聯發科（2454）近期因法說會上Google TPU商機報喜，8日股價已漲至3630元，成為本週話題最熱股，更令人好奇它下一步發展在哪裡？走進位於苗栗銅鑼的聯發科研發資料中心，映入眼簾是一座聯發科專為AI時代打造的高密度算力基地。這裡不只是支撐聯發科AI模型訓練與高階晶片開發的核心後盾，更是推動5奈米、3奈米先進晶片研發的重要運算心臟。此次，聯發科首度對外揭開這座AI資料中心的神秘面紗，就讓《遠見》記者帶領讀者，讓大家一窺台灣IC設計龍頭如何在AI算力競賽中，打造自己的最強算力基地。
「歡迎蒞臨聯發科技銅鑼研發資料中心，接下來將由我擔任嚮導，請跟隨我的移動路線。」一台車身貼有 MediaTek 標誌的自主移動機器人（AMR），一說完這段話，隨即緩緩移動帶領媒體記者進入聯發科 AI 機房參觀。
別小看這台AMR。根據聯發科介紹，這台機器人已與整座資料中心的門禁與電梯系統完成整合，能自動呼叫門禁、開啟通道；機身上方搭載的 360 度環景攝影機，也可即時拍攝整個行經路線與現場狀況。
聯發科指出，透過這套系統，遠在約40分鐘車程外的新竹總部工程師，即使不必親自前往資料中心，也能遠端監控與協助設備維修，預估每年可節省超過1000小時的維運人力。
1380億Tokens幕後功臣：聯發科GPU AI機房
跟著這台AMR機器人的腳步，第一站來到的是聯發科採用輝達（NVIDIA）B200 Blackwell SuperPod平台、搭配氣冷散熱設計的AI機房。
打開厚重機房大門，映入眼簾的是一整排排列整齊的高密度機櫃。走近其中一座機櫃，可以看到內部兩片金黃色的大型GPU板卡相當顯眼；而鄰近機櫃之間，則布滿一條條粗大的青藍色高速線纜，負責串聯不同GPU節點，形成龐大的 AI 運算網路。
別小看這看似不大的空間。聯發科指出，這座GPU高效能運算機房，主要負責AI模型訓練與推論，支援公司內部AI算力需求以及高階晶片開發。整體平台以NVIDIA DGX系統為核心，採用第四代SuperPod架構，並透過高速網路把所有GPU節點串聯起來，形成一個大型GPU運算池。
聯發科資訊工程本部全球資訊服務副處長黃博揚透露，目前這座機房每月需支撐高達1380億Tokens的運算需求，並完成超過2.4萬次模型訓練，堪稱聯發科AI晶片與先進製程研發背後的重要算力心臟。
黃博揚進一步表示，若回頭對照聯發科先前與NVIDIA共同發布的AI算力資訊，其實就能看出成長速度之快。「去年底我們公布的AI算力規模大約是600億Tokens，但現在已經來到1380 億Tokens。」短短不到半年時間，AI 算力需求便呈現倍數成長，也反映整體 AI 運算需求正快速擴張。
把伺服器泡進液體 下一站：浸沒式液冷機房
離開氣冷GPU機房後，聯發科接著帶領媒體來到另一個更神秘的區域，由CPU組成的浸沒式液冷高效能運算機房。
和傳統機房最大的不同在於，這裡的伺服器不是靠空氣散熱，而是整台直接浸泡在特殊的不導電冷卻液中運作。聯發科指出，相較於傳統氣冷架構，浸沒式液冷更適合高密度、高耗能AI運算環境，能有效提升散熱效率與能源使用效率。
現場可以看到，一台台黑色液冷槽採上掀式設計，打開上蓋後，內部伺服器便完全浸泡在冷卻液中。當系統開始運轉時，晶片產生的熱能會直接傳導到冷卻液內，受熱後的液體因密度下降自然上浮，再透過後端冷卻液分配單元（CDU）行熱交換，形成完整循環。
機櫃外部則配置獨立操作面板，可即時監控配電單元（PDU）、幫浦與溫度等各項運作數值。其中，液冷幫浦負責將攜帶熱能的冷卻液打向後方CDU，而後方一整排封閉式水路系統，則會將常溫水導入CDU，再把熱能送回外部冷卻水塔，完成整體散熱循環。
聯發科也透露，這套浸沒式液冷系統最大的目的，就是因應AI時代下快速飆升的算力密度與耗電需求。在GPU、CPU功耗持續攀升下，未來資料中心除了比算力，散熱與能源效率也將成為關鍵競爭力。
AI變化太快 聯發科算力布局保留彈性
目前聯發科在銅鑼的資料中心第一期已經正式啟用。而針對後續該資料中心的電力規模、GPU採購策略的計畫問題，黃博揚則回應，聯發科目前資料中心規劃共分三期建置，「第一期是15MW（megawatt），每一期規模都相同，所以三期總計就是45MW。」
而對於外界關注是否會導入自研GPU或其他AI晶片架構在這座資料中心內，他則坦言，目前公司並未自研GPU，而是持續採取開放評估策略。
他指出，AI產業變化速度極快，「兩年前買的GPU，現在可能只能支援非常舊的模型。」因此，公司在評估新平台時，必須同時考量不同架構，包括GPU、TPU，以及其他AI加速方案是否適合目前研發團隊的工作負載（workload）、資料流（data flow）與訓練模式。
他坦言，現階段TPU在部分運算模型與應用場景上，「還不是我們目前的首選」，但未來是否會改變仍保留彈性。
「目前我們投資的是B200 Blackwell平台，因為它最能支援現階段專案、RD工作負載，以及現在模型訓練需求。」他說。
