開機即用的企業 AI 工作台
卡買了卻閒置，是採購最不願意看到的事
驅動 / CUDA
Kubernetes
GPU 排程器
多人權限
下載模型
推論框架
給人用的介面
七層環環相扣，任一層版本不合就得往回拆；而同時熟 Kubernetes 與 CUDA 的工程師，招不到也借不到
ixCORE · ixSTUDIO · ixFORGE · ixCSP
通電 → 開工
作業系統、驅動、Kubernetes、AI-Stack、模型與工作流，出廠前全部裝好
環境建置時間
出廠前已完成
需要的機器數
單機架構，不必先建叢集
需要新增的專職人力
現有 IT 團隊即可接手維運
硬體規格完全相同，差異只在出廠預裝的模型、工作流與樣板
硬體 ＋ 作業系統 ＋ 驅動 ＋ Kubernetes ＋ AI-Stack Enterprise ＋ 通用模型與開發環境
＝ ixCORE ＋ Physical AI 軟體包：Isaac Sim、Isaac Lab、Omniverse Kit
＝ ixCORE ＋ 影音軟體包：影片在地化管線、本機影片生成、語音辨識與合成
把上面任何一台變成可以對外收費的服務。純軟體加購，不佔用任何 GPU
先買一台自用，用得好之後再加購 ixCSP 對外營運 — 第二次是純軟體交易
不必先問規格 — 先問他想解決什麼
你們現在最想解決哪一件事？
一群人要用 AI，但沒有共用平台
ixCORE
影片要出多語言版本、要大量視覺素材
ixSTUDIO
要做機器人、產線或場域模擬
ixFORGE
這些算力只給自己人用，還是要對外收費？
只給內部使用
維持前三款即可
要對外或跨單位收費
加購 ixCSP
有機房嗎？
沒有，只有辦公室
1 – 2 卡（標準機型）
有機房，供電與散熱沒問題
4 – 8 卡（特規）
GPU 到貨當天就能開工，不必先養一個 Kubernetes 團隊
同一張卡
硬體切割技術只能等分成四份，
這組配置排不進去。
AI-Stack 的軟體定義分片可以
依實際需求切成任意大小，
最小粒度 1 GB。
切片可以隨時重新調整，
不必停掉整張卡重新設定。
預裝：AI-Stack Enterprise、開源大型語言模型、對話介面、知識庫與 AI 助理、程式開發環境、語音辨識
| 配額 | 跑什麼 | 誰在用 |
|---|---|---|
| 32 GB | 大型語言模型對話服務 | 全公司 |
| 24 GB | 影像生成 | 行銷 |
| 16 GB | 知識庫與 AI 助理 | 業務與客服 |
| 8 GB | 即時語音轉文字 | 會議記錄 |
| 8 GB | 語音合成 | 客服機器人 |
四個馬上用得到的場景，不需要客製開發
把制度、SOP、產品規格、歷年問答變成問得到答案的助理。
新人不必翻共用資料夾，也不必一直問前輩。
全公司 · 人資 · 客服 · 法遵
程式補全、程式碼審閱、單元測試生成，全部在自己機房裡跑。
私有程式碼不必送到外部服務。
研發團隊
長文摘要、條款比對、多語翻譯、報告初稿。
一份 200 頁的規格書，幾分鐘拿到重點與風險條款。
法務 · 業務 · 財會
語音轉文字、自動摘要、抽出待辦與負責人。
會議一結束，紀錄就在信箱裡。
全公司
以上四項共用同一張卡的不同切片，彼此不搶資源；隨時可再切一份給新的用途
你的影片從來不必離開公司，就能變成十種語言
既有影片轉成多語言版本
抽出音軌 → 去除原始人聲 →
混入目標語言配音 → 燒錄字幕
投資報酬最好計算：
一支影片出五種語言，
直接對比外包報價與工期
整條管線用到四個大小不同的服務，而且不會同時滿載 — 剩餘算力可同時服務其他部門
影片生成建議從 ixNODE-2 起；實際卡數依素材解析度、片長與併發量而定，尚未完成實機量測
從一句話產出成片
文字、影像、影片、聲音輸入 →
