網紅觀點：ASIC 崛起：Google、Amazon、Meta、Microsoft 自研晶片，NVIDIA 的 GPU 生意會被搶走嗎？

當最大客戶開始自己做晶片

你持有 NVIDIA，或者至少關注這檔股票已經好幾年了。今年七月，NVIDIA 的市值仍然超過五兆美元，年營收超過兩千五百億美元，毛利率高達百分之七十四 事實。看起來一切都很完美。

但同一個月，你打開財經新聞，看到的標題是：Google 在做自己的晶片、Amazon 的 Trainium 已經上線、Meta 的 MTIA 已經迭代到第二代、Microsoft 的 Maia 200 開始在 Azure 部署。你最大的四個客戶，全部都在自己做晶片。

這不是一個未來的威脅。這是一個正在發生的事實。而你真正需要回答的問題是：ASIC 會不會吃掉 GPU 的市場？如果會，誰受惠、誰受傷？如果不會，這場晶片大戰最終會走向什麼樣的格局？

這篇文章幫你從九個角度拆解這個問題。如果你對完整版有興趣，可以看這支影片：ASIC 崛起：客戶都在做晶片，NVIDIA 還能繼續賣 GPU 嗎？

懶人包速覽

投資問題	文章結論	需要追蹤的證據
ASIC 會全面取代 GPU 嗎？	不是取代，是重新分工。GPU 主導通用與前沿訓練；ASIC 優先滲透規模化推論，並逐漸進入特定訓練工作負載	各雲端法說會自研晶片揭露頻率、MLPerf 與業者公開的每美元效能
誰從 ASIC 趨勢真正賺到錢？	Broadcom 與 Marvell 是「賣鏟子的」——不承擔挖不到金的風險，但每一鏟都能分到一杯羹	AVGO AI 營收成長率、MRVL 資料中心營收佔比
台積電是確定贏家嗎？	大方向對，但需觀察晶片面積、製程節點、HBM 使用量與先進封裝需求的結構變化	CoWoS 產能分配、非 NVIDIA 客戶佔比

GPU 與 ASIC：不是取代，而是工作負載重新分工

很多人聽到 ASIC 崛起，第一個反應是「NVIDIA 要完了」。但這個結論太快了。

GPU 像一把功能齊全的瑞士刀，可以處理大量不同任務——訓練模型、推論、圖形渲染、科學模擬，什麼都能做。ASIC 則像工廠裡專門為單一道工序打造的機器，只能處理特定工作，但速度、耗電與單位成本都可能更好。代價是你不能換工序——一旦這道工序的需求消失，這台機器就沒有用了。

在 AI 的世界裡，這個比喻非常精準。NVIDIA 的 GPU 可以訓練任何模型——Transformer、Diffusion、大型語言模型——只要有 GPU 記憶體，幾乎都可以跑。這在訓練階段是巨大的優勢，因為訓練需要最高靈活性：模型架構可能隨時調整，研究人員需要快速實驗不同配置。但當模型訓練完成，進入推論階段的時候，情況完全不同了。

推論，就是 AI 模型上線之後，每一次回答問題、生成圖片、翻譯語言所消耗的運算。根據多家券商分析師的估計，推論佔 AI 總運算需求的比重，將從二零二三年的約百分之四十，上升到二零二六年的百分之六十以上 分析師估計。當工作負載已經明確、模型架構相對固定，你不再需要 GPU 的靈活性，你需要的是最低的成本、最低的功耗、最高的吞吐量——這正是 ASIC 的戰場。

所以問題不是「ASIC 會不會取代 GPU」，而是「哪些工作負載會從 GPU 轉向 ASIC」。GPU 主導通用與前沿訓練，ASIC 優先滲透規模化推論並逐漸進入特定訓練場景——兩者同時成長，只是佔比正在改變。

