AI應用百花齊放，兩大AI巨頭輝達、超微全力衝刺高效能運算（HPC）市場，傳出包下台積電今、明年CoWoS與SoIC先進封裝產能，助攻台積電AI相關業務訂單熱轉。

台積電高度看好AI相關應用帶來的動能，總裁魏哲家於4月法會上修AI訂單能見度與營收佔比，其中，訂單能見度從原預期2027年拉長到2028年。

台積電認為，伺服器AI處理器今年貢獻營收將成長超過一倍，占公司2024年總營收十位數低段（low-teens）百分比，預期未來五年伺服器AI處理器年複合成長率達50%，2028年將佔台積電營收超過20%。

業界指出，AI需求強勁，亞馬遜AWS、微軟、Google、Meta等全球雲端服務（CSP）四巨頭積極投入AI服務器軍備競賽，使輝達、超微等AI晶片大廠產品出現供不應求盛況，並對台積電先進製程、先進封裝全力下單，以因應雲端服務大廠龐大訂單需求，台積電2024年與2025年CoWoS或SoIC等先進封裝產能都已全數被包下。

因應客戶龐大需求，台積電正積極擴充先進封裝產能。業界推估，今年底台積電CoWoS月產能看4.5萬至5萬片，較2023年的1.5萬片呈現倍數成長，2025年底CoWoS月產能更將攀上5萬片新高峰。

SoIC方面，預期今年底月產能可達五、六千片，同樣較2023年底的2,000片倍數成長，並於2025年底衝上單月1萬片規模。由於大廠全數包下產能，台積電相關產能利用率將維持高級水準。

據了解，輝達目前量產出貨主力H100晶片主要採用台積電4奈米製程，並採用CoWoS先進封裝，與SK海力士的高頻寬記憶體（HBM）以2.5D封裝形式供貨客戶。

至於輝達新一代的Blackwell架構AI晶片雖然同樣採用台積電4奈米製程，惟是以加強版N4P生產，同時搭載更高容量及更新規格的HBM3e高頻寬記憶體，因此運算能力將比H100系列倍數成長。

另外，超微的MI300系列AI加速器則採用台積電5奈米與6奈米製程生產，與輝達不同之處在於，超微在先進封裝上，先行採用台積電SoIC將CPU、GPU晶粒做垂直堆疊整合，再與HBM做CoWoS先進封裝，因此製程良率多了一道先進封裝難度較高的SoIC製程。

日前台積電舉辦2024年科技研討會北美高峰會，會中亮相許多前沿技術，摩根大通在最新報告中強調，台積電在技術創新和先進封裝領域的地位，未來在AI時代將起到關鍵作用，透過一系列技術突破，台積電有望在未來幾年繼續保持在半導體產業的領先地位。

儘管如此，知識力專家社群創辦人曲博指出，電晶體越小，理論上晶片就越小，一片晶圓能做出來的晶片就會變多， 所以理論上單位成本會隨電晶體的縮小而降低。然而先進製程發展到一個程度之後，技術複雜度大幅增加，特別是極紫外光（EUV）一旦用下去，成本立刻暴增，導致進入3奈米，成本不但下不來，反而是增加，更遑論未來進入2奈米甚至1奈米。

無論是電晶體縮小來到極限，抑或是成本因素的考量，未來半導體產業的重要發展，就是採用先進封裝技術把不同的晶片堆起來，讓電晶體的密度再增加。台積電日前已推出其晶圓級系統（SoW）產品，該產品允許封裝大量晶片（邏輯晶片、複合SoIC封裝、HBM和其他晶片），以及在完整12英寸矽晶圓尺度上的電源和熱模組。與CoWoS和3DSoIC相比，先進封裝複雜性和能力的顯著提升，因為整個運算系統可能會被封裝在單一晶圓中。

但曲博也提醒，台積電投入這一塊雖然花了很多功夫，但是先進封裝這個領域英特爾（Intel）其實技術也是很強的，大家一定要分清楚一件事， 在「先進封裝」上，台積電並沒有絕對領先英特爾，台積電是在“先進製程”上領先Intel。所以隨著先進封裝這個領域的重要性慢慢提高，台積電並沒有大意的本錢。也可預見，台灣相關先進封裝設備與技術的供應鏈廠商，未來應該會有不錯的成長空間。

生成式人工智慧仰賴大型語言模型的訓練，現在的做法是分三個階段，第一個階段是「預訓練」、第二個階段是「微調」（Find Tune）、最後一個階段是「推理」。預訓練需要大量的圖形處理器運算，，訓練一個月的成本就要1,000萬美金。但微調就不一樣，微調是用大量的數據進行標註、微調參數而已，所以並不需要大量的算力， 而是需要大量的高頻寬記憶體（HBM）。

頂級GPU太貴、中小企業想用卻用不起，群聯電子本身也遇到相同痛點，遂開始投入研發，以自身於記憶體領域優勢，在近期推出平價版生成式AI解決方案。 GPU決定算力、HBM則決定模型大小，群聯董事長潘健成就曾指出，群聯以SSD取代造價高昂的HBM系統，加上輝達消費級GPU打造，將傳統工作站升級為小規模AI伺服器，硬體成本大幅降低；儘管運算速度仍不如大型CSP運端運算，不過相當具備成本優勢；他打比方說道，例如台北到高雄坐飛機其實最快、但是高鐵才是性價比最高的選擇。 (半導體產業觀察)

特斯拉正在放棄其開創性的「Gigacasting（一體式壓鑄）」工藝。

據兩位熟悉此事的知情人士透露，特斯拉曾計劃在一體式壓鑄方面進行大膽創新，但目前特斯拉已停止這項努力，轉而堅持使用更成熟的三件式鑄造車身下部的方法，基本上與特斯拉用於其最後兩款新車型——Model Y和Cyber​​truck的三件式生產流程相同。

推遲這一潛在的製造突破，標誌著特斯拉在調整因銷量和利潤率下滑、全球電動車需求減弱以及來自其他電動車製造商的激烈競爭而採取的削減短期支出策略。

汽車工業在近十年發生了翻天覆地的變化。從動力系統的顛覆，到車輛智慧化快速發展甚至改變了車輛本身的定義。如今，特斯拉在一體式壓鑄技術上的進一步發展，或許也將徹底改變車輛的製造方式。


2021年5月13日，特斯拉在奧斯汀超級工廠完成了Model Y的首次前置鑄造

特斯拉Model Y在採用一體式壓鑄技術後，其後車身製造時間可從1-2小時縮短至60-120秒，也就是1-2分鐘，Model Y成本則可降低約40%，整車重量降低10%。

Model 2作為特斯拉的基本款車型，車身底部簡單，被視為更適合用來做底部一體式壓鑄的嘗試。此外，據稱，這項技術也被計劃用於生產未來的Robotaxi。

自從特斯拉率先將一體成型壓鑄技術用於車身結構零件後，已有多家車企跟隨採用了這種技術。根據不完全統計，包括蔚來、高合、小鵬、沃爾沃、豐田、極氪等車企均在研發一體式壓鑄技術。

除了成本、效率以及輕量化的優勢外，一體式壓鑄車身對於車身剛度的提升也很明顯。而另一方面，隨著越來越多車企跟進應用這項技術，當然也推動了一體式壓鑄技術的多方面進步，並刺激壓鑄機廠生產出更適應車企需求的產品。


在去年3月的投資者日活動上，馬斯克曾介紹了特斯拉對未來生產流程的暢想，即Unbox。

這項製程將車輛零件分成6大模組，每個模組單獨生產，在工廠的專用區域組裝零件，最後將所有零件組裝在一起形成整車。

該製程承諾可以加快汽車製造速度，同時將成本降低一半。特斯拉表示，透過Unbox流程生產車輛，製造人員將減少40%，製造所需的空間和時間將減少30%。

美國奧斯汀特斯拉超級工廠俯瞰圖，圖片來源：REUTERS/Go Nakanura/File Photo

消息人士稱，特斯拉的這項技術將使其能在18-24個月內從頭開始完成一輛汽車的開發。而大部分競爭對手可能需要三到四年的時間。而一體式壓鑄技術該技術是Unbox製造策略的核心，也是其計劃在未來十年內生產數千萬輛更便宜的電動車，同時保持獲利的關鍵。

