Alphabet入股聯發科引發市場關注，Google下一代AI基建又將如何與台灣供應鏈合作？首度來台受訪的Google技術長暨AI基礎建設資深副總裁瓦赫達特（Amin Vahdat）雖未多談個別合作案，卻反覆強調一個關鍵詞：「肩並肩（shoulder to shoulder）」。從晶片測試到機架設計，台灣供應鏈正走向更前端的共同設計。
谷歌（Google）技術長暨AI基礎建設資深副總裁瓦赫達特（Amin Vahdat）於今日（9/2）來台參加SEMICON Taiwan 2026「大師論壇暨全球生態系高峰會」，除發表演講，也在會後首度接受台灣媒體提問。
瓦赫達特可說是谷歌TPU與AI硬體戰略的核心操盤手，過去15年來一路參與、主導谷歌AI基礎建設發展，去年底更晉升為AI基礎建設首席技術長，直接向執行長皮查伊（Sundar Pichai）報告。
也因此，他本次來台行程格外受到市場關注，市場更傳出，他在大會前已密訪台灣供應鏈，洽談TPU伺服器訂單。
不過，面對近期市場高度關注的Alphabet入股聯發科、台灣供應鏈合作進展等問題，瓦赫達特在訪談中發言相當謹慎，並未透露太多具體訂單與合作細節。但在他的回應中，反覆強調Google對台灣AI供應鏈角色的重要性。瓦赫達特以「肩並肩」（shoulder to shoulder）形容雙方合作模式，並證實Google正擴建台北士林AI基礎建設研發中心，辦公空間將增加60%，未來在台灣的人才與研發投資仍將持續成長。
另一方面，談到Google最新一代TPU為何首度將訓練與推理晶片拆分，瓦赫達特也透露，這項決策其實早在兩年前便已拍板。隨著AI工作負載持續增加，他更預告，未來晶片專用化趨勢還會持續，甚至在AI Agent興起後，CPU也可能成為下一波重新設計的重點。
▲ 瓦赫達特受訪時反覆強調，Google與台廠是「肩並肩」的密切合作關係。（攝影／隋昱嬋）
亮點一、從「採購」走向「協同設計」：台灣團隊24小時肩並肩合作
相較於外界關注Google究竟向哪些台廠下單，瓦赫達特更想強調的，是Google與台灣供應鏈的合作模式已經發生根本轉變。
「這其實已經不是採購（procurement）與夥伴（partner）的問題了。」他表示，Google與台灣廠商早已進入深度協同設計（co-design）階段，而且這樣的合作正逐月、逐季、逐年加速。「如果沒有與台灣夥伴進行深度的協同設計，我們今天不可能打造出這樣的基礎建設與運算平台。」
瓦赫達特透露，Google目前正與多家台灣合作夥伴，就下一代產品進行深度討論，合作甚至已延伸至機架層級（rack level）的端到端架構設計。他特別提到，從設計如何量產、如何提高可靠性，到整體工程執行能力，台灣供應鏈展現出的專業讓他印象深刻。
不只如此，台灣團隊在Google AI硬體開發流程中，也扮演極為前線的角色。瓦赫達特指出，許多Google的設計與製造工作都在台灣進行，而當晶片從台積電產線下線後，往往就是由台灣團隊第一時間進行bring-up與測試工作，近乎24小時與Google及合作夥伴「肩並肩」作業，確保晶片正常運作，並盡快交到軟體開發團隊手中。「你無法想像，當第一批晶片從產線下來時，大家有多期待前面三、四顆能夠正常運作。」他說。
台灣原先就是Google在美國以外最大的硬體研發基地，如今隨著AI基礎建設持續擴張，Google也將同步加碼台灣研發布局。瓦赫達特證實，Google將台北士林AI基礎建設研發中心的辦公空間擴大60%，而且預期未來團隊規模仍將持續成長。
至於市場近期另一大關注焦點，則是聯發科日前完成一筆39億美元的海外可轉換公司債發行，其中輝達（NVIDIA）認購35億美元，Alphabet也參與認購剩餘額度，確切投資金額並未公開揭露。
