InfoAI Decision Brief｜企業 AI 的競爭正在從選擇最好的模型轉向掌握整套 AI 營運能力

今日編輯判斷

過去兩年，很多公司的 AI 戰略主要圍繞模型選擇：哪一個模型能力最好、價格最低、最適合公司的工作。但過去 24 小時出現的訊號顯示，真正決定企業 AI 能力的因素，正在快速往模型之外移動。

CoreWeave 再度提高今年資本支出計畫，近期算力容量幾乎售罄；美超微（Super Micro Computer）則指出，部分 AI 伺服器營收遞延不是因為 GPU 不夠，而是客戶的電力、冷卻與網路建設來不及。美國能源資訊署最新預測也顯示，地方政策與電網條件已經足以直接改變資料中心用電成長假設。

另一端，IBM 與 Together AI 正建立專門服務開放模型推論的算力叢集；River AI 以 11 億美元融資押注企業會從單純使用通用模型，進一步走向客製甚至擁有自己的模型；Anthropic 開始讓企業取得員工本機 Claude Code 與 Cowork 工作階段紀錄；OpenAI 則把 Daybreak 高階資安模型放進 Amazon Bedrock，讓高風險 AI 能力進入企業既有的治理環境。

這些事件共同指向四條主線：

第一，AI 推論正在從附屬工作負載變成獨立的大型基礎建設市場。

第二，企業正在爭取模型、資料與部署位置的控制權，而不是只比較 Benchmark。

第三，Agent 真正進入企業後，治理開始從使用規範走向可觀察、可稽核、可限制的執行控制。

第四，算力供應真正的瓶頸正在從 GPU 延伸到電力、冷卻、網路、土地與地方政策。

CoreWeave 再提高資本支出，AI 算力市場仍在爭奪可以真正交付的容量

CoreWeave 第二季營收積壓訂單達 1,042 億美元，高於第一季的 994 億美元；本季截至目前又取得超過 250 億美元新增客戶承諾。執行長 Michael Intrator 表示，公司近期容量實際上已接近售罄，因此能以更有利的條件簽訂新的算力協議。

這至少暫時挑戰了一個近期逐漸出現的市場假設：AI 基礎建設投資太快，算力可能即將供過於求。

CoreWeave 的數據顯示，至少在高階企業 AI 與前沿模型工作負載中，市場仍然存在強烈的容量需求。

更值得企業注意的是 AI 算力採購方式正在改變。

過去雲端運算讓企業習慣隨用隨買；但當大型 AI 工作負載需要巨量 GPU、網路與電力時，算力開始更像晶圓產能或能源長約：真正稀缺的不是標價，而是可以在指定時間交付的容量。

因此，預計未來 12～24 個月大量部署 AI 的企業，不應假設屆時只要打開雲端控制台，就一定能以理想價格取得需要的高階算力。

管理層需要重新檢查容量預留、最低使用承諾、多雲策略，以及模型替換後是否真的能降低算力成本。

美超微的營收展望很強，但真正的訊號是 GPU 已經不是唯一瓶頸

但這份財報真正值得企業注意的地方，反而是執行長 Charles Liang 解釋上一季部分營收未能及時認列的原因：客戶出現電力、冷卻與網路建設延誤。

這代表 AI Infrastructure 的瓶頸正在往 GPU 外面移動。

過去企業很容易把「取得 GPU」視為算力部署最困難的一關。但當單一機櫃功率密度提高、叢集規模持續擴張之後，冷卻、配電、變電設備與高速網路任何一項沒有同步完成，晶片即使已經交貨，也不能轉變成可使用的算力。

