這幾年輝達（NVIDIA）的名字出現在各個地方，就算你沒有投資輝達也可能知道是如何從單純的遊戲顯卡供應商，演變成全球 AI 基礎設施的龍頭。然而，常在新聞上聽到的 Vera Rubin、GB 300 、Blackwell 等產品名稱，但是你真的知道他們是做什麼的？長什麼樣子？產品之間又有何關聯嗎？今年推出的 Vera Rubin NVL72 又是怎麼組成？別擔心，股感將用本篇文章帶你一次看懂。
為何 GPU 成為主流？
在介紹輝達有哪些產品前，先帶讀者簡單回顧為何 GPU 如此重要。傳統的運算任務主要由中央處理器（CPU）負責，設計初衷是為了處理複雜的邏輯判斷與序列任務，就像是一位具備高度智慧的「全能主廚」，雖然能處理各種精細的指令，但在面對極度繁瑣且重複的任務時，效率便會受限。
相對而言，圖形處理器（GPU）的設計結構是為了「並行運算」而生。這就像是在廚房中部署了成千上萬名專門負責切菜的「助手」，雖然單一助手的邏輯能力不如主廚，但在處理 AI 訓練所需的海量數據（如數千億個參數的矩陣運算）時，GPU 能透過同步作業展現出驚人的吞吐量。
隨著生成式 AI 模型對算力的需求呈指數級增長，這種以 GPU 為核心的加速運算架構，正式取代傳統通用運算，成為數據中心的標準配置。
延伸閱讀 >>> GPU 是什麼？GPU 概念股有哪些？黃仁勳為什麼大推 GPU？
GPU 晶片架構的演進
進入到 AI 時代，輝達對自家 GPU 產品架構的命名在歷史上其實都確有其人，都是為了致敬歷史上偉大的科學家，代表技術世代的更迭。且每一代新架構的推出，通常伴隨著能源效率的提升與運算成本的下降。
| 股感資料庫整理 | ||||
| 輝達 GPU 產品架構演進 | ||||
| 晶片架構名稱 | 代表科學家 | 推出年份 | 量產年份 | 技術地位 |
| Ampere (A) | Ampere | 2020 | 2020 | 奠定現代 AI 運算基礎，廣泛應用於早期深度學習。 |
| Hopper (H) | Grace Hopper | 2022 | 2023 | 目前市場主流，支撐 ChatGPT 等 大型語言模型爆發。 |
| Blackwell (B) | David Blackwell | 2024 | 2025 | 2025 年的核心引擎， 大幅優化了推理效能與能耗比。 |
| Rubin (R) | Vera Rubin | 2026 | 2026 | 2026 年新旗艦， 專為具備獨立思考能力的「AI 代理」設計。 |
| Feynman (F) | Richard Feynman | 2028 | 2028 | 預計採用更先進的光子運算技術， 挑戰物理算力極限。 |
常聽到的 H200、B300之類的產品代號，前面的英文就是代表使用哪一代的 GPU ，像是 H300 就是使用 Hopper GPU，以此類推。
Rubin GPU
CPU 晶片架構的演進
光只有運算出數據，如果沒有 CPU 來做數據調度也是不行。過去輝達與 IBM 合作，採用 IBM POWER CPU ，但近些年輝達改透過自研的 Arm 架構 CPU，直接一條龍生產，還透過 NVLink 解決傳統架構中資料在不同處理器間傳輸的瓶頸問題。
| 股感資料庫整理 | |||
| CPU 產品架構演進表 | |||
| CPU 系列代號 | 推出年份 | 量產年份 | 核心任務與市場價值 |
| Grace | 2022 | 2023 | 輝達首款專為超大規模數據中心設計的自研 ARM 架構處理器。 |
| Vera | 2026 | 2026 | 專門優化 AI 推理與複雜邏輯，確保 GPU 運算不被資料傳輸卡頓。 |
| Rosa | 2028 | 2028 | 預計採用 3D 封裝技術，與下一代 GPU 達成毫秒級的同步運作。 |
輝達 Vera CPU
AI 伺服器的組成
介紹完 GPU 、CPU 後，接下來介紹一台 AI 伺服器是透過哪些部件組成？一台頂配的 AI 伺服器售價已攀升至 300 萬美元左右，內部整合 GPU、CPU、HBM 高頻寬記憶體及先進液冷系統。 要理解一台具備高算力的 AI 伺服器，我們必須從最微小的晶片開始，像堆疊樂高一樣拆解它，我們可以把一台伺服器從小到大拆分成八大階層：
| 股感資料庫整理 | |||
| AI 伺服器硬體組成 | |||
| 階層 | 專有名詞 | 組成內容 | 圖片 |
