「賞析、對焦、角色轉換⋯」搞懂AI生成4法則,讓ChatGPT從代工升級設計師!
「賞析、對焦、角色轉換⋯」搞懂AI生成4法則,讓ChatGPT從代工升級設計師!

為什麼一樣用 ChatGPT,你做出來的東西就完全不一樣?

最近真的有超、級、多人跟我說同一句話。

「欸 Ruby,為什麼一樣的簡報,你做出來就完全不一樣?」「你真的很會用 GPT 耶。」「我的 GPT 好像沒有你的那麼聰明。」

老實說,一開始我會笑笑帶過。但被問到第十次、第二十次,我才突然意識到一件事: 問題真的不是 ChatGPT,而是「你怎麼跟它合作」。

多數人,一開始就用錯方式

我觀察到一個很一致的模式。大部分的人用 ChatGPT,流程是這樣的:

第一步:「幫我寫一份簡報。」
第二步:「好像不太對,再改一下。」
第三步:「這邊怪怪的,再調整。」
第四步:「怎麼越改越普通?」
然後最後一句是:「是不是 GPT 沒那麼聰明?」

但如果你今天是跟一個真人專業者合作,你真的會這樣下指令嗎?你會一開口就跟美編說:「幫我設計一個簡報,隨便。」你會跟顧問說:「你先給我一個東西,我再慢慢改。」

不會。因為你心裡很清楚,專業合作不是代工,是對齊。

我從來沒把ChatGPT當代工人

這可能是為什麼大家會覺得「Ruby 用 GPT 的方式跟別人不一樣」。因為我從頭到尾,都沒有把它當成「幫我生東西的工具」。

我把它當成:顧問、協作夥伴、會思考的美編、能跟我討論架構的人,所以我每一次開口,都不是說「幫我做」。而是先說:

「你怎麼看這個東西?」
「你覺得這個內容的核心是什麼?」
「如果你是專業者,你會怎麼評價這一段?」

簡報術.jpg
圖/ Ruby Hung

永遠先讓它賞析,而不是產出

這一步,幾乎沒有人在做。不管是文案、簡報、課程、演講、設計,我做的第一件事永遠不是生成。而是請它「換一個專業角色來看」。

例如:

• 你現在是課程設計師,請分析這個架構
• 你現在是演講研究員,請評價這個節奏
• 你現在是社會觀察家,請看這段話在說什麼
• 你現在是美術編輯,請判斷這個視覺方向

因為我要的不是「答案」,而是對焦。當你沒有對焦,就開始生成,你拿到的只會是平均值。

賞析.jpg
圖/ Ruby Hung

各種風格指令,以及我幫大家整理的爆文公式都放在這邊

為什麼一直生成,反而做不出好東西?

因為你給它的資訊,真的太少了。多數人只給 GPT 一件事:「我要什麼形式。」

但我會給它四件事:

  1. 我為什麼要做這件事
  2. 這件事對我來說重要在哪
  3. 我希望完成後產生什麼效果
  4. 我不希望它變成什麼樣子

這很像什麼?很像你在跟一個顧問說明專案背景,
而不是叫工人直接開工。當 GPT 知道你的「目的地」,它自然會幫你規劃路線。

我一定會再問它一次「你覺得哪裡還不夠好?」

這是第三個關鍵。很多人生成完就結束了。我不會。我會反過來問它: 「如果今天這個東西是你做的,你要對外 release 的時候,你覺得哪三個地方還可以再加強?」

這一步非常關鍵。

因為你等於讓它自我審稿、自我檢討、自我升級。 AI 最強的地方,從來不是第一次產出,而是第二次、第三次的反思。

簡報、演講、長內容,都「分段對付」

再來講一個實務的。很多人會說:「我想做一個 30 分鐘 / 1 小時 / 2 小時的內容,GPT 好像撐不住。」但問題不是撐不住,而是你一次丟太多。

我自己的做法是:

• 一次只請它處理 10 頁簡報
• 10 頁一段,分段生成
• 每一段都有清楚的「目的與角色」

因為我觀察過,不管是 ChatGPT 還是 NotebookLM,最佳生成區間就是 10~15 頁。

不是 AI 不行,是你沒有順著它的工作邏輯走。

為什麼很多 NotebookLM 做出來的東西都很像?

我講一個可能會刺到人的實話。現在你看到的大量 AI 簡報: 專業、正確,但沒有風格。 不是因為 AI 做不到風格,而是使用者沒有給它「風格來源」。

我自己的做法很簡單:我會先去找我喜歡的簡報模板,截圖它的 layout、配色、字型邏輯,再丟給 ChatGPT。然後跟它說一句話:

「假裝你是簡報設計師,我要請美編做成這樣的風格,請你幫我整理出一份我可以直接剪貼給美編的設計指示。」

它就會幫你把:用色邏輯、排版規則、字型建議、選圖方向全部拆解出來。這時候,AI 已經不是工具,而是風格轉譯器。所以問題從來不是「會不會用 AI」。而是:你是不是一個有架構的人。

你有沒有能力:
• 先釐清自己在幹嘛
• 知道什麼是核心、什麼是包裝
• 分得出對焦、生成、優化三個階段

AI 只是把「有架構的人」放大,也把「沒架構的人」放得更明顯。

你不用把 AI 用得像我一樣

但如果你今天用 AI,只是一直叫它「幫我做、幫我生、幫我改」。那你得到的,就只會是一個非常聽話、但沒有靈魂的代工人。而不是顧問。不是夥伴。不是能幫你把事情做到「不一樣」的存在。

真正拉開差距的,從來不是工具,而是你怎麼下指令給世界。

本文授權轉載自:Ruby Hung

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