AI算力

博通與雲端巨頭深度綁定客製化 ASIC 晶片開發，並透過財務融資與租賃協議推動大模型客戶擴大部署專用 TPU 算力集群。專用晶片在性價比與能源效率上持續侵蝕通用 GPU 市佔，且營收可見度已延伸至 2028 財年。算力供應商透過資本合作與專用晶片深度綁定頂級模型客戶，將持續推動客製化 AI 晶片進入爆發性成長週期

Anthropic 籌備上市為算力供應商帶來信用背書與履約保障，但合約結構分化顯著。直接承擔客戶信用風險者彈性高但面臨交付與融資考驗，由第三方巨頭兜底者則不具 IPO 敏感度。資料中心供應商受惠程度取決於合約體量與付款主體，非所有 AI 算力標的皆能同等受益

Gemini 4 推翻了預訓練擴展已達瓶頸的論調，證實預訓練與推論運算量仍雙雙擴大。產業調查顯示其採用 5 至 6 兆參數之循環 MoE 架構，有效運算規模達前代 5 至 6 倍，且單任務推論輸出 token 消耗翻倍。前沿模型架構持續朝巨量參數 MoE 與百萬長輸出演進，驅動預訓練與推論端對底層算力消耗維持指數型擴張

頂尖 AI 獨角獸陸續進入公開市場驗證算力支出的真實回報與持續性，推動自研晶片與商用 GPU 需求並進。巨額融資與訂製晶片長約簽訂，顯示前瞻模型開發對高效能運算基礎設施的資本支出依然堅挺

三大雲端巨頭手握 1.69 兆美元積壓訂單，預估本益比隨獲利激增壓縮至 22 倍，$NVDA 更透過晶片金融化擴大中小型客戶融資管道。算力受限於電網與基建交付進度而非終端需求不足，全球金融體系深度綁定 AI 實驗使其具備極強的剛性推力

白宮政策確立以產業自律取代硬性限制，消除了資料中心建設與晶片供給遭政策干預的隱憂。$NVDA 銷售路徑通暢與各家大模型對算力軍備競賽的投入，為整體 AI算力 需求提供制度性保障。政策監管轉向自律確立了算力基礎設施擴建的合規空間，算力鏈擴張趨勢未受政治因素干擾

當前市場算力採購高度聚焦於語言模型，但世界模型崛起將開啟實體物理空間與 機器人 自動化的全新算力週期。提前將世界模型演算法與次世代處理器深度協同，是打破單一運算範式並構建全棧算力壁壘的核心驅動力

高利率環境下具有高自由現金流與訂價權的算力龍頭抗震能力最強，龐大回購額度進一步提供下檔支撐。AI 算力龍頭兼具造血能力與生態系護城河，估值修正反倒提供長期耐心佈局的機會

美債殖利率突破 5% 之際 美股大盤 未崩潰，核心關鍵在於 AI 資本支出與應用爆發帶來龐大獲利增長預期。市場對科技獲利增速的信心抵銷了估值壓縮效應，成為美股抗跌的最主要支柱

市場擔憂開源模型能以極低研發成本持續緊咬閉源頂尖模型，進而衝擊 AI 與算力類股，此類焦慮如同 2025 年初 R1 發布後屬短期過度反應。隨著閉源大廠透過加密區塊與上下文綁定徹底防堵思考鏈蒸餾，摘要重構無法提供同等訓練訊號，開源開發者必須轉向自主投入強化學習與合成數據。開源模型低成本追趕難以持久且差距預期重新擴大至 6 到 12 個月，自主研發使 AI算力 剛性需求不減反增

AI算力 的長線競爭核心正由單一基準跑分，轉向誰能在標準確立前定義下一代運算工作負載。從文字序列進入空間智慧與機器人模擬，將使運算範式從高吞吐量轉向極低延遲與複雜物理推論。未來 AI 算力的決勝關鍵已不再僅是晶片運算速度，而是硬體業者能否向上延伸至模型端共同定義下一代運算架構。

主動式自主代理人具備自主喚醒與全天候監控能力，背景代幣消耗密度遠超僅在提示時運行的傳統對話工具，使總體算力需求呈幾何級數爆發。面對 3 至 4 個月的新增算力交付前置期，業者透過客製化推論部署架構為批次任務壓榨出 3 到 8 倍的運算效率，以極低成本提供前沿級智力。原生主動式代理人的普及將引爆遠超當前市場預期的背景推論算力需求，推論架構的形狀客製化是突圍算力瓶頸的關鍵防線

