二〇二六年八月二十六日，AWS與輝達共同宣布了一組讓整個科技圈倒抽一口氣的數字：未來兩年內，AWS將在全球基礎設施中額外部署兩百萬顆輝達GPU。這不是一次例行性的硬體採購，而是一張用真金白銀投下的信任票——即便亞馬遜早已佈局自研晶片，他們依然選擇同時在輝達生態系裡砸下重兵。這背後藏著一個關鍵問題：雲端巨頭一邊養自己的「備胎」，一邊向輝達「買爆」，打的究竟是什麼算盤？
從百萬到兩百萬：半年內的戰略翻倍，釋放了什麼訊號？
先回頭看一組時間軸。今年三月，AWS才剛宣布「二〇二六年底前部署百萬顆輝達GPU」的計畫，而八月這一紙新協議，直接把數量推向兩百萬顆——等於在短短不到半年之內，把原本的AI算力承諾直接翻倍。這種速度在雲端基礎建設的決策節奏中，並不多見。
根據AWS與輝達的官方說法，主因在於「市場對AI基礎設施的需求持續升溫且遠超預期」。這句話聽起來像公關稿，但仔細拆解，其實透露了兩個現實：第一，企業端對生成式AI、代理式AI的導入速度，比業界最樂觀的預測還要更快；第二，即便市場上出現AMD、英特爾甚至Google TPU等替代方案，輝達在高效能AI訓練與推論的領先位置，短期內依舊難以撼動。
兩百萬顆不是一個抽象的數字。做個粗淺的對比，二〇二三年全球資料中心GPU出貨量估計約在三百多萬顆的規模。AWS單一客戶在兩年內吞下兩百萬顆，幾乎等於整個市場年產能的三分之二被一家雲端業者包下。這不是軍備競賽，什麼才是？
不只買晶片，AWS與輝達正在編織一張更大的生態網
如果只把這次合作看成「大採購」，那就看淺了。從雙方釋出的合作內容來看，這是一次從晶片、網路、模型到資料處理的全方位綁定。這次部署的GPU陣容涵蓋Blackwell Ultra、Rubin與Rubin Ultra等次世代架構，應用場景直接瞄準AI工廠、代理式AI、科學研究與實體AI——這些都不是傳統雲端運算的範疇，而是下一世代AI應用的基礎層。
除此之外，AWS還將進一步導入RTX PRO 4500 Blackwell Server Edition GPU，專供Amazon EC2 G7執行個體使用。更值得關注的是，合作觸角已經延伸到輝達的Vera CPU、先進網路技術與機器人領域。換句話說，AWS不只把輝達當成GPU供應商，而是將其視為整個AI基礎架構的共同設計夥伴。
另外，還有一個容易被忽略但極具指標意義的環節：雙方將聯手為美國政府打造專屬AI工廠，在高安全性環境中部署十萬顆GPU，支援聯邦與國安級別的關鍵任務。這意味著輝達與AWS的綁定已經從商業市場跨入國家級戰略基礎設施，門檻與護城河都拉到了另一個層級。
【編輯觀點】從產業面來看，AWS這筆兩百萬顆的訂單，表面上是在押注輝達的技術領先，但更深層的意義在於「風險對沖」——一方面用輝達的頂級算力滿足市場對最高效能的需求，另一方面持續養大自研晶片Trainium、Inferentia的技術能量，準備在中低階運算市場逐步取代輝達的利潤空間。這招其實是雲端巨頭面對壟斷型供應商時的標準打法：捧得愈高，愈是為了有一天能夠繞過它。對一般企業來說，這個趨勢的啟示是：未來AI算力的定價權不會只掌握在一家廠商手上，但短期內，輝達的「算力稅」恐怕還是得乖乖繳。
雲端三巨頭的算力賽局：AWS、微軟、Google的戰略選擇題
如果把鏡頭拉遠，AWS這次的加碼其實是整個雲端產業「算力焦慮」的縮影。微軟透過Azure與OpenAI深度綁定，同時也大舉採購輝達晶片；Google則走出一條TPU自有路線，但在高效能運算場景中仍無法完全擺脫輝達。三大巨頭面對AI算力的策略，可以簡單歸納成三種不同路徑：
- AWS：兩條腿走路。一邊砸錢買輝達頂級晶片，一邊用自研晶片填補成本敏感型工作負載，同時利用EC2執行個體的多樣化綁住企業客戶。
- 微軟：深度綁定OpenAI，算力即服務。以Azure為核心，將輝達算力包裝成高附加價值的AI服務，而非單純賣虛擬機。
- Google：自有晶片優先，輝達為輔。TPU在訓練與推論效率上已有明顯成本優勢，但在需要CUDA生態系相容性的場景中，仍必須向輝達採購。
這三條路線沒有絕對的優劣，但AWS這次的動作傳遞了一個明確訊號：在AI算力需求爆發的階段，沒有任何一家雲端廠商承擔得起「押錯寶」的風險。與其賭單一陣營，不如兩邊下注——這也是為什麼AWS明明有自研晶片，卻還是願意用兩百萬顆GPU的訂單來鞏固與輝達的合作關係。
台灣企業的AI基礎建設布局，該從AWS的決策中學到什麼？
