AI 應用落地帶動收益增長
AI 技術正從實驗室走向商業化，直接成為科技巨頭核心業務增長的引擎。以 Alphabet（Google 母公司）的最新財報為例，各項業務都因 AI 加持而收益提升：
Google Search 廣告：2025 年第2季「Google 搜尋與其他」營收達 542 億美元，年增 12%。這不再只是傳統的關鍵字配對收益，AI 搜尋生成摘要（SGE）等功能提升了用戶查詢量（相關 AI 摘要讓全球查詢額外增加逾 10%），也透過更精準的點擊率預測與排名算法提高廣告投放效率，帶來實質營收成長。
YouTube 廣告：得益於強大的 AI 推薦系統（包括對影片內容的多模態理解），YouTube 提供高度個人化的內容與廣告，增加用戶停留時間並提升廣告精準度。YouTube 廣告收入在第2季達 98 億美元，年增長 13%，印證了推薦演算法對業績的拉動作用。
Google Cloud 雲端服務：雲端業務是 AI 基礎設施商品化的直接體現。Google Cloud 第2季營收達 136 億美元，年增長 32%。這包含提供 TPU/GPU 算力租賃、Vertex AI 平台以及生成式 AI 模型（如 Gemini）的 API 服務等。企業對 AI 基礎設施和平台的強勁需求，讓 Google Cloud 成為 Alphabet 極重要的增長引擎，32% 的高速成長率正是持續投入 AI 的回報。
Google Play 及設備：AI 能力正從雲端延伸至終端裝置。以 Pixel 手機為例，其搭載的 Magic Eraser 照片魔擦、即時翻譯等 AI 功能提升了產品附加價值，成為裝置差異化的關鍵賣點，助力該季度「Google Play 和裝置」業務實現 112 億美元收入（包含硬體、應用商店等）。AI 技術使得傳統硬體產品更具智慧化，也帶動了生態系服務的收入。
總的來說，AI 正在從實驗性的技術熱點轉化為商業世界的實質收益來源。Alphabet 的例子清楚表明，大模型等 AI 技術深入核心產品後，能直接反映在營收增長上。
算力霸權轉變：從 GPU 到機櫃級系統的戰爭
當前這波 AI 浪潮的本質，是對算力（Compute）的無限追求。為了滿足訓練數千億乃至兆億參數模型的需求，產業正從單機 GPU 發展到整櫃的超大規模系統。NVIDIA 身為通用 GPU 的霸主，也調整了策略：從銷售單顆晶片轉向機櫃級系統方案。
整櫃超級GPU 的崛起：NVIDIA 在 2024 年 GTC 大會推出的新一代 Blackwell 架構，強調的就是整櫃解決方案。以基於 Blackwell 的 GB200 NVL72 系統為例，它在一個機櫃中整合了 72 顆 GPU，透過高速 NVLink 互連把整櫃伺服器視作一顆巨型 GPU。NVIDIA 執行長黃仁勳更直言，未來「他心目中的 GPU 就是一整櫃 NVL72」。這套統一設計的液冷機櫃提供高達 13,824 GB 的總顯存和極寬的頻寬，對訓練超大規模模型至關重要。
從單卡銷售到整櫃溢價：賣整櫃系統也讓 NVIDIA 獲得前所未有的定價權。傳統而言，一台搭載 8 顆 H100 GPU 的伺服器售價約數十萬美元（H100 卡單價約 $30K 級別）。而一櫃含 72 顆 Blackwell GPU 的 NVL72 系統售價可達 300 萬美元。NVIDIA 更傾向直接販售整櫃而非單卡，吸收原本屬於系統整合商的價值，提高自身營收與利潤。換言之，NVIDIA 正將價值鏈從晶片擴張到整個機櫃，透過一條龍方案穩固利潤來源。
性能與擴展性：機櫃級系統的採用，根本原因在於單機性能已趨近極限。訓練兆億參數的模型需要超高計算密度和互聯帶寬，傳統單台伺服器無法滿足。NVL72 將 72 顆 GPU 嚴密連接成一體，使其吞吐量提高數十倍（NVIDIA 宣稱對比上一代系統實現 30 倍以上的推理性能提升），能滿足實時大模型推理與巨量並行計算的需求。
數據中心效率提升：整櫃解決方案還能大幅改善能效和空間利用率。如今超大規模數據中心從過去每機櫃 20kW 的標準躍升到每機櫃高達 135kW。如此高的功率密度只能靠直接液冷。NVIDIA 與 Vertiv 等廠商合作開發了液冷架構，使 GB200 NVL72 系統的能耗降低 25%、機櫃空間節省 75%。例如，每個 132kW 的 NVL72 機櫃年冷卻成本可節省高達 25 倍。整櫃系統讓所謂「AI 工廠」的部署更加高效，在相同空間內部署遠超以往的算力。
