【AI 模型路由新解】Snowflake 不只比快比省，真正賣的是資料留在受控邊界內
對於已經大規模導入 AI 代理的企業來說，單一人工智慧模型通常無法妥善處理所有任務；畢竟，若將簡單任務交給複雜模型，那麼開銷成本就容易水漲船高；其次，太過簡單的 AI 模型又會無法處理複雜問題，因此才誕生了「模型路由」解決方案，借助自動化機制替每項任務選擇適合的模型。
為了迎合企業需求，雲端資料平台公司 Snowflake 近日推出 Cortex AI Gateway，讓客戶可以透過「自動」模式，將每項任務主動分配到兼具品質與成本支出的 AI 模型。
Snowflake 指出，根據內部測試數據，在某些工作負載上，Cortex AI Gateway 可以將 Token 成本降低多達 3 倍，避免將簡單問題交給太過強大的 AI 模型處理，進而導致成本提升且拖慢回應速度。
內建兩道決策機制，強調不額外收費
技術方面，Snowflake 高階主管 Baris Gultekin 解釋，Cortex AI Gateway 主要仰賴兩道決策機制。首先在「顧問模式」下，系統會讓規模較小的 AI 模型嘗試執行任務，假如該模型無法完成工作，系統便會調用更大的模型作為輔助工具，接手小模型尚未完成的任務。
其次，Cortex AI Gateway 內建一組根據過往任務紀錄，訓練而成的分類器，它的功用是透過條件判斷，將簡單問題直接導向規模較小的 AI 模型。
Snowflake 強調，自動模型路由屬於選擇性功能，客戶仍然可以指定想使用的模型，或者將路由範圍限制在某一組特定的 AI 模型內。
此外，Cortex AI Gateway 服務並不會額外收費，若系統成功將任務指派到較便宜的 AI 模型，那麼企業的帳單費用自然會有所下降，而路由決策本身也不會成為客戶的支出負擔。
不只在做 AI 路由，更整合資料治理
跟其他公司稍微有所不同，Snowflake 強調將 AI 模型的路由功能，跟現有的資料治理存取控制機制，共同整合在一起。
Snowflake 認為，治理從資料層級開始，先是採用基於角色的存取控制，接著再延伸至模型層級，將客戶的操作角色，映射到已核准的模型群組，然後才進一步延伸至 AI 代理層級；此時 AI 代理所擁有的權限範圍，通常就會比呼叫 AI 代理的使用者更為有限，從而提高了治理的有效性與安全性。
Baris Gultekin 指出，平台上所有的 AI 推理任務，無論是企業選用開源或封閉模型，全都會留在 Snowflake 的安全邊界內，絕對不會轉發到外部供應商；而這種區域與邊界設定，對於某些非美系 AI 模型，比方 DeepSeek-V4-Flash 和 GLM-5.3 等源於中國的模型來說特別重要，更能夠藉此滿足企業的資料落地需求。
近期 Snowflake 收購了模型上下文協議（MCP）平台技術公司 Natoma，成功為自身添加了超過 100 個具備限定範圍，而且受到存取權限控管的 MCP 伺服器連接對口，確保 AI 代理的行為不會超出控制，比方說 AI 代理程式可以對已連接的工具，如電子郵件服務取得唯讀存取權限，而非更加廣泛的授權。
多家業者參戰，市場盤算各有不同
除了 Snowflake 外，積極發展 AI 模型路由服務的公司，亦包含 OpenRouter、Databricks 與 NVIDIA 等知名企業。
日前 NVIDIA 推出了 Switchyard，Databricks 則帶來 Unity AI Gateway，但根據科技顧問公司 SanjMo 負責人 Sanjeev Mohan 的分析，各家所發展的 AI 模型路由服務，雖然表面上看似相同，但背後卻有著差異化的發展方向。
Sanjeev Mohan 指出，事實上 Snowflake 並非只是在推廣自動化功能，而是銷售一種永遠不會超出受管制資料邊界的路由服務，而且該服務還內建了存取控制、標籤管理及成本歸因功能。
Sanjeev Mohan 說，對於已經將 Snowflake 的旗下服務作為資料及合規管理核心的企業而言，可以讓現有數據保持原位，同時按照團隊的需求算出支出成本的路由機制，其實是解決問題的實質性手段；但是對於本來就不怎麼仰賴 Snowflake 的公司來說，其他更加中立的路由服務業者，反而可以提供更多的 AI 模型選擇，甚至是更低的系統磨合成本。
Sanjeev Mohan 將 AI 模型路由的市場競爭，劃分成三個截然不同的陣營，除了強調分析、存取控制角度，連帶切入 AI 資料治理的 Snowflake，Databricks 則是以資料工程和機器學習進入相同領域，至於 OpenRouter、LiteLLM、Portkey 等中立型路由業者屬於第三類，其中亦包含 Azure AI Foundry。
資料位置是關鍵，仍不乏中立選擇
總歸來說，模型路由現在已經成為企業的主要需求之一，因此最關鍵的決策將落在「哪一種治理模式才能跟現有公司團隊與資料互相契合」，而過去計較的價格與路由速度，早已不是挑選服務業者的重點。
隨著 AI 代理的規模不斷擴大，手動選擇模型正逐漸成為一項成本負擔，假若數百個 AI 代理在未實施自動化成本檢查的情況下，仍然維持傳統的模型選擇方法，那麼企業開銷勢必會迅速累積。
Sanjeev Mohan 提醒，企業在挑選模型路由服務時，不只是要考量功能，更要考慮哪種治理模式，可以跟現有的資料資產互相契合，以及哪種模式能夠提供避免意外支出所需的成本透明度。
同時 Sanjeev Mohan 認為，選擇路由服務的起點，或許取決於企業資料目前儲存於何處；當公司數據已經仰賴 Snowflake 或 Databricks 的核心功能，那麼採用現有平台提供的服務，將會是更合適的選擇，但若團隊希望在最小化供應商鎖定帶來的影響，或者是單純認為該以「模型優先」，那麼中立型業者如 OpenRouter 就會成為值得採用的選項。
科技的變化總是快得驚人，而我們每天的工作，就是從龐雜的趨勢中理出觀點、提煉出決策者真正需要的洞察。如果你也對 AI 發展充滿熱情，《TechOrange 科技報橘》正在徵內容編輯！
👉了解職缺內容
【推薦閱讀】
◆ Salesforce 推 Slack Code：AI 不再只拚個人生產力，把寫程式搬進聊天頻道
◆ 想用最強 AI，就得讓 AI 留存你的資料嗎？OpenAI 與 Anthropic 給出兩種答案
◆ 【零信任新挑戰】AI 代理能跨系統存取、層層委派授權，企業的身分治理框架需從頭設計
＊本文開放合作夥伴轉載，參考資料：VentureBeat、Snowflake，首圖來源：Nano Banana 2
（責任編輯：鄒家彥）