Pinterest 的 NVIDIA AI 共用層是什麼？一次看懂視覺搜尋為何能更快

Pinterest 這次公布的重點，不是一項獨立的消費者功能，而是可讓全公司重複使用的 多模態 AI 基礎層。它讓需要同時理解圖片與文字的產品共用同一套底層服務，不必由各個產品團隊各自建置推論與部署系統。46

對使用者來說，這代表 Pinterest 未來在視覺搜尋、靈感探索、購物與對話式助理等體驗上，有機會更快整合圖片內容與文字意圖；對平台而言，核心價值則是降低擴充這類 AI 服務的複雜度。

這套 AI 層由哪些部分組成？

Pinterest 的視覺—語言模型（VLM）服務架構，主要結合三項技術：

• NVIDIA Blackwell B200 GPU：提供執行視覺—語言模型所需的加速運算能力。4
• NVIDIA Dynamo：用於服務與路由多模態 AI 工作負載的軟體。24
• Pinterest 視覺嵌入（visual embeddings）：將視覺內容預先轉成數值表徵，讓模型請求可直接使用這些資訊，而不必每次都重新傳送與編碼原始圖片。26

所謂「多模態」，指 AI 能一併處理文字和影像。以 Pinterest 的使用情境而言，系統不只要讀懂使用者輸入的描述，也要理解圖片中的風格、物件與視覺線索，才能協助找出更符合需求的內容。

哪些 Pinterest 功能會受益？

Pinterest 表示，這個共用基礎可支援逐步擴大的圖片與語言功能，包括視覺搜尋、內容理解、AI 驅動的探索與購物、對話式 Pinterest Assistant、多模態重新排序（reranking）、內容安全系統，以及訊號生成。46

關鍵並不在於每個功能是否同時推出，而在於它們可建立於共同的技術底座上。過去，視覺搜尋、對話助理或安全工具可能各自需要不同的後端設計；現在 Pinterest 希望藉由統一服務層，讓新產品更容易部署和擴展。6

Pinterest 指出，平台每月有超過 800 億次搜尋，並以此產生 AI 驅動探索與購物所需的訊號。新架構的目標之一，就是讓這些訊號能更有效地用於日益視覺化、也更具對話性的使用體驗。6

為何「預先計算」視覺表徵很重要？

視覺—語言模型的運算成本通常高於純文字模型：它除了要處理文字，還得處理大量影像資料，並管理龐大的模型快取狀態。Pinterest 採用投影嵌入技術；技術報導將其稱為 PinCLIP embeddings，其作用是把視覺資訊映射到模型的 token 空間。210

白話來說，系統可先把圖片的關鍵資訊整理成可重用的「摘要」，往後處理請求時直接取用，而不是每一次都從原圖重新分析。這有助於減少資料傳輸與重複編碼的負擔。26

Pinterest 公布的架構與 Dynamo 最佳化相關成效包括：

• Pinterest Assistant 每次請求可處理 25 倍更多視覺內容。4
• 基準測試中，回應開始輸出的速度約快 85 倍。13
• 基準測試中，端到端延遲快 7.3 倍。13

這些數字屬於 Pinterest 所公布的基準測試結果，反映的是特定架構與工作負載配置下的表現，不能直接解讀為每一次 Pinterest 搜尋或助理互動都必然得到相同比例的改善。

從單點功能走向長期平台

Pinterest 與 NVIDIA 將此專案定位為近 5 年合作的延伸，合作範圍涵蓋推薦系統與生成式 AI。Pinterest 表示，其機群已部署 14,000 張 NVIDIA GPU。4

如此規模也說明了統一基礎設施的策略意義：當視覺搜尋、購物探索、內容安全與對話式 AI 都持續擴大，共用服務層有助於在底層維持一致性，並加快產品端的迭代。NVIDIA 的案例研究則將這套系統定位為可支援 Pinterest Assistant、多模態重新排序、內容安全與訊號生成的平台。4

根據 Investing.com 報導，在基礎設施消息公布後，Pinterest 股價於週一交易時段上漲約 1.8%。17

重點整理

Pinterest 正把原本可能分散在各產品中的 AI 系統，整合為集中式的多模態基礎。Blackwell 硬體提供運算能力，Dynamo 負責模型服務與路由，而 Pinterest 的視覺嵌入則減少圖片被反覆處理的需求。246

因此，這項宣布的真正意義不只是「搜尋變快」，而是 Pinterest 為視覺探索、購物和助理型體驗打造一條可長期擴充的共用 AI 軌道。