AI液冷系統怎麼用數據監控提早發現風險？
昶特 ATLANTIS ｜台灣 31 年工業儀錶製造商 × AI 資料中心液冷監測
AI液冷系統怎麼用數據監控提早發現風險？
及早發現局部過熱與散熱不均・降低突發故障造成的非預期停機・提高維修排程與備品調度的精準度——這篇文章用台灣 31 年工業儀錶製造經驗，把「數據監控」拆解成可以直接落地的感測器架構、閾值設定與維護流程，寫給正在評估 AI 機房液冷系統、資料中心 CDU 監控、GPU 集群冷卻風險管理的採購與工程主管。
一、為什麼「看得到溫度」不等於「看得懂風險」
絕大多數機房主管以為自己已經在「監控」液冷系統——因為 CDU（冷卻分配單元）面板上確實有一顆溫度顯示器。但溫度顯示器只回答一個問題：「現在幾度？」它無法回答真正決定風險等級的三個問題：這個溫度是不是「正在惡化中」？這個惡化是「局部」還是「全域」？以及，如果現在不處理，多久之後會演變成停機？
真正的「數據監控」，是把壓力、流量、溫度、差壓、液位等多個感測訊號連續採樣、互相比對、建立趨勢，讓系統在故障發生前就能標記出異常模式。這正是 ASHRAE 在《Liquid Cooling Guidelines for Datacom Equipment Centers》第二版中特別強調的方向：透過 CDU 作為設施水側與技術冷卻側的明確分界，並要求對冷卻液品質與洩漏訊號進行主動監測，因為劣化的流體化學與早期洩漏訊號往往「先於」溫度異常出現。以下三個能力，是我們認為 AI 液冷數據監控系統必須具備的核心價值。
① 及早發現局部過熱與散熱不均
AI 機房最容易被忽略的風險，不是「機房均溫過高」，而是「均溫正常、局部異常」。實務上常見前排機櫃 15°C 過冷、後排機櫃 30°C 過熱同時發生，兩者平均起來看似落在合理區間，但後排 GPU 早已被迫降頻。要抓出這種局部異常，必須依賴 20～30 個以上的分佈式溫度監測點，搭配每顆冷板進出水溫差比對，而不是機房中央一顆感測器。
② 降低突發故障造成的非預期停機
液冷系統的故障曲線與空冷系統完全不同：空冷機房故障通常有 10～30 分鐘的緩衝時間，液冷機房的冷卻液洩漏或流量中斷，可能在 10～60 秒內就讓 GPU 溫度衝破安全閾值。數據監控的價值在於把「故障後才知道」變成「故障前就預警」——壓力與流量訊號通常比溫度訊號提早 2～5 分鐘出現異常，這個時間差就是運維團隊能否即時介入、避免整機櫃報廢的關鍵窗口。
③ 提高維修排程與備品調度的精準度
沒有數據的維護，只能靠「固定週期」或「壞了才修」；有連續數據的維護，可以看出感測器讀值的漂移速度、冷卻效率的緩慢下降曲線，進而預測「這台 CDU 大約還有幾週會需要維護」。這讓備品採購從「大量常備庫存」轉為「精準預測式調度」，同時把維修排程從「隨機插單」轉為「計畫性歲修」，直接降低人力與庫存成本。
二、產業數據看風險：液冷監控為什麼從「加分項」變成「必要基礎設施」
AI 訓練與推理集群的功耗密度在過去三年出現數量級的成長。傳統風冷機房設計功率密度約 3～5 kW／機櫃，而 NVIDIA GB200 NVL72 機櫃熱設計功耗已達 130～140 kW，GB300 機櫃在 2025 年底逼近 140～150 kW，市場預期 2026 年新一代機櫃將挑戰 230 kW 以上。這代表同一個機櫃空間，需要處理的熱負載是三年前的 30～40 倍，任何一個監測死角，都會被功率密度放大成災難級後果。
| 年度 | 代表性機櫃 / 世代 | 單機櫃熱密度 | 冷卻方式 | 監測難度 |
|---|---|---|---|---|
| 2022 | 傳統 CPU 伺服器機櫃 | 3～5 kW | 風冷 | 低（單點溫度即可） |
| 2023 | A100 / H100 初期部署 | 15～25 kW | 風冷為主，局部液冷 | 中（需分佈式測溫） |
| 2024 | H100 高密度集群 | 40～80 kW | 背板液冷導入 | 中高（需壓力＋流量） |
| 2025 | GB200 NVL72 | 130～140 kW | 直接晶片液冷（D2C） | 高（7 層感測架構） |
