李其澤/國立彰化師範大學公共事務與公民教育學系副教授
|
AI的真正革命，不只是機器開始回答問題，而是人類第一次把部分認知能力放進固定資本，像電力與鋼鐵一樣大規模生產。這場轉型一面創造龐大社會價值，一面把成本、利潤與風險分配到完全不同的地方：美國提供資本與需求，中國以效率和開源追趕，台灣供應最關鍵的硬體；最後誰能把價值留在本國，仍未定局。 |
一、前沿愈貴，普及愈便宜
打開聊天機器人輸入一句話，看起來仍像傳統網路服務；但它背後的生產方式已不是輕資產的網站，而是晶片、資料中心、電網、冷卻系統、資料與演算法共同組成的工業體系。Epoch AI估計，前沿語言模型的訓練算力自2020年以來每年約增五倍，訓練成本每年約增3.5倍；一座IT負載一吉瓦的AI資料中心，前置資本支出約380億美元，五家超大規模雲端業者掌握全球約71%的AI算力。認知因此第一次被放進巨額固定資本，得以二十四小時複製與交付。
然而，AI經濟同時存在另一條反方向的曲線。前沿能力愈來愈昂貴，但既有能力的成本快速下降：晶片性價比提高、演算法效率進步、模型蒸餾與開放權重普及，使昨天只有頂尖實驗室能做到的事，很快變成一般企業可採購的服務。這是一個關鍵悖論——生產「最強智能」需要愈來愈多資本，購買「夠用智能」卻愈來愈便宜。
兩條曲線疊加後，最可能出現的並非單一公司永久壟斷，而是動態寡占：少數企業有能力支付前沿研發的門票，領先窗口卻不斷被演算法創新與開源模型縮短。史丹佛《AI Index 2026》指出，美中頂尖模型自2025年初多次交換領先位置，至2026年3月，美國最佳模型的優勢只剩2.7%。Reuters對中國市場的觀察更顯示，低價開放模型已把競爭推向效率與規模，API毛利雖開始改善，整體獲利仍遠低於成熟雲端軟體。這意味著模型能力正在商品化，而不代表整個產業的權力正在消失。
二、租金沒有消失，只是從模型移到「稀缺互補品」
大模型與社群平台有一個根本差異：使用者離開某個模型的成本，通常低於離開一個累積了朋友、商家與內容的社群平台。因此，模型層的網路效應較弱，價格與性能一變，流量就可能迅速遷移。這也是開源模型足以壓低閉源模型租金的原因。
但若因此斷言AI沒有鎖定效應，便會看錯真正的價值分配。企業一旦把模型接進雲端帳號、專有資料庫、資安制度、採購合約與日常工作流程，切換成本便重新上升。換言之，鎖定效應正在從「模型」下沉或外移到算力、雲端、資料、配電、企業軟體與客戶通路。真正能長期收租的，未必是今天排行榜第一名的模型，而可能是掌握稀缺晶片、電力接入、資料治理與工作流程的人。
這也解釋一個表面矛盾：生成式AI為使用者創造的價值可以非常大，模型公司的利潤卻未必同樣可觀。《AI Index 2026》估計，生成式AI工具為美國消費者帶來的年價值已達1,720億美元；但大量價值以免費服務、節省時間、品質改善與組織學習的形式出現，無法完整進入供應商的損益表。AI產業的核心分配問題，不是有沒有創造價值，而是誰有能力把外溢的價值變成可收費、可續約的收入。
三、生產力是真的，但「總體奇蹟」仍在等組織改造
現有研究已相當一致地證明，AI能在特定任務提高生產力：客服、寫作、程式設計與顧問工作都出現效率改善，而且新手往往比資深者受益更多。但微觀效率不會自動變成總體成長。電腦、電力等通用目的技術的歷史經驗告訴我們，企業還必須重做流程、權責、資料與績效制度，甚至重新設計產品；這些互補投資在早期先形成成本，收益則延後出現。