路透社引述五位熟悉特斯拉一體化鑄造業務的人士的話稱，當特斯拉開發新的小型車輛平台時，其目標是將電動車幾乎全部複雜的底盤部件一次鑄成，而不是傳統汽車的約400個部件。長期目標是徹底簡化製造流程並大幅降低成本。

最近，根據路透社報道，兩位了解此事的知情人士透露，特斯拉已停止了這項努力，轉而堅持使用更成熟的三件式鑄造方法：兩塊一體式鑄造的前、後部件和一塊由鋁和鋼框架組成的用於存放電池的中部部件。這基本上是該公司在前兩款新車型——Model Y和Cyber​​truck上使用的方法相同。

對於放棄下一代一體式鑄造技術，特斯拉未回應媒體置評請求。

兩位消息人士稱，特斯拉決定停止更創新、更複雜的單件鑄造工藝的研發工作的依據是加快Model 2的開發進度，並避免任何昂貴的延誤或製造問題。

路透社最早在4月5日報道稱，特斯拉取消了Model 2的生產計劃，要將公司的資源投入全自動的Robotaxi。隨後，特斯拉對此進行闢謠，重申了其製造更經濟實惠的電動車的計劃，但在最近的財報電話會議上，馬斯克不願透露太多具體細節，只是表示其下一代車型“將利用下一代平台的部分特性以及我們當前平台的部分特性，並能夠在與我們當前車型陣容相同的生產線上生產」。

當被問及特斯拉的「Gigacasting」一體式壓鑄創新是否與其生產更經濟實惠的電動車的計劃有關時，馬斯克轉而談到了他最喜歡的話題：自動駕駛。 「我們應該被視為一家人工智慧機器人公司，」他說。 “如果你把特斯拉僅僅看作是一家汽車公司……這完全是錯誤的框架。”

從那時起，到現在該公司已經在全球範圍內裁減了超過10%的員工，失去了幾位高管，並且財務報告的收益未能達到一些華爾街分析師最悲觀的預測。

這些舉措也反映了特斯拉的策略轉變，該公司現在更專注於開發自動駕駛汽車，而不是推動電動車銷售的大幅成長。

到目前為止，汽車製造商一直不願鑄造越來越大的零件，因為一體式壓鑄有著難在克服的困境：製作面積為1.5平方公尺或更大的零件，可以提高效率，但前期成本高昂，且存在諸多風險。

一位鑄造專家稱，一旦製作了一個大型金屬試驗模具，在設計過程中進行任何機械調整都可能花費10萬美元，而重新製作整個模具的費用可能高達150萬美元。

另一位專家表示，製作一個大型金屬模具的整個設計過程通常需要花費約400萬美元。

消息人士稱，這對汽車製造商來說，被認為是不可行的，尤其是考慮到一個設計可能需要進行六次或更多次的調整，才能從噪音、振動、裝配和塗裝，人體工程學和碰撞安全性的角度達到完美的模具。

如果要將整個車身底部用一體式壓鑄技術來實現，目前來看，還需要解決兩大問題。

一是如何低成本地設計並測試這個巨大且複雜部件的模具，並最終將其投入大規模生產，其中也包括是否已經有相應的壓鑄機。

要實現壓鑄如此大型的車身部件，特斯拉還需要更大的壓鑄機。目前特斯拉用於Model Y車身零件的一體式壓鑄機是鎖模力為6000噸等級的壓鑄機。而其擁有的鎖模力最大的機器是專為生產Cyber​​truck打造的9,000噸級壓鑄機，來自長期為特斯拉供貨的IDRA集團。

目前前後分體的壓鑄件，用現有的壓鑄機就能滿足，但壓鑄面積越大，對鎖模力的要求則越高。如果要實現整個車身底部一體式壓鑄，涉及的鑄件面積達到6平方公尺甚至更大，鎖模力需要達到16,000噸的等級。這將進一步拉高成本，同時，由於體型龐大，可能需要更大的廠房。

二是在將整個底部結構整合為一個部件，並採用壓鑄技術進行生產後，需要解決空心副車架的鑄造難題。

特斯拉上海超級工廠生產Model Y用的壓鑄機，資料來源：特斯拉2020年第四季財報

消息人士稱，馬斯克從一開始就決心找到一種方法，將車身底部整體鑄造出來，儘管存在風險。為了克服這些障礙，特斯拉轉向了使用工業砂和3D列印機製造模具的公司。

據三位消息人士稱，鑄造專家透過開發特殊合金、微調熔融合金冷卻過程以及製定後處理工藝，克服了這些障礙。

根據路透社的報道，即便需要經過多次調整，砂型鑄造的設計驗證過程也是成本最低的，僅為金屬模具的3%。同時，使用砂型鑄造的設計驗證週期僅需兩到三個月，而金屬模具原型則需要六個月到一年。

不過，一體壓鑄車底結構件的製程要求也很高。這位工程師表示，主要是鑄件尺寸越大，變形量和應力集中的問題會更明顯，這是生產端的問題。而在售後上，是大家已經有認知的成本問題，撞擊後維修更換的成本較高。

特斯拉和馬斯克曾表示，一體式壓鑄有助於汽車製造商從長遠角度降低成本。但汽車製造專家表示，這個過程需要進行大規模的前期投資，而且要完善這個過程非常困難且耗時。

車輛製造專家表示，特斯拉在一體式鑄造技術的開發上採用更保守的做法並不令人意外，在某種程度上反映了該公司在按時推出複雜且創新的車型方面所經歷的痛苦歷史。

特斯拉的極具實驗性的Cyber​​truck在經過了長時間的製造問題處理後，於去年秋季以遠高於預期的價格亮相。特斯拉仍在努力以大規模市場產量生產這款具有稜角的不鏽鋼皮卡。

特斯拉生產Cyber​​truck時使用的9000噸壓鑄機，圖片來源：IDRA

美國工程公司Caresoft Global的總裁特里·沃約奇斯基(Terry Woychowski)表示，推遲採用一體鑄造技術將使該公司避免在製造和設計方面進行大規模的短期投資。沃約奇斯基曾對包括特斯拉在內的多款車型進行拆解和工程分析。

他認為，如果特斯拉能夠大規模鑄造電動車的底盤大部分零件，將進一步顛覆汽車的設計和製造方式。 「這是一種超級增強劑。它對行業有著巨大的影響，但這是一個非常具有挑戰性的任務，」沃伊喬斯基說，他在美國汽車製造商通用汽車(GM)工作了30多年。

「他們難道不想把所有零件都做成一個大零件嗎？當然想，但這要付出多大的代價呢？」沃約奇斯基問。

車輛製造專家、麻省理工學院(MIT)前研究主任詹姆斯·沃馬克(James Womack)表示，特斯拉放棄一體鑄造技術反映了該公司去年的匆忙行動，旨在推出一款售價2.5萬美元的新車，以趕上已經在低價電動車市場佔據主導地位的中國製造商。

但沃馬克表示，推動一項創新的生產流程對幫助特斯拉向消費者銷售汽車作用不大。 「從大眾和消費者的角度來看，這並不太令人興奮，而且你不知道這究竟是否真的能節省大量成本。」沃馬克說。(車商業評論)

近日，特斯拉CEO馬斯克閃電訪華，引發一片猜測。針對業內關注的FSD（Full-Self Driving，全自動駕駛）何時會在國內落地，4月29日特斯拉中國方面核實，“目前具體時間不好說，但預估是快了。”

