B04 IPAS考試必勝

1.什麼是AGI

通用人工智慧（AGI）的核心定義，將其描述為具備像人類一樣能跨領域學習、推理與創造的強大智慧。透過生動的「廚師」比喻，內容清晰區分了現有的弱人工智慧（ANI）、未來的強人工智慧（AGI）以及超越人類總和的超級人工智慧（ASI）。文中引用了 Google DeepMind 的六級標準與各大機構的門檻，指出目前的技術仍處於ANI 階段，但正朝向具備推理能力的進階模型邁進。針對 AGI 實現的時間表，各界存在從 2026 年到 2050 年後不等的多樣預測。最後，資料強調 AGI 的誕生將是人類文明的重大轉折點，在帶來醫療與科學突破的同時，也伴隨著倫理安全與社會結構衝擊等巨大風險。

2.介紹三個最強的大語言模型AI

目前在大語言模型（LLM）領域中，最強且形成「三足鼎立」局面的前三大 AI 分別是：

ChatGPT（由 OpenAI 開發）：

目前在所有的生成式 AI 大語言模型中市佔率排名第一（約佔據七成市場）。

它在 2022 年 10 月橫空出世後，短短兩個月內下載量便突破一億次，成為人類史上最快達成此紀錄的應用程式，也帶給市場極大的震撼。

Gemini（由 Google 開發）：

目前市佔與影響力緊追在後，是 Google 為了逆襲對抗 ChatGPT 所推出的強大武器。

其背後象徵了 Google 內部兩大頂尖實驗室（Google Brain 與 Google DeepMind）的完美合併，集結了最強的人才與研發量能。此外，開發團隊特別鎖定未來企業級應用的發展，甘冒風險重寫演算法以主攻「超長文本」的處理能力，為其強大的進化效能打下基礎。

Claude（由 Anthropic 開發）：

來源中提到 Anthropic（音譯為 Opic）及其研發的模型 Claude（音譯為 clouded），與 OpenAI、Google 共同佔據了 LLM 領域前三強的戰略地位。預估 Anthropic 今年的估值大約為 3000 億美元，在市場中佔有非常有利的位置。

這三家公司與其大語言模型目前在市場中佔據最重要的前三強地位，未來的 AI 發展將持續在這三強的軟硬體與人才大戰中不斷競爭與突破

。

3.說明CPU和TPU、GPU 與 LPU 晶片在 AI 運算的角色及功能比較

在 AI 運算與整體硬體架構中，CPU、GPU、TPU 與 LPU 各自扮演著分工明確的角色。資料中將運算系統生動地比喻為一間大型餐廳的廚房，這四款晶片的功能與定位比較如下：

• CPU：扮演大型廚房裡的總廚（或運動場上的實權人）。總廚負責掌握全場的整體運作，但未必對每一個個別的工作站（如特定的 AI 運算）都非常精通與熟悉。

• GPU：扮演 AI 工作站的副總，在 AI 領域是真正的實權人，也是目前 AI 基礎訓練上的王者。它的強項在於容量極大（使用 HBM 記憶體），能支撐龐大的 AI 基礎訓練，但相對而言，其運算速度會比 LPU 稍慢一點。

• TPU（張量晶片）：扮演 AI 工作站裡的專屬廚師。這是 Google 為自家系統量身定制的專屬晶片。它的開發讓 Google 得以不完全仰賴外部廠商，有效處理 AI 運算並大幅降低龐大的輸入與輸出（Input/Output）成本，同時避免陷入受制於人的晶片荒。

• LPU：扮演 AI 工作站底下出菜最快速、最厲害的廚師。LPU 是專門用來進行語言計算的晶片，極度適合應用於未來 AI 語言模型的深度推理。它的最大優勢在於運算速度極快（使用 SRAM 記憶體），這在未來 AI 推理速度的決戰點上非常關鍵；不過其劣勢在於容量較小。

總結來說，這四款晶片在未來的 AI 大戰中是分層負責、各司其職的。要打造出強大的 AI 語言模型，需要仰賴這些晶片發揮各自的控制、容量、客製化與速度優勢，將整個硬體架構完美地拼湊與整合起來。

