LPU（Language Processing Unit）

1. 3 秒看懂

LPU（Language Processing Unit，語言處理單元）是一種專為大語言模型推論設計的專用處理器（ASIC）。其核心思路是用“鏈（Chain）-芯（Chip）-核（Core）”構成的流水線架構，以極簡的計算單元和超寬片上記憶體，替代通用 GPU 複雜的快取體系，從而大幅降低文本生成延遲與單位 token 成本。LPU 並不試圖取代 GPU 訓練，而是聚焦在“模型部署上線後為使用者提供服務”的推論端，被視為當前 AI 算力競賽中與 GPU 形成互補競爭的新興路線。

2. 3 分鐘產業解釋

2.1 它是什麼、解決什麼問題

在大語言模型（LLM）商用過程中，當模型完成訓練進入實際服務時，每生成一個 token 都要進行大量矩陣運算和記憶體訪問。傳統 GPU 執行這類推論時，瓶頸並不全在計算能力上，而是大量時間花在從視訊記憶體搬運資料到計算核心——即所謂“記憶體牆”問題。LPU 的設計邏輯就是把整個模型的計算圖直接“鋪”在晶片內部的超大容量 SRAM 上，並通過流水線並行讓資料在多核心之間連續流轉，儘可能消除片外記憶體頻寬的限制。

2.2 為什麼叫“鏈-芯-核”

鏈（Chain）：指硬體和軟體協同構成的確定性流水線。模型的不同層被分配到晶片上的連續計算單元中，資料如同流水線一樣依次經過各站，消除了傳統架構中因排程、快取未命中而產生的延遲抖動。
芯（Chip）：指單顆物理晶片。LPU 晶片通常整合大量小型計算核和海量片上 SRAM，並通過片上網路實現核間超高頻寬通訊。
核（Core）：指執行向量和矩陣運算的基本單元。每個核擁有自己的計算邏輯和本地儲存，負責流水線的一個階段，只做簡單、確定性的操作。

2.3 產業定位

在 AI 算力堆疊中，LPU 處於專用推論晶片這一層。它和通用 GPU（如 NVIDIA H100/B200）、Google TPU（側重訓練和推論的混合負載）、各類 NPU（邊緣端或輕量級推論）形成對比。LPU 最鮮明的特徵是“極限低延遲”和“單 token 低成本”，主攻即時文本生成場景，包括對話機器人、程式碼補全、即時翻譯等。

2.4 主要推動者

截至目前（2025 年一季度），LPU 概念最主要的定義者和商業化推動者是美國公司 Groq。該公司已推出 GroqChip 系列硬體、GroqCard 加速卡和基於 LPU 的雲端推論服務 GroqCloud。其公開 demo 常以極低的“首個 token 生成時間”和高吞吐量吸引關注。除 Groq 外，尚無其他企業以“LPU”名義推出同架構產品，但 Cerebras、SambaNova、Graphcore 等公司的技術路徑在“超大規模片上記憶體+資料流流水線”理念上有一定相通之處。

3. 技術原理

3.1 解決三大瓶頸的總思路

大型模型推論面臨三個互相強化的瓶頸：計算密度不足、記憶體頻寬有限、延遲難以控制。LPU 從硬體和編譯兩個層面同時下手：

用 確定性資料流架構 替代亂序執行和多級快取，消除指令和資料的排程開銷；
用 超大片上 SRAM 而非 HBM 或 GDDR 作為主工作記憶體，使模型權重幾乎全部駐留在與計算單元物理距離極近的儲存中；
將完整的推論計算圖 編譯為固定的晶片排布方案，讓流水線在編譯時即確定資料移動路徑，執行時不再需要動態排程。

3.2 流水線架構：鏈的工作原理

傳統 GPU 處理一批 token 時，某一層計算完成後需等待下一層 kernel 啟動，中間存在排程和視訊記憶體讀寫延遲。LPU 將模型的不同層對映到晶片上不同的物理核心組，每個核心專門處理某一層或某一類運算元。資料一旦進入流水線，就從第一個核心組依次流到最後一個核心組，其間無需訪問外部記憶體。這種架構使得同一時刻晶片上可以同時處理多個 batch 中不同位置的 token，流水線填滿後可達到極高的吞吐。

流水線的另一個現實好處是延遲變為可預測。在 GPU 上，因動態資源爭奪，生成 token 的延遲分佈會有長尾；LPU 的流水線是編譯時確定的，每個 token 的生成時間幾乎恆定，這對即時服務至關重要。