因此企業判斷 AI 基礎建設進度時，不應再只追蹤：

• GPU 下單了嗎？
• GPU 到貨了嗎？

真正重要的問題是：整個 AI 叢集什麼時候可以開始穩定產生 token？

從這個角度看，AI Infrastructure 的真正交付單位已經不是晶片，而是一整套可以運作的系統。

德州用電預測被大幅下修，AI 算力需求更清楚地碰到政策與電網限制

AI 與加密貨幣資料中心，以及更廣泛的電氣化需求，是推動用電成長的重要因素。

但同一份最新預測裡，更值得注意的是德州。

在暫停新的資料中心開發之後，美國能源資訊署把德州 2027 年用電成長預測從原先的 14% 下修到 6%。

這個變化顯示，市場宣布的 AI 算力需求與最後真正落地的算力之間，仍然隔著政策與電網。

過去市場很容易用「已宣布多少 GW」推估未來 AI Capacity。

但資料中心真正能不能上線，還取決於輸電設備、發電能力、地方許可與居民接受程度。

因此企業未來評估 AI 供應商時，需要增加一個過去不一定會放進 IT 採購流程的問題：供應商承諾的算力，有多少已經取得真正可用的電力？

AI 算力正在變成能源問題。

Alpha Compute 準備把天然氣與資料中心綁在一起，AI 算力業者開始嘗試控制能源供應

Alpha Compute 尚未完成收購，目前公司取得的是排他性的收購安排，交易仍需經過盡職調查、融資、地方許可與最終正式協議，真正值得注意的是這個專案的設計。

Alpha Compute 打算把天然氣生產、現場發電與資料中心結合，而不是單純等待公共電網提供電力。

背後原因很直接：等待電網接電，可能成為 AI 算力擴張最慢的一環。

如果這類模式擴大，下一代大型 AI 設施可能愈來愈像：能源資產＋算力資產。

企業未來比較 AI Compute Provider 時，因此不能只看 GPU 型號與租用價格，也需要理解供應商的能源來源、上線時程與長期供應穩定性。

IBM 與 Together AI 建立專用推論叢集，模型商品化正在把價值移向執行層

第一階段將部署約 2,000 顆 NVIDIA Blackwell 300 晶片，並搭配 Spectrum-X 網路設備；叢集預計位於美國。

真正值得注意的是用途。

它不是拿來訓練另一個大型基礎模型，而是為 DeepSeek、MiniMax、Kimi 等開放模型提供企業推論與訓練服務。

Together AI 預期，叢集可能在正式投入服務前兩到三個月就全部售出。這是公司對需求的預期，而不是已完成售出的結果，但仍反映市場對企業推論需求的高度期待。

這顯示 AI 基礎建設市場的重心正在改變。

前一階段的核心問題是：誰有能力訓練最大的模型？

下一階段更大的市場可能變成：每天有多少企業工作需要執行推論？

如果企業逐漸採用多模型與開放權重架構，就會自然產生新的市場：

• 推論雲
• 模型最佳化
• 模型路由
• 企業級模型託管

因此模型商品化不一定讓 AI Infrastructure 的價值消失。

更可能發生的是：價值從模型本身重新移動到推論執行層。

River AI 募得 11 億美元，資本開始押注企業會希望直接塑造模型行為

融資由 General Catalyst 與 AMP PBC 領投，NVIDIA、AMD Ventures、Y Combinator 與淡馬錫也參與投資。

River AI 的核心押注明確：

企業 AI 將從使用大型實驗室提供的通用模型，進一步轉向使用開放權重模型，並根據自己的資料進行客製與擁有。

這與 Prompt 與 RAG 有明顯差異。

Prompt 主要改變模型收到的指令。

RAG 主要讓模型在回答前取得企業自己的知識。

如果後訓練與強化學習門檻持續下降，企業下一步可能開始改變：模型本身如何做判斷。

這會讓企業資料的角色進一步改變。

它不再只是提供給模型查詢的知識來源，也可能開始直接塑造模型行為。

因此這筆 11 億美元融資真正揭露的市場訊號不是 River AI 的單一產品能力。

而是：

資本正在押注「企業自己塑造模型行為」會成為下一個重要 AI 堆疊。

如果這條路成立，企業 AI 差異化就會從「誰的 Prompt 寫得比較好」，進一步走向「誰能把自己的營運經驗訓練進模型」。

NVIDIA 從 GPU 往模型路由前進，真正的競爭是誰掌握 AI 工作負載的控制面

Nemotron 3.5 Lightning 是面向大量 Agent 工作流程的小型開放模型，而 Switchyard 則負責把不同步驟送往最適合的模型。

需要特別注意的是：NeMo Switchyard 並不是 8 月 11 日第一次出現。

NVIDIA 在 7 月底就已經發佈相關技術內容；8 月 11 日的新進展，是 Switchyard 與 Nemotron 3.5 Lightning 被更完整地整合與定位成多模型 Agent 的效率與控制方案。

