Look for any podcast host, guest or anyone
Showing episodes and shows of

Auto Agentic

Shows

The Agentic Revenue Brief Podcast2026-05-2907 minThe Agentic Revenue Brief Podcast2026-05-2907 minThe Agentic Revenue Brief Podcast2026-05-2907 minThe In-Between Tech and Trust Podcast2026-05-2136 minDataVerse by NeenOpal2026-05-1420 minSecurity Management Highlights2026-05-0443 minCloud Wars Live with Bob Evans2026-04-3011 minFutureCast/未来播报
FutureCast/未来播报EP131 Agentic AI引爆硬件新蓝海:CPU、内存、ABF基板迎数百亿美元增量市场🔥【核心洞察】AI重心从算力转向系统协调:随着Agentic AI(代理式人工智能)的崛起,AI基础设施的核心瓶颈正从单纯的GPU性能转向系统级的编排、内存带宽和互联延迟。AI从“回答问题”进化为“采取行动”,驱动了更广泛、更深度的硬件需求。CPU与内存成新增长极:Agentic AI的多步推理、工具调用和持久记忆功能,使CPU成为工作流编排的核心,内存成为外部知识库。预计到2030年,CPU将迎来325-600亿美元的增量TAM,服务器CPU总规模超千亿美元;DRAM将新增15-45EB需求,相当于2027年总供应量的26-77%。硬件生态全面受益:除CPU和内存外,ABF基板、先进封装、互连解决方案、半导体设备及特殊材料等环节均将迎来结构性增长。传统服务器CPU巨头面临NVIDIA、AMD、Arm等新玩家的激烈竞争。投资逻辑转向“赋能者”:摩根士丹利更看好那些在CPU、内存、ABF基板等增量市场拥有定价权和产能优势的公司,以及为AI系统提供关键组件的“赋能者”,而非仅依赖GPU的单一厂商。🔍【章节索引】一、Agentic AI:从生成到行动的范式革命功能演进:生成式AI局限于单一任务(如文本生成),而代理式AI具备规划、推理、记忆和执行多步任务的能力,能够自主调用工具、与外部环境交互。计算瓶颈转移:随着模型复杂度提升,系统瓶颈从GPU的峰值算力转向内存带宽(“内存墙”)、数据移动速度、互联延迟以及多代理协同的编排能力。三层架构:Agentic AI系统由大脑(LLM,GPU)、系统(编排,CPU) 和知识(内存) 三层构成。CPU负责工作流调度和工具调用,内存则作为持久化的外部知识库,大幅增加了对非GPU组件的需求。二、CPU市场:从配角到控制中心角色升级:在Agentic AI中,CPU承担了多步推理的编排、工具调用、记忆管理和异常处理的职责,成为系统的“指挥中枢”。增量市场空间:预计到2030年,Agentic AI将为服务器CPU带来325-600亿美元的增量TAM,使整体服务器CPU市场规模突破1000亿美元。架构转变:传统以GPU为中心的并行计算架构正转向以CPU为中心或CPU-GPU混合架构。集群级别的CPU与GPU比率将显著上升,每GPU需要匹配更强的CPU算力。竞争格局重塑:NVIDIA推出Vera CPU,Arm布局AGI CPU,AMD在云CPU市场持续领先,Intel面临多方挑战。台积电(TSMC)作为先进制程代工厂(2nm/3nm)直接受益,并有望获得Intel的服务器CPU外包订单。三、内存市场:从存储到主动组件需求激增:Agentic AI需要持久记忆(长期存储用户历史交互)和活跃系统组件(存储当前会话的上下文、工具调用结果),推动DRAM需求大幅上升。量化预测:到2030年,Agentic AI将新增15-45EB的DRAM需求。作为对比,2027年全球DRAM总供应量预计为58-69EB,这意味着AI将消耗26-77%的产能。技术升级:内存不再是被动存储,而是主动参与计算。HBM(高带宽内存)需求持续旺盛,同时新型内存(如CXL、PIM)有望加速渗透。主要受益者:SK海力士、三星电子、美光等内存巨头将直接受益于容量和带宽的双重提升。四、硬件生态的广泛受益者ABF基板:CPU、GPU、HBM等高性能芯片均需使用ABF基板进行封装。Agentic AI推动高端芯片出货量上升,ABF基板供不应求态势加剧。受益公司包括三星电机、欣兴电子、揖斐电等。先进封装与互连:Chiplet架构和异构集成成为主流,台积电(CoWoS)、日月光、GUC(创意电子)等封装与设计服务公司需求强劲。互连解决方案(如澜起科技的内存接口)也迎来增量。半导体设备与材料:先进制程(2nm/3nm)扩产带动应用材料(AMAT)、东京电子(TEL)、阿斯麦(ASML)等设备商订单增长;特殊材料如低CTE玻璃布(Nittobo)、附着促进剂(MEC)需求提升。服务器与外围:AI服务器制造商(如纬颖、联想)、大容量HDD(希捷、西部数据)、MLCC(国巨)、连接器(FIT、嘉泽)等均受益于整体基础设施投资扩张。五、竞争格局与公司策略CPU战场白热化:NVIDIA凭借Vera CPU切入服务器CPU市场,Arm联合多家伙伴推出AGI CPU,AMD凭借EPYC在云市场占据优势,Intel面临转型压力。TSMC作为代工厂,无论谁胜出都将受益。内存与基板寡头受益:DRAM和ABF基板行业集中度高,龙头公司享有定价权。Agentic AI带来的需求增长将强化其盈利弹性。投资偏好:摩根士丹利倾向于投资“AI赋能者”——即在CPU、内存、ABF基板等增量市场拥有技术壁垒和产能优势的公司,而非仅依赖GPU的单一厂商。六、主要风险因素技术路线不确定性:Agentic AI的架构仍在快速演进,CPU与GPU的分工可能发生变化,内存需求预测存在偏差。供应链瓶颈:先进封装(CoWoS)、ABF基板、HBM等环节产能扩张速度可能跟不上需求增长,导致短期供不应求但长期产能过剩。竞争加剧:Intel、AMD、NVIDIA、Arm等巨头均在CPU领域加码,价格战可能侵蚀利润。地缘政治风险:半导体设备、先进制程、高端芯片的出口管制可能影响全球供应链稳定。⚠️【风险提示】需求不及预期:若Agentic AI的商业化落地慢于预期,或企业资本支出收缩,硬件需求可能低于预测。技术替代风险:新型计算架构(如存内计算、光互连)可能颠覆现有CPU/内存格局。估值泡沫风险:当前部分AI硬件股票估值已包含较高增长预期,业绩不达预期可能引发回调。前往小宇宙评论区与主播互动
