編按：生成式AI的競爭重心，正轉向推論成本與供給穩定度。Google以Gemini結合搜尋入口與TPU，推進算力布局，正面挑戰輝達GPU與CUDA生態。而在這場算力主導權之爭中，台灣於先進封裝、系統交付與ASIC協同設計的關鍵性，正快速升高。
生成式AI的競爭邏輯正在改變：從「誰能訓練出更強的模型」轉向「誰能以更低的推論成本、更穩定的供給，把模型部署到更大的使用場景」。當推論成為主要支出項，算力不再只是性能指標，而是成本曲線、供應鏈與生態系的綜合戰。
Gemini優勢不只在能力，而在入口的規模化分發
Google把Gemini的升級與既有產品入口綁定，形成「模型能力—產品滲透—使用回饋」的加速迴路。Alphabet在2025 年Q3執行長談話中揭露，Gemini App已超過6.5億月活躍用戶，且查詢量較Q2成長3倍。
同時，在2025年Q2的CEO說明裡，Google指出Search的AI Overviews已擴及200+ 國家與地區、40種語言，月使用者 超過20億。
這代表Gemini的競爭力不是把使用者「導流到一個AI產品」，而是把AI變成搜尋與工作流的底層能力——入口本身就是護城河。
2025年11月，Google發布Gemini 3，並在官方產品說明中指出其在LMArena以1501 Elo登頂。
路透同日報導也提到，Google將Gemini 3更深度嵌入搜尋，並推出能完成多步驟任務的「Gemini Agent」類能力，強化從「回答」走向「代辦」的產品方向。對企業用戶而言，重點不只是榜單，而是模型升級能否直接轉化為可控、可衡量的生產力提升；Google的作法是把模型、工具使用與雲端平台同時推進。
TPU Ironwood：推論時代的成本武器
硬體層面，Google在2025年4月推出第七代 TPU「Ironwood」，並明確以「推論時代」定位；官方指出其提供256與9216晶片兩種配置，支援超大規模部署。
這背後的策略很清楚：當AI的價值從「訓練一次」轉向「被大量呼叫」，能否把推論的單位成本壓下來，將直接決定雲端服務的毛利與擴張速度。TPU作為專用加速器，不必在所有工作負載上追求通用性，而是用工程化方式在關鍵負載上建立成本優勢。
TPU外溢到市場，才是Google最具破壞性的動作。2025年10月，Anthropic宣布擴大採用Google Cloud TPU，規模上看多達100萬顆TPU，並計畫在2026年帶來逾1GW的算力容量；路透亦指出其採用主因是成本與效能考量。
2025年11月，路透再報導Meta與Google洽談自2027年起在資料中心使用TPU，並可能更早透過Google Cloud租用。
一旦雲端巨頭能提供「第二條大規模算力供給」，企業在GPU採購與雲端談判上就不再只有單一路徑，市場權力結構會被鬆動。
輝達真正護城河在CUDA
輝達長期壟斷的核心不只是晶片，而是CUDA與開發工具鏈帶來的遷移成本。2025 年12月，路透揭露Google內部推動「TorchTPU」專案，目標是讓TPU更順暢支援主流PyTorch，並與PyTorch的關鍵推動者Meta形成合作動能。
這意味競爭焦點正在從「算力誰更快」，轉向「誰能把切換成本降到足以讓企業改路徑」。一旦工具鏈相容性被打通，TPU的外部擴張，才可能從少數特例變成規模化選項。
台灣不是旁觀者，而是三個「瓶頸位置」掌握者
1.先進封裝是算力供給的閥門
2025年1月，路透引述黃仁勳說法指出，輝達正從CoWoS-S轉向CoWoS-L；同時也提到先進封裝產能在不到兩年內大幅提升，但仍是瓶頸。
對台灣而言，先進封裝不再只是後段製程，而是AI晶片能否出貨的關鍵限制條件；能擴產、能升級、能維持良率，就能影響全球算力供給曲線。
2.AI伺服器與液冷：台灣ODM從製造走向系統協同設計
路透在2025年8月報導指出，台灣科技業正由消費電子轉向AI伺服器，並點名廣達、緯創等在營收上的顯著成長。TrendForce亦指出，隨GB200∕GB300機櫃出貨擴大，液冷採用率上升，資料中心需從機櫃到機房的配套設計「液冷就緒」。這使台灣的價值鏈從「代工產能」上移到「系統整合、散熱工程、交付能力」：愈靠近部署現場，愈能沉澱成長期競爭力。
3.ASIC化與共同設計：台灣開始進入雲端巨頭的晶片協作鏈
2025年3月，路透報導Google準備與台灣聯發科合作開發下一代TPU，並提及Google希望降低對輝達晶片的依賴。
這對台灣的意義是結構性的：未來算力市場不是「GPU一統」，而是「GPU+多家ASIC並存」。台灣若能把優勢延伸到共同設計、製程協同與封裝∕互連整合，就有機會在新架構競爭中取得更高附加價值的位置。
台灣戰略題！不是選邊，而是放大三個槓桿
Google以「入口分發（Gemini）＋推論成本（TPU）＋工具鏈相容性」推進全栈整合；輝達則以「通用GPU平台＋CUDA生態」維持高度黏著。可以預期的是，未來一段時間不會出現單一勝者，而是走向多架構、多雲、多供應並存的競合格局。也因此，台灣最務實且最具上升空間的策略，不是押注單一陣營，而是把自身在全球算力供應鏈中的不可替代性，集中放大在三個決定「供給」與「交付」的瓶頸位置。
第一是先進封裝：在HBM堆疊、晶粒整合與功耗密度快速攀升的時代，封裝不再只是後段製程，而是AI晶片能否出貨、能否維持良率與能否控制成本的關鍵閥門。台灣若能在CoWoS等先進封裝的產能擴張、製程升級與良率管理上保持領先，就等同握住全球算力供給曲線的一段「開關」。
第二是系統與液冷交付：推論規模化意味著機櫃密度更高、能耗與散熱更吃緊，AI伺服器不只是「組裝」，而是從機櫃、散熱、電源到機房級部署的一體化工程；台灣ODM∕EMS若把能力延伸到整機整櫃、液冷就緒與快速交付，將更接近雲端客戶的核心決策鏈。
第三是ASIC協同設計：當雲端巨頭以TPU等ASIC對沖GPU供應與成本風險，台灣不應只停留在製造端，而應強化從架構規劃、互連與封裝協同，到量產導入的共同設計能力，讓台灣在「多ASIC時代」成為設計—製程—封裝—系統整合的樞紐。
簡言之，當AI進入推論規模化階段，真正的勝負不是單一晶片或單一模型的性能，而是成本曲線、供給可得性與交付速度。台灣若能把先進封裝、系統∕液冷交付與ASIC協同設計三個槓桿做深做寬，就不只是供應鏈的一環，而是新一輪全球算力秩序中，能影響規則與分配的關鍵節點。
