AI工作流正在从"模型能不能跑通"，转向"能不能稳定进入生产环境"。开发者要解决的已经不只是模型选型和推理代码；企业技术团队更要面对的，是把数据处理、模型训练、推理服务、Agent编排、运行监控和安全控制拼成一条能长期运转的工程链路。

这也是AI GPU计算重新被重视的原因。多数AI项目卡在demo到production这一步时，问题很少出在"模型能不能调用"，而是出在算力够不够稳定、环境能不能复制、推理成本能不能控住、服务在高并发下扛不扛得住。GPU早已不只是训练大模型的加速硬件——它决定训练周期长短、推理延迟高低、并发能力上限，直接影响企业规模化部署AI时的成本结构。

AI 工作负载对 GPU 算力的核心诉求

传统云计算主要服务于网站、数据库、CRM、API 网关等通用工作负载，更多依赖 CPU 处理事务逻辑和请求调度。AI 工作负载则不同，它的核心计算更多来自矩阵乘法、张量运算、注意力机制、embedding 生成和多模态数据处理；在大规模向量计算或需要加速检索的场景中，GPU 也可能参与向量相关任务，但并不是所有向量数据库和 ANN 检索都必须依赖 GPU。

这种变化正在推动 AI 数据中心 架构升级。AI 数据中心通常以 GPU 或 AI 加速器为核心，同时需要高带宽低延迟互连网络、高吞吐存储，以及计算、网络、存储之间更紧密的协同。也就是说，AI 工作流的瓶颈往往不是单一代码问题，而是系统架构问题。

在 AI 全生命周期中，不同阶段对 GPU 算力架构的要求截然不同：

• 模型训练阶段： 极度关注 GPU 显存容量、计算吞吐量、多卡互连通信（如 NVLink）以及长时间高负载运行的稳定性。
• 模型推理阶段： 更看重低延迟、高并发、每秒吞吐量（Tokens/s）以及单位请求的成本控制。
• Agent 部署阶段： 则需要保障 Always-on 持续运行、权限隔离、工具调用接口的高可用和失败重试机制。

AI GPU 计算在工作流中起什么作用？

GPU 适合 AI，是因为现代神经网络的关键计算天然适合并行处理。模型训练中的矩阵乘法、卷积、注意力计算和梯度更新，都可以拆分成大量相似的小计算任务并行执行。相比 CPU 更擅长复杂控制逻辑，GPU 更擅长高吞吐并行计算。

但企业选择 GPU 资源时，不能只看单张 GPU 的理论性能。生产环境更关心模型是否能放入显存，多卡训练时通信是否足够快，存储能否持续供给数据，容器、驱动、CUDA 和框架版本是否兼容，推理服务是否能按流量扩展，以及任务状态、日志、权限和计费是否可管理。

高密度 GPU 系统也在重新定义基础设施要求。以现代 GPU 散热方案涉及的 GB200 NVL72 为例，单柜可集成 72 个 Blackwell GPU 和 36 个 Grace CPU，每个 GPU 在峰值负载下功耗超过 1000 瓦，并采用以冷板现代GPU散热方案：从风冷到冷板液冷液冷为主、风冷为辅的混合冷却架构。在部分公开规格中，约 132kW 机柜功耗里液冷承担约 115kW、风冷承担约 17kW，更准确地体现了高密度 AI GPU 系统对电力、散热和机柜工程能力的要求。

贯穿 AI 全生命周期的 GPU 算力优化策略

1. 开发与原型验证：灵活的 GPU 虚拟机

在此阶段, 团队通常不需要最大规模 GPU，而是需要快速启动、环境一致和成本可控。通过GPU 虚拟机实例，开发者可以快速配置 PyTorch、TensorFlow、CUDA、JupyterLab 或常用推理框架，测试数据管道、RAG 架构、模型 API 和 Agent 逻辑。对企业来说，这能减少本地环境差异，让 AI 场景更快进入验证阶段。

2. 模型训练与微调：可扩展的分布式任务

当模型越大、数据越多，对显存容量、计算吞吐、网络互连和存储 I/O 的要求越高。分布式训练任务的价值在于帮助团队完成任务提交、资源分配、状态监控、日志查看、权限控制和成本管理，减少训练失败、环境不一致和资源空转带来的隐性成本。把实验变成可管理的工程任务。

3. 推理与模型服务：高弹性的 Serverless 端点

当前的终极目标是低延迟、高并发、稳定 API、模型可切换和单位调用成本可控。通过 模型 Serverless 端点，开发者可以使用 API 调用文本生成、图像生成、视觉理解等模型能力。相比从零搭建推理集群，这种方式更适合快速验证场景，并根据业务规模逐步扩展。

Agent 部署与编排：高可用的云端运行环境

基础设施要支持的不只是模型调用，还包括工具连接、访问控制、日志追踪和后台运行。需要注意的是，OpenClaw 这类 Agent 编排或云端运行环境的基础部署通常不需要 GPU，稳定的 CPU VM 就可以承担 always-on 运行、工具接入和后台任务；GPU 的价值更多体现在背后的模型推理、embedding 生成或多模态任务上。长期依赖本地笔记本运行 Agent，容易遇到关机断线、环境配置复杂和 API Key 安全隐患。采用OpenClaw 云端部署后，团队可以把云实例、模型配置、通信工具接入和后台运行放在更稳定的环境中完成。

不同 AI 工作负载应该选择什么架构？

AI 工作流中的不同阶段，不应该使用同一种资源策略。开发验证适合使用 GPU 虚拟机，高性能训练或专属推理适合使用裸金属，可复现部署适合使用容器服务，快速推理集成适合使用 AI 模型库和 Serverless Models，大规模训练适合使用分布式训练任务，业务自动化则适合使用 AI Agent 平台。

这种分层选择比单纯追求最高规格 GPU 更重要。企业真正需要的是一条可以从原型、训练、推理到 Agent 自动化逐步升级的路径。早期可以用较轻量的资源验证模型和业务假设，进入生产阶段后再逐步引入专属 GPU、容器化部署、分布式训练和 Agent 工作流。具体整理如下：

Bitdeer AI Cloud 如何支持完整 AI 工作流？

Bitdeer AI Cloud 的平台结构围绕完整 AI 生命周期展开，支持从开发到部署，并提供 GPU Cloud Services （GPU云服务）和 AI Studio & AI Solutions 两类能力。

在基础设施层，Bitdeer AI Cloud 提供虚拟机、裸金属和容器服务；在训练层，提供分布式训练任务能力，帮助团队管理训练任务、监控状态和日志；在推理层，Model Studio 和 Serverless Models 让开发者通过 API 调用模型；在应用层，AI Agent 平台进一步把模型能力连接到企业工具和业务流程。

在高性能基础设施方面，Bitdeer AI Cloud 已提供 NVIDIA GB200 NVL72 集群，可支持大规模训练、实时推理、多代理 AI、HPC 模拟和大规模数据分析等高性能工作负载。对于需要高密度 GPU、低延迟互连和液冷能力的团队，这类集群更适合承载计算强度高、运行时间长且对稳定性要求高的生产级 AI 场景。

总结

AI GPU 计算的意义，已经从“加速模型训练”扩展为“支撑完整 AI 生命周期”。从开发验证到训练微调，从推理服务到 Agent 部署，再到监控、扩展和成本优化，GPU 云平台正在决定 AI 项目能否真正进入生产环境。

下一阶段的 AI 竞争，不只是模型能力竞争，也是基础设施效率竞争。企业需要的不只是更大的 GPU，而是一套能够让算力、模型、部署和 Agent 一起扩展的工作流架构。

无论您是处于构建 Demo 的初期开发阶段，还是正在进行高并发的商业化部署，Bitdeer AI Cloud 都能为您提供兼顾高可用与高性价比的算力底座，让 AI 真正转化为可持续运转的业务生产力。

当 AI 智能体给出错误答案时，人们很容易将责任归咎于模型的推理能力。但在生产环境的智能体系统中，故障往往发生在更早的一步，即检索环节。如果检索层遗漏了正确的段落、代码文件、策略或特定客户的记录，下游智能体就会从错误的上下文开始运行，再强大的推理能力也无法挽救糟糕的起点。

智能体会非常频繁地进行检索，它们将任务分解为多个查询，不断重写查询直到提取出正确的数据，搜索记忆，并在单次任务中对代码进行数十次检查。每次表现不佳的检索，都会徒增交互轮数、Token 消耗、系统延迟以及产生幻觉的风险。随着企业从简单的语义搜索向检索驱动的 AI 系统演进，检索质量已成为控制系统准确率、成本与信任度的核心环节。

今天，NVIDIA Nemotron 3 Embed 8B 和 NVIDIA Nemotron 3 Embed 1B 正式在 Bitdeer AI Model Studio 平台上线，为 RAG（检索增强生成）、企业搜索、代码检索和智能体工作流带来了可用于生产环境的开源嵌入模型。您可以通过 Bitdeer AI Model Studio 专为安全且可扩展的企业 AI 打造的无服务器推理平台，立即部署这些模型。

什么是 NVIDIA Nemotron 3 Embed？

Nemotron 3 Embed 是一组开源嵌入模型系列，专为那些构建企业搜索系统和新兴智能体工作流的企业及独立软件供应商 (ISV) 团队而设计。本次发布的两款模型，为开发者提供兼顾准确率与效率的理想选择：

• Nemotron 3 Embed 8B： 一款前沿的嵌入模型，旨在各大主要检索基准测试中树立准确率天花板。该模型在综合了开源和闭源嵌入模型的 RTEB 排行榜上位列榜首。
• Nemotron 3 Embed 1B： 一款高效的嵌入模型，通过剪枝、蒸馏和量化感知训练 (QAT)，保留了 8B 模型 95% 以上的准确率，专为需要高准确率、同时在吞吐量和服务部署效率上有更高要求的高强度生产工作负载而构建。

设计理念非常明确： 在极致检索质量至关重要的场景下使用 8B 模型，在需要高效处理高并发工作负载的场景下使用 1B 模型。二者的结合，让团队在提升检索质量的同时，无需在算力资源上做出不切实际的妥协。

核心技术规格

为何检索质量如今决定了智能体的质量？

大多数企业级检索技术栈都面临着一系列艰难的权衡：

• 准确率 vs. 成本： 更好的检索质量通常意味着每次查询的费用更高。
• 准确率 vs. 模型参数量： 较大的嵌入模型可以提升检索质量，但难以在规模化部署中提供服务。
• 延迟 vs. 召回率： 生产系统需要极速的查询响应，但高质量检索往往意味着需要搜索海量内容。
• 开放程度 vs. 生产就绪度： 开源模型支持定制化微调，但团队仍然需要经过实战测试的部署路径、量化支持以及企业级的服务能力。

这种权衡在智能体系统中体现得最为明显。多轮交互智能体会为了进行规划、提取记忆、查找代码以及获取工具使用的上下文而反复检索。薄弱的检索能力会增加交互轮数、Token 消耗、产生幻觉的风险，并导致用户体验下降。而强大的检索能力则能够减少无关的上下文，确保智能体的生成内容始终锚定事实 (Grounded)。若要让检索成为智能体默认的基础能力，嵌入模型就必须做到像本地文件搜索一样简单易用：快速、廉价、精准，并且不需要在算力上做出重大妥协。

Nemotron 3 Embed 正面解决了这些问题：

• 为检索智能体提供前沿准确率。 Nemotron 3 Embed 模型在企业搜索、RAG、代码检索和智能体检索工作流中均提供了顶尖的检索准确率。Nemotron 3 Embed 8B 在 RTEB 排行榜上击败了其他开源和闭源嵌入模型，其设计旨在以最少的 Token 消耗实现开源嵌入模型中最高的智能体检索准确率。
• 兼顾高效且无需不切实际的算力妥协。 Nemotron 3 Embed 1B 通过剪枝、蒸馏和量化感知训练保留了 8B 模型 95% 以上的准确率，而其在 NVIDIA Blackwell 上对 NVFP4 的支持更是使吞吐量翻倍。这使得语义搜索变得足够快速且低成本，智能体可以像进行文件搜索一样持续高频地进行检索。在 NVIDIA Blackwell GPU 上，NVFP4 版本的吞吐量提升了 2 倍，同时保持了 99% 的 BF16 准确率。
• 从权重到训练方法全面开源透明。 Nemotron 3 Embed 发布时全面开放了模型权重、数据集、训练配方、优化技术和微调指南。团队可以检查模型的构建过程，针对特定领域的检索进行微调，并能在对自身数据和基础设施拥有完全控制权的前提下进行部署：告别黑盒，拒绝供应商绑定。

企业级应用场景

• 智能体检索 (Agentic Retrieval)： 为智能体提供更强大的检索层，助力多轮规划、工具调用、记忆提取及重复查找循环。Nemotron 3 Embed 支持查询分解（智能体将单一用户请求拆分为多个检索查询）和查询重写（智能体多次重新构建查询语句直至检索到准确数据）。
• RAG 与企业搜索： 凭借前沿级别的检索精准度，将 Copilot（副驾驶助手）和 RAG 流水线锚定在正确的企业上下文文档、知识库和策略中，减少无关上下文并降低下游 Token 的浪费。
• 代码检索： 为开发者 Copilot 和软件工程智能体准确检索相关的源文件、函数和实现示例。凭借将文本和代码嵌入集于单一模型中的优势，工程团队能够通过同一个检索层同时支持代码搜索与代码智能体的上下文需求。

