早上出門，你一眼認出迎面走來的老朋友；搭捷運時，你瞬間聽懂廣播裡的一句話；騎車轉彎，你的手幾乎在意識到之前就已經轉動了把手。這些事情對人類來說理所當然，但如果要交給電腦，工程師可能得為此努力好幾年。

人腦在執行這一切的時候，消耗的電力大約只有 20 到 25 瓦，和一顆省電燈泡差不多。相較之下，如今支撐大型 AI 模型訓練與運作的資料中心，往往需要極其龐大的電力與散熱系統。這種懸殊差距，正凸顯出人腦在能效上的驚人優勢。

國立陽明交通大學電子研究所陳坤志教授，專長橫跨多核心系統晶片設計、類神經網路學習演算法、超大型積體電路架構等領域。他指出，人腦最值得AI借鏡的，不只是計算能力，而是在極低能耗下進行大量平行運算，並能在少量資料與多變情境中迅速做出決策。人腦處理資訊的方式也和傳統電腦截然不同，它不是把所有事情排成一條隊伍依序處理，而是讓大量神經元同時並行運作，像一支龐大的交響樂團，各司其職又同步演奏。
 

也因此，當研究者試圖讓機器學會辨識、判斷與學習時，最自然的靈感來源之一，就是人腦。

陳坤志教授解釋，人工智慧、機器學習、類神經網路、深度學習這幾個名詞經常被混用，但其實它們是層層包含的關係，不是同義詞。

• 人工智慧（Artificial Intelligence, AI）： 是一個大範疇，指讓機器展現出智慧行為的各種方法。
• 機器學習（Machine Learning, ML）： 是實現 AI 的一條路徑，核心是讓機器從資料中自己找出規律，而非靠工程師手動設定每一條規則。
• 類神經網路（Artificial Neural Network, ANN）： 是機器學習裡的一種關鍵技術，靈感正是來自生物神經元互相連結的結構。
• 深度學習（Deep Learning, DL）： 當類神經網路的層數堆疊得夠深、夠複雜，就發展成了近年來備受矚目的深度學習。

那麼，類神經網路究竟模仿了人腦的哪個部分？答案不是整顆大腦，而是神經元接收訊號、給予不同連結強度、最後整合成反應的基本概念。一個人工神經元接收輸入，對不同來源的訊號給予不同的權重，加總之後算出輸出，再傳給下一層神經元，如此一層一層往前傳遞，最終給出一個判斷結果。大量這樣的人工神經元連結起來，就形成了可以辨識圖像、理解語音、從資料中找出規律的神經網路。

陳坤志教授說，目前AI主要模仿的是神經元連結的抽象形式，也就是用多層計算單元與權重，從大量資料中學會辨識特徵，而不是直接重現生物大腦的完整運作機制。這確實有幾分像大腦的連結學習方式，但本質上仍是以數學方法模擬人腦的某些機制，兩者之間存在相當大的距離。
 

類神經網路之所以有用，是因為它能從龐大的資料中找到規律。但這種方法的代價也很高。模型的層數越深、參數越多，每一次訓練或推論所需的計算量，都是天文數字。

陳坤志教授用了一個很直觀的方式區分AI的兩種工作模式。他說，「訓練（Training）」就像學生花大量時間反覆練習、累積知識的過程；「推論（Inference）」則是把學到的知識拿去應付考試或實際情境。訓練可以慢，可以用大量資源進行長時間運算，但推論不行。你拿手機刷臉解鎖的那一秒，工廠感測器判斷設備是否異常的那一刻，自駕車辨識前方行人的那一瞬間，都不容許任何等待。在推論的世界裡，低延遲是硬需求。

當 AI 模型的規模不斷膨脹，問題的重心也悄悄移動了。陳坤志教授指出，近年來 AI 的發展重心之所以從「純軟體演算法」逐漸延伸至「客製化硬體設計」，關鍵原因正是在於模型愈來愈大之後，技術瓶頸已從演算法本身，慢慢轉向算力需求、能耗需求與資料搬移成本。若繼續仰賴傳統的通用型處理器，受限於架構設計，執行 AI 運算時效率偏低，而且非常耗時耗電。也就是說，當 AI 的瓶頸從演算法轉向算力與能耗時，晶片設計就不再只是配角，而開始成為決定 AI 能走多遠的關鍵。
 

這也正是 AI 晶片愈來愈重要的原因。

傳統 CPU 的優勢在於通用性，它被設計來應付各種不同類型的運算，開瀏覽器、執行試算表、播放影片，全都能處理。但 AI 任務的核心計算，其實是大量重複且高度規律的矩陣乘法、卷積與乘積累加運算。對這類工作來說，通用型處理器並不是最有效率的選擇，就像叫一個什麼都懂的萬事通去工廠流水線上鎖螺絲——他做得到，但不是最符合經濟效益的安排。

AI 晶片的設計思路則更偏向任務導向。它不像 CPU 那樣以高度通用性為首要目標，而是把更多硬體資源集中在 AI 最常見的幾種運算上。陳坤志教授表示，AI 晶片之所以比傳統 CPU 更有效率，關鍵在於它的硬體架構更針對矩陣乘法、卷積、張量運算與資料流而設計，因此更能做到低功耗與低延遲。此外，AI 晶片更減少資料在記憶體與運算單元之間來回搬移的次數，因為每一次搬移都要付出時間與電力的代價，這個成本在大型模型的推論中累積起來相當可觀。

AI 晶片的重要性，不只是「比較快」，而是它代表一種設計思維的根本轉變。過去晶片強調什麼都能做，現在則開始追求針對特定任務做到最高效率。這個方向的轉變，是被 AI 對算力的龐大需求步步催生出來的。
 

繞了這一圈，我們可以回頭回答題目最初的問題。AI 晶片真的在模仿人腦嗎？

說它在模仿，並不算錯。今天的 AI 晶片更加重視平行運算、更在意功耗，也更致力讓記憶體與運算單元靠得更近，而這些恰恰都是人腦與生俱來的優勢。更前沿的研究甚至開始從硬體架構本身模仿大腦，例如讓晶片僅在輸入改變時才進行運算，減少運算功耗；或是讓儲存與運算更緊密結合，減少資料搬移的代價。

但陳坤志教授也提醒，不宜太早將今天的 AI 和人腦劃上等號。他認為，目前 AI 在高效率學習、低功耗推理、事件驅動與記憶運算融合等方面，和人腦都還有很大的差距。人腦可以從少量資料中快速學會新事物，在陌生情境裡靈活應變，全程消耗的能量少得驚人；AI 則需要巨量資料支撐，不論是訓練還是推論階段，都需要付出可觀的電力成本。其根本的差異在於，目前多數AI系統仍運行於傳統馮·紐曼架構（Von Neumann Architecture）之上，記憶體與運算單元分開放置，資料得反覆搬移，而人腦的記憶與運算本就是高度融合的，幾乎沒有這些額外的成本。

陳坤志教授也指出，臺灣在晶片設計、製造、封測與完整供應鏈上擁有世界級的優勢，若能從晶片本身延伸到系統架構與整合設計，將有機會在 AI 硬體這波浪潮中建立真正的差異化平臺。

類神經網路晶片不是把大腦複製進矽晶片裡，而是人類在理解大腦某些資訊處理原理之後，試著設計出更適合 AI 任務、也更有效率的運算架構。真正迷人的地方，不是機器終於變得像人，而是科技開始重新思考，什麼才算是更聰明、更省能的計算方式。AI 晶片借鏡的是大腦留下的線索，而不是大腦本身。但也正因為如此，這條探索之路才剛開始。