自主化(Autonomization):臺灣與 AI 運算的缺失中間層
Author:Aero Vanguard
如何透過任務型硬體,讓全球既有機器具備智慧
尚未負擔得起「思考能力」的機器
人工智慧正以前所未有的速度發展,但目前大部分的技術進展,仍集中在更強大的模型、處理器與資料中心之上。而實體經濟(physical economy)所面臨的則是截然不同的挑戰。一輛市政作業車、一台農業機械、一套照護系統,或是一座離岸設施,並不需要具備前沿大型模型(frontier model)的所有能力,而是足夠理解自身運作環境、完成特定工作,並能與周遭其他系統進行溝通協作的智慧。
這項挑戰不只是技術問題,同時也是經濟效益問題。通用型 AI 模組(general-purpose AI modules)讓開發過程更快速、更具彈性,但當產品進入量產時,容易讓終端設備承擔大量實際工作根本用不到的運算能力、記憶體、功耗與成本。另一個極端則是完全客製化晶片(bespoke silicon),這類晶片可以做到極高效率,但其設計、驗證與長期支援成本,單一工業客戶往往難以獨自負擔。在前述兩種模式之間,仍缺少一個重要的市場層級,正是 AI 運算產業的「缺失中間層(Missing Middle)」。
不需要重建整個世界的自主化
所謂自主化(Autonomization),是指將自主運作能力導入各類實體系統,其中也包括全球已經投入使用、數量龐大的既有機械設備。未來的智慧經濟,不可能只依靠製造全新的智慧產品來實現。如果必須先把全球現有的車輛、工業設備與基礎設施全部汰換,才能讓它們進入智慧化體系,這個過程不僅成本極高,速度也將過於緩慢。因此,新一代智慧系統,必須與可重複部署的既有設備改裝路徑(repeatable retrofit pathways)同步發展。
真正的價值來源,不是人工智慧本身,也不是機械設備本身,而是兩者的結合。感測器讓系統能夠「感知(perceive)」環境;專用模型讓系統能夠「理解(interpret)」真正重要的資訊;控制介面讓系統能夠「行動(act)」;通訊系統則讓設備能夠與其他系統「協作(communicate)」。許多智慧實體系統,其實都具備共同的功能語法:感知、理解、決策、行動與通訊協作(perceive, interpret, decide, act and communicate)。但在執行這些功能,所需要的資源條件卻可能完全不同。
例如,一架消防航空器受到重量、電力供應與即時協同作業能力的限制。一輛市政作業車則有不同的成本、安全標準與產品生命週期需求。一座離岸設施可能擁有充足電力,但卻更加重視零組件長期供應、系統可靠度,以及與既有設備的整合能力。同一臺開發用電腦或許可以示範上述三種應用,但這並不代表它就是三種設備量產時最適合的運算元件。
任務類別型運算:Purpose-Class Compute
解決方案並不是「每一種機器都設計一顆專屬晶片」。更具可行性的方向是發展可重複使用的任務類別型運算(purpose-class compute):這類硬體是針對某一類反覆出現的操作需求所設計,並由多家設備製造商共同採用。換言之,它在同一應用類別內具有通用性,但跨應用類別之間則具有專業化差異。
可以參考的例子就是 Wi-Fi 元件。一般製造商不會為每一款產品自行設計無線通訊晶片,也不會為了完成無線通訊功能,就在每一個產品裡安裝一臺通用電腦。當產業建立明確的產品類別、共同介面與足夠市場規模之後,原本高度專業化的工程技術,就能轉化成成本低廉、容易整合的標準元件。對於實體 AI 系統而言,也需要一個類似的中間層。
這本質上是一項 產品定義(product definition)與產業化(industrialization)問題,而不是必須重新發明全新的半導體物理技術。現有的處理器、AI 加速器、記憶體、介面、通訊與資安技術,已經提供許多所需的基本元件。主要的工作是將這些技術圍繞在明確而有限的任務需求上,再將系統放進真實機器中進行驗證,找出哪些需求會在不同專案中反覆出現,最後,只有當整體市場需求達到合理規模時,才進一步投入整合型模組,甚至新的晶片流片(tape-out)。
「有限智慧」本身就是一項優勢
