官方Line
立即開戶
2024→2025 年間，Google 將 Gemini 系列模型擴展為完整 AI 生態（含語音、影像、代理人功能與開發者 API），同時在訓練端大量採用自家設計的 TPU（Tensor Processing Unit）與傳統 GPU 混合運算。這帶動了伺服器、PCB、散熱與高頻材料等台灣供應鏈的需求成長。本篇整合已公開資料與供應鏈報導，分 A/B/C 三組說明「誰最有可能吃到 Google 的訂單」，並給出實務型的投資觀點。
1｜Google Gemini 到底是什麼？
Gemini 是 Google 推出的多模態大型模型家族（可處理文字、圖像、影片、語音、程式碼），定位是直接對標 OpenAI GPT 系列。
2024～2025 年，Google 逐步把 Gemini 打造成完整 AI 生態系，包括：
- Gemini 2.x 系列大型模型
- AI 代理人（可在 Gmail / Docs / Android 上自動處理任務）
- 影片生成模型 Veo
- Pixel、Chromebook 等硬體直接整合 Gemini
- 使用 Google 自家 TPU 大規模訓練
重點：Gemini 不再是一個模型，而是一個完整 AI 平台。
2｜為什麼 Google Gemini 這麼紅？
（1）能力大幅進步、成本下降
2024 下半年開始，Gemini Ultra / Gemini 2.x 系列性能已能與 GPT-4o / GPT-5 同級，在許多任務中具速度快、成本低的優勢。
（2）Google 把 AI 內建到每個服務
使用者不必「特別開 AI」，而是在用 YouTube、Gmail、Docs、Android 的同時，就已經在使用 Gemini。
Google 生態本身的巨大用量，讓 Gemini 使用率自然爆發。
（3）Google 大量採用自家 TPU，訓練效率高度提升
TPU（Tensor Processing Unit）是 Google 自己設計的 AI 訓練晶片。
Google 表示相較早期架構，新的 TPU 大幅提升訓練效率，讓 Gemini 模型更新與迭代速度更快。
→ 這點直接帶動 台灣伺服器、PCB、散熱、ABF 載板等供應鏈需求增加。
3｜TPU 是什麼？與 GPU 有何不同？
TPU（Tensor Processing Unit）是 Google 針對 AI 訓練與推論設計的專用晶片（ASIC）。
它不是 CPU，也不是 GPU，而是：
- 專攻矩陣乘法（AI 訓練最重要的運算）
- 能在大規模並行運算時展現高效率
- 成本、功耗、密度通常比 GPU 更具優勢
- Google 可依訓練需求量身定制（模型越大，TPU 越有利）
TPU 目前已進化到 v4 → v5e / v5p → v6 系列。
4｜Google 不靠 Nvidia，也能自己養大 AI 嗎？
✔ Google 能用自家 TPU 訓練 Gemini，不必完全依賴 Nvidia
Gemini 模型主要在 Google 自家資料中心、以 TPU SuperPod 進行訓練。
TPU 設計由 Google，製造則被多家產業報導指向 TSMC（台積電）代工。
❌ 但 Google 不是「完全不用」 Nvidia
仍需要：
- x86 CPU（多為 Intel）作為伺服器控制端
- Google Cloud 仍大量提供 NVIDIA GPU（H100 / H200 / B200 等）產品線
- 某些訓練 / 推論工作負載仍使用 GPU
- 在混合架構（Hybrid Training）中 TPU 與 GPU 並存
更精準說法是：
Google 透過 TPU 降低對 Nvidia 的相對依賴，但不是完全取代。
5｜最完整 Google TPU × 台灣供應鏈（A / B 組）
下方分類是依「公開資訊可信度」整理，而非由公司官方證實。
也因此：
A 組＝多家媒體/法人提及、角色明確
B 組＝技術吻合但缺乏直接 Google 訂單證據
核心＋高度可信供應鏈（A 組）
| 公司 (代號) | 供應鏈角色 / 為何列入 | 近期被點名次數 | 風險評估 |
|---|---|---|---|
| 台積電 (2330) | TPU v7e / v7p 晶圓代工；3 nm 製程量產，Google 自研晶片重要代工廠。 | 多次 | 低 |
| 金像電 (2368) | 高階伺服器主板 (高層數／高階 PCB) 供應商，是 Google TPU v7 的主力供應商之一。 | 多次 | 低 |
| 台光電 (2383) | 提供高階 CCL 材料 (M7/M8) — 對應 TPU 或高頻高速訊號需求，是高階 PCB／載板重要材料來源。 | 多次 | 低 |