4.請比較Google晶片和輝達晶片的差異 

Google 晶片（以 TPU 為主）與輝達晶片（以 GPU 與新併購的 LPU 為主）在 AI 領域的策略與應用上有顯著的差異，主要可分為以下幾個維度來比較：

1. 核心定位與分工角色

• 輝達（Nvidia）晶片：

  • GPU：在 AI 架構中扮演「工作站副總」的角色，是目前市場上 AI 基礎訓練的王者。

  • LPU：輝達透過併購 Groq（音譯 COCK / CO）取得了 LPU 團隊，扮演「出菜最快、最厲害的廚師」，專攻 AI 語言模型未來的深度推理戰場。

• Google 晶片：

  • TPU（張量晶片）：扮演「專屬廚師」的角色，是 Google 為自家系統量身定制的專屬晶片。

2. 記憶體架構與效能優勢

• 輝達（Nvidia）晶片：GPU 主要搭配 HBM 記憶體，優勢在於容量極大，足以支撐龐大的基礎訓練需求，但運算速度相對稍慢；而未來的決戰武器 LPU 則是搭配 SRAM 記憶體，運算速度極快，但劣勢是容量較小。

• Google 晶片：自研的 TPU 發展極速，目前已推進至第七代，且即將推出名為 Ironwood 的最新晶片，其晶片系統（ASIC）的整合能力在所有企業中名列前茅。

3. 供應鏈與「晶片荒」風險

• 輝達（Nvidia）晶片：全世界多數 AI 企業皆高度仰賴輝達的晶片，而輝達的生產速度又極度依賴台積電的高階製程產能，因此容易面臨產能限制與缺貨等待的問題。

• Google 晶片：Google 很早就意識到算力擴張的需求並投入自研 TPU。這讓 Google 完全不怕晶片荒，不需像 OpenAI 或亞馬遜那樣受制於輝達的供貨與台積電的產能瓶頸。

4. 運算成本與市場價格戰

• 輝達（Nvidia）晶片：採購輝達晶片的硬體建置成本極高，且各家企業難以在底層算力上取得成本優勢。

• Google 晶片：AI 運算的 Input / Output（輸入與輸出）極度燒錢，而 Google 新一代的 TPU（如 Ironwood）能將每百萬次運算的 Input/Output 成本大幅降低一半以上。這項硬體優勢能直接轉化為市場定價能力，讓 Google 可以調降用戶訂閱費，在對手成本降不下來時取得巨大的價格競爭優勢。

Google 的 TPU 是如何降低 AI 運算的成本？ 

Google 透過自主研發 TPU（張量晶片）來降低 AI 運算成本，主要透過以下幾個關鍵方式達成：

• 擺脫對外部晶片的依賴：Google 很早就意識到算力擴張的需求，因此選擇為自家系統量身定制 TPU，這讓他們不需完全仰賴輝達（Nvidia）等外部廠商的晶片，也不必受限於台積電高階製程的代工產能，從而避免了受制於人的高昂硬體成本與缺貨風險。

• 大幅降低 Input/Output（輸入 / 輸出）運算成本：AI 運算非常燒錢，尤其是輸入與輸出的成本極高。透過不斷迭代 TPU（例如即將推出的新一代晶片），Google 預計能將每百萬次運算的 Input/Output 成本大幅降低一半以上。

• 轉化為市場定價優勢：當底層的運算成本成功下降後，Google 就能將省下的成本反映在市場競爭上，例如調降用戶的訂閱費用。透過大幅降價，Google 能在其他對手成本降不下來的情況下，於 AI 大戰中取得極大的優勢。

Gemini 逆襲 ChatGPT 的關鍵競爭優勢有哪些？ 

Google 的 Gemini 能夠逆襲 ChatGPT，主要仰賴以下幾個關鍵的競爭優勢：

• 具備自研晶片（TPU）優勢，不怕晶片荒：目前多數 AI 企業（如 OpenAI）皆極度仰賴輝達（Nvidia）的 GPU，且受制於台積電高階製程的代工產能限制。Google 因為很早就意識到算力擴張的需求，長年自主研發專屬的 TPU（張量晶片），目前已推進至第七代，是所有公司中在自研晶片系統上最強硬的，因此不怕面臨晶片短缺的危機。

