Google先前曾推出了引發熱潮的「Quick, Draw!」，除了讓大家知道自己畫的圖有多醜，醜到AI都認不出來之外，也替Google的圖像識別 AI 類神經網路提供了超多識別素材。隨著上傳塗鴉的人越來越多，將讓Google的圖像識別AI越發準確。

而Google AI在近日推出了「Emoji Scavenger Hunt」（表情符號尋寶遊戲），這次不用畫畫，而是要去找出真實世界中的「表情符號」，而Google搜集的目的是什麼？

真實版支援前線，透過Emoji找尋物品

遊玩前需要先打開手機或是電腦的鏡頭，在倒數過後Google AI會給你一張表情符號貼圖，有可能是「手錶」、「筆」、「鍵盤」、「鬧鐘」、「香蕉」等，接著你就必須在真實世界中找出這些物品，鏡頭後的Google AI會開始進行辨識。

跟「Quick, Draw!」同樣的是，在你尋找的過程中，Google AI 會不斷嘗試猜測，所以在你找到正確物品前，Google 小姐會不間斷的出聲煩你。

而 Google AI 團隊也在 Github 上公布了原始碼，甚至貼心地教導大家如何建立出自己的模型。最近各種資安事件搞得人心惶惶，Google也不忘宣布本次實驗的資料並不會被儲存下來加以利用。

Google 搜集素材背後2大目的

本次 Google 要大家用「鏡頭」協助搜集素材，除了玩起來一樣笑意滿點之外，跟過去「識別圖畫」相較起來有什麼值得注意之處呢？可以由兩個方面下手思考：

真實物品的圖像識別極具「商轉價值」

「Quick, Draw!」主要是識別使用者的「手繪圖形」，實驗性質較高（網友的參與程度、AI模型的建立），在搜集了大量數據後，儘管能加快識別速度，但未來應用的想像空間較小。

而真實物品的圖像識別就不一樣了，不只能運用於多種場景，就工研院產業分析師發布的「辨識技術應用趨勢探討」中提到，辨識後所得到的資訊具有發展成商業價值的產品或服務的潛力。

目前能夠應用的產業有安防（Surveillance）與汽車產業為主要的應用載具，常見的應用情境還包含：航空圖像、監控系統、車用識別系統等。

在身邊的鏡頭只會更多不會更少的未來，「實體圖像識別」的商轉潛力相當大。所以你如果對於識別技術有所想法，也可以直接使用Google提供的程式碼與教學，打造自己的識別模型。（不過有相關的授權問題，請詳閱公開說明書）

也許 Google Glass 將變得更強？

除此之外，雖然 Google 的 AI 相機應用 Google Lens 可以無痛升級此技術，但是另一個你可能遺忘的產品：曾死過一次的產品，Google Glass 也可能將變得更強。

雖然在 2017 年調整目標策略，轉向面對企業用戶，推出企業版 Google Glass Enterprise Edition（EE）後， Google Glass 浴火重生，大眾汽車、通用航空、快遞服務DHL都是其使用者。

應用場景從日常生活中跳到工作場域，工作者在 Google Glass 的協助下進行機械組裝、記錄工作內容、獲取貨物資訊等，而Google也因應這些需求，加強產品的電池續航力、防汗與折疊等特性。也因為 Google Glass 對於工作者的協助與效率上的提升，根據 Forrester研究報告預測，到了2025年，光美國就約有1,440萬名勞工配戴智慧眼鏡進行工作。

若能提供更準確的實體識別技術，將有效提高Google Glass的協助程度，除了提升企業版本的能力之外，如果Google Glass仍有走進人類日常生活的夢想，識別技術只會更加分。

不過這一切的前提是，需要搜集到足夠的資訊量才行，所以趕快到上面的連結玩玩看，為大家的未來貢獻一點識別資料給 Google 吧！

參考資料：The Team at X、Forrester、經濟部技術處。

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。

這次不畫畫！Google推Emoji尋寶遊戲，玩出AI 識別無限商機