政府力拚電子支付普及，統一QR Code行得通嗎?|數位時代 BusinessNext

政府力拚電子支付普及，統一QR Code行得通嗎?

因為各家業者使用的技術不同、規格不同等問題，在台灣單一電子支付的使用情境還是相當有限，也影響電子支付的普及速度。為此，財政部召集九大公股銀行及財金公司共同推出了「台灣Pay QR Code共通支付」，希望藉由規格統一來加快普及速度。

統一規格，降低消費者使用門檻

簡單來說，台灣Pay主打的就是統一的QR Code規格，因為是採用QR Code的掃碼途徑，所以沒有手機廠牌或作業系統不同的障礙。也因為規格統一，今天消費者可以用A銀行的行動銀行App，透過QR Code去繳B銀行的信用卡帳單；或是用C銀行的行動APP支付A銀行代收的學雜費等等；甚至A、B銀行的用戶還可以透過QR Code直接相互轉帳。

因為銀行本身有一定數量的用戶基礎，又不必要求消費者另外下載新App、申請新帳戶，確實有機會藉由降低進入門檻，吸引更多消費者使用。官方樂觀看好，若未來各大銀行都加入台灣Pay的行列，以每家銀行都有20~30萬行動銀行用戶估算，則台灣Pay的用戶規模將可以上看600萬戶。

600萬用戶規模聽來相當可觀，不過真正要想創造出600萬個活躍用戶，也不能忽視使用場景的挑戰。

從現場展示可以看得出來，銀行目前多是從自家服務著手，如兆豐商銀推線上結匯掃碼付、彰化銀行推掃碼繳交信用卡費用等等。但銀行本身的服務終究還是只能覆蓋小部分消費者生活，而且現行繳費方式也未必不便利。

此外，進一步了解得知，目前各家銀行大多都還只有一到兩項服務完成與台灣Pay的整合，已經上線的服務還不多；至於銀行之外的使用情境，現場有國際物流公司DHL、美妝通路86小舖、食品業者一之軒、生活用品業者阿原肥皂等，但總數大概還不超過20家，整體來說，支付場景還是相當欠缺。

銀行聯手還不夠，說服既有支付業者加入難度高

當然，各家銀行的特約合作商店和大大小小企業客戶，都可以是著手創造多元使用情境的對象，只是這項業務可以為銀行帶來多大效益，又各家銀行願意花多少力氣去推動這項業務發展呢？或許，要想在短時間內創造多元豐富的使用情境，與市場上既有支付業者合作可能是更有效的方法，只是目前似乎還看不到誘因。

畢竟公股行庫配合財政部理所當然，但對歐付寶、Pi行動錢包、LINE Pay等更早啟動的業者來說，為什麼要放棄自己的研發成果，將過去一步一腳印開疆闢土得來的消費者和店家雙手奉上，去玩別人制定的遊戲規則？

再者，財金公司開發出來的產品是否更優於這些研發投入時間更早，且已經在市場上有過實際使用經驗、經過優化的產品？更別說要Apple Pay、Android Pay和Samsung Pay這三大採用NFC和獨家感應技術的國際支付業者去加入台灣Pay的QR Code掃碼了。

此外，站在消費者立場，一個App可以買遍天下當然是最好不過，但站在支付業者角度，若採取統一規格，就少了產品差異化的空間，或許最後就只能在行銷、補貼決勝負，但這大概不會是財力相對不豐的小玩家所樂見的。

而市場上其他業者如果不願意配合台灣Pay，則台灣Pay的通用QR Code其實也還是沒辦法真正做到通用，仍只能說是台灣眾多電子支付選擇中的其中一種。

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。