AMD 於 2026 年 8 月 6 日週四收盤後宣布收購加拿大 AI 晶片新創 Taalas，交易金額尚未公開。這項布局聚焦快速成長的 AI 推論市場，目標是透過 Taalas 將特定 AI 模型直接寫入矽晶的技術，提供更高速度與更低成本的推論能力，進一步挑戰 NVIDIA 在 AI 硬體市場的主導地位。
Taalas 成立於 2023 年，總部位於加拿大多倫多。其技術不同於傳統 GPU，以及 Groq LPU、Cerebras 晶圓級加速器所採用的資料流架構。外媒將這類晶片形容為「模型專用積體電路」（Model-Specific Integrated Circuit，MSIC），也就是讓硬體針對特定 AI 模型進行高度客製化。
HC1 每秒產生 16,960 個 token
Taalas 的技術目前已有實體晶片驗證。該公司於 2026 年 2 月發表首款測試晶片 HC1，採用台積電 6 奈米製程打造。初步測試顯示，HC1 執行 Meta 的 Llama 3.1 8B 模型時，每秒可產生最高 16,960 個 token。
根據 Taalas 在 2026 年 2 月公布的資料，這項表現較 NVIDIA GPU 快 48 倍，較 Cerebras AI 加速器快 8.5 倍。不過，Llama 3.1 目前已不是最新一代模型，HC1 的主要用途仍是驗證將模型直接硬體化的可行性，而非代表其能在所有模型或工作負載下維持相同優勢。
模型權重寫入 Mask-ROM，快取則由 SRAM 負責
Taalas 並未完整公開晶片的運作細節，但目前已知其處理器主要由兩個區域構成。第一個是 Mask-ROM Recall Fabric，用於直接儲存模型權重；第二個是 SRAM Recall Fabric，負責儲存 KV 快取（KV Cache）與微調 Adapter。
將模型權重固定在晶片上，可減少推論過程中反覆從外部記憶體讀取資料的需求，理論上有助於降低延遲與功耗，並提高 token 生成效率。不過，這種設計也會讓晶片與特定模型產生高度綁定，產品彈性與更新方式將不同於可透過軟體載入多種模型的通用 GPU。
HC2 目標支援 200 億參數模型
Taalas 預計於 2026 年夏季推出第二代 HC2 晶片，目標是將單晶片可支援的模型規模提升至 200 億個參數。若每顆晶片能支援 200 億參數模型，理論上部署 1 兆參數模型約需 50 顆加速器。
報導指出，AMD 擁有機架級運算平台與系統設計團隊，可能將這類加速器整合至更大規模的資料中心系統。相較於需要大量 GPU 與 Groq LPU 的方案，Taalas 的專用晶片設計被認為在空間利用率與功耗效率方面具備潛在優勢；但實際效益仍取決於模型規模、工作負載、互連設計及部署條件。
可能整合 AMD Helios 機架系統
AMD 計畫將以 Instinct GPU 為核心的 Helios 機架系統，搭配採用 Taalas 技術的加速器。報導推測，未來可能採取解耦式（Disaggregated）架構：由 GPU 負責計算量較大的 Prompt Processing，再將 Token Generation 卸載至 Taalas 加速器處理。
這種分工可讓通用 GPU 與模型專用加速器各自處理較適合的工作階段，並可能改善整體資源利用率。不過，系統效能仍會受到資料傳輸、節點間通訊，以及不同處理器之間協同工作的影響。
模型硬體化可縮短至最快兩個月
Taalas 執行長 Ljubisa Bajic 表示，公司開發的平台可將任何 AI 模型轉換為客製化晶片；在收到全新模型後，最快兩個月便能完成硬體化。
報導預期，AMD 可能採取類似「Tick-Tock」的產品部署策略。客戶先使用 Instinct AI 加速器部署與驗證模型，待模型成熟並確認符合需求後，再轉移至採用 Taalas 技術的專用加速器上執行。這種方式可在模型開發初期保留 GPU 的彈性，並在模型與推論需求穩定後，改用專用硬體追求效率。
專用晶片的效能優勢伴隨更新限制
模型直接寫入晶片雖可能帶來數量級的推論效能提升，但也代表晶片一旦完成製造，便會與特定模型綁定。若日後需要改用更大模型，或模型架構出現重大變更，可能必須重新設計晶片並重新投片。
重新投片不僅涉及較高的製造與設計成本，也會拉長產品更新週期。因此，Taalas 技術較適合模型需求相對穩定、推論量大且能攤平硬體開發成本的場景。AMD 此次收購能否將專用晶片的效能優勢，轉化為可大規模部署的產品與服務，仍有待後續整合、產品推出及實際客戶驗證。
