本文共5598字
為何輝達（NVIDIA）、超微（AMD）、英特爾（Intel）只要推出新品，搭上AI都會引起熱議？AI趨勢大潮來了嗎？唯 NVIDIA 獨尊的 GPU 魅力又在哪裡？《經濟日報》整理AI技術和台廠供應鏈等資訊，供讀者參考比較。
一、既熟悉又陌生的技術 AI到底是什麼？
NVIDIA 強調自家產品擁有可以加快處理AI訓練及推論 ，有望讓AI技術運用更為普及。對千禧世代的人來說，AI就如同生活的一部份，我們知道電腦可以是AI、機器人是AI，連電影裡都在講AI，儘管在現在的生活中，我們已經頻繁的接觸它，但它仍然是既熟悉又陌生的一項技術。
AI（人工智慧； Artificial Intelligence ）指的是由人製造出來的機器所表現出來的智慧（通常指機器人或計算機），通過電腦程式來呈現人類智慧的技術，達成或模仿人類的思考邏輯、行為模式和決策能力，並具備感知、學習、邏輯推理、統計機率、修補校正甚至是做出行為動作等概念。（延伸閱讀：VIP》AI晶片大戰／算力十年激長百萬倍，AI盛世這次真的來了嗎？）
二、當AI搭上伺服器 引爆未來式熱潮
伺服器是什麼？
「你在哪個伺服器？」在遊戲中常問的，對我們來說再熟悉不過的一句話，同時也大概把伺服器（Server）給解釋完了，舉遊戲伺服器為例，伺服器提供「玩家」等特定用戶，進行「遊玩」等服務的企業級電腦 ，除了擁有高效能、高安全性、高穩定性等優勢之外，會再根據「用戶」的「需求」而有不同功能。
此外，伺服器內仍有主機板、處理器、記憶體等硬體（Hardware），為了加快處理效率與運算速度，與一般電腦不同的是，伺服器會將大量主機板排列裝設在一起，所以體積通常較龐大，又分為體積大的直立式伺服器（Pedestal server）、空間利用率較好的機架伺服器（Rack server），以及小而精簡的刀鋒伺服器（Blade server）。
至於軟體（Software）部分，則需要有像桌上型電腦使用的 Windows Server 一樣的作業系統。但性能要更好，才能順利同時多人連線、開啟多個應用程式。
而AI伺服器，言下之意就是將AI技術運用在伺服器上，為了增加計算速度和效率， AI伺服器多採用「異質架構形式」（指在計算系統中，使用多種不同類型的處理器，或計算元件結合在一起，以滿足不同工作負載的需求）的伺服器，因為AI工作負載通常需要大量的數值計算和並行運算。
如傳統 CPU 在通用計算上表現出色，但對於深度學習等需要大量矩陣計算的任務，效能可能就會不足。這時，若再組合上 GPU、 TPU 等「異質處理器」（指在同一個計算系統或晶片中整合了不同類型的處理器核心或計算單元），可以更好地滿足AI任務的需求，提供更高效的運算能力，同時還有擴展其能力以判讀更多人事物的能力。
AI伺服器商機無限
隨著AI運用逐步普及，推升需求，據調研機構 TrendForce 預估，2023年AI伺服器（包含搭載GPU、FPGA、ASIC等）出貨量可逼近120萬台，年增38.4%，佔整體伺服器出貨量近9%，至2026年佔比更可達15%， TrendForce 同步上修2022~2026年AI伺服器出貨量，年複合成長率可達22%。
不過，由於 CoWoS 封裝製程產能不足，造成 AI伺服器的 GPU 供不應求， 身為 CoWoS 主力的台積電，相關產線近期處於嚴重供不應求狀態，加上市場上AI需求快速成長，遂決定在中科與南科提前啟動 CoWoS 封裝製程的擴產，並連帶快速對設備商追加採購訂單。
三、AI伺服器核心 晶片處理器有哪些？
當AI伺服器大行其道，其內部的晶片處理器更是關鍵中的關鍵，甚至可說是引爆了新的晶片戰爭，英特爾（Intel） 主攻 CPU、超微（AMD）強打 CPU、APU，並逐步布局 GPU 市場、輝達（Nvidia）則是以自家超強 GPU 獨大，各家大廠有其拿手項目，盼能站穩AI市場，而相關處理器介紹如下：
做為電腦主要的元件，CPU 用於處理電腦的資訊和控制運作，負責執行電腦系統指令及操作數據，系統指令來自電腦操作系統、應用程式或使用者程式。若一台電腦沒有 CPU，將連最基本的開機都無法達成。
