【觀點】冰淇淋、甜點照吃,體重怎麼在4個月降8%?PDCA四個步驟,輕鬆執行飲控
【觀點】冰淇淋、甜點照吃,體重怎麼在4個月降8%?PDCA四個步驟,輕鬆執行飲控

之前寫到關於便利商店的低糖經濟圈,便利商店内的低糖相關產品,對想進行體態管理的人來說,真的是一大福音,畢竟在過去週邊飲食配套不多的時候,要控制體重可是要做好非常多的準備,以及高度毅力才可成功。但從另外一面來看,當市場上的低糖配套越來越多時,是否因這些配套變多,而調整自己體態有成效的人也一起變多了?根據日本對500名執行糖質制限女性所做的調查,大約有8成的人,在達成目標體重前就放棄了。

先說自己的經驗,其實身邊因糖質制限配套而調整體態成功的人,在比例上,如同日本做的調查一樣,還意外的少,其實我自己也失敗了兩次,一直到第三次才開始出現成效。從失敗到出現成效,雖然毅力是個關鍵因素,但就跟在執行商業專案一樣,抓到某些關鍵行動,再加上滾動式修正,是可以提高成功的機率的。自己在實踐糖質制限的過程經驗,是有套用古典PDCA的問題解決模型,接下就用我把PDCA的步驟用在糖質制限的經驗,來說明如何在第三次終於能出現跟前幾次不同的結果。

每個人體能狀況不同,所以在進行糖質制限飲食前,我有事先先諮詢醫生的意見,要先通過醫生這一關,才能開始執行糖質制限計畫。

怎麼運用PDCA進行糖質制限?行動有哪些?

説起來也很不好意思,其實第一次看到到PDCA這個模型,應該是20多年前的事了,當時年紀輕,很容易陷入其他比較花俏的問題解決模型,但多年後還是回到這個簡單,易懂,好執行的古典問題解決方法。什麼是PDCA?網路有很多精闢的介紹,這邊就不多談,這邊會說明的是,在運用PDCA進行糖質制限,你必須要留意什麼關鍵行動。在這案例中,PDCA對我的定義是。P計畫。D執行。C檢視。A再執行。

步驟一:計畫,模仿成功案例

第一步驟 - P/計畫。在PDCA的體態控制專案中,「P/計畫」從影響成功比重佔比來看,超過一半以上是要靠P/計畫,P/計畫的關鍵行動是什麼?在其他商業書裡面其實也時常提到,能夠快速跟降低失敗的捷徑,就是用找既有類似範例來修改這個方法,而不是自己從零著手。

首先我是去找,是否曾經有用類似方法,而且最後結果爲成功,而且有寫出可執行步驟的人。而後來發現一位名叫森永卓郎的日本經濟評論家剛好有出版他的糖質制限經驗分享,我實踐的主軸基本上就是模仿這一位的。而這邊關鍵的是,你想模仿,或是參考的那個人,必須要具有清楚明白的邏輯論述,要不然你可能會follow到一個很難理解的實踐方法,而森永卓郎因為工作的關係,本身就很會表達,所以描述具體生動,非常好遵循。所以在P計畫這邊,先擴大可模仿人選的分母,然後再從裡面挑選最可靠的出來改造,就是P/計畫這邊的最重要的。

步驟二:執行,把執行過程視覺化、背下基礎食材含醣量

第二步驟 - D/執行。說到執行,當然一定要能動起來,才會前進,但你怎麼知道你有在動?如果你在高速公路,從臺北往臺南開,要是周邊沒有任何里程或是公里數的標識,你是很難知道你執行的進度為何?也會有不知道要做到什麼程度才可停止的煩惱。所以是否可找到能把執行方案視覺化的方法,在執行這步驟時是非常關鍵的。

