(圖片來源：shutter stock)

 

從國際半導體展看趨勢：

AI、5G、物聯網、大數據

每年約莫 9 月時，台灣都會舉辦國際半導體展

而就在 2018 年 9 月 7 日正式圓滿落幕

會展中，也確實點名了 4 大未來半導體趨勢

分別是：AI、5G、物聯網、大數據

這些新趨勢我想大家近年來已經聽到爛了

雖然像是不同的東西，但彼此卻習習相關

今天就讓我們從「AI」的角度開始說起吧！

 

昔日科幻電影元素，已悄悄搬進你生活中

猶記得 2004 年上映的「機械公敵」這部電影

故事背景發生在 2035 年，智慧機器人已被人類廣泛使用

不管是作為工具、夥伴，都占據十分重要的位置

而現在我們身邊其實就已經出現許多的 AI 應用

圖像辨識、自動翻譯、電子信箱自動分類垃圾郵件等

大家應該都接觸過這些生活上的工具

AI 不再只是單純的夢想，「它」正緩緩走進你我的生活

 

那 AI 現在的進展到底是如何呢？

未來人們真的會被 AI 取代、統治嗎？

 

今天就讓我們依序來看：

AI 市場規模：估計至 2025 年達 2400.62 億美元

AI 供應鏈：AI 晶片是核心基礎

AI 發展關鍵：結合大數據分析、機器學習的進步

AI 晶片：CPU、GPU、FPGA、ASIC

AI 應用趨勢：行動 AI 晶片成為手機決勝點，自駕車 AI 致力於發展高速運算

 

讓我們繼續看下去…

 

AI 市場規模：估計至 2025 年達 2400.62 億美元

所謂的 AI 簡單來說，就是使機器實現人類的智慧

讓其具備人類一般的推理能力、社會行為、意識形態等

 

根據市場研調機構 Tractica 預估全球 AI 市場規模

將在 2025 年達到 2400.62 億美元，約 7.2 兆台幣

其在 2017-2025 也將以 44.73% 年複合成長率增長

可以說才剛要進入 AI 的快速成長期

這樣大的市場，身為半導體王國的台灣又怎會放過？

就在 2018 年 1 月 18 日行政院提出「台灣 AI 行動計劃」

將藉由法規鬆綁、資料開放、加速投資等項目

強化台灣半導體優勢，並在 AI 革命先行取得機會

就連國際大廠「微軟」也看重台灣人才

2018 年 1 月在台設立 AI 研發中心，預計招募 200 人團隊

說到這裡，先讓我們看一下 AI 供應鏈是什麼樣子吧！

 

AI 供應鏈：AI 晶片是核心基礎

在這邊想先強調，AI 不是一個產業，而是一項技術

它將顛覆產業的創新應用，因此所涵蓋的領域極廣

如果以技術來區分上、中、下游，

分別為：AI 關鍵零組件、整機組裝、AI 終端應用

 

上游：AI 關鍵零組件

零組件包含最重要的 AI 晶片，可以說是 AI 的核心

此外還有被動元件、DRAM、處理器等

 

不過較可惜的是，AI 晶片高端技術是以國際大廠發展最快

在台灣，唯有聯發科(2454)較有設計 AI 晶片的技術能力

而創意(3443)、世芯-KY(3661)主要提供委託設計服務(NER)

NER 簡單來說，就是提供設計產品所需的電路設計元件資料庫

並委託代工廠生產光罩、晶圓、切割、封裝

再由工程人員做產品測試，最後交給客戶試產樣品

 

中游：整機組裝

中游則主要是將上游的關鍵零組件打包在一塊兒

也就是所謂的整機組裝

 

下游：AI 終端應用

再來就是最重要的 AI 終端應用

AI 的出現，就是為了讓人們的生活環境更加智慧化

如我們常聽到的智慧工廠、智慧家電、自駕車等

這樣的生活模式絕不是不可能

不過的確是非常長期的一個發展藍圖

 

接著就讓我們好好探索 AI 究竟在發展什麼

這些大趨勢到底在說著什麼東西？

 

AI 發展關鍵：結合大數據分析、機器學習的進步

從上節，我們看到 AI 終端應用充滿著智慧應用

要讓機器具有智慧該怎麼做呢？當然就是教會它！

還記得以前念數學時，都要經過大量練習題目才能將公式熟悉應用

機器也是一樣的，而它們所要吸收的就是海量的數據

透過輸入「大數據」，機器可以從中找到一定的規律所在

這也就是常聽到的「機器學習」概念，並達到預判推測能力

 