| 1. 晶片 | GPU Die / Package | 運算晶粒、HBM 記憶體與中介層 (如 Rubin 晶片) |
 |
| 2. 模組 | SXM / Superchip | 封裝後的 GPU 模組， 或 1 顆 CPU + 2 顆 GPU 整合 |
 |
| 3. 基板 | UBB (Universal Baseboard) | 通常將 8 顆 GPU 模組併排 安裝在大型電路板上 |
 |
| 4. 運算層 | Compute Tray (運算匣) | CPU + GPU 基板 + 系統記憶體 + 液冷板 |  |
| 5. 機箱 | Server Chassis (機箱) | 運算匣 + 外殼 + 電源供應器 (PSU) + 網卡 |
 |
| 6. 交換機層 | NVLink Switch Tray | 專門負責 GPU 之間溝通的交換機模組 |  |
| 7. 機櫃 | AI Rack (如 NVL72) | 18~36 個運算匣透過 NVLink 串聯 |  |
| 8. 叢集級 | Cluster / SuperPOD | 數百個機架透過 InfiniBand 或乙太網串聯 |  |
以上這些內容會依照客戶所需來進行排列組合，並不是每一台機櫃內容都長得一樣。機櫃裡一層一層的單位被稱為「Ｕ」(Rack Unit)，
- 1U/2U： 通常是通用型伺服器或交換機（瘦長型）。
- 4U/8U： 最常見的高度，因為裡面要塞進 8 顆發熱量巨大的 GPU 和大型散熱風扇。
以前追求伺服器越薄越好，但隨著算力提升，一個機櫃變的塞不下太多東西，像是 AI 伺服器的電源供應器 (PSU) 變得很龐大，也佔用了更多 U 數。另外還有散熱空間問題，狹長的機箱根本塞不下巨型散熱片，這也是為什麼水液冷散熱（Cold Plate）在近些年一直是熱門話題！
延伸閱讀 >>> 水冷散熱是什麼？水冷散熱概念股有哪些？水冷散熱概念股未來展望？
Vera Rubin NVL72
讓我們回到第七層 機櫃 (Rack)，這時候就可知道 Vera Rubin NVL72 是代表什麼意思了！
上圖的機櫃中如果你仔細看可以看出有 18 層 Compute Tray (運算層)，而 1 層 Compute Tray 又是由 2 顆「超級晶片」（Superchip）（ 共 2 顆 Vera CPU 與 4 顆 Rubin GPU ）進行封裝，也就是 18(Trays) x 4 (GPUs per Tray) = 72顆 (GPUs)。
你可能會問：「為什麼不湊個整數 80 或 100？」，這時候就要提到輝達獨家的 NVLink 高速互連技術。NVLink 就像是在 72 顆晶片之間搭建極寬的高速公路，再透過「銅線背板」（Copper Backplane）連接，讓數據傳輸的速度快到如同在「單一晶片」內部進行。這也是輝達最深的技術護城河：即便競爭對手能做出規格相近的單一晶片，也難以在這種「機櫃即電腦」（Rack-as-a-Computer）的大規模協同效率上與之匹敵，而是一個具備 72 顆 GPU 的單一運算實體。若是再透過 Scale-out 串連其他機櫃，則運算效能就不只翻倍這麼簡單了！
透過這種從小組合到大的精密階層，最後組合成 AI 資料中心，將數十億個電晶體的微小力量，整合並轉化為足以改變世界的巨大算力中心。
產品線分類
前面提到的都是機櫃式伺服器，不同的產業有不同的使用情境，也不是每個客戶都有獨立的機房來儲放伺服器，為此輝達針對不同規模的客戶與應用場景，將產品線區分為許多類別，股感只列出其中幾項：
| 產品線分類 | |||
| 產品系列 | 主要客群 | 解決方案與優勢 | 圖片 |
| DGX 系列 |
頂尖研究機構、企業、個人 | 輝達原廠旗艦機，強調軟硬體深度調優，客戶買回後可立即投入 AI 研發。 |  |
| HGX 系列 |
AWS、微軟、Google 等雲端服務商 | 提供核心架構藍圖，讓雲端巨頭能根據其資料中心環境進行彈性客製化。 | |
| OVX 系列 |
汽車設計、數位孿生、智慧建築 | 專為模擬虛擬世界設計，協助企業在實體動工前進行萬次的虛擬演練。 |  |
| IGX 系列 |
醫療手術室、工業自動化工廠 | 強調邊緣運算的穩定性與安全性，適用於對震動、溫度較敏感的嚴苛環境。 |  |
CUDA 與軟體生態
