close

IT 基建

IT 基建企業趨勢雲端服務

Uber 引入 AWS Trainium3 晶片 提昇無人駕駛與配對算力

by Pierce on IT 基建企業趨勢雲端服務 ai aws Trainium3 Uber 無人駕駛


Uber 引入 AWS Trainium3 晶片 提昇無人駕駛與配對算力

Uber 擴大與 AWS 的戰略合作，採用 AWS 自家研發的 Graviton4 處理器及 Trainium3 AI 訓練晶片。新硬件將用作處理全球每日數百萬次行程的即時配對運算，並試行利用龐大行程數據來訓練新一代 AI 模型。

雙方於 2026 年 4 月 7 日公布合作細節。Uber 是全球最大叫車及外賣平台，每月活躍用戶超過 2 億，累積行程紀錄超過 135 億次。系統需要在乘客點擊叫車到司機接單的幾百毫秒內完成運算，極度依賴龐大運算資源。這次升級即時基礎架構和擴展 AI 能力，將直接影響亞太區業務發展，包括計劃年底在香港推出的無人駕駛的士服務。

毫秒級的商業戰場

Uber 的核心業務講求高頻即時資源配對。乘客按下叫車鍵的一刻，後台系統必須在幾百毫秒內篩選司機、計算路線、估計到達時間並釐定價格。任何運算延遲都會直接流失用戶。

為應付龐大運算量，Uber 採用「行程服務區」（Trip Serving Zones）架構，按地理區域劃分全球即時配對工作，分佈到多個計算節點同時處理。今次擴充的重點，是將更多 Trip Serving Zones 轉移到 AWS Graviton4 伺服器運作。Graviton4 是 Amazon 採用 Arm 架構自家研發的第四代伺服器晶片，專為低延遲及高數據吞吐量的雲端工作而設。

Uber 工程副總裁 Kamran Zargahi 強調，對 Uber 的營運規模而言，一毫秒的差異也足以影響全局。AWS 北美區副總裁兼董事總經理 Rich Geraffo 表示，期望能協助 Uber 建立更強大的 AI 能力，處理每日數以億計用戶的叫車與物流需求。

為了追求極致反應速度，Uber 不斷在伺服器架構尋找效能與成本的最佳化方案。Graviton4 剛好取得平衡，比起傳統 x86 伺服器更省電，而且單位算力成本較低。對於 Uber 這類全球營運的平台，提升 1% 效率就等於每年節省數百萬美元（約數千萬港元）成本。

試用 Trainium3 降低 AI 訓練成本

除了升級即時基礎設施，Uber 亦開始試用 AWS Trainium3 晶片訓練部分 AI 模型。這些模型負責分析數十億次行程和外賣紀錄，以決定派單給哪位司機或外賣員、計算預計抵達時間，並向用戶推薦最合適的外賣選項。

Trainium3 採用台積電 3 納米製程生產。對比上一代 Trainium2，新晶片的基礎運算能力、能源效率及記憶體頻寬均提升近 4 倍。配備 Trainium3 的 Trn3 UltraServers 最多可容納 144 張晶片，提供高達 362 petaflops 的 FP8 總算力。AWS 首席晶片架構師 Ron Diamant 向《CNBC》透露，Trainium 的 ASIC 設計比起其他硬件供應商，性價比高出 30% 至 40%。最新版本的 Trainium3 更號稱能將雲端伺服器運行成本降低高達 50%。

Uber 累積了 135 億次歷史行程的龐大資料庫，每日新增的行程亦不斷為 AI 模型提供訓練數據。利用 Trainium3 處理這些封閉可控的訓練工作，毋須擔心如推理部署般面對複雜的 Nvidia CUDA 工具鏈相容性問題，採用其他品牌的晶片阻力較小，直接為 Uber 節省開支。AI 訓練場景順理成章成為 AWS 晶片策略的突破口。

不過目前 Trainium3 的部署仍處於試行階段，Uber 未有將所有 AI 訓練工作轉移至 AWS。早前有報告顯示，部分初創企業測試 Trainium2 時遇到效能不穩和存取受限等問題。考慮到 Uber 的營運規模對服務穩定性要求極高，先作小規模試行是控制風險的合理做法。

分散投資的多雲端策略

Uber 早於 2023 年已跟甲骨文雲端基礎設施（OCI）及 Google Cloud 簽署 7 年協議，放棄自建數據中心並轉用雙雲端架構。今次引入 AWS，反映 Uber 試圖避免被單一供應商綑綁。讓三大雲端服務商互相競爭，有助 Uber 增加議價籌碼，將不同的運算工作分配到性價比最高的平台。

在技術分工上，Uber 將對延遲極敏感的 Trip Serving Zones 轉移至 Graviton4，顯示他們認可 AWS 伺服器的性價比。至於試用 Trainium3，則是為測試 AWS AI 訓練的經濟效益，評估它能否與 OCI 及 Google Cloud 的現有 GPU 資源匹敵。

成功爭取 Uber 這個全球運算需求最嚴苛的即時處理平台成為客戶，對 AWS 而言具有強大的指標作用。這項合作讓 AWS 的自家研發晶片客戶名單，在 Anthropic、OpenAI 及 Apple 以外再添一員猛將。

配合年底香港無人駕駛的士計劃

這次後台架構升級亦直接關乎香港市場的發展。Uber 計劃於 2026 年底在香港推出無人駕駛的士服務，屆時香港將會與馬德里、休斯頓及蘇黎世同步啟動計劃，成為亞洲首個自動駕駛市場。Uber 早在今年 2 月已率先推出香港至澳門的跨境專車預約服務，固定車費已包橋隧費，進一步打通大灣區交通網絡。

管理無人駕駛車隊對 AI 模型的準確度要求極高。系統需要即時處理感應器數據、路況變化及乘客需求。AWS 的硬件升級及 Trainium3 試行計劃，正是為了應付未來更龐大的算力需求。市場調查機構 S&P Global 的汽車報告亦指出，香港已成為 Uber 2026 年亞洲自動駕駛戰略的核心。

這次 Trainium3 的試用結果，將會決定 Uber 未來會否將更多 AI 訓練工作由 Nvidia GPU 轉移至 Amazon 的自家晶片。對於每日使用 Uber 叫車和外賣服務的香港用戶來說，這場雲端晶片大戰的最終贏家是誰並不重要，最實際的影響，是我們的手機應用程式能否做到更快的司機配對、更準確的到達時間預測，以及更貼心的外賣推介。

 

資料來源：Amazon AWS官方新聞室 | The Next Web | TechCrunch | CNBC | S&P Global Automotive Insights

閱讀文章
IT 基建人工智能企業趨勢應用方案

DeepSeek V4 正式登場：成本僅 GPT 百分之一 企業 AI 市場大洗牌

by Pierce on IT 基建人工智能企業趨勢應用方案 ai Ascend Deepseek huawei V4


DeepSeek V4 正式登場：成本僅 GPT 百分之一 企業 AI 市場大洗牌

DeepSeek V4 於 2026 年 4 月正式推出。定價每百萬 token 僅 0.3 美元（約港幣 2.3 元），比 GPT 旗艦模型平逾 10 倍，亦較 Claude Opus 4.6 便宜約 16 倍。開源 AI 正式進入兆參數時代。這款中國研發的模型加入全新 Engram 條件記憶架構，支援 100 萬 token 超長上下文窗口。編寫程式碼與推理測試成績直逼頂尖閉源模型，各大企業技術主管都要重新考慮 AI 供應商。

兆參數架構 推理成本不升反跌

DeepSeek V4 採用混合專家（MoE）架構，總參數量約達 1 兆。每個 token 推理過程只激活約 32 億個參數，比上一代 V3 的 37 億參數更少。模型規模擴大約 50%，單次推理成本卻不升反跌。V4 採用 Top-16 路由機制，在數百個專家子網絡中每次激活 16 個，平衡運算效率與表達能力。

