top of page

NVIDIA 與 Microsoft 的 AI 擴展橫跨 Azure 與 PC

3 小時前
讀畢需時 12 分鐘
Illustrative photograph. Photo: panumas nikhomkhai / Pexels.

NVIDIA 於 2026 年 11 月 19 日擴展與 Microsoft 的合作,連接 Azure 基礎設施和 Windows PC,而當中多項功能仍處於預覽階段。這次 NVIDIA 與 Microsoft 的 AI 擴展涵蓋模型客製化、工業運算及本地應用程式,令合作不再局限於使用更快硬件。核心的實際挑戰在於:這項互連的開發策略現時橫跨不同可用性、安全界線及營運要求的產品。

兩家公司正推廣一條由集中式運算延伸至在接近業務數據位置運行應用程式的路徑。Microsoft Foundry 是其用於建立和營運 AI 應用程式的平台,連接了這項工作的一部分。不過,透過受管理服務提供的模型、實驗室示範,以及正式生產部署,分別代表對客戶作出的不同承諾。

企業開發者和基礎設施買家正面對直接影響。他們必須判斷哪些公布的組件能解決現有問題,哪些則應留待日後評估。Microsoft 同時支援 AMD,亦突顯另一點:這次擴展鞏固 NVIDIA 在 Microsoft 基礎設施策略中的地位,但未令該策略變得排他。

NVIDIA 與 Microsoft 的 AI 擴展連接不同部署決策

這項公布把合作擴展至不同運算位置,但並不代表各處都具備完全相同的功能或可用性。

NVIDIA 的加速運算擴展介紹在 Azure 上運行的 Vera Rubin NVL72 系統,以及透過預覽提供的更廣泛存取。Vera Rubin NVL72 是 NVIDIA 的機架級運算平台,結合為高要求 AI 工作負載而設計的處理器和連接技術。預覽標示很重要,因為已安裝的基礎設施與普遍可用的客戶服務,是兩個不同的里程碑。

同一項公布亦延伸至模型調整和部署。NVIDIA 將 Nemotron 3.5 Super 和 Lightning 列入 Foundry Managed Compute,即 Microsoft 用於在受管理基礎設施上運行模型的服務。公告同時提及更廣泛的本地部署支援及 Windows 示範。Bolt 和 Transcribe 仍列為即將推出,而非目前可用的新增功能。

這些差異可避免公告被簡化成具誤導性的雲端至 PC 發布故事。兩家公司正連接多個開發及營運環境,並非表示客戶可以立即取得每項宣傳功能,並在所有位置部署。

這改變了買家解讀這項合作的方式。評估模型的開發者需要確認所需版本是否能透過目標部署路徑取得。基礎設施團隊需要確認其硬件、地區和支援安排是否符合該路徑。應用程式負責人則需要證據,證明最終系統符合業務要求。

這次活動的發展脈絡亦比單一會議公布所呈現的更長。Microsoft 在 2026 年 6 月 4 日發表的邊緣 AI 開發更新,早已處理本地部署和硬件差異。這些更新討論模型封裝、執行環境、離線運作,以及跨多個平台的開發。Ignite 將這些工作延伸為更廣泛的企業方案。

這段歷史令改變更具體。這項合作正累積基礎設施、模型及營運之間的連接。其價值取決於這些連接能否在客戶超越初步實驗後,減少重複的工程工作。

共同的供應商關係有助釐清責任,但不會自動令應用程式具備可攜性。軟件相依性、記憶體需求及存取控制,仍會影響工作負載可在哪裡運行。買家應把這次擴展視為一組需要確認相容性的額外選項。

因此,最有用的解讀應由應用程式而非硬件公告開始。它需要甚麼數據?必須在哪裡回應?更新失敗時由誰營運?這些問題可揭示新近連接的部分,能否為特定機構構成可用的部署路徑。

企業團隊現時面對部署位置與責任歸屬的決策

壓力落在必須把部署彈性轉化為明確責任分工的團隊身上。

一個業務應用程式可以涉及多個運算位置,卻未必更易管理。中央服務或會調整模型,而本地系統則在接近營運數據的位置處理請求。員工裝置可能提供介面。每個位置都帶來不同的連接、維護和存取假設。

這正是混合式 AI 的實際含義:把 AI 工作負載分散到雲端服務及本地基礎設施。NVIDIA 與 Microsoft 的 AI 擴展令這種做法在合作關係中更為明顯,也令企業架構師面對更多決策;他們過去可能把受託管模型視為大致獨立的採購項目。

以文件處理應用程式作為示例部署決策。其負責人可能偏好中央開發,因為共享基礎設施可簡化協作;亦可能偏好本地執行,因為記錄必須留在受控環境內。這些偏好並不代表同一配置必然能同時滿足兩項要求。

