簽4.7萬億天價合約仍留後路！OpenAI傳秘密採購Google晶片，拆解科技巨頭「去Nvidia化」算盤

By Layne Wong on 28 Oct 2026

即使已簽下數千億美元的算力大單，全球AI龍頭 OpenAI 依然不願把所有籌碼押在同一家晶片商身上。據媒體引述知情人士報道，OpenAI 計劃採購 Alphabet（美股：GOOGL）旗下 Google 研發的張量處理器（TPU，即專門用來加速 AI 運算的定制晶片）。雖然 OpenAI 與 Google 均未回應置評請求，相關財務條款、採購金額及交貨時程亦未披露，但 OpenAI 同日被發現已發布招聘啟事，尋找工程師主導最先進前沿模型在 TPU 上的優化工作。在 AI 模型訓練與日常運作動輒耗資數億美元的背景下，這家前沿模型開發商一邊與 Nvidia（美股：NVDA）深度綁定、一邊建立跨晶片優化團隊的舉動，正為全球 AI 初創及企業 IT 決策者帶來關於供應鏈風險與算力成本的重要啟示。

簽下 6,000 億美元合約仍要找後路，OpenAI 三線分散算力風險

從賬面合作規模來看，OpenAI 與 Nvidia 的關係極為緊密。Nvidia 行政總裁黃仁勳曾透露，OpenAI 已承諾在 2030 年前花費約 6,000 億美元（約合 4.68 萬億港元）使用 Nvidia 伺服器；而在 2026 年 8 月，Nvidia 亦同意為 OpenAI 在俄亥俄州規劃的大型數據中心項目提供逾 1,000 億美元（約合 7,800 億港元）的信貸支持，該項目將完全採用 Nvidia 晶片架構。

其實據外媒報道，OpenAI 在 2025 年就曾開始使用 Google TPU 以降低對 Nvidia 晶片的依賴，當時黃仁勳迅速採取行動並與 OpenAI 達成新協議，OpenAI 發言人隨後亦改口稱公司「目前沒有專門使用 TPU 的計劃」。然而事隔一年，OpenAI 再次啟動多晶片布局，反映單靠長期大額合約與信貸支持，仍未能完全消除大型買家對單一供應商的依賴顧慮。

與上次試水溫不同，OpenAI 今次從軟體底層優化、內部自研硬件到雲端多軌合作三線推進，且內部團隊在分工上更加明確：

• 跨平台軟體優化：根據 OpenAI 最新發布的招聘啟事，相關工作雖處於早期階段，但新聘請的工程師將對最先進模型在 TPU 上的優化工作擁有「廣泛的技術主導權」，職位要求具備在 TPU 進行 AI 訓練或推理（即讓訓練好的模型回答用戶問題），以及優化真實工作負載的扎實基礎。

• 內部自研晶片分工：與此同時，OpenAI 計劃於 2026 年稍後開始部署與博通 Broadcom（美股：AVGO）共同開發的自研 AI 晶片「Jalapeno」。值得注意的是，Jalapeno 的核心定位為「大型語言模型（LLM）推理專用晶片」，而領導 OpenAI 內部晶片開發團隊的 Richard Ho，此前正是任職於 Google 的 TPU 項目。

• 多雲端技術建構：加上 OpenAI 在 2026 年 10 月下旬宣布通過 Google Cloud 提供模型服務，可見其正有系統地建立跨晶片的底層技術能力。此外，OpenAI 的大股東微軟（Microsoft）也在 2026 年 10 月推出了最新一代自研 Maia 晶片，這意味著 OpenAI 正在建立一個涵蓋 Nvidia、Google TPU、內部自研 Jalapeno 以及微軟架構的龐大備援生態系，以確保在大規模初期訓練（Training）與日常推理（Inference）上都有第二方案。

Google TPU 由自用走向外售，分析師料 2028 年硬件銷售破千億美元

OpenAI 尋求替代方案的同時，Google 亦在改變經營策略，將研發逾十年、最初用於支援內部工作負載及提升搜尋服務效率的 TPU 推向更廣闊的外部市場。過去 Google 主要通過自有雲端設施向外部客戶出租 TPU，用戶包括曾用 TPU 訓練模型的 Anthropic、Apple、交易公司 Citadel Securities 及眾多初創企業。