本文將從人工智慧的角度，告訴大家特斯拉如何透過8個攝影機實現全自動駕駛，全視覺的解決方案挑戰是及其大的，類似於訓練機器像人腦一樣透過不斷學習來掌握自動駕駛的技能，以下我將分四個面向來做最為燒腦和深度的解讀。

HydraNet主要針對相機輸入的每個畫面，進行卷積計算，擷取影像特徵。卷積運算是透過一個帶有權重資訊的捲積核，按照一定的步長，在影像上與對應的陣列像素值進行卷累積加運算。運算的結果是原始圖片越來越小，像素也越來越低。隨著這個過程，影像的給與特徵更加明顯，就能方便掌握圖片中到底是什麼物體。這個和我們人類的認知恰恰相反，人類傾向高解析度圖片，才能看出圖中是什麼物體。但是及其要一層層提取特徵，直到分辨率被捲積到最底層，才能充分識別圖像中的物體，因為對於機器來說，一張圖片只是一堆像素的組合而已，機器通過不斷的捲積，從一張圖片上形成上百個特徵圖，這些特徵圖分別代表如前方的車輛、某處的垃圾桶和行人等。

HydraNet就是特斯拉用來做目標辨識的神經網路架構名字。它的基本架構如下圖2所示。從下往上分別是輸入的原始影像，規格是1280*960 12bit+HDR,接下來藍色方框是backbone骨幹網絡，這一部分程式碼主要針對影像特徵進行初步擷取。特斯拉的backbone用的是RegNet架構，這個其實是來自facebook最早提出的捲積神經網路架構。接下來黃色框裡面的Neck，這部分程式碼可以理解為對影像特徵做進一步分析，提取影像細節和語意資訊。最後紅色方框的是head，這裡面的多個head,對應不同的任務，例如有的做車輛自身檢測，有的做交通信號燈檢測，還有的做車道檢測等等。這整個框架就是HydraNet架構。

以上我們講的是單一影像，而要實現全自動駕駛，就需要把車輛放置在一個立體空間。特斯拉需要把8個攝影機的資料整合，這就是我們常常在中控台看到的3D街景，這個不同於我們常常理解的環繞影像，而是需要把8個攝影機擷取到的資料輸出到車體座標系，這個空間就叫做Vector Space。

一般來說實作Vector Space有三種方案。一是各個攝影機分別識別，然後投影到車體座標系；第二種方案是所有攝影機的畫面先做拼接，然後在拼接的畫面上做目標識別；第三種方案是直接端到端處理，輸入多相機影像，直接輸出帶有辨識的車體座標系，特斯拉運用的是第三種方案。這其實是最困難的一種方案，首先的困難是需要把二維畫面中的影像特徵提取到三維空間中，如何準確還原是一個很大的困難。另外，在這個所謂的Vector Space中，如何進行資料標註。因為特斯拉要對攝影機看到的東西，即時進行標註，用於遠端的超級電腦進行訓練。

針對二維轉三維，特斯拉用了一個在NLP領域比較熱門的transformer機制。這個transformer可以理解為一種工具，他主要用在翻譯領域。在transformer中有三個參數query、key和value。這三個概念來自推薦系統，例如在電影推薦中，query相當於用戶的喜好訊息，例如興趣和性別等，key是電影的類型，value就是哪個等待推薦的電影。 transformer相當於把二維畫面翻譯成立體畫面。特斯拉先把所有相機的畫面融合進行格柵化，處理成bird eye view鳥瞰圖,然後每個像素點向transformer查詢，也就是query.比如說，我是一個位於某某坐標的黃色像素，我在尋找符合這項特徵的數據，那麼你們8個攝影機都看到了什麼？那麼此時位於擋風玻璃後方的三個攝影機就會回應說，這個特徵是馬路牙子。然後在Vector Space中，在對應位置就會出現馬路牙子。透過這個方法，多機位畫面就會轉變為Vector Space。

Vector Space被縫合好了之後，要實現自動駕駛我們還欠缺一個重要的維度：時間。因為在實際駕駛狀態，周圍的一切都是處於運動狀態，我們不但要知道他是什麼，還要了解他的運動趨勢，是否被暫時遮擋了？否則車輛沒有辦法做到預判。因此特斯拉在視訊處理的網路架構中，增加了兩個模組，分別是特徵序列模組和視訊模組。正如我們前面所述，特斯拉將來自多個機位的原始影像，透過影像矯正進入卷積網絡，提取多尺度特徵，然後多個相機視角融合為鳥瞰視圖。進一步多機位影像特徵會進入特徵序列，而特徵序列會快取過去一段時間內的特徵。而此時IMU的資料也會被填入進來輔助記錄，然後是一個視訊組Video module來暫時處理這些快取圖片。特徵序列可以由時間和空間驅動。從時間維度上，每個27毫秒就會push一次訊息，空間序列中每隔1公尺就會push一次。他們的作用是如果一輛車被暫時遮擋，時間序列中所記錄的緩存信息,會告訴車輛這個位置剛剛是有一輛車的，所以儘管當前畫面沒有直接檢測到一輛車，但是系統仍然會知道這裡實際上是有一輛車的，這就是時間序列的作用。時間和空間兩個維度的信息，會被暫時緩存到特徵序列，並提交到視頻模組進行處理，視頻模組採用的是循環神經網絡，它是帶有時間屬性的，這種神經網絡十分接近人腦的記憶效應。

因此特斯拉視覺神經網路的完整架構，一共分為5個部分，第一二部分是單鏡頭目標偵測，第三是多機位融合與Vector Space（類似3D街景），第四是時空序列記憶，第五是子任務處理。因此特斯拉的視覺演算法機制​​，總的來說就是單目標偵測後，多機位融合形成向量空間，根據時空序列來加強預判，然後把結果輸出用於單獨任務處理，實現車體座標系下的目標檢測和行為預測。

Vector space有了空間中的各種物件之後，是如何進行標註的呢？這裡就要講到labeling，也就是標註。神經網路首先要訓練，那麼訓練的時候先要給他指明圖片上各個物體是什麼東西。很顯然訓練神經網路所需的資料量是非常大的。特斯拉FSD的訓練資料主要是來自於特斯拉的工程車輛以及客​​戶的車輛。而且它有一個影子模式，就是系統會記錄在當前場景人類駕駛員的決策，從而進一步訓練機器的辨識和決策能力。

早前特斯拉有1,000人的團隊是專門來進行人工標註的。後來特斯拉訓練了一個單獨的神經網路模型來進行自動標註。要知道特斯拉是直接在Vector space下進行標註的。而這裡的訓練資料就不是一張張圖片了而是clip。一個clip大約是45秒到1分鐘左右的視訊畫面,同時匹配了IMU慣性測量單元的數據、GPS的數據以及里程等數據，這些數據被直接發送到特斯拉的超級計算器中，透過AI演算法自動進行標註。然後用來訓練對應的神經網路。特斯拉的強大之處在於對於某個地點，比如說一個十字路口，可能經常會有特斯拉經過，那麼就可以獲得源源不斷的該路口的視訊畫面。這些畫面，會進一步來優化標註的結果。因為有時候一個大畫面中這個路燈可能會被一輛大卡車擋住了，那麼在另一輛車的畫面中這個路燈是沒有被遮擋的。再說大雨或大雪天氣中，由於前方大卡車呢濺起了很多水霧，因此視野變差，對於這樣的場景，特斯拉用來做自動標註的伺服器會從車隊陣列中查詢類似的場景，然後輸送到神經網路用於訓練，進一步加強該場景的識別。

