TI把內建NPU的MCU壓到一美元以下，ST則守住STM32N6旗艦毛利。兩家同級廠商的相反選擇揭示：邊緣AI競爭已從TOPS軍備，轉向工具鏈、記憶體與商業模式三條更深的軸線。

2026年3月，TI(德州儀器)在embedded world把內建NPU的MSPM0G5187壓到一美元以下；同屬自研NPU陣營的ST(意法半導體)卻表態，STM32N6旗艦「不是去訴求一美元這件事情」。同級廠商對同一市場做出相反選擇，分歧不在定價，而在AI MCU該不該下沉到每個價位帶，還是讓中低階靠工具鏈補位以保住旗艦毛利。

新推出的AM13Ex把Cortex-M33、TinyEngine NPU與即時控制架構整合到單一晶片，BOM成本降低30%。

整個市場已不是「誰的TOPS比較高」所能描述。加上主打成熟製程的Skymizer、走硬化設計的滿拓科技、做系統整合的研華，五家廠商構成本文觀察樣本。TOPS軍備競賽不再主導，取而代之的是三條更深軸線：軟體生態、製程路線與商業模式。

硬體不再決勝　工具鏈是新戰場

客戶不在乎NPU架構，在乎工程師多快能把AI加進既有產品。馬達控制、預防性異常偵測、簡單影像辨識，中低階MCU搭配工具鏈就能完成；工具鏈就從附屬品升格為購買核心。

ST採工具鏈下沉策略，STM32Cube.AI與NanoEdge AI Studio把AI延伸到中低階MCU，保住N6旗艦高毛利；TI則把TinyEngine NPU下放到整條產品線，假設是全價位帶覆蓋才能建立開發者習慣。

IP廠的反擊更根本。Skymizer從自研LISA指令集到編譯器構建完整堆疊，把差異化做成軟體環境，藉此讓客戶導入成本大幅降低，增加客戶黏性。第三條路是第三方配適，滿拓科技技術長吳昕益直言：「高通的晶片有高通的喜好，聯發科的晶片有聯發科的喜好。」這類服務填補晶片廠工具鏈空白，服務不願被單一生態系綁死的客戶。

運算邊界翻轉　記憶體頻寬成瓶頸

ChatGPT之後，邊緣AI的瓶頸從運算邊界(compute bound)翻轉到記憶體邊界(memory bound)：把算力堆到100TOPS，運算單元有相當比例的時間處於等待資料的狀態，實際執行效能無法等比例提升。新的有效指標是「每瓦每秒token數」，同時衡量算力、頻寬與能效。此處判讀以完整模型推論為主軸；邊緣端量化後的小型模型，記憶體壓力較低，但該情境的算力需求本來就不在100TOPS層級，與本節討論的記憶體瓶頸情境不屬同一範圍。

Apple Silicon是一個值得參考的對照，統一記憶體架構把單卡頻寬從100GB/s推到800GB/s。不過Apple Silicon屬於工作站級產品，邊緣裝置尚未達到相同的頻寬水準，此處只作為架構轉換的參照，不視為同級比較。下一輪競爭的觀察重點會在於誰能在更低價位帶做出類似的架構轉換。

在新的競爭軸線下，製程選擇分成四條路線。TI主張全光譜覆蓋，從Arm Cortex-M0+的輕量級NPU一路延伸到C7DDSP的1，200TOPS；新推出的AM13Ex把Cortex-M33、TinyEngine NPU與即時控制架構整合到單一晶片，BOM成本降低30%。ST選擇旗艦自研：STM32N6搭載的Neural-ART Accelerator是九年研究計畫的成果，能效3TOPS/W，放棄中低階NPU布局，靠工具鏈補位以保住高毛利縱深。

Skymizer押成熟製程的最佳化展示，用28奈米示範晶片證明每瓦每秒token效能。背後的邏輯是，若28奈米都能做到這個效果，12、6、3奈米的表現不言而喻。這個策略對車規客戶特別有說服力，車用標準製程本來就是12奈米。背後更大的訊號是，輝達併購Groq讓GPU負責預填、LPU專攻解碼的專業分工，代表推論市場已成熟到可支撐專用架構。

第四條路是演算法直接變成電路。滿拓追求Multi-Utilization指標，把每顆電晶體使用率推到90%，對抗傳統IC設計的Dark Silicon閒置問題。交付形式是RTL Core或FPGA執行，繞開通用NPU跑通用模型的假設。可處理的脈絡長度(Context window)從8K膨脹到1M，KV Cache資料量已超過模型權重本身；把它從GPU VRAM搬到較便宜的RAM，而效能損失可控，這類系統級的記憶體管理已成為邊緣推論可行性的前提。

垂直整合沒消失　分工模式同步登場

垂直整合陣營已現策略分岔。ST走旗艦加下沉但不進一美元產品線；TI走全光譜，同時做一美元AI MCU與1，200TOPS DSP。ST認為這是萌芽式分散需求不必急著降價，TI主張無差別下沉先拿下市佔。

垂直整合的下一步是跨廠商子系統整合。TI與輝達(NVIDIA)在Physical AI的合作揭示方向：TI提供毫米波雷達、即時馬達控制、電源管理與功能安全，輝達提供Jetson Thor運算平台與Holoscan感測橋接。TI不挑戰輝達的AI運算，而是把自己定位為實體AI每個子系統的供應者。

IP授權派走另一軸線。Skymizer把晶片當加速器、IP當放大器。研華則提出最激進預測，認為Physical AI將迎來「台積電時刻」，也就是產業將分化為ISV、Foundry、SI三段式分工。不過TI與輝達的合作也說明，垂直整合大廠不會退場，而是轉為子系統整合供應者與SI共存。五種商業模式並非零和，廠商真正風險是同時押注多方向卻無一領先。

四股力量已交疊　五年格局將重新定形

三條軸線此時成為題材，是因為2026是四股力量交疊的觀察節點。代理型AI已具成熟跡象，前特斯拉Autopilot主管Andrej Karpathy提出的Software 3.0，把決勝點從單一token延遲推進到整個工作流。Physical AI作為2026主軸有規律可循——黃仁勳GTC歷屆主軸Perception AI、Gen AI、Agentic AI都在隔年大量採用，TI與輝達3月公布人形機器人感測融合合作即為實證。第三股力量是記憶體頻寬的邊緣複製。第四股是大廠自研NPU浪潮同步成熟，TI把TinyEngine下放到一美元以下，把AI MCU入門門檻一次性降到產業最低。

邊緣AI競爭軸線已產生轉化

下一個五年的觀察集中在三個問題：誰的工具鏈能成為開發者預設選擇？誰能在製程上兼顧能效與成本？誰的商業模式能承擔碎片化複雜度？

對台灣產業來說，五家廠商光譜裡，台灣在IP堆疊(Skymizer)、硬化設計(滿拓)、系統整合(研華)已有對應業者，但垂直整合MCU端沒有國際級廠商。機會不在跟ST、TI正面對撞，而在縫隙：合規驅動的地端運算、碎片化的特殊應用情境，以及台灣硬體優勢能保護軟體價值的位置。吳昕益在訪談尾聲點出：「台灣不一定相信台灣做的軟體，但相信台灣做的硬體。」把軟體價值嵌入硬體、用硬體保護軟體，就是這段結構分歧期的台灣定位。