01
每多一位學生，成本就往上加
按 token 計費的 API，讓一整班的用量變成無法預估的月結帳單 — 而且同一份教學大綱，下個學期還得再付一次。
EDUCATION AI · ASROCK AI SUITE
一台工作站，
一台工作站，
一間 AI 教室。
ASRock AI Suite 讓一台工作站 — Windows 11 或 Ubuntu、NVIDIA CUDA 或 AMD ROCm — 就成為完整的 AI 教學平台：課程、實作、應用、地端助理與批改一次到位。全程離線：拔掉網路線，課照上。
教 AI，不該受制於雲端、預算與網路。
大專院校都想開設當代 AI 課程，但實務上的做法幾乎都得繞到別人的伺服器上跑。代價是每期都要再繳一次的帳單、學生作業流出校園，以及一開學先卡在裝環境，而不是開始上課。
02
課業資料流出校園
作業、研究資料與考題被上傳到第三方服務，學校從此無法掌握自己的教學內容究竟存放在哪裡。
03
環境還沒開學就壞了
Python、CUDA 或 ROCm、PyTorch 與 JupyterLab 在每台機器上各自漂移、版本不再一致。開學後前幾週全花在排解環境問題，而不是走進課程內容。
一個學期的 AI 教學內容，
4 步就緒。
一位授課老師問
下個學期就要開一門 AI 課，我要怎麼做得到？
建置環境
以黃金映像檔與還原卡把工作站一次架起來。環境管理工具會在儀表板上以綠燈逐項檢查 Python、CUDA 或 ROCm、PyTorch 與 JupyterLab，缺什麼就從離線套件庫補齊。
→選定課程
9 門整學期課程已經寫好，每一門都以完整學期編排，並對應 ACM CS2023 — 從 AI 基礎到電腦視覺與生成式 AI。
→上課與實作
學生在同一個工作區裡開啟 59 套圖形介面教學應用與 214 個 SDK 範例 notebook，卡住時就問地端 AI 助理 — 背後由 RAG 知識庫支撐。
→評量
測驗助理依老師自己的講義草擬題目，並對照參考答案評分；nbgrader 流程負責發布、收回、自動批改，並把成績匯出成 CSV。
一整套 AI 課程，隨機器一起交付。
課程教材、實作應用、AI 助理與評量工具 — 全部安裝在本機，第一天就能上課。
59教學應用
9整學期課程
112課程 notebook
214SDK 範例
59 套即開即用教學應用
涵蓋視覺、語音、生成式 AI 與資料科學的圖形介面應用，點一下就能跑 — 物件偵測、SAM2 影像分割、OCR、瑕疵檢測、Whisper 語音轉文字、即時字幕、語音合成、AutoML、趨勢預測、異常偵測。
9 門整學期課程
AI 概論、作業系統、電腦視覺、深度學習、演算法、生成式 AI，以及結合 GPU 加速的資料結構 — 共 112 個課程 notebook，依整學期架構編排：學習目標、示範、練習、隱藏測試。
214 個 SDK 範例 notebook
初階 58 個、中階 110 個、進階 46 個 JupyterLab notebook，與課程掛載在同一個教學工作區，學生在兩者之間往返不必換工具。
地端 AI 助理
完全跑在工作站上的對話助理 — 採用 Apache-2.0 授權的 gpt-oss-20b，由 llama.cpp 透過 OpenAI 相容 API 提供服務，於參考工作站實測約每秒 282 tokens。
RAG 知識庫
把課程文件丟進來，套件就在本機建立向量索引 — 以 multilingual-e5-large 產生嵌入向量，搭配內嵌式 Qdrant 儲存 — 回答問題時會一併標註引用的原文段落。
測驗與批改助理
貼上講義即可依指定難度出選擇題、是非題與簡答題，再依老師的參考答案批改作答，並附上文字回饋。
從一間研究室、一間教室，到全校規模的基礎架構。
依班級人數、模型大小，以及同時執行 GPU 工作負載的學生數量，挑選合適的平台。
單一課程／研究室
一台 GPU 工作站就能跑完整套件 — 課程、應用、地端助理與 RAG 知識庫 — 適合單一課程或單一研究團隊。
邊緣或單 GPU教室 · 30–51 座
一份黃金映像檔，透過還原卡寫入教室裡的每一個座位。部署流程已在教室規模驗證過，整間教室開起來和單機一樣順。
AI 工作站全校 · 多間教室
以多 GPU 或伺服器架構支援多間教室與多個系所。目前每台機器各自獨立運作；把校園網路串成共用的 AI 教學雲，已列入產品藍圖。
多 GPU / 伺服器
下一步
把離線 AI 教室
把離線 AI 教室
帶進您的校園。
告訴我們您要開哪些課、要配置多少座位。AI Center 會從您現有的課程內容出發，回推出真正跑得動的工作站配置。