晶片運算能力與資料數量的快速成長，加上深度神經網路技術提升，讓人工智慧市場競爭愈趨激烈，刺激晶片大廠擴大投資，相繼擬定的發展藍圖，加速拓展資料中心、智慧手機、工業自動化和自動駕駛車等應用發展。
晶片運算能力與資料數量的快速成長，加上深度神經網路技術提升，讓人工智慧市場競爭愈趨激烈，刺激晶片大廠擴大投資，相繼擬定的發展藍圖，加速拓展資料中心、智慧手機、工業自動化和自動駕駛車等應用發展。
人工智慧(AI)早已圍繞在人們的日常生活中，各種裝置與機器的能力突飛猛進，使其得以具備感知、學習與推理等能力，進而在現實世界狀況進行反應與調適。此現況不僅促成產業的轉變，也為人們的生活注入許多便利性，可將各種繁瑣或危險工作交給機器自動完成，解決艱難的產業問題。
從各國政府、大型企業與新創公司的布局計畫來看，透過高階運算晶片、大數據分析與多種深度學習演算法的推動，可預見將進一步推動更多直覺式影像、語音辨識能力，以及互動式決策等效能，強化智慧應用領域發展。
然而，物聯網所衍生的龐大資料量，也為人工智慧技術的架構帶來全新的變化。根據IDC預估，2025年全球資料領域中用來進行分析的資料量，將成長50倍達5.2ZB，而機器學習、自然語言處理、人工智慧所分析的資料量將增加百倍達1.4ZB。在數據資料爆發性成長的狀況下，僅透過資料中心來負責人工智慧繁重的數據分析、處理等工作，逐漸難以在滿足高效能、即時性與成本需求的狀況下取得平衡，也因此將人工智慧能力下放至邊緣裝置已成大勢所趨，包含CPU、GPU、現場可編程閘陣列(FPGA)、數位訊號處理(DSP)，甚至微控制器(MCU)等各種晶片方案輪番登場。
生態鏈愈趨完整 AI晶片輪番登場
拓墣產業研究院研究中心半導體部門副分析師姚嘉洋表示，AI已大舉滲透進雲端、網路與終端裝置應用。整體來說，AI晶片發展狀況比想像中熱絡，可看到2017~2018年AI機器學習創投金額高達11億美元之多，除了大型晶片公司積極推出AI解決方案外，大陸AI新創產業更是遍地開花，而台灣晶片大廠也進入戰局，包含聯發科與瑞昱也接連推出AI晶片。
從主流晶片大廠動態，可歸納一些AI晶片發展的趨勢。姚嘉洋談到，從雲端產業發展來看，AI可分為訓練(Training)、推論(Inference)兩大種類。Training部分，NVIDIA分別於2017年推出伺服器產品DGX-1與2018年發布的DGX-2，後者可說是前者效能的10倍提升，但在規格上卻皆已滿足訓練處理的能力。這也意味著，不一定要追求最高的規格才能實現訓練功能，模型訓練的選擇，主要評估標準來自於資料量需求，同時，也涉及到成本與功耗的考量。
此外，在裝置端的AI設計方面，高通近期正密集推動相關技術，主要AI發展策略聚焦於邊緣裝置的效能提升，藉由旗下AI引擎技術的導入，使CPU、GPU、DSP能夠快速且有效於終端裝置執行AI應用程式，此異質運算方式提供開發人員及OEM廠商在智慧型手機及其他終端裝置的AI使用者經驗上進行優化。
姚嘉洋強調，整體上AI發展的重點，是為了要滿足框架(Framework)架構，因此軟體布局規畫極為重要。如何讓硬體與Framework完美合作，進而提升人工智慧效率，軟體與SDK服務結合將成為非常關鍵的一環。
舉例來說，智慧音箱技術牽涉到語意理解、字詞判斷，需要透過模型訓練來判別音訊提供的訊息。其中，不僅在硬體規格上有持續上升之發展態勢，同時還能透過CPU、GPU、DSP與先進製程的導入，從而改善處理器的效能。
7奈米AI處理器一觸即發
綜觀2018旗艦型智慧手機處理器發展，蘋果(Apple)、高通(Qualcomm)與華為等廠商扮演重要角色。姚嘉洋分析，以這三大廠商的產品布局走向來看，2017年處理器大多採用10奈米製程為主，但2018年之後，大多由台積電代工採用7奈米製程技術。無論在處理器或矽智財(IP)皆有新的進展，結合微縮製程技術的導入，預期會讓AI晶片效能有更突出表現。反觀低階處理器發展，則大多採用12奈米製程技術，預計在2019年之後，低階處理器可能會提升到10奈米製程。
從車用市場發展來看，姚嘉洋認為，賽靈思(Xilinx)布局車用市場野心勃勃，從2015年開始即與各大Tire 1車廠合作ADAS相關應用，再者，近期更發表採用7奈米FinFET製程技術的自行調適運算加速平台(ACAP)Versal系列，為首款結合軟體可編程能力、特定領域硬體加速及必要的調適性平台。
值得一提的是，近期有一家新創公司Wave Computing與博通(Broadcom)合作，開發具備AI功能的網通晶片，同樣也是使用7奈米製程，後續發展值得關注。姚嘉洋指出，作為一家具備7奈米開發能力的新創公司，其背後的資金來源，或許將成為網通產業值得觀察的指標。
輕量化AI需求升溫 人工智慧MCU落地生根
對於智慧家庭、智慧聯網需求的系統商而言，人工智慧MCU的發展，無疑是為相關設備產品開發上，增添更多附加價值。相較於CPU、GPU類型的處理器，MCU運算能力相對較弱，故在人工智慧應用中，主要扮演執行簡單偵測或判別的角色，例如手勢辨識、撞擊力道強弱辨識等用途，進行位移訊號改變的偵測。
與傳統MCU在運作上最大差異在於，傳統MCU是透過演算法設計，做好固定參數的設定，藉此判別訊號、感測的狀況，而人工智慧MCU，則是在MCU中導入AI推論模型，做為偵測、判斷環境的基礎。
姚嘉洋談到，2018年已開始有AI輕量化需求的存在，也意味著人工智慧導入MCU的趨勢逐漸成形。可看到意法半導體(ST)、恩智浦(NXP)與瑞薩(Renesas)皆有相關產品面世。其中，ST可說是在人工智慧MCU發展相對快速的廠商，目前已將開發工具也已經準備就緒。
整體而言，NXP主要是採用機器學習方式，進行馬達的偵測與故障監控應用。瑞薩採取自行開發AI IP策略，希望能將IP無縫接軌到旗下MCU、MPU產品線。可預期未來在MCU領域，將有更多人工智慧的投入，並在智慧家庭、智慧工廠與智慧汽車領域蔓延開來。