隨着全球科技巨頭持續加大資本支出、人工智能（AI）競爭全面升溫，市場近期出現兩種主流論調：其一是TPU與ASIC 等專用晶片作為 GPU 替代方案快速崛起，英偉達在AI算力領域的護城河正遭侵蝕；其二是 Google 憑藉 AI 模型 Gemini 強勢反攻，最終有機會在AI搜尋與生成式AI市場擊敗OpenAI。然而，外媒siliconANGLE指出，這兩種說法均被市場過度誇大，實際發展未必如想像中樂觀。
文章認為，在算力層面，英偉達仍將持續受惠於其架構與系統級優勢。隨着 GB300 以及後續的Vera Rubin架構陸續推出，英偉達不僅可維持領先的出貨規模，亦能透過經驗曲線效應與系統整合，持續降低整體運算成本，令其平台在目前供應受限的環境下，仍具備高度成本效益。
至於 Google，文章則指出其在AI發展上正面臨典型的「創新者困境」。Google 搜尋業務與廣告收入高度綁定，一旦將核心搜尋體驗轉向類似聊天機器人的互動模式，單次查詢的服務成本可能暴增至傳統搜尋的百倍以上。更重要的是，Google 若要轉向更高度整合的購物與交易體驗，必須在使用者與廣告主之間建立新的信任關係，但即便 Gemini 近期取得一定進展，該基礎仍未完全成熟。相較之下，OpenAI 的核心定位在於提供可信資訊與工具，而非以廣告變現，仍具結構性優勢。
TPU為何難以撼動英偉達？
siliconANGLE指出，TPU的關鍵問題不在於是否為「好晶片」，而在於其架構是否能適配AI下一階段的發展需求。TPU誕生於頻寬昂貴且稀缺的時代，適合低頻寬、特定場景的AI工作負載，但隨着模型規模持續放大、應用場景日益多樣化，其在擴展性與彈性方面逐漸受限。
當前主流 AI 訓練與推理正邁向「高頻寬、大規模擴展」的系統架構，所謂「AI 工廠」模式，需讓大量加速器長時間保持高效互聯與高利用率。英偉達的護城河，正是來自其為高頻寬、大規模擴展與整體系統效率所打造的端到端架構，這亦成為企業建構 AI 基礎設施時最關鍵的決策因素之一。
先進封裝產能瓶頸
此外，無論TPU或其他AI晶片，均受制於先進封裝產能瓶頸。英偉達除掌握部分關鍵產能外，亦持續推進GB200、GB300 乃至 Rubin 架構，同時改善交換技術與系統設計，在供應鏈與工程能力上仍具優勢。
報導指出，在供應受限的現實環境下，超大規模雲端業者勢必採取混合架構策略。以 Google 為例，其 TPU 將在特定場景發揮作用，但難以全面取代 GPU；同時，Google 等業者亦不太可能大規模對外銷售自家專有加速器，讓潛在競爭對手形成真正的外部市場。「TPU 走向開放市場」更合理的解釋，是生態系夥伴如博通，以及 Meta 等企業在現階段尋求任何算力優勢所帶來的壓力，而非 Google 有意成為商用晶片供應商。
總體而言，siliconANGLE認為，現階段英偉達的算力護城河依然穩固，而 OpenAI的先行者優勢亦正逐步轉化為更持久的競爭力。在 AI 競局中，模型品質已成為基本門檻，真正的戰場，正轉向模型周邊的軟體、生態與服務能力。 （編輯部）
下載APP