今天真正值得留下來的 AI 更新只有兩件。
但放在一起看，反而比硬湊第三則更有意思。
因為它們剛好代表 AI 算力正在往兩個完全不同的方向走：
一邊是：
大型 AI 貴到連 GPU 都開始變成金融資產。
另一邊則是：
原本必須放在 Cloud 的 Agent，開始可以搬回自己桌上跑。
1. Amazon 據報想把 80 億美元 Nvidia 晶片賣掉，再自己租回來
先看第一件比較反直覺的事。
Amazon 明明花了大量資金買 AI 晶片，
為什麼現在反而準備：
把那些晶片賣給別人？
Financial Times 引述知情人士報導，
Amazon 最近正和投資人討論，
把大約：
80 億美元
的 Nvidia Advanced AI Chips，
移進一個 Special-purpose Vehicle，也就是 SPV。
這些不是還沒買的未來訂單。
報導指出，其中包含數千顆 Grace Blackwell 晶片，
已經安裝在美國五個州、超過十座資料中心裡。
賣掉之後，Amazon 還是繼續用
這才是整件事最重要的地方。
Amazon 並不是：
把晶片賣掉 → 不做 AI。
而是可能採用：
Sell → Lease Back。
簡單講：
外部投資人透過 SPV 擁有這批晶片。
Amazon 再向這個 SPV 租用同一批設備。
所以從實際運作來看，
晶片仍然留在資料中心，
仍然繼續替 Amazon 跑 AI。
真正改變的是：
誰在帳面上擁有這些昂貴設備。
為什麼一家這麼有錢的公司還要這樣做？
因為現在 AI Infrastructure 的金額已經大到，
問題不再只是：
「公司有沒有錢買 GPU？」
而是：
「幾千億美元的資本支出，到底怎麼放在資產負債表上？」
AI 晶片本身非常昂貴。
但硬體同時又會：
折舊、
更新換代、
被下一代產品取代。
如果一家 Cloud Company 自己永久持有所有 GPU，
除了先拿出大量現金，
還要承受：
設備折舊、
技術淘汰、
資產價值下降。
所以把部分 Hardware 放進外部 SPV，
再用 Lease 的方式繼續使用，
可以讓資本結構變得更 Asset-light。
這種做法在飛機、房地產、基礎設施等產業並不陌生。
現在：
AI GPU 也開始往同樣方向走。
投資人買的其實不是「一張顯示卡」
如果最後交易成形，
外部投資人真正押注的是：
這批 Nvidia AI Hardware 未來幾年仍然會有人需要。
Amazon 則支付 Lease Cost 繼續使用。
Financial Times 據報指出，
SPV 還可以透過發債向外部投資人籌資，
Amazon 也可能提供最高約 10% 的 Equity Stake。
也就是：
AI Compute 開始被拆成一種可以：
持有、
融資、
發債、
租賃
的基礎設施資產。
這已經離一般人想像的：
「科技公司買一些 GPU」
非常遠了。
但目前還不是已完成交易
這一點必須分清楚。
目前是 Financial Times 引述知情人士報導，
Amazon 正和投資人討論這個安排。
Reuters 轉述時也指出，
Amazon 與 Nvidia 當時都沒有立即回應評論要求。
所以現在正確的寫法是：
Amazon 據報正在研究／洽談這種結構。
不能寫成：
「Amazon 已經正式把 80 億美元晶片賣掉。」
而且這不是最近第一次看到 AI 融資變複雜
前一天我們才整理過：
Broadcom 同意最多替 Anthropic 提供 420 億美元融資，
協助 Anthropic 支付長期 Compute Capacity。
更早之前，
市場上也出現：
晶片公司、
Cloud Provider、
AI Lab、
投資人
彼此提供：
資金、
擔保、
晶片、
資料中心 Capacity。
現在 Amazon 又出現另一個方向：
把已經部署的 GPU 資產金融化。
這表示 AI Infrastructure 的競爭已經不只看：
誰拿得到晶片。
而是開始比：
誰有能力用最低的資本成本長期持有算力。
2. 另一邊 Nvidia 卻在做完全相反的事：把 AI 算力搬回桌上
同一天，
Nvidia 公布新的：
DGX Spark 64GB。
它不是大型資料中心機櫃。
而是一台桌面級 AI Computer。
新的版本有：
64GB Unified Memory。
預計 10 月 23 日開始由：
Acer、
ASUS、
Dell、
Gigabyte、
HP、
MSI
等合作夥伴提供。
Nvidia 官方公布的起售價是：
4,999 美元。
64GB 聽起來比現在很多高階電腦還普通，重點在哪？
關鍵不只是 RAM 數字。
DGX Spark 使用 Nvidia GB10 Grace Blackwell Superchip，
而且整套：
DGX OS、
CUDA-X AI Libraries、
