當全世界都在瘋狂燒錢、燒電力打造更大的雲端AI資料中心時,一場悄然醞釀的「省電革命」正在改寫遊戲規則。
雲端AI吃電怪獸 vs. 邊緣AI低於一瓦的挑戰
有研究估算,訓練大型語言模型可能消耗相當於數十到數百個家庭一年用電的電力,視模型規模與訓練次數而定。但在2026年6月15日,台灣興櫃公司擷發科技(股票代號:7796)與美國超低功耗神經形態AI半導體矽智財(IP)領導廠商BrainChip Inc.宣布策略合作。雙方將導入其具備「低於一瓦(sub one-watt)」特性的神經形態神經處理單元(NPU)技術,用於邊緣AI情境。
這不是科幻小說的情節,而是針對邊緣AI應用場景的真實解決方案。當自駕車的感測器、工廠的異常偵測攝影機、甚至是智慧安防系統都需要在本地端即時運算時,「把所有數據傳回雲端」這套老招已經行不通了——延遲太高、隱私風險大、頻寬成本更是天文數字。
擷發科技董事長楊健盟一針見血指出產業痛點:「功耗限制與軟硬體整合的流程碎片化,是邊緣AI落地的最大障礙。」
值得注意的是,此處「低於一瓦」指的是特定神經形態NPU IP在特定邊緣AI運算情境下的典型功耗設計目標,而非整個車用系統或工業設備的總功耗。講白了,就是把最耗電的運算核心先處理好,整體系統能不能真的省到這個數字,還得看怎麼封裝、怎麼設計。
神經形態運算:模仿大腦的省電密技
BrainChip的Akida神經形態架構採用類似人腦「事件驅動」的運作模式,僅在偵測到輸入事件時進行計算,從而大幅降低待機時的電力消耗。與多數持續時脈驅動的傳統數位晶片相比,這種架構在聲學語音、視覺運算、雷達與光達感測等邊緣應用中,已展現出明顯的省電潛力。
這套技術已經在聲學語音處理、視覺運算、雷達光達感測等領域展現應用前景。而擷發科技則提供系統級軟硬體整合能力與AI軟體服務平台,透過其跨平台適配與部署工具,協助客戶將AI模型快速移植到不同硬體上,減少過去每更換一次晶片就需大幅修改程式碼的負擔。
用楊健盟的話來說:「軟體帶動硬體。」當開發門檻大幅降低,硬體銷售自然水到渠成。這邏輯很務實,先把工具鏈做好,讓工程師不用每次都重寫一遍,省下來的時間就是競爭力。
市場觀察者類比:這是ARM崛起2.0版嗎?
這場合作讓部分市場觀察者聯想到當年ARM架構如何在行動裝置市場因低功耗優勢而崛起。在電池供電的終端設備上,功耗效率往往比絕對算力更重要。
BrainChip行銷長Steven Brightfield表示,雙方合作將為台灣與全球客戶提供一條更簡化、且經驗證的途徑,來應對最嚴苛的邊緣AI專案挑戰。
不過,市場並非全然樂觀。部分資深工程師指出,神經形態運算雖具備省電優勢,但在主流開發者生態系的夾擊下,軟體轉換成本仍是一大挑戰。量產時程、實際客戶導入速度、以及對營收的貢獻,都需要時間驗證。說穿了,就算技術再好,如果沒人願意改code、沒人願意重新測試驗證,再省電也只是PPT上的數字。
挑戰或機會?市場仍在觀察階段
智慧車載、安防監控、工業物聯網——這些鎖定的目標市場確實充滿想像空間。但從概念驗證到終端產品真正放量,中間還有一段漫長的路要走。
可以確定的是,當雲端AI巨頭們還在比拼誰的資料中心更耗電時,這群「邊緣玩家」已經悄悄開闢了一條全新賽道。至於這條路能走多遠?有機會改變現有雲端集中式架構的主導地位嗎?也許答案就藏在那「低於一瓦」的數字裡,但目前仍需更多實際部署案例來驗證。畢竟,再漂亮的規格都要等投片出來、跑完測試、客戶真的下單了,才算數。
