Gartner~42%的IT主管已經投資於巨量資料|數位時代 BusinessNext

國際研究暨顧問機構Gartner表示，經過這些年的實驗及眼見早期採用者獲致的成功後，2013年是企業大規模採用巨量資料（big data）科技的一年。根據Gartner針對全球IT主管進行的調查，42%的受訪者表示已投資於巨量資料科技，或者將於未來一年內進行相關投資。

Gartner研究副總裁Doug Laney表示，「企業對巨量資料的認識以及其所能帶來的新式業務轉變與日俱增。新的問題為『我們需要什麼樣的策略與技術？』以及『我們如何衡量並確保投資報酬率（Return on Investment, ROI）？』目前多數企業仍處於採用巨量資料的早期階段，僅少數已將其運用至企業層面，或是能認知巨量資料對其基礎架構、企業與產業所產生的全面影響。」

市場破壞力使得新興資料類型和新式資訊處理方式不斷產生並且增加需求，企業處於快速變遷的科技環境下亦著手進行巨量資料研究計畫。其對巨量資料科技的採用來自於兩個主要原因，必要性與信念。企業逐漸察覺巨量資料研究計畫的重要性，乃因體認巨量資料能夠帶來傳統的資料來源、技術或應用無法比擬的顯要或潛在業務機會。此外，媒體鋪天蓋地的報導亦包含了驚人使用案例。

Gartner研究副總裁Frank Buytendijk表示，「這增加了IT和業務主管對於是否較競爭對手延遲推動巨量資料研究計畫的疑慮。無需煩惱的是，現階段的創意與機會無窮，且部分極佳的巨量資料想法來自於採納並調整源自其它產業的創意。然而，這亦增添了縮減衡量巨量資料技術、方法以及替代方案週期的困難度。」

儘管面臨諸多挑戰，Gartner預測至2015年，20%的全球前一千大企業會將其策略重點置於「資訊基礎建設」，而其重要性等同於應用管理。

看好巨量資料商機，各產業中的企業無不預先蒐集並儲存為數眾多的營運、公開、商業與社群資料。然而，對絕大多數產業（特別是政府機關、製造業與教育界）而言，結合上述資源與目前尚未充分利用的「黑暗資料」（dark data），例如：電子郵件、多媒體與其它企業資源，方為轉換業務務最直接的機會。

Gartner認為，透過整合並綜合分析各式各樣的資料，而非僅個別進行，企業能夠取得最獨特的商業洞見，並達成流程與決策的極佳化。儘管大多數巨量資料的運用聚焦於資料取得的多寡和速度，Gartner調查顯示，最終的決勝點取決於能否擴大資料來源。

Laney表示，「業務和IT管理階層總表示資訊是公司最重要的資產。儘管企業對資訊的管理與建置的效率日增，企業卻並未將其與應用於傳統的物料、財務或其他無形資產的精確資產管理系統相互整合。正規資訊評估模型的應用將提供IT、資訊管理和業務主管針對資訊管理（information management, IM）、豐富化、資安、風險管理、採購、議價、製造與出售提出更透徹的決策依據。

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。