常見問題與來源
我們引用的每一條，都標清楚可信度
提案場合最危險的事是把廠商自述當數據引用。所以本站用三個層級標記每一條資料：公開可查證演講自述本站估算
決策與成本
導入 AI 一定要花上千萬嗎？
公開可查證 不一定。群聯執行長潘健成在 SEMICON Taiwan 2026 科技大師論壇指出，企業導入 AI 動輒需要 3,000 萬、5,000 萬甚至上億元，中小企業難以一次承擔；若能從 300 萬至 700 萬開始，確認有效後再逐步增加算力與設備投資，才有機會擴大市場。他在另一場論壇的說法是從 500 萬做 POC：「最後即使花了 1 億元，這與一開始直接盲投 1 億元完全不同——因為過程中每個階段都能看到回報。」
雲端 AI 和地端 AI 哪個便宜？
取決於你的用量，不是取決於技術好壞。雲端按用量計價，用量低時沒有前期投入所以比較便宜；用量高時累計費用會超過地端的前期投入。兩者之間有一條成本交叉線。用計算機算出你的交叉月份 →
潘健成說的「雲端像住飯店」是什麼意思？
公開可查證 他的原話：雲端像住飯店，好處是方便、不必自己打掃，但缺點是每天都要付錢，也不能依照自己的需求改造房間；地端像買房子，一開始要投入成本、也要自己維護，但資料掌握在自己手上，長期成本更可控。他定義混合式：「大部分時間住家裡，少部分時間住飯店。」
所以地端 AI 是要取代雲端嗎？
不是。潘健成自己說得很清楚：「其實地端方案並不是要取代高階雲端，而是讓企業多一種選擇。」雲端持續支援你尚無法自行處理的任務，地端接手已經做得到的日常庶務。
為什麼說瓶頸是儲存而不是算力？
公開可查證 高階 GPU 搭配的 DRAM 價格昂貴、供給也有限。群聯的做法是用 SSD／Flash 補足 DRAM 的容量與成本問題，公開描述是「只要一顆中階 GPU 加上這個技術，就能運行大模型」。我們的方案採用同一原理，所以三档方案的容量才能壓在中小企業按得下去的價格帶。
回本與人力
「AI 一個月就回本」這種說法可信嗎？
演講自述 這類數字僅見於該場談話，沒有第二個公開來源。而且可以用算式檢查：若宣稱數千万台幣的設備靠「單月省 239 人」在一個月回本，隱含的人月單價約 25 萬台幣，高於台灣工程師常見的全成本（約 10–15 萬）。以 10–15 萬推算，回本期會落在約 1.7–2.5 個月，不是 1 個月。我們不用這類數字當你的預算依據。
省下來的人力等於省下的錢嗎？
不一定。如果公司不裁員（潘健成本人也說不裁員，要轉做高價值的商務開發與客戶服務），那省下的就是等值產能而不是現金流入。財務報表上不會出現「省了幾百人」。這代表省下來的人力必須被明確指派去接單、開新產品線或做客戶，否則你會得到效率提升但獲利不變的結果。這是導入 AI 最常見的失敗模式。
3 小時變 30 分鐘這種改善是真的嗎？
公開可查證 潘健成在經濟日報「2026 科技論壇」親口舉這個例子：以驗證工作為例，原本需要 3 小時的紀錄分析，透過 AI 協助可縮短至半小時。這是我們最喜歡引用的案例，因為它具體、可量化、而且落在「重複性庶務」這個 AI 真正擅長的範圍。
導入過程
導入 AI 會遇到什麼困難？
演講自述 潘健成把導入 AI 類比為當年導入 ERP，認為會有兩年的黑暗期；若創辦人或總經理不親自壓陣、成立小組，各部門會因工作保護主義讓它失敗。公開報導也對照出群聯自身「3 年押注地端運算、曾被市場嘲笑」的歷程。公開可查證 無論黑暗期確切多長，「老闆不下場就會失敗」這條是我們看過最多次的。
該從最難的專案開始，還是最容易的？
最容易的。潘健成的建議是不要一開始就挑戰最難的 AI 專案，先做出小成果、建立團隊信心，才能順利落地；群聯內部也是「先挑容易執行的題目，累積成果後再擴大」。公開可查證
該用什麼當 KPI？
單次任務耗時、每人月產出、退回率。不要用「使用率」——使用率高只代表大家在用，不代表產出增加，也無法換算成決策者要的數字。
等同行導入完再跟，可以嗎？
風險很高。潘健成的提醒是：當對手用 AI 把開發時程大幅縮短，你才開始轉型，就會面臨訂單搶輸、且蠟燭兩頭燒的困境。這是他最尖銳、也最該被董事會記錄下來的一句話。
風險與合約
買了機器但模型一年後換代怎麼辦？
