Transcription
哈囉大家好，我是Jenny。今天繼續來跟大家分享美股近期的大小事。
在我们录影的时候，CES展刚过，AI界又有非常多的大事发生。我记得我们在一年前，也有做一个录影，那个录影就是DeepSeek的诞生，然后会对于AI造成什么样的影响。当时我就是请业界中的专家，也就是耐能科技的执行长刘峻诚博士Albert，来跟我们分享说他对于产业的第一线观察。
那至今日，我们又再度的邀请他来告诉我们，在这一年，有哪些是有变化的，哪些是没有改变的。哈囉Albert。
嘿Jenny好，各位观众朋友大家好。那过去一年我知道你也非常的忙碌嘛，然后也是刚从CES展回来，可不可以先跟我们分享一下，在这一次的CES展上面，你有什么发现？过去这一年呢，你预测的趋势是对的，然后你也看到实际的成果发表出来。
我记得去年的这个时候，我们就是有在说，AI的趋势会从云端的Training(训练)为主，叫Phase 1(第一阶段)，过渡到Phase 2(第二阶段)，就是Inference(推论)为主，然后到第三个Edge AI(边缘)。这一次的CES其实还蛮清晰，就是Phase 2(第二阶段)跟Phase 3(第三阶段)是比较大量爆发的。
你可以想象说，云端的训练，GPU绝对是King，但它的缺点就是说，我的训练的成本很高。像ChatGPT他一年的训练的电费是到60亿美金的这种维护费。那如果你用这么贵的训练的GPU，来到Phase 2(第二阶段)做Inference(推论)的时候，那所以Phase 2(第二阶段)，你就会开始看到有一些百花齐放。
比方说非CUDA Base的GPU，像AMD开始，看他营收也是增长很快，代表Phase 2(第二阶段)真的是很明显地出现了。还有很多大厂开始做AI ASIC，Amazon、Google也有，Microsoft也有。前阵子这个博通的股价涨很高，这就确认Phase 2(第二阶段)已经很明显了这个趋势。
那我觉得最重要，我们宣称Phase 2(第二阶段)已经发生的原因，是连NVIDIA自己都去买了一个公司叫Groq。Phase 2(第二阶段)跟Phase 3(第三阶段)。Phase 3(第三阶段)其实他强调就是说，那这次CES你可以看到像Samsung还做了一个很像球形状的机器，当作家里的这个AI Hub。看起来就是Phase 3(第三阶段)基本上也是百花齐放。
所以我觉得回顾过去一年，我们可以看到，大家本来是很疯狂的在训练，然后买GPU在做基础设施。现在已经有越来越多的厂商都发现，如果要解决这个问题，我就是先盖电厂。但是电厂可能又没有那么快。那我就是从晶片设计着手。我如果可以有更好的效能，然后更低的耗能的话，其实我也可以节省更多的电，然后可以降低更多的成本。已经朝向推论，然后朝向我们讲到的，我用ASIC用客制化晶片，其实可以达到更好的效果。
那这个时间点，我们就要来讲，辉达他就是大手笔花了200亿美金，然后想要去买Groq这个，算是以推论晶片为主的公司。那为什么要花这么多钱？而且他的目的到底是什么？难道他也发现只单纯做训练，已经不够了吗？
我觉得他又回到了，我去年也在讲的一件事情，就是说AI的晶片的技术迭代，从CPU变成GPU，变成所谓的AI ASIC，是一个暂时的这个阶段，到所谓类NPU架构。在某些程度上，这个解释不完全正确，但我觉得他有点像是三四个维度的东西。所以你一定要把一两个维度先固定，你才能从另外两个维度，去把事情分析。
所以我常常举两个例子，但这两个例子你先要综合来看，因为它是四个象限的东西。那第一个解释常常会说，从CPU变成GPU变成NPU，它很像从录影带变成DVD，变成MP3随身碟。这个指的是说，我的定义是，其实它并不完全是取代关系，因为这样听起来会让人误解，它是取代关系。