訓練成本亦是關鍵。上一代 V3 訓練成本約 600 萬美元（約港幣 4,680 萬元），對比 OpenAI 訓練 GPT-4 估計花費逾 1 億美元（約港幣 7.8 億元），差距極大。DeepSeek V4 輸入定價為每百萬 token 0.3 美元（約港幣 2.3 元），輸出定價為 0.5 美元（約港幣 3.9 元）。

AI 開支慳足九成 實測數據見真章

以每月處理 10 億 token 計算，DeepSeek V4 無快取費用約 300 美元（約港幣 2,340 元），啟用快取後更低至 30 美元（約港幣 234 元）。若使用 GPT 旗艦模型執行相同工作量，估計需 2,500 美元（約港幣 19,500 元）。Claude Opus 4.6 標準輸入定價計算則約需 5,000 美元（約港幣 39,000 元）。兩者成本相差 10 至 150 倍。

網上流傳「Claude Opus 4.6 每月 15,000 美元」的說法，其實是混淆了舊版 Claude Opus 4 定價。根據 wavespeed.ai 實測分析，V4 性能有明顯提升，SWE-Bench 分數由 V3 的 69% 升至 81%，但定價只比 V3.2 高約 15%。

基準測試逼近閉源模型 Engram 記憶架構發功

目前流出的 V4 預發布基準測試數據尚未經第三方核實。報告指 SWE-Bench Verified 軟件工程任務得分達 81%，HumanEval+ 程式碼生成約 90%，GPQA Diamond 研究生級科學推理約 88%。Claude Opus 4.6 在 SWE-Bench Verified 錄得 81.42%。兩者表現相近，但每百萬 token 成本相差 16 倍。

背後關鍵在於 Engram 條件記憶架構。官方文件顯示，新架構能在超過 100 萬 token 的超長上下文做到高效檢索。V4 特別適合處理超長文件、程式碼庫分析或跨對話記憶等企業應用。evolink.ai 分析指出，DeepSeek 早於 2026 年 2 月起，已將基礎設施上下文窗口由 128K 擴展至 100 萬 token，早為 V4 生產環境做準備。

採用華為晶片 需考量地緣政治風險

V4 背後的硬件策略涉及地緣政治因素。路透社於 2026 年 4 月 3 日引述 The Information 報道，V4 完全運行於華為最新設計的晶片。DeepSeek 為此直接與華為及中國晶片設計商寒武紀合作，重寫模型底層程式碼。Nvidia 並未獲得 V4 早期測試機會，打破業界慣例。

Alibaba、ByteDance 及 Tencent 等中國科技巨頭已為 V4 採購數十萬台華為最新 Ascend 950PR 晶片。需求激增推動晶片價格上漲約 20%。Reddit 上有開源情報報告指，V4 多次延期，部分原因是華為 Ascend 910B 硬件在早期訓練過程故障，才順延至 2026 年 4 月發布。企業考慮採用 V4 時，要同時評估供應鏈風險與資料合規要求。

開源策略吸引企業自設伺服器

DeepSeek 計劃以 Apache 2.0 授權開源發布 V4 權重。Apache 2.0 允許企業在自家伺服器自行部署，消除依賴 API 的風險。企業亦可按業務需求微調模型，解決資料主權疑慮。金融、醫療、法律等監管嚴格行業對此甚有需求。

隨着 V4 落地，企業技術主管要面對的問題，已由「開源夠不夠用」變成「閉源模型高昂收費是否合理」。根據 particula.tech 市場數據，DeepSeek 與 Qwen 目前合計佔全球 AI 市場約 15% 份額，對比一年前僅有 1%。

成本與風險的角力

DeepSeek V4 打破了市場定價慣例。當成本相差最高 150 倍，繼續盲目選用 GPT 或 Claude 似乎不再是理所當然。然而便宜背後有代價。V4 依賴華為晶片，加上基準測試數據仍未經獨立核實，實際應用表現仍有待觀察。各大企業要享受低成本開源模型帶來的好處，就要先搞清楚如何在法規與地緣政治風險中取得平衡。這不再是單純的技術測試，而是一場真金白銀的商業決策。

資料來源：nxcode.io · reuters

閱讀文章
IT 基建企業趨勢業界消息雲端服務

Oracle 宣佈裁員逾 2 萬人 盈利高峰期啟動史上最大規模裁員

by Pierce on IT 基建企業趨勢業界消息雲端服務 ai oracle Stargate 裁員 雲端服務


Oracle 宣佈裁員逾 2 萬人 盈利高峰期啟動史上最大規模裁員

2026 年 3 月 31 日清晨 6 時，Oracle 全球數萬名員工打開電郵，迎接不是新工作日開始，而是一行冰冷告別：「您的職位即日起取消，今日為最後工作日。」這是科技業於 2026 年迄今規模最大單一企業裁員事件，亦是 Oracle 創立 44 年來最龐大人事縮減。

裁員規模震驚業界並非因為 Oracle 陷入困境。恰恰相反這家公司正處於財務表現最亮眼時刻之一。上一財季淨利按年增加 95%，達 61.3 億美元（約港幣 478.14 億元），未認列合約承諾（RPO）更突破 5,000 億美元（約港幣 3.9 兆元）大關。這並非失敗企業求生之戰，而是押注 AI 基礎建設激進財務佈局。

利潤亮眼背後 現金早已告急

Oracle 強勁財報掩蓋不了資產負債表上日益逼仄財務空間。2026 年 3 月 Oracle 於向美國證券交易委員會（SEC）提交 10-Q 報告中，揭露一項高達 21 億美元（約港幣 163.8 億元）重組計畫。其中絕大多數預算將用於員工遣散費及相關開支，前三個財季已提撥 9.82 億美元（約港幣 76.6 億元），尚有約 11 億美元（約港幣 85.8 億元）待執行。

資金去向早於 2026 年 2 月已昭告天下。Oracle 宣布計畫透過債務與股權融資，於 2026 年全年籌集 450 億至 500 億美元（約港幣 3,510 億至 3,900 億元）。全數用於擴充 Oracle 雲端基礎建設（Oracle Cloud Infrastructure，簡稱 OCI）資料中心容量。客戶名單涵蓋 OpenAI、Meta、NVIDIA、xAI 與 AMD 等 AI 核心玩家。

投資銀行 TD Cowen 分析師 Derrick Wood 於 1 月研究報告直言，縮減 2 萬至 3 萬名員工可為 Oracle 每年釋出 80 億至 100 億美元（約港幣 624 億至 780 億元）自由現金流，為 AI 資本支出提供關鍵緩衝。市場對此仍然存疑。多家美國銀行已相繼提高對 Oracle 特定資料中心專案融資成本，部分機構甚至從某些專案撤出。銀行對 Oracle 能否如期兌現 AI 合約承諾抱持保留態度。

華爾街分歧：買進信號還是警示燈？

裁員消息傳出後，Oracle 股價當日一度反彈近 6% 但隨即回落，折射出市場矛盾心態。今年以來 Oracle 股價累計下跌約 25%，跌幅高居科技大型股之冠，遠超同期大市表現。

Barclays 分析師 Raimo Lenschow 於裁員消息確認後，仍維持 Oracle「增持（Overweight）」評級，但同步將目標股價從 310 美元（約港幣 2,418 元）下調至 230 美元（約港幣 1,794 元），降幅逾 25%。他於研究報告指出市場對這波裁員並不感到意外。重組計畫早有前兆，人事成本削減正是 Oracle 於大規模建設期間維持自由現金流核心操作。

TD Cowen 同樣維持「買進」評級，目標價定於 250 美元（約港幣 1,950 元）。該行預期 Oracle OCI 業務將於 2026 財年第三季以不變匯率計算達約 80% 同比增長，並可能於第四季趨近 100%。Bernstein 分析師則早於 2025 年指出，如此高速成長於這種規模極為罕見，隱含執行風險絕對不可低估。

