AI四巨頭的資本支出軍備競賽（下）
AI資本支出下受惠產業鏈解析
0. 引言：AI 真的是一場科技革命嗎？
在過去兩年中，全球資本市場最熱門的關鍵字無疑是 AI從 ChatGPT 的橫空出世，到 NVIDIA 市值突破數兆美元，再到 Microsoft、Amazon、Google 與 Meta 每年投入數千億美元建設 AI 資料中心，市場似乎已經形成共識：AI 將改變世界。
然而，多數投資人對 AI 的理解，仍停留在應用層。使用者討論的是聊天機器人是否更聰明、生成的圖片是否更逼真、AI 是否會取代人類工作，或哪一家科技公司將成為下一個贏家？
這些問題固然重要，但它們都指向同一個假設：AI 是一種軟體的應用。但我們想如果這個假設成立，那麼 AI 革命本質上只是過去幾十年軟體產業升級的延伸。
需NVIDIA CEO Jensen Huang 於 2026 年初多次闡述，並在 3 月 NVIDIA 官方部落格系統化整理 AI 五層蛋糕架構。他認為：AI 正在成為現代世界的新型基礎設施（Infrastructure）。
這個觀點看起來似乎簡單，但有可能徹底改變我們理解 AI 的方式。回顧人類經濟發展史，每一次重大技術革命的背後，都存在一項關鍵基礎設施。
十九世紀的工業革命建立在煤炭與鐵路之上。
二十世紀建立在電力與石油之上。
二十一世紀初則建立在網際網路與雲端運算之上。
而 AI 的出現，正在催生另一套新的基礎設施系統。我們可以看見這套系統的目的不再只是傳輸資訊，而是生產智慧（Intelligence）。
在過去，工廠將能源轉化為產品。
而在今天，AI Factory 正在將能源轉化為智慧。
每一次模型推理（Inference）、每一個生成的 Token、每一次 AI 回答問題的過程，背後都涉及電力供應、晶片運算、資料中心、模型訓練與最終應用。所以，AI 並不是單一產業。它是一條從能源延伸到智慧，再從智慧延伸到生產力的完整價值鏈。
這也是為什麼 Microsoft、Amazon、Google 與 Meta 的資本支出正以前所未有的速度成長。(延伸閱讀：AI四巨頭的資本支出軍備競賽(上)）
在上篇說我討論到它們投資的並不只是伺服器。它們正在建造新的發電能力、新的資料中心、新的運算平台，以及未來數十年支撐全球經濟運作的智慧基礎設施。如果上一篇文章探討的是：AI 四巨頭究竟投入了多少資本支出？那麼下篇更重要的問題是：當這些數千億美元的資本支出開始流向市場，它們最終流向了哪裡？
為了回答這個問題，我們需要先理解 Jensen Huang 所提出的「AI 五層蛋糕（AI 5-Layer Cake）」。因為這是一張描繪未來十年智慧經濟如何運作的地圖。
1. AI 的五層蛋糕：從能源到智慧的基礎設施地圖
1.1 第一層能源層：智慧的燃料（Fuel of Intelligence）
在 Jensen Huang 提出的 AI 五層蛋糕中，能源被放在最底層，而且是刻意位於晶片之前。
在過去的幾年中，資本市場習慣將 AI 視為半導體產業的延伸，因此投資人的注意力幾乎都集中在 GPU、先進製程與高速記憶體。然而，當 AI 從模型競賽逐漸演變為基礎設施建設之後，市場分析師開始意識到一個問題：
AI 的真正限制條件，可能不是算力，而是能源。
從第一性原理來看，每一次模型訓練、每一次推理運算，以及每一個生成的 Token，都是將每度電力轉換為人工智慧的過程。換句話說，智慧是建立在真實世界的能源供應之上，而非憑空產生。
這也是為什麼 Jensen Huang 將能源稱為 AI Infrastructure 的 First Principle。
根據國際能源總署（IEA）估計，全球資料中心用電量將從 2024 年約 415 TWh 增加至 2030 年約 945 TWh，成長幅度超過一倍。在美國等成熟經濟體中，資料中心甚至可能占未來新增用電需求的近一半。
