你以為 AI ETF 是在押輝達？ASIC 要超車 GPU，散戶先搞清楚自己買了什麼

你以為手上那檔「含輝達」ETF 是在押輝達，但翻開成分股你可能會發現，裡面博通的權重比輝達還高。

摩根大通 2026 年研究報告估算，客製化 AI 晶片（ASIC）出貨「顆數」會在 2026 年占全球 AI 晶片的 42%，到 2027 年躍升至 53%，首度超越輝達主導的 GPU——這裡的比較基準是出貨顆數，不是美元規模，兩件事差很多，後面會解釋。

最大受益者被點名是博通。

這不代表輝達要垮，但確實代表散戶該打開持股明細，看清楚自己到底買了什麼。

摩根大通的數字到底狠在哪

真正該注意的不是「超越」兩個字，是兩條成長曲線的斜率差。

根據摩根大通報告，2026 年 ASIC（客製化 AI 晶片）出貨量年增約 109%，同期 GPU 出貨量年增只有 39%。

一個跑兩倍速、一個跑半速，交叉只是時間問題，報告把這個交叉點定在 2027 年，ASIC 顆數占比 53%、GPU 退到後面。

不過有一點要說清楚：不同機構的估算存在顯著落差。

TrendForce 同期對 ASIC 成長率的估算約為 44.6%，遠低於摩根大通的 109%；兩者統計口徑（是否含網路 ASIC、邊緣 ASIC）有所不同。

摩根大通的數字是目前業界最樂觀的版本，讀者在建立判斷時應留意這個分歧，而不是把 109% 當成業界共識。

拆到單一晶片更具體。

摩根大通估 Google 自研的 TPU 出貨量從 2026 年約 450 萬顆，2027 年跳到 800 萬顆；亞馬遜的 Trainium 從 190 萬顆增到 330 萬顆，微軟 Maia 與 Meta MTIA 則陸續進入量產。

這些數字加總起來，就是把輝達 GPU 從「唯一選項」擠成「選項之一」的力量。

客製化 AI 晶片出貨量將於 2027 年首度超越通用 GPU，占整體 AI 晶片出貨的過半比重；其中博通因深度參與 Google、Meta 與 OpenAI 的自研晶片專案，被視為這波結構轉變的最大受益者。— 摩根大通研究報告（2026 年），原始報告為機構付費研報，數字已廣泛見於各大財媒報導

為什麼贏家是博通，不是隨便一家 ASIC 廠

博通真正的護城河，是幫這些科技巨頭「代工設計大腦」的能力。

雲端巨頭想做自研晶片，但沒人有能力從頭設計，於是 Google、Meta、OpenAI、蘋果、Anthropic 一路排隊找博通共同設計。

摩根大通估算博通來自 AI 自研晶片（ASIC）與網路業務的合計機會規模，2026 年約 560–600 億美元；考量 2027 年超大型客戶晶片全面進入量產，分析師更激進預估合計可能突破 1500 億美元（此為含網路業務的市場機會估算，非博通公司指引）。

博通執行長陳福陽（Hock Tan）在 2026 年 3 月法說會上明確表示，2027 年 AI 晶片營收目標「明顯超過 1000 億美元」，目前已知在手訂單（backlog）約 730 億美元。

不過有件事很多人忽略：博通並非純 ASIC 公司。

2023 年完成的 690 億美元 VMware 收購，使軟體業務在 FY2026 約貢獻 40% 的合併營收。

買進博通（AVGO），不只是押 ASIC 趨勢，同時也是押了企業軟體整合的執行風險——這是兩種性質不同的賭注，一起打包進來了。

市占同樣可觀。

研調機構 Counterpoint 與高盛都估，博通到 2027 年可守住約 60% 的 AI 伺服器運算 ASIC 設計市占。

值得注意的是競爭態勢：博通的最直接對手是邁威爾（Marvell），後者深度參與微軟 Maia 和亞馬遜部分 Trainium 的設計合作，是博通在 ASIC 設計代工市場的真正正面競爭者，而非可以一筆帶過的角色。

