AI 產業完整供應鏈架構圖

文檔說明: 本文檔詳細解析 AI 產業從上游晶片製造到下游終端應用的完整生態系統,包括各環節主要廠商、市場佔有率、技術特點和供應鏈關係。

更新日期: 2026年1月 涵蓋範圍: AI訓練與推理、數據中心、雲端運算、邊緣AI、光通訊

📑 文檔目錄

1. 產業大架構總覽

┌──────────────────────────────────────────────────────────────────────────┐
│                          AI 產業生態系統 (2026)                            │
├──────────────────────────────────────────────────────────────────────────┤
│                                                                           │
│  ┌────────────────┐  ┌────────────────┐  ┌────────────────┐            │
│  │   上游硬體層   │  │   中游平台層   │  │   下游應用層   │            │
│  │                │  │                │  │                │            │
│  │ • 晶片設計製造 │  │ • 雲端運算     │  │ • AI 大模型    │            │
│  │ • 先進封裝     │  │ • 數據中心     │  │ • 生成式AI     │            │
│  │ • HBM記憶體    │  │ • 儲存系統     │  │ • 企業AI應用   │            │
│  │ • 散熱系統     │──▶│ • 光通訊互連   │──▶│ • 邊緣AI/端側  │            │
│  │ • 電源供應     │  │ • 高速網路     │  │ • 垂直產業AI   │            │
│  │ • 設備材料     │  │ • 運算平台     │  │ • AI Agent     │            │
│  │                │  │                │  │                │            │
│  └────────────────┘  └────────────────┘  └────────────────┘            │
│                                                                           │
│  ┌──────────────────────────────────────────────────────────────────┐   │
│  │                        關鍵供應鏈節點                              │   │
│  │  NVIDIA(設計) → 台積電(製造) → 日月光(封裝) → SK Hynix(HBM)     │   │
│  │  → 鴻海/廣達(組裝) → Azure/AWS(雲端) → OpenAI/Anthropic(模型)    │   │
│  └──────────────────────────────────────────────────────────────────┘   │
│                                                                           │
└──────────────────────────────────────────────────────────────────────────┘

1.1 產業演進時間軸

2020        2022        2023        2024        2025        2026
  │           │           │           │           │           │
  ▼           ▼           ▼           ▼           ▼           ▼
A100        H100       H100量產    B200發布    B200量產    GB300
300W        700W       ChatGPT     Blackwell   HBM3E普及   下一代
CoWoS       HBM3       GPT-4       Claude 3    GPT-5?      HBM4
            液冷起步   AI爆發      開源崛起    Agent時代   CPO普及

2. 第一層: AI 晶片製造

2.1 晶片設計層

🏆 NVIDIA - GPU 絕對霸主

世代	產品	製程	功耗	HBM	記憶體頻寬	量產時間
Ampere	A100	7nm	400W	HBM2e 80GB	2 TB/s	2020
Hopper	H100	4nm	700W	HBM3 80GB	3.35 TB/s	2022
Hopper	H200	4nm	700W	HBM3e 141GB	4.8 TB/s	2024
Blackwell	B100	4nm	700W	HBM3e 192GB	8 TB/s	2024
Blackwell	B200	4nm	1000W	HBM3e 192GB	8 TB/s	2025
Blackwell	GB200 NVL72	4nm	72GPU機櫃	HBM3e	超級電腦級	2025

市佔率: 80-90% (AI訓練晶片)
2025營收預估: $120B+
護城河: CUDA 生態系 (400萬開發者, 15年積累)
核心客戶: OpenAI, Meta, Microsoft, Google, Tesla, xAI

Blackwell 架構亮點:

2080億電晶體 (H100的2.5倍)
第二代 Transformer Engine
支援 FP4 精度訓練
NVLink 5.0: 1.8 TB/s 雙向頻寬

AMD - 積極追趕者

產品	製程	HBM	記憶體頻寬	定位
MI250X	6nm	HBM2e 128GB	3.2 TB/s	2022
MI300X	5nm	HBM3 192GB	5.3 TB/s	2023
MI300A	5nm	APU整合	5.3 TB/s	2024
MI325X	3nm	HBM3e 256GB	6 TB/s	2024
MI350	3nm	HBM3e	預計2025	2025

市佔率: 10-15% (快速成長)
2025營收目標: $5B+ (AI晶片)
優勢: ROCm 開源生態, 價格競爭力, 更大記憶體容量
主要客戶: Microsoft Azure, Meta, Oracle

Intel - 重返戰場

產品	定位	狀態
Gaudi 2	AI訓練	量產中
Gaudi 3	AI訓練	2024發布
Falcon Shores	下一代	2025

市佔率: <5%
策略: 代工 + 自研雙線並進
優勢: x86生態, 企業關係
挑戰: 軟體生態落後

2.2 晶圓製造 - 台積電絕對主導

台積電 TSMC

製程節點	應用產品	客戶	產能狀態
3nm (N3E)	A17 Pro, M3	Apple	量產
4nm (N4P)	H100, B200	NVIDIA	滿載
5nm (N5)	MI300X	AMD	量產
2nm (N2)	下一代AI晶片	預訂中	2025試產

市佔率: >90% (先進製程)
AI晶片營收佔比: 40%+ (2025)
良率: 80-90% (先進製程)
CoWoS產能: 月產能3.5萬片 (2025), 持續擴充
核心客戶: NVIDIA, AMD, Apple, Qualcomm, MediaTek

2025-2026 關鍵發展:

2nm 製程 2025年量產
A16 (1.6nm) 預計 2026
CoWoS 產能擴充至月產5萬片
美國亞利桑那廠投產

台積電供應鏈

半導體設備商 (關鍵瓶頸):

公司	領域	市佔率	重要性
ASML	EUV光刻機	100%	不可替代
Applied Materials	蝕刻/沉積	25%	關鍵
Lam Research	蝕刻	20%	關鍵
KLA	檢測設備	50%	關鍵
Tokyo Electron	塗佈/顯影	30%	關鍵

EUV光刻機關鍵數據:

單價: $1.5-2億美元
交期: 18-24個月
年產能: ~50台
High-NA EUV: $3.5億美元 (2025開始交付)

材料商:

信越化學 (矽晶圓) - 30%
SUMCO (矽晶圓) - 25%
JSR (光阻劑) - 30%
Air Liquide (特殊氣體) - 25%

2.3 先進封裝 - 新瓶頸

封裝技術演進

傳統封裝 → 2.5D封裝 → 3D封裝 → 異質整合
   ↓          ↓          ↓          ↓
 Wire Bond   CoWoS     SoIC      Chiplet
             InFO     HBM堆疊    多晶片整合

CoWoS 封裝 (AI晶片核心)

NVIDIA B200 封裝結構 (CoWoS-L):
┌─────────┐  ┌─────┐  ┌─────┐  ┌─────┐  ┌─────┐  ┌─────────┐
│  GPU    │  │ HBM │  │ HBM │  │ HBM │  │ HBM │  │  GPU    │
│  Die    │  │  1  │  │  2  │  │  3  │  │  4  │  │  Die    │
└─────────┘  └─────┘  └─────┘  └─────┘  └─────┘  └─────────┘
═══════════════════════════════════════════════════════════
            Silicon Interposer (矽中介層) - 更大尺寸
═══════════════════════════════════════════════════════════
                   Organic Substrate
═══════════════════════════════════════════════════════════

B200 vs H100 封裝比較:
• 中介層尺寸: B200 (3x reticle) vs H100 (2x reticle)
• HBM 數量: B200 (8顆) vs H100 (6顆)
• 頻寬: B200 (8TB/s) vs H100 (3.35TB/s)

