蘋果、三星、華為都發表自製晶片,5nm之爭還要比「跑分」嗎?
蘋果、三星、華為都發表自製晶片,5nm之爭還要比「跑分」嗎?

蘋果、華為、三星還有高通,均先後發布了自家的手機晶片,在7nm製程工藝停留兩年的智慧手機,也即將在2021年翻篇,進入到5nm時代。

晶片
圖/ 愛范兒

新一輪的晶片大戰,就此打響。但在談論這些晶片時,我們能說的、顯然不僅止於跑分。

延伸閱讀:華為任正非:台灣晶片製造穩居全球第一,中國半導體有三大痛點

晶片性能為何而生?

比起大幅提升CPU∕GPU性能,功耗優化以及效率平衡,是現在晶片廠商更重視的內容。

這與智慧手機的發展趨勢有關。如今一台21,000元和一台9,000元的手機,在使用網頁瀏覽、社群平台以及影片等程式時都綽綽有餘,在使用體驗上不會有明顯區別。

即使是有差異的部分,也僅限於跑分軟體裡的數字而已。

手機的性能已經不重要了嗎?當它的平均水準,已經能滿足絕大部分人的使用需求時,晶片廠商繼續死磕製程工藝,追求每年15-30%的升幅,意義又在哪裡?

是否有意義,終究還是要看實際的使用場景。

手遊
圖/ 愛范兒

舉出一個實際案例:今年下半年出現的手遊《原神》。截至目前,想要在手機端以最高畫質、60幀暢玩這款遊戲依舊存在著難度,哪怕是搭載了最新A14晶片的iPhone 12系列,在複雜的場景之下,仍然會有掉幀的情況。

這是一個特別的情況,畢竟在過去一直被當作參考標準的《王者榮耀》、《和平精英》,這兩款遊戲在旗艦機運行時都是沒什麼壓力的。但是,《原神》也有其特殊性。除了更加優秀的畫質之外,更重要的原因在於它橫跨PC、主機和手機三大平台的開發背景。

手遊
圖/ 愛范兒

雖說不同平台的渲染管線不同,但開發商為了確保一致性,不少3D圖形技術以及特效都是共通的,這些技術放在PC、主機上很常見,但交由手機來完成,將帶來新一輪的性能壓榨。

所以我們能看到,就算是手遊《原神》採取了降分辨率、刪除大量建模及特效的做法,以確保30幀的基本流暢度,但最終的性能表現依舊不好,並且很容易出現過熱的現象。這既有客戶本身的優化原因,但另一方面來看,也證明手機晶片的性能仍有成長空間。

手遊
圖/ 愛范兒

另外,《原神》採取的「 一次開發、多端部署 」思路,同樣是現在程式開發的一種新趨勢——如今Apple Arcade上的所有遊戲都是這麼做的,假如手機裝置不想成為「拖後腿」的那一個,自然也需要它承載一些桌機的圖形技術。

程式軟體需要更好的體驗,反倒逼硬體升級,這其實也是我們樂於看到的結果。在晶片上,今年不管是華為麒麟9000亦或是高通驍龍888,也都選擇在GPU性能上做了較大的提升,相信對於今後手機裝置的遊戲體驗,也是一種有力的推動。

新重心!AI每秒浮點運算次數

AI、機器學習、人工智慧網路,是現在晶片廠商非常喜歡提及的領域。蘋果A14也好,或是高通驍龍888、華為麒麟9000,都已經擁有了獨立的AI晶片。此外這部分的性能提升,在過去這兩年裡也相當可觀。

拿蘋果A14的神經網路引擎來說,它的核心數從前代的8個提升至16個,峰值每秒浮點運算次數翻倍至11 TOPS,而驍龍888在AI每秒浮點運算次數上更是達到了26 TOPS,每瓦特性能較前代平台提升高達至3倍。

