「別玩數字遊戲」!英特爾打臉晶圓代工廠的製程秘密,堅守摩爾定律、要靠效能決勝負
「別玩數字遊戲」!英特爾打臉晶圓代工廠的製程秘密,堅守摩爾定律、要靠效能決勝負

晶圓代工龍頭台積電宣布自家5奈米已於今年第二季量產,而三星也喊出今年底要量產5奈米製程,同時3奈米也要轉換成GAA(閘極環繞)的架構,在這條突破摩爾定律的路上,兩家半導體業者也還不停地端出8奈米、6奈米、4奈米等各種製程。

提出摩爾定律的老大哥英特爾自然也將這些消息看在眼裡,新竹辦公室總經理謝承儒就表示,英特爾才是以摩爾定律限制持續發展先進製程的半導體企業,而這些「花俏」的數字在他看來,「都只是一種商業行為的考量」。

編按:
摩爾定律 ( Moore's Law )是由英特爾(Intel)創辦人之一戈登‧摩爾(Gordon Moore)所提出。其內容為:積體電路上可容納的電晶體數目,每隔24個月便會增加一倍;經常被提及的「18個月」則出自於英特爾的大衛·豪斯,他預測每18個月,晶片效能便會提高一倍。

跟著摩爾定律走,英特爾:「別再玩數字遊戲」

根據摩爾定律的規則,半導體要在18-24個月內,讓電晶體的集成數量能夠成長1倍才算數。而過去《數位時代》也曾專訪過工研院電子與光電系統研究所所長吳志毅,他指出過去製程的命名都是依據閘極的長度而定,但自從過了10奈米後,由於面積逐漸縮小、要在新的節點達到比前一代1倍的成長難度提升不少,因此各家業者在命名上就比較不再遵守過去的方式,比較像是透過一種「先喊先贏」的感覺,當然最終還是必須回歸到電晶體密度、晶片的效能來檢視。

英特爾新竹辦公室總經理謝承儒
謝承儒表示將不同廠商的不同製程技術,單純用簡化後的數字做競爭,並不適當。
圖/ 英特爾提供

昨(15)日舉行的「英特爾架構日」中,謝承儒讓數字來說話。跟自家前一代14奈米的電晶體密度44.67百萬顆相比,10奈米的電晶體密度有2.26倍的提升、達到100.78百萬顆;而以台積電的7奈米為例,較前一代10奈米電晶體密度有1.6倍的提升,約來到91.2百萬顆,這麼一來,應該很容易理解為什麼外界總用「英特爾的10奈米等同於台積電的7奈米」來比較。

此外,謝承儒也分享了用在最新發表的CPU「Tiger lake」的10奈米SuperFin製程,透過增加FinFET(鰭式電晶體)中的「鰭」來強化該製程的效能表現,因此比起10奈米,有20%的效能提升,不過因為在架構中多了「鰭」的設計,因此面積有些微的增加,但英特爾解釋,如何抉擇取決於客戶對於產品的需求,究竟是「面積」抑或是「效能」,例如行動裝置可能就會更在意晶片的面積。

intel 10奈米 SuperFin製程
intel 10奈米 SuperFin製程
圖/ 螢幕截圖

不只靠製程,晶片的表現也要打「團體戰」

謝承儒也進一步表示,不同晶圓代工廠的不同製程已無法單純用簡化的數字比較,除了是因為業界沒有一個共同的命名標準外,將不同製造商的製程技術單純簡化成數字上的競爭並不恰當。同時他也認為,「外界太著聚焦在單一項目的比較了」。

在英特爾的眼中,一個能被用來運作的晶片包括了科技六大創新支柱:製程與封裝、XPU架構、記憶體、互聯架構、安全性以及軟體。謝承儒表示,外界太過於專注在製程的數字卻忽略了其他的影響力,例如擁有好的架構設計對晶片在終端裝置的效能表現上肯定有幫助,絕非製程這個環節可以「獨撐大樑」;又或是當一個晶片裡面所需要的技術由外面代工廠製作,英特爾的角色就是用良好的封裝技術,讓這些不同的晶片可以更順暢的溝通、達到良好的效能表現。

外包不是技術差!做最有效的決策才是英特爾考量

外界也相當好奇今年7月執行長史旺(Bob Swan)的一席「外包說」(Out Sourcing),謝承儒解釋,站在英特爾的角度,未來考量將會是更全面性的,別人若擁有比英特爾更好的技術,也會思考是否委由他人去製造,這部分不單只是成本的考量、也可能包括產品上市(Time to Market)的速度。

英特爾台灣分公司發言人鄭智成以獨立GPU為例,當場上所有獨立GPU都是由晶圓代工廠製作的時候,沒有理由英特爾要捲起袖子自己來,可能他們的技術上沒有晶圓代工廠成熟、也可能因為產能要留給更重要的產品,所以選擇外包就是個能讓產品加快上市時程的考量。

英特爾台灣分公司發言人鄭智成
鄭智成說,外包的行為對英特爾來說,是個包括成本、產品上市時間等全盤的考量。
圖/ 英特爾提供

另外,未來外包產品將採用先進製程或成熟製程,英特爾都不會設限,只要能協助產品效能和表現達到最佳化,都會考慮。對於是否會由外面代工廠封裝完畢再送回英特爾,鄭智成表示,這部分也都沒有絕對,可能是由外部廠商完成後交回英特爾、又或是將半成品送回英特爾再封裝。

可預見的是,未來英特爾將持續往封裝技術上鑽研,假設當所有人都獲得了相同的素材,那麼廚師炒菜的功力就成了如何端出一盤美味佳餚的關鍵,半導體的封裝技術正是這個概念,「這部分英特爾也已經在做了」,鄭智成說。

不過眼下比較現實的問題,還是英特爾製程的良率跟產能是否可以跟得上市場的需求腳步,尤其仍守著50多年前提出、可能面臨到瓶頸的摩爾定律,英特爾該如何面對兇猛的競爭對手們?對於這一點,謝承儒很有自信地表示,英特爾依舊是以摩爾定律為策略核心,而且端出來的產品表現夠好,市場肯定會接受,「你也看到了10奈米SuperFin的數字了不是嗎?」

責任編輯:錢玉紘

關鍵字: #台積電 #英特爾
往下滑看下一篇文章
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設

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。」

數位無限執行長陳文裕.JPG
數位無限執行長陳文裕
圖/ 數位時代

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。

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
代理式商務連動百兆商機
© 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