AI真正的主戰場在硬體
AI真正的主戰場在硬體

別誤會了,我熱愛軟體。

我只是覺得這一波已經接近尾聲——如果不是已經過了尾聲——的精實新創浪潮下,太多投資人和創業家口中念念有詞的、關於軟體新創的論點不過是一堆狗屁。

比這些關於軟體新創的狗屁更狗屁的,是毫無根據就把硬體投資視為過時的、難以產生回報的論點,即使面對了市場上公開資訊的反駁。

別誤會了,如果可以,我也想投資一個SaaS的商用軟體新創,看著他們用很少的資金做出MVP(Minimum Viable Product),然後用社群草根的方式取得眾多使用者,每週根據使用者的回饋以及蒐集到的數據改善並更新軟體,然後針對進階使用者每月收取費用,量測並改善耗損率,然後達成千萬使用戶、超過百分之百的年成長率以及九成以上的用戶留存率,取得最少五千萬美元的每年重複營收,然後以五億美元的價格出售給Salesforce這樣令人景仰的SaaS企業,並將創業家和Marc Benioff這樣令人景仰的創辦人簽約後握手的照片裱框,放在自己的桌子上朝外給所有進到自己辦公室的年輕創業家看。

等等,去他的投資!我乾脆自己創辦這樣的公司好了!

事實上,在動態均衡的商業世界裡,沒有任何一種商業模式或者產業具有永久的投資優勢。

興起於2004年的精實新創風潮為我們的世界帶來了臉書、推特、Youtube、Dropbox、Uber和Airbnb等日常生活的應用軟體,也連帶讓MVP、iteration和pivot變成熱門單字,更催生了一整個世代非工程背景也未曾創過業的新型風險資本家,他們在各大小新創活動中轉來轉去,以看似老練的口吻問著創業家,「你的每月活躍用戶量是多少?」

但在這樣低的創業和投資進入障礙的世界裡,伴隨而來的必然是激烈的全面競爭,不管是創業家彼此,或者風險資本家之間。這些競爭也許會反映在燒錢進行同業競爭上,也許反映在平均估值的不斷推升上。最終來說,產業抵達了動態均衡,人們也終於開始發現軟體精實新創並沒有比較容易創業,投資起來也沒有比較好賺。

似乎是歷史重演地,我們看到人工智慧的投資趨勢最近也反映出這樣的潮流反轉。

和精實新創經歷的一樣,我們不難想像過去兩年間滿手是錢的風險資本家們,乘著「人工智慧」、「機器學習」和「深度學習」的關鍵字浪潮,追逐著各種宣稱使用人工智慧、機器學習或深度學習來取代人類世界中某些由勞工負責的工作的新創。

而就跟精實新創投資一樣的,事實上任何有一點社會經驗的人都可以想像出任何一種「用AI取代人類」的新創應用。唯一不一樣的地方在於,要開發這樣的應用需要的不只是能夠寫邏輯程式代碼的coder,還需要懂得機器學習演算法的數學專家。

如果無法取得訓練模型用的資料,也是白搭

不夠格的投資者們,就像他們在精實新創浪潮中追著浪尾投資已經有數十家先行者的新創類型一樣,忙不迭地把錢灌進「能夠描繪某種AI使用情境」的軟體新創。稍微謹慎一點的投資者們,找來了從事相關研究的教授或者博士班學生來幫忙作盡職調查,以求避開明顯的騙子。

但不管是哪一種,打著「用AI取代人類」嘴砲的軟體新創仍然面臨兩個自己無法解決的挑戰。

其中一個就是我常常講的,就算是絕頂聰明的數學家或者資料科學家,如果無法取得訓練模型用的資料,那也是白搭,這也是為什麼在Hardware Club我們選擇投資提供從感測器到雲端機器學習完整系統的Full-stack AI新創。

另ㄧ個純軟體AI新創面臨的挑戰,則是在創業或者投資初期常常被忽略的硬體計算能力的限制。

常被忽略的硬體計算能力的限制

我在〈軟體吃掉世界,AI吃掉軟體〉一文中就曾經提到過,精實新創誕生的背景是晶片運算能力遠大於終端應用軟體所需,但機器學習的出現瞬間把這個落差給「闔上」了,突然間我們從毫不在乎硬體,又變得必須對硬體規格斤斤計較。

