輝達砸231億元收購！Run:ai是什麼來頭？如何降低企業AI運算成本？|數位時代 BusinessNext

輝達砸231億元收購！Run:ai是什麼來頭？如何降低企業AI運算成本？

NVIDIA以7億美元收購以色列新創Run:AI，此案歷經歐盟8個月審查後獲無條件批准，Run:AI憑藉GPU虛擬化與資源池化技術成近日焦點。

2024年12月，NVIDIA以高達7億美元（約新台幣231億元）的金額收購Run:ai，這個從以色列發跡的新創以GPU虛擬化和調度技術，協助企業提升GPU使用效率，更吸引Red Hat、Amazon Web Services（AWS）、Microsoft等企業締結合作關係。

事實上，此收購案早就在去年4月傳開，當時遭到義大利競爭與市場管理局（Autorita Garante della Concorrenza e del Mercato，簡稱 AGCM）要求審查此收購案是否會影響國內競爭，在歐盟歷時共8個月的審查後，NVIDIA終於獲得批准收購Run:ai。

然而，這場收購案的焦點其實不單只是龐大的金額，究竟Run:ai擁有什麼技術，讓NVIDIA想將其收購，占為己有？

因博士研究而催生創業火花！

「改變我人生的兩個人，一位是我的妻子，另一位就是Omri Geller。」Run:ai共同創辦人Ronen Dar表示，他與另一位共同創辦人Omri Geller在以色列特拉維夫大學（Tel Aviv University）攻讀博士時相識，由於當時在同一位教授指導下進行AI研究，2人也逐漸熟稔，而這場相遇更成為他們創業的起點。

Ronen Dar分享，攻讀博士學位的同時，他也在Intel以及Anobit擔任工程師，當Anobit被Apple收購之際，他也順勢在Apple任職3年，從中累積了晶片技術開發經驗；而Omri Geller則是在以色列政府的技術部門工作長達8年的時間，他主要負責運用高效能運算（HPC）和AI開發演算法等項目。

而在AI學術研究的過程中，Omri Geller很快意識到，未來的世界將被AI主導，Ronen Dar也補充，「從一開始（讀博士時），我們就合作得很愉快，而命運巧妙的在對的時間、對的背景，讓我們共同創辦了Run:ai。」

「雖然當時Run:ai還沒有真正的產品雛型，甚至只有一份簡報，但他們提出的構想令人印象深刻。」TLV Partners共同創辦人Rona Segev回憶，初次見到Omri Geller和Ronen Dar時團隊的目標， 就是開發一個能有效管理與優化這些資源的平台 。

Rona Segev補充，當時Omri Geller與Ronen Dar清楚指出，隨著AI技術發展，企業勢必會需要更高效的硬體來支撐龐大的AI運算，然而GPU不僅成本高且經常產生資源閒置的問題，因此，Run:ai構想一個解方，利用GPU虛擬化與分割技術，讓GPU能夠同時運算多個任務。

「Omri和Ronen身上具備一種獨特的氣質，結合智慧、魅力、瘋狂與謙虛，而這正是我們尋找創辦人時最看重的特質。」Rona Segev表示，儘管當時TLV Partners當時對GPU相關領域也是不甚了解，但創業者特質促使TLV Partners向Run:ai投資，以推動他們把理論轉變為具體產品。

Run:ai如何降低企業AI運算成本？

以色列新創Run:ai之所以能吸引NVIDIA的併購，其關鍵就是在「一台GPU可以同時運算多個任務」。

由於傳統GPU的使用方式為靜態變數（Static Variable），意思就是，某個任務可能只需要使用50%的GPU資源，剩餘的50%則會被閒置，導致企業為了滿足AI運算需求，往往需要購買更多GPU，大幅增加營運成本。

「我們看到市場上正在開發新的硬體來滿足不斷成長的運算需求，但卻缺乏一個軟體架構來幫助用戶更有效使用這些硬體。」Omri Geller直指痛點。

因此，Run:ai基於Kubernetes（K8s）的容器管理機制，研發了一個能與Kubernetes整合的平台，透過GPU虛擬化與分割技術，Run:ai能夠將一個完整的GPU劃分為多個小單位，供不同任務同時使用。例如，某個任務只需要使用50%的GPU資源，剩餘的50%便可被其他任務使用，避免資源的浪費。

Omri Geller進一步解釋說：「我們能有效幫助用戶在不增加硬體成本的情況下，完成更多AI運算。」以解決GPU資源難以靈活分配的困境。

此外，他也說明，GPU池化技術則允許將多個GPU組合為一個虛擬資源共享池，提供大型AI任務使用，而當任務結束後，資源就會自動釋放並重新分配，等待新任務需求，以「動態分配」GPU資源，來確保每個容器都能獲得足夠的計算能力。