封裝廠商

公司	市佔率	技術	主要客戶
台積電	60%+	CoWoS, InFO, SoIC	NVIDIA, AMD
日月光 ASE	20%	先進封裝, 測試	多家
Amkor	10%	FC-BGA	Intel, AMD
力成	5%	記憶體封裝	HBM相關

CoWoS 產能瓶頸:

2024產能: 月產2.5萬片
2025產能: 月產3.5萬片 (仍供不應求)
良率要求: >95%
交期: 4-6個月

3. 第二層: AI 散熱系統

3.1 散熱需求演進 (指數級成長)

GPU功耗演進:
                                          ┌─────┐
                                          │1200W│ GB200
                                    ┌─────┤     │
                              ┌─────┤1000W│     │ B200
                        ┌─────┤ 700W│     │     │
                  ┌─────┤ 400W│     │     │     │
            ┌─────┤ 300W│     │     │     │     │
      ──────┴─────┴─────┴─────┴─────┴─────┴─────┘
      V100   A100   H100   B200  GB200  未來
      2017   2020   2022   2025  2025   2026+

GPU	功耗	散熱方案	機架密度
V100	300W	氣冷	8-10 kW/rack
A100	400W	氣冷/液冷	15-20 kW/rack
H100	700W	液冷必須	40-60 kW/rack
B200	1000W	液冷/浸沒	100+ kW/rack
GB200 NVL72	72顆GPU	浸沒式	120+ kW/rack

3.2 散熱技術分類

散熱技術演進:
┌────────────────┐  ┌────────────────┐  ┌────────────────┐
│    傳統氣冷    │  │    直接液冷    │  │    浸沒式冷卻  │
│   (Air Cool)   │  │  (Direct LC)   │  │   (Immersion)  │
├────────────────┤  ├────────────────┤  ├────────────────┤
│ • 風扇+散熱片  │  │ • 冷板貼合GPU  │  │ • 整機浸入液體 │
│ • PUE: 1.5-2.0 │→ │ • PUE: 1.2-1.3 │→ │ • PUE: 1.02-1.1│
│ • <20kW/rack   │  │ • 40-80kW/rack │  │ • 100+kW/rack  │
│ • 成本低       │  │ • 主流方案     │  │ • 最佳效率     │
└────────────────┘  └────────────────┘  └────────────────┘

3.3 液冷散熱廠商

Vertiv - 全球龍頭

市佔率: 25%
2024營收: $7.5B
技術: Liebert XD (直接液冷), CDU
客戶: Meta, Microsoft, Google, AWS
優勢: 完整數據中心解決方案

Schneider Electric

市佔率: 20%
產品: EcoStruxure, InRow Cooling
特色: PUE <1.2, 智慧管理
客戶: 企業數據中心

Cooler Master / 雙鴻 (台灣)

市佔率: 液冷模組 15%
產品: 伺服器液冷模組, 冷板
客戶: 鴻海, 廣達代工鏈
優勢: 成本優勢, 快速交付

奇鋐 (台灣)

定位: 散熱模組專家
產品: 均熱板, 散熱片, 液冷模組
客戶: NVIDIA DGX供應鏈

3.4 浸沒式冷卻 (未來主流)

GRC (Green Revolution Cooling)

技術: CarnotJet 單相浸沒
PUE: 1.02-1.03 (極致能效)
應用: 超高密度AI叢集
客戶: xAI, 超算中心

LiquidCool Solutions

技術: 兩相浸沒式
優勢: 更高散熱效率

Asetek

市佔率: 液冷OEM 20%+
產品: 數據中心液冷, Gaming液冷
客戶: Dell, HP, Lenovo

3.5 冷卻液供應

公司	市佔率	產品	特性
3M	40%	Novec 7100, 649	不導電, 環保
Solvay	25%	Galden系列	高介電強度
Chemours	20%	Opteon系列	低GWP

冷卻液關鍵指標:

介電強度: >40 kV/mm
沸點: 34-174°C (可調)
GWP (全球暖化潛勢): <10

4. 第三層: 電源供應系統

4.1 AI伺服器電源需求演進

系統	電源需求	PSU規格	備註
DGX A100	6.5 kW	2x 3000W	8x A100
DGX H100	10.2 kW	4x 3000W	8x H100
DGX B200	14.3 kW	6x 3000W	8x B200
GB200 NVL72	120 kW	機櫃級供電	72x GPU

4.2 UPS 不斷電系統

Schneider Electric - 龍頭

市佔率: 30%
產品: Galaxy VX (250-1500 kVA), Galaxy VL
效率: >97% (ECOnversion模式)
客戶: 大型數據中心

Eaton

市佔率: 25%
產品: 93PM/PR系列, 9PXM
特色: 模組化設計

Vertiv

市佔率: 20%
產品: Liebert APM, EXL S1
整合: 搭配自家冷卻系統

4.3 伺服器電源 (PSU) - 台灣廠商主導

台達電 Delta - 全球第一

產品	功率	效率	應用
CRPS	2400W	96%+	標準伺服器
CRPS	3000W	96%+	AI伺服器
ORv3	3300W	97%+	開放運算

市佔率: 35-40% (全球第一)
2024營收: $15B+
技術領先: GaN/SiC 功率元件, 數位電源
核心客戶: NVIDIA DGX, Dell, HP, Lenovo, 雲端大廠
毛利率: 25-30%

光寶 Lite-On

市佔率: 20-25%
產品: 2000-3000W 伺服器電源
客戶: Meta, Microsoft, Google
特色: 價格競爭力

群光 Chicony

市佔率: 10-15%
客戶: Dell, HP
產品: 消費/企業電源

4.4 功率元件供應

類型	廠商	應用	優勢
GaN	Navitas, GaN Systems	高頻電源	效率高, 體積小
SiC	Wolfspeed, Infineon	高壓應用	耐高溫, 低損耗
MOSFET	Infineon, ON Semi	通用	成熟, 低成本

5. 第四層: 儲存與網路

5.1 HBM 記憶體 (最關鍵瓶頸)

HBM 技術演進

世代	頻寬	容量/Stack	應用GPU	量產時間
HBM2	1.2 TB/s	16GB	V100	2018
HBM2e	1.8 TB/s	24GB	A100	2020
HBM3	3.35 TB/s	24GB	H100	2022
HBM3e	4.8-5.3 TB/s	36GB	H200, MI300X	2024
HBM4	6+ TB/s	48GB	下一代	2025H2

SK Hynix - 絕對龍頭

市佔率: 50-55% (HBM3e: 90%+)
技術領先: HBM3e 率先量產, 12層堆疊
產品: HBM3 (24GB), HBM3e (36GB)
頻寬: 5.3 TB/s (HBM3e)
核心客戶: NVIDIA (獨家 HBM3e 供應商)
良率: >85% (業界最高)
成本: 80GB約$4000-6000 (持續下降)
產能擴充: 2025年產能翻倍

HBM3e 關鍵數據:

單顆容量: 36GB (12層堆疊)
H200配置: 6顆 = 141GB
B200配置: 8顆 = 192GB

Samsung - 追趕中

市佔率: 35-40%
狀態: HBM3e 良率提升中
客戶: AMD MI300X (主要), 部分NVIDIA
挑戰: 良率落後SK Hynix

Micron - 積極擴產

市佔率: 10-15%
產品: HBM3e (2024量產)
優勢: 美國本土供應鏈
客戶: NVIDIA (次要供應商)