| 欣興 (3037) | ABF 載板／高階 PCB，在 TPU／AI 伺服器用載板與高階材料供應鏈中被法人點名。 | 多次 | 低 |
| 勤誠 (8210) | 伺服器機殼與結構件 (機殼、Switch Tray 等) 供應商，2025 Q4 放量，為 TPU／ASIC 伺服器重要機構件來源。 | 數次 | 中 |
| 奇鋐 (3017) | 散熱模組（氣冷、水冷／3D VC／液冷）供應商 — TPU 功率高，液冷需求上升，供應鏈地位明確。 | 數次 | 中 |
次級、潛力供應鏈（B / C 組）
| 公司 (代號) | 潛力角色 / 注意項目 | 近期被點名次數 | 風險評估 |
|---|---|---|---|
| 聯發科 (2454) | 取得 Google TPU v7e 設計大單，ASIC 晶片設計核心之一。 | 數次 | 中 |
| 智邦 (2345) | 網路交換器 / 高速資料中心設備供應商，隨 TPU 叢集建置需求成長。 | 數次 | 中 |
| 旺矽 (6223) | 探針卡／測試介面供應商，高頻、高功耗 AI 晶片封裝測試需求。 | 少數 | 高 |
| 邁科 (6831) | 散熱模組 (氣冷 / 水冷) — 已對 Google TPU 水冷模組送樣認證，2026 可能放量。 | 少數 | 高 |
| 富世達 (6805) | 水冷模組轉接頭或配件供應商，水冷普及化下可能受惠。 | 少數 | 高 |
📈 近期觀察／補充趨勢與動向
- 多家法人／產業報告提到 2025 Q4 開始，有不少供應鏈公司出貨放量，預期 2026 年將是「收割年」。
- 與過去以 GPU 為主的 AI 加速器世代相比，TPU／ASIC 的崛起使供應鏈結構改變，對「高階封裝、高階材料、高效散熱、高密度機櫃／機構件、高速網通」的需求明顯上升 — 這讓像 PCB／載板、散熱、機殼設計、水冷、網通設備等廠商變成焦點。
- 與這波浪潮相關的，不只是傳統大型代工／封裝／PCB，而是整個「從設計、封裝、散熱、機構、網通到測試」的完整供應鏈，意味著若要布局「AI 概念股」，僅買單一環很可能不如分散在多個供應鏈環節較穩健。
6｜Google 概念股還能買嗎？投資策略怎麼看？
1️⃣ 市場背景
Google TPU + Gemini 3 生態：Google 以自研 TPU 與軟硬整合策略，逐步挑戰 Nvidia 的 AI 加速器壟斷，帶動 AI 供應鏈重新洗牌。
台股受益族群：
- 核心供應鏈：台積電、金像電、台光電、欣興、勤誠、奇鋐 → 供應鏈角色明確、訂單穩定
- 次級潛力股：聯發科、智邦、旺矽、邁科、富世達 → 受訂單與認證影響大，波動高
近期行情：
- 聯發科 罕見漲停 → IC 設計族群比價效應
- PCB、散熱、機殼類股走強
- 資金流向 AI 高階晶片供應鏈，短線人氣熱度高
2️⃣ 投資策略思路
(A) 核心供應鏈（低風險、穩定受益）
標的：台積電、金像電、台光電、欣興、勤誠、奇鋐
策略：
- 分批布局：可依盤面回檔分批買入，不必一次買滿。
- 長線持有：核心供應鏈穩定受 TPU / AI 伺服器訂單支撐，業績成長可望持續。
- 留意法說 / 出貨量：觀察是否有 AI 訂單放量訊號，可作加碼依據。
(B) 次級潛力股（高風險、高報酬）
標的：聯發科、智邦、旺矽、邁科、富世達
策略：
- 小比例投資：以觀察／題材性布局為主，控制風險。
- 注意認證與出貨消息：真正量產、放量前風險高，短線可能漲跌劇烈。
- 設定停損點：避免因市場情緒過熱而追高被套牢。
(C) 風險管理
- AI 概念股短期容易 題材炒作 → 追高容易套牢
- TPU / AI 伺服器市場競爭激烈 → 部分潛力股可能無法真正受惠
- 建議 資金分散、核心供應鏈多、潛力股少
- 可搭配 美股 / ETF 配置，降低單一市場風險
3️⃣ 操作建議範例（以台股 100% 為例）
| 類型 | 配置比例 | 說明 |
|---|---|---|
| 核心供應鏈 | 60–70% | 長線穩健，主要受 Google TPU 訂單與 AI 伺服器需求支撐 |
| 次級潛力股 | 15–20% | 觀察題材性、量產認證消息後加碼 |
| 現金 / 防禦性 | 10–25% | 留作低點布局或突發行情應對 |
💡 總結：
Google 概念股仍值得關注，但需分清核心 vs 潛力股。
核心供應鏈長線持有，波動小；潛力股短線觀察 / 小額布局。
短線追高風險高 → 可等待回檔或出貨放量消息再加碼。
搭配定期投資 / 美股 ETF → 分散風險、捕捉 AI 長期成長。
