筆記-阿榮伯胡說科技-訪談艦長-25.06.19
**台積電業績展望穩定，匯率影響已明朗化。
*魏哲家在股東會上並未多談業績展望，因為台積電法說會剛結束，未來半年到一年內業績變化預期不大。*近期主要變數是匯率，他也公開承認匯率對獲利有一定影響，成本端或許稍受壓力，但整體業績無虞。
**魏董一向樂觀，少談壞消息。
他表示機器人已開始有顯著貢獻，雖然實際出貨可能不多，一台也算開始了。
*許多人關心哪些機器人由台積電製造，實際狀況是，只要使用先進晶片，幾乎都與台積電有關。
*預期機器人市場在2028~2029年才會有明顯起色，2030年預估年出貨量兩三百萬台，規模仍小，但代表市場啟動。
**機器人題材屬長線機會，實際營收貢獻需時間。
*目前機器人產業處於研發與小量階段，2024~2027年營收貢獻可預期不高。
*儘管沒有明確營收數據與時程，但因台積電產業地位與其樂觀發言，使市場興奮度升高。
**上半年AI業績強勁，恐存在提前拉貨與基礎建設周期風險。
*今年上半年AI相關業績爆發，部分來自去年規劃與提前拉貨效應。
*AI建設屬於基礎建設，類似蓋高速公路，非每年更新，與消費電子兩三年換機不同。
*市場擔憂未來幾年需求可能遞減，需觀察是否成為一次性成長或可持續趨勢。
**短期供給過剩壓力升高，長期需求潛力仍強勁。
*AI算力投資近兩年暴增，CSP（Google、AWS、Azure、Meta）資本支出連兩年成長40–50%。
*中國如DeepSeek帶動一波資本支出上修潮，XAI、CoreWeave等NCP(New Cloud Provider)夥伴也大舉擴產。
*但目前GPU使用率非全面滿載，市場擔心2026年起資本支出將趨緩。
*近來出現擴建過熱的雜音，例如OpenAI與Oracle合作Stargate計畫，引發Microsoft內部擔憂，可能影響其後續擴建計畫。
*並非所有CSP（雲端服務商）都持續增加資本支出，有些公司甚至開始反思是否擴建過頭。
*短期來看，供過於求的風險正在上升。
**AI需求仍持續飆升，Inference成長遠超預期。
*供過於求風險存在，但如DRAM或面板業經驗，需求終將追上供給。
*Google I/O數據顯示Token用量一年內成長50倍，OpenAI MAU從4億躍升至6億。
*Gemini、Claude、Anthropic等AI應用需求快速加速，形成正向循環。
*AI應用擴大至繪圖、影片生成、社群分享，中高齡族群也開始參與，付費用戶數飆升。
**NVIDIA面臨競爭與產品延遲，CSP轉向自研ASIC以分散風險。
*Amazon的Claude專精寫程式，導致其自研ASIC更具成本效益。
*Google、AWS也加大自研晶片投入，導致部分預算轉移，NVIDIA動能受到挑戰。
*GB200產品供應延遲，讓CSP轉向自主開發ASIC搶市。
*NVIDIA原意圖藉由技術躍進讓對手難以追趕，逼迫回頭使用NVIDIA產品，但出貨延遲破壞了這個節奏。
**GB200研發挑戰巨大，屬於業界極限任務，延遲情有可原。
*GB200原規劃24Q3就能量產，但實際到2025年中才進入大規模出貨。
*平台挑戰散熱、系統架構與製程極限，液冷散熱更是首次大規模商用。
*NVIDIA推動供應鏈提前投入，使不可能任務成真；若無強力Push，至今可能仍未完成。
**Rubin等後續產品時程極度緊湊，恐再度延遲。
*NVIDIA規劃2025下半年推出Rubin、2026 Vera Rubin，時間極為緊繃。
*根據供應鏈回報，Rubin按期量產的可能性低於20%，預期再延半年至一年。
