聯發科高管：2030年百萬H100算力將僅屬中等規模
Nashnova编辑部
聯發科高級總監梁伯頌預計，到2030年全球將有超過10座數據中心超越百萬顆H100算力規模，單座耗電可達3至4吉瓦——AI的下一個瓶頸正從晶片轉向電力與基礎設施的物理極限。
AI數據中心的算力規模漲了多少？
梁伯頌以H100等效算力為基準：當前全球最大AI數據中心約相當於100萬顆H100 GPU，耗電接近1吉瓦。
到2030年，這一規模可能僅算「中等」——屆時預計超過10座數據中心將超越該量級，單座耗電可達3至4吉瓦。
這意味著→ 五年內，今天的「天花板」將變成「起步線」，算力需求的膨脹速度遠超多數人的直覺。
GPU需求是怎樣一步步爆發的？
Transformer架構出現前，訓練一個模型所需GPU不足10顆。
到ChatGPT時代，這個數字升至數千乃至近萬顆。
如今超大規模數據中心已達40萬至50萬顆GPU的量級，且仍在擴張。
簡單來說＝ 不到十年，訓練一個模型的GPU用量翻了五萬倍以上，增長曲線幾乎是垂直的。
電從哪來——為甚麼有人提太空數據中心？
梁伯頌援引美國半導體行業協會（SIA）數據：全球算力消耗增速已開始超出地面能源系統的舒適承載範圍。
這在一定程度上解釋了馬斯克提出「太空數據中心」構想的背景——地面電力可能根本不夠用。
若行業最終目標是1太瓦（太瓦＝一萬億瓦特）算力規模，這相當於美國全國用電量的約兩倍，屆時還可能需要部署數百萬顆衛星。
這反映出 AI發展的下一個瓶頸正在從計算晶片本身，轉向電力與基礎設施的物理可用性。
晶片設計還夠用嗎——系統工程意味著甚麼？
梁伯頌強調，在如此規模下構建AI基礎設施，已無法單靠晶片設計實現。
必須涵蓋台積電先進制程、先進封裝，以及縱向擴展（scale-up，單機內部互聯做大）與橫向擴展（scale-out，多機協同聯網）的系統級工程。
目前已承諾投入AI基礎設施的資金超過1萬億美元，但梁伯頌認為這僅足以應對當前需求，未來產能缺口依然巨大。
這意味著→ 台灣半導體供應鏈的戰略地位料將進一步提升——因為制程和封裝能力集中在那裡。
AI架構正在發生甚麼變化？
AI正從依賴單一大語言模型（LLM），轉向由多個AI智能體（agent，各有角色和能力的AI程式）組成的協作團隊。
梁伯頌提出七層AI架構——相比黃仁勳的五層「蛋糕」，多出獨立的上下文層和智能體層，強調協調與應用才是最終釋放生產力的關鍵。
簡單來說＝ 未來AI不是一個「全能選手」，而是一群「專才」分工合作，靠協調層把它們串起來。
人會不會成為AI的瓶頸？
梁伯頌描述了軟件演進路徑：從提示詞工程→上下文工程→工作流工程，呈「倒金字塔」式進階。
他認為，若人類持續逐一驗證每個AI輸出，人本身將成為瓶頸。
未來方向是AI智能體相互交叉驗證，人類通過指標與異常監控對整體流程進行監督。
這意味著→ 這一轉變可能催生一門全新學科——AI管理學，管的不是人，而是一支AI團隊。
Content is for reference only, not financial advice.