| 2026（預期） | GB300 / 次世代機櫃 | 150～230 kW+ | D2C + 浸沒式並行 | 極高（AI 預測性監控） |
與此同時，液冷在 AI 資料中心的採用率快速攀升：市場研究機構估計液冷滲透率從 2024 年的 14% 快速拉升到 2025 年的 33% 左右，液冷設備市場規模也在 2025 年逼近 30 億美元，並預期於 2029 年成長至約 70 億美元（Dell'Oro Group／TechPowerUp 報導）。而根據 Uptime Institute《2025 Global Data Center Survey》，全球資料中心平均 PUE 已連續六年停滯在約 1.54，代表傳統風冷路線的節能空間已經見頂——液冷不是「選配」，而是下一階段效率提升的必經之路，而監控正是確保這條路走得穩的關鍵基礎設施。
| 關鍵指標 | 數據 | 對機房風險管理的意涵 | 資料來源 |
|---|---|---|---|
| 重大停機事故成本 > 10 萬美元 | 57% | 單次事故足以吃掉整年監控系統預算 | Uptime Institute 2025 年度停機分析 |
| 重大停機事故成本 > 100 萬美元 | 約 20%（連續兩年） | 高熱密度機房「一次性」損失可能等同數年監控投資 | Uptime Institute 2025 年度停機分析 |
| 全球資料中心平均 PUE | 1.54（連續 6 年持平） | 純風冷效率提升已見瓶頸，液冷成為主要突破口 | Uptime Institute 2025 Global DC Survey |
| AI 資料中心液冷滲透率 | 2024 年 14% → 2025 年約 33% | 液冷從實驗性技術轉為主流部署，監控需求同步爆發 | 市場研究機構估計（Dell'Oro／TechPowerUp） |
| 壓力訊號早於溫度訊號的偵測時間差 | 約 2～5 分鐘 | 這是運維團隊唯一的「黃金反應窗口」 | 產業運維案例統計、ASHRAE 液冷指引 |
三、液冷系統七大監測參數：從「知道溫度」到「預測故障」
把液冷系統想像成一個有神經系統的生物——單一感測器只是「痛覺神經」，等到痛了才知道受傷；完整的七層次感測架構，才是能夠「感知變化趨勢」的完整神經網路。以下是昶特 ATLANTIS 在為 AI 資料中心、半導體潔淨室、國防與能源產業設計監測方案時，反覆驗證的七大監測參數與對應的異常判讀邏輯。
| 監測參數 | 監測位置 | 正常範圍（參考） | 異常訊號代表意義 | 建議偵測反應時間 | ATLANTIS 對應機型 |
|---|---|---|---|---|---|
| 供液壓力 | CDU 出口、機櫃入口 | 0.2～0.4 MPa | 驟降 = 洩漏；緩升 = 堵塞 | < 100 ms 響應 | SDPT-3100 智能型壓力傳送器 |
| 回液壓力／差壓 | 冷板前後、過濾器前後 | 依系統設計基準值 ±10% | 差壓持續上升 = 過濾器阻塞 | 秒級 | DPTX 防爆差壓傳送器 |
| 供液流量 | CDU 出口總管 | 依機櫃設計流量 ±10% | 流量下降 >15% = 疑似隱性洩漏 | 秒級 | AT25 系列流量開關 |
| 供液 / 回液溫度 | CDU 出水、機櫃進出水 | 依冷卻液設計溫差 5～8°C | 溫差縮小 = 冷卻效率下降 | < 5 秒 | DTT-P4 二線式溫度傳送器 |
| 冷板 / GPU 局部溫度 | 每櫃 4～8 個關鍵點 | < 50°C（依晶片規格） | 單點異常但均溫正常 = 局部過熱 | < 5 秒 | DTT-P4 / STT 智能型溫度傳送器 |
| 環境溫濕度 | 機房 / 機列冷通道 | 20～24°C，35～55% RH | 濕度驟升 = 疑似冷凝或洩漏擴散 | 分鐘級 | THT-S351 系列溫濕度傳送器 |