輸出帶原生立體聲的影片
行銷素材、產品概念、
展場內容，當天就能看到
第一版
影片與素材的產能瓶頸，通常不在創意，在等外包
一支中文產品影片，當天出英、日、韓、泰、越版本。
人聲換成目標語言、字幕同步燒錄。
行銷 · 海外業務
內部課程、作業標準、安全講習配上多語旁白與字幕。
內容涉及製程與內規，不必送到外部服務。
人資 · 產品 · 品保
商品情境圖、短影音、節慶改版一次備齊，並改出各平台版本與語言。
產量撐得住更新頻率，帶貨、廣告分潤與代客製作才做得起來。
電商營運 · 品牌 · 內容團隊
針對特定客戶客製 demo 影片，名稱與場景即時替換。
提案前一天還能改。
業務 · 行銷
素材涉及未發表產品、客戶影像或內部流程時，這條產線的價值不只是快，而是「不必外流」
要做 Physical AI，資料中心的 GPU 不一定派得上用場
這不是效能差距 — NVIDIA 官方硬體需求明文指出，不具備 RT Core 的 GPU（包含 A100 與 H100）不支援 Isaac Sim
單卡訓練完成一個導航策略
Isaac Lab 大規模平行模擬
八卡訓練吞吐
官方基準測試 · 特規機型
H100 能執行的模擬場景數
Hopper 架構不含 RT Core
任務規劃模型
32 GB
視覺理解模型
24 GB
模擬環境
20 GB
餘裕
12 GB
合計約 88 GB — 一張卡放得下整條鏈。兩張 32 GB 的顯示卡不夠，且顯存無法合併
在模擬裡失敗，比在產線上失敗便宜好幾個數量級
手臂取放、移動導航、避障策略在模擬中訓練後再上真機。
撞壞一次真機的成本，可以換幾千次模擬。
機器人研發 · 自動化
改線、換設備、調動線之前，先在數位孿生裡跑一遍。
看得到瓶頸與干涉，再決定要不要動實體。
廠務 · 智慧製造
瑕疵樣本本來就稀少，收一年可能只有幾十張。
在模擬裡生成幾萬張帶完整標註的影像。
品保 · 視覺檢測
人在模擬裡操作、機器在旁邊學，軌跡直接進訓練管線。
不必等真機備妥就能開始累積資料。
機器人研發
模擬與渲染需要具備 RT Core 的 GPU — 這是資料中心運算卡做不到的部分
前三個 SKU 是「我要用 AI」，這一個是「我要賣 AI」
佔用的 GPU 顯存
控制平面不消耗算力，加購不減少可販售的算力
服務模式
算力、模型、用量計費
| 項目 | 內容 |
|---|---|
| 適合誰 | 系統整合商、資料中心與電信業者、對外提供算力的研究機構、想讓閒置 GPU 產生收益的企業 |
| 包含什麼 | 服務商店（方案上架、選購、自助開通）、標準相容 API 閘道、用量計費、多租戶隔離、帳務報表、金流串接 |
| 為什麼是加購 | 控制平面不佔用 GPU，加購不會減少任何可販售的算力；同時它建構在 AI-Stack 之上，算力方案直接沿用平台既有規格 |
| 三種組合 | ixCORE 販售算力時數 | ixSTUDIO 販售影音生成服務 | ixFORGE 販售模擬算力 |
同一批硬體，從成本中心變成收入來源
既有客戶名單多一條產品線，不必自建計費與開通流程。
方案上架、選購、自助開通都是現成的。
系統整合商 · 資料中心
各系所、各實驗室用多少算多少，帳單自動產生。
共儀中心不必再用人工排班表分配。
大學 · 研究機構 · 醫院
各事業部的用量清楚可查，預算編列有依據。
不再是「IT 買了大家用」的一筆糊塗帳。
集團 IT · 共享服務中心
自用之外的空檔開放給外部付費使用。
同一批硬體，多一份收入。
已有 GPU 的企業
控制平面不佔用 GPU — 加購 ixCSP 不會減少任何可自用或可販售的算力
底座：所有 SKU 共用的四層，紅色是這一款預裝的模型與介面
網頁工作台
JupyterLab / VS Code
