在新加坡舉行的國際高峰論壇上，半導體產業領袖指出，人工智慧（AI）對整體社會與商業環境的影響力，將超越過往的網際網路革命。然而，由於產業導入的複雜性與對資源的龐大需求，全球算力供不應求的現象預計將一路延續至 2029 年。
這波算力吃緊不僅考驗供應鏈的製造能力，也正在重塑整體的 AI產業 發展方向，未來競爭焦點將從單純擴充硬體，轉向運算資源使用效率與軟體資源的整合。
算力短缺延伸至2029年 電力與資本成本成為新瓶頸
根據半導體高層的觀察，當前模型發展帶來指數級成長的運算需求，但基礎設施建置卻正面臨多重瓶頸。除了傳統的晶片製造與高頻寬記憶體產能限制外，區域性電力供應短缺以及高升的資金成本，已成為資料中心擴建的主要阻礙。
另一方面，許多企業在建置 AI 設備時，為了因應尖峰時期的資料處理量，導致中央處理器（CPU）與繪圖處理器（GPU）在離峰時段未能充分發揮效益。如何透過虛擬化軟體提高既有設備的運作率，並精準控制運算代幣（Token）的消耗成本，將是企業能否實現投資報酬的關鍵。同時，整體市場仍面臨嚴重的工程人才缺口，估算產業至少需要 15 萬名專業工程師投入才能維持擴張。
運算架構轉向多晶片整合 客製化加速器角色崛起
隨著大型語言模型（LLM）的商業應用逐漸成熟，未來的運算架構不再由單一晶片壟斷。專家分析，針對特定工作負載量身打造的應用特定積體電路（ASIC）等客製化加速器，將在提升運算效率與降低營運成本上扮演要角。
未來的技術發展將走向混合式的解決方案，依據不同的工作流程組合 CPU、GPU、專用加速器，甚至融入發展中的量子處理器（QPU）。雖然硬體與晶片廠商目前享受著基礎建設浪潮的紅利，但長期的核心價值正向軟體、下游應用端及前沿模型轉移。開源模式的興起也有助於企業在效能與成本之間尋找最適解答。
這代表什麼
對於台灣半導體與伺服器供應鏈而言，這意味著 AI 基礎設施的需求具備長達數年的可預見性，算力商機並非短期熱潮。然而，隨著市場從「通用型 GPU」擴展至「客製化晶片（ASIC）」與異質整合架構，台廠供應鏈必須加速在先進封裝、晶片設計服務及節能方案上的布局，以滿足多元晶片設計的需求。
對於企業管理者與中小企業主來說，導入生成式 AI 的重點已從「搶購硬體」轉變為「精細化成本管理」。企業在規劃科技支出時，應評估自動化流程帶來的實際效益，重視軟體優化與 Token 費用控管，避免因無謂的運算浪費而導致營運成本失控。
背景補充
本次產業界的關鍵觀點來自星展銀行於新加坡舉辦的峰會，邀請英特爾（Intel）執行長陳立武與博通（Broadcom）執行長陳福陽同台對談。陳立武曾任知名半導體創投負責人與 EDA 工具大廠高層，對產業投資與晶片設計有深入洞察；陳福陽則領導博通成為全球客製化晶片與網通設備的巨頭。兩位領袖在半導體領域皆擁有數十年的豐富經驗。
文中提到的「Token（代幣）」是大型語言模型在處理文字或資料時的基本計算單位。使用者每一次輸入指令或生成回應，都會消耗一定數量的 Token，這也是雲端服務商計費的主要依據。因此，Token 的使用效率與成本高低，直接決定了企業將 AI 應用落地時的商業可行性。
常見問題
為什麼 AI 算力短缺會一路延續到 2029 年？
除了晶片與記憶體產能限制外，資料中心的電力供應不足以及高利息帶來的資本擴張成本上升，都是導致運算資源供給趕不上需求爆發的主因。
企業該如何控制導入 AI 時的運算成本？
企業應妥善管理模型使用時的 Token 消耗量，並透過虛擬化技術提升離峰時段閒置硬體的使用效率，同時可評估採用客製化晶片或開源模型來降低費用。
未來的 AI 運算硬體架構會有什麼變化？
硬體架構將從單純依賴通用 GPU，轉變為依照不同工作負載彈性組合 CPU、客製化專用加速器（ASIC）與量子處理器的多晶片整合模式。