Google 與聯發科的合作也在持續，博通的 60% 市占能否撐到 2028 年以後，是整條投資邏輯最需要持續盯緊的變數。

更深一層的推力是電力。

當資料中心開始被電網卡脖子，每瓦能效就是硬通貨。

Google 最新一代 Ironwood TPU（第七代，以推論應用為核心設計）的每瓦效能是前代 Trillium 的兩倍，Google 官方資料顯示較 2018 年首款 Cloud TPU 提升近 30 倍。

專為單一任務最佳化的 ASIC（客製化晶片），在電力受限的環境裡天生比通用 GPU 省電，這是結構性優勢，不是一兩季的題材。

ASIC 的需求最快將在 2027 年追平 GPU，成為 AI 資料中心部署的首選運算平台；博通與邁威爾（Marvell）為兩大設計夥伴，其中博通約掌握六成市占。— 高盛研究，引自 Yahoo Finance（2026）

但「博通勝、輝達輸」是標題殺人法

先說清楚兩個關鍵概念：訓練（training）是讓 AI 模型從海量資料裡學東西，需要超大算力、動輒跑幾個月；推論（inference）是讓 AI 幫你做事（回答問題、生成圖片），每秒在全球發生幾十億次但單次算力需求遠低於訓練。

這兩種任務對晶片的要求本來就不同，ASIC 主打推論，GPU 仍是訓練的核心。

真正的問題不是輝達會不會輸，是「出貨量超越」跟「金額超越」根本是兩回事。

ASIC 主攻推論，單價低、量大；GPU 仍是訓練的霸主，單價高得多。

出貨「顆數」被超越，不等於「營收」被超越，更不等於輝達衰退。

輝達真正的護城河其實不是硬體，是 CUDA——一套累積超過十五年的軟體框架，幾乎所有 AI 研究者從學校開始就在上面寫程式、調模型。

要把工作負載從 GPU 遷移到 ASIC（客製化晶片），不是換一顆晶片那麼簡單，而是得重寫底層軟體、重訓工程師、承擔相容性風險與移轉期的效能損失。

這個軟體轉換成本，是「ASIC 出貨量超車」之後，輝達仍然能夠在訓練市場收高溢價的根本原因。

數字也對得上這個判斷。

博通 2027 年的 AI 晶片營收目標是「明顯超過 1000 億美元」，而輝達光是資料中心業務的年化營收量級就已遠在這之上。

輝達 GPU 的絕對出貨量在 2027 年照樣是成長的，只是 ASIC 成長更快而已。

把「對手長更快」直接翻譯成「輝達要崩」，是散戶最常踩的邏輯陷阱。

所以正確的解讀是：這是一塊大餅同時被兩種吃法瓜分，不是零和。

輝達吃訓練與高階通用算力，博通吃雲端巨頭的客製化推論。

兩邊都會賺，只是市場故事的主角從「一家獨大」變成「雙雄並立」。

翻開你的 ETF：你以為押輝達，其實早就押了博通

這才是跟散戶最相關的一段。

很多人買「含輝達 ETF」是衝著輝達去的，但等權重型 ETF 根本不是這樣運作。

以熱門的統一 FANG+（00757）為例，撰稿期間查詢的成分股權重大致是 Alphabet 11.75%、蘋果 10.68%、博通 10.66%、CrowdStrike 10.46%、輝達只有 9.51%（實際權重每日隨股價波動，請以投信官網最新公告為準）。