那把執行過程的量化(視覺化),具體來說是什麼?在森永卓郎,以及在其他的低糖飲食指引,都有提到需要控制每日的醣份攝取量,並且都需要把每次入口攝取的醣份數字記錄起來。那問題來了,你怎麼知道吃下去的量是多少?所以執行記視覺化 - 最重要的第一步,不用去急著去控制一天吃多少,而是先把基礎食材的含醣量都背起來, 再往下前進,雖然控制吃多少很重要,但要是含醣量背不起來,你當然是無法記錄,也無法量化,那自然就無法進入到下一步的檢視。目前還沒遇到過不K書一下就能在糖質制限上成功的人。執行要是無法量化,是很難去改善的。

步驟三:檢視,關鍵在找到快速方便查看記錄的方法

第三步驟 - C/檢視。當過程都可被具體的量化後,接下來就是要檢視前面所提到,每日醣份的攝取量是否有按照計畫進行。在商業上的PDCA,個人覺得最困難的就屬於C檢視這一段,因為檢視必須去看之前的記錄,而且如果你的記錄是分別落在筆記本,手機,語音,等不同載具的時候,要去整理就又特別麻煩,覺得麻煩,就很難落實每天檢視,成功幾率就降低了。回想你是否有花很多時間去找某封郵件的經驗呢? 光是單一郵件系統找就會花很多時間,更何況是使用不同載具的時候。所以在檢視的這個步驟,最關鍵的就是是否有可以快速,簡單,幾秒就可以檢視記錄結果的工具。

那要如何才能快速的檢視? 在第一次,我用了一個體態控制的APP,叫做あすけん(這個在日本有800萬用戶),爲了能有壓力持續,當時還選擇付費方案,他的好處是可以記錄每一餐的照片,以及自動換算攝取的含醣量(不是超級精確,但還可以接受)。但後來發現APP還是太多界面,很難一次簡約的看到不同區間的成果。

繞了一圈之後,還是免費的雲端Google試算表最好用,X軸記錄早中晚,Y軸再加上日期,并且把記錄的試算表檔案在手機桌面開一個超鏈接,由於手機很隨身,手機桌面就有超鏈接圖案可以快速點擊,連到雲端檔案,大約不到3秒就可以到記錄畫面檢視,試算表反而是最直覺,之後要整理也是最方便的。工具要方便執行才能持續。

步驟四:再執行,檢討妨礙成功的原因並再次執行

第四步驟 - A/再執行。 千萬不要覺得糖質制限調整體態一次就可以成功搞定。我失敗了兩次到第三次才終於終於出現成效。有些人在看不到效果之後,就覺得這個方法不行,然後就結案,真的很可惜。從市場經驗來看,如果有複数人是用同樣方法得到成效,那應該要懷疑自己是否在執行方式上是否有需要調整的地方?才能算是比較完整的流程。當然你也有可能會遇到一個原本就無法成功的方案 ,但個人覺得,至少也要能說出自己為何無法成功的假設理由,再決定是否要改善這些妨礙成功的理由,才能轉換成再前進,或是轉彎的養分。

為何找出妨礙成功的元素會是關鍵行動?在某些情境下,關鍵不是在你做了哪些成功的事,反而是哪些事讓你無法成功,靠減法來提供成功率。特別是在調整體態這件事,有想改變現狀的人,他們的飲食習慣,大部分應該都是往反方向而行,才會無法達成自己想變成的結果。所以找出這些妨礙成功要素,排除之後,再執行的成功幾率就容易提高。

將PDCA轉換成,模仿,量化,速查,排除,就是我在執行體態控制時的關鍵行動, 那成效如何?在什麼都吃(甜點,冰淇淋,白飯等等)但控制並紀錄攝取數量的情況下,4個月內體重少了約7.9%,7.9%應該不算多,但最少跟之前慢慢在提升的體重線來看,自己是還蠻滿意的。控制體態的方法應該五花八門,但應該就跟工作上遇到但問題一樣,解決方案也是很多種,非常推薦簡單的PDCA這個半古典的方案,不只是體態控制,應該在你其他地方所遇到的問題,也都可以幫你解決。

延伸閱讀:LAWSON麩皮麵包狂銷3.7億個!3點拆解,日本「低糖質」飲食為何超夯

《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)

責任編輯:蘇祐萱

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