NVIDIA GTC 2026 整理：真正該看的不是晶片，而是「設計圖」

前言

各位訂閱者，本週在聖荷西 SAP 中心舉行的 NVIDIA GTC 2026 於昨天（3 月 19 日）正式落幕。這場吸引超過 3 萬名與會者的盛會中，黃仁勳執行長以超過 2 小時的主題演講，密集發布了數十項產品與戰略。今天的電子報，我們來完整盤點這次 GTC 2026 的重點。

媒體的頭版標題一如預期，被 Vera Rubin、Groq 整合、1 兆美元營收能見度等關鍵字刷了屏。但在我看來，這次 GTC 真正的訊息不在任何單一產品，而在更深的地方。

黃仁勳花 2 小時講的，歸根結底只有一件事：「AI 已經是一套產業生產系統，Token 是那座工廠的產出物，而 NVIDIA 是那座工廠的設計師」——這是一項宣言。今天我們來聚焦 GTC 2026 中真正值得細看的三個重點。

1 兆美元的意義：數字背後的結構性變革

GTC 上被引用最多的數字，毫無疑問是 「1 兆美元」。黃仁勳表示，Blackwell 與 Vera Rubin 平台的採購訂單到 2027 年將達到 1 兆美元，恰好是去年 GTC 提出的 5,000 億美元能見度的兩倍。

這個數字之所以有趣，不在規模本身，而在其構成。據黃仁勳說明，這 1 兆美元僅包含 GPU 系統與網路營收。 新發布的獨立 Vera CPU、Groq LPX 解決方案、儲存設備均未計入。用黃仁勳自己的話說，若將 Groq 加入推論工作負載，運算支出將增加約 25%，實際市場規模將超過 1.25 兆美元。

營收結構也值得關注。目前約 60% 的營收來自五大超大型雲端服務商（AWS、Google、Azure、Meta、Oracle 等），40% 則來自企業、產業、主權（Sovereign）AI¹​ 等領域。 黃仁勳預估，當「物理 AI（Physical AI）」全面落地後，這個比例將反轉，非超大型雲端服務商佔比將攀升至 70%。

這為什麼重要？NVIDIA 的營收長期高度集中於少數科技巨頭，這一直是風險因素。但當物理 AI——機器人、自動駕駛、製造業——開始普及，客戶基礎將結構性地分散。NVIDIA 已鎖定 BYD、現代、日產、吉利（Geely）等年產 1,800 萬輛的汽車製造商作為自動駕駛合作夥伴，並宣布與 Uber 的調度網路整合。

另外，NVIDIA 上一個會計年度（FY2026，2026 年 1 月結算）營收為 2,159 億美元，年增 65%。其中資料中心營收達 1,973 億美元。下一季度（FY27 Q1）財測指引為 780 億美元，大幅超越華爾街市場共識的 726 億美元。

Groq 整合：200 億美元拼圖的最後一塊

這次 GTC 的技術亮點，毫無疑問是 Groq 整合。去年 12 月平安夜宣布的 200 億美元 Groq 資產收購，僅 3 個月後就以具體產品形式亮相。NVIDIA 為什麼要付出 200 億美元——約為前次估值的 3 倍——這次 GTC 終於給出了答案。

核心在於「分離式推論（Disaggregated Inference）」。AI 生成回答的過程（推論）大致分為兩個階段：理解輸入的 Prefill（預填充）階段，以及逐個生成 Token 的 Decode（解碼）階段，二者各司其職。

根據黃仁勳的說明，Vera Rubin 擅長高吞吐量（High Throughput）——最優於一次性處理大量數據。而 Groq 的 LPU²​ 則是一款搭載大規模晶片內 SRAM³​ 的超低延遲（Low Latency）機器。NVIDIA 將這兩款根本不同的處理器整合為一套系統。

Prefill 由 Vera Rubin 負責，Decode 的 Token 生成則交給 Groq。甚至在 Decode 內部，Attention 運算⁴​ 由 Vera Rubin 執行，FFN（前饋網路）運算則由 Groq 處理，形成了極度精細的分工。兩套系統透過乙太網路以特殊模式連接，將延遲時間縮短了近一半。

結果如何？每瓦特推論性能最高提升 35 倍。這不只是數字的改善，用黃仁勳的話說，是「開啟了一個世界從未見過的全新推論性能等級」。

用汽車產業來類比會更容易理解。通常一台引擎要應付所有行駛條件。NVIDIA 做的，是將高速公路引擎與市區引擎裝進同一台車，並根據路況自動切換。成本雖然上升，但能源效率與性能卻大幅改善。