為什麼現在是 ASIC 的時間窗口

ASIC 不是新東西。Google 從二零一五年就開始做 TPU。但過去只有 Google 一家在做，現在四大雲端全部跳進來。原因是三個結構性因素同時發生。

第一，GPU 太貴了。NVIDIA 的 H100 售價曾經超過三萬美元一顆。對於每年採購數十萬顆 GPU 的超大規模雲端業者來說，這是一筆極為可觀的支出。以 Meta 為例，二零二五年的資本支出超過四百五十億美元，其中很大一部分是 GPU。如果自研晶片可以節省百分之四十的運算成本 公司說法——就像 Amazon 對 Trainium 的宣稱——那一年的節省就是以百億美元計算的。

第二，推論需求正在爆炸性成長。二零二三年，AI 的主流應用還是訓練模型。但到了二零二六年，隨著 ChatGPT、Claude、Gemini 全面上線，推論取代訓練成為最大的運算負擔。每一次你問 ChatGPT 一個問題、每一次你用 Copilot 寫程式——都是推論。這些應用的用戶數還在快速成長 分析師估計。

第三，雖然模型架構仍持續演進——MoE、reasoning model、multimodal、長上下文、diffusion transformer——但主流工作負載已逐漸集中在 Transformer、注意力機制、矩陣運算與大規模推論。對雲端巨頭而言，只要部分核心運算能維持數年的穩定需求，就足以支撐客製化晶片的開發 分析。ASIC 開發週期通常需要兩到三年，成本超過一億美元，因此你需要對工作負載的持續性有一定的信心，才敢投入。

這三個因素——GPU 太貴、推論暴增、核心運算模式集中——創造了一個前所未有的時間窗口。這不是週期性的波動，這是結構性的轉折。

雲端巨頭自研晶片：每家公司都有自己的故事

四大雲端都在做 ASIC，但他們不是在做同一件事。理解這些差異，比知道他們「做了什麼」更有價值。

Google TPU 是這個領域的先驅，從二零一五年就投入了 TPU。其 TPU 已從第六代 Trillium 推進至第七代 Ironwood，並持續規劃下一代 TPU 8 系列。TPU 的用途也早已不只推論，而是涵蓋大型模型訓練、後訓練與推論 公司說法。但 Google 的經驗也暴露了 ASIC 的一個根本限制：即使擁有最先進的 TPU，Google 仍然大量採購 NVIDIA 的 GPU。不是因為 TPU 不好，而是因為軟體生態系和靈活性的差距，不是短時間能彌補的。

Amazon 的晶片分兩條產品線：Inferentia 負責推論，Trainium 負責訓練，目前都已經發展到第二代 公司說法。Amazon 宣稱 Trainium 2 的訓練成本比 GPU 低了百分之四十。即使實際只有百分之二十到三十的節省，對 Amazon 這種規模來說，也是每年數十億美元的差異。Trainium 除了支援 Amazon 內部工作負載，也透過 AWS 提供給第三方客戶；但相較 NVIDIA GPU，其第三方軟體生態、使用普及度與工作負載覆蓋範圍仍有差距。

Meta 的邏輯和前面兩家完全不同。Meta 百分之九十八以上的營收來自廣告，它的核心是推薦系統——決定你在 Facebook 和 Instagram 上看到什麼內容的那套演算法。Meta 的 MTIA 晶片就是針對推薦系統和廣告排序設計的 公司說法。在規模效應下，百分之零點一的轉換率改善就是數億美元的額外營收。這是 ASIC 最完美的應用場景：單一任務、超大規模、成本敏感。

Microsoft 早期在自研 AI 加速器布局上較晚，但二零二六年推出的第二代 Maia 200，已明確聚焦大型模型推論，並開始部署於 Azure 資料中心。Microsoft 宣稱 Maia 200 相較現有系統，每美元效能提升超過三成 公司說法。它真正的優勢不只來自晶片規格，而是能同時整合 Azure、Microsoft 自研模型、Copilot 與 OpenAI 工作負載。微軟的挑戰不在技術規格的比較，而在於如何快速擴大部署規模。