更值得我們關注的是，IEA 指出約 20% 已規劃中的資料中心專案，可能因為電網建設不足而面臨延遲風險。
這意味著 AI 的主要瓶頸正在發生轉移。
過去的瓶頸是沒有足夠的 GPU；未來的瓶頸則可能變成：沒有足夠的電力可以驅動 GPU。因此，能源產業正在從 AI 敘事中的配角，逐漸成為整個智慧生產鏈的核心環節。
第一組受惠者：電力基礎建設
當市場討論 AI 用電需求時，可能最先受惠的未必是發電廠，而是負責將電力送到資料中心的基礎設施供應商。
過去被視為傳統工業設備的產品，例如：
變壓器（Transformer）
開關設備（Switchgear）
UPS 不斷電系統
PDU 配電系統
電纜（Cable）
電力監控系統
正在從資料中心的附屬配套，逐漸變成決定資料中心能否如期上線的關鍵環節。如果沒有 GPU，資料中心無法運作。但如果沒有電力系統的配合，即使 GPU 已經安裝完成，也無法產生任何價值。
這也是近年來 Vertiv、Eaton、Schneider Electric 等公司的估值邏輯出現重大改變的原因。市場購買的不再只是設備。而是資料中心的交付能力（Deliverability）。
第二組受惠者：發電與低碳能源
另一個逐漸受到市場重視的領域，是新增電力供給。
科技巨頭如今面臨的問題：如何在最短時間內取得足夠且穩定的電力？因此市場在這兩年開始重新評價核能、公用事業與再生能源資產。
IEA 預估，未來十年新增資料中心用電需求中，約有一半將由再生能源供應；同時天然氣與核能發電也將同步成長。特別是小型模組化反應爐（SMR），被視為下一階段 AI 資料中心的重要潛在能源來源。
對 Microsoft、Amazon、Google 與 Meta 而言，
未來競爭的重點可能不再只是擁有多少 GPU，而是：誰能最可靠、最快速地取得新增電力。
AI 的終點是電力
在 AI 發展初期，最大的經濟租主要集中在晶片與記憶體。然而隨著算力供給逐漸增加，市場開始將焦點轉向另一個問題：誰能支撐下一座 AI Factory 的運作？
從投資角度來看，能源與電力基建屬於典型的第二階段受惠者（Second-order Beneficiaries）。
它們不像 GPU 供應商那樣立即受惠於 AI 熱潮，但當資料中心建設進入大規模落地階段之後，電力供應、併網能力與能源基礎建設的重要性將持續提升。
如果說 AI 工廠正在生產智慧，那麼能源系統就是整座工廠的燃料來源。而在未來十年，掌握能源供應能力的企業，很可能掌握智慧經濟最重要的底層資產。
綠色和平組織代表張皪心於在日前的「兆元宴」前夕，向黃仁勳贈送了一個寫有「AI Needs Renewable Energy（AI需要再生能源）」的物理五層蛋糕 。綠色和平在最新發布的《NVIDIA的綠色幻象（Nvidia’s Green Illusion）》報告中指出，隨著輝達營收呈爆發式成長，其總體碳排放量在2023年至2025年間暴增了 93% 。而輝達前二十大硬體製造夥伴中，有一半以上的關鍵硬體代工與晶片生產均位於台灣，台灣目前的電力供應結構仍高度依賴化石燃料。
隨後，廣達電腦（Quanta）亦在展區內向黃仁勳端出象徵「AI獲利上不封頂」的 AI 五層蛋糕，凸顯了能源問題已成為科技巨頭與代工大廠無法迴避的共同課題 。
1.2 第二層晶片層：智慧的引擎（Engine of Intelligence）
晶片就是將燃料轉換成智慧的引擎。在 Jensen Huang 的五層蛋糕架構中，晶片位於能源之上。這並非只是產業鏈位置的安排，因為AI 的本質，是將電力轉換為智慧；晶片正是完成這項轉換的核心裝置。
過去數十年，半導體產業的主要任務是提升通用運算能力。但生成式 AI 的出現，改變了運算需求的本質。
大型語言模型不再依賴少量高頻率運算，而是需要數萬甚至數十萬顆處理器同時運作。因此，AI 工作負載對於平行運算、高頻寬記憶體以及高速互連的需求遠高於傳統資料中心。