2026年亞特蘭大聯準銀行對近750名企業高階主管的調查正好捕捉到這個落差：超過半數企業已投資AI，生產力提升為正但高度不均，主管感受到的改善又大於帳面上已量得的成果。這不是證明AI無效，而是說明「會用工具」與「能改造企業」是兩件事。市場若只用模型能力外推未來收入，便可能低估組織摩擦與回收期。
勞動市場的變化也不是簡單的全面失業。史丹佛數位經濟實驗室追蹤數百萬筆薪資資料，至2026年6月仍未發現全經濟的普遍失業；但22至25歲勞工在AI高曝險職業的就業，已比若跟隨低曝險職業走勢的反事實低19%，而且主要透過減少新聘發生。AI首先侵蝕的，可能不是所有人的職位，而是年輕人累積經驗的入口。如果初階工作被自動化，卻沒有新的學徒制與人機協作訓練，企業數年後反而可能面臨資深人才斷層。
四、美國用資本市場，中國用開源與產業政策
美國與中國正在用兩套不同制度，處理同一個創新難題：知識的社會收益往往大於創新者能收回的私人收益，因此單靠正常定價，研發可能不足。美國的答案是資本市場與超大規模雲端公司的現金流。史丹佛統計顯示，2025年美國私人AI投資達2,859億美元，是中國124億美元的23倍以上；Epoch AI則估計，AI資料中心、運算硬體與網路設備投資在2026年第一季已約占美國GDP的0.8%，並成為私人投資成長的首要動力。高估值在此不只是投機，也是一種把未來想像轉成當期基礎設施的融資機制。
中國的條件不同。先進晶片受限、私人資本較少，迫使業者把競爭焦點放在演算法效率、低價推論與開放權重。這條路線能把模型改良、微調與工具開發分散給全球社群，快速放大外部規模經濟；代價則是模型租金更快外溢，許多獨立實驗室難以建立穩定利潤。中國因此需要產業政策、政府算力與雲端平台交叉補貼，才能支撐長期投入。美國的風險在後端——收入不如預期時估值與資本開支一起修正；中國的風險在前端——投入不足、重複建設與低利用率可能拖慢前沿突破。
歐洲的困境也不宜只歸咎監管。Draghi競爭力報告點出的更深層問題，是數位革命以來的生產力、投資與規模落差。沒有能提供現金流、資料與雲端基礎的數位平台，也缺少真正整合的資本市場與應用市場，再寬鬆的法規都不會自動生出前沿實驗室。AI競爭表面看是模型競賽，底層其實是金融、能源、人才與產業組織能力的綜合競賽。
五、AI正在形成一個以美國為需求中心的全球循環
美國的AI建設看似是國內投資，供應鏈卻高度全球化。資料中心需要的先進晶片、晶圓製造、封裝、伺服器、電源與散熱設備，大量來自東亞。美國以資本支出創造需求，亞洲供應實體設備並取得貿易順差，再把部分盈餘配置回美元與美國金融資產。於是，商品逆差、資本流入與科技股估值成為同一循環的不同環節。
這個循環的好處，是把全球儲蓄轉成美國的AI基礎設施；脆弱處則是它高度依賴未來收益。美國經濟分析局最新修訂資料顯示，2025年底美國淨國際投資部位為負21.87兆美元，2026年第一季為負21.27兆美元。海外投資者願意持有美國資產，是因為相信美國企業能把算力轉成生產力與利潤；如果模型價格持續下跌、設備折舊快於收入成長，或電力與融資成本上升，資本支出便可能反向收縮。值得注意的是，這裡也修正了一個常見誤解：AI投資對美國GDP的拉動不能只看設備支出，因為大量硬體來自進口，必須扣除淨進口後才是國內產出的貢獻。
能源是另一個不能用軟體思維忽略的約束。國際能源總署估計，2024年全球資料中心用電約415 TWh，占全球用電1.5%；2030年將增至約945 TWh。美國資料中心甚至可能貢獻該國近一半的新增電力需求，而約兩成規劃中的資料中心專案存在延遲風險。當變壓器、輸電線與發電容量需要數年建設，電力接入本身就會成為新的稀缺資產與地緣競爭條件。