• 有效壓低運算成本，掌握定價優勢：AI 模型的輸入與輸出（Input/Output）成本非常高昂，十分燒錢。Google 透過新一代的自研晶片，預期能將每百萬次運算的成本大幅降低一半以上。當底層成本成功下降後，Google 就能進一步調降用戶的訂閱費用，在對手無法跟進降價的情況下，於市場上取得極大的價格戰優勢。

• 整合內部兩大頂尖團隊，解決多頭馬車問題：Google 過去擁有 Google Brain（由首席科學家 Jeff Dean 領軍）與 Google DeepMind（由傳奇科學家哈薩比斯領軍）兩大頂級 AI 實驗室，但初期並未妥善整合，導致推出產品時面臨多頭馬車的窘境。為了解決此問題，Google 將這兩大實驗室合併，並以代表「雙子星」的 Gemini 命名，成功將最頂尖的人才與研發量能集結在一起。

• 鎖定「超長文本」的底層演算法：開發團隊在構思 Gemini 1.0 時，就看準了未來企業級的 AI 運用範圍會越來越大，因此甘冒系統崩潰的風險重寫演算法，主攻「超長文本」的處理能力，為現在強大的進化效能鋪成了長遠的發展基礎。

5. SRAM 記憶體與 HBM 有什麼不同？ 

LPU 所使用的 SRAM 與 GPU 所使用的 HBM，兩者最大的差異在於運算速度與記憶體容量：

• SRAM：主要應用於 LPU，其最大的優勢在於運算速度極快，非常適合未來 AI 語言模型在深度推理上的決戰點，但其劣勢在於容量較小。

• HBM：主要應用於 GPU，優勢在於容量非常大，能夠支撐 AI 龐大的基礎訓練需求，但相對來說運算速度會稍微慢一些。

這樣的硬體差異，也造就了 LPU 專精於「快速推理出菜」與 GPU 專精於「大量基礎訓練」的不同分工模式。

6.輝達（Nvidia）併購 Groq 對晶片市場有什麼影響？ 

輝達（Nvidia）併購專門研發 LPU 的 Groq（在影片資料中音譯為 COCK 或 CO）對晶片市場及 AI 硬體大戰具有極大的戰略影響，主要可以歸納為以下幾點：

• 鞏固 AI 王者地位與防堵競爭：輝達意識到競爭對手正逐漸追趕上來，其「AI 教主」的王者地位開始出現動搖。為了維持優勢，輝達在 2025 年底至 2026 年初期間，大動作斥資約 300 億美元併購了多間公司，其中最大的一筆交易就是砸下 200 億美元收購 Groq。

• 吸收頂尖的研發人才與團隊：Groq 的創辦人，正是最早協助 Google 開發出第一代 TPU 的關鍵人物。透過這場併購案，輝達成功將整個 LPU 的頂尖研發團隊全數移轉至自家公司旗下。

• 吹響晶片市場的「逆襲」號角：如同我們先前討論的，LPU 在 AI 語言模型未來的深度推理應用上，具備極佳的效能與運算速度。輝達將 LPU 團隊納入麾下，代表著輝達正式展開逆襲。這意味著輝達不再只滿足於 GPU 在「基礎訓練」上的霸主地位，更準備在未來「AI 高速推理」的決戰點上，掌握關鍵的硬體技術。

7.Google AI的發展歷程和為什麼 要推出 Gemini？

Google AI 的發展歷程充滿了早期的輝煌戰績，但也經歷了錯失先機與慘遭滑鐵盧的挫折，這正是促使他們痛定思痛、進行內部大重組並推出 Gemini 的核心原因。

以下為 Google AI 的發展歷程與推出 Gemini 的關鍵背景：

一、 Google AI 的發展歷程與挫折

• AlphaGo 稱霸的輝煌時期：2014至2015年間，Google 收購了由傳奇科學家哈薩比斯（Demis Hassabis）創立的 DeepMind。到了2016年，其研發的人工智慧軟體 AlphaGo 以 4 比 1 的壓倒性成績打敗了南韓圍棋大師李世乭，向全世界展現了 Google 頂尖的 AI 實力。

• 過於追求完美而錯失市場先機：到了2022年，Google 內部其實早就在秘密研發一款名為「Sparrow」的實驗性 AI 對話模型（以 Google 搜尋引擎為基礎）。然而，哈薩比斯因為追求完美，擔心 Sparrow 不夠完整，因此遲遲沒有對外發布。