供應鏈價值重分配：這個策略轉變也重塑了整個供應鏈的價值分配：
GPU 模組成本：新一代 Blackwell GPU 的售價大幅攀升。據分析師估計，雙 B200 GPU 加一顆 Grace CPU 組成的 GB200 超級芯片售價高達 6–7 萬美元，比 Hopper 世代 H100 的單卡價格區間（約 3 萬美元出頭）翻倍。NVIDIA 藉由整合更多功能，成功提升了平均售價，反映在 H100 超過 90% 的毛利率上。這意味著 NVIDIA 在晶片上的定價權已達頂峰。
HBM 記憶體：高頻寬記憶體成為 AI 硬體中最昂貴的組件。以 H100 為例，拆解顯示其生產成本約 $3000，其中 HBM 記憶體就占了一半（~$1500）。Blackwell GPU 配備的 HBM3e 更大更多，單卡記憶體成本可能逼近 $3000 甚至更高。隨著 AI 對 HBM 需求爆炸式增長，SK Hynix 等 HBM 供應商成為最大受益者。SK Hynix 預期未來數年 HBM 市場每年成長 30%，2030 年達數百億美元規模。
高速銅互聯組件：在整櫃系統中，為了讓 72 顆 GPU 高效通信，NVIDIA 使用了專門的 NVLink 背板（大量高速銅纜和連接器）。這些互聯元件的成本暴增，從單機時期每單位幾百美元提升到整櫃級別的幾千美元級別，增幅達 10 倍。例如，Amphenol (APH) 是 NVIDIA NVLink 連接器主要供應商之一，其產品隨著 NVL72 的部署價值飆升。值得注意的是，NVL72 的銅質背板不僅昂貴，還出現了一些可靠性挑戰，需要經過長時間老化測試才能交付，可見其技術複雜性和關鍵程度。
散熱處理：功耗大幅提升也推高了散熱與供電的成本。以空冷伺服器為例，每卡散熱成本或許只占數百美元，而 NVL72 液冷系統每張 GPU 所需的冷 plates、泵、換熱器等可能達上千美元。Vertiv（VRT）等數據中心基礎設施供應商與 NVIDIA 合作，推出面向 NVL72 的參考冷卻方案，可支撐每櫃高達 132kW 的負載。Vertiv 表示其方案能將年能耗降25%、佔地減少75%，足見熱管理在新架構中的重要性。對供應鏈而言，散熱與供電相關的廠商在 AI 時代迎來新機遇。
透過掌控系統設計，NVIDIA 將價值鏈從晶片延伸到整櫃，進一步鞏固了生態系統的領導地位。在「算力為王」的競賽中，NVIDIA 選擇以整體解決方案來滿足無止境的算力需求，確保自身霸權難以撼動。
ASIC 的崛起：巨頭們的反擊與供應鏈新平衡
儘管 NVIDIA 在通用 GPU 市場一家獨大，超大規模雲服務商和前沿 AI 實驗室並不滿足於完全受制於單一供應商。他們開始尋求客製化 AI 晶片 (ASIC) 路線，以針對自身業務場景優化性能和成本，同時避免被鎖定。在這波 ASIC 浪潮中，Broadcom 扮演了黃金賦能者的角色。
Broadcom 的「技術總包商」策略：Broadcom 並未試圖推出通用 GPU 去硬碰 NVIDIA，而是充當晶片設計代工的總包，與 Google、Meta 等合作，把這些巨頭的架構理念轉化為可量產的客製 XPU 晶片。這些 ASIC 專為特定 AI 工作負載打造，例如推薦系統或大型模型推理，可以比通用 GPU 便宜 75%、功耗低 50%。對雲服務商而言，使用定制晶片意味著在大規模部署時能大幅節省總擁有成本（TCO）。Broadcom 背靠自身在網路晶片和ASIC設計的深厚經驗，再加上收購 VMware 帶來的軟體融合能力，提供從硬體到軟體的一攬子方案，成為巨頭們打造自有晶片的理想夥伴。
開放生態的力量 vs. NVIDIA 封閉生態：Broadcom 推出的方案強調開放標準接口，例如基於以太網的Scale-Up Ethernet (SUE) 架構。相比之下，NVIDIA 的 NVLink/NVSwitch 互聯和 CUDA 生態比較封閉。Broadcom 的非獨佔模式賦予客戶更大技術自主權和議價空間，避免被單一供應商鎖死。對雲廠商而言，Ethernet 為基礎的架構更易於整合現有數據中心，並可靈活選擇不同供應商組件，這正是 Broadcom 吸引超大客戶的賣點之一。