六、台灣拿到硬體紅利，卻還沒回答「如何留下價值」
在這個循環裡，台灣是最關鍵也最集中的供給節點。史丹佛《AI Index 2026》直言，台積電製造了幾乎所有領先AI晶片；台灣同時掌握先進封裝、伺服器組裝、電源與散熱等完整聚落。這使台灣在AI資本開支上升期獲得罕見的出口與成長紅利。主計總處2026年2月公布的修正資料顯示，2025年台灣經濟成長8.68%，並預測2026年成長7.71%，主要背景正是AI與高效能運算需求。
但硬體供應者取得的多半是「準租」：它建立在製程領先、產能稀缺與客戶擴張之上，會隨資本開支週期而波動。台灣的風險不只是某一家客戶砍單，而是需求、產品與市場同時集中：美國雲端巨頭的投資決策、先進晶片世代切換、匯率、關稅與電力供給，可能在同一時間衝擊出口、稅收、股市與就業。台灣今日的優勢很真實，卻不是不可逆的自然法則。
更深的問題是，台灣供應了AI的身體，卻仍較少控制AI進入企業後的資料、流程與服務收入。若只把AI政策理解為再蓋一座資料中心或訓練一個本土通用大模型，容易複製上游重資產、下游價格戰的困境。台灣真正可行的升級路線，是把製造與公共服務的場景優勢轉成產業資料、驗證制度、專業代理人與持續性軟體收入，例如半導體良率、智慧醫療、能源管理、機械維護、供應鏈風險與政府服務。這些領域的護城河不在參數量，而在可信資料、責任制度與現場整合。
七、台灣需要的不是追榜，而是一套「價值留存」政策
第一，建立AI資本開支的國家級預警儀表板。除了雲端巨頭的資本支出指引，還要追蹤債務發行、折舊年限、資料中心利用率、推論價格、電網排隊與主要客戶集中度。這些指標如今對台灣景氣的重要性，已不低於傳統的美國採購經理人指數。
第二，把硬體紅利轉成共享的外部規模經濟。政府應用採購、合規資料空間、公共算力與產業測試場域，必須讓中小企業與研究團隊能以合理成本使用，而不是形成新的補貼孤島。政策目標不是讓每個部會擁有自己的模型，而是降低整個社會部署、驗證與改造流程的成本。
第三，把電力與人才視為AI產業政策的核心。電網、儲能、冷卻、水資源與區域配置決定算力能否落地；教育與勞動政策則應正面處理初階職缺縮減，建立以真實專案、職場師徒制與人機協作為核心的新入口。沒有可靠能源，算力只是設備；沒有新人培育，生產力改善也可能換來人才斷層。
第四，在美中競爭之間保留技術選擇權。關鍵基礎設施可採更嚴格的安全與資料標準，一般商業應用則應維持模型可替換、開放介面與多雲架構，避免把國家與企業資料永久鎖進單一供應商。台灣的安全需要可信供應鏈，也需要防止新的數位依賴。
結語：AI繁榮的真正考題是分配
AI經濟最值得關注的，不是下一個模型能否再多答對幾題，而是認知被工業化之後，成本、權力與收益如何重新分配。前沿訓練把資本與能源需求推向歷史高點；開源、效率改善與競爭又讓智能價格快速下降。結果可能是社會獲得巨大消費者剩餘，少數基礎設施擁有者掌握瓶頸租金，模型公司則在高投入與價格戰之間掙扎。
對台灣而言，供應全球最稀缺的硬體是一項巨大優勢，但不是終點。真正的戰略問題，是能否在資本開支仍旺盛的窗口，把一次性的準租轉化為可累積的資料、人才、能源韌性與應用能力。AI會不會成為泡沫，並不是唯一問題；即使部分估值終將修正，留下來的資料中心、晶片與軟體仍會改造經濟。台灣必須確保，泡沫若退，留下的不只是別人的基礎設施訂單，而是自己的生產力與價值攫取能力。
