AI 晶片市場正經歷版圖重組。Google 正積極將其自研張量處理單元（TPU）推向外部市場，傳出與 Meta 達成價值數十億美元的合作協議，標誌著 GPU 壟斷時代開始鬆動。這消息直接衝擊 Nvidia 股價，自 10 月底至 11 月 25 日，其市值從 5.03 萬億美元暴跌至 4.32 萬億美元，單月蒸發超過 7,100 億美元（約港幣 5.54 萬億元）。本文將深入分析這場算力革命如何重塑科技巨頭的競爭格局、技術路線之爭，以及企業未來的戰略選擇。
科技巨頭打破 GPU 依賴：多元化算力成新常態
多家外媒報導顯示，Meta 正考慮從 2027 年開始在其數據中心部署 Google 的 TPU v7（Ironwood）晶片，並可能最早於 2026 年通過 Google Cloud 租用 TPU 算力。這項潛在合作具有里程碑意義，這將是 Google TPU 首次進入自身生態系統以外的超大規模數據中心。對 Meta 而言，多元化算力供應具備巨大的經濟誘因。業內數據顯示，專用 ASIC 晶片在推理任務中，可實現比 GPU 高 4 倍的成本效益，當企業計劃部署數十萬顆 AI 晶片時，這種成本差異將轉化為數百億美元的節省空間。
領先 AI 公司 Anthropic 的採購模式進一步驗證這趨勢。該公司 11 月宣佈同時與 Nvidia 簽訂價值高達 1 GW（吉瓦）的 Blackwell 及 Vera Rubin 系統長期協議，並採購 Google 最新的 Ironwood TPU。這種「多路線並行」策略背後的邏輯清晰：避免供應鏈單點風險、降低議價劣勢，並保持技術靈活性。圖像生成平台 Midjourney 改用 TPU 後，推理成本削減 65%。
GPU 與 TPU 技術對決：通用性與專用效能之爭
Nvidia 行政總裁黃仁勳強調 GPU「領先一代」的全場景優勢，並指出 Nvidia 是唯一能運行所有 AI 模型並可在所有運算場景中部署的平台。這表態突顯 GPU 的核心競爭力——通用性與 CUDA 生態系統的鎖定效應。Nvidia 的 CUDA 平台經過十餘年積累，已成為 AI 開發者的業界標準。
雖然如此，TPU 在專用領域展現壓倒性優勢。Google TPU v7 在 AI 推理任務中能源消耗降低 60-65%，並在 MLPerf 基準測試的 9 個類別中贏得 8 項。TPU 採用的脈動陣列（Systolic Array）架構，能高效串流數據而無需頻繁讀取記憶體，大幅降低延遲與能源消耗。GPU 的優勢則在於可重編程性，當演算法更新或工作負載變化時，GPU 能快速適應，而 ASIC 則需重新設計。
投資機構花旗銀行預測，到 2028 年 AI 加速器市場規模將達 3,800 億美元（約港幣 2.96 萬億元），其中 GPU 將以 75% 市場佔有率主導市場，ASIC 佔比約 25%。推理成本在 AI 模型生命週期中是訓練成本的 15 倍，預計到 2030 年推理將消耗 75% 的 AI 算力資源，市場規模達 2,550 億美元（約港幣 1.99 萬億元）。這種從訓練主導到推理主導的轉變，正是 TPU 崛起的根本驅動力。
全球算力軍備競賽：雲端服務商與地緣政治驅動
除 Google 外，全球科技巨頭正掀起自研晶片浪潮。AWS 持續改良 Trainium 及 Inferentia 系列，並設立 1.1 億美元信用計劃支援學術界使用其晶片進行 AI 研究。中國市場呈現更激進的本土化路徑。Huawei 計劃 2026 年 Ascend 910C 晶片產量增倍至 60 萬顆，整個 Ascend 產品線產量將達 160 萬顆。這場算力競賽背後，是供應鏈安全與技術主權的考量。
雖然 Nvidia 在先進封裝產能分配上仍佔優勢，但投資者正重新評估 Nvidia 的增長是否已見頂。若 Google 僅搶佔 10% 的推理工作負載，將影響 Nvidia 每年 60 億美元（約港幣 468 億元）以上的潛在收益。Omdia 預測 AI 數據中心晶片市場將從 2024 年的 1,230 億美元（約港幣 9,594 億元）增至 2030 年的 2,860 億美元（約港幣 2.23 萬億元），但增速將從 2024 年的 250% 降至 2025 年的 67%。
企業戰略啟示：算力採購進入異構時代
這場算力革命為企業技術決策者帶來深刻啟示。首先，算力採購策略需從「單一供應商依賴」轉向「多架構組合」。企業應根據工作負載特性選擇晶片：訓練大模型、需要靈活性時選 GPU；推理、重複性任務則可考慮 TPU 以降低成本。其次，企業需關注總擁有成本（TCO）與能源效率。TPU 在推理場景中可節省 60-65% 電力消耗，對有 ESG 目標的企業尤其重要。
第三，評估軟件生態系統的遷移成本。CUDA 雖強大，但 PyTorch/XLA、JAX 等開源框架正降低遷移障礙。對中國企業而言，在地緣政治風險下，Huawei Ascend 等本土方案的戰略價值超越純粹效能考量。
展望未來，AI 晶片市場將從 GPU 壟斷走向「競爭性多元」。這不是 GPU 的終結，而是算力供應體系的成熟化。企業將根據成本、效能、靈活性的權衡，在 GPU、TPU、Trainium 等選項間靈活配置。對投資者而言，重點應從「誰會取代 Nvidia」轉向「誰能在異構生態中佔據關鍵節點」。這場算力革命的結局，很可能是共存而非零和遊戲。
資料來源:
CNBC
AI News Hub
Anthropic
AI Stack
Omdia
