GPU旁的HBM要搬家了?為何SK海力士等大咖都預測「記憶體共享池」是下一代AI晶片架構?
GPU旁的HBM要搬家了?為何SK海力士等大咖都預測「記憶體共享池」是下一代AI晶片架構?

現在打開一張AI晶片的封裝示意圖,常會看到GPU位於中央,數顆HBM排列在周圍。但這個大家已經熟悉的配置,未來可能出現很大的變化。

imec(比利時全球微電子研發中心)執行長范登納米勒(Patrick Vandenameele)在8月31日ITF Taiwan 2026發表演講,描繪一種下一代AI運算架構:HBM不再固定服務特定GPU,而是集中成一個可以被多顆運算晶片共同存取的記憶體池,再透過光互連,把不同XPU與記憶體高速串接起來。

imec執行長Patrick Vandenameele
圖/ imec

這個改變背後,是AI運算架構正在變得愈來愈複雜。當AI從單一大型模型走向多代理系統,不同AI代理可能分散在不同運算單元執行,也需要更頻繁地交換資料、讀取記憶體。未來AI晶片要解決的問題,是如何讓愈來愈多運算單元快速存取彼此需要的資料。

HBM為何要「搬家」?多代理AI正在改變運算架構

目前主流高階AI晶片大量採用2.5D封裝,把GPU與多組HBM整合在同一個中介層(interposer)上,HBM通常配置在GPU周圍。這是目前AI晶片2.5D封裝常見的配置,主要目的就是縮短資料移動距離,提供AI運算所需的高記憶體頻寬。

傳統GPU-HBM-2.5D封裝架構
傳統GPU與HBM架構中,每顆GPU周圍配置專屬HBM,兩者透過中介層內的電互連交換資料,不同GPU之間再透過NVLink連接。這種設計的HBM主要服務所屬GPU,記憶體資源較難跨GPU共享。
圖/ Wafer-Scale GPU Memory Pool With In-Package Optics

但范登納米勒認為,接下來AI工作負載本身正在改變。過去大型語言模型主要由一套大型模型完成任務,如今則開始走向多代理AI,也就是讓多個各自負責不同工作的AI代理彼此合作。未來這些代理未必全部跑在相同硬體上,有些可能使用GPU,有些則由CPU或其他專用AI加速器負責。

這也會改變硬體需要處理的資料流。范登納米勒指出,部分研究顯示,特定多代理AI系統所需的運算負載,可能達到現代大型語言模型的150倍。除了運算需求提高,這些代理還需要保存及更新自己的狀態,並持續與其他代理交換資訊,因此對記憶體容量與晶片間連接能力都提出更高要求。

如果每一組HBM仍然固定跟著特定GPU,當不同XPU需要頻繁交換、讀取彼此資料時,就可能產生大量跨晶片資料搬移。對imec來說,下一代AI硬體因此不能只思考怎麼替單一GPU增加更多HBM,也需要重新設計整套運算與記憶體架構。

延伸閱讀:HBM是什麼?3D完全圖解,帶你一次看懂「記憶體全村希望」

不讓HBM只服務一顆GPU,imec想打造「共享記憶體池」

按照范登納米勒展示的架構,大型中介層上會放置多顆不同功能的XPU,而HBM則從系統邊緣移往更中央的位置,形成一個可以被不同XPU共同使用的記憶體池。簡單來說,HBM的角色可能從某一顆GPU旁邊的高速記憶體,逐漸轉變成整個AI運算系統可以共同調度的資源。

imec-共享HBM記憶體池-光互連架構
imec提出的共享記憶體架構,將GPU與HBM拆開配置,HBM集中形成記憶體池,記憶體控制器也移至記憶體端,再透過封裝內光學I/O(OIO)連接GPU與HBM,讓多顆GPU共同存取記憶體資源。
圖/ Wafer-Scale GPU Memory Pool With In-Package Optics

當不同AI代理分別跑在不同XPU上,每顆運算晶片就不必只依賴自己身旁的一組記憶體,而可以存取共享的記憶體資源。范登納米勒在演講中表示,在imec設想的架構下,每顆XPU距離其他XPU或HBM最多只需要經過兩個連接節點。