Stargate：5,000 億美元 AI 賭局

裁員更大背景是 Oracle 深度嵌入美國 AI 基礎建設戰略。2025 年 1 月 Oracle 與 OpenAI 及 SoftBank 共同於白宮宣布成立「Stargate 計畫」，由美國總統川普親自站台。計畫目標於美國境內投資最高 5,000 億美元（約港幣 3.9 兆元）興建 AI 資料中心。Oracle 方面預測旗下 OCI 業務有望於 2026 財年成長 77% 達 180 億美元（約港幣 1,404 億元）規模，並於 2030 財年攀升至 1,440 億美元（約港幣 1.123 兆元）。

Stargate 計畫並非一帆風順。2026 年 3 月據 Reuters 報導，Oracle 與 OpenAI 已悄然擱置德克薩斯州旗艦 AI 資料中心擴建計畫。雙方於融資條件談判陷入僵局，加上 OpenAI 算力需求持續調整引致擴建暫緩。Oracle 隨後公開反駁並強調核心 4.5 吉瓦（GW）容量協議仍完全履行。Abilene 園區兩棟建築已正式投入營運，剩餘建設將按計畫推進。

TD Cowen 估算 Oracle 整體 AI 基礎建設投資承諾已達 1,560 億美元（約港幣 1.216 兆元）。以當前本業現金流遠不足以支撐龐大資本支出計畫，財務槓桿正處於高位。裁員、舉債與股權融資必須同步推進。人力成本是 Oracle 保持投資級債評前提下最直接可控支出變數。

科技裁員新典範：以人換算力

這場裁員揭示 2026 年科技行業愈發清晰營運邏輯：以削減傳統人力換取 AI 基礎建設資本。根據統計 2026 年初截至目前，科技業整體已有逾 45,000 人失業。當中包括 Meta、Atlassian、Amazon 及 Ericsson 等巨頭均於裁員行列。

Oracle 受影響員工分布於美國、印度、加拿大及墨西哥等地。範圍涵蓋 Oracle Health、Sales、Cloud、Customer Success 及 NetSuite 等多個業務單位。印度員工受衝擊尤為嚴重，估計約有 12,000 個職位受到波及，佔全球裁員人數近半。

對於傳統企業軟件及現場部署基礎建設（On-premises infrastructure）領域深耕從業者而言，這波裁員是一個明確訊號。AI 工程師、雲端架構師與資料中心技術人員需求正在激增。傳統維護與銷售職位萎縮同樣亦是長期趨勢。

未來走向：豪賭能否兌現？

Oracle 此次大刀闊斧裁員，本質上是一場以現有人力資源換取未來算力版圖財務置換。若 OCI 如期實現 77% 增長及 Stargate 計畫順利推進，裁員釋出現金流將成為 Oracle 躋身全球 AI 雲端前三重要支撐。一旦融資環境惡化及 AI 合約需求不如預期，高槓桿下財務壓力將形成巨大反噬。

 

資料來源：cnbc.com、reuters.com、investing.com、gurufocus.com、247wallst.com

閱讀文章
IT 基建人工智能企業趨勢低碳綠色

應對 AI 算力爆炸性用電需求 Microsoft 結盟 Chevron 發展天然氣發電

by Pierce on IT 基建人工智能企業趨勢低碳綠色 Chevron Microsoft 人工智能 數據中心 能源轉型


應對 AI 算力爆炸性用電需求 Microsoft 結盟 Chevron 發展天然氣發電

Microsoft、Chevron 及投資基金 Engine No.1 於 2026 年 3 月 31 日宣布簽訂排他性協議。協議探索發電與供電方案，支援 AI 數據中心電力需求。

協議針對美國德州西部一座預算 70 億美元（約 546 億港元）天然氣發電廠。發電廠初期產能達 2,500 兆瓦，主要為大型數據中心園區供電。Microsoft 尋求穩定電力，Chevron 提供天然氣技術，而 Engine No.1 負責投資。有媒體上週公布消息，目前尚未敲定商業細節。ChatGPT 等 AI 應用需求暴增，發電廠將背靠電表直接供電。本文剖析協議核心及產業背景脈絡，協助行政總裁掌握能源轉型商機。

協議鎖定巨型發電廠 滿足 AI 電力飢渴

Microsoft 加速數據中心建置，以應對 Copilot 等生成式 AI 爆炸性需求。他們迫切需要可靠電力來源。Chevron 與 Engine No.1 先前合作，計劃在美國數據中心旁興建天然氣發電廠。發電廠使用 GE Vernova 渦輪機，提供可擴充至 4GW 電力，等同供應 300 萬至 350 萬個美國家庭。是次排他協議聚焦德州西部巨型項目，預計 2027 年前啟用。初期 2,500MW 產能直供 Microsoft 園區以避免電網瓶頸。

Chevron 旗下初創企業將負責開發。此舉除了解決 Microsoft 電力短缺，也利用 Permian 盆地豐富天然氣資源。Bloomberg 報導指出，該廠成本高達 70 億美元（約 546 億港元），屬美國最大規模項目之一，強調規模與速度及可靠性。Microsoft 於香港與新加坡亞洲數據中心已成區域樞紐。是次協議強化全球供應鏈。有媒體透過電話訪問產業人士，確認這是科技巨頭應對 AI 耗能關鍵一步。雙方歷經數月談判及環境評估才達成協議。

專家看好天然氣橋接角色 預測投資回報優異

Chevron 電力解決方案副總裁兼能源專家 Droog 指出，客戶需求龐大，新數據中心規模達 50GW，用電量遠超中型城市。是次協議正加速許可與工程階段。他強調 Chevron 鎖定南部與中西部地點，提供 1GW 容量。設施預計 2027 年至 2028 年運作以解決電網滯後問題。數據顯示美國數據中心電力需求將從 2022 年 17GW 飆升至 2030 年 35GW，當中 AI 佔最大比例。

AI 訓練需要巨量算力，引致嚴重電力缺口。天然氣發電能快速部署，碳排放低於燃煤，成為可再生能源過渡橋樑。Bloomberg 新能源記者 Kevin Crowley 分析指出，Microsoft 鎖定長期客戶身份，有助融資建設，設施預期 2030 年前啟用。Chevron、Microsoft 及 GE Vernova 等企業密切合作，強化協議可信度。相較傳統電網，此模式降低延遲並提升 99.999% 可用性。

環境派轉為支持 平衡轉型與現實需求

前 Exxon 董事兼 Engine No.1 創辦人 Christian Hunt 曾領導 2021 年 Exxon 股東戰以推動低碳轉型。他現時轉為支持天然氣發展，認為這是美國再工業化關鍵投資。他預測結合碳捕捉技術後，排放量可減少一半。數據顯示類似項目效率達 60% 以上。McKinsey 報告指出，雖然 AI 能源效益進步，但 2025 年至 2026 年需求仍會增加 20% 至 40%，至 2032 年更達總電力 7% 至 20%。

AI 熱潮引致電網超載。Microsoft 等大型雲端服務供應商無法依賴不穩定可再生能源。天然氣提供過渡方案，預期 2026 年落實最終投資決定。Microsoft 產品創新經理 Yue Tu 回憶指出，2018 年公用事業低估電力需求，是次協議正好填補空白。雖然香港 Chevron 業務以 2.7 億美元（約 21.06 億港元）售予 Bangchak 並包含 31 個油站，但集團全球策略不變，繼續支援亞太區數據中心。

合作源於 AI 爆發 歷史對比突顯轉折

早在 2024 年底 Chevron 與 Engine No.1 聯手初創企業，瞄準數據中心天然氣解決方案。雙方 2025 年 1 月擴大與 GE Vernova 合作並鎖定 4GW 容量。Chevron 於 2025 年 3 月推進許可階段，並在 CERAWeek 會議透露多站計畫。直至 2026 年 3 月 Microsoft 加入，延續 2019 年與 Chevron 及 Schlumberger 雲端合作傳統。