這也是為什麼 GPU、HBM、ASIC 與先進封裝成為 AI 時代最重要的戰略資產。從投資角度來看，這一層同時也是目前整個 AI 基礎設施鏈中經濟租（Economic Rent）最集中的區域。
因為在所有參與者之中，晶片供應商最接近技術瓶頸，也最接近定價權。
第一組受惠者：AI 加速器與 GPU
目前市場最熟悉的 AI 受惠族群，仍然是 GPU 供應商。過去兩年，NVIDIA 幾乎成為 AI 革命的代名詞。原因並不單只是因為它擁有最強大的晶片，還包括了 AI 模型訓練與推理所需的運算架構，幾乎都是圍繞 NVIDIA CUDA 生態系建立。
但值得注意的是，AI 晶片市場已不再只有 GPU。
隨著 Microsoft、Google、Amazon 與 Meta 持續追求更高效率與更低成本，客製化 ASIC（Application Specific Integrated Circuit）正快速崛起。這些專用晶片雖然缺乏 GPU 的通用性，卻能在特定工作負載下提供更高效能與更佳能耗比。
因此，未來 AI 晶片產業的競爭，將不再只是 NVIDIA 與 AMD 的競爭。很有可能會是GPU 與 ASIC 的雙軌發展。這也是 Broadcom、Marvell 等企業近年快速成長的重要原因。
第二組受惠者：先進製程與先進封裝
然而，再強大的晶片設計，如果無法量產，也無法創造價值。因此 AI 時代另一個重要瓶頸來自於製造能力。目前先進 AI 晶片幾乎都依賴：
3nm 以下先進製程
CoWoS 先進封裝
Chiplet 異質整合
其中最具代表性的企業便是台積電。在 AI 浪潮出現之前，資本市場將晶圓代工視為製造業。但 AI 時代之後，台積電可以說是整個智慧生產鏈的關鍵樞紐。因為沒有先進製程，GPU 無法誕生。沒有 CoWoS，HBM則無法與 GPU 整合。沒有良率，智慧就無法被大規模生產。
從這個角度來看，台積電並不只是半導體代工廠。我們可以說它更像是 AI 時代的智慧鑄造廠（Intelligence Foundry）。
第三組受惠者：高頻寬記憶體（HBM）
近年 AI 晶片效能快速提升，但真正限制系統速度的，不是計算能力，而是資料傳輸速度。因此 HBM（High Bandwidth Memory）逐漸成為整個產業鏈最重要的瓶頸之一。
目前市場主要供應商包括：
SK hynix
Micron
Samsung
其中 SK hynix 已取得明顯領先地位。更重要的是，HBM 與傳統 DRAM 有本質上的不同。它是直接決定 AI 系統效能的關鍵零組件。因此記憶體產業正在發生結構性改變。所以，今天：誰能提供最先進 HBM，誰掌握定價權。這也是為什麼許多機構認為 HBM 的更換週期甚至快於傳統設備折舊週期。
AI 最大的經濟租仍集中在晶片
從目前產業結構來看，AI 資本支出的第一站仍然是晶片。無論是 GPU、ASIC、HBM、先進製程還是先進封裝，都屬於技術門檻極高、競爭者極少且供給相對有限的領域。
這也是為什麼目前整個 AI 產業鏈中：
毛利率最高
盈餘彈性最大
經濟租最厚
的企業，仍然集中在這一層。然而，這並不代表晶片將永遠是唯一的受惠者。因為當算力供給逐漸增加之後，市場的焦點將開始轉向另一個問題：如何把幾萬顆晶片組合成一座能夠穩定運作的 AI 工廠？而這正是下一層——基礎設施（Infrastructure）——所要解決的問題。
1.3. 第三層基礎設施層：智慧工廠（Factory of Intelligence）
基礎設施就是生產智慧的工廠，這也是 Jensen Huang 在文中最重要的觀點之一。
過去二十年，資料中心（Data Center）的主要任務是儲存與傳輸資訊；但在生成式 AI 時代，資料中心的角色正快速轉變為 AI Factory——一種以生產智慧（Intelligence）為目的的新型工業設施。
