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,
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,

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。