AI伺服器是什麼？2025完整解析｜架構、廠商、概念股投資指南
AI伺服器是什麼？2025完整解析｜架構、廠商、概念股投資指南
引言：為什麼 AI 伺服器突然變得這麼重要？
ChatGPT 一夕爆紅，背後需要多少運算力？
答案是：數萬張 GPU，24 小時不停運轉。
這就是 AI 伺服器的價值所在。2024 年全球 AI 伺服器市場規模突破 500 億美元，預估 2028 年將達到 2,500 億美元。台灣作為全球 AI 伺服器製造重鎮，相關概念股更是投資人關注焦點。
這篇文章將帶你完整了解：AI 伺服器是什麼、硬體架構如何組成、台灣有哪些重要廠商，以及概念股投資該注意什麼。
如果你對一般伺服器還不熟悉，建議先閱讀《伺服器完整指南：從入門到企業應用》
一、什麼是 AI 伺服器？
1.1 AI 伺服器定義
AI 伺服器是專為人工智慧工作負載設計的高效能運算設備。
跟傳統伺服器最大的不同在於：AI 伺服器的運算核心是 GPU（圖形處理器），而不是 CPU。
為什麼要用 GPU？
因為 AI 模型訓練需要進行大量的「矩陣運算」。CPU 是通才，什麼都能做，但一次只能處理少量運算。GPU 則是專才，專門處理平行運算，可以同時執行數千個運算任務。
打個比方：
- CPU 像一位頂尖數學家，算得很精準，但一次只能解一題
- GPU 像一千位普通計算員，每人算簡單的題目，但同時開工
AI 訓練需要的正是後者——大量簡單運算同時進行。
1.2 AI 伺服器與傳統伺服器的差異
| 比較項目 | 傳統伺服器 | AI 伺服器 |
|---|---|---|
| 運算核心 | CPU（Intel Xeon、AMD EPYC） | GPU（NVIDIA H100、A100） |
| 記憶體類型 | DDR4/DDR5 | HBM（高頻寬記憶體） |
| 記憶體容量 | 64GB - 1TB | 80GB - 640GB（HBM） |
| 單機功耗 | 500W - 1,500W | 5,000W - 15,000W |
| 散熱方式 | 氣冷為主 | 液冷/水冷為主 |
| 網路頻寬 | 10-100 Gbps | 400-800 Gbps |
| 單機價格 | NT$10萬 - 100萬 | NT$50萬 - 5,000萬 |
| 主要用途 | 網站、資料庫、企業應用 | AI 訓練、推論、大型語言模型 |
最驚人的差異是功耗。一台配備 8 張 NVIDIA H100 的 AI 伺服器，功耗可達 10-15kW，相當於 10 台傳統伺服器。
這也是為什麼 AI 伺服器的散熱技術如此重要。想了解更多伺服器類型的差異，可參考《伺服器種類全解析：7種常見伺服器類型比較》。
1.3 GPU 伺服器的核心角色
GPU 是 AI 伺服器的心臟。
目前市場上，NVIDIA 獨佔超過 90% 的 AI GPU 市場。主要產品線包括：
| GPU 型號 | 發布時間 | HBM 容量 | 運算效能 | 適用場景 |
|---|---|---|---|---|
| A100 | 2020 | 40/80GB | 312 TFLOPS | 中型 AI 訓練 |
| H100 | 2022 | 80GB | 989 TFLOPS | 大型語言模型 |
| H200 | 2024 | 141GB | 989 TFLOPS | 超大模型訓練 |
| B200 | 2024 | 192GB | 2,250 TFLOPS | 下一代 AI 應用 |
H100 是目前最主流的 AI 訓練晶片，單張售價約 25,000-40,000 美元（約 NT$80-130 萬）。
一台高階 AI 伺服器可能配備 8 張 H100，光 GPU 成本就超過 NT$600 萬。
二、AI 伺服器硬體架構
了解 AI 伺服器，必須認識它的硬體組成。
2.1 GPU：NVIDIA H100、H200、B200 介紹
NVIDIA H100（Hopper 架構）
H100 是 2022 年發布的旗艦 AI GPU，專為大型語言模型（LLM）訓練設計：
- 800 億個電晶體
- 80GB HBM3 記憶體
- 3.35 TB/s 記憶體頻寬
- 支援 FP8 精度，AI 訓練效能較 A100 提升 3 倍
