當全球還在追逐AI資料中心與GPU軍備競賽，耐能智慧創辦人兼董事長劉峻誠卻拋出另一個更具挑戰性的判斷：下一波AI主戰場，不會只停留在雲端訓練與大型機房，而將快速走向推論、走向終端、走向邊緣裝置。換言之，真正值得關注的下一代AI晶片，不一定還是GPU，而更可能是NPU。
劉峻誠今（11）日在《風傳媒》社慶論壇上指出，市場現在過度聚焦AI資料中心，但真正重要的其實是AI應用。他認為，AI硬體架構正沿著CPU、GPU，再往NPU演進。CPU是約60年前的通用邏輯運算架構，GPU則是約30年前為圖像與遊戲而生，後來被證明適合大規模AI訓練；至於NPU，則是針對AI工作負載進一步優化的架構方向。
AI下階段走入終端 重點從CPU、GPU聚焦到NPU
他用一個較易理解的比喻來形容這場轉變，CPU到GPU再到NPU，就像從錄影帶走到DVD，再走到MP3。不是舊架構突然失效，而是新架構在成本、效率與應用場景上，更適合下一階段的需求。
劉峻誠認為，當前全球AI產業仍大致停留在第一階段，也就是以大型資料中心進行模型訓練為主的階段；但接下來很快就會走向第二階段，也就是推論為主的時代。屆時若仍用最昂貴、最大型的GPU硬體處理所有場景，將出現明顯的資源浪費與效率失衡，變成典型的「牛刀切水果」。
也因此，他強調，GPU在訓練階段雖仍占據關鍵地位，但在推論與終端應用場景未必是最適解。從TPU、LPU到NPU，本質上都代表AI運算正朝更專用、更高效率的方向前進。尤其當AI能力逐步下沉到手機、筆電、車用系統、機器人與各種終端設備時，NPU的重要性將持續上升。
AI競爭不只比算力 效率與能源成本是關鍵
他進一步把這個技術議題拉回台灣現實。劉峻誠指出，台灣是一個資源有限的島國，若未來仍沿用以GPU為中心的大型資料中心模式發展AI，不只電力需求龐大，還會面臨散熱、水冷、碳排與能源安全等壓力。尤其台灣天然氣存量有限，若供應鏈或能源運輸發生風險，問題將更為嚴峻。
他直言，若在這樣的條件下，台灣還一味押注高耗能的GPU型資料中心，風險其實相當高。對台灣來說，AI競爭不只是比誰算力更強，也是在比誰的算力更有效率、能以更低的能源與基礎設施成本落地。
這也是他反覆強調「AI真正的瓶頸是晶片」的原因。劉峻誠表示，若有下一代架構能把特定場景的效率拉開到十倍、二十倍，甚至百倍差距，就有機會真正解決當前AI發展面臨的算力與能源壓力。他也引用市場預測指出，邊緣AI將自2027年起快速成長，到2032年時，端側AI市場規模有望達到雲端AI市場的3.37倍。
太習慣把注意力放在優勢上 台灣需從製造領先走向技術主權
這個數字背後的意義，不只是某個新興市場正在崛起，更代表產業若仍只盯著當前最熱的GPU與雲端資料中心，可能會錯過下一輪更大的成長曲線。
劉峻誠也提醒，台灣的問題從來不是沒有製造能力，而是太習慣把注意力放在既有優勢上。台灣在GPU世代的製造供應鏈確實很強，從模組、伺服器到整機代工，都在全球占有舉足輕重的地位；但也正因為這一塊太強，反而容易忽略下一代架構轉移正在發生。
他指出，CPU時代是「架構在美國、製造在台灣」，GPU時代同樣如此，真正拿走最大價值與定價權的，仍是定義架構的人，而不是單純負責生產的人。這也正是他反覆強調NPU對台灣意義的原因：它不只是新產品或新題材，而是台灣能否從製造優勢進一步走向技術主權的關鍵。
AI不只是硬體之爭 籲台灣把目光放到下一個十年
「不要只押GPU。」劉峻誠說，台灣若想延續這一波AI紅利，不能只守住當前最強的製造優勢，更要思考如何切入下一代AI架構與關鍵技術，否則很可能在下一波產業洗牌中，繼續扮演重要但被動的角色。
他最後呼籲，台灣應把眼光放到下一個十年，重新思考什麼才是真正值得押注、能為國家建立長期底子的技術。當AI從訓練走向推論、從雲端走向端側、從GPU走向NPU，這場新一輪競爭，已不只是硬體規模之爭，更是技術路線與國家戰略的選擇題。
更多風傳媒獨家新聞：
