Google Cloud 在今年 Google Cloud Next ’26 年度大會上，宣布了針對 AI 時代下雲端儲存服務的多項更新。這些更新主要解決企業在訓練 AI 模型時常遇到的資料存取瓶頸問題，同時也讓一般企業在管理大量雲端資料時更加方便。

AI 訓練效能升級：Cloud Storage Rapid 讓資料傳輸不再卡關

Google 正式推出 Cloud Storage Rapid 系列高速儲存功能，專為 AI 模型訓練與高效能資料存取場景設計。

在大規模 AI 訓練中，GPU 的效能固然重要，但資料能否快速送達運算資源，同樣會直接影響訓練效率。若資料載入速度不足，即使企業採購了高階加速器，也可能出現運算資源等待資料的情況。

Cloud Storage Rapid 的目標，就是提升 AI 訓練過程中的資料讀取與寫入訓練中途儲存進度 (checkpoint) 的效率，其中包含：

• GPU 等待資料的時間減少 50%。
• 資料載入速度提升 2.5 倍。
• 訓練中途儲存進度 (checkpoint) 的速度提升 3 至 5 倍。
• 這代表原本需要花大量時間等待資料的 AI 訓練工作，現在可以有更多的時間真正「在算」，而不是「在等」。

此外，Google Cloud 也推出快取功能 (Rapid Cache)，針對模型載入、推論服務、或需要反覆讀取同一批資料的工作負載，提供更高速的快取能力。Rapid Cache 可在不更改程式碼的情況下， 提供最高每秒 2.5 TB 的讀取吞吐量，協助企業降低資料存取延遲，提升 AI 工作負載效率。

高效能平行儲存系統效能大幅提升：Managed Lustre 支援大規模 AI 與 HPC 工作負載

除了 Cloud Storage Rapid，Google Cloud 也大幅強化 Google Cloud Managed Lustre 的效能。Lustre 是常見於大規模 AI 訓練的高效能平行儲存系統。在本次更新中，Google Cloud Managed Lustre 的最大傳輸速度提升至每秒 10 TB，相較去年提升 10 倍，也比其他主要雲端服務商的同類產品高出 4 到 20 倍。

同時，Google Cloud 也新增 Dynamic Tier 定價方案，價格為每 GB 每月 0.06 美元，適合 AI 訓練與 checkpoint 等需要高效能、低延遲，但也重視成本彈性的工作負載，且計費方式也更為簡單統一。

Smart Storage 讓雲端資料更容易被 AI Agent 理解與使用案

除了效能提升，Google Cloud 本次也持續強化智慧儲存 (Smart Storage) 相關能力，讓儲存在雲端的檔案更容易被 AI 理解與使用。

其中，新推出的 「物件上下文 (Object Context)」功能可為雲端中的每個檔案附加結構化的描述資訊，例如圖片內容、文件分類、資料標籤或其他上下文資訊，不只讓 ML 團隊可以更有效率地依照資料內容篩選訓練資料，降低人工標註負擔，AI Agent 也能更容易在企業雲端資料上進行分析與推論，不需額外建立資料索引系統；同時，企業也能自動偵測資料中是否含有個資、機密文件等敏感資訊，協助企業進行資料治理與法規遵循。

此外，Google Cloud 也推出 MCP Server，讓 AI Agent 能透過標準協議讀取、寫入與分析雲端中的資料，進一步擴大雲端資料 在 AI Agent 工作流程中的應用。

Storage Intelligence 協助企業管理大量雲端資料更省力

隨著企業在 AI 時代下持續成長的資料量，Google Cloud 本次針對儲存智慧管理 (Storage Intelligence)  推出多項更新，協助企業更快速掌握儲存使用狀況、成本異常與安全風險。據統計，目前已有 70% 的大型 Google Cloud 客戶 (每家管理超過 500 億個檔案) 使用此功能。此次更新重點包括：

• 零設定儀表板：不需要任何設定，即可自動顯示異常費用與安全風險。
• 安全整合：自動偵測 Cloud Storage 中常見的安全漏洞，並整合至 Google 的資安管理中心。
• 批次操作增強：可一次針對數十億個檔案執行權限變更、儲存類別調整等操作。