NVIDIA H200
H200 是 H100 的升級版，主要提升記憶體：
- 141GB HBM3e 記憶體（比 H100 多 76%）
- 4.8 TB/s 記憶體頻寬
- 適合超大型模型（如 GPT-4 等級）
NVIDIA B200（Blackwell 架構）
2024 年發布的最新架構：
- 2,080 億個電晶體
- 192GB HBM3e 記憶體
- 運算效能較 H100 提升 2.5 倍
- 預計 2025 年大量出貨
2.2 AI 伺服器架構圖解析
一台典型的 8-GPU AI 伺服器架構：
┌─────────────────────────────────────────────────────────┐
│ AI 伺服器架構 │
├─────────────────────────────────────────────────────────┤
│ ┌─────┐ ┌─────┐ ┌─────┐ ┌─────┐ ┌─────┐ ┌─────┐ ┌─────┐ ┌─────┐ │
│ │GPU 1│ │GPU 2│ │GPU 3│ │GPU 4│ │GPU 5│ │GPU 6│ │GPU 7│ │GPU 8│ │
│ └──┬──┘ └──┬──┘ └──┬──┘ └──┬──┘ └──┬──┘ └──┬──┘ └──┬──┘ └──┬──┘ │
│ │ │ │ │ │ │ │ │ │
│ └───────┴───────┴───────┼───────┴───────┴───────┴───────┘ │
│ │ │
│ ┌──────┴──────┐ │
│ │ NVSwitch │ ← GPU 間高速互連 │
│ └──────┬──────┘ │
│ │ │
│ ┌───────────────────────┼───────────────────────┐ │
│ │ │ │ │
│ ┌──┴──┐ ┌─────┴─────┐ ┌──┴──┐ │
│ │CPU 1│ │ 記憶體 │ │CPU 2│ │
│ └─────┘ │(DDR5 2TB) │ └─────┘ │
│ └───────────┘ │
│ │ │
│ ┌────────┴────────┐ │
│ │ InfiniBand │ ← 伺服器間高速網路 │
│ │ (400 Gbps) │ │
│ └─────────────────┘ │
└─────────────────────────────────────────────────────────┘
關鍵組件說明：
- GPU：8 張 GPU 是目前主流配置
- NVSwitch：NVIDIA 專利技術，讓 GPU 間可高速通訊
- CPU：負責控制與資料預處理
- HBM：每張 GPU 自帶高頻寬記憶體
- InfiniBand：連接多台伺服器形成叢集
2.3 高速網路互連：NVLink、InfiniBand
AI 訓練需要多張 GPU、多台伺服器協同運算，網路速度決定了整體效能。
NVLink（GPU 間互連）
- NVIDIA 專利技術
- NVLink 4.0 單向頻寬達 900 GB/s
- 讓同一台伺服器內的 GPU 可以快速交換資料
InfiniBand（伺服器間互連）
- 目前主流是 400 Gbps（NDR）
- 下一代 800 Gbps（XDR）已在部署中
- 相較傳統乙太網路延遲更低、頻寬更高
為什麼網路這麼重要？
訓練 GPT-4 等級的模型，需要數千張 GPU 同時運算。如果 GPU 之間的通訊太慢，大家都在等資料，效率就會大打折扣。
2.4 散熱與電源需求
AI 伺服器最大的挑戰之一是散熱。
單張 H100 GPU 的 TDP（熱設計功耗）是 700W。一台 8-GPU 伺服器，光 GPU 就產生 5,600W 的熱量，加上 CPU、記憶體、電源轉換損耗，總功耗可達 10-15kW。
傳統氣冷已經無法應付，因此液冷成為標配：
| 散熱方式 | 散熱能力 | 適用功耗 | 成本 |
|---|---|---|---|
| 氣冷 | 一般 | < 3kW/機櫃 | 低 |
