不靠NVIDIA自己來，特斯拉研發AI晶片最快2019年問世|數位時代 BusinessNext

導入Model 3、Model X ，提升車輛性能

先前特斯拉的無人車系統，都倚重Nvidia的Drive平台，馬斯克在上周財報會議中透露，特斯拉過去兩三年投入AI自主晶片研發，除了能夠改善Model S、X及3的硬體，也能降低對第三方廠商的依賴。

自主AI晶片的研發計畫，去年12月第一次向外界公開，主導這項計畫的負責人班農（Pete Bannon），是特斯拉從蘋果（Apple）挖來的晶片設計師，班農曾參與 iPhone 5的A5 晶片，以及多款iPhone 晶片開發。班農在會議中談到，過去團隊曾考慮使用Nvidia晶片，也曾接洽過ARM，「 最後我們選擇，過去沒人做過的，自己由上而下開發晶片。 」

班農表示，新款 AI 晶片將會跟Autopilot第三代硬體整合，未來晶片將導入Model 3、Model X 和 Model S 的 Autopilot系統中。根據馬斯克說法，晶片性能的關鍵，在於「在裸機上運行神經網路（ANN）」能克服在CPU和GPU之間數據傳輸的一些限制。

馬斯克強調，目前特斯拉使用的NVIDIA GPU（圖型處理器）每秒能處理約200幀，而自家最新研發的晶片，擁有更強的運算能力，能夠處理每秒2,000幀，不僅提高效能以及車輛的能力，最重要的是晶片能夠完全符合特斯拉的需求，並降低對第三方廠商的依賴，這款自主研發的AI運算晶片，預計最快在2019年就能問世。

實現轉虧為盈目標，要求台灣供應商降價10%

上週財報的一大好消息，就是Model 3達到每週生產5,000輛的目標，預計在八月底時可以達到6,000輛目標，甚至年底前還要拚一周一萬輛，第三季目標組裝最多55,000輛Model 3。

如果特斯拉要維持長期盈利，穩定產能就是一大關鍵，過去一段時間，Model 3的生產問題讓馬斯克處於水深火熱之中，今年四月Model 3面臨生產瓶頸，馬斯克幾乎是以工廠為家，在沙發上過夜，甚至連回家洗澡的時間都沒有，為了達成每週 5,000 台的產能目標，特斯拉還在原有工廠外搭設了臨時帳篷生產線，甚至還加開手工生產線。

所有的努力，在馬斯克七月的一則貼文中看到了成果，「我認為我們剛剛成為一家真正的汽車公司。」表示特斯工廠在一周內生產超過 7000 輛電動車，其中包括Model S 和 Model X，最重要的是 Model 3的5000 輛門檻正式達標，特斯拉自2003年創立以來，從未能實現單年獲利，花了15年的時間，才終於達到馬斯克心中「真正汽車公司」的標準。

特斯拉的目標，是在第三、第四季實現營利目標，Model 3 的產能和銷量非常關鍵，據傳為了補足加州工廠人手，馬斯克下令將大量員工調往加州。此外隨著本月底Model 3產能要增兩成擴大至6,000輛，台灣供應鏈訂單也因此大增，不過為了降低成本，據傳特斯拉要求台灣供應商降價約10%，目前仍在議價中。

過去兩年，人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢，從客服、知識管理到軟體開發，越來越多企業將大型語言模型（LLM）導入企業營運流程，隨著應用程度的深化與廣化，越來越多發現，真正的挑戰早已不只是「選擇哪個模型」，而是如何管理算力、控制成本、確保資料安全，以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後，AI應用從回答問題進展為執行任務、操作系統以及串接流程，連帶拉升對AI基礎設施的需求與架構複雜度，而這意味著，想要發揮AI綜效，光只有模型與技術尚不夠，必須將整體IT環境逐步升級為AI基礎建設（AI Infra）。

深耕AI管理領域多年的數位無限（INFINITIX），近年積極布局軟體定應AI基礎建設（Software Defined AI Infrastructure）市場，除持續深化與GPU、伺服器與AI硬體生態系的合作關係，如於2021年取得NVIDIA Solution Advisor全球夥伴資格，2025年亦獲AMD GPU生態建設夥伴獎，也因應市場需求推出AI-Stack與ixCSP兩大產品線，協助企業、雲端服務供應商（CSP）與新世代AI雲端業者，更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示：「我們的目標是協助客戶打造軟體定義AI基礎架構，讓其可以視需求向下整合不同世代GPU、儲存與網路設備，同時，向上鏈結模型、Token跟AI應用，加速企業的AI創新轉型腳步。」

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。