布局 AI生態系 算力升級推動 Physical AI
臺灣在 AI 領域面臨資本、人才及市場規模的挑戰，難以與美中匹敵，但卻擁有供應鏈整合及硬體製造的優勢。和碩以 AI 轉型為核心，透過平台、社群與專案，推動內部 AI 應用，並向外擴展 AI 生態系。
採訪／林振輝、施鑫澤‧文／鄭宜芬‧刊期／2025.12
「我們在考慮 AI 策略的時候，不只把它定位在某一個點上，而是思考對整個企業的影響與營運。」
和碩聯合科技新產品發展事業處暨人工智慧發展處副總經理蕭安助表示，和碩的三大 AI 願景為：以人為本、數據驅動，以及智慧無所不在。為實現此願景，透過建立共用平台（α）、內部社群（μ）以及前導專案（π）三大框架，逐漸推進 Physical AI（實體 AI）的應用。
[ 加入 CIO Taiwan 官方 LINE與 Facebook，與全球 CIO 同步獲取精華見解 ]
回溯 2011 年，和碩主要從事手機軟體研發，蕭安助當時觀察到，以主機板支援套件（BSP；Board Support Package）為主的業務易受上下游切割價值，為尋求新出路，他轉向巨量資料、機器學習及深度學習等領域，並蒐集非結構化數據，以滿足 AI 及深度學習對數據的需求。經過兩至三年，和碩高層核准預算，組建一支約 10 人的機器學習團隊。隨後，團隊逐步擴增，近年來聚焦發展 AI 及智慧製造相關應用。
現今，和碩的 AI 團隊組織擴增至 120 人，組織架構分為兩大部門：AI 競爭力中心（AICC）負責協助集團內部導入 AI 技術；新產品事業發展處則將內部開發成熟的 AI 平台提供給外部客戶，有助於客戶簡化導入流程，也顯示經過內外部多方驗證，具有可靠性。團隊分工涵蓋幾個主要作業：
‧GPU 底層基礎設施管理：負責強化及基準測試。
‧AI 模型演算法開發：從實驗室轉移至生產線。
‧端到端平台建置：提供工具以便利使用者。其中，應用工程師負責現場與使用者合作，將需求轉化為實際應用或產品。
平台、社群與專案 實現 AI 三大願景
在三大 AI 願景中，「以人為本」代表 AI 應用的核心是回歸人類需求，透過賦能或自動化瑣碎事務，減少重複性工作，讓人力可投入更有價值的工作。
「數據驅動」強調 AI 策略的基礎建立在數據之上，而非傳統專家系統的規則庫，且易維護與擴展。
「智慧無所不在」體現 AI 在企業內從產品設計、研發、法務、財務、人資等部門，全面智慧化。
導入 AI 需要跨部門、多人共同參與，若缺乏共同平台，資源和開發就容易分散。蕭安助表示，和碩建置專用平台，定義界面與流程，涵蓋數據收集、模型訓練及追蹤管理等，讓全體員工使用統一工具。並且透過「平台 α、社群 μ、專案 π」三個面向，推動 AI 在組織內的普及與深化。
統一開發平台 α（Platform，Alpha）：
底層架構採用 Docker 與 Kubernetes（K8s）管理 GPU 資源；中層提供資料庫、後端服務等功能模組，並整合 PyTorch 與 TensorFlow 等框架；上層則包括儀表板，用以監控模型訓練與推論的 KPI，並持續完善。此平台構成一個 大型整合系統，與既有的 ERP 與 CRM 等系統介接，確保與公司內部流程整合，維持系統穩定並提升營運效率。數據整合方面，和碩從傳統 ETL 到近期導入 MCP（Model Context Protocol，模型上下文協定），讓 AI Agent 能以更智慧的方式存取數據服務。
內部 AI 社群 μ（Community，Mu）：
技術平台的成效仰賴人員參與與互動，AI 應用須與領域知識結合。和碩建立內部社群，透過論壇等形式促進跨部門、跨領域人才的知識分享與合作，推動 AI 導入。
前導專案 π（Pilot Project，Pi）：