企業儲存環境整合更彈性

除了 AI 訓練與智慧管理，Google Cloud 也針對企業既有儲存架構與資料保護需求，推出多項更新，協助企業銜接既有架構、降低遷移成本，並確保資料安全與可復原性的儲存服務：

• Google Cloud NetApp Volumes (Flex Unified)：對於正在將傳統機房搬遷至雲端的企業，Google 推出整合式企業儲存平台，同一個儲存池可同時支援區塊儲存 (Block) 與檔案儲存 (File)，並支援企業熟悉的 ONTAP 管理工具，降低搬遷難度。
• Filestore for GKE：針對在 Kubernetes 容器環境中使用共用儲存的需求，Google 降低了最低起始容量 (最小 100 GiB)，並讓容量與效能可以獨立擴充，更適合不同規模的應用場景。
• 備份與資料保護：Google 在備份服務中加入 AI 輔助能力，可自動審查備份狀態、偵測保護缺口並提出修復建議。此次也新增對 AlloyDB 與 Filestore 的備份支援。

實務應用：從 AI 研究到企業應用，儲存效能成為關鍵基礎

此外，Google Cloud也分享了多個實際使用案例，說明這些儲存服務如何實際支援企業的 AI 訓練、推論與資料處理需求：

• Thinking Machines Lab：使用 Rapid Cache 作為 AI/ML 資料基礎架構的核心，滿足高頻寬與穩定性需求。
• Salesforce：透過整合 Managed Lustre，讓 B200 GPU 充分發揮效能，AI 代理推論速度較舊世代硬體大幅提升。

從儲存升級，看見 Google Cloud 的 AI First 基礎設施布局

整體而言，Google Cloud Next ’26 的儲存產品更新，不只是單點功能強化，而是圍繞「AI First」架構所做的全面升級。企業花了大錢買 GPU，卻常常讓 GPU 等待資料的過程中閒置；Google 希望透過更快的儲存系統和更聰明的資料管理，讓儲存服務將不再只是基礎設施中的配角，而是讓 AI 基礎設施的投資真正發揮效益的關鍵角色。

CloudMile 萬里雲 以 AI 雲端基礎建設服務 助企業打造 AI First 資料底座

在 AI First 時代，企業除了投資模型與算力外，更需要讓資料存取、儲存管理、資料治理與備份保護同步到位。CloudMile 萬里雲具備橫跨台灣與新加坡的 AI 技術服務認可：在台灣，獲數位發展部數位產業署頒發「人工智慧技術服務機構能量登錄」之「人工智慧技術教育訓練」與「文字內容自動生成」認證；在新加坡，亦獲 Digital Industry Singapore (DISG) 指定為 Enterprise Compute Initiative (ECI) 計畫科技夥伴。結合 Google Cloud 全線儲存產品升級與 CloudMile 在雲端基礎建設、資料分析、雲端搬遷與資安服務上的導入經驗，CloudMile 可協助企業打造更穩定、更安全且適合 AI 應用發展的資料基礎設施。

CloudMile 可協助企業打造更穩定、更安全且適合 AI 應用發展的資料基礎設施。如欲了解更多雲端基礎建設與 AI 轉型服務，歡迎至此聯繫 CloudMile 專業顧問。

(本文訊息由 CloudMile 萬里雲提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：[email protected]，經編輯檯審核並評估合宜性後再行刊登。圖片來源：Google Cloud 部落格。）

從資料脈絡到引用來源，讓 AI Agent 的每一次推理都有跡可循。

隨著企業導入 AI 的速度持續加快，真正的難題也開始浮現：AI 雖然會整理資料、回答問題，卻不一定理解企業內部的業務專屬邏輯。

根據麥肯錫《2025 年 AI 全球調查：應用、創新與轉型》報告顯示，88% 受訪者表示其組織已在至少一項業務職能中規律使用 AI；然而，調查結果也指出，雖然 AI 工具已相當普及，但多數企業尚未將 AI 深度整合至日常工作流程與業務流程中，因此 AI 仍難以實現企業級價值。

正如這次 Google Cloud 在 Next ’26 大會上強調的核心觀點，沒有上下文的推理，最終只是一種猜測。

當我們期望 AI Agent 不只是回答問題，而是能協助判斷庫存風險、合規問題、客戶流失原因，甚至自動提出行動建議時，最大的阻礙在於企業的資料與數據是分散在不同角落，有些在 PDF、有些藏在視訊會議記錄、以及各個資料庫和應用程式中。為了解決這個痛點，Google Cloud 在 Next ’26 推出了 Agentic Data Cloud，並將 Knowledge Catalog 定位為企業的「通用上下文引擎 (Universal Context Engine)」。

