FOMO研究院電子報

今年要加息了？記憶體需求減半？AI PC時代到來？ - KP思考筆記(第45期)

KP@FOMOSoc — Sat, 06 Jun 2026 03:37:45 GMT

大家好，我是 KP，歡迎來到第 45 期的《週末思考筆記》。

星期五，市場風雲突變，基本上呈現了全線下挫的態勢。這種下跌是典型的「Beta 式下跌」，高 Beta 的標的跌幅深一些，低 Beta 的則相對抗跌。

這種「無差別下跌」顯然是由宏觀因素驅動的。由於非農就業數據異常強勁，市場情緒迅速轉向，開始對年底可能發生的「加息」進行定價。

提到加息，最近期的肯定是慘烈的 2022 年。

但我們要明白，2022 年之所以是災難性的，是因為加息的幅度與持續時間都超出了預期。

這裡我們需要做一個邏輯拆解：

如果你判斷這將是另一場漫長且劇烈的加息週期，那麼 2022 年的教訓就是最好的教科書。

但如果你認為這可能只是一次性的微調，甚至根本不會發生，那麼下一個問題就是：

你覺得市場會怎麼想？而你打算如何反應？

在市場處於超買區間這麼長一段時間後，任何風吹草動都可能引發劇烈的短期回撤，很多資金都在尋找一個合理原因獲利了結。如果要我猜的話，進一步下探尋找支撐的機會確實不小。

這時候，投資者最常面臨的抉擇就是：到底要不要「擇時（Timing the market）」？還是選擇「硬扛」？

「擇時」聽起來很美好，如果你精準逃頂，確實能避開跌幅。但現實是，「何時重新進場」往往比「何時離場」更難。

如果你判斷錯誤，市場只是經歷了一個極短暫的小回撤就迅速 V 轉，你很可能會陷入更痛苦的 FOMO（恐懼錯過）情緒中，最終被迫在高位追回來。

事實上，波動（Volatility）是每一位權益投資者必須支付的「入場券」。

這是投資股票的本質，你不可能在拒絕接受 10% 甚至更多回撤的同時，卻期待獲得 50% 甚至 100% 的回報。

如果你持倉相對集中，那麼過去兩個月你應該斬獲頗豐，現在的回調不過是將部分利潤「還給」市場。這很正常，無需恐慌，關鍵是決定下一步怎麼走。

關於下一步，你必須先釐清自己的「投資身分」：你是一個交易者（Trader），還是一個投資者（Investor）？

如果你是交易者，你的核心是趨勢、動能與止損。當宏觀邏輯改變、技術面破位時，嚴格執行紀律、保護本金是你的首要任務。

但如果你定義自己為投資者，那麼現在正是你進行「深度體檢」的最佳時機。你必須認真重新審視你的部位：

集中度： 你的心臟是否能承受目前集中度帶來的淨值波動？
信念感： 你對這家公司的信心，是來自於它上漲的股價，還是來自於你對它業務競爭力的理解？
估值與安全邊際： 在利率可能更高、環境更嚴峻的假設下，現在的股價是否依然具備吸引力？
因果邏輯： 你是否真的清楚它過去為什麼漲，現在又為什麼跌？

對於我自己的部位，我暫時的選擇是硬扛，但收縮戰線，將資金從「衛星標的」撤出，轉而加碼到「高信念」的核心標的上。（這不是投資建議，之後可能也會根據情況調整哈哈）

之所以有底氣留在場內，是因為我的核心持倉大多擁有足夠的獲利緩衝，且我確保手中沒有槓桿，而我對每一個持倉都十分清楚背後投資邏輯。

在動盪時期，留在場內（Stay in the market）是為了不遺漏長期的複利，但留在哪些標的裡，決定了你是否能睡得好覺。

只要你的公司基本面依然強勁，且你的財務結構是健康的，那麼短期的股價回撤不過是帳面上的數字跳動。

當然，那些預言家又紛紛現身了。你會聽到很多聲音說：「看吧，我就說會跌。」

但事實是，即便經歷了這波回撤，許多股票的價格也只是回到了大約兩三週前的水準。除非你能在過去幾天精準地預測到頂部並全身而退，否則這些「事後諸葛」式的預言，對於真正的財富增長並沒有實質幫助。

投資是一場關於「勝率」與「賠率」的遊戲，更是一場關於「心理韌性」的考驗。

FOMO研究院的Substack Chat每天有很多高質的交流，在不確定的時刻，尤其歡迎大家一起來參與討論。

在宏觀不確定的情況下，倒不如繼續花時間思考基本面。這個星期的思考筆記將會有5個主題，包括：

主題一：當 Windows 遇上 CUDA，AI PC 如何權力重組？
主題二：當 AI 走向「代理人」時代，Intel 如何用 CPU 奪回系統調度權？
主題三：從回購王變成融資王，Google 為什麼突然募資 850 億美元？
主題四：拒絕賺快錢，從 Build 2026 看微軟的策略
主題五：Nvidia 對記憶體需求減半？

不妨考慮先讚後看，我們立刻進入主題!

主題一：當 Windows 遇上 CUDA， AI PC 如何權力重組？

黃仁勳在 Computex 台北正式揭曉了 RTX Spark 平台（搭載 N1/N1X 晶片）。Dell、Lenovo、ASUS、MSI、HP，甚至傳聞中的 Surface 都會在今年秋天到 2027 年初推出搭載這顆晶片的筆電。

大家可能會想，發佈看起來很強，但這對 NVIDIA 未來幾季財報有什麼貢獻？

答案是：幾乎沒有。

N1/N1X 的筆電要到今年秋天才會上市，初期出貨量小、定價高、目標客群窄。如果你期待這顆晶片在 2026 或 2027 年的財報上看到爆炸性的收入貢獻，你會失望的。

但這個發佈真正的意義，是 PC 產業的「時代分水嶺」可能正在發生。

微軟與 NVIDIA 的共生博弈

在過去，PC 產業的規則非常簡單。微軟定義作業系統，Intel 與 AMD 提供晶片，NVIDIA 則是強大的配件。但進入 AI 時代，這個行之有年的邊界開始模糊。

微軟執行長 Satya Nadella 公開宣示要把無限制的智慧帶到每個家庭與每張桌面，黃仁勳則強調雙方深度的技術整合。兩家公司聯合喊出「PC 的新時代」，從 Prism 模擬器的優化、異質架構的調度，到專為 AI Agent 設計的全新 Windows 安全機制，微軟正在為 NVIDIA 的硬體量身雕琢作業系統。

這是一場雙方在戰略上高度互補、彼此需要的雙向奔赴。

微軟非常需要 NVIDIA。微軟對未來 PC 的終極願景是 Agentic AI，讓每台電腦都能在本地端流暢運行自主的 AI 代理。

高通的 Snapdragon X 雖然證明了 Windows on Arm 的可行性與省電優勢，但在面對真正吃重、需要極高算力與記憶體頻寬的本地端大模型時，高通的 GPU 與生態依然顯得力不從心。

為了對抗 Apple Silicon 的強勢威脅，微軟急需一個在硬體與軟體生態上都能一拳定音的盟友。

與此同時，Apple 已經用 M 系列晶片搭配統一記憶體與 macOS，建立了一個讓微軟羨慕的整合典範。蘋果用戶在自己的 MacBook 上跑大型語言模型已是日常，微軟如果不能在 Windows 陣營端出對應的方案，它在 AI PC 這個品類的話語權將會被結構性侵蝕。

反過來，NVIDIA 同樣深切地需要微軟。

如果 NVIDIA 不跟微軟合作，它在消費端幾乎沒有其他具備規模的舞台。macOS 是蘋果的禁地，不允許第三方晶片；Linux 雖然技術上可行，但消費端桌面市佔常年低於百分之五，若只在 Linux 上推 N1X，這顆晶片只會變成資料科學家的小眾玩具；至於 ChromeOS 與 Android，則完全不適合 NVIDIA 鎖定的高階 AI、創作與遊戲市場。

NVIDIA 想把 CUDA 從資料中心延伸到客戶端，Windows 是唯一能提供足夠規模的舞台。沒有微軟的配合，這顆晶片在大眾市場將失去影響力。

CUDA 的生態滲透

在這場看似雙贏的合作背後，產業的權力天平有可能會被悄悄重組。

微軟依然是作業系統的所有者，定義著安全模型、API 與開發者規則。但是，當 CUDA 成為 Windows on Arm 上 AI 工作負載的事實標準時，未來幾年 Windows 上的 AI 創新，將會越來越深地綁定在 NVIDIA 的軟體棧上。

當所有的 AI 開發者都在 CUDA 上寫程式，所有的 AI 應用都在 TensorRT 上做推論優化，所有的開源模型都優先支援 NVIDIA GPU 時，微軟未來的轉換成本就會變得極高。

如果 Agentic AI 真的變成 PC 的主要互動介面，用戶不再頻繁點開個別軟體，變成了與一個 AI Agent 對話，那麼傳統作業系統體驗的能見度有可能會下降。

作業系統可能會變成 AI Agent 的底層基礎設施，而不再是用戶感知的主體。在這個情境下，作業系統是什麼牌子變得不再那麼關鍵，跑在上面的 AI Agent 用的是誰的算力與模型反而變得更重要。

這就是 NVIDIA 真正在玩的長線遊戲。

它不是要取代 Windows，是要在 Windows 之上，建立一個由 CUDA 定義的 AI 計算層。

微軟依然是房東，但 NVIDIA 變成了所有租客都必須打交道的水電公司。

雖然 AMD 的 Strix Halo 已在 unified memory 與 iGPU 性能上展現實力，但其軟體生態與開發者習慣仍與 NVIDIA 有明顯差距。

這與 NVIDIA 在資料中心的策略本質上是一樣的，它從不取代雲端業者，但所有雲端業者要做 AI 都繞不開它。現在，它想在 PC 端複製這個模式。

協同設計時代的開端

傳統的 PC 模式是鬆散模組化的。Intel 與 AMD 做 CPU，NVIDIA 做 GPU，微軟做作業系統，大家相對獨立地演化，靠標準介面拼湊起來。這個模式在 PC 的成熟期非常有效率，任何一塊都可以被單獨替換與升級。

但這個模式在 AI 時代正在失效。

AI 工作負載對整個系統協同運作的要求遠高於傳統工作。記憶體頻寬、延遲與容量必須跟 GPU 算力匹配；作業系統排程器要懂得怎麼分配 AI 工作給 CPU、GPU 與 NPU；安全模型要重新設計，因為 Agent 是會自主執行的；電源管理也要懂得 AI 工作負載的爆發特性。

