新聞裡的「AI 晶片」有時指 NVIDIA 的 GPU、有時指 Google 的 TPU、有時又是手機裡的某個處理器。到底哪個才是 AI 晶片？其實答案是：它們都是。

這篇就把 AI 晶片講白。先看它為什麼是一個「家族」而不是單一種晶片，再拆解 GPU、ASIC、TPU、NPU、FPGA 各是什麼、差在哪，最後談訓練與推論、雲端與裝置端的不同。這是 AI 硬體供應鏈一條龍 第 1 關「AI 晶片」的入門總覽版。

AI 晶片是什麼？

AI 晶片（又稱 AI 加速器）是「為 AI 工作負載最佳化的硬體」的總稱，涵蓋好幾種晶片。

為什麼需要專門的晶片？因為 AI 的運算很有特色：大量的矩陣乘法、張量運算（張量可想成矩陣的延伸，是模型處理的大量數字表）、低精度計算，而且這些運算可以同時進行。一般 CPU 不擅長這種大規模平行運算，於是業界做出各種專門加速這類運算的晶片，統稱 AI 晶片。

可以把它想成一個家族：GPU、ASIC、TPU、NPU、FPGA 都是這個家族的成員，各有專長，但都為了同一件事而生，把 AI 的運算跑得又快又省。

核心數據快照

下面幾個數字幫你抓住 AI 晶片市場的量級。多為研調機構估計。

主題數值時點／性質
全球半導體營收2026 年估約 1.32 兆美元Gartner 預估
AI 半導體占比約占 2026 半導體營收三成Gartner 預估
NVIDIA AI 晶片市占約 70%TrendForce，2025 估計
雲端自研 ASIC vs GPU 成長率ASIC 約 44.6%、GPU 約 16.1%TrendForce，2026 估計
AI PC 占比快速普及；Gartner 因記憶體漲價將 50% 滲透點下修至 2028Gartner

五種 AI 晶片，各做什麼

把這個家族的成員攤開對照：

類型它是什麼適合用在哪
GPU通用平行處理器，彈性大、生態（CUDA）成熟大模型訓練、雲端推論、研究
ASIC為特定任務量身打造的客製晶片，效率高、彈性低雲端大廠自研、特定工作負載、衝成本
TPUGoogle 自研的 ASIC，專攻張量運算Google Cloud、自家模型與客戶工作負載
NPU放進手機、筆電、汽車的低功耗 AI 晶片裝置端即時 AI、省電、可離線
FPGA可重新配置（出廠後仍能改硬體邏輯），彈性與效率的折衷低延遲、工業、原型開發

想深入了解 GPU，看 GPU 那一關；想了解雲端大廠為何自研 ASIC，看 ASIC 那一關。

訓練晶片 vs 推論晶片

同樣是 AI 晶片，用在「訓練」還是「推論」，重點很不一樣。

訓練是讓模型從海量資料中學習，像把一個學生從頭教到會。這需要極高的算力、很大的記憶體、跨晶片高速互連，還要長時間穩定運算。推論是模型學成上線後，對新的輸入快速給出答案，像讓學生考試作答。推論更在意延遲（答得快不快）、成本與每瓦效能。

同一顆晶片可能兩者都能做（GPU、TPU 都是），但因為推論會隨每一次使用持續產生成本，市場上越來越多「推論優先」的晶片設計。

雲端 vs 裝置端

AI 晶片放在哪裡，也決定了它長什麼樣。

雲端 AI 晶片放在資料中心，優勢是算力大、可擴展、集中管理，適合大模型訓練與大量 API 推論，但很吃電。裝置端 AI 晶片（多為 NPU）放在手機、筆電、汽車裡，優勢是低延遲、保護隱私、可離線、省頻寬，代價是受限於體積與功耗。微軟的 Copilot+ PC 就要求 NPU 算力超過每秒 40 兆次運算。

簡單說：雲端走「大力出奇蹟」，裝置端走「精打細算」。越來越多 AI 應用會把運算切開，重的放雲端、即時的放裝置端。

這一關的重點

看完 AI 晶片，先記住最重要的觀念：它是一個「加速器家族」的總稱，不是只指 GPU。

GPU 通用、生態成熟；ASIC（含 Google TPU）為特定任務量身打造、效率高；NPU 走低功耗、被放進手機與筆電；FPGA 是彈性與效率的折衷。2026 年的格局是 NVIDIA GPU 仍主導雲端，雲端自研 ASIC 與裝置端 NPU 則各自快速成長。理解這個分類，就看得懂為什麼雲端、手機、汽車裡的 AI 晶片長得不一樣。

想深入看 GPU，讀 GPU；想看雲端自研晶片，讀 ASIC；想看旗艦 GPU 世代，讀 Blackwell；想回頭看整條鏈八關，回到 供應鏈總覽。