晶片
圖/ 愛范兒

這種倍數級的提升,和數年前智慧手機剛誕生時,CPU∕GPU性能大躍進情況十分相似。時過境遷,作為新前沿技術的人工智慧,如今也開始享受到這種突飛猛進的紅利。

但極高的每秒浮點運算次數代表了什麼?又會讓我們的手機發生怎樣的變化?大部分用戶不了解,手機廠商也很難給出一些場景化的東西,這是之前一直存在的困擾。

晶片
圖/ 愛范兒

今年蘋果在A14上其實給了不少通俗的案例。拿iPhone來說,圖像合成算法、相簿自動分類以及電源管理系統,很多我們察覺不到的後端處理,其實都會有機器學習技術的參與。

更具體去說的話,手機攝影算是目前對AI的依賴較高,我們也感知較強的部分。比如Google經常說的「運算攝影」,蘋果的「Deep Fusion」合成技術,以及華為用NPU晶片來做影片渲染等,都是由AI晶片和ISP圖像傳感器協助達成的,已經是很成熟的程式應用。

而從人機互動的角度來看,一些程式會用上手勢追蹤、語意識別等,也都會倚重AI晶片提供的每秒浮點運算次數。尤其是在運行特定AI算法的效率上,一顆專用的AI晶片,確實會比直接調用CPU、GPU 來得有效得多。

5G的續航,是時候該解決了

我們追求製程工藝的進步,某種程度上也是在達成新的功耗平衡。5G、高刷新率,這兩個特性在過去一年裡成為了Android旗艦機的「標配」,提升了我們的手機體驗,但別忘了,它們也是兩個耗電大戶。

之前在評測iPhone 12系列時就發現,在電池容量略微縮水,以及X55基頻外掛的狀態下,就算A14採用了更先進的工藝,這部分製程紅利仍然會被5G網路的高耗電給抵消掉,最終蘋果也不得不放棄使用高刷新率。

若是想要高刷新率,也想要5G呢?眾多Android手機廠商的做法並沒有什麼特別:做大電池,這仍然是改善續航最簡單直接的手段,4,000毫安並不嫌多,4,500毫安才管用。

晶片
圖/ 愛范兒

今年的高通驍龍888晶片讓我們看到了一些好的轉變。歷經了兩代驍龍晶片後,高通終於選擇將最新的X60基頻封裝到整個Soc中,而不再像之前的865、855一樣,以外掛的方式存在。

這對於手機內部空間利用率的提升是很明顯的。相對來說,外掛信號確實會遇到成本更高、功耗更高的情況,但最尷尬的還是佔據了一塊本可以省去的手機空間。以目前智慧手機寸土寸金的情況來看,過去這兩年高通晶片的外掛基頻,也一直是很多手機廠商的痛點。

此外,X60基頻本身工藝的進步,也能降低續航、發熱,進而讓智慧手機獲得更好的持續性能釋放時間。

延伸閱讀:高通端出名字奇特的「Snapdragon 888」,從新晶片一窺5G佈局!5nm製程找誰代工?

代工廠之間的角力之爭

現在的晶片業,蘋果、高通、華為和三星都只是負責設計,要想把它們規模化地造出來,台積電和三星依然是背後的支柱。

據多方報導得知,本次高通將驍龍888晶片交給了三星生產,而不再是前兩代的台積電。原因之一是產能,據悉目前台積電絕大部分5nm產線都被蘋果的A14和M1兩顆晶片包圓,高通為保穩定量產,所以投奔了三星。

不過,三星自家的Exynos晶片最近也有不少動作。11月,三星就高調公佈了最新的Exynos 1,080晶片,同樣是基於5nm製程設計,到明年應該也會有不少搭載Exynos 晶片的中國手機出現,並與其它高通、聯發科晶片的設備展開競爭。

當然,高通的新選擇或許也有工藝層面的考慮,畢竟即便是同等製程下,不同代工方下的電晶體密度和工藝仍有不同。交由三星代工的驍龍888,能否讓明年的高通旗艦在性能上與iPhone 12硬碰硬,相較於華為麒麟9000等其他5nm晶片,又會有哪些新的競爭力?這些都是之後需要解答的。

總而言之,即便手機晶片是隱藏在內部的產物,但它依舊是驅動一切的核心,至於性能,未來也不再是唯一重要的衡量指標,越來越多的新技術,注定會讓手機晶片本身變得更為多元化。

責任編輯:文潔琳、蕭閔云
本文授權轉載自:愛范兒

關鍵字: #半導體
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