DeepMind遭指前沿AI梯隊！拆解Google人才出走潮：優先賣算力賺快錢，是好主意還是無奈之舉？|數位時代 BusinessNext

美國時間 2026 年 8 月 5 日，Google 宣布近年幅度最大的一次 AI 高層重組。DeepMind 共同創辦人 Demis Hassabis 交出日常營運權，改任 DeepMind 主席與 Alphabet 首席科學家；技術長 Koray Kavukcuoglu 升任資深副總裁，接掌 Gemini 模型、前沿研究與開發者業務。

同一天，任職 Google 27 年的首席科學家 Jeff Dean 與資深研究員 Sanjay Ghemawat 離開公司，成立科學研究新創 Discovery Loop，就連 DeepMind 副總裁 Oriol Vinyals 與 Google Brain 創始成員 Quoc Le 也加入這家新公司；而前東家 Google 不只成為創始投資人，也將擔任它的雲端合作夥伴。

但市場反應很現實，這則消息仍讓 Alphabet 當天盤中一度重挫約 5%，終場收跌約 4%。

這種「人才出走、Google 入股」的安排並非首例。半導體研究機構 SemiAnalysis 指出，David Silver 在 2025 年 11 月離開 Google 創辦 Ineffable Intelligence 時就走過一次：頂尖研究員離開 Google，向外部投資人與 Google Ventures 募資，再把錢拿去 Google Cloud 上租輝達（NVIDIA）GPU。人才走了，算力帳單繞一圈回到 Google 自己的帳上。

官方把這次異動描述為讓 Hassabis 專注 AGI 與科學的安排；科技媒體《Pathfounders》卻引述匿名業界消息稱，Hassabis 原先想與 Dean 同期離開，最後才接受主席職位。這項爆料尚未獲 Google 或其他獨立來源證實，卻讓原本像是「升任」的人事公告，多了一層權力重組的味道。

SemiAnalysis 為何認定 DeepMind 落隊？

SemiAnalysis 給出的判斷相當重。他們認為，DeepMind 已不再是前沿 AI 實驗室，Gemini 也很難重新追上 Anthropic 與 OpenAI。研究團隊流失、旗艦模型進度不如預期，以及算力長期分配不足，被視為同一個問題的不同表徵。

但 Google 並非缺乏技術。包括 Transformer、TPU 與多項深度學習成果都出自 Google 體系，DeepMind 也曾在 ChatGPT 問世前開發對話式 AI。然而，Google 過去更擔心產品失控或衝擊搜尋等既有業務，技術從研究走到市場的速度，往往慢於更敢承擔風險的競爭者。

SemiAnalysis 進一步主張，Gemini 團隊與 Google Cloud 長期爭奪同一批算力，而這場內部競爭由 Google Cloud 勝出。Google 把大量 TPU 容量提供給 Anthropic 等外部客戶，固然能換來長約與營收，卻也等於把稀缺資源交給自家模型的直接對手。

不過，「Gemini 已經出局」仍是 SemiAnalysis 的分析，而非確認的結果。

Google 在 7 月 22 日法說會表示，Gemini 3.5 Pro 仍在測試，也已啟動 Gemini 4 的預訓練；Gemini 應用程式月活躍用戶達 9.5 億，第一方模型 API 每分鐘處理約 220 億個 token，較前一季的 160 億個增加約 38%。

上述數字雖不足以證明 Google 擁有最強模型，但也很難支持 Gemini 已失去商業影響力的說法。

DeepMind 的算力缺口，正是 Google Cloud 的成長來源

同一批算力，在 DeepMind 與 Google Cloud 的帳上有完全不同的意義。對研究團隊而言，TPU 是訓練下一代模型的必需品；對雲端部門而言，它是能夠出租、出售並綁住長期客戶的商品。

