industry-map - 半導體產業鏈 Part 6:IC 設計 — GPU / 加速器（中游）

• 16 min read • Yen
finance investing
半導體 Semiconductor 供應鏈 產業分析 GPU NVDA AMD CUDA 美股 InvestSkill

大部分人看 AI 晶片,只會問一句:「NVIDIA 的 GPU 效能是不是最強?」 稍微進階的人會補一句:「AMD 追上來了嗎?CSP 自研晶片能不能取代它?」 但真正看懂這層的人知道:NVIDIA 賣的從來不只是矽晶片,而是一整套讓工程師「離不開」的軟體生態(CUDA)。 這一層是全鏈價值捕獲最高的咽喉——也是三大咽喉裡,最可能被工程繞過的一個。

⚠️ 免責聲明與資料說明:本文是半導體產業鏈系列的 Part 6,聚焦「GPU / 加速器 IC 設計」這一層的結構性分析,不是個股估值報告。文中市佔率、毛利率為公開產業常識的概估值(截至 2026 年初),用於說明相對地位,非即時報價;數字皆標示為「概估」。任何投資決策前請自行查證最新數據。本文為教育用途,不構成投資建議。

一、這一層在產業鏈的位置

GPU / 加速器設計坐落在中游:它向上游買「製造能力」與「關鍵零件」,向下游賣「AI 算力的核心引擎」。它是 fabless(無晶圓廠)設計公司——只畫設計圖、寫軟體,把製造整包外包給台積電。

flowchart LR
    subgraph UP["上游鄰居"]
        FAB["晶圓代工<br/>TSMC(先進製程+CoWoS)"]
        HBM["HBM 記憶體<br/>SK Hynix · 美光"]
        EDA["EDA + IP<br/>Synopsys · Cadence · Arm"]
    end
    THIS["🎯 GPU / 加速器設計<br/>NVIDIA · AMD<br/>(fabless,輕資產)"]
    subgraph DOWN["下游鄰居"]
        NET["網通 / 互連<br/>Broadcom · Marvell"]
        OEM["系統 / 伺服器 OEM<br/>Dell · SMCI · HPE"]
        CSP["雲端 CSP<br/>AMZN · MSFT · GOOGL · META"]
    end

    FAB --> THIS
    HBM --> THIS
    EDA --> THIS
    THIS --> NET
    THIS --> OEM
    THIS --> CSP

一句話定位:GPU 設計層向上游買「製程與 HBM」、向下游賣給「CSP 與伺服器 OEM」;它被夾在強供應商(台積電)與強買方(四大 CSP)之間,卻仍握有整條鏈最強的定價權——因為它的產品(NVIDIA GPU + CUDA)在 AI 訓練上近乎無可替代。定價權強烈傾向本層。

二、這一層到底在做什麼

「加速器(accelerator)」指的是專門為並行運算設計的晶片,用來加速深度學習的矩陣乘法。它取代 CPU 成為 AI 時代的運算核心,因為神經網路訓練本質上就是「幾千個小運算同時做」,而 GPU 天生擅長這件事。

這一層的商業模式是**「設計與製造分家」的極致**:

fabless GPU 設計公司做什麼、不做什麼
─────────────────────────────────────────────────────────
做:  ‣ 晶片架構設計(SM 單元、張量核心、記憶體階層)
     ‣ 軟體生態(CUDA / ROCm、編譯器、函式庫、驅動)
     ‣ 系統整合(把 GPU + CPU + NVLink + HBM 組成一個機櫃)
     ‣ 生態綁定(讓全世界的 AI 框架都預設跑在自家晶片上)
不做:‣ 蓋晶圓廠(交給台積電)
     ‣ 自製記憶體(向 SK 海力士 / 美光買 HBM)
     ‣ 自製封裝(用台積電的 CoWoS 先進封裝)
─────────────────────────────────────────────────────────
結果:資本支出極輕、毛利極高(~70%+),但把製造瓶頸的風險
      外包給了台積電與 HBM 供應商(見第六節)

