李開復認為台灣發展AI沒機會，林之晨：最缺的是人才|數位時代 BusinessNext

李開復認為台灣發展AI沒機會，林之晨：最缺的是人才

創新工場董事長李開復說，「台灣沒有機會發展AI產業」，這樣的說法，你認同嗎？之初創投合夥人林之晨提出另一種觀察，他認為比起美國和中國，台灣確實是處於落後的，尤其是人才這一塊，但這也正是迎頭趕上的機會。

林之晨：AI團隊不見得要出走

對此，之初創投創辦人暨合夥人林之晨認為，他大致都贊成李開復的想法，不過，台灣的AI新創團隊，不見得都得要離鄉背井，選擇去美國和中國發展才有未來。

林之晨認為，目前的討論前提是，台灣還繼續要和美、中、以及未來的印度這些重量級國家在同一個舞台上較量，但我們已經不像過去PC時期，擁有天時、地利、人和這樣的機會了。

因此，他認為未來的30年，台灣的命運應該退到中量級舞台，當好第二領先群國家中的領頭羊。如果是這樣的話，那麼戰略上就應該是跟美、中學習，但不需要跟他們比較，或是害怕落後他們。

「可以比較的對象是新加坡。」林之晨說，以東南亞市場來看，新加坡確實是其中的領先者之一，雖然以AI發展而言，比較算是羽量級國家，不過動作積極、包袱也比較少。對台灣來說，落後美、中雖然是天經地義，卻還是要積極跟上，不要讓新加坡專美於前。

台灣發展AI，最缺人才

至於該怎麼做，才能讓台灣更適合AI創業，林之晨表示，關鍵點將會是人才培養。他強調，雖然我們有優秀的AI新創公司出現，像Appier已經可以在國際上競爭，但這樣的特例，我們能有多少？

就算新創公司已經開始成長，如果想讓成績再升級，需要大量懂得技術和國際市場人才時，「台灣能夠找出一千個、一萬個人才嗎？」林之晨有些悲觀地認為，這也正是下一個Google、Facebook很難在台灣出現的原因。

他舉之初創投曾投資的盾心科技為例，創辦人也是去了美國和英國之後，看見不少影像辨識技術後才決定創業。如果台灣總是要讓團隊耗費這麼高的門檻往外找人，那麼能利用AI創造新產業價值的機會就會降低。因此，比起台灣的市場現實、老舊法規，他認為人才問題也是政府該注意的。

林之晨認為，面對未來產業變化時，國家該怎麼面對，其實並沒有標準答案。像是美國就選擇透過教育方式，提供小學、中學各種「STEM課程」（科學Science 、科技Technology、工程Engineering和數學Mathematics），另外光是coding學校，全美可能有幾百間。台灣如果現在開始面對，討論AI人才這件事並不算晚。

他期許科技部，「可以讓全台灣每個年輕人有AI的實務經驗，有點像30年前開始把電腦課帶到學習，確保每個人都有AI的應用能力。」

不過，相較於兩位科技、創投業人士看法，科技部目前對台灣AI產業則深具信心，先要用50億打造運算主機供產、學界使用，還要以20億建立機器人Maker中心，提供試驗場域。部長陳良基更多次表示，科技部未來還要在全台設立三至四個AI研究中心，結合大學頂尖師資，聘用交換學者。透過三種面項打造環境，就能吸引和創造更多人才出現。

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。