從橫濱Minato-Mirai 21看電動車Carsharing之營運|數位時代 BusinessNext

一、前言
Carsharing源自於歐洲，至90年代末期日本開始興起類似概念。最先讓此概念成型的是Honda的ICVS（Intelligent Community Vehicle System），ICVS認為透過多位使用者共同使用一部車的車輛共享機制，可以減少民眾擁有車輛的需求。在此同時，Toyota也成立了名之為〝Crayon System〞的Carsharing計畫，主要是由多部輕型都會區電動車組成，提供給Toyota員工做為商務及通勤使用。

除了民間企業外，日本的官方組織也有類似的計畫推動。日本通商產業省成立了日本交通駕駛電子技術協會（Japan Association of Electronic Technology for Automobile Traffic and Driving, JSK），希望以建立Carsharing組織的方式來帶動電動車的發展。JSK共推動了兩個主要的Carsharing計畫，一個是Inagi EV-Car Sharing，營運期間自1999年至2002年，另一個即為著名的橫濱Minato-Mirai 21（MM21）。

二、橫濱Minato-Mirai 21 (MM21)
MM21是JSK於1999年10月在橫濱Minato Mirai區域設立的電動車Carsharing組織，主要目的為發展電動車的Carsharing示範系統與建立一套可移轉的營運模式。

其發展概念為促成一個無縫運輸體系，提供電動車Carsharing做為聯繫大眾運輸的次系統，以滿足平日通勤者的上下班需求。因此，MM21所提供的服務以會員住家與大眾運輸和大眾運輸與工作地點之間的接駁為主，運作方式如圖一所示。計畫初期共提供了50輛電動車，並設有11個場站，至今已有超過550個會員。圖一

圖一 MM21所提供的接駁運作方式
**（一）營運模式
**MM21系統主要包含了控制中心、場站與電動車輛。會員透過電話或網際網路預約車輛並完成付費，在接收到相關訊息後，控制中心透過遠端控制完成車輛的預約與車況管理。會員於預約後，即可於約定時間前往取車。

（二）系統架構
MM21系統架構包括預約系統、會員管理系統、遠端控制系統、付費系統、車輛管理系統等，如圖二。

圖二橫濱Minato-Mirai 21 系統架構

（三）營運成效
橫濱當地通勤人口眾多，一直有停車位不足的問題。MM21 示範計畫除要建立一套Carsharing營運模式外，也希望能夠減少區域內車輛的使用，同時使用電動車做為運具對電動車輛之推廣亦有相當程度的助益。然而根據Masahiko Teramoto NISSAN MOTOR CO.,LTD的評估，認為短期內Carsharing的營運仍需要政府的補助，長期下才有可能只依賴營運收入來維持組織運作。除了Carsharing的營運模式被大眾接受的程度仍有待觀察之外， MM21使用的車輛為電動車，充電站或電池交換站等基礎設施之建置需要投入大量的資金，全面性的建置非一般公司所能負擔；且基礎設施的建置受到當地的法令規範、道路設施等影響，也非一般民間機構所能獨立完成。因此若要將電動車Carsharing的營運模式擴展至全國各地，政府的支持程度扮演了相當重要的角色。

三、結論
從橫濱Minato-Mirai 21的經驗來看，其以電動車輛做為Carsharing運作的基本運具，並結合預約系統、會員管理系統、遠端控制系統、付費系統、車輛管理系統等系統架構，目前已取得了一定的成效。在台灣的電動車推廣方面，初期可以建立一個小型的Carsharing組織為示範，等到產品和技術更為成熟且價格壓低後，再進一步推廣至大區域的範圍。如此可針對民眾的需求，對產品設計及服務方式持續修改及更新應用，建立電動車輛的試運行機制後，可逐步達到宣傳和推廣之成果。此外，也可藉由Carsharing之推動，促使相關廠商投入遠端控制系統、車輛管理系統、智慧交通系統等技術之研發，帶動相關產業之發展。

更多文章請上ITIS智網

過去兩年，人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢，從客服、知識管理到軟體開發，越來越多企業將大型語言模型（LLM）導入企業營運流程，隨著應用程度的深化與廣化，越來越多發現，真正的挑戰早已不只是「選擇哪個模型」，而是如何管理算力、控制成本、確保資料安全，以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後，AI應用從回答問題進展為執行任務、操作系統以及串接流程，連帶拉升對AI基礎設施的需求與架構複雜度，而這意味著，想要發揮AI綜效，光只有模型與技術尚不夠，必須將整體IT環境逐步升級為AI基礎建設（AI Infra）。

深耕AI管理領域多年的數位無限（INFINITIX），近年積極布局軟體定應AI基礎建設（Software Defined AI Infrastructure）市場，除持續深化與GPU、伺服器與AI硬體生態系的合作關係，如於2021年取得NVIDIA Solution Advisor全球夥伴資格，2025年亦獲AMD GPU生態建設夥伴獎，也因應市場需求推出AI-Stack與ixCSP兩大產品線，協助企業、雲端服務供應商（CSP）與新世代AI雲端業者，更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示：「我們的目標是協助客戶打造軟體定義AI基礎架構，讓其可以視需求向下整合不同世代GPU、儲存與網路設備，同時，向上鏈結模型、Token跟AI應用，加速企業的AI創新轉型腳步。」

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。