2026-04-2409 minGreat Question: A Manufacturing Podcast2026-04-2318 minGreat Question: A Manufacturing Podcast2026-04-2318 minKI REVOLUTION - Der Business Podcast von Everlast AI | Künstliche Intelligenz | Zukunft | Automation2026-04-211h 58The Retail Razor Show2026-03-1049 minShift AI Podcast2026-02-2234 minBold Agendas2026-02-191h 06DataVerse by NeenOpal2026-02-1816 minThe Evil Tester Show - Software Testing and Development with Attitude2026-02-1257 minM365.FM - Modern work, security, and productivity with Microsoft 3652026-02-111h 22Tech Updates2026-02-1103 minM365.FM - Modern work, security, and productivity with Microsoft 3652026-02-101h 22AI Heroes & Headaches2026-02-0627 minThe Non-Human & AI Identity Podcast2026-02-0641 minRetailgentic | Consumer Behavior & Retail Trend2026-01-2949 minFuturise2026-01-1431 minAdTechGod Pod2025-12-3026 minRetail Media Breakfast Club2025-12-1113 minHandelskraft Digital.Business.Talk.2025-12-1042 minRetailgentic | Consumer Behavior & Retail Trend2025-12-0439 minThe Business of AI2025-11-1534 minThinks Out Loud: E-commerce and Digital Strategy2025-11-1519 minFederal Tech Podcast:  for innovators, entrepreneurs, and CEOs who want to increase reach and improve brand awareness2025-11-0428 minPressReleaseCloud.io2025-10-2800 minEveryday AI Podcast – An AI and ChatGPT Podcast2025-10-2343 minEveryday AI Podcast – An AI and ChatGPT Podcast2025-10-2246 minRetail Media Breakfast Club2025-10-2110 minThe Ecommerce Revolution Podcast2025-10-0958 minRetailgentic | Consumer Behavior & Retail Trend2025-09-3049 minYour Customer, Your Success2025-09-2441 minEveryday AI Podcast – An AI and ChatGPT Podcast2025-09-1939 minFlashlights2025-09-031h 40CXOInsights by CXOCIETY2025-08-1828 minCXOInsights by CXOCIETY2025-08-1418 minCXOInsights by CXOCIETY2025-08-1314 minReady Set Do2025-08-0739 minThinks Out Loud: E-commerce and Digital Strategy2025-08-0624 minCXOInsights by CXOCIETY2025-08-0415 minEverything AI2025-07-2320 minEveryday AI Podcast – An AI and ChatGPT Podcast2025-07-2233 minThe ITSM Practice: Elevating ITSM and IT Security Knowledge2025-07-2210 minEveryday AI Podcast – An AI and ChatGPT