Exowatt 模型精準超越頂尖AI 靠 Amazon SageMaker 加速部署與降低成本

美國再生能源公司 Exowatt 透過 Amazon SageMaker 的無伺服器模型自訂功能，開發出高準確度且成本效益極佳的客製化人工智慧（AI）模型。這些模型在特定任務上的表現，不僅超越了市面上領先的頂尖 AI 模型，同時大幅縮短了從開發到實際運作的時間。

Exowatt 在為太陽能系統管理開發 AI 時面臨挑戰，他們需要能夠在邊緣裝置（即資料處理與運算更接近資料來源的位置）運作且成本低廉的 AI 模型，但現有的頂尖模型因任務範圍、專有數據限制、邊緣運作需求以及高昂成本而不適用。為了解決這個問題，Exowatt 採用了雲端原生的無伺服器模型自訂方法，運用 Amazon SageMaker（一個雲端機器學習平台，能協助開發者建構、訓練與部署機器學習模型）來建立自動化的 AI 管線。

此 AI 管線透過 Amazon S3 儲存原始運營數據，並結合 Amazon SageMaker 的無伺服器微調與評估功能。所謂「無伺服器模型自訂」是一種服務模式，開發者無須管理底層伺服器硬體，系統會自動分配運算資源，並僅針對實際使用的運算時間收費，有效降低成本與營運負擔。Exowatt 針對不同應用情境部署了客製化模型：Qwen3-1.7B 模型用於邊緣警報分類任務，而 Qwen3-14B 模型則應用於雲端能源市場分析。

實測結果顯示，這些客製化模型展現了卓越的成果。微調後的 Qwen3-1.7B 模型在邊緣警報分類任務中，巨集 F1 分數達到 0.911，明顯優於 Claude Sonnet 4.6 的 0.698。而在雲端能源市場分析上，微調後的 Qwen3-14B 模型巨集 F1 分數高達 0.975，超越了 Claude Opus 4.7 的 0.625。同時，這些模型的運作成本大幅降低，最多可達 49 倍，例如 Qwen3-14B 模型每千次回答僅需 0.60 美元，遠低於 Claude Opus 4.7 的 29.26 美元。整個 AI 管線將模型從實驗階段推進到實際生產環境所需時間，更從數月縮短至短短九天。

Exowatt 的成功案例證明，透過針對特定任務進行模型自訂，並利用無伺服器架構，可以有效提升 AI 模型準確度並大幅降低部署成本，為 AI 研究和模型部署的優化策略提供了重要參考。