摘要： Akamai 於 2026 年 3 月 3 日表示已購入數千顆 NVIDIA Blackwell GPU，將部署到自家分散式雲端。文章描述的架構包含這套雲端，以及超過 4,400 個據點的邊緣網路。官方宣稱延遲最多改善 2.5 倍、成本最多降 86%，但比較基準與工作負載未公開。
2026 年 3 月 3 日，Akamai 對外宣布已購入數千顆 NVIDIA Blackwell GPU，將部署到自家的分散式雲端，目標是打造「全球分佈最廣的 AI 平台」之一。這樁消息的核心不在訓練，而在推理。
這家靠 CDN 起家的公司，押注的方向很明確：AI 的重心正從集中式訓練，轉向離使用者越來越近的推理。Akamai 引用 MIT Technology Review 的調查，56% 的組織認為延遲是大規模部署 AI 的頭號障礙。Data Center Dynamics 隔天跟進報導，補充了一個細節：確切數量並未公開。
為什麼推理需要另一套算力佈局
Akamai 的論述相當直白：第一波 AI 把訓練集中在一小撮超大雲 region；如今模型要真正走進自動送貨、智慧電網、手術機器人、即時詐欺偵測這些場景，決策就得以真實世界的速度進行——把請求送到遠端 region 再繞回來，沿途的延遲與 egress 成本，正是新的瓶頸。
營運長 Adam Karon（同時兼任 Cloud Technology Group 總經理）的說法是：超大雲會繼續把訓練推向極限，Akamai 要專注的則是「推理時代」——集中式的 AI 工廠依然不可或缺，但要把應用推到規模化，需要的是一套「分散式神經系統」，把推理算力送到「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」由哪些東西組成
攤開來看，這套組合是：NVIDIA RTX PRO 伺服器（搭載 RTX PRO 6000 Blackwell Server Edition GPU）配上 BlueField-3 DPU，再疊上 Akamai 自家的分散式雲端，以及遍佈全球、超過 4,400 個據點的邊緣網路。平台統一提供三種能力：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。說白了，這是一套把「模型放置」當成變數的編排系統，把推理工作負載路由到離使用者最近的據點。
官方帳面：延遲最多改善 2.5 倍、成本最多降 86%
官方的算法是：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%。這兩個數字先當行銷口徑看——比較基準與工作負載都未公開，實際結果因場景而異；但方向說得通：推理吃的就是就近運算與更少的 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，如今只是把 GPU 一起搬過去。
需求端的訊號同樣值得留意：Akamai 表示首批部署已見「需求強勁」，之後會持續擴充 GPU 容量——邊緣推理早已跨過概念驗證階段，成為有人排隊等著用的產品。
從 CDN 與 Linode，一路走到推理雲
這條路鋪了好幾年：2022 年以約 9 億美元收購 Linode，補上 IaaS 基礎；2025 年 10 月推出 Akamai Inference Cloud。這回大規模採購 Blackwell，是同一條軌跡的延伸——把 CDN 的全球連線與快取，疊上 GPU 叢集與 DPU，組出一套與超大雲正面競爭推理需求的替代架構。
開發者與平台團隊該注意什麼
三個觀察。第一，推理開始擁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，尤其是對延遲與資料落地敏感的代理式 AI、實體 AI，以及合規微調場景。第二，LLM 路由以後不只要選模型，還得選推理位置。第三，成本結構正在改變：86% 的節省不會全數反映在帳單上，但 egress 費用與延遲懲罰是現今 AI 帳單裡最隱形的兩個項目，選型時值得親自實測。