圖7，特斯拉從車道陣列中查詢類似場景用於訓練和決策

目前可以確認在特斯拉的車載軟體中有一個專門感知像素深度的神經網在暗中運行，特斯拉已經具備從純視覺來預測像素深度距離的能力。

我們知道光達之所以受歡迎，就是因為它可以直接取得周圍環境的深度資訊也就是車輛距離各個物體的距離。我們是可以依靠攝影機來讀取深度資訊的。透過雙眼立體攝影機來判讀深度資訊是相對比較容易的，因為雙眼攝影機有很多種幾何約束，比如說焦距、攝影機的光芯距離等等，透過這些約束是可以求出攝影機距離物體的大概距離的。但是利用單眼攝影機來實現深度預測是基本上不可能的。

特斯拉採取的想法是模擬人眼的視覺感知能力。因為我們生活在三維世界大腦經過大量的訓練後，當你看到一張二維的照片時也能判斷出照片中的透視關係和三維感受。即便把一隻眼睛閉上也能分辨出一張圖片中的立體感。人腦的這種深度感知能力並不是與生俱來的，實際上是被訓練出來的。根據特斯拉的前AI主管Andrej Karpathy的介紹，提到了一篇來自伯克利加州分校和谷歌的聯合論文《Unsupervised learning of depth and ego motion from video 》。以下針對這篇論文的核心思想進行解釋。

這篇論文主要講的是無監督的深度學習和幀間運動。演算法研究團隊設計了一種神經網路架構可以在無監督的前提下實現對於像素的深度感知。所謂有監督神經網路訓練，實際上就是我們常說的使用光達所收集到的真實資料進行訓練，但是這種方案採集成本高昂，而且環境是隨時變化的，採集難度很高。

圖8,論文《Unsupervised learning of depth and ego motion from video 》

而特斯拉採用的是無監督神經網路訓練。無監督就意味著沒有真實物理世界的深度資料。那麼前面那篇論文的演算法架構主要是分成兩個，一個是深度估計CNN，一個是位姿估計CNN。前者用來計算像素深度，後者用來計算攝影機位置的變化。它的訓練方式是針對時刻t捕捉到的畫面進行深度估計,然後把t時刻、t-1和t+1時刻的三幅圖片輸入到位姿CNN中，由這個CNN估算出t-1到t，以及t到t+1的參數轉移矩陣，重構出t-1和t+1，然後利用這兩個時刻的原圖作為監督來訓練。

這種深度估計的訓練是利用了幀間運動來實現的，用的是一個叫做DispNET的架構。關於這部分原理也可以參考論文《A Large Dataset to Train Convolutional Networks for Disparity, Optical Flow, and Scene Flow Estimation 》。 DispNET是基於flow net去延伸的，而flow net是用光流估計的，對應的技術概念是光流法。是利用影像序列中像素在時間域上的變化，以及與相鄰幀之間的相關性來找到上一幀跟當前幀之間存在的對應關係，從而計算相鄰幀之間物體運動資訊。這種方法拓展了視差估計和場景流估計。

特斯拉是利用前置主鏡頭，加上兩側的魚眼鏡頭進行訓練。這兩組攝影機剛好可以形成視覺差，就更有利於深度資訊的判斷。

圖9，論文《A Large Dataset to Train Convolutional Networks for Disparity, Optical Flow, and Scene Flow Estimation》

特斯拉的神經網路框架中有很多東西都是業界的主流方案，主要來自於Facebook和Google的研究成果，這些公司才是真正掌握AI領域的黑科技。

特斯拉最大的優勢就是整合和擁有大量的訓練資料。目前Auto Pilot已經擁有了超過30億英里的駕駛數據，使用者的車輛就是他的訓練資料收集車。

純視覺方案的根本完全不在於攝影機的像素，而在於神經網路的機制和訓練研究。特斯拉自動駕駛就跟最初做電池組一樣，依然是延續了馬斯克的第一原理，盡量的簡單和盡量的實用，不被現有的框架所束縛。

最後身為一個普通打工者，我也是期待特斯拉的FSD全自動駕駛能夠早日落地中國。(小明懂點車)

台積電開始生產特斯拉Dojo晶片，三年後算力增加40 倍。

特斯拉的自動駕駛之路必須有足夠的運算能力支撐，台積電證實，特斯拉次世代Dojo 超級電腦平台訓練晶片開始生產，算力2027 年有巨大飛躍。

馬斯克（Elon Musk）的偉大計劃，賣車只是小部分，軟體才是真正獲利關鍵，要達成目的，除了要有高效率算式，也少不了強大算力，硬體方面特斯拉採取雙管齊下堆疊，一方面買萬顆NVIDIA H100 GPU，一方面自行打造超級運算晶片Dojo，負責生產超級電腦晶片的台積電，目前證實產品開始生產。

「特斯拉次世代Dojo 訓練模組開始生產，到2027 年我們將提供更複雜的晶圓級系統，算力是現有系統40 倍以上。」台積電的北美科技研討會詳細介紹了半導體技術和先進封裝，得以在整塊晶圓的規模上建立系統，創造超高運算效能。

特斯拉設計的Dojo 超級電腦，核心在於訓練模組（training tile），將25 顆D1 晶片排列為5×5 矩陣，晶片使用7 奈米製程，能容納500 億顆晶體管，提供362TFLOPs 算力，最重要的是，具有規模化能力，可不斷疊加，依據軟體需求調配算力與消耗電力。這還只是特斯拉使用中版。

照台積電說法，給特斯拉的新產品，和供應Cerebras 的晶圓級系統不同，簡單來說，將Dojo 訓練模組（5×5 處理器矩陣）放在一塊載體晶圓上，填滿所有空白後，運用台積電的扇出（InFO）蓋上一層高密度互連，如此就能極大化晶片間數據頻寬，使之像巨型晶片運作。

到2027 年，台積電計畫將這些晶圓級系統，搭配CoWoS 先進封裝技術，整合成晶圓（SoIC），屆時完整晶圓能提供40 倍的算力，超過40 個光罩矽，以及高達60 顆高頻寬記憶體晶片。

根據IEEE Spectrum 報告，InFO_SoW 技術旨在實現高效能連接，讓特斯拉Dojo 的25 個晶片可以像1 個處理器一樣運作；同時為了讓晶圓級處理器保持一致，台積電用虛擬晶片填充了晶片之間的空白點。

特斯拉晶圓級Dojo 處理器實際上包含了25 個超高性能處理器，耗電量非常高，因此需要複雜的冷卻系統。

特斯拉為了滿足Dojo 處理器的供電需求，使用複雜的電壓調節模組，為計算平面提供18,000 安培的電力，散發的熱量高達15,000W，因此需要水冷散熱。

特斯拉尚未透露其Dojo 晶圓系統的性能—— 不過，考慮到其開發過程中面臨的所有挑戰，它似乎有望成為人工智慧訓練的一個非常強大的解決方案。

根據馬斯克的說法，如果NVIDIA 提供夠多GPU，特斯拉大概不需要自行開發Dojo，初步估計這批世代Dojo 超級電腦，會成為特斯拉新Dojo 叢集的一部分，設於紐約，投資金額至少5 億美元。

儘管有強大算力投入，特斯拉AI 事業還是充滿挑戰，去年12 月兩位負責Dojo 專案的高階工程師離職，現在特斯拉又不斷裁員節省成本，需更多優秀人才奉獻大腦和肝臟，才有機會讓自駕計程車如期推出，並設法讓FSD 更上一層樓。

特斯拉Dojo 次世代電腦將設在紐約，總部德州超級工廠則建造100MW 規模的資料中心，訓練自駕軟體，硬體採NVIDIA 供應方案。不管哪邊，這些晶片殊途同歸，基本上都是台積電生產，稱之為AI 推手一點也不誇張。

特斯拉董事長敦促股東重新批准馬斯克天價薪酬方案

在周五發布的一段影片中，特斯拉董事會主席羅賓·丹霍爾姆（Robyn Denholm）敦促股東重新批准CEO埃隆·馬斯克2018年的薪酬方案，此前特拉華州一名法官在法庭上推翻了該薪酬方案。馬斯克的薪酬方案一度價值高達560億美元，但由於特斯拉股價下跌，現在的價值約470億美元。

