瞬變學會: 01/20/26

2026年1月20日星期二

《 從價值主張到夥伴對齊：NVIDIA AI生態系統的結構化分析方法》

摘要

Adner (2016)提出的「生態系統即結構：一種可操作的策略建構方法」，本研究對NVIDIA在2025年COMPUTEX展示的AI生態系統進行系統性解構。

遵循結構主義方法論的四個基本要素，包括：活動(activities)、行動者(actors)、位置(positions)和連結(links)，以及「生態系統」的定義：「為實現核心價值主張，多邊夥伴組合所需互動的對齊結構(所需的活動和行動者配置)」，研擬結構化分析的五個方法步驟：

(1)識別核心價值主張；

(2)繪製實現該價值主張所需的活動結構；

(3)對應執行各活動的參與者與其在結構中的位置；

(4)分析參與者間的連結關係與相依性；

(5)評估生態系統的對齊程度與潛在風險。

研究分析發現，NVIDIA生態系統圍繞「端到端AI加速運算解決方案」此核心價值主張，建構包含22項關鍵活動、122家企業夥伴複雜結構。NVIDIA生態系統已從「AI運算基礎設施」擴展至「端到端垂直領域解決方案」，涵蓋89家產業夥伴（半導體、伺服器ODM 、AI應用等）、25所學術機構、3家金融機構、3家醫療機構及2個地方政府。

台灣在此結構中占據「垂直整合協同創新樞紐」的獨特位置，涵蓋從上游晶圓製造到下游知識創造的完整活動鏈，包括：關鍵製造活動（台積電、日月光）、系統整合活動（鴻海、廣達等全球前五大ODM）與知識創造活動（25所大學）皆高度集中於此。

研究分析顯示，NVIDIA透過CUDA標準化、分層夥伴計畫與地理集中策略有效管理多邊協同，但面臨跨領域整合（金融、醫療監管）與客戶自主化（雲端服務商自研晶片）、地緣政治、技術世代轉換與競爭生態系統等挑戰。

本研究提供生態系統結構分析的案例，對理論發展與實務應用均有重要貢獻。

關鍵字： 生態系統結構、價值主張、多邊對齊、NVIDIA、台灣AI產業

一、研究設計與方法論框架

1.1 結構化分析的方法步驟

Adner (2016)提出的「生態系統即結構：一種可操作的策略建構方法」，本研究對NVIDIA在2025年COMPUTEX展示的AI生態系統進行系統性解構。

1.識別價值主張：

界定承諾提供的利益，決定生態系統邊界。

2.繪製活動結構：

列舉實現價值所需的關鍵活動與相依關係。
3.對應參與者與位置：

確認執行活動的參與者(actors)及其在價值流中的位置(positions)。
4.分析連結與相依：

識別物質、資訊、資金、影響力等連結與多邊相依性。
5.評估對齊程度：

分析協同創新風險(co-innovation risk)、採用鏈風險(adoption chain risk)與對齊機制。

五步驟方法，提供：

1.結構性分析路徑：

從價值主張→活動→參與者→連結→對齊，邏輯清晰。

2.操作化指引：

每步驟有明確分析重點，可複製應用於其他案例。

3.整合性視角：

將散落的生態系統概念(價值主張、活動、對齊等)整合為連貫框架。

1.2 研究對象與資料

研究對象：NVIDIA AI生態系統（2025年狀態）。

主要資料：

2025年COMPUTEX「供應鏈牆」展示的完整122家夥伴名單。
分類：產業89家、學術25家、金融3家、醫療3家、政府2家。

分析方法：質性內容分析、結構化繪圖、理論對照。

二、步驟一：識別價值主張

2.1 價值主張的演進

基於122家夥伴的組成分析，NVIDIA價值主張已從單純「GPU晶片供應」演進為：

「提供從基礎設施到垂直應用的端到端AI解決方案，透過硬體平台、軟體生態與領域夥伴的整合，實現金融、醫療、製造、智慧城市等領域的AI價值創造，並以台灣為核心建立全球協同創新網絡。」