簡單來說，Agentic Data Cloud 就像是企業資料的「智慧導航系統」，將分散的企業資料串成一張 AI 看得懂的知識地圖，讓 AI Agent 不只會搜尋資料，還能沿著資料脈絡找到來源、理解關聯，最後做出有憑有據的判斷。

從「資料生命週期」看 Knowledge Catalog：AI 需要先看懂資料，才能做出正確決策

若只把 Knowledge Catalog 看做 BigQuery 整合、Smart Storage 或零複製存取的集合，很容易低估它真正的價值，因為這樣的理解只回答了「它有哪些功能」，卻沒有回答更重要的問題：為什麼這些功能需要被設計在一起？

理解 Knowledge Catalog 最有效的方式，是回到資料工程的本質，一個能讓 AI 使用的企業資料系統，通常需要經過聚合 (Aggregation)、豐富化 (Enrichment)、檢索 (Search) 等三個階段：

• 聚合 (Aggregation)：把散落在不同系統的資料，匯聚到同一個邏輯層
• 豐富化 (Enrichment)：賦予資料語義、標籤與關聯
• 檢索 (Search)：讓 AI 能基於語義進行多步推理

這三個階段，是企業資料要真正被 AI Agent 使用時，幾乎繞不開的核心流程。Knowledge Catalog 的價值，就在於它需要工程師手動串接的流程升級為更貼近 AI 原生、自動化、可追溯的資料生命週期。

Google Cloud 在大會中展示的「新口味優格 Midnight Swirl 的上市評估」案例，完美詮釋了這個三階段框架。

某食品公司即將推出新口味優格 Midnight Swirl。上市前，營運團隊必須確認食譜中是否含有大豆等過敏原。棘手的是，這個關鍵資訊散落在兩份獨立的 PDF 中：一份食譜寫著成分包含「Base 204」，另一份供應商手冊才記載「Base 204 含有大豆」。傳統 AI 搜尋幾乎必然會漏掉這層隱藏關聯。

階段一、Aggregation：打破結構化、非結構化、SaaS 三大孤島，將散落的資料放到同一張地圖上

第一階段的任務，是把散落各處的資料聚合到同一個邏輯視野下。Knowledge Catalog 用以下三個機制解決這個問題：

• BigQuery 原生映射：對結構化資料來說，Knowledge Catalog 可以與 BigQuery 原生整合 ，將資料表與元數據 (Metadata) 等連結業務邏輯，過去 AI 看到的可能只是一張張表格與欄位名稱，透過語義映射後，它才能理解哪些欄位代表產品、供應商等資訊。
• Smart Storage：針對非結構化資料，當圖片或 PDF 一進入 Google Cloud Storage，Gemini 就會原生介入，自動進行標記、摘要與資訊萃取，讓原本「看得到檔案、但看不懂內容」的問題被大幅降低。
• 零複製 (0-Copy) 存取：對 SaaS 系統，Knowledge Catalog 可以直接連接 Palantir、Salesforce、SAP、ServiceNow、Workday 等應用程式，Agent 不需要先把資料搬進來，就能即時取得橫跨整個企業的上下文。

在 Midnight Swirl 場景中，Aggregation 階段做的是：讓食譜 PDF (存在 GCS)、供應商主檔 (可能在 SAP)、合規規則 (可能在 BigQuery) 被納入同一個可被 Agent 查詢的視野。這一步本身還沒有產生答案，但它確保了「所有可能相關的資料都已經被放到桌面上」。

階段二、Enrichment：從「黑暗數據」到 Agent – Ready

資料聚合進來只是第一步。對 AI Agent 而言，沒有被理解的資料，等同不存在。一份 PDF 即使被掃描進系統，如果沒有人告訴 Agent 這份文件裡哪些段落代表「成分」、哪些文字代表「過敏原」、「供應商」這些實體，Agent 還是無法將資訊轉化為決策依據。

