當全球還在爭論GPT-5何時問世，一場更根本的權力轉移已經在算力基礎設施層悄然發生。SemiAnalysis創辦人Dylan Patel最近拋出一個震撼業界的數字：到2028年，OpenAI與Anthropic兩家公司可能掌握全球70%到80%的新增AI算力，合計規模突破100吉瓦（GW）。這不是單純的市占率問題，而是整個AI產業的競爭格局將被重新定義——算力，正在成為比模型架構更稀缺的戰略資源。
首先，我們必須先釐清這組數字的真實意涵。Patel估計，這兩家前沿AI實驗室在今年初各自擁有約2GW或以下的算力，到年底都將超過5GW，已占今年全球新增算力約30%。明年這個占比可能進一步攀升到40%至50%。但真正驚人的在後頭：由於GB300、TPUv7及Trainium3等新一代晶片的每瓦效能是前代的3到5倍，這些新增算力的實際運算影響，將遠遠超過單純的用電規模所暗示的增幅。換句話說，算力的「質」正在與「量」同步爆發。
【編輯觀點】從產業面來看，這則分析最值得玩味的不是數字本身，而是它暗示了一個殘酷的現實：AI的軍備競賽已經從「模型創新」轉向「基礎設施壟斷」。OpenAI和Anthropic背後各自站著微軟和亞馬遜，這兩家雲端巨頭幾乎掌握了全球最先進的算力集群設計與部署能力。當算力供給高度集中於少數幾家業者，中小型AI新創、學術研究機構，甚至非英語國家的AI發展，都可能面臨「算力天花板」——不是技術追不上，是根本跑不動。這對AI生態的多樣性來說，不是個好徵兆。
資金缺口：5兆美元的融資黑洞如何重塑全球資本市場
如果說算力集中是表象，那資金流動才是真正的底層驅動力。SemiAnalysis的模型推估，2024年至2029年全球AI產業鏈累計資本支出可能超過11兆美元。這數字有多大？對比一下，2023年全球半導體產業營收總和約5,200億美元，11兆美元等於二十年半導體產值的總和。即使微軟、Google、亞馬遜、Meta這些科技巨頭投入約6兆美元的自有現金流，仍有超過5兆美元的缺口需要透過信貸市場融資。
Patel提出一個尖銳的觀察：AI數據中心的高報酬率，將使這些科技巨頭願意接受8%甚至更高的融資成本。這聽起來沒什麼，但背後是嚴重的資金排擠效應——當科技業願意用8%的利率借錢蓋數據中心，傳統製造業的擴廠計畫、中小企業的營運週轉金、甚至個人的房貸需求，將在信貸市場上被徹底邊緣化。說白了，AI的算力擴張正在推高整個市場的資金成本，而這筆帳最終會以升息壓力、債券殖利率走揚的形式，回到每一個人身上。
值得停下來想一下：我們真的準備好面對一個「AI優先、其餘靠邊」的資本配置邏輯了嗎？
算力集中化的雙面刃：效率提升 vs. 市場失靈
從工程角度來看，算力集中有其效率邏輯。超大規模算力集群能降低訓練成本、縮短疊代週期，這對追求AGI的前沿實驗室來說是合理選擇。但從市場結構來看，70%到80%的集中度已經接近「寡占」甚至「獨占」的邊緣。一旦算力供給被少數業者掌控，我們可能面臨幾個風險：
- 定價權扭曲：算力租賃價格不再由市場供需決定，而是由少數幾家業者的策略考量主導。
- 創新多樣性流失：算力取得成本過高將直接扼殺非巨頭陣營的AI研發能量。
- 地緣政治風險：算力分布高度集中於美國西岸，全球其他區域的AI競爭力將被結構性弱化。
話說回來，Patel的預測建立在一個關鍵前提上：AI需求、模型能力及資本支出必須持續高速成長。這三個變數只要任何一個出現逆風——比如監管機構出手干預、能源供應瓶頸、融資成本急升，或模型商業化進度不如預期——算力集中的速度與幅度就可能明顯低於他的推演。這不是機率很低的黑天鵝事件，而是每個環節都正在發生的灰犀牛。