2.2 價值主張的結構化分解

層次1：基礎設施層

GPU晶片（H100/A100等）。
CUDA運算平台。
目標客戶：雲端服務商（AWS、Azure、Google Cloud）。

層次2：系統解決方案層

AI伺服器與邊緣設備。
系統整合服務。
目標客戶：企業資料中心、工業應用。

層次3：垂直領域應用層

金融AI（風控、詐欺偵測）- 服務國泰金、中信金、玉山銀。
醫療AI（影像判讀、精準醫療）- 服務台北榮總、北醫附醫、中醫大附醫。
智慧城市（交通、治理）- 服務台北市府、高雄市府。
智慧製造（機器人、檢測）- 服務所羅門、達明機器人等。

層次4：知識創造層

前瞻研究與技術突破。
人才培育與供應。
目標夥伴：25所大學。

此多層次價值主張解釋為何生態系統需要橫跨科技、金融、醫療、政府與學術等異質參與者。

三、步驟二：繪製活動結構

3.1 核心活動群組

A群組：核心技術創造（4項活動）

A1: GPU架構設計（NVIDIA）。
A2: CUDA平台開發（NVIDIA）。
A3: 晶片設計（NVIDIA、聯發科、瑞昱等）。
A4: AI框架優化（NVIDIA、研究機構）。

B群組：製造與供應鏈（5項活動）

B1: 晶圓製造（台積電、聯電）。
B2: 先進封裝（日月光、矽品、京元電子）。
B3: 載板製造（欣興）。
B4: 記憶體整合（威剛）。
B5: 零組件供應（台達電、光寶、貿聯等）。

C群組：系統整合（4項活動）

C1: 伺服器設計組裝（鴻海、廣達、緯創、仁寶、和碩等13家ODM）。
C2: 品牌系統（華碩、技嘉、微星、宏碁）。
C3: 工業邊緣設備（研華、凌華等15家工業電腦廠）。
C4: 網通設備（智邦1家）。

D群組：軟體與應用（5項活動）

D1: AI平台服務（台智雲、StarFab等）。
D2: 垂直應用開發（26家AI新創）。
D3: 資安解決方案（趨勢科技）。
D4: 領域應用（金融3家、醫療3家、政府2家）。
D5: 開發工具維護（NVIDIA、軟體夥伴）。

E群組：知識創造（4項活動）

E1: 前沿AI研究（台大、清華、交大等研究型大學）。
E2: 領域研究（醫療AI、金融AI、智慧城市）。
E3: 人才培育（25所大學）。
E4: 技術社群經營（NVIDIA、學術機構）。

3.2 活動相依關係

關鍵相依1：GPU-製程-封裝三方協同

A1(GPU設計) ↔ B1(台積電製程) ↔ B2(日月光封裝)

設計受製程限制，但可透過先進封裝（CoWoS）突破；三方需聯合優化。

關鍵相依2：ODM-零組件多邊整合

C1(鴻海等ODM) ← B5(台達電散熱) + B4(威剛記憶體) + C4(智邦網通)

系統整合需協調多個零組件商，任一延遲影響整體。

關鍵相依3：CUDA-應用-客戶生態三角

A2(CUDA平台) → D2(應用開發) → D4(終端客戶) → 回饋A2

平台易用性影響開發商投資，應用豐富度影響客戶採用，客戶需求回饋平台演進。

關鍵相依4：大學-產業-NVIDIA知識循環

E1(大學研究) → A4(AI框架優化) → D2(產業應用) → E2(領域研究)

E3(人才培育) → 流入B/C/D群組各活動

四、步驟三：對應參與者與位置

4.1 參與者分類與定位

1.上游核心製造（家）

晶圓代工：台積電（全球最先進4nm/3nm）、聯電。
封測：日月光、矽品、京元電子。
載板：欣興。
晶片設計：聯發科、瑞昱等。
位置特徵：技術密集、資本密集、全球少數玩家。
控制點：台積電掌握製程技術控制點。