HBM 供應瓶頸分析

HBM供應鏈瓶頸:

原物料 → 晶圓製造 → TSV製程 → 堆疊封裝 → 測試 → 成品
                        ↑           ↑
                     良率瓶頸    產能瓶頸

瓶頸因素:
• TSV (矽穿孔) 製程複雜
• 12層堆疊良率挑戰
• 散熱要求嚴苛
• 設備產能有限

2025-2026 HBM 供需:

需求: 持續超過供給 30-40%
交期: 3-6個月 (改善中)
ASP: 傳統DRAM的5-8倍

5.2 高速網路

NVIDIA Mellanox - InfiniBand 壟斷

產品	速度	應用	狀態
HDR	200 Gbps	A100叢集	成熟
NDR	400 Gbps	H100叢集	主流
XDR	800 Gbps	B200叢集	2024
GDR	1.6 Tbps	下一代	2025+

市佔率: 80%+ (AI InfiniBand)
核心產品:
- ConnectX-7/8 網卡
- Quantum-2 交換機
- BlueField-3 DPU
技術: GPUDirect RDMA, SHARP
客戶: OpenAI, Meta, Google, Microsoft
優勢: 與NVIDIA GPU深度整合

Broadcom - Ethernet 霸主

市佔率: 60% (Ethernet交換晶片)
產品:
- Memory 5 (51.2 Tbps)
- Memoria 5 (51.2 Tbps)
客戶: 雲端大廠

網路架構趨勢

AI叢集網路架構:
┌─────────────────────────────────────────────┐
│              Spine Layer (骨幹層)            │
│         800G/1.6T Ethernet/InfiniBand       │
├─────────────────────────────────────────────┤
│              Leaf Layer (葉層)               │
│              400G 交換機                     │
├─────────────────────────────────────────────┤
│              GPU Nodes                       │
│    NVLink (GPU間) + InfiniBand (節點間)     │
└─────────────────────────────────────────────┘

5.3 AI 儲存系統

NVIDIA DGX 儲存

產品: DGX Storage (與DDN合作)
效能: 1TB/s+ 讀取
技術: NVMe over Fabric

Pure Storage

市佔率: 企業Flash儲存 15%
產品: FlashBlade (非結構化資料)
客戶: AI/ML訓練資料

NetApp

市佔率: 企業儲存 20%
AI方案: ONTAP AI (與NVIDIA整合)

6. 第五層: 光通訊與高速互連 ⭐ 新增

光通訊是 AI 數據中心的新瓶頸，隨著 GPU 功耗和頻寬需求暴增，800G/1.6T 光模組需求爆發。

6.1 光模組需求演進

光模組速率演進:
                                    ┌────────┐
                              ┌────┤  1.6T  │ 2025+
                        ┌────┤800G│        │
                  ┌────┤400G│    │        │
            ┌────┤200G│    │    │        │
      ──────┴────┴────┴────┴────┴────────┘
      100G  200G  400G  800G  1.6T   未來
      2018  2020  2022  2024  2025   2026+

AI數據中心光模組需求:
• H100叢集: 400G 為主
• B200叢集: 800G 為主
• GB200叢集: 800G/1.6T

6.2 光模組廠商

中際旭創 (InnoLight) - 全球第一

市佔率: 30%+ (800G: 40%+)
產品: 400G/800G/1.6T 光模組
客戶: NVIDIA, Google, Meta, Microsoft
優勢: 成本領先, 產能充足
2024營收: ~$3B

Coherent (原II-VI + Finisar)

市佔率: 25%
產品: 400G/800G 光收發器, 雷射晶片
優勢: 垂直整合 (晶片到模組)
客戶: 雲端大廠

Lumentum

市佔率: 15%
產品: 光學元件, 雷射器
技術: 3D感測, 光通訊
客戶: Apple, 通訊設備商

光迅科技 (Accelink)

市佔率: 10%
定位: 中國最大光模組廠
產品: 400G/800G 模組
優勢: 中國市場

6.3 CPO 共封裝光學 (下一代技術)

傳統可插拔模組 vs CPO:

傳統架構:
┌─────────┐    ┌──────────┐    ┌─────────┐
│ Switch  │────│ 光模組   │────│  光纖   │
│  ASIC   │    │ (可插拔) │    │         │
└─────────┘    └──────────┘    └─────────┘
              功耗: 15-20W/400G

CPO架構:
┌──────────────────────┐    ┌─────────┐
│ Switch ASIC + 光引擎 │────│  光纖   │
│    (共封裝)          │    │         │
└──────────────────────┘    └─────────┘
              功耗: 5-8W/400G

CPO優勢:
• 功耗降低 50-70%
• 頻寬密度提升
• 延遲降低
• 成本長期下降

CPO 關鍵廠商

公司	角色	產品/技術
Broadcom	交換晶片+光引擎	Memoria系列
Intel	矽光子	矽光整合方案
NVIDIA	CPO整合	下一代交換機
Cisco	系統整合	矽光子平台
中際旭創	光引擎	CPO模組

6.4 高速互連技術

NVLink - NVIDIA GPU互連

版本	頻寬	應用	GPU數量
NVLink 3.0	600 GB/s	A100	8 GPU
NVLink 4.0	900 GB/s	H100	8 GPU
NVLink 5.0	1.8 TB/s	B200	72 GPU (NVL72)

NVSwitch - 大規模GPU互連

功能: 連接多個GPU形成統一記憶體空間
NVSwitch 3.0: 支援256個GPU互連
應用: DGX SuperPOD, 超大型AI訓練

CXL (Compute Express Link)

定位: 開放標準, 打破NVIDIA壟斷
功能: CPU/GPU/記憶體統一互連
支持者: Intel, AMD, ARM, 雲端大廠
CXL 3.0: 64 GT/s, 記憶體池化

UALink (Ultra Accelerator Link)

定位: AI加速器開放互連標準
發起者: AMD, Intel, Google, Meta, Microsoft
目標: 挑戰NVLink壟斷
時程: 2024發布規格, 2025產品

6.5 光通訊供應鏈 (台灣廠商)

公司	產品	客戶	地位
聯亞光電	光收發晶片	光模組廠	磊晶龍頭
穩懋	GaAs代工	光通訊/RF	代工龍頭
全新	光通訊零組件	模組廠	零組件
光環	光纖連接器	數據中心	連接器

7. 第六層: 雲端與數據中心

7.1 AI 雲端平台

Microsoft Azure - AI雲端龍頭

指標	數據
AI雲端市佔	30%+
GPU數量	10萬+ H100 (持續擴充)
OpenAI投資	$13B+
Azure AI營收	$30B+ (2025預估)

核心優勢: OpenAI獨家合作, GPT-4/ChatGPT後端
AI服務: Azure OpenAI Service, Copilot
基礎設施: 60+區域, 持續建設AI超級數據中心

Amazon AWS

指標	數據
整體雲端市佔	32% (第一)
AI雲端市佔	25%
自研晶片	Trainium2, Inferentia2
Anthropic投資	$4B

自研策略: 減少NVIDIA依賴
AI服務: Bedrock (模型市集), SageMaker
優勢: 最大雲端生態系

Google Cloud

指標	數據
雲端市佔	10%
AI雲端市佔	20%
自研晶片	TPU v5p, v6
Anthropic投資	$2B

核心優勢: DeepMind團隊, Gemini模型
TPU: AI訓練成本優勢
AI服務: Vertex AI, Gemini API

新興AI雲端

公司	定位	GPU數量	客戶
CoreWeave	專注AI	10萬+ H100	AI新創
Lambda Labs	GPU雲端	數萬	研究機構
Together AI	開源模型	-	開發者
Oracle Cloud	企業AI	大量H100	企業