這些事情都需要硬體、作業系統與軟體棧一起設計才能做好。鬆散模組化的結果，往往是每個元件單獨看都不錯，加起來體驗卻不盡人意。

蘋果靠垂直整合解決這個問題已經做了許多年。Windows 陣營過去一直無法走這條路，因為微軟必須照顧多個硬體夥伴。

但現在 NVIDIA、微軟與聯發科的組合，提供了一個有趣的折衷方案。

接下來幾年，我們應該會看到 Qualcomm 與微軟、AMD 與微軟、Intel 與微軟也會出現類似深度的協同設計關係，每個組合針對不同的市場區隔。鬆散模組化的時代不會完全結束，但高階 AI PC 這個品類，會明顯地走向更緊密的協同設計。

鬆散模組化的時代不會完全結束，但高階 AI PC 這個品類，會明顯地走向更緊密的協同設計。

這對整個 PC 供應鏈的意義很深遠。過去 OEM 廠商只要會組裝就能賣機器，未來能不能提供真正好的 AI PC 體驗，會越來越取決於它跟晶片商、作業系統商的整合深度。有能力做深度客製化的廠商會受益，純組裝廠的價值則會被進一步壓縮。

128GB 統一記憶體的現實與未來

除了軟體生態的角力，RTX Spark 採用的統一記憶體架構也是一項結構性變革，最高支援達 128GB 的 LPDDR5X。

這在技術上是一次巨大的飛躍，但也伴隨著極高的物理挑戰。為了讓 CPU、GPU 與 NPU 共享超高頻寬與極低延遲，記憶體顆粒必須極度靠近 SoC。

這意味著傳統插槽式記憶體在高端 AI PC 上將不復存在，取而代之的是極其複雜的封裝技術。當容量拉高到 64GB 甚至 128GB 時，散熱、訊號完整性與良率控制的難度呈指數級上升。

這無疑為高階、高密度的 LPDDR5X 乃至未來的 LPDDR6 市場注入了強心針。對於在先進封裝與高密度記憶體領先的廠商如三星與 SK 海力士而言，這是一個長期的結構性藍海。

但我們必須保持理性，這不會在一夜之間改變記憶體市場的供需與價格。

在 2026 到 2027 年的初期階段，搭載 128GB 統一記憶體的旗艦級 AI 筆電，售價極可能突破兩千美元。這注定是一個屬於極客、專業開發者與創作者的小眾高階市場，出貨量在短期內難以與主流 PC 相比。

因此，當前的記憶體價格循環依然由資料中心的 HBM 需求主導。RTX Spark 對記憶體產業的實質營收貢獻，更像是一顆埋在 2027、2028 年之後的種子，當這種架構逐漸下放到主流價位帶時，才會迎來真正的爆發。

營收的「雜音」，生態的「強音」

退一步從商業現實來看，我們必須理解一個事實：在當前的 AI 狂潮中，消費級 PC 的市場規模，在 NVIDIA 龐大的資料中心版圖面前，不過是滄海一粟。

今天推動 NVIDIA 股價與千億美元營收的，是資料中心裡成千上萬顆、單價數萬美元的 Hopper 與 Blackwell 晶片。

相比之下，筆電晶片的客單價與利潤率根本不在同一個量級。這也是為什麼，RTX Spark 平台在短期內絕對無法成為左右 NVIDIA 財報的關鍵因子。

那麼，我們為什麼還要高度關注這件事？

因為這是一場關於「防禦」與「延伸」的長線佈局。

資料中心的算力是「集中式」的，它解決的是大模型的訓練與雲端大規模推論；但 AI 的終極形態，必然會走向「分佈式」的邊緣端（Edge）。

如果 NVIDIA 只守在雲端，那麼當未來的 AI 應用逐漸向終端轉移、當輕量化模型（SLM）在個人裝置上就能流暢運行時，NVIDIA 就有可能失去對終端生態的控制權。

PC是Nvidia將 CUDA 生態系「實體化」到每個人桌面上的特洛伊木馬。

這是一個需要慢火細熬、甚至需要數年時間去觀察的指標。我們不該用「這季賣了幾顆晶片」來衡量 RTX Spark 的成功，我們要觀察的是：

開發者是否開始習慣在 Windows 筆電上，直接調用本地端的 TensorRT 進行日常開發？
微軟的 Copilot 與各類 AI Agent，是否在搭載 NVIDIA 晶片的系統上運行得最為流暢？
這種「軟硬一體」的體驗，是否逐漸拉開與傳統 x86 筆電的差距，進而重塑消費者的購買決策？

NVIDIA 與微軟在 PC 上的聯手，更像是在為五年、甚至十年後的運算生態買一張「保險票」。

它現在不負責賺大錢，但它負責確保在未來的某一天，當雲端算力向終端分流時，NVIDIA 依然是那個唯一的遊戲規則制定者。

主題二：當 AI 走向「代理人」時代，Intel 如何用 CPU 奪回系統調度權？

在 Computex 2026，NVIDIA 的 RTX Spark 搶走了大部分頭條。

但Intel 想告訴市場的是：隨著 AI 從簡單的「單次問答（Single-turn Q&A）」進化到複雜的「多代理人協作（Agentic AI）」，CPU 正在重新奪回系統的核心主導權。

這不僅僅是關於 18A 先進製程量產、設計定案（Tape-out）超過 300 個、或是 Xeon 6+（Clearwater Forest）與新一代 Core Ultra 的硬體發表；這是一場關於 AI 系統架構的重新定義。

「編排層」的論述

過去幾年，在 GPU 主導的生成式 AI 時代，CPU 常常被邊緣化為一個「即插即用（Plug-and-Play）」的通用組件，彷彿只要負責把數據「餵」給 GPU，它的任務就完成了。

但 Intel 正在打破這個膚淺的定位。

傳統的聊天機器人，其瓶頸在於高密度的矩陣運算，這確實是 GPU 的天下。然而，當企業開始部署 Agentic AI（代理人系統）時，運算邏輯發生了根本性的轉變。

一個能夠自主完成複雜任務的 AI Agent，必須經歷「目標拆解 → 制定計畫→ 呼叫外部工具與 API→ 跨系統擷取上下文→ 在多次互動中維持狀態 → → 處理錯誤恢復與分支邏輯」的繁複過程。

這些任務本質上並非矩陣乘法，其高度依賴分支邏輯判斷、記憶體管理、狀態維護與任務調度。

在一個 agentic 系統裡，你需要一個「大腦」來協調 GPU、記憶體、網路和分散式推論之間的工作。這個大腦最適合由 CPU 來扮演。特別是 Xeon。

Perplexity 的動態調度學

為了讓這個論述更具體，Intel 把 Perplexity 的 CEO Aravind Srinivas 請上台做了一個現場示範。

Perplexity 展示了其「Perplexity Computer」作業系統，在處理敏感的企業槓桿收購（LBO）財務模型時，系統如何進行動態調度：

本地處理（隱私與速度）：敏感的財務數據與初步分析，直接在搭載 Intel Core Ultra 3 的本地裝置上運行，確保數據不出關。它自動標記出哪些內容是敏感的、需要保持隱私，然後把這些保留在設備上。
雲端協同（深度推理）：當遇到需要極大參數模型進行深度邏輯推理的步驟時，調度器會自動將去隱私化的任務發送至雲端。

這種「端雲協同」的架構，打破了過去「全面上雲」或「純端側運行」的極端二分法。Intel 的晶片（端側的 Core Ultra 與伺服器端的 Xeon）正是為了這種動態路由設計的。這不僅大幅降低了企業調用昂貴雲端 GPU 的成本，更在物理層面解決了數據合規與隱私的痛點。

Intel 與 SambaNova 的「解耦式推理」

如果說 Perplexity 展示的是端與雲的協同，那麼 Intel 與 SambaNova 的深度合作，則是對資料中心異質運算（Heterogeneous Computing）的實踐。

在雙方展示的「Vector Core Compute」企業推理雲與機櫃級（Rack-scale）系統中，Xeon 處理器展現了其獨特價值。這套系統呈現了高度的解耦（Disaggregated）特徵：

Xeon 6+（18A）擔任主機與調度大腦，負責工作負載調度、加速器之間的數據移動、網路與記憶體協調，以及全局系統編排。
SambaNova SN-50 RDU 負責推理中高頻率的「解碼（Decode）」階段。
甚至在部分環節中，還能協同 NVIDIA Blackwell GPU 處理「預填充（Prefill）」階段。

Intel 不再強求客戶在每一個環節都使用 Intel 的晶片。相反地，他們承認異質運算（混合使用不同晶片）才是未來的常態。

Intel 的戰略是：「不論你用誰的加速器（SambaNova 或是 NVIDIA），你都需要一個最優秀的協調者來把這些硬體完美縫合在一起。而 Xeon 就是那個最完美的黏著劑。」

18A 節點落地與 x86 的防禦反擊

Intel 表示，現在有多個產品（客戶端的 Core Ultra Series 3 和伺服器端的 Xeon 6+）正在 18A 上出貨或 ramp up。設計定案數超過 300 個。良率在改善中。

如果 18A 真的如他們所說的那樣成功，這對整個「編排層」敘事是很大的加分。因為這意味著 Intel 可以在自己的先進製程上製造高效能、低功耗的 CPU，而不是依賴外部代工。

但這也是一個大「如果」。市場見過太多 Intel 的 roadmap 在執行中出問題。現在的態度基本上是「先看到持續交付再說」。

同時，面對 NVIDIA 積極推動 Arm 架構（如 Grace 處理器）進入資料中心與客戶端，Intel 選擇用 x86 的生態積澱進行回擊。

他們的定位是，數十年來優化的企業級程式碼、編譯器與安全協議，在 x86 架構上運作最為穩定。在導入 AI Agent 時，它必須與企業既有的資料庫、ERP、安全性協議深度整合。這正是 Intel Xeon 展現「系統指揮官」價值的舞台。

紙上談兵終覺淺，市場數據定乾坤

Computex 2026 雖然為我們描繪了兩種截然不同的未來藍圖，但它並無法為「x86 與 Arm 誰才是 AI 時代的終極解答」給出標準答案。

NVIDIA 的 Arm 路線：試圖證明透過高度整合的 Arm CPU 與 GPU，能打破傳統架構的記憶體瓶頸，實現前所未有的能效比，並藉此徹底顛覆 Windows PC 與資料中心的既有格局。
Intel 的 x86 路線：則極力證明在複雜的「多代理人（Agentic AI）」時代，系統的穩定度、軟體相容性以及 CPU 作為「編排層大腦」的調度能力，才是決定 AI 落地成本與效率的關鍵，而這正是 x86 累積數十年、無法被輕易動搖的護城河。