Podcast2025-07-1637 minTech Transformed2025-07-1523 minArchiCraft: Solution Architecture Insights for AI Engineering2025-07-1211 minBeyond Tech Frontiers2025-07-0425 minEveryday AI Podcast – An AI and ChatGPT Podcast2025-07-0332 minibl.ai2025-06-2024 minTechzine TV podcast2025-06-0626 minEveryday AI Podcast – An AI and ChatGPT Podcast2025-05-3031 min🐥SAZANAMI AIラジオ ~とあるサラリーマンとAIの相棒物語を横目に~🤖
🐥SAZANAMI AIラジオ ~とあるサラリーマンとAIの相棒物語を横目に~🤖RAGからAgentic AIへ – 生成AIの進化と金融・保険業界での未来今日のビジネスにおいて、生成AI、特に大規模言語モデル(LLM)の活用は急速に進んでいます。金融・保険業界でもその注目度は高く、様々なアプリケーションが検討されています。しかし、LLM単体では学習済みの知識に限界があり、最新情報への対応や事実の正確性確保に課題があります。この課題を解決するために登場したのが、RAG(Retrieval-Augmented Generation、検索拡張生成)です。RAGは、LLMに外部データベースから検索した最新の知識をコンテキストとして与えることで、応答の正確性と企業内ドメインへの適合性を飛躍的に高める技術です。エンタープライズ検索、チャットボット、コパイロット、社内QAシステムなど、多くの実用的な生成AIソリューションがRAGを基盤としており、「RAGこそが実践的な生成AIソリューションの重鎮」とも言えます。金融・保険業界においても、正確で信頼性の高いAI応答を実現する上でRAGは重要な役割を担っています。RAGシステムは、LLMの応答生成プロセスに外部知識を組み合わせることで成り立ちます。その技術的な構成要素は「RAG Developer’s Stack」として整理されており、Pandey氏やKalyan KS氏によって提示されています。このスタックは複数の層で構成されており、主なコンポーネントには以下のものがあります:LLM: テキスト生成の中核を担うモデル(GPT, Claude, LLaMA 3など)。•フレームワーク: アプリケーション開発を効率化するツール(LangChain, LlamaIndexなど)。•ベクトルデータベース: 外部知識を格納・検索するための高速類似検索エンジン(Chroma, Pineconeなど)。•データ抽出・加工: 生データを収集・加工し、ベクトルDBに登録する前処理(Crawl4AI, Doclingなど)。•Open LLMアクセス: オープンソースLLM活用のためのプラットフォーム(Ollama, Hugging Face Hubなど)。•テキスト埋め込み: テキストをベクトル化する技術(SBERT, Nomicなど)。•評価・フィードバック: システムの出力品質を評価・改善する仕組み(Giskard, RAGASなど)。これらの層が連携することで、「適切な情報を素早く取得し、それを元に高品質な回答を生成する」というRAGの一連の流れが実現されます。特に金融領域では、誤った回答(ハルシネーション)を排除し、回答の根拠を明示することが重要であり、RAGはこの点で効果を発揮し、高信頼・低リスクなAI応答を可能にします。金融・保険業界では、RAGを活用した様々なユースケースが実証・導入されています。例えば、社内規程や商品マニュアルに基づいた社内ナレッジ検索/FAQシステム。契約内容や商品説明書を根拠に顧客の問い合わせに対応する高度な顧客向けチャットボット。従業員からの質問に答える社内ヘルプデスクAI。社内ルールや法規集を検索して広告・契約書類をチェックするコンプライアンスチェック支援。社内外データを横断検索し、要約レポートや分析コメントを生成するレポート生成・データ分析アシスタントなどがあります。RAGは特に「最新かつ正確な情報」が要求される業務で大きなメリットをもたらし、既に営業支援、広告内容審査、コールセンター対応、不正取引検知などで導入が進んでいます。RAGが現状を支える一方で、AI分野では次なるステップとしてAgentic AI(エージェンティックAI)能動的にタスクを計画・実行し、目的達成に向けて動ける点で大きく異なります。Agentic AIのエージェントは、以下の特徴を持ちます:•自律性: 指示なしに目標へ向けて判断・行動できる。•マルチステップ推論: 複雑なタスクを分解・順序立てて実行できる。•ツールの利用: 外部のツール、API、データベースなどを必要に応じて利用できる。•適応学習: 実行結果から学び、動作を調整・改善できる。•長期的な目標指向: 単一の質問応答ではなく、より広いゴール達成を目指す。Agentic AIを実現するためには、RAGに加えて「タスク遂行エンジン」と言える機能が必要です。これには、ゴール達成のためのタスク分割・実行順序決定を行うプランニング、外部機能を利用するためのツール使用・API呼び出し、タスク途中経過を記憶・参照するメモリと状態管理、複数のアクションを調整する実行オーケストレーション、そしてこれらの機能を実装するためのエージェントフレームワーク(LangChain Agents, Autogenなど)といった技術的構成要素が含まれます。Agentic AIは単一エージェントだけでなく、複数のエージェントが連携するマルチエージェント・システムに発展する可能性も秘めています。