Engine No.1 於 2021 年贏得 Exxon 董事席位推動能源轉型，至 2024 年合作發電，隨後 2025 年擴大 GW 規模，至今達成排他協議。歷史數據對比顯示，Microsoft 於 2026 年前 AI 運算容量受限，如今增加 80% 令電力需求增倍。香港 Chevron 轉手 Bangchak 後聚焦鑽石山 Caltex 等電動車充電站，反映能源物流轉型。相較 2022 年 17GW，2030 年 35GW 增長超過一倍，突顯天然氣不可或缺。

企業轉型加速 天然氣時代何去何從

是次協議協助 Microsoft 確保 AI 領導地位。Chevron 從銷售燃料轉型售電，而 Engine No.1 將獲高回報。預測 2027 年後擴充 5GW 容量，勢必影響全球數據中心模式。未來趨勢預期混合能源盛行，碳捕捉技術日益普及，香港或會跟進亞太區相關需求。

資料來源：The Hindu BusinessLine、Bloomberg、Engine No.1、INSIDE、Reuters

閱讀文章
IT 基建人工智能業界消息

中國 AI 晶片技術落後國際 5 到 10 年？拆解設備與人才結構性危機及企業突圍策略

by Pierce on IT 基建人工智能業界消息 ai samsung tsmc 半導體 數據中心


中國 AI 晶片技術落後國際 5 到 10 年？拆解設備與人才結構性危機及企業突圍策略

中國半導體高層出席 SEMICON China 2026 論壇時罕有承認，中國 AI 數據中心晶片與汽車半導體技術整體仍落後國際先進水平約 5 到 10 年。AI 投資熱潮與設備限制正加劇產能及高階人才短缺壓力。

「落後 5 到 10 年」真實含義

重慶芯聯微電子資深副總裁李海明參與 SEMICON China 2026 產業論壇時指出，中國消費性晶片與 28 nm 以上成熟節點已具備相當競爭力。然而車用與 AI 數據中心晶片等高階應用技術水平相對國際領先者落後約 5 到 10 年。此說法並非單指算力或晶片面積，而是涵蓋製程節點與良率及設備水平與設計工具及先進封裝整體技術曲線。特別是 7 nm 及更先進節點量產效率與成本差距最為明顯。

多份國際分析報告指出，中國過去十多年投入數千億美元（約港幣數兆元）佈局晶片自主。美國實施出口管制令中國無法取得 ASML 最新 EUV 與部分先進浸潤式 DUV 設備，引致 SMIC 及華虹等大廠 7 nm 以下節點量產步伐與良率明顯落後 TSMC 及 Samsung 等先進產能。落後 5 到 10 年實際上是估算先進製程與封裝商業化時程差距，意味中國 AI 數據中心與高效能晶片升級步伐未來一段時間將持續受制於設備與製程能效。

設備與被動元件：AI 晶片隱性瓶頸

擴張產能不能直接彌平技術落差，尤其 AI 數據中心晶片建置過程中設備與被動元件成為關鍵制約。ACM Research 行政總裁 David Wang 於論壇指出，AI 浪潮推動晶片性能提升。下一代效能突破將高度依賴更精準沉積與蝕刻及量測等新一代製造設備。中國開發及導入這些工具仍處於相對落後階段。

就光刻設備層面而言，荷蘭與美國加強管制出口 EUV 及部分先進 DUV 設備至中國。這令中國 7 nm 及更先進節點量產必須依賴多層圖形化與高複雜度製程。這做法除了推高生產成本，也拖慢提升良率速度。ITIF 與 TrendForce 等多份報告均指出中國先進邏輯與先進封裝整體進度落後國際領先者約 5 到 10 年。這正是論壇高層提出技術差距真實背景。

同時 AI 數據中心擴張大幅拉高 MLCC 與高頻互連及電源管理 IC 等被動元件需求，引致全球供應鏈出現局部吃緊。Sino IC Leasing 執行副總裁袁以沛指出，建設數據中心步伐加速令 MLCC 等被動元件供應緊張，顯示 AI 伺服器背後小零件同樣成為瓶頸。企業即使成功突破晶片設計框架，若設備與被動元件無法同步升級，AI 數據中心擴張仍會受制於產能爬坡速度與功耗控制。

人才缺口 20 萬：高階半導體戰場結構性壓力

技術與設備限制以外，高階人才短缺是另一道更難突破無形牆。中國半導體產業協會聯同 SunTZU Recruit 發表《2026 年中國半導體人才發展報告》指出，2026 年中國半導體產業人才缺口高達 20 萬人。當中高階技術人才缺口超過 8 萬，主要集中 5 nm 以下製程與先進封裝及高頻互連等領域。協會秘書長陳南翔明確指出，每年約 10 萬名相關學系畢業生當中只有約 3 成能直接勝任企業職位。多數畢業生需接受 1 到 2 年企業再培訓，引致市場出現嚴重供需錯配。

外資大廠擴充中國產能加劇人才爭奪戰。Samsung 西安記憶體廠及 TSMC 南京二期擴建等專案各自新增數千職位，當中高階技術職位比例佔約 4 成。這情況直接推高上海與南京及西安等地先進製程與封裝領域人才薪酬與挖角競爭。本土企業除了在高階設計與設備維護及良率工程師職位陷入搶人困局，也令技術落後 5 到 10 年這說法增添人力結構註解。即使龐大資金與先進設備逐步到位，願意留在中國長期深耕高階半導體工程師仍然供不應求。

地緣政治與市場競爭：企業雙軌策略

設備與人才限制加上地緣政治與國際供應鏈變化，進一步加劇中國半導體與 AI 晶片企業經營壓力。美國管制先進 AI 晶片與高階設備出口，令中國難以直接取得最新 GPU 與 EUV 系統。這情況迫使本土企業加速自主研發替代方案。華為昇騰與寒武紀等 AI 晶片品牌試圖於安防與邊緣計算及雲端推理等垂直應用領域尋找市場。然而投行與多間研究機構指出，中國 AI 模型與應用層面差距已縮小至約 3 個月。先進晶片與算力基礎設施則仍落後美國數年。中國 AI 企業訓練大規模模型時常需依賴舊世代或非原廠改裝晶片，間接嚴重拖慢整體研發節奏。

企業面對各方重重壓力，國際市場策略逐步轉向兩條路線：

向內加深：國內激烈競爭與嚴格設備限制迫使企業強調成熟節點與差異化應用。企業致力於 AIoT 與車用感測器及電源管理 IC 等領域建立成本優勢與規模經濟。企業同時利用 AI 最佳化自家晶圓廠良率與排程，期望能在有限資源中大幅提升產能效益。

向外探路：論壇多位高層代表強調只要提供具價值產品與解決方案，即使地緣政治限制持續仍有機會爭取海外客戶。部分企業已於歐洲地區設立研發中心並調整產品路線圖。他們透過非敏感技術與封裝服務建立國際客戶信任。

企業影響與未來趨勢

企業管理層承認落後 5 到 10 年是重新定價投資策略起點，這情況並非單純危機宣告。設備投資與產能規劃：企業傾向深耕既有節點能力與整體能效比，管理層不再盲目追求最尖端製程。企業同時加快導入 AI 處理良率預測及設備預測性維護等程序，期望藉此有效提高單位產能效益。

人才與組織調整：面對嚴重高階人才缺口，企業更注重員工長期薪酬與內部培訓及校企合作。這做法有助縮短畢業生晉升為可貢獻工程師所需時間，並於關鍵核心技術領域建立穩固團隊。市場與技術定位：實施設備管制前提下，企業可能聚焦成熟節點與工業及車用與 AIoT 等垂直應用。AI 晶片設計強調總體擁有成本與系統能效比，團隊摒棄單純追求峰值算力以建立可持續競爭優勢。