做為電腦或伺服器內的處理器，GPU 類似於 CPU，但其扮演的功能不同，CPU 架構比較複雜，功能比較泛用，而 GPU 採用的平行運算（指許多指令得以同時進行的計算模式 ）架構比較單純、核心數量較多，適合處理大規模且高度並行的任務 ，同時專注於大量的數據 。 GPU 的應用範圍已擴展到許多其他領域，包括科學計算、人工智慧、機器學習和加密貨幣挖礦等。
顯卡（也稱為繪圖卡或視訊卡）是一個裝置，用於連接顯示器並將圖形或影像數據轉換成可視的圖像。顯卡通過其上的 GPU 來處理和加速這些圖像計算，並將處理後的圖像傳送到連接的顯示器上，讓用戶能夠看到圖形、影片和遊戲等。
顯卡的核心部分是 GPU 通常是顯卡中最重要的元件，它負責處理所有與影像和圖形相關的計算。而顯示卡又分為下列兩種。
1.內建顯示卡（簡稱：內顯；iGPU； Integrated Graphics Processing Unit ） ：
內顯是整合在主處理器（CPU）或系統晶片組中的一個顯示核心，並且共享系統內存（RAM）。它不是獨立的硬體裝置，而是隨著 CPU 或晶片組一同出售的一部分，因此受到內存頻寬和 CPU 性能的限制。它性能較低，通常適合處理一般的圖形工作、影片播放和輕量級遊戲。
2.獨立顯卡（簡稱：獨顯；Discrete Graphics Card）：
獨顯是一個獨立的硬體裝置，有時候也被稱作 GPU，通常插入主機板的插槽中。它與 CPU 是分離的單元，擁有自己的專用顯示記憶體（VRAM）。它通常具有較高的圖形處理性能，特別是在處理圖形密集型應用程序（例如遊戲、3D建模等）時。但同時也需要消耗更多的電源並產生更多的熱量。因此，使用獨立顯卡的電腦可能需要更好的散熱系統和更高的功耗。
APU 概念有點像是功能的整合，舉 AMD APU 為例，APU 的基本概念就是 CPU +顯卡（GPU），而此概念需要多個散熱裝置，因此，APU 將其整合，既能減少電腦體積，也增加空間流通的散熱性，不過性能並不一定比 GPU 來的好。
作為補充，TPU 是由 Google 開發的一種特殊用途的處理器，專門用於加速人工智慧（AI）的計算任務。TPU 主要針對機器學習和深度學習等AI應用進行優化，與 CPU、GPU 和 APU 等「通用處理器」不同。
四、台灣GDP都靠它 一個晶片如何誕生？
人工智慧猶如一個人，不僅處理器功能要足夠強大，作為AI的大腦，核心晶片就顯得更加重要，一個晶片的誕生是由以下三步驟完成。
積體電路（IC；Integrated Circuit）： 把數以千萬計的電晶體電路，以照相的方式縮小到矽晶片上，再用蝕刻將不要的部份去掉，就成為IC，也就是我們俗稱的晶片。
步驟一 IC設計（上游）
一塊完整的晶片，需要先有完善的「電路圖」，這部分將由IC設計師來設計邏輯編寫程式碼，依照類型的不同分為：記憶體 IC （Memory IC）、 微元件 IC （Micro Component IC）、邏輯 IC（Logic IC）、類比 IC（Analog IC） ，再利用電腦工程將程式碼轉換成電路圖， 此外，IC 設計也有智慧財產權，稱為「矽智財」（ SIP ，Silicon Intellectual Property），有部分廠商以販售矽智財為獲利管道，稱為矽智財供應商。
步驟二 IC製造（中游）
做好的電路圖要接著放上「晶圓」（Wafer；就是常常在電視上看到在機器裡一大片圓圓很像鬆餅的東西，來源是晶圓廠）。先在晶圓「濺鍍」 上稱為「靶材」（Target）的金屬薄膜，再塗上感光的光阻後，另將電路圖刻印做成「光罩」，並利用紫外光和凸透鏡將電路設計縮小轉印到感光晶圓上，而在將剩餘光阻及遭紫外線破壞部分清除後，大致就完成了。 （延伸閱讀：VIP》想學蘋果與三星？品牌廠自研晶片 得有夠厚的本錢）
其中，依照步驟一提及的四種IC，可再將生產晶片的IC製造廠分為「晶圓代工」和「記憶體製造」兩大類，另還有靶材、光罩、化學品等相關供應商也在此環中。
步驟三 IC封測（下游）
當轉換好的晶圓IC，經過測試、切割後成為小小的「裸晶」，將裸晶放置於「IC載板」或是「導線架」上後，蓋上外殼作為保護，成為我們眼前所見的晶片（Chip），而晶片使用時又必須連結「印刷電路板」（也屬於封裝過程），才能是一套完整的晶片製程。