在 Bitdeer AI Model Studio 通过 API 运行 Nemotron 3 Embed

即日起，您可在 Bitdeer AI Model Studio 平台上运行 Nemotron 3 Embed，这是我们推出的无服务器推理平台，旨在简化对先进基础模型的访问并提供卓越的可扩展性。通过统一的 API 接口，Model Studio 允许开发者和企业无需管理底层基础设施即可快速上手使用模型，从而显著降低部署复杂性并缩短变现时间。

Bitdeer AI 是 NVIDIA 优选云合作伙伴 (Preferred NVIDIA Cloud Partner)，获得 ISO/IEC 27001:2022 以及 SOC2 Type I & Type II 认证，致力于提供生产级检索与智能体 AI 部署所需的高安全性、合规性、高性能和企业级标准的基础设施。欢迎在 Bitdeer AI 专为 AI 工作流打造的 GPU 算力集群上，以满足您业务需求的精度和规模运行嵌入工作负载。

快速入门

1. 登录 Bitdeer AI Model Studio。
2. 在模型列表中选择 NVIDIA Nemotron 3 Embed 8B 或 NVIDIA Nemotron 3 Embed 1B。

3. 生成 API 密钥 (API Key)，并开始发起嵌入 API 调用：

NVIDIA Nemotron 3 Embed 1B:

curl -v --location 'https://api-inference.bitdeer.ai/v1/embeddings' --data '{"model":"nvidia/Nemotron-3-Embed-1B-BF16","input":"The cat danced gracefully under the moonlight, its shadow twirling like a silent partner."}' --header 'Authorization: Bearer <API_KEY>'

NVIDIA Nemotron 3 Embed 8B

curl -v --location 'https://api-inference.bitdeer.ai/v1/embeddings' --data '{"model":"nvidia/Nemotron-3-Embed-8B-BF16","input":"The cat danced gracefully under the moonlight, its shadow twirling like a silent partner."}' --header 'Authorization: Bearer <API_KEY>'

结语

检索正成为企业级 AI 应用的关键一环，其决定了智能体是立足事实还是偏离正轨，决定了每一个推理循环是有效应用于正确的上下文，还是白白浪费在错误的信息上。NVIDIA Nemotron 3 Embed 将前沿的检索精准度带入了企业实战部署环节：8B 模型树立了准确率的行业天花板，1B 模型将这种高质量带入高吞吐量的生产环境，并做到了从模型权重到训练方法的全面开源。凭借在 Bitdeer AI Model Studio 的首发 (Day-0) 同步上线，即日起，您便可着手构建更高质量的 RAG、搜索引擎和智能体检索系统，用更精准的上下文、更少的 Token 浪费，打造出更具事实依据的 AI 体系。

作者：Eric Si, Evelyn Xiong

鲜少被一起讨论的两种 AI 范式

今天，有一类AI能够在你不知不觉间为你做出了若干决策：你的信息流推送顺序、判断一笔交易能否成功结算。这些决策的背后，没有任何对话框。它们直接以嵌入式决策系统的形式运作，整合进既有基础设施，实时执行。

另一类AI则截然不同，也更为人所知：一个等待提问的文本框，一个需要主动交互的工具。这两类AI都真实存在，也都创造价值，但二者在复杂度、风险程度、以及组织自身的建设准备度上，存在本质差异。

公众讨论大多聚焦于后者，而真正持久的企业价值，多数正诞生于前者。

当下值得了解的五项技术

AI领域的扩张速度，已经超出大多数组织的追踪能力。新的模型架构、部署模式与工具类别层出不穷，重塑商业运营的技术全貌远非一篇文章所能覆盖。以下当前企业级AI部署中最基础的五项能力，可以把它们理解为一系列递进的构件：每一项都在前一项的基础上拓展能力边界。

生成式AI（Generative AI）。 这是多数企业部署的起点。它按需生成文本、代码、摘要与结构化内容。在实践中，它几乎总是意味着一份草稿，需要经过人工审核才能进入下一步。人工审核环节并非需要被淘汰的临时限制，而是面对高风险输出时正确的设计选择，把它当作过渡阶段的组织，往往要为此付出代价才能明白其中道理。

检索增强生成（Retrieval-Augmented Generation，RAG）。 通用大模型基于通用知识训练，对企业自身的政策、产品和流程一无所知。RAG的解决方案是在推理时实时检索相关文档，而非完全依赖训练阶段固化的知识。一个会编造看似合理答案的系统，与一个能准确引用正确政策条款的系统，二者的差异不在于你采购了哪家模型，而在于数据架构的设计决策。

AI智能体（AI Agents）。 智能体将AI从"回答"推进到"行动"。给定一个目标和可用工具后，它会自主规划路径并执行至完成。一个只能描述可选航班信息的系统不是智能体；一个能搜索航班余票、核对你的日程、完成预订并发送确认信息的系统才是。二者的差异是架构层面的，而非表面包装的不同。

多模态AI（Multimodal AI）。 当AI能够同时处理图像、扫描文档、音频与视频时，全新的工作流便有了自动化的可能。一张发票以照片形式传入系统，系统读取并提取明细项目，匹配预算科目，并路由给对应的审批人，全程无需人工录入。被省去的这一步，正是运营杠杆得以放大之处。

AI治理（AI Governance）。 治理在部署初期常被低估，却在第一次重大事故之后才被认识到其必要性。围绕AI系统的管控机制、审计手段与问责体系，并非部署过程中的阻力，而是企业能够随时间逐步放权、却不增加风险的前提条件。把治理视为可选项的组织，往往会在事后明白这种想法的代价。每一项新增能力都在赋予系统更大的自主权，而治理正是赢得这份自主权的资格。

AI系统内部究竟是什么

当AI系统出现故障时，人们的第一反应往往是归咎于模型本身，换一个更好的模型或更换供应商。这种诊断在多数情况下是错误的，而依此行动的代价也相当高昂。一个生产级AI系统至少包含五个独立的层级，故障可能源自其中任何一层

界面层（Interface layer）： 用户能看到的部分。它的设计旨在呈现简洁性，这意味着所有复杂的逻辑都被隐藏其后。表面上的简单并不等同于底层架构的简单。

编排层（Orchestration layer）： 每一次交互背后的决策引擎。它决定一条消息是否需要触发检索、此前的上下文是否相关、是否需要调用某个工具。在正常使用中它是不可见的，却支配着整个系统的行为方式。

知识层（Knowledge layer）： 系统理解企业自身情况的来源。再先进的模型，如果依赖的是过时或结构混乱的数据，也必然持续产出低质量结果。这是企业AI中最常见的故障来源，也常常是团队最后才会去排查的地方。

工具层（Tools layer）： 没有工具，AI只能提供建议；有了工具，它能够发送消息、更新记录、触发下游系统的执行。智能体能力存在于这一层，一旦出错所带来的后果也同样在这一层显现。

人工监督层（Human oversight layer）：定义并执行问责制（Accountability）的地方。对于常规任务，AI起草、人工审批即可；而对于涉及医疗、财务或法律风险的重大决策，必须有人签字确认后才能执行。设计良好的系统，会把这一层视为强制要求，而非可选环节。

当问题出现时，真正该问的不是"该换哪个模型"，而是"哪一层出了问题，以及为什么"。

从助手到智能体的演进路径

不同 AI 部署在能力以及失效后果上存在巨大差异。我们可以通过四个阶段来厘清这种区别，因为每推进一个阶段，风险剖面（Risk Profile）都会发生显著升级。

第一阶段：AI助手（AI Assistant）。 被问到才回应，没有自主性，没有提示词就不会有任何动作。这是多数组织的起点，也是许多组织止步不前的地方。

第二阶段：AI工作流（AI Workflow）。 在事件发生时被激活，而非等待用户提问。一张发票到达，系统提取数据、对支出分类、核对预算，并路由审批。人类仅参与决策关键点，而非介入每一个步骤。

第三阶段：AI智能体（AI Agent）。接收目标并自行规划实现路径。例如：识别优秀候选人、审查背景、起草触达信件、标记出值得进一步查看的内容。目标只需给定一次，智能体会自行拆解步骤并执行。

第四阶段：多智能体系统（Multi-Agent System）。 多个专业化的智能体协同工作：研究、合规审查、任务交接、监督、规划。这种架构的扩展能力是单一智能体系统无法比拟的，在部分行业中，它已经投入实际生产使用。

阶段之间的差距，意味着实质性的后果差异。一份有瑕疵的摘要只需花几分钟人工修改；而一个向数千名客户发送错误沟通信息、错配款项或未经授权取消预订的智能体，这不仅仅是“犯错”，而是正在制造一场带来财务、法律和声誉重大影响的业务事故。

在部署第三或第四阶段的系统之前，任何组织都需要回答五个问题：

1. 系统的推理能力对于这项特定任务是否足够可靠？
2. 它将访问哪些敏感数据，是否真的需要全部权限？
3. 它可以触达哪些系统，是否应该让它触达？
4. 哪些决策在执行前必须获得人工批准？
5. 如果出现问题，审计追踪是否足以还原发生的一切？

能够持续增值的能力

当AI能够以接近零的边际成本产出合格内容时，常规产出本身将不再稀缺，判断力则因此变得稀缺：领域专业知识、情境化推理能力，以及为决策承担责任的能力，这些恰恰是AI无法提供的。

在AI深度融入的组织中，真正具备优势的从业者，并非采用工具数量最多的人，而是那些足够了解自身专业领域、能够识别AI输出何时出错的人。以下八项能力，会在这一环境中持续产生复利效应：

问题拆解能力。 将模糊不清的情况拆解为系统能够可靠执行的步骤。这一能力贯穿AI系统设计的每个层面，从指令的撰写方式到工作流的排序逻辑。

工作流设计能力。 判断哪些环节应自动化、哪些应由人工辅助、哪些应保留在人工直接掌控之下。人工介入的环节设置，是一项需要认真权衡的设计决策，而非可以默认忽略的选项。

批判性评估能力。 把AI输出当作起点，而非结论。每一个严肃的AI平台都附带准确性提示，这并非偶然；真正将其内化的从业者，相较于忽视它的人更具优势。

数据素养。 理解信息的来源、结构方式，以及何时会变得不可靠。任何AI系统的输出质量上限，都由其数据质量决定，无论所采用的模型能力多强。

风险意识。 在问题发生之前，预先思考可能的失败模式。拥有实际运营AI系统经验的从业者，会逐渐形成对薄弱环节出现位置的直觉，而这种直觉本身具备实际的市场价值。

跨职能沟通能力。 让复杂系统对未参与构建的人来说也清晰可懂。每一个AI系统最终都需要交由技术团队之外的人来治理或操作。

治理思维。 不仅要问一个系统能做什么，还要问当它出错时谁来负责、它应当访问哪些数据，以及访问权限的设置是否真正与实际风险相匹配。

持续学习能力。 如今正在使用的工具和模型，两年后大概率会面目一新。理解系统的思维框架可以延续下去，而对某个具体工具界面的熟练程度则无法。

AI部署中最稀缺的资源

当前依然稀缺的不仅是 GPU 算力等基础设施，也是设计能够承受生产环境检验的 AI 系统所需的“判断力”：知道在工作流的哪个环节嵌入智能、在哪里保留人工问责、提前预判故障可能呈现的样态，以及如何打造一个能在真实组织中运转、而非只能在受控演示环境中表现良好的系统。

Bitdeer AI 能为复杂的AI工作流提供不同层级的资源服务。底层是原始算力，GPU集群与数据中心是上层一切功能得以运行的基础。中间层是AI云，企业可以在此托管和扩展模型，而无需自行管理硬件。顶层则是模型应用层：AI应用与实时系统连接，执行多步骤流程。

AI正在从一种独立工具，转变为治理完善、生产级系统中的有机组成部分，这一转变正在各行各业同步发生。那些早早建立起扎实系统设计实践的组织，将获得难以被复制的优势。

AI 开发已不再仅受模型性能的制约。对开发者和技术负责人而言，真正的生产挑战在于，一个想法能否从 notebook 或小规模实验，进入安全、可复现、可扩展的 GPU 云环境。

大语言模型（LLM）训练、微调、检索增强生成（RAG）、批量推理和低延迟模型服务，对加速器显存、存储吞吐、网络性能、运行时一致性、访问控制和成本可见性都有不同要求。如果这些基础设施因素规划过晚，随着工作负载扩展，团队可能会面临 GPU 利用率不稳定、部署周期变慢以及运营成本上升等问题。