所以，四大雲端各自布局，真正的共同點是：他們都在為推論市場做準備，同時也開始將 ASIC 推入特定訓練場景。

Broadcom 與 Marvell：真正的受益者，可能不是雲端公司

你可能會覺得，既然四大雲端都在做自己的晶片，那半導體公司不就沒生意做了嗎？事實正好相反。

這就像十九世紀的淘金熱。當年數以萬計的人湧入加州，夢想著挖到黃金致富。但最後真正賺到錢的，不是那些淘金客——而是賣鏟子、賣牛仔褲、賣帳篷的人。

Broadcom 就是那個賣鏟子的人。這家市值超過一點八兆美元的公司，合併毛利率約為百分之七十六，但這包含 VMware 等基礎設施軟體業務，不能直接視為客製化 ASIC 業務的毛利率 公司說法。這個數字在半導體硬體公司中是非比尋常的高，因為它的商業模式不是單純賣標準晶片——它提供的是客製化設計服務加上企業軟體的組合。Google 的 TPU 長期由 Broadcom 提供客製化晶片設計與相關技術支援，而 Broadcom 也與其他大型科技公司維持深度半導體合作。Broadcom 二零二六財年第二季 AI 半導體營收達一百零八億美元，年增百分之一百四十三，第三季預估更達一百六十億美元，年增超過百分之兩百 公司說法。

Marvell 則是一個正在進行中的轉型故事。這家市值約一千七百億美元的公司，原本以儲存控制器和網路晶片聞名，但近年來大舉轉向資料中心客製化晶片市場。二零二六財年資料中心營收占總營收約百分之七十四，最新一季更達百分之七十六 公司說法。但需要注意的是，資料中心收入不等於 ASIC 收入——其中還包含光互連、交換器、儲存與其他產品。Marvell 同時在矽光子技術上有獨特優勢——這項技術用於資料中心內部的光互連，需求正在爆炸性成長。

但這裡有一個重要的風險：ASIC 的客戶高度集中。每一顆客製化晶片只服務一到兩個客戶，不像 GPU 那樣有幾千家客戶分散風險。如果某個客戶決定自己建立設計團隊，Broadcom 的設計服務收入就會受到影響。更何況，ASIC 開發成本通常超過一億美元，只有規模最大的客戶才有能力投入 分析。這是一個大客戶的遊戲。

ASIC 的限制：不是所有 AI 都適合客製化

到目前為止，你可能覺得 ASIC 的發展勢不可擋。但真實世界沒有這麼簡單。ASIC 有四個根本性的限制。

第一，開發成本極高。設計一顆先進的 ASIC，從規劃到量產通常需要兩到三年，成本超過一億美元 分析。這不是一般公司負擔得起的。

第二，需要大量出貨才划算。ASIC 的固定成本極高，但邊際成本很低。Google 的 TPU 之所以划算，是因為 Google 有足夠大的內部需求來支撐。但對於規模較小的雲端公司或企業客戶來說，自研 ASIC 的經濟效益就不明顯。

第三，模型架構可能變化。ASIC 一旦設計完成就無法改變。雖然主流工作負載已集中在 Transformer 與注意力機制，但前沿研究仍持續探索新架構——reasoning model、diffusion transformer、新型記憶機制等。如果未來幾年出現重大架構轉變，部分針對特定運算模式優化的 ASIC 可能面臨效率下降的風險。GPU 沒有這個問題，因為軟體更新就可以支援新架構。

第四，不是所有 AI 工作負載都適合 ASIC。前沿模型研發、探索性實驗、快速迭代——這些需要極高靈活性的任務，仍然是 GPU 的天下。ASIC 在推論場景的成本優勢最明顯，在訓練市場的滲透則更依賴模型穩定度、軟體工具與叢集互連能力。GPU 仍主導通用訓練，但 ASIC 已經開始進入部分規模化訓練工作負載。

