Intel CPU缺貨有錢也買不到，是產能不足還是飢餓行銷？|數位時代 BusinessNext

英特爾CPU缺貨情況嚴重，可能導致今年筆電出貨量比2017年衰退0.2%。

多款CPU缺貨，電腦DIY、OEM大廠都買不到

電腦DIY零售商表示，「最近不只第八代，intel處理器基本上都大漲。」2017年上市的Coffee Lake系列14奈米的Core i5-8400, i5-8500, i5-8600 and i7-8700等CPU都因為缺貨價格水漲船高，以Core i5-8400 來說，最新價格已經漲到台幣7300元，但比起年初不到6000元，漲幅高達21.6%，而且「有錢還不一定買得到」，零售通路表示，缺貨並非一兩個月短期現象，會一直持續到今年年底，因此大部分商家僅販售給整機組裝給買家，不再單獨販售。

除了2017年第八代Coffee Lake系列產品缺貨，今年八月才剛正式推出的14奈米的Whiskey Lake與Amber Lake系列晶片也供貨不順。

Intel已經先向外界預告產能與良率有限的問題，而電腦OEM廠宏碁董事長暨執行長陳俊聖與NB代工廠仁寶總經理翁宗斌也都在媒體前證實最新系列晶片大缺貨，而且可能要2019年第二季才能解決，也同樣面臨「有錢也買不到」的困境。

9月缺口將約5%至10%，低毛利CPU外包台積電救火？

Intel沒有說明目前14奈米產能總缺口有多大，但市調機構集邦科技指出，8月英特爾處理器供給缺口約5%，9月缺口將約5%至10%，第4季缺口恐將進一步超過1成。而供貨不足的問題可能使得今年筆電出貨量比2017年衰退0.2%。

為渡過這個產能大缺口難關，傳出Intel可能外包部分晶片組給台積電代工製造。《電子時報》指出，「Intel可能將利潤較低的入門級產品H310與300系列晶片組外包給台積電代工製造，自己則專門生產高利潤的伺服器和晶片組。」不過，報導也指出這並非台積電第一次幫Intel代工，台積電先前已經是Intel FPGA晶片與iPhone基頻晶片的代工製造廠商。

缺貨恐達半年，Intel內部管理可能出問題

Intel並沒有說明缺貨原因，不過過去在DIY零售端Intel CPU並不常發生缺貨或僅有單一型號缺貨發生，但這一次是多個型號集體缺貨，導致全系列集體大漲價，並不多見。

除了DIY零售端，宏碁、仁寶與華碩等OEM大廠，甚至連蘋果也都集體碰到大缺貨潮，而且產品還橫跨去年就推出的Coffee Lake與今年的Whiskey Lake即Amber Lake系列多項產品，加上缺貨期長達半年以上，讓外界認為原因並不單純，猜測Intel內部管理可能出了大問題。

其中Intel 10奈米技術延遲到2019年才出貨多被視為原因之一。除了10奈米技術延宕，Intel CPU尚未解決的資安漏洞問題也是可能原因之一。

對手AMD乘勢而起

另外，也有業者認為可能和Intel的飢渴行銷策略有關，Intel藉由控制CPU數量保持一定的市場價格，拉抬產品毛利，不過，這個策略可能性並不高，因為10奈米製程延宕的Intel目前正面臨AMD的威脅。

過去AMD與Intel一直都保持很大的市場差距，在2016年AMD的市占率還不到10%，大部分都是Intel的天下，但今年AMD喊出拿下20%市占率的口號，另一方面，過去AMD的CPU雖然CP值較高，但有溫度過高，容易發燙的大缺點，不過，這個缺點在第二代Ryzen CPU大為改善，在效能與溫度管控上已經有顯著的進步，這對於Intel都是一大威脅。而若缺貨期真的長達半年，那也給予競爭對手AMD一個乘勢而起的好機會，Intel應不致於挺而走險。