應用程式仍需要明確的營運負責人。必須有人批准模型變更、維護相依項目、調查故障,以及決定何時需要人工覆核。若責任分散於應用程式、基礎設施和安全團隊之間,額外部署選項可能增加協調工作。

知識管理在此成為營運相依因素。團隊需要可靠記錄,說明哪個模型、數據集及評估支持某項部署決策。可搜尋的知識庫有助保留這些工程背景,但不能取代應用程式測試。

Microsoft 自身的基礎設施定位提供了一個有用的競爭參考。其 Windows 公布包括 AMD 與 NVIDIA 的硬件路徑。因此,硬件選擇成為企業討論的一部分,而非把某一加速器系列視為所有工作負載的預設去向。

因此,相關比較不僅是 NVIDIA 與 AMD 的效能對比。客戶必須比較所支援的軟件、部署成熟度、營運熟悉程度,以及改變配置所需的工作。當這些差異影響應用程式可靠性或團隊維護能力時,硬件競爭便十分重要。

對開發者而言,短期壓力在於明確列出部署假設。圍繞受管理雲端服務設計的應用程式,可能會承襲在本地機器上並不成立的預期。相反,為本地執行而最佳化的應用程式,在集中化後可能面對不同的擴展及協調問題。

對基礎設施買家而言,較長期的壓力則涉及對互連供應商服務的依賴。緊密整合的路徑可減少初期組裝工作;但若模型調整、部署管理和硬件支援變得密切相連,更換方案的決策亦會更複雜。

兩種結果都不是必然。這項公布提供了一個理由,讓企業在擴大試行計劃前檢視這些關係。其意義在於連接企業常常分開作出的決策:使用哪個模型、在哪裡運行,以及誰持續為其行為負責。

客製化模型令評估成為核心

最有力的商業論點關乎特定任務的成果,但已公布的客戶案例並不能證明具備普遍優勢。

Microsoft 的模型客製化工作流程包括 Programmed Training,這是一項預覽服務,讓工程師控制訓練迴圈,同時由 Foundry 管理運算資源。後訓練,即在模型完成初始訓練後作出調整,為客戶提供另一種針對特定業務要求的方法。

這帶來一個不同於選擇最強通用模型的採購問題。企業可以問:調整模型所帶來的特定任務改善,是否足以證明相關工作合理。答案取決於任務、用來評估它的證據,以及營運環境。

NVIDIA 引述 EY 對 Nemotron 模型作出調整,以分類企業採購記錄。根據 NVIDIA 的說法,EY 在其評估數據集上的準確度提升 55%,並相較專有前沿模型把成本降低至十五分之一。這些是客戶特定的報告結果,並非已獨立證實適用於其他應用程式的成果。

準確度數字尤其需要審慎看待。百分比提升本身並未揭示起始準確度、最終準確度或錯誤分布,不應被理解為額外的百分點,也不能證明當採購類別或文件格式改變後,模型仍能保留相同優勢。

成本比較亦有類似限制。公告沒有提供足夠細節,以重現完整比較或確認每項納入的開支。讀者不應假設所報告的營運比較包括數據準備、模型調整、評估、持續覆核及維護。

即使存在這些限制,案例仍指出一個值得研究而具可信度的機制。界定清晰的業務任務,為開發者提供具體的調整目標。他們可以評估模型是否把記錄分配至合適類別,包括需要人類判斷的困難個案。

這個機制同時對客製化和通用方案施加要求。客製化模型必須證明其開發及維護工作合理;專有前沿模型,即領先而具廣泛能力的模型,亦必須證明自己適合處理相同業務任務。

比較應保持對稱。通用模型不應僅因具有應用程式不會使用的更廣泛能力而獲得額外評價;客製化模型亦不應僅因其開發團隊選擇了有利於其強項的評估而獲得額外評價。

對企業買家而言,相關證據應包括在陌生記錄上的結果,以及部署後引入的變更。證據亦應區分自動決策與轉交覆核人員的個案。一個應用程式看似高效,卻可能把困難工作轉移給報告衡量範圍以外的人員。

Programmed Training 改變了誰控制模型調整,但並未消除這些評估問題。受管理運算可以減輕部分基礎設施負擔,同時仍由客戶負責界定可接受的行為。當模型輸出影響財務或營運記錄時,這項責任便更為重要。

因此,EY 案例的實際意義較為明確:它支持針對有限工作流程研究專門模型適應方案,但不足以定論開放模型與專有服務之間的廣泛競爭,也不能證明自訂化適合每一項企業應用。