丹霍爾姆在影片中表示，股東投票決定恢復馬斯克的薪酬，將「對公司的未來非常重要」。

這位董事長對投資者說：「我們認為，一位法官的意見不應使公司所有股東數百萬投票的意願無效。因此，我們再次請求您通過投票批准2018年績效獎勵來發出自己的聲音。

丹霍爾姆在影片中辯稱，馬斯克獲得這筆獎勵是公平的。股東們設定了這筆獎金，以激勵這位科技億萬富翁實現「雄心勃勃的財務和營運目標」。

她指出，在馬斯克領導下，特斯拉的營收從118億美元成長到968億美元，並將22億美元的虧損轉化為150億美元的利潤。

她說，這些里程碑式的事件使特斯拉的價值從537億美元增加到7,900多億美元。

「他的成功由所有股東分享，」丹霍爾姆在談到馬斯克時表示，並補充說，投資者看到他們的股票價值上漲了1100%。(半導體產業縱橫)

隨著輝達的GPU在人工智慧產業大殺四方，中國被限制獲得先進製程，台積電也聲名大噪。當前美國堅決在核心技術上與中國脫鉤，幾乎所有與晶片相關的公司都被拉科技黑名單。人工智慧的下半場AGI的競爭，我們靠什麼勝出？如何有效率地運用運算資源和人力資源，以前瞻性的視角合理部署整個產業鏈的核心環節，從而推動產業的全面發展並惠及大小企業，已然成為我國人工智慧產業迫切需要解決的問題。

台灣半導體產業的發展歷程是值得我們借鏡的典範。 1970年代，台灣經濟急需從傳統的農業和初級工業轉變為現代工業體系。當時，美國和日本分別佔據了國際半導體市場的首席、次席位置，而台灣本土產業處於起步階段，主要承擔以通用儀器公司為代表的外資企業在島裝配任務。這在全球半導體產業鏈中處於低端位置，而反觀其自主研發的半導體產品在國際市場上則鮮有買家。為了改變這一局面，台灣省政府投資建立了工業技術研究院（ITRI），專注於實用技術的研發，並積極支持本土企業進入高端半導體製造領域。

在當時的許多國際技術合作與引進中，台灣省政府頗具前瞻性地選擇了當時尚未成熟的CMOS技術作為主攻方向。儘管初期台灣的半導體企業如聯電（UMC）主要生產應用於玩具和家電的小型晶片，技術突破並不顯著，但隨後台積電（TSMC）的崛起徹底改變了局面。當時的台積電採納了Philips公司引進的1.5微米製程技術，並創新了全球代工商業模式，專注於服務國際市場。這項策略帶來了技術創新和市場擴展的雙重成功，最終鎖定了台積電在全球半導體產業中的領導地位，其當今市值已超過6000億美元。

台積電的成功在很大程度上歸功於三個關鍵因素，其中之一是政府的前瞻性政策引導和產業佈局的合理規劃，如建立半導體技術產業園區和促進技術交流的學術研討會。本文的重點想探討的是人工智慧2.0時代，政府如何進行有效的策略部署並引導企業產品定位。

台積電的經驗為我們提供了兩個重要的啟示。首先，在技術變革的關鍵時期，政府需要給產業鏈上的公司提供機會和發展的必要條件，幫助公司準確地識別並鎖定未來具有成本效益的核心技術。在產業技術變革的過程中，許多新技術都是由新創公司發掘並快速發展。在台積電發力成長之前，技術路線的演進並不掌握在它手中，它選擇引進德州儀器的CMOS路線，開創積體電路代工模式，讓它從一個小廠成長為世界的領導者。為了支持台積電的發展，政府甚至特別為它建造了核電廠。其次，企業需要具備宏觀的國際視野，準確定位自身在產業鏈中的位置，持續成長，並有效支持產業鏈中的其他參與者以達成互惠互利的合作、共贏關係。雖然美國和中國仍有一定的競爭力，但是世界還是多元化的，產業鏈上的分工合作仍在持續的進行中。無論在什麼時候，企業也不能故步自封，學習世界先進的理念，參與科技的演進規劃，才能找到自己的未來。台積電做到世界領先後，仍和半導體產業上的公司積極合作，形成利益共同體，最終形成抱團發展的局面。

從生成式AI（AIGC）到通用人工智慧（AGI），筆者認為人工智慧已經從人工智慧1.0階段走向了人工智慧2.0時代。人工智慧運作的核心是各類運算單元（XPU）：包含用於訓練基礎通用大模型的上游伺服器農場（Server Farm）中，透過超高速網路連接、配備大量資料儲存能力的CPU、GPU和TPU處理器及群集系統；以及下游終端設備中的NPU或專為處理大語言模型設計的LPU及其作業系統。在AGI時代，各種垂直領域的推理模型，成為產業應用決勝的關鍵。每個細分領域都有各自獨特的應用場景，並且累積了大量的有用數據，如何將各領域的人工智慧落地，成為AI為產業賦能的關鍵。筆者認為LPU（Language Processing Unit）在這個體系中將起到了至關重要的作用，LPU是專門為大模型的高效運作而設計，能夠在本地提供快速的推理處理能力。這對於推動AI技術的應用，例如加速大語言模型的推理速度，以及未來為其後訓練提供複雜功能（例如反射機制）具有重大意義。以當下Groq公司的LPU為例，Meta最新發布的Llama3模型部署在其上的推理速度可達每秒300 tokens，這一速度遠遠超過Claude Opus的每秒18 tokens以及GPT4的每秒36 tokens，極大改善了用戶體驗。

在理想情況下，依賴LPU的大語言模型作業系統（LLM OS）應具備統一調度硬體資源的能力，為運行於此系統的專家級AI代理（AI Agent）提供標準化的系統呼叫介面。這些介面不僅允許使用者利用本地資料進一步訓練模型，還能透過自然語言、語音或腦電波等輸入形式與使用者交互，輸出可執行的合法操作和決策建議。此類作業系統預計將極大提高工作效率並為多個行業賦能。值得注意的是，與目前產業中流行的觀點－「基礎大模型定義系統能力上限」不同，筆者認為基礎大模型應僅提供通用功能，而將專業任務交由AI代理完成。這種做法不僅簡化了基礎模型的訓練複雜度，也有助於在整個產業鏈中平衡利潤分配，避免資源過度集中所帶來的種種技術及社會問題。

儘管基於LPU的大語言模型顯示出巨大的潛力，並符合當前中國乃至全球的AI技術發展趨勢，我們也必須清楚地認識到從理論到實踐可能面臨的各種挑戰。例如，大語言模型作業系統的表現高度依賴其底層模型，目前廣泛應用的模型如2017年提出的transformer模型，儘管支撐了包括GPT在內的多種主流模型，但其理論局限性正逐漸顯現，例如馮諾依曼瓶頸問題。解決這些問題可能需要從物理裝置（如採用矽光元件）到神經網路理論的雙重創新。例如，MIT最近提出的Liquid Neural Networks模型希望賦予神經網路不斷「進化」的能力；紐約大學的Geometric Neural Networks模型旨在讓神經網路理解“對稱性”，以解決網路複雜性問題。我們投入相應的人力資源跟進這些前沿技術至關重要，以確保大語言模型能夠有效地以作業系統形式部署。此外，確保使用者資料的安全與隱私，建構一個開放且可信賴的本地大語言模型系統，也是AI領域的重要研究主題之一。

LPU的研究，Groq公司已經走在了前面，累計融資3.67億美元，號稱未來三年趕上輝達。 Groq公司的LPU速度是輝達GPU的10倍，成本號稱只有1/10，但經過大家的分析事實上離真正的大規模應用還比較遠。從技術上來講，LPU的設計想法還是比較可取的，雖然暫時還有一些難題需要攻克。雖前路崎嶇，台積電告訴我們：夢想還是要有的，萬一實現了呢？(深觀啟元)

自從OpenAI 推出ChatGPT 以來，Google的人工智慧策略一直比較複雜，對消費者甚至開發者來說都令人困惑。

我個人不再像過去那樣對谷歌的搜尋主導地位有信心了。消費者習慣的變化可能會威脅到谷歌在搜尋領域的主導地位，接下來的幾年至關重要。

Google和OpenAI試圖塑造不斷變化的消費者行為，網路是否願意改變他們的重複行為？隨著OpenAI 準備推出一款利用必應和GPT-5 直接與Google競爭的搜尋產品，一些重大事件即將發生...

