這個題目最早啟發我的並不是黃仁勳來台這件事，而是近期新聞一直反覆出現一個詞：Data Center (資料中心)。
一開始，我對 Data Center 的理解很粗略，就是顧名思義，大概知道它和雲端、AI、伺服器有關。
這兩天我去 NVIDIA 官網找了2026年報 來看，尤其是 Data Center 相關段落，除了補充一些之前沒有的知識面，也試著從中找出一些關聯，並且，我想順著這個脈絡來回答今天筆記的標題。
從年報看出 NVIDIA 現在賣的不是單顆 GPU，而是 Data Center
以NVIDIA 2026 年報來看，Data Center 已經是它最重要的營收主力。
2026 年報，NVIDIA 總營收是 2159.38 億美元，其中 Data Center 營收達 1937.37 億美元，占比接近九成。換句話說，NVIDIA 已經不能只被看成一家「賣 GPU」的公司——賣遊戲顯卡現在不是它的主力。
OpenAI、Microsoft、Google、Meta、Amazon，還有各國政府，如果要訓練大型 AI 模型、部署生成式 AI 服務、做自駕、機器人、企業 AI 應用，背後都需要大量「算力」。
對 NVIDIA 來說，Data Center 的意思指的是賣給雲端大廠、AI 公司、大型企業和政府的 AI 算力基礎建設。
但這些算力不能只靠一顆 GPU 完成。它需要 GPU，也需要 AI 伺服器、高速網路、儲存設備、電力、散熱、資料中心空間，以及軟體平台把這些硬體調度起來，AI時代，算力要強，成本要低，上萬顆晶片與周邊如何有效協作是關鍵。
所以年報裡的 Data Center，重點不只是「資料中心」這個場所，而是一整套 AI 基礎建設生意。可以拆成兩塊，Compute 和 Networking：
- Compute 可以理解成負責運算的部分，包含 GPU、AI 加速器、AI 伺服器系統。
- Networking 則可以理解成連接與系統協作，讓大量 GPU 和 AI 伺服器彼此高速連接，讓它們可以像一個系統一樣協作。
用比較白話的方式解釋，Compute 是用GPU、AI伺服器負責解決「算」的問題，Networking 則是負責如何有效率地「一起算」的問題。
| 項目 | 年報原始數字 | 換算成億美元 | 年增率 | 我的理解 |
|---|---|---|---|---|
| NVIDIA 總營收 | 215,938 million 美元 | 2159.38 億美元 | 65% | 公司整體營收基準 |
| Data Center | 193,737 million 美元 | 1937.37 億美元 | 68% | 已經是 NVIDIA 最主要的營收來源，約占總營收 89.7% |
| Compute | 162,361 million 美元 | 1623.61 億美元 | 59% | 負責「算」：GPU、AI 加速器、AI 伺服器系統 |
| Networking | 31,376 million 美元 | 313.76 億美元 | 142% | 負責「一起算」：讓大量 GPU 與 AI 伺服器高速連接、協作 |
資料來源：NVIDIA 官網《2026年報》
Networking 的成長率在年報中引發了我的關注
在 Data Center 裡，Compute 的金額很大。但年報裡另一個數字更引起我的注意：Data Center networking revenue 年增 142％。
GPU 是 NVIDIA 的核心產品，AI 熱潮推升 GPU 需求。這是目前主力，很合理。然而，雖然目前networking 在 Data Center 營收占比仍低，但它年增率卻很驚人。
這也反應的是，NVIDIA 更長遠的佈局。不是單純「GPU 賣得好」，而是客戶需求端，正在從單純買更多算力，到要求更完整的 AI 算力基礎架構，以及如何更有效益、更低成本運作這些算力。
大型 AI 模型不是一台伺服器就能訓練完。它通常要把工作切分給很多台 AI 伺服器、很多顆 GPU。這些 GPU 一邊運算，一邊交換資料，一邊同步模型狀態。只要資料傳輸慢，整體速度就會被拖住。
所以市場已經進入不再只是「買一顆夠強的 GPU 」，而是有沒有一套服務，讓「幾萬顆 GPU 能像一台超級電腦一樣穩定運作」，也就是說，生產鏟子已經進入下一回合，現在的問題在於，雲端大廠買了很多的AI 伺服器、GPU 之後，這些機器要怎麼彼此溝通，才不會各算各的、互相等來等去？這或許是 NVIDIA Networking 營收年增率擴大的核心因素。
需求之外，若從市場競爭來看，NVIDIA 不只會面對 AMD，也會面對雲端大廠自研晶片的競爭。Google、Amazon、Microsoft、Meta 都有動機發展自己的 AI 晶片，至少在某些成本敏感、標準化程度高的推論場景，降低對 NVIDIA 的依賴。
如果 NVIDIA 只是賣 GPU，競爭力與定價權會逐漸下降。
但如果 NVIDIA 能把 GPU、Networking、CUDA 軟體生態、AI 伺服器架構、資料中心部署整合成完整解決方案，它的競爭優勢就不只在單一晶片性能，而是把客戶要的 AI 基礎服務整套做出來，分門別類、有效率地提供各行各業算力供給，這就是黃仁勳所說的 AI Factory 願景。
這也是為什麼 NVIDIA 那麼需要台灣供應鏈？
但這個 AI Factory 要能夠成真，台灣完整的科技生產供應鏈扮演重要角色。
