Google AI 逆襲中？TPU 跟 GPU 有什麼不一樣？為何台灣產業鏈可能連帶大漲

近兩日的重點新聞：Google母公司 Alphabet 股價大漲，市值逼近 4 兆美元；台積電、聯發科、台光電、金像電、創意、旺矽、精測、英業達、聯亞、光聖等 12 家台廠，被市場視為「Google TPU 伺服器概念股」，部分已在供應鏈之中、部分則被預期有機會承接相關訂單而連帶受惠。

Google 股價創新高、台廠跟著動起來，這不是單純「題材炒股」，背後其實反映了幾個關鍵事實：

• Alphabet 股價創歷史新高，靠的是 AI 能見度——特別是最新的 Gemini 3 模型與自研 TPU。

• Google 宣布 Gemini 3 完全在自家 TPU 上訓練，等於對外宣示：「我不用 NVIDIA 也能練出頂尖模型」。

• 更重要的是：有外電與分析指出，Meta 正在評估 2026 先租借試用、2027 起直接購買 Google TPU，交易規模上看數十億美元。

這對台灣來說，等於從晶圓製造、關鍵板材、測試設備，到組裝、光通訊，整條 TPU 伺服器鏈上都可能有台廠的身影。

為什麼 AI 會「造」出一整條可以賺大錢的產業鏈？

AI產業鏈：「算力 → GPU/TPU → 伺服器 → 台灣供應鏈」，我們用最簡單的方式來理解：

生成式 AI 在做什麼？

• GenAI 就像是一個「超巨大圖書館」，根據豐富的案例資料，經過數學、統計來「預測下一個字（或下一格圖片像素）是什麼」。

• 這些模型動輒就是上千億參數，訓練一次要跑好幾週甚至更久。

算力從哪裡來？從「AI 伺服器」來

• 裡面塞滿 GPU 或 TPU 這種高階運算晶片。

• 再把上千台伺服器透過光纖與網路串成資料中心。

所以，每當有一間大廠說：「要訓練一個更厲害的 AI 模型」，就代表：

• 要蓋新的資料中心；

• 要買一堆 AI 伺服器；

  這讓後面整條硬體供應鏈就有生意可以做，這也是台灣的商機所在。

GPU vs TPU？搞懂兩大主角

GPU：原本只是跑電玩的顯卡，意外變成了 AI 的主力

圖形處理器（GPU，Graphics Processing Unit） 本來只是讓電腦畫 3D、跑遊戲畫面的顯卡，但因為它擅長「大量重複的數學運算」，後來就被用來跑機器學習與深度學習，成為AI模型的主力。例如：NVIDIA，H100、H200 就是現在資料中心最愛用的 GPU。

NVIDIA GPU 成為 AI 主流的重要原因之一，是它自家開發的 CUDA 軟體生態，讓工程師可以更容易寫程式、校準效能，這是其他廠商一時很難追上的優勢。

你可以把 GPU 當成：「泛用型高階工作站」，大部分任務都能做。

TPU：Google 為了 AI 特地打造的專用武器

張量處理器（TPU，Tensor Processing Unit） 是 Google 自己設計的 ASIC 晶片。

什麼是 ASIC？Application-Specific Integrated Circuit 顧名思義就是「為特定用途量身打造的晶片」，是專門為了跑AI設計的，它特別擅長：

• 大型語言模型的訓練（LLM Training）：

• 以及該模型上線後的推論（Inference）

在相同任務下，功耗和成本上比 GPU 更有優勢。

而Google 的策略就是：將自家的AI模型（PaLM、Gemini 、最新的 Gemini 3）全部在自家 TPU 上訓練與部署。

項目	GPU	TPU
設計出發點	遊戲、圖形、科學運算	為機器學習／深度學習量身打造
性質	泛用型，什麼都能跑	專用型，專精 AI 任務
代表公司	NVIDIA、AMD	Google（設計）＋台積電（代工）
使用情境	研究機構、企業的 AI 伺服器	Google 生態系服務、Google Cloud 客戶、未來 Meta
優勢	軟體生態成熟（CUDA）、彈性強	在部分 AI 任務上更省電、更便宜、效能更好

