黃仁勳一句「Blackwell需求很瘋狂」,讓輝達商機蓄勢待發!台灣AI伺服器供應鏈有哪些?
黃仁勳一句「Blackwell需求很瘋狂」,讓輝達商機蓄勢待發!台灣AI伺服器供應鏈有哪些?

輝達(NVIDIA)執行長黃仁勳(Jensen Huang)於週三接受《CNBC》節目「Closing Bell Overtime」採訪時表示, 「市場對Blackwell的需求很瘋狂」 ,使NVIDIA股價在隔日10月3日上漲超過3%,當日最高達到124.26美元,最終收盤於122.80美元,漲幅達3.3%。

除了輝達股價因Blackwell看旺,台廠供應鏈也出貨在即! 近期包括鴻海、廣達、緯創等,皆證實GB200陸續將於今年底、明年初出貨,料將帶動整體業績成長。

黃仁勳在訪談中提到, 來自微軟(Microsoft)、OpenAI、Meta等AI相關企業對Blackwell晶片的需求非常強烈, 「每個人都希望擁有最多,也希望成為第一。」 這股強勁的市場需求帶動了NVIDIA自9月初以來的股價上漲潮,該公司股價在30天內上漲13.7%。

「當技術發展如此迅速時,這給了我們三倍努力的機會,真正推動創新循環,以便提高我們的能力、增加產量、降低成本和減少能源消耗。」 黃仁勳在接受《CNBC》採訪時指出:「我們正朝這個目標前進,一切都在按計劃進行。」

輝達股價支撐力強!年初至今漲154%

報導也指出,Blackwell晶片預計售價在每單位3萬至4萬美元之間(新台幣96萬至128萬元),將於今年底交付給甲骨文(Oracle)、亞馬遜(Amazon)、微軟(Microsoft)和谷歌(Google)等雲服務部門,進一步強化NVIDIA在人工智慧市場的地位。

NVIDIA在8月28日公布的2025財年Q2營收表現亮眼,截至7月28日的總營收達到300億美元(約新台幣9600億元),淨利潤達165億美元(約新台幣5280億元)。

其中,數據中心部門(涵蓋部分AI產品)創下263億美元(約新台幣8393億元)營收,年增154%。儘管7月至9月間NVIDIA股價曾經歷一些短暫且急遽的下跌,但自年初至10月4日,NVIDIA股價已上漲超過154%,從48.17美元一路攀升。

Blackwell看旺!4大台廠最快年底出貨GB200

黃仁勳的發言,不但消弭外界對AI投資變現、Blackwell晶片延遲的疑慮,也點燃代工廠AI伺服器的出貨信心。

在台灣供應練方面,輝達Blackwell架構AI晶片當中最受矚目為GB200,包括鴻海、廣達、緯創、緯穎等都是主要協力廠。

談到GB200出貨進度,鴻海預期將在11月量產、12月出貨,主要貢獻會落在明年;鴻海則指出,預估今年AI伺服器營收將逐季成長,維持今年整體伺服器業績四成的目標,並看好AI伺服器很快會成為鴻海下個兆元營收產品。

廣達指出,下半年AI發展「只會更好」。此外,緯創也表明,GB200 運算板將在第四季量產,並在明年第一季放量,直言下半年AI伺服器基板需求良好;緯穎也表明「AI業務依舊暢旺」,外界關注的GB200伺服器運算板,排定從第四季展開量產。

黃仁勳資產飆3.4兆,名列全球第13大富豪

黃仁勳表示,NVIDIA計劃每年更新其AI平台,將性能提高兩到三倍,並在降低成本與能源消耗方面不斷創新;NVIDIA首席財務官Colette Kress在8月時表示,該公司預計在第四財季出貨幾十億美元的Blackwell晶片。

截至10月4日,黃仁勳的淨資產增加了34.2億美元,達到1070億美元(約新台幣3.4兆元),成為全球第十三大富豪。

輝達在台合作夥伴有哪些?