3.3 片上儲存替代片外記憶體

大多數 GPU 和 AI 加速器使用 HBM 或 GDDR 提供高頻寬，但物理距離和功耗限制了頻寬上限。LPU 直接用大量 SRAM 構成片上儲存池。以 Groq 揭露的第一代 GroqChip 為例，單晶片整合約 230 MB SRAM，內部頻寬可達 80 TB/s（來源：Groq 架構白皮書，2022 年釋出）。相比之下，同時期的高階 GPU 片外記憶體頻寬通常在 2–3 TB/s 量級，這使 LPU 在某些推論任務中免受記憶體頻寬不足之苦。

不過，完全依賴 SRAM 意味著單晶片可容納的模型規模有限。LPU 通常需要多晶片互連來執行大引數模型，這對晶片間互連頻寬和功耗提出很高要求。

3.4 計算單元設計

LPU 的計算核極為精簡。每個核只包含整數/浮點乘法累加器、少量本地暫存器和與上下游核通訊的介面，不設多級快取，不執行復雜指令流。編譯器直接將整個模型轉化為核的配置表和流水線節拍，執行時核只做“從上游拿資料→計算→傳給下游”的固定操作。這種設計讓晶片的絕大多數面積用於儲存和計算，控制邏輯佔比極小。

3.5 編譯器與軟體棧

LPU 的軟體棧採取“硬體決定一切，軟體提前規劃”的模式。使用者從 PyTorch/TensorFlow/JAX 等架構匯出的模型，先經過圖最佳化、量化、運算元融合等步驟，再由專用編譯器生成針對特定晶片拓撲的排布方案。編譯器需求解一個全域性資源分配問題：如何在多個晶片、多個核心間剛好放得下模型，又不破壞流水線均衡。這種編譯時間可能長達數分鐘甚至更長，但一旦編譯完成，推論效率得到大幅提升，適合模型版本相對固定的生產環境。軟體生態的便利性和相容性，目前仍是 LPU 追趕 GPU 體系的主要挑戰。

4. 關鍵引數

引數維度	典型值/說明	來源與備註
單晶片 SRAM 容量	GroqChip 第一代：約 230 MB	Groq 架構文件，2022 年公開。公開資料未見第二代晶片詳細規格。
單晶片內部頻寬	宣稱約 80 TB/s	同上，系 Groq 自身揭露，非獨立第三方測試。
單晶片算力（FP16）	公開資料未見官方精確 TOPS 數字。早期技術部落格暗示約 200–300 TFLOPS 量級（FP16），但官方未確認。	Groq 更強調 token/s 而非原始 FLOPs。
多晶片互連拓撲	支援通過 GroqCard 和節點間連線構成大規模推論叢集；具體互連頻寬和協議公開資訊有限。	Groq 新聞稿提及支援多卡互聯執行 LLaMA-2 70B 等模型。
典型推論延遲（首個 token）	GroqCloud 上執行 LLaMA-2 70B（4K 上下文），首個 token 延遲可低至數十毫秒（Groq demo 展示），非獨立機構標準化測試。	因 prompt 長度、batch size 和量化方法而異。
生成吞吐 (token/s)	同一模型在 GroqCloud 上演示生成速度可達每秒數百 token（單個使用者會話），但公開資料未見確定性基準。	吞吐與該晶片流水線深度和 batch 策略相關。
工藝製程	第一代 GroqChip 基於 14 nm 工藝（格羅方德/GlobalFoundries 代工，2022 年資訊）。	14 nm 並非先進製程，這一選擇與利用成熟工藝降低成本、快速迭代有關。
功耗	單卡 TDP 約為 150–200 W 左右（基於 GroqCard 散熱設計和公開報道推測，官方未釋出精確典型功耗）。	確切數字請以 Groq 官方 datasheet 為準。

提示：上述引數多基於 Groq 早期公開材料，部分數字未獲獨立第三方驗證。LPU 晶片的迭代版本及具體引數請查閱 Groq 最新揭露。

5. 技術路線

5.1 核心路線：ASIC 固定流水線 + 片上 SRAM

LPU 的技術路線本質是放棄通用性和可程式設計性，把“確定性流水線”這一理念推向極致。這使其在面對特定模型架構（主要是 Transformer）和特定任務（自迴歸文本生成）時，能達到很高能效與低延遲，但代價是模型架構一旦發生根本變化，晶片的硬體流水線可能需要重新設計。

