AI工廠是什麼？跟智慧工廠差在哪？黃仁勳2小時演講狂提AI Factory，為何輝達重押它？|數位時代 BusinessNext

重點一 ：輝達（NVIDIA）提出「AI工廠」(AI Factory)概念，將AI開發流程比擬為工業生產，強調將數據轉化為智慧的規模化生產。

重點二 ：AI工廠需具備強大的硬體基礎，包含GPU、DPU和高速網路，以應對生成式AI對運算資源的指數級需求。

重點三 ：輝達提供完整的軟體堆疊，從CUDA到AI Enterprise和Omniverse，簡化AI開發和部署流程。

在近期舉行的NVIDIA GTC大會上，「AI工廠」成為高管和講者頻繁提及的熱門詞彙。輝達執行長黃仁勳在其長達兩小時的主題演講中，更將此概念推向高峰。

什麼是AI工廠？

要從技術上理解AI工廠概念，很容易被各種術語混淆。 但其實，AI工廠的本質就是一個專門用來處理大量資料並產生智慧的超級電腦或資料中心。

黃仁勳在2023年首次提出這個概念時表示：「輝達正在打造AI工廠，接收數據（data），並生產智慧（intelligence）。」這個比喻將複雜的技術過程形象化， 就像傳統工廠將「原材料」轉化為「產品」，AI工廠則是將「數據」轉化為「智慧和解決方案」。

需要特別強調的是， AI工廠並非製造業中的智慧工廠，而是專門為企業提供AI所需算力的基礎設施。 根據輝達的說明， AI工廠是一種搭載最新GPU晶片和軟體的運算基礎設施，專門用於精煉大量資料的人工智慧模型。

數據到智慧：AI工廠的運作模式

AI處理的兩大階段

要理解AI工廠如何運作，我們需要先了解AI處理的兩大關鍵階段：

訓練（Training）或學習（Learning）階段 ：在這個階段，AI工廠會將大量資料輸入電腦，找出規則，建立模型。這個過程需要極大的運算資源，例如ChatGPT的語料訓練需要超過1萬個處理器跑1個月，成本約3,000萬美金。

推論（Inference）或預測（Prediction）階段 ：建立模型後，AI工廠會利用這個模型來預測或生成新的內容。相較於訓練階段，推論所需的時間和資源較少，但仍然需要一定的運算能力。

這兩個階段就像人類「學習英文」和「使用英文」的差別，學習需要花費數年時間（訓練），但一旦掌握後，與外國人交談只需幾秒鐘（推論）。

AI工廠的數據處理流程

在AI工廠中，數據處理遵循以下流程：

數據收集與輸入 ：大量的原始數據被輸入到AI工廠中。

數據處理與學習 ：超級電腦處理這些數據，讓AI模型從中學習模式和規律。

模型訓練與優化 ：通過多次迭代，AI模型不斷改進和優化。

智慧輸出與應用 ：經過訓練的模型可以生成各種類型的智慧成果，如預測、決策或創意內容。

AI工廠vs智慧工廠：兩個不同的概念

很多人容易混淆AI工廠和智慧工廠這兩個概念，但它們實際上有著根本的區別：

AI工廠：產生智慧的數據中心

主要功能：處理數據並生成智慧或解決方案。

物理形態：超級電腦、資料中心或GPU運算基礎設施。

輸出產品：經訓練的AI模型、預測、決策支援或創意內容。

適用場景：任何需要大規模AI運算的企業或組織。

智慧工廠：應用科技的現代製造設施

主要功能：運用先進技術實現生產過程的自動化、智慧化與數據化。

物理形態：實體製造工廠，但導入了物聯網、AI等技術。

輸出產品：實體製造產品，但生產過程更高效、靈活。

適用場景：製造業企業尋求提升生產效率和產品品質。

黃仁勳特別強調，他提出的AI工廠是為企業提供AI需要的算力基礎設施，而不是製造業生產線所謂的智慧工廠。

AI工廠，不只是硬體而已

僅有硬體是不夠的。輝達的AI工廠願景，還包括端到端的軟體堆疊，以充分利用這種基礎設施。

基礎是CUDA，輝達的平行運算平台和程式設計模型，讓開發人員能夠利用GPU加速。CUDA和CUDA-X函式庫（用於深度學習、數據分析等）已成為GPU運算的通用語言，使構建在輝達硬體上高效運行的AI演算法變得更加容易。

在此基礎之上，輝達提供NVIDIA AI Enterprise，一個雲端原生軟體套件，旨在簡化企業的AI開發和部署，整合了100多個框架、預訓練模型和工具，所有這些都針對輝達GPU進行最佳化，並整合到一個具有企業級支援的統一平台中。