晶片製造龍頭台積電、超微超強！來看蘇姿丰、張忠謀如何領公司飛上枝頭變鳳凰
五、AI伺服器不僅要有深度 還要比速度？
當有了好的晶片處理器，我們有「能力」解決大量的資料運算，但還需要搭配有效率的運算成果，我們才有「辦法」處理這些資料，以網路、運算、儲存三個主要元件模式比喻，若要以最高效能運作，每個元件都必須跟上其他元件的速度，反之則會受到影響。
根據技嘉科技網站解釋，HPC 指的是能夠高速處理數據或執行指令的運算能力，為達成此目標，則須集結大量的 CPU 或 GPU 處理進行。
算力：
常用 TOPS（Tera Operations Per Second）或者 TFLOPS（Tera Floating point Operations Per Second）做為衡量單位，分別表示每秒晶片能完成多少次的定點運算和浮點運算，數字越大，代表運算速度也就越快。 NVIDIA 創辦人黃仁勳先前就號稱，自家產品可以達成 EXAFLOPS 級次的算力。
「秒浮點運算次數」（ FLOPS） ，簡單來說，就是用來測量電腦運算速度或被用來估算電腦效能的一個單位稱呼。
六、GPU重要性增 CPU未來恐乏人問津？
NVIDIA 產品推陳出新，且都是專注在 GPU 產品，先前執行長黃仁勳也曾指出，AI世代已經到來，以 GPU 為首的加速算力也取代了 CPU，並且結合生成式AI，讓世界進入新的運算時代。他說，「過去每幾年，CPU 運算速度就可快上5至10倍，但這樣的趨勢已經告終了，GPU 正是新的解決方案。」
無獨有偶，AMD 近年也積極發展 GPU，今年6月15日資料中心和 AI 技術發表會，就端出高端 GPU「 Instinct MI300X GPU」，以及號稱全球第一個為AI與 HPC 應用而開發的 APU 加速器「 Instinct MI300A」，與 GPU 霸主 NVIDIA 的較勁意味濃厚，但除了比運算速度外，GPU 好像成了兵家必爭之地，CPU 的存在感更為低落。
通才與專才的區別
簡單比喻， CPU 就好比人類大腦，處理大大小小的事情，為「通才型」處理器 ，卻在處理速度和運算效率上，難敵大量瑣碎工作；同樣的狀況，GPU 則可以同時大量處理簡易工作，更適合AI應用情境，是為「專才型」處理器 。
多年前 NVIDIA 曾找來知名節目主持人，讓 CPU 與 GPU 進行一場較量，只見影片中，先請出代表 CPU 的「李奧納多一號」機器人，並請它畫下「蒙娜麗莎的微笑」，再歷經一番波折後，終於畫出了一張......笑臉；接者，再請到體積明顯比 CPU 大很多的 GPU 「李奧納多二號」，除了體型上的差異外，這次 GPU 僅花了數秒之內的時間，就完成了一幅相對「精緻」的蒙娜麗莎，而這也再度應證了黃仁勳現在所說的「CPU 時代經結束」，企業如果想達到更高的算力表現，需要新的運算解決方案，相較之下，雖然 GPU 造價不斐，但在「買越多省越多」的情下，可以節省更多成本。
七、AI晶片大戰打得火熱 哪些台廠賺得很樂？
自2023年初 ChatGPT 騰空出世，掀起一波波「 AI 革命」風潮，AMD執行長蘇姿丰就說，「AI還在發展初期，未來三到五年AI的市場將達1,500億美元，世上所有的產品、服務和企業都將受AI影響，AI技術進步的速度將是前所未見。」隨著AI晶片大戰開打 AMD、 NVIDIA 等大廠力拚AI成長，台灣供應鏈股價也響起一片漲聲，包括晶圓代工、封測、伺服器、散熱、以及相關零組件廠都受惠。
以 NVIDIA 供應鏈來看，除了GPU 模組由工業富聯（FII）獨家供應，以及其他國外大廠如：美超微、戴爾、惠普、聯想外；台廠部分則是以世芯、創意、聯發科、緯創、廣達、英業達、緯穎為主。另還有技嘉、華碩、廣達旗下的雲達、宏碁、仁寶等。
若是提及 AMD、Intel 相關供應鏈，受惠接單台廠則有負責晶圓代工及先進封裝的台積電，另有鴻海、板卡廠華擎、高速傳輸廠祥碩、譜瑞-KY，封測廠京元電、日月光，以及 PCB 廠金像電，銅箔基板廠台光電等。
至於，伺服器急需的散熱模組部分，台散熱廠奇鋐、健策、雙鴻、建準也沾光，伺服器相關的川湖、嘉澤也躋身入列。
（資料來源：記者孫嘉君、鐘惠玲、王郁倫）
※ 歡迎用「轉貼」或「分享」的方式轉傳文章連結；未經授權，請勿複製轉貼文章內容
留言