上面這個影片是史丹佛大學CS231n課程〈卷積神經網路在影像辨識上的應用〉第十五堂課的講座影片,主講者是最近剛取得電機暨計算機科學博士學位、明年即將在麻省理工開始任教的Song Han,講座的題目就是他的博士論文〈深度學習的高效率演算法和硬體〉。

我強烈建議對於機器學習有興趣的人,不管是創業家或投資者——把這個講座影片看完,因為看完之後他們就能理解為什麼我說AI真正的主戰場在硬體。

舉例來說,這整個講座使用的術語大約有三四成是機器學習和深度學習相關的,剩下的術語卻都是所有半導體產業的「老人」們再熟悉不過的:CPU、GPU、FLOPS、DDR 3、DDR 4、記憶體頻寬等。

事實上如果直接去閱讀Song Han的博士論文,老半導體人會看到兩個很親切的名字:論文的主要指導教授Bill Dally以及協同指導教授Mark Horowitz。其中Dally教授所著作的教科書〈Digital Systems Engineering〉幾乎所有電機本科生人手一本,而Horowitz教授則是我當年在半導體的研究領域「高速數位串流介面」的權威,如果把我當年閱讀過的他的論文疊在一起,就算沒辦法到頂天花板,最少也夠站在上面換燈泡。

Song Han在這兩位半導體老將的指導下完成這個博士論文,而且還受邀在CS231n〈卷積神經網路在影像辨識上的應用〉課程給講座的原因非常簡單:我們現在的CPU或者GPU、甚至於谷歌的TPU,都遠遠無法應付現有機器學習演算法「可能」的運算需求,因此軟硬體協同開發是必要的。

當我們說CPU、GPU乃至於TPU無法應付機器學習「可能」的運算需求,有兩個事情是我們所在乎的:運算速度以及耗能。

一般的創業家和投資者比較能夠理解運算速度的重要性,畢竟整個深度學習的大躍進就是在於過去得花上幾週甚至幾個月才能完成的神經網路運算,被降到幾天甚至幾小時,但較少創業家或投資者能夠理解耗能的重要性,因為在過去十餘年的精實新創浪潮中,耗能這種東西百分之百是高通、鴻海、蘋果和三星這些人的問題。

機器學習中「耗能」是個大挑戰

但是在機器學習中「耗能」是一個很大的挑戰,甚至會成為效能的障礙。

機器學習的耗能主要來自兩個領域。

(一)矩陣乘法:所建置的神經網路越多層,每一層的神經元數越多,所需要運算的矩陣乘法就愈多。而半導體邏輯晶片的乘法是由NAND閘組合出來的,每一個電晶體的節點都會在電壓上下擺動的過程中消耗掉能量。考慮到矩陣乘法所需要用到的邏輯閘數量驚人,而且隨著神經元和係數的增加以指數成長,這部分運算的耗能也就指數成長。

(二)記憶體存取:類神經網路的運算需要大量而且高速的記憶體存取,主處理器(不論是CPU或者GPU)和記憶體模組通常是不同的晶片,因此存取發生在印刷電路板上,大量的能量會被耗損在對抗印刷電路板和晶片封裝的雜散容和電阻上。

耗能劇烈的第一個影響是電力成本。以去年擊敗李世乭的AlphaGo為例,該系統使用了1920個CPU和280個GPU,光下一場棋局的電費就高達三千美元,相較之下李世乭本人下這場局可能只需要一兩碗飯的熱量,「電」腦和「人」腦在耗能效率上仍然有天壤之別。

但是如果做多少運算就付多少電費就能解決的話,那還好說。但耗能的最大問題是:不管是哪一種耗能方式,都會轉換成廢熱,這些廢熱必須排出去,才能讓系統正常運轉。但系統耗能產生廢熱的速度根據運算量成指數成長,排除廢熱的速度卻受限於熱力學和流體力學有著線性的特質,因此我們不難想像在邁向泛用型人工智慧的路上,我們可能會先被「熵」這個躲也躲不掉的敵人給擋住,而不是演算法。

