剖析AR眼鏡開發的秘密，和碩設計總監蔣文瀚：最大挑戰是「FIT跟MOVE」|數位時代 BusinessNext

剖析AR眼鏡開發的秘密，和碩設計總監蔣文瀚：最大挑戰是「FIT跟MOVE」

AR眼鏡成科技大廠如英特爾（Intel）、Google等大廠發展重點，但也紛紛傳出計畫喊卡傳言，究竟AR眼鏡商業量產有何難度？和碩聯合分享他們內部AR眼鏡專案碰到的挑戰。

建立人體資料庫，和碩投入AR眼鏡研發

AR眼鏡普及化最大挑戰是「FIT（舒適度）跟MOVE（行動性）」，人對配件的偏好不同，臉型差異又頗大，預期會是AR眼鏡發展的最大挑戰，蔣文瀚說。

和碩設計（PEGA D&E）創意總監蔣文瀚參加達梭系統（Dassault Systèmes）台灣用戶大會時分享工業設計團隊開發AR眼鏡經驗，他表示，未來科技趨勢有4大重點，包括：無縫相連、數析人生、虛實整合、AI新智能，

目前和碩設計團隊對AR與VR眼鏡、穿戴裝置、機器人投入研究，其中發現穿戴跟AR眼鏡的工業設計最大挑戰，在於人類多樣面貌及移動性，尤其眼鏡變化喜好多元，加上每個人臉型大不相同，為此和碩內部建立了龐大的人體資料庫。

蔣文瀚表示，和碩從產品設計、研發到生產都有完整的著墨，工業設計團隊不斷研究下一個明星產品，搭配達梭的軟體套件設計AR眼鏡時，可以納入人體型參數，直接在設計初期比對是否符合人體工學，在空間中畫出草圖，讓導入3D階段速度加快，更快檢查模型問題在哪裡。

鎖定B2B市場，瞄準觀展、視覺導覽用途

個人化穿戴方面，即便智慧手錶Apple Watch已推出三代，蘋果仍不斷推出新錶帶以迎合不同用戶需求，但大小錶款原本是想給手腕不同粗細的用戶挑選，但結果並非最初所料，比方說，有不少女性選買大尺寸Apple Watch，為的是配大錶可以更凸顯手的纖細，用大手機可以凸顯小臉，這都不是最初想到的消費行為。

蔣文瀚指出，AR眼鏡設計難度比一般眼鏡高數倍，單單是配眼鏡都需要花時間驗光才能配到好，以B2C而言，或許未來AR眼鏡也無法在網路銷售，必須到眼鏡行調整符合個人參數配戴後銷售。

以和碩的AR眼鏡研發經驗來說，蔣文瀚表示，由於B2C商業量產複雜度高，和碩先鎖定B2B市場，比方展覽單位，定義應用場域為觀展、視覺導覽用途，消費者使用AR眼鏡時，現場必須有工作人員提供協助。

由於英特爾宣布解散AR眼鏡團隊Vaunt，讓市場期盼AR眼鏡加速商業應用的前景蒙上陰影，蔣文瀚表示，不清楚英特爾計畫，但他樂觀認為AR眼鏡發展關鍵仍在內容，這需要等待，現階段AR眼鏡要走到終端消費市場仍有高難度，需要有專屬的應用體驗。

和碩目前的做法是先開發Prototype眼鏡，先預想適合的場域，比方導覽、銷售賣場或遊樂場，等客戶開案，再增強體驗功能。而一體成型機種將是開發方向，眼鏡本身處理部分資訊，並以藍牙或WiFi連結至後台是未來趨勢。

和碩也將於台北國際電腦展Computex中展出最新開發的AR眼鏡產品，宣示在新穿戴裝置布局。

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。