Alphabet 2026 年第二季財報顯示，Google Cloud 營收達 248 億美元（約新台幣 7,986 億元，匯率以 8 月 10 日 1 美元兌 32.2 元計，以下同），年增 82%；未履約訂單增至 5,140 億美元（約新台幣 16.55 兆元）。公司把成長歸因於企業 AI 解決方案、AI 基礎設施與核心雲端服務需求。SemiAnalysis 則估計，其中約 12 億美元（約新台幣 386 億元）來自 TPU 系統銷售，但這是該機構的模型推估，Alphabet 並未單獨揭露。

這讓 Google 面前出現一個現實的取捨：繼續把更多算力押在成本高昂、領先時間可能很短的旗艦模型，或把算力賣給所有想訓練與部署 AI 的公司，包括競爭者。Google Cloud 執行長 Thomas Kurian 過去把 TPU 定位為「通用基礎設施」，也曾表示，平台公司為 Anthropic 提供算力十分自然。

換句話說，Google 未必需要每一次都做出榜單第一名的模型，才能從 AI 浪潮中獲利。只要企業使用 Google 的晶片、資料中心、資安工具與代理平台，不論底層選擇 Gemini、Claude 或其他模型，Google Cloud 都有機會收費。

Google 的「西屋電氣賭注」：最強發明未必帶來最大市場

科技出版業者 O'Reilly Media 創辦人 Tim O'Reilly 提出另一種歷史類比。19 世紀末，愛迪生是電燈與商用發電的明星發明家，但他的直流電系統傳輸距離有限；西屋電氣買下 Nikola Tesla 的交流電專利，讓電力得以跨越更長距離，再進入工廠、商店與家庭。

愛迪生站在發明前沿，西屋電氣則贏得電力普及的競賽。O'Reilly 援引學者 Jeff Ding 對多次工業革命的研究指出，通用技術真正改變經濟的關鍵，往往不只是哪個國家或公司率先發明，而是技術能否迅速擴散到各行各業。

套回 AI，Google 的優勢也許不只在 DeepMind。它同時控制 TPU、Google Cloud、搜尋、Android、Chrome 與 Workspace，擁有把 AI 放進日常產品與企業流程的分發管道。此外，Gemini Flash 這類較小、成本較低的模型，也可能比昂貴的旗艦模型更適合大量部署。

Google 若把自己定位成 AI 時代的「電網」，競爭目標便從製造最聰明的模型，轉為承載最多人的 AI 工作，未必如 SemiAnalysis 所述那樣悲觀。

換跑道不代表沒有輸，Google 仍可能付出長期代價

這套解讀最大的破口是，資源轉向雲端可能是主動選擇，也可能只是前沿競賽受挫後的次佳方案。Google 官方仍強調要留在 AI 前沿，沒有證據顯示公司已正式放棄模型領導權。因此將財報成長直接解讀為完整戰略，也有言過其實的可能。

事實是，失去前沿能力也可能傷害平台生意。因此若最好的模型與開發者生態長期掌握在 Anthropic、OpenAI 等公司手中，Google Cloud 可能逐漸被壓縮成算力供應商。當競爭者能在 AWS、Azure 或自建資料中心部署模型時，Google 的議價能力未必穩固。

所以要判斷這次重組是否成功，不能只看 Google 賣出多少 TPU。更重要的指標是：Gemini 能否重新縮小模型差距，Google Cloud 能否在硬體銷售之外維持高利潤，以及搜尋、Android、Chrome 與 Workspace 是否真的讓 AI 進入更多人的工作流程。

Google 或許正在換跑道，但這不代表上一場競賽沒有失分。真正的賭注是，當模型領先幅度愈來愈短，控制算力、平台與分發管道，最終能否創造比「全球最強模型」更持久的價值。

延伸閱讀：Google人事地震！DeepMind執行長Hassabis轉任主席，27年元老科學家Jeff Dean離職創業

本文初稿為AI編撰，整理．編輯/ 李先泰

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。

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。

「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