換句話說，這檔 ETF 裡博通的權重比輝達還高，你早就「左手輝達、右手博通」了，只是自己不知道。

另一端則是高度集中的市值型 ETF。

台股掛牌的部分「含輝」ETF 輝達持股比重相當高，整體布局集中於輝達單一個股。

這兩種 ETF 在這波 ASIC 敘事下的暴露完全不同：等權重型自帶博通對沖，單壓型則把身家綁在輝達單一股價上。

還有一個常被忽略的隱性相關性：ASIC 和 GPU 的供應鏈，最終都匯聚在 TSMC 的先進製程節點。

地緣政治風險或 TSMC 產能瓶頸發生時，ASIC 受益股和輝達 GPU 會同步受衝擊——「持有博通來對沖輝達風險」這個邏輯，在 TSMC 這一層是不成立的。

所以「散戶要不要重新想持倉」的答案不是「賣輝達」，而是「先搞清楚你那檔到底裝了什麼」。

同樣叫 AI ETF，有的早幫你分散到博通，有的把雞蛋全放輝達這個籃子，風險天差地遠。

買了三檔 AI ETF，結果根本是同一個賭注下了三次

散戶賠錢，多半不是看錯產業，是組合太集中又自以為看得準。

當你重押單一主題、單一龍頭，你承擔的是個股風險，不是市場風險，而個股可以歸零，分散的市場長期會復原。

這不是我說的，是行為財務學累積二十多年的實證結論。

美國散戶普遍持有低度分散的股票組合，且分散程度越低的，往往是越年輕、收入越低、教育程度越低的投資人；低度分散與過度自信、追逐趨勢、偏好高波動個股的行為高度相關。— Goetzmann & Kumar（2008），《Equity Portfolio Diversification》，Review of Finance，第 12 卷，引自 Oxford Academic

更扎心的是交易頻率。

當一個新敘事冒出來（例如「ASIC 要超車了，快換股」），散戶最直覺的反應就是動手調整，而動手通常就是賠錢的開始。

學者 Barber 與 Odean 追蹤 1991 至 1996 年間六萬多個散戶帳戶後發現，交易最頻繁的那群人，年化報酬只有 11.4%，同期市場報酬是 17.9%——每年被手續費和錯誤時機吃掉超過 6 個百分點。

過度自信導致過度交易，扣掉成本後反而拖垮績效（Barber & Odean，2000，SSRN / Wiley 全文）。

把這兩篇放一起看，結論很冷：ASIC 超車這個事件，對「持有分散型 ETF 又不亂動」的人幾乎沒影響；真正會被它害到的，是看了新聞就想單壓博通、或恐慌砍輝達的人。

風險不在晶片，在手。

給散戶的具體做法

第一，先做最無聊但最有用的一件事：打開你每一檔 AI 相關 ETF 的成分股明細，看輝達、博通各占多少。

如果你發現自己同時持有三檔，結果三檔前五大都是同一批股票，那你不是分散，是把同一個賭注下了三次。

第二，把「題材切換」跟「資產配置」分開。

ASIC 受惠這件事，如果你真的看好，正確做法是調整「比例」而不是「全換」，例如核心部位放分散型 ETF 不動，用一小部分衛星資金去表達對博通或 ASIC 供應鏈的看法。

別把核心部位拿去追單一題材。

第三，如果你在考慮直接買博通，先問一個大多數人跳過的二階問題：現在的股價已經反映（price in）了多少？

博通遠期本益比（Forward P/E，即市場願意為每一元預期獲利多付多少錢）在 2026 年 6 月前約在 35–40 倍區間，但隨後博通公布 Q3 AI 晶片指引 160 億美元，略低於市場共識的 172 億美元，股價單日下跌逾 13%——miss 幅度不到 10%，跌幅卻超過 13%，這正是「ASIC 超車的故事市場早已 price in」最直接的示範。

