90%人力被替代！Uniqlo全自動化工廠開張|數位時代 BusinessNext

導入自動化系統，減少90%的人力

一旦物流系統效率不彰，便會對集團整體營運帶來極大的不便，像是最近天氣漸漸轉涼，Uniqlo熱銷的HeatTech保暖內衣已可在各門市中看到，而根據Uniqlo說法，為了讓產品可以順利交付，HeatTech系列產品往往需要提前五個月就進入倉庫存放，這對公司營運來說，無疑是增加額外營運成本。

於是，最近Uniqlo在位於東京的倉庫導入一套自動化系統，由機器來負責服裝品管、分貨的工作。舉例來說，當服裝運到倉庫後，會被裝在箱子中放上輸送帶，系統會自動讀取衣服上的電子標籤，來確認商品的庫存、種類，接下來就能利用這些資訊包裝、分類。

Uniqlo說，這座「機器人倉庫」目前已經減少了90%的人力，還可以24小時持續不間斷地運作。

降低營運成本，Uniqlo營收目標提高到3兆日元

事實上「機器人倉庫」背後是經過長達兩年的布局，Uniqlo的母公司迅銷集團（Fast Retailing）在2016年時為了發展電商業務，急需縮短庫存管理和生產週期，於是與物流公司Daifuku（大福株式会社）建立全球戰略合作夥伴關係。

Uniqlo東京倉庫的自動化系統，就是由Daifuku負責改造，據了解，使用Daifuku的全自動物流系統改造一間傳統倉庫，成本大約落在10億~100億日圓，雖然建造成本並不算低，但對品牌來說卻是一種投資，可以在未來大大降低倉儲成本，甚至進一步提升交貨效率。

而東京只是第一步，Uniqlo創辦人柳井正透露，未來計劃陸續投資1,000億日元，在全球市場都引進自動倉儲系統，降低庫存成本，Uniqlo去年（2017）營收為1.86兆日元，有了這套全自動系統加持，Uniqlo更將今年的營收目標提升到3兆日元。

京東全自動輸送平台，每小時可處理9千件包裹

物流系統自動化早已不是新概念，隨著中國雙11購物節將至，各家電商平台想必是如臨大敵，事實上在去年（2017），京東就在崑山打造無人分揀中心。

京東創辦人劉強東曾經說過，未來5~8年內，從採購、配送、到消費者手中的所有過程，通通可以由人工智慧和機器人來解決。相較於傳統電商的分揀系統，崑山中心最大的不同就是配有全自動輸送平台，能透過3D技術掃描包裹的六個面，快速辨識每一個包裹身分，能將分揀效率提升四倍之多，根據京東統計，全自動輸送平台每小時可處理9千件包裹，大約可減少下180名作業員人力。

此外，從揀貨、裝車到倉庫配送，每個環節都做到全程無人操作，包括自動分揀機、無人駕駛搬運車（Automatic Guide Vehile，AGV）、無線射頻辨識系統（RFID）的資訊處理等，自動化設備覆蓋率幾乎達到百分之百。

導入物流機器人，亞馬遜員工卻沒因此減少

講到物流機器人，就不能不提亞馬遜（Amazon）在2012年收購新創公司Kiva Systems，後來將這家公司改名成「亞馬遜 Robotics」引入Kiva倉儲機器人。

去年年初，亞馬遜在全美20個物流中心導入4.5萬個Kiva機器人，專門負責搬運貨架等工作，舉例來說，在導入Kiva倉儲機器人之前，亞馬遜單個物流中心最高峰一天能出貨70萬個品項，全面導入後出貨量提升到150萬個品項、營業支出節省20%、檢貨速度更一舉提升三倍，現在亞馬遜在全球部署了10萬多台機器人，未來數量還會增加。

特別的是，雖然大量引進機器人設備，但是亞馬遜的員工並沒有因此減少，因為亞馬遜認為機器人並不是用來取代人力，只是讓員工轉而負責不同的工作，好處是可以讓人類從重複極高的無聊工作中解脫，更能減少營運成本、提升整體物流配送效率，達到雙贏局面。

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。