機架級安全仍屬有限預覽

Microsoft 詳盡的安全文件所描述的示範,比完整的機架級願景可能暗示的範圍更狹窄。

機密運算透過硬件支援的隔離機制,在資料及模型處理期間保護它們。Microsoft 的機密運算預覽版首先採用 Confidential Bare Metal Instances,讓客戶可控制主機軟件堆疊。

11 月 17 日的文件描述了一項 Ignite 示範,使用配備四枚 Rubin GPU 的單一節點;這些處理器可加速 AI 運算。其規劃中的工作流程涉及一個擁有 3,970 億個參數的模型,即定義模型所學習行為的數值。這個範圍不同於展示整個機架中所有運作特性。

Microsoft 亦將機密虛擬機、機密容器及 Foundry 整合列為此平台日後的開發方向。虛擬機提供隔離的運算環境,而容器則把應用程式連同其軟件相依項目一併封裝。它們的開發狀態應與裸機技術預覽版分開看待。

另一項區別涉及認證(attestation),即就運算環境的身分及量度所得的安全狀態提供已簽署的證明。Microsoft 表示該示範採用本地驗證。這並不能證明企業部署服務所需的完整遙距驗證及金鑰釋放安排已經就緒。

這些界限並非無關緊要的附帶條件,而是決定安全團隊可從示範中推斷甚麼。展示經量度的環境能支援要求甚高的模型工作流程,回答的是一項技術問題;要建立持續運作的服務,則需要更多有關存取、變更管理、故障處理及復原的證據。

Microsoft 的文件亦指出,在裸機設計中,租戶的主機作業系統及工作負載仍屬受信任範圍。因此,客戶仍須負責保護該等軟件。硬件支援的保護,並不會令獲授權的應用程式僅因在受保護環境中運行便自動變得可信。

這一點對敏感企業資料尤其重要。應用程式即使獲准處理資訊,仍可能以不正確方式處理。保護執行過程免受基礎設施營運方影響,只處理其中一類暴露風險;應用程式的授權及行為仍需要獨立控制。

恰當的懷疑式解讀應該精確,而非一概否定。Microsoft 及 NVIDIA 正描述朝向更廣泛機密 AI 基礎設施邁進的工程進展。文件並未證明所有規劃中的部署模式均已達到相同階段,或提供可互換的保護。

這亦說明為何技術分析應納入供應情況的表述。預覽版可為評估提供有價值的使用機會,但不代表完整的生產承諾。買家在將其納入安全架構或向內部持份者作出承諾前,須先了解其範圍。

同一標準亦適用於效率主張。協作工程工作可指出一個方向,卻未必提供客戶應用程式已獲驗證的改善。決策應依據相關條件下量度得出的行為,而非把合作關係的廣度視為每個組件均已完成開發的證據。

以實際角度理解 NVIDIA Azure 預覽版,關鍵分別在於平台能力與已提供服務之間。客戶需要了解實際服務邊界的文件,包括哪些部分仍屬受信任範圍,以及哪些責任仍由其團隊承擔。

本地 AI 與 Cloud PC 解決不同問題

即使兩者均涉及 Windows,在裝置上運行模型與串流遙距桌面所應對的需求並不相同。

Microsoft 的工業邊緣預覽版為本地端提供了一個具體例子。其 11 月 17 日更新介紹 Azure Local 在預覽版中支援 Jetson AGX Thor Developer Kit。Azure Local 是 Microsoft 用於在 Azure 資料中心以外運行及管理服務的基礎設施平台。

相關示範涉及由 Universal Robots 與 Danfoss 開發的工業機械人情境。Microsoft 明確指出,這是 Microsoft 測試實驗室內的技術示範,不應描述為 Danfoss 工廠現場正在運作的部署。

這項分別令案例更有用,而非相反。實驗室示範可展示硬件、模型及管理服務如何配合,卻無法證明生產環境的正常運作時間、面對變化中的工廠條件時的表現,或維護分散式安裝所需的工作量。

當資訊在設備附近產生時,本地執行具備直觀吸引力。把每一項決策傳送到其他地方,會引入應用程式設計者必須評估的相依性。然而,把運算移近機械設備亦會帶來裝置維護、支援軟件,以及更新中斷後復原等問題。

Microsoft 的預覽版處理了部分管理工作,包括佈建及更新。其策略論點是,當營運人員可透過熟悉的基礎設施流程管理本地運算時,本地運算將變得更實際。這個論點是否成立,取決於預覽版在受控示範以外的表現。

Windows Cloud PC 則採取另一條路徑。Cloud PC 是由遙距主機託管的 Windows 環境,使用者透過串流連線存取。它顯示在使用者螢幕上的位置,並不表示其應用程式或模型在該使用者的實體裝置上執行。

