【投資專欄-跟楓走036】經濟問題影響科技開支壓力 TPU能否取代Nvdia的GPU？

【投資專欄-跟楓走036】近年美國經濟雖保持增長，但從企業破產、關稅對就業與通脹的影響三個角度觀察，卻可看見更深層的結構性壓力。首先，美國企業破產申請自 2023 年明顯回升，2024 年達 687 宗，而 2025 年截至 10 月已累計 655 宗，幾乎追上疫情後最高水平。破產上升通常反映資金成本高企、融資環境收緊，以及企業在科技投資與供應鏈調整上承受壓力，特別是中小企更容易被高利率與關稅成本夾擊。

關稅方面，暫時看見緩和。其實當關稅提升 1%，失業率會在第一年顯著上升，約達 0.1 個百分點。原因是進口成本上升直接壓縮製造與出口導向企業的利潤，導致裁員增加。然而，自第二年起，企業逐步調整供應鏈與生產模式，失業率便逐步回落，第三至第四年失業率更可能略為下降。這反映關稅對勞動市場的傷害主要集中在短期，而長期則取決於市場能否成功重新配置資源。

關稅政策另一層負面影響：通脹。當關稅上升 1%，通脹在初期因需求放緩而短暫下降，但一年後便開始明顯攀升，第二至第三年達到高峰，約上升 0.1 至 0.15 個百分點。這是典型的「成本推動型通脹」，企業把更高的進口及材料成本轉嫁消費者，令物價在政策實施後逐步上升。

美國當前的經濟面臨三重壓力：企業破產攀升顯示資金環境偏緊；關稅短期提升失業率並在中期推高通脹；若再加上 AI 投資周期進入分化階段，2025 至 2026 年美國經濟可能出現放緩甚至衰退邊緣的風險。對投資者而言，需要更多關注高負債行業、科技資本開支過大的企業，以及更具防禦性的能源與公用事業等板塊。

就有關科技資本開支是否過大，其中一個因素。市場開始討論便宜一點TPU可否取代昂貴的GPU。

Google 的 TPU 與 NVIDIA 的 GPU 在人工智能運算領域中同屬加速晶片，但兩者的設計理念、應用範圍與未來角色大不相同。GPU 原本為圖像處理而生，後來因其強大的並行運算能力，被廣泛用於深度學習、推理、渲染、工程模擬與邊緣運算，成為通用型的 AI 加速核心。NVIDIA 更透過 CUDA 生態建立壁壘，使 GPU 成為全球 AI 研究與企業應用的標準平台。反觀 Google TPU，從第一代起便專門為神經網絡矩陣計算設計，以 systolic array 加速大規模矩陣運算，強調吞吐與訓練效率，尤其適合 Google 自家超大型模型，如 Gemini、PaLM 等。

兩者最大的差異在於用途與策略：GPU 強調通用性與廣泛支援，各大企業、科研機構、雲端平台都依賴 GPU 進行訓練與推理；TPU 則定位為 Google 內部與雲端客戶使用的專用 AI 訓練引擎，其效能在大模型訓練中十分突出，但生態相對封閉，主要使用 TensorFlow。GPU 在推理、市場普及度、軟件支援度、客戶覆蓋面上擁有明顯優勢。

未來前景方面，GPU 在全球 AI 基礎設施中的主導地位短期內難以撼動，特別是在企業私有部署、邊緣設備、醫療、金融與雲端推理等場景中，GPU 幾乎沒有競爭者。而 TPU 在 Google Cloud 中的角色會愈來愈重要，尤其配合光互連（CPO、Silicon Photonics）擴展超大規模訓練集群，但仍屬 Google 生態限定，難以全面擴展到全球市場。

至於 TPU 是否會取代 GPU，答案是否定的。TPU 能在特定訓練場景中提升效率，但因為生態封閉、適用範圍有限、缺乏通用性，因此只會在 Google 及少數雲端訓練環境中扮演關鍵角色，而 GPU 仍是全球 AI 運算不可或缺的核心。兩者未來將呈現「分工共存」：GPU 主導通用 AI 市場，TPU 強化雲端大模型訓練效率，而非互相取代。

(編按：本文觀點不代表加拿大星島立場，投資市場有賺有蝕，文章僅供讀者參考。)

作者：Ricky Lau ，人稱「莊主」。資產管理投資策略師、家族辦公室顧問、股評人、財經書籍《最佳位置》及《AI選美》作者。