Hyperscaler自研晶片降低Nvidia依賴？
生成式人工智能的競賽，表面上是模型之爭，背後其實也是算力成本與供應鏈控制權之爭。當Nvidia憑藉GPU、CUDA軟件生態及高速互連技術，掌握AI基建的重要話語權，Amazon、Google、Microsoft及Meta等Hyperscaler紛紛加快自研晶片步伐。市場自然追問：雲端巨頭是否正在削弱Nvidia的護城河，還是為自己的數據中心增加另一層昂貴而複雜的系統？
Google是最早投入專用AI加速器的雲端企業之一，其TPU已發展至第七代Ironwood。Google表示，Ironwood既可支援大型模型訓練及強化學習，也針對高流量推理而設，單顆晶片的訓練及推理效能較上一代Trillium提升逾四倍，並可把9,216顆晶片組成Superpod。更重要的是，TPU不只服務Gemini，也獲Anthropic等外部客戶採用，反映自研晶片正由內部成本工具轉向雲端商業產品。
Amazon的方向同樣清晰。Trainium系列與AWS雲端、網絡及機器學習服務深度整合，第三代Trainium3採用3納米製程，每套UltraServer最多配置144顆晶片。AWS宣稱，其運算效能及能源效率較Trainium2顯著提高，部分客戶使用Trainium可把訓練或推理成本降低最多約五成；然而，AWS仍同步提供Nvidia Blackwell系統，顯示自研晶片並非全面取代GPU，而是建立第二個算力來源。
真正競爭的是整套系統，而非單一晶片
Hyperscaler自研晶片首先解決的是經濟問題。雲端企業每年投入數以百億美元計的資本開支，若能把推薦、廣告排序、內容審核及大模型推理等高頻而相對固定的工作，轉移至成本較低、能耗較佳的專用晶片，即使每個運算單位只節省一小部分開支，放大至全球數據中心後也足以產生龐大效益。自研能力亦增加採購議價權，避免算力供應完全受制於單一廠商的產能、定價與產品周期。
Microsoft於2026年推出專門處理推理的Maia 200，採用3納米製程，配備216GB HBM3e，並以標準以太網絡建立大規模互連。公司稱其每美元效能較現有硬件提高約三成，計劃用於Microsoft 365 Copilot、Azure AI服務及OpenAI模型。這說明自研晶片的首要目標並非贏取跑分，而是降低每個生成token的成本；當AI應用由訓練走向每天數十億次推理，單位成本比峰值性能更直接影響毛利率。
但晶片多元化也會帶來新的代價。不同加速器擁有不同編譯器、運算核心、記憶體架構及網絡拓撲，同一模型要在GPU、TPU、Trainium或Maia之間遷移，往往需要重寫核心程式、重新調校精度及驗證模型輸出。硬件型號愈多，工作負載調度、備件管理、散熱設計與工程人才培訓便愈複雜，甚至可能出現某類晶片供不應求，另一類晶片卻因軟件未成熟而閒置的情況。Meta也公開承認，每年管理五至六種硬件規格會增加調度難度，並可能造成設備使用率不足。
因此，Nvidia真正的護城河不只是晶片性能，而是CUDA、開發工具、互連網絡和大量工程人才共同形成的完整生態。GPU具備較強通用性，特別適合架構仍在快速變化的前沿模型訓練；自研ASIC則更適合規模龐大、重複度高及需求可以預測的工作。若模型演進方向突然改變，過度專用的晶片可能在折舊期尚未結束前便失去效率優勢。
從投資角度看，Hyperscaler自研晶片不宜被理解為「Nvidia終結者」，而應視為算力市場由單一GPU主導，轉向異質運算的開始。未來較可能出現的格局，是Nvidia繼續掌握高端訓練及通用運算，自研晶片承接內部推理、推薦和特定模型，AMD及其他供應商則補充第二來源。雲端巨頭確實能降低對Nvidia的邊際依賴，但同時必須承擔更高的研發、軟件適配和數據中心管理成本。最後勝出的未必是擁有最快晶片的企業，而是能夠把晶片、模型、網絡、能源與軟件調度整合得最有效率的平台。
義合控股投資者關係部
（芯片與算力系列之95）
