AMD 亞太暨日本、印度區資深副總裁 Vinay Awasthi 在 Tech Wire Asia 的專訪中指出，AI Agent 與一次性回應的 AI 助理不同，會持續執行任務、呼叫子代理，因此運算與記憶體需求也隨之墊高。
這樣的觀察點出製造業導入 AI Agent 時最容易被低估的一件事：運算成本的計算，對於仰賴半導體與精密製造的台灣產業鏈來說，這層思路轉換格外切身。
「生產力倍增」的代價是「運算倍增」
Awasthi 在訪談中點出核心邏輯：生產力倍增的另一面，就是運算力倍增。一名員工若同時運作多個 Agent 與子代理，運算消耗不再是偶發的尖峰，而是持續性的營運成本。與此同時，知識型員工與開發者、進階使用者所需要的運算與記憶體配置也不會一樣。
他建議企業放棄用「人頭數」或「軟體授權費」衡量 AI 支出，改用每完成任務成本、任務完成率、產出品質與持續性推論成本這四項指標，才看得出 AI 支出與實際產出之間的關係。他也提醒，未來三到五年，企業運算基礎設施會更分散，AI 工作負載將同時跨裝置、邊緣系統與資料中心運行。
這套分工也延伸到員工角色的配置上：開發者可以在本機建置、測試 Agent，其餘員工則多用於研究、報告與排程這類重複性工作，兩者需要的運算與記憶體配置本來就不該一致。文章引述的另一個觀點是，模型再快，如果前後串接的工作流程跟不上，整體價值依然有限，這也是為什麼 Awasthi 強調，重點該放在任務完成的效率上，速度只是其中一項條件。
製造業的具體場景：預測性維護與半導體驗證
報告點名電信、醫療、製造、金融服務與零售五大產業已經在落地 AI Agent，應用包含網路優化、預測性維護、臨床決策支援、詐欺偵測與需求預測。其中與台灣產業鏈最直接相關的，是半導體設計與測試驗證：Agent 可協助分類與處理大量模擬產生的異常訊號，協助工程團隊更早發現並排除缺陷，直接縮短整段驗證週期。
文中也談到工作負載該怎麼分配：延遲敏感或涉及機敏資料的應用，例如產線即時數據與製程參數，適合放在本機或邊緣系統；大型模型訓練這類高運算需求，仍然適合留在雲端。CPU 負責編排指令、檔案存取與多工協調，GPU 負責平行運算與模型推論，NPU 負責低功耗的持續性任務，這套邊緣與雲端混合的分工，對台灣工廠的產線部署來說，比起整套雲端化更貼近現實。AMD 也提到自家的 ROCm 軟體平台與 Semantic Router 等工具，目的就是處理模型路由與 token 管理這類排程問題，讓分散部署不至於失控。
這對台灣製造業意味著什麼
台灣的電子代工、半導體供應鏈與精密機械產業，其實已經具備預測性維護、自動光學檢測這類系統的數位基礎，導入 Agentic AI 算是銜接既有基礎，真正的差異在於治理與存取控管有沒有先做好。AMD 與 Cisco 合作佈局可觀測性與政策控管，呼應的正是這個現實：Agent 一旦能存取企業內部系統與工具，安全與治理就不是上線後才補強的選項，而是上線前就該談清楚的前提。
文章提到「500 台 AI PC 混合部署，三年可省 40% 到 60% 運算成本」，若是完全本機部署，省下的比例更高、回本時間通常低於 24 個月，但這同樣是 AMD 自己的分析，方法論與客戶實測數據都沒有公開，比較接近廠商立場的樂觀推估，不宜直接當成可複製的成效。Awasthi 另外提到，東南亞與馬來西亞的代理型 AI PC 採用，會取決於具體商業需求，不是看一次性的硬體全面汰換時機。這個判斷標準對台灣製造業同樣適用：先問清楚哪個環節真的需要，再決定要不要換機隊。對台灣製造業而言，更務實的路徑是先用小規模、任務導向的試點，實際算出自己的每任務成本，再決定要擴大到哪個規模、哪些產線。EgentWrX 以 Agent、Task、Skill 三層架構搭配治理機制切入企業導入，呼應的也是這種先把任務算清楚、再談規模化的順序。
