為什麼台鐵會誤點,高鐵不會?談專案延遲的原因
為什麼台鐵會誤點,高鐵不會?談專案延遲的原因

中秋連假我們去宜蘭玩,為了避免塞車,我們用火車行動,不免俗(?)地我們又遇到了火車誤點,於是我跟老公討論起誤點的原因,正好看到新聞也正在報導網友討論誤點原因。

這些原因和我們討論的有些一樣,有些不同,我們認為這些原因,其實跟一個專案會delay的原因本質上非常類似。首先我要說,我看到有一種說法:「台灣人素質低,總是要最後一刻上車」,或是「台灣就太有人情味,會特別等來不及的旅客」,你同意嗎?

我完全不認為是這種原因,如果是這樣,為什麼高鐵就不會延遲呢?而且之前我去出差時,日本的鐵路也是常常延遲,日本人不是有名的守時嗎?我認為怪罪到「特定人」身上,其實不太合理,也無法解決問題,難道專案延遲,把人換掉就有用嗎?

以商業思維的模式思考,或許可以從「系統」的角度來看待問題。從火車時刻來看,調度其實是一門很深的學問,我先從我跟老公討論的幾個可能原因來切入,更重要的是,這些原因對我們管理專案有什麼啟發。

第一個原因

台鐵有多種車種,速度不同、優先順序不同,需要互等;高鐵較單純

常常看到那種一整排車次都延遲的畫面,是因為「要等某列車通過」,因為在台鐵一條軌道上運行的,有速度快、優先順序高的自強,也有速度較慢,站站停的區間。

假設原本自強9:00進站,區間9:05進站,當自強延遲為9:10進站,區間車就必須等自強先通過,不然之後會卡住自強的位置,區間車就只能延遲為9:15進站了,此時可能又卡了其他車次,其他車次也因此要調動,就造成整排列車都延遲的狀況,而且越後面的車,延遲越多。

思考在專案中的意義:
在專案中,這給我們什麼啟示?

這本質上是「相依性」的問題!

所謂的相依性,就是你案子裡面的一些事項要開始或驗收時,都要「等」另外一些項目完成,如果這些項目又無法掌控在你手上,那delay的可能性就會大大提高。

team discussion shutterstock-copy
做專案時,要盡量減少「相依性」,瞭解限制條件以及需要花的時間,才能大幅減少中間互相等待確認的時間。
圖/ ShutterStock

例如產品經理要決定規格,要等採購先議價,老闆要同意價格,也要工程師這邊評估技術可行性,採購說要等工程師評估完,結果評估完之後,採購無法把價格談下來,成本老闆無法接受,到最後這些問題就會絞在一起互等,你的案子就卡在訂規格階段,動彈不得了。

因此做專案時,要盡量減少「相依性」,先跟這些人瞭解限制條件以及需要花的時間,在限制條件內盡量由你先抓出一個大家可能都會比較滿意的提案,再用這個提案和各方協調妥協,可以大幅減少中間互相等待確認的時間。

第二個原因

台鐵停靠站多、上下車人數多;高鐵停靠站較少

台鐵停靠站多,每一次的停靠,都有可能有人來不及上車而發生延遲,尤其在高峰時間,有時還會有「擠」上車的情況,這時就會花更多時間。

同時,因為台鐵停靠站多,站與站之間的時間短,所以也比較難在行車過程中補回來,所以後面的行程就一連串延遲了。高鐵停靠站少,就比較少這種狀況,而且站與站之間的距離遠,即使這個站有點延遲,在之後的車程中間也比較容易補得回來。

這邊我不是要怪罪「人」,而是這在專案中有幾個問題:

  1. 利害關係人太多
  2. 沒有足夠的緩衝時間

第一個問題其實跟相依性有點類似,如果專案中的事項常常要「等」不同人做決定,這些人做決定又需要一些思考時間,或是參考資料,那專案的不可預測性就會增加很多,而且溝通成本也會大很多。

另外,台鐵或高鐵的行駛時間,其實是一種「緩衝時間」,可以靠「行駛時加速」,來調配下一個站的到站時間,但是台鐵停靠站多,在較短的行程內,比較難補回來,可能軌道上又有其他的車種,可以調配的彈性就少很多了。

