華碩全球 AI Tech 高峰會前進韓國，攜手 NVIDIA 加速 AI 工廠落地
AI 基礎設施走向全新階段，隨著 AI 營運從實驗階段走向自主程度日益升高，支撐這些 AI 工作負載的系統越趨複雜且環環相扣，華碩日前於韓國首爾舉行的 ASUS AI Tech 2026，正是以此作為核心主軸，認為一座 AI 工廠（AI Factory）的價值，不僅取決於帳面上的運算容量，而是能否把電力、資料、部署、治理串聯成同一套可營運的 AI 系統。
於首爾的 AI Tech 2026 高峰會中，華碩展示橫跨 NVIDIA Vera Rubin NVL72 與 NVIDA HGX Rubin 平台、NVIDIA MGX、企業級儲存與邊緣系統的各項基礎設施，這些能力共同構成 ASUS Full-Stack AI Factory 解決方案的基礎，並由一套整合式軟體堆疊提供支援。
完整對應 NVIDIA 平台的產品線
在大規模 AI 工廠層級，全新 ASUS AI POD XA VR721-E3 是採用 NVIDIA Vera Rubin NVL72 與機架式平台，支援大規模 AI 工作負載與低成本 Token 生成，每瓦效能較上一代高出 10 倍。與其相輔相成的是搭載 NVIDIA HGX Rubin NVL8 企業級 AI 伺服器 ASUS XA NR1I-E12LR／XA NR1I-E12L，負責高強度的訓練、推理及後訓練。
代理式 AI（Agentic AI）由 ASUS XA P2N-E2 承接，採 NVIDIA MGX 平台最多支援 2 張雙插槽 NVIDIA GPU，適合大型、低延遲、有節能需求的代理式推理、資料處理及協調編排。往邊緣延伸，搭載 NVIDIA RTX PRO 6000 與 NVIDIA RTX PRO 4500 Blackwell 伺服器版本 GPU 的 ASUS ESC8000-E12P，把企業推理與視覺運算的加速能力從資料中心帶到現場；體積精巧的 ASUS PE3000N 則以 NVIDIA Jetson Thor T5000 模組，為機器人與工業自動化環境提供即時推理、感測器融合及自主控制。
資料管理同樣被視為 AI 工廠的一環，以 NVIDIA STX 模組化架構作為 AI 原生儲存基礎的 ASUS UF920-E3-RS24，搭配 ASUS OJ340A-RS60 物件儲存解決方案與 VS320D-RS26N 儲存系統，貫穿 AI 工廠從設計驗證到量產部署等不同階段。
華碩強調，加速器效能只是整體解決方案的一環。網路必須高效搬運資料，儲存要持續供應模型與應用情境，供電與散熱則要撐住密度越來越高的工作負載。
「AI 工廠是以單一互連系統的方式運作。」華碩表示，「對營運商而言，真正有意義的衡量標準，在於整套基礎設施能從投入的每 1 瓦電力、每 1 塊錢及每 1 分鐘，創造多少持續且有用的 AI 產出。」
治理始於第一個 Token 產出之前
這場高峰會上，華碩主張把治理的起點往前推到實體基礎設施施工之前，理由很現實：一個微小的設計如果偏差，一旦在整座廠區反覆出現，將會直接衝擊 AI 工廠的經濟效益，從第一個 Token 產出、每瓦 Token 數，再到獲利時間與總持有成本皆是。而等到實體部署階段才發現，事後修正往往意味著大幅延宕與產能閒置。
為此，華碩將自身的系統工程能力與 NVIDIA DSX Sim Blueprint 結合，並攜手 Schneider Electric、AVEVA、IBM，把運算、網路、儲存、供電、散熱及廠務等條件整合進數位孿生（Digital Twins）環境，讓客戶在動工之前就能評估，辨識限制條件、最佳化配置並降低部署風險。「目的不是多加一道審核關卡。」華碩解釋，「而是更早找出代價高昂的問題，趁它們還只是可以調整的設計參數，而不是必須打掉重建的實體基礎設施。」
數位孿生與實體驗證之間，由 ASUS Signal Virtual Lab 搭起橋樑，重現部署現場條件、驗證紙上設計能否在真實環境穩定運作。通過驗證後，透過 ASUS Infrastructure Deployment Center（AIDC）進入實體部署階段，協助自動化系統組態設定與布建；系統上線後，再由 ASUS Control Center Data Center Edition（ACC 資料中心版）提供硬體狀態、資源使用率及系統健康度的集中檢視。從設計、規劃、部署到營運，形成貫穿整個專案生命週期的連續工作流程。
國網中心、超算中心提供最佳實證
上述這套做法的價值，在台灣 2 項已經完工的案例清楚呈現。
華碩為國家高速網路與計算中心（國網中心）打造的 AI 超級電腦「晶創 26」，整合 NVIDIA GB200 NVL72 與 HGX H200 系統、華碩儲存設備，並導入直接液冷技術，藉由 AIDC 將系統部署時間從 3 週縮短至 3 天。已投入運作的 HGX H200 叢集提供 81.55 PFlops 效能，系統電源使用效率（PUE）僅 1.18，「晶創 26」更在全球超級電腦 TOP500 排行名列第 29。
另一案例是正崴旗下 Ubilink 超級運算中心，展現華碩端到端交付能力。這座超級運算中心 3 個月內完工，內部建置 128 台 NVIDIA H100 伺服器，共 1,024 顆 GPU，提供 45.82 PFlops 效能，TOP500 排名為第 31、Green500 排名則是第 44。
AI 自己能動手，誰在旁邊盯著？
隨著 AI 日益自主，營運挑戰的樣貌再度變化。代理式 AI 能夠規劃任務、保有上下文脈絡、存取資料、調用工具，橫跨多個系統執行動作，實體 AI（Physical AI）則帶來與機器、作業環境之間的即時互動。基礎設施不僅要能承受更高的運算需求，還必須對 AI 服務的行為模式與其被允許執行的範圍有更高可視性。
華碩運用自家 AI Software Stack，以及更廣義的 AI Harness 概念來面對挑戰。「一套有效的 Harness 應提供模型路由、最小權限存取、經核可的資料與工具邊界、沙盒化執行環境、政策落實、持續驗證、敏感操作的人工核准機制，以及完整的稽核軌跡。」華碩表示，「維運人員需要知道，不只伺服器是否正常運作，還包括自主代理是否在既定的邊界內運行。」
基礎設施產出率成為關鍵
傳統的 AI 治理主要聚焦於模型、資料及應用產出。這些固然重要，如今生產級 AI 仰賴的是範圍更廣的實體與營運基礎。華碩認為，若底層基礎設施效率低落、不夠可靠或難以掌控，只靠應用層的治理，無法大規模交出值得信賴的 AI。
「關鍵差異在於基礎設施產出率（infrastructure yield），也就是一個組織把已建置的運算能量，轉換成有用且可靠 AI 產出的效率有多高。」華碩強調，「這正是華碩從『all in on AI』邁向『AI in all』策略的轉變。」
AI 越來越聰明，但不代表就該放任它獨斷專行。華碩透過這場高峰會傳達重要訊息：機房基礎設施、運算、資料、模擬、部署及 AI 營運，應該在整個生命週期中被完整串接起來。華碩擁有強大軟硬體實力，深度攜手 NVIDIA 產品與技術進軍市場，協助企業與 AI 服務供應商將運算容量轉化成可實際營運的 AI 服務，加速從基礎設施投資走向 Token 與營收的進程。
（資料來源：華碩；圖片來源：華碩）