實測|NotebookLM新增「深度研究」:AI代理變「找資料+寫報告」神助手,使用教學一次看
實測|NotebookLM新增「深度研究」:AI代理變「找資料+寫報告」神助手,使用教學一次看

重點一:NotebookLM 推出「Deep Research」,可自動化網路研究並生成具來源的報告,支援將報告與來源直接加入筆記。

重點二:擴大來源型態,新增支援 Google Sheets、以網址匯入 Google Drive 檔案、圖片、從 Drive 直接匯入 PDF、Microsoft Word(.docx)。

重點三:「Fast Research」提供快速掃描與匯入來源的研究模式;功能將於一週內陸續開放,圖片支援預計數週內上線。

Google 於 11 月 13 日宣布旗下 NotebookLM(筆記研究工具)推出「Deep Research(深度研究)」功能,定位為可自動化並簡化複雜線上研究的代理人。

使用者在來源面板選擇「網路」後即可啟動研究:Deep Research 會依指示擬定研究計畫、瀏覽數百個網站並持續精煉搜尋,於數分鐘內產出「有組織、具洞見、且以來源為基礎」的報告。

與在 Gemini 上使用 Deep Research 的差異在於, 報告不再是終點。使用者可一鍵將報告及其參考來源加入 NotebookLM 的筆記,並在背景持續運行深度研究的同時,補充其他來源,快速建立針對任一主題的知識庫;後續也能透過 NotebookLM 既有的「語音摘要」或「影片摘要」進行概覽,萃取重點或轉換內容以更易理解。

研究工作流優化:快速模式與更多檔案型態

NotebookLM 亦新增「Fast Research(快速研究)」模式,適合即時掃描資訊與迅速匯入來源,縮短研究前置時間。更關鍵的是,這次更新顯著擴大可分析的來源型態:

  • Google 試算表 :可加入結構化資料,並就關鍵統計提出問題或自動產生試算表摘要。

  • 以網址匯入 Drive 檔案:如同加入網站或 YouTube 影片般,直接貼上 Drive 檔案網址即可加入;也支援一次貼上多個連結,以逗號分隔。

  • 圖片:可上傳手寫筆記的照片,或任何紙本影像。

  • 從 Google Drive 匯入 PDF:直接加入研究論文、報告或電子書,免下載再上傳。

  • Microsoft Word(.docx):上傳 .docx 檔,分析筆記、草稿與其他文件。

官方表示,上述功能將在未來一週向所有使用者陸續開放,其中圖片支援預計在接下來數週內上線。在台灣市場,NotebookLM 的深度研究功能已先向「非 Google AI Pro 用戶」推送;Pro 用戶需切換到非付費帳號才可先行體驗。

實測:如何在 NotebookLM 使用 Deep Research?

承上所述,現在台灣用戶只要切換到一般 Google 帳戶,再開啟 NotebookLM,即可體驗 Deep Research 功能。

使用方式也很簡單:先點擊「新建」按鈕後,就可以在左側欄看見「在網路上搜尋新來源」的字樣;用戶可在此輸入問題或關鍵字,以驅動 AI 代理搜尋資料。

下方預設的資料來源選項是「網路」,也可視情況切換至「雲端硬碟」。另一個選項就是本次更新的重點:「Fast Research」與「Deep Research」。

NoteBookLM加入深度搜索
在輸入問題後,若選擇「深度研究」,AI代理就會協助歸納資料,用戶可以逐一檢查,並選擇是否要將其匯入NoteBookLM。
圖/ Google

顧名思義,「Fast Research」旨在提供快速、輕量的資料彙整與報告生成;「Deep Research」則相對耗時,但 AI 代理所彙整的資料更為龐大,產出的報告也更為詳細。

以「CoWoS 是什麼?」的實測為例:Fast Research 約 1 分鐘內就找到 3 項資料來源供用戶匯入;Deep Research 則約 5 分鐘找到 13 項資料來源。

NoteBookLM加入深度搜索
輸入問題後若選「深度研究」,AI代理就會歸納較多資料,用戶可逐一檢查並選擇是否要匯入NoteBookLM。
圖/ Google

在匯入資料後,其餘使用步驟與先前操作 NotebookLM 相同。於中間「對話」區塊,AI 會先生成一段資料概覽;用戶可在下方提問,AI 便會在資料範圍內提供回覆。或是在右側欄「工作室」依需求選擇生成摘要文件、報告、心智圖、學習卡等。

需注意的是,用戶在生成「工作室」中的選項時,建議先點選「鉛筆」圖示,選取格式及語言;否則預設語言會是英文。

NoteBookLM工作流
觀察介面,NoteBookLM從左側「資料輸入」、中間「對話」,右側「工作室」資料輸出,形成鮮明的資料處理工作流。
圖/ Google

結論:讓深度研究不再是「終點」

此次更新的核心在於, 讓「可信來源」成為研究的起點與終點。

Deep Research 先廣泛蒐集並生成報告,再將可驗證的來源與內容回灌到筆記,形成可持續擴充的知識庫。使用者同時能以多種檔案型態作為輸入,減少格式摩擦並維持研究連續性。

整體工作流從「找資料 ⭢ 產出初稿 ⭢ 納入筆記 ⭢ 持續豐富來源 ⭢ 多媒體概覽」閉環化,對需要快速梳理議題、維持來源純度與可核查性的編採與研究工作,具實務意義。

延伸閱讀:NotebookLM教學|能設定對話角色、安全性升級,好用AI筆記工具大升級!一次看懂操作方式

實測|NotebookLM「影片摘要」大升級:新增6種視覺風格,如何一鍵生成客製化教學影片?

資料來源:Google9to5google

本文初稿為AI編撰,整理.編輯/ 李先泰

關鍵字: #Google #NotebookLM
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