積極展望未來發展方向，若中國成功於先進設備與高階人才培育取得關鍵突破，未來 5 到 10 年內 AI 數據中心晶片與先進製程技術差距有望逐步縮小。這段關鍵期間企業仍需在受限技術前提下，重新定義整體投資優先順序與企業風險管理。企業面臨真正核心問題是設備與人才限制已成常態，管理層如何將落後 5 到 10 年現狀轉化為具體年度技術路線圖與國際市場策略。

資料來源：technews.tw tomshardware.com suntzurecruit.com scmp.com

閱讀文章
IT 基建最新產品業界消息

Samsung 落實 1 納米晶片量產路線圖 叉狀片技術挑戰 TSMC 霸主地位

by Pierce on IT 基建最新產品業界消息 1納米 IT 基建 samsung tsmc 晶片


Samsung 落實 1 納米晶片量產路線圖 叉狀片技術挑戰 TSMC 霸主地位

Samsung 晶圓代工部門正式確立 1 納米製程路線圖，計劃於 2030 年完成研發並於 2031 年啟動量產，將採用「叉狀片（Forksheet）」全新電晶體結構突破物理極限。這是 Samsung 自 2019 年宣示 2030 年成為系統半導體第一願景以來，技術藍圖最具里程碑意義的一頁，更是與全球晶圓代工霸主 TSMC 在次世代半導體市場正面對決核心武器。

夢想製程正式落實：1 納米路線圖出爐

韓國經濟日報獨家報道指出，Samsung 晶圓代工部門已制定明確量產計畫，預計 2030 年完成 1 納米製程研發，緊接於 2031 年正式量產。這款被業界稱為夢想半導體製程的 1 納米晶片，元件寬度約等同 5 顆原子排列寬度，技術難度呈指數級跳躍。

與 Samsung 現行最先進 2 納米技術相比，1 納米晶片元件寬度縮減一半，代表晶片在同等面積下能容納更多運算單元，大幅提升效能密度。Samsung 選擇在競爭白熱化當下主動公開 1 納米時間表，業界分析人士解讀為向 TSMC 宣示同台競技資格戰略表態。值得關注是 TSMC 同樣規劃於 2030 年後在 1 納米製程導入叉狀片技術，意味雙方將在同一時間內展開技術正面交鋒。

叉狀片技術：超越 GAA 下一道門檻

若說環繞閘極（GAA）技術是 Samsung 從 3 納米走向 2 納米革命性突破，叉狀片（Forksheet）技術則是通往 1 納米必經之路。GAA 技術將電流流動路徑從傳統 3 個面增至 4 個面以最大化電力效率；叉狀片技術則是 GAA 進階演化版，核心概念是將 GAA 元件之間距離壓縮至物理極限。

具體而言，叉狀片結構創新之處在於相鄰 GAA 元件之間建立一道不導電絕緣牆。這道隔離牆讓工程師能在不增加晶片面積前提下大幅提升電晶體密度，從而在相同空間內配置更多運算元件，最終實現效能與空間利用率雙重飛躍。根據 Samsung 近期申請專利資料顯示，高效能叉狀片電晶體在相同佔地面積下，驅動電流可比現有叉狀片節點提升約 31%，面積縮放效益亦達約 17%，顯示 Samsung 在叉狀片技術已有相當研究積累。

龍頭差距仍達 10 倍 2 納米良率逆轉成關鍵

Samsung 宣示 1 納米遠景同時，現實市場差距依然觸目驚心。市場研究機構 TrendForce 最新數據顯示，TSMC 在 2025 年全球晶圓代工市場佔有率高達 69.9%，而 Samsung 僅佔 7.2%。雙方市場佔有率差距已從 2024 年 55 個百分點，進一步擴大至 62.7 個百分點。以年營收計算，Samsung 晶圓代工部門規模與 TSMC 之間仍存在約 10 倍巨大差距。

然而局勢在 2026 年出現令市場振奮轉折訊號。韓國經濟日報報道指出，Samsung 2 納米製程最高良率已突破 60% 大關，相較 2025 年下半年僅約 20% 良率，短短兩個季度內實現逾 3 倍飛躍式增長。相比之下 TSMC 同製程良率目前約為 60% 至 70%，Samsung 正快速收窄差距。知名 Apple 分析師郭明錤指出，Tesla 預計於 2027 年量產 AI6 晶片，正是採用 Samsung 2 納米 SF2 製程，足見主要科技客戶對 Samsung 製程能力信心正在回升。

7 年追趕史：從 EUV 先行者到 GAA 開路者

Samsung 在先進製程領域追趕腳步，可從過去 7 年技術里程碑清楚看出其戰略意圖。Samsung 於 2019 年率先全球導入 7 納米極紫外光（EUV）微影製程成為業界先行者；2022 年 Samsung 再度搶先，成為全球首家在 3 納米製程導入 GAA 元件技術晶圓代工廠，領先 TSMC 布局次世代電晶體架構。

雖然技術領先並不必然轉化為商業勝利。Samsung 3 納米製程雖則率先引入 GAA，但因良率問題引致大客戶流失，市場佔有率反而持續下滑。業界人士分析指出，短期營收和生產規模超越 TSMC 仍不現實，但在技術創新競爭層面，Samsung 始終保持激烈角力態勢。Samsung 今次明確設定 1 納米路線圖，象徵意義在於展示技術實力對等，而非單純量產爭奪。同時亦同步加速 2 納米特製製程布局，包括專為 Tesla AI6 晶片設計的「SF2T」製程（計劃 2027 年起於美國德州泰勒市廠房投產）、預計 2026 年啟用的「SF2P」製程，以及 2027 年投入的「SF2P+」製程。

2026 年轉虧為盈：1 納米夢想現實支柱

對於 Samsung 晶圓代工部門而言，宏觀 1 納米願景需要扎實短期財務支撐。在 2 納米良率突破 60% 利好消息帶動下，市場對 Samsung 晶圓代工部門在 2026 年實現轉虧為盈寄予厚望。目前該部門正為 Canaan Technology、MicroBT 等加密貨幣礦機晶片客戶，以及自家系統 LSI 事業部 Exynos 2600 應用處理器提供穩定量產服務，其中 Exynos 2600 良率也已超過 50%。

隨著 2 納米製程生產效率持續提升，Samsung 晶圓代工商業吸引力正逐步恢復。1 納米遠期路線圖對潛在高階客戶而言是強而有力技術背書，有助 Samsung 在與 TSMC 客戶爭奪戰中建立差異化競爭優勢。5 年後當 1 納米晶片量產競賽正式揭幕，Samsung 能否憑藉叉狀片技術實現真正技術對等，乃至首次在先進製程時間表上與 TSMC 並駕齊驅？此問題答案將決定全球半導體版圖能否迎來一場歷史性重新洗牌。

資料來源：世界日報、SamMobile、WccfTech、朝鮮日報英文版、TrendForce/Design Reuse

閱讀文章
IT 基建企業趨勢應用方案

破解東京 AI 算力樽頸：東急電鐵首創高架橋下模組化數據中心

by Pierce on IT 基建企業趨勢應用方案 ai 數據中心 日本 東急電鐵 邊緣運算


破解東京 AI 算力樽頸：東急電鐵首創高架橋下模組化數據中心

東急電鐵聯合三家集團企業宣布將於 2026 年 6 月在大井町線高架橋下部署模組化數據中心，正式啟動全球首個鐵路高架下城市型數據中心實證實驗，以驗證伺服器設施在列車振動與溫度劇變環境下的可行性。

這項由東急株式會社、東急電鐵、東急建設及 Its Communications 四方聯合推進的計劃被業界視為破解東京土地短缺與電力瓶頸的創新路徑，亦是日本數碼基礎設施建設從「中心化」轉向「分散式」的重要里程碑。