為什麼我們無法在 Computex 得到答案？

在展會期間，兩家公司所公布的基準測試（Benchmarks）與展示，都是在最有利於自家架構的特定場景下進行的。

NVIDIA 展示的，是跑特定本地 LLM 時，Arm 晶片那令人驚艷的每瓦 Token 輸出率。
Intel 展示的，是面對複雜企業工作流時，x86 系統那行雲流水般的異質硬體調度與相容性。

這些「紙面性能」都非常優秀，但它們都屬於「完美實驗室」裡的產物。

接下來該看什麼？

要判斷這場架構之爭的真正勝負，我們必須將目光移開展會，在接下來的數個季度中，持續監控以下三個核心的後續實質數據：

企業與 OEM 的實際拉貨與出貨量；
軟體生態系的實際相容性與遷移成本：
- 企業在將現有的 IT 基礎設施、資料庫與安全性軟體遷移到 Arm 架構時，是否遇到了預期之外的阻礙與隱性成本？
- x86 陣營在執行新一代 AI Agent 軟體時，是否真的能如 Intel 所說，展現出無縫接軌的調度優勢？
雲端服務商（CSPs）的資本支出與採購比例。

Computex 2026 只是這場馬拉松的起跑槍聲。NVIDIA 證明了 Arm 的無限潛力，Intel 則用 x86 的深厚底蘊來反擊。真正的贏家，將由接下來幾季的出貨報表、企業財報與軟體生態系的真實回饋來決定。

主題三：從回購王變成融資王，Google 為什麼突然募資 850 億美元？

Alphabet 這個星期宣布並完成了一筆高達 847.5 億美元 的歷史性股權融資。

這是什麼概念？它打破了 2010 年巴西石油（Petrobras）創下的 700 億美元 紀錄，成為人類企業歷史上規模最大的單一增資案。

對於這筆天文數字，市場上充斥著各種聲音。

有人質疑：「Google 不是富可敵國、手握大把現金流嗎？為什麼還要跟市場要錢？」甚至有人放大招股書中的細節，質疑這筆錢是用來「幫員工繳稅」而非發展 AI。

一家過去十五年一直在回購自己股票的科技公司，為何要大舉融資？

標題黨的盲點：那筆被誤解的「300 億員工稅金」

首先，我們來釐清一個在社群媒體上被瘋傳的「偽命題」：

「Alphabet 融資是為了幫員工繳稅，而不是為公司發展」。

這完全是只看硬幣一面的斷章取義。這次 847.5 億美元的融資結構，其實分得很清楚：

約 447.5 億美元：透過公開發行、可轉債與巴菲特旗下 Berkshire Hathaway 的私募，這筆錢是鐵打的「AI 基礎建設與算力擴張基金」。
約 400 億美元的 ATM（市價發行）計劃：其中預計有 300 億美元，確實是用來處理 2026 年員工股權激勵（RSU）歸屬時的稅務問題。

讓我解釋一下這個操作實際上是什麼。

過去，當員工的股票到期歸屬時，Alphabet 通常會「扣留一部分股票」作為稅金，並直接動用公司自有的自由現金流（FCF）幫員工向政府繳納這筆龐大的稅款。

這種做法雖然保護了股東（因為扣留的股票不會流入市場，稀釋效應較低），但卻會直接抽走公司數百億美元的真金白銀。

現在，面對 2026 年高達 1,800 億至 1,900 億美元的瘋狂 AI 資本支出（CapEx），Alphabet 選擇了不同的財務策略：

他們改用 ATM（按市價發行新股）的方式，在公開市場上募集資金來支付這筆 300 億美元的員工稅金，從而把公司原本寶貴的「自由現金流」完好地保存下來，全力投入 AI 戰場。

雖然這意味著現有股東必須承受股本被進一步稀釋的代價（這也是為什麼過去幾年靠「股票回購」防稀釋的 Alphabet，這次會引起市場短暫恐慌），但從資金效率的角度來看，「用融資付稅，把自有現金省下來蓋資料中心」，與「用融資蓋資料中心」在實質效果上是一樣的，都是為了在最關鍵的 AI 軍備競賽中，確保手頭有最充裕的現金彈藥。

Alphabet 2026 年的資本支出（CapEx）指引高達 1,800 億至 1,900 億美元（幾乎是去年的兩倍），根本不是沒有發展。 Alphabet 真正的考驗仍然是大規模資本支出是否能產生回報，而不是這 300 億美元 稅務項目的具體資金來源。

公開市場的速度優勢

這筆歷史性融資，最有趣的地方在於，它展示了「已上市科技巨頭」對比「未上市 AI 新創」在資金獲取速度上的降維打擊。

當前，像 OpenAI、Anthropic 這些明星獨角獸，為了應付龐大的模型訓練與算力成本，同樣在尋求百億美元級別的融資或 IPO 計劃。

然而，未上市公司的融資之路無比漫長，要經歷無數輪的談判、繁瑣的 SEC 審查、路演、估值博弈，動輒耗時數月甚至一年。

反觀 Alphabet：

6 月 1 日：宣布計劃融資 800 億美元。
6 月 2-3 日：因為市場認購太過踴躍，直接超額認購，最終定價 847.5 億美元。
6 月 4-5 日：資金全部交割入帳。

前後僅僅用了不到五天。

這就是身為萬億級上市公司、擁有極致流動性與信用紅利的終極優勢。

當新創公司還在排隊等待 IPO、為估值爭論不休時，Alphabet 已經把 850 億美元 的真金白銀裝進口袋，直接去向 台積電 搶產能、向 NVIDIA 搶晶片、向電力公司搶電網配額了，為 Gemini 提供更多資金發展。

在「天下武功，唯快不破」的 AI 軍備競賽中，這種「光速吸金」的能力，本身就是一道無法逾越的護城河，也是為甚麼其他獨角獸要盡快上市的原因。

股神的背書

這次融資的錨定投資者中，出現了一個熟悉的名字：Berkshire Hathaway，他們直接認購了 100 億美元。

這是繼承班底 Greg Abel 掌舵後的重大決策之一。Abel 公開說過，Berkshire 不會「為了 AI 而做 AI」，必須是增值的。在這裡投入 100 億美元 是一個具體的投票，表明 Alphabet 在 AI 基礎設施上的執行達到了那個標準。

他們願意在 Alphabet 股價並不算便宜的當下，砸下 100 億美元，釋放了一個極其強烈的信號：

即使在最保守、最注重價值投資的巨頭眼中，Alphabet 的 AI 基礎建設投資，估值相對有吸引力，依然具備極高的長期回報率（ROIC）與安全邊際。

這給了市場一顆定心丸，它證明了這場軍備競賽有著扎實商業邏輯支撐的未來基建。

逼迫所有人提前攤牌的「軍備競賽」

這次 850 億美元 的歷史性融資，確實為整個 AI 生態系帶來了顯著的正面效應。當頂級資本願意在此刻為天文數字的資本支出背書時，它實際上是用真金白銀向市場證明：

AI 的商業變現絕非空中樓閣。這不僅給了高喊泡沫化的空頭一記響亮耳光，也為 NVIDIA、台積電 等半導體巨頭，以及電網、核能與冷卻系統等供應鏈，提供了一張極其珍貴的「長期未來訂單保證書」，間接降低了整個板塊的系統性風險。

然而，這也是在迫所有人加速行動。

這筆錢砸下去，意味著 Alphabet 正在用史無前例的資金體量，提前鎖定並壟斷未來幾年最稀缺的晶片與電力資源，極限擠壓其他玩家的生存空間。

更關鍵的是，它正在逼迫所有人以最快速度跟進融資。

2026 年，四大超大規模運算商（Hyperscalers）的集體資本支出指引已來到驚人的 7,250 億美元。在如此恐怖的燒錢速度下，即便是強如亞馬遜、Meta 這樣的巨頭，其自由現金流也面臨被榨乾的壓力，被迫轉向股權融資。

然而，全球資本市場的承接力始終會有上限。當每家巨頭都試圖在市場上募集成百上千億美元時，先動手的 Alphabet 已經拿走了最便宜、最充裕的第一桶金。

那些動作慢、還在猶豫是否要稀釋股權，或是還在為估值爭論不休的競爭對手（包括 OpenAI、Anthropic 等新創），一旦錯過了這個短暫的黃金窗口，未來將不得不面對更挑剔的投資人與更昂貴的融資成本。

我們正處於物理基建的「重工業時代」

站在歷史的節點回看，這筆 850 億美元 的融資，是我們理解當前 AI 週期定位的終極信號。

我們正在見證一個前所未有的、資本極度密集的「重工業階段」。在這個階段，物理世界的基礎建設（算力、電力、資料中心）必須先行，隨後才能迎來軟體層面的全面變現。

公開市場用超額認購的熱情、波克夏用 100 億美元 的錨定、評級機構用正面的信用評估，共同為這個偉大的週期投下了信任票。

這筆融資之所以值得我們每一個人高度關注，是因為它清晰地告訴了我們：這場 AI 之戰，最終將屬於那些能夠在資本市場長袖善舞、高效部署並展現極致執行力的終極玩家。

主題四：拒絕賺快錢，從 Build 2026 看微軟的策略

剛剛落幕的 Microsoft Build 2026，表面上是一場眼花繚亂的「Agent（智能體）大秀」。

如果你只看大會的標題，會看到一堆讓人興奮的新名詞：七個新的 MAI 自研模型、一個叫 Scout 的「自動駕駛」個人工作代理、一台塞了 NVIDIA RTX Spark 晶片的開發者夢幻機器、一個不是 Windows 的全新平台 Solara，以及一顆在量子運算領域取得重大突破的 Majorana 2 晶片。

你可能會問：既然市面上已經有 OpenAI、Anthropic 這些強大的模型，微軟為什麼還要大費周章自己做 MAI 模型？

幾天後，微軟執行長 Satya Nadella 接受了 Stratechery 創辦人 Ben Thompson 的專訪。這場對話，才是我們理解微軟真正在做什麼的關鍵鑰匙。

拒絕「嫉妒型創新」：微軟不做下一個 Zune

專訪中，Thompson 問了一個很多人都想問的問題：在 AI 這場競爭中，微軟到底是領先還是落後？

Nadella 的回答很有意思。他沒有直接給出答案，而是退一步，重新定義了競爭。

「大多數人衡量競爭地位時，彷彿這是一場完全零和的遊戲，但從來都不是這樣。雲端時代不是，當年的用戶端伺服器時代也不是。對我來說，『微軟在這個新世界中能獨特地做什麼』，這才是我們必須先回答的問題。」

