英特爾（Intel）執行長陳立武（Lip-Bu Tan）在 Computex 2026 的演講讓企業將面對的三個問題同時進入一個框架下，提醒了企業必須提前規劃。這個框架本身，或許比任何具體的產品選擇更值得 CIO 帶走。
編撰／何信達
代理型 AI（Agentic AI）正以前所未有的速度重塑企業基礎架構。當 AI 工作負載從單純的「提示與生成」轉向自主規劃與執行的「任務導向」，傳統以 GPU 為絕對核心的算力配置將可能面臨不同瓶頸。本文藉由英特爾在 Computex 2026 的演講，導引出企業梳理算力比例、推論架構與資料治理上的三大關鍵決策挑戰。
三個正在失效的標準答案
下一輪基礎架構建置該怎麼做？過去市場上可能是這樣的答案：算力配置抓 1 比 7（GPU 負責運算）、推論流程交給同一批 GPU 跑到底、資料去留靠人工設定邊界。
但這三個答案正在失效。失效的原因不是硬體規格改變了，而是跑在這些硬體上的工作負載變了。
當企業開始部署 Agentic AI——不是讓員工查詢資訊的那種，而是接收目標、自主規劃、持續執行多步驟任務的那種——推論流程（inference pipeline）的結構就跟過去不一樣了。Agent 在執行過程中需要呼叫工具、讀寫檔案、進行合規查核，這些工作 GPU 不擅長，CPU 才是主角。Intel 在 Computex 演講中提出的數據是：Agentic AI 工作流程下，CPU 與 GPU 的比例接近 1 比 1，甚至偏向 CPU。
工作負載的改變牽動的不只是採購清單，它更直接逼出了 CIO 必須重新回答的三個連動問題：
- 第一、算力配置的比例該如何調整？
- 第二、推論流程要在什麼樣的架構下執行？
- 第三、當 agent 碰觸企業最敏感的資料時，治理的防線該建在哪裡？
第一、算力怎麼配——過去的配比為什麼可能失效
1 比 7，這個比例從哪裡來？ 它不是某份規格書的建議值，而是過去幾年 AI 基礎架構建置的實際結果。傳統 AI 推論的邏輯單純：一個提示進入模型，模型運算，輸出答案。這個過程高度仰賴 GPU 的平行運算能力，CPU 的角色相對邊緣——負責排程、資料搬移、系統管理，幾乎不參與核心運算。1 比 7 的比例，是這個邏輯的自然產物。
Agentic AI 改變的不是模型，而是任務的類型。 一個 agent 接收到目標之後，它不是產生一個答案就結束。它會規劃步驟、呼叫外部工具、讀取檔案、執行程式碼、查核合規條件、根據結果調整下一步——然後循環。這些動作裡，有大量的工作屬於序列性邏輯處理，而不是大規模平行浮點運算。前者是 CPU 的強項，後者才是 GPU 的強項。
[ 加入 CIO Taiwan 官方 LINE 、 Facebook 與 LinkedIn，與全球CIO同步獲取精華見解 ]
演講中一個開發場景具體說明了這個差異：要求 AI 撰寫一段呼叫 API 的 Python 程式碼。傳統推論模式下，GPU 主導全程。切換到 Agentic AI 系統後，任務被拆解——語法檢查（linting）交給 Xeon 6 Plus 的效率核（E-core）、網頁擷取與編譯交給效能核（P-core）、單元測試再回到效率核。結果是 CPU 與 GPU 的比例接近 1 比 1，而且偏向 CPU。
這個數字獲得獨立分析師的支持。Intel 官方新聞稿引用 Creative Strategies 首席分析師 Ben Bajarin 的說法：訓練時代的部署比例接近一 CPU 對四 GPU，Agentic 推論則將這個關係轉變為大約 1 比 1，甚至更少 GPU。
對 CIO 而言，這個比例變化的意涵是直接的：如果企業的 AI 應用正在從查詢式走向任務式，現有以 GPU 為中心設計的基礎架構，便可能有配置失當的疑慮。而且這個問題不會在跑分測試裡顯現，只會在 agent 實際執行複雜任務時，以延遲與瓶頸的形式浮現。
第二、推論該怎麼做——拆解式推論從研究走進部署
算力配置是第一個難題，而緊接而來的架構挑戰是：推論流程（inference pipeline）本身，要怎麼設計？
傳統做法的邏輯是讓同一批 GPU 包辦全程。前期的「預填充」（prefill）階段需要大量平行運算，GPU 擅長；後期的「解碼」（decode）階段是序列性逐步生成，GPU 的優勢大幅縮水，卻仍在消耗同等算力與電力。
業界對這個問題的回應，是把推論流程拆開——由最適合各個階段的晶片分別承擔，而非讓同一類硬體包辦所有事。這個做法業界稱為 Disaggregated Inference（拆解式推論）。這個概念在 2026 年已從研究走進實際部署，不再是技術預覽，而是可採購的現實選項。
