員工匿名爆料：Uber使用軟體「Greyball」讓政府人員的app只看得到「幽靈車」或根本叫不到車！|數位時代 BusinessNext

員工匿名爆料：Uber使用軟體「Greyball」讓政府人員的app只看得到「幽靈車」或根本叫不到車！

Uber前任與現任員工爆料，Uber得以在各城市與執法單位周旋，靠的是app裡一個叫greyball的程式。

只看得見地圖上滿滿的「幽靈車」

根據《紐約時報》報導，Uber使用Greyball工具騙過各地的政府單位，此套工具使用Uber app收集到的數據確認政府稽查人員的身分，一旦被標記，這些人將下載到假的Uber app，上面顯示的多為並非實際存在的「幽靈車」，而有時則顯示為「附近沒有車輛服務」，一旦叫車成功，也很容易在下一秒收到取消通知，如果司機意外接到政府稽查人員的訂單，Uber也會立即聯繫，給予馬上結束服務的指示。

Greyball屬於名為VTOP（violation of terms of service）計畫之下，每當Uber入主新市場，將指派一位經理管理計畫相關事務，而他的工作即是使用各種方法確認稽查人員的身分。

Uber透過系統關注高頻率開啟並關閉app的使用者，並將其列入高度嫌疑名單；同時，他們也會過濾使用者的信用卡訊息，從中找出與政府單位相關的使用者；另外，政府單位為了稽查工作，常會到通訊行購買大量手機與號碼，Uber也會指派相關人員至通訊行取得號碼，列入嫌疑名單；更甚者，Uber為了確認使用者是否真的為政府執法人員，會透過社群軟體確認其身分。一旦身分確認，帳號將被標上記號並編碼，供Greyball辨識。

原本Greyball開發目的是為了保護司機避免遭攻擊

原本Uber開發Greyball的目的，並非作為躲避稽查的工具。在法國、印度和肯亞等國家，Uber司機常會成為當地計程車業者的攻擊對象，因此使用Greyball保護司機。Uber則聲明，Greyball是用來防止對司機的人身攻擊、競爭者的惡意干擾以及同業的不當檢舉。

《紐約時報》透過四位匿名的Uber現任與前員工獲得「灰球」及VTOP的機密文件，而在Uber內部至少有50位員工知情，此套工具也獲得Uber內部法務部門准許使用，對於此次「灰球」相關報導，法務總監Salle Yoo並沒有回應。

韋恩州立大學（Wayne State University）法律系教授Peter Henning則表示，Greyball很可能已違反「美國聯邦電腦詐欺與濫用防治法」，也有極大的可能觸犯各國法律，「規避稽查是很正常的反應，但Uber的作為已經超越界線，」他說。

此外，歐盟議會委員Marietje Schaake，也在上週五聲明，將申請調查「灰球」工具的使用是否合法。

然而，根據《哈芬頓郵報（The Huffington Post）》的報導，史丹佛大學法律系教授Robert Weisberg則認為，只要Uber沒有直接影響政府單位，在特定時執行某一項任務的事實，「我不覺得有什麼不合法的地方。」

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。