生成式 AI 帶動企業數位轉型浪潮持續升溫，各界不再滿足單一任務型的 AI 應用，而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」（Agentic AI），在最少人為干預的情況下，自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾，而是需要對AI有正確認識，並制訂循序漸進的導入流程，才能真正發揮AI功效。在2025台灣人工智慧年會中，cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段，深入剖析企業如何從概念驗證（PoC）階段，逐步推進到實際上線（Production），並分享實務經驗與觀察。

延伸閱讀：生成式AI可以怎麼用？cacaFly現身說法，助企業應用GCP服務智慧轉型

解鎖 Agentic AI，企業邁向多任務智慧代理

「很多公司會問，One AI 要做什麼事？但實際上，若要讓 AI 回答公司內部政策或新法條的相關問題，僅靠基礎模型並不足夠。」吳振和指出，要讓 AI 真正成為能「做事」的智慧代理人，前提是它必須理解企業內部的脈絡與知識，並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符，這意味著系統必須具備持續爬取與解析最新資料的能力。為此，企業必須先截取與整理內容，再建構成專屬的知識庫（Knowledge Base），確保資料品質達到可用標準後，再透過檢索增強生成（Retrieval-Augmented Generation, RAG）技術，使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀：從資料清洗到 RAG，大型語言模型的必需品，做出專屬企業的 AI 知識庫！

吳振和強調，這是一個動態循環的過程：從資料蒐集、品質控管、知識庫建構到生成應用，每一環節都息息相關，任何一處鬆動都會影響最終產出的準確性與可信度。

破除「一次到位」迷思，從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望，因此常將 PoC 視為年度計畫的重點，希望能「一次到位」做出具體成果。但吳振和提醒，若缺乏清楚的系統工程思維，PoC 容易淪為「概念展示」，難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程，分為三個關鍵階段：

1.第一階段：可行性評估（Feasibility Study）
企業必須在投入資源前，先明確界定「最需要被 AI 解決的關鍵問題」是什麼，並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性，更要從商業目標出發，釐清導入 AI 的具體使用情境、預期成效與風險邊界，如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段：系統設計與驗證（Design & PoC）
在確定導入方向後，必須規劃清楚資料蒐集與整理流程，確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調，這個階段不能只追求展示效果，而應以「產品化思維」來構築 PoC，使其具備可擴充性、可維護性及安全性，才能為後續上線打下基礎。

3.第三階段：產品化與營運（Production & Operation）
當 PoC 驗證完成後，進入正式上線階段，挑戰也隨之而來。除了需要整合企業內部系統與流程，還必須建立持續監控與維運機制，確保模型表現隨時間演進不會劣化，並能快速回應法規變動或資料更新的需求。吳振和指出，這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

建立模型優化根基，打造高品質的黃金資料集

吳振和特別強調，要讓 Agentic 系統工程真正發揮效益，企業必須先建立一套高品質的「黃金資料集」（Golden Dataset），作為模型評估與優化根基。他指出，黃金資料集的價值在於能為模型選擇與前測提供客觀依據，讓團隊能針對不同任務挑選最適合的模型，避免導入初期就誤踩方向。

同時，黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點，進而快速回應「模型飄移」（Model Drift）的風險。吳振和說明，所謂模型飄移，指的是即使模型本身未經改版，效能也可能隨著環境與資料變動而突然下降，導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果，團隊才能即時察覺效能衰退，並進行迭代更新，確保系統長期穩定運作。

從小規模應用起步，漸進擴展至核心業務

吳振和分享，在實際輔導企業導入 AI 的經驗中，最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證（PoC）階段即可呈現完整的產品原型，然而實際情況顯示，若企業未能建立完善的資料架構與流程基礎設施，即使短期內展現亮眼成效，也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時，應採取漸進式策略，從小規模應用場景著手，逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節，而非獨立的一次性專案。

AI 的導入不僅是一場技術升級，更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局，才能確保 AI 能在企業內部真正「落地生根」，創造長期商業價值，成為真正的智慧代理人。

Intel CPU缺貨有錢也買不到，是產能不足還是飢餓行銷？