OpenAI 相容 API
大型語言模型
視覺語言理解
向量嵌入 / 重排序
語音辨識 / 合成
影像生成
AI-Stack Enterprise
ixGPU 切片 / 配額
專案與權限
鏡像與容器服務
Kubernetes
NVIDIA 驅動 / CUDA
作業系統
RTX PRO 6000 96 GB × 1 – 2（標準機型）
模型皆為開源可商用授權；語言模型依機型選型，1 卡機型以 30B 級 MoE 為主（選型待定案）
＝ ixCORE 的四層底座 ＋ 上面兩層換成影音產線
影片在地化管線
短影音量產
素材批次改版
媒體處理服務
語音辨識
語音合成
影片生成
影像生成
AI-Stack Enterprise
ixGPU 切片 / 配額
專案與權限
鏡像與容器服務
Kubernetes
NVIDIA 驅動 / CUDA
作業系統
RTX PRO 6000 96 GB × 1 – 2（標準機型）
媒體處理服務負責抽音軌、去除原始人聲、混入目標語言配音與燒錄字幕；影片生成模型依授權條件決定交付方式
＝ ixCORE 的四層底座 ＋ 上面兩層換成 Physical AI 訓練
大規模平行模擬
策略訓練與評估
合成資料產生
模擬框架
物理引擎
機器人基礎模型
視覺語言動作模型
AI-Stack Enterprise
ixGPU 切片 / 配額
專案與權限
鏡像與容器服務
Kubernetes
NVIDIA 驅動 / CUDA
作業系統
RTX PRO 6000 96 GB × 1 – 2（標準機型）
需要授權的模擬套件不預裝，出廠為純開源組合，客戶依我方文件於機器到手後自行安裝
加購層：疊在上面任一台之上，控制平面不佔用 GPU
使用者入口
服務型錄
用量與帳單
多租戶與配額
計量計費
審核流程
對外 API
ixCORE / ixSTUDIO / ixFORGE（一台起）
AI-Stack Enterprise
ixGPU 切片 / 配額
專案與權限
鏡像與容器服務
Kubernetes
NVIDIA 驅動 / CUDA
作業系統
RTX PRO 6000 96 GB × 1 – 2（標準機型）
控制平面本身不需要 GPU，因此加購不會減少可對外販售的算力
底座共用的通用模型與推論框架 · 全部為開源可商用授權
本頁僅列已完成授權查證的項目；實際出貨清單以合約與出貨版本為準，開源模型生態更新快，內容可能隨版本調整
| 用途 | 模型／元件 | 授權 | 交付方式 |
|---|---|---|---|
| 大型語言模型（1 卡主推） | Nemotron 3.5 Lightning 30B-A3B NVFP4 | OpenMDW-1.1 | 出廠預裝 |
| 大型語言模型（1 卡替代） | Qwen3.6-35B-A3B-FP8 | Apache-2.0 | 出廠預裝 |
| 大型語言模型（2 卡以上） | DeepSeek V4-Flash（304B） | MIT | 出廠預裝 |
| 向量嵌入（知識庫） | BGE-M3 | MIT | 出廠預裝 |
| 重排序 | BGE-reranker-v2 | MIT | 出廠預裝 |
| 語音辨識 | Whisper large-v3 | MIT | 出廠預裝 |
| 大型語言模型推論引擎 | vLLM／SGLang | Apache-2.0 | 出廠預裝 |
影音產線用到的模型 · 全部為開源可商用授權
本頁僅列已完成授權查證的項目；實際出貨清單以合約與出貨版本為準，開源模型生態更新快，內容可能隨版本調整
| 用途 | 模型／元件 | 授權 | 交付方式 |
|---|---|---|---|
| 大型語言模型 | Muse-Glimmer-30B | Apache-2.0 | 出廠預裝 |
