AI 晶片一代比一代強，全球科技公司卻還在蓋更多資料中心、採購更多晶片。為何運算效能持續提升，半導體需求反而愈滾愈大？輝達（NVIDIA）執行長黃仁勳認為，答案與生成式 AI 帶來的新運算模式，以及摩爾定律紅利減弱有關。
原因不只在於模型變得更複雜。黃仁勳在 9 月 10 日 Goldman Sachs Communacopia + Technology Conference 2026 與高盛（Goldman）分析師 Jim Schneider 對談中，以過去數十年的電腦發展解釋這項轉變。
他認為，電腦正在經歷兩個同時發生的變化：一邊是生成式 AI 把運算從「找出已經存在的答案」，改成即時產生答案；另一邊則是摩爾定律過去持續壓低運算成本的紅利正在減弱。需求加速、成本下降速度卻不如從前，最後就會需要更多晶片與更大的運算系統。
到科技圓桌討論，聽聽專家怎麼說 >過去電腦負責「找資料」，AI 現場算出答案
黃仁勳把上一代電腦稱為以「檢索」（retrieval）為基礎的運算。過去使用手機、搜尋引擎或網路服務時，多數內容早已儲存在某個地方。使用者送出要求後，系統負責找到幾個可能的結果，再依照個人偏好推薦其中一項。
生成式 AI 的運作方式不同。如果使用者希望什麼都能問，而且立即得到符合當下情境的回答，電腦就不能只是把既有資料找出來，而必須根據問題、上下文與個人需求，現場「生成」結果。
這也讓支撐 AI 的基礎設施從以儲存、檢索既有資料為主，進一步轉向需要大量即時運算來生成結果。
黃仁勳以推薦系統作比喻。過去大型網路平台可以用一套推薦引擎服務大量使用者；到了生成式 AI 時代，情況更像每個人背後都有一套專屬系統，持續根據不同情境產生結果。
從十億人用電腦，變成數千億個 AI 代理持續運算
AI 代理又把這項需求往上推了一層。黃仁勳指出，過去主要是人類使用電腦工具，而且人會睡覺、會停止工作；未來則可能出現數以千億計的 AI 代理持續執行任務。
這些代理也不是像早期聊天機器人一樣，收到一個問題、產生一次答案就結束。較複雜的 AI 工作需要反覆推理、修正與執行，因此同一項任務可能持續消耗運算資源。
換言之，未來增加的不只是使用 AI 的人類，也可能是持續執行任務、反覆推理的 AI 代理數量。這也是黃仁勳判斷半導體需求仍有成長空間的重要原因。
摩爾定律過去幫忙降成本，現在這項紅利正在變小
黃仁勳指出，半導體產業多年來的需求一直在成長，但過去還有另一股力量同時作用：摩爾定律。
過去隨電晶體密度持續提高，同樣面積能容納更多電晶體，並長期推動運算效能與成本效益改善。黃仁勳把這種效果形容為一種「通縮」（deflationary）力量。
也就是說，即使全世界需要更多運算，晶片本身進步帶來的成本下降，也會抵銷部分需求成長。
但他認為，這項模式正在改變。當電晶體無法再像過去一樣快速縮小，如果產業仍希望每隔幾年大幅提高 AI 運算能力，就不能只依靠單顆晶片本身的進步，而必須把更多晶片連在一起，從封裝、互連到整個系統一起設計。
黃仁勳也因此提到台積電 CoWoS 與自家的 NVLink。前者讓多顆晶片能在封裝層級更緊密整合，後者則讓更多運算晶片可以高速連結。對輝達而言，當單顆晶片無法單靠製程微縮持續取得過去幅度的成長，就必須把擴充範圍從「一顆晶片」拉到「整套電腦」。
他直言：如果需要兩倍的電晶體，就得想辦法使用更多晶片。
AI 把半導體成長邏輯改成「需求加速、成本紅利減弱」
生成式 AI 把電腦從檢索工具變成持續產生答案的運算系統，大量 AI 代理又進一步增加運算次數；另一方面，摩爾定律過去替產業持續降低單位運算成本的效果正在減弱。
當兩件事同時發生，新增的 AI 需求就更可能轉化成更多晶片，以及對記憶體、先進封裝與大型運算系統的需求。
黃仁勳因此預期，半導體產業規模會持續擴張。
這套論點的重點，並不是每一代 AI 模型都一定比上一代消耗更多晶片，而是整個電腦產業正在改變使用運算資源的方式。
過去是人類需要時才打開工具、尋找既有資訊；未來則可能是大量 AI 代理全天候產生答案、反覆思考與執行工作。依黃仁勳的推論，當 AI 代理數量增加，且複雜任務需要反覆推理與執行，整體運算需求仍可能持續增加。
在黃仁勳的論述中，AI 與過去網路時代不同之處，在於它帶來的不只是另一套軟體應用，而是建置新一層運算基礎設施的需求。
评论 (0)