在 AI 發展初期，Nvidia 的執行長黃仁勳曾多次對 ASIC (特殊應用積體電路) 表達保留態度，認為 AI 演算法變動太快，開發週期長的 ASIC 趕不上變化，唯有通用的 GPU 才是王道。
然而，隨著 Google 發布 Gemini 模型、Apple 承認使用 TPU 訓練其 AI 功能，TPU (Tensor Processing Unit) 再次回到聚光燈下。市場不禁要問：這款 Google 自研的晶片，真的能取代輝達的 GPU 嗎？
本文將拆解 TPU 的技術優勢、替代規模以及對輝達股價的潛在影響。
本文重點速覽
-
專用 vs. 通用：TPU 是為了「矩陣運算」而生的狙擊手，效率極高但功能單一；GPU 是全能的瑞士刀。在超大規模模型訓練中，TPU 的「能源效率」優勢正在抵消 GPU 的「通用性」優勢。
-
Apple 的背書效應：Apple Intelligence 選擇使用 Google TPU 而非 Nvidia GPU 進行訓練，證實了 TPU 在商業大規模應用上的成熟度，打破了「只有 Google 自己用」的刻板印象。
-
投資風險評估：TPU 不會完全取代 GPU，但會限制 Nvidia 在超大型雲端巨頭 (Hyperscalers) 的營收天花板。這是一場「存量」與「增量」的博弈。
1. 為什麼 TPU 最近又紅了？(從 Apple 到 Gemini)
TPU 其實已經問世快 10 年，早期因軟體生態封閉 (僅限 TensorFlow) 而未普及。近期重新爆紅有三個關鍵原因：
A. 電費與成本的壓力
AI 模型越來越大，訓練成本動輒數億美元。
-
GPU：雖然快，但因為保留了圖形處理架構，功耗極高。
-
TPU：砍掉了所有與 AI 無關的功能，專注於矩陣乘法。對於 Google 這種擁有幾十萬顆晶片的巨頭來說，TPU 能省下的電費是天文數字。
B. Transformer 架構的穩定
過去 Nvidia 說「演算法變太快 ASIC 跟不上」，但現在 AI 演算法已趨於穩定，Transformer 架構 (Google 發明的) 成為主流。這讓針對 Transformer 優化的 TPU 能夠發揮最大效能，不再有「做出來就過時」的風險。
C. Apple 的關鍵一票
2024 年，Apple 發布技術報告，明確指出其 Apple Intelligence 的模型是在 Google TPU 上訓練的。這等於告訴全世界：「不買 Nvidia 的卡，照樣能做出頂級 AI。」 這對 Nvidia 的信仰是一次重擊。
2. 替代率分析：TPU 能取代多少 GPU？
這是一個難以精確量化的數字，但我們可以從「工作負載 (Workload)」 與 「採購量」 來看。
Google 內部的替代率：接近 100%
在 Google 內部，除了部分需要出租給外部客戶的雲端實例 (Cloud GPU) 外，Google 自家的 Gemini 模型、搜尋引擎、YouTube 推薦系統，幾乎 100% 運行在 TPU 上。
-
數據推估：如果 Google 沒有 TPU，它每年可能需要向 Nvidia 多採購 數十億美元 的 H100/Blackwell 晶片。這部分是 Nvidia 「看得到吃不到」 的市場。
外部市場的替代率：極低 (< 5%)
除了 Apple 這種有能力自己搞定軟體的大公司，絕大多數企業 (95% 以上) 還是買 Nvidia。
-
原因：CUDA 生態系。TPU 只能在 Google Cloud 上租用，買不到實體卡，且軟體開發環境 (JAX) 門檻比 CUDA 高。一般企業不可能為了省電費去重寫程式碼。
3. 輝達與研究界的觀點：ASIC 是威脅嗎？
針對 ASIC (如 TPU) 的崛起，輝達與一線研究機構有不同的攻防論述：
Nvidia 的官方回應：靈活性至上
黃仁勳多次強調 「Data Center as a Computer (資料中心即電腦)」 的概念。
-
觀點：AI 不只是 Transformer，未來可能會有新的架構 (如 SSM、Mamba)。GPU 是可編程的，軟體更新就能支援新架構；TPU 是硬體固定的，新架構出現就變成廢鐵。
-
反擊：Nvidia 透過推出 GB200 (將 CPU 與 GPU 整合)，試圖在能源效率上反超 TPU，封殺 ASIC 的省電優勢。