所以我又举了另外一个例子，CPU很像坦克车，GPU很像卡车，NPU(口误)很像小客车。它其实最后是有点各自分工的。但是如果你把单纯它的单位功耗，创造的这个AI性能来讲，从CPU、GPU到NPU，它很像是录影带变DVD，变成MP3。这个是对的。
我记得MP3随身碟刚出来的时候，大家如果回顾那段历史，其实MP3随身碟也有，因为在不同产业或不同垂直应用，有一点奇怪的变形。比方说当时有人把MP3的技术，跟播放音乐的随身听整合在一起，它最有名就是iPod跟iPad，Apple的产品。那也有人把这个MP3的技术，整合在一个小小的录音笔。
所以今天的NPU，它其实有个类NPU架构。类NPU架构的单位功耗，创造的性能来讲，这也很合理。因为GPU其实存在在人类历史上三十几年的东西，你说我拿三十几年的架构来做今天AI最好的吗？好像也不对，对不对？CPU是人类历史上已经存在，大概六十几年，它一开始是做逻辑运算。那GPU最早是做图像跟游戏。
类NPU架构出来的时候，你会因为你的需求而去做某些客制化。比方说你把那个云上的训练，那个地方加强，那这个就是TPU。那如果你把它一进来的那个第一笔的数据，那它这个就很像LPU。LPU其实就是类NPU的架构，但它把它的控制盒做小一点，然后加了很多SRAM。但SRAM其实蛮贵的，所以这个其实成本上并没有一定的优势。
那NPU就是一个比较通用的架构。你会发现这三个词，除了耐能之外，Intel、Qualcomm、AMD，这么多大厂都用这个词，一定是这个架构是最通用的。
其实我刚刚听你讲的时候，我觉得它就是一个阶段，一个阶段发展的过程。我今天AI开始之后，我当然想要去设计一个晶片，可以专门给AI的，然后可以让它的效能更好。譬如说运算的速度可以更快，或者是我在处理的时候，我的功耗可以更低。然后就让大家觉得，各式各样的PU之前，可能它们都会有一个代号，就像你刚刚讲到的LPU，或者是你发明的NPU這樣子。
可是如果我们现在在Phase 2(第二阶段)好了，假设我们现在是在推论，然后到最后到Edge端，是不是真的辉达它去买了Groq，它是真的比较在Phase 2(第二阶段)，就是推论这一块？可是NPU的部分，它是真的比较适合在Phase 3(第三阶段)，边缘啊，后来我们到了一些终端啊，或者是Physical AI，实体AI的部分，它会比较有更好的一个发展？
其实我觉得这个有一点点对也不对。假设今天MP3随身碟跟DVD跟录影带同时存在，市场各有自己的派系。但是哪些东西它会最快，让MP3随身碟有绝对性的优势？它的优势就是小、省电、然后功耗低嘛。所以意思是说，这个是毋庸置疑，它就是面积跟功耗跟方便携带性是最关键的。
但是其实也有人把NPU开始做到云。比较有名的就是Google的TPU。Google TPU的数据一出来，你会发现它的训练成本跟Inference(推论)的成本，其实都比辉达的GPU好很多。那Gemini出来的时候，效果也是蛮好的。另外就是，也有一个公司叫Qualcomm(高通)。Qualcomm其实它前阵子有发布，说它在Data Center用了NPU。那天当然它的股价就涨了十几%。真的就是一讲出来，可能都还没有实际量产，可是大家觉得，欸，未来的想像空间好像很多，然后就股价大涨。
应该说事物的本质，这件事情是合理的。所以你觉得这个趋势，是会一直延续下去的？就是我们现在看到的，没有觉得它是一个马上的转变，但是事实上，就是已经导入在很多的公司里面。甚至像NPU现在，也已经实际的在很多的Edge端，然后都已经在实际的量产，跟很多的客户去做配合了吗？
