GPU
含有「GPU」共 1106 篇內容
全部內容
發佈日期由新至舊
2026/03/10 是圓圓過世後的第 275 天，今天要去桃園上班，不過中午要吃單位聚餐，我怕太晚吃早餐去那邊就吃不下了，而且我手上還有些事情要忙，所以就罕見正常時間出門，但是目的地是桃園總部，早上八點出門可以想像會比十點出門還要塞，而且今天又下雨，所以就是困在高架道路，對了，早上滑手機的時候看到
探討 AI 時代目前消費者感受到的硬體成本上升現象，分析其與半導體產業資源分配、記憶體價格傳導的關聯，並將此現象類比為科技革命初期的「建設通膨」。文章也預期，長期來看 AI 有望透過提高生產力，帶來「技術型通縮」，但目前正處於從短期成本上升到長期紅利的過渡階段。
在前一篇文章中，我提到了當年為什麼選擇留在台北，而沒有去新竹的故事。相信很多讀者好奇，既然不去上班，那為什麼你還在最近股價回檔時，選擇繼續加碼台積電？
身為一個資工系出身、擔任多年產品負責人的人來說，我想從「護城河」與「沉沒成本」以外的角度，聊聊我的看法。
付費限定
系列文｜光通產業鏈故事
先說一個不舒服的事實
這個系列前四篇，說了很多光通革命的理由：銅線的物理極限、台積電的 COUPE 技術、三家台廠的定位、法人的籌碼訊號。
每一個邏輯，單獨看都很有說服力。
但如果你是一個合格的投資人，讀完這些之後，腦子裡應該出現一個問題：那什麼情況下這個故事會走樣
付費限定
系列文｜光通產業鏈故事
你的 AI，靠他們的零件在跑
新竹科學園區旁邊，有一排看起來很普通的廠房。
沒有炫目的招牌，沒有媒體報導，員工數量幾百人。這種規模的公司，在台灣科技業的食物鏈裡，屬於那種「你不去查就不會知道它存在」的層級。
但如果你現在打開 ChatGPT，或者跑一個圖像生成模型，
系列文｜光通產業鏈故事
一個讓工程師興奮了二十年的想法
有一個想法，在光電工程師的圈子裡流傳了將近二十年。
想法很簡單：既然半導體可以用矽做，光學元件為什麼不行？
傳統的光通訊元件，用的是化合物半導體——磷化銦（InP）、砷化鎵（GaAs）。這些材料做出來的雷射和光接收器，性能優異，但製造
大型語言模型（LLM）到底是在「理解」，還是在「記憶」訓練資料？
很多研究（例如來自 Stanford University、OpenAI、Google DeepMind）發現：
LLM 同時包含「記憶」與「推理」，而且比例會隨資料與模型大小改變。
下面用比較直觀的方式說明。
系列文｜光通產業鏈故事
一個沒有人在乎的物理事實
黃仁勳站在舞台上，背後是一張投影片。
上面是一個機櫃的剖面圖，密密麻麻的線路，像一棵被剪掉葉子的樹，只剩下藤蔓互相纏繞。他說：「我們做到了。72 顆 GPU，連在一起，像一顆巨大的超級晶片。這個架構將會改變 AI 的一切。」
台下掌聲。
這是很多人自己做「私人 AI 助手 / 領域模型」的典型做法。整體分成：模型選擇 → 資料 → 訓練 → 推論部署。
一、硬體條件（RTX 4090）
RTX 4090
VRAM：24GB
FP16 算力：約 82 TFLOPS
適合：LoRA / QLoRA 微調
能訓練模型大小：
