亞馬遜雲端運算服務（AWS）與輝達（NVIDIA）於本月 26 日宣布擴大戰略合作，預計在未來兩年內，於 AWS 全球基礎設施中額外部署 200 萬顆輝達 GPU。這項規模驚人的投資，不僅直接反映生成式 AI 與代理式 AI 對算力的無底洞需求，更凸顯 AWS 在力推自研晶片 Trainium 與 Inferentia 的同時，依舊無法繞過輝達軟硬體生態系的宰制地位。值得注意的是，這是在今年 3 月「2026 年起部署百萬顆 GPU」計畫之上的重大加碼，等於是將原有目標直接翻倍。
算力軍備競賽沒有盡頭：從百萬到兩百萬的關鍵轉折
今年 3 月，AWS 才剛宣布將在 2026 年起部署 100 萬顆輝達 GPU，當時已經被視為震撼市場的大手筆。然而不到半年時間，這個數字就被大幅上修至 200 萬顆。雙方給出的理由很直接：市場對 AI 基礎設施的需求持續升溫，而且「遠超預期」。
說真的，這年頭聽到「需求遠超預期」已經不是新聞了，但真正讓人玩味的是 AWS 的戰略矛盾。AWS 這幾年對外大力推廣自研晶片 Trainium 和 Inferentia，甚至在 re:Invent 大會上頻頻秀出性價比優勢，對標的就是輝達的高階 GPU。但事實擺在眼前——如果真的能靠自研晶片撐起 AI 算力江山，何必再砸 200 萬顆輝達晶片？
AWS 的算力投資翻倍，背後其實透露一個殘酷現實：自研晶片可以打價格戰，但在高階訓練與代理式 AI 這類複雜工作負載面前，輝達的 CUDA 生態系和次世代架構依然是雲端大廠無法割捨的命脈。這也讓 AWS 的策略從「取代輝達」悄悄轉向「與輝達共生」。
Blackwell Ultra 與 Rubin 到位：不只是 GPU，是整個 AI 工廠的骨幹
這 200 萬顆 GPU 的晶片陣容相當豪華，涵蓋 Blackwell Ultra、Rubin 與 Rubin Ultra 等次世代架構。這些不是你在組裝 PC 時會看到的顯卡，而是專門用來建構 AI 工廠的軍用級算力核心。所謂的 AI 工廠，簡單來說就是把成千上萬顆 GPU 串聯起來，變成一座專門生產 AI 模型的超級工廠。
這些晶片將被用來支撐代理式 AI（Agentic AI）、科學研究、企業自動化及實體 AI（Physical AI）等高階任務。代理式 AI 是今年最熱門的關鍵詞之一，指的是 AI 不再只是被動回覆問題，而是能主動執行多步驟任務、調用工具、甚至自主決策。這種 AI 對算力的消耗，跟過去單純的文字生成完全不是同一個量級。
有趣的是，AWS 這次還導入了 RTX PRO 4500 Blackwell Server Edition GPU，專門供 Amazon EC2 G7 執行個體使用。這意味著 AWS 不僅在超大規模 AI 訓練上押寶輝達，連企業級的工作站負載也一併綁定。這種從入門到頂級的全方位布局，等於在雲端 GPU 市場築起一道極深的護城河，競爭對手短期內幾乎看不到車尾燈。
不只賣算力，AWS 與輝達的「政府生意」才是真正的大局
這項合作還有一個極具戰略意義的層面，在於雙方聯手為美國政府打造專屬 AI 工廠。AWS 將在高安全性的雲端環境中部署 10 萬顆 GPU，專門用來支援聯邦與國安級別的關鍵任務。這不是一般商業客戶能碰到的規格，而是由國家級資安標準背書的專屬基礎設施。
換個角度想，這筆政府訂單的象徵意義遠大於商業價值。它代表輝達的 GPU 和 AWS 的雲端架構，聯手拿到了美國國安體系的「入場券」。一旦這個模式成功運行，未來其他國家或大型企業跟進採用相同規格的 AI 基礎設施，幾乎是必然的結局。