這個差異不會降低事件的重要性。因為企業未來使用的模型愈多，就愈需要一層系統決定：

• 這個任務交給哪一個模型？
• 成本多少？
• 延遲多少？
• 哪一個模型目前可用？
• 資料是否允許離開企業環境？

因此 NVIDIA 的市場位置正在從 GPU、Networking、AI Software，再往 Model 與 Routing 延伸。

這提醒企業一個很重要的問題：Multi-model 不等於沒有 Vendor Lock-in。

模型可以很多個，但如果所有工作仍由單一路由與執行層控制，依賴只是從模型層往架構層移動。

企業真正需要保留的，不只是模型替換能力。

還包括：路由層替換能力。

Anthropic 讓企業取得本機 Agent 工作紀錄，AI 治理開始追進員工電腦

Claude Enterprise 組織現在可以在 Beta 階段取得使用者本機執行的 Cowork 與 Claude Code 工作階段清單、Metadata 與完整對話紀錄。

這項更新看似只是管理功能，實際上反映企業 Agent Governance 正在跨過一條重要界線。

傳統 SaaS 的治理假設是：重要活動發生在供應商雲端。

因此中央 IT 可以透過管理後台取得操作紀錄。

Agent 改變了這個假設。

未來愈來愈多 AI Agent 會直接在員工電腦上操作檔案、程式碼、終端機與本地開發環境。

如果工作開始發生在 Local Machine，企業就必須重新取得三種能力：可觀察性、可稽核性與責任鏈。

這也意味著企業級 Agent 的競爭標準正在提高。

功能很強不再足夠。

真正能進入金融、製造、醫療與政府等高治理產業的 Agent，還必須回答：出了問題之後，公司能不能完整還原它做過什麼？

OpenAI 把 Daybreak 放進 Amazon Bedrock，高風險 AI 正沿著既有治理架構進入企業

Daybreak Blue 提供包括 GPT-5.6 Sol 在內的前沿通用模型，並針對經授權的防禦性資安工作調整安全機制；Daybreak Red 則提供專門訓練的資安模型，用於授權漏洞研究、Exploit Validation 與安全測試。

兩種存取層級都需要先通過 Daybreak Access。

這次推出真正值得企業注意的，不是 Amazon Bedrock 又多了一個模型。

而是：高風險 AI 能力正在沿著企業既有的治理架構進入市場。

企業採用專業資安模型除了模型能力，還需要安全審查、治理、採購、存取控制，以及可以長期維護的營運模式。

透過 Bedrock，企業可以把 Daybreak 放進原本已使用的 AWS 安全、治理與營運流程。

這可能是高風險 AI 更實際的企業化方式：不是先把能力全面開放，再補治理，而是一開始就在明確治理邊界裡部署。

對金融、政府、製造與關鍵基礎設施而言，這種部署方式的重要性可能高於再增加幾個 Benchmark 分數。

Ryanair 把 Gemini Agent 放進核心營運，Agent 開始離開辦公室進入真正的作業決策

真正值得注意的是用途。Ryanair 表示，Agent 將協助自動化部分營運決策、改善機組人員排班並降低航班中斷；公司也計畫使用 Google DeepMind 的 AlphaEvolve 與 WeatherNext，支援機隊營運與維修排程。