為最大化 AI 人才資源，和碩優先投入技術度高、具備商業價值，尤其需資深工程師投入的專案，在 α 平台上進行開發。例如和碩與多家集團及跨產業專家學者合作，共同訓練大型語言模型，組成 Project TAME 聯盟。
線性投資與 GPU 分配 升級未來算力
在 AI 戰略中，算力資源的管理尤其是 GPU 的配置，對企業來說是實務且關鍵的議題。和碩依不同需求區分 GPU 來源，並制定相應的資源分配策略。
蕭安助分析，開發使用階段通常為短期尖峰需求，用於模型訓練，分配虛擬 GPU 動態滿足；定期訓練具可預測性，依數據累積或週期性執行；推論階段包括 Edge Inference（邊緣推論）與 Server Inference（伺服器推論），亦為可預測項目，採固定排程。
分配方式分為兩類：Full Assignment（整卡分配）適用於研發部門訓練大型模型時，提供實體 GPU 區塊，避免多節點運算的網路傳輸瓶頸及虛擬化損耗；Virtual GPU（虛擬化分配）則針對動態需求，透過切分資源彈性調度。同時，AI 團隊透過儀表板嚴密監控使用率、分配狀況及等待時間，確保資源高效運用。
在和碩的 AI Factory 中，設備配置涵蓋通用計算設施、網路及冷卻系統等既有基礎架構。針對 NVIDIA GPU 伺服器，專門用於 rendering（渲染）、pure training（純訓練）及 Inference（推論）等應用，由內部團隊負責管理。
針對服務外部客戶方面，和碩從底層硬體至上層應用進行 Performance Benchmarking（性能基準評估）等全面測試。由專責的實驗室接收設備、完整驗證後再交付。
對於大型設備如 NVIDIA 虛擬化實現，和碩採用雙層次架構。先在 GPU 內建的 MIG（Multi-Instance GPU）機制進行切片，或透過 VGPU 技術實現更細粒度的 GPU 資源分配。其次，在節點層級建置 K8s 叢集，將 Worker Node 整合至叢集中，並透過容器調度的方式，將訓練任務分配至指定節點，高效利用 GPU 資源，一組 GPU 可同時支援多個容器運作。
為穩定管理 GPU 及 AI 平台，團隊已制定未來三至五年的總算力需求。蕭安助表示：「如果過早投資，缺點是成本會比較高；但如果太晚投資，又可能出現瓶頸。」因此，和碩採取線性增長的投資方式，既掌握需求，也能避免投資風險。
蕭安助認為，無論是電腦、手機或網際網路，鮮少有單一企業能長久獨佔技術， GPU 市場將會呈現贏家力圖鞏固市占率、新創企業透過創新架構突圍的情勢，形成產業的未來局面。
[ 推薦閱讀：【專訪】信驊科技營運長謝承儒 ]
四大模組推動實體 AI（Physical AI）
除持續深化現有業務流程的數位優化，和碩持續探索下一步的 Physical AI。
目前，和碩透過推動數據活化、讓 AI 應用多元落地，例如透過 AI Agent 存取 ERP 資料，以及實行流程自動化，將許多人工操作流程，透過 AI Agent 實現部分或完全自動化。
但 AI Agent 的使用目前仍然零碎且頻繁，且不同應用對於精準度的要求也不同，例如草擬郵件與合約審閱的需求差異大，一旦在高度要求的場景出現差錯，使用者的信任將難以恢復。
在產品開發、設計直至生產製造的完整流程中，物理數據的處理往往佔據公司大量營運開銷，若能透過創新提升優先權重，有望開拓出新機會。因此，和碩在此環節投入資源，呼應 NVIDIA 執行長黃仁勳喊出的 Physical AI 趨勢。
蕭安助表示，Physical AI 的成功關鍵在於選擇技術可行且具商業價值的應用場景，以產生營運效益。Physical AI 的核心包括四大模組：
‧Perception（感知）：從實體世界收集數據。