| 直接液冷（DLC） | 優秀 | 3-30kW/機櫃 | 中 |
| 浸沒式冷卻 | 極佳 | > 30kW/機櫃 | 高 |
想深入了解散熱技術與投資機會？請閱讀《AI伺服器散熱概念股：水冷、液冷技術與投資機會》
想導入 AI 伺服器但不知從何下手？
根據 McKinsey 調查，75% 的企業在 AI 基礎設施規劃上遇到困難，主因是缺乏專業架構評估。
CloudInsight 如何幫助你？
- 需求評估：釐清你需要的是訓練還是推論，需要多少運算力
- 架構設計：設計符合預算與需求的 AI 基礎設施
- 供應商比較：評估雲端 vs 自建，各廠商方案優缺點
- 成本優化：避免過度配置，找到最佳性價比方案
你可能面臨的問題：
- 不確定需要買多少 GPU
- 雲端租用 vs 自建哪個划算
- 散熱、電力等機房條件是否足夠
- 如何規劃擴充路徑
三、AI 伺服器廠商總覽
全球 AI 伺服器市場，台灣廠商扮演關鍵角色。
3.1 國際品牌：Dell、HP、Supermicro
Dell Technologies
- 產品線：PowerEdge XE9680（8-GPU 配置）
- 優點：完整的企業支援、全球服務網絡
- 適合：大型企業、金融機構
HPE（Hewlett Packard Enterprise）
- 產品線：ProLiant DL380a Gen11
- 優點：混合雲整合、AI 軟體套件
- 適合：需要整合解決方案的企業
Supermicro（超微）
- 產品線：GPU SuperServer
- 優點：高度客製化、價格競爭力
- 適合：雲端服務商、研究機構
這些品牌的 AI 伺服器，大部分都是由台灣 ODM 廠商代工製造。
3.2 台灣 ODM 廠商：鴻海、廣達、緯創、英業達
台灣是全球 AI 伺服器的製造重鎮，市佔率超過 90%。
| 廠商 | 股票代號 | 主要客戶 | AI 伺服器布局 | 2024 年動態 |
|---|---|---|---|---|
| 鴻海 | 2317 | AWS、Microsoft、NVIDIA | GB200 主力供應商 | AI 伺服器營收年增 200%+ |
| 廣達 | 2382 | Google、Meta | AI 營收占比最高（40%+） | 擴建墨西哥產能 |
| 緯創 | 3231 | Dell、HP | 液冷技術領先 | 主攻液冷伺服器 |
| 英業達 | 2356 | HP | 穩健成長 | 擴大 AI 比重至 20% |
鴻海（2317）
鴻海是 NVIDIA GB200 伺服器的主力代工廠。GB200 是 NVIDIA 2024 年發布的最新 AI 伺服器，採用 Blackwell GPU，單機櫃可達 120kW 功耗。
鴻海的優勢在於垂直整合能力，從機構件、散熱到組裝一條龍。
廣達（2382）
廣達是 Google、Meta 等雲端巨頭的主要供應商，AI 伺服器營收占比在台灣 ODM 中最高。
2024 年廣達 AI 伺服器出貨量年增超過 100%，是受惠 AI 浪潮最明顯的廠商之一。
緯創（3231）
緯創主攻液冷伺服器技術，在散熱解決方案上具有領先優勢。隨著 AI 伺服器功耗持續上升，液冷技術的重要性也跟著提升。
3.3 台灣品牌廠商：華碩、技嘉
除了代工廠，台灣也有自有品牌的 AI 伺服器廠商：
華碩（2357）
- 產品線：ESC 系列 GPU 伺服器
- 優勢：本地支援完整、中小企業友善
- 適合：台灣企業、學術研究機構
技嘉（2376）
- 產品線：G 系列 GPU 伺服器
- 優勢：性價比高、客製彈性大
- 適合：新創公司、中型企業
想了解更多台灣伺服器廠商？請參考《台灣伺服器廠商排名：品牌比較與選購建議》
四、AI 伺服器概念股投資指南
AI 伺服器熱潮帶動相關概念股大漲。但投資前，你需要了解產業鏈結構。
4.1 AI 伺服器產業鏈解析
AI 伺服器產業鏈可分為三層：
上游：零組件供應商
- GPU 晶片：NVIDIA（獨佔）
- CPU：Intel、AMD
- 記憶體：三星、SK 海力士、美光
- 散熱：雙鴻、奇鋐、建準
- 電源：台達電、光寶科
中游：伺服器組裝廠
- ODM：鴻海、廣達、緯創、英業達
- 品牌廠：華碩、技嘉
下游：終端客戶