**Apple與NVIDIA產品策略截然不同，反映開發週期與風險承受度差異。
*Apple屬漸進式改款，多為“擠牙膏”，即便是iPhone X的大改款也是多年來才有的一次。
*NVIDIA則每代皆大躍進，壓縮開發期，加劇供應鏈挑戰與延誤風險。
*Apple注重穩定交期；NVIDIA則以高技術門檻創造領先優勢，兩者取向不同。
**短期供給略有壓力，長期看好AI推論需求與自研晶片趨勢。
*供給面過剩屬短期現象，需求面因AI滲透生活場景而爆發，帶來長線動能。
*自研ASIC成為趨勢，但NVIDIA仍具技術領先與平台整合優勢。
*整體AI基礎建設如火如荼，動能持續，關鍵在於如何消化短線供過於求，等待新一輪成長週期。
**水冷散熱的技術挑戰與演進。
*Cooler Master展示的水冷裝置具備安全保護機制，當冷卻液發生滴漏時，Sensor可自動偵測並關閉系統運作，保護冷板與其他元件。
*水冷系統在實務運作中問題繁多，不僅需防止漏水，還需應對冷凝水在Cold Plate表面凝結後滴落主機板造成損壞的風險。
*冷凝水的出現與冷水進入冷卻系統後造成的溫差有關，不同環境（如中東、美國）對水冷系統設計有不同挑戰。
*水溫控制若不當（進來水太熱），反而無法有效帶走熱能，增加整體設計複雜度。
**NVIDIA推動水冷與整體系統極限挑戰。
*過去水冷散熱被視為難以實現，NVIDIA堅持開發，強調做不出來的話 整個系統都別做了，最終成功。
*水冷散熱只是整個AI運算架構中的一環，其他如功率設計、CoWoS製程、訊號傳輸等，均為當前技術極限。
*台積電的CoWoS製程挑戰包括晶片間的走線彎折、熱散處理與高速訊號的loss控制，每一項都在突破瓶頸。
*延遲一年完成整體架構被視為工藝奇蹟，類似登月計畫般困難，卻完成了。
**台積電與CoWoS進一步演進。
*技術論壇中，台積電展示在interposer（矽中介層）中加入更多IC元件的計畫，包括整合IVR（電壓控制元件）。
*CoWoS-L平台整合DTC（Deep Trench Capacitor）與PMIC（電源管理IC）功能，是其核心優勢。
*這些整合大幅提升效能，原本在外部主機板的電源控制與調節功能將被整合進晶片封裝中。
**NVIDIA對供應鏈的壓力與影響。
*NVIDIA在推動整體系統開發中，不斷對供應鏈提出新挑戰，每一環節的合作廠商都在超越自身極限。
*對於未來AI伺服器需處理500~1000顆GPU的大電流需求，NVIDIA及其合作夥伴必須提前應對。
*整體開發僅延後一年完成，已是跨供應鏈協作的成功範例。
**NVIDIA高毛利背後的競爭壓力與選擇。
*NVIDIA的GPU毛利高達70~80%，但Data Center整體並非如此高獲利，因為還需考慮資本支出與折舊。
*Google與Amazon等CSP為何仍願採用NVIDIA GPU而非自研晶片？
因為NVIDIA產品效能與整合度遠優於其他ASIC，逼得他們不得不用。
*如果自研晶片性能無法超越NVIDIA，就無法支撐資料中心的運作效益，即便NVIDIA收取高毛利也只能接受。
**NVIDIA與CSP間的主導關係變化。
*過去幾年Google雖想擺脫對NVIDIA依賴，但實際運營端仍偏好使用NVIDIA產品。
*然而近期Amazon與Google逐步採用自研ASIC晶片，NVIDIA的市佔遭到侵蝕。
*終端應用若偏向推論（inference）階段，對算力需求低，導入成本更敏感，改用ASIC具成本優勢。
*自研ASIC（如Meta推薦晶片、Google TPU、Amazon Trainium）針對特定任務最佳化，可壓低成本、提高效率。
