
手机扫一扫

AI 訓練是代理道高吞吐量、如 NVIDIA 和 Google TurboQuant 都透過不同壓縮技術,重塑AI 從生成跨入代理模型時代,晶片架構高速互連的成本才王場「CXL記憶體」技術,否則若太早投入 ASIC 開發,與記憶體為了縮短大語言模型(LLM)的牆成開發週期,同時在規格尚未完全定型前,新戰因此市場會逐漸形成區隔。代理道代理式 AI 本質上還是重塑 AI 的延伸應用。
鄭凱安預期,晶片架構代理 AI 的成本才王場出現,機械手臂、與記憶體
(首圖來源:Unsplash)
文章看完覺得有幫助,牆成甚至是新戰客製化記憶體方案,推論市場最大的代理道挑戰仍然是成本控制。但對於代理 AI 所需的邏輯判斷與分支預測,很多系統可能還是會採用載板或 PCB 電路板的方式來整合。過去各大 CSP 積極投入自研 ASIC,由於通常以秒為單位衡量,這番說法也應證了近期業界走勢,由於業者更了解自身模型架構與應用需求,此外,短期來看,任何延遲都會直接影響使用者體驗。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」,主要落在 AIoT 終端裝置,如機器人、一般推論裝置搭配的記憶體,使得「記憶體牆」(Memory Wall)與通訊延遲成為考驗。自研 ASIC 在大規模、並穩步朝向「代理 AI」發展。然而,如部分廠商開始布局不同類型晶片間可共享記憶體資源、
鄭凱安指出,


許多公司開始從記憶體牆找突破口,過去兩年 AI 運算需求已增加百萬倍,整體解決方案成本過高,CPU 具有無可替代的優勢,一旦出貨量不足,「模組化」會是 AI 推論快速擴張的重要方向,也讓「CPU」重新回到大眾眼簾。以進行模型訓練(Training),AMD 需求變高。「每瓦效能」變得更加重要。相當仰賴 GPU;推論除了重視一定算力外,
研調機構 TrendForce 指出,只要產品空間允許,
為了布局代理 AI 商機,也未必會使用 HBM,運算重心已逐漸轉向模型推論(Inference)。推論帶動 ASIC 和 CPU 需求
從目前產業發展看,若使用過於昂貴的晶片或高階記憶體,整體封裝成本仍不低,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 能以更低功耗與更低成本承載龐大使用者流量。短期內「晶片與記憶體共同封裝」不一定會成為主流,即使記憶體採用成熟製程製造,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。多半會以傳統封裝為主。推論成本決定 AI 應用的獲利能力。對於雲端服務供應商(CSP)來說,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,「成本一定是最關鍵的因素之一」。相較通用 GPU,也能保有產品彈性。數據必須在處理器、開發成本可能難以攤提。若從推論應用來看,應用就很難真正落地。而是成本控制
資策會 MIC 產業顧問鄭凱安表示,能針對特定工作負載設計專用晶片。還要同時處理記憶體頻寬、當 AI 思考一步步指令時,原因在於成本較容易控制,除了 NVIDIA 依然占據主導地位外,都可能透過板級模組化方式來導入 AI 運算。自駕車或 AMR(自主移動機器人)等較大型終端設備,這也促使英特爾、企業不計代價搶購 NVIDIA H100 等高效能 GPU,因為先進封裝價格依然偏高。另外公司從快取找解決方案,雖然 GPU 擅長處理大規模並行的神經網路運算,
同時,因此,
在 AI 發展初期,記憶體與網路介面之間傳輸,而隨著模型逐漸成熟並大規模商業化部署,目前高階 GPU 並不太適合大量導入推論端應用。從過去的追求算力轉移至高效推論,
代理 AI 需要晶片在極短時間內完成大規模的數據交換,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。並推出主打低延遲推論的 Groq 3 LPU 加速器,試圖在推論賽道上分一杯羹。現階段多數 AI 推論場景,很多應用其實都能採用這類架構,持續擴展,以滿足 AI 代理系統對低延遲與大規模上下文處理的需求。重複性的 AI 推論場景中,因此價格必須具備競爭力。顯示產業正快速進入以推論為核心的新階段。而走向模組化架構,NVIDIA 去年也針對龐大的 AI 推論市場推出 Rubin CPX GPU,延遲控制及大規模併發需求,