2.中游系統整合（家）

伺服器ODM：鴻海、廣達、緯創、仁寶、和碩、緯穎、英業達等。
- 特徵：全球前五大ODM全在列，顯示台灣製造核心地位。
品牌商：華碩、技嘉、微星、宏碁、華擎機架等。
工業電腦：研華、凌華、研揚等（邊緣AI應用）。
網通：智邦。
零組件：台達電、全漢等。
位置特徵：整合能力、規模經濟。
控制點：ODM聯合體影響系統設計。

3.下游應用與服務（家）

AI新創與應用：（智慧製造、醫療AI、平台服務等）。
- 製造：所羅門、達明機器人、鑫蘊林科。
- 醫療：安宏生醫、神瑞AI。
- 平台：台智雲、StarFab加速器。
記憶體儲存：威剛、群聯。
資安：趨勢科技。
金融：國泰金、中信金、玉山銀。
醫療：台北榮總、北醫附醫、中醫大附醫。
政府：台北市府、高雄市府。
位置特徵：面向終端客戶、領域知識。
雙重角色：金融/醫療機構既是客戶也是夥伴。

4.知識創造層（25家學術機構）

研究型大學（頂尖AI研究）：

台灣大學、清華大學、陽明交通大學、成功大學、中央大學、中山大學、台灣師範大學、政治大學。

技術型大學（工程應用）：

台灣科技大學、台北科技大學、雲林科技大學、南臺科技大學、元智大學。

醫療型大學（醫療AI）：

台北醫學大學、中國醫學大學、中原大學。

區域型與特色大學（多元應用）：

義守、實踐、東吳、東海、淡江、宜蘭、台北、世新、文藻等。

策略意涵：

25所涵蓋北中南東，確保人才供應廣度。
包含工程、醫療、人文、語言等多元領域。
不僅追求頂尖深度，更重視生態廣度。

4.2 台灣的垂直整合定位

台灣參與者佔比：

產業97家中，估計超過85家為台灣企業。
學術25家全為台灣大學。
金融、醫療、政府8家全為台灣機構。

垂直整合特徵：

上游：台積電（晶圓）、日月光（封裝）掌握關鍵製造。
中游：全球前五ODM（鴻海、廣達、緯創、仁寶、和碩）全在台灣。
下游：23家AI新創多為台灣本土。
知識層：25所大學形成完整人才供應鏈。

台灣是全球唯一在單一地理區域內具備完整AI生態系統垂直整合的地區。

五、步驟四：分析連結與相依

5.1 關鍵連結類型

L1: 設計-製造連結（NVIDIA → 台積電）

內容：GDS II設計檔案。
性質：高度機密、技術密集。
相依：台積電製程能力決定GPU效能上限。

L2: 製造-封裝連結（台積電 → 日月光等）

內容：晶圓移交。
相依：涉及台積電、封裝廠、HBM供應商三方協同。
台灣優勢：地理鄰近縮短交期。

L3: ODM多邊整合連結

廣達/鴻海 ← GPU模組(NVIDIA) + 記憶體(威剛) + 電源(台達電)

+ 網通(智邦) + 散熱(雙鴻) + 機構(勤誠)

性質：多對一整合。
挑戰：協調6+供應商的規格、交期、品質。

L4: CUDA標準影響連結（NVIDIA → 全生態系統）

內容：技術標準制定。
性質：單向影響但需持續維護。
效果：創造強大鎖定效應。

L5: 人才流動連結（25所大學 → 產業各方）

內容：畢業生、培訓工程師。
流向：台積電、ODM、AI新創、NVIDIA台灣研發中心。
台灣優勢：在地大學直接對接在地產業。

L6: 領域知識連結（金融/醫療 ↔ AI開發商）

金融：國泰金提供風控需求與資料 → AI新創開發解決方案。
醫療：台北榮總提供影像資料 → 醫療AI公司訓練模型。
性質：雙向知識共創。

L7: 政府場域連結（台北/高雄市府 → AI應用商）

內容：智慧城市測試場域、資料開放。
價值：提供真實應用場景驗證。

5.2 多邊相依性分析

相依案例1：H100 GPU實現的六方協同

NVIDIA(設計) ↔ 台積電(4nm製程) ↔ 日月光(CoWoS封裝)

