JDM

3 秒看懂

JDM = 品牌客戶與代工廠”共同設計、共同定義”產品的製造模式。 在 AI 伺服器領域，雲端廠商出架構與關鍵規格，代工廠出工程能力與供應鏈管理，雙方共同完成從設計到量產的全流程。它是 ODM 模式的”升級版”——從”你畫圖我照做”變成了”我們一起畫圖”。

3 分鐘產業解釋

為什麼 JDM 在 AI 時代爆發？

傳統的伺服器供應鏈有三種模式：

模式	設計主導方	製造方	典型場景
OEM（Original Equipment Manufacturer）	品牌商（如 Dell、HPE）	自有工廠或外包	傳統企業 IT 採購
ODM（Original Design Manufacturer）	代工廠設計	代工廠製造	白牌伺服器、早期雲端運算擴張
JDM（Joint Design Manufacturer）	品牌客戶 + 代工廠聯合	代工廠	當前超大規模 AI 訓練叢集

AI 伺服器的複雜性徹底改變了遊戲規則：

單臺伺服器功耗從 kW 級跳到數十 kW 級，電源拓撲、液冷管路需要從系統層面重新設計，品牌客戶（如 Google、Meta）對自己資料中心的電力和散熱架構最瞭解；
GPU/AI 加速卡的異構整合涉及高速互聯（NVLink、Infinity Fabric、UALink）、HBM 封裝（CoWoS 等先進封裝方案）、訊號完整性等專業壁壘，代工廠多年積累的 PCB layout、SI/PI 工程能力不可替代；
定製化程度極高——每個超大規模客戶（hyperscaler）對機架結構、網路拓撲（ToR/Leaf/Spine）、儲存層級、甚至機櫃螺孔間距都有自己的規範，標準化 ODM 產品根本無法滿足。

結果就是：雙方誰也離不開誰，只能坐下來聯合設計。這就是 JDM 模式誕生的根本邏輯。

誰在做 JDM？

臺系四大代工是當前 AI 伺服器 JDM 的核心玩家：

廣達（Quanta）：Google TPU 系統長期代工夥伴
緯創（Wistron）：NVIDIA DGX 系列及多款 AI 伺服器的關鍵供應商
英業達（Inventec）：深耕伺服器代工多年，與多家超大規模客戶有 JDM 合作
鴻海/富士康（Foxconn）：體量最大，覆蓋從消費電子到伺服器的全產業鏈

此外，和碩（Pegatron）、仁寶（Compal）等也在伺服器 JDM 領域有所版面配置。

中國大陸的 ODM/JDM 力量（如超聚變/FusionServer、寶德等）在國內信創與 AI 建設中逐步壯大，但在全球超大規模客戶 JDM 體系中的份額目前相對有限[行業共識，未有精確佔比資料]。

15 分鐘專家深入

JDM 的協作流程拆解

一個典型的 AI 伺服器 JDM 專案，從概念到量產大約經歷以下階段：

┌─────────────────────────────────────────────────────────────┐
│                    JDM 全流程協作模型                         │
│                                                             │
│  品牌客戶側              聯合區域              代工廠側       │
│                                                             │
│  ┌──────────┐     ┌──────────────┐     ┌──────────────┐    │
│  │ 系統架構  │────▶│  規格聯合定義  │◀────│  工程可行性   │    │
│  │ 定義      │     │  (Spec Sync) │     │  評估         │    │
│  └──────────┘     └──────┬───────┘     └──────────────┘    │
│                          │                                   │
│  ┌──────────┐     ┌──────▼───────┐     ┌──────────────┐    │
│  │ 關鍵器件  │────▶│  BOM 聯合最佳化  │◀────│  供應鏈管理   │    │
│  │ 選型主導  │     │  (成本/交期)  │     │  替代料評估   │    │
│  └──────────┘     └──────┬───────┘     └──────────────┘    │
│                          │                                   │
│  ┌──────────┐     ┌──────▼───────┐     ┌──────────────┐    │
│  │ 軟體/韌體 │────▶│  系統整合驗證  │◀────│  硬體設計/    │    │
│  │ 適配      │     │  (SI/PI/熱)  │     │  樣機制作     │    │
│  └──────────┘     └──────┬───────┘     └──────────────┘    │
│                          │                                   │
│  ┌──────────┐     ┌──────▼───────┐     ┌──────────────┐    │
│  │ 資料中心  │────▶│  量產匯入/    │◀────│  產線規劃/    │    │
│  │ 上架標準  │     │  良率爬坡     │     │  測試治具     │    │
│  └──────────┘     └──────────────┘     └──────────────┘    │
│                                                             │
└─────────────────────────────────────────────────────────────┘