在 Bitdeer AI，我们认为瓶颈部分在于基础设施编排：获取合适的 GPU、保持集群网络互联、通过高吞吐存储持续向加速器供给数据、管理可复现的运行环境，并为可能从单一原型扩展到分布式生产的工作负载提供可预测算力。我们的重点是简化基础设施层，让团队把更少时间花在计算环境管理上，把更多时间用于构建 AI 应用。

为什么 AI GPU 基础设施变得更难运维

将 AI 工作负载投入生产，所需要的不只是原始算力。它需要由 GPU 容量、CPU 编排、内存带宽、存储吞吐、网络性能、调度纪律、安全性和运营控制共同组成的协同系统。本地概念验证（PoC）与生产级 AI 云环境之间的差距，往往只有在团队开始扩展规模时才会真正显现。

GPU 云可用性与工作负载匹配

首要挑战不仅是获取GPU，更是如何让算力配置与具体的工作负载精准匹配。训练、微调、批量推理和实时推理对显存容量、吞吐、延迟和利用率的要求并不相同。如果团队在明确工作负载形态之前就选择基础设施，往往会为闲置容量支付高昂的“沉没成本”，或因算力配置不足而无法稳定交付。

集群网络与数据流转

现代 AI 很少作为孤立的单卡任务运行。分布式训练高度依赖快速的参数交换（如通过高效的集群互联）、高效的检查点（Checkpoint）保存，以及能够持续供给 GPU 的存储系统。推理服务则需要协调请求路由、动态批处理（Dynamic Batching）和模型服务，同时避免网络成为瓶颈。

功率密度、散热与可靠性

AI 基础设施也改变了功率规划逻辑。高密度 GPU 集群不能把供电、散热和 AI 数据中心设计当作后台问题处理。在我们的公开基础设施更新中，我们计划增加专用于 AI 计算的 IT 负载，并由更广泛的全球电力基础设施战略提供支撑。对开发者而言，运营层面的启示很直接：可靠的 AI 云容量不仅取决于加速器数量，也同样取决于供电能力和热管理准备度。

简化 AI 基础设施设置到底意味着什么

简化基础设施并不意味着隐藏每一个技术决策，而是减少重复性的设置工作，同时保留生产环境中真正重要的控制能力：环境一致性、资源弹性、工作负载可见性，以及无需每次重建技术栈就能从开发推进到部署的能力。

更快的环境配置

AI 团队不应在每次测试工作负载之前，都反复组装驱动、框架、访问规则和运行时依赖。成熟的 GPU 云工作流会通过可复现的环境缩短这一路径，使实验更具可迁移性，也让生产准备更可预测。

弹性的 GPU 云容量

AI 需求并不均匀。一个原型可能只需要有限算力，一次训练任务可能在短时间内需要更大的集群，而推理服务则可能需要随流量增长而提升容量。云 GPU 基础设施的价值在于，它让团队能够围绕工作负载阶段调整资源规模，而不是迫使每个项目都受限于固定的硬件规模。

工作流级编排

一旦工作负载开始扩展，编排就会成为基础设施质量的核心部分。容器化任务、模型工件（Artifacts）、数据放置、可观测性和部署工作流，都需要在可复现的运营控制下顺畅衔接。高效的编排能有效减少算法研究、工程落地与运维（MLOps）之间的协作摩擦，而这往往是导致 AI 交付延期的主要原因。

我们如何把基础设施转化为 AI 云平台

在 Bitdeer AI，我们将 GPU 云基础设施视为生产系统，而不是一组彼此孤立的计算实例目录。Bitdeer AI Cloud 为训练和推理工作负载提供搭建好的 GPU 云基础设施，帮助团队根据 AI 项目的技术形态匹配计算选择。目标是降低设置摩擦、明确部署路径，并让算力设计与 AI 交付更好对齐。

面向训练的 GPU 云

AI 训练对加速器显存、数据吞吐和分布式协同非常敏感。我们帮助团队从完整训练路径出发思考：数据如何到达 GPU、任务如何扩展、环境如何保持一致，以及工程师如何从实验逐步走向可复现的工作流。

推理、模型服务与 Model Studio

推理带来的是另一类基础设施问题。这里的重点转向响应速度、并发能力、端点稳定性，以及在接入应用之前快速评估模型的能力。Model Studio 通过简化模型访问和基于 API 的推理工作流来支持这一方向，帮助团队以更低的运维负担评估并集成模型。

安全性、成本可预测性与运营匹配

对企业级 AI 而言，仅有技术性能并不够。团队还需要工作负载隔离、可复现的访问控制、成本可见性、清晰的资源规划，以及符合 AI 系统实际构建方式的云模型。随着模型从内部试点走向面向客户或业务关键型服务，这些问题会变得更加重要。

哪些团队受益最大

只要组织需要走出孤立实验，这种基础设施模式就有价值。当团队既要保持快速迭代，又要满足生产纪律，或当 AI 生命周期不同阶段的算力需求发生明显变化时，它的适配度尤其高。

从研究走向生产的团队

这些团队需要一条从 notebook 和早期实验，通往可复现训练任务和受控部署环境的路径。他们的问题并不只是能否获得 GPU，而是实验、验证和发布之间是否具备连续性。

大规模运行推理的 AI 产品团队

产品团队关注的是持续的服务性能、成本可见性，以及在不重新设计整个系统的情况下增加模型容量的能力。当 AI 云平台让推理端点更容易评估、运行和扩展时，它就会变得很有价值。

构建智能体和多模态工作流的全球团队

AI智能体、多模态流水线和复杂企业工作流，会给 AI 基础设施、算力可用性和系统协同带来额外压力。这些工作负载通常会结合推理、检索、工具调用和模型服务。因此，GPU 基础设施、编排能力和 API 设计本身也会成为应用架构的一部分。

核心结论：生产级 AI 需要的是基础设施系统，而不只是 GPU

核心问题已不再是 AI 团队是否需要加速器。他们当然需要。更重要的问题是，周边基础设施能否让这些加速器更容易使用、更容易扩展，并且更容易连接到真实部署需求。

AI 团队应评估什么

在评估 AI 云平台时，团队不应只看表面的 GPU 可用性。加速器适配度、内存带宽、互联策略、存储吞吐、编排模型、推理工作流、安全态势、运营可见性，以及具备功率意识的基础设施规划，都会影响 AI 系统多快能够达到生产就绪状态。

Bitdeer AI 的定位

我们在 Bitdeer AI 的重点，是通过 Bitdeer AI Cloud、Model Studio，以及与 NVIDIA 生态系统的持续合作，让这一技术栈更容易被采用。我们并不是要把 AI 基础设施简化成一个流行词，而是要减少可以避免的设置摩擦，让开发者和企业能够以更可预测的性能、更强的部署纪律，以及更清晰的扩展路径，从实验走向生产系统。

过去一年，人工智能已迅速从实验探索阶段迈向真实业务场景中的部署应用。曾经被视为探索性能力的 AI，如今正逐步嵌入各行各业的核心业务流程之中。然而，尽管模型能力不断加速提升，一个更为根本的挑战正在浮现。

问题已不再是 AI 是否有效。

而是组织能否让 AI 实现规模化落地，并在实际运营中持续发挥作用。

在 Bitdeer AI 近期举办的一场圆桌讨论中，与新加坡 AI 原生企业、商业领袖及技术专家的交流揭示出一个一致的趋势：尽管 AI 能力正在快速进步，企业的部署成熟度却明显滞后。如今，潜力与执行之间的差距，已成为制约 AI 价值释放的关键因素。

AI 价值落地的先行场景

如今，AI 的采用越来越多地由质量与效率方面的可衡量提升所驱动，而不再只是出于实验探索或好奇心。AI 最强劲的落地势头，往往出现在输出结果结构化、流程可重复，并且能够直接与绩效指标挂钩的领域。

比如在软件开发、客户支持和销售运营等领域，AI 已经展现出切实的生产力提升。在讨论中提到的一个案例里，AI 赋能的销售流程显著优于传统方式，个人销售人员实现了明显更高的产出，效率可达到“20 倍提升”。尽管这类数据仍需谨慎解读，但它反映出一个更广泛的趋势：AI 正以前所未有的方式放大个体生产力。

这一模式在数据密集型场景中表现得更加明显。以审计流程为例，传统的人工处理方式天然受限于时间和认知带宽，往往只能发现潜在问题中的一小部分。相比之下，AI 系统能够处理完整数据集，并在大规模文档中识别模式。其结果不仅是执行速度更快，更意味着覆盖范围在根本上得到深化。

然而，AI 的采用并不是均匀发生的。在图像生成等创意领域，人工监督仍然至关重要，因为现成模型的输出往往难以达到生产级应用的要求。这种价值分布的不均衡揭示了一个重要原则：AI 的采用并不会在所有领域同时发生，而是会率先集中在那些价值能够立即体现且可以被清晰衡量的场景中。

AI 驱动的新商业执行力

AI 改变的不仅是企业构建什么，也正在改变企业如何构建。

传统的产品开发周期往往以月为单位计算，而如今正被以周为单位的快速迭代循环所取代。团队开始将速度置于完美之上，尽早推出“足够可用”的解决方案，并基于真实场景中的反馈持续优化。

这一转变得益于 AI 降低了试验与探索的成本。构建和测试新的工作流程不再是高昂到难以承受的投入，因此组织能够以更积极的方式进行迭代，并更快速地适应变化。其影响是深远的：竞争优势不再仅仅取决于规划或战略本身，也越来越取决于执行速度与适应能力。

除了提升运营效率之外，AI 也正日益被视为推动商业价值增长和强化市场定位的重要力量。

讨论中特别值得关注的一个趋势，是 AI 在 IPO 前转型中的作用。一些企业正在上市前主动整合 AI 能力，并借此强化自身的资本市场叙事，提升外界对其增长潜力的认知，例如通过“AI 转型”争取“更高估值”。在这一语境下，AI 已不再只是一个工具，而是成为企业身份与定位的一部分。

这也表明，市场对 AI 的认知正在发生更深层次的演进：

AI 不再只是一次运营升级，而是一项战略资产。

从试点到规模化：AI 落地的组织挑战

尽管 AI 已在特定应用场景中取得了明确成效，但要在组织内部实现规模化推广，依然面临诸多挑战。在组织层面，真正的障碍往往并非技术本身，而是结构性问题。即便企业内部已经形成一定共识，当 AI 系统进入生产环境后，第二类且往往更为持久的挑战也会随之显现。

AI 项目通常由高层自上而下推动，企业领导层能够认识到采用 AI 的战略重要性。然而，这种自上而下的推动力，往往与组织其他层级的激励机制并不一致。中层管理者可能会抵触那些削弱其运营控制权的变革，而员工则可能将 AI 视为威胁，而非赋能工具。

这种错位造成了一种常见现象：企业能够成功启动试点项目，却难以将其进一步扩展至生产环境。AI 因而停留在局部孤岛之中，而未能转化为组织层面的集成能力。即便在内部目标相对一致的组织中，真正进入部署阶段后，也会暴露出另一组截然不同的挑战。

从模型到系统：成本的约束

讨论中浮现出的另一个关键洞察是：AI 部署并不只是选择合适的模型那么简单。它是一项持续性的工程实践，需要不断迭代、评估和进行系统设计。

与会团队描述了一条反映部署成熟度不断提升的演进路径：从最初围绕提示词进行实验，逐步发展为建立结构化评估框架，随后进一步投入上下文工程、工作流编排，并最终推进模型优化。这个过程很少是线性的，更多体现为持续不断的实验、验证与改进。

在这一背景下，工程的角色也正在发生变化。挑战不再是让 AI 在孤立场景中“跑起来”，而是让它在生产环境中保持可靠、一致，并具备可扩展性。上下文管理、记忆机制设计和工作流集成，正变得与模型本身同样重要。而在所有这些挑战之中，成本正成为最重要的制约因素。

Token 消耗会随着使用规模同步增长。对于 AI 原生企业而言，相关成本可能迅速攀升。在实验阶段看似可控的支出，一旦进入规模化应用，很快就可能变得难以持续。

为应对这一挑战，组织正在采用越来越精细化的策略。它们不再依赖单一模型或单一供应商，而是构建混合架构，在性能与成本之间取得平衡。复杂推理任务会被分配给高性能模型，而重复性强或边界清晰的工作流，则交由经过微调的本地模型处理。与此同时，一些团队也在探索边缘部署，以降低对集中式基础设施的依赖。

与此同时，优化工作也不再局限于模型选择。团队正在主动管理上下文长度、压缩输入内容，并构建抽象层，以避免对特定供应商形成锁定。这些做法反映出一个更广泛的转变：AI 部署正越来越成为一项关于成本效率与系统编排能力的工程问题。

企业 AI 基础设施的下一步

随着 AI 系统日益复杂，企业对基础设施的需求也在发生变化：它不应只是服务于实验探索，而必须能够支撑长期运营和规模化扩展。

在实际应用中，组织需要管理的已不再是单一模型或单一工作流。生产级 AI 环境通常涉及多个模型、不同类型的工作负载、混合部署架构，以及持续变化的成本与性能权衡。这带来了一项新的运营挑战：如何在计算、推理、存储和部署等多个层面，对 AI 系统进行高效编排。

