AI晶片「去輝達化」浪潮襲來：科技巨頭搶蓋專屬算力堡壘

30 秒看重點

• 事件： Google、Meta、OpenAI等科技巨頭正減少對輝達的依賴，轉向自研客製化AI晶片。
• 意義： AI硬體市場進入「去輝達化」時代，預示產業將走向多元算力供應鏈，追求效率與自主。
• 影響： 台灣半導體產業將迎來大量客製化晶片設計與製造訂單，鞏固AI硬體核心地位。

科技巨頭為何要「去輝達化」？

這股由Google、Meta、OpenAI等AI領導者掀起的「去輝達單一化」風潮，核心在於追求更高效、更具成本效益，且能完全符合自身AI模型需求的專用算力。想像一下，如果你是個專業跑車隊，買現成的頂級跑車固然快，但如果能針對你的賽道和車手特性，從引擎、底盤到空力套件都量身打造，是不是更能跑出極限？客製化AI晶片（ASIC）就是這樣的概念。

過去，輝達（Nvidia）的GPU（圖形處理單元）因其通用性與強大運算能力，幾乎成為AI訓練與推論的黃金標準，市場佔有率高達八成，導致輝達在AI晶片供應鏈中擁有極高的議價權。但隨著AI應用日益複雜、模型規模不斷膨脹，通用型GPU在特定任務上可能出現「效率瓶頸」。例如，Google的TPU（Tensor Processing Unit）、Meta的MTIA以及OpenAI傳聞中的自研晶片，都是為了自家龐大的生成式AI模型進行訓練與推論，能夠更精準地加速特定演算法，避免通用型晶片可能存在的資源浪費，進而降低驚人的雲端運算成本。

這不僅是技術層面的考量，更是戰略上的佈局。掌握「AI算力自主權」，意味著企業能更靈活地創新，不受外部供應商的制約，並將AI能力深度整合到產品服務中，形成獨特的競爭優勢。當愈來愈多大型科技公司投入自研晶片，博通等提供客製化晶片設計服務與IP供應商，就成為這波趨勢的直接受益者，其龐大的營收預期，也印證了「AI客製化晶片」市場的崛起。

1. 近期： Google、Meta、OpenAI等巨頭加速投入自研客製化AI晶片計畫。
2. 近期： 博通（Broadcom）大幅上修未來數年客製化AI晶片相關營收預期。
3. 未來： AI算力供應鏈將從輝達獨大，轉向多元化發展，並更強調專用與客製化晶片方案。

台灣怎麼看這件事？

對台灣來說，這波「AI晶片去輝達化」趨勢簡直是天降甘霖。全球AI晶片設計公司無論想打造何種高效能、客製化的AI加速器，最終都難以繞開台灣的「護國神山」台積電。台積電憑藉領先全球的先進製程技術，成為這些科技巨頭實現AI晶片夢想的唯一或最佳夥伴。這不僅意味著大量先進製程晶圓代工訂單，也代表著台灣在AI供應鏈中，從過去主要提供輝達GPU的關鍵零組件，轉變為提供「核心運算基石」的不可或缺地位。

此外，這也為台灣的IC設計服務公司（如創意電子、智原科技），以及封裝測試廠（如日月光、京元電）帶來新的成長動能。當每家科技巨頭都想擁有自己的專屬AI晶片時，從設計IP授權到最終成品封測，整個台灣半導體生態系都將全面受惠，強化台灣在AI硬體製造與供應鏈的全球領跑地位，成為全球「AI算力」建置潮最穩固的後盾。

編輯觀點

AI晶片市場的「去輝達化」並非要淘汰輝達，而是反映了產業對AI算力需求的進化與分眾。這就像從「通用型電腦」走向「專用伺服器」的過程，是技術發展的必然。對台灣而言，這趨勢確立了我們在全球AI戰略地位的不可取代性。但同時，台灣也應思考如何將這種製造優勢，延伸至更高價值的AI晶片設計服務與IP佈局，甚至透過異質整合技術，持續領跑AI晶片供應鏈，不僅是製造，更是引領創新的火車頭。

常見問題

為什麼科技巨頭要自研AI晶片，而不直接用輝達的GPU？

自研客製化AI晶片能針對自家AI模型進行深度優化，提供更高的運算效率與更低的成本，並掌握AI發展的戰略自主權，避免單一供應商的限制。

客製化AI晶片（ASIC）和輝達的GPU有什麼不同？

GPU是為通用圖形處理設計，但因其平行運算能力強大，被廣泛用於AI。ASIC則是針對特定AI演算法或任務「量身訂做」的晶片，能在特定應用場景下提供極致的效能與功耗比。

「去輝達單一化」會讓輝達在AI晶片市場失去地位嗎？

不會。輝達的GPU仍是市場主流，尤其在通用AI研究與中小企業應用方面。但「去輝達化」趨勢代表市場將不再是輝達獨大，更多元的客製化方案將崛起，分食部分高階市場。

台灣如何在「AI晶片自主化」趨勢中受益？

台灣憑藉台積電的先進製程技術，成為客製化AI晶片最重要的製造基地。此外，台灣的IC設計服務、封裝測試等半導體供應鏈也將因此獲得大量訂單與成長機會。

除了Google、Meta、OpenAI，還有哪些公司在推動AI晶片自主化？

許多大型雲端服務商如Amazon（Graviton、Inferentia）和Microsoft（Maia、Cobalt）也都在積極開發自家的AI晶片，以滿足其日益增長的AI算力需求。

名詞小教室

客製化AI晶片（ASIC）

想像成專為某個賽車手和賽道「量身打造」的F1賽車，它不求通用，只求在特定AI任務上做到極致的效率與速度。

GPU（Graphics Processing Unit）

通用型的強力運算引擎，原本是為了處理大量圖形資料設計，後來發現它像個「多工處理大師」，對AI的平行運算也超有效率。

AI算力自主權

擁有自己的AI晶片設計與製造能力，就像車隊擁有自己的引擎研發中心，可以隨時調整、優化，不受外部供應商的制約，掌握核心競爭力。