這同時也是傳統資料工程最耗時的環節：人工標註、實體萃取、建關聯表，佔掉資料團隊一半以上的時間。Knowledge Catalog 的關鍵，在於使用以下兩個機制，將這些過去高度仰賴人工的工作，轉化為更自動化的語義建構流程。

• 檔案落地即豐富化：Smart Storage 觸發後，Gemini 會自動萃取實體、標籤與關聯，讓資料一進系統就是「Agent-ready」狀態。
• 自主語義學習：Knowledge Catalog 不只抽取通用名詞，而是協助 AI 學習企業內部的專屬語義。當 Agent 看到「淨營收」、「風險」、「合規」這些詞，它理解的不是字典定義，而是這些詞在企業脈絡下的精確含義。當 Agent 理解這些定義後，才有可能做出符合企業邏輯的判斷。

回到案例：Enrichment 階段對食譜 PDF 自動萃取出「Base 204」作為「成分」實體；對供應商手冊自動萃取出「大豆」作為「過敏原」實體；並且識別出「Base 204」這個料號在兩份文件中是同一個東西。這些關聯原本需要食安團隊手動建表維護，現在由 Gemini 自動完成。

階段三、Search：從找關鍵字，升級成跨文件推理

當資料被聚合並豐富化後，搜尋的層次也隨之提升。傳統的生成式 AI 搜尋本質上仍是「關鍵字比對 + 向量相似度」，這種方式很擅長找到文件中「直接提到的資訊」，但很容易漏掉「需要跨文件推理的隱藏關聯」。Knowledge Catalog 在這一層做了兩件事：

• 基於關聯圖譜的跨文件檢索：因為 Enrichment 階段已經建立了實體間的關聯，Search 不再是平面的文字比對，而是類似沿著地圖找路的概念，在語義圖譜上進行多跳查詢。Agent 可以從產品名稱「Midnight Swirl」追到「食譜」、從「食譜」追到原料代號「Base 204」、再從原料代號追到「供應商手冊」、最終找到過敏原資訊「大豆」，這條推理鏈在傳統搜尋中幾乎不可能完成。
• 與 Deep Research Agent 整合：Knowledge Catalog 可以與 Gemini 企業版的 Deep Research Agent 整合，進行跨越內部資料與公開網路資訊的多步驟推理，最終產出附帶引用來源的業務解答。這對需要「可稽核、可追溯」的企業決策場景特別重要。

當營運團隊輸入「Midnight Swirl 是否包含過敏原?」時，AI Agent 能夠自動從產品名稱跳到食譜、再跳到供應商手冊一路追查，最終準確抓出產品含有大豆，並動態生成一份名為「product specs」的資料 Schema 作為引用證據。整個過程不到五分鐘，而傳統人工流程可能需要跨部門協調、花上半天時間。最終，這個流程在新品上市前就揭露了潛在的食安風險，避免了上市後才發現過敏原而需召回產品的代價。

Knowledge Catalog 能夠實際改變 AI 決策鏈的可行性

把三個階段串起來看，你會發現 Knowledge Catalog 真正改變的，不只是單一環節的處理效率，而是將過去很難落地的企業 AI 決策鏈，變得可信任且可追溯。

這樣的改變不只是「更快」，而是讓很多過去根本做不到、或高度依賴人工經驗的流程，第一次有機會被 AI 系統化處理。 在傳統架構下，Midnight Swirl 這樣跨文件、跨業務語義的隱藏風險，很容易在人工審核時被漏掉，直到產品上市後才被發現；但在 Knowledge Catalog 的架構下，這些關聯可以被提前建立、檢索與引用，成為 AI Agent 做決策時的可信依據。

對技術團隊的實際建議：資料治理將成為 AI Agent 落地關鍵

讀到這裡，你可能會問：這對資料工程師、雲端架構師而言代表什麼實務意義？以下三點是值得注意及思考的重點轉變：

• 資料工程師角色將從「搬資料」轉向「設計語義」：資料工程師的時間將從 ETL pipeline 上釋放出來，轉向更上游的工作：定義企業的核心實體、關係、指標， 讓 AI 能正確學習。
• RAG 系統的檢索曾將從「相似度檢索」走向「圖譜推理」： 向量檢索擅長找相似內容，但企業的問題已轉變為「哪些文件、資料表、業務規則之間存在關聯」，，單純依賴向量搜尋可能已經不夠了。 
• 資料治理不再是「IT 苦差事」，而是「AI Agent 導航圖」：在 Agentic AI 的時代，每一個被正確定義的指標、每一條被維護好的業務規則、每一份被標註好的文件，都可能直接影響 AI Agent 的判斷品質，資料治理的 ROI 變得清晰可見。