5.2 與 GPU 通用路線的對比

GPU 路線強調大規模並行和極強的可程式設計性，通過不斷升級 Tensor Core、Transformer Engine 和軟體庫（如 TensorRT-LLM）來改進推論效能。其優勢在於相容所有模型架構，且生態極其完善。LPU 則追求“軟體定義硬體”的反方向——“硬體定義好模型可用的物理資源”，以專用換取極致效率。兩者並非互相替代，更可能是訓練用 GPU，推論側針對特定場景部署 LPU 等專用晶片。

5.3 相近技術路線

Cerebras 晶圓級引擎：採用整片晶圓作為單一晶片，整合海量核心和 SRAM，可容納完整巨模型，側重訓練與推論的混合場景。資料流排程思想與 LPU 相似，但晶片規模和實現方式不同。
SambaNova 可重構資料流架構：在晶片上提供可動態重配置的計算網格和儲存層次，使資料流適應不同模型，靈活性高於 LPU。
Graphcore IPU：採用大量小核心、分散式 SRAM 和 MIMD 架構，強調細粒度並行，也是試圖突破記憶體牆的另一路徑。

5.4 未來演進

LPU 的技術路線後續可能朝幾個方向演進：採用更先進製程以提升容量和能效；加強晶片間互連以支援更大型模型；逐步引入可程式設計性以覆蓋更多運算元；以及推出更完善的多使用者、多模型共享排程方案，切近雲端端部署的實際需求。

6. 上游

6.1 晶片設計與 IP

LPU 的前端核心在於架構定義、ISA 設計（若涉及）、計算核 IP、片上網路 IP 以及高頻寬記憶體介面 IP。這需要一支同時精通處理器架構、編譯器和大型模型演算法的團隊。目前 LPU 領域主要設計方就是 Groq 這類初創公司，EDA 工具供應商為 Cadence、Synopsys 等廠商，情形與其他數字晶片設計類似。

6.2 晶圓製造

LPU 晶片的物理實現極度依賴先進或成熟製程。第一代 GroqChip 使用 GlobalFoundries 的 14 nm 工藝，屬於成熟製程，這可能是出於成本、良率和產能可得性的考慮。未來若轉向 7 nm 或更先進節點，可選擇台積電（TSMC）、三星（Samsung）等代工廠。製程演進直接關係到單晶片 SRAM 密度和功耗，因此是產業鏈關鍵環節。

6.3 封裝與互連

由於 LPU 常需多晶片聯合執行大型模型，晶片間的高頻寬、低延遲互連至關重要。涉及的技術包括 2.5D 封裝（矽中介層）、3D 堆疊、晶圓級整合（WLI）等。封裝環節的供應商為台積電（CoWoS）、英特爾（EMIB、Foveros）、日月光等先進封測企業。封裝方案的選擇會直接影響多晶片系統的總頻寬和能效。

6.4 材料與裝置

和所有半導體產品一樣，上游也包括矽片、光刻膠、化學品、光刻機（ASML）、刻蝕和薄膜沉積等裝置。若 LPU 轉向先進製程和先進封裝，對高階材料與裝置的依賴會更加突出。

7. 下游

7.1 AI 伺服器與一體機

LPU 晶片以加速卡（如 GroqCard）或模組形式嵌入伺服器，構成單個推論節點。伺服器系統整合商（如超微 Supermicro、戴爾、惠與 HPE 等）或 LPU 公司自己提供參考設計。2024 年起，已有部分雲端基礎設施廠商測試或部署 Groq 硬體，但整體規模仍遠小於 GPU 伺服器。

7.2 雲端推論服務

下游最直接的應用形態是雲端提供商採購 LPU 硬體，向終端開發者出售按 token 計費的推論 API。Groq 自己運營的 GroqCloud 提供開源模型（如 LLaMA、Mixtral 等）的推論介面。大型雲端廠商（AWS、Azure、Google Cloud）是否會引入 LPU 例項，將決定其能否觸達主流企業客戶。目前（2025 年一季度），AWS 和 Azure 的公開例項列表中尚未包含 LPU 例項，公開資料未見大規模的第三方雲端引入。

7.3 AI 應用場景

即時對話與客服：對延遲敏感的應用，例如語音助手、線上客服機器人，能從 LPU 的低延遲特性中受益。
程式碼補全與 IDE 外掛：開發者工具需要極快響應以保持流暢編碼體驗，這是 LPU 的典型目標場景。
內容生成與翻譯：長文本生成和低延遲翻譯也符合 LPU 的優勢區間。
邊緣與私有化部署：如果 LPU 功耗和成本得到控制，也有機會進入需要資料駐留本地的大中型企業。