OpenAI 的選擇：2025 年傳出最震撼的消息莫過於 OpenAI 也走上自研晶片之路。Broadcom 公佈拿下來自一個新客戶 OpenAI 的 100 億美元 ASIC 大單。這筆訂單將在 2026 年開始貢獻 AI 晶片收入。這意味著 OpenAI 將獲得專為其模型量身打造的加速器，用於滿足如 ChatGPT 等產品日益巨大的推理需求。OpenAI 此舉被視為在追求算力獨立，以降低對 NVIDIA GPU 的依賴，以及避免受制於 AMD 或其他現貨供應商。消息傳出後，AMD 股價應聲下挫超過 5%；市場解讀為，在尋找 NVIDIA 替代方案時，超大規模用戶寧可選擇與 Broadcom 合作研發ASIC，也不會大舉轉單給 AMD 的通用 GPU。換言之，OpenAI 自研晶片「犧牲」的對象不只是 NVIDIA，還包括了寄望分一杯羹的 AMD。
巨頭紛紛自研，加速 ASIC 浪潮：OpenAI 並非孤例，其他科技巨頭近年也在加碼投入自研或客製化 AI 晶片：
Google：早在 2016 年即推出 TPU（Tensor Processing Unit）專用晶片，用於搜尋、廣告等核心業務的機器學習推理。目前已演進到第5代 TPU 並廣泛部署於其數據中心和 Cloud TPU 服務。Google 透過 TPU 在特定工作負載上取得比 GPU 更高的性價比，維持其 AI 應用的領先優勢。
Amazon：AWS 自研了 Inferentia 推理晶片和 Trainium 訓練晶片，在雲端提供給客戶使用。這些晶片針對雲端常見的模型優化，據稱在相應任務上性價比數倍於 GPU。Amazon 透過掌控晶片設計，不僅降低對 NVIDIA 的依賴，也打造了 AWS 雲服務的差異化功能。
Meta：臉書母公司近年也被曝投入自研 AI 加速器，用於強化其推薦演算法和內容排序等應用。Meta 的第一代自研晶片據報用於影片推薦推理，而未來產品可能涵蓋訓練加速器，目標是在元宇宙和廣告等關鍵領域建立硬體優勢。
字節跳動（ByteDance）：這家中國科技巨頭（TikTok 母公司）近年低調組建了晶片設計團隊，研發專用的 AI 加速晶片。據路透報導，字節跳動曾與 Broadcom 合作開發先進的 5nm AI 晶片，計畫由台積電代工生產。雖然地緣政治因素帶來一些變數（如傳出該專案後續暫停），但字節跳動的動向顯示，為降低對 NVIDIA 等美國供應商的依賴，大型科技公司無論中外都在投入資源打造自有 ASIC。
Broadcom 抓住了這股客製化浪潮，迅速壯大其 AI 晶片業務。2025 年第3季，Broadcom 公布 AI 相關半導體收入達 52 億美元，年增 63%。該季財報同時證實來自新客戶（OpenAI）的百億訂單，預計將使 Broadcom 2026 年的 AI 業務激增。有華爾街分析師預計，到 2026 年 Broadcom 光是 AI 晶片收入就可達 330 億美元規模。由於 Broadcom 的客製晶片業務被視為對 NVIDIA 的有力補充，其股價和市值在 2024–2025 年間飆升，成為投資人眼中新的 AI 明星股之一。
未來格局：GPU 與 ASIC 的長期共存與動態平衡
展望未來，AI 晶片市場的競爭格局很可能不是「你死我活」的單贏局面，而是 通用 GPU 與 客製 ASIC 長期共存、此消彼長的動態平衡。
NVIDIA/GPU 的持續優勢：憑藉技術和生態的雙重領先，NVIDIA 的通用型 GPU 未來仍將在大量 AI 應用中扮演主力：
市場主導地位：目前 NVIDIA 擁有 80–90% 的 AI 加速器市佔率。這一領先地位短期內難以撼動，因為 NVIDIA 已經建立起深厚的客戶基礎和供應鏈話語權。
生態體系：CUDA 軟體平台及其廣泛的開發者生態是 NVIDIA 最大的護城河。絕大多數 AI 算法和框架已對 NVIDIA GPU 進行了優化，開發者習慣其工具鏈。這種網絡效應使得競爭者很難滲透企業和開發者社群。