接著，他坦誠地說了一句非常清醒的話：「我們最糟的時候，就是因為『嫉妒』而去做某些事。只因為別人做出了很酷的熱門產品，不代表我們就該跟風。」

他甚至主動自嘲了微軟當年的黑歷史 Zune（當年為了對抗 iPod 而推出的播放器）：

Zune 是個好裝置，但這世界根本不需要微軟做 Zune。

這番話，其實是 Nadella 在向市場釋放一個明確的訊號：微軟不打算加入「誰的模型最聰明」這場無止境的軍備競賽。

微軟的基因從來就不是做出世界上最強的單一產品，他們的強項是成為一個平台，讓所有人都能在上面創造價值。在 PC 時代是 Windows，在雲端時代是 Azure，而在 Agent 時代，微軟要做的，是企業 AI 生態的作業系統。

企業的終極護城河：專屬的「爬山機」

既然不爭最強模型，那微軟要做什麼？

Nadella 提出了一個非常生動的概念，叫做「爬山」（Hill-climbing）。

「爬山基本上是這樣的：當你想『AI 能做什麼？』，AI 就是拿一個目標，持續學習如何預測和創造代表那個目標的輸出，而且是持續不斷地做。」

「私有輸出、評估，我認為這可能是一家公司創造的最重要的智慧財產權，就是這些私有的基準和評估。在那裡，你有品味地去識別什麼是好的輸出、什麼是高品質。」

這就是微軟對 AI 時代企業競爭優勢的核心判斷：最關鍵的不是你用的基礎模型有多聰明，而是你能不能把公司的隱性知識、專屬資料與工作流程，持續地餵給模型，讓模型在你的業務場景裡不斷「爬山」，變得越來越懂你。

微軟要建的，就是一個讓這台「爬山機」能夠安全、規模化、受治理地運作的平台。

這解釋了 Build 2026 發表的一切

一旦理解了「爬山機」這個框架，Build 2026 那些看似眼花繚亂、各自獨立的產品發表，瞬間就拼成了一幅清晰的拼圖。微軟其實是在為企業打造一整套組裝工具箱：

首先，是 MAI 模型與 Frontier Tuning。

微軟不跟別人拼誰的模型更強，他們給企業一個大小適中、極具成本效益的 MAI 自研模型。

透過 Frontier Tuning，企業可以用自己的專屬資料來訓練它。這就像是讓引擎適應自家門前的山路，用最低的 Token 成本，爬出最好的效果。

其次，是 Microsoft IQ。

Microsoft IQ（包含 Work IQ 和 Web IQ）把原本埋在 Microsoft 365 底下、平常沒人注意的企業內部資料庫挖出來，變成 Agent 可以直接調用的智慧層。

這等於是給了 Agent 一張企業內部的活地圖，讓它知道每項工作的前因後果。

接著，是 Microsoft Scout。

過去的 AI 像是一個等著你發號施令的副駕駛，而 Scout 則是真正的 Autopilot。

它不需要你一直跟它聊天，它會在背景默默運作，主動幫你準備會議、處理費用報告。這正是 Nadella 所說的，AI 從「被動工具」走向「自主工作」的關鍵一步。

再來，是 RTX Spark 開發機與 Solara 平台。

為了讓工程師能在本地順暢地測試這台爬山機，微軟推出了配備強大晶片的 Surface RTX Spark 開發機。

同時，他們也推出了全新的 Solara 平台。這是一個完全不依賴 Windows 的新系統，專為穿戴式裝置或智慧硬體設計。

這展現了微軟的務實，當舊有的 Windows 道路不適合新一代的 Agent 體驗時，微軟寧可直接鋪一條新路，也不硬套舊框架。

最後，是 MXC 沙盒與 Agent 365 SDK。

當 Agent 開始在背景自主幫你開車、處理業務，企業最怕的就是它失控撞車。Microsoft Execution Containers (MXC) 安全沙盒與治理工具，就是為了在系統底層拉起安全防護網，確保 Agent 的一舉一動都在合規且安全的範圍內。

這些發表並不是零散的技術更新，微軟的意圖非常明確：他們要幫企業把安全防護、內部資料、自主代理和底層硬體全部縫合在一起，讓企業能毫無後顧之憂地運作自己的「爬山機」。

從「重壓合作」到「建立選擇權」：微軟與 OpenAI 的關係演變

Nadella 在專訪中對 OpenAI 的態度相當務實。他承認早期與 OpenAI 的合作是微軟在 AI 賽道上快速取得領先地位的關鍵，也坦言「每天 OpenAI 做得好，微軟也做得好」。

雙方合約關係至少持續到 2032 年，微軟仍會是 OpenAI 的重要客戶與基礎設施提供者。

然而，從微軟積極推出 MAI 自研模型、GitHub Copilot 導入多模型選擇（甚至可以用 Claude 來互相檢查），以及在算力分配上展現的紀律來看，微軟正在從「早期重度依賴單一合作夥伴」，轉向「建立重要但非獨占的夥伴關係」。

更關鍵的是，Nadella 清楚表達了微軟在資本配置上的取捨：

「在今天這個時代，如果你想要短期的 Azure 營收，這很容易，你只需要把 GPU 賣給某個投機的 AI 新創（Neolab）就行了。」

他明確表示微軟不會這麼做。原因很簡單：前沿 AI 實驗室最終會建立自己的基礎設施。

與其把寶貴的算力大量押在少數幾個模型公司身上，不如把產能分配給三個更長期的桶子：超大規模雲端服務、微軟自己的應用業務（M365、GitHub、Security），以及自研模型的研究計算。

這背後反映出 Nadella 對未來的判斷：真正的長期價值，不會來自追逐最熱門的模型公司，而是來自那些願意為安全、治理、企業整合，以及持續優化付出代價的客戶。拒絕「容易賺的錢」，正是微軟把算力留給真正能產生長期複利的地方。

商業模式的轉變：當人頭計費失效

然而，這場變革也帶來了一個根本性的商業難題：當 Agent 可以 24 小時在背景不間斷工作時，傳統 SaaS「按人頭計費（Per-Seat）」的模式就失效了。

如果一個自動駕駛的 Agent 能幫五個人完成工作，企業為什麼還要買五個帳號？

微軟給出的解法是「混合定價模式」（基本人頭費 + 彈性算力消耗費）。

這是一場考驗耐心的轉型。對企業客戶來說，這意味著他們會非常精明地計算每一筆 AI 消費的 ROI，這會帶來優化成本的壓力；而對微軟來說，這逼得他們必須把安全沙盒（MXC）、觀測性與治理工具打包成無可取代的套裝服務，讓企業在享受 Agent 便利的同時，不得不為這些底層的安全防禦買單。

仍要時間觀察

微軟在 Build 2026 展現的姿態，反映出一個歷經多個平台週期後，選擇以長期結構性優勢為優先的成熟公司。

它沒有急於證明自己的自研模型在通用能力上超越 GPT 或 Claude，而是把重點放在如何把安全沙盒、企業上下文、治理工具與底層硬體，系統性地結合在一起。

這種做法背後的邏輯，在 Nadella 與 Ben Thompson 的對話中表露得相當清楚：微軟認為，AI 時代企業真正的護城河，來自於能否把自身的隱性知識持續轉化為模型優勢，而非單純依賴最強的基礎模型。

Build 所展示的，正是微軟試圖在這個方向上建立平台級能力的嘗試。

然而，這條路徑仍存在明顯的執行挑戰。Agent 的實際採用速度、企業是否願意為持續運作的 Agent 支付可觀的消費費用，以及這些消費何時能對財報產生實質貢獻，都是市場在接下來幾個季度會密切觀察的重點。

目前 Scout 仍處於 Frontier 客戶小規模驗證階段，混合定價模式的市場接受度也尚未完全明朗。

換句話說，微軟正在為 Agent 時代的長期遊戲規則布局，但這場轉型需要時間驗證。

短期內，市場仍會以 Azure 成長品質、內部應用與研究算力的使用效率，以及早期 Agent 產品的採用跡象，來評估這套策略的進展。

主題五：Nvidia 對記憶體需求減半？

SemiAnalysis 發了一份報告，提到 Nvidia 的 Vera Rubin NVL72 機櫃在出貨時，系統記憶體的配置比原本規劃的少了大約一半。

很快地，市場上就出現了鋪天蓋地的熊市鬼故事：「Nvidia將記憶體需求砍半！」、「記憶體大廠的超級週期要終結了！」

這類點擊率極高的陰謀論，完美展現了什麼叫「去脈絡化的斷章取義」。

不當完美主義者，先通車再說

首先，我們要釐清一個關鍵：被「砍半」的，是 CPU 側的系統記憶體（LPDDR5X），而不是 GPU 側那顆最核心、最昂貴的 HBM4（高頻寬記憶體）。

在 Rubin 晶片上，負責承擔海量矩陣運算、注意力機制等核心算力的 HBM4，規格與需求完全沒有受到任何影響。

那為什麼要動 CPU 側的 LPDDR5X？答案很簡單：供應鏈卡住了，但客戶等不及了。

目前，要達到原先規劃的超高容量，必須使用極高密度的 16 層堆疊 LPDDR5X 模組，而這種模組目前的良率與產能極其受限。

如果 Nvidia 堅持「規格不攻頂不出貨」，那 Rubin 的量產時程勢必會被嚴重拖累。

於是，黃仁勳做了一個非常務實的商業決策：

降規加速出貨：改用產能成熟的 96 GB 模組，避開供應鏈瓶頸，讓 Rubin 機架能以最快速度送進微軟、Meta 等雲端巨頭（Hyperscalers）的資料中心。
幫客戶省錢（降低 TCO）：這一降規，直接讓每台機架的成本暴省了 80 萬美元（從約 760 萬美元 降至 680 萬美元）。
保留升級後路：Blackwell 世代（如 GB300 Ultra）使用的是直接銲死在主機板上的 LPDDR 記憶體；但 Vera Rubin 平台改用了插槽式（Socketed）的 SOCAMM2 模組設計。

這種「熱插拔、可現場更換」的設計，意味著 96GB 只是供應鏈極限下的「過渡性配置」。如果客戶未來真的有極致需求，且高密度模組產能跟上了，隨時可以像插拔電腦記憶體一樣，在機房裡直接升級。

