2026年08月21日（優分析／產業數據中心報導）⸺ 超微AMD(AMD-US)同意收購加拿大AI晶片新創Taalas，看中的是把單一AI模型直接寫入晶片，以犧牲通用性換取更快的推論速度與更低成本。交易預計2026年第4季完成，收購金額尚未公布。
但晶片運算成本低，不代表持有成本也低。Taalas晶片只能執行特定模型，一旦模型遭到淘汰，便難以轉作其他用途，也缺乏二手市場與擔保價值。AI晶片的競爭焦點因此不再只有每個Token的運算成本，還包括設備能用多久、如何折舊，以及銀行是否願意提供融資。
把模型直接寫進晶片，換取更快推論速度
Taalas成立於2023年，核心技術稱為「Model-as-Silicon」，也就是將AI模型權重直接固化在晶片中。一般GPU執行模型時，需要反覆從外部記憶體讀取權重資料；Taalas則透過專用晶片與高速SRAM減少資料搬運，降低記憶體頻寬與耗電需求。
首款測試晶片HC1採用台積電6奈米製程，目前只能執行Meta Platforms(META-US)的Llama 3.1。Taalas宣稱，HC1每位使用者每秒可處理約1.6萬至1.7萬個Token，高於輝達(NVDA-US)Blackwell晶片約350個及Cerebras(CBRS-US)約2,000個。
成本差距同樣明顯。依Taalas估算，HC1每處理100萬個Token的成本約0.75美分，低於輝達GPU的3.79美分。不過，相關數據均由Taalas自行估算，而且HC1使用較低精度儲存模型參數，速度與成本優勢也伴隨一定程度的輸出品質取捨。
晶片愈專用，殘值可能愈低
HC1最大的限制，是晶片製造完成後便無法更換模型。Taalas執行長宣稱，公司可在兩個月內把任何AI模型轉化為專用晶片，但真正的問題不在開發速度，而是模型的市場需求能否維持到晶片收回成本。
對模型版本穩定、查詢量龐大的消費型服務而言，專用晶片可以持續降低推論成本；但程式開發等模型快速迭代的應用，可能尚未完成設備攤提，市場便已轉向新模型。
Taalas認為，即使專用晶片每年更換一次，四年總持有成本仍可能低於GPU。不過，GPU可在不同模型、工作負載與客戶之間轉換用途，專用晶片一旦失去原有模型需求，便可能迅速失去使用與轉售價值。
運算成本之外，還要計算資金成本
這項差異在AI基礎建設愈來愈依賴借款後更加關鍵。設備融資通常以硬體作為擔保品，銀行願意放款的前提，是違約後仍能出售設備回收資金。GPU具有較廣泛的用途與租賃市場，因此比較容易估算殘值；只能執行單一模型的晶片，則缺乏相同條件。
CoreWeave(CRWV-US)目前以GPU為基礎取得26億美元、期限五年的債務融資，客戶合約期限則為三年。放款機構願意承擔剩餘兩年的風險，部分原因是GPU即使原有客戶不再續約，仍可能出租給其他客戶或執行不同模型。
專用晶片的融資邏輯不同。若原有模型失去需求，銀行接手設備後可能找不到買家，因此可能拒絕融資，或透過提高利率、降低貸款成數及縮短期限反映風險。換句話說，晶片節省的電力與運算成本，可能被更高的資金成本抵銷。
折舊年限也將影響雲端業者的獲利。亞馬遜Amazon(AMZN-US)自2025年起將伺服器與網路設備的估計使用年限由六年縮短至五年，導致當年前九個月折舊增加8.89億美元、淨利減少6.77億美元；Meta則將多數設備使用年限延長至5.5年，折舊費用因而減少22.9億美元。即使是大型科技公司，對AI設備能使用多久仍有明顯分歧，模型專用晶片只會讓估算更加困難。
AMD走向GPU與專用晶片並存
AMD收購Taalas，並不是要以專用晶片全面取代GPU，而是準備將相關技術與Instinct GPU、EPYC CPU、ROCm軟體及Helios機櫃級系統整合，建立混合運算平台。
這項布局正值AMD資料中心業務快速擴張。公司2026年第2季資料中心營收達67.2億美元，年增107%；Taalas目前僅有24名員工，2023年以來累計募資2.19億美元，短期內對AMD營收影響有限。
真正值得追蹤的是，雲端業者是否會為模型專用晶片設定不同的折舊年限，以及銀行是否願意對這類設備給予獨立的擔保價值。若特定模型能長期維持大量需求，Taalas技術確實可能降低推論成本；但若模型更換速度快於設備回收期，最便宜的AI晶片，最終可能成為資金成本更高、殘值更低的資產。