AI真正的主戰場在硬體-圖表.jpg
機器學習演算法與硬體的最佳化方式

在Song Han的講座中,他介紹了各種軟體演算法和硬體晶片結構的協同最佳化,以應付機器學習中training和inference兩個部分的耗能效率挑戰。但是不管是哪一種方式,不管改善多少運算效能和耗能效率,從工程的角度來看都是短期的、貼貼補補之類的解決方案,在摩爾定律多年前早已停止改善耗能的事實下,這些方案並沒辦法提供一個康莊大道通往真正的人工智慧經濟學終局。

這也是作為風險資本投資者,我們致力於尋找著半導體邏輯運算以外的解決方案的原因。在之前專欄〈量子電腦春暖花開〉中我所介紹過的量子電腦是一種,而且理論上是最能夠應付無限延伸的未來中機器學習運算需求的一種。

但量子電腦的問題在於,目前不管是新創或者谷歌、IBM乃至於Intel等大廠的系統,都必須把溫度降到絕對零度附近,才能進行量子運算,地球上的降溫系統本身就是一個極為耗能的裝置,要等到綜合能源效率和建置成本到達可以和半導體晶片相比擬,恐怕還要不少的時光。

那麼有沒有其他的方式能夠比半導體有著高許多的耗能效率,但又沒有量子電腦那接近絕對零度的挑戰呢?答案也許存在自然界裡,就像是量子電腦採用物理特性進行運算,自然界也有許多物理現象包含了矩陣乘法的特質,也許我們可以找到一種運算方式,是將資料轉換成自然界的物理現象,在那裡完成運算,然後再匯回電腦系統中。這種運算統稱為「類比運算」(analog computing),其實是一門很古老的學問,遠在數位晶片高速成長的年代之前,幾乎所有的運算都是在類比世界中發生的。

作為投資者,我尋找著也等待著能夠善用類比運算來大幅加速機器學習的創業家,如果能夠投資到這樣的新創,我不介意錯過Blue Apron這樣的投資機會一百次!

本文由楊建銘授權轉載自其風傳媒專欄。

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場。)

往下滑看下一篇文章
廢棄碳纖維也能變再生材料!天翊綠能靠低溫解聚技術,獲桃園SBIR助攻產品驗證
廢棄碳纖維也能變再生材料!天翊綠能靠低溫解聚技術,獲桃園SBIR助攻產品驗證

碳纖維因重量輕、強度高,廣泛應用於自行車、汽車、航太及無人機等產業,每公斤原生碳纖維價格可達數百元,部分高階材料甚至高達數千元。然而,這些高價材料製成複合材料後,生產過程產生的邊角料與廢棄物,卻因熱固性樹脂難以分離,往往只能焚化、掩埋或降級使用,讓耗費大量能源製造的碳纖維失去再利用價值。

「產業真正需要的不是把廢棄物處理掉,而是如何把裡面的碳纖維、玻璃纖維重新變成有市場價值的材料。」天翊綠能科技執行長莊文彥指出。深耕複合材料產業約20年的他,於2023年成立天翊,希望透過自主開發的低溫常壓解聚技術,讓廢棄複材重新回到製造業供應鏈。

低溫解聚保留纖維性能,從廢料處理走向材料再生

熱固性複合材料難以回收,關鍵在於樹脂固化後無法像一般塑膠重新加熱熔融。傳統高溫熱裂解雖能去除樹脂,卻可能損傷碳纖維性能;若回收碳纖維強度下降,製造商可能需要增加材料用量以滿足產品的強度要求,反而削弱碳纖維原有的輕量化優勢。

為突破限制,天翊開發低溫常壓化學解聚技術,在約90°C、常壓環境下分離樹脂與纖維,降低高溫處理對纖維性能的影響。不同於將樹脂直接燒除,天翊也推進樹脂回收再利用及化學溶劑循環,提高材料利用效率。根據天翊提供的第三方檢測結果,回收碳纖維在受測性能項目上的表現達原生材料的98%以上。團隊也將回收纖維製成再生碳纖維不織布、板材、塊材及工程材料。

