台灣造出全球最多的算力，卻是最難買到它的地方 — 這個矛盾如何重塑 AI 產業

台灣幫全球造晶片，台灣的 AI 新創卻排在等候名單的後面。

TSMC 的先進封裝製程（Chip-on-Wafer-on-Substrate，簡稱 CoWoS）是全球 AI 晶片的最後一道工序。Nvidia 的每一顆 Blackwell GPU，在離開台灣之前，都要先通過這個封裝步驟，才算完整。而 Nvidia 已經把 TSMC 超過一半的 CoWoS 產能預訂到 2027 年了。

這些晶片去了哪裡？微軟、Google、Meta、Amazon、Oracle——五家超級算力廠商，幾乎包下了 Nvidia 2025 到 2026 年大部分的 Blackwell 配額。現在，一家台灣的 AI 新創想租一批 H100，等待時間是 36 到 52 週。

Ben Thompson 上週在 MoffettNathanson 媒體、網路與通訊大會上說了一句話，我認為是今年對 AI 產業最精準的診斷：「邊際成本回來了。」

那四個字，不只是在說晶片貴。

---

聚合理論是什麼，為什麼算力讓它失效

Ben Thompson 在 2015 年提出聚合理論（Aggregation Theory）。這個名詞聽起來學術，但核心觀察只有一句話：互聯網讓邊際成本趨近於零，誰掌握用戶關係，誰就掌握市場定價權。

「邊際成本」這個詞需要先解釋。傳統製造業的邊際成本很直觀——汽車廠多生產一輛車，需要更多鋼材、更多人力、更多能源。但互聯網服務不一樣。Google 的搜尋引擎同時服務十億人，多服務一個人的成本幾乎是零；Facebook 多一個用戶，平台的成本也幾乎是零。

這個「趨近於零」的特性，從根本上改變了競爭規則。

Google 是最乾淨的例子。它不寫新聞，不拍影片，不生產任何內容——它只做流量的出入口。當媒體、電商、本地商家在 Google 上增加曝光的邊際成本趨零，供應商大量湧入，競爭激烈。但 Google 掌握的是需求端——使用者——它不需要任何單一供應商，所以廣告費誰說了算，是 Google，不是媒體。

Amazon 電商也一樣。多一個賣家進平台，Amazon 的成本幾乎沒有增加，但買家選擇更多了，離開 Amazon 的理由就更少了。結局是：賣家需要 Amazon，Amazon 不需要任何單一賣家。

這就是「聚合」：在邊際成本趨零的世界，掌握用戶的那一方，最終壟斷整個產業的定價權。

---

算力打破了這個邏輯的基本假設

AI 服務有一個互聯網從來沒有的限制：每一次推論（inference）都消耗真實的算力。

你問 ChatGPT 一個問題，它給你回答，背後需要 GPU 跑運算。算力不是免費的，不可以無限複製，也不是一旦買進就能無限服務所有人的資產——它需要電力、冷卻系統、資料中心，全部是真實的資本支出。

Ben Thompson 在 MoffettNathanson 訪談中說，現在的核心問題不再是邊際成本，而是「機會成本」。一台 GPU 在為 A 客戶跑推論，就不能同時為 B 客戶服務。這在互聯網時代完全不存在——Google 同時服務十億人不需要選擇，因為網頁搜尋的邊際成本趨零。AI 服務需要選擇，因為算力是有限的。

「你無法假設你能服務所有人，」他說，「因為為一組客戶服務，就是放棄為另一組客戶服務的機會成本。」

這不是哲學問題，有真實的資本數據佐證：2026 年第一季，四大超級算力廠商的資本支出合計 $1,120 億美元。Google 更新全年 2026 年資本支出指引，調升到 $1,800 到 $1,900 億美元。這些錢大部分流向同一個地方：算力基礎設施。

算力不再是商品，算力是護城河。

---

AI 時代的三種新聚合模式

算力稀缺之後，「誰掌握定價權」這件事出現了三種截然不同的競爭邏輯。

第一種：算力製造壟斷型（Nvidia 模式）

Nvidia 沒有用戶，沒有平台，也不做任何 AI 服務。但 Nvidia 可以說「這批晶片不賣給你」，而所有人都要排隊。傳統聚合理論的邏輯是控制需求端壓制供應商，但 Nvidia 作為算力的唯一高階製造者，反過來對所有需求方有絕對議價能力。這種壟斷模式在互聯網時代不存在——不靠用戶，靠的是原料控制。

