只有1%機率！這張圖表告訴你成為獨角獸新創有多難|數位時代 BusinessNext

只有1%機率！這張圖表告訴你成為獨角獸新創有多難

據傳 99% 的新創會死亡，但是根據 CB Insights 的追蹤，有 1% 的公司有機會成為獨角獸。

拿到種子輪後，有多少人可以活下來？

如果你是拿到種子輪資金的創業家，有幾個你可以關注的數字。

種子輪的平均值為 67 萬美元（中位數為 35 萬美元）。而在其中，只有 48% 的人能夠前進到第二輪，也就是一半的人陣亡與此。不過好消息是撐過去後，其中 63% 的公司能夠繼續拿到 B 輪。

另外有 67% 的公司在募資的過程中「卡住」，因為難以知道這些新創公司的具體狀況，舉例來說，募資新聞通常會得到大量宣傳，但後續的盈利與否以及是否「正式死亡」卻無聲無息，難以追蹤。

出場方面，30% 的公司以 IPO 或者被併購出場，其中，13 家新創以超過 500 萬美元出場，包含 Instagram、Zendesl 以及 Twilio 等；而獨角獸方面，僅有 1.07%（12 家）的新創公司成為獨角獸，包含 Uber、Airbnb、Slack、Stripe 以及 Docker 等。

在時間方面，各輪的募資時間都差不多在 20 個月左右，但到第六輪，募資時間會大幅縮短至 5 個月，可能顯示了投資人在這個時期特別渴望投入。

反觀台灣？

值得注意的是，CB Insights 選擇的 1,119 家公司都是科技公司，成為獨角獸、出場的潛力本身就相當高，而且立基於美國的科技公司大多面向全球市場，本份數據對台灣創業家來說也僅供參考。

根據 2018 年 Startup GENOME 與《數位時代》合作進行的台北（包含新北）創業生態調查，約略估計每兩年可產生 150-350 家技術類新創。若根據 CB Insights 的數據，應該已經出現 1-2 家獨角獸，儘管現在 Appier 與 Gogoro 都大有潛力，卻還沒聽到跨越獨角獸界限的好消息。

除此之外，台經院 Findit 平台上的數據，也能讓我們一窺台灣新創的募資現況。根據其統計，雖然 2015-2017 年獲得投資的新創數量下降，在金額上卻有不小的成長，從 2015 年的 4.61 億美元，到 2017 年的 5.23 億美元。台灣資金環境對於優質新創成長的確有不小的改善。

不過，對創業家來說，講述創業有多困難的文章大多千篇一律，但大家都只想當萬裡挑一的閃耀巨星。理性地看待數據，持續帶著感性一步一步向前才是真理。

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。