縱橫台股－朱晏民 | AI投資邏輯正在改變：從算力競賽走向效率競賽

　　《縱橫台股》過去3年，全球人工智能（AI）產業的投資邏輯一直十分清晰：誰擁有更多GPU、數據中心和資本開支，誰就能在AI競賽中佔優。因此，資金持續流向GPU、HBM、先進封裝、光通訊及AI伺服器供應鏈，推動相關企業估值屢創新高。

 

　　不過，Meta(US.META)近期發出的信息，或預示AI產業正迎來一個重要轉折。AI能力持續提升，但單位算力成本卻開始快速下降，這很可能意味下一階段的AI投資邏輯，將與過去3年有所不同。

 

　　值得留意的是，Meta的成本下降並非來自削減投資。相反，Meta 2026年的資本開支仍高達1150億至1350億美元，依然是全球最積極投資AI基礎設施的企業之一。但Meta透露出的訊號是，AI使用量雖然持續高速增長，所需新增的硬件資源卻未同步增加，反映整個產業的運算效率正持續改善。

 

　　這背後反映的是，AI競爭的重點已開始改變。過去市場比的是模型規模，如今比的是模型效率。近年MoE、模型蒸餾、稀疏運算及各類模型壓縮技術快速成熟，新一代模型已能以更少算力，達到接近甚至超越上一代模型的效果。當效率提升的速度快於硬件升級，企業可望以用更低的成本提供更好的AI服務。未來，降低AI成本的關鍵，也將逐步由硬件升級，轉向軟件優化、模型架構改善、客製化晶片及系統整合能力。

 

　　另一個正在浮現的趨勢，是AI產業重心正由「訓練（Training）」逐步轉向「推理（Inference）」。過去企業大舉採購GPU，是為了訓練更強大的模型，但隨著模型逐漸成熟，真正的商業化挑戰開始出現在Inference端。無論是AI搜尋、AI Agent，還是企業導入AI應用，每一次運算都需要Inference支援。由於Inference市場規模遠大於Training，因此如何降低每一次「推理」的成本，已比單純追求更高運算效能更為重要。

 

　　Meta近年積極部署自研晶片，其實正反映整個產業方向的改變。過去市場幾乎把AI算力與GPU劃上等號，但隨著「推理」需求快速增加，企業開始發現，不少「推理」工作其實毋須依賴昂貴的GPU。相較之下，客製化ASIC在成本、功耗及運算效率方面更具優勢。因此，Meta、Google(US.GOOG)及Amazon(US.AZFL)積極投入自研晶片，意味未來競爭焦點將逐步由硬體規模，轉向硬體效率。

 

　　另一項值得關注的變化，是Meta開始重新檢視「推理」伺服器的硬件配置。過去市場普遍認為，AI伺服器必須全面採用最高規格硬件，但近期市場甚至傳出，部分「推理」伺服器已由DDR5改用DDR4，這反映AI產業正逐步進入成本最佳化階段。對不少成熟模型而言，樽頸未必在於記憶體頻寬，而是整體系統效率與能源消耗，因此透過適度調整硬件配置，反而更有助降低成本及提升投資回報。

 

　　若比較幾家主要雲端服務商的策略，也可以看出不同方向。微軟(US.MSFT)更著重AI服務收入增長，Google則在成本控制與市場份額之間尋求平衡，而Meta與Amazon更積極降低「推理」成本。換言之，Meta與Amazon目前最關心的是如何降低每次AI服務的單位成本，而微軟則更重視擴大AI業務收入。

 

　　這項轉變，對台灣AI供應鏈同樣具有重要啟示。過去3年，市場聚集的是AI Training基礎建設，因此GPU、HBM、先進封裝及訓練伺服器成為最大受惠者。但若Meta所代表的方向逐漸成為產業主流，未來AI投資將不再只是購買更多硬件，而是如何用更少的硬件創造更大的價值。短期而言，部分AI Training供應鏈的增長速度或有所放緩，但長遠而言，成本下降反而有助AI應用加快普及。回顧PC、互聯網及智能手機的發展歷程，每一次使用成本下降，最終都帶來更大的市場需求。

 

　　對投資者而言，真正值得留意的，已不只是下一代GPU，而是AI成本下降後，哪些產業將率先受惠。客製化ASIC、先進製程、先進封裝、網絡設備、Edge AI、AI PC，以及AI Agent相關應用，均有機會成為下一輪市場焦點。如果說2023至2025年是Training驅動AI投資的階段，那麼2026年至2030年，更可能是「推理」驅動AI商業化的新周期。當AI競爭由算力競賽走向效率競賽，市場關注的焦點也將由硬件規模轉向商業價值，而下一輪AI投資機會，很可能就從這裏開始。《凱基投顧董事長　朱晏民》

 

＊《經濟通》所刊的署名及／或不署名文章，相關內容屬作者個人意見，並不代表《經濟通》立場，《經濟通》所扮演的角色是提供一個自由言論平台。