惩罚参数设为无穷大时，可以拟合出任意一个凸的非线性分割面，相关证明可参考流形基本定理。注意本题指的是理论上的情形，实际操作中只要将惩罚参数设置得足够大即可。

在支持向量机（SVM）中，惩罚参数 \(C\) 控制的是训练数据中的误分类样本的惩罚程度。具体来说：

- **惩罚参数 \(C=1\)**：这是一个常用的默认值，表示在误分类和间隔最大化之间取得平衡。
- **惩罚参数 \(C=0\)**：表示对误分类不进行惩罚，这实际上会导致模型完全忽略误分类样本，只关注间隔最大化。
- **惩罚参数 \(C=\infty\)**：表示对误分类的惩罚非常高，模型会尽量避免误分类，但可能会导致过拟合。

对于非线性可分的数据，单纯通过调整惩罚参数 \(C\) 并不能保证模型线性可分。为了处理非线性可分的数据，通常使用核技巧（Kernel Trick）将数据映射到更高维度的特征空间，使其在该空间内线性可分。因此，正确答案是：

**D: 以上都不对**

### 专业分析
1. **惩罚参数 \(C\)**：仅仅调整 \(C\) 并不能解决非线性可分的问题。 \(C\) 的作用是权衡间隔最大化和误分类惩罚。
2. **核技巧（Kernel Trick）**：为了处理非线性可分的数据，SVM 使用核函数（如线性核、多项式核、径向基函数核等）将数据映射到更高维度的特征空间，在该空间中数据可能是线性可分的。
3. **特征空间**：通过核函数，数据可以在高维特征空间中进行线性分割，即使在原始空间中数据是非线性可分的。

因此，解决非线性可分问题的关键在于选择合适的核函数，而不是仅仅调整惩罚参数 \(C\)。