| 膨脹罐 / 儲液槽液位 | CDU 補液系統 | 設計液位 ±5% | 液位持續下降 = 系統慢性洩漏 | 分鐘級 | LPT-480RS 系列液位傳送器 |
這七個參數不是各自獨立的孤島，而是需要「交叉比對」才能發揮真正價值：壓力驟降 + 流量下降 + 液位緩降，三個訊號同時出現，幾乎可以確定是洩漏而非感測器雜訊；反之如果只有溫度上升但壓力流量都正常，問題很可能出在氣流管理或冷卻負載超出設計容量，而不是液冷迴路本身。這種多訊號交叉判讀的邏輯，正是 IEEE 與學術期刊近年在資料中心異常偵測研究中重複驗證的方向。
四、三大早期預警情境實戰解析（附匿名案例數據）
以下三個情境，對應文章開頭提出的三個核心價值：局部過熱、非預期停機、維修排程精準度。案例數據取自 ATLANTIS 應用工程團隊實際導入專案的匿名化統計，公司名稱一律以代號呈現。
情境一：局部過熱與散熱不均（案例代號：台灣某 AI 伺服器製造廠）
該廠原本僅在機房中央設置 2 個固定溫度感測器，均溫顯示穩定在 23°C，但客戶端持續反映 GPU 推理延遲不穩定。導入 24 點分佈式溫度監測（DTT-P4）搭配雲端熱力圖平台後，才發現後排機櫃實際溫度達 30～32°C，前排卻只有 15～17°C，溫差高達 15～18°C，均溫掩蓋了局部風險。
| 指標 | 導入前 | 導入後 | 改善幅度 |
|---|---|---|---|
| 機櫃前後溫差 | 15～18°C | ±2°C 以內 | 降低約 85% |
| GPU 降頻頻率 | 每日 3～5 次 | 每週 < 1 次 | 降低約 90% |
| 冷卻用電成本 | 基準值 | -18% | 年省約新台幣 180 萬元 |
| 異常發現方式 | 客戶投訴後回頭排查 | 系統自動標記熱點 | 從被動變主動 |
情境二：突發故障造成非預期停機（案例代號：某雲端服務商液冷機房）
該機房曾發生一次隱性洩漏事故：機櫃液冷管路出現微小裂縫，肉眼與溫度顯示完全無法察覺。加裝壓力與流量雙訊號監測後，同類型事件的偵測時間軸出現本質差異：
| 比較項目 | 無數據監控 | 有數據監控 |
|---|---|---|
| 發現時間 | 約 30 分鐘以上（逐櫃巡檢） | 約 30 秒～5 分鐘 |
| 定位精準度 | 不知道確切機櫃，需全面排查 | 系統直接標示機櫃編號 |
| 單次事故損失估算 | 約新台幣 800 萬～1,000 萬元 | 約新台幣 80 萬～100 萬元 |
| 訓練任務中斷 | 整棟機房任務全面中止 | 單一迴路自動切換備援 |
情境三：維修排程與備品調度精準度（案例代號：台灣某晶圓代工廠 AI 運算機房）
該廠原本採「固定週期保養」，每季不分狀況全面校驗所有感測器與泵浦，造成人力浪費且無法預防非計畫性故障。導入連續數據記錄與趨勢分析後，改為「依實際劣化速度」排程維護，效果如下：
| 指標 | 固定週期保養（導入前） | 數據驅動預測性維護（導入後） |
|---|---|---|
| 年度校驗工時 | 約 480 人時 | 約 210 人時（降低 56%） |
| 備品庫存成本 | 常備全套備品，佔用資金高 | 依預測需求分批調度，降低 40～50% |
| 非計畫性停機次數／年 | 4～6 次 | 0～1 次 |
| 平均故障應急時間 | 7～14 天（等待原廠備品） | < 2 小時（在地現貨即時更換） |
五、資料驅動維護：從被動搶修到主動預測
維護策略的演進通常分成三個世代：事後維修（Reactive）、定期保養（Preventive）、預測性維護（Predictive）。近年學術界對液冷洩漏預測的研究已經證實，結合多感測訊號的機器學習模型（例如 LSTM 時序預測搭配隨機森林分類器的雙模型架構）可以提供 2～4 小時的提前預警，讓維護排程從「猜測」進化為「計算」。
| 維護模式 | 決策依據 | 平均修復時間 MTTR | 非計畫停機頻率 | 年度總成本相對值 |
|---|---|---|---|---|
| 事後維修 | 設備已故障 | 4～12 小時 | 高（不可預期） | 100%（基準） |
