勿盲目追逐頂尖AI模型，F5亞太技術長籲企業打好雲端原生基礎、聚焦控制與一致性

核心要點

F5 亞太技術長 Mohan Veloo 警示，企業在導入 AI 時，千萬別只追逐最新的 頂尖模型。必須先鞏固 雲端原生 基礎，並以 控制與一致性 為核心，才能在 AI 變動快速的環境中保持營運穩定。

背景與挑戰

傳統應用程式屬 確定性（deterministic），相同輸入必產生相同輸出；相對地，AI 驅動的應用具 機率性（probabilistic），結果受模型、資料與提示詞（prompt）影響，同一問題在不同時間可能得到不同答案。

因此，將小規模 AI 試點升級為正式服務時，企業必須釐清 責任歸屬、建立 模型治理（model governance）機制，並確保 執行時能見度（runtime visibility）與資安控制。另一方面，AI 代理大量消耗 token，若未即時監控，帳單會出現意外的高額成本。

雲端原生 為 AI 原生（AI Native）提供底層支撐，涵蓋容器、API、可觀測性（observability）、政策即程式碼（policy as code）與彈性架構（resilient architecture）等要素。缺少這些基礎，企業在擴展 AI 工作負載時會遭遇 架構負債（architectural debt），導致身分識別、資料管控、API 安全等層面與正式環境不一致，最終無法安全擴張。

預算分配亦是痛點。許多組織在短短數年內，AI 投資已佔年度技術預算的 40%，卻未增加總預算，結果雲端服務等其他計畫被擠壓，形成資源競爭。

未來展望與建議

Veloo 建議企業不要讓每個事業單位自行堆疊 AI 技術堆疊，而應建立 共享的控制層，一次建置模型路由、AI 護欄、資料管控、效能評估、遠端監測與成本治理等功能，讓不同模型（如 Google Gemini、Anthropic、微軟或開放權重模型）都能在同一套雲端原生基礎上安全運行。

對於受監管產業（如醫療）需本地推論（local inference）或使用中國本土模型的情境，更要以 控制 為核心，確保資料、身分與 API 成本在模型變動時仍可快速調整。只要先打好雲端原生根基，企業才能在 AI 風口中保持彈性、降低成本，並避免重蹈雲端早期「碎片化」的覆轍。