Groq LP30 晶片由三星生產，預計 2026 年第三季（下半年）出貨。與此同時，Vera Rubin 也預計在同一時間正式量產出貨——微軟已收到首批樣品。

「Token 經濟學」：NVIDIA 重新定義運算的價值

這次 GTC 中最讓我關注的框架，是 Token 經濟學（Tokenomics）。 在分析師提問環節中，當有人對利潤率的持續性表示擔憂時，黃仁勳的回答非常明確：「客戶買的不是昂貴的電腦，而是每瓦特／每秒產出的 Token 單價最低的設備。」

這是在將電腦從消耗品重新定義為生產設備。就像 ASML 的光刻設備⁵​ 或 TSMC 的晶圓一樣，即使價格高昂，只要生產力具有壓倒性優勢，客戶就樂意選擇最新型號。

黃仁勳在此脈絡下，對比了過去與現在的運算範式。過去，我們預先編寫軟體、預先錄製內容、預先儲存影片。 就像播放 DVD 一樣，輸出的是事先製作的成果。但生成式 AI 是即時生成一切的。它根據使用者、情境、意圖，每次都創造全新的結果，因此所需的運算量比過去高出數百倍乃至數千倍。

在此之上，AI 的進化階段也在疊加。黃仁勳將 AI 定義為三個階段：

• 第一階段：生成式 AI——輸入 Prompt 即產出結果的階段
• 第二階段：推論（Reasoning）——進行邏輯思考的階段
• 第三階段：Agentic 系統——自主設定目標、使用工具、甚至生成其他 Agent 來執行任務的階段 目前我們正進入第三階段。在 Agentic AI 中，一個問題會衍生出數十個子 Agent，每個 Agent 獨立進行推論並消耗 Token。這就是 Token 需求呈拋物線式暴增的原因。黃仁勳說「我們已經進入了一個不僅為工程師配置筆記型電腦，還要分配 Token 預算（Token Budget）的時代」，這不只是比喻，而是企業 IT 成本結構正在實質改變的訊號。

在這個框架下，NVIDIA 的定價策略就說得通了。當競爭對手說「我們的晶片便宜 30%」時，NVIDIA 的反駁是：「重要的不是晶片價格，而是工廠的生產力。」就像買 iPhone 時，我們看的不是零組件成本，而是整體使用體驗的總和一樣，AI 基礎設施也應該以 每 Token 成本（Cost per Token） 這個新單位來評估。

OZ 的觀點

老實說，我認為這次 GTC 不是一場新品發表會，而是一場商業模式宣言。NVIDIA 正在做的，是一套完整的平台鎖定（Lock-in）策略。硬體（GPU + CPU + LPU + DPU + NIC + 交換器）、軟體（CUDA + Dynamo + NemoClaw），乃至推論管線的架構本身，都由 NVIDIA 來設計。一旦客戶進入這個生態系，離開的門檻就極高。

Groq 收購正是核心所在。Groq 原本是可以成為 NVIDIA GPU 替代方案的推論專用晶片——畢竟它是 Google TPU 之父 Jonathan Ross 創辦的公司。NVIDIA 花 200 億美元，既消除了潛在競爭者，又補上了自身的短板（推論低延遲）。Bernstein 的 Stacy Rasgon 將這筆交易評為「在維持競爭假象的同時，實質上完成了收購」，這個觀察非常精準。

還有一個值得關注的點：中國市場策略。最新的 Vera Rubin 因出口管制無法在中國銷售，但 NVIDIA 打出了兩張牌。第一，取得川普政府的出口許可，恢復 H200 的生產。第二，計劃 5 月推出基於 Groq 技術的中國專用推論晶片。這不是規避監管，而是在監管框架內打造最優產品——這傳遞出一個訊號：NVIDIA 絕不放棄中國市場。

SK 海力士的動作也不可忽視。其宣布在龍仁叢集一期 2 至 6 階段投入 21.6 兆韓元的基礎設施投資，據 JP Morgan 估算，總資本支出可能達到 72 至 86 兆韓元。崔泰源會長在 GTC 現場表示「晶片晶圓短缺將持續到 2030 年」，這意味著供給端也判斷這波需求是結構性的。