7.2 數據中心建設

AI數據中心規模演進:
                                        ┌──────────┐
                                  ┌────┤ 500MW+   │ xAI等
                            ┌────┤100MW│          │
                      ┌────┤50MW│     │          │
                ┌────┤20MW│    │     │          │
          ──────┴────┴────┴────┴─────┴──────────┘
          傳統   中型   大型  超大型  AI超級DC
                              (Hyperscale)

主要數據中心建設

公司	項目	規模	投資
Microsoft	全球擴建	100+ MW多處	$80B+ (計劃)
Meta	AI研究中心	35萬GPU目標	$40B+
Google	TPU超級電腦	多處	$30B+
xAI	Memphis DC	100,000 H100	數十億
Amazon	多區域擴建	大規模	$70B+

7.3 AI伺服器製造 (台灣主導)

鴻海 Foxconn - 最大代工廠

市佔率: 35-40% (AI伺服器)
核心產品: NVIDIA DGX/HGX, GB200 NVL72
客戶: NVIDIA, Microsoft, Meta, Amazon
產能: 墨西哥、台灣、越南多廠
2024營收: AI伺服器約$300B TWD

廣達 Quanta

市佔率: 25-30%
客戶: Google, Meta, Amazon, Microsoft
專長: OCP開放標準伺服器, 液冷整合
優勢: 白牌伺服器經驗深厚

緯創 Wistron

市佔率: 10-15%
客戶: Dell, HP
產品: AI伺服器, 邊緣運算

英業達 Inventec

市佔率: 10%
客戶: HP, 雲端廠
專長: 伺服器主板

7.4 機櫃與基礎設施

公司	產品	市佔
台達電	機櫃電源、PDU	15%
Vertiv	機櫃、電源、散熱	20%
Schneider	整體基礎設施	25%
Rittal	機櫃系統	10%

8. 第七層: AI 軟體與應用

8.1 AI 框架與工具

深度學習框架

框架	公司	市佔	特色
PyTorch	Meta	70% (研究)	動態圖, 易用
TensorFlow	Google	20%	TPU優化, 生產部署
JAX	Google	5%	函數式, 高效能
MLX	Apple	新興	Apple Silicon優化

MLOps 與訓練工具

工具	功能	公司
Weights & Biases	實驗追蹤	W&B
MLflow	ML生命週期	Databricks
Ray	分散式訓練	Anyscale
DeepSpeed	大模型訓練	Microsoft
Megatron-LM	LLM訓練	NVIDIA

8.2 大語言模型 (LLM)

OpenAI - 領導者

指標	數據
估值	$200B+ (2025)
ChatGPT用戶	3億+
營收	$5B+ (2024)
員工	1500+

產品線: GPT-4o, GPT-4 Turbo, o1 (推理), Sora (影片)
基礎設施: Azure獨家, 數萬H100/B200
訓練成本: GPT-4約$100M+, GPT-5預計$500M+
護城河: 用戶數據, 品牌, RLHF專長

Anthropic - 安全AI

指標	數據
估值	$60B+ (2025)
融資	$10B+
員工	800+

產品: Claude 3.5 Opus/Sonnet, Claude 4 (預期)
投資者: Google $2B, Amazon $4B, Spark
特色: Constitutional AI, 安全優先
客戶: AWS Bedrock, 企業API

Meta - 開源王者

產品: Llama 3, Llama 3.1 (405B參數)
策略: 開源推動AI民主化
GPU: 35萬+ H100 (全球最大私有叢集)
影響: 推動開源模型生態

Google DeepMind

產品: Gemini 1.5 Pro/Ultra, Gemini 2.0
技術: AlphaFold, AlphaGo 傳承
優勢: 多模態, 長上下文 (1M+ tokens)
整合: Google搜尋, Workspace

其他重要模型

公司	模型	特色
Mistral	Mistral Large	歐洲開源領導者
xAI	Grok	Elon Musk, Twitter整合
Cohere	Command R+	企業RAG優化
01.AI	Yi	中國開源

8.3 AI Agent 與自動化

Agent 框架

框架	公司	功能
AutoGPT	開源	自主任務執行
LangChain	LangChain	LLM應用框架
CrewAI	開源	多Agent協作
Claude Computer Use	Anthropic	電腦操作Agent

Agent 應用趨勢

AI Agent 演進:
聊天機器人 → 單一任務Agent → 多Agent系統 → 自主Agent
    ↓              ↓              ↓            ↓
 ChatGPT      Copilot       CrewAI      未來願景
 問答互動      程式輔助      團隊協作    完全自主

8.4 應用市場

生成式AI應用

領域	龍頭	市佔	用戶/營收
圖像生成	Midjourney	50%	1600萬用戶
影片生成	Runway, Pika	新興	快速成長
音樂生成	Suno, Udio	新興	病毒式成長
語音合成	ElevenLabs	40%	B2B/B2C

企業AI應用

產品	公司	用途	用戶
GitHub Copilot	Microsoft	程式碼	180萬+
Microsoft Copilot	Microsoft	辦公套件	億級
Salesforce Einstein	Salesforce	CRM AI	企業
Adobe Firefly	Adobe	創意設計	創作者

垂直產業AI

領域	公司	應用
醫療	PathAI, Tempus	病理診斷
法律	Harvey AI	法律文件
金融	Bloomberg GPT	金融分析
自駕	Tesla FSD, Waymo	自動駕駛
教育	Duolingo, Khan	個人化學習

9. 第八層: 邊緣AI與端側推理

隨著大模型向端側延伸，邊緣AI成為2025-2026年的重要趨勢，實現低延遲、隱私保護的本地推理。

9.1 邊緣AI市場概況

邊緣AI部署演進:
                                          ┌─────────┐
                                    ┌────┤  全面   │ 2026+
                              ┌────┤ AI PC│ 普及   │
                        ┌────┤手機 │     │        │
                  ┌────┤IoT  │NPU │     │        │
            ──────┴────┴────┴────┴─────┴────────┘
            2020   2022  2024  2025  2026   未來
            雲端AI  邊緣起步  NPU普及  AI PC  端雲協同

市場規模	2024	2025	2030
邊緣AI晶片	$15B	$25B	$100B
AI PC	5000萬台	1億台	3億台
端側推理	10%	30%	60%

9.2 AI PC 晶片

Intel - Core Ultra 系列

產品	NPU算力	CPU	GPU	定位
Core Ultra 100 (Meteor Lake)	10 TOPS	P+E核	Arc	首代AI PC
Core Ultra 200 (Lunar Lake)	48 TOPS	低功耗	Arc 140V	輕薄本
Core Ultra 200 (Arrow Lake)	13 TOPS	高效能	Arc	桌機/效能本

NPU技術: 專用神經網路處理單元
應用場景: Copilot+PC、本地AI助理、影像處理
軟體生態: OpenVINO、Windows AI

AMD - Ryzen AI 系列

產品	NPU算力	架構	特色
Ryzen 7040 (Phoenix)	10 TOPS	XDNA	首代整合NPU
Ryzen 8040 (Hawk Point)	16 TOPS	XDNA	效能提升
Ryzen AI 300 (Strix Point)	50 TOPS	XDNA2	最強NPU

XDNA架構: 可重配置AI引擎
優勢: 算力領先、開放ROCm
客戶: 聯想、華碩、HP

Apple - M系列晶片

產品	Neural Engine	統一記憶體	定位
M3	18 TOPS	8-128GB	消費級
M3 Pro/Max	18 TOPS	18-128GB	專業級
M4	38 TOPS	16-64GB	新一代
M4 Pro/Max	38 TOPS	24-128GB	專業級