第二種：算力控制型（超級算力廠商模式）

微軟、Google、Amazon、Meta 把自己的角色從「雲端服務商」升級成「算力控制者」。他們提前鎖定 Nvidia 的 Blackwell 配額、自己設計 AI 晶片（Google TPU、AWS Trainium、Microsoft Maia），再以雲端 API 形式賣給下游。互聯網時代他們靠「流量聚合」維持壟斷，AI 時代改靠「算力聚合」。

五家廠商合計持有全球 71% 的 AI 算力，比 2024 年第一季的 63% 繼續往上集中，而且這個趨勢還在持續。

第三種：應用層聚合型（OpenAI、Anthropic 模式）

OpenAI 和 Anthropic 向超級算力廠商租賃算力，試圖在應用層建立足夠的用戶黏性，再靠用戶端規模反向向算力廠商談判。Anthropic 的增長是這個策略最有力的佐證：從 2025 年一月的年化收入 $10 億美元，跳躍到 2026 年四月的 $300 億美元，30 倍的成長速度。但這個模式有一個前提：你要有足夠資本撐過算力成本最高的窗口期，而且要比競爭者先建立護城河。

這三種模式同時存在，而且互相交織——算力廠商既是 AI 模型公司的基礎設施供應商，又是他們在應用層最大的潛在競爭對手。這個雙重角色，在互聯網時代沒有對應的先例。

---

台灣的雙重困境

現在把視角拉回台灣。

台灣是算力供應鏈最重要的製造者，但台灣不是算力的分配者。

TSMC 的 CoWoS 先進封裝是全球 AI 晶片的生產瓶頸。Google 原本計畫 2026 年生產四百萬顆 TPU，因為 CoWoS 產能受限，被迫砍到三百萬顆。Nvidia 的每一顆 Blackwell GPU，從設計到封裝，最核心的製程都在台灣完成——但 Nvidia 拿走了 TSMC 超過一半的 CoWoS 產能，合約鎖定到 2027 年。

台灣的半導體供應鏈確實在這波算力潮中受益，TSMC 的先進封裝收入大幅增長。但這是製造者的受益，不是控制者的受益。台灣賺到的是製程代工利潤，不是算力的定價差額。

台灣的 AI 服務商呢？

國科會和 Foxconn 聯手 Nvidia，啟用了一座配備一萬顆 Blackwell GPU 的 AI 工廠，國網中心規劃五年內達到 280 PFLOPS 算力。這個數字不小——放在三年前，是了不起的建設。但放在現在的全球座標上：四大超級算力廠商 2026 年第一季合計資本支出 $1,120 億美元，Google 一家全年資本支出指引超過 $1,800 億美元。台灣五年算力建設計畫的總規模，大約是這四家廠商一個月的支出速度。

問題不是台灣政府不努力。問題是算力集中到少數廠商的速度，比任何中型算力建設的速度都快。

一家台灣的 AI 新創，目前只有三條路：租用國際雲端（算力成本吃掉利潤）、排隊等 Nvidia 配額（36 到 52 週）、或走向算力效率更高的開源模型路線，用精準換取規模劣勢。這三條路都不輕鬆，但第三條的長期生存機率是最高的。

---

我的判斷：護城河在製程，但風險是真實的

台灣在這個結構轉變中的護城河，在製程，不在應用——而且這個定位不應該被當成壞消息來理解。

沒有 TSMC 幾個關鍵製程節點，全球 AI 資本支出根本無法轉換成算力。這不是誇大，Google 被迫砍 TPU 生產計畫就是直接案例。台灣在算力供應鏈的戰略位置，短期內沒有任何地方可以替代，這個護城河是真實的。

但有一個風險我不想輕描淡寫：台灣的 AI 服務業者，正在以最高成本進入這個遊戲。同一顆晶片的使用成本，台灣本地的 AI 公司遠高於坐在微軟或 Google 資料中心旁邊的美國同行。這不是效率問題，是地理上的結構性劣勢，短期內不會因為努力就消失。

Ben Thompson 說算力稀缺是「暫時的機會成本問題」。我同意它是暫時的，但「暫時」是三年還是七年，目前沒有人知道。在那之前，台灣的算力劣勢是真實的，不是心態問題。

解法不是等待算力民主化，而是在等待期間，把三件事同時做扎實：開源模型的效率路線、台灣製程技術的護城河、和特定垂直應用的深度。台灣在這三件事上都有基礎，只是目前還沒有一個成熟的產業架構把它們整合起來。

---

如果算力稀缺的窗口期還要再延續五年，五年後主導 AI 產業的聚合者，究竟是今天的模型公司（Anthropic、OpenAI），還是始終控制著算力分配的超級算力廠商（Google、微軟）？

這個問題的答案，也直接決定了台灣的 AI 服務業者，應該把最多資源押注在哪一層。