獨立研究機構 (SemiAnalysis / ARK) 的看法
-
SemiAnalysis (Dylan Patel)：認為 TPU 是世界上最成功的 AI ASIC，且 Google 的第 6 代 TPU (Trillium) 性價比極具競爭力。這確實會讓 Nvidia 失去 Google 這個大客戶的部份訂單。
-
ARK Invest：長期看好 ASIC。認為在「推論 (Inference)」階段，當模型固定下來後，專用晶片 (ASIC) 的成本優勢將遠大於 GPU，預測 Nvidia 在推論市場的市占率會被侵蝕。
4. 超級比一比：TPU vs. GPU
| 比較項目 | Google TPU (Trillium / v5p) | Nvidia GPU (H100 / Blackwell) |
|---|---|---|
| 設計核心 | ASIC (專用)：只做矩陣運算，犧牲靈活性換取效率。 | GPGPU (通用)：可編程，適合所有類型的平行運算。 |
| 取得方式 | 只租不賣：只能在 Google Cloud 上用，買不到硬體。 | 隨處可見：可買硬體、可租雲端，各大雲廠都有。 |
| 軟體生態 | JAX / TensorFlow：Google 體系，學習曲線陡峭。 | CUDA：全球標準，資源最多，工程師最好找。 |
| 能源效率 | 極高：針對特定模型優化，每瓦算力強。 | 中等：為了通用性，犧牲了部分能效 (但在進步中)。 |
| 最大客戶 | Google 自己、Apple、Anthropic (部分) | Meta、Microsoft、Tesla、OpenAI 及全球企業。 |
5. 投資人需要擔心嗎？
結論：短期不用慌，長期看「推論」戰場。
-
免驚指標：只要 AI 演算法還在快速迭代 (例如從 GPT-4 變 GPT-5)，Nvidia 的 GPU 就是剛需，因為沒人敢賭 ASIC 兩年後還能不能用。
-
風險指標：當 AI 模型變成「標準品」 (例如大家都用 Llama 3 不改了)，那企業為了省錢，就會轉向使用 TPU 或 Groq 這類更便宜的 ASIC 進行推論。
對輝達的影響：
TPU 不會殺死輝達，但會成為輝達市值的 「天花板限制器」。它限制了輝達對 Google、Amazon 這些巨頭的議價能力，迫使輝達必須不斷加速創新 (一年一更)，才能維持高毛利。
常見問題 (FAQ)
Q1：既然 TPU 這麼強，為什麼 Google 不把它賣給其他人？
因為這涉及 Google 的核心戰略。TPU 是 Google Cloud 的「獨門武器」，Google 希望你因為想用 TPU 而把資料搬上 Google Cloud，賺你長期的雲端服務費，而不是只賺你一次賣晶片的錢。
Q2：Apple 為什麼選 TPU 不選 Nvidia？
除了性價比，還有「戰略防禦」。Apple 不希望在 AI 基礎建設上被 Nvidia 掐住脖子。透過使用 TPU，Apple 證明了它可以有多元供應商的選擇權，這對 Nvidia 是一種無聲的警告。
Q3：投資人該如何對沖 Nvidia 被 ASIC 取代的風險？
可以關注 Broadcom (AVGO)。
Google 的 TPU 並不是 Google 自己造的，而是找 Broadcom 協助設計與 IP 授權 (ASIC Design Service)。
如何購買 輝達 的股票？
想買 輝達 超簡單，只要有一個美股帳戶就搞定！
推薦你使用 口袋證券，不僅有超優惠的手續費，使用「台幣也能交易美股」，不用另開銀行戶，無論是新手或老手，都能輕鬆投資！
👇點擊下方了解手續費👇
🔥 口袋證券手續費率超划算！
📌 電子下單：交易總額 0.12%（最低3美金）
📌 美股存股：交易總額 0.1%（最低0.1美金）
📌 人工下單：交易總額 1%（最低50美金）
-
用 5 分鐘開口袋證券帳戶，填資料、驗身份。
-
直接下單買 輝達：
-
打開App「下單匣」，輸入「NVDA」下單（可選擇市價單或限價單）。
-
想要更輕鬆的存股？到 App 內「口袋存股」，搜尋「NVDA」設定扣款金額和頻率，一鍵搞定！
-
⚠️ 小提醒：美股採「圈存」制，下單前請確認口袋錢包有足夠餘額喔！
