市值破2.5兆！股價井噴的輝達可以笑到何時？盤點3大成長隱憂，GPU盛世盡頭在哪？|數位時代 BusinessNext

隱憂一：輝達GPU需求恐降低

儘管如此，高昂的利潤自然也會吸引競爭者覬覦，甚至原先的客戶也會選擇自行開發降低成本。再加上，儘管AI熱潮還會延燒一陣子，多家新創公司已漸漸開始轉變方向，對輝達GPU的需求可能降低。

在AI引發對該領域新創的龐大投資熱潮後，似乎越來越多公司注意到，現有模式難以收回投資硬體設施的龐大成本。

據《華爾街日報》報導，紅杉資本今年3月估計， 業界已經花費多達500億美元購買輝達GPU訓練大型語言模型，但AI新創只繳出30億美元的營收成績。

且有幾家使用輝達GPU的新創公司狀況不對勁。Inflection AI共同創辦人和主要員工都跳槽到了微軟，幾乎成了空殼，未來營運方針將大受影響，甚至輝達本身也有投資這間公司；曾開發影像生成AI工具Stable Diffusion的Stability AI，近幾個月宣佈裁員10%、執行長莫斯塔克（Emad Mostaque）走人。

隨著AI新創越來越需要找到有效的商業模式，盲目投入需要高成本的大型語言模型領域可能不是上策，《華爾街日報》指出，許多公司開始轉向小而精的模型，專注在特定的任務上，無須依賴輝達產品強大的運算能力。

隱憂二：主要客戶投入AI晶片研發

並且輝達的競爭對手──甚至客戶──也不會放過這麼高利潤、高需求的產品。目前輝達在AI晶片領域的市占率達到80%以上，隨著競爭對手的增加，要繼續維持如此高的占有率也將變得更為困難。

AMD曾在去年12月發表新款MI300晶片，毫不掩飾想搶AI伺服器市場的野心，執行長蘇姿丰也預估，2024年AI晶片得收入將達到40億美元；而英特爾也在今年4月發表新款AI晶片Gaudi 3，預估今年會創造5億美元收入。

許多雲端巨頭正積極開發自家的AI晶片。今年4月Google就發表了Arm架構CPU Axion及下一代AI加速器TPU v5p；微軟則在去年推出首款自研AI晶片Maia，同月亞馬遜也端出第二代AI晶片Trainium2。

研究公司TechInsights預計，Google在2023年成為了第三大資料中心晶片設計商，僅次於輝達及英特爾，其主要合作夥伴博通也透露，協助Google製造AI晶片為他們每個季度帶來超過10億美元的營業利益。

外媒TheRegister指出，這些雲端巨頭也都是輝達最大的客戶。雖然不知道確切比例，IDC 歐洲、中東及非洲（EMEA）資深研究總監安德魯．柏斯（Andrew Buss）表示，輝達雖然表現強勁，其成長主要來自6名客戶， 「一年前沒有任何客戶占輝達營收10%以上，但現在出現了這種情況，這對輝達是種風險。」

隱憂三：AI訓練需求降低

另外，目前對輝達晶片的巨大需求，是建立在訓練AI模型的需求，一旦AI產業的重心從「訓練」轉向實際推出、納入應用，進到「推理」的階段時，輝達的GPU就沒有那麼重要了。

不過，縱使輝達的前景存在一些挑戰，無法永遠維持成長幅度，外界仍然看好他們會繼續引領AI產業發展，研究公司伯恩斯坦分析師史黛西．拉斯岡（Stacy Rasgon）認為，「他們有必要確保能維持護城河，現在的話我會說他們做得非常好。」

責任編輯：李先泰

過去兩年，人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢，從客服、知識管理到軟體開發，越來越多企業將大型語言模型（LLM）導入企業營運流程，隨著應用程度的深化與廣化，越來越多發現，真正的挑戰早已不只是「選擇哪個模型」，而是如何管理算力、控制成本、確保資料安全，以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後，AI應用從回答問題進展為執行任務、操作系統以及串接流程，連帶拉升對AI基礎設施的需求與架構複雜度，而這意味著，想要發揮AI綜效，光只有模型與技術尚不夠，必須將整體IT環境逐步升級為AI基礎建設（AI Infra）。

深耕AI管理領域多年的數位無限（INFINITIX），近年積極布局軟體定應AI基礎建設（Software Defined AI Infrastructure）市場，除持續深化與GPU、伺服器與AI硬體生態系的合作關係，如於2021年取得NVIDIA Solution Advisor全球夥伴資格，2025年亦獲AMD GPU生態建設夥伴獎，也因應市場需求推出AI-Stack與ixCSP兩大產品線，協助企業、雲端服務供應商（CSP）與新世代AI雲端業者，更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示：「我們的目標是協助客戶打造軟體定義AI基礎架構，讓其可以視需求向下整合不同世代GPU、儲存與網路設備，同時，向上鏈結模型、Token跟AI應用，加速企業的AI創新轉型腳步。」

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。