雲端巨頭轉向「小而美」AI 模型，台灣產業迎來在地化機會

微軟等雲端巨頭正悄悄調整人工智慧策略，從過去仰賴 OpenAI 與 Anthropic 等公司打造的超大型「萬用」模型，轉向自行開發規模較小、專注特定任務的模型。這種「小而美」的趨勢，不僅能降低運算成本，也讓企業能更精準地搭配硬體與應用場景，進而提升獲利空間。對台灣企業與半導體產業來說，這項轉變可能帶來更實惠的導入門檻與在地化機會。

大型基礎模型雖然功能全面，像一把瑞士軍刀，能處理各種任務，但許多日常應用其實用不到這麼強大的運算力。舉例來說，單純的郵件摘要、會議記錄整理或簡單回覆，根本不需要動用最頂級的模型。這些大型模型不僅訓練與推論成本高昂，還可能面臨模型版本更替或法規限制等風險。相較之下，針對特定領域訓練的小型模型，不僅訓練門檻較低，還能在單一加速器上同時運行多個執行個體，效率更高。

微軟是目前最積極推動這項轉變的業者之一。今年六月在 Build 開發者大會上，微軟 AI 部門一次發表七款自家 MAI 系列模型，涵蓋推理、程式碼生成、影像、語音與轉錄等不同領域。其中最受關注的 MAI-Thinking-1，被定位為「中型模型」，採用 Mixture of Experts（MoE）架構，活躍參數約 350 億、總參數規模約 1 兆。它在數學推理基準測試 AIME 2025 拿下 97% 高分，並在盲測中獲得評審偏好，表現優於 Anthropic 的 Sonnet 4.6。微軟強調，這款模型完全從頭訓練，未使用其他公司模型的蒸餾技術。

根據七月初的報導，微軟已開始在 Excel 與 Outlook 等產品中，將部分 AI 提示逐步切換到自家 MAI 模型，每週處理數萬筆請求，目的是降低對 OpenAI 與 Anthropic 的依賴，並控制成本。微軟 AI 主管 Mustafa Suleyman 更明確表示，目標是逐步減少甚至消除支付給 Anthropic 的費用。微軟同時也開發 Maia 200 系列自有 AI 加速器，採用台積電 3 奈米製程，專為推論工作負載設計，據稱每美元效能比現有硬體提升約 30%，並已在 Azure 資料中心部署。

Google 與 Amazon 也採取類似策略。Google 長期以來同時發展 Gemini 與較輕量的 Gemma 系列模型；Amazon 則推出 Nova 系列，搭配自家 Trainium 晶片。這些雲端業者一方面仍與 OpenAI、Anthropic 維持合作關係，確保能取得最前沿的創新技術；另一方面則積極擴大自有模型比重，希望最終讓 AI 業務真正轉為獲利。

對台灣來說，這波「小模型」趨勢具有實質意義。台灣企業在導入生成式 AI 時，常面臨成本、資料主權與繁體中文處理等考量。小型或領域專用模型推論成本較低，更適合中小企業或需要在地部署的場景，例如製造業的設備預測維護、金融業的合規文件分析，或醫療院的影像輔助診斷。台灣已有新創團隊開發可在手機端運行的繁體中文小型推理模型，顯示在地化需求正持續發酵。

此外，微軟 Maia 200 晶片採用台積電先進製程，也凸顯台灣在全球 AI 硬體供應鏈中的關鍵角色。即使模型規模縮小，對高效能記憶體與先進封裝的需求依然存在，台灣半導體業者仍有機會在這波轉型中扮演重要供應角色。微軟過去也與台灣人工智慧實驗室合作，將 AI 技術應用於醫療領域，未來若更多企業採用混合模型策略，台灣的雲端服務與系統整合廠商也可能獲得更多在地化客製機會。

當然，大型前沿模型仍有其不可取代的價值，尤其在需要高度創新或複雜多步驟推理的場景。微軟等業者並非完全捨棄 OpenAI 與 Anthropic，而是轉向「多模型路由」策略：簡單任務交給小型模型處理，複雜需求才動用頂級模型。這種務實做法，既能控制成本，也保留了技術領先優勢。

對台灣企業而言，現在正是重新評估 AI 工具組合的時機。除了關注模型效能，更應考量總持有成本、資料隱私合規，以及是否支援繁體中文與在地產業術語。無論選擇雲端 API 還是地端部署，搭配適合任務規模的模型，將是未來一段時間內最務實的導入路徑。