輝達的軟體堆疊還包括用於管理和協調AI工廠運作的工具。例如，NVIDIA Base Command和Run:AI等合作夥伴的工具，有助於跨叢集排程作業、管理數據和監控多使用者環境中的GPU使用情況。

另一個關鍵要素是NVIDIA Omniverse，是一個模擬和協作平台，讓創作者和工程師能夠構建數位雙生，即具有物理精確模擬的真實世界系統的虛擬副本。

針對AI工廠，輝達推出了Omniverse Blueprint for AI Factory Design and Operations，使工程師能夠在部署硬體之前，在虛擬環境中設計和最佳化AI資料中心。

有哪些企業應用AI工廠？

1. 鴻海

應用方式 ：鴻海與輝達合作，在其台灣和墨西哥工廠中部署AI工廠技術。透過輝達的Omniverse平台和Isaac機器人技術，鴻海打造工廠的數位孿生模型，進行AI驅動的模擬和生產線優化。

具體成果 ：AI工廠幫助鴻海提升智慧製造能力，預計每年可節省超過30%的能源成本，並降低整體運營費用。台灣工廠計劃於2024年12月投產，墨西哥工廠則預計於2025年初啟動。

2. 特斯拉（Tesla）

應用方式 ：特斯拉運營一個專用的GPU集群，作為其AI工廠，用於訓練自動駕駛AI模型。這個集群處理從特斯拉車輛收集的大量行車資料，並將其轉化為改進Autopilot和全自動駕駛（FSD）系統的AI模型。

具體成果 ：透過AI工廠的不斷運作，特斯拉能夠持續優化其自動駕駛技術，提升系統的安全性和性能，並將更新後的模型推送至車輛。

延伸閱讀：momo年收創新高、年增率卻寫新低！為什麼？富邦媒總經理揭2大關鍵因素

本文初稿為AI編撰，整理．編輯/ 李先泰

資料來源：NVIDIA、Forbes

「過去我們教育教導學生如何從數據中找出標準答案，但在生成式AI的時代，標準答案往往是最廉價的。」臺大EiMBA執行長李家岩一語道破了這波商業典範轉移的核心。他認為，當資訊獲取邊際成本趨近於零，企業的競爭優勢已不再是單純的「掌握資訊」，而是「如何設計讓 AI 與人共同創造價值的流程」。這不只是一句口號，而是一場正在被驅動的轉型。從課程設計的邏輯重組，到學生創業專題的實戰演練，臺大EiMBA正將校園打造成一個允許失敗、快速驗證的「人機共創實驗場」。

告別標準答案，當教授變成「學習架構師」

「我們不再只是教導知識，而是設計學習。」李家岩指出，臺大EiMBA的課程正在經歷結構性的轉變。現在的教授角色更像是一位「學習架構師（Learning Architect）」，他們的任務不是單向輸出，而是設計出高強度的挑戰與情境，讓學生在解決問題的過程中，自然地將 AI 納入決策迴路。

以今年新開設的「雙軸轉型與人工智慧」課程為例，這並非傳統的技術概論課，而是場關於商業邏輯的壓力測試。學生不再只是繳交一份靜態的商業計畫書，反而被要求運用生成式 AI 輔助設計商業模式畫布（Business Model Canvas），甚至利用Vibe Coding技術讓不懂程式語言的商管學生，也能透過自然語言與提示工程，快速生成互動式的原型與操作介面來模擬市場反應。這項技術打破了傳統「文組企劃、理組執行」的藩籬，讓創意能即時轉化為可執行的程式碼。在這個過程中，AI 扮演的角色並非代筆的秘書，而是將概念具現化的加速器，以及最嚴厲的邏輯質疑者。

「這是我在課程中學到最深刻的一課，」臺大EiMBA二年級生、寵物百分百用戶體驗暨品牌行銷中心負責人鐘紫瀕分享道。身處近200人新創組織的高階主管，她坦言最初員工對 AI 充滿敬畏，甚至恐懼被取代。但在 EiMBA 的課堂上，她發現 AI 真正的價值在於「攻防」與「鏡像」。「老師設計了一種『沙漏式』的提問邏輯，迫使我們把策略餵給AI後，必須面對它無情的反問。」鐘紫瀕回憶，「這個市場假設有數據支持嗎？」、「你的競爭壁壘在哪裡？」這種高強度的追問，都是AI在對學員提出的挑戰，迫使她必須思考得比AI更深、更遠。「以前我們忙著找答案，現在我們學會如何設計出『連 AI 都沒想過的好問題』。AI就像一面鏡子，映照出我們思考邏輯上的盲點。」