↓ ↓ ↓

架構創新製程極限封裝突破

↓ ↓ ↓

SK海力士(HBM3) ← 整合 → 廣達(伺服器組裝) ← 台達電(液冷)

任一方延遲或失敗，整體價值主張無法實現。

相依案例2：醫療AI的四方協同

台北醫大(研究) ↔ 台北榮總(臨床資料) ↔ 安宏生醫(應用開發)

↓ ↓ ↓

研究成果標註資料產品開發

↓ ↓ ↓

NVIDIA(GPU+CUDA平台) ← 運算支撐

間接連結的戰略重要性：

台積電-日月光連結：NVIDIA不直接管理，但依賴其順暢。
大學-AI新創人才流動：NVIDIA透過大學合作間接影響。
ODM-零組件商協調：NVIDIA透過認證標準間接管理。

六、步驟五：評估對齊程度

6.1 協同創新風險評估

1.上游製造：風險低-中

台積電3nm/2nm持續演進，技術能力強。
日月光CoWoS產能擴充中。
HBM供應曾緊張(2023-2024)但改善中。
對齊機制：長期合約、聯合研發、產能保證。

2.中游系統：風險低

ODM系統整合能力成熟。
液冷技術挑戰已克服。
對齊機制：參考設計、認證計畫、技術支援。

3.下游應用：風險中-高

AI新創技術能力參差。
跨領域整合（AI+醫療/金融）需時間。
對齊機制：NVIDIA Inception加速計畫、技術訓練。

4.知識創造：風險中

25所大學資源與能力差異大。
前沿研究（如：大型語言模型）門檻高。
對齊機制：硬體捐贈、研究經費、聯合實驗室。

6.2 採用鏈風險評估

1.上游製造：意願高，風險低

台積電：NVIDIA是大客戶，經濟誘因強
封裝廠：CoWoS高利潤，但需產能投資保證
對齊狀態：穩固

2.中游ODM：意願高，但忠誠度有限

經濟誘因：AI伺服器訂單量大、ASP高
多重生態系統參與：同時服務NVIDIA、AMD、Intel、CSP自研晶片
當前對齊：良好（因NVIDIA技術領先）
風險：若競爭對手追上，ODM可能轉移