持續研發迭代：NVIDIA 每隔 1~2 年推出新架構（如 Hopper H100、Blackwell B100/B200 等），不斷提高性能和能效，比對手保持一代以上優勢。同時 NVIDIA 積極與前沿 AI 實驗室合作（如與 OpenAI、Meta 等共同優化軟硬體），確保新產品貼合最新需求。強大的產品路線圖和研發投入，將使 NVIDIA 在「訓練」等高端通用場景繼續主導。
競爭對手進展緩慢：AMD、Intel 等雖然發布了 MI300、Gaudi 3 等加速器，但市場反應有限，生態也不成熟。截至 2025 年，幾次大型雲端採購中 AMD 難以撼動 NVIDIA 的地位（甚至在 OpenAI 客製晶片消息後，AMD 被視為潛在受害者之一）。只要競爭者在軟硬體整合和客戶拓展上進展緩慢，NVIDIA 就能繼續憑藉近乎壟斷的地位獲取高額利潤（例如 H100 定價高達 $35,000，據估計毛利率超過 90%）。
客製 ASIC 的戰略定位：客製化 AI 晶片在未來將與 GPU 形成差異化共存，主要服務於特定巨頭的特定需求：
規模效益明顯的場景：ASIC 最適合應用在業務穩定、量級巨大的場景，例如搜尋廣告、社群推薦、視頻推流等。一旦模型和需求相對穩定，巨頭們可以透過 ASIC 把單位算力成本壓到遠低於通用 GPU。在這些場景下，ASIC 部署的規模（成千上萬顆晶片）足以攤平研發成本並換取長期回報。
通用性 vs 專用性：客製 ASIC 往往針對特定算法做優化，因此靈活性不如 GPU。這意味著在研發新模型、跑各種實驗階段，仍需要依賴 GPU 提供的通用算力和成熟軟體支持。一旦模型定型且工作負載巨大，才考慮用 ASIC 接管。因此未來大多數創新領域（如新的研究模型）會先發生在 GPU 上，ASIC 則用於成熟業務的成本優化。兩者形成研發與部署的分工：GPU 探索，ASIC 收割。
Broadcom 模式的局限：Broadcom 雖然在客製 AI 晶片浪潮中扮演重要角色，但其業務高度依賴少數超大客戶，具有客戶集中度高的風險。此外，在軟體生態上，Broadcom／客製晶片遠不如 NVIDIA 豐富，需要仰賴客戶自行適配或使用開源框架。未來若 NVIDIA 開放部分技術或第三方軟體層出現支持，多元加速器共存的環境才能成熟。換言之，ASIC 的崛起也取決於產業是否建立起標準化接口（例如 OpenAI 模組、UCIe Chiplet 等）讓定制晶片融入主流架構。近期業界已組建所謂「ASIC 聯盟」，包括 AMD、Marvell 等晶片廠商共同制定開放加速器標準，以降低開發門檻。這些努力若成功，將進一步促進 ASIC 與 GPU 的協同共存。
多元玩家的機會：除了雲端巨頭自研，一些新創公司也在開發專用 AI 加速器（如 Cerebras、Graphcore、寒武紀等），主打特定性能優勢。如果他們找到利基市場，也會加入競爭行列。但長期看，能夠大規模量產並挑戰 NVIDIA 的還是那些擁有龐大數據中心需求和資本的公司。因此我們預期未來市場將呈現兩極：一極是 NVIDIA 提供的標準化解決方案覆蓋廣泛客群，另一極是少數巨頭用自研ASIC滿足內部超大規模需求，中間則是小部分其他加速器分享特殊應用市場。
總體而言，GPU 與 ASIC 在未來將形成此消彼長的動態平衡，而非你死我活。NVIDIA 繼續扮演「水電公司」角色，為絕大多數用戶提供通用算力；同時少數科技巨頭通過客製晶片建立「自備電廠」，服務自身特殊需求。兩種路線將長期共存並互相影響：NVIDIA 為維持競爭力，可能也會在產品中融入一些客製化思維（例如提供更模組化的設計供大客戶選配）；而採用 ASIC 的公司也會持續評估通用 GPU 的性價比，在靈活性與成本間動態取捨。
對投資人而言，這意味著 AI 晶片市場的版圖不再由單一公司壟斷，而是生態系統競爭。既要關注 NVIDIA 這樣的通用晶片巨頭的動態，也不能忽視 Broadcom 這類幕后功臣的崛起。許多分析師認為 NVIDIA 和 Broadcom 應被視作 互補而非替代 的關係——前者引領訓練等高性能市場，後者滲透超大規模推理和客製市場，兩者都有長期成長空間。
未來幾年，AI 對算力的饑渴只會有增無減，這場由需求拉動、供應鏈各環節共同參與的競賽將持續重塑半導體產業格局。我們需要動態地從終端應用增長（需求端）、算力供給鏈價值分配（供應端），以及主要玩家策略演變（競爭端）三方面去審視，才能在瞬息萬變的 AI 時代把握產業脈動，做出明智決策。