數位孿生實戰，將「感覺」轉化為「數據決策」

除了策略層面的思維激盪，AI 在營運端的落地應用，更是讓許多直覺型創業者經歷了一場痛苦卻必要的轉型。臺大EiMBA一年級生、赤赤子設計師林宏諭對此感觸良多。

身處傳統服裝產業，過去他的經營模式多仰賴美感與經驗，「以前做決策就是憑感覺，甚至忙不過來時，連縫扣子這種小事我都自己跳下去做。」但在李家岩講授的「雙軸轉型與人工智慧」課堂上，他被迫面對冰冷的數據與流程，而這正是李家岩強調的「數位孿生（Digital Twin）」素養。

在虛擬世界中建立一個與真實工廠或商業流程一模一樣的模型，利用AI進行模擬與預測，是現代智慧製造的核心。對林宏諭而言這意味著必須將腦中抽象的「職人經驗」轉化為AI讀得懂的 SOP。「那段過程就像是被老師架著刀子往前走，非常痛苦，」林宏諭形容，為了讓 AI 能協助優化流程，他必須把每一個步驟定義清楚，無法再用「大概」、「憑感覺」含糊帶過。

雖然煎熬但成果是豐碩的。當感性的創意被裝進理性的數據框架後，林宏諭發現自己的決策不再是賭博，而是可被驗證的科學。「現在AI不僅幫我理清思緒，更像是團隊的外掛大腦。我開始能鼓勵員工使用AI釋放重複性勞動，讓大家能準時下班，去做更有價值的事。」這正是課程希望帶給學員的轉變，從「事必躬親的管理者」進化為「善用工具的跨域系統設計者」。

跨域共創，打破同溫層的「破壁效應」

如果說AI是另一位虛擬組團員那麼課堂上原本的同學們，就是來自多重宇宙的戰友。這裡匯聚了醫師、網紅、工程師、律師與傳產二代，如此多元的背景在AI的催化下，產生奇妙的化學反應。

李家岩特別提到了榮獲霍特獎（Hult Prize）肯定的「RiiVERSE」團隊。這個由臺大管院 EiMBA 與 GMBA 學生組成的團隊，成員涵蓋了時尚、行銷與創新創業等不同領域。他們利用舊衣回收再製技術，打造出循環經濟的生態圈。「這就是我們強調的跨域共創。」李家岩解釋，在過去，不同領域的專業人士溝通成本極高，但現在，AI成為了通用的翻譯機與黏著劑。

「AI不僅降低了技術門檻，讓文組生也能做Prototype，更讓理組生也能懂得商業敘事。」在這樣的環境下，創新不再是單打獨鬥，而是像RiiVERSE團隊一樣，結合理性與感性，共同回應全球永續（ESG）的艱鉅挑戰。

為了內心的狂熱，動手去做

然而，隨著AI涉入決策越來越深，一個核心問題浮現：在演算法能預測趨勢、生成文案甚至編寫程式的時代，人類領導者的價值還剩下什麼？「我們教的不是被AI取代，而是擴增智慧。」李家岩眼神堅定地說。他強調，未來的領導者必須具備三項關鍵特質：AI素養、跨域系統設計能力，以及科技人文的反思力。

其中最關鍵的，是懂得界定「自主邊界（Autonomous Boundary）」。領導者必須清楚判斷：哪些決策該放手讓 AI 自動化？哪些時刻必須保留人類的溫度與價值判斷？「例如在智慧工廠中，AI 可以預測機台何時需要維修保養，但『什麼樣的風險可以接受』、『我們要解決什麼社會問題』，這些涉及價值觀的決策，永遠需要人類來定奪。」李家岩補充道。

在李家岩眼中，真正的創新往往不是來自同類型人才的討論，而是從不同背景、不同世界觀的碰撞中誕生。「一個人能看到的只是片段，跨域合作才能讓問題完整。」他再次提到。對他而言，EiMBA 想培養的不是知道最多的人，而是能讓「各種智慧」一起工作的人。在AI與人類智慧並存的年代，領導者最重要的能力，不是掌握所有答案，而是打造一個能讓答案自然生成的組織環境。「未來需要的領導者是能整合技術與人、懂得跨域系統思考、也能『擇人(含機器人)而任勢』的人。」李家岩說，而這群充滿創業創新的管理者也將在未來商業戰場上奏出人機協作的新樂章。