:李先泰

關鍵字: #AI
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