好公司不等於好買點，超額報酬從哪裡來，才是押博通之前真正要搞清楚的問題。

第四，認清你買 ETF 的初衷。

如果當初是為了「不用選股、長期參與 AI」，那這篇新聞對你的正確反應應該是「確認我夠分散」，而不是「我要不要也來主動選邊」。

一旦開始主動選邊，你就回到了 Barber 與 Odean 那張賠錢的桌子。

資料來源說明：本文 ASIC 與 GPU 出貨占比、年增率，取自摩根大通研究報告（2026 年，機構付費研報，已廣泛見於各大財媒引用）；42%/53% 均以出貨「顆數」計，非美元規模；109% 為摩根大通最樂觀估算，TrendForce 同期估算約 44.6%，兩者口徑不同，讀者宜留意。

博通 AI 晶片 2027 年營收目標（明顯超過 1000 億美元）及在手訂單（約 730 億美元），取自 Broadcom FY2026 Q2 法說會（CNBC，2026 年 3 月）。

1500 億美元為含網路業務的市場機會估算，高於博通管理層自身指引，文中已標注區別。

Ironwood TPU 能效數據（近 30 倍）取自 Google Cloud 官方部落格，基準為 2018 年首款 Cloud TPU。

ETF 成分股權重取自 00757 公開持股明細（撰稿期間版本），請以投信投顧公會或投信官網最新公告為準。

學術數據引自 Goetzmann & Kumar（2008）與 Barber & Odean（2000）原始論文；文中報酬比較為論文揭露之歷史樣本期間結果，不代表未來績效。

常見問題

輝達會因為 ASIC 超車而股價崩盤嗎？

出貨「顆數」被超越跟「營收衰退」是兩回事。

ASIC 主攻單價較低的推論市場，輝達 GPU 在訓練與高階通用算力仍是主流。

更關鍵的是 CUDA 軟體護城河：十幾年累積的框架、最佳化工具庫、工程師訓練成本，讓客戶轉移到 ASIC 的代價遠比換顆晶片複雜。

2027 年輝達 GPU 絕對出貨量預估仍在成長。

會不會崩取決於估值與成長預期是否落差過大，而不是這則出貨量新聞本身。

那我是不是該直接去買博通或博通 ETF？

如果你只是看了一則新聞就想單壓，請先回答這個問題：ASIC 超車的故事市場早已知道——2026 年 6 月博通 Q3 指引略 miss 共識，股價單日跌逾 13% 就是最好的說明。

你的超額報酬從哪裡來？

比較理性的做法是確認你現有的等權重型 ETF（如 FANG+ 類）是否已經內含博通，很多人其實早就持有了。

要加碼也應該是調整比例，不是 all in 單一股。

同時持有好幾檔 AI ETF 算分散嗎？

不一定。

如果這幾檔的前十大成分股高度重疊（都是那幾家美系科技龍頭），你只是用三個名字買了同一籃股票，分散是假的。

判斷標準是看成分股重疊度，不是看你手上有幾檔。

如果我錯了，最可能錯在哪：這篇的判斷建立在「ASIC 主攻推論、GPU 守住訓練」這條分工線上，以及 CUDA 生態系短期難以動搖這個前提。

如果 2027 年訓練需求因模型架構改變大幅下滑，或輝達推論優化產品（Blackwell Ultra 等）讓 ASIC 的效能/成本優勢大幅縮窄，輝達的護城河會比我說的更早被侵蝕，「雙雄並立」可能變成真的此消彼長，我會回來改這篇。

另外摩根大通的出貨量預測本身是估算，若雲端資本支出收縮，實際數字可能顯著下修，我給的樂觀情境要打折。

這篇不適合誰：如果你是想找「下一檔該重押什麼」的明牌，這篇幫不了你，它的核心結論是少動、看清楚持股，而不是換股。

如果你的資金一年內就要用，這裡所有「長期持有、別亂動」的邏輯對你都不適用，短線部位請用短線的方式管理。

本文為個人觀點分享，不構成任何投資建議。

文中提及輝達（Nvidia）、博通（Broadcom）等個股及 ETF 名稱，僅用於說明市場結構與持倉邏輯，不構成對任何個股或基金之買賣建議。

投資有風險，入市需謹慎。