登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 AI晶片
AI晶片 コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
AI晶片 を含む検索結果
重點解讀台積電的玻璃核心載板投影片 台積電在 6 月 11 日的日本 JPCA Show 2026,進行主題為「AIの進化に不可欠な先端パッケージング技術」的簡報,該份簡報約40頁,當中某張標題為「Glass Substrate Development for CoWoS」的投影片流出,引發廣泛關注。 以下是對該投影片(見附圖)的重點解讀,能網路科普查到的技術細節就不多說了,要注意的是投影片上的 COP 不是 Chip-on-Package 的縮寫,而是 Coplanarity、也就是平整度 / 共面度。 ▌重點結論: 1. 台積電正式宣布與 Ibiden 以及群創合作,開發玻璃核心載板(glass core substrate),結構為玻璃上下各黏合 ABF 的三層結構設計,該技術就是用於 CoPoS 的 oS。 2. 市場低估玻璃核心載板的重要性,該技術對台積電是「must have」,意即 CoPoS 中,oS 的重要性高於 CoP,這也是該技術進行測試時,先搭配既有的 CoW 而非 CoP 的原因。 3. 玻璃核心載板單價較既有 ABF 載板高出數倍,群創加工的玻璃單價非常高,為最核心的材料。除 Nvidia 外,目前已有兩家美系客戶同樣表達高度興趣。 ▌與本投影片相關的產業調查: 1. 本投影片提及的玻璃核心載板由 250x250mm 切割而來,ABF 增層主要採用 Ajinomoto 的 GL107 並混搭 ABF-GCP,以 2027–2028 主流 AI 晶片 ABF 規格的 24-28 層進行測試 2. 台積電實驗時的 CoW 是測試載具(test vehicle),足以驗證採用複合材料時最具挑戰性的機械結構問題。測試結果良好意味著台積電、Ibiden 與群創已合作突破關鍵技術瓶頸。 3. 目前是由 Ibiden 負責切割 250x250mm 的玻璃核心載板。待 2H27 採用 510x515mm 做量產前模擬時,若 Ibiden 仍想降低生產複雜性以維持超高毛利率,可能會改交由更熟悉玻璃特性的群創切割。 ▌流出的投影片內容是將 CoPoS 中的 oS、也就是玻璃核心載板(投影片中的 glass-SBT)與 CoW 搭配的技術驗證結果,這是為解決該投影片前一頁所提到的「Substrate mechanical and electrical Dilemma」,而這顯著凸顯了 CoPoS 中 oS 的重要性。 1. CoPoS 中,CoP 要解決的是生產效率 / 切割經濟性的問題,這與成本與售價有關;而 oS 要解決的是翹曲與耐用性問題,這牽涉到能否做出晶片,以及晶片能否運作。 2. CoP 與 oS 兩者整合相得益彰,但展望未來數年,兩者的技術定位還是有些差異。CoP 是可選的絕佳優化選項(very-nice-to-have),沒有它的代價就是晶片更貴;但 oS 是必需品(must-have), 沒有它可能連能否做出可用晶片都是問題。 3. 比較定位差異不是為了捧 oS 貶 CoP,這牽涉到客戶願意為哪個技術環節付錢的現實問題,細節下面分析。 ▌投影片中含金量最高的是電源完整性(power integrity;PI)改善,這對客戶意義重大,這也代表玻璃核心載板生產穩定後,台積電獲利能力與競爭優勢可望同步提升。 1. 技術說明:玻璃核心載板薄 → TGV(through glass via)垂直導通路徑短 → 導通路徑電阻(R)跟迴路電感(L)同降 → PI 改善 2. 對客戶意義重大原因:PI 改善 → 供電更穩 → 釋出功率餘裕(power headroom)→ 可整合更多電晶體、或拉高運作時脈 → AI 晶片算力提升 3. 對客戶而言,生產效率是台積電的基本責任,客戶不會為此多付錢;但 AI 算力提升能直接轉化為客戶的競爭力與獲利,故客戶願意為此買單。這也是 Nvidia 積極看待玻璃核心載板的原因。 4. 對台積電而言,玻璃核心載板可提升良率並降低成本,同時提高 AI 晶片的算力與售價,既是降本工具,也是漲價籌碼,對獲利與競爭力都是加分。 5. 目前載板成本佔 AI 晶片 BOM 約低個位數,封裝良率造成的損失約載板成本的 5-10 倍,故即便未來玻璃核心載板成本高於目前的數倍以上,但佔 BOM 比重仍低,且可改善封裝良率造成的損失,故預期玻璃核心載板的高單價不會影響客戶採用意願。 ▌簡報後的問答環節,有聽眾提問關於玻璃核心載板的 TGV 細節,台積電當場拒絕回答,因為玻璃核心載板的關鍵技術就是 TGV,核心 know-how 目前掌握在台積電與群創手中。相較下,另一個提問者的問題是關於 IVR、eDTC、與 LSI 的整合,台積電就回答了不少。 ▌根據產業調查,若一切順利,台積電的目標是在 4Q28-1Q29 開始量產玻璃核心載板,以符合 Nvidia AI 晶片迭代節奏。順帶一提,許多人在傳的 Ibiden 的法說投影片,上面將玻璃核心載板時程列為 CY30,我對此的解讀是:對外向來保守謹慎的 Ibiden 將玻璃核心載板正式列為發展路線,這更確定了該技術長期趨勢。但從 Ibiden 投影片的其他細節與市場資訊不完全一致來看,例如 reticle 時程與台積電公開宣稱的差約一個世代、Rubin Ultra 載板尺寸明顯大於其在 CY26-27 標示的 90x90 等,這說明了在預測未來時,需隨時多方交叉驗證。