核心要點：

系統架構定義：品牌客戶（hyperscaler）主導。包括 GPU/加速卡數量與互聯拓撲、CPU 選型（x86 vs ARM vs RISC-V）、記憶體容量與代際、網路介面（400G/800G NIC）、儲存方案等。客戶通常有專門的硬體團隊（如 Google 的 Platforms 團隊、Meta 的 Infrastructure 團隊）負責此部分。
BOM 聯合最佳化：這是 JDM 區別於純代工的核心環節。代工廠憑藉其與上游供應商（如 PCB 板廠、聯結器廠商、被動元件供應商）的深厚關係，能在 BOM 成本、交期、替代料方案上提供關鍵輸入。對於一臺搭載多顆 AI 加速卡的伺服器，僅 PCB 的層數、材料（如 Megtron 6/7 等低損耗材料）、鑽孔工藝等就直接影響訊號完整性和成本。
訊號/電源/熱聯合模擬：AI 伺服器對訊號完整性（SI）、電源完整性（PI）和熱管理的要求遠超傳統伺服器。高速訊號（如 PCIe Gen5/Gen6、GPU 間的 NVLink/Infinity Fabric）的眼圖餘量極小，需要品牌客戶的系統架構團隊和代工廠的 layout/SI 團隊密切配合。
量產匯入：AI 伺服器的組裝複雜度顯著高於傳統伺服器——液冷管路連線、高密度線束管理、多顆 GPU 的散熱器安裝力矩控制等，都需要定製化產線和測試方案。

JDM 的”定價模型”

JDM 模式下的商業結構通常為：

代工廠報價 = 物料成本（Cost + 管理費/運費）+ 製造獲利（NRE 攤銷 + 加工費）
NRE（Non-Recurring Engineering）費用通常由品牌客戶承擔，或攤入首批次產訂單
獲利率方面：傳統伺服器 ODM 代工毛利率通常在個位數（約 3%~8% 為行業常見區間[供應鏈估算]）；JDM 由於定製化程度高、議價門檻高，部分專案可能獲得略好的獲利水平，但整體仍處於低毛利率區間

技術原理

JDM 的技術協作深度

JDM 不是一個標準化的”協議”，而是品牌客戶與代工廠之間在多個技術層級上深度巢狀的協作關係。以下按技術棧從底層到頂層逐層說明：

┌─────────────────────────────────────────────────────┐
│                    技術協作層級                       │
│                                                     │
│  Layer 5  │ 資料中心級    │ 機架版面配置/佈線/供電架構    │
│           │  品牌客戶主導 │ 代工廠提供機櫃物理實現    │
│───────────┼──────────────┼──────────────────────────│
│  Layer 4  │ 系統級       │ 伺服器外形/散熱/液冷方案  │
│           │  聯合設計    │ PCB stack-up / 阻抗控制   │
│───────────┼──────────────┼──────────────────────────│
│  Layer 3  │ 子系統級     │ 電源模組拓撲/PDN 設計     │
│           │  聯合設計    │ GPU 模組熱解決方案        │
│───────────┼──────────────┼──────────────────────────│
│  Layer 2  │ 板級         │ PCB layout/SI-PI 模擬    │
│           │  代工廠主導  │ 聯結器選型/走線最佳化       │
│───────────┼──────────────┼──────────────────────────│
│  Layer 1  │ 製造工藝     │ SMT 工藝/組裝流程/測試    │
│           │  代工廠主導  │ 良率管控/產線自動化       │
└─────────────────────────────────────────────────────┘

