Claude Azure 部署：GB300 Blackwell Ultra 企業級基礎設施實測

Q: Claude 在 Microsoft Foundry 上的部署方式是什麼？

Claude 在 Microsoft Foundry 上提供兩種託管路徑：Foundry 原生託管（由 Microsoft 直接託管在 Azure 的 NVIDIA GB300 GPU 上，帳單走 Azure）和 Serverless API 端點（透過 Foundry 轉發至 Anthropic）。兩種方式都支援 Foundry 的治理、監控和身份管理功能。目前已上線的模型包括 Claude Opus 4.8 與 Claude Haiku 4.5。

Q: NVIDIA GB300 Blackwell Ultra 跟前代 Hopper 在推論上有什麼差別？

GB300 Blackwell Ultra 採用 TSMC 4NP 製程，GB100 晶片含 1,040 億顆電晶體，較 Hopper GH100 的 800 億增加 30%。在推論場景中，GB300 搭配 NVL72 機架級系統，透過 NVLink 實現 72 顆 GPU 共享記憶體池，推論吞吐量較 Hopper 有數倍提升，能效比亦有顯著改善，直接帶動企業 TCO 下降約 35%。

Q: 企業如何在 Azure 上安全部署 Claude Agent？

企業應透過 NVIDIA Secure Agent Workspace Reference Design 部署 Claude Agent。該框架從基礎設施層級提供七個邏輯平面的管控：身份管理、網路存取控制、憑證保護、執行時策略控制、沙箱生命週期管理、可信存取中介、以及架構不變量保護。搭配 NVIDIA 驗證的 AgentSkills，企業可以在治理先導的前提下安全部署自主型子 Agent 及特定領域能力。

Claude Azure 部署是這篇文章討論的核心

Claude 登陸 Azure × NVIDIA GB300 Blackwell Ultra：企業級 Agentic AI 基礎設施的終極降維打擊 — NVIDIA GB300 Blackwell Ultra GPU 驅動的 Azure 資料中心——這正是 Anthropic Claude 模型現在跑推論的「引擎室」。（Photo: Pexels / panumas nikhomkhai）

快速精華 Quick Takeaways

💡 核心結論：Anthropic Claude（Opus 4.8 與 Haiku 4.5）已正式進駐 Microsoft Foundry，跑在 Azure 上部署的 NVIDIA GB300 Blackwell Ultra GPU 叢集——這是 Claude 首次跑在 NVIDIA 硬體上，三方聯盟直接把企業 Agentic AI 的基礎設施門檻拉到「開箱即用」的層級。

📊 關鍵數據：全球 AI Agent 市場規模 2026 年達 $10.9 billion，Gartner 預測 Agentic AI 支出更衝到 $201.9 billion；到 2027 年將超越傳統 Chatbot 支出。部署 Agent 的企業平均 ROI 達 171%，但同時有 40% 專案面臨取消風險。

🛠️ 行動指南：企業可透過 Microsoft Foundry 直接部署 Claude Agent，搭配 NVIDIA Secure Agent Workspace Reference Design 實現治理先導的安全部署，並利用 Quantum-X800 InfiniBand 建構跨部門協同的大型 Agentic 系統。

⚠️ 風險預警：Gartner 預測 2027 年前有 40% 的 Agentic AI 專案將被取消——主因不是技術不夠強，而是治理框架與範疇界定不到位。導入前務必確認 Secure Agent Workspace 的身份管理、憑證保護與執行時策略控制是否到位。

導航目錄

引言：三巨頭聯手的底層邏輯
Claude × Foundry × GB300：這套架構到底打通了什麼？
GB300 Blackwell Ultra 的推論效能如何壓低企業 TCO？
Quantum-X800 InfiniBand：跨部門 Agent 協同的隱形高速公路
Secure Agent Workspace：治理先導的 Agentic AI 部署藍圖
AgentSkills 驗證生態：特定領域能力如何被「認證」？
FAQ：搜尋意圖直擊
開始行動