もっと見る
Light Trace Photonics設於英國布里斯托,為深科技新創,研發全新 Universal Photonic Interconnect (UPIc),做為可拆卸超高效能光纖-晶片互連,用於共同封裝光學及可插拔收發器。UPIC將處理過的單模光纖直接連至光子晶片,不需微光學、不需晶片載體凸塊(BoC),不需主動對位,不需黏著劑,使AI資料中心客戶具備量產CPO可行性。克服光纖連接瓶頸,避免提高成本、影響良率,或增加組裝複雜度,由於連接可拆卸,模組可重新調整使用,不必丟棄,當光學大量進入封裝時,這項特點非常重要。 Light Trace Photonics 已達成可重複、可拆卸連接,損耗低於800mdB,且被動對位在三秒內完成,期望至百萬單位時,損耗可降至400mdB以下。UPIc 目前為TRL 5,預計在未來18個月內可進入可靠度驗證階段,進入早期客戶設計階段。 Light Trace Photonics 成立於2021年,執行長 Jake Biele 博土與技術長Dominic A. Sulway 博士獲重要深度科技投資人支持,公司顧問包括 GlobalFoundries前矽光子副總裁 Anthony Yu 博士。
もっと見る
【AI活用と組織の判断に関する実態調査】今後のAI追加投資は、効果を数値化できなくても拡大するとの回答が32.9%で...
AIオンデマンド交通「京田辺市『たなモビ』」に操作レス連続決済端末「TMN Fast Gate Ticket」を導入
AI広告は宣伝費もロクにないほど予算がないと思われるので辞めた方がいいとか広めてくれたらいいのに
【AI活用と組織の判断に関する実態調査】部下の成果物の完成度が上がったと77.1%が回答。自身のレビュー・確認業務...
AIサービスは計算資源を売るのと同じなので、トークンの不正利用対策が死活問題になる、という話だった。 ・PM向けAIツールChatPRDを1人で運営する起業家の話 ・過去1年間、トークン不正利用で数万ドルを失った ・さらに自身の開発労力の大半もその不正対策に奪われていた ・対策なしでは無料トライアルが不正利用者への直接的な補助金になる ・攻撃の手口は無料枠の大量登録やプロモーションコードの転売など6パターンに及ぶ ・製品を中継サーバーで包んで裏口にし、別の用途へ流用する手口もあった ・外部連携のMCPを悪用され、24時間稼働の計算機として使われた例もあった ・気づけば他人のRobloxやFortniteのマップまで自腹で賄っていたという ・筆者は最終的に、無料トライアルを完全に廃止する決断を下した ・もちろん正規の登録者が減るリスクはある ・ただ、事業の利益と開発時間を守るためには必要な判断だった ・決済面ではCodexで作成したルールをStripe Radarに組み込んで対策 ・VercelのAI GatewayやBot ID、Firewallで悪質なボットを遮断 ・さらに認証基盤のClerkと、リアルタイム判定のJevも組み合わせている ・AIで怪しい動きを即座に見抜き、高価なトークンを消費される前に止める仕組み
もっと見る
AI歌手の歌がチャート首位獲得…歌手の顔までAI生成?反応別れるAI使用
AIタスク管理・プロジェクト管理ツール「スーツアップ」、経営コンサルティング会社応援キャンペーン
# AIエージェントをエンタープライズシステムに組み込む意思決定ポイント # LLM-judge vs 人手評価 🎯 ポイント エージェントの出力品質を「LLMに評価させる」か「人間の専門家が判定する」か。この二者択一で議論している時点で、すでに設計を間違えています。実運用では両者を組み合わせた二段構成が標準です。LLM-judgeで広くカバーし、人手評価で深く検証する。問題は「どの評価軸をどちらに割り当てるか」と「どうキャリブレーションを維持するか」です🔑 📋 概要 LLM-judgeは、エージェントの出力をLLMに自動評価させる手法です。CI/CDパイプラインに組み込めば、プロンプト変更やモデル更新のたびに回帰テストを自動実行でき、日次100件以上の評価もスケールします。一方、人手評価は人間の専門家が出力を直接判定する手法で、安全性・倫理性・コンプライアンスに関わる判定や、主観的・文脈依存の評価基準では代替不可能です。