讓資料治理成為 AI Agent 的導航圖

可信任的上下文，是將「聰明的猜測」轉化為「可靠行動」的關鍵。Knowledge Catalog 的真正價值，不在於它新增了哪些花俏功能，而在於它重新定義了企業資料如何被 AI 使用，透過 Aggregation 匯聚全局視野、透過 Enrichment 賦予深層語義、再透過 Search 實現精準推理。對於正在 GCP 上打造資料平台、RAG 系統或 AI Agent 的團隊來說，這是一次徹底重新思考「資料治理意義」的機會，當企業走向 Agentic AI 時代，真正的競爭力不只來自模型本身，而是來自模型背後那張完整、可信任、可追溯的企業知識地圖。

CloudMile 萬里雲助企業打造可信任的 AI Agent 資料基礎

當 AI Agent 開始實際參與企業工作流程時，資料治理便是決定 AI 能否正確理解業務、引用可信來源並做出可靠判斷的關鍵基礎。CloudMile 萬里雲可協助企業從現有資料架構出發，盤點資料來源、治理流程與 AI 應用場景，並結合 Google Cloud 資料平台、Knowledge Catalog、Smart Storage 與 AI Agent 相關技術，打造更完整、可信且可追溯的企業知識地圖，讓 AI 不只是回答問題，更能在有脈絡、有依據的基礎上協助企業進行決策。歡迎至此聯繫 CloudMile 專業顧問。

(本文訊息由 CloudMile 萬里雲提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：[email protected]，經編輯檯審核並評估合宜性後再行刊登。圖片來源：CloudMile 萬里雲。）

當 AI 從「回答問題」走向「完成工作」，企業需要的不再只是一個聊天機器人，而是一整套能建構、治理、擴展 AI 代理人的基礎設施。

Google Cloud NEXT 2026 的焦點為何是「代理平台」？

2026 年 4 月 22 日，Google Cloud 在拉斯維加斯揭開年度大會 Google Cloud Next 2026 的序幕。從 Google CEO Sundar Pichai 到 Google Cloud CEO Thomas Kurian 的主題演講，再到各大媒體的現場直擊，整場活動的核心主題只有一個：「代理式企業 (Agentic Enterprise)」。

其中最受矚目、也最被外界認定為本屆大會「C 位」的發佈，正是全新的 Gemini Enterprise Agent Platform。這不只是一次產品更新，而是 Google 把原本用於 AI 開發的 Vertex AI 整個「升級換代」，重新打造成專為 AI 代理人 (AI Agents) 而生的一站式平台。

根據 Sundar Pichai 的現場分享，Gemini Enterprise 的付費月活用戶在 2026 Q1 季比前一季成長了 40%，API 每分鐘處理超過 160 億個 tokens，這些數字也讓 Google 決心把「代理平台」當成下一個十年的主戰場。

Gemini Enterprise Agent Platform 到底是什麼？

簡單來說， Gemini Enterprise Agent Platform 可以被理解為 Vertex AI 的進化版，也是企業打造 AI 代理人的「任務控制中心」。

過去，Vertex AI 主要協助企業處理模型訓練、測試、部署與機器學習維運等問題；但進入代理時代後，企業面對的是更複雜的挑戰：AI代理人如何彼此協作?怎麼被治理？怎麼安全地存取企業資料？如何被監控、治理與稽核？當代理數量從幾個擴大到數百、數千個時，又該如何避免失控？Google 的答案，是把「建構、整合、編排、DevOps、安全、治理」六件事合併到同一個平台，讓企業能用一致的方式管理 AI 代理人的完整生命週期，其四層核心能力架構如下：

Gemini Enterprise Agent Platform 核心能力四層架構

Google 公布 Gemini Enterprise Agent Platform 的核心能力為 Build（建構）、Scale（擴充）、Govern（治理）、Optimize（最佳化） 四大面向。這代表企業導入 AI agents（AI 代理），不再只是「打造一個 AI Agent」，而是需要從開發、上線、治理到持續優化，建立完整的生命週期管理能力。