其实我想要講的是说，你看现在的是有点大语言模型的时代，对不对？你可以想象说大语言模型，它比较接近人，就是比较聪明，脑比较大这样。但是其实我上一次也说了，就是说其实从2016到2019年，那个是CNN的时代。你可以想象说那个脑比较小，比较像狗跟猫的脑袋。那时候主要是拿来做人脸识别，还有物件识别，一点语音唤醒。
在那个时候，其实完全就是现在我说的这三个趋势。因为那个脑比较小，所以它迭代比较快。第一个时代在2016年，当时在做人脸识别的时候，大家都在训练模型，疯狂买NVIDIA GPU。那时候市场大概80%是做Training(训练)，只有20%是Inference(推论)。但到2017年，就是Inference(推论)就变成90%，只有10%是Training(训练)。有点像是Google的人脸识别已经训练到99%，Amazon也训练到了99%，Microsoft也训练到了99%。
然后后来等到大家都差不多了，大家开始在把模型剪枝啊、量化啊，然后这个Transfer Learning(转移学习)啊、蒸馏（Distillation）。就是DeepSeek最近在讲那个，其实蒸馏在那个时代，CNN时代就有了。那就是把模型变小之后，就把它丢到了各端。第三阶段的时候，基本上是NPU为主。
所以大家都说辉达去买Groq的原因，就是因为他也希望可以加速推论。譬如说我们跟ChatGPT讲话的时候，他可以回复的速度可以更快。但是刚刚又让我想到一个问题，就是会不会也是在成本的部分，大家也是要有所考量？我们现在看GPU的时候，都是搭配HBM，高频宽记忆体，那这个非常贵，而且现在处于供不应求的状况。
那到了这个Groq他的LPU的时候，那他可能是搭配SRAM，那那个时候大家也会想说，会不会這樣子会威胁到HBM他的一个地位？那如果以刚刚这样讲的话，其实他也不是取代，他等于是多一种选择，然后更全方位的配置。甚至到NPU的时候，你们也有自己选择的记忆体，然后可以去做搭配，然后也可以让这个成本、效能可以发挥他最大的优势。
我再用另外一个纬度来分析这个事情。我刚刚讲的就是说，从录影带、DVD、VCD这个概念。其实你从CPU、GPU跟类NPU架构，其实他也很像我之前说的，坦克车、卡车跟这个小客车。CPU的每个核是比较大的，你可以想象他每个核，就很像一个博士生，微积分什么都很强。但CPU的核就比较少。所以我才会说他很像坦克车，他主要功能是打仗用的，他主要是做逻辑运算的。逻辑运算的复杂度，其实比图像还要复杂，也比AI的convolution(卷积)复杂。
GPU很像卡车。有一天人类就是建造城市，大家发现卡车相较于坦克车，在城市转来转去比较省油。大部分的司机就喜欢开卡车。卡车又为了要让卡车司机黏着在卡车上，他就做了一个很简单的开车系统，你一上去按一两个钮就可以开车了。这就是CUDA。
有一天人类发明了小客车，那就是NPU。为了在城市转来转去，一开始油价其实没有涨很高，就是之前的CNN时代，开卡车可能只比小客车贵个15块20块。那我已经习惯开卡车了，我也习惯这个CUDA系统，我就不想换。结果有一天油价突然涨两三百倍，就是今天这个时代，大语言模型出来，逼一些卡车司机去换成小客车。
那小客车呢，又每个人为了这个小客车，做不一样的小客车。比方说你如果去看日本，日本的街道很小，就是日本有一种比较独特的小客车，就是三个轮子的或两个轮子的。那这个有点像就是LPU，专为这个大语言模型，快速去拿取资料，架了这个SRAM。
辉达买这个LPU有两个原因：一个原因是为这个Phase 2(第二阶段) Inference(推论)为主的市场开始布局。另外一个就像你说的，因为其实HBM现在独占可能就一两家，三星啊、TSMC，然后海力士这样。到了LPU他可能是SRAM为主，但SRAM其实也比较贵。所以其实有一些人在分析这个LPU的这个叫做单位运算成本。