很明顯，這根本不是 Nvidia 覺得不需要這麼多記憶體了，只不過是一個工程上的妥協。
這根本不是需求下滑，只不過是一個「先上車、後補票」的彈性策略。

記憶體階層的演進

系統記憶體配置降低，反而可能加速另一個趨勢：把更多工作負載推向儲存層。

在即將到來的 Agent（智能體）與長文本（Long-Context）時代，AI 不再只是回答一個問題就結束，而是要進行多輪對話、調用工具、協同運作。這會產生天文數字般的 KV 快取（KV Cache）。

這些暫存資料如果全部塞在最貴、最稀缺的 GPU HBM 裡，成本會高到不合理；但如果全部丟到傳統硬碟，速度又慢到讓人無法忍受。

於是，AI 工廠正在演進出類似傳統電腦 CPU 快取（L1/L2/L3）的「三階層記憶體架構」：

熱層（Hot Tier）— HBM4：速度最快、最貴。只用來處理最核心的即時運算。
溫層（Warm Tier）— LPDDR5X（SOCAMM）：速度中等、具備高頻寬與 CPU 一致性。用來暫存「準備要用」的 KV Cache 與 Agent 調度狀態。
冷層 / 容量層（Cold/Capacity Tier）— 高性能 SSD 與 AI 原生儲存：容量極大、成本最低。用來存放長期的對話記憶與歷史資料。

當系統記憶體配置降低，這個三層架構的價值反而更明顯。軟體需要更聰明地管理資料在不同層級之間的流動，而 Nvidia 的全端控制（從晶片到軟體堆疊）讓他們有能力做這種最佳化。

對記憶體產業的實際影響

從這個變化，我們可以再嘗試往下推兩個結論。

儲存層（SSD / NAND Flash）變得更重要

當 CPU 側的 LPDDR5X 容量降低，系統為了維持整體流暢度，勢必會更積極地把「半熱」（Warm）狀態的 KV Cache 與 Agent 上下文，透過軟體堆疊（Nvidia Dynamo、BlueField-4、NIXL 等）更頻繁地調動到高性能儲存層。

對記憶體大廠來說，這意味著原本「配角」的 NAND Flash 業務，在 Agent 時代反而成為不可或缺的戰略拼圖。Samsung、SK hynix、Micron 同時擁有 DRAM 與 NAND 事業的廠商，在這個演進中反而具備更完整的 exposure。

機架變便宜，出貨量暴增（總量效應大於單機減少）

每台機架省下 80 萬美元，加上出貨速度變快，會刺激雲端巨頭下單更多數量的 Rubin 機架。

從數學邏輯來看，全球 LPDDR5X 的總產能目前就這麼多。Nvidia 將單機配置減半，意味著原本只能組裝 100 台機櫃的記憶體，現在可以分給 200 台機櫃使用，讓整體 Rubin 平台以雙倍速度鋪開。

對記憶體大廠來說，產能依然是滿載被消耗掉的，總體位元（Total Bits）需求根本沒有縮水。

相反地，每一台多賣出去的機架，裡面搭載的 HBM4 可是一點都沒少。更別提未來產能緩解後，客戶回頭採購 192GB 模組進行二次升級的「售後拉貨潮」。

標題之外

SemiAnalysis 的創辦人 Dylan Patel 在社群媒體上的回應很直接：「有件事我一直覺得有趣，分享我們報告的人經常漏掉大部分內容。」

事實上，複雜的供應鏈分析，在傳播過程中幾乎必然會被簡化。簡化本身不是壞事，但當簡化變成扭曲，當「Nvidia 為了加速出貨而調整系統記憶體配置」變成「記憶體需求腰斬」，訊息的本質就完全走樣了。

這次的 SOCAMM 故事是個縮影。相比起記憶體需求的崩潰，這更是 AI 基礎建設正在走向一個更成熟、更分層、更軟體定義的記憶體架構。

在這個架構裡，熱資料、溫資料、冷資料有各自適合的載體，而整體的矽需求和儲存需求會隨著 AI 部署的規模持續上升。

記憶體超級週期的邏輯沒有改變。瓶頸會在不同層級之間移動，但總需求的方向是清楚的。

下次看到「XX 需求腰斬」這種標題時，或許可以先問一句：腰斬的是哪一層？為什麼？這對其他層級有什麼影響？答案通常比標題有趣得多。

商周專欄解禁版(付費會員專享)

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。
我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。
另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。
同時，如果想開戶的話，可以考慮用我的富途/口袋證券獨家推薦碼，會有更多優惠。
全部資訊在以下鏈結：
https://linktr.ee/fomo_soc
另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!
· KP

KP商周專欄(第2006，2007，2008期)

KP@FOMOSoc — Fri, 05 Jun 2026 15:30:51 GMT

歡迎來到 FOMO研究院的特別內容。這幾篇文章是我受邀於《商業周刊》發表的獨家專欄。根據協議，專欄文章在刊登滿一個月後，我會將完整內容解禁，專屬分享給研究院的付費會員。

💡 閱讀前的小提醒：

原汁原味的「導演剪輯版」： 商周刊登的版本經過了編輯部的精簡與潤飾，而我發布在這裡的，是未經刪減的原始草稿。即使你已經看過雜誌版本，這篇原稿保留了更多我個人的推演過程，讀起來會有截然不同的風味。
底層邏輯，不怕過時： 你可能會想，一個月前的文章現在看會不會太遲？熟悉我的老讀者都知道，我寫作的核心始終是拆解「底層的商業邏輯」，而非追逐短線新聞。因此，這份產業鏈的結構性分析，即使過了一個月，含金量依然不減。
為何沒收到這篇的 Email 通知？ 為了避免過度轟炸大家的信箱，這系列的解禁文章，我都會以「不發送 Email 與推播」的形式獨立上架。我會在週末的常規電子報中，再把連結整理給大家慢慢回顧。

祝大家閱讀愉快！👇

第十二期專欄(出刊日期： 2026-04-23)

最新艾司摩爾財報意外發現：晶片設備、記憶體雙軌投資巨變

為何800V HVDC(高壓直流電)是必然？重電、輕電與散熱缺一不可？ - 深入分析第50期：HVDC與台達電

KP@FOMOSoc — Wed, 03 Jun 2026 10:28:16 GMT

NVIDIA 最新一代的 Blackwell GB200 NVL72 機櫃，單櫃功耗已達約 120kW；而下個旗艦的 Rubin Ultra 機架，單櫃功耗更將直接衝上 600kW。

600kW 是什麼概念？這相當於一個冰箱大小的機櫃，運作時需要消耗 400 個普通家庭 的總電量。

當單一機房的用電量堪比一座 中型城市，傳統的交流電（AC）配電系統已經到了物理極限。

在 AC 系統下，要傳輸如此龐大的電流，不僅需要極粗且缺乏彈性的銅質纜線，還會因多次的電壓轉換與傳輸阻抗產生嚴重的熱能損耗。

這迫使整個資料中心基礎設施必須進行根本性的重構，從傳統的 AC 配電，轉向高壓直流電（HVDC）架構，並搭配更高效的 液冷系統。

寫在前面

首先，衷心感謝各位會員的投票，共同選出了「HVDC（高壓直流電）」這個極具前瞻性的主題。

巧合的是，在本次投票結果出爐後，半導體權威機構 SemiAnalysis 也在上週發表了針對該主題的深度報告。

為了帶給大家最前沿、最精準的資訊，本篇分析在撰寫時，我會參考並引述 SemiAnalysis 報告中的部分最新產業觀點。

在此特別說明，本文絕非單純的翻譯或複製。我一如既往地融入了個人的分析框架，將這些零散的資訊「連點成線」，用更深入淺出、具備系統性的視角重新詮釋。

另外，本篇報告的定位為「產業深度研究」。由於內容涉及的企業與產業鏈環節極為廣泛，因此本文將聚焦於技術路徑與商業邏輯的剖析，不會過多著墨於個別公司的估值和股價、更不要提向來不會談及的買賣建議。

讓我們一起進入這場即將改變資料中心遊戲規則的電力革命。

第一章｜從愛迪生到AI：電流戰爭結束百多年，現在反過來了

1890 年的紐約街頭，一場關乎人類未來文明走向的「黑公關」大戰正在上演。

湯瑪斯·愛迪生（Thomas Edison）正處於人生中最焦慮的時刻。他一手創立的直流電（DC）帝國，正受到前員工尼古拉·特斯拉（Nikola Tesla）與實業家 George Westinghouse 推廣的交流電（AC）強力挑戰。

為了挽回劣勢，愛迪生使出了渾身解數。他僱用小學生在街頭搜集流浪貓狗，並在記者面前用交流電將這些動物電死；他甚至暗中推動紐約州政府採用交流電製造第一張「電椅」來執行死刑，試圖讓公眾將「交流電」與「死亡」畫上等號。

然而，愛迪生最終輸給了物理定律與商業現實。

在 19 世紀末，人類面臨的最大難題是如何將電力「長距離傳輸」。根據物理學，電流在電線中傳輸時會產生電阻，而發熱損耗與電流的平方成正比。這意味著，電流越大，傳輸過程中的發熱損耗就會呈「平方級」暴增。

為了減少損耗，唯一的辦法就是降低電流。而根據電功率公式，在傳輸相同功率的前提下，要降低電流，就必須將電壓提升到極高（例如數萬伏特），送到目的地後，再降壓給家用電燈。

這就帶來了致命的問題：電力在起點需要「升壓」，在終點需要「降壓」。

在 1890 年，人類升壓與降壓的唯一工具是「變壓器」。而變壓器的工作原理是利用磁通量的變化來產生電磁感應，這必須依賴方向與大小不斷改變的交流電（AC）才能運作。

當時還沒有任何半導體技術，愛迪生的直流電（DC）方向恆定、波形平緩，根本無法透過變壓器進行升降壓。

這導致愛迪生陷入了無解的商業死胡同。

如果採用直流電，電網只能以 110V 的低電壓進行傳輸。這意味著傳輸線路中的電流極大、損耗極高，電力傳送超過一英里（約 1.6 公里）就會在電線上全部化為廢熱消耗殆盡。愛迪生當時唯一能想到的解決方案，是「每隔一英里就蓋一座發電廠」。

在商業實務上，這種「滿街都是發電廠」的方案成本高到無法想像，根本不可行。相反地，特斯拉的交流電可以輕鬆升壓到數萬伏特，用極細的電線傳送到數十公里外，再降壓給用戶。