这正是 AI 原生云平台开始发挥更重要作用的地方。

以 Bitdeer AI 为代表的平台，旨在通过一体化 GPU 基础设施、可扩展的推理环境，以及灵活的模型部署流程，帮助企业应对这些不断演进的部署需求：AI 不应被视为一个独立的应用层，而应被构建为面向生产环境的系统能力，能够根据工作负载需求、成本约束和部署策略的变化持续调整。

例如，借助 Bitdeer AI Cloud，企业和 AI 团队可以：

• 随着需求变化，灵活扩展用于训练、推理、嵌入向量生成和自动化工作负载的 GPU 资源；
• 支持云端、专属基础设施和混合环境下的不同部署需求，并提供裸金属、基于虚拟机的 GPU 服务以及容器化工作空间等选项；
• 随着 Token 使用量和推理需求增长，提升基础设施效率，并更清晰地掌握资源使用、成本、预算和资源分配情况；
• 通过灵活的模型工作流、API 访问方式和集成式计算环境，更便捷地接入和部署开源模型；
• 构建 AI Agent 工作流，将业务数据、API、MCP 工具、知识库和运营规则连接起来，支持客户服务、文档处理、报告生成、知识检索和工作流自动化等应用场景；
• 以更强的控制能力运行 AI 工作负载，包括托管数据库、私有网络隔离、访问控制、监控以及基于角色的权限管理。

通过这种方式，Bitdeer AI Cloud 能够帮助企业超越单纯的 GPU 算力供给，迈向更加完整的 AI 云环境——从实验探索到生产部署，全面支持模型开发、模型部署与工作流自动化。

结语

AI 的发展已经进入一个新阶段：能否获得模型本身，已不再是决定差异化竞争优势的关键因素。如今，竞争格局正在由组织有效部署、规模化推广并持续优化 AI 的能力所定义。

企业能否取得成功，将取决于其是否能够协调组织内部的激励机制、管理成本结构，并构建能够随着技术快速演进而持续迭代的系统能力。

在这一新阶段，关键问题不再是谁拥有最好的模型。

而是谁能够让 AI 在真实业务环境中真正发挥作用。

新加坡，2026年6月26日 — Bitdeer AI，Bitdeer Technologies Group （纳斯达克股票代码：BTDR）旗下成员，同时也是英伟达（NVIDIA）优选云合作伙伴，今日宣布荣获 2026 年 “年度 AI 云平台”大奖。该奖项由行业领先的市场情报机构 AI Breakthrough 颁发，旨在表彰当今全球 AI 市场中最顶尖的企业、技术和产品。这一重量级奖项肯定了 Bitdeer AI 在架构创新方面的重大突破——打造了一套完整的全栈AI云环境，专为企业级生成式 AI 及生产工作负载深度优化。

随着企业加速从局部 AI 试验迈向全球化生产部署，在工作流碎片化、算力紧缺与价格波动的多重压力下，传统云架构的结构性缺陷正逐渐显露。Bitdeer AI 以一套截然不同的方法应对上述挑战：构建垂直整合的“AI 工厂”模式。通过自主持有并运营高性能数据中心基础设施，Bitdeer AI 彻底消除了对第三方的依赖，从物理设施与芯片层面向上贯通至核心应用软件，实现全链路性能的极致优化。

基于这种自底向上的自主掌控能力，构建出一个高度统一、高效运转的软件生态系统。Bitdeer AI 云平台打破传统部署的繁琐壁垒，将完整的 AI 生命周期融汇于同一环境之中，覆盖分布式训练、多集群调度、丰富的优化模型库以及无服务器推理 API。

依托完全整合的技术栈，Bitdeer AI 为企业客户带来了独特的核心优势，重新定义了 AI 云价值标准：

• 无缝且高效的工作流：无需拼接零散的独立服务，企业可在单一、高度协同的平台上，从原始数据到模型微调、再到持续推理，实现端到端全流程贯通。
• 极致的灵活性与掌控力：赋予开发者对计算环境的精密控制，可自由选择追求极致原生性能的“裸金属（Bare Metal）”或按需弹性扩展的“虚拟机（VM）”，无缝切换、高效适配。
• 稳定的成本结构：通过消除与第三方基础设施托管相关的溢价，Bitdeer AI 将前所未有的极致性价比和透明的成本结构直接惠及用户。
• 深度的芯片级优化：作为英伟达优选云合作伙伴（Preferred NVIDIA Cloud Partner），Bitdeer AI 深度集成了英伟达的硬件和企业级软件栈。对物理数据中心的掌控使 Bitdeer AI 能够专为下一代英伟达架构优化功率密度和冷却系统，从而为客户提供有保障的算力容量，并使客户能够在第一时间获取最新的软件和模型功能。

“Bitdeer AI 构建了当今市场上最完整、最强大的全栈 AI 云平台之一，将高性能 GPU 基础设施与企业级 AI 开发环境完美结合，”AI Breakthrough 董事总经理 Steve Johansson 表示。

“我们非常荣幸能够蝉联 AI Breakthrough 奖项，”Bitdeer AI Cloud 副总裁 Retainna Lin 表示。“下一个 AI 时代的赢家将由执行速度和基础设施的可靠性共同决定。Bitdeer AI 构建了一个全栈云平台，极大地缩短了从原始 GPU 算力到投入实际生产的路径。我们正在为全球 AI 部署打造坚实的运行基础。”

展望未来，随着 AI 格局从实验阶段转向以全球化生产为特征的成熟阶段，Bitdeer AI 已做好充分准备，致力于成为行业的核心基础架构。公司正积极推进多阶段战略，全面扩展统一云生态系统的全球布局，持续拓展可持续、自营“ AI 工厂”的版图，以满足区域增长需求及严格的数据驻留要求；深化与英伟达的整合，支持新一代架构及模型和软件的 Day-0 同步发布；同时不断迭代升级平台功能，致力于成为企业级大规模 AI 应用的权威全栈运行层。

前瞻性声明

本新闻稿可能包含有关Bitdeer AI未来表现、市场机会和业务策略的前瞻性陈述。这些陈述基于当前的假设、信念和预期，但亦存在风险与不确定性，可能导致实际结果与预测存在重大差异。除法律要求外，Bitdeer AI不承担更新或修订此类前瞻性陈述的义务。

随着自主智能体承担的任务日趋复杂、运行时间不断延长，从统筹协调历时数周的编程项目，到实时综合分析数百个研究来源，对底层推理模型的要求已发生根本性变化。推理速度、推理深度，以及在长效会话中持续保持上下文的能力，不再是可选项，而是任何面向智能体工作的模型所必须达到的基准。

今天，我们很高兴宣布， NVIDIA Nemotron™ 3 Ultra 已在 Bitdeer AI Model Studio首发上线。作为 NVIDIA Nemotron 模型家族的旗舰型号，Nemotron 3 Ultra 是一款专为全天候运行智能体打造的开放前沿推理模型。该模型以更小的体积、更快的速度和更低的成本服务于智能体工作流，在保持编程、深度研究和企业自动化领域前沿推理能力的同时，推理速度最高提升 5 倍，使用成本最高降低 30%。

什么是 NVIDIA Nemotron 3 Ultra？

NVIDIA Nemotron 3 Ultra 是一款专为长效自主智能体构建的开源前沿推理模型。它针对智能体编排、复杂推理、编程及深度研究工作负载进行了优化。在这些场景中，推理速度、成本效率与持续推理深度的重要性与模型绝对能力上限同等重要。与传统的对话型模型不同，Nemotron 3 Ultra 专为横跨数百轮对话、多工具调用和长时执行周期的工作流而设计，针对智能体工作负载推理速度最高提升 5 倍，使用成本最高降低 30%。

经过面向智能体框架的后训练，Nemotron 3 Ultra 能够在最高难度的调用中保持推理深度，无论是历时数周的自主编程会话中的架构决策、跨数百个相互矛盾研究来源的综合分析，还是跨数千个相互依存约束条件的芯片设计验证。

Nemotron 3 Ultra 完全开源，支持针对任意领域进行微调，并可在任意基础设施上部署，使企业在享受前沿智能的同时，灵活掌握数据管控权。

关键规格

为何运行更快、成本更低的智能体推理至关重要？

大多数生产级智能体系统的瓶颈并不在于单次模型调用，而在于多次调用的累积成本。执行复杂重构计划的编程智能体、交叉比对数百个来源的研究智能体，或对数千条告警进行分诊的企业智能体，其工作效率均取决于模型完成每个推理周期的速度。吞吐量不只是硬件指标，它直接决定了智能体在给定时间预算内所能完成的工作量。

Nemotron 3 Ultra 从架构层面解决了这一问题：

最快任务完成速度

Ultra 采用异构 Mamba-Transformer MoE 架构，在英伟达发布的与主流开放前沿基准模型的对比测试中实现了最高的 token 吞吐量，可在同等时间预算内完成更多推理周期。多 token 预测（MTP）通过在单次前向传播中预测多个未来 token，进一步缩短长序列的生成时间；NVFP4 精度格式专为 NVIDIA Blackwell GPUs 优化，在保持精度的同时，相较 FP8 实现显著的推理加速。

领先的准确率

潜在 MoE 使模型能够在相同推理成本下调用多达 4 倍的“专家”，在不增加计算开销的前提下提升智能水平与泛化能力。围绕真实世界智能体任务设计的多环境强化学习训练，赋予模型强大的工具调用、推理及指令遵循能力。100 万 token 上下文窗口可在长时智能体会话中保留对话历史与规划状态，并支持短上下文模型所无法企及的跨文档推理规模。

完全开源

Ultra 在英伟达开放模型许可协议下以开源权重发布，训练数据采用英伟达生成的完全开源的高质量合成数据，并公开了研发技术与训练方案，为研究人员和企业提供充分的透明度，以及在此基础上自定义或二次开发的灵活性。

企业级应用场景

图源：英伟达

编程与代码智能体

基于 Ultra 构建的编程智能体，可端到端地完成大型代码库的规划、编写、测试、调试与迭代。Ultra 负责处理高难度推理调用：架构规划、复杂的跨文件重构与错误恢复，在可能历时数天乃至数周的会话中持续保持连贯的推理能力。

深度研究与检索

研究智能体在持续并行循环中完成检索、评估、交叉比对与综合分析。Ultra 负责最终综合——解决矛盾、识别空白、提出新假设，以前沿推理所要求的深度与一致性完成这一关键步骤。

企业工作流智能体

面向企业工作流构建的智能体，在持续运行的工具调用循环中实现跨行业的运营自动化：分诊数千条安全告警、摄取并解读监管文件、统筹协调临床试验运营。Ultra 负责处理这些工作流中的复杂推理步骤，这些环节的判断失误将对下游产生切实影响。

电子设计自动化与芯片设计

芯片设计智能体可自主根据规格生成 RTL 代码，跨数千个约束条件验证设计，并统筹从设计到制造签核的完整工作流。Ultra 负责验证、故障分析及跨模块依赖关系解析，这些推理密集型操作决定了最终设计的质量。

支持的智能体框架

Nemotron 3 Ultra 开箱即可与主流开放智能体框架集成，从通过 NVIDIA NemoClaw  一键部署，到针对最主流编程与编排平台的经测试操作手册。该模型同时以 NVIDIA NIM microservice 形式打包，可在不做任何修改的情况下跨数据中心与云环境部署。

通过 API 在 Bitdeer AI Model Studio 运行 Nemotron 3 Ultra

您可以在 Bitdeer AI Model Studio 上运行 Nemotron 3 Ultra。该平台是我们推出的无服务器推理服务，旨在以简单且可扩展的方式提供先进基础模型的访问能力。通过简洁易用的 API，Model Studio 使开发者与企业无需管理底层基础设施即可快速上手，从而降低部署复杂度并缩短实现价值的周期。

Bitdeer AI 是 NVIDIA Cloud Partner，通过 ISO/IEC 27001:2022 及 SOC2 Type I & Type II 认证，为生产级智能体 AI 部署提供安全合规、高性能的企业级基础设施。以您业务所需的精度与规模，在 Bitdeer AI 专用 GPU 集群上便捷运行模型。

立即体验

1. 登录 Bitdeer AI Model Studio
2. 在模型列表中找到 NVIDIA Nemotron 3 Ultra
3. 生成 API Key，开始进行 API 调用

这一简化流程可帮助您快速将前沿推理能力集成至应用与智能体系统中。

结语

NVIDIA Nemotron 3 Ultra 为开源前沿模型在生产环境中的表现树立了新标杆。凭借前沿级智能、最高 5 倍推理加速与最高 30% 的成本降低，Ultra 专为长效自主智能体的需求而设计。100 万 token 上下文窗口、开放权重、开放训练方案，以及在 Bitdeer AI Model Studio 的首发上线，使各类组织能够更快地从实验阶段迈向生产环境，将智能体 AI 转化为可量化的业务价值。

随着 AI Agent 从文本交互走向真实业务流程，跨模态理解信息并进行推理的能力正成为关键基础能力。无论是视频、音频、文档，还是 UI 界面，现代 Agentic 系统都需要能够在多种模态之间进行高精度、高效率推理，并满足企业级部署要求的模型。