| 定期保養 | 固定時間週期 | 2～6 小時 | 中（仍有突發） | 約 75～85% |
| 預測性維護（數據驅動） | 連續數據趨勢＋異常演算法 | < 2 小時（多為計畫性） | 低（提前 2～48 小時預警） | 約 40～55% |
值得注意的是，ASHRAE 的液冷指引與 Open Compute Project（OCP）針對丙二醇基熱傳流體的操作指南，都明確要求將冷卻液品質監測與過濾納入例行維護的一部分——因為流體化學劣化會直接降低換熱效率、增加能耗，這也是差壓感測器在液冷系統中被列為「必要而非選配」的原因：差壓持續上升，往往就是過濾器阻塞、流體品質劣化的最早訊號。
六、ATLANTIS 推薦感測器組合：為什麼選這款
下列三款是 ATLANTIS 在 AI 液冷數據監控專案中最常被指定使用的核心機型，皆為自有品牌設計製造，並經過台灣多個 AI 訓練中心、半導體潔淨室與雲服務商機房的實際導入驗證。
SDPT-3100 智能型壓力傳送器
HART 通訊微處理器自動溫度補償精度 ±0.2～0.5%
👉 為什麼選這款
SDPT-3100 是液冷系統中「最早發出預警」的感測器。內建 16 位元高精度 ADC 與微處理器，能以毫秒級頻率自動採樣並補償環境溫度造成的漂移，讓壓力訊號在洩漏發生後 30 秒內即可觸發警報，比溫度訊號提前 2～5 分鐘反應。同時支援 HART 通訊協定，可與西門子、施耐德等主流 BMS／SCADA 系統無縫整合，實現遠端組態與診斷，無須拆機即可判斷是否需要校正。
👉 已導入廠案例
台灣三座超大型 AI 訓練中心（合計逾 40 MW 規模）、國際雲服務商台灣分支的液冷升級專案，以及多個晶圓測試機房，皆以 SDPT-3100 作為壓力監測主力機種，累計運行故障率控制在 1% 以下。
👉 與高階型差異
相較於一般類比輸出型壓力傳送器（如 SPT-EP 系列），SDPT-3100 多了微處理器自動補償與 HART 遠端診斷能力，可在不停機狀態下進行現場校驗，特別適合 24/7 不可中斷的 AI 機房；若預算有限或僅需單點基礎監測，SPT-EP 系列仍是務實的入門選項。
DPTX 防爆差壓傳送器
陶瓷隔離膜片RS-485 遠距傳輸多點集成成本降低 70%
👉 為什麼選這款
液冷系統的「阻塞型」故障（過濾器堵塞、冷板積垢）不會讓壓力驟降，而是緩慢上升的差壓訊號。DPTX 採用半導體矽膜片配合陶瓷隔離設計，對冷卻液中的微量雜質或添加劑無腐蝕疑慮，並支援 RS-485 Modbus 協定，一條線路即可串接 32 個監測點，大幅降低多機櫃部署的佈線成本。
👉 已導入廠案例
應用於半導體潔淨室 CVD／Etch 製程壓差控制、AI 機房冷熱通道差壓監測，以及 CDU 過濾器前後差壓長期趨勢追蹤，協助客戶在濾網阻塞初期即安排更換，避免流量不足引發連鎖過熱。
👉 與高階型差異
若環境屬於一般非防爆場域，可選用同系列的標準型差壓傳送器降低成本；DPTX 的防爆等級設計主要因應含易燃冷卻添加劑或鄰近化學品儲存區的機房環境，是否需要防爆規格建議由 ATLANTIS 工程團隊現場評估後再確認。
AT25 系列流量開關
耐壓 1,500 psi現場管路直接安裝流量中斷即時斷路
👉 為什麼選這款
流量是確認洩漏的「後段驗證」訊號，也是保護泵浦與冷板不因斷流而乾燒的最後防線。AT25 系列可直接安裝於高壓管路，最大耐壓達 1,500 psi，一旦流量低於設定閾值即可觸發開關量輸出，直接連動控制邏輯執行停泵保護或自動切換備援迴路。
👉 已導入廠案例
用於 CDU 出口總管流量保護、GPU 機櫃分歧管路流量異常告警，與壓力、差壓訊號共同構成三重交叉判讀邏輯，降低誤報同時避免漏報。
👉 與高階型差異
若需要精確量測流量數值（而非僅開關量），建議升級為具備類比輸出或數位通訊功能的渦輪流量計機種，可提供連續流量趨勢用於更精細的效率分析；AT25 系列則專注於「保護動作」的可靠度與反應速度。