3.下游軟體：意願高，鎖定強

CUDA鎖定效應極強，轉換成本高
網絡效應：開發者、工具、知識豐富
風險：開放標準倡議（AMD ROCm、Intel oneAPI）
對齊狀態：穩固

4.學術機構：意願中-高，需平衡獨立性

誘因：研究資源、硬體設備
考量：學術自由、多元資助
對齊狀態：良好但需尊重獨立性

5.金融/醫療：意願高，但挑戰獨特

經濟誘因：AI轉型壓力大
挑戰：金融監管（金管會）、醫療認證（TFDA）、資料隱私
對齊狀態：起步階段，需法規協同

6.3 跨領域對齊的獨特挑戰

挑戰1：金融監管合規

模型可解釋性要求（信用評分需說明理由）
資料隱私保護（個資法限制）
對齊機制：與金管會對話、建立合規框架

挑戰2：醫療臨床驗證

TFDA認證流程長（2-3年）
醫療責任歸屬不明（AI誤判誰負責？）
對齊機制：分階段驗證（輔助→診斷）、責任險規劃

挑戰3：政府採購程序

政府採購法限制
決策週期長、涉及多方審查
對齊機制：POC專案建立信任、漸進擴大

6.4 總結:對齊機制

機制1：技術標準化（CUDA）

功能：降低協同創新與採用鏈風險
有效性：非常高
覆蓋：所有軟體開發相關參與者

機制2：分層夥伴計畫

Tier 1（戰略）：台積電、主要ODM、大型CSP
Tier 2（優選）：認證SI、主要軟體商
Tier 3（註冊）：一般開發者
功能：差異化資源、晉級誘因

機制3：地理集中（台灣）

製造、整合、知識創造高度集中
功能：降低協調成本、加速多邊協同
風險：地緣政治脆弱性

機制4：聯合創新專案

與台積電聯合製程開發
與大學聯合實驗室
與金融/醫療領域POC專案

機制5：生態系統活動（GTC等）

促進夥伴間接連結
知識分享、成功案例展示
強化社群認同

6.5 殘餘風險

風險1：CSP自主化（高）

AWS Trainium/Inferentia、Google TPU、Microsoft Maia
威脅：削弱NVIDIA長期地位
應對：加速創新維持技術代差

風險2：地緣政治（中-高）

台海局勢、美中科技競爭
威脅：供應鏈中斷
應對：地理多元化（美國、其他亞洲國家）

風險3：開放標準（中）

AMD ROCm、Intel oneAPI挑戰CUDA
威脅：削弱鎖定效應
應對：持續優化CUDA生態

風險4：技術典範轉移（低-中）

神經形態運算、量子運算
威脅：GPU優勢失效
應對：投資多元技術

七、討論與結論

7.1 核心發現

發現1：價值主張的多層次擴展

從「GPU晶片」→「AI基礎設施」→「端到端垂直解決方案」，涵蓋金融、醫療、智慧城市等領域，解釋生態系統跨越科技產業邊界。

發現2：台灣的獨特垂直整合地位

全球唯一在單一地理區域具備：

最先進製造（台積電4nm/3nm）
完整系統整合（全球前五ODM）
廣泛知識創造（25所大學）
領域應用場景（金融、醫療、政府）

發現3：多邊相依的普遍性

GPU-製程-封裝、ODM-多零組件、CUDA-開發商-客戶等多邊相依是常態，驗證生態系統觀點必要性。

發現4：對齊的異質性

製造夥伴：對齊度高（技術協同+長期合約）
軟體開發商：對齊度高（CUDA鎖定）
學術機構：對齊度中-高（需平衡獨立性）
金融/醫療：對齊度起步（監管挑戰）
CSP：短期穩固、長期風險（自主化）

發現5：間接連結的策略重要性

NVIDIA無法直接控制的連結（台積電-封裝廠、大學-新創人才流動、ODM-零組件協調）對價值實現同樣關鍵。

7.2 理論貢獻

貢獻1：驗證Adner框架於複雜案例

122家異質夥伴的系統性分析，證實結構觀點能有效解構複雜生態系統。

貢獻2：擴展生態系統邊界理論

金融、醫療、政府的納入顯示生態系統邊界可超越產業，由價值主張驅動。

傳統上這些機構被視為「客戶」或「外部環境」，本案例顯示可成為生態系統有機組成。

貢獻3：地理維度的對齊機制

台灣案例顯示地理集中可作為對齊機制，降低多邊協調成本。

補充Adner關於對齊機制的討論。

貢獻4：知識創造活動的結構性納入

25所大學不是輔助性，而是與製造、應用活動同等重要的結構組成。

擴展Adner框架於知識密集產業。

7.3 實務啟示

對企業：

從價值主張出發構建生態系統，明確界定邊界
系統性識別協同創新與採用鏈風險，針對性設計對齊機制
重視間接連結管理（如促進夥伴間交流）
平衡地理集中（效率）與分散（風險）

對台灣：

鞏固垂直整合優勢：製造+整合+知識+應用
從「製造基地」升級為「協同創新樞紐」
管理集中風險：地緣政治、過度依賴單一客戶
發展多元領域應用（金融、醫療）提升價值鏈地位

對政策：

產業政策採生態系統思維（不僅補助個別企業）
投資關鍵基礎設施（運算資源、人才培育）
促進跨領域整合（產學、公私、跨產業）
平衡開放（吸引國際投資）與保護（關鍵技術、資料安全）

7.4 研究限制與未來方向

限制：

依賴公開資料，缺乏內部資訊（合約、財務、衝突解決）
靜態分析（2025時點），未捕捉動態演化
單一案例，發現推廣性有限
質性為主，缺乏量化驗證

未來研究：

縱貫追蹤（25所大學如何逐步整合、CSP自主化影響）
比較研究（NVIDIA vs AMD/Intel生態系統）
量化模型（結構複雜度、對齊程度與績效關係）
微觀機制（產學合作治理、跨領域整合模式）
新興議題（生態系統永續性、倫理責任分配）

