挖掘數據背後的價值，治略資訊用技術推進零售與工業的資訊革命！|數位時代 BusinessNext

智慧零售拉近與顧客間的距離

以零售業來說，人、貨、場是其中重要的三元素，治略資訊能以AI技術分析消費者購物習慣，進而會影響到門市鋪貨、安全庫存要訂多少，可見人、貨、場彼此息息相關，牽一髮而動全身，有了數據分析幫助商家做決策，也較能降低人為預測失誤所帶來的成本。

對於店家來說，除了要鞏固忠實客戶，也會希望喚醒那些一段時間未消費的沈睡會員，因此如何花費最少的成本去喚醒將來最有消費潛能的客群就是一個難題，以人為判斷是無法做到最有效的廣告投放或預測潛在客戶，但交給數據分析就有可能達成。治略資訊曾協助某間餐飲業者分析會員消費情形，將大筆的消費數據丟入分析平台可以得知最有可能被喚醒的會員有什麼特徵，依此來判斷需要發送訊息給多少會員，甚至是分析什麼時段的投放效果最好，讓店家的行銷資訊一出去就能打中目標客群。

大量購物紀錄其實很有數據分析的價值，治略資訊共同創辦人王智舉例，如果零售業者想開發購買威士忌客群，AI就能自動列出哪些人是從未購買威士忌但在未來很有可能購買，或是人們購買威士忌時通常會一起選購哪些商品。這些分析結果最終可以對潛在客全量身打造促銷活動，不需要浪費太多成本就能做到精準行銷。

協助工業物連網做到製程管理最佳化

工業物聯網（IIoT）正是企業迎接工業4.0的重要技術，在導入這方面的應用時，會由治略資訊的合作夥伴負責機台連網、數據採集，治略資訊則進行後續的數據分析。

工廠最怕的就是製程不穩定，需要時刻監控生產情形，並提高產品良率。目前治略資訊致力於進行工廠供應鏈或生產線的改善，形成智能數據平台，提升原物料管控、設備維護、製程品質的管理。平台會即時演算機台數據，推導在生產過程中出現的問題點是由哪些原因所造成，改善製程中的不確定性。

王智解釋工廠製程改善的重心會放在「品質」，當製程出錯時，通常會由工廠的老師傅憑著經驗去一一校對錯誤，當AI出現之後，AI要如何向工廠老師傅一樣自動且精準的修改製程錯誤將是數據分析平台獲得成效的關鍵。

治略資訊在接觸合作客戶時，也發現到很多工廠並不了解如何運用數據，也不知道該從何改善生產流程，因此治略資訊開展「12周分析」的業務模型，在這12周內，雙方會經過多次的討論與釐清，由客戶幫助治略資訊了解產業know-how、痛點，抓住問題點之後再由治略資訊為客戶擬定解決辦法。透過這樣深度盤點問題之後，也較能從根本解決產業問題。

成為輔助產業升級的推進器

治略資訊在台灣以及中國都有開展業務，對於這兩種不同的市場狀況有著深刻的體悟。中國內需市場龐大，不管是企業還是工廠老闆都很敢投資，產業競爭壓力大讓中國企業寧可犯錯也不要錯過，治略資訊營運長李榮生也說到：「即使去到那邊技術可能會被複製，但這不是不去中國的理由，不去可能會死得更快。」

治略資訊也曾拜訪過台灣超商業者，但普遍沒有使用或投資的興趣。因台灣企業多抱持著保守心態，產業龍頭仍安於目前現況，不敢冒太大風險，其他業者則奉行老二哲學，這樣下來也讓整個產業沒有進步的動力。

在工業方面也是同樣的情形，李榮生認為台灣目前還落在工業1.5或2.0，很多工廠的數據蒐集並不完整，自然無法導入AI或物聯網的應用，想要進到工業4.0就得花費很多額外成本汰換舊設備，許多工廠老闆是不願意投資的，最後也只能放棄數據分析這一塊，這也是令李榮生覺得相當可惜的部分。

治略資訊仍相信著大數據可以為企業帶來前所未有的改變，即便有些企業還沒在這股資料革命的趨勢中做好準備，治略資訊也期望可以做為輔助產業升級的推進器，以數據分析做企業的最佳後盾。

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。