關鍵技術細節舉例：

PDN（Power Delivery Network）設計：一顆高階 AI 加速卡（如 NVIDIA H100/H200/B100 系列 SXM 模組），其峰值功耗可達數百瓦。系統級 PDN 需要從 PSU 到板級 VRM 到器件封裝 PIN 腳逐級設計，阻抗、紋波、瞬態響應指標極為嚴苛。這部分通常是品牌客戶定義 spec，代工廠的 SI/PI 團隊執行模擬和 PCB 實現。
液冷方案整合：當前主流 AI 訓練伺服器普遍採用液冷（直接液冷或浸沒式液冷）。冷板設計、管路走向、快接頭選型、洩漏檢測方案等，需要品牌客戶的資料中心團隊（定義 CDU 介面和冷卻液引數）與代工廠的機械/熱工程團隊聯合完成。
高速互聯走線：GPU 之間的 NVLink/Infinity Fabric、CPU-GPU 之間的 PCIe Gen5/Gen6，以及 800G 網絡卡介面等高速訊號，對 PCB 走線長度匹配、阻抗控制、串擾抑制的要求極高。這部分代工廠的技術積累是其核心壁壘之一。

技術演進史

時期	供應鏈模式	背景
2000 年代初	OEM 為主	伺服器 = 標準化產品，Dell/HP/IBM 主導設計與品牌，代工廠（Foxconn 等）只做製造
2006~2010	ODM 興起	Google、Amazon 等早期雲端運算巨頭開始繞過 OEM，直接找臺系 ODM 定製白牌伺服器，節省品牌溢價
2010~2015	ODM 深化	超大規模資料中心擴張（Facebook Open Compute Project 於 2011 年發起），白牌伺服器滲透率快速提升；ODM 廠商開始獲得一定的設計主導權
2016~2020	JDM 模式成型	AI 訓練興起，伺服器複雜度急劇上升（GPU 異構、NVLink 互聯、液冷），品牌客戶需要深度參與設計但又缺乏製造經驗，JDM 協作模式成為主流
2021~至今	JDM 成為 AI 伺服器標配	單臺 AI 伺服器價值量從數萬美元躍升至數十萬甚至百萬美元級別，任何設計失誤的成本都極高，聯合設計成為風險管控的必然選擇

關鍵轉折點：

2016 年 NVIDIA 推出 DGX-1（8× Tesla P100），開創了”AI 訓練專用伺服器”品類，此後每一代 DGX 系統的複雜度持續攀升
2022 年 ChatGPT 引爆大型模型訓練熱潮，全球算力需求急劇膨脹，JDM 代工廠訂單量暴增，產能成為瓶頸

技術路線對比

供應鏈模式對比（量化維度）

維度	OEM	ODM	JDM
設計主導方	品牌商 100%	代工廠 100%	品牌客戶 60~~70% + 代工廠 30~~40%[行業估算]
品牌歸屬	品牌商	無品牌/白牌	品牌客戶（伺服器上不出現代工廠品牌）
定製化程度	低~中	低（標準化）	極高
典型產品單價	數千~數萬美元	數千~數萬美元	數萬~數十萬美元（AI 訓練伺服器）
代工廠毛利率	N/A（品牌商自研）	約 3%~8%[供應鏈估算]	約 3%~10%[供應鏈估算]，因專案而異
NRE 負擔	品牌商自擔	代工廠自擔	品牌客戶承擔或分攤
產能彈性	中	高	中~低（定製產線切換成本高）
代表案例	Dell PowerEdge、HPE ProLiant	廣達 QuantaGrid 等代工廠自行設計的標準白牌伺服器	Google TPU 系統、Meta MTIA 系統、AWS Trainium 系統

上下游

JDM 模式下的供應鏈全景

上游                    中游（JDM 代工廠）              下游
─────                   ─────────────────             ─────

GPU/AI 加速卡           ┌──────────────┐
NVIDIA (H100/B100/      │              │              超大規模雲端廠商
  B200/GB200系列)       │  廣達 Quanta  │              ── Google
AMD (MI300X)            │  緯創 Wistron │              ── AWS
Google (TPU)            │  英業達       │              ── Meta
自研晶片廠商             │  鴻海 Foxconn │              ── Microsoft
                        │              │              ── Oracle Cloud
CPU                     │  定義規格     │
Intel (Xeon)            │  採購BOM      │              電信/運營商
AMD (EPYC)              │  PCB設計製造  │
ARM (Ampere/Graviton)   │  系統組裝測試  │              AI 公司
                        │  交付運維     │              ── OpenAI 等
儲存/NAND               │              │
Samsung/SK Hynix/       └──────────────┘
  Micron/Kioxia