1. Build（建構）：選擇合適的代理開發環境
在建構階段，企業可依照任務需求與開發團隊能力，選擇低程式碼、視覺化介面的 Agent Studio（代理工作室），或程式碼優先的 Agent Development Kit, ADK（代理開發套件） 來打造 AI agents（AI 代理）。Google 官方指出，這樣的設計能簡化代理開發生命週期，協助企業更快推出可用於正式環境的 AI agents（AI 代理人）。

此外，Agent Platform（代理平台） 也持續強化 ADK 的開發能力。Google 官方指出，目前每月已有超過 6 兆個 tokens 透過 ADK 在 Gemini 模型上處理；新版 ADK 也支援 sub-agent network（子代理人網路）的圖形化框架，讓開發者能定義多個代理之間的協作邏輯，協助 AI agents 處理更複雜的任務。

除了開發工具外，Gemini Enterprise Agent Platform 也透過 Model Garden（模型選擇） 提供超過 200 個模型與工具，包含 Google 自家的 Gemini 3.1 Pro、Gemini 3.1 Flash Image、Lyria 3，開放模型 Gemma 4，以及 Anthropic 的 Claude Opus、Claude Sonnet、Claude Haiku 等第三方模型。這代表企業能依照不同任務需求選擇最合適的模型，而不被限制在單一模型之中。

2. Scale（擴充）：讓 AI 代理人從概念驗證走向正式環境
在 Scale 階段，Gemini Enterprise Agent Platform 透過重新設計的 Agent Runtime（代理執行環境），協助企業將 AI agents 從 POC（概念驗證）推向 production（正式環境）。Agent Runtime 支援可維持狀態長達數天的 long-running agents（長時間運行代理），並透過 Memory Bank（記憶庫） 提供持久、長期的上下文，讓 AI agents 能處理更複雜、跨多步驟的企業任務。

這對企業來說，代表 AI agents 不再只是短時間回應單一問題的工具，而是能在更長時間範圍內維持任務狀態、記住重要上下文，並支援更接近真實業務流程的代理式工作模式。

3. Govern（治理）：集中控管代理身分、權限與防護機制
當 AI agents 開始被大量部署，企業最關注的問題便是如何進行治理。在治理階段，Gemini Enterprise Agent Platform 透過 Agent Identity（代理身分）、Agent Registry（代理登錄檔） 與 Agent Gateway（代理閘道） 建立集中控管能力，確保每個 AI agent（AI 代理），無論是由企業自行建構，或來自合作夥伴生態系，都具備可追蹤的身分，並能在企業級防護機制下運作。

這有助於企業面對代理數量快速增加後的治理挑戰，降低權限不清、責任難追與安全風險，讓 IT 團隊能更有系統地管理代理人的存取權限、活動紀錄與稽核軌跡。

4. Optimize（最佳化）：持續追蹤代理品質與推理過程
AI agents 上線後，真正的挑戰才開始。企業需要知道代理是否正確完成任務、推理過程是否可追蹤、錯誤發生在哪裡，以及如何持續改善代理表現。

在最佳化階段，Gemini Enterprise Agent Platform 提供 Agent Simulation（代理模擬）、Agent Evaluation（代理評估） 與 Agent Observability（代理可觀測性），協助企業在代理上線前測試代理表現，並在正式環境中追蹤完整執行路徑與代理推理過程。這讓企業不只是部署 AI agents（AI 代理），更能持續監控、改善與最佳化代理品質，確保代理能穩定達成業務目標。

為什麼 Gemini Enterprise Agent Platform 成為本屆焦點？

翻開 TechRadar、ITPro、SiliconANGLE、TechCrunch 等多家科技媒體的現場報導，幾乎所有報導都把 Gemini Enterprise Agent Platform 放在頭條位置， 原因如下：

1. 解決企業從 POC（概念驗證）走向 production（正式環境）最迫切的痛點

過去一年，幾乎每家企業都在做 AI POC（概念驗證），但真正把代理人部署到生產環境的比例極低。原因很簡單：缺乏安全、治理、擴展的統一框架。Gemini Enterprise Agent Platform 的核心價值，就在於把開發、部署、治理、觀測與安全能力整合在同一個平台，協助企業把 AI 代理人從實驗性專案推向可管理、可擴展的企業級應用。

