為什麼是發哥？郭明錤揭聯發科成馬斯克Terafab關鍵拼圖，2028年起生產英特爾14A晶片|數位時代 BusinessNext

重點一：分析師郭明錤稱，數家客製化 ASIC 廠商中，聯發科較可能成為馬斯克 Terafab 的策略合作對象；此為供應鏈推測，預計 2028 年小量生產其 IC 設計團隊所需晶片。

重點二：郭明錤點出聯發科三項關鍵條件：已有英特爾 16 投片與 EMIB-T 先進封裝合作經驗、Google TPU 量產進度超預期、且為 SpaceX Starlink 既有供應商。

重點三：Terafab 面臨英特爾 14A PDK 0.9 將於 2026 年 10 月釋出的時程壓力，並承受三條製程路徑、6 個以上晶片專案並行的多重執行挑戰。

天風國際分析師郭明錤在 5 月 28 日於 X 平台發文稱，據其最新產業調查，在數家客製化 ASIC 廠商中，聯發科 (MediaTek) 較有可能成為伊隆·馬斯克 (Elon Musk) 自建晶圓廠 Terafab 的策略合作對象；這仍屬分析師的供應鏈判斷，尚未獲相關公司證實。

郭明錤分析，聯發科將全面支援英特爾 (Intel) 14A 先進製程與先進封裝的導入與生產，預計自 2028 年開始小量生產馬斯克 IC 設計團隊所需晶片。馬斯克日前在特斯拉 Q1 法說會則公告，Terafab 整體預計 2029 年運轉、Pilot 階段每月 3,000 片晶圓。

這是業界針對 Terafab 合作夥伴的最新一輪傳聞。截至發稿時，未見聯發科、特斯拉 (Tesla) 與 SpaceX 對此消息公開回應。郭明錤同時強調，此次合作若成局，可望提升聯發科 AI ASIC 的產業定位與附加價值。

為什麼是聯發科？

郭明錤的分析從聯發科手上既有的三張底牌切入。

第一是英特爾生態系的實際合作經驗。郭明錤指出，聯發科同時具有英特爾 16 製程投片經驗，並參與 EMIB-T 先進封裝合作，因此比其他客製化 ASIC 廠商更熟悉英特爾工作模式。

當英特爾 14A 的 PDK 0.9（製程設計套件）於 2026 年 10 月釋出給外部客戶後，外部客戶將首次能參與 14A 實際設計，掌握這數月「黃金窗口」對 Terafab 而言是關鍵。

第二是與 Google 合作 TPU 的能力驗證。郭明錤稱，聯發科與 Google 首度合作的 TPU 開發進度超預期，TPU v8t（Zebrafish）將於 2026 年第四季量產、Humufish 將於 2027 年下半量產。

同時，近期台灣媒體引述外資報告也指出，聯發科正推動 2 奈米 TPU Humufish 專案。這代表聯發科已具備 Semi-COT（半客製委外）合作模式、EMIB-T 生產協同能力，以及 Tier-1 量級的量產經驗，「這些剛好都是目前 Terafab 高度所需」。

第三是與 SpaceX 既有的供應關係。聯發科的 MT7629 與 MT7762/61 系列為 Starlink 用戶端 Wi-Fi/Router SoC 供應商，已通過驗證。在 Terafab 時程壓力下，找既有合作對象可加速進展。

Terafab 的三道壓力：範疇、時間、人力

郭明錤同步盤點馬斯克 IC 設計團隊面對的執行壓力，為「為什麼需要合作夥伴」鋪陳脈絡。

在範疇上，Terafab 同時與台積電、三星 (Samsung) 與英特爾三家代工廠合作，郭明錤稱「在 IC 設計業界前所未見」。產品線涵蓋地面端推論與宇宙環境優化的算力晶片，含 AI 系列、Dojo 系列與 SpaceX 專屬晶片，至少 6 個晶片專案並行。垂直整合的範圍包含光罩設計、邏輯、記憶體晶片與先進封裝，「單一廠區整合此規模產業內無先例」。

時間壓力同樣顯著。郭明錤指出，若 Terafab 沒有第一時間掌握英特爾 14A PDK 0.9，可能會錯過 2028 年小批量生產的目標，甚至面臨落後一個製程世代的風險。他另引述產業調查指出，Terafab 對設備商開出顯著高於市場行情的價格購買關鍵設備，「也驗證了時間壓力這件事」。

人力方面，郭明錤以 Apple 的矽晶工程團隊（SEG）作對照，估計其規模是 SpaceX 與特斯拉加總的數倍到數十倍，「後者卻要在更緊迫的時間壓力下執行更廣的營運範疇」。

台灣加速研發生態系：聯發科背後的隱藏加分

郭明錤最後拋出一個產業面觀察：聯發科的價值不只是公司本身，還包含能將台灣半導體生態系的加速研發模式導入 Terafab。

他舉台積電「夜鷹計畫」24/7 輪班研發為例，指出韓國政界與半導體業界曾呼籲政府仿效。郭明錤透露，某美國上游材料商為配合 Apple 開發節奏，已在台灣設立實驗室仿效夜鷹模式，成效讓 Apple 滿意。若 Terafab 與聯發科合作並善用台美跨時區換手研發，可強化執行效率。

接下來的關鍵節點，是 2026 年 10 月英特爾 14A PDK 0.9 的釋出。Terafab 是否真的會牽手聯發科、又或最終選擇其他 ASIC 夥伴，後續產業動態值得追蹤。

延伸閱讀：專訪｜Dcard林裕欽親自跑遍各部門找AI切入點，一年後孵出新公司！GNTC到底在賣什麼？

資料來源：郭明錤 X 貼文、Tom's Hardware：英特爾 14A PDK 時程、科技新報：聯發科 TPU 專案背景

本文初稿為AI編撰，整理．編輯/ 李先泰

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。