| 大型語言模型（替代） | Qwen3.6-35B-A3B | Apache-2.0 | 出廠預裝 |
| 語音辨識 | Qwen3-ASR-1.7B | Apache-2.0 | 出廠預裝 |
| 語音合成／聲音複製 | Qwen3-TTS-12Hz-1.7B-CustomVoice | Apache-2.0 | 出廠預裝 |
| 圖片生成（主推） | FLUX.2-klein-4B | Apache-2.0 | 出廠預裝 |
| 圖片生成（寫實／速度） | Z-Image-Turbo（6B） | Apache-2.0 | 出廠預裝 |
| 圖片生成（高品質） | Qwen-Image-2512（20B MMDiT） | Apache-2.0 | 出廠預裝 |
| 圖片生成（可微調） | Chroma1-HD | Apache-2.0 | 出廠預裝 |
| 圖片生成（備選） | FLUX.1-schnell | Apache-2.0 | 出廠預裝 |
| 影片生成 | Wan 2.2 | Apache-2.0 | 出廠預裝 |
| 3D 生成 | TRELLIS | MIT | 出廠預裝 |
| 語音辨識（在地化轉寫） | Whisper large-v3 | MIT | 出廠預裝 |
| 文字偵測（去字幕前置） | PaddleOCR | Apache-2.0 | 出廠預裝 |
Physical AI 模擬與機器人模型 · 全部為開源可商用授權
本頁僅列已完成授權查證的項目；實際出貨清單以合約與出貨版本為準，開源模型生態更新快，內容可能隨版本調整
| 用途 | 模型／元件 | 授權 | 交付方式 |
|---|---|---|---|
| 物理模擬 | Newton | Apache-2.0 | 出廠預裝 |
| 動作模型（客戶選一） | Isaac GR00T N1.7（3B） | Apache-2.0 | 出廠預裝 |
| 動作模型（客戶選一） | OpenVLA（7B） | MIT | 出廠預裝 |
| 動作模型（客戶選一） | LingBot-VLA 2.0（4B） | Apache-2.0 | 出廠預裝 |
| 視覺理解 | Qwen3-VL | Apache-2.0 | 出廠預裝 |
| 世界模型／合成資料 | NVIDIA Cosmos | OpenMDW-1.1 | 客戶自行取得 |
| 訓練框架 | Isaac Lab | BSD-3-Clause | 出廠預裝 |
| 機器人中介 | ROS 2 | Apache-2.0 | 出廠預裝 |
同一張卡同時滿足圖形模擬與大型模型兩種需求
・ 要執行兆級參數的前沿模型，或單一模型需要四卡以上張量平行 → 建議選用具備高速卡間互連的資料中心 GPU
・ 要做機器人模擬、影音生成、或同時服務多個部門的中型模型 → RTX PRO 6000 是更合適的選擇
主動說明適用邊界，是為了讓上面那些「只有這張卡做得到」的說法站得住
| GPU | 機器人模擬 | 影音生成 | 說明 |
|---|---|---|---|
| H100 / H200 / A100 | 官方不支援 | 可執行但規格過剩 | Hopper 架構不含 RT Core，無法執行任何 3D 與渲染工作流 |
| 消費級顯示卡（雙卡） | 可以 | 可以 | 顯存分散於兩張卡；授權條款與專業卡不同，資料中心部署請確認自身合規 |
| RTX PRO 6000（96 GB） | 官方明列支援 | 官方建議機型 | 單卡 96 GB GDDR7，含 RT Core，涵蓋模擬、渲染與大型模型推論 |
對應 NVIDIA 公開部署建議：容器串流與批次訓練共用同一個 GPU 池
互動式模擬走容器串流、批次訓練走容器排程，兩者共用同一個 GPU 池 — 這正是 NVIDIA 公開部署建議的作法