網路晶片/網絡卡
Broadcom/Marvell/NVIDIA
  (Mellanox)

PCB/基板
臻鼎/欣興/南電等

被動元件/聯結器
TE/Amphenol/臺達等

電源模組
臺達/光寶/Artesyn等

關鍵上下游關係：

GPU 是”錨定件”：一臺 AI 伺服器的 BOM 中，GPU/加速卡通常佔到成本的 60%~~80%[行業估算]。NVIDIA 的供貨節奏直接決定了代工廠的出貨節奏。當 GPU 供應緊張時（如 2023~~2024 年的 H100 產能瓶頸），代工廠即使產線就緒也只能等待。
先進封裝產能是間接瓶頸：GPU 的 HBM 封裝依賴 CoWoS 等先進封裝產能（主要集中在臺積電），封裝產能不足 → GPU 供應不足 → 代工廠出貨受限。
液冷供應鏈正在快速成熟：冷板、快速接頭、CDU（Coolant Distribution Unit）、冷卻液等供應商（如 CoolIT、Vertiv、雙鴻、奇鋐等）正成為 JDM 供應鏈的重要新成員。

關鍵指標

評估 JDM 代工廠競爭力的核心指標：

指標	含義	關注點
AI 伺服器出貨量/佔比	公司總營收中 AI 伺服器的比例	區分”AI 伺服器”和”通用伺服器”的口徑
前幾大客戶集中度	前 2~3 大客戶的營收佔比	集中度過高意味著大客戶砍單風險
毛利率	綜合毛利率及分產品線毛利率	伺服器代工整體毛利率偏低，關注是否有改善趨勢
SI/PI 工程團隊規模	訊號完整性/電源完整性工程師數量	JDM 模式下技術壁壘的核心體現
液冷方案成熟度	是否具備從冷板到系統級液冷的完整方案能力	AI 伺服器液冷滲透率正在快速提升
產能利用率	產線利用率	高利用率 = 滿產 = 業績確定性高
NVIDIA 認證/合作層級	是否為 NVIDIA DGX/NVL 系統的製造合作伙伴	直接決定能否接到頂級 AI 伺服器訂單

供需與市場資料

AI 伺服器市場規模

全球 AI 伺服器（含訓練與推論）市場規模：據 TrendForce 等行業研究機構估算，2023 年約 400~~500 億美元（含 GPU 成本），2024 年預計進一步增長，2025~~2027 年受大型模型訓練和推論需求雙重驅動，有望持續擴張[行業估算，各機構口徑有差異]。
AI 伺服器佔整體伺服器市場的比例從 2022 年的不足 20% 快速上升，部分季度已超過 30%~40%[行業估算]。

JDM 代工廠競爭格局

代工廠	定位	關鍵優勢	代表性客戶[供應鏈資訊]
廣達 Quanta	AI 伺服器 JDM 龍頭之一	與 Google 長期深度合作，TPU 系統經驗豐富	Google、AWS 等
緯創 Wistron	AI 伺服器核心供應商	NVIDIA 生態深度繫結	NVIDIA DGX 相關、多家 hyperscaler
鴻海 Foxconn	全球最大 EMS，伺服器覆蓋全面	規模優勢、全球製造版面配置	多家北美 hyperscaler
英業達 Inventec	伺服器 ODM/JDM 老牌玩家	技術積累深厚	多家 hyperscaler

注：各傢俱體客戶關係通常未完全公開揭露，以上為供應鏈與行業報道中的常見資訊，具體份額資料以各公司財報為準。

中國大陸市場

在信創（國產替代）和 AI 算力建設的雙重驅動下，國內伺服器 JDM/ODM 需求快速增長
超聚變（原華為伺服器業務獨立）、寶德、浪潮等廠商在國內市場佔據重要份額
2024~2025 年受美國對華晶片出口管制影響，國內 AI 伺服器供應鏈面臨高階 GPU 獲取受限的挑戰，部分廠商轉向國產 AI 晶片（如華為昇騰、寒武紀等）的適配與 JDM 合作