傳統機器學習模型需資料科學家以程式碼撰寫訓練模型

但是這樣一來，耗費了大量人工、時間成本

也十分仰賴於資料科學家的工作經驗，以及對各領域的認知

但就在 Google 推出 AutoML 後，一切都變得簡單許多！

AutoML 主打能讓企業快速擁有客製化的機器學習模型

 

企業只要提供資料數據給 AutoML，不需撰寫任何一行程式碼

就能夠自動生成一個客製化的機器學習模型

舉例來說，一家製造業的工廠老闆為了導入工業 4.0

在機台上裝置許多感測器來蒐集資訊，並偵測異常機台

為的是在問題發生前趕快撤換零件避免影響工廠產能

或是從製程中找出更有效率的產出方法

而全球有數萬個製造工廠，只要一家廠商將資料上傳至 AutoML

最後產生一個相對應 API 提供給同樣產線監控需求的廠商

就能讓新進廠商更快速達到工業 4.0，也就是智慧工廠的目標

如此一來，大幅縮減了從蒐集數據到訓練模型的時間

(API：應用程式介面化，能夠銜接不同軟體、系統

如 Airbnb 將所有住宿資訊蒐集在同一個平台上)

 

不過，Google 也並不是唯一提出這樣服務的企業

亞馬遜的 AWS 也有類似功能，

而微軟、IBM 其實也都正投入大量資源開發這樣的模型

我們可以知道的是，未來趨勢將是由「AI 訓練 AI」

不懂機器學習、不懂程式碼的企業都能輕易導入 AI 技術

 

說到這裡，不知道大家有沒有發現少 1 樣東西？

我們有了大數據提供機器進行學習，那該學多久？

就算擁有客製化模型，也僅是不用自行寫程式

但機器學習所需的運算能力要求還是非常重要

唯有不斷的重複運算才能從數據中挖掘出黃金資訊！

這時，就要讓我們好好瞭解 AI 晶片的發展狀況了

 

AI 晶片：CPU、GPU、FPGA、ASIC

以目前發展較成熟的晶片，可以分成 4 種

分別是：CPU、GPU、FPGA、ASIC

 

1.CPU

在 CPU 領域中，以 Intel(英特爾)為國際龍頭

這也就是大家所熟知的中央處理器，更是每台電腦必備零件

電腦中所有的運算進行皆須靠 CPU 來幫忙

如果電腦沒有了 CPU，幾乎等於是腦死了！

 

而 CPU 又可分為單核、雙核、四核、八核等

每個核心每次只能處理一項執行任務

但這樣的效率實在無法滿足 AI 應用的需求

因而漸漸的發展出其他 AI 晶片

 

2.GPU

GPU 之國際龍頭為 Nvidia(輝達)

又稱為圖形處理器，顧名思義可以知道：

GPU 主要負責電腦中顯示、繪圖相關的項目

 

而不同於的是它擁有上千顆核心

能夠即時完成龐大的計算任務

以客觀數字來說，約比 CPU 速度快 70 倍以上

也因此成為目前 AI 運算晶片的主流

但 CPU、GPU 因為是被應用於不同目的所製造出來的

在結構上有其差異，適合應用的地方也不盡相同

 

GPU 到記憶體抓資料回來運算的速度遠比 CPU 慢很多

所以 GPU 的計算模式為先全部蒐集好資訊、數據

然後一口氣將這些數據計算完，避免還要回去抓資料

當然，這樣並不是最好的辦法

如果能將 CPU、GPU 完美的結合起來

各自做擅長的工作任務，才能將運算效率達到最佳

 

3.FPGA

為「現場可編程矩陣門陣列晶片」，一種可重新設計的晶片

Windows 運行在 CPU 上，但是 CPU 卻不能重新編程，

現在，一旦有了 FPGA，就可以改變晶片工作方式

對晶片重新進行編程，使它在特定機器學習演算法表現更好

也能讓它適合做邏輯運算，同一個晶片可以擁有截然不同的表現

 

