[AI 深度解析] 從應用到能源：看懂 AI 產業鏈與商業風險

摘要：拆解 AI 從應用、模型、晶片到電力與資本的產業鏈，理解商機與風險。

內容：

AI 不是單一產業，而是一條彼此牽動的產業鏈。 OpenAI 執行長山姆·奧特曼曾表示，自己沒有 OpenAI 的股權；但在 OpenAI 之外，他投資過核聚變發電、AI 晶片、語言學習應用等企業，也與資料、內容相關公司有投資關係。這些看似分散的布局，分別對應 AI 的應用、資料、算力與能源。要理解 AI 的發展，不能只看聊天機器人或模型排行榜，還得看支撐它們的設備、資金，以及最終由誰付費。

應用層：誰掌握使用者入口，誰就可能影響交易。 AI 購物助手是一個例子。Perplexity 的 Comet 瀏覽器能依使用者要求搜尋、比較商品；亞馬遜則對其提起訴訟，爭議包括訪問限制、使用者資訊與廣告。當消費者自行逛網站時，平台能展示商品廣告；若消費者只看第三方 AI 整理的結果，平台可能仍賣出商品，卻失去部分廣告曝光。因此，AI 助手爭奪的不只是回答問題的機會，也是影響購買決定的入口。

一套 AI 購物服務可以拆成「應用」與「模型」兩層。模型理解需求、比較資訊並提出建議；應用則連接搜尋、購物車和下單功能，在取得授權後完成操作。寫程式、做設計、處理辦公任務的 AI 工具也有類似結構。一家應用公司可以使用別家的模型，一個模型可以服務許多應用；OpenAI 這類公司則同時開發模型與經營應用。

模型層：能力取決於資料、演算法與算力。 預訓練讓模型從文章、書籍和程式碼等材料中，反覆練習預測與調整參數，建立語言、知識和程式能力的基礎。但「模型越大越好」並非唯一方向。DeepMind 的研究顯示，在相近的訓練計算量下，讓較小模型學習更多資料，也可能取得更好的結果。「規模規律」研究的，正是模型大小、資料量、計算投入與效果之間的關係。

資料多也不等於資料好。網路內容包含錯誤、重複與低品質資訊，必須篩選、清理和安排比例。模型公司也會用 AI 將既有內容改寫為題目、解答或推理練習，製作「合成資料」。這能擴充教材，卻也可能放大原始材料的錯誤，因此核驗仍不可少。

預訓練之後，模型通常還需要「後訓練」，才能更穩定地遵循指令。開發者可以提供優質回答作為示範，進行監督微調；也可以讓模型嘗試解題，再依可核對的結果給予回饋，進行強化學習。數學題較容易判分，但審合約、修改軟體等任務需要專家設計標準，並建立可反覆操作、測試的環境。Scale AI 等公司便在資料、專業回饋與訓練環境上扮演角色。

模型上線後，計算成本並不會停止。 使用者每提出一個問題，系統都要執行模型，這個過程稱為推理。處理難題時，系統還可能讓模型多次嘗試、檢查或比較答案，以更多回答階段的計算換取較好的結果。程式設計智慧體看似只收到一句指令，背後卻可能反覆修改程式、執行測試、讀取錯誤並重新修改。使用者越多、任務越複雜，持續性的算力支出就越值得重視。

降低成本有不同方法。「混合專家」（MoE）模型每次只啟用部分計算模組，減少單步運算，但未啟用的參數仍須儲存；「蒸餾」則讓較強模型提供經檢查的示範，訓練較小模型獨立完成部分任務。兩者都有助於改善效率，卻不能只憑參數或單項測試成績判斷實際設備需求。若一家公司未經授權大量利用另一家模型的輸出進行蒸餾，也可能引發商業爭議。

算力層：晶片之外，還有記憶體、軟體與網路。 GPU 原為大量並行的圖形計算而設計，恰好適合神經網路反覆進行的矩陣運算；CPU 則與 GPU 分工，負責主機程式和任務組織。輝達是重要供應商，但 AMD、Google、亞馬遜、華為等也提供 GPU 或自研 AI 晶片。企業採購時，不只比較晶片性能，也要考慮軟體相容性。許多團隊已圍繞輝達 CUDA 開發和優化，改用其他晶片可能需要重新修改、測試程式；雲服務商因此可能同時採購自研晶片與輝達晶片，服務不同客戶。

模型能不能順利執行，還取決於記憶體容量與頻寬。以 700 億參數、每個參數占兩個位元組估算，單是參數便需要約 140GB 空間，尚未計入運算資料與對話過程保留的資訊。容量決定能放多少，頻寬影響資料能多快送到計算單元。高頻寬記憶體 HBM 因此成為 AI 晶片的重要配套，也帶動 SK 海力士、三星、美光等記憶體廠商的需求。AI 資料中心同時需要系統記憶體和儲存設備，需求變化還可能影響廠商的產能分配與消費產品策略。

