AI 的爆炸式成長，正在把晶片設計推向前所未有的複雜程度，從邊緣端的即時推理，到 AI 工廠裡的大規模運算，龐大的算力需求同時牽動了運算、記憶體與互連整合的全面創新。然而，在這波狂飆之中，限制效能的已不再只是算力本身，而是散不掉的「熱」。
根據 EDA 巨頭 Synopsys（新思科技），AI 晶片的熱設計功耗（TDP）已來到 700 至 1500 瓦，晶片表面的熱源密度高達每平方公分 300 至 500 瓦，而一座 AI 資料中心，更有超過 30% 的電力是花在散熱上。這是新思科技在近日媒體分享會上點出的產業痛點。這道痛點背後，是三股同時襲來的壓力：晶片複雜度陡增所帶來的全新失效挑戰、已蔓延到整個系統層級的散熱難題，以及 AI 狂飆下始終補不齊的工程人力。
複雜度陡增，帶來新技術也帶來新的失效挑戰
為了餵飽 AI 的算力需求，晶片正大量走向多晶片堆疊。Synopsys 應用工程副總裁 Padmesh Mandloi 指出，如今 HBM 高頻寬記憶體的堆疊，已從 12 層、14 層，一路疊到高達 18 層，晶片之間的互連密度也隨之陡增。這固然帶來許多新技術，卻也同時製造出許多關於「失效（failure）」的新挑戰；更棘手的是，這樣的堆疊會在熱能、應力、電磁等多個物理場之間，製造出複雜的交互作用。
在 Mandloi 看來，這一切問題的答案，就在於「多物理場的融合（multiphysics fusion）」。過去，工程團隊往往各自孤立地處理熱、應力、電磁等問題，為求安全而預留大量設計餘裕（margin），結果是昂貴且缺乏競爭力的過度設計。而真正的挑戰，從來不只是「多物理」，而是「多物理場的交互作用」，唯有把這些交互作用一併納入考量，才能從過度設計走向精準設計。
散熱，已是整個系統層級的難題
如果說複雜度是內在的壓力，散熱就是外顯的瓶頸。Mandloi 進一步指出，散熱如今已成為提高與擴展效能的關鍵，更決定一座資料中心的運算能力。這是因為，散熱已不再是某一個環節的問題，而是必須在每一個尺度上同時管理的層級化難題，從晶片（die）、封裝（package）、伺服器、機架，一路延伸到整座機房。
而驅動這一切的深層落差，來自製程與需求之間的鴻溝。Mandloi 表示，製程每推進一個世代，效能大約只能提升 15% 到 20%，但當前 AI 對算力的需求卻是每年 5 到 10 倍地成長。這道鴻溝單靠製程微縮已無法填補，只能倚賴跨層級的極致協同優化。
AI 需求狂飆，工程人力補不上怎麼解？
第三股壓力，則落在人身上。隨著 AI 代理開始接手晶片設計工作流程，外界一個常見的疑慮是：這是否會壓縮工程師的人力需求？
Synopsys 卓越工程事業群資深副總裁 Raja Tabet 對此回答得直接。他表示無論在新思內部或客戶端，「我們真的沒有看到這種情況。」他解釋，設計複雜度正大幅上升，產品上市時間卻從過去的兩年壓縮到一年，而合格的設計師本來就不夠用，在這樣的缺口下，AI 反而是唯一的出路。
在 Tabet 看來，AI 讓工程師不必再被低階庶務綁架，轉而處理更高層次的判斷。「我可以指示技術（AI）去嘗試 12 種不同的設計，」他說，但最終「只有人類工程師，具備專業的工程判斷力，來理解哪一個才是最好的設計。」
Mandloi 也補充了看待 AI 代理衝擊的兩種角度。他說，若假設工作複雜度維持不變，它確實可能導致人力縮減；但現實是高附加價值工作的複雜度正急速上升，「你根本無法不用它。」他以汽車業為例，研發週期正從 3 到 5 年壓縮到 12 至 18 個月，而唯一能做到的方法，就是把任務自動化。換言之，AI 代理不是取代工程師，而是產業維持競爭力的必然。
台灣產業鏈，第一次從晶片連到資料中心
這場設計規則的改寫，對台灣有著特殊意義。Tabet 引述台灣產業分析指出，台灣是整個半導體生態系的中心。根據資策會產業情報研究所（MIC）資料，2025 年台灣在 7 奈米以下先進製程的全球產能佔比達 63%。
而 AI 資料中心的到來，正在改變台灣扮演的角色。新思科技全球副總裁暨台灣區董事長李明哲觀察，今日 AI 資料中心的需求，第一次迫使台灣整條產業鏈從晶片、先進封裝、子系統，一路連到整座資料中心，全部整合在一起。
對台灣的企業決策者而言，這場改寫也帶來三道現實課題。當過度設計的餘裕不再是安全牌，而是競爭力的包袱，成本與良率的權衡邏輯將被重新計算；當研發週期被壓縮，人才布局的重點是讓工程師與 AI 代理如何分工；而當產業鏈第一次被迫從晶片一路整合到資料中心，能跨層級協作的整合能力，將成為台灣從硬體中心邁向系統中心的關鍵門檻。
【推薦閱讀】
◆ 開源 AI 取代 EDA？西門子 EDA：AI Agent 不會改變商用工具的價值
＊首圖來源：《TechOrange》拍攝。