但這並不是說專案中不要設立太多的「檢查點」,只是說這個檢查點要不要通過,不要讓太多人做決定,甚至不要再讓利害關係人「加東西」。

專案上反而應該設計較多檢查點,專案成員在檢查點如果發現早期的「誤點」,就要趕緊採取行動,使用一點緩衝或是溝通,在下一個檢查點之前補回進度,而非等到已經大誤點了,這時的處理就要花掉更多時間與力氣。

第三個原因

台鐵造成意外風險的環境因素比較多;高鐵都在高架或地底

台鐵常有路段是行駛在路面上,也有人車會通過的「平交道」,這些都增加了意外風險,大的意外可能是人車闖入,小的意外可能是樹木、軌道異物、設施故障等等,每次的意外,造成的延遲就不只是幾分鐘而已。而高鐵要嘛高架,要嘛在地底,也完全沒有平交道,相對而言這些外界的干擾就會少很多。

思考在專案中的意義:
放到專案來看,這就是「風險因素」。

shutterstock_562442005_team talk.jpg
好的專案,一定要有控制風險的預警機制,才能讓計畫順利進行。
圖/ Monkey Business Images via shutterstock

你有沒有盡量協助你的專案減少風險因素呢?常見的專案風險因素是,客人對專案的需求不清楚、客人遲遲沒有拍板簽約、你面對的客戶窗口無法做決定、負責開發的工程師要負責其他案子、之前專案有些技術債還沒解決、有些資源需要排期(例如測試機器、測試團隊),這些都是風險因素。

有些風險因素是可以是先排除的,比如設計一些「監控」的方法,像是礦坑裡的金絲雀:在礦坑有毒氣外洩時,顏色鮮明且敏感的金絲雀會先死掉,工人就能得到預警。你的專案可以不用犧牲生命,但是一定要有預警機制。

第四個原因

台鐵的上下車流程比較不順暢,旅客一多,連上車都要等候延遲一段時間;高鐵的排隊與動線安排流暢

不知道你有沒有經歷過「很難上下車的月台」?

以我常去的台中站月台為例,我一直無法理解台中站月台設計的想法,樓梯口正好就是上下車的地方,常常要上下車時就擠成一團,下車、上車、上樓梯的人一團亂,如果是大節日,人本來就多,加上各種行李,其實上車時間會被拖很久,就延遲了,這不是任何人的問題,但是人一多就會有問題。

另外一個問題是,台鐵停車位置不準確,因為車種多、每種車的速度和停車方法不太一樣,連車廂節數都不同,造成司機比較難準確停靠。

無法準確停靠,大家就不知道該怎麼排隊,人就散在月台上,車子到站時一窩蜂擠上去,還可能擋到下車的人,一片混亂就容易延遲。

高鐵只有一種車種,停車位置也是準的,地板上也有排隊線,你在高鐵應該很常看到大家排成一排依序上車,上車跟下車的人分流,但台鐵的風景常常是一坨人擠著要上車,和下車的人卡在一起,反而延遲了上車時間。

思考在專案中的意義:
在專案中的不同項目,大家是否對整體的時程與流程有正確的預期與認識?你是否預先訂好專案回報流程、測試流程、驗收流程,前置的東西是否已經準備好,時間到了大家知道自己要做什麼,也都可以順暢開始了嗎?

這一塊是很容易被忽略的,所以常常專案進程能不能往前推動,都要「靠PM提醒」,把這些流程卡在一個人身上,很容易掉球,也很容易因此延遲。但如果讓專案裡的人都有正確的預期,大家知道何時,要在什麼時候就定位,整個協作的流程就會順暢很多。

總結

想讓你的專案,跟高鐵一樣又快又好嗎?以下5點是你要思考的:

  1. 減少相依性
  2. 減少利害關係人,或是他們要做決策的點
  3. 增加緩衝
  4. 減少風險因素
  5. 建立團隊正確預期,將各階段的交付、驗收流程可以自動被觸發

(本文由Evonne Tsai授權轉載自其Medium

責任編輯:陳建鈞

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場)

往下滑看下一篇文章
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設

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。」

數位無限執行長陳文裕.JPG
數位無限執行長陳文裕
圖/ 數位時代

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。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
代理式商務連動百兆商機
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