優勢: 統一記憶體架構、能效比極高
應用: Core ML、本地LLM (7B-70B)
生態: MLX框架、Apple Intelligence

Qualcomm - Snapdragon X 系列

產品	NPU算力	CPU	特色
Snapdragon X Elite	45 TOPS	Oryon (ARM)	首款ARM PC晶片
Snapdragon X Plus	45 TOPS	Oryon	主流版

突破: ARM架構進入Windows PC
優勢: 極致能效、全天續航
挑戰: x86軟體相容性

9.3 手機AI晶片

廠商	產品	NPU算力	應用
Apple	A18 Pro	35 TOPS	Apple Intelligence
Qualcomm	Snapdragon 8 Gen 3	45 TOPS	生成式AI
MediaTek	Dimensity 9300	37 TOPS	本地LLM
Google	Tensor G4	專用TPU	Gemini Nano
Samsung	Exynos 2400	37 TOPS	Galaxy AI

9.4 端側推理框架

框架	公司	支援平台	特色
Core ML	Apple	iOS/macOS	Apple生態整合
TensorFlow Lite	Google	跨平台	廣泛相容
ONNX Runtime	Microsoft	跨平台	標準格式
OpenVINO	Intel	Intel硬體	最佳化推理
NCNN	騰訊	移動端	輕量高效
MLC LLM	開源	跨平台	本地LLM

9.5 邊緣AI應用場景

邊緣AI應用金字塔:
┌─────────────────────────────────────────┐
│         本地大語言模型                    │ ← 7B-70B 參數
│         (Llama, Phi, Gemma)              │
├─────────────────────────────────────────┤
│      AI助理/Copilot/語音辨識              │ ← 日常互動
├─────────────────────────────────────────┤
│    影像處理/物件偵測/人臉辨識              │ ← 即時處理
├─────────────────────────────────────────┤
│  IoT/工業自動化/智慧家庭/車載AI            │ ← 嵌入式
└─────────────────────────────────────────┘

10. ASIC 客製化晶片專題

面對NVIDIA GPU的高價與供應限制，科技巨頭紛紛投入自研AI晶片，開啟ASIC時代。

10.1 雲端巨頭自研晶片

Google TPU

世代	製程	算力	記憶體	發布
TPU v4	7nm	275 TFLOPS	32GB HBM2e	2021
TPU v5e	7nm	經濟版	16GB HBM2e	2023
TPU v5p	5nm	459 TFLOPS	95GB HBM2e	2023
TPU v6 (Trillium)	4nm	2x v5p	HBM3	2024

優勢: 為TensorFlow/JAX優化、成本效益高
部署: 數十萬顆TPU (全球最大非NVIDIA叢集)
應用: Gemini訓練、Google Search、YouTube

Amazon Trainium/Inferentia

產品	定位	製程	算力	發布
Inferentia	推理	7nm	經濟推理	2019
Inferentia2	推理	5nm	3x效能	2022
Trainium	訓練	7nm	訓練專用	2021
Trainium2	訓練	3nm	4x效能	2024

策略: 減少NVIDIA依賴、降低AWS成本
生態: Neuron SDK
客戶: Anthropic (Claude訓練)

Microsoft Maia/Cobalt

產品	定位	製程	狀態
Maia 100	AI加速	5nm (台積電)	2024部署
Cobalt 100	ARM CPU	5nm	2024

目標: Azure AI成本優化
應用: Copilot推理、Bing搜尋
合作: OpenAI訓練推理

Meta MTIA

產品	定位	狀態
MTIA v1	推理	2023內部部署
MTIA v2	推理加強	2024

應用: 廣告推薦、內容審核
策略: 仍依賴NVIDIA GPU訓練大模型

10.2 ASIC 設計公司

公司	產品	客戶	技術特色
Broadcom	AI加速器	Google (TPU), Apple	客製化設計能力
Marvell	雲端ASIC	AWS, 微軟	網路+運算整合
Cerebras	WSE-3	研究機構	世界最大晶片
Graphcore	IPU	研究/企業	創新架構
SambaNova	DataScale	企業	可重配置架構
Groq	LPU	推理加速	極低延遲

10.3 特殊架構晶片

Cerebras WSE-3 (Wafer Scale Engine)

傳統晶片 vs Cerebras WSE-3:
┌─────────┐          ┌─────────────────────────────┐
│  GPU    │          │                             │
│ ~800mm² │    vs    │      整片晶圓 = 晶片         │
│  Die    │          │       46,225 mm²            │
└─────────┘          │      90萬核心               │
                     │      44GB SRAM              │
                     └─────────────────────────────┘

創新: 整片晶圓做成單一晶片
優勢: 無需跨晶片通訊、超大記憶體頻寬
挑戰: 良率、散熱、成本
應用: 大模型訓練、科學計算

Groq LPU

定位: 推理專用、確定性延遲
特色: 無需HBM (使用SRAM)
效能: Llama 70B 達 300 tokens/sec
應用: 即時推理服務

10.4 ASIC vs GPU 比較

維度	NVIDIA GPU	雲端ASIC	專用ASIC
通用性	最高	中	低
能效比	中	高	最高
開發成本	低	高	最高
生態系統	CUDA (完整)	自建	有限
適用場景	通用訓練/推理	大規模雲端	特定工作負載
上市時間	快	慢	最慢

11. 中國 AI 產業鏈

受美國出口管制影響，中國AI產業正在建立獨立供應鏈，雖面臨先進製程限制，但國產替代加速。

11.1 出口管制現況

美國對中國AI晶片出口管制時間軸:
2022.10    2023.10    2024.01    2024.10    2025+
   │          │          │          │          │
   ▼          ▼          ▼          ▼          ▼
 A100禁令   H100禁令   加強管制   更嚴限制   持續收緊
 限制算力   限制HBM    堵漏洞    第三國限制  技術封鎖

管制要點:

禁止向中國出口先進AI晶片 (H100/H200/B200)
限制先進製程設備 (EUV光刻機)
HBM記憶體出口限制
雲端服務算力限制

11.2 中國GPU設計公司

公司	產品	製程	算力	狀態
華為	昇騰910B/C	7nm (中芯)	~H100 50-60%	量產
寒武紀	思元590	7nm	約A100	量產
燧原科技	邃思系列	12nm	訓練推理	量產
壁仞科技	BR100	7nm	高算力	受限
摩爾線程	MTT S80	7nm	遊戲/AI	量產
天數智芯	天垓100	7nm	通用GPU	發展中

11.3 華為昇騰 - 國產龍頭

昇騰晶片系列

產品	定位	製程	算力 (FP16)	記憶體
昇騰910	訓練	7nm+	320 TFLOPS	32GB HBM2e
昇騰910B	訓練	7nm (SMIC)	~H100 60%	64GB HBM2e
昇騰910C	訓練	7nm	改進版	HBM優化
昇騰310	推理	12nm	22 TOPS	8GB

華為AI生態

華為AI技術棧:
┌─────────────────────────────────────────┐
│            應用層: 盤古大模型            │
├─────────────────────────────────────────┤
│          框架層: MindSpore              │
├─────────────────────────────────────────┤
│         工具層: CANN (AI計算框架)        │
├─────────────────────────────────────────┤
│           硬體層: 昇騰晶片               │
└─────────────────────────────────────────┘