為什麼這一層存在、而且賺最多? 因為設計一顆頂尖 AI 晶片的難度,已經高到只有極少數團隊做得到:一顆 Blackwell 等級的晶片有上千億顆電晶體、要協調 HBM 頻寬、要搭配數萬顆互連,還要有一整套成熟軟體讓開發者「一裝就能用」。這道門檻不在製造(台積電幫所有人代工),而在「架構 + 軟體生態」——這正是價值捕獲的來源。

三、玩家與競爭格局

這一層表面上是「NVIDIA vs AMD」的硬體之爭,實際上是「一個成熟生態 vs 所有挑戰者」的格局。第三股力量是下游 CSP 的自研 ASIC(後向整合),它們不對外賣、只服務自家工作負載。

玩家角色AI 加速器地位(概估)軟體堆疊毛利率(概估)
NVIDIA(NVDA)近獨占領導者AI 訓練市場 ~90%CUDA(15+ 年生態、數百萬開發者)~73–75%
AMD可信的第二供應商資料中心 GPU 個位數 → 追趕中ROCm(開放、追趕中)GAAP ~50%
CSP 自研 ASIC買方後向整合內部工作負載(推論為主)自家框架 / 編譯器成本中心(不對外賣)
AI 訓練加速器市佔(概估,2026 初)
────────────────────────────────────────────
NVIDIA         ██████████████████░  ~90%
AMD            █░░░░░░░░░░░░░░░░░░░  ~個位數
CSP 自研 + 其他 █░░░░░░░░░░░░░░░░░░░  其餘
────────────────────────────────────────────
註:「推論(inference)」市場遠比「訓練」分散——CSP 自研 ASIC
    在推論的佔比明顯較高,這是 NVIDIA 護城河最先鬆動的地方。

誰領先、為什麼? NVIDIA 領先的關鍵不是單顆晶片效能領先幾成(AMD 的 MI 系列在紙面規格上多次逼近甚至超越),而是三件事疊起來:

  1. CUDA 生態鎖定:過去 15 年,全世界的 AI 框架(PyTorch、TensorFlow)、函式庫(cuDNN、NCCL)、開發者習慣都建在 CUDA 上。換到 AMD 要重寫、重測、重訓工程師——這是軟體護城河,不是矽護城河。
  2. 系統級整合:NVIDIA 不只賣晶片,還賣 NVLink 互連、整櫃 GB200 系統。AI 訓練需要「數萬顆 GPU 像一台超級電腦協同」,NVIDIA 把整套包好。
  3. 節奏:一年一代的產品節奏(Hopper → Blackwell → Rubin),讓對手永遠在追上一代。

AMD 的角色是「可信的第二供應商」:它的存在讓 CSP 有議價籌碼、有備援,ROCm 的開放路線也吸引想擺脫 CUDA 稅的客戶。CSP 自研 ASIC(Amazon Trainium、Alphabet TPU、Meta MTIA、Microsoft Maia)則多半委由 Broadcom / Marvell 協同設計、台積電代工,專為自家模型優化,在推論場景已具成本優勢(詳見 Part 13)。

延伸:本站有 NVIDIA (NVDA) 2026 10-K 深度解析 與 AMD 2025 10-K 深度解析,可搭配本層結構圖,先看格局、再拆個股。

四、瓶頸分數與定價權

對這一層打「瓶頸分數」(0–10):供應商稀缺度、不可替代性、切換成本、需求剛性——四項平均。

四項評分(0–10)                        分數
──────────────────────────────────────────────
供應商稀缺度  Supplier scarcity          9  █████████░
不可替代性    Substitutability           8  ████████░░  ← CUDA 讓硬體難換
切換成本/驗證 Switching cost / lead      9  █████████░  ← 重寫程式碼 + 重訓工程師
需求剛性      Demand inelasticity       10  ██████████  ← AI 建設剛需,沒它跑不動
──────────────────────────────────────────────
瓶頸分數(平均)                          9.0  ◄ 咽喉
──────────────────────────────────────────────

定價權方向:強烈傾向本層。 證據就是 70%+ 的毛利率——在一個買方是「全球最有錢的四家公司」的市場裡,還能收這麼高的毛利,只有「你非買我不可」才做得到。NVIDIA 的頂規 GPU 長期供不應求、要排隊,定價權清楚寫在財報上。

