GPT太燒錢！微軟暗地準備「B計畫」、打造更實惠AI模型，想抽身OpenAI了|數位時代 BusinessNext

GPT技術營運成本太高，就像「叫博士去接電話」

營運ChatGPT的成本之高，一直以來都是OpenAI將技術商業化的最大難題之一。半導體研究機構SemiAnalysis首席分析師迪倫．帕特爾（Dylan Patel）曾表示，ChatGPT的營運成本預計每天高達70萬美元，倘若是性能更高的GPT-4運行成本會再高上許多。

帕特爾指出，ChatGPT等大型語言模型的訓練成本固然高昂，但營運成本才是最沉重的負擔，可說正常部署的情況下，營運成本都會遠遠超過訓練成本。

值得一提的是，微軟早已經默默減少對GPT技術的依賴。例如Bing Chat具有平衡、創意及精確三種模式，平衡模式使用的就是自家的普羅米修斯模型（Prometheus model），並由圖靈語言模型（Turing language model）支援，主要負責相對簡單的問題，創意及精準模式才由GPT-4處理。

微軟以超越競爭對手的速度將AI服務商業化，或許也是與OpenAI技術的昂貴成本有關。Bing Chat已經推出商用版，並且考慮導入廣告；Copilot更已經以每月30美元的價格正式上線，這個價格相比Microsoft 365最貴的方案，都是超過50%的增幅。

企業軟體公司Databricks高層納文．拉奧（Naveen Rao）指出，微軟開始追求更經濟的AI模型是「必然會發生的」，「微軟是一間很精明的公司，他們很追求效率，推出產品使用如GPT-4般的龐大模型，就好像叫三個博士當接線生，這在經濟上行不通。」

今年7月微軟與Meta在大型語言模型Llama 2上進行合作，現在看來或許也是降低對OpenAI技術依賴的一次嘗試。

用GPT-4生產資料訓練，微軟靠高品質材料打造高CP AI模型

事實上，《The Information》提到，微軟團隊也沒有幻想能用少少資源打造如GPT-4一般強大的AI技術，這個團隊沒有同等的運算資源、也沒有大量人力提供大型語言模型回饋以協助工程師改善，而且微軟多數時間都花在調整OpenAI的產品上，撇除OpenAI的情況下，亞馬遜、Google等競爭對手都在大型語言模型研發上投入更多。

微軟對更經濟實惠AI技術的追求，或許可從動用的資源中看出，為了開發更經濟實惠的AI技術，Peter Lee決定動用2,000顆輝達（Nvidia）的GPU打造新模型──這個數字遠遠低於輝達供應給OpenAI逾2萬顆的數量。

儘管在AI方面的資源不多，與OpenAI的合作替微軟帶來了「取巧」的機會。今年6月微軟開發了AI模型Orca，藉由將GPT-4生成的數百萬個答案輸入到開源模型中，教導它模仿GPT-4，進而實現超越其餘開源模型的成果，並且在部分層面足以媲美免費版的ChatGPT。

微軟近期推出的Phi-1，這個有著13億參數的模型同樣是利用GPT-4產生的「教科書級」資料訓練，因此能夠在測試中擊敗使用100多倍資料的其他大型模型，只有GPT-4在同樣的測試中表現更優異。這些例子顯示，GPT-4產生的高品質訓練材料，讓微軟能夠用更小的力氣打造高性能的AI模型。

隨著自研模型初獲成果，微軟也在考慮如何在Bing Chat更大幅度導入Orca、Phi等模型，進一步降低GPT模型的使用。

在微軟一步步降低對OpenAI依賴的同時，兩家公司的關係也隨著商業化腳步變得微妙。OpenAI發表ChatGPT Enterprise時，就被外界詢問是否會與企業Bing Chat競爭；而微軟基於Azure的Private ChatGPT服務，曾經的宣傳標語就是比ChatGPT更安全。

責任編輯：林美欣

曾是台灣製造業重要根基的塑膠射出產業，如今正面臨人才斷層危機。尤其桃園聚集大量工業區與製造業者，老師傅退休、新人才接不上的現況，更是許多工廠正在面對的現實難題。

從汽車零組件、網通設備、醫療器材到半導體載具，許多產品都離不開射出成型。智穎智能創辦人暨執行長張詠翔指出，全球塑膠射出市場規模超過 3000 億美元，每年仍以約 3% 至 4% 的幅度成長。需求並未消失，只是製造基地從台灣、中國逐步往東南亞等地移動。但機器可以搬、訂單可以轉，老師傅數十年累積的經驗卻很難複製。

這道人才缺口，正是 2020 年成立的智穎智能切入市場的機會。團隊從桃園中原大學的研究能量出發，歷經近十年研究與工廠驗證，嘗試把老師傅腦中的射出經驗，轉化成可以計算、保存與持續學習的 AI 模型，解決產業第一線面對到的挑戰。

把老師傅經驗交給 AI，射出成型從「導航」走向「自駕」

「餐廳沒有廚師是不行的。有再好的設備，不會做的人還是會把它做失敗。」張詠翔如此比喻射出成型的技術門檻。當模具完成後，生產現場仍得依產品、材料與機台特性，調整溫度、速度、壓力、位置等條件；即使使用同一種塑料，不同產品的調整方式也可能完全不同。

