白話科技|AI伺服器是什麼?概念股有哪些?AI伺服器懶人包:龍頭、製程布局一次看懂
白話科技|AI伺服器是什麼?概念股有哪些?AI伺服器懶人包:龍頭、製程布局一次看懂

隨著生成式AI需求爆發,資料中心的核心硬體設備「AI伺服器」,也讓台灣電子代工業成為AI中心。

2024年大型雲端服務廠商持續擴大採購AI伺服器,預計AI伺服器的出貨佔比將占較2023年提升約3.4%。雖然數字看起來不大,但靠著高單價──一櫃AI伺服器要價新台幣6,500萬元──讓AI伺服器成為「新貴」。

這一點,從台灣受惠的供應鏈中也能獲得應證。包含鴻海以及電子五哥(廣達、緯創、英業達、和碩、仁寶),紛紛受到國際大廠的認可,如雲端服務廠商Meta、Google及晶片廠商NVIDIA、AMD等,都成為他們的客戶。

不過,AI伺服器跟一般伺服器差別是什麼?在討論伺服器代工時,時常能看到「L6」、「L10」、「L11」等名詞,究竟代表什麼意思?台廠有哪些?

AI伺服器是什麼?跟一般伺服器有何不同

AI伺服器和一般伺服器的不同在於晶片的組成。一般伺服器以中央處理器(CPU)為主要的算力提供,而AI伺服器除了CPU以外,還加上了圖型處理器(GPU)及特殊應用晶片(ASIC、FPGA、TPU)等,用來應付AI的龐大算力。

兩者在成本方面差異甚鉅,根據《DIGITIMES》指出,以傳統x86架構的伺服器成本約為1萬美元,而一台搭載8顆NVIDIA H100的AI伺服器,成本將近27萬美元。

AI伺服器製造階段解析:L6至L12各代表什麼意思?

緯穎與NVIDIA合作的GB200伺服器機櫃.jpg
緯穎與NVIDIA合作的GB200伺服器機櫃。
圖/ 黃詩媛拍攝

伺服器的代工製造分成不同階段,從L1至L12分別代表不同的製程,其中L6、L10、L11、L12是台灣伺服器代工廠最常切入的製程階段。

Trendforce分析師龔明德表示,這些製程是伺服器代工廠商的製造策略發展方向。分成L6及L10以上的兩個主要階段,若代工廠商生產L6主機板,就會與系統整合商進行策略合作,例如英業達和近期出售給AMD的ZT Systems(美國伺服器系統整合商),另外一個方向則提供L10整機或到L12整櫃的完整解決方案。

不過,在不同的製程中,伺服器代工業者誰能取得最高利潤?

龔明德表示,若以利潤角度而言, 越往上游的板端原則上利潤更佳 ,而L10以上則需要視情況,若只單純組裝代工額利潤較低,但若包含裡面零組件則可提升整體獲利。

以整體AI伺服器市場而言,做到L10~L12系統階段相對而言需整合更多元件或軟硬體整合,技術層次較高及競爭力愈強,可進攻雲端客戶的整套解決方案,例如鴻海、廣達、緯穎等,皆是以這類型的業務為主。

AI伺服器廠商有哪些?龍頭是誰?

台灣電子代工廠在AI伺服器製程中,以鴻海布局最廣,包含GPU模組、基板組裝到整機櫃等都有涉略;根據中國《證券時報》指出,鴻海占據全球AI伺服器40%的市占,是AI伺服器龍頭。

若以製程來分,英業達、廣達等台廠,都占有一定的影響力。

L6階段——主機板製造與組裝:英業達具主導地位

L6階段涉及主機板的製造和基本組裝,這是伺服器製造的核心基礎。台廠在此階段占有重要地位,尤其是英業達與廣達。

DIGITIMES研究中心2023年指出,英業達在L6階段的市場占有率達6成,是全球主要的AI伺服器主機板供應商之一。此外,英業達也積極跨足L10與L11,擴大其在AI伺服器市場的影響力。

另外,廣達在L6階段擁有超過2成的市占率,近期也宣布考慮在泰國新建L6產線,同時擴展至L10、L11及L12階段,成為台廠中最為積極的企業之一。

搭載超微MI300A的AI伺服器
搭載超微MI300A的AI伺服器。
圖/ 邱品蓉攝影

L10階段——整機組裝與系統測試:鴻海提供一條龍解決方案

在L10階段,伺服器開始整合CPU、記憶體、儲存硬碟等核心組件,並進行全面的系統測試。此階段的重要性在於確保伺服器能穩定運行,並且準備好交付給客戶。

鴻海作為輝達最重要的供應商之一,在L10至L12階段提供一站式解決方案,包含模組製造到整機交付的完整製程。

L11與L12階段——整機架設與軟體整合:緯穎持續強化L12整機櫃解決方案

L11和L12階段是伺服器製造的最後兩個關鍵步驟。L11階段專注於多台伺服器的整合與機架部署、建置;而L12階段則進行最終的軟體載入、系統優化和叢集管理,確保伺服器能在大型資料中心中運行。

DIGITIMES報告指出,緯創和廣達在輝達的GPU基板和伺服器製造中扮演重要角色,並且參與了L6、L10等不同階段的製造。緯穎則專注於L6與L12階段。緯穎表示,期望以提供資料中心整體解決方案,進一步強化其在AI伺服器供應鏈中的位置。

Trendforce指出,緯穎2024年成長動能來自AWS、Meta內部的ASIC,以及Omniva所採用的NVIDIA B系列晶片;此外,緯穎也在馬來西亞積極擴產,以滿足美系客戶需求。

ASIC崛起,會影響伺服器代工產業嗎?

然而雲端服務業者為了避免過度仰賴輝達(NVIDIA)的GPU,紛紛開始投入自研晶片(ASIC)與機櫃研發,這是否會對伺服器代工產業造成影響?

龔明德表示,這個現象對伺服器代工業者的區別不大,主要還是以提供雲端服務廠商的需求為主,例如選擇GPU或ASIC的AI伺服器方案,選擇怎樣的晶片不太會受限。

兩者主要差別在於GPU市場主導權是輝達,從H系列或GB系列整櫃方案得依照輝達的設計以及認證等,若是雲端服務商的ASIC自研AI方案,到AI伺服器的整機系統都相較倚重伺服器代工業者整體設計研發能力。

台灣伺服器代工廠憑藉其技術優勢,已經在全球AI伺服器市場中取得了關鍵地位。隨著生成式AI和大型語言模型的需求不斷上升,台廠在L6至L12各階段的製造能力,將持續推動其在國際市場的影響力。

延伸閱讀:晶背供電是什麼?為何是晶圓「埃米戰爭」殺手鐧?概念股有哪些?

本文不授權媒體夥伴轉載

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