‧Value Function（價值函數）：建立評估標準。
‧Policy（策略）：定義採取行動的原則。
‧World Model（世界模型）：建構 Digital Twin 進行預測。
在今年的 COMPUTEX 與 GTC 上，和碩展示了利用 Apple Vision Pro 輔助作業員進行組裝訓練的應用，整合鏡頭追蹤手部動作追蹤、設立策略引導步驟，以及世界模型進行 Digital Twin 模擬。蕭安助認為，現在已有研究是透過類似影像生成的模式來做，例如 NVIDIA 的 Cosmos 與 Google 的 Genie，此項技術的發展會非常快，和碩現已嘗試將其應用在自動化整合。
AI 專案價值 組織與文化更勝技術
然而，AI 專案需大量的投入、短期收穫有限，傳統 ROI 不易評估。蕭安助認為，AI 不是只有降本增效，價值在於長期的組織文化的轉變。他以增強式學習的 value function（價值函數）來估算，將未來無限期的回報透過折現因子加總，回推至當前價值，適合 AI 投資的指數級增長特性。
團隊自 2018 年起追蹤 AI Inference Count（推論次數）等指標，起初員工對 AI 還不信任，成效不明顯。但三、五年後，操作員人數明顯下降，可見 AI 價值在耐心與長遠視角評估與佈局後，方能收獲成效。
除了如何量化長期價值，另一項挑戰就是如何培養組織文化與人才。蕭安助分享，在轉型過程中，新進員工佔多數，資深成員則需學習新技能以適應變化。和碩讓資深與年輕員工搭配合作，結合領域知識專家與 AI 人才，例如讓 IE 工程師進行 Digital Twin 產能規劃，並且派遣 AI 人才進入客戶工廠擔任標籤工程師，切身體會流程痛點，開發最符合所需的應用。
至於業界擔憂 AI 會扼殺初階人才工作機會，他認為，初階工作的定義不會消失，而是逐漸改變。未來的工作型態不再是從零開始寫基礎程式碼，而是更著重運用 AI 工具解決問題進行系統架構設計，以及跨領域溝通等更高層次的技能。能夠快速建置應用原型、以及精準捕捉需求的人才，尤為重要。
當然，轉型過程中難免失敗，對此，AI 團隊從內部推動提供工具、訓練與分享成功經驗（Pull），加上來自公司高層或客戶需求的外部壓力（Push），形成正向循環，累積經驗才能邁向成功；在應用層面，和碩也鼓勵 IT、工廠、研發及 AI 團隊自行開發所需要的應用，減少人力或資源的衝突。
[ 推薦閱讀：【專訪】旭榮集團執行董事黃冠華 ]
AI 時代的數據治理 取得創新與風險平衡
隨著 AI 應用的普及與深化，數據治理與資訊安全是企業經營不可忽視的基礎。在推進創新的同時，和碩原則上採取嚴謹的策略。
蕭安助表示，AI 治理應建立於數據治理之上，優先處理數據的分類、權限控管、敏感度分級等，並強化數據的可追蹤性、透明度、可解釋性及可稽核性。
由於客戶數據的敏感度高，禁止使用外部公有雲 AI 服務，並透過 API Gateway 監控所有數據流動。使用外部雲端服務或 AI Agents 皆須經過申請與控管。對於 Shadow AI 的現象，則從網路源頭阻擋，管控員工未經授權私自使用外部 AI 服務的風險。
和碩同時正在學習 ISO 42001 等治理框架，逐步實施。蕭安助認為，無論公司是否已大規模投入 AI，都應立即著手進行內部的數據盤點與分級工作。這是建立未來 AI 治理框架最根本、也最關鍵的第一步。
從 Agentic AI 邁向 Physical AI，企業不僅靠投資最新的演算法或昂貴的硬體，同樣須重視流程再造、人才轉型及跨部門信任建立。和碩期能在製造場域中落實人機協作，並以數據治理與資安為基礎，建立具長期競爭力的智慧製造架構。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
