韓國HBM對台出口激增225%！SK海力士為出貨主力，關鍵是台積電為輝達訂單狂拉貨|數位時代 BusinessNext

HBM助攻！海力士Q2收入創新高

SK海力士（SK Hynix）7月25日宣布，2024年Q2創下自2018年以來的最高季度利潤，並預計下半年生成式AI晶片組的高頻寬記憶體（HBM）需求將進一步增長。

SK海力士表示，4月至6月季度的營業利潤達到5.47兆韓元（約新台幣4252.5億元） ，相比去年同期的虧損2.9兆韓元，實現了第三個連續季度的盈利。

據SK海力士報告，今年Q2的HBM收入飆升超過250％，帶動單季營收達到16.4兆韓元（約新台幣4252.5億元），創下季度歷史新高。

這一成績符合LSEG SmartEstimate預期，表現突出的原因，主要來自於高端DRAM晶片和企業固態硬碟（eSSD）的需求激增，特別是用於資料中心伺服器和支持本地AI服務的設備中。

SK海力士的HBM晶片已售罄至2025

NVIDIA佔據了約80%的AI晶片市場市占，而SK海力士自今年3月開始量產第五代HBM晶片HBM3E，初步出貨給NVIDIA。據《路透社》報導，SK海力士的HBM晶片已經售罄至2025年。

新韓證券預計，HBM晶片到2024年底，將佔SK海力士DRAM晶片利潤的20%，這是由於NVIDIA加速其下一代GPU的計劃，以應對生成式AI熱潮所帶來的需求激增。SK海力士CEO郭孝靜（Kwak Noh-Jung）在5月表示，今年的HBM晶片已經售罄，2025年的訂單也接近滿額。

SK海力士的股價今年以來已經上漲了47%。在全球AI需求爆發的背景下，市場前景被投資者廣泛看好。

三星呢？HBM終獲輝達認證

據《路透社》報導，韓國三星電子第四代高頻寬記憶體（HBM）晶片首次獲輝達認證通過，將用於中國市場的降規版晶片。

報導引述消息人士指出，由於三星HBM3晶片暫時只會用在輝達專為中國市場推出的降規版H20晶片，以符合美國出口管制規定，因此這次的認證通過低調而不聲張。

目前還不清楚輝達其他AI處理器是否會採用三星HBM3晶片，以及若要獲得輝達其他AI晶片採用，是否還必須通過其他的認證？報導也指出，三星第五代HBM3E晶片尚未符合輝達的標準，目前認證工作還在進行。

資料來源：《先驅報》、《路透社》、《CNBC》

本文初稿為AI編撰，整理．編輯/ 李先泰

AI 智慧代理人時代來臨！三大導入階段， AI 落地企業不卡關

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」。

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。