• ChatGPT 突襲與 Bard 慘遭滑鐵盧：2022年10月，OpenAI 的 ChatGPT 橫空出世，短短兩個月內下載量破億，這讓身為搜尋引擎龍頭的 Google 感到極大的生存壓力與「芒刺在背」。為了緊急回擊，Google 在兩個月後倉促推出了「AI Bard」。然而，Bard 當時卻錯誤連連（例如答錯望遠鏡的問題，甚至荒謬地稱台灣財經專家為越南將軍），這場公關災難導致 Google 單日股價暴跌 9%，市值瞬間蒸發三兆台幣，讓 Google 陷入了深度的挫折與危機。

二、 為什麼 Google 要推出 Gemini？

經歷了初期的混亂與挫折後，Google 推出了全新的 Gemini，其背後有著極為重要的戰略考量：

• 解決內部「多頭馬車」的管理危機：Google 內部原本擁有兩大最頂尖的 AI 實驗室——由首席科學家 Jeff Dean 領導的 Google Brain，以及由哈薩比斯領導的 Google DeepMind。但令人匪夷所思的是，最初用來對抗 ChatGPT 的 AI 模型居然不屬於這兩大實驗室管轄。為了解決這種內部資源分散、多頭馬車的嚴重問題，Google 決定將這兩大頂級實驗室正式合併。

• 「Gemini」命名的深層含意：「Gemini」這個詞彙在英文中代表著「雙子星」，它正是象徵著 Google Brain 與 DeepMind 這兩大頂級部門的合併。透過這個全新計畫，Google 成功將內部最強的研發量能與靈魂人物集結在一起，對抗外部強敵。

• 著眼於未來企業應用的「超長文本」佈局：為了真正達到逆襲的效果，哈薩比斯與研發團隊看準了未來企業級 AI 的應用範圍將會越來越大。因此，在構思 Gemini 1.0 時，他們甘冒系統崩潰的風險，毅然決定改變底層的演算法，專門主攻「超長文本」的處理能力，這為 Gemini 日後強大的進化效能鋪成了長遠的發展基礎。

8.關於哈薩比斯（Demis Hassabis）

關於哈薩比斯（Demis Hassabis），他是 Google AI 發展歷程中極為關鍵的傳奇科學家，其重要事蹟與影響主要可以歸納為以下幾個階段：

• 創立 DeepMind 與締造 AlphaGo 的輝煌：哈薩比斯創立了頂尖的 AI 實驗室 DeepMind，該公司於 2014 至 2015 年間被 Google 收購。2016 年，由其研發的人工智慧軟體 AlphaGo 以 4 比 1 的壓倒性成績擊敗南韓圍棋大師李世乭，向全世界展現了 Google 頂尖的 AI 實力。

• 因追求完美而錯失市場先機：在 2022 年，Google 內部其實已秘密研發一款名為「Sparrow」的實驗性對話模型。然而，哈薩比斯因為過於追求完美，擔心 Sparrow 不夠完整而遲遲沒有發布，這也導致 Google 在隨後 OpenAI 推出 ChatGPT 時面臨極大的突襲與生存壓力。

• 促成兩大 AI 實驗室合併（Gemini 雙子星計畫）：在面臨初期 Bard 兵敗如山倒的危機後，Google 為了徹底解決內部「多頭馬車」的問題，決定將哈薩比斯領導的 Google DeepMind 與另一位首席科學家 Jeff Dean 領導的 Google Brain 正式合併。這個合併計畫即為象徵「雙子星」的 Gemini，成功將頂尖人才與量能集結在他的領導與參與之下。

• 大膽鎖定「超長文本」的底層佈局：在構思 Gemini 1.0 時，哈薩比斯與研發團隊看準了未來企業級 AI 應用的範圍將會持續擴大。為此，他們甘冒系統崩潰的風險，毅然決定改變底層的演算法，專門主攻「超長文本」的處理能力，這項具備遠見的決策為 Gemini 日後強大的效能鋪成了長遠的基礎。

• AlphaFold（直譯：阿爾法折疊）是Alphabet旗下Google旗下DeepMind開發的一款蛋白質結構預測程式。該程式被設計為一個深度學習系統。