為何SARS這麼毒？|數位時代 BusinessNext

SARS病毒在全球各地的蔓延擴散，主要是靠兩個關鍵因素，一是病毒本身的傳染性，一是醫療體系察覺、追蹤、治療與防止病例的能力。在受害最嚴重的亞洲，醫療體系無疑正面對嚴重的考驗。不過在亞洲之外，病毒本身的傳染性似乎扮演了更重要的角色。
以同樣位於北美的美國和加拿大為例：加拿大是亞洲以外受SARS之害最深的國家，共有超過340起病例並已有20人死亡，絕大多數的病例都集中在多倫多市的安大略省。而在美國方面，全國病例尚不及150起，並且沒有患者死亡。雖然SARS病毒傳入加拿大較早，在資訊與認識有限的情況下必然會造成較大傷害，但醫療體系與公衛水準相仿的美、加兩國在病例數字上有如此大的差距，讓許多專家不由得懷疑SARS病毒已經再度發生了基因變異。

**仍然無法確定病原

**
根據微生物專家與流行病理學家的推測，SARS的病原，是原本寄生於動物的冠狀病毒，在經過基因變異之後轉往人類的身上發展。對冠狀病毒這類由RNA（核醣核酸）組成的病毒來說，基因變異是比較容易發生，而基因變異不但能讓冠狀病毒找到新的宿主，還能讓其更適應環境，以利繁衍。
冠狀病毒這種基因變異的另一重影響，就是讓SARS病原的檢測更為困難。目前國內外防疫工作的重要目標，就是找出一種可靠的病原檢測法，在最短時間內確定病患是不是感染SARS。
但由於SARS冠狀病毒的基因變異，使得樣本無法囊括所有「有變異狀況」的檢體，因此檢測的結果並不是完全可靠。例如美國疾病預防管制局（CDC）對美國國內的13個可能病例進行檢測，其中有七個都呈現陰性（也就是不帶原）反應，而加拿大針對可能與疑似病例進行的檢測，結果也有60％呈現陰性反應。基於同樣的原因，要發展出SARS的防治疫苗或特效藥，也不是短時間之內能夠做到的。
在加拿大所進行的檢測，還出現了一個很讓人困惑的結果，那就是有300名沒有到過受感染地區、也沒有罹患SARS的人，檢測結果卻是呈現陽性反應──這表示這些人帶有病原卻沒有患病。當然，任何一種檢測都可能會有誤差，但若將這項結果和WHO於4月16日確認SARS的病原為冠狀病毒之後，卻無法在所有的可能病例的檢體上找到病原放在一起看，就會推演出一個讓人不知所措的結論，那就是SARS要不就「不是冠狀病毒所引起」的，要不就是「在冠狀病毒之外還有別的病原」。
對於像SARS這樣一種新型流行病來說，任何一種看似荒誕的推理，在經證實為錯誤之前都有可能成立，而任何一種看似合理的推論，在經證實為正確之前也有可能有誤。我們唯一可以確定的是人類雖然自詡為萬物之靈，卻仍然無法與自然的力量相抗衡。

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。