Nvidia獨咬AI大餅，英特爾為何有信心靠CPU參戰？拆解背後致勝方程式|數位時代 BusinessNext

策略一：靠「實用」迎戰，瞄準CP值

今年一月，英特爾推出針對高速運算（HPC）、AI等應用的第四代伺服器CPU 「Xeon」。當時Moor Insights & Strategy分析師Matt Kimball就在《Forbes》上評論表示，英特爾已經找到未來的佈局方向。依當前情況來看，有兩大重點。

首先，以近期當紅的Chat GPT來說，知名半導體部落格Semi Analysis分析師Dylan Patel估算，OpenAI 需要约28,936個GPU來為 Chat GPT 提供服務，估計每次查詢的成本為 0.36 美元，價格高昂。「但真實的企業，不會用到像Chat GPT那麼多顆的CPU，」鄭智成表示，Xeon瞄準的是為企業所用、但不需用到強大算力的資料中心。

他進一步解釋，對不少企業來說，接下來的AI應用會以特定領域的垂直應用為主，而非大量的演算法。舉例來說，以聊天機器人而言，部分企業需求僅停留在能夠回答顧客問題，並兼具資訊安全功能即可，在這樣的情況下，Xeon無論是在省電、成本和表現上，將會是較適合的選擇。

Kimball也分析，處理器是否能有效率的負載龐大的工作量，同時兼具安全性，是IT工程師最在乎的，「主打高端產品會讓人覺得印象深刻，但實際效能就不一定。」換句話說，企業往後要使用的，不見得要是最頂尖的處理器，但必須是符合當下情況最好用的。

這也能看出，英特爾在未來AI處理器的佈局上，選擇了不同的戰場，加強對中、小企業的佈局，與輝達這樣的GPU大廠，做出差異選擇。

策略2：CPU也可以訓練AI模型！英特爾想什麼？

其次，則是Xeon這顆CPU，開始具備了訓練AI模型的功能。

實際上，過去前三代的Xeon僅僅具備推論（inference）的功能，也就是運用已經訓練好的AI模型進行運算，並產生最終答案的過程，當中並不牽涉到初期餵入大量資料，進行模型建制的過程。

然而到了第四代的Xeon，開始具備模型訓練的功能。鄭智成表示，不是所有的AI模型生成都如此龐大，諸如CRM（客戶關係管理）、數據庫運行等基本運用，或許只需要一天、甚至半天的訓練時間，「更適合用CPU來處理就好。」

這意味著，諸如基因定序模型、氣象模擬等大型應用之外，CPU能在其中處理中、小型的模型訓練運算，預期可拓展英特爾在AI應用方面的市場，「不是説所有工作都要轉移到CPU，若資料量很大，企業也會採用ASIC（客製化晶片）、GPU等，目的不同。」

「CPU + AI」，能成英特爾勝利方程式？

目前，採用Xeon做AI的案例不少，如西門子（Siemens）便採用該產品做影像辨識。另外，諸如AWS、Cisco（思科）、Dell（戴爾）、Google等，都是英特爾的Xeon客戶；而包含英業達、華碩、緯創、仁寶、和碩、宏碁和廣達等台灣企業，也都已經採用。

除此之外，英特爾也已推出單一平台，讓更多的AI開發者能夠有足夠工具來開發，實現AI民主化。並會持續融合AI功能於CPU當中，「我們是全世界唯一可以做到這點的製造商。」鄭智成說。

而對於將來Xeon的代工策略，鄭智成則表示，第五代的Xeon將持續採用Intel7，預計在2024年，新一代的Xeon處理器Granite Rapids 和 Sierra Forest，才會採用Intel3製程。

責任編輯：錢玉紘

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。