其中 Anthropic 在 2025 年宣布擴大與 Google Cloud 合作，可使用最多 100 萬顆 TPU；2026 年 4 月再與 Google 及 Broadcom 簽署新協議，取得數吉瓦（GW，大型發電廠級別的電力與算力規模單位）的下一代 TPU 算力，預計 2027 年起陸續上線。

到了 2026 年，Google 更開始向其他數據中心運營商及部分客戶直接銷售 TPU 硬件，最初以 Fluidstack 等新興雲服務商為切入點，讓客戶能在自己的數據中心部署。這項由「只租不賣」轉向「直接賣硬件」的策略，已開始反映在財務數據與大型雲端合作上：

Alphabet 在 2026 年第二季已開始認列少量 TPU 系統銷售收入，相關合約的大部分收入預計於 2027 年認列；投行 Piper Sandler 分析師 Thomas Champion 預估，Google TPU 硬件銷售額可由 2026 年的約 80 億美元（約合 624 億港元），增至 2027 年的 510 億美元（約合 3,978 億港元），2028 年進一步達 1,040 億美元（約合 8,112 億港元）。

此外，Google 於 2026 年 10 月 27 日宣布 Oracle 將成為首家向客戶出租 TPU 的主要雲服務商；知情人士透露 Oracle 是直接購買該批晶片，最終用戶是兩家公司的共同大客戶，惟具體身份尚未明朗，而 OpenAI 本身正是 Oracle 的重要雲端客戶，此前亦一直通過 Google Cloud 租用 Nvidia 晶片。

企業跟風分散算力前先看條件，跨晶片改寫程式門檻仍待評估

連前沿模型巨頭與大型雲服務商都在推動算力多元化，企業 IT 決策者又該如何看待？據路透社報道，Oracle 除了引入 Google TPU，同時正擴大與 Nvidia 合作，計劃以數吉瓦規模部署 Vera Rubin 系統，並在雲端服務中加入 Cerebras 及 SambaNova 的 AI 加速器。

業界推動多元採購的核心原因在於成本壓力、供應限制以及避免被單一供應商綁定。Google 聲稱其 TPU 在處理特定 AI 工作負載時效率優於 Nvidia 的圖形處理器（GPU），且成本較低；當訓練和運行大型語言模型的開支以數億美元計時，即使只有微小的效率提升，長遠也能省下可觀開支，這正是吸引大型科技企業投入資源測試不同晶片的主因。

不過，對於資源有限的 AI 初創及中小企而言，是否應該立即跟隨巨頭分散晶片供應，仍取決於多項尚未公開的技術與成本條件：

• 生態系與底層優化成本： Nvidia 之所以能比許多人預期更長時間維持市場主導地位，正是憑藉其硬件質素與成熟的 CUDA 軟體生態系統；要把原本在 Nvidia 晶片上運行的 AI 模型搬到 Google TPU 或者是其他非英偉達架構，必須像 OpenAI 那樣專門聘請工程師進行軟體底層重寫與優化。

• 基準數據尚未透明：目前公開資料尚未包含 Google 最新商用 TPU 與 Nvidia 同級 GPU 在公開基準測試（如 MLPerf）、每單位算力總成本（TCO）及能源效率上的具體對比數據，亦未披露跨晶片轉換所需的具體軟硬件框架細節與工程開支。中小企若缺乏專職團隊，強行分散架構未必能像科技巨頭般攤分改寫程式的固定成本。

總括而言，OpenAI 傳採購 Google TPU 並建立專屬優化團隊，連同 Oracle 與 Anthropic 的多元算力部署，顯示頂尖 AI 企業正積極打破單一晶片供應的限制，以爭取更高的議價能力與算力保障。然而，OpenAI 與 Google 至今尚未證實上述採購計劃及公布具體條款，Oracle 採購 TPU 背後的共同大客戶身份亦未正式揭曉。

對於一般企業及 AI 初創決策者來說，未來值得密切觀察 Google 直接外售 TPU 後的實際租用與購買價格、跨平台軟體工具（如 Google 新推動的開源框架）是否變得更容易使用，以及 OpenAI 自研推理晶片「Jalapeno」在 2026 年稍後投入使用時的實際表現，再衡量自身工程資源，決定集中單一主流架構還是分散算力更具成本效益。