下載報告
聯絡我們
AI晶片擴產推升算力，Token分級成成本關鍵
發佈日期
2026-11-12
更新頻率
不定期
報告格式
2027年AI晶片量續強成長，帶動算力供給逾翻倍；低精度運算與MoE架構降低推論成本，企業任務分級成關鍵，2028年後須留意供需失衡風險。
重點摘要
- 晶片出貨：2027年GPU與ASIC需求皆強，晶片量持續成長，算力供給有望逾翻倍。
- 算力結構：北美CSP自研ASIC占比提升，侵蝕既有晶片商份額；FP8漸成訓練新選項。
- 成本優化：FP4與MoE壓低單位Token推論成本，旗艦與高效模型產能及價格差距顯著。
- 風險展望：Agentic AI加重記憶體負擔；2028年後若推論需求不及供給，成長恐趨緩。
目錄
- 預期2027年CSP等終端客戶對GPU及ASIC需求仍強，帶動全球AI晶片量將成長
- 上游料件仍顯緊缺下，CSP等終端客戶將採不同等級LLM AI模型來提升Token使用效率
- AI訓練模型仍以BF16/FP16為主，但FP8逐漸浮現將為高效模型訓練選項
- BF16/FP16 Still Mainly Used For Training In 2026, But FP8 Becoming New Option
- AI推論需求驅動FP4算力快速成長，MoE架構成降低運算成本重要關鍵
- AI Model Developers Increasingly Adopt FP4 and MoE to Reduce Computational Costs
- 高效型LLM的Output Token量遠高於旗艦型，未來依不同任務決定採用AI模型級距以提升經濟效率將成顯學
- Classifying Requests To Different Levels of AI Model Grows Critical For Enterprises In Saving Costs
- 企業AI應用成本控制將成焦點，未來仍得觀察2028年後算力是否有供需失衡而成長趨緩風險
<報告頁數：8>