其核心價值不再是保存資料，而是透過數萬至數十萬顆 GPU 的協同運算，持續產生推理能力（Inference）與模型智慧。在此架構下，AI Factory 更像是一座現代化發電廠或煉油廠，其輸入為能源與算力，輸出則是智慧與生產力。
第一組受惠者：AI 伺服器代工（Server ODM）
當 AI 叢集規模從數千顆 GPU 擴張至數十萬甚至百萬顆 GPU 時，單一晶片的效能已不再是主要瓶頸。真正決定 AI Factory 能否如期交付的，是整機櫃（Rack）與 POD 級系統的整合能力。
隨著 NVIDIA GB200 NVL72 以及下一代 Rubin 架構逐步導入，產業已開始從傳統伺服器出貨模式轉向 Rack Scale 與 POD Scale 架構。這表示ODM 廠商不再只是組裝伺服器，而是必須同時整合：
GPU
HBM
電力供應系統
液冷散熱系統
高速網路
軟體管理平台
目前全球 AI Server 市場主要由以下幾間台美廠所主導。：
鴻海（Foxconn）
廣達（Quanta）
緯穎（Wiwynn）
緯創（Wistron）
Super Micro
Dell
未來隨著 AI Factory 持續大型化，ODM 的角色將從傳統代工廠逐漸演變為智慧工廠建設商（AI Factory Builders）。
第二組受惠者：高速傳輸與光通訊（Networking & Optical）
當 AI Factory 開始部署數十萬顆 GPU 時，可見資料移動的重要性往往超過資料運算本身。所以系統效能的限制因素不再只是 GPU 算力，反而是：
頻寬（Bandwidth）
延遲（Latency）
功耗（Power Efficiency）
因此，高速交換器與光通訊正逐漸成為 AI 基礎設施最重要的組成之一。同時，共封裝光學（Co-Packaged Optics, CPO）亦從技術驗證走向早期商用導入階段。
相較於傳統可插拔光模組（Pluggable Optics），CPO 可將光引擎直接整合至交換晶片旁，大幅降低資料傳輸功耗與散熱需求。未來 AI Factory 的競爭，某種程度上將是：誰能以最低能耗搬運最多資料。
主要受惠者包括：
Arista Networks
Cisco
Broadcom
Marvell
Lumentum
以及相關光通訊供應鏈。
第三組受惠者：高階 PCB 與先進材料（Advanced PCB & Materials）
當資料傳輸速率提升至 800G、1.6T 甚至更高時，訊號完整性（Signal Integrity）開始成為新的技術門檻。因此：
高密度多層板（HDI PCB）
超低損耗銅箔基板（Low Loss CCL）
高頻高速材料
逐漸成為 AI Server 不可或缺的基礎元件。雖然此類企業通常不具備 GPU 廠商的定價權，但卻是支撐 AI Factory 高速運作的重要基礎設施。
AI Factory 正在取代 Data Center
這些Infrastructure 層能決定的是智慧能否被大規模生產。Jensen Huang 將資料中心重新定義為 AI Factory，其背後真正想表達的是：AI 已經從軟體產業，逐漸演變成一場工業化建設（Industrial Buildout）。
而伺服器、網路、光通訊、電力管理與散熱系統，正是這場基礎設施革命中不可或缺的核心組件。
1.4. 第四層模型層：智慧的作業系統（Operating System of Intelligence）
模型（Models）就是將運算轉化為智慧的核心引擎。在 Jensen Huang 的五層蛋糕中，模型位於 Infrastructure 與 Applications 之間。
因為模型本身並不直接創造經濟價值。真正的價值是來自於模型如何將底層算力轉換成可被企業與社會大眾使用的智慧能力。模型比較像是 AI 世界的作業系統（Operating System），而不是最終的產品。它連結了龐大的基礎設施投資與最終應用場景。
大型語言模型只是起點