不過,記憶體一旦從特定GPU旁邊拆出來,另一個問題也隨即出現,也就是資料要怎麼在大量XPU與HBM之間高速移動。這也是他認為光互連需要進一步往晶片封裝內部發展的原因。

HBM變成共享池後,光互連得一路進到中介層

目前光通訊已經廣泛用在資料中心較長距離的資料傳輸,但運算晶片、HBM之間的短距離連接,仍大量依靠電訊號。隨著AI系統納入愈來愈多XPU,imec認為電互連將逐漸受到功耗、頻寬與布線空間限制,因此光互連技術也必須持續往運算晶片靠近。

范登納米勒將這套架構形容成一條「光學高速公路(optical highway)」。相鄰的XPU或記憶體仍可以透過電互連交換資料,但距離較遠時,就改走光互連,如此才能在大型中介層上串起大量運算與記憶體資源,同時降低資料搬移帶來的功耗壓力。

這也解釋了為什麼HBM與矽光子會同時出現在imec的下一代AI架構裡。當AI運算需要更多不同種類的XPU共同工作,記憶體就可能從個別GPU旁的資源,逐漸變成更容易被整個系統存取的記憶體池;記憶體一旦共享,晶片之間的資料交換量也會跟著增加,進一步推動光互連從資料中心網路往封裝內部延伸。

不只有imec,SK海力士也畫出「XPU池+記憶體池」

值得注意的是,這並不只是imec單方面描繪的遠期架構。SK海力士8月20日公布一套長期CPO技術藍圖,同樣把未來AI系統分成「XPU池」與「記憶體池」,並利用光子中介層(photonic interposer),直接以光連接運算資源與記憶體資源。SK海力士指出,這種架構可以讓多顆AI加速器共享大型記憶體池,提高系統調度記憶體與搬移資料的彈性。

sk海力士 xpu池 記憶體池
SK 海力士描繪的下一代 AI 系統架構,將運算資源組成 XPU 池、記憶體組成記憶體池,再透過光子中介層直接以光互連。SK 海力士表示,此架構可讓多顆 AI 加速器共享大型記憶體池。
圖/ SK海力士

imec與SK海力士提出的技術路線並不完全相同,也都還屬於長期架構構想,但兩者指向相近的變化。隨著AI系統規模持續放大,產業思考的單位正在從「一顆GPU配多少HBM」,逐漸往整個運算系統如何共同使用運算、記憶體與互連資源移動。

HBM競賽因此可能不再只有堆疊層數、容量與頻寬。隨著AI運算架構改變,這些高速記憶體要放在哪裡,以及如何讓更多AI晶片共同存取,也可能成為下一階段需要解決的問題。

延伸閱讀:AI晶片概念股有哪些?台積電之外,聯發科、世芯⋯26檔受惠股全拆解
AI將引發失業潮?黃仁勳反駁比爾蓋茲:AI 會是史無前例的工作創造者

往下滑看下一篇文章
門市越展越多,如何降低管理與維運負擔?不用全面汰換設備,也能逐步升級智慧化多據點管理
門市越展越多,如何降低管理與維運負擔?不用全面汰換設備,也能逐步升級智慧化多據點管理

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。

晶睿通訊-2.png
圖/ 晶睿通訊

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。

晶睿通訊-3.png
圖/ 晶睿通訊

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。

晶睿通訊-4
圖/ 晶睿通訊

85°C 北美導入 VIVOTEK AI 雲端安防平台 加速 80+ 門市智慧營運升級

隨著零售產業持續朝向多據點與數位化營運發展,如何在快速展店的同時兼顧營運效率、安全管理與服務品質,已成為企業的重要課題。

為支援持續拓展的營運需求,85°C Bakery Cafe 北美導入 VIVOTEK VORTEX AI 雲端安防平台,透過雲地整合架構與 AI 智慧應用,將原本分散的監控系統整合至單一平台,全面提升多據點管理效率、事件處理速度與日常營運效能。

此案例呈現零售企業如何從既有設備與架構出發,分階段導入雲端安防平台,並為未來智慧化管理與 AI 應用建立基礎。

閱讀完整案例

85°C Bakery Cafe North America 如何透過 VIVOTEK 雲端安防平台打造更智慧的門市管理模式

觀看案例影片

了解 85°C Bakery Cafe North America 如何應用 VIVOTEK VORTEX AI 雲端安防平台

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