HPE 台灣暨香港董事長 王嘉昇 提及，當前多數企業在導入 AI 應用時面臨以下關鍵挑戰：
- 傳統架構孤島： 既有 IT 架構資料分散，難以統一調度。
- 資料與隱私議題： 涉及資料主權、隱私保護與合規要求。
- 成本與人才缺口： 導入成本高昂，且缺乏足夠的 AI 專業人才。
- 基礎設施瓶頸： 現有運算資源與基礎設施無法滿足高效的 AI 運算需求。
為此，HPE 提出明確的戰略：專注於整合 AI、混合雲與網路三大領域，並藉由平台化與自動化運維能力，協助企業建立一套可持續擴張的 AI 基礎建設。
「Private Cloud AI」核心戰略：HPE 三大 AI 工廠架構
HPE 以 「Private Cloud AI」 為核心，針對不同規模、資源結構與資料主權需求，打造出三種目標明確的 AI 工廠（AI Factory） 架構：
| AI 工廠類型 | 目標客戶與規模 | 核心優勢與定位 |
| 1. Turnkey AI Factory | 中型企業 | 快速部署、即時推論效能，最低導入門檻實現 AI 應用。 |
| 2. AI Factory at Scale | 大規模模型開發 | 支援數百至上萬顆 GPU 的高密度配置，適用於大規模模型訓練。 |
| 3. Sovereign AI Factory | 政府與公共部門 | 針對資料主權與合規要求，提供獨立算力與資料掌控能力。 |
統包式 AI 平台：解決台灣企業結構性瓶頸
王嘉昇分析，台灣企業導入 AI 的最大瓶頸並非技術不可得，而是市場結構與資源分佈的落差：「市場價值高度集中於少數龍頭企業，多數中小企業研發能量與 IT 成熟度不足，使得 AI 導入步調受到現實資源的限制。」
為了克服運算資源、專業人力與系統整合經驗的不足，HPE 提供了統包式的 AI 工廠平台：
- 預先整合： 將 AI 開發所需的硬體資源與軟體元件預先整合。
- 單一技術堆疊：
- 底層： AI 原生混合基礎建設結合 GPU 即服務 (GPU-as-a-Service)。
- 向上串接： 大型語言模型即服務 (LLM-as-a-Service)、檢索增強生成即服務 (RAG-as-a-Service)。
- 應用層： AI 代理應用層。
- 流程簡化： 透過單一堆疊，完成從模型訓練、推論到應用部署的端到端流程。
代理型 AI：驅動企業營運的核心動力
王嘉昇強調，這套 AI 工廠模型結合了 代理型 AI（Agentic AI）的概念，預示著未來的企業營運模式：
「未來企業營運不再僅依賴單一模型或工具，而是藉由一組具備自動化判斷與執行能力的 AI 代理人 (Agent) 來驅動業務。」
- 應用實例：
- 製造業： 部署專家型代理人協助產線優化。
- 金融業： 透過理賠代理人強化異常交易偵測與審查效率。
- 平台優勢： 這些代理人運作於統一的 AI 工廠平台之上，具備可重複、可擴張的部署能力，有助企業快速從概念驗證（PoC）走向規模化營運，讓生成式 AI 真正成為企業營運的核心驅動力。
王嘉昇總結： 透過 AI 工廠與私有雲的結合，企業不僅能掌握資料主權與運算資源，更能以標準化的技術堆疊降低導入複雜度，實現 AI 規模化應用。
報導來源：網管人