代表公司與資本對映

A 股/港股/臺股相關標的

公司	程式碼	與 JDM 的關係	備註
廣達	2382.TW	AI 伺服器 JDM 核心代工廠	伺服器業務是核心增長引擎
緯創	3231.TW	AI 伺服器關鍵代工廠	與 NVIDIA 合作緊密
鴻海	2317.TW	全球最大 EMS，AI 伺服器版面配置廣泛	規模優勢突出
英業達	2356.TW	伺服器 ODM/JDM 老牌參與者
臺達電	2308.TW	AI 伺服器電源模組/液冷關鍵供應商	產業鏈上游受益
雙鴻	3324.TW	AI 伺服器散熱方案供應商（含液冷）
奇鋐	3017.TW	散熱/液冷方案供應商
超聚變	非上市	國內 AI 伺服器 JDM/品牌核心玩家	原華為伺服器業務
浪潮資訊	000977.SZ	國內 AI 伺服器龍頭（偏 OEM/ODM）	受限於高階 GPU 獲取

投資邏輯

核心邏輯鏈

AI 模型訓練/推論需求爆發
        │
        ▼
超大規模雲端廠商加大 AI 基礎設施資本支出
        │
        ▼
AI 伺服器採購量激增（單臺價值量遠高於傳統伺服器）
        │
        ▼
JDM 代工廠訂單量大幅增長，營收/獲利彈性顯著
        │
        ▼
同時拉動上游：GPU、HBM、先進封裝、PCB、電源、液冷、網路

關鍵投資變數

雲端廠商 CapEx 節奏：這是 JDM 訂單的”水龍頭”。微軟、Google、Meta、AWS 的季度資本支出是核心前瞻指標。2024 年四大雲端廠商合計資本支出預計超過 2000 億美元[各公司財報/分析師估算]，其中 AI 相關佔比持續提升。
GPU 供應節奏：JDM 代工廠的出貨量受 GPU 供應約束。NVIDIA 每一代新架構（Hopper → Blackwell → Rubin）的產能爬坡節奏，直接決定代工廠的營收確認節奏。
液冷滲透率：液冷伺服器的單位價值量高於風冷（冷板、CDU 等新增元件），且液冷方案的工程複雜度更高，有利於具備液冷整合能力的 JDM 代工廠提升附加值和毛利率。
地緣政治與供應鏈安全：中美科技博弈下，全球 AI 伺服器供應鏈可能出現區域化趨勢——北美市場、中國市場各自形成相對獨立的供應體系，這對在兩個市場都有版面配置的代工廠構成挑戰也構成機會。

風險提示

毛利率天花板：JDM 模式下代工廠本質上仍是”高階代工”，毛利率上限受限於行業結構
大客戶集中風險：依賴少數 hyperscaler 訂單，客戶戰略調整可能導致訂單波動
技術迭代風險：若 AI 加速架構發生根本性變化（如從 GPU 陣列轉向存算一體等新範式），現有設計積累可能被削弱
地緣政治不確定性：晶片出口管制、關稅政策等可能影響供應鏈格局

常見誤讀糾偏

❌ 誤讀一：“JDM 和 ODM 沒有本質區別，只是換了個名字”

糾偏：ODM 模式下，代工廠擁有設計主導權，品牌客戶只是”選品”和”貼牌”；JDM 模式下，品牌客戶深度參與系統架構定義、關鍵器件選型、模擬驗證等環節，代工廠承擔的是工程實現和製造落地。最核心的區別是”誰在定義產品的技術規格”——JDM 中是雙方共同定義。 在 AI 伺服器領域，hyperscaler 的硬體團隊對系統級設計（GPU 互聯拓撲、液冷方案、機架電源架構）擁有實質主導權，代工廠無法獨立完成設計。

❌ 誤讀二：“JDM 代工廠的獲利率會隨 AI 伺服器放量而大幅改善”

