AI已經存在了一段時間，其影響也相當巨大。生成式AI剛開始嶄露頭角，對于其如何顛覆世界的種種預言已經迅速成為熱門話題，影響之深廣，令人深思。

這項技術已經對數據中心產生了重大影響。基于必須在云端訓練和運行的模型的大小，生成式AI的基礎設施需求預計將比早期AI模型高出10到100倍。事實上，所有數據中心基礎設施都受到這一趨勢的影響，包括電力、HVAC、網絡和物理布局。數據中心將如何擴展規模以適應呈指數級增長的生成式AI大型語言模型？

生成式AI的成功可能取決于半導體行業對以下幾個方面的關注，一是先進的AI處理器，二是如何存儲和處理所有這些數據，最后是確保數據中心散熱更佳、更高效且更安全。

我們已經解決了這類問題，以便數據中心運營商能夠為5G、云服務和新一代的AI/ML應用提供支持。我們的單片機、存儲器、PCIe開關、安全解決方案和其他產品提供了各種解決方案，以應對從連接AI處理卡到優化數據訪問、存儲、安全和保護等一系列AI挑戰，同時提供必要的帶寬、端口密度和連接能力，從而處理不斷增加的流量。

類似的挑戰也適用于數據中心和本地服務器中的生成式AI，其應對難度也進一步放大。生成式AI似乎也存在一種途徑，能夠擴展到物聯網應用中的網絡邊緣，如患者監測和汽車交通違規檢測。有些人認為，如果生成式AI產生的海量數據必須在云端而不是在邊緣處理，那么這些應用便無法取得成功。

如今的邊緣AI解決方案可能為生成式AI提供了一種路線圖。語音識別系統和AI攝像頭等計算機視覺產品可在邊緣提供許多優勢，包括消除網絡延遲和將隱私控制權交還給用戶。它們有助于降低功耗，因為只有在檢測到不規則的變化后才會將視頻流傳輸到云端，而不是像“傻瓜”攝像頭那樣連續不斷地傳輸。可以預計，未來的邊緣設備也會采用這種方案。

但是，將生成式AI引入到邊緣將比引入傳統AI更加困難。由于數據量更大，電力問題將變得更具挑戰性。硬件需求將遠遠超過傳統AI所需，并且解決方案還需要為智能邊緣的電池供電、深度嵌入式設備提供必要的安全性和其他獨特功能。

我們已經關注到這些挑戰。例如，我們正在探索如何利用當前的Wi-Fi設備實現串行端口到生成式AI的橋接。在這種情況下，生成式AI并非在邊緣實現，而是通過8位單片機的UART訪問。單片機會產生一個實時傳感器數據穿插其中的預定義提示語，將其發送到生成式AI解決方案，然后根據回答采取行動。目前，尚不明確端點能否在邊緣獨立運行生成式AI而不回調至數據中心，但我們正處于創新的早期階段。

與我們服務的任何市場一樣，Microchip的目標是盡可能簡化解決行業中一些最基本的系統設計挑戰。這包括提供豐富的產品組合，以便客戶能夠采用全面系統解決方案的方法實現創新。我們會幫助解決在需要新功能的成熟應用中遇到的挑戰，同時也為長期的安全性、保護性和可靠性要求提供支持。針對生成式AI等最新的新興技術，我們也會采取同樣的做法，這些技術描繪了令人期待的未來，但在兌現承諾之前，這些技術仍然面臨著相同的基本系統設計挑戰。