除了以上三款主力機種，依機房規模與精細度需求，ATLANTIS 亦提供 DTT-P4 二線式溫度傳送器（PLC 整合首選）、THT-S351 溫濕度傳送器（洩漏擴散環境濕度監測）、LPT-480RS 系列液位傳送器（膨脹罐液位長期趨勢）等完整感測器產品線，皆可依現場勘查結果客製化監測架構。
七、選型決策矩陣：依機房規模與熱密度，符合條件直接選
| 機房規模 | 典型熱密度 | 建議監測層級 | 核心感測器組合 | 參考投資區間 | 回本週期 |
|---|---|---|---|---|---|
| 小型（< 5MW） | < 30kW／機櫃 | 基礎版：CDU 溫度＋壓力＋基礎冷通道 | DTT-P4 + DPS 壓力開關 | 新台幣 100～150 萬元 | 8～12 個月 |
| 中型（5～20MW） | 30～140kW／機櫃 | 標準版：七層次完整監測＋BMS 聯動 | SDPT-3100 + DPTX + AT25 + THT-S351 | 新台幣 300～500 萬元 | 3～6 個月 |
| 超大型（> 20MW） | > 140kW／機櫃（GB200/GB300 級） | 超級版：完整監測＋AI 預測＋能源優化 | 全機型 + 雲端預測平台 + 液位／漏液感測 | 新台幣 800～1,200 萬元 | 2～4 個月 |
中型規模（5～20MW）的標準版方案，是目前投資報酬率最穩健的選擇：投資新台幣 300～500 萬元，年度可節省能耗與故障成本約新台幣 200～300 萬元，3～6 個月即可回本，五年累計效益可達初期投資的 3～4 倍以上，同時降低約 80～90% 的液冷故障風險。
八、投資回報試算：監控系統 vs 漏液停機損失
| 項目 | 無數據監控系統 | 導入 ATLANTIS 監控方案 |
|---|---|---|
| 單次隱性洩漏平均損失 | 新台幣 800～1,000 萬元 | 新台幣 80～100 萬元 |
| 年度冷卻能耗浪費 | 約新台幣 1,000 萬元（30% 效率損失） | 降低約 18～25% |
| 非計畫停機頻率 | 4～6 次／年 | 0～1 次／年 |
| 備品庫存資金佔用 | 基準值 | 降低 40～50% |
| 內容轉換率（客戶決策效率） | 約 2～4%（需自行比較猶豫） | 約 4～8%（條件符合直接決定） |
最後一項「轉換率」看似與工程無關，實則反映同一個核心邏輯：當客戶清楚知道「什麼條件對應什麼型號、什麼風險對應什麼投資」，決策速度會顯著加快。同樣的網站流量與詢價量，轉換率從 2～4% 提升到 4～8%，等於用相同的行銷與業務成本，換來業績翻倍的效果——這正是「決策型」內容與「解釋型」內容的根本差異。
反思問題 1
如果你的機房主管今天讀到這篇文章，能不能「不用再比較」就直接決定要監測哪些參數、選哪一款感測器？如果答案是肯定的，代表這篇內容已經幫你完成了選型判斷，而不是丟給你更多選項。
反思問題 2
你現在的監控配置，能不能在洩漏發生後 5 分鐘內告訴你「是哪一個機櫃」？如果答案是「不知道」，代表你承擔的其實是「事後才發現」的全部風險，而不是把風險轉嫁給一套能提前預警的系統。
反思問題 3
你的維護排程，是依照「日曆上的固定週期」，還是依照「感測器實際回報的劣化速度」？前者是用猜測管理風險，後者才是用數據管理風險——而數據監控系統，就是讓你從猜測走向計算的第一步。
九、延伸閱讀與相關應用
十、資料來源與參考文獻
本文所引用之產業數據、標準與研究，均來自公開且具權威性之機構報告與學術文獻，資料來源如下，以利讀者進一步查證：
- Uptime Institute,《Annual Outage Analysis 2025》，2025 年度全球資料中心停機分析報告，涵蓋停機成本、頻率與主要成因統計。
- Uptime Institute,《Global Data Center Survey 2025》，全球資料中心平均 PUE 與能效趨勢調查。
- ASHRAE TC 9.9,《Liquid Cooling Guidelines for Datacom Equipment Centers》第二版，資料中心液冷系統設計、CDU 架構與洩漏監測建議指引。
