Google擴建士林研發中心，辦公空間增60%！技術長：台灣是美國以外最大硬體工程基地|數位時代 BusinessNext

Google持續擴大在台灣的AI硬體研發布局。Google技術長暨AI基礎建設資深副總裁瓦赫達特（Amin Vahdat）2日在SEMICON Taiwan 2026表示，台灣目前已是Google「在美國以外，最大的硬體工程研發基地」。另外，為因應AI基礎建設持續成長，Google將進一步擴建位於台北士林的AI基礎建設研發中心，增加60%的辦公空間。

Google把這麼多硬體研發量能放在台灣，實際工作內容是什麼？瓦赫達特表示，Google台灣工程團隊已直接參與自研晶片從製造完成、首次啟動，到測試與軟體驗證的早期流程。

瓦赫達特指出，Google早期大約每兩年推出一款TPU，近年產品更新速度持續加快，第七代Ironwood與第八代TPU的發表時間已縮短至約一年，晶片下線後的驗證與量產準備也必須加緊腳步。另一方面，Google與台灣供應鏈夥伴的合作也持續往前延伸，從製造走向下一代產品的共同設計。

Google台灣團隊做什麼？首批晶片送達後接手啟動與驗證

瓦赫達特表示，Google許多硬體設計與製造工作都會在台灣與當地企業合作，而Google自己的台灣工程團隊就在第一線，「每天都和我們眾多合作夥伴肩並肩工作」，共同進行產品設計與交付。

其中一項工作，就是Google新晶片從產線下線後的啟動與測試。「當晶片第一次從台積電產線出來時，就是我們當地團隊進行非常繁複、甚至可以說是24小時不停的工作，確保晶片能夠運作、完成測試。」瓦赫達特表示，晶片確認可以正常運作後，還要盡快送到Google開發者手上。

「你很難想像大家有多期待最早從產線出來的那幾顆晶片。前三顆、前四顆只要能正常運作，我們就能開始跑軟體，驗證它的效能與功能。」瓦赫達特解釋，從第一批晶片啟動、測試，到交給開發團隊進行軟體與效能驗證，Google台灣工程團隊都會直接參與。

至於與Google台灣工程團隊共同工作的外部合作夥伴，則橫跨AI基礎建設的不同環節。Google官方指出，台灣合作夥伴目前參與範圍包括先進3D封裝、伺服器主機板、高效率供電系統與液冷技術，支援Google、Gemini與Google Cloud所需的實體AI基礎建設。

延伸閱讀：Google發表Gemini 3.5 Transcribe語音轉文字模型，產出逐字稿時間大幅縮短70%

TPU從兩年一代加速到一年兩代，晶片驗證時間也被壓縮

Google台灣工程團隊負責的晶片驗證工作，如今面臨更短的時間壓力。瓦赫達特指出，Google過去大約每兩年推出一代TPU，後來加快至一年一代，過去一年更推出兩代產品。「我認為，未來這個數字有可能，甚至很可能還會提高。」

晶片推出速度加快後，量產方式也必須跟著改變。過去一顆新晶片正式推出後，可以花兩年甚至更久逐步拉升產量，有時甚至與下一代產品的量產週期重疊；但如果新一代晶片可能每半年就推出一次，留給產能爬坡的時間就大幅縮短。

瓦赫達特把Google希望達到的量產模式形容為「square wave」，也就是新晶片準備完成後，就盡快把產能拉高。「如果我告訴你，我有一顆比上一代好兩倍的晶片，但你根本拿不到這顆晶片，那它在真正推出以前，就不能算是一顆很好的晶片。」他表示，真正的問題是如何讓新晶片以大規模交付出去。

量產速度提高後，新晶片下線後的每一個步驟也必須同步加快。「我們要怎麼確保晶片能盡快回來？怎麼確保晶片完成測試，讓前4顆、前10顆、前100顆、前1,000顆盡快交到開發者手上？」瓦赫達特表示，等到產品正式推出時，軟體必須已經可以正常運作，製造產線與測試能力也都必須準備完成。

這項要求在AI晶片愈來愈複雜後更難做到。瓦赫達特表示，現在AI晶片與封裝的複雜程度是他過去未曾見過的，涉及的產品數量與金額也非常龐大，因此Google必須在大規模部署以前，更早確認晶片能否正常運作。

台灣供應鏈未來做什麼？從製造走進下一代產品共同設計

除了Google自己的台灣工程團隊，外部供應鏈夥伴參與Google AI硬體開發的時間點也愈來愈早。被問到台灣企業未來如何參與Google下一代AI基礎建設時，瓦赫達特表示，雙方合作關係多年來已經逐步改變。

「多年來，我們已經從採購（procuring）走向合作夥伴（partner）。」他表示，Google目前已與多家台灣企業進行深度共同設計，而且合作程度仍在持續提高，「一個月比一個月更多、一季比一季更多、一年比一年更多」。

瓦赫達特也表示：「如果沒有在台灣進行的這些深度共同設計，我們今天根本無法打造現在的基礎建設與平台。」目前雙方的合作已經不只發生在產品設計完成後的製造階段，而是進入下一代產品的開發流程。

瓦赫達特進一步透露，Google已經與多家台灣合作夥伴討論未來世代產品，合作會深入到「區塊層級架構」（block-level architecture）等較底層的架構設計，其中一項重要工作就是「可製造性設計」（design for manufacturing），也就是在產品設計階段，同步思考後續要怎麼製造。

當TPU世代更新愈來愈快，Google也必須更早與供應鏈確認新架構能否順利製造、後續如何測試，以及量產時如何快速拉高產能。供應商若等產品全部設計完成後才加入，能調整的時間也會愈來愈少。

延伸閱讀：
AI已經做得到20%的題目，反而不要碰！Google首席科學家給創業者的「1%法則」
Discord跟LINE有什麼不同，為何Z世代都在用？新手教學：伺服器、頻道、身分組設定一次懂

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。