不過，我仍保留幾個理性的疑問。1 兆美元的能見度是「採購意向」，不是「確認營收」。超大型雲端服務商的資本支出週期若出現調整，這個數字就可能變動。此外，NVIDIA 的利潤率防禦邏輯雖有說服力，但對 CUDA 生態系的壟斷性依賴，最終可能以監管風險的形式回擊。Token 經濟學要成立，Token 的最終消費者——也就是使用 AI 服務的企業與個人——必須真的負擔得起這個成本。

結語

這次 GTC 2026 中，有三個核心要記住的。

第一，NVIDIA 不再是一家晶片公司。它已轉型為設計由 7 款晶片組成的全棧「AI 工廠」的公司。 第二，Groq 整合有潛力成為推論市場的遊戲規則改變者。高吞吐量與超低延遲的結合所帶來的 35 倍性能提升，已超越單純的規格競爭，是一種結構性優勢。第三，「Token 經濟學」是 AI 基礎設施投資的全新評估框架。在一個以每 Token 生產成本而非晶片價格為基準的時代，目前 NVIDIA 的邏輯最具說服力。

如果想深入了解這個主題，我推薦大家直接觀看黃仁勳的主題演講全文（約 2 小時 30 分鐘）。在產品發布的縫隙之間，藏著解讀 AI 產業結構的框架。

覺得有幫助嗎？分享給更多人

複製連結XLinkedInThreadsKakaoTalk네이버 밴드

參考資料 & 延伸閱讀

• NVIDIA, “NVIDIA Announces Financial Results for Fourth Quarter and Fiscal 2026”, 2026.2.25. ：FY2026 年度營收 2,159 億美元、FY27 Q1 財測指引 780 億美元等財務數據的一手來源。
• NVIDIA, “NVIDIA Kicks Off the Next Generation of AI With Rubin — Six New Chips, One Incredible AI Supercomputer”, 2026.1.5. ：Vera Rubin 平台的官方發布資料，整理了 6 款晶片的組成與規格。
• CNBC, “Nvidia buying AI chip startup Groq’s assets for about $20 billion in its largest deal on record”, 2025.12.24. ：理解 Groq 收購背景與結構的必讀文章。
• NVIDIA Technical Blog, “Inside the NVIDIA Vera Rubin Platform”, 2026.1（2026.3.16 更新）：加入 Groq LPX 後更新的技术深度分析資料，是理解分離式推論架構的最佳參考。
• The Next Platform, “Nvidia Finally Admits Why It Shelled Out $20 Billion For Groq”, 2026.3.17. ：從技術角度分析 Groq 收購的戰略意義與 Vera Rubin 整合過程的文章。
• Reuters, “South Korea’s SK Group chairman expects chip wafer shortage to last until 2030”, 2026.3.16. ：SK 集團崔泰源會長在 GTC 現場的發言，以及 ADR 上市評估的最新消息。
• Tom’s Hardware, “Nvidia GTC 2026 keynote live blog”, 2026.3.16. ：主題演講的即時整理，適合快速掌握整體發布脈絡。

作者 安光涉（Oswarld） 現任世宗大學兼任教授，INLEVEL9 策略顧問。職涯經歷、研究、著作與近期活動會持續更新在作者介紹。 最新動態 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

1. 主權 AI（Sovereign AI）：指各國在本國境內獨立建置 AI 基礎設施的趨勢。出於數據主權與國家安全的考量，避免依賴美國科技巨頭。NVIDIA FY2026 的主權 AI 營收已突破 300 億美元。 ↩

2. LPU（Language Processing Unit）：Groq 開發的 AI 推論專用處理器。與 GPU 不同，LPU 將數據儲存在晶片內 SRAM 中，專精於超低延遲的 Token 生成。簡單來說，如果 GPU 是萬能廚師，LPU 就是專做壽司、速度極快的職人。 ↩

3. SRAM（Static Random-Access Memory）：搭載於晶片內部的高速記憶體。比 HBM 或 DRAM 快得多，但容量小且成本高。Groq LP30 以約 500MB 的大規模 SRAM 實現低延遲。 ↩

4. Attention 運算：Transformer AI 模型的核心運算。計算輸入文字中各詞語之間的關聯程度，是理解語境的關鍵，但運算量極大。 ↩

5. 光刻設備：製造半導體時，將電路圖案刻蝕到晶圓上的設備。荷蘭 ASML 幾乎壟斷了最先進的 EUV 光刻設備。單台價格可達數千億韓元，但沒有這台設備就無法製造最新半導體，因此客戶樂意購買。 ↩