← 回阿法觀點
阿法觀點

AI 算力賽局迎來邊際效益拐點：從資本密集的暴力擴充，走向極致推論效率與邊緣應用爭霸

發佈於 2026.08.27
資料來源 · 21 集 podcast、0 則網路來源
參考 Podcast

過去兩年，全球資本市場沉溺於訓練端算力的暴力堆疊與雲端資本支出的無限膨脹。然而隨著優質數據與電力資源雙雙撞牆，算力擴充的邊際效應顯著遞減，市場關注焦點正全面轉向推論端的單位經濟效益。當資本效率取代單純的硬體堆疊成為新顯學，具備邊緣落地、軟硬體整合及極致成本壓降能力的生態系，將成為下一階段決定勝負的核心主軸。

推論效率引爆算力範式轉移

隨著模型訓練遭遇數據牆與電力天花板，AI 產業正從 Pre-training 的暴力擴充，快速轉向以 Test-time Compute 為核心的推論革命。在背景 Agent 與深層推理需求大增下，市場對 Token 的採購標準從極致低延遲轉向每 Token 生產成本（Cost per Token）。雲端巨頭（CSP）為了壓降營運成本，除了採購博通（AVGO）或台積電（2330.TW）代工的客製化晶片（ASIC）外，更加速推動客戶自研工具（COT）模式。值得對照的是，市場雖看好 CPO（共同封裝光學）技術解決傳輸功耗，但 LPO 與 1.6T 可插拔光模組的技術突破延緩了替換迫切性，且 CPO 一旦單點光晶片損壞可能導致整顆昂貴 GPU 報廢的良率與維修成本痛點，仍是 CSP 大規模部署時的隱憂。

實體瓶頸重塑電網與基建版圖

算力設施的擴建已非單純的資金競賽，而是演變為地緣政治、地方社區許可與實體電網的硬性瓶頸。AI 資料中心瞬間產生的電力脈衝，促使儲能系統（ESS）與電網升級需求爆發，華城（1519.TW）、士電（1503.TW）與 Eaton（ETN）等重電設備商訂單能見度拉長。延伸研究顯示， DeepSeek-R1 等開源推理模型展現出極高的算法優化效率，將訓練成本壓降至約 600 萬美元，推論 Token 成本僅為同級模型的幾十分之一；若此類高效架構普及，科技巨頭每年數千億美元 CapEx 的回收期過長問題（Sequoia 所指出的 6000 億美元問題）恐誘發雲端硬體拉貨節奏放緩。此外，高功率電源管理領域如台達電（2308.TW）與 Monolithic Power（MPWR）雖受惠於 Blackwell 世代的 1000W+ 功耗需求，但若邊緣 AI 快速崛起走低功耗路線，超高功率被動元件的成長斜率亦需理智看待。

工作流升級與資產配置再平衡

AI 工具普及雖然大幅縮短財報分析與數據擷取的時間，卻也導致公開資訊產生的超額報酬邊際效益遞減，市場勝負轉向社群實時訊號判讀與人為風險控管。在資本市場定價上，美債實質利率居高不下與科技巨頭發債競價，正考驗著高估值科技股的評價韌性。最新 13F 申報數據顯示，大型機構開始調節高溢價賣鏟股，轉向加碼具備高 ROIC 的非 AI 優質資產或具有實體數據飛輪的應用端企業，例如特斯拉（TSLA）透過 FSD V15 與 Robotaxi 打造實體 AI 生態，以及寧德時代藉由 LRS 輕資產授權避開地緣政治風險。投資人應建立「動能交易嚴設停損、優質資產價值佈局」的雙軌紀律，以因應資產評價的新常態。

往期阿法觀點