英伟达黄仁勋在COMPUTEX引爆的AI炫风，以一人救全队之姿，让全球科技产暂时从PC和手机需求疲弱的低谷中抽离，进入他为AI产业擘划的美丽新世界。
科技盛宴只有短短数日，AI美梦苏醒后还是要回到现实面对经济不振、需求低迷的大环境，要让美梦连接到现实生活中，来看英伟达供应链如何受惠生成式AI带来的机会。
英伟达生成式AI供应链的直接受惠者从两大块来看：最上游的晶圆代工和服务器代工业者。
在晶圆代工方面，目前A100/H100 GPU全数由台积电独家代工，A100 GPU是采用7nm制程，H100 GPUT是采用4nm制程技术。
过去英伟达的显示卡可卖芯片也可以卖卡。不过，这两年推出的A100和H100是以卡片的形式供货给客户，没有单卖芯片，主要是以A100/H100加速卡的形式供货。
这次黄仁勋公开指出，除了台积电和三星电子外，不排除找英特尔代工。他并指出近期收到英特尔次代制程测试芯片的报告，结果看来不错。他强调，供应链的韧性极为重要，英伟达会尽量分散制造地点。
英伟达一向擅长采用分散供应商策略，之前和三星的晶圆代工业务也合作过。不过，三星代工的Nvidia RTX 3000 系列GPU显卡时，因为良率不佳导低市场缺货，之后便由台积电全数代工所有GPU。
关于黄仁勋擅长“管理”供应链，一位资深媒体人向《问芯Voice》讲述了一段2000年左右的“乌龙邮件”事件。
当年，英伟达承接微软X-Box芯片订单，由台积电独家代工，随着微软的生意越来越好，开始建议英伟达要找第二供应商以确保在交货高峰期之际，芯片供应也能稳定。
当时联电争取英伟达的代工订单非常积极，也给出甜甜价。当时联电副董事长宣明智在董事长、总经理任内，只要有到矽谷出差，在行程得空下都会找黄仁勋吃饭或是致赠小礼物，这些“用心”都看在黄仁勋的眼里。
英伟达与联电的试产合作也认真起来，联电内部调派不少资源做英伟达产品的试产，而英伟达内部还有一位专责的华裔业务主管负责与联电沟通，双方频频以e-mail沟通各项细节。
某天，这位华裔主管在寄出e-mail给联电时，不小心将台积电部份客户工程师的e-mail也列入群组寄信名单上，台积电工程师在收到这一封来自英伟达的误寄乌龙e-mail后，发现tsmc与umc同时名列收件地址，将业务系统往上呈报。
结局是，一周之内台积电创办人张忠谋趁赴美视察业务时，出现在英伟达公司的大厅，台积电提出不错的条件后，英伟达与联电的试产合作就此破局。
究竟英伟达的那一封e-mail是误寄？还是“技术性犯规”？看完故事的每个人心中自有答案，确定的是英伟达是最后的大赢家，获得的代工产能保障、服务、价格应该都很满意。
这次黄仁勋公开表示除了台积电和三星，不排除交由英特尔代工产品。业界也认为，这应该又是黄仁勋的议价手法之一。
这几年下来，黄仁勋在供应链管理上，与苹果库克的风格是越来越像。他不只一次表示，ChatGPT的问世是AI的iPhone时刻，两家企业的供应链管理风格也是在一条道路上。
英伟达AI世界里，服务器厂商是供应链的另一个直接受惠者。
AI服务器与传统的通用服务器的差异在于，传统通用服务器以CPU为主，AI服务器以GPU为主要架构，通过异质运算架构提高运算性能，可分成训练和推论两种。目前市面的AI服务器上，一张主板需要1～8个GPU、1～2个CPU，以及1个Arm架构的Grace CPU。AI服务器如英伟达最新型的H100服务器，一台要20万美元。
2023 年全球服务器出货量为 1,400 万台，较 2022 年成长。研调机构 TrendForce 指出，2023年AI服务器(包含搭载GPU、FPGA、ASIC等)出货量近120万台，意即现在AI服务器占整体服务器的出货量逼近10％，受惠生成式AI大浪，预计到了2026 年，AI服务器占整体服务器比重将攀升至 15%，2022～2026 年 AI 服务器出货量年复合成长率至 22%。
英伟达的GPU在AI服务器领域中，市占率也逼近70%，其他还有云端业者自主研发的 AISC 芯片占比也逾 20%，最知名的像是Google自行开发TPU芯片，未来云端大厂自行ASIC的风气会越来越盛行。
AI服务器中，为什么使用GPU能大胜CPU？
黄仁勋在这次的Computex上一直布道一个观念：“The More You Buy, The More You Save.（买愈多、省更多）。”
他这样阐述AI服务器的价格优势：数据中心的成本结构简单而言可分为硬件建置、网络建置、软件部署、资源使用率、采购营运、生命周期、电力消耗等因素，此外还要考虑数据中心用地成本。
黄仁勋持续分析，如果单看以英伟达GPU为主的AI服务器，会觉得单价很贵，但实际上不是这样的。
举例而言，若建置数据中心的预算为 1000 万美元，可以选择建置 1 座搭载 960 颗 CPU、功耗达 11GW 的数据中心，也可以选择建置 1 座有 48 颗 GPU、功耗仅需 3.2GW 的数据中心，且大型语言模型 (LLM) 数据处理量是 CPU 的 44 倍。
用另一种解释，处理同样数据量的LLM，可以选择斥资 1000 万美元，建置 1 座搭载 960 颗 CPU、功耗达 11GW 的数据中心，抑或是选择只花费 40 万美元，建置 1 台需要 2 颗 GPU、功耗仅需 0.13GW 的数据中心。
