2026 年 3 月 3 日，Akamai 宣布已購入數千顆 NVIDIA Blackwell GPU，要鋪進自家的分散式雲端，打造「全球分佈最廣的 AI 平台」之一。重點不在訓練——在推理。
這家以 CDN 起家的公司，把賭注押在「AI 重心正從集中式訓練轉向靠近使用者的推理」：Akamai 引述 MIT Technology Review，56% 的組織認為延遲是大規模部署 AI 的首要障礙。Data Center Dynamics 隔天跟進，補充確切數量未公開。
推理時代的算力邏輯
Akamai 的論述很直白：第一波 AI 把訓練集中在少數超大雲 region；現在模型要進到自動送貨、智慧電網、手術機器人與即時詐欺偵測這類場景，決策必須以真實世界的速度發生——來回遠端 region 的延遲與 egress 成本，成為新瓶頸。
營運長 Adam Karon（Cloud Technology Group 總經理）說：超大雲繼續推進訓練極限，Akamai 專注「推理時代」——集中式 AI 工廠仍不可少，但規模化應用需要一套「分散式神經系統」，把推理算力鋪到「街角與病床邊：工作發生的地方、資料所在的地方、ROI 實現的地方」。
「分散式神經系統」的架構
具體組合是：NVIDIA RTX PRO 伺服器（搭載 RTX PRO 6000 Blackwell Server Edition GPU）與 BlueField-3 DPU，加上 Akamai 的分散式雲端與超過 4,400 個據點的邊緣網路。平台統一支援三件事：在專用 GPU 叢集上跑可預測的高效推理；就地微調 LLM，讓資料留在區域內滿足隱私與合規；用私有資料做後訓練優化。換句話說，這是一套把「模型放置」當變數的編排系統，把推理工作負載路由到離使用者最近的據點。
效益數字：延遲最多改善 2.5 倍、成本最多省 86%
官方給的帳是：與傳統超大雲架構相比，用 NVIDIA AI 基礎設施跑推理，延遲最多改善 2.5 倍，成本最多節省 86%。數字是行銷口徑——比較基準與工作負載未公開，實際結果因場景而異；但方向合理：推理吃的是就近運算與減少 egress，而「把位元搬到離使用者最近的地方」正是 CDN 做了二十多年的本業，現在只是把 GPU 一起搬過去。
需求訊號同樣值得注意：Akamai 說首批部署「需求強勁」，會持續增加 GPU 容量——邊緣推理已不是概念驗證，而是有人在排隊的產品。
從 CDN 與 Linode 到推理雲
佈局有跡可循：2022 年以約 9 億美元收購 Linode 取得 IaaS 基礎，2025 年 10 月推出 Akamai Inference Cloud。這次大規模 Blackwell 採購是同一條路的延伸——CDN 的全球連線與快取，疊上 GPU 叢集與 DPU，組成與超大雲正面競爭推理需求的替代架構。
對開發者與平台團隊的意義
三個觀察。第一，推理開始有自己的供應商光譜：訓練是超大雲與主權叢集的戰場，推理則可能被 Akamai 這類分散式網路業者切走一塊，尤其延遲與資料落地敏感的代理式 AI、實體 AI 與合規微調場景。第二，LLM 路由以後不只選模型，還要選推理位置。第三，成本結構會變：86% 的節省不會全落到帳單上，但 egress 費用與延遲懲罰是 AI 帳單裡最隱形的兩塊，選型時值得實測。
參考來源
- Akamai to Deploy Thousands of NVIDIA Blackwell GPUs — Akamai
- Akamai to deploy thousands of Nvidia Blackwell GPUs — Data Center Dynamics
- Akamai acquires Nvidia Blackwell GPU — DataCentre Magazine
本文由 AI 協助自上述來源整理，經人工審核後發布。