面對稀疏注意力帶來的記憶體容量壁壘，單純依賴晶片內顯存已不足以支撐高吞吐長序列推論，結合跨層重疊預取的階層式調度成為算力擴展的核心路徑。透過在層間無縫換入換出 KV 快取，推論系統得以在有限硬體下實現顯著吞吐倍增。系統級記憶體優化與硬體協同架構已成為決定稀疏注意力模型實際推論算力效率的關鍵瓶頸

代理推論架構正迅速由單純拼峰值吞吐走向即時互動性與首字延遲的多維度平衡，不同硬體架構與軟體編譯器展現出鮮明的細分市場分工。無論是 vLLM 的 CUDA graph 解碼優化使 TPOT 降至 22ms，或 ATOM 分塊預取大幅壓低延遲，軟硬體深度融合持續拓展單卡能效極限。代理推論市場的競爭重心已從單純每秒 Token 數轉移為兼顧首字延遲與長上下文歷史重用的綜合系統效率

DeepSeek 稀疏注意力機制透過輕量索引器與 MLA 模式切換突破了長文本注意力運算的瓶頸，在短序列使用 MHA 模式而在長序列切換至 MQA 模式以降低 記憶體 加載壓力。GLM-5.2 的 IndexShare 更證明了跨層共享索引資訊能在極低精度損失下大幅釋放算力。稀疏注意力層級共享與演算法剪裁已證明能同時削減四分之三的運算負擔並維持頂級模型的長序列表徵能力

車載 AI 晶片從通用 半導體 架構轉向特定場景客製化，但神經網路模型快速膨脹使 記憶體 頻寬與散熱功耗成為硬體物理瓶頸。特斯拉將 AI4 晶片同時部屬於車端與伺服器仿真，並以 AI5 取代 Dojo 訓練叢集。算力需求的指數級擴張迫使車企在晶片自研、記憶體規格與 先進封裝 間承受極高的研發試錯成本

資金並未撤出 AI 板塊，而是自 $NVDA 的 GPU 明顯輪動至以 CPU 為主的運算架構，且具漲價定價權的供應鏈持續強勢。AI 助手推論運行重度依賴 CPU 運算，推動具備賣方定價權與簽訂長期確定性合約的硬體廠商全面重估

OpenEvidence 在醫療領域獲得大量專業醫生高頻諮詢，印證 AI應用 價值正從底層模型往高價值垂直領域擴散。應用公司在收購條件中要求算力保障，凸顯算力資源在專業落地過程中的關鍵地位。高頻專業應用的普及將推動算力需求從階段性訓練進一步延伸為長期持續的推理需求

AI 負載從單純的大模型訓練與集中式推論，逐步延伸至大量消耗 CPU 與通用 記憶體 的邊緣代理執行層，催化分散式節點架構需求。代理工作負載的興起揭示算力第二重稀缺，邊緣架構與通用儲存成為全新擴張主軸

模型廠商透過快取優化與架構改進使推論成本大幅走低，未來 TPU v8 與 Vera Rubin 放量將推動單位推論成本進一步下行。推論成本持續下探並非需求萎縮，反而刺激多步驟代理與各類 AI應用 負載放量，帶動整體算力需求持續擴張

市場一度擔憂極速且低價的決策模型將嚴重侵蝕 LLM 的推論需求與整體算力消耗。實證分析顯示 Jev 僅處理固定集合的流程判斷而無法生成文字，且量產普及率極低，對 LLM 與整體 AI算力 需求的實質衝擊相當有限

xAI 雖在 Grok 4.7 的通用基準與性價比未達市場期待，但背靠 SpaceX 的強勁現金流，同時握有 X 平台的專屬資料、充足算力儲備與優秀人才團隊。短線模型迭代受制於後訓練時間不足，但在前沿算力競逐中仍具備追趕最前線的完整資源。SpaceX 與 xAI 同時擁有龐大算力、真實資料與充沛資金三大要素，前沿模型的長期研發實力不容忽視

軟銀旗下 SB Energy 因估值偏高與客戶過度集中延後 IPO，疊加電力與環保抗議使資料中心建設面臨瓶頸。短期內 半導體、伺服器 與電力設備訂單兌現節奏恐往後遞延並帶來回調壓力，但只要整體產業大邏輯未變，長期動能依舊充足。資料中心短線阻力雖可能造成訂單遞延與震盪，但適度讓市場維持理性反而有助於抑制泡沫過熱