引言：三巨頭聯手的底層邏輯

說實話，當 Anthropic、Microsoft 和 NVIDIA 三家在同一張桌子上拍板定案的那一刻，企業 AI 的遊戲規則就徹底變了。

2025 年 11 月，三方宣布戰略合作夥伴關係，涉及 $15 billion 的聯合投資外加 $30 billion 的算力承諾——Microsoft 單獨注資 Anthropic 高達 $5 billion。到了 2026 年中，Claude Opus 4.8 與 Claude Haiku 4.5 正式在 Microsoft Foundry 上 General Available，背後跑的是部署在 Azure 的 NVIDIA GB300 Blackwell Ultra GPU，搭配 NVL72 機架級系統與 Quantum-X800 InfiniBand 網路。

這不是又一個「模型上架雲端」的消息。這是第一次 Claude 跑在 NVIDIA 硬體上——之前 Anthropic 的訓練和推論主要依賴 Google TPU 和 AWS Trainium。現在，整條鏈路從模型層（Claude）、平台層（Foundry）、到算力層（GB300）全部打通，而且每一層都是各自領域的 top tier。

觀察這波整合的核心訊號：企業不需要再自己拼裝「模型 + 算力 + 治理」的三層架構了。Microsoft Foundry 把採購、治理、網路、數據全部包進去，NVIDIA 把硬體 + 網路 + 安全框架做成 Reference Design，Anthropic 負責把 Agent 做到能自主決策。三方各司其職，企業拿到的是一套可以直接往生產環境丟的 Agentic AI 基礎設施。

Claude × Foundry × GB300：這套架構到底打通了什麼？

先把架構拆開來看。整個技術堆疊從上到下是這樣的：

模型層：Anthropic Claude Opus 4.8（旗艦）與 Claude Haiku 4.5（輕量），透過 Microsoft Foundry 的模型目錄提供。企業可以在 Foundry 裡直接選模型、配置部署、串接應用。

平台層：Microsoft Foundry 負責採購簡化、Azure 原生治理、帳單管理、以及與 Azure 生態系（Entra ID、Azure Kubernetes Service 等）的整合。說白了就是「Azure 帳單裡直接出 Claude 的費用」，不用再另外跟 Anthropic 簽約。

算力層：NVIDIA GB300 Blackwell Ultra GPU，以 NVL72 機架級系統部署。2025 年 10 月 Microsoft 已部署超過 4,600 顆 GB300 GPU的 Azure 叢集——這批算力最初是為 OpenAI 的推論負載設計的，現在也為 Claude 開放。

網路層：NVIDIA Quantum-X800 InfiniBand，專為兆級參數模型打造的下一代 InfiniBand 平台，提供超大頻寬與超低延遲的節點間通訊。

安全治理層：NVIDIA Secure Agent Workspace Reference Design，一套從基礎設施級別管控身份、網路存取、憑證保護與執行時策略的藍圖。

這套堆疊最狠的地方在於：每一層都不是孤立的。Foundry 不只是個「模型商店」，它直接把 Azure 的身份管理（Entra ID）、資料治理（Purview）和監控工具串進去。GB300 不只是「跑得快的 GPU」，它跟 Quantum-X800 InfiniBand 綁在一起，讓多節點推論時的通訊延遲壓到最低。Secure Agent Workspace 不只是「安全文件」，它是從硬體層就開始隔離的執行沙箱。

🔧 Pro Tip — 架構選型見解：很多企業在導入 Agentic AI 時卡在「模型選好了但不知道怎麼部署」。Microsoft Foundry 提供了兩種 Claude 託管路徑：一種是 Foundry 原生託管（微軟全管，Azure 帳單出帳），另一種是 Anthropic 直連（透過 Foundry 的 Serverless API 端點轉發）。對於已經在 Azure 生態系深耕的企業，原生託管路徑能省掉大量跨平台治理的痛苦。如果你還在用 AWS 或 GCP，這就是一個要不要跨雲的戰略抉擇了。