此外，雙方的合作觸角已經全面延伸到輝達 Vera CPU、先進網路技術、開放模型、資料處理與機器人等領域。也就是說，這不只是一張 GPU 採購訂單，而是兩大巨頭從底層晶片、網路傳輸到上層軟體框架的全面綁定。這種深度整合，讓其他雲端廠商就算有錢買 GPU，也未必能複製同樣的服務體驗。
【編輯觀點】 AWS 與輝達這次的 200 萬顆 GPU 擴張計畫，表面上是算力軍備競賽的延伸，骨子裡其實是雲端巨頭對「AI 基礎設施即國力」的提前卡位。從商業策略來看，AWS 一邊養自研晶片、一邊重押輝達，不是矛盾，而是務實。因為 AI 市場的成長曲線太陡，任何單一供應商都無法滿足所有需求，AWS 選擇「全都要」才是風險最低的路。但對企業用戶來說，這也代表未來兩年 AWS 上的 GPU 算力價格很難明顯下滑，供需失衡的狀況還會持續。如果企業有長期 AI 運算需求，現在就該開始評估多雲策略或預付型方案，不要等到算力被大廠和政府專案搶光才來懊惱。
展望與影響：算力通膨時代來臨，企業該怎麼接招？
從 100 萬顆到 200 萬顆，AWS 只用了不到半年時間。如果 AI 算力的需求繼續以這個速度膨脹，我們在 2027 年看到 400 萬顆的數字也不會太意外。這背後有一個更根本的趨勢：算力正在從「生產工具」變成「戰略物資」，稀缺性與地緣政治敏感性同時上升。
對臺灣企業來說，這個趨勢有兩層意義。第一，AWS 和輝達的深度整合，代表未來透過雲端取得頂級 AI 算力的門檻會降低——你不用自己蓋機房、不用跟供應商搶 GPU，只要有 AWS 帳號就能租到 Blackwell Ultra。但第二層意義比較殘酷：當算力變成稀缺資源，價格就會是市場機制說了算，中小企業的 AI 算力成本壓力只會愈來愈大。
未來兩年，我們會看到更多企業將 AI 工作負載轉移到雲端，而非自建基礎設施。因為 AWS 這種規模的採購優勢和供應鏈整合能力，已經不是一般企業或甚至多數國家能追上的。對決策者來說，真正的考題不是「要不要用 AI」，而是「怎麼在算力通膨的時代，精準配置每一塊錢的運算資源」。
如果你正在評估企業的 AI 基礎設施策略，現在就是重新檢視雲端算力成本結構的關鍵時刻。建議從工作負載類型、使用頻率和長期成長曲線三個維度，重新估算未來 18 個月的 AI 運算需求，別等到 GPU 一機難求的時候才來應變。
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 為什麼不全部用自研晶片就好，還要買輝達 GPU？
因為輝達的 CUDA 軟體生態系在高階 AI 訓練和代理式 AI 工作負載上仍有無可替代的優勢，AWS 自研晶片在性價比上有競爭力，但短期內無法完全取代輝達在高階市場的統治地位。
這 200 萬顆輝達 GPU 會在什麼時候到位？
根據 AWS 與輝達的規劃，這 200 萬顆 GPU 將在未來兩年內陸續部署於 AWS 全球基礎設施中，涵蓋 Blackwell Ultra、Rubin 與 Rubin Ultra 等次世代晶片架構。
這次合作對一般企業使用 AWS 的 GPU 價格會有什麼影響？
短期內供需失衡仍將持續，GPU 算力價格不易明顯下滑。但長期來看，大規模部署有助於 AWS 提升採購議價能力，加上自研晶片提供替代方案，中長期價格可能趨於穩定。
什麼是 AI 工廠？跟一般的資料中心有什麼不同？
AI 工廠是專門為大規模 AI 模型訓練和推論設計的基礎設施，核心是將數萬顆 GPU 透過高速網路串聯成單一算力池，和傳統以 CPU 為主的資料中心在硬體架構、散熱設計和網路頻寬上都有本質上的差異。
※ 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。