到2024 年中期，GoogleGemini Pro 1.5 明顯變得更加穩定和有用。透過調整、品牌名稱變更和收益上的表現，我想幫助大家更了解Google的人工智慧生態系統、新聞和收益。

我還是很期待即將推出的GoogleGemini。 Gemini 是一款新的大型語言模型系列，旨在與OpenAI 的ChatGPT 相抗衡。 Gemini 是Google的下一代人工智慧架構，最終將成為PaLM 2 的補充，據傳將於2023 年秋季推出，作為新的GoogleDeepMind 團隊的聯合作品...

2024 年第一季的Google收益表現超出預期。根據LSEG 數據，截至3 月31 日的季度收入為805.4 億美元，而估計為785.9 億美元。

· 谷歌的營收比去年同期成長了15%，是自2022 年初以來成長最快的一次。

. 谷歌雲端業務的營業收入成長了4 倍，達到9 億美元。
· 公司也宣布了首次股息和700 億美元的回購。
· 淨收入從去年同期的150.5 億美元成長了57%，每股從1.17 美元成長到了1.89 美元。
· 谷歌報告的總廣告銷售額為616.6 億美元，比去年同期的545.5 億美元成長。
· 公司一直在大力投資於人工智慧，為搜尋和其他服務添加生成式人工智慧功能，以確保消費者即使在他們在線獲取資訊的方式發生變化時仍繼續使用Google工具。

谷歌的人工智慧產品策略

早些時候，在Google Cloud Next 大會上，該公司宣布並發布了新產品和功能，以擴展和區分其為開發者提供的人工智慧服務。在過去幾個月中，Google也正在為其消費者產品推出了人工智慧助理和伴侶。這是Google策略概述的更新，反映了最新和最引人注目的機器學習和人工智慧產品及其價值主張。

谷歌在其整個開發者和消費者產品組合中擁有全面的人工智慧策略。其能力的關鍵主題是「規模」、「模組化和開放性」以及「多模態」。

規模的價值主張指的是Google產品可以為全球任何應用程式處理大量資料和頻寬，以及可以透過Gemini 1.5 Pro 存取的100 萬標記上下文視窗。模組化和開放性主題指的是GCP 與其他雲端平台、開發者和MLOps 工具的兼容性。多模態指的是Gemini 1.5 Pro 可以處理文字、圖像、視訊和音頻，以及整合到產品中的AI 助理的功能，例如Workspace 和Chrome。

谷歌雲端平台被定位為“雲端的新方式”，其價值主張集中在Google龐大、分散式的伺服器網路上，可以以低延遲處理大量資料和頻寬。它受到各種硬體晶片的支持，包括Google自己的TPU，現在是第5 版。

Vertex AI 是由Google提供的完全託管的開發者環境，與GCP 以及其他平台相容。
它包括三個關鍵領域：
1、AI Studio，配備MLOps 和管線工具，用於開發AI 後端系統和應用程式
2、Agent Builder - 一個用於訓練和部署AI 模型的無程式碼和低程式碼環境
3、 Model Garden，包含第一方模型（見下文）和數十個第三方模型，包括來自Anthropic 的Claude 系列、來自Meta 的Llama 系列和來自Stability AI 的Stable Diffusion

在Google Cloud Next 大會上，該公司展示了可以使用其開發者工具建立的六種類型的代理。它們是：
1、客戶代理- 透過自然語言促進客戶在生命週期內的交互，從啟用購買到管理交付和處理客戶支援查詢
2、員工代理- 向員工管理工具（例如HR、IT、福利）添加人工智慧功能，以及能夠提高員工生產力的內部工具
3、創意代理- 可以產生Gemini 支援的所有模態（文字、圖像、視訊、音訊）的內容，用於行銷、銷售和商業文件的生成
4、資料代理- 用於促進來自內部和外部來源的數據和業務智能的聚合、分析和可視化
5、代碼代理- 為開發人員編寫和調試代碼提供​​幫助
6、安全代理- 用於識別和減輕威脅
谷歌發布了這些類型代理的101 個範例清單。
「使用Google搜尋進行基礎工作」是一項新功能，可透過GCP 開發代理，以幫助實現檢索增強生成系統，該系統現在可以利用谷歌的搜尋引擎，而不僅僅是公司自己的企業資料。
谷歌的旗艦AI 模型，Gemini 1.5 Pro 是一個多模態、100 萬標記上下文視窗模型，可以一次處理1 小時的影片、3 萬多行程式碼、11 小時的音訊或70 萬個單字。它可透過Model Garden 取得，並整合到各種開發者助手中，這些助手可透過GCP、Vertex AI 以及第三方IDE 提供。
它們包括：
• 程式碼輔助- 用於軟體交付
• 雲端助理- 用於在雲端管理應用程式生命週期
• 安全工具- 用於識別和處理威脅
• BigQuery - 加快資料分析速度
• Looker - 用於商業智慧
• Android Studio - 用於Android 應用程式開發

此外，Project IDX 是一個實驗性項目，目前處於預覽階段，旨在透過人工智慧功能將全端、多平台應用程式開發工作流程帶入雲端。

Gemini 也被部署為GoogleWorkspace、搜尋和Chrome 等產品的許多AI 功能的後端。
谷歌搜尋現在提供了一項實驗性的生成功能，可以在搜尋結果頁面的頂部以自然語言回答用戶的查詢。 Workspace 還提供了AI 功能，可協助使用者在各個應用程式中撰寫、編輯、摘要和建立文字、圖像或影片形式的內容，從Gmail 到Docs 和Slides。
在會議方面，AI 會議和訊息附加元件將為使用者提供存取Google Meet 功能的權限，例如工作室外觀、工作室照明、工作室聲音和筆記。未來，AI 會議和訊息還將在Google Chat 功能中提供存取Gemini 功能，例如按需會話摘要和訊息的自動翻譯。

Google Vids 是一款新的AI 動力影片創建應用程序，計劃於2024 年6 月發布。它可以為編輯生成一個故事板，從庫存影片、圖像和背景音樂中拼接草稿，並幫助創建配音。

Workspace 的另一個增加是一個AI 動力的安全附加元件，讓IT 團隊可以自動對公司範圍內的敏感檔案進行分類和保護。此功能使得可以對Drive 中的現有和新文件進行持續評估、分類和保護，用於組織中的所有員工。

Chrome 的AI 功能使用戶能夠管理和組織他們的標籤、建立新的瀏覽器主題，並為他們的網路瀏覽產生內容，例如用於電子郵件、表單和撰寫產品評論。

最新的公告和發布使得AI 在Google的開發者、企業和消費者應用程式組合中變得更加普遍和全面。對於當前用戶來說，這是一個決定如何使用和部署人工智慧來應對他們的生活和工作負載的機會，對於Google來說，這是一個學習哪些功能有效、哪些服務需要改進的機會。這也是一家公司獲得更多市場份額的機會，特別是在雲端運算和企業領域，Google正在與AWS 和微軟的Azure 競爭。 (人工世界Artificial World)

為了深入了解新興但未知的AI的未來，在近期紅杉資本的AI Ascent 2024 活動的上，紅杉的3 位合作夥伴Pat Grady、Sonya Huang 和Konstantine Buhler 在活動期間分享了關於AI的一些獨特的見解。