4.ASIC

為「客製化晶片」，其概念又與前面幾個大不同

過往機器都會傳送到單一晶片完成所有任務

而現在機器會將任務分成許多不同的小區塊

將它們交給外圍的晶片完成，也就是 ASIC

其結構簡單、耗電也會較少

 

如 Google 的伺服器資料中心，雖然都還存有 CPU

但已經有數不清的 ASIC 晶片和 CPU 共同運作

這樣的作法，為的就是讓運算效率不斷提升

畢竟科技業的最大優勢就是比誰發展的快！

 

如果大家對於 AI 晶片運算速度要求還有疑點的話

就直接讓我們來看幾個例子說明

 

AI 應用趨勢：行動 AI 晶片成為手機決勝點，

自駕車 AI 致力於發展高速運算

AI 應用領域包山包海，可大可小

因此我們就以最貼近生活的 2 個產業做舉例

分別是：智慧型手機、汽車

 

1.智慧型手機：行動 AI 晶片是未來手機品牌決勝點

現在我們手中的手機其實部分已經有内建 AI 晶片了

就拿 iPhone X 來說，裡頭的 AI 晶片又稱神經網絡引擎

而這 AI 晶片又是被鑲嵌在處理器中

其中最被大家常用的功能，我想大概就是 Face ID 了

 

通過前鏡頭，會投射超過 30000 個肉眼不可見的光點

並對它們進行分析，繪製出精緻的 3D 景深圖

就算戴帽子、眼鏡、墨鏡，Face ID 同樣都能夠認出你

而能完成這樣的功能，靠的就是快速「機器學習」的概念

支撐這樣的運算能力背後就是因為有神經網絡引擎

 

除了 Apple 以外，我們對岸中國的華為

也在 2017 年發表了 NPU (神經網路處理單元)

其實概念就是 AI 晶片的意思

聲稱在圖片辨識每分鐘可達 2005 張

是 CPU 95 張的 21 倍之多

可以說明手機品牌也在 AI 技術戰中磨刀霍霍

 

2.汽車：自駕車實現的關鍵在於 AI 晶片運算能力

新加坡在 2016 年已經讓全球首輛無人計程車上路

美國也將在 2020 年前訂立自動駕駛汽車政策指南

不過提到自駕車，我們還是先得瞭解 ADAS (自動駕駛輔助系統)

 

ADAS 主要的概念是透過感測器蒐集周遭環境的數據

假設偵測到前方有突發狀況，自動緊急煞車系統就顯得非常重要

而突發狀況在感測器的計算就像是「圖片辨識」一般

什麼樣的場景圖像稱之為突發狀況都由 AI 進行判斷

最後再通過控制方向盤、煞車桿移動車身避免危險

 

而 AI 要能完全應用在汽車最大關鍵就是安全性的要求

汽車行駛在馬路上，路況瞬息萬變

如果 AI 晶片沒辦法在微秒內即時反應，恐怕就有安全疑慮的問題

因此，AI 晶片廠商也致力於往無人駕駛做發展

畢竟這將是一個未來龐大的市場

根據 Variant Market Research 預估全球 ADAS 市場規模

估計至 2024 年將達 620.7 億美元

且在 2017-2024 是以年複合成長率 11.83% 增長

 

說完了 AI 應用趨勢後，我們似乎還有 1 個問題沒有得到解答

那就是，AI 真的能夠取代人類嗎？

其實就前面所說的機器學習來說，

沒有人類提供的數據，機器其實也沒有資料可以閱讀訓練

更何況要說機器能夠自主學習，那其實還說得太早了

不過，工作性質純屬不斷重複毫無變化那將有很大可能被 AI 完全替代！

 

最後，幫大家做 3 個重點整理：

1.AI 市場規模估計至 2025 年將達 7.2 兆台幣

2.AI 發展關鍵在於大數據分析、機器學習的進步

3.AI 晶片的技術戰以更高速運算能力為最終目的

 

延伸閱讀專區：

「5G 產業」大解密！

「5G」台灣受惠廠商就是「它」

大數據 FinTech 應用

 

如果你喜歡我的這篇文章

歡迎按讚 + 追蹤我的粉絲團

1.洞察產業趨勢

2.分享個股資訊

3.追蹤盤勢看法

⇩　⇩　⇩　⇩　⇩　⇩　⇩　⇩　⇩

 

❀ 貼心提醒投資人

此文僅是個人的產業及個股分析，並非投資建議