GB300 Blackwell Ultra 的推論效能如何壓低企業 TCO？

先科普一下 Blackwell 的來頭。NVIDIA Blackwell 架構以美國數學家 David Blackwell 命名——這位是第一位入選美國國家科學院的非裔美籍學者，在博弈論、機率論和資訊理論的貢獻直接影響了 Transformer 模型的設計。GB100 晶片塞了 1,040 億顆電晶體，比前代 Hopper GH100 的 800 億顆多出 30%，採用 TSMC 客製化 4NP 製程。

GB300 是 Blackwell 系列的最新 Ultra 版本，針對推論場景做了特別優化。根據 Morgan Stanley 2024 年 11 月的報告，整個 2025 年的 Blackwell 產能已經全部售罄。Microsoft 拿到的 4,600+ 顆 GB300 是真金白銀搶下來的算力。

關鍵問題是：GB300 到底怎麼壓低 TCO（Total Cost of Ownership）？

第一，推論吞吐量大幅提升。Blackwell Ultra 在 FP4 精度下的推論效能相較 Hopper 有數倍增長，意味著同樣的 token 處理量需要的 GPU 數量更少。

第二，NVL72 機架級整合。NVL72 把 72 顆 GPU 打包成一個機架級運算單元，透過 NVLink 互連，共享記憶體池。對於大型 Agent 工作流程——比如 Claude 需要同時調用多個子 Agent 進行推理鏈——這種「一整櫃當一台用」的架構能避免跨機架通訊的延遲稅。

第三，能效比改善。Blackwell 架構在沒有製程節點大幅跳躍的情況下，靠架構層面的改進來榨出能效——這在電費佔資料中心運營成本 30-40% 的現實下，直接反映在 TCO 的下降。

把這些數字翻譯成企業聽得懂的語言：如果你現在用 Hopper 跑 Claude 推論需要 10 個節點，換成 GB300 可能只需要 3 個。GPU 數量減少意味著授權費、機架空間、冷卻成本、網路端口全部跟著降。這就是 NVIDIA 官方說的「降低總持有成本」的具體含義。

🔧 Pro Tip — TCO 計算見解：不要只看 GPU 單價。真正的 TCO 包含五個維度：GPU 授權/租賃費、網路互連成本（InfiniBand 交換器與線材）、電力消耗、冷卻基礎設施、以及人力運維。GB300 + NVL72 的組合在前三個維度有顯著優勢，但如果你的 Agent 工作流程不需要跨節點的大規模並行推論（比如只是跑 Haiku 4.5 做客服問答），Hopper 甚至 Ampere 可能還夠用。算力選型要跟應用場景對齊，不是越新越好。

Quantum-X800 InfiniBand：跨部門 Agent 協同的隱形高速公路

很多人在談 Agentic AI 的時候只盯著模型和 GPU，完全忽略了一個致命瓶頸：節點間通訊。

當你部署一個大型 Agentic AI 系統——比如財務部的 Agent 需要跟供應鏈部的 Agent 協同決策——這些 Agent 可能跑在不同的 GPU 節點上。如果節點間的通訊延遲太高，整個推理鏈就會被「網路稅」吃掉效能。

這就是 NVIDIA Quantum-X800 InfiniBand 進來的原因。Quantum-X800 是 NVIDIA Quantum InfiniBand 平台的下一代產品，專為兆級參數規模的 AI 模型打造。InfiniBand 本身就是高效能運算領域的王牌——從 2014 年到 2016 年，它是 TOP500 超級電腦清單中最常用的互連技術。NVIDIA 在 2019 年收購了 Mellanox（最後一家獨立 InfiniBand 供應商），等於把整條高效能網路供應鏈握在手裡。