Auto-GPTやBabyAGIといったデモンストレーションは、Agentic AIの自律的なタスク遂行能力を示しています。RAGシステムをAgentic AIへと発展させるには、システム設計のパラダイム転換とスキル拡張が必要です。具体的には、ユーザーの質問に答える単発QAからゴール指向のプロセス設計へのシフト。AIに思考や行動を指示するための高度なプロンプトエンジニアリング。外部ツールやAPIをシステムに組み込む外部ツール・API統合。LangChain等のエージェントフレームワークの活用。エージェントの状態管理やループ処理を支えるシステム設計・アーキテクチャの見直し。そして、自律的なエージェントの予期せぬ挙動に備えるガバナンスとモニタリングの強化。これらは「AIシステム開発」から「AIエージェント育成」への大きな変化と言えます。金融・保険分野のように高い正確性とコンプライアンスが求められる領域では、まずRAGで基盤を固め、Agentic AI機能を段階的に導入するアプローチが現実的でしょう。Pandey氏は、Agentic AIとRAGは競合ではなく、お互いを補完し合う関係だと強調しています。Agentic AIは自律的な意思決定とタスク実行に、RAGは正確で最新の情報組み込みに主眼があり、適するユースケースも異なります。しかし、真に強力なAIソリューションにはRAGの知識活用能力とAgentic AIの自律行動能力の双方が不可欠です。RAGで強化されたLLMが「脳」だとすれば、Agentic AIは「手足」となって現実世界で能力を発揮する、と表現されています。Agentic AIには、設計・制御の難易度やコスト、まだ技術が成熟途上であるといった課題もあります。しかし、適切に導入されれば、AIを単なるツールから「戦略的パートナー」へと格上げする大きな将来性を秘めています。複雑な意思決定のサポートや業務プロセスの自動化、さらには複数のエージェント連携による組織的知能の実現も視野に入ります。これらの技術を導入する際は、慎重な計画と段階的なアプローチが重要です。まず、具体的なユースケース選定と定量的な目標設定を行います。次に、回答精度やタスク完了率などの成功指標(KPI)と評価方法を策定し、ベースラインを計測します。AIが参照する社内ナレッジ等のデータ準備と知識基盤構築は成功の土台となります。LLMやベクトルデータベース、フレームワーク等を選定し、PoC(概念実証)プロトタイプを構築します。プロトタイプをテスト・評価し、得られた知見に基づき改善サイクルを回します。この際、金融分野ではセキュリティ・コンプライアンス面のチェックが不可欠です。最後に、PoCで有望なら、対象範囲の拡大や運用ガバナンスを含む展開計画を立案します。小さく始めて素早く学習し、改善を積み重ねることが成功の鍵です。結論として、RAGは既に実用段階でビジネス価値に直結する「重鎮」であり、Agentic AIは次代の戦略的投資領域として業務の自動化や価値創出の可能性を秘めています。両者は補完し合う関係であり、RAGで情報利活用基盤を固めつつ、Agentic AIの可能性も探るという両軸の取り組みが、将来の大きなリターンと競争力強化に繋がるでしょう。正確性と自律性を兼ね備えたAIソリューションによって、金融・保険業界のビジネス変革が期待されます。
2025-05-2707 minAI Engineering Podcast2025-05-211h 01The Digital Transformation Playbook2025-05-1418 minFrom Ready to Empowered by Ephilium.AI2025-04-2508 minEveryday AI Podcast – An AI and ChatGPT Podcast2025-03-2724 minRedefining CyberSecurity2025-03-2543 minThe ITSPmagazine Podcast2025-03-2543 minCISO Tradecraft®2025-03-1025 minCISO Tradecraft®2025-03-1025 minState of Process Automation2025-03-0129 minCXOInsights by CXOCIETY2025-02-1420 minThe Data & AI Chief2025-02-0549 minThe Agentic Voice2024-10-2231 minJosh Bersin2024-09-0719 minThe Josh Bersin Company2024-09-0719 minJosh Bersin2024-09-0719 minThe Agentic Voice2024-07-2944 minThe Agentic Voice2024-07-0843 minThe Agentic Voice2024-06-2142 minThe Agentic Voice2024-04-0742 minThe Agentic Voice2024-04-0347 minThe Agentic Voice2024-02-2948 minThe Agentic Voice2024-02-0152 minThe Agentic Voice2023-11-2647 minThe Agentic Voice2023-10-2731 minThe Agentic Voice2023-07-0637 minThe Agentic Voice2023-06-1453 minThe Agentic Voice2023-05-0853 minThe Agentic Voice2023-05-0149 minThe Agentic Voice2023-04-2442 min