微軟 Maia 200 一月上線、AWS 部署破 100 萬顆 Trainium、Google 第八代 TPU 開始賣進別人的機房、Meta 新一代 MTIA 九月量產。四大雲端巨頭的自研晶片同時進入量產年。
（前情提要：OpenAI 聯手 Broadcom 發表首款 AI 晶片「Jalapeño」）
（背景補充：Anthropic 證實組建自研晶片團隊，開千萬年薪找資深工程師）
四家科技巨頭的自研 AI 晶片，在 2026 年全部走進了機房。客製 ASIC 今年的出貨量估計年增 44.6%，是通用 GPU 的近三倍。但同一段時間，NVIDIA 上一季的資料中心營收是 752 億美元，年增 92%，毛利率 75%。
自研晶片今年全部上線了
微軟的 Maia 200 在一月進入資料中心，採用台積電 3 奈米製程、超過 1,400 億顆電晶體，目前跑的是 OpenAI 的 GPT-5.2 與 Microsoft 365 Copilot。微軟宣稱它的每美元效能，比自家機隊中最好的硬體高出約 30%。
亞馬遜更早。AWS 執行長 Matt Garman 去年底就說，公司已部署超過 100 萬顆 Trainium，而且「產能出多少就賣多少」。新一代 Trainium3 同樣採 3 奈米，能效是前代的四倍。
Google 走得最遠。第八代 TPU 直接拆成兩條產品線，8t 負責訓練、8i 負責推論，同價位下訓練效能是前代的 2.8 倍。Anthropic 去年十月就承諾採用 100 萬顆 Ironwood 世代 TPU，相當於超過 1 GW 的算力。Meta 的新一代 MTIA 則預定九月量產。
他們要的不是取代，是議價權
這些晶片有一個共同身分：ASIC，特殊應用積體電路。簡單來說就是，這類晶片只做幾件被指定的事，砍掉通用運算的彈性，換取更低的功耗與每次推論的成本。
這個取捨在 2026 年成立，是因為推論已經吃掉 AI 算力的三分之二。
訓練比的是誰有最聰明的模型，推論比的則是誰的每個 token 便宜。當工作負載夠固定、量體夠大，自己做一顆只跑那件事的晶片，帳單就算得過來。
更進一步，Google 在今年開始把 TPU 賣到自家機房外面。七月傳出它正向 CoreWeave、Nebius 這類新興雲端業者推銷 TPU，並出資協助對方蓋機房，同時與黑石（Blackstone）成立初期規模 50 億美元的合資公司。
Meta 也被報導將自今年起向 Google Cloud 租用 TPU，2027 年再談數十億美元的採購。
串起這一切的是博通（Broadcom）。它同時是 Google TPU、Meta MTIA、微軟 Maia 與 OpenAI 客製晶片的設計夥伴，上季 AI 營收 108 億美元、年增 143%，AI 訂單背積達 730 億美元。
護城河在軟體
不過自研最難的部分從來不是把晶片做出來，而是讓人願意在上面寫程式。NVIDIA 的 CUDA 累積超過 400 萬名註冊開發者、4 萬家組織在用。換到 TPU、Trainium 或 MTIA，意味著程式碼要重寫、工具鏈要重建、除錯經驗歸零。
所以格局是清楚的：ASIC 在推論端一路推進，訓練端仍然幾乎是 NVIDIA 獨佔，NVLink 的多節點串接能力短期內沒人補得上。
NVIDIA 的回應是把戰場往上抬：Vera Rubin 平台主打 288GB HBM4 與 50 PFLOPS 的 FP4 算力，並用 Dynamo 軟體把推論效能拉高最多 7 倍。它要守的不是賣最多顆晶片，而是「新模型第一個跑在誰身上」。
所以數字變成這樣：NVIDIA 在資料中心 AI 加速器的市佔率，估計已從 2023 年的約 92% 降到 80% 至 85%。份額在掉，可是營收卻在翻倍。
所以短時間之內：自研晶片動搖的不是 NVIDIA 的地位，而是它的定價權。更大的風險是當有一天，算力需求不再每年翻倍時，那可能才是 NVIDIA 需要擔心的時候。
📍相關報導📍
微軟自研晶片 Maia 300 傳九月亮相，首波目標逾 30 萬顆、洽台積電代工
NVIDIA 包下俄亥俄州 8GW 算力園區！OpenAI 獨家租用 20 年