MindSpore: 開源深度學習框架
CANN: 類CUDA的編程平台
客戶: 中國雲端廠商、政府、國企

11.4 中國晶圓製造

中芯國際 SMIC

製程	狀態	產品	限制
14nm	量產	成熟製程晶片	無
7nm (N+2)	量產	華為晶片	無EUV
5nm	發展中	DUV多重曝光	良率挑戰

挑戰: 無法取得EUV光刻機
策略: DUV多重曝光實現先進製程
產能: 持續擴充成熟製程

11.5 中國AI大模型

公司	模型	參數量	特色
百度	文心一言 4.0	千億級	搜尋整合
阿里巴巴	通義千問 2.5	開源72B	多模態
騰訊	混元	萬億MoE	遊戲/社交
字節跳動	豆包	千億級	內容創作
智譜AI	GLM-4	開源	學術背景
月之暗面	Kimi	長上下文	200萬字上下文
MiniMax	ABAB	多模態	語音優勢

11.6 中國AI雲端

公司	AI雲服務	GPU數量	特色
阿里雲	靈積	大規模	最大雲端商
華為雲	盤古	昇騰為主	國產化
騰訊雲	AI服務	混合	遊戲生態
百度智能雲	千帆	混合	模型服務
火山引擎	方舟	大規模	字節跳動

11.7 中國AI產業挑戰與機遇

挑戰:

先進製程落後2-3代
HBM供應受限
軟體生態不成熟
高端人才外流風險

機遇:

國產替代政策支持
龐大內需市場
成熟製程仍可發展
應用創新空間大

12. 機器人與具身AI

2025-2026年具身智能 (Embodied AI) 成為AI下一個重要戰場，科技巨頭紛紛佈局人形機器人。

12.1 人形機器人市場

人形機器人市場預測:
                                          ┌─────────┐
                                    ┌────┤  $38B   │ 2035
                              ┌────┤$12B│         │
                        ┌────┤ $3B│    │         │
                  ┌────┤$500M│   │    │         │
            ──────┴────┴────┴────┴────┴─────────┘
            2024   2025  2027  2030  2035
            起步   商業化  規模化  普及   成熟

12.2 主要人形機器人公司

Tesla Optimus

指標	數據
目標售價	$20,000-30,000
自由度	28+
電池續航	一整天工作
量產時間	2025開始

優勢: Tesla AI團隊、FSD技術移轉、製造能力
應用: 工廠自動化、家庭服務
AI: 端到端神經網路控制

Figure 01/02

指標	數據
融資	$750M+ (微軟、OpenAI、NVIDIA投資)
合作	OpenAI (多模態AI)
商業化	BMW工廠試用

特色: OpenAI GPT-4V整合
能力: 自然語言互動、任務理解

1X Technologies (NEO)

投資者: OpenAI
產品: NEO人形機器人、EVE輪式機器人
定位: 家庭與商業服務

Boston Dynamics (Atlas)

歷史: 機器人領域先驅
Atlas: 最先進運動能力
商業: Spot (四足), Stretch (物流)
所有權: 現代汽車集團

其他重要玩家

公司	產品	投資者/背景	特色
Agility Robotics	Digit	Amazon	物流機器人
Apptronik	Apollo	多家	通用人形
Sanctuary AI	Phoenix	多家	認知AI
Unitree	H1/G1	中國	低成本人形
小米	CyberOne	小米	消費電子背景
傅利葉	GR-1	中國	康復起家

12.3 機器人核心零組件

執行器/關節

類型	廠商	應用	特點
諧波減速器	Harmonic Drive (日), 綠的諧波 (中)	關節	精度高
行星減速器	Nabtesco, 中大力德	重載關節	扭矩大
直驅電機	自研為主	高響應	Tesla方案
液壓	Boston Dynamics	高爆發	複雜昂貴

感測器

類型	廠商	功能
力矩感測器	ATI, Kistler	力控制
視覺相機	Intel RealSense, 奧比中光	環境感知
LiDAR	Velodyne, 禾賽	3D建圖
IMU	Bosch, InvenSense	姿態
觸覺感測	新興技術	精細操作

12.4 具身AI軟體技術

具身AI技術棧:
┌─────────────────────────────────────────┐
│     高層決策: LLM/VLM (GPT-4V, Gemini)  │
├─────────────────────────────────────────┤
│     任務規劃: 行為樹、強化學習           │
├─────────────────────────────────────────┤
│     運動控制: 模仿學習、Model Predictive │
├─────────────────────────────────────────┤
│     感知融合: SLAM、物體識別、場景理解   │
├─────────────────────────────────────────┤
│     底層控制: 電機驅動、力控制           │
└─────────────────────────────────────────┘

關鍵技術:

模仿學習: 從人類示範學習動作
強化學習: 環境互動自我優化
多模態AI: 視覺+語言+動作整合
世界模型: 預測環境變化

12.5 機器人投資機會

層面	投資標的	類型
整機	Tesla, Figure, 1X	風險投資
減速器	諧波傳動, 綠的諧波	上市公司
電機	匯川技術, 鳴志電器	上市公司
感測器	奧比中光, 禾賽	上市公司
AI晶片	NVIDIA, Intel	上市公司

13. AI 能源與永續發展

AI數據中心能耗暴增，推動核能復興與永續能源創新。

13.1 AI數據中心能耗危機

AI訓練能耗演進:
                                          ┌─────────┐
                                    ┌────┤ 100GWh  │ GPT-5?
                              ┌────┤50GWh│         │
                        ┌────┤10GWh│    │         │
                  ┌────┤1GWh │    │    │         │
            ──────┴────┴────┴────┴────┴─────────┘
            GPT-2  GPT-3  GPT-4  GPT-4.5  GPT-5
            2019   2020   2023   2024    2025?

模型	訓練能耗	碳排放	等效
GPT-3	1.3 GWh	500噸CO2	100戶年用電
GPT-4	~10 GWh	數千噸	1000戶年用電
Llama 3.1 405B	~10 GWh	數千噸	-
GPT-5 (預估)	50-100 GWh	數萬噸	小城市年用電

13.2 數據中心電力需求

公司	2024電力	2030預估	成長
Microsoft	4 GW	15 GW	275%
Google	3 GW	10 GW	233%
Amazon	3 GW	12 GW	300%
Meta	2 GW	8 GW	300%
全球AI數據中心	20 GW	100 GW	400%

13.3 核能復興

科技巨頭簽署核能協議，推動小型模組化反應爐 (SMR) 發展。

主要核能合作

公司	合作對象	規模	時程
Microsoft	Constellation Energy	重啟三哩島 (835 MW)	2028
Google	Kairos Power	500 MW SMR	2030
Amazon	Talen Energy, X-energy	多處核能	2030s
Meta	核能探索中	規劃中	-

SMR 小型模組化反應爐

公司	產品	功率	狀態
NuScale	VOYGR	77 MW/模組	NRC認證
TerraPower	Natrium	345 MW	建設中
X-energy	Xe-100	80 MW	開發中
Kairos Power	KP-FHR	140 MW	開發中

13.4 再生能源

數據中心再生能源採購

公司	再生能源目標	現況
Google	24/7無碳	90%+
Microsoft	100% (2025)	進行中
Amazon	100% (2025)	進行中
Meta	100%	已達成

再生能源供應商

類型	主要廠商	數據中心應用
太陽能	First Solar, 隆基	PPA長約
風能	Vestas, GE	大規模風場
儲能	Tesla, CATL	電力調度

13.5 能效技術

技術	節能效果	狀態
液冷散熱	30-40%	主流
浸沒式冷卻	50%+	新興
低PUE設計	1.1以下	頂級DC
AI優化能耗	10-15%	Google實踐
餘熱回收	供暖	北歐實踐

