Google人資副總~Big Data分析面試應用，在校成績多無用|數位時代 BusinessNext

Google應是全世界看過最多「數據資料」的公司，若是將這些巨量資料(Big Data)運用在領導(leadership)和管理(management)領域呢？Google人資資深副總博克(Laszlo Bock)接受《紐約時報》訪問表示，巨量資料影響層面越來越廣，不過要運用在領導層面還是相當困難的，部分挑戰來自於：多數情況下領導是由直覺驅動，而且糟糕的是許多人認為自己的領導能力很不錯，事實上只有少數人擁有好的領導能力。

數年前Google進行一項研究，想知道Google是否特別擅長挖掘優秀人才；在上萬次面試中，請面試官為求職者評分，然後再觀察每個人的工作表現，發現這兩者之間的關連性「零相關」，而且還是「隨機」結果，其中只有一位面試官預測準確，原因是他只面試了一個人，這是非常專業的領域，而這位面試官正是全球在這個領域當中最厲害的專家。

此外，還發現了「腦力激盪」其實只是浪費時間，例如：一架飛機可以塞入幾顆高爾夫球？紐約曼哈頓有多少間加油站？除了浪費時間之外，這些問題無法預測任何事情，只是讓面試官覺得自己很聰明而已。

相較之下，行為面試（Behavioral interview）通常是比較有用的，例如詢問求職者：如何解決困難問題？當求職者分享個人經驗，面試官再繼續探究其作法，可以得到兩種資訊，一是該求職者和真實世界的互動情況，再者，更有意義的就是可得知求職者認為什麼事情是「困難」的。

另外還從中發現，對領導者來說，最重要的是讓部屬知道進行任何決策都是「一致」且「公平」的，部屬做起事來也比較自由，原因正是他們瞭解要依循的準則為何，只要在準則之下，就可以做自己想做的事。

Google每年會進行兩次的經理人評量，稱為向上回饋(upward feedback)調查，只要是有主管的員工，都要參加這項評量，詢問12～18項不同因素，再將結果和主管分享，進而追蹤是否改善；結果是：過去三年Google因此大幅提升了主管素質。

如果向某位主管闡述對他並不是那麼好的調查結果，可能會落入以下對話，「我覺得我做得比這個結果好」、「可是這是你的感覺，事實上這是大家回報的結果」。其實不用說那麼多，對大多數人來說，只要讓他們知道「資訊」為何，然後進行修正即可；巨量資料其中一項應用層面即是帶來「事實」，讓人們明白所做的決策並不完美，接下來就會調整自己的行為。

若是將巨量資料運用在Google員工身上呢？目前觀察到的是：在校成績(GPA分數)在面試過程中是毫無參考價值的，除非是剛畢業的社會新鮮人，因為沒有其它可以參考的指標，才會稍微參考在校成績；過去Google面試過程一定會問在校成績，現在也不這麼做了，因為這並不能預測任何事情。有趣的是，隨著這樣的決定，目前14%的Google員工並未上過大學。有的Google團隊中，甚至有14%的成員都沒有上過大學。

特別是在Google工作2～3年的員工，其工作表現和大學表現就完全無關，因為兩者所需的技能是完全不同的；事實上，經過工作洗禮，也成為了完全不同的人。另外的原因是，博克認為大學的學術環境是非常人為的環境，人們經過精細訓練之後可以取得成功，但也習慣在這樣的環境下成功，而Laszlo Bock在大學遇到挫折的原因，就是因為教授總是在等待學生們回答特定答案，但更有趣的應該是解決沒有特定答案的問題。

註：畫線部分為原翻譯錯誤部分，已做出修正

出自NYTimes、BusinessInsider

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。