今天，我们很高兴宣布，NVIDIA Nemotron™ 3 Nano Omni 已在 Bitdeer AI Model Studio 首发上线。作为 NVIDIA Nemotron 模型家族的重要成员，该模型代表着开放、生产就绪的多模态推理模型向前迈出的重要一步。

什么是 NVIDIA Nemotron 3 Nano Omni

NVIDIA Nemotron 3 Nano Omni 是一款面向生产级 Agentic AI 的开放式多模态基础模型。该模型能够在单一架构中统一处理视频、音频、图像、文档、图表以及文本等多种模态的信息，实现跨模态的理解与推理，从而无需依赖碎片化的多模态处理流程。

通过将感知与推理能力整合于同一系统中，Nemotron 3 Nano Omni 有效简化了智能体开发流程，降低系统编排复杂度，同时提升整体效率与可扩展性，并在多模态任务中实现领先的准确性。基于开放权重、数据集及训练方案构建，该模型为开发者与企业提供了充分的定制化能力，使其能够以更高的可控性与灵活性部署并运行多模态智能体。

关键规格:

• 模型规模：30B（A3B）
• 模态支持：输入（文本、图像、视频、音频），输出（文本）
• 架构：基于 Transformer-Mamba 设计的混合专家模型（Hybrid MoE）
• 视觉编码器：CRADIO v4-H
• 音频编码器：Parakeet
• 上下文长度：256k
• 优化特性：
  • 基于 Conv3D 的时序视频推理能力
  • 高效视频采样（EVS），降低推理成本
• 量化支持：FP8、NVFP4

为何统一的多模态模型至关重要

当前，许多企业级 AI 系统仍依赖于将视觉、语音、OCR 以及推理模型拼接而成的多阶段处理流程。这种架构往往会带来多次推理调用所导致的更高延迟，同时增加系统运维与编排复杂度，并在不同模态之间形成割裂的上下文。

Nemotron 3 Nano Omni 通过在智能体系统中充当统一的多模态感知与推理层，有效解决上述问题，实现从“感知 → 推理 → 行动”的一体化闭环。

企业应用场景

1. 客户服务智能体（Customer Service Agent）：

客户服务场景本质上是高度多模态的环境。该智能体需要分析客户交互的录音及语音转写内容，同时对客户会话的屏幕录制进行推理，并结合错误截图、发票等图像信息进行理解。此外，还需读取知识库文档、业务政策以及 CRM 历史记录。Nemotron 3 Nano Omni 将上述多源信息统一整合，使智能体不仅能够理解客户“说了什么”，还能理解客户“经历了什么”以及“业务规则允许什么”，从而实现更精准、具备上下文感知的服务响应。

2. 金融分析智能体（Financial Analyst Agent）：

金融分析并非仅依赖文本。该智能体需要在财务报告、财报电话会议记录等文档之间进行推理，同时结合图表、扫描报告等图像信息，以及电话会议中的语音内容和投资者演示视频进行综合分析。Nemotron 3 Nano Omni 能够将高管表述、数据的可视化呈现以及底层文档信息进行关联整合，从而输出基于事实支撑的洞察，而非停留在表层总结。

3. 计算机操作智能体（Computer Use Agent）：

计算机操作类智能体是统一多模态能力的典型应用之一。该智能体通过分析屏幕录制中的视频与图像，理解界面状态的动态变化，同时解析操作指令与系统音频提示，并读取任务说明及校验规则等文档。Nemotron 3 Nano Omni 使智能体能够在同一推理闭环中完成界面感知、意图理解、约束解析及动作执行。当感知与决策分散在多个模型中时，这种能力将难以实现。

4. 媒体与娱乐智能体（Media and Entertainment Agent）：

媒体处理流程不仅依赖文本转录。该智能体需要在视频内容、对话语音、屏幕文字以及场景变化之间进行联合推理，以支持更丰富的视频与语音分析。Nemotron 3 Nano Omni 能够生成高密度字幕，不仅捕捉语音内容，还能描述画面中发生的事件，同时提升大规模内容库中的视频检索与摘要能力，帮助媒体团队更高效地将原始素材转化为可搜索、具备上下文语义且可用于生产的内容资产。

通过 API即可轻松调用 Nemotron 3 Nano Omni

您可以在 Bitdeer AI Model Studio 上运行 Nemotron 3 Nano Omni。该平台是我们推出的无服务器推理服务，旨在以简单且可扩展的方式提供先进基础模型的访问能力。通过简洁易用的 API，Model Studio 使开发者与企业无需管理底层基础设施，即可快速调用模型，从而降低部署复杂度并缩短实现价值的周期。

这一能力使多模态推理更易集成至各类应用与智能体工作流中，并在少量步骤内实现从实验验证到生产落地的高效转化路径，兼顾灵活性与运行效率。

立即开始体验

1. 登录Bitdeer AI Model Studio
2. 在模型列表中找到 Nemotron 3 Nano Omni
3. 生成 API Key，开始进行 API 调用

这一简化流程可帮助您快速将多模态推理能力集成至应用与智能体系统中。

结语

NVIDIA Nemotron 3 Nano Omni 让多模态 AI 在真实业务场景中的部署更加可行与高效。相比管理多个模型与复杂流程，团队可以将重心放在构建智能体应用、自动化业务流程以及提升用户体验上。

随着该模型在 Bitdeer AI Model Studio 上的上线，企业能够更快地从实验阶段迈向生产环境，将多模态 AI 转化为可量化的业务价值。

OpenClaw 已经在 GitHub 上获得超过 29 万 Star，成为 2026 年最受关注的开源 AI Agent 框架之一。越来越多的开发者和技术爱好者开始尝试在本地部署自己的 AI 助理。

然而，本地部署在实际使用中面临不少挑战：关机即断线、环境配置复杂、API Key 安全隐患等问题，严重限制了 AI Agent 的持续可用性。

将 OpenClaw 部署到云端，可以从根本上解决这些问题。本文将分析云端部署的核心优势，介绍如何选择合适的大语言模型，并展示 OpenClaw 在实际场景中的应用能力。

OpenClaw 简介

OpenClaw 是一个开源的个人 AI Agent 框架，使用 TypeScript 编写，具备以下核心能力：

• 7x24 自主运行：内置 Heartbeat 心跳机制，能够主动监控任务并自动执行，无需用户持续干预
• 50+ 平台集成：支持 WhatsApp、Telegram、Discord、Slack、Gmail、GitHub 等主流平台，实现跨平台统一管理
• 模型灵活性：兼容 Claude、GPT、Grok 等云端大模型，同时支持通过 Ollama / vLLM 运行本地模型
• 可扩展技能系统：采用 Markdown + YAML 定义技能，ClawHub 上已有 100+ 预制技能可直接使用
• 隐私优先设计：所有数据默认存储在用户本地，记忆系统基于本地 Markdown 文件

与传统聊天机器人不同，OpenClaw 具备上下文记忆、主动行为能力和工具调用能力，更接近一个能够持续工作的 AI 协作者。

云端部署 vs 本地部署

虽然 OpenClaw 支持在本地运行，但对于追求稳定性和持续可用性的用户而言，云端部署具有明显优势。

本地部署适合短期测试和体验，而云端部署才能真正释放 AI Agent 的持续服务能力。一个需要随时待命的 AI 助理，首先需要一个永远在线的运行环境。

部署成本

运行 OpenClaw 本身不需要 GPU 资源，一台基础 CPU 虚拟机实例（2 核 / 4GB 内存 / 20GB SSD）即可稳定运行。以该配置为例，Bitdeer AI Cloud 的按需费用约为 $0.0363/小时（约 $26/月），即可获得一个 7x24 在线的 AI 助理运行环境。

Bitdeer AI Cloud 作为 NVIDIA 首选云合作伙伴（Preferred Cloud Service Provider），提供覆盖 H100、H200、B200、GB200 等多代 NVIDIA GPU 的算力资源。对于 OpenClaw 这类 Agent 部署场景，CPU 实例即可满足运行需求；如有模型微调或本地推理等进阶需求，也可灵活升级至 GPU 实例。虚拟机实例按需计费，详情请参考 GPU Compute 定价页。

模型推理部分通过 API 调用完成，按 Token 计费。Bitdeer AI Cloud 提供多厂商的模型推理服务，涵盖文本生成等多种任务类型。详细的模型推理定价请参考 AI Models 定价页。

模型选择指南

OpenClaw 的核心优势之一是模型灵活性——不绑定任何单一 LLM 厂商。Bitdeer AI Cloud 目前提供来自 10+ 厂商的 40+ 模型，涵盖文本生成、视觉理解、推理、文生图等多种任务类型，API 兼容 OpenAI 标准，模型切换成本接近于零。

以下为适用于 OpenClaw 的代表性文本生成模型及定价参考：

场景化选择建议

• 综合性价比首选 — DeepSeek-V3.2，输入输出综合成本最低，代码和推理能力业界领先
• 长文本输入场景（如文档分析、邮件摘要）— Qwen3-235B-A22B，输入单价仅 $0.22/百万 Token
• 中文深度对话 — Kimi-K2.5，中文理解能力优秀，适合需要高质量中文输出的场景
• 极致低成本 — 平台同时提供 Gemma、Ministral 等轻量模型，输入低至 $0.02/百万 Token，适合高频低复杂度任务

完整模型列表和在线体验请访问 Bitdeer AI Model Explore。

OpenClaw 通过配置文件即可完成与 Bitdeer AI 模型服务的对接——用户只需在 openclaw.json 中填入 API Key 和模型名称，OpenClaw 会自动处理所有 API 通信，无需编写任何调用代码。所有 Bitdeer AI 模型 API 兼容 OpenAI REST 标准，因此 OpenClaw 可以直接识别和调用。

API Key 可在 Bitdeer AI Cloud 控制台的 API Keys 页面生成。

部署流程

Bitdeer 官方已提供完整的部署教程，涵盖从创建云实例、安装 OpenClaw、配置模型连接到对接 Telegram 的全部步骤。详细操作指南请参考：

Installing and Configuring OpenClaw on Bitdeer AI Cloud

整个部署流程可概括为五个步骤：

1. 创建云实例 — 在 Bitdeer AI Cloud 上开通虚拟机实例
2. 安装 OpenClaw — 通过官方脚本一键完成安装
3. 配置模型 — 填入 Bitdeer API Key，指定 LLM 模型
4. 对接 Telegram — 完成 Bot 配对，实现移动端访问
5. 后台运行 — 服务自动在后台 7x24 持续运行

实际应用场景

部署完成后，OpenClaw 能够在多个维度发挥实际价值。以下列举几类典型使用场景：

个人效率管理

• 连接 Gmail 自动阅读邮件，提取待办事项，每日定时发送摘要
• 通过 Google Calendar 集成，直接在对话中创建和管理日程
• 实时多语言翻译，支持中、英、日、韩等语言互转

信息研究与分析

• 执行网络搜索，阅读网页内容，生成结构化摘要
• 对指定 URL 进行内容提取和要点总结
• 多步骤信息收集与对比分析，输出结构化报告

代码生成与执行

• 在沙箱环境中生成并执行代码，直接返回运行结果
• 支持 Python、JavaScript 等主流语言，适用于数据处理、脚本编写等场景
• 可结合网络搜索能力，自动查阅文档并生成可运行的代码方案

以上能力依托 OpenClaw 的技能系统实现。ClawHub 上已有超过 100 个预制技能可直接安装使用。如需开发自定义技能，可参考 OpenClaw Skills 官方文档。

总结

OpenClaw 作为一个功能完备的开源 AI Agent 框架，结合 Bitdeer AI Cloud 的云端基础设施和模型推理服务，能够为用户提供一个稳定、安全、持续在线的 AI 助理解决方案。

开始使用

• 注册 Bitdeer AI Cloud 账号
• 查看完整部署教程
• 访问 OpenClaw GitHub 仓库
• Bitdeer AI 文档中心

注：以上提及的模型及 GPU 价格仅供参考，具体请以平台实时价格为准。

借助 Bitdeer AI Cloud，您可以在数分钟内快速部署安全、面向生产环境的 AI 智能体NVIDIA NemoClaw。在本指南中，您将了解如何快速搭建一个完全沙箱化的运行环境，并通过 Bitdeer AI 的高性能推理端点运行 Moonshot AI 的 Kimi K2.5 等强大模型。

你将构建什么

完成本指南后，你将具备：

• 一个运行在 Bitdeer AI Cloud 上的安全沙箱化 AI 智能体
• 通过 Bitdeer AI 推理 API 访问 Kimi K2.5 等强大模型
• 完整的网络策略控制与监控能力

为什么选择 Bitdeer AI 上部署NemoClaw？

Bitdeer AI Cloud 上部署 NemoClaw 可以将安全的智能体执行能力、可扩展的基础设施和高性能推理能力结合在一起。基于 Landlock、seccomp 和网络隔离的沙箱执行机制由 NemoClaw 和 OpenShell 框架负责实现，而 Bitdeer AI Cloud 则提供底层算力环境，支持按需扩展 CPU 和 GPU 资源，并采用按量计费模式。与此同时，我们的平台还提供经过优化的推理端点，用于运行领先模型，并具备网络层级控制能力，帮助管理智能体与外部服务的交互方式，从而在灵活性与运营可控性之间实现平衡。