這是地端方案最該被問的風險：硬體折舊抓 3–5 年，模型 6–12 個月換代。因應方式是儲存分層降低對單一高階 GPU 的依賴、模型層可替換、並在 POC 階段就驗證新模型可行性。請務必把換代支援寫進合約。
透過當地夥伴採購，出問題誰負責？
合約對象通常不是原廠。SLA、保固、資料處理責任歸屬要在合約裡寫清楚「出問題時誰負責」。企業級市場的信任門檻是真實存在的——潘健成自己也承認客戶最先問的往往是「誰用過？」公開可查證
AI 會不會泡沫化？
公開可查證 潘健成的區分值得參考：「AI 的應用不會泡沫，是剛需；AI 的新創很多會泡沫。」新創可能因資金中斷倒下，但 AI 應用需求不會消失。對採購方的含義是：買應用與能力，不要賭單一供應商存活。所以模型層與資料層的可替換性比品牌更重要。
透明化
引用來源與查證分級
本站的產業論述主要來自群聯執行長潘健成的公開演講與訪談。下面是每一類的可信度分級。
公開可查證有第二個以上公開來源可交叉對照
- 「雲端 AI 就像住飯店，地端 AI 就像買房子」與混合式 AI 的定義——經濟日報「2026 科技論壇」（主題 AI Agent 新賽局，演講題目「AI 龍蝦的世界觀」）、《哈佛商業評論》專訪、信傳媒報導。
- 驗證工作 3 小時縮短至半小時——經濟日報「2026 科技論壇」。
- DRAM 昂貴且供給有限、用 Flash／SSD 補足、中階 GPU 也能跑大模型——HBR 專訪、壹蘋新聞網 SEMICON Taiwan 2026 報導。
- POC 預算建議 300–700 萬台幣——SEMICON Taiwan 2026 科技大師論壇；500 萬做 POC——民報「啟動 ESG 新時代高峰論壇」（信傳媒報導）。
- 群聯曾把整月 Token 與方案丟到雲端運算，換算後費用遠高於自購硬體——信傳媒報導。
- AI 相關業務占群聯營收 38%（企業級主碟占 30% 以上）、AI Data Platform 已正式商用、已交付超過 30 項醫療商業化方案、服務超過 20 家中小企業與企業客戶、年度商業案目標超過 100 件——群聯法說會相關報導。
- 海外佈局：美國聖荷西與科羅拉多據點、加拿大溫哥華辦公室、透過馬來西亞拓展東南亞、透過印度合資公司服務當地中小企業、企業創投初期投入 2,000 萬美元——群聯法說會相關報導。
- 「包生、包養、包博士畢業」與客戶最先問的是「誰用過？」——HBR 專訪。
- 「AI 的應用不會泡沫，是剛需；AI 的新創很多會泡沫」——HBR 專訪。
- 「3 年押注地端運算、曾被市場嘲笑」——壹蘋新聞網報導。
演講自述僅見於該場談話，未經外部驗證
- 若全放雲端，單月 Token 費用上看約 120 萬美元。
- 從 3 台伺服器（約 1,000 萬台幣）追加到 12 台（含 NVIDIA B300，累計約 6,000 萬台幣）。
- 內部 AI 使用率達 80%、單月省下 239 個人力效益、「一個月就回本」。
- 2026 年底省下 500–700 個工程師的盲目擴張（公開報導的相近措辭是「年底拚 500 人等值產能」）。
- 以整套技術換取海外合資公司 40% 股權、不出一分錢。
這些數字我們不會用作你的預算依據。它們的價值在於說明趨勢方向，不在於作為可比較的成本基準。
本站估算我們自己推的模型
- 三档方案的 capex（400 萬／1,600 萬／5,000 萬台幣）與推估月容量（15 億／50 億／180 億 tokens）。
- 預設維運人力、電力與機房成本、工程師全成本 13 萬／月、折舊 4 年。
- 用量情境預設（輕度 5 萬、中度 30 萬、重度 200 萬、深度 450 萬 tokens／人／天）。
本站數字的限制
計算機沒有算進去的事
容量是線性近似
同一套硬體跑不同模型、不同量化方式、不同併發，實際可處理的 Token 量差異可以很大。我們的容量數字用於量級判斷，不能當作保證值。
未計入的三項成本
模型換代導致舊 GPU 過時的風險、資料移轉與整合工時、導入期間的生產力下滑。這三項通常讓實際回本期比計算機顯示的更長。
雲端單價變動很快
API 單價持續下降，這會把交叉線往後推。若你的用量成長慢於單價下降，留雲端可能長期都是對的。
我們是賣方
我們提供這套整合服務，所以建議不中立。這也是為什麼本站把來源分級、並在計算機上直接給出「建議留雲端」的結論。請至少比兩家報價。