QNAP NAS憑藉支援S3、高速傳輸、PB級擴充等多重優勢，成為AI訓練儲存／備份的完美方案

現今以生成式AI為主的人工智慧浪潮越演越烈，許多企業為跟進這股熱潮，選擇在雲端啟動AI開發。但不少公司逐漸發現盲點，投入AI模型開發的初衷，無非是協助各部門提高生產力；但礙於企業難以將營運機敏資料上傳雲端，連帶迫使財務分析、現場生產…等對話機器人發展計畫陷於難產。

為打破僵局，企業終究會選擇回歸地端訓練AI模型。可以預見，當企業決定重返地端執行AI訓練，往往會優先部署GPU算力；但持平而論，算力固然重要，但絕非唯一成功要素。譬如近期火紅的檢索增強生成（RAG）架構，它必須從大型資料庫檢索相關資訊，據此生成有意義的回答或文本，假使資料數量不足或品質欠佳，恐因檢索結果不夠準確，影響生成內容的可靠性。

因此包括資料的管理與儲存議題，對於企業RAG架構成敗著實至關重大，其重要性完全不亞於算力。著眼於此，威聯通科技（QNAP）近期大力展開訴求，強調其QNAP NAS與生俱來蘊含多重優勢，足以確保RAG模型達到高效能、高可靠度，進而協助企業優化AI開發環境。

利用Qsirch強大搜尋功能，加速執行資料清洗

威聯通科技行銷經理張凱耀分析，驅使企業在地端執行AI開發，主要原因大致有四，分別是資料安全與隱私、成本控制、效能與客製化、合規性。以大家頗為關注的成本控制為例，現今主流AI應用圍繞在文生文、文生圖，但未來一旦演進到文生影片，屆時企業若選擇在雲上開發，恐大幅墊高費用支出，若為避免承受如此沈重財務負擔，別無他法，只能返回地端。

因此他深信企業在地端訓練AI模型，可望成為大勢所趨。而企業在肇建AI開發環境的過程，除佈局算力外，亦會因應RAG架構需求，導入對應的資料管理與儲存機制，連帶為QNAP NAS帶來莫大契機；因為綜觀市面上各個廠牌或各種類型的儲存設備，QNAP NAS算是作為RAG儲存或備份伺服器的最適標的先從原始資料儲存議題說起。對於RAG，原始資料清洗是極為重要的一環，若清洗得不確實、意即標準化（Standardized）做得不到位，必定影響後續生成品質。而原始資料經過Standardized，去除掉歧義值、重複值後，丟給Embedding Model轉成向量化資料，再存入向量資料庫（VectorDB），然後透過LLM，產生人們可理解的語意表達方式；向量資料累積得越多，代表資料維度越多，AI模型準確性就越高。

資料管理及儲存對於 RAG 架構的成功運行有關鍵作用。高質量的數據、快速的數據存取、安全性保障、一致性和靈活的擴展能力都是確保 RAG 模型性能和可靠性的重要因素。

面對不斷湧進的大量原始資料，有些企業採取「土炮」模式，利用白牌伺服器的內置硬碟空間加以儲存，但事實上QNAP NAS擁有許多相對優勢，遠比白牌伺服器更勝任這個角色。例如QNAP NAS透過獨家開發的QuObjects軟體，得以支援S3 Compatible物件儲存，便於開發者輕鬆將儲存在雲端S3空間的資料遷回地端，反觀一般儲存伺服器普遍不支援物件儲存；更值得一提，企業在雲上用來呼叫Bucket裡面資料的API，完全不必修改，即可直接在QNAP NAS環境沿用，僅需將目標從雲端Bucket轉移至NAS Bucket即可。

其次QNAP NAS原生支援Samba與NFS協定。因資料清洗偏向人工作業，此時若以Samba與NFS為基礎，即可讓帶有Windows、Linux或macOS不同儲存載體的工作人員，能夠在不同平台間無縫存取資料，共同完成清洗作業。

再來更重要的，QNAP NAS獨家提供Qsirch App，內建強大的全文檢索與AI語意搜尋引擎。協助使用者透過關鍵字搜尋，快速從NAS找出所需文件、圖片、影片、電子郵件等各種檔案；另可透過AI語意搜尋，以口語化指令精準找出所需照片；甚至支援超智慧AI OCR功能，方便使用者一鍵框選、擷取、複製與下載圖片中的文字。總體來說，Qsirch能協助資料清洗團隊成員快速找出重複、不準確和不完整資料，從而予以刪除，順勢提高資料品質。

擁有完整全快閃產品線，並支援25／100 GbE高速網路

張凱耀強調，QNAP NAS蘊含的利基不僅止於此，還支援多版本Snapshot，讓開發者在必要時將原始資料回復到先前版本。此外支援WORM，防止未經授權的資料修改，保障資料的一致性與完整性。且支援PB級擴充，有利於企業收納日益龐大的原始資料量體。

除作為原始資料儲存用途外，QNAP NAS也適合作為RAG 架構的儲存／備份伺服器。它之所以適合擔綱這個角色，在於擁有完整的全快閃（AFA）產品線，有助營造高IOPS、低延遲特性，確保所有資料能快速被檢索與處理。不僅如此，QNAP NAS除支援業界常見的10GbE網路外，還將支援範圍擴及25GbE網路、甚至100GbE網路，確保大量資料能在設備之間高速傳輸；此一特質，對於需要頻繁讀寫巨量資料的RAG架構非常重要，有助提高生成式AI系統的整體運作效能。

張凱耀透露，展望下一步，QNAP有意在RAG架構中扮演更積極角色，不排除利用NAS設備直接支援GPU卡的安裝，直接變身為AI伺服器。事實上美國一家名為StorageReview的專業媒體，曾經做過一項試驗，將QNAP的TS-h1290FX NAS改造成為一台RAG Server，意謂此事情基本上是可以做到的。

總括而言，因QNAP NAS富含眾多優勢條件，所以勝任RAG架構當中Raw Data Storage、AI Server Storage雙重角色。使得重回地端執行AI模型訓練的企業，能夠在算力、資料管理與儲存等兩大面向同時並進，不會顧此失彼，進而打造出最佳化AI開發環境，加速提升創新競爭力。

點擊了解 → 使用 QNAP NAS 最佳化企業 AI 開發