Google 為什麼突然改走 TPU 路線？

降低對 NVIDIA 的依賴

當大家都需要搶 NVIDIA GPU，價格與供貨都掌握在對方手上；自己設計 TPU，雖然前期投資巨大，但：

• 長期下來，每一次訓練模型的成本可以大幅下降；

• 不會被市面上單一供應商綁架。

「Full Stack 全棧策略」，打造完整「AI 一條龍」的生態護城河

Google 現在手上的組合是：

1. 自家晶片（TPU）

2. 自家模型（Gemini 3）

3. 自家雲端（Google Cloud）

4. 自家應用（Search、YouTube、Gmail、Android…）

等於從硬體到軟體、從雲端到終端都自己掌控，別人很難完全複製。

TPUs 不只自己用，還能賣給對手

市場消息指出：Meta 正和 Google 商談，2026 年先租借 TPU 算力、2027 年起直接買晶片，規模達數十億美元，等於 Google 若每年出貨 TPU ，光 AI 晶片這一塊就能對營收與獲利帶來可觀貢獻，進一步推升估值。

換句話說：Google 想做的不只是「AI 服務提供商」，還想當「AI 基礎供應商」。

台灣在哪裡？一條潛在的 TPU 伺服器的台灣供應鏈地圖

晶圓製造：台積電——不可替代的心臟

無論是NVIDIA 高階 GPU，還是Google TPU 採用的先進製程，全由台積電代工。

晶片設計協力：聯發科、世芯-KY、創意

• 聯發科：若如傳言，與 Google 合作開發新世代 TPU，是少數有這種規模合作的 IC 設計廠。

• 世芯-KY、創意：專為國際大客戶做 ASIC 代工設計，有機會打入TPU 平台。

也就是說，「Google 出題目 → 晶片設計協力幫你畫電路 → 台積電幫你做出來。」

高階 PCB／CCL：台光電、金像電、精成科、欣興

• PCB（印刷電路板）：讓晶片彼此有「道路」可以傳輸訊號。

• CCL（銅箔基板）：PCB 的原料。

AI 伺服器的 PCB 層數高、要求嚴苛，因此這些廠商被點名為 Google TPU 伺服器高階 PCB 與 CCL 的主力供應商，當AI 伺服器越多、越高階，這些做板子的公司訂單也就越多。

測試與驗證：旺矽、精測

• 旺矽：擁有多種高階探針卡產品線，可為 TPU 驗測階段主要供應商之一。

• 精測：同樣深耕高階 IC 測試與測試介面。

AI 晶片越複雜，測試的價值越高，錯一顆就是大錢，因此每顆 TPU 在出貨之前，都要先經過嚴格的電性與功能測試。

整機組裝：英業達、勤誠

• 英業達：被點名為第六代 TPU 的第二大供貨廠商，負責 AI 伺服器的整機設計與組裝。

• 另外，勤誠等機殼與結構件廠，也開始因 TPU 機殼、水冷設計而受惠。

直白地說，就是負責把所有零件組成一台能上線的超級 AI 主機。

光通訊與高速連接：聯亞、光聖

• 聯亞、光聖：被點名為 TPU 高速傳輸與光通訊的重要供應商。

就類似於資料中心的神經系統，承載龐大的網路流量，在伺服器之間快速進行資料交換。

結論：GPU 代表的是「靠外部供應商的 AI 算力」；TPU 代表的是「雲端巨頭自己蓋發電廠」。Google 選擇後者，而台灣正好是這座「發電廠」從圖紙到設備的一條龍代工基地。

未來是否能真正化為實質經濟效益，可長期觀察：

• Google AI 策略能否持續成功

• TPU 是否能拓展更多客戶應用（例如 Meta未來動向）

• 台灣能不能在這條產業鏈上守住技術領先與產能優勢