Quantum-X800 相較前代的關鍵升級在於頻寬倍增與延遲壓縮。在 NVL72 系統中，72 顆 GPU 之間的通訊走 NVLink，但跨機架的通訊就得靠 InfiniBand。Quantum-X800 讓跨機架的 Agent 協同不再是效能殺手。

對於企業來說，這意味著什麼？你可以在同一個 Azure 區域內部署跨部門的 Agent 群，每個部門的子 Agent 跑在自己的 GPU 池裡，但透過 InfiniBand 的高速互連，它們之間的協同延遲低到幾乎可以忽略。這就是新聞稿裡「跨部門協同的大型 Agentic AI 系統」的技術底座。

🔧 Pro Tip — 網路架構見解：如果你的 Agentic AI 系統需要跨多個 Azure Availability Zone 部署，InfiniBand 的優勢會被 Zone 間的物理距離稀釋。最佳實踐是把需要密集協同的 Agent 部署在同一個 Zone 內的 NVL72 機架群，跨 Zone 的 Agent 透過非同步訊息佇列（如 Azure Service Bus）溝通。不要試圖用同步 RPC 把跨 Zone 的 Agent 鏈在一起——那會是延遲災難。

Secure Agent Workspace：治理先導的 Agentic AI 部署藍圖

這大概是整個合作中最被低估、卻最關鍵的一塊。

Agent 跟傳統 AI 模型最大的差別在於：Agent 有自主行動能力。一個 Chatbot 頂多回覆文字，但一個 Agent 可以調 API、讀資料庫、發送郵件、甚至執行系統指令。這意味著如果治理不到位，一個行為異常的 Agent 可能造成的損害遠超過「回答錯誤」的層級。

Gartner 的數據很直白：40% 的 Agentic AI 專案將在 2027 年前被取消——主因不是模型不夠聰明，而是治理框架和範疇界定不到位。McKinsey 的調查也顯示，只有 23% 的組織已經做到規模化的 Agent 部署。

NVIDIA 的 Secure Agent Workspace Reference Design 就是來解這個問題的。它不是一份白皮書，而是一套從基礎設施層級管控的架構藍圖，涵蓋七個邏輯平面：

身份管理：每個 Agent 有自己的身份憑證，不是共用一個 API Key
網路存取控制：Agent 能存取哪些網路端點被嚴格定義
憑證保護：透過 Credential Proxy 隔離敏感憑證，Agent 不直接接觸密鑰
執行時策略控制：Runtime Policy 定義 Agent 能做什麼、不能做什麼
沙箱生命週期管理：Agent 執行環境的建立、監控、銷毀全流程管控
可信存取中介：Trusted Access Broker 作為 Agent 與外部資源之間的守門人
架構不變量保護：確保設計中的安全邊界不被繞過

這套 Reference Design 的核心哲學是：不信任 Agent，就像不信任任何未驗證的程式碼一樣。每個 Agent 在 Secure Agent Workspace 裡跑的時候，它的所有行為都被七層防護包圍——它碰不到不該碰的資料，調不了不該調的 API，就算被「越獄攻擊」了也跑不出沙箱。

對於金融、醫療等強監管行業來說，這就是合規部署的門檻。沒有這套治理框架，Agent 連上線的資格都沒有。

🔧 Pro Tip — 治理導入見解：不要等到 Agent 開發完了才來「加上」安全治理。Secure Agent Workspace 的設計是基礎設施先行的——在 Agent 還沒跑起來之前，身份、網路、憑證、執行時策略就已經到位。實務上的最佳順序是：先定義 Agent 的權限邊界（能存取哪些資源、能執行哪些動作）→ 設定 Trusted Access Broker 規則 → 部署沙箱環境 → 最後才把 Agent 放進去跑。倒過來做的話，你會發現安全限制跟 Agent 的功能需求衝突，然後陷入「要安全還是要功能」的死循環。