最終，交流電全面勝出，成為了全球電網的絕對主宰。直流電則被無情放逐，退守到手電筒、收音機與玩具車等低壓、短距離的角落。

1.1 過去的一百年：AC 與 DC 的「雙軌並存」

在交流電統治世界的這一百年裡，人類科技迎來了另一個奇蹟：半導體與矽晶片的誕生。

這創造了一個極其矛盾的現象：我們用交流電（AC）傳輸電力，但我們所有的現代電子設備，本質上都是「吃直流電（DC）」的。

從你手中的智慧型手機、辦公室的筆記型電腦，到資料中心裡的 CPU，內部都是由數十億個微小的電晶體組成。這些電晶體需要極其穩定、波形毫無起伏的低壓直流電（通常在 1V 到 12V 之間），來代表二進位的「0」與「1」。交流電那種每秒改變幾十次方向的特性，會直接燒毀微晶片。

於是，過去百年間，科技產業作出了這樣的選擇：

電網負責長途運輸：用高壓交流電（AC）把電送到你家門口。
設備自備「翻譯官」：你的手機充電器（豆腐頭）、筆記型電腦的電源適配器（變壓器黑盒子），本質上都是一個個微型的「整流器」，負責把牆壁插座上的交流電（AC）轉換成直流電（DC）餵給設備。

在過去，這種妥協運作得很好。因為一部手機充電功率不過 5W 到 20W，一台家用電腦不過 300W。

即使在 AC 轉 DC 的過程中因為發熱損失了 10% 到 15% 的能量，那也不過是幾瓦的熱量，摸起來溫溫的而已，沒人在意。

1.2 為什麼現在成了問題？

當我們進入 AI 時代，這個延續了百年的架構終於迎來了挑戰。

原因在於：規模變了。

傳統的伺服器機櫃，功耗大約在 10kW 左右。但當我們把 NVIDIA Blackwell（140kW）或未來的 Rubin（600kW）送進資料中心時，一個機房的總用電量會直接飆升到 100MW 甚至 750MW。

資料中心的電力傳輸鏈需要不斷將高壓交流電（AC）轉換為直流電（DC），再轉換為交流電（AC），當中會經過多次轉換，每一次都因元件發熱而憑空損失能量。當規模幾何級上升時，能量損失幅度同樣也是幾何級上升。

如果我們繼續使用傳統的 12V 或 48V 直流電在機櫃內部配電，面對 600kW 的超高功率，根據 P=VI，機櫃內部的電流將達到驚人的 12,500 安培，這需要像大腿一樣粗的銅線才能傳輸，在物理上根本無法塞進狹窄的伺服器機架中。

1.3 從「三千公里」到「三公尺」的 HVDC

在我們進入資料中心的鋼鐵世界之前，必須先釐清一個術語上的「美麗誤會」。

如果你問一位傳統的電力電網工程師：「什麼是 HVDC（高壓直流電）？」他腦中浮現的畫面，絕對不會是精密的晶片或伺服器，而是橫跨荒漠、高聳入雲的巨大輸電鐵塔，以及連接兩端、長達數千公里的超高壓直流輸電線路。

在過去半個世紀裡，HVDC 確實是「超長距離、超大功率」輸電的代名詞。因為在長途跋涉的電網傳輸中，交流電（AC）會因為電線內部的電抗（Reactance）產生額外的無功功率損耗，且需要三根導線。

而直流電（DC）只需要兩根導線，且沒有電抗損耗。因此，當傳輸距離超過 600 到 800 公里時，建設極其昂貴的直流換流站就會變得划算。

也就是說，過去的 HVDC，解決的是「空間尺度極大（數千公里）」的傳輸難題。

然而在 AI 時代，這項技術迎來了歷史上最魔幻的「空間縮水」。今天我們所談論的資料中心 HVDC 革命，其核心戰場不再是跨越省份與國界的千里長征，而是被壓縮進了資料中心內部、甚至是機櫃到晶片之間那短短「三公尺」的極限距離。

這是一場空間尺度的極致對比：

過去的 HVDC：電壓高達 800kV，傳輸距離 3,000 公里，目的是跨越地理障礙。
現在的 HVDC：電壓為 800V，傳輸距離 3 公尺，目的是在冰箱大小的機櫃空間裡，塞進相當於中型工廠的恐怖電能。

為什麼傳輸距離縮短到只有幾公尺，我們卻依然需要動用「高壓直流」這種原本用來跨越大陸的重型武器？

答案依然是物理定律。當單一機櫃的功耗從 10kW 暴增到 600kW 時，在機櫃內有限的狹窄空間裡，我們面臨的「發熱與線纜體積極限」，與當年愛迪生在紐約街頭面臨的困境本質上完全相同。

140 年前，愛迪生之所以輸掉戰爭，是因為當時沒有「半導體技術」，無法在不損失能量的情況下，把直流電的電壓隨意變大變小。

而今天，以碳化矽（SiC）和氮化鎵（GaN）為代表的先進功率半導體已經解決了這個難題。

愛迪生並沒有錯，他只是早誕生了 140 年。在 AI 算力將物理極限逼到牆角的今天，高壓直流電（HVDC）正以全新姿態重新歸來。

第二章｜寸土寸金的戰場：資料中心的供電究竟長甚麼樣？

在我們深入探討高壓直流電（HVDC）的商業戰爭與供應鏈版圖之前，必須先退後一步，看清楚資料中心（Data Center），究竟是一個怎樣的空間。

許多人對資料中心的想像，或許是科幻電影中那種閃爍著藍光、一排排整齊冰冷的伺服器機櫃，四周安靜得只有風扇的低鳴。但實際上，現代 AI 資料中心更像是一座高密度的「電力與熱量轉化廠」。

如果我們把這座工廠剖開，會發現它的空間配置與電力路徑，正被一條無形的物理邊界一分為二。

這條邊界，不僅劃分了資料中心的「白區與灰區」，更區隔了電力工程中截然不同的兩個世界：「重電與輕電」。

2.1 空間與技術的雙重奏：白區（輕電）與灰區（重電）

在資料中心建築中，空間被嚴格地劃分為兩大陣營。這兩大陣營，恰好對應著電力傳輸鏈的後半段與前半段：

白區（White Space）＝「輕電」的精密舞台

白區是資料中心的「心臟」與「黃金地段」，這裡擺放的是一排排裝滿 CPU、GPU、交換器與儲存設備的 IT 機櫃。

之所以叫白區，是因為傳統上這裡的地板通常鋪設白色防靜電高架地板。

商業本質：白區是資料中心唯一能產生營收的空間。雲端服務商（CSP）就是靠著白區裡伺服器的算力，或者出租白區的機櫃空間來向客戶收費。這裡的每平方英尺租金，都是以極其昂貴的黃金價格計算。
技術本質（輕電）：白區處理的是「精密電子」。當電壓被降到機櫃內部、靠近主機板的層級後，戰場就切換成了微米級的晶片世界。這裡要把 50V 一路降壓到 GPU 核心所需的 0.8V 以下，距離晶片往往只有幾毫米。這裡的關鍵字是「低電壓、超大電流、零容錯」，考驗的是半導體微晶片的設計功力（IC Design）。

灰區（Grey Space）＝「重電」的鋼鐵怪獸

灰區則是資料中心的「後勤保障區」。這裡不放任何伺服器，而是塞滿了維持白區運轉所需的基礎設施：高壓變壓器、中壓配電盤、龐大的不斷電系統（UPS）、柴油發電機、冰水主機以及水泵。

商業本質：灰區雖然不直接產生算力，但沒有它，白區的晶片連一毫秒都無法運作。然而，灰區佔用的每一坪空間，在商業上都是「無法產生直接營收的成本負擔」。
技術本質（重電）：灰區處理的是「萬伏級的洪水」。從電網輸入的中壓交流電（如 13.8kV）開始，一路降壓、整流，再透過粗壯的銅排（Busbar）送進機房。這裡的關鍵字是「高電壓、大電流、大功率」，考驗的是耐得住數萬伏特衝擊的重型電力工程，是鋼鐵與銅線的物理世界。

臨界點：失衡的「灰白比」

在傳統的通用型雲端伺服器時代，那時的「灰白比」非常健康，大約是1:1。也就是說，一坪的灰區重電設備，就足以支撐一坪的白區輕電伺服器運作。

然而，當 AI 時代來臨，晶片運算所需的電量呈指數級上升。這意味著灰區的變壓器要變得更大、UPS 電池要變得更多。如果繼續採用傳統的電力架構，灰區的重電設備體積將會急劇膨脹，瘋狂蠶食白區的空間。

當寶貴的白區空間被後勤的「重電箱子」給佔滿時，能用來放 GPU 賺錢的空間就變少了。

如何縮小後勤重電設備的體積，把空間還給白區的輕電晶片？這正是 800V HVDC 架構想要解決的核心商業問題。

2.2 從水庫到吸管：電力的一條單行道

電力從外部電網一路輸送至 GPU 晶片核心，中間究竟經歷了什麼？

為了讓這條冰冷的電力通道更容易理解，我們可以把它想像成一套「自來水淨化與配送系統」：電網送來的萬伏級高壓電，就像是水庫裡排山倒海的水量；而 GPU 晶片需要的低電壓、大電流，就像是一個口渴的人正在用吸管喝水。

水不可能直接從水庫大壩接一根吸管送到嘴邊。

它必須經過「水庫（電網） → 淨水廠（變電站） → 城市幹管（灰區重電） → 社區水箱（白區配電） → 家中水龍頭（機櫃 PSU） → 濾水器吸管（晶片 PoL）」這一連串的關卡，一級一級地把磅礴的水勢，馴服成可以安全入口的涓涓細流。

當我們把這條「從水庫到吸管」的單行道攤開來看，就能一眼看出傳統交流（AC）架構與新型 800V 直流（DC）架構，在空間與技術效率上的巨大差異：

傳統交流配電架構：一場跨越灰白區的滑稽折返跑

在傳統架構下，為了在灰區（重電）與白區（輕電）之間妥協，電力傳輸鏈簡直像一場滑稽的折返跑：

【灰區／重電】：電網送來高壓交流電（AC）。
【灰區／重電】：為了防止斷電，資料中心的 UPS（不斷電系統）先將它轉成直流電（DC）存進電池，再轉回交流電（AC）送出去。
【跨越邊界】：這股交流電一路從灰區拉進白區，進到伺服器機櫃。
【白區／輕電】：機櫃內的電源供應器（PSU）再費力地將交流電（AC）轉換為 12V 或 48V 的直流電（DC）。
【白區／輕電】：最後，主機板上的電壓調節器（PoL）再將它降壓，送進 GPU 核心。

