輝達的現狀與轉型重點/訓練（Training）vs. 推理（Inference）： 目前輝達靠著訓練市場（市佔 86%）賺取暴利，但未來 AI 應用的重心將轉向「推理」。用輝達昂貴的 GPU 做推理如同「開法拉利送外送」，成本過高。這給了客製化晶片（ASIC）和雲端巨頭（Google, Amazon, Microsoft）反攻的機會。收購 AI 晶片公司，看重的是其在「推理效率」或「架構簡化」上的突破。在訓練階段，開發者需要的是強大的算力來消化海量數據；但在推理階段（即用戶端使用時），客戶更在意的是功耗比（Perf/Watt）與單位成本/雲端供應商自行開發的晶片（如 Google 的 TPU）在特定任務下的推理效率往往高於通用型 GPU。如果輝達不能在推理端推出更具成本效益的解決方案，2030 年市佔率掉到 22.5% 的預測並非危言聳聽。
1. 市場結構的劇烈位移
訓練（Training）vs. 推理（Inference）： 目前輝達靠著訓練市場（市佔 86%）賺取暴利，但未來 AI 應用的重心將轉向「推理」。
成本危機： 稿件指出，用輝達昂貴的 GPU 做推理如同「開法拉利送外送」，成本過高。這給了客製化晶片（ASIC）和雲端巨頭（Google, Amazon, Microsoft）反攻的機會。
2. 戰略防禦：從「賣零件」到「賣工廠」
AI 工廠（AI Factory）： 黃仁勳不再只賣單顆晶片，而是推廣整座資料中心（機櫃與系統），提高競爭門檻與客單價。
鎖死供應鏈： 預付 450 億美元包下 SK 海力士與美光的 HBM（高頻寬記憶體）產能，讓對手無米下鍋。
3. 神秘收購案：收購 GG 公司與詹娜·羅斯
技術補強： 2025 年底以 200 億美元收購 AI 晶片公司，看重的是其在「推理效率」或「架構簡化」上的突破。
靈魂人物： 詹娜·羅斯（Jenna Ross）具備深厚的數學背景，曾解決 Google 基礎架構的效能瓶頸，這正是輝達在後 GPU 時代需要的軟硬體優化能力。
## 補充與深度分析
1. 為什麼「推理」會讓輝達焦慮？
在訓練階段，開發者需要的是強大的算力來消化海量數據；但在推理階段（即用戶端使用時），客戶更在意的是功耗比（Perf/Watt）與單位成本。
威脅： 雲端供應商自行開發的晶片（如 Google 的 TPU）在特定任務下的推理效率往往高於通用型 GPU。如果輝達不能在推理端推出更具成本效益的解決方案，2030 年市佔率掉到 22.5% 的預測並非危言聳聽。
2. 「用魔法打敗魔法」的本質
黃仁勳深知硬體終究會面臨效能邊際效應，因此他正在加固 CUDA 生態系。
軟體定義硬體： 通過收購具備強大數學演算法背景的人才（如羅斯），輝達試圖從底層編譯器和演算法去優化運算路徑，讓原本沉重的 GPU 也能在推理任務中表現得像專用晶片一樣輕快。
3. 地緣政治與台積電的鏈結
稿件提到黃仁勳在台灣夜市的行為是「演給對手看」。
供應鏈韌性： 在 2026 年的節點，2 奈米（N2）產能的爭奪戰已經進入白熱化。黃仁勳頻繁訪台，實則是為了確保台積電最
留言
張貼留言