前置条件

NemoClaw 最低系统要求： 4 个及以上 vCPU、16 GB 内存、40 GB 可用磁盘空间、Ubuntu 22.04 LTS

Bitdeer AI Cloud 使用要求

• 已开通并可正常使用的 Bitdeer AI Cloud 账户
• 来自 Bitdeer AI Cloud 的 API Key（用于推理调用）
• Bitdeer AI 实例：选择 g4a.xlarge（4 vCPU，16 GB 内存）

重要提示： 沙箱镜像压缩后大小约为 2.4 GB。对于配备 16 GB 内存 的实例，可提供较为充足的内存资源，以确保运行过程平稳顺畅。

软件依赖

• Node.js 20 或更高版本
• npm 10 或更高版本
• Docker（已安装并正常运行）
• OpenShell CLI（由 NemoClaw 安装）

1.1 创建虚拟机

1. 登录你的 Bitdeer AI Cloud 账户
2. 进入 Virtual Machine 服务页面
3. 点击 Create Instance，并选择以下配置：
   • 实例类型：g4a.xlarge（4 vCPU，16 GB 内存）
   • 存储：至少 40 GB SSD
   • 操作系统：Ubuntu 22.04 LTS
   • 区域：选择距离你最近的区域
4. 完成下单并等待实例创建完成
5. 实例运行后，记录其公网 IP 地址

1.2 连接实例

通过 SSH 进行连接：

ssh ubuntu@<your-instance-ip>

步骤 2：安装 Docker

NemoClaw 需要使用 Docker 作为容器运行时环境：

# Update package index
sudo apt-get update

# Install Docker (service starts automatically)
sudo apt-get install -y docker.io

# Add user to docker group
sudo usermod -aG docker $USER

Important: Log out and log back in for group changes to take effect:

exit
ssh ubuntu@<your-instance-ip>

Verify Docker installation:

docker --version
docker run hello-world

步骤 3：获取 Bitdeer AI API Key

在安装 NemoClaw 之前，请先获取你的 Bitdeer AI API Key：

1. 登录 Bitdeer AI Cloud
2. 进入 Models → API Keys
3. 点击 Generate API Key
4. 复制生成的密钥并妥善保存

⚠ 安全提示： 切勿将 API Key 提交至版本控制系统，也不要公开分享。

步骤 4：安装并配置 NemoClaw

下载并运行 NemoClaw 安装程序。安装程序内置交互式向导，可用于配置你的 Bitdeer AI 推理端点：

curl -fsSL https://www.nvidia.com/nemoclaw.sh | bash

安装向导过程中

当系统提示时，请将 Bitdeer AI 配置为您的推理服务提供商：

[2/7] Configuring inference (NIM)
──────────────────────────────────────────────────

Inference options:
  1) NVIDIA Endpoints (recommended)
  2) OpenAI
  3) Other OpenAI-compatible endpoint  ← Select this
  4) Anthropic
  5) Other Anthropic-compatible endpoint
  6) Google Gemini

Choose [1]: 3

OpenAI-compatible base URL: https://api-inference.bitdeer.ai/v1
Other OpenAI-compatible endpoint API key: <paste-your-bitdeer-api-key>

Other OpenAI-compatible endpoint model []: nvidia/NVIDIA-Nemotron-3-Super-120B-A12B
# or: moonshotai/Kimi-K2.5

安装向导将会：

• 如果系统中尚未安装 Node.js 20 或更高版本，则自动安装
• 安装 npm 软件包
• 设置 NemoClaw CLI
• 将 Bitdeer AI 配置为您的推理服务提供商
• 将您的 API 密钥安全保存至 ~/.nemoclaw/credentials.json
• 创建您的第一个沙盒

安装完成后摘要

安装完成后，您应当看到：

──────────────────────────────────────────────────
Sandbox      my-bitdeer-agent (Landlock + seccomp + netns)
Model        nvidia/NVIDIA-Nemotron-3-Super-120B-A12B (Bitdeer AI Endpoint)
──────────────────────────────────────────────────
Run:         nemoclaw my-bitdeer-agent connect
Status:      nemoclaw my-bitdeer-agent status
Logs:        nemoclaw my-bitdeer-agent logs --follow
──────────────────────────────────────────────────

[INFO]  === Installation complete ===

如果安装完成后仍未找到 nemoclaw，请运行：

source ~/.bashrc
# or for zsh users:
source ~/.zshrc

验证安装：

nemoclaw --version

步骤 5：连接并与您的智能体对话

5.1 连接到沙盒

nemoclaw my-bitdeer-agent connect

您将进入沙盒命令行环境：

sandbox@my-bitdeer-agent:~$

5.2 交互式 TUI 模式

启动 OpenClaw TUI，开始进行交互式对话：

openclaw tui

发送测试消息并验证响应。

5.3 CLI 模式

如需以编程方式调用，或处理较长的输出内容，请使用 CLI：

openclaw agent --agent main --local -m "Hello, how can you help me today?" --session-id test

退出沙盒命令行环境：

exit

后续可扩展方向

现在，您的 NemoClaw 智能体已经成功运行在 Bitdeer AI Cloud 上。接下来，您可以通过以下方式进一步扩展其能力与使用场景：

• 连接 Telegram

为您的智能体接入移动端访问能力：

nemoclaw my-bitdeer-agent telegram-setup

• 尝试不同模型

通过 Bitdeer AI Model Studio 体验和测试其他可用模型：

openshell inference set --provider openai --model zai-org/GLM-5

• 监控运行状态

启动 OpenShell TUI，实时查看您的智能体运行情况：

openshell tui

• 自定义安全策略

定义自定义网络策略，以控制您的智能体可访问的资源范围。

结语

借助运行在 Bitdeer AI Cloud 上的 NemoClaw，部署安全、可用于生产环境的 AI 智能体将变得更加切实可行，并具备良好的扩展性。通过将 NemoClaw 的沙盒执行能力与策略框架，结合 Bitdeer AI 灵活的基础设施和优化的推理端点，您只需几个步骤即可从初始配置快速迈向真实业务场景落地。无论您是在探索 AI 智能体的应用潜力，还是正逐步推进生产级部署，Bitdeer AI Cloud 都能够为您提供一个可靠的运行环境，帮助您更有信心地完成工作负载的运行、扩展与管理。

资源

文档:

• NemoClaw Docs
• OpenShell Docs
• Bitdeer AI Cloud

社区与支持：

• NemoClaw GitHub
• NemoClaw Discord
• Bitdeer AI Support

近期，OpenClaw 的出现引发了业界对一类新型 AI 系统日益增长需求的关注。这类系统通常被称为“claws”，代表着一种可长时间运行、自主执行、并能够自我演进的智能体。它们能够在几乎无需用户持续干预的情况下，规划并执行多步骤工作流。与传统 AI 助手不同，claws 并不局限于单轮交互。它们可以访问本地文件，与应用程序及外部工具进行交互，并动态编排多个子智能体，对复杂任务进行拆解与协同执行。更重要的是，这类系统还能够持续优化策略，决定任务应在何处执行，并随着时间推移不断提升整体执行效果。

与此同时，这一演进也带来了新的挑战。随着智能体被赋予更广泛的数据、工具和基础设施访问能力，安全性、隐私性与治理相关的问题变得愈发关键。围绕访问控制、数据流转、模型调用以及执行边界的种种问题，已经不再只是理论讨论，而是决定这类系统能否安全落地到生产环境中的核心前提。

为应对市场对于更安全、可控的智能体执行环境不断增长的需求，NVIDIA 在 GTC 2026 上推出了面向 OpenClaw 的  NVIDIA NemoClaw。这是一个开源技术栈，旨在为长时间运行的自主智能体引入隐私与安全控制能力。NemoClaw 基于  NVIDIA Agent Toolkit 构建，作为一个集成层，使 OpenClaw 智能体能够运行在全新推出的  NVIDIA OpenShell 运行时之上。通过将NVIDIA Nemotron等开放模型与受控执行环境相结合，NemoClaw 让常驻型、持续运行的智能体在实际部署中更安全，也更具可行性。

NVIDIA OpenShell：为 NemoClaw 提供更安全的智能体执行基础

NVIDIA OpenShell 是一个开源运行时，旨在让自主 AI 智能体的部署更安全、更具实际落地可行性。其核心作用在于充当智能体与底层基础设施之间的控制层，对智能体的执行方式、可访问资源范围以及推理请求的路由路径进行统一治理。

与仅依赖提示词约束或智能体内部内置护栏机制不同，OpenShell 将策略执行下沉至运行时层面进行强制实施。它通过在隐私、安全和基础设施访问边界上提供更清晰的控制能力，帮助开发者弥合从实验验证到生产部署之间的落差，使自主、自演进的智能体能够以更可控的方式落地到真实环境中。

OpenShell 如何构建面向安全的智能体运行环境

OpenShell 通过一个网关统一管理一个或多个相互隔离的沙箱环境，智能体在这些受控沙箱中运行。要理解其工作机制，可以从两个互补维度进行分析：核心组件（components）与防护层（protection layers）。前者定义系统的结构与控制方式，后者则明确策略在何处被执行与生效。

• 网关（Gateway） 作为控制平面，负责协调沙箱生命周期管理、身份认证、服务提供方接入以及策略编排与分发。
• 沙箱（Sandbox） 是智能体执行的隔离运行时环境。内置策略引擎对文件系统、网络访问及进程行为实施细粒度约束与强制执行。
• 隐私路由器（Privacy Router） 负责推理请求的路由治理，在对敏感上下文进行更严格控制的同时，根据预设的隐私与成本策略对模型调用路径进行动态调度。

上述组件在四个关键防护层面实施统一控制：文件系统、网络、进程以及推理。其中，文件系统与进程层的控制在沙箱创建时即被固化，以确保执行环境的不可变性；而网络与推理层的控制则支持运行时动态调整，以适应不同策略与业务需求。该架构形成了典型的纵深防御（defense-in-depth）体系，在支持长时间运行的自主智能体的同时，实现对隐私、安全与治理边界的精细化管控。

为进一步理解 OpenShell 如何支撑更安全的自主智能体执行，其整体架构设计尤为关键。下图展示了各核心组件如何协同工作，以实现执行治理、策略强制与推理控制的统一闭环。 

OpenShell 面向更安全自主智能体的架构示意图，展示其核心组件：沙箱、策略引擎与隐私路由器

在 Bitdeer AI Cloud 上部署 AI 智能体

Bitdeer AI Cloud 是亚太地区的第一批 NVIDIA Cloud Partner（NCP） 之一，并作为区域内的模型提供方（model provider）接入 NVIDIA 生态，支持基于 OpenShell 的智能体工作负载在模型部署与推理层面的运行。

Bitdeer AI Cloud 提供多样化的高性能 NVIDIA AI 基础设施，包括 NVIDIA GB200 NVL72, NVIDIA HGX H200 等。用户可在多种 GPU 配置上部署工作负载，并通过内置的负载均衡与动态扩展能力，在性能、成本与可用性之间实现优化。

这使开发者能够以生产级所需的性能与可靠性，支撑智能体工作负载所依赖的模型部署与推理能力。

如何开始

在 Bitdeer AI Cloud 上运行模型流程简洁高效。开发者可在 build.nvidia.com 上启动构建，并将工作负载部署至 Bitdeer AI Cloud：

首先，从 NVIDIA 模型目录中选择所需模型，例如 Kimi K2.5 或 Nemotron 3 Super，并进入 Deploy 页面

随后，在 Partner Endpoints 中选择 Bitdeer AI 作为模型提供方。此举将使智能体工作负载所依赖的底层模型部署与推理运行在 Bitdeer AI Cloud 上，由可扩展、生产级的 NVIDIA AI 基础设施提供支撑。

完成选择后，开发者可根据业务需求，使用无服务器端点（serverless endpoints）或基于专用 GPU 的基础设施进行部署。

在此基础上，基于 OpenShell 的智能体可执行任务、调用工具，并在受控环境中运行，同时依托可扩展的生产级算力实现稳定执行。

通过将 NVIDIA OpenShell 的安全运行时与 Bitdeer AI 的基础设施能力相结合，开发者可以：

• 在专用高性能 GPU 集群上运行长时任务智能体
• 无需管理底层基础设施即可实现工作负载弹性扩展
• 在隐私、安全与推理路由方面获得更强的控制能力

这一集成有效打通了智能体开发与真实业务部署之间的路径，使开发者能够更轻松地从实验阶段迈向可规模化的生产系统。

总结

在 NVIDIA GTC 2026 上，一个尤为突出的趋势是，AI 正在从基于提示词的交互模式，演进为可长时间运行的自主系统。随着 token 消耗持续增长，其驱动力也越来越多地来自智能体本身，它们在更长上下文中进行推理、协调工具调用，并持续执行复杂任务。