7.5 結論

本研究透過Adner五步驟框架，系統性解構NVIDIA包含122家夥伴的AI生態系統。分析揭示：

(1)價值主張已從基礎設施擴展至垂直領域解決方案，驅動跨產業邊界；

(2)台灣具備獨特的垂直整合定位，是全球AI價值創造的核心樞紐；

(3)多邊相依普遍存在，間接連結同樣關鍵；

(4)NVIDIA透過技術標準、分層夥伴、地理集中等多元機制有效管理對齊，但面臨CSP自主、地緣政治、跨領域監管等中長期挑戰。

NVIDIA成功不僅源於GPU技術領先，更在於精心設計並持續管理的生態系統結構。這種結構性優勢—完整的活動配置、異質夥伴的互補定位、多維連結的有效治理—難以模仿，構成持久競爭優勢。

對台灣而言，深度嵌入此生態系統既是策略機遇（鞏固全球地位）也帶來集中風險（地緣政治），需在深化既有優勢與開拓新定位間平衡。

本研究驗證並擴展Adner框架，提供生態系統結構分析的系統性範例，對理論發展與實務應用均有重要貢獻。在AI重塑全球經濟的時代，理解生態系統的結構邏輯、對齊機制與演化動態，對企業策略、政策制定與學術研究都至關重要。

產業分布特色

硬體製造（約40%）
伺服器/工作站：技嘉、微星、華碩、華擎、美超微、緯穎、雲達
ODM/EMS：鴻海、廣達、仁寶、緯創、英業達、和碩
零組件：台達電、光寶、雙鴻、奇鋐、群聯、瑞昱
學術研究機構（約30%）
頂尖大學：台大、清華、陽明交通、成大、中央等17所大學
研究單位：工研院、國網中心、國衛院、國家災害防救科技中心
系統整合與AI應用（約20%）
工業電腦：研華、研揚、凌華、艾訊、宸曜
AI軟體：趨勢科技、所羅門、達明機器人、愛實境
雲端服務：台智雲、奧暢雲
金融與醫療（約10%）
金融：國泰金、中信金、玉山銀、台灣大哥大
醫療：長庚、中國附醫、台中榮總、北醫大
台灣在NVIDIA生態系的角色
這份名單凸顯台灣在AI供應鏈的三大優勢：
完整的硬體製造能力 - 從晶片設計（聯發科、瑞昱）到代工（台積電、聯電）到系統組裝。
深厚的學研能量 - 17所大學參與AI研發，形成人才培育基地。
垂直整合生態系 - 涵蓋製造、軟體、應用到終端產業。

關鍵洞察

洞察1：台積電與NVIDIA的「雙核心」結構

技術標準控制點製程技術控制點

         NVIDIA    ←  協同創新  →    台積電
            ↓                           ↓
      CUDA平台                     先進製程
            ↓                           ↓
       所有軟體參與者              所有製造參與者

