新聞說:輝達又有新挑戰者？亞馬遜Trainium 3自研AI晶片號稱成本砍半、性能飆4倍，大型科技企業持續切入輝達（Nvidia）主導的AI晶片市場。亞馬遜雲端服務（AWS）周二正式推出第三代自研AI訓練晶片Trainium 3，性能號稱較上一代提升4倍，並能讓AI模型訓練與推論成本大降最多50％，劍指輝達GPU領地。在全球AI算力需求爆發、供應鏈多元化成為顯學之際，科技巨頭紛紛尋求脫離對輝達過度依賴。近期傳出Meta正洽談採購Google TPU，OpenAI也深化與AMD、博通（Broadcom）合作。AWS此時推出Trainium3，被視為強化算力自主的關鍵一步。根據媒體引述AWS指出，Trainium3已獲Anthropic、Decart等客戶導入，陣容更延伸至Karakuri、Metagenomi、理光、Splash Music等企業。AI影片新創Decart評估多家競品後指出，Trainium3讓其模型的影片生成幀率達到其他晶片的4倍。Decart共同創辦人暨執行長Dean Leitersdorf表示，該晶片「讓公司取得關鍵技術突破」。AWS副總裁、Trainium首席架構師Ron Diamant表示，Trainium系列的核心訴求是「最佳性價比」，並不認為自己在試圖取代輝達。儘管AWS與Google等巨頭力推自研晶片，輝達依舊握有市場壟斷性優勢，特別是在最關鍵的高階訓練市場。AWS許多大客戶，例如Anthropic同時也是輝達的大買家。AWS於10月曾透露，Anthropic已使用超過100萬顆Trainium2進行模型訓練；但僅一個月後，輝達宣布向Anthropic投資100億美元，作為大型晶片供應交易的一環，顯示市場仍對輝達高度倚賴。市場分析，AI企業走向多供應商策略，主要目標在於降低成本與強化供應韌性，並非完全替代輝達。目前Google TPU、AWS Trainium及其他定制化晶片更多扮演「補位」角色，提供成本與能效上的替代方案。
如果從「產業趨勢」、「供應鏈結構」以及「台股核心三大族群：台積電、鴻海、AI 伺服器鏈」的角度來看，AWS Trainium3、Google TPU 以及其他雲端巨頭的自研 AI 晶片，其實不是利空，反而對台股是中長期利多。
核心原因非常簡單：
全球任何一家科技巨頭，即便自研晶片，也沒有能力或意願自己製造——它們最終仍必須依賴台灣的晶圓製造、先進封裝、伺服器組裝、散熱與零組件。算力需求越大，台灣承接的面積只會越大。
台積電：確定受益者
AWS Trainium3 與 Google TPU 等幾乎全部都由台積電代工，這代表台積電的客戶基礎變得更廣且更穩定。除了 NVIDIA，高階 AI 晶片還包含 AWS、Google、Meta、AMD、Broadcom、OpenAI 等多家公司，全都依賴 TSMC 的先進製程與 CoWoS 封裝。
特別是 Trainium3 這類性能提升 4 倍的 ASIC，很可能會採用更先進的 5nm、3nm，並大量占用台積電缺口最大的 CoWoS 封裝產能。
AI ASIC 通常單價高、毛利高，對台積電 EPS 與營收貢獻相當明顯。
更重要的是，市場越來越採用「多供應商」策略，不再只依賴 NVIDIA。當晶片的種類越來越多、總量越來越大，台積電能承接的訂單其實是成倍增加，而不是被瓜分。
鴻海：正面但影響屬於「結構性利多」
鴻海的獲利不來自晶片，而是 AI 伺服器整機組裝、零組件、散熱與系統整合。
即便 AWS 不用 NVIDIA 的 GPU，伺服器本體仍然要有人做，而且規模會更大。
AWS、Google、Meta、OpenAI 的自研晶片伺服器，都不會自己在自家工廠組裝，實際組裝仍主要落在鴻海、廣達、緯創、英業達。目前 AWS 的大量 Cloud Server 仍由台灣廠商製造，Trainium3 伺服器也不例外。
而 AI ASIC 通常功耗高、密度大，散熱難度甚至比 GPU 更高。
液冷、沉浸式冷卻、背板散熱等技術需求上升，反而讓鴻海在機構件與散熱領域獲得更高 ASP，這是明顯的利多。
台灣 AI 伺服器與散熱供應鏈：最大受益族群
自研晶片不是取代 NVIDIA，而是增加「另一種平台」，這讓伺服器種類變多、出貨量變大。
以前只有 NVIDIA DGX 現在還有：
Google TPU server。
AWS Trainium pod。
Meta ASIC server
Broadcom 及OpenAI ASIC server。
AMD MI300 系列。
伺服器平台越多，台灣供應鏈出貨面積就越大。
不論是機殼、散熱、PCB、光模組、主機板，全部都會比過去更繁忙。
尤其散熱族群，因為 ASIC 通常意味著更高能效密度，液冷需求會快速上升，台灣廠商在全球市占率非常高，獲利空間自然擴大。
NVIDIA 仍是主導者，不會拖累台股
即使 Google、AWS、Meta 大力推動自研晶片，高階訓練市場仍屬於 NVIDIA 的絕對霸權。像 GPT-4、GPT-5、企業級大模型訓練等場景，全都離不開 H200、B100、B200、GB200。
自研 ASIC 多半用在推論、中階訓練或成本敏感的工作負載。它的角色是「補位」，而不是「取代」。
這反而讓算力更便宜、AI 使用量更大，企業會建更多機房、買更多伺服器，台灣供應鏈獲利空間進一步上升。
全部整合後的結論
AWS Trainium3、Google TPU、Meta 以及 OpenAI 的自研加速器，表面上是 NVIDIA 的挑戰者，但從供應鏈角度看，它們全都是台灣的客戶。
越多公司造晶片，台灣接單越多；
越多公司建伺服器，台灣組裝越賺；
越多平台競爭，算力越便宜，市場擴張越快。
因此，自研 AI 加速器潮流不是台股的利空，而是擴大台灣 AI 供應鏈版圖的利多。
個人股市研究觀察記錄文章目
