【圖解】硬體、醫療都是優勢！全球新創生態系台灣奪第26名，有哪些新創揚名國際？|數位時代 BusinessNext

【圖解】硬體、醫療都是優勢！全球新創生態系台灣奪第26名，有哪些新創揚名國際？

台灣在本次排名中獲得26名的成績；台北則在城市排名中位列41名。生態系的組成複雜、變數繁多，唯一確定的是只有不斷進步，才能把更多新創留在台灣。

百大國家榜單台灣位列26名，比去年進步4名

以國家排名來看，美國仍是壓倒性的領先者。英國在脫歐之後也受到一些影響，但大抵上前4名美國、英國、以色列、加拿大的排名3年來並沒有太大的變化。位列第6的瑞典，則是很好的展示了小國家一樣可以成為國際上最頂尖的領導者。第7名的中國則是首度位列前10，正不斷拉近與先進國家的差距。

台灣在本次的排名中，名次為26名，比起去年進步4名。

以城市排名來看，過去3年來舊金山與紐約的地位從未變動。舊金山仍是創業環境中的「超新星」，綜合評比的分數是紐約的3倍之多，但是2020年舊金山的分數是紐約的4倍、2019年是3倍，差距正在縮小。

北京則花了3年的時間從10名外擠進第3名，證明中國獨特的模式的確有其作用，龐大的內需市場、政治結構等，讓獨立的生態系可以在中國運作，在數據蒐集與AI等領域獲得優勢。

台北在全球城市排名中位列41名，除此之外，新竹、桃園、台南、台中、高雄也首度進榜（城市榜單共1,000名）。

國際看台灣：硬體、醫療是大優勢

從全球的角度來看，台灣從2020年的30名進步至26名，且根據StartupBlink的說法，台灣與阿拉伯聯合大公國（25）、葡萄牙（27）、奧地利（28）有著相當接近的分數，任何微小的變動都可能讓名次發生變動。以地區性來看，台灣位列亞太地區的第7名，正在縮短與南韓、日本的差距。

最值得注意的是台灣在硬體與IoT，以及醫療科技上的領先地位，以全球來看分別排行第14、15名。StartupBlink特別提到，台灣政府給予新創的支援，包含在發展、國際曝光上，以及針對人才引進的就業金卡，都是相當不錯的資源。

同時也提到，台灣本土市場太小，讓新創必須找尋出海的機會。但有像鴻海、華碩這樣的企業存在，讓台灣在硬體方面有獨特的優勢，此外，如Google也加大對於投資台灣的腳步，於台灣設立資料中心。

台北整體上來說優缺點也相同，但單論城市來看，台北在硬體與IoT上有不錯的排名（8）、行銷與教育科技也獲得相當好的名次，分別為14、28名。有趣的是，StartupBlink在台灣的區塊中也特別提及，知名的分析師、Stratechery的作者Ben Thompson也居住於台灣。

責任編輯：錢玉紘

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。