如果 NVIDIA 的重點只在 GPU 設計，台灣的重要性主要會集中在台積電和先進製程。NVIDIA 設計晶片，台積電負責把晶片做出來，這個路線已經很明顯。
可是當 NVIDIA 的 Data Center 生意從 GPU 延伸到 AI Factory，從單一GPU到GPU之間的系統整合，台灣供應鏈的重要性也跟著擴大。它不只在晶圓製造這一層發揮作用，也一路延伸到封裝、伺服器、機櫃、散熱、電源、線材、測試與量產。
換句話說，GPU＋Networking，Data Center 商業模式與營收的背後，要能夠實際落地，還需要台灣供應鏈的整合，這裡面分為五層。
- 第一層是台積電的先進製程。NVIDIA 設計 GPU，但最先進的 GPU 需要台積電製造。沒有穩定且先進的製程能力，再好的設計也很難大量變成可賣的產品。
- 第二層是先進封裝。AI GPU 不是只有晶片本體，還要搭配 HBM，也就是高頻寬記憶體。GPU 算得快，資料也要餵得進去。這會牽涉到 CoWoS 等先進封裝能力。封裝不只把東西包起來，也決定 GPU 和記憶體之間能不能高速、穩定地溝通。
- 第三層是 AI 伺服器與機櫃整合。這裡就會看到台灣伺服器 ODM（原始設計製造商） 的角色。AI 伺服器不是一般伺服器，它牽涉到 GPU 板卡、主機板、電源供應、高速連接、機櫃設計、液冷或風冷、線材、測試與大量出貨的整合能力。
- 第四層是散熱與電力。AI 伺服器功耗非常高。現在不是晶片做出來就結束，還要讓整櫃、整排、整座資料中心可以穩定供電和散熱。液冷、電源模組、機櫃設計、資料中心電力配置，都會變成 AI 基礎建設的一部分。
- 第五層是量產和供貨速度。AI 熱潮裡，客戶要的不是簡報上的性能，而是真的能收貨、上架、通電、散熱、測試，然後開始跑模型。誰能把高複雜度硬體大量做出來，誰就能承接雲端大廠的資本支出。
經過這樣梳理，我發現自己開始更能理解黃仁勳為什麼一直到台灣來。
他來台灣，當然有情感和品牌曝光。可是如果從 Data Center 和 AI Factory 的角度看，他更像是在協調一整套供應鏈：晶圓製造、先進封裝、AI 伺服器、機櫃、散熱、電源、測試、量產。
台灣供應鏈構成 NVIDIA 護城河的一部分
Data Center 和 AI Factory 的商業模式，確實有能夠創造出新的壟斷優勢，但是這次這種競爭力，不是光靠 NVIDIA 總部設計好晶片就能完成，它需要台灣供應鏈一起完成，換言之，台灣供應鏈已經成為 NVIDIA 的護城河的一部分。
NVIDIA 護城河 ＝ 架構設計＋CUDA 軟體生態＋GPU／Networking 技術＋雲端大客戶關係＋台灣供應鏈量產能力＋全球 AI 基建需求。
設計端，是 NVIDIA 自己的架構、GPU、CUDA、Networking 技術。
生產端，則需要台積電、先進封裝、AI 伺服器 ODM、散熱、電源、線材、測試和組裝能力。
台灣供應鏈的價值，不只是「幫 NVIDIA 做晶片」。它更像是在 AI 基礎建設進入大規模部署後，負責把複雜硬體系統量產出來的人。
這也是為什麼黃仁勳站在台灣，旁邊經常不是只有台積電，而是一整串伺服器、散熱、電源、系統廠和供應鏈夥伴。
投資判斷：Data Center 是核心，Networking 是重要觀察指標，以及風險…
如果回到投資判斷，我還想整理三個重點。
- 第一，Data Center 已經是 NVIDIA 的核心。如果 Data Center 成長放緩，NVIDIA 的估值邏輯就會被重新檢視。它現在的高估值，不只是因為市場相信 GPU 很強，更是因為市場相信 AI 基礎建設需求會持續擴張。
- 第二，Networking 的成長率值得持續觀察。Networking 快速成長，代表客戶買的不是零散 GPU，而是更完整的 AI 叢集。如果 Networking 占比和需求持續提高，代表 NVIDIA 的角色會更接近系統平台供應商，而不是單純晶片供應商。
- 第三，台灣供應鏈是成長放大器，也是風險來源。台灣可以幫 NVIDIA 把設計變成產品，把產品變成系統，把系統變成可供貨的 AI Factory，是 NVIDIA 的成長放大器也是護城河的一部分。但同時，這也代表地緣政治、先進封裝產能、伺服器交付速度、電力與散熱能力，都會成為 NVIDIA 成長故事裡的一部分風險。
這次筆記我學到的…
我想這次從 Data Center 一路往下的拆解與梳理，應該能夠回答標題的問句了 —— 黃仁勳為什麼會越來越頻繁來台灣呢？
因為AI 時代新階段的護城河，已經不在比某一顆晶片的效能，而在比誰能把一整套系統穩定做出來、交出去，並且最有效率地跑出算力。而 NVIDIA 與台灣的供應鏈，正在一起用一套整合性解決方案，重新定義產業的價值。
這篇筆記也大致讓我了解 AI 基礎建設的發展方向與緣由 —— 如果 NVIDIA 的 Data Center 生意只是賣 GPU，那台灣的重要性主要會集中在晶圓製造；但當它要賣的是Data Center，提供的是一整套 AI Factory，台灣供應鏈的位置就會從製程一路延伸到封裝、伺服器、機櫃、散熱、電源、線材、測試與量產。
透過以上這些整理，也讓我對於 NVIDIA ，以及台灣目前 AI 供應鏈的位置，有了多一些的判斷力。
這篇先整理到這裡。後面如果再看到 NVIDIA、Data Center、Networking 或台灣供應鏈的新資料，再繼續補充。