超微MI325X對槓Blackwell！CPU、GPU都坐二望一，AMD如何超車輝達、英特爾？|數位時代 BusinessNext

關鍵1：下一代MI350，有望力抗輝達Blackwell

Instinct MI300X AI加速器自2023年12月推出以來，不到2季的銷售額就超過10億美元，成為超微史上成長最快的產品。

在今年6月的台北國際電腦展（Computex）上，超微宣布了Al加速器的產品發展藍圖：2024~2026年每年將推出一款新品，分別為MI325X、MI350系列、MI400。MI325X將於本季量產出貨，下游伺服器台廠如技嘉、華擎、英業達、雲達、神達等，將於明年第1季開始供貨。

MI325X以台積電4/5奈米製程生產，採CDNA 3架構，搭載256GB的HBM3E記憶體，記憶體頻寬達6TB/s，記憶體容量為輝達H200的約1.8倍、記憶體頻寬約為1.3倍，AI訓練性能最高達H200的1.1倍、推論效能則是1.4倍。

另一方面，超微也預告規劃2025年下半推出的MI350系列晶片，以台積電3奈米製程生產，採用CDNA 4架構，推論能力將達MI300X的35倍；且記憶體容量再升級，將搭載288GB的HBM3記憶體，比Blackwell B200的192GB多上50%。此外，在FP4數據格式的運算能力，MI355X算力為9.2 PFLOP，也較B200的9 PFLOP略勝一籌。

不過，目前佔據GPU 9成市佔的輝達，以高度軟硬體整合的CUDA架構作為護城河，讓開發人員不易轉換生態系統。而包括持續優化軟體開發平台ROCm，與先前接連買下Mipsology、Nod.ai、Silo AI等AI新創，皆是超微在軟體層面持續追趕的努力。

在7月發布的第2季財報中，蘇姿丰表示，看好客戶對AI晶片需求，預期2024年資料中心GPU營收，從4月預測的40億美元，上修至45億美元。

關鍵2：資料中心CPU市佔34%！Turin效能可達英特爾2.7倍

而在資料中心CPU領域，過去由英特爾佔了超過9成市佔，自從2017年超微以EPYC系列產品重返市場以來，超微在資料中心市佔率由最初的僅2%，到2024年上半年成長到約34%，創下歷史新高。

先前在Computex曾預告的第5代EPYC處理器（代號Turin），也在10日舉行的Advancing AI大會發表進一步細節。

Turin處理器以台積電3/4奈米製程生產，採用「Zen 5」核心架構，提供8核心到192核心的廣泛核心數量，據稱最高階的192核心CPU，比英特爾第五代旗艦Xeon處理器效能提升2.7倍。其中顯著的加速效果，像是視訊轉碼速度加快4倍、高性能運算（HPC）應用程式運算速度提升3.9倍等。

超微執行長蘇姿丰在專題演說中，並提到企業用戶可無痛把舊伺服器，汰換為超微的方案，不只省電且能部署更多算力資源。例如，將1000台較舊的英特爾Xeon Platinum 8280 伺服器，換成131台Turin伺服器，得以降低功耗68%、減少87%的伺服器數量。而且所節省下的空間，還可用於提升資料中心的AI算力。

相對於英特爾旗艦產品最多為64個核心，Turin則最高可達192個的超多核心數。一名台系伺服器廠主管指出， 以超微和英特爾CPU的特色來比較，英特爾較著重於單個核心的高性能，超微則是單核心的性能較不突出、但擁有的核心數較多。

而就他觀察，目前大部分客戶的需求是「夠用就好」，不過，漸漸來選擇超微的客戶，一方面認為在接近的功耗、效能及成本下，更多的核心數「CP值相對較高」；其中，尤其雲端服務商需要較多的核心數，因為核心越多、能夠提供服務的虛擬機較多，因此會有較大的需求。

責任編輯：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。