另外，@sequoia在以上三個人的發言的基礎之上，也補充了自己的想法和理解，歡迎更多的小夥伴和我們互動交流。

Pat Grady的演講重點闡述了人工智慧帶來的巨大機會及其在各個行業創造價值的潛力。

人工智慧以獨特而引人注目的方式解決現實世界問題所需的要素，如廉價而豐富的計算、快速可靠的網路以及隨時可用的數據，直到最近才匯集在一起，使人工智慧成為未來10- 20 年主導主題的最佳時機。

機會：人工智慧有可能用軟體取代服務，瞄準可能達到數十兆美元的市場機會。全球軟體TAM從2010年的3,500億美元成長到2022年的6,500億美元，雲端軟體部分從60億美元增加到4,000億美元，15年的複合年增長率高達40%。

前景廣闊：人工智慧機會前景廣闊，大部分尚未開發，未來十年有可能出現40-50 家價值數十億美元的新公司。這為企業家和企業創造了價值和顛覆產業提供了重要機會。

推動技術領域的重大轉變：人工智慧以類似人類的方式進行創造、推理和互動的能力正在推動技術領域的重大轉變，類似於過去二十年的雲端轉型。

02Sonya Huang：當今的人工智慧現狀

Sonya Huang 的演講深入探討了人工智慧的現狀，強調了它在各個行業的影響以及人工智慧充分發揮其潛力所需解決的挑戰。

AI產品越來越契合市場的需要：人工智慧已經在客戶支援、法律服務和軟體工程等行業展示了產品與市場的契合度。例如，由人工智慧驅動的客戶服務平台Klarnas 透過處理三分之二的客戶服務查詢，實現了相當於700個全職座席工作的自動化。

生成式人工智慧正在經歷快速成長：第一年的收入約為30 億美元，這項壯舉是SaaS 市場花了近十年才實現的。與先前的技術轉變相比，這凸顯了人工智慧的加速採用和價值創造潛力。

AI 的$200B 問題：雖然公司在AI 基礎設施上投入了大量資金，光是去年就有大約500 億美元用於NVIDIA GPU，但AI 應用程式產生的收入仍然相對適中。這就提出了一個問題，即對人工智慧的投資何時以及如何轉化為可觀的回報？

預測：Sonya Huang 預測，2024年將是真正的AI應用將我們從Copilots(副駕駛)轉變為可以作為人類Agents(代理)的一年。之前的人工智慧可能更像是一種輔助工具，而未來的人工智慧將變成你的同事。

她也預計，隨著人工智慧應用進入生產階段，人工智慧將更有能力完成更高層次的認知任務，如規劃和推理，並使運算的平衡從預訓練轉向推理。

融資環境不平衡：目前的人工智慧公司的融資環境並不均衡，更關注基礎模型而不是應用。對於希望利用人工智慧革命的新創公司來說，這既是挑戰也是機會。

關鍵挑戰：從長遠來看，提高用戶保留率和縮小期望與現實之間的差距是人工智慧應用成功需要解決的關鍵挑戰。目前，與行動應用程式相比，生成式AI 應用程式的日月活躍用戶比率和一個月留存率較低。

產品與市場的契合度需要進一步提升：隨著基礎模型變得更加智能，人工智慧的產品與市場的契合度有望加速，從而在各行業中出現更成功的人工智慧應用。

03Konstantine Buhler ：人工智慧的長期未來

Konstantine Buhler 的演講重點在於人工智慧的長期未來，將其定位為一場將改變產業和整個社會的生產力革命。

從根本上降低成本：人工智慧代表了一場類似於農業機械化的生產力革命，使人類能夠用更少的努力和資源取得更大的成就。隨著人工智慧的不斷進步，它有可能大大降低各行各業的成本，使產品和服務更容易獲得和負擔得起。

注入人工智慧的公司：隨著人工智慧的發展，整個公司可能會開始像神經網路一樣運作，從而產生了一人公司的概念。

將AI 整合到各種流程和KPI 中已經在進行中，並且預計這一趨勢將加速，人工智慧注入公司的出現，這些公司以前所未有的效率和適應性運作。未來，人類將與複雜的人工智慧代理網路一起工作，導致各行各業的重大變革，並降低教育、醫療保健和住房等關鍵領域的成本。

標準普爾500指數正在減少：標準普爾500指數（S&P 500），意思是成份股公司創造100萬美元收入所需的工人數量正在迅速減少，這凸顯了人工智慧推動整個經濟生產力成長的潛力。

隨著時間推移，電腦、軟體、玩具、影片等成本不斷降低，而教育、住房、醫療等成本成長遠高於通貨膨脹，人工智慧的發展有望降低這些關鍵領域的成本，這也是十分令人欣喜的方面。

泛化概念重要性提升：隨著人工智慧的不斷進步，計算中的泛化概念將變得越來越重要。例如，字母“A”將不再表示為像素矩陣，而是表示為可以由人工智慧系統產生和上下文的多維概念。

儘管我們已經認識到人工智慧（AI）所帶來的變革性影響，但考慮到AI正處於一個重要的發展階段，即所謂的“巨型週期”，在這一周期內，歷史上眾多產品和解決方案都將逐漸被AI驅動的創新替代方案所取代。因此，探討這項轉變對產業和社會的深遠影響，無疑是一個值得高度關注的重要議題。

如果我們將人工智慧以類人的方式進行創建、推理和互動的能力引入需要大量勞動力或只能由專業人員執行的任務中，會怎麼樣？這個問題對於發展基於人工智慧的業務至關重要。

人工智慧產業在一年內實現了與SaaS 產業十年時間相同的收入，這一事實很好地表明了這種變化的規模。雖然已經對雲端轉型進行了類比，但我個人認為，產業變革會更大，人工智慧相關產業的TAM將擴展到幾乎所有人類參與的產業。

我們正處於應用層大量創新的第一年。正如Sonya所預測的那樣，AI已經從副駕駛轉向了代理。雖然到目前為止，重點一直放在基礎訓練上，但現在它將轉移到更高層次的認知任務，如計劃和推理。

由於成本降低，擁抱人工智慧的公司將越來越多地成為行業標準，取代大型組織或外包公司。

除了降低成本外，以前人類無法完成的自動化任務（基於人工智慧的客戶支援、銷售、行銷）也將為收入成長做出重大貢獻。

就專業職業而言，雖然勞動力可能不容易被取代，但更專業的服務將加速出現，使公眾能夠獲得這些服務。同時，市場將經歷分叉成長，熟練AI的專業人員能夠產生高附加價值，管理人工智慧工人並產生更多高價值收入。

在以下三個因素的推動下，擁抱人工智慧的公司的競爭優勢將持續上升：

收入成長及利用人工智慧創新傳統產業

最後感謝Pat Grady、Sonya Huang 和Konstantine Buhler在紅杉資本的AI Ascent 2024 活動中的演講。 (AI Pioneer)

大盤股漲勢將進一步擴大，關注科技、醫療保健和工業板塊的大盤股。

愛看恐怖片的西尼德·科爾頓·格蘭特(Sinead Colton Grant)沒有被去年年底一些人為美國股市和美國經濟描繪的可怕前景嚇到，相反，擔任紐約梅隆財富管理公司(BNY Mellon Wealth Management)首席投資長的格蘭特告訴客戶，消費者支出展現出來的韌性有望為美國經濟帶來提振，聯準會可能會因此減少降息的次數並推遲降息的時間。

這是一個有預見性的預測，後來美國股市上漲，投資人大幅調低了對降息的預期。目前格蘭特仍建議高淨值客戶買進美國股票，但現在要將投資範圍擴大到廣受青睞的大型科技股之外，同時重新思考把現金放在哪裡的問題。