兩者構成生態系統的雙重控制點，相互依賴但各有領域主導權。

洞察2：ODM的「中間樞紐」角色

ODM（特別是鴻海/廣達）連結：

上游：接收GPU模組、記憶體、載板

橫向：協調台達電、光寶等10+零組件商

下游：交付給CSP、企業客戶

側向：與NVIDIA聯合系統設計

這種多邊整合能力是台灣ODM的核心競爭力。

洞察3：大學的「廣度策略」

不同於一般生態系統僅與頂尖機構合作，NVIDIA納入25所大學顯示：

廣度優於深度：覆蓋北中南東、各類型大學
多元應用場景：工程、醫療、設計、傳播、語言
完整人才階梯：從頂尖研究人才（台清交）到應用工程師（技職）

洞察4：金融/醫療的「四重角色」

這些非科技機構同時扮演：

客戶（採購GPU設備）

應用開發者（內部AI團隊）

場景提供者（真實應用場域）

資料提供者（訓練資料集）

這種多重角色創造深度鎖定，但也帶來複雜對齊挑戰。

洞察5：活動分布的「微笑曲線」

價值 ↑ A群組 E群組

      |   (核心技術)         (知識創造)
      |      ╱                    ╲
      |     ╱                      ╲
      |    ╱    C群組      D群組    ╲
      |   ╱   (系統整合)  (應用)     ╲
      |  ╱                            ╲
      | ╱   B群組(製造供應鏈)           ╲
      |╱________________________________╲___→ 活動流

台灣在B、C群組（製造+整合）高度集中，正努力向A（設計）、D（應用）、E（知識）兩端延伸。

關鍵發現總結

1. 產業分布特徵

製造主導：半導體+ 伺服器ODM= 佔超過25%。

應用爆發：AI新創數量多，顯示應用層活躍。

知識廣泛：大學覆蓋北中南，領域多元。

2. 台灣垂直整合優勢

上游：台積電（製程）+ 日月光（封裝）→ 全球唯一完整先進製造鏈。
中游：全球前五ODM全在台灣 → 系統整合絕對主導。
下游：AI新創 → 應用生態快速成長。
知識：大學 → 完整人才階梯。

3. 跨領域生態系統特徵

金融3家：國泰金、中信金、玉山銀（資產管理AI）。

醫療3家：台北榮總、北醫附醫、中醫大附醫（醫療影像AI）。

政府2家：台北市府、高雄市府（智慧城市）。

這驗證NVIDIA價值主張已從「基礎設施」擴展至「垂直領域解決方案」。

2024年和2025年完整名單比較

(2024年)2025年

1. 晶片與半導體 (Chips & Semiconductors) (10家) 9家

2. 伺服器、系統組裝與品牌 (Server Systems & Brands) (22家) 21家

3. 記憶體與存儲 (Memory & Storage) (1家) 2家

4. PCB 印刷電路板 (PCB & Carrier Boards) (1家) 1家

5. 傳輸、連接與網通 (Connectivity & Networking) (1家) 7家

6. 散熱、電源與機殼 (Thermal & Power Management) (8家) 11家

7. 邊緣 AI 與工業電腦 (Industrial PC & Edge AI) (17家) 14家

8. 軟體與 AI 技術服務 (AI Software & Solutions) (23家) 20家

9. 醫療、金融與政府應用 (Vertical Applications) (0家) 10家

10. 學術與研究機構 (Research & Academia) (18家) 27家

= (101家)122家
(2024年)2025年

1. 半導體、晶片與代工 (Semiconductors & Foundry) (8家) 8家

2. 伺服器、系統與代工 (Servers, Infrastructure & EMS) (17家) 10家

3. 工業電腦與邊緣運算 (Industrial PC & Edge AI) (16家) 11家

4. 品牌、顯示與外設 (Brands, Display & Peripherals) (14家) 16家

5. 散熱、電源與零組件 (Thermal, Power & Components) (5家) 16家

6. 軟體、AI 解決方案與新創 (Software & AI Startups) (23家) 24家

7. 醫療、金融與政府機構 (Verticals & Public Sector) (0家) 10家

8. 學術、研究與法人機構 (R&D & Academia) (18家) 27家

= (101家) 122家

參考文獻

1.Adner, R. (2016). Ecosystem as structure: An actionable construct for strategy. Journal of Management, 43(1), 39-58.
https://journals.sagepub.com/doi/10.1177/0149206316678451
2.王穎皓 (2025)輝達海外總部設台灣、金控與9所大學加入122家合作陣容，黃仁勳：這裡就是AI中心，Cheers快樂工作人
https://www.cheers.com.tw/article/article.action?id=5104485
3.張以忠 (2025)《COMPUTEX》輝達「供應鏈牆」再現，新增廠商引關注，MoneyDJ新聞

https://www.moneydj.com/kmdj/news/newsviewer.aspx?a=52d4fc19-90c5-4965-b039-82767507a738