過去兩年，市場對 AI 的認知幾乎等同於大型語言模型（LLM）。從 ChatGPT、Gemini 到 Claude，多數討論都圍繞在文字生成能力。
然而 Jensen Huang 認為，語言模型只是 AI 模型家族中的其中一員。未來更具變革性的模型，可能會來自於不同的模型，像是：
生物學（Biology Models）
化學（Chemistry Models）
物理模擬（Physics Models）
機器人模型（Robotics Models）
自主系統（Autonomous Systems）
其共同特徵在於：它們不能只是理解語言；也要開始理解真實世界或人機互動的運作規則。因此 AI 的未來，可能是更好的藥物研發平台、更精準的材料設計系統、更強大的機器人控制模型與更安全的自動駕駛系統。
開源模型正在改變產業結構
模型層另一個重要變化，是開源模型（Open Source Models）的快速崛起。過去市場普遍認為：最強大的模型將由少數科技巨頭壟斷。
然而近年來，不論是Meta 的 Llama、DeepSeek-R1、Mistral、Qwen 等模型快速發展，都使得先進 AI 能力逐漸普及。這在在改變整個產業的競爭邏輯：模型本身的價值正在下降，但模型的使用量卻快速上升。
從經濟學角度來看，這是一種典型的 Jevons Paradox（傑文斯悖論）。當效率提升、成本下降時，總需求反而會增加。
因此，開源模型並沒有削弱 AI 基礎設施需求。反而進一步刺激前面三層的需求成長。這也是 Jensen 特別點名 DeepSeek-R1 的原因。它不但是模型競爭者；也是整個 AI 生態系需求擴張的催化劑。
AI 世界的新作業系統競賽
模型之間的競爭，就是新一代作業系統之爭。過去四十年，全球科技產業曾經歷：
Windows
Linux
Android
iOS
等許多使用者平台競爭。而今天市場正在見證另一場平台戰爭。主要參與者包括：
OpenAI
Anthropic
Google DeepMind
xAI
Meta
DeepSeek
這些企業競爭的不只是模型能力。也在爭奪未來 AI 生態系的標準制定權。誰能建立最大的開發者生態系、最強大的工具鏈、最多的企業導入案例，誰就更有機會成為 AI 時代的基礎平台。
但模型未必是最好的生意
有趣的是，模型雖然位於整個 AI 生態系的核心，卻未必是最容易獲利的環節。原因在於模型能力正在快速商品化，開源模型不斷降低技術門檻，推理成本持續下降，模型之間的差距也逐漸縮小。
因此，它雖然可以決定智慧如何被使用，但未必能獨占全部經濟利益。
從目前產業發展來看，而這些智慧最終能否創造真正的經濟價值，則取決於最後一層蛋糕——Applications。
1.5. 第五層應用層：智慧的價值創造層（Monetization Layer of Intelligence）
應用層（Applications）就是整個 AI 生態系最終創造經濟價值的地方。因為無論底下幾層投入多少資本，都必須回答一個問題：誰願意為這些人工智慧來買單？這是當前 AI 產業最核心的投資命題。
AI 四巨頭正在進行一場前所未有的資本支出競賽
在延伸閱讀文章中，我們分析了 Microsoft、Amazon、Google 與 Meta 的 AI 資本支出軍備競賽。截至目前為止，四家公司每年投入的 AI 相關資本支出已達數千億美元規模。
這些資金流向前面四層當中，因而形成一條龐大的 AI 基礎設施價值鏈。但從企業經營角度來看，投資人及市場關心的是：AI 能否創造足夠回報來支撐這些投資？
換句話說，前面四層是成本中心（Cost Center）。第五層才是收入中心（Revenue Center）。
AI 的最終目是提升生產力
對企業而言真正重要的並不是模型是否更會聊天。
而是：
能否降低成本（比如說取代人工客服？）
能否提升效率（AI客服能全天候服務)
能否創造新的收入來源
