迎戰勁敵NVIDIA，Intel採「全方位」AI晶片策略反擊|數位時代 BusinessNext

繪圖晶片（GPU）大廠NVIDIA即將在台灣17日公布第二季財報，分析師樂觀看待NVIDIA數據中心營收與毛利率成長，不過在財報背後，NVIDIA的競爭對手Intel正準備爭奪AI應用大餅。

據《鉅亨網》報導，高盛看好NVIDIA財報表現，宣布將NVIDIA目標價自每股 310 美元上調至每股 324 美元。高盛分析師 Toshiya Hari指出，「NVIDIA布局 PC 遊戲、數據中心、自動駕駛輔助系統 (ADAS) 與自動化車輛 (AV)，僅有為數不多的半導體廠商具有此能力，因此該公司的毛利率與報酬率能優於競爭對手。」

Intel去年售出10億美元的AI晶片

Toshiya Hari這裡指的為數不多的半導體廠商，其中之一就是Intel。英特爾執行副總裁暨資料中心事業群總經理Navin Shenoy指出在上週Data-Centric Innovation Summit首度透露AI應用的相關營收，「2017年Intel Xeon處理器執行AI應用高達10億美元。」此時公布數字，對10奈米製程難產，面臨AMD是占搶奪威脅的與執行長突然下台的Intel至關重要。

Intel 2017年公司的總營收為628億美元的總營收，10億美元僅占1.5%，可見AI應用還只是極小部分，PC相關晶片銷售仍具要角。

競爭對手NVIDIA沒有透露相關數字，不過，NVIDIA 2017年總營收為69.1億美元，雖然因為AI模型訓練與推論需求，讓NVIDIA GPU大賣，但NVIDIA目前主力營收還是在電競領域，另外，也有不少營收來自於挖礦，而非純AI應用（NVIDIA 2018年第一季的挖礦GPU的營收就高達2.89億美元。）也就是說，雖然兩家廠商喊AI喊得震天嘎響，但目前主力營收都還不是AI應用。最保守的估計下，雙方晶片在AI應用帶來的營收差距應不會太大。

擴充晶片產品線，從CPU FPGA、ASIC無所不包

Intel人工智慧產品負責人Naveen Rao就指出，「我們是根據客戶的回饋估算後得到的數字，但實際上還有很多營收數字沒有公開，我們比較保守。」

這裡談的營收數字，可能指同樣用於AI應用的「非Xeon」晶片，也就是說這些客戶帶來的營收並沒有算在10億元以內。

以CPU起家的Intel，走向AI應用，依舊以CPU為主要核心。Xeon晶片是Intel最重要的核心，但Intel也正透過不斷併購擴充晶片產品線。

因此以現在來看，除了NVIDIA提供的巨大的AI運算平台外，Intel的人工智慧晶片布局是所有科技巨頭中「最完整」、「最廣泛」的。

除了主打的Intel Xeon可擴充(Intel Xeon Scalable)CPU產品外，以及近日挖角AMD GPU大將，讓外界猜測將進軍GPU外，lntel已經積極透過併購布局以下四大類型晶片，掌握新客戶。

NNP(深度學習晶片) ：2016年併購AI晶片商Nervan System，而後研發深度學習晶片Nervana NNP-L1000。預計2019年推出。

VPU（視覺晶片） ：2017年併購汽車機器學習及圖資開發商Mobileye與視覺晶片廠商Movidius，Mobileeye EyeQx晶片為主流。

FPGA ：2015年，Intel以167億美元的價格，收購全球第二大FPGA商Altera，隨即成立現在的可編碼部門（PSG），專攻FPGA晶片。

類ASIC ：2018年Intel收購矽谷晶片公司eASIC。提供一種介於FPGA與ASIC中間的技術。

Intel發展全系列晶片的原因只有一個，「one size does not fit all（沒有一體適用的解決方案）」。

未來AI無所不在，因此客戶的需求也多元多樣，每種晶片就算效能再強，面積再小，運算速度再快，耗能再低，也有其先天性的物理限制，以目前最夯的深度學習DNN來看，用不同的晶片進行硬體加速會獲得不一樣的優缺效果。

機會點：決戰2019年

Intel的Xeon處理器是資料中心本就不可或缺的晶片，異構計算（Heterogeneous Computing）下，AI硬體加速是以CPU＋GPU或CPU+FPGA或CPU+TPU等結構進行運算。CPU不會被GPU或TPU取代。

雖然NVIDIA GPU更適合用於機器學習與深度學習等AI應用下，Intel現在並非AI深度學習應用第一品牌。因此在12個月到18個月短期內，NVIDIA GPU產品在AI應用市場依舊相當吃香（近兩三年，AI才剛成為熱潮，通用性強的GPU仍可滿足企業的需求）。

但長期來看，走向專用特製晶片ASIC風潮勢不可擋，除了Google之外，微軟為了自家雲端業務需求，以及Tesla也傳出要訂製晶片，這都對NVIDIA造成潛在威脅。那Intel能否在未來五年抓到這個ASIC晶片熱潮?

另外，Intel難產的10奈米Xeon與拿來和NVIDIA抗衡的晶片Nervana NNP-L1000都要到2019年來推出。Intel是否能以現在的「全方位」無所不包的各種AI晶片穩住自己過去20年打下的晶片江山，2019年年底答案就將分曉。

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。