面對媒體詢問，Google為何決定投資聯發科，以及這筆投資對Google AI基礎建設策略有何意義，瓦赫達特並未進一步揭露具體策略。「聯發科跟我們許多台灣夥伴一樣，是強力的合作夥伴，我們很榮幸能在公司多個層面與他們合作。」他說，「對我們來說，這是一個投資一家優秀公司的機會。」對於投資金額、背後策略考量，以及這筆投資是否與雙方在TPU等AI晶片上的合作有更直接關聯，瓦赫達特則未再進一步說明。
亮點二、TPU 8t、8i為何拆分？Google兩年前就拍板，下一步瞄準Agent專用CPU
今年4月，Google在Cloud Next雲端大會上，首度將第八代TPU拆分為兩款獨立晶片：專攻超大規模訓練的TPU 8t，以及鎖定高併發推理的TPU 8i。
會後聯訪中，媒體詢問訓練與推理晶片如今正式「分家」，是否代表客製化晶片未來將持續朝更細分的專用領域發展？
對此，瓦赫達特給出肯定答案，直言這樣的趨勢「在某種程度上是不可避免的」。他解釋，Google大約在兩年前就已判斷，訓練與推理兩類工作負載的需求規模，已經大到值得分別投入資源打造專用晶片，因此做出將兩者拆分的決策。背後的判斷標準並不複雜：當特定工作負載的市場規模足夠大，為其打造專用晶片所帶來的效能與能源效率提升，就足以產生足夠高的投資報酬率（ROI）。
如今Google也正持續評估，未來是否有其他工作負載，同樣值得投入資源進行晶片專用化。其中，隨著AI Agent興起，「CPU」可能就是下一個值得押注的方向。
瓦赫達特指出，Agent運作時需要大量進行資料搬移與任務調度，強調低延遲、高頻率的通訊能力。現在甚至已經出現昂貴的TPU、GPU完成自身工作後，必須等待CPU處理下一階段任務的情況。「問題是，我們如何打造專門用於低延遲、高頻率通訊的系統，來調度這些Agent？」
這也意味著，隨著AI Agent逐步成為新的重要工作負載，CPU的重要性可能再次提升，而針對Agent資料調度需求打造的專用CPU，也可能成為Google下一步評估的方向。
亮點三、AI硬體下一場革命：靠架構設計讓資料「少搬一點」
除了晶片持續專用化，瓦赫達特也描繪出Google眼中下一階段AI硬體架構的競爭方向。「運算很便宜，搬移資料才昂貴（Computing is cheap. Moving data is expensive.）」他說。
隨著AI模型與算力規模持續膨脹，下一階段的架構創新，不只是打造更強大的晶片，而是如何讓資料盡可能靠近運算單元，減少資料在晶片、伺服器與系統間搬移所帶來的功耗與延遲。他指出，資料在系統中移動時，不僅需要耗費大量能源，也可能因傳輸路徑壅塞而必須經過多個緩衝節點，進一步拉長延遲。
因此，未來AI硬體架構的一大關鍵，將是如何透過新的系統設計，盡可能降低資料搬移需求。這也是Google近年持續強調「全端協同設計」（full-stack co-design）的原因。從晶片、機架、資料中心，到能源與網路，Google希望不再將資料中心視為單純容納伺服器的建築，而是把整座資料中心視為一台大型電腦。「我們說，資料中心就是電腦（The data center is the computer）。」
瓦赫達特解釋，Google在設計資料中心時，從一開始就會知道未來TPU長什麼樣子；設計機架時，也會考量TPU的需求；供電架構同樣根據實際運算需求進行設計，而不是打造一套能滿足所有客戶需求的通用型系統。「當你採取最低共同標準的設計時，就必須犧牲效率，因為你試圖滿足所有不同需求。」他說，透過從資料中心到晶片的端到端協同設計，Google有機會取得兩倍甚至更高的效率提升。
面對AI算力需求以驚人速度成長，Google眼中的競爭，已經是一場從晶片、封裝、機架、網路、液冷，一路延伸到能源與資料中心的系統級競賽。