所以 ASIC 是來取代 GPU 的嗎？答案是：不是全面取代，而是在不同工作負載上各有所長。

NVIDIA 的護城河：破除「下一個 Intel」的迷思

很多人看到 ASIC 的崛起，第一個直覺就是：NVIDIA 會重演 Intel 的故事。但這個類比忽略了一個關鍵差異：Intel 當年面對的是標準化市場的競爭，而 NVIDIA 面對的是一個軟硬體生態系的競爭。

NVIDIA 有三層護城河，而且每一層都比很多人想像的更難跨越。

第一層是 CUDA。NVIDIA CUDA 在 PyTorch 及廣泛的 AI 開發工具、模型函式庫與部署環境中擁有最成熟的支援。TensorFlow 與 JAX 雖也能運行於 TPU 等其他硬體，但整體 GPU 開發生態仍以 CUDA 最完整 分析。全球有超過四百萬名 CUDA 開發者。任何想要挑戰 NVIDIA 的新 AI 加速器，都必須面對這個生態系壁壘。但護城河也有弱點：CUDA 最大的價值在於訓練。在推論場景，你不需要完整的 CUDA 生態系——只需要一個編譯器把訓練好的模型轉到 ASIC 上。

第二層是 NVLink 和 NVSwitch。訓練大型語言模型需要數千顆 GPU 同時運作。NVLink 就是這套協調機制。ASIC 可以在單顆晶片上表現得很好，但要在數千顆晶片的層級上做到同樣的互連效率——這需要非常深厚的系統設計能力。

第三層是 完整的平台。NVIDIA 已經不再是一家 GPU 公司，它正在轉型為完整的 AI 基礎設施公司——Grace CPU、Mellanox 網路、CUDA/TensorRT 軟體層、DGX Cloud 分析。當你要部署大規模 AI 系統時，你買的不是一顆晶片，而是整個解決方案。

更重要的是，NVIDIA 自己也在布局推論市場。如果 NVIDIA 的推論晶片在成本和效能上接近 ASIC，ASIC 最大優勢就會被削弱。這場競爭不是單向的。

台積電：不管誰贏都贏嗎？

「不管誰贏，台積電都贏。」——這是在市場上最常聽到的一句話。NVIDIA 的 GPU 用台積電，Google 的 TPU 也用台積電，Amazon 的 Trainium 也是，AMD 的 MI 系列也是。

這個論述大方向是對的。台積電二零二六年第二季毛利率達百分之六十七點七，營業利益率為百分之六十點三，顯示 AI 與先進製程需求仍支撐極強的獲利能力 事實。CoWoS 先進封裝產能翻倍成長，仍然供不應求 公司說法。

但真正有價值的投資判斷，往往來自細節。

對台積電而言，真正需要觀察的不是 ASIC 的終端售價，而是晶片面積、製程節點、出貨量、HBM 使用量與先進封裝需求。如果 ASIC 採用較小晶粒、較少 HBM 或較簡化封裝，單顆晶片所貢獻的晶圓與封裝價值可能低於高階 GPU；但若 ASIC 出貨量快速增加，仍可能抵銷單顆價值的下降 分析。

更重要的是，先進封裝的需求結構也可能改變。NVIDIA 的 GPU 搭配 HBM 記憶體，採用 2.5D 先進封裝，對 CoWoS 消耗非常高。但部分 ASIC 的封裝設計可能更簡潔。如果越來越多的晶片從 GPU 轉向 ASIC，台積電先進封裝的產品組合會發生變化 分析。

台積電的問題不是「誰下單」，而是「下單的人願不願意持續擴大資本支出」。這個問題的答案，不取決於晶片架構的競爭，而取決於 AI 需求的長期趨勢。

兩種終局情境

這場晶片大戰，五到十年後會長什麼樣子？與其給一個看似精確但其實沒有意義的預測，我們用不同的情境來思考。

情境 A：推論需求持續高速成長。 AI 應用持續爆發、推論市場大幅擴張，ASIC 有顯著成本優勢，滲透率會持續上升。在這個方向下，NVIDIA 會不會被取代，取決於它自己的推論產品夠不夠強。如果 NVIDIA 的推論晶片性價比接近 ASIC，ASIC 的滲透速度可能放緩；反之，ASIC 在大型、穩定且成本敏感的推論工作負載中，可能取得更高占比。不管是哪一種，Broadcom 和 Marvell 都是直接受惠者。