評価の速度・スケーラビリティと、判定の信頼性・安全性保証がトレードオフになります。 🔍 意思決定のポイント 最初の分岐は「評価対象の出力は安全性・規制に直結するか?」です。 YES → 人手評価を必須にしましょう。LLM-judgeは補助として使いますが、最終判定は人間です。金融商品の説明、医療情報、法務回答は人手評価を外せません。 NO → LLM-judgeが有効です。事実整合性、フォーマット準拠、トーン一貫性など、基準を明文化・数値化できる軸はLLMで自動評価できます。 次に「日次の評価対象件数」を確認します。100件超ならLLM-judgeでの自動化が必須です。Zendeskで日次500件の要約を全件人手レビューすることは物理的に不可能です。50件以下なら人手評価も運用上現実的です。 ゴールドデータの有無も重要です。LLM-judgeのキャリブレーションには目安として200件以上のゴールドラベルが必要です。不足している場合は、まず人手でゴールドセットを構築するところから始めてください📊 💡 要点と詳細 LLM-judgeの適用範囲は「形式化しやすい評価軸」です。事実整合性(出力が入力データと矛盾していないか)、フォーマット準拠(JSON構造やフィールドの過不足)、トーン一貫性(ブランドガイドラインとの整合)、Salesforceのケース要約やJiraチケットの自動分類のように出力の正解パターンがある程度定型化されている場合に威力を発揮します。 人手評価が不可欠な領域は「主観的・文脈依存の判定」です。顧客への共感表現の適切さ、ブランドトーンの微妙なニュアンス、新規ユースケース立ち上げ時のゴールドデータ作成。規制当局への報告に「人間が検証した」というエビデンスが求められる場合も人手評価は必須です。 最も効率的な併用パターンは「LLM-judgeでフィルタリング→人手で精査」です。全出力をLLM-judgeで自動スコアリングし、低スコア(下位10〜20%)のみ人手レビューに回します。これにより、人手の工数を最も価値の高い判定に集中配分できます。もう一つの重要なパターンは「段階ゲート」で、開発環境ではLLM-judgeのみ、ステージング環境でLLM-judge+サンプル人手評価、本番リリース前に人手評価によるゲート承認とします🔍 ⚖️ トレードオフ LLM-judgeの最大のリスクは自己評価バイアスです。同一モデルファミリーで生成と評価を行うと、自分の出力を過大評価する傾向が出ます。評価モデルは生成モデルと異なるプロバイダを使うか、評価プロンプトにバイアス対策を明示的に組み込む必要があります。LLM-judgeの精度を人手との一致率で定期的に検証しないまま運用を続けるのも危険です。 人手評価のリスクはスケール不足と基準の暗黙知化です。「全件人手レビュー」を方針にして運用が破綻するのは時間の問題です。評価者の判断基準が明文化されず、評価者間のばらつき(Inter-Annotator Agreement)が低いまま運用されるケースも多い。Cohen's Kappaで0.7以上を維持できていなければ、評価基準の再教育が必要です。 コスト面も見逃せません。LLM-judgeのAPIコストを軽視して全出力×複数評価軸で評価した結果、生成コストと同程度の評価コストが発生することがあります。サンプリングや評価軸の絞り込みで制御しましょう💰 🛠️ ユースケース カスタマーサポートの品質管理:Zendeskの応答品質を日次300件評価する場合、事実整合性とフォーマット準拠はLLM-judgeで自動評価し、共感表現の適切さとエスカレーション判断の妥当性は低スコア分のみ人手レビューに回します。四半期ごとに200件のゴールドセットを更新してLLM-judgeを再キャリブレーションします📞 金融商品の説明文生成:規制当局への報告に「人間が検証した」エビデンスが必須なので、全出力に対して人手評価を実施。ただしフォーマット準拠と禁止表現の検知はLLM-judgeで事前フィルタリングし、人手レビューの効率を上げます🏦 CI/CDパイプラインの回帰テスト:プロンプト変更やモデル更新のたびに、LLM-judgeで100〜500件の回帰テストを自動実行。スコアが前回比で5%以上低下した場合にアラートを発し、人手で原因を調査します🔧 実践のコツ:評価軸を分離してください。全軸を同一手法で評価する必要はありません。事実整合性はLLM-judge、共感表現は人手、フォーマットはルールベース — 軸ごとに最適な手法を割り当てるのが評価設計の基本です。LangfuseやBraintrustでLLM-judgeスコアと人手スコアの推移・乖離をダッシュボード化し、劣化を早期に検知してください💪 #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る