在一份爆炸性的報導指出 Google 正與 Meta 進行進階、價值數十億美元的談判，準備將其第七代 TPU「Ironwood」直接出售給 Meta 後，AI 硬體版圖已被徹底改寫。多年來，Tensor Processing Units（TPU）一直被 Google 嚴密掌控，只能在其內部基礎設施使用，或僅透過 Google Cloud 租賃。這項策略性發展——Meta 計畫在 2026 年前租用 TPU，並可能在 2027 年直接買下——把原本的專有優勢轉變成一個競爭極為激烈的商業產品。

市場反應立即且劇烈：Nvidia 股價大幅下跌，市值蒸發超過 1,500 億美元；同時，Alphabet（Google 母公司）的股價大幅上漲，顯示華爾街認為這個產業中最持久的壟斷體系如今正面臨一個可信、甚至威脅其生存的挑戰。這一策略轉向正發生在 AI 計算成本和需求壓力急遽上升的時刻，使得替代加速器的崛起變得既必要又不可避免。

Nvidia 的統治與成本負擔

多年來，Nvidia 對 AI 晶片市場的掌控，是建立在全球數據中心中成千上萬顆 GPU 不停運轉的基礎上，支撐從生成式 AI 模型到搜尋服務的一切。這種主導地位既極具利益又極具力量，但也為整個生態系帶來重大成本。

在近期一季中，Nvidia 報告：

• 570 億美元總營收

• 其中 512 億美元來自資料中心 GPU 銷售

• GAAP 毛利率高達 73.4%，超越多數軟體壟斷企業

簡單來說，Nvidia 在每一顆 GPU 上都獲得巨額利潤。

然而，這種主導造成嚴重的經濟瓶頸。訓練與部署最尖端的模型需要巨額資本支出——數萬顆 GPU、高頻寬記憶體（HBM）、巨型儲存集群，以及暴漲的電力成本。整體成本結構對許多 AI 公司來說極具壓力，使得高層與投資者提出一個關鍵問題：

我們究竟還能負擔 Nvidia 的溢價多久？

這種壓力，加上產業快速的升級週期，意味著較舊、效率較低的硬體會被不斷淘汰。如果你的組織正面臨高額升級成本，將既有資產貨幣化就至關重要。你可以 Sell GPU 硬體來回收資金，並為下一代基礎設施籌措經費。

這項需求為 Google 和 Amazon 開啟了一條道路——在多年作為 Nvidia 最大客戶之後，他們已到達轉折點：
若 GPU 成本持續上升，自行打造晶片就變得合理。

挑戰者：Google 與 Amazon

挑戰的核心來自兩大超級雲端業者，它們正在將自家客製化矽晶片商業化，希望增加收入並降低自身的基礎設施成本。

Google Ironwood：為雲端打造的超級電腦

Google 的第七代 TPU，被稱為 Ironwood，是為高吞吐量的機器學習任務量身打造的。其性能包括：

• 4,614 TFLOPS 的 FP8 運算能力

• 192 GB 的 HBM3e 記憶體

真正令人驚嘆的是規模：
最多可連接 9,216 顆晶片，形成一台 AI 超級電腦，提供：

• 超過 40 exaflops 的 FP8 性能

• 1.7 PB 的共享記憶體

如果 Google 對外銷售 TPU 的計畫成真，Ironwood 將不僅驅動 Google Cloud 上的 AI 工作負載，也有可能直接部署在 Meta 與其他超級雲端業者的數據中心中，直接挑戰 Nvidia 的旗艦晶片，例如即將推出的 GB300。商業化已經展開，有消息稱 AI 實驗室如 Anthropic 已確保獲得大量 TPU。

Amazon Trainium3：重塑 AI 經濟學

Amazon Web Services（AWS）推出 Trainium3，由 Annapurna Labs 開發並採用 3nm 製程製造。其規格包括：

• 2.52 FP8 petaflops

• 144 GB HBM3e

• 整合於全新的 EC2 Trn3 UltraServer

AWS 的目標是提供更具成本效益的 AI 基礎設施選項，並收回部分原本流向 Nvidia 的利潤。

值得注意的是：下一代 Trainium4 將支援 與 Nvidia GPU 的 NVLink 互通。
這暗示著一種策略性混合部署方式：

• 高強度訓練工作負載：使用 Nvidia

• 對成本敏感的推論：使用 Trainium

強調的是降低 TCO（總擁有成本），而非完全取代 Nvidia。

護城河：為何 CUDA 依然無法撼動

儘管替代晶片具有省成本的吸引力，但大多數工程師仍重視一個核心事實：

CUDA 更成熟，也更容易使用。

自 2006 年起，Nvidia 已打造出全球最先進的 GPU 程式生態系。研究人員與深度學習先驅在生成式 AI 爆發前就已廣泛使用 CUDA，整個產業的程式碼堆疊、管線與客製化 kernel 都為其優化。

轉向 TPU 或 Trainium 需要昂貴且耗時的代碼重寫及大規模系統調整。在實務中，理論上的節省常常抵不過實際風險與工作量，這也使得 Nvidia 的軟體堡壘比表面看起來更難突破。

然而，Google 正積極面對這項挑戰。公司正在強化：

• TPU 上的原生 PyTorch 支援

• JAX 支援

• 對開源推論框架的貢獻

目標是打造一座 低摩擦的軟體橋樑，協助模型遷移，並瓦解 CUDA 的鎖定效應。

Nvidia 的反擊：跑得更快

Nvidia 完全明白這些替代方案所帶來的生存威脅。即使 Blackwell 架構尚未廣泛部署，公司已宣布 Rubin 架構與下一代的 Vera Rubin NVL144 系統。

Rubin 的目標驚人：

• 每顆 GPU 提供 50 petaflops 的 FP4 推論性能

• NVL144 機櫃提供超過 3.6 exaflops

• 性能是 GB300 NVL72 的 三倍以上

Nvidia 的策略很清楚：
加速產品路線圖、保持領先，迫使客戶思考——

現在採用 TPU 或 Trainium，在兩三年後 Nvidia 推出更強世代後，是否仍具經濟優勢？

---

未來格局

展望未來，市場正走向多極化，但最可能的三種情境包括：

1. 利潤下降

Nvidia 保有領導地位，但 Google、AWS 與 AMD 擴大晶片布局，使價格更親民。

2. 多極生態系

AI 加速器市場分裂，類似 CPU 產業：
Nvidia 仍占主導，但需與強大的競爭者共同分食市場。

3. 暫時放緩

AI 熱潮與支出若短暫放緩，Nvidia 受影響最大，但整體趨勢仍指向「短暫停滯而非崩盤」。

最合理的結果是前兩者的組合：
Nvidia 依然在頂端，但 Google 與 Amazon 已完全入局，並準備打一場持久戰。

如果 Google 真的開始對外出售 TPU，尤其是賣給像 Meta 這樣的巨頭，那麼這場本世紀最具決定性的 AI 硬體戰爭將進一步加速，並重新定義未來十年運算的規則、成本與能力。

Here is the English version: The Escalating AI Chip War: Hyperscalers Mount a Challenge to Nvidias Crown - BuySellRam