[官振萱]媒體轉型不能靠直覺，那麼你依賴的是什麼？|數位時代 BusinessNext

毫不含糊檢視我和讀者的關係

F小姐（工作超過20年，翻譯超過20本書，做過雜誌、出版編輯、報紙國際新聞編譯，現在是單位裡的「社群女王」，讓報社粉絲團起死回生）：

數位轉型，最困難的是一開始心理上的恐懼，改變領域，還要接受別人檢視。所以要接受自己「不夠好」，這麼晚才開始學習數位，心理上會矮人一截，如果始終在傳統媒體的軌道上工作，習慣大家的肯定，我不用直接面對這些。

最大的突破是開始明確檢視「我和讀者的關係」。每次討論題目妳都會問：這和使用者有什麼關係？以前在報紙編譯國際新聞時不需要回答這個問題，我們覺得重要的，它就重要。現在要重新檢視我覺得重要的，是不是讀者覺得重要的。最有幫助的訓練就是數字分析，迅速、明確、毫不含糊的檢視自己對讀者的判斷是否正確。

一年來的轉型訓練，很多項目都鍛鍊過，但淺嘗即止，接下來我想要自己找一個項目，花時間去累積紮實的實力。目前想要選的是社群短影音，包括題材判斷、剪接、下標、讓它在社群發酵。

傳統媒體的同事，多半實力好、見識高，不容許自己做出幼稚、不完整、實驗性的東西，寧願守在原地。如果組織不調整，沒有立刻否認他們的價值，就會覺得原來的方式仍是很好的，導致自己改變的腳步鬆懈。

丟在全數位的環境裡成長最快

L先生（當過兩年編輯，八年記者，目前為新聞部數位製作人）：

最初踏入數位覺得技術門檻很高。以前做記者只要會搜尋資料，連雲端硬碟也不會用，現在很多數位產製的工具都要會。接著是觀念的問題，過去寫新聞沒有TA（目標使用者）的觀念，記者通常目標是「上到報紙頭版頭」，因為代表長官肯定你。但沒有想過，服務的對象到底是報社的長官，還是讀者？

進入數位世界是很殘酷的，因為什麼都有數字可以佐證，記者的優越感消失，常常自以為了不起的作品瀏覽率卻非常低，會很受挫，自己拉不下臉來。

不過，挫折中還是可以找到小小的成就感。比如一個作品，意外得到很大的回響，數位時代沒有絕對的法則，新鮮的事很多，也是數位環境最好玩的地方。就是這樣度過挫折，然後不斷往下找新的目標，嘗試對準使用者。

所以學習數字分析是很有用的。另外，和不同數位專長的同事合作，比如視覺設計、產品開發等，慢慢將數位的知識和能力累積起來，養成用數位來思考，整個人被丟在全數位的環境裡成長是最快的。未來，我想花更多心力投入「短、精、快的視覺化數據新聞」，協助年輕同事，結合新聞專業與數位經驗。

不過感覺上目前很多人還是沉浸在自己的舒適圈裡，習慣長期以來的工作模式。其實就放膽踏進數位的領域，甚至全數位的領域，一段時間後即便回到原工作崗位，也會很不一樣。

@@BOOKID:126688@@

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。