这一演进带来的新要求，已不再局限于模型性能本身。智能体如何执行、数据如何治理，以及系统如何在生产环境中保持可控性，正变得同等重要。NVIDIA OpenShell 正是这一趋势的体现，它通过引入一个运行时层，为智能体执行提供了更安全、更结构化的控制机制。

在 OpenShell 为智能体执行引入更安全运行时层的同时，Bitdeer AI Cloud 则作为模型提供方，提供支撑这类系统在真实环境中落地所需的可扩展算力基础。通过提供可扩展的高性能 AI 计算能力，我们希望帮助开发者在更加重视隐私、安全与可靠性的环境中，构建并运行可长时间执行的智能体系统。

来源:

1. NVIDIA 开发者指南：  https://docs.nvidia.com/openshell/latest/about/overview.html
2. NVIDIA 博客：https://developer.nvidia.com/blog/run-autonomous-self-evolving-agents-more-safely-with-nvidia-openshell/

• 推理拐点到来：GTC 主题演讲指出，随着 AI 从预训练阶段迈向面向实时任务的智能体推理，算力需求正在发生大规模转变。
• NVIDIA Vera Rubin 平台：这一被称为“代际跃升”的平台包含七款全新芯片（包括 NVIDIA Vera CPU 和 NVIDIA Rubin GPU）以及五种专用机柜设计，旨在为全球最大规模的 AI 工厂提供动力。
• 解耦式推理：全新集成的 NVIDIA Groq 3 LPX 机柜与 Vera Rubin 平台协同，可将单位兆瓦的推理吞吐提升至最高 35 倍。
• “Moment of Claws”：NVIDIA 正通过 NVIDIA OpenShell 推动下一轮 AI 拐点的到来。作为一个开源运行时，OpenShell 使自主智能体能够在隔离沙箱中进行安全推理与执行操作。

价值 1 万亿美元的推理拐点

在 GTC 2026 上，主题演讲强调了 AI 正在从预训练模型阶段转向实时执行阶段。黄仁勋指出，这一转变正推动全球对 AI 基础设施需求出现惊人的跃升。

这种需求的倍增，源于智能体 AI 时代的到来。所谓智能体 AI，是指能够进行任务规划、调用工具并验证结果的系统。计算范式已不再停留在基于检索的阶段，而是正从生成式能力演进到以推理为核心，并进一步迈向智能体化。如今，随着 AI 智能体开始通过任务规划、任务拆解、推理与反思等迭代过程执行各类任务，推理算力需求在短短两年内已增长约 100 万倍。

Vera Rubin：AI 工厂的基础

NVIDIA 正式发布 Vera Rubin 平台。这是一套超级计算平台，可让多个机柜协同运行，形成一个大规模、统一且一致的计算系统，从而最大化每瓦功耗所产出的 token 数量。

• NVIDIA Groq 3 LPX 机柜：该机柜标志着加速计算迈入支持解耦式推理的新阶段。在这一架构中，Rubin GPU 负责 prefill、decode attention 以及大规模 KV cache 的生成，而 NVIDIA Groq LPU 则负责低时延的 decode 阶段，可为万亿参数模型带来最高达 10 倍的收入机会。
• Vera CPU 机柜：这是全球首款专为智能体 AI 打造的处理器平台。相较于传统 CPU，它可实现两倍的效率提升，并将处理速度提高 50%。凭借 88 个定制 Olympus 核心和 1.5TB LPDDR5X 内存，它能够提供智能体运行代码和验证结果所需的单线程性能。
• NVIDIA BlueField-4 STX 机柜：这是一套原生面向 AI 的存储基础设施，将数据视为“上下文记忆”。借助 NVIDIA DOCA Memos™ 框架，它可将长上下文推理场景下的推理吞吐提升最高 5 倍。

NVIDIA OpenShell：开启“Moment of Claws”

2026 年初，OpenClaw 的出现引发了业界对自主智能体的广泛关注。这类智能体能够执行多步骤工作流，并通过与本地文件及外部工具交互，推动 AI 系统从一次性响应模式走向持续运行、以执行为导向的新阶段。

为支持这些最先进智能体的安全部署，NVIDIA 推出 NVIDIA OpenShell，以迎接这一“Moment of Claws”。OpenShell 是一个开源运行时，专门用于治理智能体的执行方式。

我们也正在与 NVIDIA 合作推进 NVIDIA NemoClaw。这是一套开源技术栈，可通过单条命令，更安全地简化 OpenClaw 常驻助手的运行。作为 NVIDIA Agent Toolkit 的一部分，它会安装 NVIDIA OpenShell 运行时一个用于运行自主智能体的安全环境，以及包括 NVIDIA Nemotron 在内的开源模型。

NVIDIA OpenShell 位于智能体与底层基础设施之间，能够在隔离沙箱中运行各类代码智能体，包括 OpenClaw、Claude Code、Cursor 和 Codex，而无需修改任何代码。所有操作都会在基础设施层按照策略进行强制执行，从而为长时间运行的智能体工作流提供隐私与安全保障。

来源: NVIDIA GTC2026 主题演讲

随着全球智能体基础设施不断演进，Bitdeer AI 也正在亚太地区积极推进安全、可扩展的智能体基础设施建设。如今，开发者和企业已可在 build.nvidia.com 上看到 Bitdeer AI，作为支持这类智能体底层模型运行的基础设施提供商。

我们也很高兴地宣布，Nemotron 3 Super 已上线 Bitdeer AI 平台。作为 OpenClaw 当前表现最出色的开源模型之一，Nemotron 3 Super 具备支持复杂自主工作流所需的高阶推理与任务规划能力。

立即体验从 build.nvidia.com 开始构建属于你的安全自主智能体:

1. 登陆build.nvidia.com 上访问 NVIDIA OpenShell.
2. 无缝集成来自 Bitdeer AI 的前沿开源模型端点，为长时间运行的智能体提供算力支持。

依托部署于先进 AI 数据中心的 NVIDIA GB200 NVL72 系统，Bitdeer AI Cloud 提供运行自主进化型智能体所需的高性能基础设施，助力 NVIDIA OpenShell 场景下的大规模应用落地。通过将安全的运行时治理能力与高性能 AI 云平台相结合，我们帮助开发者构建具备更强隐私保障与基础设施可靠性的下一代 AI 应用。

来源: https://blogs.nvidia.com/blog/gtc-2026-news/

Bitdeer AI Model Studio 现已支持 NVIDIA-Nemotron-3-Super-120B-A12B，为开发者带来一款面向高级推理、长上下文理解与 Agentic AI 开发的全新开放模型。

NVIDIA Nemotron 3 Super 专为复杂多智能体应用而设计，在提供强大推理能力的同时兼顾计算效率。如今，开发者可直接在 Bitdeer AI 的高性能 NVIDIA GPU 基础设施上探索并运行该模型，更高效地开展实验、部署应用，并扩展高要求的 AI 工作负载。

什么是 NVIDIA Nemotron 3 Super

NVIDIA Nemotron 3 Super 是 Nemotron 3 开放模型家族中的重要成员，专为复杂多智能体应用场景优化。

NVIDIA-Nemotron-3-Super-120B-A12B该模型拥有 120B 总参数，采用 Mamba 与 Transformer 混合的专家混合架构（Mixture-of-Experts, MoE），在推理时仅激活 12B 参数。这一架构设计使其在复杂推理任务中具备出色表现，同时保持适合生产级部署的推理效率。

Nemotron 3 Super 的突出之处，在于它并非只是面向通用聊天场景进行优化，而是针对更复杂的 Agentic AI 工作负载进行设计。这类任务通常要求模型能够在超长上下文中进行推理，准确调用工具，并支持多步骤任务执行与智能体协作。

关键规格:

• 模型规模：120B 总参数，推理时激活 12B 参数
• 模型架构：Mamba-2、状态空间模型与 Transformer 结合的专家混合架构
• 上下文窗口：最高支持 1M tokens
• 准确率表现：在同规模模型中，于 Artificial Analysis Intelligence Index 上取得领先表现
• 最低 GPU 需求：2 × NVIDIA H100 80GB
• 多语言支持：英语、法语、德语、意大利语、日语、西班牙语、中文

为什么 Nemotron 3 Super 适合 Agentic AI

随着 AI 应用从单轮对话逐步走向更复杂的智能体系统，模型能力的要求也在不断提高。Agentic AI 系统不仅需要具备强大的推理、编码和长上下文分析能力，还必须足够高效，能够支撑生产环境中的持续运行。

与传统聊天式交互相比，多智能体工作流往往会产生更多 token 消耗。在任务执行过程中，不同智能体会反复交换对话历史、工具输出和中间推理结果，随着任务变长，上下文规模会不断扩大。这不仅会推高推理成本，也会带来通信开销和上下文漂移等问题。

NVIDIA Nemotron 3 Super 正是围绕这些核心挑战进行架构设计。

首先，Mamba 与 Transformer 的混合架构 提升了模型处理长序列任务的效率，同时保留了 Transformer 在复杂推理中的优势，使模型在长上下文任务中兼顾性能与准确率。

其次，专家混合架构 会根据任务动态选择不同专家网络参与推理，在不按比例增加计算成本的前提下进一步提升模型性能。这对于需要持续运行的大规模智能体系统尤为关键。

第三，Nemotron 3 Super 采用 完整开放模型栈，包括开放权重、开放训练数据集以及开放训练配方。这意味着开发者可以在自有基础设施上进行定制化训练与微调，同时更好地掌控数据隐私与安全。

展示 Mamba-2 与 MoE 成对模块重复排列，并与注意力层交替插入的层级结构示意图。

来源: NVIDIA

综合来看，Nemotron 3 Super 非常适合用于构建复杂多智能体系统和企业级 AI 工作流。该模型特别针对 工具调用、多步骤推理与智能体编排 进行了优化，而这些能力正是新一代 AI Agent 系统的关键基础。随着越来越多应用需要模型与外部工具、API 及数据源协同完成任务，Nemotron 3 Super 的价值也变得更加突出。

对于企业级 Agentic AI 应用而言，模型不仅要“会回答”，更要能够在复杂任务中持续保持上下文、调用外部能力并完成多阶段决策。

Nemotron 3 Super 的架构设计使其能够更好地支持以下场景：

• 在长文档、代码库或多轮对话历史中保持推理连贯性
• 在复杂工作流中更准确地执行工具调用
• 在多智能体协作任务中降低上下文膨胀带来的成本压力
• 在企业环境中实现更高效、更可控的模型定制与部署

这使其不仅适用于实验性应用，也更适合逐步走向真实业务生产场景。

基准测试表现

Nemotron 3 Super 在多项 Agentic AI 与推理类基准测试中展现出领先准确率，同时保持了较高吞吐效率。

Nemotron 3 Super 与同规模开源模型基准准确率对比

来源: NVIDIA

从公开表现来看，该模型在以下关键能力上具备较强优势：

• 指令遵循能力： 能够更好地理解复杂任务要求，并按预期执行
• 代码能力：在编码、调试及代码相关任务中表现出色
• 工具使用能力： 能够更可靠地完成工具调用，提升复杂任务执行成功率
• 长上下文推理能力：适合处理跨长文档、多步骤、跨来源信息整合等任务

这些能力共同奠定了 Nemotron 3 Super 在智能体系统和复杂企业应用中的实用价值。

企业级应用场景

Nemotron 3 Super 面向复杂企业 AI 应用而设计，尤其适用于需要多智能体推理与大规模知识上下文处理的任务。以下是几个具有代表性的应用方向。

软件开发：

凭借较强的代码能力和工具调用能力，以及对大型代码库的上下文理解能力，Nemotron 3 Super 可以支持端到端的软件开发工作流，包括代码生成、自动调试与测试等任务。这使其非常适合用于 AI 编程助手、开发自动化以及工程协作类应用。

深度研究与智能搜索：

Nemotron 3 Super 在企业研究类工作流中具备良好潜力，能够支持高质量报告生成、精确信息检索和长文档事实回溯。这类能力可广泛应用于文献综述、竞争情报分析、知识发现和研究自动化等场景。

网络安全：

在网络安全场景中，工具调用的准确率至关重要。Nemotron 3 Super 能帮助自主智能体更可靠地选择并调用合适工具，从而降低高风险环境中的执行错误。这对于安全运营自动化、威胁分析和自动化安全工作流具有现实意义。

金融服务：

在金融行业中，模型往往需要一次性处理大量财报、研究资料和长篇文档，并在较长任务链路中持续保持上下文。Nemotron 3 Super 能够帮助分析型智能体提升任务连续性，从而提高分析效率与判断准确率，适用于投研支持、财务分析和知识密集型工作流。

通过 API 在 Bitdeer AI Model Studio 上快速运行 Nemotron 3 Super

Bitdeer AI Model Studio 是一个无服务器推理平台，开发者可通过简洁的 API 直接访问并运行 Nemotron 3 Super 等基础模型。

