EP702 | 🐉

事件：主持人提到，小型 IC 公司可藉 AI 輔助提升生產力。據他先前聽到的消息，聯發科工程師的 AI 使用量持續增加，每月相關支出可能達一兩億元；公司因此考慮限縮使用額度，並建置自己的 data center。若大量使用者轉往自建的地端模型，伺服器負荷又可能使速度變慢，已有工程師對限制表達不滿。

觀點：主持人認為，讓工程師充分使用 AI 與控制公司成本之間存在兩難。

風險：AI 費用快速增加；轉用自建系統也可能遇到伺服器負荷與速度問題。

事件：主持人以自身使用經驗說明，最新模型若開啟較不受限的研究模式，單一問題可能持續運算數分鐘、產生數千元費用；中階或低階模型有時也能提供可用的回答。企業使用 AI 時，還須衡量工程師生產力與費用對損益表的影響。

觀點：主持人認為企業有理由管理工程師的 AI 用量，但不會希望因此失去生產力；目前的成本與使用限制可能是陣痛期，供應鏈需求最終也須回到成本可行性判斷。

風險：AI 帶來的工作成果如何量化、是否足以抵銷持續增加的使用成本，仍是企業面臨的問題。

事件：主持人提到，一些歐美企業、尤其較小企業，難以無限制增加 token 支出；台灣已有企業布局地端伺服器搭配高階模型的方案。此模式須先支付建置費用，目標是減少持續累積的使用費。開源模型是成本導向選項，美編與部分文字工作者可能認為足夠，但晶片 layout、晶片設計未必適用。

觀點：主持人認為，高價值工作仍有使用昂貴高階模型的理由；未來特化模型可能改善晶片設計等工作的適用性。

風險：地端方案的長期成本效益仍待實際驗證；開源模型的表現與高階模型仍有差距，特化模型也尚需時間。