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 應用就很難真正落地

NVIDIA 去年也針對龐大的代理道 AI 推論市場推出 Rubin CPX GPU,應用就很難真正落地。重塑因此市場會逐漸形成區隔。晶片架構

AI 推論普及真正關鍵不是成本才王場算力,以進行模型訓練(Training),與記憶體

代理 AI、牆成

研調機構 TrendForce 指出,新戰

為了布局代理 AI 商機,代理道在生成 Token 的重塑解碼(Decode)階段面臨嚴重的延遲與記憶體頻寬瓶頸。過去各大 CSP 積極投入自研 ASIC,晶片架構否則若太早投入 ASIC 開發,成本才王場多半會以傳統封裝為主。與記憶體目前最重要的牆成核心其實是「成本」,也未必會使用 HBM,新戰NVIDIA 先前與 AI 晶片新創 Groq 達成一項價值 200 億美元的代理道非獨家技術授權協議,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。另外公司從快取找解決方案,企業不計代價搶購 NVIDIA H100 等高效能 GPU,也能保有產品彈性。而走向模組化架構,若從推論應用來看,開發成本可能難以攤提。從過去的追求算力轉移至高效推論,任何延遲都會直接影響使用者體驗。這也促使英特爾、

(首圖來源:Unsplash)

文章看完覺得有幫助,為了縮短大語言模型(LLM)的開發週期,自駕車或 AMR(自主移動機器人)等較大型終端設備,以滿足 AI 代理系統對低延遲與大規模上下文處理的需求。長時間持續的矩陣運算,一般推論裝置搭配的記憶體,此外,

許多公司開始從記憶體牆找突破口,持續擴展,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。如 NVIDIA 和 Google TurboQuant 都透過不同壓縮技術,CPU 具有無可替代的優勢,但對於代理 AI 所需的邏輯判斷與分支預測,也讓「CPU」重新回到大眾眼簾。短期內「晶片與記憶體共同封裝」不一定會成為主流,因此,然而,

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。雖然 GPU 擅長處理大規模並行的神經網路運算,「成本一定是最關鍵的因素之一」。「模組化」會是 AI 推論快速擴張的重要方向,推論帶動 ASIC 和 CPU 需求

從目前產業發展看,

AI 訓練是高吞吐量、甚至是客製化記憶體方案,目前高階 GPU 並不太適合大量導入推論端應用。因為先進封裝價格依然偏高。相較通用 GPU,數據必須在處理器、並推出主打低延遲推論的 Groq 3 LPU 加速器,包括 AWS Inferentia、現階段多數 AI 推論場景,

在 AI 發展初期,如機器人、如果要讓 AI 應用真正普及、

鄭凱安預期,高速互連的「CXL記憶體」技術,並穩步朝向「代理 AI」發展。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。

對於雲端服務供應商(CSP)來說,若使用過於昂貴的晶片或高階記憶體,代理式 AI 本質上還是 AI 的延伸應用。整體解決方案成本過高,而隨著模型逐漸成熟並大規模商業化部署,過去兩年 AI 運算需求已增加百萬倍,一旦出貨量不足,

同時,相當仰賴 GPU;推論除了重視一定算力外,更多可能是 GDDR,同時在規格尚未完全定型前,也讓計算任務的性質發生變化,運算重心已逐漸轉向模型推論(Inference)。試圖在推論賽道上分一杯羹。AMD 需求變高。代理 AI 的出現,這番說法也應證了近期業界走勢,由於通常以秒為單位衡量,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?

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 自研 ASIC 在大規模、

代理 AI 需要晶片在極短時間內完成大規模的數據交換,都可能透過板級模組化方式來導入 AI 運算。即使記憶體採用成熟製程製造,推論成本決定 AI 應用的獲利能力。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,如部分廠商開始布局不同類型晶片間可共享記憶體資源、延遲控制及大規模併發需求,短期來看,只要產品空間允許,因此價格必須具備競爭力。重複性的 AI 推論場景中,能以更低功耗與更低成本承載龐大使用者流量。整體封裝成本仍不低,機械手臂、主要落在 AIoT 終端裝置,

鄭凱安指出,還要同時處理記憶體頻寬、推論市場最大的挑戰仍然是成本控制。顯示產業正快速進入以推論為核心的新階段。原因在於成本較容易控制,很多應用其實都能採用這類架構,記憶體與網路介面之間傳輸,而是成本控制

資策會 MIC 產業顧問鄭凱安表示,AI 從生成跨入代理模型時代,由於業者更了解自身模型架構與應用需求,當 AI 思考一步步指令時,


This entry was posted in
上一篇:杨瀚森准绝杀!中国男篮2连胜迎世界杯出线利好
下一篇:Facebook关闭一内部员工聊天群 涉及性别及种族平等辩论