- 雲端服務商：Google、AWS、Microsoft、Meta
- 企業客戶：金融、製造、電信
投資邏輯：上游零組件毛利較高，中游組裝廠營收成長較快。
4.2 核心概念股：組裝、散熱、電源
組裝代工廠
| 公司 | 代號 | 2024 營收成長 | AI 占比 | 投資亮點 |
|---|---|---|---|---|
| 鴻海 | 2317 | +15% | 10%+ | GB200 主力供應商 |
| 廣達 | 2382 | +25% | 40%+ | AI 營收占比最高 |
| 緯創 | 3231 | +20% | 15%+ | 液冷技術領先 |
| 英業達 | 2356 | +10% | 10%+ | 穩健成長 |
散熱概念股
AI 伺服器功耗飆升，散熱廠商直接受惠：
| 公司 | 代號 | 主要產品 | AI 伺服器布局 |
|---|---|---|---|
| 雙鴻 | 3324 | 熱導管、均熱板 | H100 散熱模組供應商 |
| 奇鋐 | 3017 | 散熱模組 | GPU 散熱方案 |
| 建準 | 2421 | 散熱風扇 | 液冷系統風扇 |
電源概念股
高功耗伺服器需要高瓦數電源供應器：
| 公司 | 代號 | 主要產品 | AI 伺服器布局 |
|---|---|---|---|
| 台達電 | 2308 | 高效率電源 | 資料中心電源領導者 |
| 光寶科 | 2301 | 伺服器電源 | 電源供應器大廠 |
| 群光 | 2385 | 電源模組 | 伺服器電源供應 |
4.3 AI 伺服器概念股推薦清單
以下是 2025 年值得關注的 AI 伺服器概念股（依產業鏈分類）：
Tier 1：核心受惠股
- 廣達（2382）：AI 營收占比最高
- 鴻海（2317）：GB200 主力供應商
- 雙鴻（3324）：散熱模組龍頭
Tier 2：穩健成長股
- 緯創（3231）：液冷技術優勢
- 台達電（2308）：電源供應龍頭
- 奇鋐（3017）：散熱模組
Tier 3：潛力股
- 勤誠（8210）：液冷機櫃
- 川湖（2059）：伺服器滑軌
- 健策（3653）：散熱導管
4.4 投資風險提醒
AI 概念股雖然前景看好，但仍有風險：
產業風險
- NVIDIA 訂單集中：台廠高度依賴 NVIDIA 訂單，若 NVIDIA 市佔下滑將受影響
- 技術迭代快：AI 晶片每 1-2 年更新，廠商需持續跟進
- 產能過剩風險：若 AI 需求不如預期，可能面臨庫存壓力
個股風險
- 毛利率壓力：ODM 代工毛利率普遍偏低（5-8%）
- 客戶集中度：部分廠商營收高度集中於少數客戶
- 股價已反映預期：部分個股 2024 年漲幅已大
投資建議
- 分散布局：不要重押單一個股
- 關注毛利率：選擇有技術門檻、毛利較高的廠商
- 長期持有：AI 是長期趨勢，短期波動難免
想了解伺服器的價格與成本？請參考《伺服器價格指南：從入門到企業級完整報價》
五、2025 年 AI 伺服器趨勢
AI 伺服器產業正在快速演進，以下是 2025 年的關鍵趨勢。
5.1 液冷散熱成為標配
過去液冷是高階選配，現在正成為標準配備。
原因很簡單：氣冷已經不夠用了。
| 散熱方式 | 可處理功耗 | 2024 年占比 | 2027 年預估 |
|---|---|---|---|
| 氣冷 | < 500W/GPU | 70% | 30% |
| 直接液冷 | 500-1000W/GPU | 25% | 55% |
| 浸沒式冷卻 | > 1000W/GPU | 5% | 15% |
NVIDIA GB200 單 GPU 功耗達 1,200W，傳統氣冷根本無法處理。因此，液冷散熱相關廠商（雙鴻、奇鋐、勤誠）將持續受惠。
5.2 邊緣 AI 伺服器興起
不是所有 AI 運算都需要在資料中心進行。
邊緣 AI 伺服器讓運算更靠近終端，優勢包括：
- 降低延遲：自動駕駛、工業自動化需要即時反應
- 節省頻寬：不需要把所有資料傳回雲端
- 隱私保護：敏感資料不離開本地
邊緣 AI 伺服器通常體積較小、功耗較低，適合工廠、零售店、醫院等場景。
5.3 AI 推論需求爆發
AI 應用分為兩個階段：
- 訓練（Training）：建立模型，需要大量 GPU