在這條漫長的傳輸鏈中，每多一次「AC 轉 DC」或「DC 轉 AC」的折返跑，就會因為元件發熱而憑空損失 2% 到 5% 的能量。

在 500MW 規模的 AI 資料中心裡，這意味著有高達 25MW 的電力在灰白區的轉換過程中被白白浪費，並在密閉機房裡產生龐大的廢熱。

新型 800V HVDC 架構：重電與輕電的一步到位

而在最理想的 800V 直流架構下，重電與輕電的邊界被重新梳理，中間那幾個笨重的變壓器箱子與傳統 UPS 全都消失了。

我們在電網入口處（灰區）就直接使用固態變壓器（SST），一次性地把中壓交流電降壓並整流成 800V 直流電，接著一路以高壓直流形式送進機房。

原本體積龐大、需要獨立房間安放的傳統 UPS，被簡化為直接掛在 800V 直流匯流排上的電池備援單元（BBU）。有電時直接充電，斷電時直接放電，少了一整層「AC 轉 DC 再轉 AC」的折返損耗。

這不僅消除了多次轉換的能量損耗，更將原本塞滿灰區的「笨重重電箱子」大幅減肥，實現了資料中心空間（白區最大化）與技術效率（輕重電直連）的雙重解放。

2.3 PUE 的死穴：為什麼 1.1 已經不夠用了？

評估一家資料中心是否節能，全球通用的黃金指標是 PUE（Power Usage Effectiveness，電力使用效率）。

完美無損耗的資料中心，其 PUE 值為 1.0。這代表電網送進來的每一瓦電，都百分之百用在了 GPU 的運算上，沒有任何一絲電能浪費在冷卻風扇、空調或配電發熱上。

在過去幾年裡，Google、Meta 與微軟等超大規模雲端業者，透過極致的風道設計、AI 溫控演算法以及液冷技術，已經將新建資料中心的 PUE 壓低到了驚人的 1.1 左右。

這看起來已經接近極限，但當我們把尺度放大到 600kW 單櫃功耗的 AI 時代時，這個看似優異的 1.1 卻成了一個致命的死穴。

我們來算一筆帳：

在一個擁有 1,000 個 600kW 機櫃的超大型 AI 園區中，IT 設備的總功率高達 600MW（百萬瓦）。

如果 PUE 是 1.1，意味著有 60MW 的電力被浪費在配電發熱與冷卻上。而如果透過 800V HVDC 架構，減少交流與直流的轉換次數與配電線路損耗，將 PUE 進一步逼近到 1.05，浪費的電力將降至 30MW。

這省下來的 30MW 電力，在商業上意味著兩件事：

第一，直接節省巨額電費。以工業電價每度約 0.09 美元計算，一年就能為營運商省下約 2,500 萬美元的電費開支。

第二，釋放寶貴的電力配額。在電力供給極度緊張的今天，省下來的 30MW 電力配額，可以讓資料中心多塞進 50 個 600kW 的 AI 機櫃，直接轉化為實打實的算力與營收。

當算力規模大到一定程度時，PUE 的小數點後第二位，就是決定百億級企業競爭勝負的護城河。而 800V HVDC，正是目前物理學界與工程界公認，能幫營運商在配電端「再榨出這幾個百分點效率」的唯一解藥。

2.4 電動車的啟示：資料中心正在抄作業

為什麼是 800V，而不是其他電壓？因為全球電動車（EV）產業已經先走通了這條路。

電動車為了實現「超快充」，電壓從 400V 升級到 800V，成功讓充電電流減半，車內銅線重量與發熱損耗隨之大幅下降。

這給了資料中心一個巨大的紅利：直接抄電動車的作業。

因為電動車的大規模普及，上游半導體廠（如英飛凌、意法半導體）已經量產了非常成熟且便宜的 800V 功率元件（如碳化矽 SiC），連接器大廠也開發出了車規級安全接頭。

資料中心現在切入 800V，不需要從零開發硬體，就能以合理的成本直接享受高壓直流的物理紅利。

第三章｜沒有人能一條龍：重電、輕電與一場規格暗戰

既然這條電力路徑從頭到尾都是在「轉換電壓」，為什麼不乾脆由一家超級巨頭（像是台達電、英飛凌或ABB）把整條路從水庫到吸管全部包辦，做成一條龍服務？

答案，就藏在我們前面埋下的那兩個關鍵字裡。重電與輕電，考驗的是兩種截然不同的「核心技術基因」。

3.1 重電和輕電

重電的世界，是重工業的天下。在電力路徑的最前段，處理的是萬伏級的電網高壓。這需要的是耐得住數萬伏特擊穿的材料科學、龐大的散熱結構，以及數十年來與各國電網、公用事業打交道累積的工程信任。

這是 ABB、施耐德、西門子 這些百年重工業巨頭的主場。一家擅長製造數噸重變壓器的公司，骨子裡流的是「鋼鐵與高壓」的血液。

輕電的世界，是半導體的地盤。在電力路徑的最末端，處理的是貼著 GPU 晶片、僅有 0.8V 的微米級電壓。

當電壓降到這麼低時，電流會瞬間放大數十倍，高達數千安培。在這種極端情況下，只要有微毫秒的電壓波動，價值百萬台幣的 GPU 就會立刻當機甚至燒毀。

這層技術的容錯率幾乎為零，靠的是半導體微晶片設計（IC Design）的真功夫，是 MPS、英飛凌、瑞薩這些晶片公司的地盤。

一家做重型變壓器的公司，絕對沒有設計奈米級晶片的基因；反之，一家頂尖的晶片設計公司，也造不出耐受萬伏高壓的工業級變壓器。

這道橫亙在重電與輕電之間的鴻溝，深到幾乎沒有人能夠輕易跨越。

Tesla和SpaceX考慮合併？Anthropic超越OpenAI？Dell為甚麼大漲？ - KP思考筆記(第44期)

KP@FOMOSoc — Sat, 30 May 2026 03:31:07 GMT

大家好，我是 KP，歡迎來到第 44 期的《週末思考筆記》。

最近我在重讀 Peter Lynch 的經典著作One Up on Wall Street。雖然這是一本四十年前的書，裡面的很多案例在今天的科技環境下看似已經過時，但其中的核心邏輯與哲學，卻依然十分適用。

Lynch 曾提到：「如果你理解一家公司的基本業務，那麼掌握這家公司的發展就會變得容易得多。」

這正是我一直以來堅持深耕不同產業的原因。我們必須不斷擴張自己的知識邊界，去理解更多不同商業模式的底層邏輯。因為只有當你「看懂」了生意，你才不會在市場波動時被情緒牽著走。

提到 Lynch，我最喜歡的一句名言是：「投資者為了準備修正，或試圖預測修正所損失的錢，遠比在修正本身中損失的還要多。」（Far more money has been lost by investors preparing for corrections... than has been lost in corrections themselves.）

這句話簡直就是過去兩個月市場的縮影。

我並不是在鼓吹大家應該盲目 All-in，或是樂觀地認為一切大好、絕對不會崩盤。

事實上，我還是那句老話：我不知道市場明天會發生什麼。

但如果你相信 AI 的浪潮會持續進化，或者看好大格局下人類科技與社會的進步，那麼「過度準備修正」，比如長期持有過高比例的現金、或是因為恐懼而錯失優質標的，往往並非明智之舉。

「保持謹慎」並不代表「停止投資」。 真正的謹慎，應該體現在對標的篩選的嚴苛，以及對倉位配置的紀律，而不是體現在對市場崩盤的無端預測上。

事實上，很多人常把「波動」誤認為「風險」。

用 Lynch 的邏輯來說，股價的短期下跌只是波動，而真正的風險是你「不在場」。如果你總是擔心回調的風險，而選擇在場邊觀望，你失去的不只是短期的漲幅，而是讓複利滾動的機會成本。在科技投資的領域，這種代價尤其巨大，因為領先者的增長往往是非線性的。

這也回到了為什麼我強調要「看懂生意」。

當你真正理解一家公司的商業邏輯，你對「修正」的看法會完全不同。你會發現，市場的雜訊往往是在幫你剔除那些意志不堅定的投機者。

擴張知識邊界的目的，並不是為了讓我們變成預測大師，而是為了讓我們在市場情緒失控時，手裡還握有一份準確的「價值地圖」。

重讀四十年前的經典，是為了修煉那份在混亂中保持冷靜的定力。

這個星期的思考筆記將會有5個主題，包括：

主題一：Tesla和SpaceX考慮合併？

主題二：Marvell 其實不只是ASIC的第二名？

主題三：Snowflake從「AI敗將」突然變成「AI贏家」？

主題四：Dell這家組裝廠為甚麼能大漲？

主題五：Anthropic最新融資輪告訴我們甚麼？

不妨考慮先讚後看，我們立刻進入主題!

主題一：Tesla和SpaceX考慮合併？

最近市場上最熱的話題，莫過於 SpaceX 準備在六月中旬以 1.5 兆至 1.75 兆美金 的估值進行 IPO。

但更讓人興奮的是隨之而來的猜測：Tesla 和 SpaceX 會不會合併？

如果真的發生，對於投資者來說，這究竟是 1+1>2 的紅利，還是充滿風險的豪賭？

為什麼華爾街分析師敢喊出 90% 的成功率？

Wedbush 知名分析師 Dan Ives 預測，在 2027 年上半年，兩家公司合併的機率高達 80-90%。支撐這一大膽預測的核心邏輯在於「AI 生態系的終極閉環」。

當 SpaceX 完成上市後，兩家公司都將成為公開交易實體，這使得「股票換股票」的合併案變成了具備市場定價基準的標準操作。

更深層的動機在於馬斯克對 AI 生態系統的絕對控制權。

Tesla 掌握了真實世界的物理數據，從自動駕駛車隊到 Optimus 機器人，再到能源儲存系統；而 SpaceX 則提供了全球覆蓋的連網能力（Starlink）與潛在的邊緣運算能力。

將兩者結合，將創造出一個從地表延伸至軌道的「垂直整合 AI 實體堆疊」，這種軟硬體與通訊的深度整合，是任何競爭對手都難以複製的護城河。

結構上的「不對稱性」

為什麼這場合併在操作上是有可能的？關鍵在於投票權。

在 SpaceX，馬斯克擁有約 42% 的股權，但透過雙重股權結構，他掌握了 85% 的投票權。換句話說，只要他想併，SpaceX 這邊基本上就是他一個人說了算。

