AI 真的能「實際商用」生成 1 小時以上的高畫質影片，整個硬體 stack 幾乎都要升級一個世代，不是只加一點 RAM 或多幾顆 GPU，而是「算力架構、記憶體、儲存、頻寬、散熱」全面往上拉。
撰文｜AI伺服器研究團隊｜2025年11月一、算力需求：GPU 等級直接往「持續算一小時」的方向設計
現在的短影片生成（幾秒～1分鐘），典型是 Diffusion / Transformer 模型，每一「幀」或每一段 latent 都要做多次迭代。
10 秒影片（例如 24fps ≈ 240 frames），已經可以吃滿多顆 GPU、跑好幾十秒～幾分鐘，還要做分段生成 + 拼接。
變成 1 小時影片會怎樣？
1 小時 = 3600 秒，以 24fps 計：3600 × 24 = 86,400 frames（現在很多 model 根本不會直接做到這麼長，都用 chunk 分段處理）
要讓敘事連貫、不崩壞，模型必須：
- 長序列注意力（long-context attention）：不是只看當下幾秒，而是「全片角色、場景、光影、故事線」要一致。這會讓運算複雜度跟序列長度一起爆炸 → 逼 GPU/ASIC 要有更高的 TFLOPS + 更好的快取/記憶體架構。
- 多 GPU / 多節點協同：一小時影片幾乎一定要多 GPU pipeline / tensor parallel / sequence parallel。對硬體規格的要求：更高頻寬的 GPU 間互連（NVLink、CX8/IB 之類）。node 間網路：400G → 800G，甚至 Tb/s 級 backbone 才能撐住集群算力。
未來能做 1 小時影片生成的機房，會更像「影視渲染 farm + AI 叢集」的混合體，GPU/ASIC 的設計會更重視長時間穩定滿載 + 高頻寬互連，而不是只拼單次推論 latency。
二、記憶體（HBM / DRAM）：從「塞模型」變成「塞整部片的語意狀態」
現在已經看到幾個趨勢：
- 模型本身：Foundation Model 幾十億～上百億參數（video diffusion / VLM）。
- 上下文暫存：每一段影片 latent、中間 feature map，角色姿態、camera movement、物體軌跡等「狀態」，如果要保持 1 小時的連貫，這些 state 需要長時間存在。
硬體影響：
單卡 HBM 容量，現在 HBM3/3E 走到 96GB / 144GB 等級已經是趨勢。1 小時級影片生成如果要在「較少分段」情況下跑，很容易需要多卡 HBM 疊加上 TB 級的系統 DRAM。
系統 DRAM 容量 & 頻寬，在 host 端要存更多中間結果、索引、場景圖（scene graph）。Server DRAM：從現在 1–2TB 進階到 4TB 甚至 8TB per node 會比較合理，且要搭配更高 DDR5/DDR6 頻寬。
記憶體架構演進，CXL memory pool / disaggregated memory 會更重要，因為一部片的狀態不見得塞得進單一伺服器。對硬體規格來說：需要支援 CXL、更多 PCIe lanes、更高頻寬 IO die。
三、儲存（Storage）：從幾百 GB 升級到「PB 級長影片素材庫」
影片長度提升，幾個維度會被放大：
輸入素材 / prompt 相關資源
長片通常不是「一段 prompt 到底」，會有：腳本、分鏡、參考圖、lookbook、角色資料庫。模型可能需要反覆從儲存系統拉取這些 reference。
輸出影片本身
假設 4K、60fps、壓縮後平均 20–50 Mbps：1 小時 ≈ 9–22 GB / 每部。如果生成多版本、迭代修稿，很快就是 TB 級。
中間產物（latent / feature / draft clips）
training / fine-tune / iterative generation 時，會暫存大量中間 video tensor。需要高速 SSD/PCIe Gen5/Gen6 + 可能的 以 NVMe-oF / 專用 AI storage appliances。
硬體規格面：
單機 NVMe SSD 從現在 20–40TB → 80TB / 100TB 類型越來越吃香。
機櫃層級：高密度 all-flash array，專門給 AI 視訊工作負載。
IOPS & Seq. throughput 都要拉高，避免 I/O 變成瓶頸。
四、網路頻寬：生成只是第一步，「傳輸與協同」也很吃 spec
如果是雲端 AI 影片服務，1 小時影片帶來的網路壓力有：
模型內部（GPU 間 / 節點間）
前面講過：多 GPU 協同 → 需要更高速的 Infiniband / RoCE。800G/1.6T 網卡會變成高端 AI video 叢集標配。
儲存與算力之間
Data Lake / object storage 與 compute node 間要支援高吞吐。S3-compatible + RDMA / 高速 cache node 結合。
對外輸出給用戶
如果用戶要「邊看邊生成」、「生成完馬上雲端剪輯」，後端頻寬壓力更大。CDN + edge compute + 檔案壓縮編碼 (AV1、HEVC) 都要同步升級。
五、散熱與電力：1 小時影片 = 長時間滿載的「小型 HPC 任務」
生成長影片代表GPU/ASIC 長時間滿載（不是跑幾秒就結束），加上儲存、網路、CPU 也在高負載狀態。
硬體趨勢會是：
機櫃功耗
從現行 30–50kW/rack → 80–120kW，甚至更高。傳統風冷很難撐，必須進到 液冷（cold plate / rear door / MCL / CDU）。
冷卻設計
liquid-cooled GPU、CSP 自研 high-density AI racks。高算力 video generation cluster 會直接被歸類成「需要液冷」的工作負載，不太可能只靠風冷。
電力基礎建設
長影片生成如果變成主流商業服務，資料中心的 MW 級電力需求會更難壓低。也因此會推動：更高效的 power delivery、直流供電架構、甚至再生能源 PPA。
六、專用 ASIC / 新架構的可能性
當「長影片生成」成為一個穩定的商業市場後，硬體有幾個很可能的方向：
專用 Video-Gen ASIC / NPU
針對長序列視覺 + 時間建模做特化，更大的 on-chip SRAM 作為短期記憶，更高效的 attention / Conv / MoE 單元。目標是同樣電力下，生成同長度影片的速度比 GPU 快很多。
類似遊戲引擎的「AI 視覺引擎」硬體
部分邏輯交給類似 GPU RT cores / tensor cores 的專用單元處理，結合物理引擎、骨架動畫、camera path 模組，減少模型純算力壓力。
記憶體層級更多樣
HBM + GDDR + CXL RAM + NVMe 一起構成一個「分層視覺快取系統」，像遊戲讀圖一樣，只把當下片段和關鍵暫存放在最快的 HBM，其他存放在較慢但大的層級。
七、總結硬體規格的變化方向
「從能生成幾秒廣告的 AI 算力，進化成能長時間渲染一整部電影的 AI 影視工廠。」
具體就會是這樣：
- GPU/ASIC：更多算力、更高頻寬互連、為長序列優化的架構。
- 記憶體：單卡 HBM 更大、系統 DRAM 拉到多 TB、CXL 記憶體池普及。
- 儲存：高容量、高吞吐的 all-flash + AI 專用 storage。
- 網路：800G / 1.6T 級內部網路成為標準配備。
- 散熱 / 電力：機櫃功耗破 100kW，液冷成為 AI video cluster 的必然選項。
