隨著 Gemini 3 的強勢崛起，以及 Google 旗下產品（Gmail, Docs, NotebookLM）全面導入 AI，市場風向出現了顯著變化。社群媒體上的「跳槽潮」不僅證明了 Google 的軟體實力，更引發了投資圈對硬體版圖的重新思考：在 AI 進入大規模應用期後，NVIDIA 的 GPU 是否還是唯一的解答？
我們該如何從商業與財務的角度，看懂 NVIDIA GPU 與 Google TPU 之間的競爭關係？以及 Google 可能「外賣晶片」的策略將如何改變市場？
1. 產品定位差異：通用性 vs. 專用性
要理解兩者的競爭，首先要看懂它們設計邏輯不同之處。這不是誰強誰弱，而是目的不同。
NVIDIA (GPU)：追求「什麼都能做」的極致通用性
NVIDIA 的晶片（如 GB200）設計初衷是為了滿足最廣泛的需求。
- 優勢： 通用性極強，擁有強大的 CUDA 生態系，無論是最新的 AI 模型架構、科學計算模擬，還是圖形渲染，它都能勝任。對於需要不斷探索新技術的研究人員來說，這是最靈活、阻力最小的選擇。
- 特點： 為了維持這種「萬用」的特性，晶片內必須保留許多不一定用得到的電路設計。這導致了較高的硬體成本與電力消耗。
Google (TPU)：追求「只做 AI 運算」的極致效率
Google 的 TPU（如 Trillium）屬於 ASIC（特殊應用積體電路）。
- 優勢： 它是為了「矩陣運算」（AI 的數學基礎）而特製的。它移除了所有與 AI 無關的功能。這使得它在處理特定 AI 任務時，能以更小的晶片面積、更低的電力，達到極高的產出。
- 特點： 無論是訓練還是推論，只要任務是標準化的矩陣運算，TPU 這種去中心化的 ASIC 架構，往往能以更小的晶片面積、更低的電力，達到極高的產出效率。
2. 商業階段的轉移：從「訓練」到「推論」
為什麼市場開始質疑 NVIDIA 的效率？因為 AI 產業正從「訓練期（研發）」進入「推論期（量產應用）」。
訓練階段 (Training) —— 效能至上
- 在開發新模型時，目標是「做出最強的成果」。這時候，企業願意不計代價地投入資源。NVIDIA 憑藉其強大的單體性能與靈活的生態，成為絕大多數企業的首選。然而，Google 也證明了透過 TPU 集群，同樣能訓練出世界頂尖的模型。在此階段，雙方是在效能之巔的較量。
推論階段 (Inference) —— 成本為王
當 Gemini 3 開始服務全球數十億用戶，每天處理兆級次的查詢時，商業邏輯就變了。這時候的目標是「降低每一次運算的邊際成本」。 在這種大規模、重複性的任務中，TPU 架構在「每瓦效能 (Performance per Watt)」與「總擁有成本 (TCO)」上的優勢就會被無限放大。這就是為什麼 Google 有底氣提供大量免費或低價的 AI 服務。
3. 財務視角的勝負手：毛利率與持有成本
對於投資人而言，這場戰爭歸根結底是 TCO（總擁有成本） 的較量。
- 採購成本 (Capex)：
- NVIDIA 模式： 企業購買 GPU 需支付高昂的費用，其中包含了 NVIDIA 高達 70% 以上的毛利。這就是所謂的「NVIDIA 稅」。
- Google 模式： Google 自研 TPU，直接找台積電代工。它只需支付製造成本與研發攤提，省去了中間商的巨額利潤。這讓 Google 的硬體成本先天就比競爭對手低。
- 營運支出 (Opex)：
- Google 擁有獨家的 OCS（光路交換技術）。簡單來說，這項技術允許 Google 用極低能耗的方式連接數萬顆晶片。在能源費用佔資料中心營運成本大宗的今天，這項技術優勢直接轉化為獲利能力。
4. 潛在的市場變數：Google 若開始「外賣」算力 or TPU
目前最值得關注的轉折點，過去TPU 僅供 Google 自用，但近期有兩個訊號顯示策略可能改變：
- Apple 的選擇： Apple 在訓練 Apple Intelligence 時，公開證實使用了 Google TPU，而非 NVIDIA GPU。
- 市場傳聞： 有消息指出 Google 正在考慮將 TPU 開放給更多第三方雲端服務商。
這將帶來什麼影響？ 如果 Google 開始將 TPU 作為一種具備高度成本競爭力的商品，大規模提供給外部企業（特別是那些有巨大推論需求的公司），它將直接衝擊 NVIDIA 的定價權。市場將出現一個在特定場景下，比 NVIDIA 更划算的替代方案。
市場將走向分眾
這場算力戰爭不會是零和遊戲，而是很可能會走向「分眾市場」。
- Google (TPU) 的勝利： 在「大規模、標準化」的服務領域（如搜尋、日常助理），Google 憑藉自研晶片的成本優勢，將能提供更便宜（甚至免費）的 AI 服務，並以此守住其軟體霸主的地位。
- NVIDIA (GPU) 的穩健： 在「前沿研發、多樣化需求」的領域，以及對於絕大多數無法自研晶片的企業來說，NVIDIA 依然是唯一的選擇。只要人類還在追求更強大的下一代模型，NVIDIA 就依然是軍火之王。
總結來說，Gemini 3 的成功證明了「ASIC」在商業應用上的巨大潛力，但這不代表 NVIDIA 會倒下，而是代表 AI 硬體市場將變得更加成熟且多元。
