[翟本喬] Uber 事件後續：它是一個對台灣有害的公司，而且根本不想溝通。|數位時代 BusinessNext

Uber 不是共乘。

甲要由 A 點去 B 點，正好乙也要從 A 點附近去 B 點附近，這時候乙搭甲的便車，叫作共乘，而乙分擔甲的成本，或是付出比分擔成本再多一點的費用，甚至付給仲介平台一點酬勞，都是合理的。但 Uber 是特別為乙派丙開一輛車來接，這不叫共乘。Uber 沒有減少閒置資源。它減少了丙的閒置資源，但間接讓丁 (計程車司機) 的資源閒置，而丁 (因為計程車密度較高) 和乙的距離期望值是比較小的，所以 Uber 反而浪費了國家的總體資源。

Uber 沒有增加就業。

它增加了丙的收入，但減少了丁的收入。車行的抽成 (根據公會理事長說的，是個位數百分比) 遠少於 Uber 的抽成 (20%)，所以就業階級 (丙和丁) 的總收入反而是減少的 (假設乙付了同樣的車資)。而 Uber 的代表竟然厚顏地說 "計程車司機本來要一天綁十二個小時在車上的，現在他們有一些空閒的時間，也許可以去找一些其他收入比較好的工作"。計程車司機除了極少數玩票性質之外，大都是苦哈哈的勞工，要是找得到收入比較好的工作，誰要來開計程車啊？

Uber 沒有增加國家的 GDP，也沒有增加國家的稅收。

由上一點可以看出，所有就業階級的總產出並沒有增加。而乙所付的車資，全部直接付到海外 Uber 的總公司，再由 Uber 付 80% 給丙，而 Uber 台灣分公司拿到的是 0！看清楚了，你付了 1000塊的車資，政府所收到的稅是 0。政府收不到 Uber 的營業稅，也收不到丙的所得稅。我們都不喜歡繳稅，但如果大致上是公平的，那我們可以勉強接受。如果有錢的大公司可以逃稅，而苦哈哈的勞工階級要繳稅，我們是絕對不能接受的。Uber 宣稱它有繳稅，那就像一個人逃漏所得稅，然後宣稱他去便利商店買飲料時有繳加值稅一樣，是在騙人。

Uber宣稱對所有乘客有 2000萬的保險，但被蔡政委問到細節時就閃爍其詞，改口說「如果駕駛人本身的保險不足以賠償，我們會協助他們向海外的保險公司申請」。我覺得這件事情很容易說清楚，只要把保單拿出來給大家看就知道了嘛！

但 Uber 連保險公司是哪一家都說不出來，所以我合理懷疑是根本沒有真正的保險存在。(我並沒有強人所難，要他當場拿保單出來。我是問：什麼時候可以公開這張保單給臺灣人民看？)Uber 拿一些民意調查的結果出來說他們是受到支持的，但這也是混淆視聽。所以我比喻說八仙塵爆之前，參加彩粉路跑的人滿意度也很高，這並不代表它是對的。

昨天出席的有好幾位有跟我類似的看法，所以他們堅持不坐 Uber。最後，我也很欽佩昨天出席的計程車業者。他們不懼怕 Uber 的挑戰，也歡迎政府在保障乘客安全的前提下適度開放現有的規定，他們保證可以比 Uber 做得更好，繳更多的稅，而留更多的成數給司機。這種精神，正是我們產業界在面對外商挑戰時需要的。交通部的大門始終是敞開的，而 Uber 從來不正面回應大眾所質疑的這些問題，每次只會拿總公司的文宣出來鬼打牆。

綜合所有觀察到的現象，我的結論是：Uber 是一個對台灣有害的公司，而且根本不想溝通。

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。