這與一般企業用生成式 AI 寫郵件、整理會議或製作簡報，已經是不同階段。

航空公司的排班、維修與航班中斷管理直接影響：

• 成本
• 服務品質
• 資產使用率
• 營運安全

AI 一旦開始參與這類流程，Agent 就從 Knowledge Worker Assistant 進入：Operational Decision System，也就是營運決策系統。

更值得注意的是 Ryanair 並沒有因此完全轉向 Google。

公司仍保留 AWS，並把新的 Google Cloud 合作納入雙雲策略，目的是提高基礎設施韌性並降低服務中斷風險。

這提供企業一個很實際的架構原則：AI 可以深入核心營運，但基礎設施依賴不一定要同步集中。Agent 採用與供應商韌性，應該一起設計。

Google AI 摘要引發法國出版業反彈，搜尋流量正在變成答案控制權問題

出版業者認為，Google 在沒有事前協商與專門報酬機制的情況下推出 AI 摘要，使使用者可以直接在搜尋結果取得內容，而降低造訪原始媒體網站的必要性。

法國通訊監管機關 Arcom 估計，AI 產生的摘要可能使相關媒體網站流量下降 33%～38%。

這是監管機關估算，不應解讀成所有媒體網站都已經實際出現相同比例的流量下降。

真正重要的是搜尋的價值交換正在改變。

傳統搜尋模式是：

• 媒體提供內容
• 搜尋引擎提供流量

AI Answer Layer 則可能變成：

• 媒體提供內容
• 平台直接提供答案
• 使用者不一定進入來源網站

這會改寫出版業、知識網站與企業內容行銷長期依賴的 SEO 假設：被搜尋到，不一定代表取得流量。

未來內容策略因此需要重新回答：如果 AI 已經替使用者讀完文章，內容的商業價值最後要在哪裡回收？

Manus 與 Meta 拆分，AI 併購開始正面碰上技術主權

這次拆分的背景，是中國政府今年 4 月要求 Meta 撤回對 Manus 超過 20 億美元的收購交易。

這件事真正值得企業注意的，不只是一次大型 AI 併購被迫拆解。

它顯示 AI 公司交易開始同時牽涉：

• 模型與智慧財產
• 訓練資料
• 使用者資料
• 關鍵人才
• 跨境技術移轉

這讓一個傳統 M&A 假設開始失效：只要商業條件談妥、融資完成、反壟斷通過，科技交易就能完成。

AI 公司還需要面對另一層：技術主權。

AI 資產愈接近國家戰略能力，跨境所有權、資料與人才移轉就愈可能成為交易的核心風險。

Today Decision Insight

今天這 12 個事件放在一起，可以看到企業 AI 正進入第三個階段。

第一階段問的是：我們要不要使用 AI？

第二階段開始問：我們應該使用哪一個模型？

現在真正需要回答的問題則是：AI 要如何變成公司可以長期營運、控制與承擔責任的能力？

第一個變化發生在基礎建設。

CoreWeave 的 1,042 億美元營收積壓訂單、美超微客戶遭遇電力與冷卻延誤、美國能源資訊署下修德州用電成長預測，以及 Alpha Compute 嘗試把天然氣與資料中心整合，都指向同一件事：AI 已經重新進入物理世界，模型看起來是軟體，但真正大量部署之後，它依賴的是發電、輸電、冷卻、網路、土地與資料中心。