2. 重新定義 Google Cloud 的產品邊界

Google 明確指出，未來所有 Vertex AI 未來的服務與路線圖，都將透過 Agent Platform 交付，而不再作為獨立服務這代表 Google Cloud 正在將企業 AI 開發的核心，從「模型平台」推進到「代理平台」。

3. 串連本屆大會的所有重要發佈

Cloud Next ’26 還有一長串重要發佈，也都圍繞著 Agentic Enterprise 展開，包括：

• 第八代 TPU (TPU 8t 訓練版 / 8i 推論版)：專為代理時代設計，TPU 8i 單一 pod 可連接 1，152 顆晶片，支援大量代理人同時運作所需的低延遲與高吞吐
• Virgo Network：新一代百萬級資料中心網路架構，作為 AI Hypercomputer 的底層網路基礎
• Agentic Data Cloud：跨雲端 Lakehouse 與知識目錄，讓代理人能取得更完整的企業資料與業務上下文
• Workspace Intelligence：把代理能力帶進 Docs、Sheets、Gmail，讓工作者在 Docs、Sheets、Gmail 等工具中運用更即時的上下文理解能力
• 7.5 億美元合作夥伴基金：Google 在大會上宣布投入 7.5 億美元，協助合作夥伴建構、部署並推動 AI 代理人落地，說明 Gemini Enterprise Agent Platform 不只是 Google Cloud 自身的產品策略，更是透過合作夥伴共同推動 AI 代理人進入企業市場的重要布局。

這些發佈全部都圍繞著一個目的，讓 Gemini Enterprise Agent Platform 上的代理人，具備更快的晶片、更強的網路、更豐富的資料、更廣的通路、更成熟的導入生態系。

邁向 Agentic Enterprise：企業導入 AI Agent 前必須思考的三件事

如果你是企業的技術決策者，以下三件事值得優先思考：

1. 代理人不再是單點工具，而是系統工程：未來衡量 AI 成熟度的指標，不再是「有沒有用 ChatGPT」等生成式 AI 工具，而是「有沒有一套能治理 1,000 個代理人的平台」，當代理數量持續增加，代理人治理將成為企業 AI 擴展的核心能力。
2. 模型選擇自由度成為標配： Google 主動支援 Claude 系列這件事意義重大，說明「多模型策略」才是企業的真實需求，誰想把客戶鎖死在單一模型上，誰就會被淘汰。
3. 企業 AI 將從「管理任務」走向「委派成果」： Google 這次把核心訊息定調為：「從管理個別 AI 任務，轉變為有信心地委派業務成果。」這是 AI 應用典範的轉移，AI 不再只是被動回覆問題，而是能在企業設定的規則、權限與治理框架內，協助完成具體業務流程。

2026 年將成為代理式企業的元年

如果說 2023 年是生成式 AI 元年、2024 年至2025 年是企業 AI 試水溫的階段，那麼 2026 年很可能會被視為「代理式企業元年」，成為代理式企業真正走向落地的關鍵轉折年。

Gemini Enterprise Agent Platform 的發佈，不只是 Google Cloud 的一次產品升級，更是一個明確的訊號：科技巨頭們已經準備好把 AI 代理人從 Demo 階段，推向生產環境的主戰場。

接下來的關鍵問題不是「要不要導入代理人」，而是「你的組織準備好讓 1,000 個代理人在安全且可治理的架構下一起工作了嗎?」

從 AI Agent 到雲端治理  CloudMile 萬里雲助企業打造 Agentic Enterprise 核心戰力

在 Agentic Enterprise 時代，企業需要的不只是單一 AI 工具，而是能串連模型、資料、應用、資安與治理的完整架構。CloudMile 具備超過 165 張 Google Cloud 專業技術證照，並於 Google Cloud Next 2026 榮獲亞太區四項 Google Cloud 合作夥伴大獎，可協助企業評估 AI 代理人導入場景，規劃兼顧治理、資安與擴展性的 AI 落地路徑。如欲了解更多 CloudMile AI 與雲端轉型服務，歡迎聯繫 CloudMile 專業顧問。

(本文訊息由 CloudMile 萬里雲提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：[email protected]，經編輯檯審核並評估合宜性後再行刊登。圖片來源：Google Cloud 部落格。）