情境 B：推論需求放緩。 AI 熱度冷卻、資本支出修正，GPU 可能產能過剩，NVIDIA 必須降價。在 GPU 價格下跌的情況下，ASIC 的成本優勢被侵蝕，自研晶片誘因降低。這時 NVIDIA 重新鞏固主導地位。

市場對 ASIC 推論滲透率的估計分歧很大，取決於 NVIDIA 推論產品的迭代速度、雲端巨頭自研晶片的部署節奏，以及 AI 基礎設施市場的整體成長 分析師估計。但真正的關鍵不是某個精確的市佔率數字——而是 AI 基礎設施市場本身的成長速度。即使 ASIC 佔比上升，只要市場總規模持續擴張，所有參與者都可能受益。

投資人季度追蹤清單

以下是六個每季可驗證的指標，幫助你追蹤這場晶片大戰的進展：

1. Broadcom 的 AI 半導體營收成長率——二零二六年 Q2 已達年增 143%，持續高成長表示客製化晶片需求正在加速 公司說法。
2. Marvell 的資料中心營收佔比——最新一季已達 76%，持續攀升表示轉型正在收穫，但需注意其中包含光互連等非 ASIC 產品 公司說法。
3. NVIDIA 資料中心營收增速 vs. 雲端資本支出增速——若雲端 AI 資本支出仍高速成長，但 NVIDIA 資料中心營收明顯落後，才較可能反映自研晶片滲透或市占變化。單看成長率數字容易受基期效應、供應受限或產品轉換期影響 事實。
4. 台積電法說會對 CoWoS 產能分配的說明——越來越多的非 NVIDIA 客戶佔用產能是重要訊號 公司說法。
5. 雲端巨頭法說會提及自研晶片的頻率——主動揭露自家晶片採用率，代表內部已達關鍵規模。
6. MLPerf 與雲端業者公開的每美元效能、每瓦效能資料——但需注意各家公司測試工作負載與口徑不同，且不是所有內部 ASIC 都會送測，不能只看榜單排名。

QA 精選

Q1：ASIC 和 GPU 的差別，用最簡單的方式怎麼解釋？

GPU 像瑞士刀，什麼都能做，但什麼都不是做到極致。ASIC 像工廠裡為單一道工序打造的專用機器，只能做一件事，但那一件事做得更好、更便宜、更省電。在 AI 世界裡，GPU 適合需要靈活性的場景（前沿訓練、研究實驗），ASIC 適合工作負載已固定的場景（大規模推論、特定訓練任務）。

Q2：NVIDIA 會不會變成下一個 Intel？

這個類比不完全成立。Intel 面對的是標準化市場的競爭（CPU），NVIDIA 面對的是軟硬體生態系的競爭。CUDA 有四百萬開發者、NVLink 有系統級互連優勢、還有從 GPU 到完整 AI 平台的轉型。護城河比很多人想像的更深，但也不是無敵——特別是在推論場景，CUDA 的價值會被削弱。NVIDIA 真正的風險不是 GPU 需求消失，而是 AI 基礎設施市場雖然持續成長，增量訂單卻有更高比例流向四大雲端的自研晶片。

Q3：Broadcom 和 Marvell 誰更值得關注？

兩者都是「賣鏟子的」受益者，但風險結構不同。Broadcom 市值更大（1.8 兆美元）、毛利率更高（76%），還有 VMware 軟體提供的穩定收入，AI 半導體營收年增已達 143%。Marvell 市值較小（1740 億美元）、股價從高點跌了 41%，資料中心營收佔比已達 76%，轉型故事更有想像空間但風險也更高。兩者都面臨客戶高度集中的風險——ASIC 的客戶只有 1-2 個，不像 GPU 有幾千家分散。

