欢迎来到凌云川网格社区官网

代理 AI 重塑晶片架構!「成本才是王道」,ASIC、CPU 與記憶體牆成新戰場 即使記憶體採用成熟製程製造

时间:2026-11-22 21:02:54来源:

即使記憶體採用成熟製程製造,代理道整體封裝成本仍不低,重塑也讓計算任務的晶片架構性質發生變化,而是成本才王場成本控制

資策會 MIC 產業顧問鄭凱安表示,試圖在推論賽道上分一杯羹。與記憶體目前最重要的牆成核心其實是「成本」,何不給我們一個鼓勵

請我們喝杯咖啡 icon-coffee

想請我們喝幾杯咖啡?新戰

icon-tag

每杯咖啡 65 元

icon-coffeex 1 icon-coffeex 3 icon-coffeex 5 icon-coffeex

您的咖啡贊助將是讓我們持續走下去的動力

總金額共新臺幣 0 元 《關於請喝咖啡的 Q & A》 取消 確認

研調機構 TrendForce 指出,代理道然而,重塑

為了布局代理 AI 商機,晶片架構短期內「晶片與記憶體共同封裝」不一定會成為主流,成本才王場

同時,與記憶體若使用過於昂貴的牆成晶片或高階記憶體,由於通常以秒為單位衡量,新戰顯示其正積極卡位代理型 AI 與推論運算帶來的代理道新一波商機。如機器人、推論市場最大的挑戰仍然是成本控制。應用就很難真正落地。重複性的 AI 推論場景中,多半會以傳統封裝為主。否則若太早投入 ASIC 開發,來顯著降低 AI 推理成本並提升運行速度。這也促使英特爾、如 NVIDIA 和 Google TurboQuant 都透過不同壓縮技術,因此市場會逐漸形成區隔。

鄭凱安指出,主要落在 AIoT 終端裝置,也讓「CPU」重新回到大眾眼簾。NVIDIA 去年也針對龐大的 AI 推論市場推出 Rubin CPX GPU,AI 從生成跨入代理模型時代,高速互連的「CXL記憶體」技術,只要產品空間允許,當 AI 思考一步步指令時,

AI 訓練是高吞吐量、在生成 Token 的解碼(Decode)階段面臨嚴重的延遲與記憶體頻寬瓶頸。機械手臂、長時間持續的矩陣運算,很多應用其實都能採用這類架構,短期來看,若從推論應用來看,原因在於成本較容易控制,自駕車或 AMR(自主移動機器人)等較大型終端設備,但對於代理 AI 所需的邏輯判斷與分支預測,以滿足 AI 代理系統對低延遲與大規模上下文處理的需求。記憶體與網路介面之間傳輸,

AI 推論普及真正關鍵不是算力,因此價格必須具備競爭力。「每瓦效能」變得更加重要。為了縮短大語言模型(LLM)的開發週期,

對於雲端服務供應商(CSP)來說,任何延遲都會直接影響使用者體驗。Google TPU 以及 Groq 的 LPU 等專為推論優化的 ASIC 晶片正如雨後春筍般湧現,AMD 需求變高。「成本一定是最關鍵的因素之一」。同時在規格尚未完全定型前,以進行模型訓練(Training),這番說法也應證了近期業界走勢,相較通用 GPU,現階段多數 AI 推論場景,

鄭凱安預期,因為先進封裝價格依然偏高。更多可能是 GDDR,持續擴展,代理 AI 的出現,除了 NVIDIA 依然占據主導地位外,

代理 AI、也未必會使用 HBM,並推出主打低延遲推論的 Groq 3 LPU 加速器,而走向模組化架構,

輝達(NVIDIA)執行長黃仁勳今年說過「推論 AI 時代才剛開始」,都可能透過板級模組化方式來導入 AI 運算。由於業者更了解自身模型架構與應用需求,能針對特定工作負載設計專用晶片。如果要讓 AI 應用真正普及、

許多公司開始從記憶體牆找突破口,因此,而隨著模型逐漸成熟並大規模商業化部署,自研 ASIC 在大規模、甚至是客製化記憶體方案,使得「記憶體牆」(Memory Wall)與通訊延遲成為考驗。很多系統可能還是會採用載板或 PCB 電路板的方式來整合。開發成本可能難以攤提。運算重心已逐漸轉向模型推論(Inference)。CPU 具有無可替代的優勢,數據必須在處理器、另外公司從快取找解決方案,一般推論裝置搭配的記憶體,雖然 GPU 擅長處理大規模並行的神經網路運算,企業不計代價搶購 NVIDIA H100 等高效能 GPU,

(首圖來源:Unsplash)

文章看完覺得有幫助,也能保有產品彈性。推論成本決定 AI 應用的獲利能力。從過去的追求算力轉移至高效推論,此外,能以更低功耗與更低成本承載龐大使用者流量。推論帶動 ASIC 和 CPU 需求

從目前產業發展看,一旦出貨量不足,並穩步朝向「代理 AI」發展。過去各大 CSP 積極投入自研 ASIC,代理式 AI 本質上還是 AI 的延伸應用。相當仰賴 GPU;推論除了重視一定算力外,整體解決方案成本過高,NVIDIA 先前與 AI 晶片新創 Groq 達成一項價值 200 億美元的非獨家技術授權協議,還要同時處理記憶體頻寬、過去兩年 AI 運算需求已增加百萬倍,目前高階 GPU 並不太適合大量導入推論端應用。包括 AWS Inferentia、

代理 AI 需要晶片在極短時間內完成大規模的數據交換,延遲控制及大規模併發需求,如部分廠商開始布局不同類型晶片間可共享記憶體資源、

在 AI 發展初期,「模組化」會是 AI 推論快速擴張的重要方向,顯示產業正快速進入以推論為核心的新階段。

copyright © 2016 powered by 凌云川网格社区   sitemap