再来讲到这个NPU。NPU的特色就是说，他是一个比较通用的车，不需要这么的复杂的。不管是HBM还是高阶的很多的SRAM，我们这种NPU其实用的就是像什么eMMC、DDR，他就是更普及了。他在记忆体的垄断性，就更容易让这个AI到各行各业，到各个设备。
但是现在还是有供不应求的问题。那你会不会觉得你在制造成本上面，也会承担一些压力的感觉？
确实是有。其实我觉得今年的整个记忆体，是一个非常奇特的状况。其实在去年第三第四季就已经蛮明显了。主要应该是三星跟海力士，不再做这种很低阶的DDR。后来华邦、南亚，甚至旺宏，这几个厂的整个产能需求就爆满这样。
那我也还蛮好奇的，就是以你产业的人士来看，你觉得AI现在到底是不是一个泡沫？还是呢，其实真的就是需求这么强劲？你觉得还可以延续一段时间？
我认为在主权AI的资料中心的建置上，我觉得今年看起来是OK的。几个原因，就是说我觉得看需求，你还是要看一个回到事物的本质。当年CPU时代建造资料中心的时候，其实花了很多年。但现在有点像是因为世界各国觉得主权AI是一个霸权争夺，所以每个人在GPU为主的资料中心投入是觉得我不能比你慢，我比你慢，我可能在AI争霸我就输你了。所以它是疯狂式的建造。
其实主权AI的建置，但是一样就是0到1去建置的时候，会花很多年。那时候需求会很高。但当你到饱和的时候就慢下来。
第二个层面就是，其实现在的资料中心的建置，已经不是Phase 1(第一阶段)而已。Phase 1(第一阶段)就是高阶的，所以它其实已经Phase 2(第二阶段)跟Phase 3(第三阶段)同时往前。非CUDA式的Training(训练)，用很高阶的GPU的Training(训练)很贵，你要上水冷，甚至要盖核电。软体上面有一些技术的演进，包含DeepSeek的非CUDA为主，用PDF的方式来训练。CUDA壁垒在Phase 2(第二阶段)其实基本上是没有的。那Phase 1(第一阶段)的壁垒也慢慢的在下降。
第二因素会造就认为说，GPU的资料中心的建置，超算中心的建置的需求会没有那么，没有那么受力。
第三个我也还来讲，以数据来讲，去年其实市场有一个论点叫闭环交易，AI闭环，就是大家都在同一套里面，然后资金给来给去的都是同样。那我只以数据的事物的本质来估算，就是说Yahoo甚至Bloomberg，还有那个纽约New York Times，其实有做分析说，建造一个资料中心超算中心的成本。当时Sam Altman是说，他想要在五年内建造10GW，对不对？
1GW的概念是什么？1GW的概念其实就是一个核电厂一年的产生电。当时黄仁勋是签了一个MOU跟Open AI说，我会给你1000亿美金，假设你一兆来分摊五年，等于是未来四年，每一年还有大概，假设他真的很会找钱，黄仁勋这个钱也真的进去。首先这是MOU，MOU其实不一定会有执行。那假设说这都是真的，他真的投了。
第二个挑战是什么？第二个挑战是说，我刚刚说的1GW的概念，我不是只有钱的问题，我还要盖核电厂的问题。我们有办法在五年内盖10座核电厂？就是第二个问题。到底有没有这个根本去支撑这个协议？这是另外一个问题。所以会不会真的GPU厂商跟Open AI跟Oracle，去自己产生了一个闭环？这也是另外一个，我觉得需要考量的问题。
为什么后来TPU一出来，效果会好很多，然后甚至在股价上Google的股价就涨很高？他是用类NPU架构来做AI Training(训练)，他同时解决了Phase 1(第一阶段)跟Phase 2(第二阶段)的问题。Phase 1(第一阶段)最大的争论就是说，我的GPU很贵，我等于是用世界最贵的成本来做Inference(推论)，那也非常的奢侈。但TPU因为他是类NPU架构，所以他在Training(训练)跟Inference(推论)都有优势。