NVIDIA的策略？收購Run:AI帶來的好處是什麼

市場對GPU需求的大幅成長為Run:ai帶來了機會。

NVIDIA從2024年4月就開始推動收購Run:ai，隨著生成式AI和大型語言模型（LLM）的快速興起，企業對GPU的管理需求也越來越迫切。

「現在作為NVIDIA的一部分，我們相信AI正在以史無前例的速度改變世界，而這都只是剛開始。」Omri Geller對收購一事提出看法，NVIDIA也計畫將其技術開源，讓Run:ai研發的軟體不只服務於NVIDIA的GPU平台，還能適用其他製造商的硬體，包含AMD與Intel等。

其實目前有越來越多的GPU共享或租賃服務廠商出現，包含心元資本投資的Inference.ai、台灣的GMI Cloud和康斯特科技等等，隨著AI需求越來越多，可以預見這個賽道也只會越來越大。

本文授權轉載自：創業小聚

不只SEO，還要GEO！企業如何讓AI認識你

回顧過往科技發展週期，新科技普遍需10至12年才能成熟。iKala共同創辦人暨集團董事長程世嘉引述AMD執行長蘇姿丰的比喻來說，若AI是一場棒球賽，目前僅走到第三局。這意味著，只要企業採用率持續攀升，尚且毋需擔憂AI泡沫化；反之，AI產業可能才正要邁入超級循環。

不過，程世嘉也提出「智慧通膨」的現象，他表示：「各大廠不斷推出新模型，資本支出也不斷提升，但使用成本並沒有因此下降，因為算力供不應求；不過長期來看，成本曲線一定會往下走，未來AI智慧會像水龍頭一樣，打開就有。」

隨著AI逐步普及，使用者尋找資訊的方式也隨之轉變。程世嘉強調，搜尋行為正從關鍵字轉向AI對話與生成式搜尋。企業除經營傳統SEO，更需布局GEO（生成式引擎優化），提高被AI引用與推薦的機會。這波版位重分配與十餘年前SEO興起時無異，及早掌握規則者，才能在新流量分配中卡位。

迎戰Business-to-Agent，如何搶進AI決策新戰場

要爭取AI時代的流量紅利，關鍵前提在於企業內部的基礎建設是否到位。「現在超過9成的企業都有AI焦慮症，大家都很急著導入AI工具，但背後缺乏整體的策略與架構。」iKala AI服務事業部副總經理Gary Yang認為，AI專案應如培訓新進員工，結合商業策略與數據資產雙向評估，才能真正落地。

「如果沒有穩定的雲端基礎，企業的AI就會是空中樓閣。」他強調，雲端即是企業佈局AI的關鍵基礎建設之一。如多數企業選擇Google Cloud，看重的就是技術護城河、數據主權與總體擁有成本；而iKala推出的企業級AI代理平台iKala Nexus，定位為策略中樞與營運大腦，即立基於此。

然而，架構穩固只是起點。Google Workspace銷售總監Murray Chiang指出，全球僅約3%企業成功透過AI達成深度轉型，關鍵就在AI代理能取得多少企業資料與情境。因此，企業級Gemini Enterprise App結合個人級Google Workspace，構成Google所主張的「代理型工作轉型」（Agentic Workplace Transformation，AWT）主軸，讓AI從被動對話框升級為跨系統執行的代理，並恪守數據主權歸屬企業的原則，讓企業級AI能真正發揮效益。

當企業打穩內部地基，外部競爭也才能順勢轉向市場端。「Google Search全球年搜尋量達5兆次，近八成消費者認為AI讓購物決策更快、更有信心。」Google Ads廣告產品行銷資深總監Alvin Tsai指出，「B2A」（Business to Agent）的時代來臨，當AI代理主導決策時，看重的是API串接流暢度與數據結構化程度，企業必須從爭取「被看見」的SEO排名，走向爭取「被推薦」的AI清單，並進一步走向「被選擇」。其中，信任將成為AI時代品牌經營的關鍵。

從洞察到執行，iKala全方位解方引領品牌佈局

這份信任要能落地，關鍵在於底層數據是否可信。對此，iKala行銷科技事業部總監Donna Hsu提出的IMC整合行銷架構，正是iKala因應Agentic Commerce時代所提出的整體解決方案。

面對高度碎片化的行銷環境，品牌需要建立的，是一套能從市場洞察延伸至全通路執行、並持續優化的整合行銷系統。Ontix即時掌握消費者社群聲量與市場趨勢，代表品牌對人的理解；Kuroma則從AI搜尋視角，分析品牌在生成式搜尋中的能見度與引用表現，代表對AI的理解；兩者合力，讓品牌同時掌握人類與AI代理的決策脈絡。再透過Kolr行銷數據平台，將洞察轉化為具體行銷執行，使每一次決策都能以數據驅動、持續優化，協助品牌在AI時代建立長期競爭優勢。

最後，在論壇壓軸的高峰對談中，程世嘉強調，當前正是典範轉移的關鍵時機，如同過往率先布局SEO的業者得以享有紅利；他認為，這同樣是企業重生的契機，提早深耕者將在此波轉型中佔得先機。尤其，AI轉型已非單機運作所能達成，企業應優先建立基礎建設與治理架構；當自身能力有限，也須慎選合作夥伴、借助外部資源，並在安全可信任的前提下，實現共同成長。