- 推論（Inference）：使用模型，需求量更大
目前市場焦點在訓練，但推論需求正在快速成長。
為什麼？因為每次你用 ChatGPT 對話、用 AI 生成圖片，都是在進行「推論」運算。隨著 AI 應用普及，推論需求將遠超過訓練。
這意味著：
- 推論專用 GPU（如 NVIDIA L4、L40S）需求增加
- 中小型 AI 伺服器市場擴大
- 雲端 AI 服務商持續擴建基礎設施
想了解 AI 如何應用在你的企業？
IDC 預測，2027 年全球企業 AI 支出將達到 5,000 億美元，年複合成長率 27%。
CloudInsight 的 AI 導入服務
- AI 應用評估：分析你的業務場景，找出 AI 能創造價值的地方
- 技術選型：評估雲端 AI 服務 vs 自建，選擇最適合的方案
- 概念驗證（PoC）：小規模測試，驗證 AI 可行性
- 正式導入：協助規劃架構、採購、部署
常見 AI 應用場景
- 客服聊天機器人
- 文件智慧處理
- 預測性維護
- 品質檢測自動化
六、常見問題 FAQ
Q1：AI 伺服器價格多少？
AI 伺服器價格範圍很大：
- 入門級（單 GPU）：NT$50-100萬
- 中階（4 GPU）：NT$200-500萬
- 高階（8 GPU H100）：NT$1,000-3,000萬
- 頂級（GB200 機櫃）：NT$5,000萬+
主要成本在 GPU，單張 H100 約 NT$80-130 萬。
Q2：AI 伺服器用途有哪些？
主要應用包括：
- 大型語言模型訓練：ChatGPT、Claude 等 LLM
- 影像辨識：自動駕駛、醫療影像分析
- 推薦系統：電商、串流平台的個人化推薦
- 科學研究：蛋白質結構預測、氣候模擬
- 生成式 AI：AI 繪圖、影片生成
Q3：AI 伺服器龍頭是誰？
依領域不同：
- GPU 晶片：NVIDIA 獨霸（市佔 90%+）
- 伺服器組裝：鴻海、廣達為台灣龍頭
- 品牌伺服器：Dell、HPE 為國際龍頭
Q4：AI 伺服器概念股有哪些？
主要包括：
- 組裝廠：鴻海（2317）、廣達（2382）、緯創（3231）
- 散熱廠：雙鴻（3324）、奇鋐（3017）
- 電源廠：台達電（2308）、光寶科（2301）
- 其他零組件：川湖（2059）、勤誠（8210）
Q5：一般企業需要 AI 伺服器嗎？
不一定。
大多數企業可以使用雲端 AI 服務（AWS、GCP、Azure），不需要自己買 AI 伺服器。
自建 AI 伺服器適合：
- 有大量持續性 AI 運算需求
- 資料隱私要求高
- 有專業 IT 團隊維護
七、下一步行動
AI 伺服器是推動 AI 革命的基礎設施。
不管你是：
- 投資人：想布局 AI 概念股
- 企業主管：考慮導入 AI 應用
- IT 人員：需要規劃 AI 基礎設施
了解 AI 伺服器都是必要的功課。
還有疑問？讓專家來幫你
CloudInsight 團隊擁有豐富的雲端與 AI 基礎設施經驗，服務過金融、製造、電商等產業客戶。
我們可以幫你：
- 評估是否需要 AI 伺服器
- 比較雲端租用 vs 自建的成本
- 設計適合你的 AI 架構
- 規劃導入路徑與時程
諮詢完全免費
不管你最後決定怎麼做，我們都樂意提供專業意見。沒有推銷、沒有壓力。
我們會在 24 小時內回覆你。
延伸閱讀
- 伺服器完整指南：從入門到企業應用
- AI伺服器散熱概念股：水冷、液冷技術與投資機會
- 台灣伺服器廠商排名：品牌比較與選購建議
- 伺服器價格指南：從入門到企業級完整報價
- 伺服器種類全解析：7種常見伺服器類型比較
- 伺服器機櫃完整指南：規格、選購與安裝
參考資料
- NVIDIA, "H100 Tensor Core GPU Datasheet" (2024)
- IDC, "Worldwide AI Server Market Forecast 2024-2028"
- 台灣證券交易所, 各上市公司年報與法說會資料
- McKinsey, "The State of AI in 2024"
- Gartner, "AI Infrastructure Market Guide 2024"