從另一個角度來看，Patel也提出了一個耐人尋味的「非主流」觀點：隨著模型變現效率提高，前沿AI實驗室未必會把新增算力全部投入對外的推論服務，反而可能將更多資源用於內部研究及下一代模型的訓練。這意味著，算力的「軍備競賽」可能會從「誰服務最多用戶」，轉向「誰先跑出下一代模型」。消費者在短期內可能感受不到算力暴增帶來的服務升級，但每隔一段時間突然冒出一個能力躍進的新模型——這或許才是算力集中真正的戰略意圖。
從另一個角度來看，這場算力競賽的真正贏家或許不是OpenAI或Anthropic，而是掌握先進封裝與散熱技術的半導體供應鏈。台積電的CoWoS產能、輝達的GPU架構迭代、甚至是數據中心的冷卻系統設計，都將在這波資本支出浪潮中持續受惠。對台灣讀者來說，關注AI模型的進展之餘，不妨把注意力放在半導體設備、特殊製程化學品、以及散熱模組這幾個利基領域——它們雖然不在鎂光燈下，卻是支撐11兆美元資本神話的真正骨幹。
算力新秩序下，我們該如何重新校準投資與職涯座標
如果Patel的預測方向正確——即便數字有些出入——那未來三到五年的AI產業格局已經大致底定。對企業決策者來說，現在就要開始評估：你的核心業務是否高度依賴外部算力？如果是，供應鏈風險管理不能再只談晶片，更要把算力租賃合約、多雲備援策略放進議程。對個人職涯發展來說，算力集中化意味著AI應用層的進入門檻正在降低（因為API呼叫越來越便宜），但模型研發層的門檻正在急升（因為訓練成本高到只有巨頭玩得起）。這個兩極化的趨勢，將決定你的技能組合應該往哪個方向累積。
最後，與其被動等待算力壟斷格局成真，不如主動追問幾個關鍵問題：監管機構有沒有可能針對超大規模算力集群提出「算力反托拉斯」的框架？開源社群能否發展出更有效率的分散式訓練技術，降低算力集中的必要性？這些問題沒有標準答案，但它們值得每一個關心AI未來的人認真思考。畢竟，算力不應該是少數人的特權，它應該是驅動人類集體智慧的基礎建設。
本文改寫整理自公開新聞來源，原始報導由Yahoo奇摩新聞發布。
常見問題 FAQ
OpenAI和Anthropic真的能控制全球八成的AI算力嗎？
這是SemiAnalysis基於當前資本支出趨勢所做的預測，前提是AI需求與投資持續高速成長。實際情況仍取決於監管政策、能源供給與融資成本等多重變數，並非必然發生的結果。
AI算力集中化對一般消費者有什麼影響？
短期內消費者使用的AI服務可能更穩定、成本更低，但長期若算力過度集中，可能導致服務選擇減少、價格由少數業者主導，創新多樣性也將受到壓縮。
台灣在這波AI算力擴張中有哪些機會？
台灣在半導體先進製程、封裝測試、散熱模組與伺服器代工等領域具備關鍵優勢，是全球AI基礎設施供應鏈不可或缺的一環，相關產業將持續受惠於這波資本支出浪潮。
中小型AI團隊如何因應算力被大廠壟斷的趨勢？
建議優先採用雲端按需租用模式，並積極參與開源模型社群，降低對自建算力集群的依賴。同時可聚焦垂直應用與資料稀缺領域，避開與巨頭在通用模型上的正面競爭。
Patel的預測跟其他分析機構有什麼不同？
他的觀點較為大膽且集中，強調算力將高度集中於兩家實驗室，同時點出資金排擠效應對總體經濟的衝擊。其他機構多半預測算力分布會更分散，且較少討論資本市場的連鎖影響。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。