| 項目 | 傳統虛擬工作站路徑 | AI-Stack 容器化路徑 |
|---|---|---|
| GPU 虛擬化授權 | 需要（依 GPU 數量計價，年度訂閱） | 不需要 |
| 授權伺服器 | 需要額外部署與維運 | 不需要 |
| 虛擬化平台 | 需要（授權費近年大幅調漲） | 不需要 |
| 客體作業系統 | 每個虛擬機各自授權 | 不需要 |
| 適用限制 | — | 限 Linux 容器、限含 RT Core 的 GPU |
NVIDIA 的軟體都是容器，但誰能用、用多久、怎麼收回、算誰的錢 — 那一層要自己補
選擇大顯存專業卡的客戶，本來就需要一個資源管理層 — 否則多卡的價值發揮不出來
| 比較項目 | GPU 內建的硬體切割 | AI-Stack 軟體定義分片 |
|---|---|---|
| 隔離層級 | 硬體級（專屬運算單元與顯存） | 軟體定義（攔截運算 API） |
| 份數 | 最多四份 | 更多，最小粒度 1 GB |
| 切割方式 | 等分，規格固定 | 任意大小：96 → 32＋24＋16＋8＋8 |
| 重新配置 | 需停止整張卡重新設定 | 動態調整 |
| 誰能用 / 多久 / 怎麼收回 / 算誰的錢 | 完全沒有 | 專案審核、配額、生命週期、閒置回收、成本分析 |
皆為單機架構。1 – 2 卡為標準機型，4 – 8 卡為特規
多數情境由 1 – 2 卡機型承接，可直接放辦公室。4 卡以上需個案評估交期與機房條件 — 八張專業卡加上主機系統實際耗電約 6 至 7 kW，一般辦公室電力迴路無法負荷
需求訪談
工作負載與人數
機型建議
標準或特規
出廠預裝
模型與工作流
到場通電
當天開始使用
| 機型 | GPU | 顯存 | 供應與放置 | 對應組織 |
|---|---|---|---|---|
| ixNODE-1 | 1 張 | 96 GB | 標準 · 一般辦公室 | 個人與小團隊 |
| ixNODE-2 | 2 張 | 192 GB | 標準 · 辦公室或小機櫃 | 部門 |
| ixNODE-4 | 4 張 | 384 GB | 特規 · 機櫃 | 跨部門 |
| ixNODE-8 | 8 張 | 768 GB | 特規 · 需機房環境 | 全公司或對外營運 |
客戶最常問的五題
看要做什麼。文字模型訓練與推論，H100 很適合；但機器人與場域模擬需要 RT Core，那是 H100 沒有的硬體單元，官方硬體需求也明文不支援。兩者是互補不是取代。
三個理由：資料落地、成本可預期、以及不受速率限制。持續性的工作負載用自有硬體，通常在一年內就會比按量計費划算；而敏感素材本來就不該送出去。
現有 IT 團隊即可。平台把 GPU 分配、專案審核、配額與回收都做成介面操作，不需要有人專職寫 Kubernetes 設定。
可以。從單卡機型開始，軟體與工作流完全相同；日後擴充到雙卡或加購其他 SKU，既有設定與資料都可沿用。四卡以上屬特規機型，需個案評估交期與機房條件。
平台不綁定特定模型。新模型出來時匯入鏡像即可上線，過去建立的專案、配額與資料都不受影響。
從一次 30 分鐘的訪談開始，不必先決定買什麼
需求訪談
30 分鐘
談你們現在最想解決的事、
有多少人要用、有沒有機房。
不談規格。
你會拿到：需求與現況摘要
現場示範
60 分鐘
用你們自己的素材或情境跑一次。
影片在地化、知識問答或
模擬訓練，挑一個。
你會拿到：實際跑出來的結果
機型建議書
一週內
含機型、預裝清單、機房條件、
導入時程與驗收項目。
可直接進採購流程。
你會拿到：可進採購的正式文件
數位無限軟體股份有限公司 INFINITIX | www.infinitix.co