UiPath 正从传统流程自动化转向企业级 Agentic AI，这需要强大的 GPU 基础设施来支撑训练和实时推理。过去，团队按需分配 GPU 节点，但尖峰负载导致大量闲置容量，全球 H100 供应短缺又限制扩展，多区域部署还推高了运维复杂度。

UiPath 的解决方案是把 GPU 当作共享战略资源，由机器学习服务平台（MLS）统一管理。白天，集群服务实时推理；夜间自动切换为批量训练。这一层调度让利用率最大化，也减少了争抢。团队还利用 Google Cloud 的 Dynamic Workload Scheduler（DWS）提前预订训练容量，将响应稀缺变成计划供应的模式。

在硬件层面，UiPath 采用了 Google Cloud AI Hypercomputer 架构，使用 A3 VM 实例（8 块 H100） 处理大规模训练和微调，同时引入 G4 VM 实例（RTX Pro 6000） 专门用于推理负载，避免占用高性能集群。这种分层的硅片策略既控制了成本，又保证了延迟。

实际效果已有客户案例：Omega Healthcare 用 UiPath 自动化处理超 1 亿笔交易，准确率 99.5%，处理时间降低 40%，每月减少 1.5 万小时重复劳动。Thermo Fisher Scientific 的发票自动处理率达 53%，处理时间缩短 70%。

UiPath 总结了三项关键经验：第一，将硬件与特定产品解耦，集中资源池化来平滑尖峰；第二，用调度工具提前预订计算资源，保证可用性并稳定成本；第三，按任务选择合适的实例，训练用 A3，推理用 G4。目前团队仍在持续完善 MLS 平台，以支撑下一阶段 AI 创新。