回到台灣市場的視角，這則新聞對正在規劃AI算力資源的企業來說，有幾個實際的參考價值。首先，AI算力的供給在未來兩年內仍然會是「賣方市場」。AWS這種等級的客戶一次吃下兩百萬顆GPU，意味著中大型企業透過雲端服務取得頂級GPU資源的成本短期內不會明顯下降，甚至可能因為需求持續熱絡而維持高檔。
其次，企業在選擇AI基礎建設時，必須同時考慮「效能」與「供應鏈風險」兩個維度。AWS的兩條腿策略其實也適用在一般企業身上——核心訓練任務可以選擇輝達體系以確保效能與生態系相容性，但推論與較輕量化的應用場景，可以逐步評估AMD、自研晶片或甚至邊緣AI方案的可行性。
最後，值得留意的是AWS與輝達合作中強調的「AI工廠」概念。這不只是雲端運算的延伸，而是將AI視為一種持續運轉的基礎生產力設施。未來企業的AI競爭力，將取決於誰能打造出穩定、可擴充、且成本可控的AI工廠，而非單點導入幾套模型。這是一個思維層級的轉換，從「買工具」變成「蓋工廠」，台灣企業在數位轉型的下一步，或許該從這個角度重新盤點自己的AI策略。
對一般企業來說，AWS這筆兩百萬顆的訂單釋放了一個重要訊號：AI算力正在從「稀缺資源」變成「戰略物資」。就像石油之於工業時代，算力之於AI時代，不只是生產工具，更是競爭壁壘的來源。如果你正在為公司規劃AI預算，不妨問自己一個問題：當算力供給出現瓶頸時，你的應用還能順利運作嗎？如果答案是否定的，現在就該思考分散供應來源或調整架構的備案。
未來兩年的算力地圖：Rubin、Blackwell與雲端巨頭的下一回合
這次合作中另一個值得深挖的訊息，是部署的晶片涵蓋Blackwell Ultra、Rubin與Rubin Ultra等次世代架構。Blackwell是輝達在二〇二四年GTC大會上發表的下一代GPU架構，而Rubin則被視為Blackwell之後的再下一代平台。AWS直接將這些尚未完全量產的未來晶片納入兩年部署計畫，代表AWS不只是買「現在需要的東西」，而是在卡位「未來三年的算力供給」。這種「預購式部署」的模式，在過去資料中心建置中並非常態，但在AI時代已經成為頂級客戶確保供應鏈穩定的必要手段。
從財務角度來看，兩百萬顆GPU的採購金額即使以大量採購的折扣價計算，保守估計也在數百億美元等級。這筆錢砸下去，不只是資本支出，更是一種市場信號——AWS用預算告訴華爾街，他們對AI業務的成長預期沒有絲毫猶豫。對投資人來說，這是一個值得追蹤的風向球：當基礎建設層的投入還在加速，AI相關應用的營收貢獻通常會在六到十八個月後出現明顯跳升。
AI算力的軍備競賽已經從「有或沒有」進入到「多或少」的階段。AWS與輝達這次的兩百萬顆晶片協議，表面上是數字震撼，本質上卻是對未來兩年AI產業成長曲線的一次集體押注。對台灣的企業決策者來說，與其被動等待算力成本下降，不如主動盤點自己的應用場景，思考如何在這個「算力通膨」的時代，用最有效率的方式取得最適合自己的運算資源。畢竟，這年頭搶不到算力，比搶不到人才更讓人焦慮。
本文改寫整理自公開新聞來源，原始報導由科技新報發布。
常見問題 FAQ
AWS為何不全部採用自研晶片，還要向輝達採購兩百萬顆GPU？
簡單來說，輝達在高效能AI訓練與推論的效能和生態系（CUDA）短期內仍無法被完全取代。AWS採取「兩條腿走路」策略，用輝達滿足頂級運算需求，同時用自研晶片降低成本，分散供應鏈風險。
這次兩百萬顆GPU的採購對一般企業有什麼直接影響？
短期內可能讓雲端GPU租用價格維持高檔，因為頂級算力被大客戶包下。中長期來看，AWS大規模部署會讓算力供給增加，推論型工作負載的價格可望逐步下降，但訓練級算力仍會是稀缺資源。
台灣企業該如何因應AI算力成本持續上升的趨勢？
建議企業優先盤點自身應用場景，區分「訓練」與「推論」工作負載，前者可考慮長期承諾用量換取折扣，後者可評估使用較低成本的自研晶片或邊緣AI方案，同時規劃多雲架構以保留議價空間。
Blackwell與Rubin架構的GPU何時會實際在AWS上線？
根據雙方此次公布的時程，Blackwell Ultra系列預計在二〇二六至二〇二七年間陸續部署，Rubin與Rubin Ultra則屬於更下一階段的規劃，具體上線時間仍取決於輝達的量產進度與AWS的基礎建設建置節奏。
AI工廠是什麼概念？跟一般的雲端運算有什麼不同？
AI工廠是將AI視為持續運轉的生產線，包含資料處理、模型訓練、推論服務與監控調校的完整流程，而非單次的運算任務。它強調穩定產出與成本可控，類似製造業的工廠管理思維，是未來企業大規模導入AI的關鍵基礎架構。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