而老師傅的珍貴之處，不只是記住參數，而是知道面對材料、機台與環境變化時如何修正。智穎智能要做的，就是把這些難以傳承的「火候」拆解成可以運算的製程邏輯。目前其 AI 解決方案已應用於超過 200 種材料、50 多種產品類型。

把老師傅的經驗轉化為製程邏輯後，第一步就是讓 AI 協助操作人員找到合適的成型條件。智穎智能為此開發智能成型導引系統，工廠只要輸入材料、機台規格、產品尺寸等資訊，sMolding 便能計算第一組成型參數；若試模後出現產品缺陷，再由 sTroubleshooting 提供修正建議。

「它就像導航。我今天告訴你要從 A 點到 B 點，但不知道路怎麼走，導航會把路徑算給你。」張詠翔說。對射出成型而言，這條「路徑」就是溫度、速度、壓力與位置等參數如何組合。以半導體載具試模為例，傳統方式需 7.5 小時，導入系統後縮短至 2 小時，材料使用量從 23 公斤降至 8.7 公斤，整體試模成本降低 64%。

但找到正確參數只是第一步，真正進入量產後，工廠面對的「路況」還會持續改變。溫溼度、材料批次與機台耗損，都可能讓原本設定好的製程條件產生偏移。智穎智能因此進一步開發 StabMolding 成型穩定模組，透過射出壓力數據持續監控品質，並依生產狀態自動補償關鍵參數。換言之，AI 不只在試模階段提供一條正確的「導航路徑」，進入量產後還能因應製程變化持續修正，進一步朝「自駕」邁進。

從產線驗證到海外布局，桃園如何助攻智穎智能跨過0到1？

但要讓 AI 真正走進工廠，智穎智能採取 SaaS 訂閱模式，將核心運算留在雲端持續學習與更新，降低中小型製造商一次投入大量資金的門檻。另一項差異則是「跨廠牌」。現實中的射出工廠往往同時擁有台灣、日本、歐洲不同品牌與年份的設備，因此智穎智能的方案既能導入既有設備，也能與射出機、控制器業者合作，在新機出廠時直接整合。「一個工廠不會只有一個廠牌，就像你家的車庫不會永遠只放同一品牌的車。」張詠翔說。

對智穎智能而言，AI 真正走進製造現場的關鍵，在於不同世代、不同品牌的設備都能導入。只是對工業 AI 而言，降低導入門檻還不夠，更關鍵的是能否取得真實產線反覆驗證。對從中原大學研究成果衍生創立的智穎智能而言，桃園不只是公司所在地，也提供了技術走向市場的第一塊試驗場。「對新創來說，第一個就是要經費、要人才、要場域，再來就是客戶與合作夥伴資源。」張詠翔說。

成立初期，團隊透過桃園市政府研發補助、新創競賽與基地進駐等資源，降低早期研發與營運負擔。更重要的是，桃園密集的製造業聚落，本身就是智穎智能最直接的潛在市場。透過市府串聯工業區與在地企業，智穎智能在創業初期接觸到位於桃園的「良器」，成為公司第一個客戶。從概念驗證、產品調整到實際導入，合作一路延續至今。對必須進入產線反覆驗證才能成熟的工業 AI 而言，第一個願意開放場域的客戶，意義遠超過第一筆營收。

如今，從桃園製造現場磨出的解決方案也開始往海外走。「日本這一次，完完全全都是桃園市政府帶著我們去做這件事情。」張詠翔表示，透過市府帶領團隊前往日本神戶，智穎智能接觸當地官方與企業資源。在市府引薦下，團隊成功對接了神戶知名加速器，更取得日方針對外資新創設立公司與拓展市場的兩階段實質補助資訊。目前團隊正籌備日本布局，為下一階段海外市場拓展做準備。

AI 解決「怎麼生產」後，下一步是「替誰生產」

當 AI 開始解決「怎麼生產」，張詠翔看到的下一個問題，是「替誰生產」。部分製造商提高生產效率後反過來問他，如果我的產能多了 20%，但沒有多 20% 的訂單，我何必要做那麼快？

這個問題催生了智穎智能下一階段的製造媒合平台構想。隨著供應鏈分散至不同國家，品牌要在海外重新尋找符合特定規範與製程能力的供應商，也愈來愈困難。團隊因此希望串聯既有使用 AI 方案的製造商，讓品牌端能依條件尋找供應商，也讓製造端的閒置產能有機會被看見。團隊預計 2027 年上半年推進平台服務，初期規劃串聯超過 200 家製造商與破千台機器。

從中原大學的研究，到桃園工廠提供第一個實際驗證場域；從把老師傅經驗變成 AI「導航」，再走向能自行修正製程的「自駕」，智穎智能試圖數位化的，是製造業最難被保存的資產：人的經驗。而當全球供應鏈持續移動、製造基地愈來愈分散，這套從桃園工廠磨出的 AI，下一步不只要替老師傅找到數位接班人，也要重新連結散落全球的製造能力。
而「Meet 桃園+」也期盼持續透過計畫的媒體報導與宣傳資源，將更多像智穎智能這樣扎根在地、走出海外的創業故事傳遞出去，讓外界看見桃園豐沛且具實戰力的創新動能。