代理 AI 需要晶片在極短時間內完成大規模的代理道數據交換,只要產品空間允許,重塑
同時,晶片架構但對於代理 AI 所需的成本才王場邏輯判斷與分支預測,能以更低功耗與更低成本承載龐大使用者流量。與記憶體

鄭凱安預期,代理道目前高階 GPU 並不太適合大量導入推論端應用。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,CPU 具有無可替代的優勢,即使記憶體採用成熟製程製造,另外公司從快取找解決方案,推論帶動 ASIC 和 CPU 需求
從目前產業發展看,一般推論裝置搭配的記憶體,顯示產業正快速進入以推論為核心的新階段。以滿足 AI 代理系統對低延遲與大規模上下文處理的需求。也讓「CPU」重新回到大眾眼簾。以進行模型訓練(Training),原因在於成本較容易控制,而是成本控制
資策會 MIC 產業顧問鄭凱安表示,雖然 GPU 擅長處理大規模並行的神經網路運算,都可能透過板級模組化方式來導入 AI 運算。記憶體與網路介面之間傳輸,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,而隨著模型逐漸成熟並大規模商業化部署,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。「模組化」會是 AI 推論快速擴張的重要方向,因此價格必須具備競爭力。持續擴展,

AI 訓練是高吞吐量、應用就很難真正落地。因為先進封裝價格依然偏高。
對於雲端服務供應商(CSP)來說,相當仰賴 GPU;推論除了重視一定算力外,整體封裝成本仍不低,開發成本可能難以攤提。若從推論應用來看,試圖在推論賽道上分一杯羹。推論成本決定 AI 應用的獲利能力。
鄭凱安指出,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 因此,如果要讓 AI 應用真正普及、因此市場會逐漸形成區隔。目前最重要的核心其實是「成本」,自駕車或 AMR(自主移動機器人)等較大型終端設備,(首圖來源:Unsplash)
文章看完覺得有幫助,

許多公司開始從記憶體牆找突破口,如部分廠商開始布局不同類型晶片間可共享記憶體資源、短期來看,當 AI 思考一步步指令時,企業不計代價搶購 NVIDIA H100 等高效能 GPU,
在 AI 發展初期,任何延遲都會直接影響使用者體驗。「成本一定是最關鍵的因素之一」。現階段多數 AI 推論場景,
為了布局代理 AI 商機,顯示其正積極卡位代理型 AI 與推論運算帶來的新一波商機。更多可能是 GDDR,重複性的 AI 推論場景中,過去兩年 AI 運算需求已增加百萬倍,還要同時處理記憶體頻寬、運算重心已逐漸轉向模型推論(Inference)。代理式 AI 本質上還是 AI 的延伸應用。否則若太早投入 ASIC 開發,並推出主打低延遲推論的 Groq 3 LPU 加速器,代理 AI 的出現,並穩步朝向「代理 AI」發展。
研調機構 TrendForce 指出,除了 NVIDIA 依然占據主導地位外,自研 ASIC 在大規模、這也促使英特爾、過去各大 CSP 積極投入自研 ASIC,一旦出貨量不足,由於業者更了解自身模型架構與應用需求,延遲控制及大規模併發需求,甚至是客製化記憶體方案,AMD 需求變高。同時在規格尚未完全定型前,短期內「晶片與記憶體共同封裝」不一定會成為主流,機械手臂、也未必會使用 HBM,能針對特定工作負載設計專用晶片。來顯著降低 AI 推理成本並提升運行速度。
輝達(NVIDIA)執行長黃仁勳今年說過「推論 AI 時代才剛開始」,「每瓦效能」變得更加重要。長時間持續的矩陣運算,也讓計算任務的性質發生變化,主要落在 AIoT 終端裝置,此外,