F1 賽車界的最高殿堂|數位時代 BusinessNext

F1全名為一級方程式賽車（Formula 1），是單座位（Single Seater）賽車中最高等級的賽事，在F1之下的單座位賽事還有F3000、F3、雷諾方程式、福特方程式乃至於Karting小型賽車，但是除了F1之外，其餘比賽大多是區域性的，車手們經過這些區域比賽的歷練，並獲得優異的成績之後，才有可能獲得F1各車隊的青睞。F1如同美國職棒的大聯盟一般，是賽車界的最高殿堂。

**54年歷史，法拉利車隊戰績最優

**
F1始於1950年，至今已有54年的歷史，比賽也隨著運動經濟規模的擴大以及大量科技的投入而愈形複雜。以2004年為例，共有十支車隊，每支車隊可以派遣兩輛賽車出賽，比賽分為車手以及車隊兩組競賽項目，年度得分總和最高者為世界冠軍。目前歷史最悠久、戰績最優異的是法拉利車隊。
從3月初到10月底，F1每年舉辦18場比賽，每一場的比賽總距離在300公里左右。賽道分布於澳洲、北美、歐洲、中東、南美及亞洲等16個國家。亞洲地區自1987年開始由日本舉辦一站賽事，1999年加入馬來西亞，2004年加入上海以及中東的巴林，2005年則新增土耳其站。而近年F1東擴的原因是因為歐盟（EU）將於2006年禁止香煙廣告的刊登，而煙商卻又是大部分F1車隊的主要贊助商，所以賽事便移往禁煙條例不甚嚴明的亞洲地區。
主管F1的FIA規定，所有F1車隊必須要能夠自行開發底盤、懸吊、變速箱以及車身，換言之，只有輪胎和引擎可以購買。現行F1採用3公升V10引擎，馬力達到將近900匹，轉速可達一萬九千轉，為一般市售車的三倍強。現行F1賽事的引擎供應商有法拉利、賓士、BMW、豐田、本田、福特以及雷諾。輪胎供應商則有米其林和普利斯通兩家。

**體能要求，僅次戰鬥機駕駛員

**
除了法拉利、豐田以及捷豹車隊之外，其他F1車隊都不曾生產汽車，只從事比賽，這些車隊使用的科技僅次於太空梭，車身一律為碳纖維打造，除非毀損，不然不會更換，而引擎、變速齒輪以及傳動軸等則如飛機引擎，使用數百小時之後便須經過金屬染色法加以檢查，一有細紋便立即汰換。F1規定車重必須超過600公斤，從0～100公里加速推估在2.5秒之內，極速可達360km/hr。過彎的側向加速力（G Force）可以達到4個G，也就是說，體重60公斤的人在急速過彎時將會受到240公斤的側向壓力，一場比賽下來脫水2～3公斤十分正常，相當於打五盤網球的流汗量。所以擔任F1的賽車手必須擁有僅次於戰鬥機駕駛員的體能。
每一場F1都有約十億人透過轉播觀賞，也因此造就了許多賽車英雄，例如舒馬克（Michael Schumacher），今年35歲的他是僅次於老虎伍茲，世界上第二有錢的運動員，年收入超過6500萬美金，光是法拉利付給他的薪水便超過3500萬美金，換算每場比賽舒馬克便可以進帳190萬美金──不論他得到冠軍還是一起跑就提前退賽。

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。