亞馬遜前員工：貝佐斯面試時問了這兩個關鍵問題！連基層助理也親自篩選|數位時代 BusinessNext

基層助理也親自篩選！亞馬遜前員工：貝佐斯面試時問了這兩個關鍵問題

曾在貝佐斯旗下工作，現在自行創辦諮詢顧問公司的安．希雅特，分享當年在亞馬遜的面試經歷，並分析這個電商龍頭的創辦人如何挑選人才。

貝佐斯親自面試基層，只問了兩個問題

當貝佐斯出現在會議室，簡單自我介紹後，告訴希雅特他只會問兩個簡單的問題。而第一題竟是一道腦筋急轉彎：

「首先，請妳算一算西雅圖市有多少扇玻璃窗！」

當聽到這個問題時，希雅特差點嚇壞了！看著手拿白板筆的貝佐斯準備依她的回答在白板上做計算時，希雅特冷靜下來，思考貝佐斯詢問這個題目的目的：「我告訴自己，他想要知道我化繁為簡、分析複雜問題，然後將之拆解成幾個簡單可處理的步驟的能力。」

希雅特大膽推測，西雅圖市當時約有100萬人，而這100萬人的住家、交通工具、學校或辦公室至少都有窗戶，再以此推測所需的玻璃窗數目。

貝佐斯根據她的假設在白板上一一計算，當貝佐斯用整面白板寫完算式後說：「這看起來是對的！」希雅特鬆了一口大氣！她回憶，儘管實際上只花了10分鐘左右，她卻感覺像是過了好幾個小時。

貝佐斯接著問，「你的職涯目標是什麼？」

希雅特回答，亞馬遜集結了許多懷抱野心和工作熱忱的人才，她也想成為這樣的人、並汲取他人的長處。希雅特向貝佐斯坦承，雖然自己對於如何當個好助理沒有概念，但希望能夠跳出舒適圈，進入一個快速成長的環境。 希雅特的回答顯然讓貝佐斯很滿意，當場就錄取她，並安排給她一張靠近他辦公室的桌子！

多年後也創立公司、成為領導者的希雅特分析，貝佐斯希望在他麾下的團隊，不需要靠他推動、就能不斷往前衝，領導者反而是適時出面喊停的角色 。因此，他相當歡迎認知到自己的不足，且願意用衝勁與創意來達到目標的人才。

她認為，今日亞馬遜會如此成功，就來自企業與團隊具備這種自發性追求卓越的渴望 ，作為這樣一個團隊的領導者，貝佐斯只需引導團隊努力的方向，而不必特別花時間激勵成員。而貝佐斯當初面試希雅特的兩個考題，就是為了確認她是否有著這樣的意志、勇氣和動力。

本文經授權轉載自：經理人月刊

責任編輯：吳佩臻

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。