但這是三大咽喉裡最脆弱的一個。 對照另外兩個咽喉:

三大咽喉的護城河「材質」比較
──────────────────────────────────────────────────────────
ASML EUV        物理 + 光學 + 供應鏈  →  工程「繞不過去」(物理定律)
台積電先進製程   良率 + 產能 + 信任    →  工程「追得很慢」(需數年+千億資本)
NVIDIA GPU+CUDA  硬體 + 軟體生態鎖定   →  軟體「可以被繞過」(只是很貴很慢)
──────────────────────────────────────────────────────────

關鍵差異:ASML 的護城河是物理,台積電的是資本與良率,而 NVIDIA 的核心是軟體生態。軟體鎖定雖強,卻是三者中唯一「有錢有時間的大買方,可以自己動手拆掉」的那種——這正是 CSP 自研 ASIC 與 AMD ROCm 在做的事。所以瓶頸分數 9.0 很高,但它的「持久性」在三大咽喉中排最後。

五、利潤池與價值捕獲

在整條半導體鏈中,這一層目前吃到最厚的毛利。

價值捕獲分數(0–10,概估各層目前毛利厚度)
─────────────────────────────────────────
GPU / 加速器           ██████████ 10  ◄ 全鏈最高
EUV 設備               █████████░  9
EDA / IP               ████████░░  8
先進製程代工           ████████░░  8
記憶體(HBM 拉高)      ██████░░░░  6(週期)
雲端 CSP               ██████░░░░  6(資本密集)
封測 OSAT              ███░░░░░░░  3
系統 OEM               ██░░░░░░░░  2
─────────────────────────────────────────

為什麼利潤集中在這裡? 同一顆 AI 晶片,拆開看利潤分配:

一顆 AI GPU 的價值分配(概念示意,非精確拆帳)
────────────────────────────────────────────────────
設計 + 軟體生態(NVIDIA)   ████████████████  最厚 ← 賺架構與 CUDA 的錢
先進製程代工(台積電)      ██████            扎實 ← 賺製造的錢
HBM 記憶體(SK 海力士)     ████              週期 ← 賺稀缺零件的錢
CoWoS 先進封裝(台積電)    ███               瓶頸 ← 賺卡脖子的錢
────────────────────────────────────────────────────
洞察:輕資產的設計端(不蓋廠),毛利遠高於扛千億資本支出的製造端。

這就是 fabless 模式的威力:NVIDIA 把最重、最燒錢的製造外包出去,自己只留下最值錢的「架構設計 + 軟體生態」。它不需要為每一代先進製程投入千億資本(那是台積電的負擔),卻能捕獲一顆晶片裡最厚的那層毛利。這是全鏈「輕資產贏、重資產累」的最極端案例。

六、上游依賴與下游客戶

這一層的結構性脆弱點,全都藏在它的上下游關係裡。

上游依賴(它必須買什麼):

買什麼向誰買單一來源風險?
先進製程晶圓台積電(近獨占)🔴 高——先進製程幾乎只有台積電能量產
CoWoS 先進封裝台積電🔴 高——CoWoS 產能是 GPU 出貨的實體瓶頸
HBM 高頻寬記憶體SK 海力士、美光、三星🟠 中——寡占、與 GPU 綁定、報價強勢
EDA 工具 + IPSynopsys、Cadence、Arm🟠 中——設計工具雙寡占

洞察:GPU 設計公司「設計得再好」,能出多少貨,實際上是被台積電的 CoWoS 產能與 HBM 供給卡住的。這是為什麼「先進封裝與 HBM」是本輪 AI 最被低估的二階瓶頸(見 Part 5、Part 8)。

下游客戶(誰向它買):

客戶集中度:高度集中在少數超大規模業者
────────────────────────────────────────────
四大 CSP(AMZN/MSFT/GOOGL/META)合計佔營收極高比例
   → 前幾大客戶合計可佔 NVIDIA 資料中心營收的「一大塊」(概估)
────────────────────────────────────────────
風險:買方又大又集中,任何一家砍資本支出,衝擊直接傳導;
      而且——這些大客戶「同時就是自研 ASIC 的競爭者」。

能不能後向 / 前向整合?