列車之下伺服器能否存活？

這場實驗技術核心落在一個看似不起眼的問題上：當每日數十列東急電車從頭頂呼嘯而過，底下的伺服器機櫃能否正常運行？東急集團選定大井町線高架下方安裝一套容器規格的模組化小型數據中心，將伺服器、冷卻系統與電源裝置一體封裝，無需建造獨立建築即可落實部署。

根據 PR Times 公告，實驗團隊將重點評估四項指標：機殼隔音性能、隔熱效果、防震能力及散熱效率。當中防震測試尤為關鍵，電車行駛時產生機械振動屬寬頻段衝擊，與地震或建築施工不同，其頻率具規律性，但累積效應對硬碟讀寫頭、PCB 焊點及機架結構均構成長期威脅。科技媒體 Tom’s Hardware 技術編輯 Luke James 在報導指出，模組化封裝設計令設施可在複雜城市微環境中快速複製部署，正是傳統磚瓦建築數據中心無法實現的靈活性。

Its Communications 早已沿東急沿線鋪設大容量光纖骨幹網絡，高架下數據中心無需額外挖溝引纜即可直接連接既有基礎設施，大幅降低網絡連接成本與施工週期。若這次實驗成功，東急集團計劃將此模式推廣至澀谷等核心沿線站點，逐步建構沿鐵路廊道分佈邊緣運算節點網絡。

東京數據中心「260 億美元矛盾」

這次實驗更深層背景是東京數據中心市場陷入「需求爆炸、供給受困」結構性矛盾。AWS 承諾投入 152.4 億美元（約港幣 1,188.72 億元）、Oracle 投入 80 億美元（約港幣 624 億元）、Microsoft 投入 29 億美元（約港幣 226.2 億元），三大美國超大規模業者合計逾 260 億美元（約港幣 2,028 億元）資本已鎖定日本 AI 基礎設施。然而在東京市中心，新設施等待電網連接時間卻長達 5 至 10 年。

NTT 全球數據中心執行副總裁兼日本及亞太區董事總經理鈴木康雄（Yasuo Suzuki）在 2025 年 9 月接受 Data Center Knowledge 採訪時直言：「在東京最密集區域，光是等待電力連接就可能需要 5 到 10 年。」這句話精準揭示日本數碼基礎設施核心矛盾：資金充裕但土地與電力雙雙告急。

根據 Mordor Intelligence 數據，東京土地價格在 2024 年飆升 69%，全市目前擁有 132 座營運中數據中心及至少 18 座在建場地。日本數據中心市場規模預計從 2025 年 127.6 億美元（約港幣 995.28 億元）增至 2031 年 389.1 億美元（約港幣 3,034.98 億元），複合年增長率高達 20.42%。當中 AI 最佳化型數據中心增速最快，預測期間複合增長率達 26.14%，遠超整體市場速度。面對這壓力，分散式邊緣部署模型正如東急這次實驗探索方向，成為釋放城市閒置空間突圍選項。

電力供應之困催生分散式革命

日本電力危機並非短期波動而是結構性難題。根據 Wood Mackenzie 分析，日本數據中心電力消耗將從 2024 年 19 TWh 急增至 2034 年 57 至 66 TWh，屆時數據中心將驅動日本整體電力需求增長 60%。為此東京電力（TEPCO）及大阪地區電力公司計劃自 2026 年起投入逾 1,500 億日圓（約港幣 75 億元），用於升級大阪 4 座變電站及擴建東京 66 千伏電網。

在這背景下，高架橋下模組化數據中心具備一項隱性優勢：可直接接駁鐵路沿線既有電力供應線路，繞開排隊多年的電網連接申請程序。同時亦因日本政府計劃於 2026 年 4 月實施新版數據中心能效規範，要求 PUE（電力使用效率）不得超過 1.4，進一步促使業界採納高效冷卻與分散式部署方案。

同時日本政府已規劃在富山縣南礪市建設 3.1 吉瓦容量的超大型數據中心集群，列為亞洲規模最大單一選址開發項目，以緩解東京集中式部署壓力。日本經濟產業省與總務省均明確表態，對數據中心產業發展給予全力支援。

城市空間再造：高架橋第二次生命

回顧日本都市空間利用歷史脈絡，高架橋下商業化早有先例。自 1960 年代起，東京各線高架橋下陸續出現餐廳、便利店及健身房等商業設施，形成獨特「高架下經濟帶」。東急這次將這邏輯延伸至數碼基礎設施領域，本質上是對城市存量空間作高密度再利用。

從技術演進時間軸來看，模組化數據中心概念在 2015 年前後隨邊緣運算興起而普及，最初應用於工廠及港口等工業場景。2020 年後隨 5G 部署加速，超低延遲需求推動邊緣節點向更貼近終端用戶位置滲透。東急這次實驗代表這趨勢向極致城市密集環境延伸嘗試，其技術可行性一旦獲驗證，將為全球大城市鐵路網絡提供可複製數碼基礎設施「插件」方案。

值得關注的是，目前東京至大阪傳統數據中心走廊集中日本約 85% 算力資源。分散式鐵路沿線節點建立有助緩解這高度集中所帶來的單點故障風險，為生成式 AI、IoT 及 5G 低延遲服務提供更具韌性的基礎設施底座。

挑戰城市算力邊界下一步

東急集團高架橋下數據中心實驗，折射出更宏觀命題：在土地稀缺及電力緊張的超大城市，算力基礎設施邊界究竟在哪裡？若 2026 年 6 月啟動實驗順利驗證防震、隔熱、散熱等關鍵指標，東急有望在澀谷等核心地帶複製推廣，催生以鐵路網絡為骨幹的新型分散式數碼城市架構，從而提升沿線區域附加值。

這模式對香港及新加坡等高密度亞洲城市同樣具借鑑意義，當傳統數據中心選址空間日益逼仄，鐵路基礎設施「第二層價值」或將成為新一輪 AI 算力競賽隱藏籌碼。隨著 AI 與 IoT 應用對低延遲算力需求持續攀升，未來數據中心或許就藏在你每天乘坐的列車之下。

 

資料來源：DoNews、Tom’s Hardware、Introl Blog、Yahoo Finance

閱讀文章
IT 基建人工智能企業趨勢

防 AI 晶片走私中國 美國擬立法強制 Nvidia 等巨頭監管硬件去向

by Pierce on IT 基建人工智能企業趨勢 ai NVIDIA 出口管制 半導體 晶片安全法


防 AI 晶片走私中國 美國擬立法強制 Nvidia 等巨頭監管硬件去向

美國眾議院外交事務委員會於 2026 年 3 月 26 日正式通過《晶片安全法》（Chip Security Act，H.R. 3447）。法案要求在受出口管制先進 AI 晶片中強制嵌入位置核查機制，期望能全面封堵晶片走私至中國等敵對國家漏洞。此舉標誌美國對半導體出口管控施壓，從貿易限制層面升級至硬件技術監控層面。這對 Nvidia 及 AMD 等晶片巨頭全球銷售策略影響深遠。

DeepSeek 引爆立法導火線

中國 AI 新星 DeepSeek 引發震盪，成為《晶片安全法》直接導火線。美國眾議院中國問題特別委員會調查指出，DeepSeek 疑似使用受限制出口 Nvidia 先進晶片開發 AI 模型。這令華盛頓朝野兩黨強烈不滿。特別委員會主席 John Moolenaar（共和黨密歇根州代表）明確警告，中國正積極非法走私美國晶片。現行出口管制存在執法盲點，難以追蹤晶片實際流向。

3 月 25 日法案過關同一天，美國司法部宣布起訴一名中國公民及兩名美國公民。司法部指控三人密謀透過泰國，向中國走私受管制先進 AI 晶片。這證明立法具迫切性。Moolenaar 在委員會通過法案後表示，這項立法將落實位置核查機制以剝奪對手算力優勢，全力推進總統特朗普 AI 行動計畫。司法部起訴案在時機上與立法進程高度吻合，充分說明現有管控框架漏洞，已到了必須以技術手段封堵時刻。

