[蘇麗媚] 體重機終究是乏了|數位時代 BusinessNext

人人都喜歡看「數字」，因為大家都說「數字會說話」。一個體重50公斤的女生，變成45公斤，開心嗎？哇，好開心，但別開心得太早，也許體重機根本沒歸零（當然，可能是當事人故意不歸零），也可能是彈性疲乏……。

本來是胖胖可愛的人，站在鏡子前，變瘦了，哇，好高興，但請別自欺欺人，因為那是一面哈哈鏡（凹鏡）。當然，如果你從小照的就是這面鏡子，就會覺得自己就是這樣的身段，但別人都知道，這並不是真正的你。

乏了的體重機、變體的哈哈鏡，某個程度上，等同是目前傳統的收視率調查困境，可以參考，但並不精準，甚至是失真的。但電視台、廣告業代理商目前只能仰賴這個讓人無奈但勉強接受的結果。

其實在數位匯流的衝擊下，群眾使用網路普級，收視管道多元，透過電腦、行動裝置觀看影片的人越來越多，甚至可以預期的是，未來更多傳播行為都將在網路上串聯並記錄完成。

根據資策會的調查，國人已習慣跨平台多螢觀看影視節目內容，很多人邊看電視邊滑手機，而且隨時透過社群網站發表個人看法。有意思的是，有些影音內容「默默」走紅，隨著直接且熱烈的討論，甚至主導社群走向、社會議題。但這些強大且宰制媒體發展的新媒體使用者的收視行為，根本不會反應在傳統收視率數字中。

這樣的失真，或者該說是「暫時無法跟上時代腳步」的收視率調查方法及數字，的確是不少創作者頭上的緊箍咒，收視率主導內容走向，不少創作者為了不讓自己陷於泥沼、滅頂，無奈修正方向。但其實有更多創作者堅定自己要走的路，堅持製作優質的內容。

幸好，總有曙光。2013年，美國電視收視率普查機制導入「網路口碑監測」，以Twitter為「電視第二屏」的樣本，做為收視率加權基礎。今年3月此機制已被證實有連動性，也就是說，藉著新媒體的特性，分析出使用者的年紀、喜好、興趣等，並得知在網路上的行為模式。這種「有效監測」的方式，方便節目製作者與廣告主找出更精準的行銷服務，進而做更優質的服務應用。「節目收視率數字在說話，而且說的並非完全實話」的時代會過去。

2013年3月號《數位時代》專欄中，我提到美國最熱門影集《紙牌屋》（House of Cards）的成型過程。該劇為翻拍1990年BBC同名劇集，故事描述一名玩弄權術、自大狂妄的國會議員故事。

《紙牌屋》是擁有美國2千9百萬會員線上影音服務Netflix的自製影集，這部影集直接在網路上「首播」。過去的「慣例」多半由強勢媒體製播，之後才授權線上網站串流。有意思是，《紙牌屋》一次上線13集，「世界各地」的會員可按照自己的時間和收視習慣觀賞影片，這種開放式的收視方式也大大顛覆傳統作法。同樣的，會員資料都會進入Netflix龐大的數據分析系統裡，所有觀影會員的各項數據、互動內容都會進入分析系統，精準的分析結果將更提升內容品質與服務細膩度。

回過頭來看目前台灣的傳統收視率調查。2、30年，失真的收視率監測「黑盒子」決定了創作內容走向，但精準、互動、開放的「新媒體」幫助許多人丟開頭上的緊箍咒，提升創作內容質量，企圖在「不精準且單向的台灣收視樣本戶代表觀影水平」的垢病中，找到與使用者新的傳播、互動與應用的可能性。幸運的是，目前一切都正在改變中。

出自數位時代雜誌2013年5月號

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。