生成式AI已成為我們日常生活的一部分，不過我們目前所見的進展僅是冰山一角。企業必須調整策略，才能發揮AI的全部潛力。當企業使用專有數據訓練在公有雲利用開源數據建立的基礎模型（Foundation Models）時，AI才能真正反映企業獨特的業務價值。然而，組織在訓練模型時必須極度謹慎，因為一旦模型接觸到公司數據，企業就會面臨洩漏機密資料的風險。
除了訓練，企業還需執行推論以確保模型持續做出正確的預測及決定。為了防止專有數據洩漏回基礎模型，推論必須在企業防火牆內的特定工具鏈上進行。此外，推論極其耗能，企業應在不犧牲安全的前提下盡可能精簡模型，以控管電力消耗。
上述過程說明了為何AI應用程式天生適合混合雲與多雲架構。儘管預計到2027年公有雲服務支出將達到1兆美元，驅動大多數的AI開發，企業仍希望在私有雲或自有資料中心管理專有數據。混合多雲模式則能讓企業在不同雲平台自由移動應用程式與數據，同時維持一致的治理、安全與操作體驗，避免被單一雲綁定，並確保每項AI工作負載都在最合適的環境執行。
理想的AI部署模式包括：在公有雲進行大規模模型訓練；在本地端進行模型微調與檢索增強生成（RAG）；推論則應盡量在邊緣端（Edge）執行以節省資源。推論雖然偶爾也會在公有雲發生，並由企業提供推論端點給客戶端應用程式，若沒有混合雲架構的支持，企業將難以完全發揮AI的力量。
由於AI系統通常涉及大量敏感數據，隱私風險不容忽視。企業需要確保專有資料不會回流至基礎模型、阻擋可能針對AI工作負載的攻擊、清楚定義演算法與使用者的存取權限，並避免因資料分布不均而產生可識別個體的風險。這些挑戰可透過資料清洗、加密、權限控管、多重共線性檢測與零信任安全架構來降低。唯有在統一的混合多雲平台上強化隱私治理，企業才能在擴展AI能力時同時維持合規、安全與效率。
透過一致性的混合多雲架構、可控的資料環境、強化隱私治理以及完善的AI運算平台，企業才能在AI時代安全且高效地取得突破。
＜本文作者：劉國龍現為Nutanix台灣總經理＞