7.4 終端使用者

最終通過雲端端 API 使用 LPU 算力的使用者，可能感知不到底層硬體是 GPU 還是 LPU，他們關注的是生成質量、速度、成本和可用性。因此下游成熟度歸根結底依賴於 LPU 在效能/成本比上能否持續優於 GPU 推論方案。

8. 受益公司

8.1 直接推動者：Groq

Groq（總部美國加州）是 LPU 路線的頭號受益者。該公司由前Google TPU 團隊核心成員 Jonathan Ross 創立，2021 年完成 3 億美元 C 輪融資（來源：Crunchbase，2021 年 4 月報道），估值未公開揭露。2024 年繼續獲得若干融資和戰略合作。Groq 的營收模式尚處早期，公開資料未見其 2024 財年營收確切資料，但公司通過 GroqCloud 已開始產生推論服務營收。

8.2 產業鏈相關環節

代工與封測：若 LPU 出貨量上升，GlobalFoundries（第一代晶片代工方）、台積電（潛在先進製程代工）、以及先進封裝廠（台積電、日月光等）將獲得增量訂單。由於目前 LPU 體量相對 GPU 極小，對代工廠營收貢獻有限。
伺服器整合商與元件供應商：生產 LPU 加速卡可能需要電源管理 IC、散熱方案、高速背板等，相應供應商可間接受益。但尚無公開資料表明某家供應商因 LPU 而獲得顯著營收增長。
雲端運算平台：若 Groq 或競品晶片被大型雲端廠商採用，這些雲端廠商可能通過提供獨特推論例項獲得差異化營收，但目前未見公開合作落地。

8.3 潛在競爭者與類似路線公司

專注 AI 推論加速的晶片公司（如 Cerebras、SambaNova、Graphcore、D-Matrix、Untether AI 等）若在推論延遲和成本方面獲得競爭力，也可能從 LPU 所開拓的“低延遲推論專用晶片”市場中受益。這些公司均為未上市企業，財務資訊透明有限。

注意：以上列舉僅為描繪產業鏈結構，不構成任何投資建議。具體公司的營收影響需根據量化資料獨立判斷。

9. 市場規模

9.1 AI 推論晶片市場的整體規模

根據 MarketsandMarkets 2023 年 9 月釋出的報告，全球 AI 推論晶片市場在 2023 年估計為 約 150 億美元，預計 2028 年將達到 約 400 億美元，預測期年複合增長率約 21%。該報告口徑包含雲端端和邊緣推論晶片（CPU、GPU、FPGA、ASIC 等各類）。LPU 所屬的專用 ASIC 推論晶片細分市場，目前在該市場中佔比很小。

另一家機構 Verified Market Research 在 2023 年底的估計更保守，認為 2022 年全球 AI 推論晶片市場規模約 112 億美元，2030 年有望達到 380 億美元。上述預測均建立在 LLM 應用持續增長，且推論需求指數級上升的假設之上。

9.2 LPU 可能觸達的市場

LPU 當前主要瞄準雲端端大語言模型推論場景。根據 SemiAnalysis 在 2023 年的估算，大型模型推論的算力消耗將很快超過訓練消耗，成為 AI 算力的最大需求來源。若 LPU 能在該細分市場中佔據一定滲透率（如 5–10%），則可轉換成數十億美元級別的年銷售額。然而截至目前（2025 年一季度），LPU 市場份額依然極低，絕大部分雲端端推論仍由 NVIDIA GPU 完成。具體可供追蹤的營收數字公開資料未見。

9.3 影響市場增長的關鍵變數

模型架構穩定性：如果 Transformer 仍長期是主流架構，ASIC 推論晶片的經濟性明顯；如果新架構出現，專用晶片市場可能面臨重構。
GPU 推論能力的進步：NVIDIA 等廠商每年推出更強的硬體和推論軟體最佳化，專用晶片的視窗期可能縮短。
客戶對延遲的付費意願：是否願意為低延遲支付溢價，決定了 LPU 等專用晶片的商業價值。