硬體效能固然重要，但輝達真正的護城河來自名為 CUDA 的軟體開發平台。在過去 20 年間，全球數百萬名工程師已習慣在 CUDA 架構下撰寫程式碼與訓練模型。這產生極強的路徑依賴：如果一家企業想轉用其他品牌的晶片，其所有的軟體、開發工具與過往積累的演算法都必須重新改寫。這種極高的轉換成本，讓輝達在硬體銷售之外，建立了一個無人能撼動的生態圈。
輝達還推出的 NIM（AI 微服務）將複雜的 AI 模型進行標準化封裝，讓企業能更快速地在現有系統中部署與執行。這項服務降低了企業導入 AI 技術的難度，同時也讓輝達的軟體與硬體之間能有更緊密的整合，提升整體運算效率。
2024 Computex
為何難以撼動輝達的地位？
市場上其實也不是只有輝達在做伺服器市場，市場上也有許多挑戰者，但為什麼比不過呢？因為輝達的領先優勢已從單純的「晶片運算速度」轉向「系統級的生態壟斷」。我們拿輝達最強勁競爭對手：AMD（超微）進行深度對比。
AMD (MI300/400 系列)
AMD 的產品（如 MI300X 及其後續的 MI400 系列）在硬體規格上非常強悍，特別是在記憶體容量與頻寬上，時常能與輝達的旗艦產品持平甚至超越。然而，AMD 面臨的最大挑戰在於軟體生態圈（ROCm）。全球絕大多數的 AI 開發者都是在輝達的 CUDA 架構下成長，對於開發者而言，轉換到 AMD 平台需要耗費大量的時間進行程式碼優化與適應，有極高的隱形成本。
| Nvidia 與 AMD 對比 | ||
| 競爭維度 | 輝達 (NVIDIA) | AMD (超微) |
| 軟體成熟度 | 極高 (CUDA 生態系完整) | 中 (ROCm 持續追趕中) |
| 硬體通用性 | 極強 (適用於各類 AI 任務) | 強 (適合大規模推理) |
| 互連技術 | NVLink (獨家通訊協定) | Infinity Fabric (開放標準) |
| 市場策略 | 全通路銷售 (硬體 + 系統) | 硬體銷售、性價比取勝 |
數據中心業務如何驅動輝達的估值？
從財務指標來看輝達的財報，市場觀察的指標早就不再是遊戲顯卡的銷量，而是數據中心（Data Center）業務的成長曲線。
根據 2025 年至 2026 年的市場預估，輝達在 AI 資料中心 GPU 市場的佔有率仍維持在 85% 至 90% 的絕對領先地位。而毛利率（Gross Margin）長期穩定在 70% 以上，這在硬體產業是極為罕見的數字，反映輝達對產品有極強的定價能力。
| 輝達營收結構與市場佔有率概況 | |||
| 業務項目 | 營收佔比 (預估) | 市場佔有率 | 增長動能分析 |
| 數據中心 (Data Center) | 85% – 88% | 約90% | 由 Rubin 平台與 NVL72 整機櫃方案帶動的高客單價需求。 |
| 遊戲 (Gaming) | 8% – 10% | 約75% | 雲端遊戲與高階 PC 換機潮提供的穩定現金流。 |
| 專業視覺化 (Visualization) | 2% – 3% | 約90% | 企業級數位孿生與 OVX 平台的軟體授權收入。 |
| 汽車與機器人 (Auto) | 1% – 2% | 成長中 | DRIVE 與 Jetson 平台在自駕車市場的長期佈局。 |
輝達的營收已經高度集中於數據中心業務。這意味著輝達的股價與全球大型科技股（如 Meta, Microsoft, Alphabet）的資本支出（CapEx）呈現高度正相關。只要全球巨頭繼續投入 AI 基礎設施的競賽，輝達作為「軍火供應商」的角色就不會改變。
輝達近年來積極推動「軟體訂閱制」（如 NVIDIA AI Enterprise），把原本一次性的硬體銷售轉化為持續性的經常性收入。這類高毛利的軟體服務，也是未來提升輝達長期估值的重要看點。
結論
看完以上對 AI 伺服器的拆解，下次讀者再看到介紹輝達的產品時不會太過陌生，至少清楚這些產品是做什麼的，或是使用了哪些晶片。如果你有在跟進時事你會發現，近幾年的 GTC 大會上除了公布最新的晶片架構外，輝達執行長黃仁勳也推出許多 AI 的實體應用：像是去年的星際大戰 「BB8」、今年與迪士尼合作的「雪寶」，搭載針對機器人設計的 Jetson 系列，賦予機器精密的核心控制與環境感知，讓 AI 真正擁有「肢體」。還有專為自動駕駛研發的 DRIVE 系列，把強大的運算力注入移動載具，讓交通工具具備自主思考能力，以上種種都說明輝達的佈局慢慢跨越數位世界的藩籬，輝達不再只是一家單純的硬體供應商，而是透過定義軟硬體標準，成為整個 AI 時代的作業系統！
【延伸閱讀】
