台灣學生包辦AWS賽車前3名，擊敗摩根大通！陽明交大怎麼把「奪冠」變傳統？|數位時代 BusinessNext

擊敗摩根大通，台灣學生包辦AWS賽車前3名！陽明交大怎麼把「奪冠」變傳統？

陽明交大CGI Lab學生打敗全球40多組隊伍，包辦AWS DeepRacer全自動賽車前3名。《數位時代》在美國拉斯維加斯現場，專訪奪冠心路歷程。

AWS DeepRacer是什麼？這場比賽有多難？

DeepRacer是一場小型全自動賽車比賽，參賽者必須靠設計好的模型，克服各種彎道、光線、賽道材質等變數的影響，想辦法讓主辦單位提供的小賽車達到最快圈速，成為獲勝者。在決賽的前幾個月，參賽者需要先用模型參加線上虛擬比賽，每場前3名才有機會晉級到前50強，來到拉斯維加斯re:Invent現場用實體的賽車比賽。

要贏得這場比賽到底有多難？首先，今年的賽道是DeepRacer賽史上最困難的一次，相較去年窄了12公分、長43%，缺乏直線緩衝的連續彎道更是所有參賽者最頭痛的關卡。其次，這次同場競爭的勁敵是摩根大通（J.P Morgan）的團隊，聚集來自倫敦、印度、德州等各地專業工程師，在重重壓力下，李頤甚至在8強時以13.768秒的成績，破了這張地圖的速度紀錄，3人成功過關斬將，在決賽時形成台灣「網內互打」的局面，奪下前三寶座。

2019、2020年都是陽明交大抱走總冠軍！模擬賽間揪出大問題，壓線打進50強

這已經不是陽明交大CGI Lab第一次有這種好成績，2019、2020年學長們都曾拿下總冠軍，李政毅表示，參加DeepRacer比賽已經是實驗室的傳統，在學弟妹們進入實驗室時，就會進行一個月左右的交接，把模型、比賽經驗通通傳授出去，學校也用資源全力支持，這一次就斥資近台幣10萬元，把直徑10公尺的賽道地圖整張印出來，讓他們可以用自己的小賽車試跑賽道，調整參數，也能實際練習速度調整的操作。

但資源再多，中間的所有過程都得靠三人自己苦練調整，甚至前期還遭遇一個驚險插曲，因為把模型下載到自己的模擬器訓練，沒有跟上官方的版本更新，在前幾個月的線上模擬賽成績都不甚理想，「我們花了很多時間去找問題出在哪，因為程式本身看起來是沒問題的。」李頤表示，直到倒數第二個月的比賽，幾乎是壓線找出版本問題，經過調整後，成績直接一飛衝天，在9月打進前三名，才順利拿到50強門票。

扛住強敵環伺壓力，臨場反應跑出最佳紀錄

離開實驗室來到拉斯維加斯現場，面對挑戰更多，車子的胎壓會影響傾斜程度、賽道的塗層會影響摩擦力、光線也會影響AI判讀的準確度，但一到比賽時，過彎的時機點和角度都是模型固定好的，參賽者只能在一旁用iPad控制速度快慢，「通常我們第一圈都會讓車子冒險去全力跑，第二圈開始觀察賽道做微調。」李政毅說，而這幾圈之內要做出觀察和判斷，相當仰賴臨場反應能力。

在50強、32強時，三人仍然被摩根大通團隊「壓著打」，士氣相當低落，很擔心最後8強的表現，於是晚上回飯店持續絞盡腦汁調整程式，幸好到了8強，場地光線佳，少了陰影干擾，AI判讀得以發揮出最佳性能，三人也抵擋住龐大壓力，用速度控制跑出最佳表現。

採訪最後，問起這數十萬獎金要拿來做什麼？三人面面相覷想了好久，最後表示「真的還沒仔細想過」，一年多來眼裡只看著目標持續努力，未來也會繼續把經驗傳承給學弟妹，期待明年再次拿到好成績。

責任編輯：林美欣

從生成式AI訓練、推論，到代理式工作流程（Agentic Workflow）與未來的實體AI，資料流量正以指數級成長，讓記憶體從過去支援運算的配角躍升為決定AI效能與能源效率的關鍵角色。

全球知名的半導體與微電子技術分析機構TechInsights指出，AI競爭正逐漸從晶片算力擴展到記憶體架構設計能力，加速「Computational Memory」等新架構興起；在這波浪潮中，深耕記憶體與儲存技術數十年的美光科技，正與關鍵夥伴展開深度協同設計，包含攜手NVIDIA共同開發適用於新世代資料中心的低功耗記憶體技術，在AI基礎建設的新賽局中成為不可或缺的關鍵。

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。