由 ChatGPT 带动的生成式 AI 产业夯，除了现有的诸多讨论之外，更多的焦点应放在下一步 AI 会长得怎麽样？未来的生成式 AI 有什麽可能性？
人类对於AI的想像早已在一些电影当中显见，像是1984年《神通情人梦》（Electric Dreams），或是2013年的《云端情人》（Her）。但，什麽时候能够更加优化机器，从现在一问一答的模式，变成像是电影当中的超级助理，拥有自我人格意识，而且能成长的AI系统，这样更像人类的可能性持续发展并演进当中。
从技术角度来看，大型语言模型（LLM）是透过生成式网路所建立，事实上，从过去语音、影像辨识，延伸到给机器一个指令并提供答案的方式，整体运算量高出许多，也意味着需要有更大的运算能力支持，即便仍需要运算时间，即时性仍有进步空间，但对现阶段的AI发展与需求来说是较其次的目标。
业内人士分析，从晶片端来说，目前仍是透过NVIDIA所提供的晶片与平台进行，要让机器变得更像是人，模型的优化变得更加重要，当资料量增加、训练量增加之後，模型也会逐变得更加完整，随後才能开发其他的晶片来跑更客制化的模型。
至於AI技术怎麽往下进行，业内普遍认为，由於目前模型的效能、准确度、使用方便性等等都还在演化、发展的过程中，因此当模型更优化的时候，才会再回到硬体端，晶片设计公司才会以有效率的方式完成相应的硬体开发。
不过，软硬体之间的相互配合也是重要的，硬体能否提供具有强大运算力的平台，也是关键之一。像是由於需要大量的资料量运行、资料存取等需求，使得高速运算、高速传输、记忆体架构、晶片架构等都有再优化的空间。
以晶片架构来说，由於对晶片尺寸、良率等要求使得传统系统单晶片（SoC）转向使用异质整合的架构小晶片（Chiplet）设计，以实现低延迟性、低功耗、高运算等性能，兼顾软硬体协同最佳化的需求。
不过，如果用软体来定义，AI分成训练（Training）、推论（Inference）两种类型，例如自驾车来说，透过道路学习，伺服器处理大量资料後，进而改变後续的行为。而边缘运算当中可以分成近、中、远，依照与资料中心的距离相对概念定义，从IoT装置、小型区域到远端的资料中心，各具功能，也有不同的运算能力，也让伺服器变得更加重要。
除了要让AI好好运算的关键重要CPU之外，非x86架构的晶片做为辅助加速器也更为重要，像是FPGA、ASIC、GPU等。概括性来说，FPGA为现场可程式化逻辑闸阵列，可随时编程、弹性设计、功耗低，用於推论（Inference）可达到优於其他晶片类型；ASIC则是效能最高的方案，能最符合客制化需求，但一次性的成本高，特别是用於消费性产品；GPU则适合於图像训练，但功耗也同样较高，用於训练（Training）相对适合。
不过，目前开放原始码释出的大型语言模型，多数仍以英文为主要优化的对象，繁体中文的语言模型相对不足，因此，联发科辖下的前瞻技术研究单位联发创新基地、中央研究院词库小组和国家教育研究院三方所组成的研究团队，开放全球第一款繁体中文语言模型到开源网站提供测试，可应用於问答系统、文字编修、广告文案生成、华语教学、客服系统等。盼能在硬体优势上，强化软体的技术能力。
另外，在AI趋势之下，伺服器、高速运算、高速传输的需求连带提升，因此纯IP厂、ASIC厂商可望拥有优势。
以纯IP厂商来说，晶心科总经理暨技术长苏泓萌表示，晶心科已打入资料中心AI加速器，扩充指令集，以及客制化的机制可以更有效率的传输资料，减少延迟性，也让效能发挥，这些也让客户认为RISC-V比Arm、x86架构更有优势。
且在高阶终端产品当中，高速传输规格升级的态势明确，包含伺服器、AI、高速运算等领域当中，因此像是纯IP厂商M31也有望随着PCIe Gen5、USB4市场渗透率持续提升之下，新接案的动能不减。
ASIC厂商创意、世芯-KY等也在高速运算需求提升之下，拥有先进制程技术优势，在高速运算当中，ASIC做为加速器的角色，因此许多国际大型业者与ASIC厂商共同合作，更具有快速开发、成功性高、客制化、弹性化的特色，因此ASIC市场规模也是逐年放大。
整体来说，生成式AI技术持续演进，软体之间技术相互配合与优化，提供人类对未来科技生活的想像，也逐步改变人类与电脑运算之间的关系，应持续观察後续产业的变化。
（本文由 MoneyDJ新闻 授权转载；首图来源：Created by freepik）