當 AI 每半年就進化一個世代：陳良基剖析推論時代的硬體分工邏輯，拆解台灣半導體的下一波優勢
專訪：戴季全
撰稿：李昀蔚
這幾年，從 ChatGPT 在 2022 年底問世、2023 年快速爆發，到 2026 年 AI 出現百花齊放的局面，AI 競爭也一路從模型能力，延伸到晶片、算力與推論架構的全面較勁。尤其在 NVIDIA GTC 2026 之後，當產業焦點逐漸從訓練轉向推論，整個 AI 發展的節奏，又進入下一個階段。
本集《全新一週》特別邀請國立臺灣大學電機工程學系名譽教授、前科技部長陳良基，從「算力即國力」的長期觀察出發，進一步梳理這十幾年來 AI 算力與晶片技術的演進脈絡。
AI 每半年迭代，關鍵就在算力
過去台灣很早就提出「算力即國力」的概念，如今全球對 AI 晶片的渴求，已經把算力與國力的連結具體化。對此，陳良基指出，算力確實是 AI 發展的核心，因為只有在算力夠強的情況下，AI 研究者的各種想法，才有辦法透過快速回應的算力持續推進，並立刻迭代前進。
「半導體的生命週期大概是兩年一個世代，可是 AI 是半年一個世代，所以等於從 2023 年到現在，每一個世代幾乎是倍增，」陳良基表示，當算力充足，點子就會滾得更快，前一代可以立刻被改進，進而讓效能與能力接近十倍速成長。照這樣的邏輯，一年就是百倍，再往上又是新一輪倍增。
陳良基以 Anthropic 為例，指出這家公司 2021 年才成立，但從 2022 年到現在，營收幾乎每年倍增。這也印證，當 AI 一路往前推，會影響每一個人與各行各業，只要每個人都開始使用 AI，所帶來的經濟動能就會非常驚人，「對台灣來講，這當然是一個機會，因為 AI 能力提升需要靠算力支撐，目前台灣是全世界算力的主要提供者，所以台灣站在一個有力的角色底下，AI 繼續發展當然對台灣是最好的一件事，」陳良基說。
推論時代正在打開台灣新機會
談到 NVIDIA 在 GTC 2026 上的布局，陳良基認為，NVIDIA 在 AI 時代的角色，有點像 PC 年代的 Windows 加 Intel，因為過往每一代新的 PC，都必須靠 Windows 與 Intel 往下支撐。到了 AI 世代，NVIDIA 因為握有 CUDA 這條護城河，目前是由其同時主導軟體與硬體，因此能自己帶著整個生態系往前跑。
不過，當基礎建設走到一定程度後，重點就不再只是有沒有算力，而是成本能否下降到足以進入更普遍的經濟場景。陳良基指出，當 Token 成本持續下滑，AI 才可能真正進入庶民經濟，畢竟再好的技術，如果太貴，終究用不起。就像早年 PC 之所以能普及，是因為能把機器做得非常便宜、讓全世界都用得起，AI 也是一樣，若要真正進入一般行業與大眾日常，Token 價格一定要降到某個程度。
陳良基接著以 DeepSeek 與 Google Gemma 4 為例，指出另一個明確趨勢：AI 算力正從集中式大型伺服器，轉向更貼近身邊裝置的運算。DeepSeek 因強調軟硬體簡化，得以更深入一般應用；Google 的 Gemma 4 則只用 20 億參數，就能在手機甚至物聯網場景中運作。這也代表，當 AI 能力成為一般人「用得起」的東西後，經濟效益將完全不同，算力也會從集中式基礎建設，逐漸變成各產業都能鋪設的「AI 產業道路」。
「這對台灣來講，又是另外一個產業大爆發的機會，」陳良基分析，過去臺灣本來是想搶佔 AI 主機市場，但到了推論時代，當 AI 被推進到更多應用場景、每個環節都需要軟硬整合時，台灣的機會將比現在更大。尤其若真正要走向終端經濟，性價比一定最重要；而台灣的強項，正是透過群聚與整合，把昂貴的東西做到又便宜又小。只要能把這套能力與 AI 終端應用、物聯網及各式裝置結合，台灣就能真正發揮軟硬整合優勢。
AI 晶片為何越分越細？因為專業分工就是最高效能
現在，除了大家熟悉的 NVIDIA GPU，還有 Google TPU、LPU、NPU，以及越來越多人談的量子電腦 QPU，我們該如何理解這些不同晶片形式？
陳良基點出，半導體的特質，就是把很多功能塞進一顆很小的晶片裡。當功能被濃縮進去後，買一顆晶片，幾乎就等於把相關能力一起買下來，這也是性價比最高的做法。像自然語言處理、語音辨識等 AI 功能，原本可能分散在不同運算過程中，但只要技術逐漸成熟，就會被做進單一晶片，甚至縮成晶片中的一小塊。因為晶片一旦做成硬體，規格就是固定的，若還要頻繁改動，反而不划算。因此，只要功能已能清楚定義、用途相對明確，最後通常都會被做成專用晶片，就像晶片世界裡的「專業分工」，把不同任務交給專屬的硬體處理，效能也會最高。
至於 QPU，也就是 Quantum Process Unit，陳良基提醒，不必把它想成能全面取代現有 AI 運算的下一代通用解法。因為量子電腦的特性很鮮明，就是在因數分解這類問題上特別厲害，所以主要應用在金融業或軍方的通訊加解密需求上，但對一般運算並沒有太大作用。當年，啟動台灣量子電腦專案時，陳良基就曾與許多專家討論，結論是量子運算能否廣泛用在一般情境，仍要看後續是否出現足夠的數學基礎。此外，針對外界擔心量子運算可能瓦解比特幣等加密機制的疑慮，他也補充，目前已有後量子密碼學（PQC）的理論與規範先行準備，因此這類危機暫時不會發生。
AI 的加速演進，背後仍是算力、晶片與成本結構同步改變的結果。當產業從訓練走向推論、從大型資料中心走向終端裝置，競爭焦點也將從單一模型能力，轉向軟硬整合與落地效率，而這正是台灣最有機會發揮優勢，並接住下一波產業動能的關鍵時刻。