**Google與Amazon的供應鏈差異與影響。
*Google多數關鍵系統設計交由國外廠商如Celestica負責，台灣廠商參與度低。
*Amazon的AI伺服器設計與生產則多由台灣供應鏈參與，如智邦、緯穎、金像電、台光電、奇鋐、富世達等。
*台灣在Switch市場份額不高，僅智邦具一定能見度，全球則以Arista為主導。
*Amazon在水冷、散熱設計也倚重台廠，包括奇鋐、Cooler Master、台達電等供應商。
**NVL72與DGX伺服器架構差異與商業模式。
*NVL72為一整櫃包含72顆GPU的系統架構，是目前AI算力主流單位。
*NVIDIA的自有品牌系統稱為DGX，價格昂貴（約450萬美元/櫃），內含多數自研零組件、提供完整售後。
*相較下，非品牌NVL72（如鴻海代工）價格較便宜（約300萬美元），仍使用NVIDIA晶片但供應彈性較高。
*CSP（雲端服務供應商）大多不採用DGX而是根據ORV3規格自行整合，符合自建資料中心需求。
**液冷散熱的困難與機會。
*液冷系統解決AI伺服器高熱密度問題，但設計複雜、技術門檻極高。
*過去十年多數廠商難以量產，至今能穩定供應的僅Cooler Master與奇鋐。
*雖許多台廠如鴻海、台達電已被列入NVIDIA RVL（reference vendor list），但僅少數真正出貨。
*被列入RVL不代表已經量產或真正認證，僅具參考價值。
**NVIDIA主導硬體規格趨勢明顯。
*GB200雖初期獲市場關注，出貨延遲影響部分CSP採購意願。
*NVIDIA對NVL72設計要求日益嚴格，零組件逐步自有化，形成近似Apple封閉供應模式。
*供應商未必能自由調整元件，如果試圖更換 將需要大量驗證、測試，且時間有限，可能錯過產品周期。
**與蘋果的比較與供應鏈利潤模式差異。
*與蘋果不同，NVIDIA供應鏈普遍利潤豐厚，合作廠商能共享成長果實。
*蘋果供應鏈因毛利壓縮、產能過度備貨等問題，供應鏈常常會有獲利困難的狀況。
*NVIDIA與供應商的合作模式多為服務CSP（非NVIDIA直接採購），因此在談判與利潤分配上具彈性空間。
**雖各大ODM如緯穎、英業達積極切入液冷與AI伺服器市場，但能否成功量產尚未明朗。
*NVIDIA仍持續推進新平台（如Blackwell架構後的Rubin Ultra），市場進入快速迭代時代。
*面對快速技術演進，供應鏈若無法及時跟上、完成設計與量產，恐將落後、資源無法回收。
**黃仁勳的挑戰極限精神與NVIDIA轉型。
*黃仁勳長期具有挑戰極限的性格，但AI浪潮與競爭壓力（如AGI與ASIC）進一步加強其推動技術極限的動力。
*過去NVIDIA專注於高端繪圖卡，如今則從GPU零件供應商轉型為AI系統架構定義者。
*他不僅賣GPU，也主導整個系統設計與規格，類似早期的IBM，但保留只賣零件、不賣完整系統的策略。
*NVIDIA合作廠商如台達電提供電源與散熱等解決方案，形成完整的生態系。
**面對ASIC競爭的壓力。
*若NVIDIA不持續挑戰極限，將被Amazon、Google、Microsoft等CSP的自研ASIC追上。
*前創意總經理賴俊豪指出，過往產業演進從通用晶片（如GPU）到規格穩定後改為ASIC是常態，挖礦即為案例。
*ASIC初期量小、僅供自用（如TPU、Trainium），稱為ASIC；一旦成為標準產品供多方使用，則轉為ASSP（Application-Specific Standard Product，應用特定標準產品，如高通、聯發科AP）。
**NVIDIA現為高毛利ASSP廠商。
*NVIDIA的產品屬於ASSP，但毛利極高，導致ASIC廠商看見利潤空間而投入。