糾偏：AI 伺服器確實帶來了更高的絕對獲利額（因為單臺價值量遠高於傳統伺服器），但毛利率改善幅度有限。原因包括：① 品牌客戶（hyperscaler）議價能力極強，會持續壓低代工獲利；② AI 伺服器的 BOM 成本中 GPU 佔大頭，代工廠對這部分幾乎沒有獲利空間；③ 定製化帶來的 NRE 成本和產線切換成本也不容忽視。真正受益於毛利率提升的更多是上游關鍵零部件供應商（如液冷、電源模組），而非純代工環節。

❌ 誤讀三：“JDM 模式下代工廠沒有核心技術壁壘”

糾偏：JDM 代工廠的核心壁壘在於系統級工程能力的多年積累：高速 PCB 設計與訊號完整性模擬（處理 112G PAM4 及更高速率訊號的能力）、電源完整性與 PDN 設計、液冷系統整合、大規模定製化產線管理等。這些能力需要長年累月的專案經驗和人才積累，不是短期可以複製的。此外，代工廠與上游供應鏈（聯結器、PCB 板材、被動元件等）的深度合作關係也是重要壁壘。

❌ 誤讀四：“AI 伺服器 = 只有 GPU 伺服器”

糾偏：AI 伺服器包含訓練伺服器和推論伺服器，且架構多樣。除了基於 NVIDIA GPU 的方案外，還有基於 AMD MI300X、Google TPU、AWS Trainium/Inferentia、自研 ASIC 等不同加速器的方案。JDM 代工廠需要適配多種不同的加速卡規格和互聯方案，這種多平台適配能力本身就是壁壘。

學習路徑

入門（1~2 周）

瞭解 OEM/ODM/JDM/EMS 基本概念——推薦閱讀 OCP（Open Compute Project）相關材料，理解雲端廠商為何要定製硬體
閱讀一家臺系代工廠（如廣達或緯創）的年度報告，關注其產品線劃分和客戶結構

進階（1~2 月）

學習 AI 伺服器基本架構——GPU 互聯（NVLink/NVSwitch）、CPU-GPU 互聯（PCIe/CXL）、網路拓撲（InfiniBand/RoCE）、儲存層級
瞭解液冷技術方案（直接液冷 vs 浸沒式液冷）——關注行業白皮書和行業媒體深度報道
追蹤 NVIDIA GTC 等行業大會的新品釋出，理解每一代新架構對伺服器設計的影響

專家（持續）

關注超大規模雲端廠商的資本支出季度資料，建立對 AI 伺服器出貨量的前瞻判斷架構
研究供應鏈各環節（GPU、HBM、先進封裝、PCB、電源、液冷、網路）的產能和競爭格局
關注地緣政治動態對全球 AI 伺服器供應鏈的影響

一句話總結

JDM 是 AI 時代伺服器製造的核心範式——雲端廠商出”腦”、代工廠出”手”，雙方聯合設計才能駕馭單臺價值數十萬美元、功耗數十千瓦的 AI 訓練系統；理解 JDM，就是理解 AI 算力如何從圖紙變成資料中心裡嗡嗡運轉的機器。

延伸閱讀與來源

Open Compute Project (OCP)：opencompute.org——理解開放硬體設計標準化如何推動了 ODM/JDM 模式的興起
各代工廠年報/季度財報：廣達、緯創、鴻海、英業達等公司的投資者關係頁面，獲取營收結構、客戶集中度等關鍵資料
TrendForce / IDC / Gartner：關於 AI 伺服器市場規模和出貨量的行業研究報告（部分需付費訂閱）
NVIDIA GTC 演講與技術文件：瞭解每一代 GPU 架構對伺服器系統設計的具體要求變化
行業媒體：The Next Platform、SemiAnalysis、AnandTech（已停更但歷史文章仍具參考價值）等
供應鏈研究：關注中國臺灣地區券商對臺系代工廠的深度研究報告（如 Macquarie、Morgan Stanley Taiwan 等機構的科技硬體覆蓋）

本文件基於公開資訊與行業共識整理，具體財務資料以各公司官方財報為準。技術細節標註 [行業估算] 或 [供應鏈資訊] 的部分為基於行業通行認知的定性判斷，非精確引用。