Microsoft 的 Cloud PC 串流公告介紹了支援 GPU 的 Windows 365 系統中、與 NVIDIA 相關的 Direct Stream 強化功能。Direct Stream 是 Microsoft 的桌面串流技術。兩家公司目標是支援最多兩路 4K、每秒 60 幀的串流,並計劃於 2027 年初推出有限預覽及公開預覽版。

這些是供應商描述的功能及計劃,而非針對每個網絡進行的獨立效能測試。它們亦涉及遙距顯示體驗。改良串流並不能證明模型回應更快,或模型準確度更高。

Microsoft 更廣泛的 Windows 定位亦包括 AMD 硬件及 NVIDIA 裝置。競爭含意應審慎理解:NVIDIA 獲得更多進入 Microsoft 企業環境的途徑,而客戶仍保留其他硬件選項。供應情況及應用程式支援仍須另行確認。

因此,NVIDIA 混合式 AI 的影響因使用者而異。工廠營運者關心可靠的本地執行及易於維護的裝置;遙距設計師關心能否順暢存取集中託管的工作站;開發人員則關心應用程式本身可使用的運算資源。

把這些需求視為同一個 PC 故事,會掩蓋部署決策。這項合作在商業及技術上把它們連結起來,但客戶仍須釐清運算在哪裏進行。該位置決定網絡相依性、資料流動,以及當體驗失效時由哪個團隊負責。

三項訊號將顯示各部分能否投入運作

下一輪證據應聚焦於可用的部署路徑、客戶成果及已記錄的服務邊界,而不只是更多示範。

第一項訊號是更具體的 Azure Rubin 供應情況及安全文件。在未來數月,買家應留意更清晰的存取條件,以及 Microsoft 列為未來工作的部署模式進展。相關證據應說明客戶可取得及運作甚麼,而不只是確認硬件已完成安裝。

若文件記錄顯示服務範圍擴展至現有機密裸機範圍以外,將強化這項合作的互連基礎設施論點。若廣泛的平台表述與可有限存取的服務持續存在落差,則會削弱短期部署預期。在兩家公司發布相關細節前,兩種結果都不應被推斷為事實。

第二項訊號是為自訂企業模型提供更多證據。EY 的採購紀錄案例為公告提供了具體的商業情境。若後續報道能說明評估方法、比較系統及運作條件,將更容易評估其聲稱的優勢。

跨陌生資料的證據,可強化模型適應能為該工作流程帶來持久價值的論點。若結果只限於經挑選的評估,則更廣泛的商業結論仍未能確定。重要問題是,當應用程式面對日常工作所帶來的差異時,所報告的改善能否持續。

這亦是 NVIDIA 混合式 AI 對應用程式團隊的影響可被量度之處。更多部署選項,只有在改善機構真正需要的成果時才有意義。成功處理的紀錄數量、覆核工作量、可靠的回應時間及維護工作量,比單有模型供應情況提供更有用的證據。

第三項訊號是計劃於 2027 年初推出的 NVIDIA 相關 Windows 365 串流強化功能公開預覽版。Microsoft 已提供具體時間窗口,使其成為短期內可把公告體驗與更廣泛客戶存取情況比較的機會。讀者應區分存取該預覽版與正式全面供應。

若更廣泛的評估在相關網絡條件下支持 Microsoft 的描述,將強化策略中遙距工作站的部分。受限的存取或尚未解決的限制,則會收窄該結論。無論結果如何,均只關乎 Cloud PC 的交付,並不會自動驗證本地 AI 或 Azure 模型基礎設施。

綜合而言,這些訊號回應公告的核心張力。兩家公司勾勒出運算基礎設施、模型適應及使用者裝置之間更廣泛的關係。尚未解決的問題是,客戶在真實運作限制下,能否穩定地使用這些連結。

NVIDIA Microsoft AI 擴展值得關注,因為它連結了企業團隊往往分開作出的決策。請以具體應用程式為前提,追蹤下一輪供應情況更新。詢問哪個模型版本在哪個環境運行、誰管理變更,以及甚麼證據支持預期成果。把客戶評估與供應商基準測試分開,也把實驗室示範與實際運作部署分開。對於正評估試點計劃的團隊,應保留決策背後的假設,以便日後結果可對其提出挑戰。下一步有用的做法,是把已公告能力與既有需求比較,再在擴大承諾前找出缺失的證據。你的工作流程中,哪一部分獲得已有文件記錄的部署選項,哪一部分仍取決於預覽版成為受支援服務?

 
 

為每個智能代理提供更完整的背景,提升工作表現

讓智能代理連接 remio 已整理好的知識、決策和歷史紀錄。

remio 目前支援 Windows 10+(x64) 及配備 Apple 晶片的 Mac。

你的 AI 工作夥伴
和 remio 一起高效工作

規劃、創作、交付
一站式完成

bottom of page