法案三大核心機制拆解

根據《晶片安全法》，商務部必須主導建立晶片安全機制。核心要求涵蓋三項。第一，強制在受管制先進 AI 晶片中嵌入位置核查功能，防止晶片轉運至未授權地區。第二，要求晶片製造商強制上報任何已知晶片非法轉移資訊。第三，責成商務部研究額外防護措施，全面阻止美國晶片遭竊用或落入敵對勢力手中。眾議院外交事務委員會主席 Brian Mast（共和黨佛羅里達州代表）力推法案通過。他亦於今年 1 月 22 日推動通過《AI OVERWATCH 法案》，試圖賦予國會對 AI 晶片出口許可否決權。

業界對此強烈反彈。半導體行業協會（SIA）公開反對《晶片安全法》。協會警告強制要求未經測試且技術上可能不可行內建機制，這種一刀切規定將損害全球對美國科技信任，並帶來高昂成本負擔。SIA 立場代表 Nvidia、Qualcomm 及 Intel 等頭部廠商共同憂慮。位置追蹤系統設計、部署與維護牽涉鉅額研發投入。這也可能在地緣政治敏感市場，引發採購方私隱疑慮，令美國晶片競爭優勢受損。

Nvidia H200 出口：一扇窗剛開，另一扇門將關

《晶片安全法》通過，令 Nvidia 對華 H200 晶片銷售前景蒙上陰影。特朗普政府於 2026 年 1 月 13 日宣布，將 H200 晶片對華出口許可審查方式，從推定拒絕調整為逐案審查，期望能為中國科技企業打開一扇窗。國家安全審查程序至今仍在進行，已引致訂單延誤。中國企業開始另謀算路，尋求替代算力方案。

執法力度加強同樣令市場警惕。商務部出口管制局（BIS）於 2026 年 2 月 12 日，對美國半導體設備巨頭 Applied Materials 開出 2.52 億美元（約港幣 19.65 億元）天價罰款。原因為非法向中國出口離子注入設備。這成為 BIS 歷史上第二大罰款紀錄，突顯執法力度正顯著加強。一旦《晶片安全法》正式成法，H200 能否順利出貨中國，將取決於中方能否滿足新增位置核查技術規格。這無疑為本已複雜中美晶片談判，增加談判籌碼。

從禁令到追蹤：管控邏輯根本升級

從宏觀歷史脈絡觀察，美國持續加強半導體出口管控。拜登政府於 2022 年頒布出口禁令，針對 16 納米以下先進晶片。2023 年《晶片法案》落實並設立國家安全護欄。參議員 Tom Cotton 於 2025 年提出參議院版本《晶片安全法》（S. 1705），要求同等位置核查機制。BIS 於 2026 年 1 月更新先進運算商品許可審查政策。同年 3 月《晶片安全法》於眾議院委員會過關。這些舉動將管控邏輯從限制出口，提升至追蹤晶片去向全新層面。

東亞論壇分析指出，美國正以靜默執法取代高調升級方式，持續推進對華晶片管控。預計未來重心在於執法精準度，而非一味擴大禁令範圍。對香港及亞太地區而言，位置核查機制一旦強制落實，任何中轉亞太晶片均難逃追蹤。以轉口方式規避管制灰色空間將大幅壓縮，供應鏈合規成本亦隨之上升。

全球算力版圖重塑時刻

《晶片安全法》目前仍需經過眾議院全院表決及參議院通過，方可送交總統簽署成法。短期內 SIA 等業界力量遊說博弈，將決定法案最終版本會否軟化。長遠觀察，若位置追蹤成為先進 AI 晶片出口強制前提，全球算力供應鏈將面臨根本性重構。中國科技業者如何在算力需求持續膨脹背景下重新佈局，將是未來一年最值得觀察產業命題。

 

資料來源：chinaselectcommittee.house.gov｜wttlonline.com｜eastasiaforum.org｜reuters.com｜dig.watch

閱讀文章
IT 基建人工智能企業趨勢

1 兆美元商機開跑：解析 NVIDIA 供貨 AWS 百萬顆 GPU 戰略佈局

by Pierce on IT 基建人工智能企業趨勢 aws GPU NVIDIA 人工智能 雲端運算


1 兆美元商機開跑：解析 NVIDIA 供貨 AWS 百萬顆 GPU 戰略佈局

NVIDIA 與亞馬遜雲端服務 AWS 本週宣布達成雲端運算史上規模最大晶片採購協議。根據協議 AWS 將於 2027 年底前向 NVIDIA 購入超過 100 萬顆 GPU 及配套產品。這項多年期合作計劃自 2026 年起開始出貨，正好呼應行政總裁黃仁勳提出 1 兆美元（約港幣 7.8 兆元）AI 晶片商機藍圖。

百萬顆晶片真實面貌

這項協議引人矚目之處在於涵蓋範圍極廣，遠超單純 GPU 數量。NVIDIA 超大規模與高效能運算部門副總裁 Ian Buck 向 Reuters 透露，合約涵蓋超過 100 萬顆 GPU，同時包含 NVIDIA Spectrum 網絡晶片、ConnectX 與 Spectrum-X 網絡裝置。NVIDIA 亦斥資約 170 億美元（約港幣 1,326 億元）取得 AI 推論初創公司 Groq 晶片授權。

AWS 官方公告確認部署 GPU 將涵蓋 Blackwell 與 Rubin 兩大架構。AWS 同時成為全球主要雲端供應商中率先支援 NVIDIA RTX PRO 4500 Blackwell Server Edition GPU 業者。

AWS 同時整合 NVIDIA NIXL 互連加速技術，最佳化大型語言模型 LLM 分散式推論效能，並與亞馬遜彈性網絡介面 EFA 協同運作。深度技術融合顯示這項合作絕非單次採購，而是兩家企業於 AI 基礎設施層面全面協作。

推論戰場七晶片策略

Ian Buck 直言推論任務極具挑戰，要在推論領域達到頂尖水準無法單靠一款晶片，他們實際部署全部 7 款晶片。這番話點出合作技術核心，AWS 將 Groq 晶片與 6 款 NVIDIA 晶片混合部署，專門最佳化 AI 推論工作負載。AI 推論 Inference 指 AI 系統為使用者生成答案及執行任務過程。大規模商用場景中，此過程對延遲與成本極為敏感。

NVIDIA 於 GTC 2026 發表 Groq 3 LPX 語言處理單元推論加速器。該晶片由三星 4 納米製程生產，與 Vera Rubin NVL72 GPU 協同運作，專門處理解碼 decode 階段中對延遲最敏感部分。根據 NVIDIA 官方資料，Vera Rubin 搭配 LPX 組合可實現每兆瓦高達 35 倍推論吞吐量提升，並為兆參數模型帶來最多 10 倍營收增長。

市場研究機構 SiliconAngle 分析師指出這舉動堪稱「NVIDIA Groq 時刻」，猶如當年收購 Mellanox 網絡晶片。NVIDIA 藉由 Groq 技術將低延遲推論路徑整合至自身平台，延長現有裝置使用週期，同時強化 CUDA「一次撰寫，到處運行」生態優勢。行政總裁黃仁勳預估約 25% GPU 工作負載將與 Groq 晶片搭配部署。Groq 技術導入後有望每吉瓦 gigawatt 創造 3,000 億美元（約港幣 2 兆 3,400 億元）年收入。

兆元商機與雲端軍備競賽

協議規模直接呼應黃仁勳於 GTC 2026 主題演講宏觀預測。黃仁勳明確表示 NVIDIA Rubin 與 Blackwell 系列晶片至 2027 年潛在商機將達到至少 1 兆美元（約港幣 7.8 兆元），較前一年預測 5,000 億美元（約港幣 3 兆 9,000 億元）大幅增倍。市場分析機構 aInvest 指出全球雲端 AI 基礎設施支出預計 2028 年突破 3 兆美元（約港幣 23.4 兆元）。AWS 與 NVIDIA 這筆協議正是搶佔市場佔有率關鍵佈局。

