【時報-台北電】AI晶片開發複雜度正提升當中，主因各類神經網路的興起以及AI高運算需求的增長，尤其在模型規模擴大和種類日益增加之下，傳統CPU已無法滿足AI工作負擔對功耗和效率的要求，因此，AI加速器（如AI GPU和AI ASIC）應運而生以更高效地處理任務，並為特定類型的AI模型提供高性能且低功耗的解決方案。

　然而，這種特定性仍存在一些問題，尤其在進入AI推論時代後，面對未來AI模型恐會出現適應彈性不足問題。

　AI訓練與推論有顯著差異。訓練需要密集的反向傳播和權重調整，對計算能力有著極高的需求。而AI推論則為運作已訓練好的AI模型，雖然複雜性較低，但計算需求仍然很高。隨著AI模型對浮點運算需求的增加，CPU因其能耗考量難以處理此類運算。

　因此，GPU、TPU與AI ASIC，此類速度更快但能耗要求也很高的晶片成為替代方案，同時也看到對處理速度的需求仍在不斷增長。AI正從推薦引擎和語音助理等初階應用，發展到大型語言模型（LLM）和生成式AI等更複雜的領域，意在創造類似人類反應以及應對系統。為達成以上功能，模型規模呈指數型增長，目前某些模型參數數量已超過1兆。

　最初的AI模型集中於少數基本圖像識別網路，現在許多模型（如vision transformation到生成模型等），皆推動公司尋求更多可編程的解決方案來支持多樣化的用途。同時，AI正從數據中心擴展到邊緣設備，支持各類應用。隨著AI演算法複雜度的增加，相關需求也加速提升，但彈性仍是應對快速發展模型的關鍵。

　越來越多的晶片設計者，開始考慮定制AI引擎，以滿足獨特的模型需求。然而，定制化也帶來挑戰，如晶片設計者面臨的學習曲線陡峭和潛在的延遲。不過，這些定制化解決方案功能顯著，部分公司通過定制化AI引擎（自家的ASIC）來大幅提升處理速度，並節省一半以上的功耗。

　對晶片設計者而言，資料儲存、移動與計算仍是考量重點。隨著AI模型不斷增長和演進，對效率變得至關重要。

　展望未來一年，ASIC的市場規模長期增長仍是一致共識。隨著客戶除了通用的GPU解決方案外，持續積極採用AI ASIC，來自AI的收入將持續快速提升，並且隨著進入AI推論世代而進一步加速。(新聞來源 : 工商時報一記者呂淑美整理)