13.6 永續發展挑戰

AI碳排放 vs 效益權衡:
┌─────────────────────────────────────────┐
│                 能耗                     │
│         ↗                               │
│       ↗   AI效益 (生產力、創新)          │
│     ↗                                   │
├─────────────────────────────────────────┤
│     平衡點: 效益 > 碳成本                │
│     解方: 核能 + 再生能源 + 能效提升      │
└─────────────────────────────────────────┘

14. GPU 產品規格完整對比

14.1 NVIDIA 歷代GPU對比

規格	V100	A100	H100	H200	B100	B200
架構	Volta	Ampere	Hopper	Hopper	Blackwell	Blackwell
製程	12nm	7nm	4nm	4nm	4nm	4nm
電晶體	211億	542億	800億	800億	2080億	2080億
FP64	7.8 TF	9.7 TF	34 TF	34 TF	45 TF	45 TF
FP32	15.7 TF	19.5 TF	67 TF	67 TF	90 TF	90 TF
FP16	125 TF	312 TF	989 TF	989 TF	1800 TF	1800 TF
INT8	62 TOPS	624 TOPS	1979 TOPS	1979 TOPS	3600 TOPS	3600 TOPS
FP8	-	-	3958 TOPS	3958 TOPS	7200 TOPS	7200 TOPS
FP4	-	-	-	-	14400 TOPS	14400 TOPS
記憶體	16/32GB HBM2	40/80GB HBM2e	80GB HBM3	141GB HBM3e	192GB HBM3e	192GB HBM3e
頻寬	900 GB/s	2 TB/s	3.35 TB/s	4.8 TB/s	8 TB/s	8 TB/s
TDP	300W	400W	700W	700W	700W	1000W
NVLink	300 GB/s	600 GB/s	900 GB/s	900 GB/s	1.8 TB/s	1.8 TB/s
定價 (雲端)	舊款	$10K	$25-30K	$25-30K	$30-40K	$40-50K

14.2 AMD MI系列對比

規格	MI250X	MI300X	MI325X	MI350 (預計)
架構	CDNA 2	CDNA 3	CDNA 3+	CDNA 4
製程	6nm	5nm	3nm	3nm
FP64	47.9 TF	81.7 TF	~100 TF	提升
FP32	47.9 TF	81.7 TF	~100 TF	提升
FP16	383 TF	1307 TF	~1500 TF	提升
FP8	-	2614 TF	~3000 TF	提升
記憶體	128GB HBM2e	192GB HBM3	256GB HBM3e	HBM3e
頻寬	3.2 TB/s	5.3 TB/s	6 TB/s	提升
TDP	560W	750W	750W	TBD

14.3 Google TPU對比

規格	TPU v4	TPU v5e	TPU v5p	TPU v6
定位	通用	經濟	高效能	新一代
BF16	275 TF	經濟版	459 TF	~900 TF
記憶體	32GB HBM2e	16GB	95GB HBM2e	HBM3
互連	ICI	ICI	ICI	ICI
Pod規模	4096 TPU	256 TPU	8960 TPU	擴大

14.4 效能/瓦特比較

效能功耗比演進 (正規化):
            H100    H200    B100    B200
FP16/W      1.0     1.0     1.8     1.3
FP8/W       1.0     1.0     1.8     1.3
記憶體/W    1.0     1.8     2.4     2.4

結論: Blackwell架構帶來80%能效提升
      B200功耗增加但總效能更高

15. 產業風險與地緣政治

15.1 地緣政治風險矩陣

風險	影響	可能性	受影響公司
台海衝突	致命	中	全產業
美中科技戰升級	高	高	NVIDIA, AMD, 雲端廠
台積電產能中斷	致命	低	全產業
HBM供應短缺	高	中	GPU廠商
出口管制擴大	中	高	設備/軟體商
人才流動限制	中	中	科技公司

15.2 台海風險分析

台灣在全球AI供應鏈角色:
┌─────────────────────────────────────────┐
│ 台積電: 90%+ AI晶片製造                  │ ← 不可替代
│ 日月光: 60%+ 先進封裝                    │ ← 高度集中
│ 台達/光寶: 50%+ 伺服器電源               │ ← 可替代性中
│ 鴻海/廣達: 60%+ AI伺服器組裝             │ ← 可轉移
└─────────────────────────────────────────┘
              ↓
       任何中斷 = 全球AI產業停擺

風險緩解:

台積電美國/日本/德國設廠
Intel代工能力提升
三星擴大先進製程
供應鏈多元化

15.3 美中科技戰現況

美國管制措施

時間	措施	影響
2022.10	禁止先進AI晶片出口	A100禁售
2023.10	加強管制、堵漏洞	H100禁售
2024.01	雲端算力限制	服務受限
2024.10	第三國限制	全面封鎖
2025+	持續收緊	待觀察

中國反制措施

稀土出口管制
鎵、鍺出口限制
反制裁法律
加速國產替代

15.4 供應鏈風險

HBM供應風險

風險	影響	緩解措施
SK Hynix產能不足	GPU交付延遲	三星/Micron擴產
韓國地緣風險	HBM供應中斷	美國本土產能
良率問題	成本上升	技術改進

EUV設備風險

風險	影響	現況
ASML獨家供應	產能瓶頸	持續擴產
地緣政治 (荷蘭)	出口限制	已配合美國
設備交期	18-24個月	難以縮短

15.5 市場風險

風險	機率	影響
AI泡沫破裂	低-中	估值修正
NVIDIA競爭加劇	中	毛利下降
開源模型崛起	高	商業模式改變
監管加強	中	合規成本增加
經濟衰退	低	IT支出減少

15.6 風險緩解策略

投資者策略:

分散投資 (不只押NVIDIA)
關注供應鏈多元化公司
留意地緣政治發展
評估公司護城河深度

產業策略:

供應鏈在地化
第二供應商策略
庫存緩衝
技術自主研發

16. 投資標的完整清單

16.1 核心持股 (高確定性)

公司	代號	領域	投資邏輯	風險
NVIDIA	NVDA	GPU設計	80%市佔壟斷	估值高、競爭
台積電	TSM/2330	晶圓製造	90%先進製程	地緣政治
ASML	ASML	EUV設備	100%壟斷	週期性
SK Hynix	000660.KS	HBM記憶體	90% HBM3e	韓國風險

16.2 成長型標的

公司	代號	領域	投資邏輯	風險
AMD	AMD	GPU追趕者	MI系列成長	軟體生態弱
Broadcom	AVGO	網路/ASIC	客製化晶片	週期性
Marvell	MRVL	雲端ASIC	AWS/雲端合作	競爭
Arm	ARM	IP授權	AI晶片基礎	估值

16.3 台灣供應鏈

公司	代號	領域	投資邏輯	風險
台達電	2308	電源	35%伺服器電源	匯率
光寶	2301	電源	價格競爭力	毛利壓力
日月光	3711	封裝	CoWoS龍頭	產能
鴻海	2317	組裝	DGX代工	毛利低
廣達	2382	組裝	雲端伺服器	客戶集中
緯創	3231	組裝	AI伺服器	競爭
奇鋐	3017	散熱	液冷模組	規模小
雙鴻	3324	散熱	液冷成長	競爭

16.4 美國科技

公司	代號	領域	投資邏輯	風險
Microsoft	MSFT	雲端/AI	Azure+OpenAI	反壟斷
Google	GOOGL	雲端/AI	Gemini+TPU	廣告依賴
Amazon	AMZN	雲端	AWS龍頭	競爭
Meta	META	AI應用	Llama開源	監管
Oracle	ORCL	雲端	AI雲成長快	規模小