從競爭格局觀察，AWS 此舉明顯針對 Microsoft Azure 與 Google Cloud 展開戰略反制。Microsoft 已將 NVIDIA Vera Rubin NVL72 機架系統整合至下一代 AI 資料中心，Google Cloud 同樣於 GTC 2026 宣布擴大與 NVIDIA 合作。AWS 與 NVIDIA 合作逾 15 年，協議將雙方關係提升至全新高度。AWS 資料中心傳統採用自研網絡裝置，此次首度開放部署 NVIDIA ConnectX 與 Spectrum-X 網絡硬件，顯示 AWS 對 NVIDIA 全棧解決方案高度信任。

十五年夥伴關係集大成

NVIDIA 與 AWS 合作逾 15 年，雙方早年聯合開發全球首套 GPU 雲端運算服務奠定業界先例。2023 年 AWS 宣布配置 16,384 顆 NVIDIA GH200 超級晶片超級電腦，算力達 65 exaflops，率先將 NVIDIA 頂尖硬件引入雲端。2025 年底兩家公司於 AWS re:Invent 大會進一步加深合作。AWS 更將 NVIDIA NVLink Fusion 整合至自家 Trainium4 特製晶片及 Graviton 處理器，展現互補而非競爭技術哲學。

這項百萬 GPU 協議象徵雙方長期夥伴關係集大成。NVIDIA Rubin 系列晶片預計 2026 年下半年正式在網上推出，AWS 為全球首批部署業者之一，與 Microsoft、Google、Oracle Cloud Infrastructure 並列。Dell、HPE、Lenovo、Supermicro 等伺服器廠商同步跟進，標誌以 Rubin 為核心下一代 AI 基礎設施生態正式成形。

奠定 AI 算力霸主地位

這項協議對企業影響深遠且立即。雲端客戶可於 AWS 平台更早及更具成本效益取得下一代 Blackwell 與 Rubin 算力，加速 AI 應用從概念驗證走向大規模商用。對 NVIDIA 而言 AWS 為期兩年鎖定採購提供可預測大額營收，有助穩定市場預期並強化投資者信心。消息公布後兩家公司股價於盤後交易中均小幅上揚。

然而規模越大挑戰亦隨之增加。NVIDIA 能否按時完成 100 萬顆 GPU 及 Groq 晶片供應承諾將成為 2027 年初財報關鍵考驗。隨著 AI 推論成為下一個競爭焦點，NVIDIA 與 AWS 聯手建立算力格局將如何重塑雲端競爭秩序值得持續觀察。

 

資料來源：
Reuters、Amazon Web Services官方部落格、NVIDIA Developer Blog、SiliconAngle、TradingPedia

閱讀文章
IT 基建企業趨勢業界消息

Nikon 光刻機業務虧損 850 億日元：技術路線失誤與市場格局變遷

by Pierce on IT 基建企業趨勢業界消息 ASML News Nikon 光刻機 半導體設備


Nikon 光刻機業務虧損 850 億日元：技術路線失誤與市場格局變遷

Nikon 預計 2025 財年錄得 850 億日元虧損，創公司成立以來最差紀錄。這家百年光學精密儀器企業在半導體光刻機業務上全面失利。光刻機市場格局變化迅速，業界始料未及。Nikon 的表現反映傳統光學製造業在技術迭代中面臨的深層挑戰。

虧損分析：財務數據解讀

Nikon 財務表現嚴峻。2025 財年（截至 2026 年 3 月），集團總營收約 6,750 億日元，淨利潤預計虧損 850 億日元，營業利潤更暴跌 93.9%。Nikon 指出，虧損主因是 3D 列印業務拖累，數字製造業務計提 906 億日元資產減值損失。半導體光刻機業務持續萎縮亦是核心問題：精密設備業務營收 2,019.63 億日元，按年下降 7.9%，多年以來首度錄得虧損。

2026 財年上半年（2025 年 4 月至 9 月），Nikon 錄得近五年來首次營業虧損，合併營業虧損 48.29 億日元。Nikon 下修全年半導體光刻機銷量目標，由 34 台調低至 29 台，仍略高於 2024 年的 28 台。為控制成本，Nikon 於 2025 年 8 月宣佈關閉橫濱工廠，影響約 350 名員工。

Nikon 與 ASML 技術差距顯著

Nikon 與荷蘭 ASML 的技術差距顯著。2025 年全年，ASML 出貨 48 台極紫外光（EUV）光刻機及 131 台浸沒式深紫外光（DUV）裝置。Nikon 在 2025 財年上半年僅出貨 9 台半導體光刻機，全部為成熟製程舊型號，缺乏高階市場競爭力。ASML 在全球 EUV 光刻機市場佔有率逾 90%，預計 2025 年 EUV 銷售額按年增長約 30%，受惠於 AI 晶片及記憶體晶片需求快速增長。

市場佔有率對比顯示明顯差距。Nikon 在 2001 年佔有全球光刻機市場約 40% 份額，如今按金額計算已跌至個位數，位列全球第三，落後於 ASML 與 Canon。ASML 訂下 2030 年銷售額達 440 億至 600 億歐元（約 3,731 億至 5,088 億港元）的目標，兩家企業發展路向差異顯著。

技術決策失誤影響發展

Nikon 現時的困境源於多項關鍵技術決策失誤。2000 年代初浸沒式光刻技術興起，Nikon 未能把握發展時機，ASML 搶先實現商業化，奠定市場優勢。其後 Nikon 在 EUV 研發上堅持自行研發策略，結果被排除在 ASML 主導的 EUV 聯盟之外，聯盟成員包括 Intel、TSMC、Samsung 等主要晶片廠。Nikon 無法取得核心光源技術，投入超千億日元研發 EUV，最終只製成無法商用的原型機，商業化開發被迫終止。

客戶結構過度集中亦帶來風險。Nikon 長期依賴 Intel 為主要客戶，當 Intel 削減資本開支，Nikon 訂單大幅減少。Nikon 未能及時開拓 TSMC 與 Samsung 市場，難以彌補訂單缺口。TSMC 與 Samsung 作為全球晶圓代工兩大企業，現已與 ASML 的 EUV 生態緊密合作，Nikon 難以進入高階市場。

出口管制影響業務拓展

外部政策壓力影響 Nikon 業務。美國、日本與荷蘭於 2025 年 11 月簽署協議，協調收緊對中國的半導體裝置出口管制，涵蓋深紫外光刻系統、蝕刻設備等多類關鍵裝置，Nikon 包括在內。中國市場是日本半導體設備廠商的重要出貨目的地。管制收緊令 Nikon 交付成本上升，中國客戶流失，其在成熟製程設備領域的市場佔有率亦進一步下跌。

業界研究報告顯示，Nikon 在華業務受管制衝擊較財報所述更明顯，DUV 設備的長期服務合約已出現縮減。ASML 在 2024 年仍向中國客戶出售逾七成 DUV 浸沒式設備，Nikon 面對的管制壓力則更早、更直接。

轉型挑戰與未來方向

Nikon 的困境反映全球半導體設備產業格局變化。850 億日元虧損顯示日本光刻機產業在高階市場失去競爭力。AI 晶片需求帶動 3 奈米以下先進製程投資，EUV 光刻機市場地位將更穩固，Nikon 重返高階光刻機市場的機會渺茫。先進封裝業務快速發展，或可為這家百年企業提供新機遇。Nikon 的轉型速度能否配合市場需求，將決定其未來發展。

 

資料來源：Nikon Investor Relations | 財聯社 – Nikon 2025 財年預虧 850 億 | Yahoo Finance / Nikon DSP-100 | Investing.com – Nikon Q3 Loss | TrendForce – Yokohama Closure

閱讀文章
載入更多