Intel 在 Computex 展示的，正是這個方向的跨供應商商業落地版本：由 Intel Xeon 6 統籌編排，搭配合作夥伴的 AI 晶片與 GPU 各司其職。根據第三方機構 Artificial Analysis 測試，這種拆解式架構的端到端延遲，比純 GPU 架構快上 2 至 3 倍。
但選擇 Disaggregated Inference 的代價是管理複雜度的大幅上升。Deloitte Tech Trends 2026 指出，企業現有基礎架構正轉向雲端、本地端與邊緣運算的策略性混合架構，重建過程需要模組化架構與嵌入式治理，也就是運用靈活的雲端原生平台、打破資料孤島，並將安全與監督直接寫入底層。這些複雜度不會因為效能數字好看就自動消失，它需要有人承擔。
第三、資料的邊界在哪裡——混合代理推論的治理意涵
前兩個問題——算力怎麼配、推論怎麼設計——本質上都是效能與成本的優化問題。第三個問題的性質不同，它是一個治理問題：當 AI agent 開始主動接觸企業最敏感的資產，運算發生在哪裡，就是該治理的地方。
這個問題在企業 IT 的討論裡並不陌生。雲端時代已經有過一輪「哪些資料可以上雲」的辯論，各產業都建立了自己的邊界。但 Agentic AI 把這個問題推進了一步：過去是「資料存在哪裡」，現在變成「推論發生在哪裡」。一份保密文件放在本地伺服器，不等於 AI 分析它的過程也發生在本地。
市場目前的主流回應，是讓使用者手動設定哪些任務留在本地、哪些送往雲端。這個做法的問題顯而易見：它把一個需要逐任務、逐資料判斷的複雜決策，交給不具備技術背景的使用者承擔。
[ 推薦閱讀：黃仁勳演講，有哪些 Agentic AI 架構認知你需要更新？ ]
執行長陳立武與 Perplexity 創辦人 Aravind Srinivas 在演講中展示的方向，是讓系統自動做這個判斷。Perplexity Computer 定位為「AI 作業系統」，能調用最多 20 個不同模型跨工具、跨檔案協作編排，核心設計是讓系統逐任務自動決定執行位置——敏感的留在本地，其餘的送往雲端——不需要使用者事先選擇。
演講示範的場景是私募股權公司的盡職調查：分析師處理代號「Project Falcon」的保密專案，材料涵蓋私募交易文件、NDA、財務模型與雙語逐字稿。本地端模型運行於 Core Ultra Series 3 的 GPU 上，負責讀取文件、判斷敏感度分級，並決定哪些內容可以離開裝置。研究 agent 可在不暴露私密文件的前提下對外查詢補充資訊，最終由雲端大模型協助生成報告，但機密資料從未離開裝置。
Perplexity 創辦人 Aravind Srinivas 將這套架構的核心邏輯概括為「最大化每瓦每用戶的 token 價值」（token value per watt per user）。這個表述揭示了混合推論另一個值得關注的面向：它不只是隱私保護的手段，也是成本控制的工具。本地端執行小模型處理篩選與分級，雲端只承擔真正需要前沿模型能力的任務——這個分工邏輯，與企業 IT 對推論成本的關切直接呼應。
根據 Deloitte《2026 企業 AI 狀態》報告，Agentic AI 使用量在未來兩年內將急遽上升，但目前僅五分之一的企業擁有成熟的自主 AI 代理治理模式。這個現狀意味著「推論發生在哪裡」這個問題，遲早會從技術決策上升為 CIO 與法務、合規團隊必須共同定義的政策邊界。
三個問題，CIO 必須提前思考
面對這三個挑戰，CIO 與 IT 團隊需要的是提前思考，而非等待標準答案。
算力比例的問題，市場有了方向但沒有唯一解——1 比 1 是一個參考座標，不是採購規格。推論架構的問題，技術方向已經收斂，Disaggregated Inference 從研究走進部署，但管理複雜度的代價仍需審慎評估。資料治理邊界的問題，需求真實存在，而市場的解法仍在早期驗證階段。
這三個問題有一個共同的特徵：它們不能分開考量。算力比例影響推論架構的設計選擇，推論架構決定資料在哪個環節流動，而資料流動的邊界又會回頭約束算力可以怎麼配置。
這意味著，Agentic AI 帶來的基礎架構挑戰，本質上是一個系統設計問題，而不是三個獨立的採購決策。過去 AI 基礎架構可以分批、分部門、分預算週期處理。但當工作負載從查詢式走向任務式，切片式的決策方式將會產生系統性的盲點。
不妨用這三個問題提前檢視組織未來的 AI 藍圖：如果基礎架構仍以 GPU 優先配置、推論全部交給單一雲端供應商處理、資料治理政策也尚未觸及「推論發生在哪裡」這個層次——那麼當企業的 AI 應用全面走向任務式時，最先浮現的不會是效能問題，而是一套錯位的架構，在最需要擴展的時候，成為組織自己設下的瓶頸。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