16.5 AI應用/軟體

公司	代號	領域	投資邏輯	風險
Palantir	PLTR	企業AI	政府+企業	估值高
ServiceNow	NOW	企業軟體	AI工作流	競爭
MongoDB	MDB	資料庫	AI資料層	虧損
Datadog	DDOG	監控	AI可觀測	估值
Snowflake	SNOW	資料倉儲	AI分析	競爭

16.6 基礎設施

公司	代號	領域	投資邏輯	風險
Vertiv	VRT	散熱/電源	數據中心龍頭	週期性
Eaton	ETN	電力	數據中心電力	成熟
Schneider	SU.PA	基礎設施	整體方案	歐洲
Equinix	EQIX	數據中心REIT	AI DC需求	利率敏感

16.7 光通訊

公司	代號	領域	投資邏輯	風險
中際旭創	300308.SZ	光模組	800G龍頭	中國風險
Coherent	COHR	光通訊	垂直整合	週期性
Lumentum	LITE	光學元件	雷射技術	週期性
Ciena	CIEN	光網路	網路設備	競爭

16.8 ETF選擇

ETF	代號	聚焦	費用率
VanEck Semiconductor	SMH	半導體	0.35%
iShares Semiconductor	SOXX	半導體	0.35%
Global X Robotics & AI	BOTZ	機器人AI	0.68%
ARK Autonomous Tech	ARKQ	自動化	0.75%
Global X AI & Tech	AIQ	AI科技	0.68%

16.9 投資組合建議

AI投資組合配置建議:
┌─────────────────────────────────────────┐
│ 核心持股 (40%): NVIDIA, 台積電, ASML    │
├─────────────────────────────────────────┤
│ 成長標的 (25%): AMD, Broadcom, ARM      │
├─────────────────────────────────────────┤
│ 台灣供應鏈 (15%): 台達電, 日月光, 廣達  │
├─────────────────────────────────────────┤
│ 雲端巨頭 (15%): Microsoft, Google       │
├─────────────────────────────────────────┤
│ 新興機會 (5%): 機器人, 光通訊           │
└─────────────────────────────────────────┘

風險管理:
• 單一個股不超過15%
• 台灣曝險注意地緣風險
• 定期再平衡
• 長期持有 (3-5年)

17. 市場規模與關鍵數據

17.1 整體市場

2024: $200B
2030: $1.8T (年增42%)

17.2 細分市場 (2024)

AI晶片: $70B

NVIDIA: $40B
HBM: $10B (SK Hynix $6B)

數據中心: $40B

伺服器: $25B
散熱: $8B
電源網路: $7B

雲端服務: $50B

Azure: $15B
AWS: $12B
GCP: $10B

軟體應用: $40B

生成式AI: $15B
企業AI: $20B

17.3 重點公司

NVIDIA:

市值: $2.5T
營收: $60B
毛利率: 70-75%

台積電:

AI晶片營收佔比: 30-35%
先進製程: >50%營收

18. 關鍵結論與趨勢

18.1 供應鏈瓶頸 ⚠️

HBM記憶體: SK Hynix產能限制,交期6-12月
CoWoS封裝: 台積電+日月光獨家,良率要求>95%
EUV光刻機: ASML唯一供應商,每台$2億
液冷散熱: 新技術,部署經驗不足

18.2 台灣角色 🇹🇼

核心地位:

台積電: 90%+ AI晶片製造
日月光: CoWoS封裝龍頭
台達/光寶: 伺服器電源55%+
鴻海/廣達: AI伺服器組裝55%+

結論: 台灣是全球AI供應鏈不可或缺的核心

18.3 未來趨勢 📈

算力需求暴增: 2030年需求>100x
散熱技術升級: 液冷→浸沒式
自研晶片興起: TPU, Trainium挑戰NVIDIA
開源模型崛起: Llama挑戰GPT
AI普及化: 從科技到各行各業

18.4 投資機會總結 💡

確定性機會:

台積電 (製造壟斷)
SK Hynix (HBM壟斷)
NVIDIA (設計壟斷)
台達電/光寶 (電源龍頭)

成長性機會:

液冷散熱廠商
AI應用開發商
垂直產業AI

19. 完整價值鏈流程

┌────────────────────────────────────────────────────────────┐
│          AI 產業價值鏈 (從晶片到應用)                       │
├────────────────────────────────────────────────────────────┤
│                                                             │
│  【上游】晶片製造                                           │
│  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━  │
│                                                             │
│  晶片設計 → 晶圓製造 → 封裝測試 → GPU成品                  │
│  NVIDIA     台積電     日月光     H100                      │
│    ↓          ↓          ↓          ↓                       │
│  支援       支援       支援       配套                       │
│  EDA        ASML       CoWoS      HBM(SK Hynix)            │
│  IP授權     材料商     TSV技術    散熱(Vertiv)             │
│            設備商                電源(台達電)              │
│                                                             │
│  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━  │
│                                                             │
│  【中游】系統整合                                           │
│  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━  │
│                                                             │
│  伺服器組裝 → 數據中心 → 雲端平台                          │
│  鴻海/廣達   CoreWeave   Azure/AWS                         │
│    ↓            ↓           ↓                               │
│  配套        配套        配套                               │
│  PDU         液冷        網路(Mellanox)                     │
│  機櫃        UPS         儲存(Pure)                         │
│              電力                                           │
│                                                             │
│  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━  │
│                                                             │
│  【下游】軟體應用                                           │
│  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━  │
│                                                             │
│  AI框架 → 模型訓練 → 應用服務 → 終端用戶                   │
│  PyTorch   GPT-4     ChatGPT    消費者/企業                 │
│    ↓         ↓          ↓           ↓                       │
│  支援     支援      應用        價值                        │
│  MLOps    資料      文字生成    提升效率                    │
│  工具鏈   算力      圖像生成    降低成本                    │
│          人才      程式開發    創新服務                     │
│                                                             │
└────────────────────────────────────────────────────────────┘

文檔總結:

本文檔完整梳理了AI產業從上游晶片設計製造、中游系統整合數據中心、到下游軟體應用的全鏈條,涵蓋:

8大產業層次 (晶片/散熱/電源/儲存網路/光通訊/雲端/軟體/邊緣AI)
150+ 重點企業 (市佔率/產品/技術/投資邏輯)
完整供應鏈關係 (台積電/NVIDIA/SK Hynix等)
市場規模數據 ($200B→$1.8T)
專題分析: ASIC晶片、中國AI產業、機器人具身AI、能源永續
地緣政治風險: 台海、美中科技戰、供應鏈風險
完整投資標的: 核心持股、成長標的、台灣供應鏈、ETF
GPU規格對比: NVIDIA/AMD/Google TPU完整數據

台灣在AI供應鏈的核心地位不可替代,掌握晶片製造(台積電)、封裝(日月光)、電源(台達/光寶)、伺服器組裝(鴻海/廣達)等關鍵環節。

2025-2026關鍵趨勢:

Blackwell架構大規模部署
液冷/浸沒式冷卻成為標配
邊緣AI與AI PC普及
人形機器人商業化起步
核能復興支撐AI能源需求

文檔更新: 2026年1月 數據來源: 各公司財報、市場研究報告、產業分析 注意: 市場佔有率為估計值,實際情況可能有所差異 本文檔不構成投資建議,投資有風險,請謹慎評估

Keyboard shortcuts

Jason's Notes