Agent Toolkit、
Local Model Runtime
都已經整合。
Nvidia 想賣的其實不是：
「一台記憶體很多的電腦。」
而是：
一台打開後就能直接開發 Local AI Agent 的桌面系統。
官方列出的支援環境包括：
Ollama、
vLLM、
PyTorch、
llama.cpp
等常見 Local AI 工具。
Nvidia 說單機可以跑到 100B 級模型
依 Nvidia 官方說法，
一台 64GB DGX Spark 可支援最高約：
100 Billion Parameters
級別模型的部分 Local Workload。
實際能不能順跑，
當然仍然會受到：
模型量化方式、
Context 長度、
KV Cache、
Agent 數量、
推理速度
等條件影響。
所以「支援 100B」不能理解成：
所有 100B 模型在任何設定下都能高速運作。
但方向很明顯：
以前這種級別的工作，
一般開發者通常第一反應是：
租 Cloud GPU。
現在 Nvidia 想讓更多工作變成：
桌上就能跑。
更有意思的是：兩台可以直接接起來
如果 64GB 不夠，
Nvidia 推出的 Sync Cluster Assistant，
可以讓兩台 DGX Spark 直接連線。
官方表示，
兩台 64GB 機器可以 Pool 成：
128GB Memory。
並進一步支援最高約：
200B Parameter
級模型。
Nvidia 甚至表示，
Cluster Assistant 可以自動：
偵測另一台設備、
驗證設定、
設定 ConnectX-7 Network，
不必開發者自己手工搭整套 Cluster。
這件事真正值得注意的，
不是「兩台電腦可以連線」。
而是 Nvidia 正嘗試把以前屬於：
小型資料中心
的工作方式，
做成：
桌面設備的標準功能。
Local AI 為什麼現在突然開始重要？
不是因為 Cloud AI 不好了。
而是 Agent 開始帶來新的需求。
例如一個 Coding Agent 可能：
整天讀 Repository、
執行 Test、
重複改 Code。
Research Agent 可能：
長時間分析大量文件。
企業也可能有一些資料：
根本不希望一直送進外部 Cloud。
這時本機 AI 有幾個很實際的優點：
第一：
資料可以留在本地。
第二：
不必每次都付 Cloud Inference 費。
第三：
長時間 Agent 可以一直跑。
第四：
不會因網路或 API Service 中斷就全部停擺。
但它也有代價：
一開始就要買 Hardware。
要自己：
維護、
更新模型、
處理容量、
管理 Security。
所以 Local 和 Cloud 並不是誰一定取代誰。
今天真正值得看的，就是這個反差
在大型 AI 世界，
Amazon 面對的是：
80 億美元的晶片要怎麼融資？
到了個人開發者這一端，
Nvidia 面對的是：
怎麼把足夠大的 AI 算力壓到一台桌面電腦？
一邊把 GPU 變成：
可融資的 Infrastructure Asset。
另一邊把 GPU 變成：
開發者身旁的 Personal AI Infrastructure。
這其實代表 AI 接下來可能不是只有：
Cloud。
也不是全部回到：
Local。
更可能形成三層。
第一層：超大型 Cloud AI
負責：
最強 Frontier Model、
大量 Training、
巨量 Inference。
需要資料中心、
電力、
大規模融資。
第二層：企業／團隊 Private Compute
比較敏感的：
公司文件、
Codebase、
研究資料、
長時間 Agent
可能放在公司自己控制的設備。
第三層：一般 Cloud API
遇到需要：
最新模型、
偶爾的大工作、
彈性容量
時，
再叫 Cloud。
也就是：
不是所有工作都必須送到同一個地方。
這對一般使用者有什麼關係？
現在你使用 ChatGPT、Claude、Gemini，
通常不需要想：
背後 GPU 到底在哪裡。
但 Agent 愈來愈普及後，
這件事情可能會開始影響：
價格、
隱私、
速度、
服務穩定性，
甚至你公司最後採購什麼設備。
未來一家公司可能不是問：
「要不要用 AI？」
而是問：
哪些工作要用 Frontier Cloud Model？
哪些資料應該留在公司？
哪些 Agent 值得全年在本地跑？
今天 Amazon 和 Nvidia 兩件事，
剛好把這個未來的兩端同時攤開來。
推薦閱讀
今日 AI 工具｜2026/09/08：UGREEN HomeAgent，把監視器、照片與智慧家庭 AI 搬回家裡跑，斷網仍保留本地功能
AI 一分鐘教學｜2026/09/08：HomeAgent 切到 Cloud AI 前，先問「這份原始資料真的需要送出去嗎？」
