AI 運算從大型資料中心逐步延伸至汽車、機器人及其他邊緣設備，半導體業者的產品策略也開始出現結構性變化。資策會產業情報研究所（MIC）分析指出，整合元件製造商（IDM）面對雲端與邊緣 AI 不同的運算需求，正分別在先進邏輯、記憶體，以及 MCU 與功率半導體等領域調整布局，競爭態勢已從單一元件轉向系統級整合。
MIC 資深產業分析師楊正瑀於 2026 MIC FORUM Fall 表示，雲端 AI 主要追求大規模運算效能，邊緣 AI 則更重視即時反應、功耗與成本。兩種工作負載的差異，使 IDM 業者不再只是擴充既有製造能力，而是重新思考晶片、記憶體、軟體及系統之間的產品定位。楊正瑀的簡報將 IDM 布局分為先進邏輯、記憶體及 MCU／功率半導體三個主要方向。
在先進邏輯方面，AI 伺服器競爭已逐漸從單一加速器的效能比較，轉向包含CPU、GPU、網路、記憶體及軟體在內的系統級競爭。MIC 指出，面對 NVIDIA 在 GPU 生態系的優勢，Intel 等業者除了推進先進製程，也轉向更開放的架構策略，並透過小晶片（Chiplet）及先進封裝等方式整合不同功能，同時與 NVIDIA 由全面競爭走向特定領域的合作。
值得注意的是，AI 推論需求增加也讓 CPU 角色出現變化。 相較於訓練階段高度依賴加速器，推論工作涉及不同的記憶體存取及資料調度需求，CPU 在系統管理及邊緣運算中的作用因此受到重新關注。隨著代理型 AI（Agentic AI）興起，複雜任務的調度需求進一步提升 CPU 的重要性，MIC 簡報指出，AI 工作負載從訓練延伸至推論及 AI 代理，CPU、GPU 及 NPU 之間的分工也隨之調整。
記憶體業者則持續圍繞 AI 需求增加投資。MIC 指出，Micron、SK Hynix 及 Samsung 均在高頻寬記憶體（HBM）持續布局，除了擴充產能，也透過不同的供應鏈及封裝策略因應 AI 運算需求。其中，SK Hynix 與 Micron 選擇將邏輯晶粒外包製造，Samsung 則整合自家邏輯製造能力提供一條龍服務。 同時，CXL 協定、記憶體內處理（PIM）等技術也被視為降低資料搬移成本、提高記憶體使用效率的可能方向，尤其隨著 HBM 需求與先進封裝產能持續緊俏，這些低成本推論技術的關注度正逐漸升溫。
至於 MCU 與功率半導體，AI 向邊緣設備延伸後，業者面對的是另一種需求：在低功耗條件下增加一定程度的AI運算能力。MIC 指出，高階 MCU 逐漸整合 NPU 等 AI 運算單元，IDM 則採取擴大既有晶圓廠效率、Fab-lite 及合資建廠等不同策略，以降低大規模資本支出的壓力。這也使 IDM 的競爭不再完全以「自己製造多少晶片」衡量，部分業者一方面保留核心製程與產品能力，另一方面透過合作、併購及在地化布局取得軟體、系統或應用端能力。
對台灣而言，變化所涉及的不只是晶圓代工。隨 AI 產品由單一晶片走向模組與系統，台灣既有的晶圓製造、封裝、電源管理及系統組裝能力，有機會參與 IDM 與系統業者更早期的產品開發，從傳統的製造夥伴角色，轉向系統級產品的協同研發夥伴。 不過，MIC 指出的方向更接近產業鏈角色轉變，而非單一產品市場的擴張；台廠能否掌握系統級整合能力，將影響其在下一階段 AI 供應鏈中的戰略位置。