- Open Compute Project（OCP）,《Guidelines for Using Propylene Glycol-Based Heat Transfer Fluids in Single-Phase Cold Plate-Based Liquid Cooled Racks》，冷卻液品質監測操作規範。
- arXiv, "Smart IoT-Based Leak Forecasting and Detection for Energy-Efficient Liquid Cooling in AI Data Centers"（2025），物聯網多感測訊號洩漏預測研究。
- International Journal of Emerging Trends in Computer Science and Information Technology, "Dual-Model Machine Learning for Predictive Leak Forecasting and Detection in Liquid-Cooled AI Data Centers"（2025），LSTM 與隨機森林雙模型液冷洩漏預測研究。
- 市場研究機構估計數據（Dell'Oro Group 報告，經 TechPowerUp 報導），AI 資料中心液冷滲透率與市場規模預測。
- NVIDIA 官方公開規格與產業報導（Network World、Jabil 等技術媒體），GB200／GB300 機櫃熱設計功耗數據。
- ATLANTIS 應用工程團隊，台灣多個 AI 訓練中心、半導體潔淨室與雲服務商液冷監測導入專案匿名化統計數據（2024～2026）。
文章更新時間：2026 年 8 月｜作者：ATLANTIS 應用工程團隊｜案例中所有客戶名稱均已匿名處理，數據為專案統計之代表性區間，實際效益依現場條件而異。
常見問題 FAQ：AI 液冷數據監控 20 題完整解答
以下 20 題，涵蓋工程師在評估 AI 液冷數據監控系統時最常提出的技術與決策問題，適合作為採購前的查核清單。
1. AI液冷系統為什麼需要「數據監控」，而不能只看 CDU 面板顯示的溫度？
2. 液冷系統最早出現異常的訊號是溫度、壓力，還是流量？
3. 壓力感測器多快可以偵測到液冷迴路的隱性洩漏？
4. 流量下降多少百分比算是異常，需要立即介入？
5. 溫度感測器要裝在哪些位置才能真正抓到局部過熱？
6. 「均溫達標但GPU仍過熱」是怎麼發生的？監控要怎麼設計才能避免？
7. 差壓感測器在液冷系統扮演什麼角色？可以偵測冷板堵塞嗎？
8. AI液冷系統的監測數據要多久取樣一次才夠即時？
9. HART通訊在液冷監測系統裡的實際用途是什麼？
10. 監控系統要怎麼設定警報閾值，才不會誤報也不會漏報？
11. 資料監控如何具體「降低非預期停機」？流程是什麼？
12. 預知性維護（predictive maintenance）跟傳統定期保養差在哪？
13. 監控數據怎麼幫助備品庫存與維修排程更精準？
14. 監測系統本身故障了怎麼辦？需要冗餘設計嗎？
15. 中小型AI機房預算有限，監控系統該怎麼分階段導入？
16. 液冷監測系統要花多少錢？多久回本？
17. GB200/GB300這類超高密度機櫃，監控難度跟一般機房有何不同？
18. 監控系統的數據要保存多久？對故障分析有什麼幫助？
19. 監控系統可以跟現有的BMS/SCADA系統整合嗎？
20. 選擇監控感測器時，最容易被忽略但很重要的規格是什麼？
你的 AI 機房，是在「精準控制」還是在「等待故障」？
昶特 ATLANTIS 提供免費的液冷監控診斷評估，我們會依現場熱密度分佈、既有監測缺口與預算規模，提出最適合的分階段導入方案。31 年工業儀錶製造經驗，全台現貨庫存，24 小時緊急備品支援。
📞 02-2820-3405 📧 ian@atlantis.com.tw
業務一部 Ian（分機 27）｜業務二部 Nori（分機 16）｜台北市北投區致遠一路二段109號