我觉得凡事还是离不开本质。我就再举一个很实际的例子，去年11月有台风对不对？前年的11月有台风，就是气候变化。11月对，在大前年之前其实很少。在过去40年台湾历史上，很少在11月有台风。为什么会突然这两年这么怪？ChatGPT出来之后，我们的整个气候变了。ChatGPT的Data Center，他一年产生59千吨碳排放。
所以说这件事情到底对地球健不健康？地球的资源能不能支撑这么多核电，跟支撑他们规划的这个增长趋势？所以现在就是说，其实AI的最底层的最大资源，其实就是电力的供给。如果没有稳定的电力的话，其实上面的一切都是免谈。
这个假设是我们用GPU。这是为什么我一直说，在AI时代，我们来看影像。今天如果我说，我要把我从小到大的电影，都用录影带来储存，它就会非常的大，比我这个房间还要大对不对？然后我如果要用非常多的这个录影带播放机，去找我的任何一部的电影，在哪个时刻看过，我马上就能播出来。这就是今天的AI，就是把我从小到大的资料，或网路上所有资料，全部塞到一个GPU里去跑，它的耗电量就会很大。
如果我今天的命题是说，我用MP3随身碟的技术来找，它就会很小，对地球就比较健康。
所以我刚刚听起来是，Phase 1(第一阶段)跟Phase 2(第二阶段)，其实现在竞争蛮大的。但是我觉得Phase 2(第二阶段)它慢慢进展之后，现在如果大家都到云端推论，那是不是在Phase 3(第三阶段)的部分，就是在Physical AI或者是边缘的地方，其实也会有被压缩到？就是你们的竞争，其实也不会那么小？会因为这个Phase 2(第二阶段)，就是推论的发展，然后也开始有更多的这种压力存在？
我觉得你还是要看一下，其实最终很多人在争论说，NPU要取代GPU。当然有一些媒体可能为了流量，会说我们要取代GPU。我们来看当年的CPU跟当年的GPU之争，在30年前发生的。当年GPU刚出来的时候，非常小，很可怜，差点死掉。因为当时的Intel很强势，就跟今天的NVIDIA一样，超强势，每天造势。但最后它没有办法变成主流，是因为CPU架构、跟GPU架构、跟NPU架构，它有点像是坦克车、跟卡车、跟小客车。
产品上确实有人把坦克车跟卡车混在一起，战争的越野车。但你会发现它就变成，我既打仗也不好，既载货物也不好。CPU的x86架构跟GPU的架构合在一起，一样的，你把CPU、GPU跟NPU硬整合在一个晶片，它就是四不像。
我有时候也觉得，其实它很像不一样的刀。有水果刀、鸡刀跟指甲刀。市面上会有独立的刀存在，但也会有像瑞士刀整合性的。所以你会发现越小的系统，它整合的趋势是越明显。比方说你的手机，它就是CPU、GPU跟NPU整合在一起。你把NPU撇掉，就是手机也是CPU、GPU整合在一起。比较低阶的笔电，其实也是CPU、GPU整合在一起。但高阶的笔电，只要它很在意图像的画图效果，它其实就是独立的GPU。
这三个硬件，我认为它跟当年的CPU、GPU时代一样。这也是为什么最近突然有云的超算中心，以GPU Dominate的这个换机潮，所以这个股价才会涨成这样。但是我认为以后真的很健康的，应该是CPU、GPU跟NPU。比较高阶的笔电，也是CPU、GPU、NPU独立，因为这样它们的各自性能才比较好。
我还想要再延伸到，就是更未来的部分。就是比如说我们现在看到的AI，可能还在基础设施，还在模型，还在一些软体的应用上。但是最后，不管是马斯克，或者是辉达黄仁勋，他们其实都有提到Physical AI，实体AI，才是未来AI真正的终点跟目标。比如说自驾车，比如说像机器人。
那你觉得这一天，到底什么时间点会到来？可能有人说还要到2027、2028年，但是有没有可能，它其实离我们已经更近？
