新興架構｜生成式 AI 過時？企業轉戰 Agentic Web 重新部署 AI 基建

近年人工智能（AI）的發展，已經由「回應指令」逐步走向「主動執行任務」。這種轉變不僅代表技術能力提升，更意味著企業對 AI 的使用方式正進入全新階段。要在競爭中保持優勢，企業不能只靠部署模型或引入工具，而是要重新思考 AI 基礎建設的部署方式。Agentic Web（代理式網絡），正正能讓 AI 代理在分散的環境中，繼續保持高效運作。 

兩種 AI 運作重點不同 

由 ChatGPT 引爆的生成式 AI 熱潮，儘管只是僅 3 年前的事，但 AI 的重點已經轉向現今的代理式 AI（ Agentic AI）。當時的 AI 主要用於生成內容、回答問題或提供建議，而時至今天，隨著 Agentic AI 的興起，AI 正演變為能夠自主檢索資料、規劃步驟、執行操作，甚至協同其他系統完成複雜工作流程的數碼代理。 

與傳統生成式 AI 相比，Agentic AI 並不只停留於一次性的內容輸出，而是需要持續推論（Inference）、反覆判斷及即時互動，而每一次互動都可能牽涉多輪推論，延遲一旦累積，便會直接影響使用體驗與業務成效。 

這代表 AI 的重心，正逐漸由單純的集中式訓練，延伸到高頻率、低延遲的推論運算，企業需要同時兼顧訓練與推論架構，才能支撐下一代 Agentic AI 的需求。對企業而言，再不能只關注模型是否夠強大，而是要考慮整體架構能否支撐大規模、即時且分散式的 AI 工作負載。 

邊緣運算助大幅提升效能 

換言之，AI 基礎建設不應只集中於單一中心，而是應該按應用場景與地理位置分布，將推論運算部署於更接近使用者的節點，以降低延遲、提升效率，並改善整體服務表現。由此衍生的基礎架構 —— 正是 Agentic Web，並不單是更智能的網絡環境，而是更接近用戶、更具彈性，並能按需分配算力的推論架構。 

在 Agentic Web 的架構下，邊緣運算越來越重要。當推論工作能夠在更接近數據來源及使用者的地方完成，AI 代理便可更快作出反應，支援即時決策與互動。同時，分布式架構亦有助提升系統的擴展能力，使企業能夠更靈活地應對不同的使用需求，例如流量波動或來自不同地域。對於需要處理大量即時請求的行業而言，這種部署方式不但提升效能，亦有助優化成本與安全管理。 

企業若要在智能化競爭中保持優勢，便必須重新思考 AI 的運作模式、部署位置與推論效率。想了解更多 Agentic Web 的架構原則，以及 Akamai Cloud for Inference 的架構與實例，歡迎閱讀白皮書，深入掌握下一代 AI 基礎建設的發展趨勢。 

白皮書連結：https://www.akamai.com/resources/white-paper/architecting-the-agentic-web