金融科技慢的和2G手機一樣：我們還要當台灣牛嗎？|數位時代 BusinessNext

上波金融科技成功大創新：竟是21年前的ATM

台灣金融與科技的發展，就樣我們的薪水一樣，超過15年沒有明顯地大創新與躍進。上一波成功金融科技大創新要回朔到22年前的ATM、信用卡與金融卡等產品。

1990年初，是台灣金融科技重要轉捩點。1994年台灣開始大量裝設自動櫃員機（ATM），1996年突破1萬台，讓民眾不用拿著一大包薪水帶擠公司，再不用在分行排隊領錢。同時，信用卡市場也快速成長，1998年流通卡數接近1千萬張。1993年由金資中心發行IC金融卡的轉帳功能，1998年8月萬事達國際組織開放旗下金融卡附加轉帳功能，並全面在特約商店轉帳消費後，創造上億元的刷卡消費金額。

網路銀行不算成功

1990至今25年，也就是1/4個世紀，這段時間金融業在科技創新端沒有成果。當然這不是說25年內金融業者完全沒有變化，2000年起台灣銀行陸續開起網路銀行，如玉山銀行早在2000年提供網路銀行外匯業務，調查機構Research International Co曾在2007年指出，有27%消費者曾使用過網路銀行，台新金控個金執行長尚瑞強曾對媒體表示，台灣銀行業數位化近三年市場快速成長，滲透率提升，網路銀行滲透率從過去的百分之16%提高到百分之91%。

但民眾最常使用的功能為帳戶明細查詢，不算金流交易。「網路銀行金流交易在台灣不普及的原因在成本昂貴。銀行必須配置讀卡幾，讀卡機一台就要150元-200元，民眾必須自己買。若無讀卡機也需要Token硬體，成本約200元，以一家銀行若有100萬註冊用戶，就需要2億成本，加上網路銀行的盛行與分行縮減有必然關係，因此也容易碰到內部角力。」蓋特資訊創辦人尚可喜表示。

金融業者領軍的科技創新沒有成功，科技業者的創新又被法規壓制。2000年開始由藍新，綠界與紅陽等業者開啟頭的第三方支付業務在法規禁止下沒有發展起來，如藍新科技的ezPay個人帳房在2006年遭金管會停止服務。

行動支付並非創新

網路銀行與第三方支付沒有普及，台灣一直依賴實體的ATM，信用卡與金融卡交易或貨到付款。直到近兩年中國支付寶從第三方工具作為切口，闖入投資融資、保險、理財等金融業地盤。台灣發現中國民眾可以繳水電手機費，搭計程，買早餐，可以買基金買保險等多元便利，才驚覺已經台灣在金融科技牛步多年。而金融業後知後覺，正才意識到科技對傳統金融業的顛覆已經來臨，開始大搶行動支付大餅。於是金管會才慢慢動起來，電子支付機構執照今年5月實施，行動支付業務終於開始，遊戲業者歐付寶與遊戲橘子的行動支付服務年底都將上線，網路家庭推出Pi行動錢包，在7-11中5000家店可以消費。

我們不是沒有需求，是沒有選擇

在這停滯的10年，全球金融科技團隊紛紛誕生。這些公司帶來的便利服務，如P2P個人信貸Lending Club 在美IPO，第三季淨利達100萬美元。倫敦起家的跨國轉帳新創公司TransferWise，市值飄漲至10億美元。免費線上信用評比公司Credit Karma等。但是在台灣的我們通通享受不到，也不會有台灣公司提供服務。

因為法規限制下。P2P信貸，線上匯兌，線上信用評比等模式在台灣沒有發展可能。業者常常跳腳，「看了很多國外成功案例，但在台灣法規下通通都不能做。」台灣僅開放「行動支付」相關業務，發忽略了其他的可能與機會，不知道我們還要當多久的台灣牛？

@@ACTIVITYID:503@@

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。