硬體效率的起點,其實來自專業化的軟體。一臺機器應該只搭載完成自身工作環境所需要的模型與知識,而不是配置一個能夠執行大量無關任務的開放式通用智慧系統。這種「有限智慧(bounded intelligence)」並不是通用大型模型的低階版本。相反地,它是一項有意識的系統設計選擇,透過限制系統所需要理解的範圍,可以使其行為更加可預測、可稽核,也更具成本效益。
因此,設計流程應該從實際任務反向推導。這臺機器需要感知什麼?哪些決策必須在本地端完成?它能控制哪些設備或功能?哪些資訊必須傳送給其他系統?這些問題的答案會先決定軟體需求,進而決定所需要的運算能力、記憶體、介面、功耗與封裝規格。在這個階段,硬體與軟體不再是兩個分離的採購項目,而會成為同一個經濟單元。
能源問題讓這項課題無法再被忽視
AI 熱潮最終仍建立在實體基礎設施之上,包括:發電、輸電系統、電網連接、冷卻系統與資料中心。資源的擴張速度,不可能與軟體發展速度相同。如果每增加一臺智慧機器,就必須相應增加集中式、通用型的 AI 推論運算能力,那麼基礎設施最終將成為 AI 部署的主要限制因素。
「任務類別型系統」可以提高每一瓦電力所產生的「有效實體工作量(useful physical work per watt)」。這類系統避免攜帶大量無用的運算能力,可以在設備本地端處理真正相關的資訊,並只將最終決策、異常資訊或必要結果傳送出去,而不是持續把所有原始感測資料回傳中央系統。這並不代表雲端 AI 將被取代,而是把不同的運算工作,分配到最適合、最有效率的位置執行。
從單一系統整合走向一個新的工業類別
這些任務類別無法在會議室或白板上憑空設計。設備製造商必須把真正的機器及操作需求帶進整合與驗證環境。首先,利用現有硬體建立可運作的基準系統;再透過實際現場使用,了解真正的感測資料量、延遲需求、熱管理特性、生命週期要求與軟體穩定性;最後,在不同專案之間的比較,找出反覆出現的限制條件與需求範圍。
當某一組配置持續重複出現,就可以形成一套「參考架構(reference architecture)」。當參考架構開始出現共同需求,就可以進一步發展成標準化模組。當模組累積到足夠市場規模時,才可能合理化全新晶片設計與流片。這就是如何讓獨立的客製化整合專案,逐步成為一個真正的工業產品類別,而不是永遠停留在高成本的一次性專案。
同時,這種模式也能促進分散式創新。設備製造商可以繼續保有自己的產業知識與產品專業,持續設計高度專業化的機器;而共享的半導體與軟體生態系,則可以讓這些公司取得可直接導入量產的智慧能力,而不必讓每一家機械公司都變成 AI 晶片設計公司。
為什麼是臺灣?
臺灣的機會遠早於晶圓製造就已展開。臺灣在半導體研發、IC 設計、封裝、測試、電子製造與系統整合方面所形成的完整能力,奠定將實際操作需求轉化為可量產架構的條件。真正稀缺的能力,不只是「在別人把晶片定義完成之後,把它製造出來」;更重要的是能夠反覆辨識市場真正需要製造什麼。
臺灣有機會成為全球「自主化的整合與產業化樞紐(integration and industrialization hub for autonomization)」。設備製造商帶來實際平台、產業知識與市場需求;研究機構與產業夥伴從實際工作任務反向設計,共同辨識可重複使用的產品類別,並建立對應的參考硬體與開發工具。經過驗證之後,這些元件再回到全球製造商的產品中,使智慧能力不只導入新產品,也能逐步擴散到既有機械設備。
從長期來看,這些系統將愈來愈像一個個「人工神經節(artificial ganglia)」,每個局部智慧系統都理解自己的責任範圍,在明確限制下採取行動,同時將真正重要的資訊與更大的網路共享。目標不是在每一個地方都放置一個巨型「人工大腦」,而是讓實體經濟中的每一個環節,都知道自己需要知道的事情。
建構智慧實體經濟
AI 運算的「缺失中間層」本身就是一項重要的工業機會。通用型硬體仍然會是 AI 開發以及高運算需求工作的重要基礎;高度客製化晶片在單一應用具備足夠市場規模時持續發揮其價值;而「任務類別型運算(purpose-class compute)」則負責連接這兩個世界,把大量反覆出現的工作需求彙整起來,轉化成可重複使用、可規模化的產品。
如果臺灣能夠建立「讓機器轉化為需求、讓需求形成類別、再讓類別轉化為價格可負擔的標準元件」一套完整的產業流程,那麼臺灣未來所扮演的角色,就不只是製造下一代 AI 晶片。臺灣將有機會提供一套真正的工業基礎,使全球的實體系統逐步具備智慧能力。
而預測這個未來最好的方式,就是親手把它打造出來。