其实我就说，CPU跟GPU的时代，最后其实它是落到地端。应该说端跟云，其实并没有我们想的这么的绝对。就端不会取代云，云也不会取代端。最后的结论一定是端有小脑袋，云上有大脑袋。今天我们认为的NPU，假设它是未来的，大家认为还没有普及的，这个AI的算力的东西，它可以让你的端变得跟云一样聪明。
这件事情就一定会普及。原因是因为你现在看，现在每天跟ChatGPT工作、聊天，它其实很像人了对不对？当这种等级的AI，可以到你家里的设备，它就真的是我们很熟悉的科幻电影，像哆啦A梦这种东西这样。所以我才会说，其实我们熟悉的科幻电影的时代，是很接近的。
我们自己也有在产业内做Design-in、Design-win。一般我们做Design-in、Design-win的周期，会是17、18个月，比较龟毛的公司会到24个月，甚至30几个月。日本周期就很长。以我们的可见未来，其实很快会发生。基本上我觉得今年的第二季、第三季开始，那个实体AI就已经会慢慢普及。
其实以今年的CES就很明显，就是有类人的机器人，然后有外型不像人，像那种小小的家电，然后你是可以用对话式的方式，在跟它沟通。所以会不会其实机器人离我们很近？但是其实它最主要的挑战，其实不是在脑，不是在它聪不聪明，不是在它到底是不是可以连接到AI，有这样的一个智慧。其实是在硬体的部分。比如说我真的类人机器人，我的手部的一个运作，或者是我在工作的时候，我要怎么样可以很灵活的。这个反而是比较困难的。要这个东西去克服了之后，我们才可以真正去达到实体AI。
我觉得你先不要看NPU这个概念，你先用GPU概念。GPU普及是普及在哪里呢？就是其实你的手机有GPU，你的车有GPU，你的笔电有GPU。应该说你把图像时代的，再把进阶为AI的话，最后在实体离不开几个，就是你的人身上带的东西，穿戴式系统、眼镜啊、手表啊、你的手机。那它的AI只是越来越强，但它会是一个演进嘛，就是本来在云上的这种AI，会绝对down到这种地方。这是以人为主的。
另外一个就是以出行为主，像你的车、你的脚踏车、那你的机车。另外就是你工作的环境，像笔电这样。然后这个笔电呢，甚至它可能可以到公司层级的GPT，甚至到城市层级的GPT。
所以未来我觉得它会是几个闭环，应该说几个生态系。有点像是家里会有个生态系，就是你家里会有个AI Hub在家里。没多久就会发生。这个家里的这AI Hub呢，它可以跟你家电沟通，而且它会越来越聪明。到了公司层级，变成你公司有个中型的脑袋，然后你的笔电各自也是一个小脑袋。
那再来是国家层级的，就是国家级的这个主权的AI的Hub，然后到各个城市的AI Hub。我觉得我们对于未来可能有一些比较具体的想像。
就是在你刚刚讲到，我们到底是怎么样从训练，然后到未来呢，可以到第三阶段的这个Edge端。那我自己呢，其实也有一个蛮好奇的地方，就是因为前阵子耐能也有推出一个新的晶片嘛。那这个其实跟我们一年前在录影的时候，其实你就有提到一个概念，就是现在大家在运算的架构，AI的架构其实都是Transformer。但是你认为未来主要的架构，应该会是Mamba。所以你的新产品设计，其实也是根据这个架构来做设计的。是不是可以跟我们分享一下，就是你这个新产品，它主要的未来的应用方向啊，以及你为什么认为这个架构，会是未来比较主流的一个架构？
我们说的NPU叫可重构的NPU。当然今天因为NPU这个词非常热，很幸运我们是十年前就在做。所以也因为十年间在做，所以我们虽然公司规模还蛮小，但在国际上还蛮受认可的这样。
当然我为什么要强调说，我们认为这个才是NPU的主流？因为就像我小的时候，那个奈米很热门，马桶有时候叫奈米马桶，这个领带也叫奈米领带。我们认为的NPU是这样，是可重构。只要是PU（Process Unit），它最大的一个特色是，我只要改变Instruction Set（指令集），它的功能就会变很多。