  • 買方後向整合(最大威脅):四大 CSP 財力雄厚、工作負載自己最懂,正大力自研 ASIC 往上游反打。它們既是最大客戶、又是最危險的潛在對手——這是本層獨有的結構張力。
  • 供應商前向整合:台積電理論上握有製造能力,但它嚴守「不與客戶競爭」的中立代工定位,不太可能跳下來做品牌 GPU。

七、風險

  • 🔴 買方自研 ASIC 侵蝕(結構性最大風險):四大 CSP 是最大客戶也是最強對手。它們自研晶片若在推論大規模成功,會直接吃掉本層的成長性與定價權。這是全鏈價值遷移的最大單一變數(見 Part 13)。
  • 🔴 CUDA 軟體護城河被繞過:AMD ROCm 逐步成熟、開放編譯器(如 Triton)與 PyTorch 原生編譯降低對 CUDA 的依賴。軟體鎖定一旦鬆動,硬體就會變回「比規格、比價格」的紅海。
  • 🟠 上游瓶頸卡出貨:CoWoS 封裝與 HBM 供給不足,讓「設計得出、卻出不了貨」。這既是風險,也解釋了為何交期長期緊繃。
  • 🟠 地緣 / 出口管制:先進 AI 晶片對特定地區出口受限,可能瞬間切掉一塊市場、並催生在地替代方案。
  • 🟠 需求週期反轉:AI 資本支出若見頂,這一層作為「最直接受益者」也會是「最直接受傷者」——高估值 + 高集中客戶 = 高 beta。
  • 🟡 推論(inference)工作負載分散化:訓練需要頂規、綁定 CUDA;推論對延遲 / 成本敏感、更容易用便宜的專用晶片,天然對本層不利。

八、價值遷移

這一層今天吃到全鏈最厚的毛利,但價值正緩慢地從它「往下游外溢」。 這是三大咽喉裡唯一「價值在流出」的一層。

現在的稀缺           →   下一段的變化              →   確認訊號(trigger)
──────────────────────────────────────────────────────────────────────
NVIDIA GPU + CUDA        推論用 ASIC / AMD 分食       推論佔總 AI 算力 > 訓練;
(訓練近獨占)             (先從推論鬆動)              CSP 多數推論跑在自研晶片上
──────────────────────────────────────────────────────────────────────
CUDA 軟體鎖定        →   開放軟體堆疊追上            ROCm / Triton 在主流模型
                                                     達到「夠用」的效能與易用性
──────────────────────────────────────────────────────────────────────
硬體毛利 70%+        →   毛利率結構性壓縮            NVIDIA 資料中心毛利
                                                     跌破 ~70% 且回不去
──────────────────────────────────────────────────────────────────────

方向判斷:

  • 訓練(training):護城河近期仍極穩。前沿模型訓練需要最頂規硬體 + 最成熟軟體 + 最高速互連,這一整套目前只有 NVIDIA 湊得齊。1–2 年內難撼動。
  • 推論(inference):護城河正在鬆動。推論對成本 / 延遲敏感、工作負載重複性高,最適合 CSP 用自研 ASIC 或 AMD 取代。價值的第一道裂縫從這裡開始。

一句話:NVIDIA 的護城河不會一夕崩塌,但會「從邊緣被慢慢啃」——先是推論、再是開放軟體、最後才是訓練。要看的訊號不是「AMD 出了更快的晶片」,而是「CSP 把多少比例的推論搬到自研晶片上」。

九、分層投資點子

把這張圖轉成分層點子清單(教育性質、非投資建議):

分層角色較佳定位的名字邏輯點子類型
咽喉 / 直接贏家NVIDIAAI 算力的核心收費站,訓練近獨占,現金流最強核心持有(共識多方)
可信第二 / 選擇權AMD「非 NVIDIA」交易的最大受益者;ROCm 成熟即重估投機性、對護城河鬆動的曝險
二階(繞過交易)Broadcom、Marvell賣鏟子給「想繞過 NVIDIA」的 CSP——自研 ASIC 的設計夥伴低調、易被低估 ◄
上游卡脖子CoWoS 封裝、HBM 供應商不管誰的 GPU 勝出,都要用這兩樣二階 picks-and-shovels
迴避純 GPU 轉售 / 薄利整合商沒有設計或軟體差異化,兩頭受氣迴避