格蘭特起初在大通曼哈頓公司(Chase Manhattan)的交易大廳工作，然後花了10年時間從事外匯方面的工作，後來在貝萊德(BlackRock)做資產配置方面的工作，現在格蘭特在紐約梅隆財富管理公司管理3090億美元的資產。 《巴倫周刊》於4月9日對格蘭特進行了專訪，並於近日再次透過電子郵件和她探討了投資者應該關注的其他科技領域——包括透過其他方式投資人工智慧熱潮——她不像別人那樣對日本持樂觀看法的原因、以及投資人應該把一部分現金換成固定收益的理由等話題。以下是經過編輯的訪談內容。

《巴倫周刊》：你目前對聯準會降息的預測是什麼？

西尼德·科爾頓·格蘭特：去年12底市場做出的聯準會今年將降息六次的預期在我們看來相當樂觀，當時我們預計今年會有四次降息。現在所有主要指標都讓我們認為，降息次數肯定會更少，降息時間肯定會更晚，從通膨數據的表現和聯準會主席鮑威爾的評論來看，我們現在預計聯準會將採取一次幅度為25個基點的降息行動，降息時間可能在12月。

《巴倫周刊》：如果利率在更長時間內維持在高位，哪些公司將面臨風險？

西尼德·科爾頓·格蘭特：我們看好大盤股的原因之一是它們中的許多公司在利率極低的時候進行了債務再融資，其中大部分債務到2030年才到期。小型股的情況並非如此，它們的債務將在未來18至24個月內到期。一些公司已經以更高的利率進行了再融資，因為它們預計利率會開始快速下降，這是我們擔心的問題，利率不會很快下降，小型股面臨很大的利率壓力。我們在房地產行業也看到了這個問題。

《巴倫周刊》：在大盤股中，投資人應該持有哪些公司的股票？

西尼德·科爾頓·格蘭特：我們認為大盤股的漲勢將進一步擴大，我們喜歡科技、醫療保健和工業板塊的大盤股。在科技板塊中，我們關注的是一些不那麼引人注目的公司，例如專注於晶片設計自動化和晶片仿真（尤其是人工智慧）的Cadence Design Systems (CDNS)，市場對該公司晶片的需求正在呈指數級增長。

人們每時每刻都在談論人工智慧，如果說這是一場軍備競賽，Cadence Design Systems這樣的晶片設計公司可以為這場競賽提供並加快競賽的速度。我們預計未來三年該公司的利潤將以20%左右的速度成長。雖然Cadence Design Systems的估值目前高於歷史水準——以我們對2025年利潤預期計算的本益比為35倍——但我們認為它值得擁有高估值，因為該公司的營收和利潤都在加速成長，而且其股價低於其他高品質的軟體公司。

《巴倫周刊》：投資人涉足人工智慧的另一種方式是什麼？

西尼德·科爾頓·格蘭特：英偉達的上漲令人驚嘆，但投資人工智慧還有一種方式，那就是去尋找受益於網路安全服務需求增加的公司，例如CrowdStrike Holdings (CRWD)，網路安全是每位首席技術長的首要關注點。

不良行為者會利用人工智慧來增加網路攻擊的頻率，攻擊效率也會上升，CrowdStrike將利用人工智慧來更好地應對這些問題，該公司已經成為最高效的大平台之一，並且正在通過龐大的數據集來開和競爭對手之間的距離。市場低估了CrowdStrike成長的持久性，進入雲端運算和識別等新市場並佔據市場份額的能力以及人工智慧將推動該公司的成長。以2024年現金流計算，CrowdStrike的市現率為50倍，估值很高，但當我們展望2025年以及之後的成長前景時，我們認為它是一項“精英資產”，股價低於我們的高品質軟體股投資組合。

《巴倫周刊》：你目前願意持有「七巨頭」的股票嗎？

西尼德·科爾頓·格蘭特：我們認為「七巨頭」的估值——以及其他科技股和通訊股的估值——沒有太大問題，因為它們創造了大量的自由現金流。 「七巨頭」的利潤率是股市上其他股票的兩倍，與標普500指數相比，蘋果、亞馬遜、Alphabet、英偉達和特斯拉根據利潤、銷售額和現金流計算的估值都低於它們的五年平均水平，歷史上微軟和Meta Platforms相對於大盤有10%的溢價，目前低於這一水平。

我們認為「七巨頭」不會遇到重大挑戰，但在「七巨頭」的估值和股市上其他股票的估值有很大差異的情況下，我們更願意在其他地方尋找價值，醫療保健板塊是其中之一，該板塊是去年標普500指數中受創最嚴重的板塊之一。

《巴倫周刊》：醫療保健部門裡有哪些你看好的股票？

西尼德·科爾頓·格蘭特：我們喜歡Danaher (DHR)，該公司是最大的生命科學工具和診斷製造商之一。過去12個月Danaher所在市場一直沒有成長，今年上半年也將面臨壓力，這是因為該公司的客戶是中小型生物科技公司，利率上升和對經濟衰退的擔憂導致這些公司在支出方面變得更加保守。

通常情況下，這些客戶支出的年化成長率約為6%，所以近期較低的需求不會一直持續下去。製藥業的利潤率普遍較高，因此製藥公司往往不會將支出延後太久，我們預計支出有可能在下半年成長。

《巴倫周刊》：你認為美國經濟將“軟著陸”，這項預測面臨哪些風險？

西尼德·科爾頓·格蘭特：地緣政治風險已經顯著上升，但我們知道地緣政治方面的風險很難預測，我們正在透過關注能源市場和黃金的走勢來評估風險。

如果預示通膨將再次上升的經濟數據顯著加速，有關聯準會可能從不升息變成繼續升息的說法越來越多的話，美國股市可能會迅速因此失去上漲動力。

《巴倫周刊》：你是怎麼對沖這些風險的？

西尼德·科爾頓·格蘭特：固定收益是一個非常重要的組成部分，過去兩年收益率上升讓我們感到非常興奮，因為固定收益不僅能讓你分散投資，成為風暴中的避風港，還能帶來收入。

我們提醒那些被收益率為5%的貨幣市場基金吸引的客戶不要忘了，這樣的收益率不會永遠持續下去，高品質的固定收益更有吸引力。

《巴倫周刊》：債券市場有哪些有吸引力的投資？

西尼德·科爾頓·格蘭特：市政債券很有吸引力，尤其是在當前水準上。我們增持了5年期以及期限短於5年的市政債券，以及15年期以及期限更長的市政債券，同時減持了5年期至10年期的市政債券。隨著利率持續走高，低評級債券將面臨壓力，因此我們也減持了高收益債券。我們也為許多客戶配置了另類投資，其中包括不同類型的對沖基金。

《巴倫周刊》：你的職涯是從研究全球宏觀情勢開始的，從這個角度來看，有哪些情況是投資人目前沒有註意的？

西尼德·科爾頓·格蘭特：我們對國際市場和新興市場的配置較低，我看到一些投資者對日本和英國市場的熱情很高，但在我們真正能說這些市場有吸引力之前，我們需要從這兩個市場看到更多能讓我們信服的跡象。

雖然日本透過治理改革讓公司更加關注股東，但我認為這還不夠，我認為，日本的通貨膨脹還沒有達到讓我們確信日本已經完全擺脫了通縮、日本消費者的行為已經改變、或者日本經濟動態已經發生變化的那種程度。

日本經濟和企業利潤的成長在很大程度上是由日圓走軟推動的，目前日圓匯率處於30年來的低點，消費者信心也受到進口成本上升的影響。如果美國經濟放緩，即使只是適度放緩，日本都會遭受雙重打擊——日圓走強和企業利潤下滑。中國是日本最大的出口市場，因此中國經濟成長放緩也會對日本造成壓力。我希望看到日本經濟在日圓走強期間連續幾季持續擴張，以確認經濟復甦的獨立性。

《巴倫周刊》：哪些因素會讓你對國際股票持更樂觀的看法？