每人專屬虛擬機運算大幅改寫算力消耗模式，一次跨平台比價可能觸發破百次搜尋，每天數十億 token 的代理負載讓算力需求走出第二條曲線。代理式運算徹底擺脫純模型訓練的單一敘事，為伺服器處理器、快取儲存與邊緣網路注入長期擴張動能

高利率壓制重資產資料中心籌資能力，工程或營運延誤將大幅侵蝕回報率。投資佈局應以本業具備充沛現金流印鈔機的科技巨頭為首選，藉由既有獲利支應次世代 AI基建 投資。高利率環境凸顯資產負債表實力，AI 投資應聚焦現金流穩健的科技巨頭而非高負債重資產新創

上游算力租賃價格調漲，下游 OpenAI 與 Anthropic 卻發動永久性價格戰腰斬 token 售價，利潤空間遭受擠壓。閉源模型價格割喉戰加速展開，強化了短期市場價值從賣 tokens 的模型層移向 AI基建 算力中心的趨勢

市場對 GB300 與次世代伺服器的 6 年折舊假設缺乏二手殘值定價能力支撐，貸款償還期與會計折舊脫節導致放款機構審核趨嚴。然而超大規模算力擴建仍獲華爾街債務與資本市場大舉注資，前沿巨頭數百億美元級別的算力合約持續推升基建動能。以投資級客戶合約質押與硬體收益保底為核心的金融工程正重塑 AI 基建擴張節奏，確保大規模資本開支具備持續閉環能力。

全球僅 19 家雲端廠商達到獎牌級別，CoreWeave 與 Nebius 憑藉深厚工程積累與定價權位居白金級，微軟 $MSFT 與亞馬遜 $AMZN 則因可靠性或架構繁複分別落入白銀與青銅級。代管叢集並未隨前沿巨頭自建而萎縮，反而受開源模型推論與新創融資驅動而持續爆發。整體代管 GPU 算力仍處於高定價權的賣方市場，供應端任何瓶頸都將使具備高可靠性與自動化維運能力的優質雲端商持續享有溢價。

$NVDA 逼近關鍵壓力區且杯柄型態逐步完成，雖客戶端如軟銀與 $ORCL 面臨龐大發債與融資槓桿風險，但高階晶片租金殘值堅挺。AI 算力遵循傑文斯悖論，成本降低與技術突破只會引爆更大規模的算力擴張需求

光通訊晶片新引擎面臨博通 $AVGO 與輝達 $NVDA 等巨頭強烈競爭，且雲端大客戶以認股權證分享利潤造成股東稀釋。AI 互連與晶片新架構驅動廠商更換引擎，但在大客戶集中度過高與強敵環伺下，各家面臨毛利率壓縮與份額瓜分的實質挑戰

阿里巴巴 $BABA 公布真武 V900 自研晶片與 2032 年 20GW 資料中心藍圖，自研算力佔比未來將由 10% 提升至近半以壓制 CapEx 成本。自研晶片與資料中心深度綁定有助壓低單位算力成本，形成全棧 AI 自給自足的商業閉環

推論端需求爆發不依賴訓練是否放緩，且推論任務成倍放大帶動晶片架構對 CPU 與 GPU 的協同倚賴。推論端算力進入實質放量期，硬體需求從單純訓練叢集擴展至全面性的異質運算基建

AI 代理普及推升推論運算爆炸性成長，硬體需求從單純 GPU 訓練叢集轉向高度協同的 CPU 推論架構。推論端算力需求具象化大幅提前，帶動晶片產業開啟異質架構與伺服器處理器的全新擴張週期

MoE 推論將計算分流為 Prefill、Midfill 與 Decode 等異質負載，Decode 階段因 KV 讀取私有化而無法透過堆疊 Batch Size 獲得傳統規模效益，反而推高延遲。MoE 推論的最優操作點在於解耦各階段負載並在 Decode 端維持小 Batch 運行，以極大化高經濟價值的互動性 Token 輸出

未來 AI 系統將演進為三層分工：大型語言模型專注深層推理與生成、JEV 類模型專注高頻快速決策、傳統程式落實確定性精準執行。決策專用架構大幅降低推論成本與延遲，將加速 AI Agent 普及並進一步推升底層 AI算力 總體消耗量