最反直覺的點子:如果你相信「NVIDIA 的護城河會被侵蝕」,最好的表達方式往往不是放空 NVIDIA(它的訓練護城河仍太硬),而是買 Broadcom / Marvell 這些「幫 CSP 設計自研 ASIC 的軍火商」——它們在「NVIDIA 贏」與「CSP 繞過 NVIDIA」兩種劇本裡都有生意(詳見 Part 7、Part 11、Part 13)。

論點反轉條件(Thesis Invalidation)

本層結構訊號為 BULLISH(對咽喉層樂觀),下列情況會打破論點:

  • CSP 自研 ASIC 在**推論以外(尤其訓練)**大規模取代 NVIDIA,且客戶集中度轉為對本層不利。
  • ROCm / 開放軟體堆疊在主流模型達到 CUDA 平價,CUDA 鎖定實質瓦解。
  • NVIDIA 資料中心毛利率結構性跌破 ~70% 且無法回升(定價權流失的鐵證)。
  • AI 資本支出循環反轉,四大 CSP 同步大砍資料中心投資。

重新檢視這張地圖的時機:

  • NVIDIA / AMD 財報,特別看「資料中心毛利率」與「客戶集中度」
  • CSP 自研晶片(TPU / Trainium / MTIA / Maia)出貨與內部滲透率
  • CoWoS / HBM 產能與 GPU 交期變化
  • 重大出口管制事件;或距今超過 60–90 天
╔══════════════════════════════════════════════╗
║              INDUSTRY-MAP SIGNAL             ║
╠══════════════════════════════════════════════╣
║ 結構訊號:    咽喉層 BULLISH(訓練)          ║
║             但價值遷移 = 向下游流出(推論)   ║
║ Confidence:  MEDIUM(護城河真實,但軟體可繞) ║
║ Horizon:     MEDIUM-TERM(1 年內訓練穩固)    ║
║ Score:       瓶頸 9.0 / 10;持久性三咽喉最低  ║
╠══════════════════════════════════════════════╣
║ 偏好層級:    NVIDIA(核心)+ ASIC 軍火商二階  ║
║ 迴避層級:    純轉售 / 薄利整合商             ║
╚══════════════════════════════════════════════╝

評分指引:8.0–10.0 強烈偏多 | 6.0–7.9 中度偏多 | 4.0–5.9 中性 | 2.0–3.9 中度偏空 | 0.0–1.9 強烈偏空

📚 系列導覽:半導體產業鏈全景(上游 → 下游)

總覽地圖:industry-map - 半導體晶片產業鏈全景

上游 Upstream

中游 Midstream

下游 Downstream

參考來源與方法(References)

再次提醒:本文為產業結構教學與地圖,市佔 / 毛利為概估值,聚焦「這一層賺什麼、錢往哪流」,不構成投資建議。

Yen

Yen

Yen

Related Articles

industry-map - 半導體晶片產業鏈全景（上游到下游）

用 industry-map 方法把半導體產業畫成一張有向圖:從矽晶圓、EDA、設備等上游,經晶圓代工、IC 設計、記憶體、封測的中游,一路到網通、系統與雲端下游。找出咽喉點、利潤池與價值遷移方向,並給出分層投資點子。

·28 min

industry-map - 半導體產業鏈 Part 5:晶圓代工(中游)

深拆半導體晶圓代工這一層:台積電近獨占先進製程的護城河、純代工模式 vs IDM、資本軍備競賽與良率/信任壁壘、~55–59% 毛利、CoWoS 先進封裝咽喉,以及台灣單點集中對全球的級聯風險與分層投資點子。

·16 min

industry-map - 半導體產業鏈 Part 4:晶圓設備（上游）

深拆半導體晶圓設備（WFE）這一層:ASML 的 EUV 獨占、AMAT/Lam/TEL 的沉積蝕刻、KLA 的製程控制。這是整條鏈最硬的咽喉——玩家、競爭格局、瓶頸與定價權、利潤池、上下游依賴、出口管制風險與投資點子。

·16 min