OpenAI 牽 Google 晶片：AI 巨頭的下一場「晶」爭

30 秒看重點

• 事件：OpenAI 傳出有意採購 Google 自研 AI 晶片，試圖降低對 NVIDIA 的依賴。
• 意義：此舉可能打破 NVIDIA 在 AI 晶片市場的獨大局面，重塑產業生態。
• 影響：對台灣 AI 晶片供應鏈、半導體廠及軟硬體整合技術帶來新變數。

AI 運算晶片市場，真有「多」的可能性？

大家現在都在談 AI，從 ChatGPT 到各種圖像生成軟體，背後都需要強大的運算能力，而這份運算能力，很大程度上就仰賴著「AI 晶片」。長期以來，NVIDIA 推出的 GPU（繪圖處理器）儼然成為 AI 領域的代名詞，就像是AI模型的「超級跑車」，速度快、性能強，所以 OpenAI、Google、Meta 等大廠，幾乎都得仰賴 NVIDIA 的晶片來訓練他們龐大的 AI 模型。這種高度依賴，讓 NVIDIA 賺得盆滿缽滿，也讓其他競爭者「望晶興嘆」。

不過，AI 晶片市場的「一家獨大」似乎正在受到挑戰。這次的傳聞指出，OpenAI 考慮採購 Google 自家研發的 TPU（Tensor Processing Unit，張量處理器）。TPU 是 Google 為了自家 AI 需求特別設計的晶片，雖然在通用性上可能不如 GPU，但在特定 AI 運算任務上，效率非常高。Google 自己也運用 TPU 來訓練 Bard、Gemini 等 AI 模型。如果 OpenAI 真的導入 Google 的 TPU，這不只是兩家科技巨頭的合作，更像是對 NVIDIA 獨佔地位的一次「圍剿」。這也顯示出，AI 發展到這個階段，企業們已經開始尋求更多元、更具成本效益的算力解決方案，不再滿足於單一供應商的模式。

為什麼 OpenAI 會想這麼做？原因可能很多，最直接的就是「成本」和「供應鏈安全」。NVIDIA 的 AI 晶片供不應求，價格高漲，對於需要大量運算資源的 OpenAI 來說，絕對是一筆龐大的開銷。同時，過度依賴單一供應商，在供應鏈不穩定的情況下，也存在風險。而 Google 的 TPU，雖然目前主要用於自家產品，但如果能藉由與 OpenAI 的合作，打入外部市場，擴大其生態系，對 Google 來說也是一大戰略優勢。這場 AI 晶片大戰，不再只是技術的比拼，更是戰略布局的展現。

台灣怎麼看這件事？

對於台灣來說，這則消息絕對是「牽一髮而動全身」。台灣在全球半導體供應鏈中扮演著舉足輕重的角色，尤其是晶圓代工，像是台積電（TSMC），就是 NVIDIA、Google 甚至是未來可能採購 TPU 的 OpenAI 的重要夥伴。如果 OpenAI 真的採購 Google 的 TPU，那麼台積電在生產 TPU 的過程中，將扮演關鍵角色。這意味著，即使 NVIDIA 的訂單可能受到影響，台灣的半導體製造業仍有機會從新的合作夥伴和新的晶片架構中獲益。

另一方面，這也提醒了台灣的 AI 產業，不能只專注在硬體製造，更需要加強軟體和系統整合的能力。如同新聞中提到的「吳恩達 AI Fund 領投的台灣團隊」，他們正朝著消費級 AI 裝置發展，這代表著 AI 的應用正從雲端走向終端。台灣的科技公司，無論是晶片設計、系統整合，還是終端應用開發，都需要密切關注這次 AI 晶片生態系的變化，尋找自己的定位和發展機會。同時，工程師們也得留意，未來 AI 軟體開發的思維，可能不再是單純的「寫程式碼」，而是需要更注重「成果導向」，而不是像 Amazon 新聞裡提到的，僅僅計算「Token 用量」來衡量工作效率。

編輯觀點

AI 晶片市場這場「大戰」才正要開打！NVIDIA 的強勢地位並非不可撼動，OpenAI 與 Google 的潛在合作，就像是遊戲規則的改變者。這不僅是技術的較量，更是商業戰略的博弈。對於台灣而言，這是一個機會，也是一個考驗。我們必須持續鞏固在硬體製造上的優勢，同時也要加速在軟體、AI 模型優化以及跨領域整合上的投入，才能在未來的 AI 浪潮中，站穩腳步，甚至引領風潮。

常見問題

為什麼 AI 發展需要這麼多晶片？

AI 模型（尤其是深度學習模型）需要進行大量的複雜計算，像是神經網絡的訓練與推理，這些運算量遠超傳統 CPU 的能力，因此需要專門設計來加速這些運算的 AI 晶片。

NVIDIA 在 AI 晶片市場的地位為何如此重要？

NVIDIA 的 GPU 最初是為繪圖設計的，但其並行的運算架構非常適合 AI 模型的訓練，加上其 CUDA 開發平台生態系完整，吸引了大量開發者，因此長期以來成為 AI 運算的主流選擇。

Google 的 TPU 和 NVIDIA 的 GPU 有什麼不同？

TPU 是 Google 專為機器學習（AI 的一部分）的張量運算設計的 ASIC（特定應用積體電路），在特定 AI 任務上能提供極高的效率和能源效益。GPU 則是更通用的處理器，雖然也能用於 AI，但效能和功耗比可能略遜於專用 ASIC。

OpenAI 為什麼會考慮使用 Google 的晶片？

主要原因可能是分散供應商風險、降低成本，以及尋求在特定 AI 任務上更優化的運算效能，以支援其快速發展的 AI 模型。

這對台灣的 AI 產業有什麼影響？

台灣的半導體製造（如台積電）有機會承接新的晶片訂單，同時也需要關注軟體、AI 應用開發等領域的機會，並提升工程師的「成果導向」思維。

名詞小教室

GPU (Graphics Processing Unit)

顧名思義，原本是用來處理顯示畫面的晶片，但因為能同時處理大量資料，變成了 AI 模型訓練的「超級加速器」。

TPU (Tensor Processing Unit)

Google 專門為 AI 運算量身打造的晶片，就像是 AI 界的「專科醫生」，在處理特定 AI 任務時效率特別高。

ASIC (Application-Specific Integrated Circuit)

「為特定應用而設計的積體電路」，就像是訂製的工具，只做一件事，但做得又快又好，TPU 就是一種 ASIC。