圖解科技運算篇 017 分鐘進階專題公開版
中央處理器、圖形處理器與客製晶片的工作負載分工
不同運算架構反映彈性、效率與規模的取捨，選擇取決於工作負載穩定度與單位經濟。
進階專題公開版目前可閱讀 1／3 個段落
公開內容保留完整脈絡；訂閱後可接續閱讀開放的進階段落。
深度閱讀 · 7 分鐘
由晶片規格至系統產出
人工智慧系統的交付能力取決於晶片、記憶體、網路、電力、散熱與軟體的整體配置。任何環節出現等待，都會降低加速器利用率，並推高單位任務成本。
本文說明其中一項系統環節的功能、限制與產業影響，並列出分析供需與投資回報時需要追蹤的主要變數。
核心結論
中央處理器重控制、圖形處理器重彈性，客製晶片則用彈性換取特定工作的效率。
中央處理器的系統協調功能
先別急著比較晶片快慢。企業採購時真正要看的是工作負載能否穩定分配，以及整套系統能否維持高利用率。
延伸解讀
客製晶片的優勢，要等使用量跨過門檻才會出現
Google 將張量處理器定義為專門加速機器學習的特殊應用積體電路，核心設計集中在矩陣運算。這類晶片可以減少通用功能，把面積與功耗留給固定工作；代價是支援範圍較窄，也更依賴編譯器與軟體調校。[1]
雲端業者同時掌握模型、資料中心與客戶用量，因此最有條件判斷哪些工作已經穩定到值得客製。晶片設計費用很高，只有龐大工作量能長期維持高使用率時，單位成本優勢才有機會抵銷前期投入。
投資人不宜把客製晶片出貨直接視為圖形處理器需求消失。訓練實驗與新模型仍重視彈性，成熟推論則更適合專用化；兩種平台可能在同一座資料中心分工。
免費訂閱
訂閱後接著閱讀
留下電子郵件後，這個裝置會立即取得免費訂閱讀取權限。
免費訂閱，不需設定密碼；權限保留於這個瀏覽器。尚未顯示2 個進階段落
訂閱後立即繼續閱讀
本文提供一般科技與產業教育，不構成個別投資建議。內容由《一次看懂 AI 股市》研究架構延伸整理。