因此未來 12～24 個月，AI Strategy 與 Infrastructure Strategy 會愈來愈難分開。

第二個變化發生在模型控制權。

IBM 與 Together AI 建立開放模型推論叢集，River AI 押注企業自己塑造模型行為，NVIDIA 則持續往模型與路由層延伸。

這些事件共同改寫一個假設：企業 AI 等於選一家模型供應商。

更可能形成的架構是：

• 不同模型處理不同工作
• 企業資料塑造專業能力
• Routing Layer 決定任務送到哪裡
• Compute Layer 決定實際成本

企業真正需要管理的將是一條 AI Supply Chain，也就是 AI 供應鏈。

第三個變化是治理開始進入執行層。

Anthropic 讓企業可以取得本機 Agent 工作紀錄；OpenAI 則把需要核准存取的 Daybreak 能力放進 Amazon Bedrock。

這兩家公司採取的產品路線不同，但回答的是同一個企業問題：

當 AI 可以直接採取行動之後，公司如何保持控制？

企業 AI Governance 過去主要處理：

• 哪些工具可以使用？
• 哪些資料不能輸入？

未來需要進一步處理：

• AI 可以進入哪些系統？
• 可以採取哪些行動？
• 誰可以取得高階能力？
• 所有操作是否可以追蹤？
• 出現異常能不能停止？

因此治理的單位正在從 Model Access 移向 Action Control。

第四個變化發生在核心營運。

Ryanair 正把 Gemini Agent 放進排班、航班中斷與其他營運決策，同時保留 AWS 與 Google Cloud 的雙雲架構。

這是一個很具體的企業成熟訊號：業務流程可以逐步依賴 AI，但企業本身不能因此失去韌性。

最後，Google 與法國出版業的衝突，以及 Manus 與 Meta 的拆分，又揭露另外兩種控制權問題：

• 誰控制資訊入口？
• 誰控制 AI 資產跨境移轉？

因此，把今天所有事件放在一起，可以整理出一套更完整的企業 AI 架構。

下一階段企業至少需要管理五層：

Infrastructure｜基礎設施

算力真的能不能取得？不是宣布多少 GPU，而是電力、土地、冷卻、網路與資料中心能否真正交付。

Model｜模型

• 企業使用哪些模型？
• 是否可以客製？
• 能不能替換？
• 是否過度依賴單一模型供應商？

Routing｜路由

誰決定哪一個工作交給哪一個模型？

模型很多，不代表沒有鎖定。如果所有模型仍由單一路由層控制，依賴只是往上移。

Control｜控制

• AI 可以做什麼？
• 可以讀資料？
• 可以提供建議？
• 可以做決策？
• 還是可以直接執行？
• 企業能不能完整看見與限制它的行動？

Resilience｜韌性

• 如果模型中斷呢？
• 如果雲端服務失效？
• 如果資料中心延誤？
• 如果某個 Agent 異常？
• 如果法規突然改變？
• 企業能不能切換、降級、隔離或退出？

這五層之中，模型本身只佔一層。

這也是今天最值得管理層重新檢查的一個企業假設：擁有最好的 AI 模型，不等於擁有最好的 AI 能力。

真正的企業 AI 能力，是公司可以持續把新的模型、新的 Agent 與新的算力接進營運，同時清楚知道：

• 它們在哪裡執行
• 用了什麼資料
• 做過什麼事情
• 花了多少成本
• 依賴哪些供應商
• 出了問題是否能停止
• 供應商改變之後是否能替換

未來 12～24 個月，企業之間真正拉開差距的地方，可能不再是誰最早取得下一個新模型。

而是：誰先把 AI 從一項外部工具，轉變成一套自己可以部署、治理、替換並承擔責任的營運能力。

作者＝InfoAI 編輯部

你不需要讀完所有 AI 新聞。你需要掌握的是：哪些變化值得關注、哪些應用值得理解、哪些風險不能忽略，以及這些訊號可能如何影響企業決策。

訂閱 InfoAI 電子報，把全球 AI 訊號，轉化為更清楚的商業判斷。

InfoAI Line 群提供最新文章發佈通知，讓你不用每天上網查看，也能快速掌握新上線的 AI 產業解讀、應用案例與知識內容。

版權聲明與授權須知

本內容由 InfoAI 擁有著作權。如有引用、轉載或任何商業用途的需求，請來信聯絡： contentpower688@gmail.com。

AI 協作與人工編輯聲明

本文由 InfoAI 編輯部進行主題判斷、內容策劃、事實查核與文字編輯，並使用 AI 工具協助資料整理與內容製作。最終觀點、內容取捨與發佈版本均由人工編輯確認。

你不需要讀完所有 AI 新聞，你需要知道的是：

有哪些變化值得注意，可能會如何影響你的產業、工作與決策。