[洪士灝] 「新創」這件事，政府改革前別想太多|數位時代 BusinessNext

黃耀文這篇「不合適的評審，會壞了國發天使基金」講的是一個台灣產官學（產業界、政治界、學術界）長久以來很令人悲哀、糾結難解的大問題。

產業希望政府補助，官員不願落人口實，請學者專家來審查，怕廠商去影響學者，只好隱匿評審名單；學者光靠一張嘴，不需負成敗之責，官員有業績壓力，往往先跟業者談好，滿足上級要的關鍵指標；業者為了拿補助款，只好在學者前面低聲下氣，積極配合官員，提供能讓長官滿足的業績。

這樣的循環，久了之後會如何？兩極化。

A類、需要錢的業者，花很多時間製作文件、運作人脈、練厚臉皮，實踐厚黑學。
B類、有志氣的業者，不願低聲下氣，或是不想拿政府補助款。
A類、求安穩的官員，奉長官指示，找業者要資料，找學者審案，自己沒意見。
B類、想做事的官員，有自己的意見，但很難做事。
A類、人脈佳的學者，擅於察言觀色，什麼案子都可以快速審查、給制式評論。
B類、好老實的學者，不想當審查委員，或是不受長官歡迎。

如果由缺乏專業的政府高層和不思進取的財團在主導產業，那主流當道的就是A類的人了，這是過去這二十年來最大的問題，學者充其量是陪襯性質的。但十多年前開始的高教評鑑，也讓許多學者致力於論文寫作，與產業脫節──因為要按照這樣的評鑑制度玩，等於是自廢武功，所以很多從國外業界返國任教的朋友，後來離開了教職。

如今產業和學術被越搞越虛，在民怨之前，政治人物不得不開始喊新創。可是這些喊說要鼓勵新創的、申請新創補助的、審查新創案件的，有多少是換湯不換藥的呢？

這是文化的問題，但冰凍三尺，也不能寄望立即解決。如今民間和學校新創的風氣已經成氣候，需要的是正確、優質的投資概念，鼓勵有價值的創新，政府如果在沒有準備好之前冒然加入，反而會攪亂行情，甚至造成一窩蜂包裝精美、卻無實質內涵的新創公司來投案，反而棘手。

我3/19在科技部的場子裡放炮，說政府如果找不到對的人和對的方式來審查，那最好還是不要好大喜功，不要一下子拿一大堆錢出來搞大規模的新創。不然錢沒有到該被贊助的團隊身上，或者被平均稀釋掉，可能就把行情搞爛了，不然就是要求新創團隊產出一大堆沒用的專利，或是在技轉上作帳，反而扯後腿，讓劣幣驅逐良幣。

政府該做的是：(1) 贊助那些需要長期耕耘的核心技術研發和創新，這個需要睿智的眼光來做；至於短期的投資，則是 (2) 鼓勵大資本家拿錢出來投資新創事業，他們為了賺錢，自然會找真正的專家來諮商。(可參考本篇貼文)

現在民間領導人物該做的，是去思考如何超越政府，然後教導政府。不要寄望政府能夠一下子做太多事，尤其是「新創」這件事，在政府自己改革自己之前，更不用想太多。學界也不能倚賴政府和校方，要靠自己來創新，要借重民間業界的力量。業界想培養人才、鼓勵新創，可以多找學界裡面對的人合作、直接贊助與產學、新創相關的教授和學生。

本文出自洪士灝個人Facebook，獲作者授權轉載。

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。