比方说CPU来讲，就是我的笔电，我这时候可以拿来做Word文字编辑，但我下个时刻可以做Excel，我又可以看网络。有没有？你会发现这个功能差异很大，所以它会是一个大类别。
GPU呢？我可以打玛利欧，下个时刻我换这个Final Fantasy，那个Tifa跳起来头发也会飞。有没有？我换一个游戏它就可以变。然后我又可以拿来看电影这样。
NPU也一样，就是说我可以做这个人脸识别，然后又可以做LAM（大语言模型）跟你对话，然后又可以做语音识别。所以只要Instruction Set（指令集）一变，它就可以变。所以NPU的核心架构呢，只要我把我的指令集变它就会变。
其实耐能从创立到今天，我那天算已经有六七颗晶片了。今天的主流Mamba跟Transformer，其实已经是一个Hybrid。大概从去年底开始，Hybrid模式就是主流了这样。包含IBM、包含腾讯、包含Google、包含Amazon都在跟这个主流架构这样。那这个叫你泥中有我，我泥中有你。因为其实Mamba跟Transformer各有各的优势。有一个叫做见树不见林，一个叫见林不见树。但为什么叫Hybrid？就是你又可以见树又可以见林这样。就是这两个现在有点混合。
我觉得市场有时候会有点谬误。因为包含我们在2021年，也是第一个支持Transformer，那现在也是第一个喊这个支持Mamba。耐能的可重构是，我们其实在模拟人脑。人脑很大，有上亿个神经元，但我们的基础元素，其实就是很多的脑神经元。我们会在跟媒体说，我们很像乐高式的积木拼凑的AI晶片。
就是说我以为我的视觉区域是苹果，我就把这个脑神经元拼拼拼成一个苹果形状，我就可以支持视觉AI在这个时刻。下个时刻我把它拆了，我就把它拼成香蕉形状，我就可以做这个听觉的AI。
所以我们在市场上最大优势是，我可以同时支持语音、影像、Transformer、Mamba，我只要改变就行了。明天也许发现Mamba 2、Mamba 3，只要它基础元件是脑神经元，我用像捏黏土一样，我把我的instruction set（指令集）跟分位改变后，我可以去拼凑成它的样子，我就能支持这样。
所以并不是说我今天去赌这个Mamba，我就不支持Transformer。所以一样啦，也是不是取代的概念，其实就是一个补充的概念，就是更多元化的一个概念，然后让客户也可以有更多的选择。
没错没错。那今天非常谢谢Albert来我们的节目，然后跟我们分享很多产业相关的资讯，然后也跟我们分享了未来的趋势到底是怎样。但是最后我还想要再逼问你一个问题。虽然说我知道你自己没有在投资，但是毕竟我们是一个投资的频道。
所以如果今年我们必须要关注的三个科技重点或者是AI重点的话，你可不可以给我们三个你觉得比较具体的方向？然后你觉得有什么事情是我们必须要特别注意的？
其实包含耐能自己有打进一家非常大的国际巨头。这个国际巨头是指是台积电的倍数。其实这大概就是我刚刚说的，从Phase 1(第一阶段)变成Phase 2(第二阶段)跟Phase 3(第三阶段)。那Phase 2(第二阶段)跟Phase 3(第三阶段)的这个趋势是很明确的。在这个Phase 2(第二阶段)跟Phase 3(第三阶段)，哪些国际巨头的洗盘会不同，那就是一个未来趋势。
一样，我们在供应链上，哪些可以支持这个Phase 2(第二阶段)跟Phase 3(第三阶段)快速崛起的，那我觉得还会是一个很明确的趋势。
好，非常感谢Albert。那希望我们再过不要一年那么久了，我觉得AI的趋势的变化，我觉得搞不好半年了，就可以再邀请你来上我们一次节目，跟我们分享最新的动态观察。那如果大家有任何问题的话，也欢迎在留言的地方告诉我们，那我们也会跟Albert请教，然后在之后再拍影片来跟大家做一个分享跟讨论。
那今天就先这样囉，大家掰掰。