在 AI 浪潮全面擴張的時代，NVIDIA 的地位一度被形容為「AI 時代的作業系統」。其 GPU 能同時處理海量資料，使 NVIDIA 從早期推出 GPU 的先行者，躍升為全球 AI 基礎建設的霸主。如今，NVIDIA 以高達九成的 AI GPU 市占率、單顆 3–4 萬美元的天價晶片，牢牢佔據雲端與模型訓練核心位置，並一度登上全球市值第一。然而，這個帝國正迎來新的挑戰：科技巨頭開始自行打造 ASIC（客製化晶片），也開始尋找替代供應商，讓 NVIDIA 的壟斷優勢出現鬆動。
訓練走向推論：ASIC 成本更低、效率更高
AI 發展路徑正在從「訓練主導」轉向「推論主導」。訓練模型需要龐大算力，因此高度依賴 NVIDIA GPU；但推論的運算負荷較低，效率、功耗與成本反而比峰值算力更重要。這正是 ASIC 擅長的領域——為特定任務優化的設計，能在相同能耗下提供更佳效能，也能大幅降低營運成本。
Google 最新推出的 Gemini 3，不只模型本身吸引關注，其核心算力 TPU（Tensor Processing Unit）更成焦點。TPU 是 Google 十多年前為 AI 需求量身打造的專用晶片，由 Google 自行設計架構，再交由 Broadcom 與聯發科進行前端與物理設計，HBM 記憶體由 SK 海力士、三星與 Micron 提供，最終由台積電進行晶圓製造。這是典型的「跨國協作型 AI 晶片鏈」，也是對 NVIDIA 模式的替代路徑。
TPU 在特定運算中比 GPU 更快、功耗更低，直接降低雲端 AI 的營運成本。Anthropic 計畫使用高達 100 萬顆 TPU 執行其模型，而 Meta 也傳出將把 Google TPU 引入自己的資料中心——這代表 AI 巨頭不再願意完全被 NVIDIA 掌控供應。
從更宏觀的角度來看，這場變化象徵 AI 計算正朝「去中心化」發展。大型科技公司尋求降低成本、掌握自主性、減輕供應鏈風險，而 ASIC 正是這條道路的起點。（原文出處）