莊文彥表示,再生碳纖維每公斤價格約150至300元,具備成本競爭潛力。天翊也規劃三層商業模式:取得合法處理資格後,協助製造商處理複材廢料並收取處理費;將回收纖維製成再生材料銷售;再與客戶共同開發終端零組件。「我們不希望公司的主要價值停留在『每公斤收多少處理費』,而是希望營收逐步往再生材料與高值應用移動。」莊文彥強調,讓回收材料具備市場需求,才是循環經濟能否持續運作的關鍵。

桃園 SBIR 助攻百公斤級驗證,跨越技術走向產品的關鍵門檻

對技術型新創而言,證明技術可行只是第一步。要讓再生材料進入製造業供應鏈,還必須建立可重複的處理流程、穩定的材料品質及產品驗證機制。這些工作需要投入設備、人力與檢測費用,對商業化初期的天翊而言,是不小的負擔。

在桃園市政府地方型SBIR計畫的研發經費支持下,天翊得以加速推進製程測試、材料檢測與產品驗證。莊文彥指出,過去團隊主要仰賴實務經驗調整回收製程,但要讓技術進入產業應用,還必須建立標準作業流程、進出料紀錄及材料品質數據。透過計畫,天翊逐步完善這些機制,並針對碳纖維自行車、碳纖維預浸布邊料、高壓氣瓶與車用零件等廢料進行測試,完成超過100公斤複材廢料的處理驗證,建立相應的操作條件。

除了製程驗證,補助也支持團隊將回收纖維製成不織布、模具及相關產品,確認再生材料能否符合實際需求。其中,以再生碳纖維氈製作的模具,相較原本的玻璃纖維模具,減重約56.96%;以再生碳纖維氈製作的產品,相較原本玻纖產品,減重約27.77%。這些成果讓天翊不再只能向客戶說明技術可行性,而能透過具體的材料與產品數據,爭取後續合作機會。

天翊也與既有下游夥伴推進汽車零組件應用,累積再生材料進入供應鏈所需的驗證經驗。「SBIR對我們而言,不只是補助研發,而是幫助公司跨過了『實驗室技術走向實際產品』非常重要的一段。」莊文彥表示,政府資源不僅分攤研發成本,更協助團隊補足商業化所需的品質管理與產品驗證基礎。

以桃園為循環基地,從碳纖維走向風機葉片回收

除了研發補助,桃園聚集電子、汽車、航空與複合材料產業,也讓天翊有機會就近尋找廢料來源、加工夥伴及應用客戶。此外,天翊與桃園市政府消防局就高壓氣瓶展開合作,嘗試將回收技術應用於地方政府實際產生的循環需求。團隊目前持續推進桃園廠區設置與再利用相關申請,希望建立「在地廢料、在地回收、在地再製」的產業模式。

不過,即使技術與產品驗證已取得初步成果,天翊仍須完成事業廢棄物再利用相關許可程序,才能依核准條件擴大收料與處理規模。漫長的審查過程雖然增加營運成本,但莊文彥認為,除了回收技術,合法處理資格、穩定料源與產品市場,同樣是建立長期競爭優勢的關鍵。天翊的長期目標則不止於碳纖維。莊文彥補充,當初投入低溫常壓解聚技術,也考量到未來大型風力發電機退役葉片的回收需求。風機葉片主要由玻璃纖維、樹脂及部分碳纖維構成,體積龐大且難以回收,隨著全球風電產業發展,退役葉片處理將成為重要課題。天翊也已取得風機葉片回收處理方法的臺灣發明專利與美國發明專利。

因此,團隊選擇先從材料價值較高的碳纖維切入,累積技術驗證、設備放大與商業化經驗,再逐步拓展至大型風機葉片。「我們希望證明,複合材料不是只能從製造走向廢棄,而是可以從廢棄再回到材料、再回到產業。天翊要做的,就是把這條循環真正建立起來。」莊文彥說。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