AgentSkills 驗證生態：特定領域能力如何被「認證」？

這次合作中還有一個容易被忽略的環節：NVIDIA 與 Anthropic 合作驗證 AgentSkills。

什麼是 AgentSkills？簡單說就是特定領域的能力模組——比如一個「財務報表分析 Skill」或一個「供應鏈風險評估 Skill」。這些 Skill 被掛在 Claude Agent 上，讓 Agent 不只是「會聊天的 AI」，而是「真的能做事的 AI」。

NVIDIA 的 AgentSkills 驗證機制的價值在於：它提供了一個可信賴的能力認證標準。企業不用自己從零測試每個 Skill 的可靠性和安全性——NVIDIA 已經幫你驗證過了。這就像 App Store 的審核機制，只不過審核的不是 App，而是 AI Agent 的能力模組。

結合 Secure Agent Workspace 的治理框架，企業可以做到：

從 NVIDIA 驗證的 AgentSkills 庫中挑選需要的能力模組
在 Secure Agent Workspace 裡部署這些 Skill，確保它們在受控環境中執行
透過 Foundry 的監控工具追蹤每個 Skill 的使用情況和效能
根據業務需求組合多個 Skill，建構自主型子 Agent——大 Agent 負責拆解任務，子 Agent 各自執行特定領域的 Skill

這套「驗證過的 Skill + 治理過的執行環境 + Azure 原生監控」的組合，就是讓企業能放心把 Agent 推向生產環境的信任鏈。

展望 2026 到 2027 年，隨著 AgentSkills 生態系擴大，我們預期會看到特定行業的 Skill 套件出現——比如金融業合規檢查套件、製造業供應鏈優化套件、零售業客戶旅程自動化套件。這些套件會把行業知識「編碼」成可部署的 Agent 能力，大幅縮短企業的 Agent 導入週期。

🔧 Pro Tip — Skill 組合策略：不要一上來就想建一個「什麼都會」的超級 Agent。最佳實踐是從單一 Skill 的子 Agent 開始，驗證可靠後再逐步組合成多 Skill 的 Agent 群。每加一個 Skill 就重新跑一次安全測試——因為 Skill 之間的交互作用可能產生預期外的行為。NVIDIA 的驗證機制保證的是「單個 Skill 的可靠性」，但多個 Skill 組合後的系統行為，還是需要你自己在 Secure Agent Workspace 裡做端到端的驗證。

FAQ：搜尋意圖直擊

Claude 在 Microsoft Foundry 上的部署方式是什麼？

Claude 在 Microsoft Foundry 上提供兩種託管路徑：Foundry 原生託管（由 Microsoft 直接託管在 Azure 的 NVIDIA GB300 GPU 上，帳單走 Azure）和Serverless API 端點（透過 Foundry 轉發至 Anthropic）。兩種方式都支援 Foundry 的治理、監控和身份管理功能。目前已上線的模型包括 Claude Opus 4.8 與 Claude Haiku 4.5。

NVIDIA GB300 Blackwell Ultra 跟前代 Hopper 在推論上有什麼差別？

GB300 Blackwell Ultra 採用 TSMC 4NP 製程，GB100 晶片含 1,040 億顆電晶體（較 Hopper GH100 的 800 億增加 30%）。在推論場景中，GB300 搭配 NVL72 機架級系統，透過 NVLink 實現 72 顆 GPU 共享記憶體池，推論吞吐量較 Hopper 有數倍提升，能效比亦有顯著改善，直接帶動企業 TCO 下降約 35%。

企業如何在 Azure 上安全部署 Claude Agent？

企業應透過 NVIDIA Secure Agent Workspace Reference Design 部署 Claude Agent。該框架從基礎設施層級提供七個邏輯平面的管控：身份管理、網路存取控制、憑證保護、執行時策略控制、沙箱生命週期管理、可信存取中介、以及架構不變量保護。搭配 NVIDIA 驗證的 AgentSkills，企業可以在治理先導的前提下安全部署自主型子 Agent 及特定領域能力。