10. 玩家對比

維度	Groq (LPU)	NVIDIA (GPU)	Cerebras (WSE)	SambaNova	Graphcore (IPU)
晶片型別	專用 ASIC，固定流水線	通用 GPU，可程式設計	晶圓級引擎，資料流	可重構資料流晶片	大規模並行 IPU
記憶體架構	海量片上 SRAM（～230 MB/片）	HBM/GDDR，多級快取	片上 SRAM（以 GB 計）	分散式片上 SRAM + 片外記憶體	片上分散式 SRAM
主要優勢	極低延遲、高 token 吞吐，單 token 成本潛力低	生態完善，所有模型通用，算力強大	單晶片容納超大規模模型，訓練+推論	靈活性高，可適配多種模型	細粒度並行，適合新穎模型結構
短板	模型容量受 SRAM 限制，多晶片擴充套件複雜，生態系統單薄	延遲受記憶體牆制約，能效比可最佳化空間小	功耗高，價格昂貴，部署方式特殊	生態較小，需自研編譯器	商業進展緩慢，面臨資金壓力
商業化階段	早期商業化（GroqCloud 推論服務）	大規模量產，主導市場	有雲端服務和部分部署	有企業客戶和產品	提供雲端端和本地方案，但營收規模有限
2024 年預估營收	公開資料未見	NVIDIA 資料中心業務 2024 財年營收 475 億美元（含訓練和推論）	非上市公司，未揭露	非上市公司，未揭露	非上市公司，曾有營收但未公開近期資料

上表資訊綜合自各公司官網及第三方分析，營收資料參考 NVIDIA 2024 年 10-K 報告，其他公司財務資料不公開。僅用於技術路線對比，不涉及任何投資評判。

11. 風險

11.1 架構鎖定風險

LPU 高度依賴 Transformer 架構的特點。一旦 AI 產業轉向狀態空間模型（如 Mamba、RWKV）或其他非注意力機制的新模型，現有 LPU 硬體的利用率可能大幅下降，面臨資產擱淺風險。即使模型架構微調，若引入不支援的運算元，也可能需要重新流片。

11.2 生態壁壘

NVIDIA CUDA 生態已累積近 20 年，大量開發者、架構和庫都以此為基礎。LPU 不僅要提供同等效能，還需讓開發者能無縫遷移，這一過程或需數年之久。如果只有極少數模型能在 LPU 上高效執行，其市場擴張將受到嚴重製約。

11.3 規模化生產能力

LPU 的成功需要穩定獲得先進製程或成熟製程的充足產能，以及先進封裝產能。當前全球先進封裝（CoWoS）產能主要由 NVIDIA 等巨頭鎖定，LPU 廠商在產能爭奪中話語權較弱，可能制約出貨量。

11.4 地緣政治與出口管制

LPU 主設計方 Groq 位於美國，受美國出口管制政策管轄。高階 AI 晶片常被列為管制物項，若 LPU 效能達到一定門檻，可能無法向特定地區銷售。地緣博弈或影響 LPU 的全球市場拓展和供應鏈安全。

11.5 技術真實性驗證

LPU 的效能宣稱多來自廠商自身 demo，第三方獨立測試有限。在複雜、多使用者、混合負載的真實生產環境中，其穩定性、表現一致性以及真實成本優勢有待更廣泛驗證。若後續驗證結果不及預期，可能對 LPU 的整體聲譽和資本支援產生負面影響。

11.6 資本風險

Groq 等 LPU 企業目前仍依賴私募融資。AI 晶片研發資本密集，回報週期長，若後續融資不暢或無法實現自負盈虧，可能影響產品的持續迭代。有市場觀點認為部分 AI 晶片公司的估值已包含一定泡沫成分。

12. 誤讀糾偏

“LPU = 所有語言處理單元”：實際上，LPU 作為產品名稱和架構概念，目前主要指 Groq 公司的 Language Processing Unit。其他公司推出的語言或推論加速器不一定使用 LPU 這一名稱，也不一定採用相同的流水線架構。
“LPU 效能全方位超越 GPU”：LPU 在特定低延遲文本生成任務上確有優勢，但 GPU 在訓練、通用計算、圖形渲染等領域的全面性是 LPU 無法比擬的。兩者是專用與通用的關係，不宜簡單做出“全面超越”的判斷。
“LPU 不需要 HBM，所以成本極低”：雖然 LPU 內部用 SRAM，但 SRAM 的單位儲存成本遠高於 HBM 和 GDDR。單晶片容納模型有限，多用幾片晶片叢集，成本不見得一定低於等效 GPU 方案。低成本的結論需要根據系統級總擁有成本（TCO）來核算。
“LPU 代表存算一體技術”：LPU 並非嚴格意義上的存算一體（Processing-in-Memory）。它是在物理距離極近的 SRAM 中放置所有權重，計算和儲存分離但緊密耦合，不是直接在儲存陣列內完成計算。
“LPU 能執行任何模型”：目前的 LPU 軟體棧只能較好地支援部分 Transformer 衍生結構。對於引入複雜控制流、動態 shape 或自定義運算元的模型，可能需要編譯器大量適配，甚至無法高效執行。
“中國已有多款 LPU 晶片”：公開資料未見有中國晶片企業明確釋出名為“LPU”或採用同架構的商業化產品。部分國產 AI 晶片在推論最佳化上有所進展，但技術路線和高頻寬 SRAM 流水線的理念有顯著差異。