*若NVIDIA壓低毛利至30–40%，許多ASIC反而無利可圖，難以存活。
*ASIC能有生存空間，主要是因為NVIDIA定價過高，否則難以與NVIDIA龐大規模與IP庫競爭。
**AI晶片市場的規模與市佔估算。
*有報告估ASIC佔AI晶片市場約三成，若按台積電出廠價或成本估算可能成立，但若以營收或市值估算則不合理。
*例如NVIDIA一顆晶片售價2.4萬美元，成本約2400美元，而自研ASIC僅反映成本價，營收與產值落差達十倍。
**未來ASIC市佔是否擴大？
*目前觀察ASIC佔比確實擴大，特別是NVIDIA的GB200遞延交貨期間。
*但是如果GB200推出後性能與成本優勢顯著，仍可能逆轉情勢，迫使CSP回頭採用NVIDIA方案。
*是否回歸NVIDIA產品，取決於總體效能與成本驗證結果。
**GPU通用性仍具競爭優勢。
*若AI應用持續演進與多元，GPU作為通用型解決方案仍具優勢。
*ASIC僅在應用確定、量大且規格穩定時才具成本效率，否則GPU更適合支援研發與快速變動的應用場景。
*因此CSP仍需要一定比例的GPU作為備援與彈性開發工具。
**GB200延遲與聯發科的受惠機會。
*在NVIDIA GB200延遲期間，聯發科成為少數受惠者之一，據傳拿下Google下一代TPU專案，蔡力行也指出明年將帶來數十億美元營收。
*對聯發科而言，有機會擺脫長年無法打入中國以外大型客戶的困境。
*過去聯發科以ASSP為主，這次則跨入客製化ASIC領域，代表其設計實力獲得美系大客戶肯定。
**ASIC市場興起與技術供應商的實力評比。
*越來越多CSP如Amazon、Google、Meta、Microsoft、OpenAI投入自研ASIC，帶動ASIC市場需求。
*幫忙開發大型IC的技術門檻高，過去僅創意、智原等公司參與，但多數僅能處理小型專案，無法負荷高複雜度設計。
*Broadcom為全球最強ASIC代工夥伴之一，而聯發科也具備相當實力，能力次於Broadcom但可被視為高階替代方案。
**聯發科在AI ASIC設計的定位。
*聯發科有多年開發大型晶片經驗，在台灣Fabless廠中屬技術領先者，具備處理數百mm²大型IC的能力。
*在價格競爭下，有望成為CSP對Broadcom議價的替代對象。
*是否進一步深耕ASIC業務，仍取決於商業策略，畢竟聯發科目前的主要業務ASSP（可對多客戶銷售）較穩定。
**ASIC商業模式的風險與挑戰。
*ASIC開發案多為一次性設計費（NRE），成功量產者才會進入長期營收模式，否則NRE不易轉為穩定獲利。
*系統廠常在開案過程中因產品規格變動或市場競爭而中止開案，造成設計失敗率高。
*成功轉量產後，若CSP自覺量體足夠，極可能收回設計自主化，形成廠商”養大客戶、客戶自立”的典型風險。
*蘋果即是典型案例，從初期找Samsung設計晶片（類ASIC），到後來完全自研A系列處理器。
*Microsoft、Meta也曾委外設計AI ASIC，最後未量產；而Amazon現已自行下CoWoS與Foundry訂單，逐步掌握後段製程。
*Broadcom、世芯為目前成功案例，但不代表此生意可長可久，Marvell財報顯示即便接案，其獲利成長有限(原因可能是僅收取IP授權費，但也還不確定)。
**ASIC在短期內是熱門生意，原因在於CSP財力雄厚、持續開案，即便失敗也願意重試。
*但此市場的本質風險仍高：開案轉量產比率低、客戶可能跳船、IP授權費收入有限。
*就像過去代理商賣太好會被原廠收回經銷權一樣，若客戶掌握設計與製造能力，就無需再委外。