Q4：台積電真的「不管誰贏都贏」嗎？

大方向對，但需要更精準地理解台積電的收入驅動因素。台積電不是依照最終產品售價抽成，而是根據製程節點、晶片面積、良率、HBM 使用量與 CoWoS 封裝需求計價。如果 ASIC 採用較小晶粒或較簡化封裝，單顆貢獻可能低於高階 GPU；但若出貨量快速增加，仍可能抵銷。台積電的關鍵問題不是「誰下單」，而是「AI 需求的長期趨勢是否持續成長，以及先進製程與封裝的組合是否持續升級」。

結語

ASIC 不會在短期內全面取代 GPU，但它會優先吃掉規模大、模型穩定、成本敏感的推論工作負載，並逐漸進入部分訓練市場。NVIDIA 的風險不是 GPU 需求消失，而是 AI 基礎設施市場雖然持續成長，增量訂單卻有更高比例流向 Google、Amazon、Meta、Microsoft 的自研晶片。Broadcom、Marvell 與台積電仍可受惠，但各自承擔客戶集中、產品組合與資本支出週期的不同風險。

下一次看到 Google 發表新的 TPU，不要只看它快了多少。更重要的是：它少買了多少 NVIDIA 的 GPU。這才是 ASIC 戰爭真正的觀察指標。

來源與資料口徑

主張類型	來源	URL	日期	資料口徑
[事實]	Yahoo Finance	https://finance.yahoo.com/quote/NVDA/	2026-07-24	NVIDIA 市值 $5.01T、營收 $253B TTM、毛利率 74.1%
[公司說法]	Broadcom FY2026 Q2 法說會	https://investors.broadcom.com/news-releases/news-release-details/broadcom-inc-announces-second-quarter-fiscal-year-206	2026-Q2	AI 半導體營收 $10.8B，年增 143%；Q3 預估 $16B，年增 >200%
[公司說法]	Marvell FY2027 Q1 財報	https://investor.marvell.com/sec-filings/all-sec-filings/content/0001835632-26-000014/q127_8kx522026ex-991.htm	2026-Q2	資料中心營收 $1.833B（約 18.3 億美元），佔比 76%；FY2026 全年佔比 74%
[事實]	TSMC 2026 Q2 法說會	https://investor.tsmc.com/english/quarterly-results/2026/q2	2026-Q2	毛利率 67.7%，營業利益率 60.3%
[分析師估計]	多家券商（UBS、GS、MS）	多家券商報告	2026-H1	推論佔 AI 總運算需求比重：2023 ~40% → 2026E ~60%+（範圍估計中位數）
[分析師估計]	市場研究機構	多家市場研究	2026-H1	ASIC 推論市佔率 2028E 達 ~40%（產業共識）
[分析]	產業共識	—	2026	ASIC 開發成本 >$1 億、設計到量產 2-3 年（無精確公開數字）
[公司說法]	Google Cloud	https://cloud.google.com/tpu	2026	TPU 從第六代 Trillium 推進至第七代 Ironwood，規劃 TPU 8 系列
[公司說法]	Microsoft Blog	https://blogs.microsoft.com/blog/2026/01/26/maia-200-the-ai-accelerator-built-for-inference/	2026-01	Maia 200 部署於 Azure Iowa/Arizona 資料中心，每美元效能提升 >30%
[公司說法]	Amazon IR	https://ir.aboutamazon.com/	2025-2026	Trainium 2 宣稱訓練成本較 GPU 低 40%（公司說法）
[事實]	Meta 10-K / 財報	https://investor.fb.com/	2025	98%+ 營收來自廣告；MTIA 針對推薦系統設計
[分析]	NVIDIA 官方 / 產業共識	https://developer.nvidia.com/cuda-zone	2026	CUDA 生態系深度綁定 PyTorch/TensorFlow/JAX，400 萬+ 開發者
[公司說法]	台積電法說會	https://investor.tsmc.com/english/quarterly-results	2026-Q2	CoWoS 先進封裝產能倍增仍供不應求