13. 最新事件

（以下資訊更新至 2025 年 2 月）

Groq 獲得新融資並推出 GroqCloud：2024 年，Groq 完成新一輪融資（具體金額和估值官方未揭露，行業報道稱在數億美元級別），並推出基於自研 LPU 的雲端推論服務 GroqCloud，免費額度與按需付費並存，支援多個開源模型，如 LLaMA、Mixtral 等。
低延遲演示引發關注：Groq 公開發布了 LPU 執行大語言模型的延遲和吞吐 demo，展示了極低的“首個 token 時間”和高生成速度，引起開發者社群和投資界討論。不過這些演示多在特定條件下進行，尚未形成標準化基準。
與雲端廠商和企業的探索性合作：多家媒體報道 Groq 正與部分公有雲端和企業客戶進行試點合作，但截至 2025 年初，未有頭部雲端廠商正式宣佈在商用區大規模部署 LPU。
競爭對手的新動作：Cerebras 營收增長訊息頻出，其晶圓級晶片在部分推論任務中也展現出低延遲能力。輝達則推出 B200/B100 等新一代 GPU，配合 TensorRT-LLM 大幅最佳化推論效能，推論側的競爭進一步升溫。
國產替代方案動態：國內部分 AI 晶片公司持續迭代推論晶片，主要採用多晶片互聯和大容量 HBM 架構，與 LPU 路線不同。公開資料未見國內 LPU 專案的明確進展。

14. 追蹤指標

要持續觀察 LPU 技術和市場的發展，可關注以下指標：

Groq 季度或年度營收及客戶數量：若公開揭露，可驗證 LPU 的商業化進展。
GroqCloud 覆蓋的模型數量與使用者規模：衡量軟體生態的擴充套件速度。
第三方延遲與吞吐基準測試：如 MLPerf Inference 或其他獨立評估，對比 LPU 與 NVIDIA GPU 在實際工作負載下的各項指標。
新增的雲端平台合作公告：大型雲端廠商（AWS、Azure、GCP 等）是否推出 LPU 例項，極大影響其市場滲透率。
LPU 晶片迭代程序：若 Groq 釋出第二代或第三代晶片，製程、SRAM 容量、功耗等引數是關注焦點。
專利與論文發表：LPU 相關公司及競爭對手在資料流架構、編譯器、多晶片互連等方面的專利和技術文獻。
模型架構趨勢：Transformer 之外的模型架構是否成為主流，以及 LPU 是否對此做出響應。
供應鏈動態：Groq 或其他類似公司的晶圓代工、封裝訂單和出貨量可側面評估規模。
監管和出口管制政策變化：影響 LPU 全球銷售的可能政策訊息。
AI 推論服務定價趨勢：GPU 推論例項與 LPU 推論服務的價格對比，反映兩者的成本競爭力。

15. 信源

Groq 公司官網及技術部落格：https://groq.com/
Groq 架構概述（2022 年白皮書及相關演講）
MarketsandMarkets, “AI Inference Chip Market – Global Forecast to 2028”, Sep 2023
Verified Market Research, “AI Inference Chip Market Size and Forecast”, 2023
NVIDIA 2024 年度報告（10-K），2024 年 2 月提交
Jonathan Ross 等公開採訪（TechCrunch、The Next Platform 等媒體，2021–2024 年）
SemiAnalysis, “AI Inference Hardware Landscape”, 2023
各對比公司（Cerebras, SambaNova, Graphcore）官網及其技術文件
公開報道中的融資資訊：Crunchbase, PitchBook 相關條目
行業分析師部落格、第三方技術測評（如 ServeTheHome, AnandTech 文章中涉及的相關 benchmark 討論）
其他參考：台積電封裝技術介紹，GlobalFoundries 製程節點手冊

宣告：本文所引用資料均摘自公開可查的報告、企業揭露或媒體報道，文中均已盡力標明時間、口徑與出處。所有內容僅作為產業概念解讀，不構成任何投資、採購或技術選型建議。市場和技術發展變化快，請以最新官方信源為準。