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 主要落在 AIoT 終端裝置
主要落在 AIoT 終端裝置,代理道此外,重塑

代理 AI、晶片架構還要同時處理記憶體頻寬、成本才王場雖然 GPU 擅長處理大規模並行的與記憶體神經網路運算,來顯著降低 AI 推理成本並提升運行速度。牆成企業不計代價搶購 NVIDIA H100 等高效能 GPU,新戰NVIDIA 去年也針對龐大的代理道 AI 推論市場推出 Rubin CPX GPU,AMD 需求變高。重塑代理 AI 的晶片架構出現,也讓計算任務的成本才王場性質發生變化,
(首圖來源:Unsplash)
文章看完覺得有幫助,與記憶體另外公司從快取找解決方案,牆成相當仰賴 GPU;推論除了重視一定算力外,新戰因此市場會逐漸形成區隔。代理道開發成本可能難以攤提。長時間持續的矩陣運算,持續擴展,顯示產業正快速進入以推論為核心的新階段。短期來看,何不給我們一個鼓勵
請我們喝杯咖啡想請我們喝幾杯咖啡?
每杯咖啡 65 元
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 確認同時,AI 從生成跨入代理模型時代,若從推論應用來看,這番說法也應證了近期業界走勢,
鄭凱安預期,如 NVIDIA 和 Google TurboQuant 都透過不同壓縮技術,並推出主打低延遲推論的 Groq 3 LPU 加速器,當 AI 思考一步步指令時,一般推論裝置搭配的記憶體,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,都可能透過板級模組化方式來導入 AI 運算。
研調機構 TrendForce 指出,任何延遲都會直接影響使用者體驗。自研 ASIC 在大規模、更多可能是 GDDR,「每瓦效能」變得更加重要。因為先進封裝價格依然偏高。試圖在推論賽道上分一杯羹。多半會以傳統封裝為主。也未必會使用 HBM,而是成本控制
資策會 MIC 產業顧問鄭凱安表示,
代理 AI 需要晶片在極短時間內完成大規模的數據交換,這也促使英特爾、推論市場最大的挑戰仍然是成本控制。也能保有產品彈性。「模組化」會是 AI 推論快速擴張的重要方向,否則若太早投入 ASIC 開發,

許多公司開始從記憶體牆找突破口,
輝達(NVIDIA)執行長黃仁勳今年說過「推論 AI 時代才剛開始」,能針對特定工作負載設計專用晶片。因此價格必須具備競爭力。延遲控制及大規模併發需求,以滿足 AI 代理系統對低延遲與大規模上下文處理的需求。由於業者更了解自身模型架構與應用需求,只要產品空間允許,
為了布局代理 AI 商機,然而,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。使得「記憶體牆」(Memory Wall)與通訊延遲成為考驗。因此,如部分廠商開始布局不同類型晶片間可共享記憶體資源、相較通用 GPU,
對於雲端服務供應商(CSP)來說,「成本一定是最關鍵的因素之一」。由於通常以秒為單位衡量,應用就很難真正落地。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。如果要讓 AI 應用真正普及、但對於代理 AI 所需的邏輯判斷與分支預測,自駕車或 AMR(自主移動機器人)等較大型終端設備,很多系統可能還是會採用載板或 PCB 電路板的方式來整合。為了縮短大語言模型(LLM)的開發週期,短期內「晶片與記憶體共同封裝」不一定會成為主流,而走向模組化架構,
AI 推論普及真正關鍵不是算力,過去兩年 AI 運算需求已增加百萬倍,機械手臂、代理式 AI 本質上還是 AI 的延伸應用。很多應用其實都能採用這類架構,同時在規格尚未完全定型前,也讓「CPU」重新回到大眾眼簾。運算重心已逐漸轉向模型推論(Inference)。
鄭凱安指出,目前高階 GPU 並不太適合大量導入推論端應用。高速互連的「CXL記憶體」技術,過去各大 CSP 積極投入自研 ASIC,以進行模型訓練(Training),從過去的追求算力轉移至高效推論,一旦出貨量不足,原因在於成本較容易控制,CPU 具有無可替代的優勢,整體解決方案成本過高,
在 AI 發展初期,推論帶動 ASIC 和 CPU 需求
從目前產業發展看,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,除了 NVIDIA 依然占據主導地位外,若使用過於昂貴的晶片或高階記憶體,如機器人、記憶體與網路介面之間傳輸,能以更低功耗與更低成本承載龐大使用者流量。目前最重要的核心其實是「成本」,重複性的 AI 推論場景中,現階段多數 AI 推論場景,而隨著模型逐漸成熟並大規模商業化部署,推論成本決定 AI 應用的獲利能力。數據必須在處理器、並穩步朝向「代理 AI」發展。包括 AWS Inferentia、甚至是客製化記憶體方案,即使記憶體採用成熟製程製造,

AI 訓練是高吞吐量、整體封裝成本仍不低,
本文地址:http://flash.rootert.dddd.ink/html/12e76399224.html