第一步：选择模型

登录 Bitdeer AI Model Studio，在模型列表中找到 NVIDIA-Nemotron-3-Super-120B-A12B，即可开始用于相关 AI 工作负载。当前定价为：输入价格：$0.30 / M tokens，输出价格：$0.80 / M tokens。

第二步：生成 API Key

在调用模型前，你需要先生成 API Key。进入左侧导航栏中的 API Keys 页面，点击 Generate API Key 即可创建。

第三步：通过 API 调用模型

创建 API Key 后，即可通过 Bitdeer AI 推理 API 调用该模型。只需在请求头中加入 API Key，即可将 Nemotron 3 Super 集成到你的 AI 应用与工作流中。

借助 Model Studio 与 API 接入能力，开发者能够更快开始实验，并将 Nemotron 3 Super 用于实际业务场景。

凭借强大的推理能力、超长上下文支持以及高效的混合架构，NVIDIA-Nemotron-3-Super-120B-A12B 为构建下一代 AI 应用和智能体系统提供了坚实基础。

结语

无论是复杂推理任务、代码相关任务、大规模知识处理，还是多智能体协作工作流，Nemotron 3 Super 都能够帮助开发者以更高效率和更大灵活性应对高要求 AI 负载。

如果你正在寻找一款能够支撑高级 Agentic AI 应用的开放模型，现在就前往 Bitdeer AI Model Studio，体验 NVIDIA Nemotron 3 Super，探索它如何加速你的下一代 AI 应用开发。

OpenClaw 是一个功能强大的 AI Agent 框架，可用于构建具备多种能力的智能助手，支持 Web 搜索、代码执行以及与多种 AI 模型的集成。基于 Bitdeer AI Cloud，OpenClaw 可在云端部署，支持灵活的资源配置与按使用量计费模式，团队无需长期硬件投入即可高效运行 AI Agent。

本文将详细介绍如何在 Bitdeer AI Cloud 上部署 OpenClaw，并完成相关配置，通过实际示例展示如何构建一个可交互、可持续运行的 AI 助手服务。

前置条件

在开始部署前，请确保已具备以下条件：

• 一个有效的 Bitdeer AI Cloud 账号
• 基本的 Linux 命令行操作经验
• 一个 Telegram 账号（用于 Bot 集成）

步骤一：创建 Bitdeer AI Cloud 实例

订购虚拟机实例

登录 Bitdeer AI Cloud 控制台，创建并订购一个新的虚拟机实例。

推荐实例配置如下：

• CPU：不少于 2 核
• 内存（RAM）：至少 4 GB
• 存储：不少于 20 GB SSD
• 操作系统：Ubuntu 20.04 或更高版本

提交订单后，请等待实例完成自动部署。

访问实例

实例状态变为 Running 后，即可通过 SSH 方式连接到服务器：

ssh username@your-instance-ip

步骤二：安装 OpenClaw

快速安装

OpenClaw 提供了一行式安装脚本，可自动处理全部依赖项。请在服务器终端中执行：

curl -fsSL https://openclaw.ai/install.sh | bash -s -- --no-onboard

该命令将自动完成以下操作：

• 安装所需的系统依赖
• 配置 Node.js 运行环境
• 安装 OpenClaw 主程序

安装完成后，可通过以下命令验证是否安装成功：

openclaw --version

💡 常见问题提示

如果出现 openclaw: command not found 错误，请执行以下操作之一：

source ~/.bashrc
# Or manually add to PATH if necessary
export PATH="$HOME/.npm-global/bin:$PATH""

步骤三：配置 OpenClaw

初始化配置

运行 OpenClaw 初始化向导，用于生成基础配置结构：

openclaw setup

该命令将在用户目录下创建默认的 OpenClaw 配置文件与工作目录。

配置 AI 模型

完成初始化配置后，请编辑 OpenClaw 的配置文件以添加 AI 模型相关设置：

vim ~/.openclaw/openclaw.json

示例配置如下（仅展示关键部分）：

{
  "agents": {
    "defaults": {
      "model": {
        "primary": "bitdeerai/moonshotai/Kimi-K2.5"
      },
      "workspace": "/home/ubuntu/.openclaw/workspace"
    }
  },
  "models": {
    "mode": "merge",
    "providers": {
      "bitdeerai": {
        "baseUrl": "https://api-inference.bitdeer.ai/v1",
        "apiKey": "your-api-key-here",
        "api": "openai-completions",
        "models": [
          {
            "id": "moonshotai/Kimi-K2.5",
            "name": "Kimi-K2.5"
          }
        ]
      }
    }
  }
}

请将 your-api-key-here 替换为你自己的 Bitdeer API Key。

你可以在模型部分查看更多详情内容：

获取 Bitdeer AI Cloud API Key

获取 API Key 的步骤如下：

1. 登录 Bitdeer AI Cloud 控制台
2. 进入 Models → API Keys 页面
3. 点击 Generate API Key
4. 复制并妥善保存生成的 Key

⚠️ 重要提示：请勿将 API Key 提交到版本控制系统中。

验证模型配置

完成模型配置后，可通过列出可用模型来验证配置是否正确：

openclaw models list

系统将返回当前已配置模型及其状态。

完成 Onboarding 流程

运行快速引导流程以完成 OpenClaw 服务初始化：

openclaw onboard --flow quickstart

集成 Telegram

在引导过程中，请选择 Telegram 作为通信渠道，并输入你的 Telegram Bot Token。

完成后，OpenClaw 服务将自动在后台运行。

访问 OpenClaw 控制面板 (可选)

如果你希望通过 Web 界面访问 OpenClaw 控制面板，可以先建立一个 SSH 隧道，并使用网关令牌（gateway token）进行访问。

首先，请在配置文件中查找你的 gateway token：

cat ~/.openclaw/openclaw.json

示例配置段落：

{
  "gateway": {
    "mode": "local",
    "auth": {
      "mode": "token",
      "token": "your-gateway-token"
    },
    "port": 18789
  }
}

建立 SSH 隧道，在本地计算机上执行：

# Run this on your local machine
ssh -L 18789:localhost:18789 username@your-instance-ip

随后在浏览器中访问：

http://localhost:18789?token=your-gateway-token

Step 4: 步骤四：与 Telegram 配对

绑定 Telegram 聊天

1. 在 Telegram 中打开你的 Bot
2. 发送 /start 命令
3. Bot 将返回一个配对码
4. 在服务器终端中执行：

openclaw pairing approve telegram <pairing-code>

交互功能说明

配对成功后，Telegram Bot 可执行以下功能：

• 基于已配置模型回答问题
• 执行 Web 搜索
• 运行代码（沙箱环境）
• 处理文件上传
• 保持上下文对话状态

常用 Telegram 指令

• /start：初始化 Bot
• /help：显示可用指令
• /status：查看当前运行状态

总结

至此，你已在 Bitdeer AI Cloud 上成功部署并运行了一个功能完整的 OpenClaw AI 助手，并完成相关集成配置。该部署方案在保障安全性与性能的同时，提供了高度可定制的 AI Agent 能力，可支持多种实际业务场景与任务需求。

Bitdeer AI Cloud 稳定可靠的云端基础设施与 OpenClaw 灵活的 Agent 框架相结合，为智能助手的构建与部署提供了理想的运行环境。随着你对平台的进一步熟悉，还可以继续探索更高级的功能，例如更丰富的 Agent 能力扩展以及与其他交互渠道的集成。

祝您开发愉快，持续构建！

*安全提示：请对敏感操作配置适当的访问控制。

更多参考

• Bitdeer AI Cloud Documentation
• OpenClaw GitHub Repository

Hack to Hire 第二期虽已落下帷幕，但活动期间诞生的用例依然令人印象深刻。不同于聚焦实验性模型或理论性基准测试，本次黑客松产出了多套切实可行的系统设计，直面供应链、零售运营以及文档密集型行业中长期存在的业务难题。

在有限的时间内完成构建，这些项目展示了当 AI 与合适的基础设施和系统架构相结合时，如何被直接嵌入到实际业务流程之中。即便在活动结束之后，这些用例依然具有现实意义，可作为企业将 AI 能力转化为真实业务价值的实践参考。以下文章将对这些原型案例进行更深入的解析，并进一步探讨其实际应用与价值。

用例一：面向可持续供应链的市场与供应商情报

背景

在纺织制造供应链中，可持续性与供应商质量已不再是次要考量。决策者需要持续评估庞大且不断变化的供应商体系，在合规性、绩效与风险等方面做出判断。然而，相关数据往往分散在内部系统、供应商提交材料、外部文件以及公开新闻等不同来源之中，难以统一管理。

技术与业务挑战

核心问题在于数据碎片化。供应商信息以多种格式存在于不同系统中，难以形成统一、实时更新的整体视图。因此，可持续合规检查与质量评估高度依赖人工流程，不仅拖慢关键决策节奏，也增加了运营风险。

解决方案架构

该方案通过集中式数据管道整合供应商数据、相关文档及外部信息。在整体系统架构中，Bitdeer AI Cloud 提供虚拟机运行环境与数据处理层，用于执行 ETL 工作流、托管分析看板，并支持基于 AI 的洞察生成。 结构化数据被集中存储，AI 模型对供应商属性进行分析，生成质量评分与具备上下文的信息化建议。分析看板将这些洞察以统一视图呈现，帮助企业更高效、及时地做出供应商管理决策。

成果

该原型展示了 AI 辅助分析如何将供应商评估从依赖人工审核的方式，转变为更加系统化、以洞察驱动的流程，尤其适用于以可持续发展为核心目标的供应链场景。

用例二：用于陈列执行的零售门店智能化管理

背景

在零售门店运营中，一线员工需要花费大量时间，按照既定的陈列规范（Planogram）完成商品摆放。门店经理往往需要管理规模庞大的团队，而品牌方和产品经理则通常缺乏对商品在实际门店中最终呈现方式的直接可见性。

挑战

依赖人工上报和目视检查的方式不仅耗时，而且结果不一致。在缺乏结构化反馈机制的情况下，企业难以系统性评估陈列执行质量，也无法在多门店场景下实现规模化管理与监督。

解决方案架构

该系统对陈列执行流程进行数字化管理，从指令下达到执行验证实现全流程覆盖。商品陈列要求通过统一的平台记录并分发给一线员工，执行完成后，员工可通过移动端浏览器上传现场照片。 在系统架构中，Bitdeer AI Cloud 托管运营看板，并支持用于图像分析的模型推理能力，对上传图片进行自动识别与评估。分析结果将被自动记录并汇总，使管理者无需依赖人工跟进，即可掌握各门店的执行状态与绩效表现。

成果

通过将视觉证据与自动化上报机制相结合，该方案显著提升了零售运营的透明度，同时降低了一线员工和管理层在执行与监督过程中的人工负担。

用例三：面向中小企业的招标文件自动化智能分析

背景

新加坡建筑行业每年发布数以千计的政府招标项目，单个招标往往包含数百页文件。对于中小企业而言，参与这些招标既至关重要，又高度消耗人力与时间资源。

挑战

招标文件通常通过电子邮件接收，并依赖人工逐页审阅。处理单个招标往往需要数天时间，给规模有限的质量与合规团队带来较大压力，同时也增加了错过截止日期或出现审查疏漏的风险。

解决方案架构

该方案通过自动化流水线实现招标文件的接收与评估。系统在接收到邮件后自动触发文档处理流程，对招标要求进行提取、分析与初步评估。AI 结合检索增强生成（RAG）技术，引用企业内部文档库（如资质证书、项目履历等），完成资格匹配与合规性核查。 在整体架构中，Bitdeer AI Cloud 提供自动化流程的执行环境，托管运行文档处理、AI 推理的虚拟机，以及用于结果可视化和流程审计的分析看板。

成果

该原型展示了 AI 驱动的自动化能力如何显著缩短招标审阅周期，帮助中小企业更高效地响应招标需求，并在高频招标环境中提升竞争力。

赋能AI工作流的基础设施

在上述三个用例中，Bitdeer AI Cloud 均作为底层执行层发挥作用，支撑数据管道、AI 推理以及分析看板的部署。通过提供一致且灵活的运行环境，团队能够将精力集中于工作流设计与问题解决，而无需耗费大量时间在基础设施搭建上。 这种将基础设施与应用逻辑解耦的方式，在黑客松有限的时间框架内，实现快速迭代起到了关键作用。

总结

Hack to Hire 所呈现的解决方案不仅是短期实验成果，更展示了当 AI 围绕真实业务流程进行设计时，如何实现真正的落地应用，而非停留在孤立模型或理论性原型阶段。

在所有用例中，一个清晰的共性逐渐显现：真正的业务价值，来自将 AI 深度嵌入端到端业务流程，并依托能够支持快速迭代与稳定执行的基础设施。在这一背景下，Bitdeer AI 定位为一体化的 AI 云平台，融合 AI 数据中心基础设施与完整的云平台能力，提供覆盖 AI 全生命周期的内置工具，支持从开发、训练到部署与生产运行的各个环节。这些项目共同勾勒出一条务实的 AI 采用路径，帮助企业以流程整合、运营成效和可衡量结果为核心，持续释放 AI 的实际价值。