因此 AI 的終極戰場並不在模型本身。而是在各個產業中的實際應用。從這樣的觀點來看，AI 的本質應該是一種可被嵌入各種產業流程的智慧能力。未來所有產業，都可能成為 AI 產業。
第一波變現：知識工作者（Knowledge Workers）
目前最成熟的 AI 應用，主要來自知識工作者，包括：
軟體開發
客服中心
行銷內容
金融研究
Microsoft Copilot、Google Workspace AI、Salesforce Agentforce 等產品，都在嘗試將 AI 轉化為企業生產力工具。這也是目前 Microsoft 最積極推動的方向。因為相較於直接販售模型，販售生產力提升方案更容易建立穩定商業模式。
第二波變現：產業 AI（Industrial AI）
下一階段的成長動能，可能來自實體的產業世界。包括：
智慧製造
預測維修
工業機器人
數位孿生（Digital Twin）
供應鏈管理
這也是 NVIDIA 近年持續強調 Omniverse 與 Physical AI 的原因。因為真正龐大的經濟價值，往往存在於工廠、生產線與物流系統之中。一旦 AI 能夠改善：
良率
生產效率
能源使用效率
其創造的經濟價值將遠高於單純生成知識。
第三波變現：自主系統（Autonomous Systems）
從更長期來看，AI 的終極形態可能是自主系統。包括：
自動駕駛
人形機器人
AI Agent
自主決策系統
Jensen Huang 曾形容：自動駕駛車是具備輪子的 AI；人形機器人則是具備身體的 AI。都是為了將數位世界的智慧延伸至物理世界。一旦 AI 開始直接參與勞動力市場，其經濟影響將遠超過過去任何一輪軟體革命。
真正決定 AI ROI 的是第五層
回到投資人的角度，AI 四巨頭投入的數千億美元，最終能否獲得合理回報？這也是華爾街近一年最常討論的問題：AI 的 ROI（Return on Investment）究竟在哪裡？短期來看，
最大的受惠者仍然是前文介紹的資本支出下流受惠產業鏈。但長期來看，真正決定這場 AI 軍備競賽是否成功的，仍然是第五層本身。
因為只有當 AI 能夠持續提升企業生產力、創造新的商業模式，並產生足以覆蓋基礎設施成本的現金流時，前面數千億美元的投資才具有經濟意義。
雖然能源、晶片、AI Factory 與模型，共同構成了智慧的供給端（Supply Side）。而應用層，則是考驗這些智慧是否真正創造價值的需求端（Demand Side）。
這些錢未來能不能賺回來？
也將決定 AI 是否只是另一場科技熱潮，或是真正成為下一個世代的基礎設施革命。
寫在最後
AI 四巨頭的資本支出軍備競賽，表面上是一場科技公司的競爭，實際上卻正在推動一場全球規模的基礎設施建設。
從能源、晶片、AI Factory、模型到最終應用，到Jensen Huang 所提出的五層蛋糕，不只是 AI 產業的架構圖，更是一張智慧經濟的價值地圖。
如果說上一篇探討的是「誰在投入資本支出」，那麼本文回答的則是「這些資本最終流向何處」。
而未來十年最值得關注的，是誰掌握了智慧生產鏈中的關鍵節點。
風險揭露
本文內容僅供學術研究與產業分析交流之用，不構成任何投資建議、招攬或保證獲利之承諾。投資人應依據自身風險承受能力與投資目標，獨立進行研究與判斷。
AI 寫作輔助揭示
本文由作者規劃研究架構、核心觀點與分析框架，並透過生成式人工智慧工具協助生成圖片與文字潤飾。最終觀點與內容均由作者獨立審閱。
參考資料（References）
Jensen Huang (2026). AI Infrastructure and the Five-Layer Cake. NVIDIA Blog.
International Energy Agency (IEA). Energy and AI.
NVIDIA GTC 2025–2026 Keynote Presentations.