前往主要內容
工商時報LOGO

飆速革命!晶片需求擴大 AI成新主流

圖/freepik
圖/freepik

已將目前網頁的網址複製到您的剪貼簿!

去年肺炎疫情爆發不僅沒有阻礙企業對人工智慧(AI)及機器學習(ML)的投資,反而加快採用的進度,全球電信商也在疫後開始積極佈建5G基礎設施,有助各應用場景商機陸續實現,相對應的AI裝置及AI晶片需求將進入快速成長期。

企業數位轉型擴大AI需求

根據麻省理工學院技術評論洞察(MIT Technology Review)與全球矽智財(IP)大廠安謀(ARM)聯合製作的報告「全新的視野:擴展人工智慧領域」中,對301位企業與科技領袖進行的調查發現,有38%的受訪者表示AI投資計畫仍維持不變,沒有受到疫情影響,32%表示這次危機加速了他們的計畫,尤其在已經實施AI策略的企業組織中,對於AI計畫維持不變與加速的比例更高。

另根據演算法平台Algorithmia 的調查報告(針對403位於營收超過一億美元且參與機器學習計畫的公司領袖進行調查)顯示,鑑於遠距上班正在加速數位轉型的進程,企業IT部門仍在增加與ML相關的預算及人力資源。這顯示出企業已將AI及ML技術及人才是為提高生產力及彈性的策略投資。

富蘭克林華美投信表示,以AI為物聯網核心,5G讓物聯網展開全面應用,並驅動AI商機無限,企業資金源源不絕投入後,AI升級將引領人類生活改變。預估自駕車、衛星、AR&VR、體感及智慧醫療等AI應用的新興產業商機規模,未來數年的年複合成長率分別達到44%、21%、63%、33%及19%,成為推升AI軟硬體需求成長的多具馬力強引擎。

AI走出雲端

Arm以運算範圍將AI定義出雲端、邊緣及終端三個類別。其中,雲端AI是指在雲端數據中心進行的AI處理,過去以來雲端AI是處理龐大數據的首選運算平台。基於雲端運算的可靠性、成本效益及運算的集中性,大多數較為繁重的AI運算會放在雲端執行,尤其是無須立即回應的歷史數據進行ML演算法訓練時。

不過,隨著ML使用情境逐漸延伸至即時應用的關鍵任務,例如自駕車、醫療顯影等攸關安全的應用,都需要在毫秒內作出近乎即時的數據回應,其系統成敗的關鍵完全取決於完成決策的速度。雲端處理這些數據量所帶來的延遲,可能會使數據的價值大幅降低,邊緣運算就成了克服此問題的解決方案。

邊緣AI是指把AI與ML處理,從雲端移至網路邊緣的伺服器,例如辦公室、5G 基地台及其它非常接近連網終端裝置的實體地點。這些邊緣伺服器將數據中心等級的硬體添加至終端與雲端間的閘道器(gateway)中。

邊緣AI兼具與感應器融合的任務,結合來自數個感應器的數據,創造與流程、環境或情況相關的複雜圖像,必須學習每個感應器之間的相互作用,一個感應器如何影響其他感應器,並即時應用學習到的成果。

有AI的地方就有AI晶片

終端AI則是指連接到網路橋接器的終端裝置有更多自行思考及處理所搜集數據的能力,不用再把搜集到的數據移到他處,就能最大化從數據獲得的洞察。智慧型手機的相機是最好的例子,目前已進化到能即時為自拍照增加虛擬背景。

無論雲端、邊緣或終端,有AI的地方就需要AI晶片,隨著AI演算逐漸從雲端下放到邊緣端及終端,不僅演算法多樣性日益增強,晶片更零碎化,且在保證低功耗的同時還要求高性能。在某些AI技術及處理複雜計算任務的應用場景中,就不得不使用高效能運算(HPC)晶片。

HPC是指高速處理數據或執行指令的運算能力,特別是指每秒浮點運算次數超過一兆次(teraflops)的作業系統,ML是HPC的一種運用方式。根據HPC研究機構Interest360Research預估,HPC市場規模在2020年~2024年的年複合成長率將達7.1%。

蘋果創造近三億顆HPC晶片需求

在智慧型手機晶片中達到HPC等級的AI晶片,就屬蘋果A14為代表,A14由新的六核心CPU、四核心GPU及十六核心神經網路引擎(NPU)組成,同時也整合ML控制器及第二代ML加速器,AI運算能力達到每秒11.8兆次。

蘋果用於Mac系列的M1,如同A14的翻版,有四大四小的八核心CPU、八核GPU及十六核心NPU,也整合ML加速器,AI運算能力也達每秒11兆次。兩者堪稱目前消費性電子產品中具有AI功能的HPC晶片指標,且均由台積電(2330)五奈米先進製程生產。

蘋果未來將逐步把具有AI功能的HPC晶片搭載至iPhone、iPad及Mac等所有新品,如果以三種產品合計一年約2.8億台的出貨量來估算,至少蘋果就將創造2.8億顆的HPC晶片需求。更別說高通、三星、聯發科(2454)等行動裝置晶片廠,也將陸續推出比擬蘋果晶片效能的產品,將進一步擴大行動裝置對HPC晶片需求量。

不斷上修的自駕車剛性需求

另一個對具AI功能的HPC晶片需求快速成長的新應用則來自汽車的自駕車系統,其根據感測器資訊及AI演算法來執行一些必要的操作,例如車輛導航系統的路徑規劃,或與感測系統互動,解讀來自感測器的數據。尤其是規劃及執行行駛路線需要非傳統的編程方法,就要靠AI的ML技術。

自駕車系統中的先進駕駛輔助系統(ADAS)主要依賴專用的智慧相機,需要強大的運算處理能力,汽車產業正快速採用ML技術促成ADAS應用。AI主要被用於未來車的中央單元及多個電子控制單元(ECU)中。

目前正在道路上測試的自駕車,車後行李箱中多還配置一個資料中心,需要全新的AI晶片,協助更有效率地執行相同的ML任務,等於汽車這個終端載具,同時具有邊緣AI及終端AI運算能力,所需的HPC晶片恐怕要更為高階。

根據富士總研預估,2030年全球Level 3以上自駕車市場規模為914萬台,2045年將成長快速成長至6,419萬台。工研院IEK預估,2030年整體自駕車市場商機規模將達到8,000億美元。

在各國自駕車法規上路、車廠積極搭載自駕車系統趨勢下,可預期自駕車市場規模預估仍有上修的空間,連帶相關供應鏈的未來營運預估及股價評價也都有上修的機會。

(文章來源:理財周刊

您可能感興趣的話題

返回頁首
LOADING

本網頁已閒置超過3分鐘。請點撃框外背景,或右側關閉按鈕(X),即可回到網頁。