黃仁勳6月份來台演講時,曾列出輝達100位夥伴,包括台積電等台灣企業及大學,展現輝達與台灣的密切關聯:

  • 台積電(TSMC)
  • 鴻海 (Foxconn)
  • 日月光(ASE)
  • 聯電(UMC)
  • 台達電 (Delta Electronics)
  • 英業達 (Inventec)
  • 和碩(Pegatron)
  • 緯創(Wistron)
  • 所羅門科技 (Solomon Technology)
  • 廣運(KENMECS)
  • 凌華科技 (ADLINK)
  • 研華(Advantech)
  • 立端科技 (Lanner Electronics)
  • 麗臺科技 (Leadtek)
  • 光寶科技(Lite-On Technology)
  • 神達電腦 (MiTAC)
  • 微星科技(MSI)
  • 新漢(NEXCOM)
  • 安提國際(Aetina)
  • 亞太智能機器(APMIC)
  • 華擎科技 (ASRock)
  • 圓剛 (AVerMedia)
  • 勤誠(CHENBRO)
  • 仁寶 (Compal Electronics)
  • 中強光電 (Coretronic)
  • 益登科技(EDOM)
  • 慧友電子(EverFocus)
  • 華邦電子 (Winbond Electronics)
  • 鴻佰(Ingrasys)
  • 捷安特 (Giant)
  • 技嘉 (GIGABYTE)
  • 映眾(INNO3D)
  • 雲達科技 (Quanta Cloud Technology)
  • 矽品精密 (Siliconware Precision Industries)
  • 飛捷(StarFab)
  • Stream
  • 德律科技(TRI)
  • 曜越科技 (Thermaltake Technology)
  • 趨勢科技 (Trend Micro)
  • 欣興電子(Unimicron Technology)
  • 元山科技 (Yuan High-Tech)
  • 卓越科技(ZOTAC)
  • 金屬工業研究發展中心 (Metal Industries Research & Development Centre)
  • 宏碁(Acer)
  • 美超微(Supermicro)
  • 廣達(QUANTA)
  • 研揚科技(AAEON Technology)
  • Footprint-AI
  • HOMEE AI(睿締國際科技)
  • 宇見智能科技(MetAI)
  • 同德(Palit)
  • 偲捷科技(SPINGENCE)
  • Fortune AI
  • 訊凱國際(Cooler Master)
  • 敦新科技(Dawning Technology)
  • 樂達科技(Leda Technology)
  • 律果科技(Legal Tech)
  • 台智雲(Taiwan Web Service)
  • 澄風科技(STREAMTECK)
  • 杰倫智能(PROFET AI)
  • 滿拓科技(DeepMentor)
  • 艾訊(AXIOMTEK)
  • 神瑞人工智慧(DeepRad.AI)
  • 英研智能(AIMobile)
  • 城智科技(AIRA)
  • 鑫蘊林科(Linker Vision)
  • 宸曜(Neousys)
  • 超恩(VECOW)
  • 達明機器人(Techman Robot )
  • 緯穎(Wiwyn)
  • 聰泰(Yuan High-Tech)
  • 安宏生醫(AnHorn Medicines)
  • 集仕多(ChoozMo)
  • 集雅科技(GliaCloud)
  • 迎廣(InWin)
  • 醫揚(Onyx Healthcare)
  • 京元電(King Yuan Electronics)
  • 弘憶(GMI Technology)
  • 萬利達(Manli)
  • 樂方(BigGO)
  • 七彩虹(colorful)
  • 索泰(ZOTAC)

延伸閱讀:OpenAI估值1570億美元,穩居AI頂尖獨角獸!新一輪融資有哪些大咖來投?

本文初稿為AI編撰,整理.編輯/ 李先泰

資料來源:《CNBC》、《tweaktown》、《Forbes》、《bloomberg

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