買下多顆晶片，也不代表它們就能高效協作。大型模型可能分布在多顆 GPU 上，訓練時也需要不同設備交換結果；資料若傳得慢，晶片便可能等待而無法繼續運算。因此，伺服器、機櫃、交換機、網路介面、NVLink 或 InfiniBand 等連接技術，都會影響整套集群的效率。資料中心的高速連接還需要光模組，在電訊號與光訊號之間轉換。集群擴張與傳輸速度升級，讓網路設備、光模組及其上游光學器件供應商一同進入 AI 產業鏈。

基礎設施層：電力與散熱決定算力何時能上線。 高密度 AI 機櫃用電量大，晶片、記憶體和網路設備工作時又持續產熱。資料中心要投入使用，除了有設備，還得有土地、許可、電網接入、變壓器、配電系統和備援電源。科技公司簽訂長期購電協議、支持核電設施重啟，目的之一是取得大規模且穩定的電力；但合約簽妥，不代表電廠整修、監管審批及輸配電建設能立即完成。自建燃氣發電也可能受到設備供應與工期限制。

電力成本會在資料中心營運的多年期間持續發生，供電地點和方案因此十分重要。變壓器、配電設備、不斷電系統等廠商，會受益於建設需求；但若關鍵設備交貨延遲，昂貴的晶片也可能因機房尚未就緒而無法提供服務。資料中心的大量用電還涉及公共成本：若電網為預期需求擴建，專案卻延後或用電不足，相關費用該由誰承擔？部分地區因此要求大型資料中心對約定供電容量承擔較長期的付款責任。

散熱同樣是一門需要細分的生意。傳統風冷愈來愈難處理高密度機櫃的集中熱量，冷板式液冷便讓液體經過晶片附近，將熱帶到換熱系統，再排出建築物。液冷並不表示所有製冷設備都會增加：若設備能接受較高的冷卻進水溫度，在合適氣候下，部分方案可能省去冷水機，卻仍需要冷板、管路、泵與換熱設備。判斷一家散熱公司的機會，必須看它賣的究竟是哪個環節。機房選址也要同時權衡電價、氣候、水資源與網路延遲；可等待的離線分析能放在較遠地點，即時業務則更重視傳輸速度。

資本層：訂單很大，不等於最終需求已獲證明。 模型研發、晶片採購和資料中心建設都要先投入巨額資金。有些晶片或算力供應商會投資自己的客戶，提供股權誘因，甚至為長期基礎設施合作提供擔保。這能幫助客戶融資、加快建設，也可能替供應商帶來設備訂單；但它讓投資、採購與收入形成相互支持的關係。看到模型公司融資、雲公司簽約、晶片公司接單，不能把它們直接當成三份彼此獨立的終端需求證明。

長期算力合約尤其考驗現金流。模型公司可能為了確保未來供應，承諾多年付款；但它自己的客戶未必願意簽同樣長的合約。若需求快速增長，提前鎖定算力可能成為優勢；若客戶減少使用，收入可以迅速下降，部分機房、算力和電力帳單卻不能同步取消。評估 AI 是否存在泡沫，關鍵不只在投資規模，更在服務能否持續創造收入，以及扣除各項成本後，現金是否足以支撐承諾。

最後仍要回到應用：AI 究竟替客戶創造多少價值？ 瑞典支付公司 Klarna 在年報中估算，AI 客服處理大量對話，為公司節省可觀成本。對企業而言，是否採購 AI，最直接的判準是把軟體、人工檢查及錯誤處理都算進去後，它能否可靠地完成工作、降低總成本。這筆新支出可能來自原有的客服外包或軟體預算，因此 AI 公司的收入增長，也可能伴隨其他供應商的收入流失。

教育服務、法律研究及企業軟體都面臨這種重新分配。學生若在搜尋頁或通用 AI 裡取得解答，原本靠搜尋流量與付費題解獲客的業者可能受衝擊；若 AI 讓更少員工完成工作，按帳號數收費的軟體也可能需要調整模式。但既有企業不一定只能被取代：可信的專業資料、可核對的來源、業務系統連接與交付責任，仍可能成為它們在 AI 助手背後收費的理由。

AI 的技術影響與股票報酬，也不能畫上等號。網際網路確實改變了世界，但在熱潮高點買入相關公司的投資者，未必很快得到相稱回報。與其只問哪家公司會受惠，更實際的問題是：自己的工作有哪些步驟已能更快完成？哪些結果仍須人來核驗？客戶真正願意付費的，是便宜的初稿、可靠的專業資料，還是把問題徹底解決的能力？大型投資要經過多年才能驗證；手邊一個能用 AI 改善的工作流程，現在就可以開始測試。