製程升級/專用化/改架構　AI訓練/推論晶片算力攀升

人工智慧晶片的算力逐漸成為效能的指標，其中雲端(Cloud)、邊緣(Edge)、訓練(Training)及推論(Inference)，更朝向專用與分流趨勢發展。

人工智慧(AI)在經過幾年熱潮後逐步落地，過去強調AI準確性的做法，轉變為追求效率，而「算力」似乎成為AI晶片效能最容易理解的指標，TOPS(Tera Operations Per Second)或TOPS/w慢慢成為產業共識，儘管構成算力的條件很多，AI執行效能也非僅從算力就能完全判定。進入所謂AI 3.0的時代，資料運算複雜性持續提升，但希望在有限的資源下達成最佳化管理的目標，算力就是系統效能最初步/簡易的判別指標。

另外，AI針對不同場景與任務，可以分為雲端(Cloud)與邊緣(Edge)、訓練(Training)與推論(Inference)，為了提升效能表現，這四類工作走向專用與分流，處理雲端訓練的晶片依然強調運算能力，希望能以資料處理量為重點，然而在另一端的邊緣推論則可犧牲部分精度，以求在最低的功耗下獲得可接受的結果，在強調運算與講求耗電的兩種需求就像是光譜的兩端，加上雲端推論與邊緣訓練，為AI晶片畫出四個明確的專用分流路線。