但 Tesla 這邊就沒那麼簡單了。Tesla 是單一類別股權，馬斯克持股約 20%，他需要說服廣大的公眾股東、機構法人，還要面對獨立董事會的審查。這是一場完全不同的硬仗。

此外，資深投資人不會忘記 2016 年 Tesla 收購 SolarCity 時引發的巨大爭議。當時馬斯克被指責是利用 Tesla 的現金流去拯救自己另一家陷入困境的公司。

雖然他最終在德拉瓦州法院贏得訴訟，但「自我交易」（Self-dealing）的標籤已成為投資者心中難以抹滅的陰影。這次若要併購估值破兆的 SpaceX，監管機構與股東的放大鏡將會前所未有的嚴厲。

紅利與風險的雙面刃

從樂觀角度看，合併後的紅利確實誘人。

Tesla 加SpaceX這種一加一大於二的敘事，讓合併後的實體在資本市場具備更強的議價能力，能以更低成本取得資金來投資長期的火星任務或 AI 研發。

但風險同樣巨大，兩者合併很可能會出現「集團折價」（Conglomerate Discount）風險：SpaceX 目前享有純粹的太空溢價，一旦與波動劇烈的汽車業務掛鉤，公司結構的改變可能導致整體估值倍數下降。

預測市場的冷靜 vs. 分析師的狂熱

有趣的是，雖然 Dan Ives 喊到 90%，但預測市場（如 Kalshi）的賠率卻顯示，2027 年前達成合併的機率不到 40%。

我的看法是：短期內成事的機率極低。

SpaceX 當前的首要任務是完成一場乾淨、破紀錄的 IPO。在上市初期估值尚未穩定時就啟動併購，會讓法律風險呈幾何倍數增長。

但若將時間拉長至 3 到 5 年，當兩家公司的技術協同（如衛星通訊之於自動駕駛）變得不可或缺時，「帝國整合」幾乎是馬斯克性格下的必然選擇。

說到底，這筆交易只有在「AI 與運算的協同效應足以抵消整合摩擦」時才具備說服力。對股東而言，這是一場關於未來 10 年 AI 霸權 的豪賭。

無論最終結果如何，在接下來的 18 個月裡，馬斯克的每一份 SEC 文件與公開發言，都將成為市場重新定義「跨星際企業」價值的關鍵線索。

無論你站在哪一邊，有一件事是確定的：這個話題不會消失。

在接下來的十二到十八個月裡，每一次馬斯克的公開發言、每一份 SEC 文件、每一個預測市場的價格波動，都會被市場用放大鏡檢視。

主題二：Marvell 其實不只是ASIC的第二名？

Marvell過去長年被視為「比較小號的 Broadcom」、「ASIC 第二名」、「定位有點尷尬的網通公司」。為什麼這家公司在這一年裡，股價可以走出這麼陡峭的曲線？

我覺得大部分人對這檔股票的理解，還停留在舊時的版本。

Marvell 已經悄悄變成另一家公司了，市場現在才剛剛追上這個事實。

一個被嚴重誤讀的故事

過去兩年，市場給 Marvell 貼的標籤是「ASIC / 客製化晶片公司」。Amazon Trainium、Google TPU 之外的第三方 ASIC 玩家，主要就是 Broadcom 和 Marvell。

市場的敘事很簡單：超大規模雲廠商要做自己的 AI 晶片，誰能幫他們設計，誰就吃到這波紅利。

這個故事沒錯，但它只是 Marvell 的一半。

從上季開始，CEO Matt Murphy把資料中心業務明確拆成三塊來講：

「我把討論分成三個類別：Interconnect（互連）、Switching（交換）、Custom（客製化晶片）。」

「互連，已經成為我們資料中心業務中佔比最大的部分。」

請看清楚這句話。佔比最大的不是 ASIC，是 Interconnect。

Interconnect 才是主角

我們先把名詞搞清楚。

ASIC / Custom Silicon 是「算的」。客戶要做一顆 AI 加速器，Marvell 幫他設計出來。這是邏輯運算的部分。

Interconnect 是「連的」。把幾萬顆 GPU、XPU 連在一起的高速通道。光模組、DSP、TIA、driver、coherent module、CPO/NPO 這些東西，全都是 interconnect。

以前如果你問所有人「AI 基礎設施的瓶頸是什麼？」答案是 GPU 不夠、HBM 不夠、算力不夠。所以那時候錢都往算力跑，Nvidia 一家獨大。

但是 2025 年下半年到 2026 年，情況變了。當 AI 模型架構從單純的 Dense transformer 進化到 Mixture of Experts、reasoning models、agentic workflow，當訓練叢集從幾千顆 GPU 變成幾十萬顆，當推論需要跨多個機架做 KV cache 共享時，瓶頸就從「算力」變成「連接」。

事實上，Marvell 把 interconnect 這塊業務的成長預期，從原本的 +50% YoY 一口氣拉到 +70% YoY。它意味著管理層在三個月內看到的訂單能見度，已經明顯超出他們三個月前的判斷。

「互連，已經成為我們資料中心業務中佔比最大的部分。」

為什麼要特地把「互連」拆出來講？

Marvell 以前也習慣把這些通通歸類在「網路（Networking）」裡。現在大動作把它們拆開，背後有三個極其關鍵的戰略考量：

第一，它們是完全不同的技術領域（「光學物理」vs.「數位邏輯」）。

交換器（Switching）是「數位邏輯」，寫的是程式碼、路由表和演算法，本質上是純粹的矽晶片設計。

而互連（Interconnect）則是「物理與光學」，處理的是雷射、光波、訊號衰減和類比電路。要設計出能在 1.6T（極高頻寬）下保持光訊號乾淨不失真的光學 DSP，需要的工程技術，和設計交換器晶片是完全不同的兩撥人。

第二，Marvell 在這兩個市場的「江湖地位」完全不同。

在交換器（Switching）領域，Broadcom 是無庸置疑的泰山北斗，Marvell 雖然成長很快，但目前仍是挑戰者。

如果混在一起談，會掩蓋掉 Marvell 的鋒芒。因為在互連（Interconnect）領域，Marvell 才是「一哥」。透過當年收購光通訊巨頭 Inphi，Marvell 在光學 DSP 市場擁有超過 60% 的絕對市佔率。

拆開來，Marvell 就能驕傲地告訴華爾街：「看，這是我們利潤極高、幾乎沒有對手能威脅我們的黃金帝國。」

第三，AI 的瓶頸已經轉移到了「互連」上。

在過去，電腦的瓶頸在於晶片算得不夠快（Compute）。但在 AI 時代，瓶頸變成了「晶片之間溝通不夠快」（Interconnect）。

因為 AI 模型太龐大了，GPU 往往有大半的時間都在「等」其他 GPU 傳資料。Marvell 把 Interconnect 獨立出來，等於是在向市場宣告：「我們掌握了徹底解決 AI 塞車問題的終極鑰匙，這就是為什麼這個板塊能實現年增率超過 70% 的成長！」

事實上，Marvell 把 interconnect 這塊業務的成長預期，從原本的 +50% YoY 一口氣拉到 +70% YoY。它意味著管理層在三個月內看到的訂單能見度，已經明顯超出他們三個月前的判斷。

圍繞「互連」的收購

看懂了這個框架，你就能理解 Marvell 近幾個月連續完成的三筆收購的布局：

Celestial AI：光子互連，專門做 scale-up（機架內、機架間的高頻寬連接）。已經被一家頂級 hyperscaler 選中。光是這一筆，就把 Marvell 的 scale-up 光學市場機會從原本估的 1.5 億美元，拉高到 FY2028 的 3 億美元。
XConn：PCIe / CXL 交換晶片。記憶體解耦合（memory disaggregation）的關鍵零件。
Polariton：等離子體矽光子技術，調變頻寬可達 1 THz，是傳統矽光子的 10 倍。為 3.2T 以上的速率鋪路。

這三筆收購，構成了 Marvell 從 scale-out 到 scale-up 到 scale-across 的完整光學連接堆疊。

於是，你也能明白為何 Nvidia 要對 Marvell 進行 20 億美元 的戰略投資。Nvidia 自己也知道，當叢集規模繼續擴大，光學互連會是它最大的瓶頸，它需要一個能在矽光子做出規模的合作夥伴。

那 ASIC 怎麼辦？

既然 Marvell 把 Interconnect（互連）講得這麼大聲，大家可能會問：是不是它的 ASIC 業務碰壁了，所以才拿光通訊來轉移焦點？

答案是：並不是。

事實上，管理層在法說會上，將 FY2028 的 ASIC 營收展望從原先的預期，直接上調至「不只翻倍（more than double）」，並重申了 FY2029 突破 100 億美元 營收的長期目標。

這背後的底氣，來自於其旗艦 XPU 項目已經擁有了跨世代的產品能見度。更重要的是，AI 推論（Inference）時代的到來，正在為 Marvell 創造全新的戰場。

所以，ASIC 沒有被淡化，它只是不再是唯一的故事。

Marvell 已經從過去的「單引擎成長股」，正式蛻變為「客製化算力＋極速互連」的雙引擎旗艦。

在估值邏輯上，這有著本質的差別：雙引擎意味著當其中一個板塊面臨週期性調整時，另一個引擎依然能提供強勁的成長動能。對長期資金而言，這極大地降低了投資的不確定性。

理解AI運算的新戰場

這檔股票近半年的大漲，不是市場瘋了，是市場對「Marvell 是什麼公司」的認知，重新校準了。

兩年前的 Marvell：一家做 ASIC 和網通晶片的中型半導體公司。
現在的 Marvell：一家在 AI 叢集的算力和連接兩個關鍵層都有領先地位的純 AI 基礎設施玩家。

這兩個版本在估值上應該值多少錢，是天差地別的。光纖和交換晶片的單位經濟學，會比過去任何時候都重要。

這是 Marvell 的故事，更是整個 interconnect 這個賽道的故事。

主題三：Snowflake從「AI敗將」突然變成「AI贏家」？

Snowflake公布財報之後，股價單日暴漲35%，創下公司史上最大單日漲幅。

這種漲法在大型企業軟體公司非常罕見。不是因為業績好一點點，而是因為市場對這家公司的認知在一天之內徹底翻轉。

三個月前，市場還在擔心Snowflake會不會在AI時代被邊緣化。現在，大家開始討論Snowflake是不是企業AI基礎設施的關鍵玩家。

這中間發生了什麼事？

先看這筆 60 億美元的「天價合約」

Snowflake 宣布與 AWS 簽署了多年期戰略合作協議（SCA），承諾在未來五年投入 60 億美元的基礎設施支出。

這是 Snowflake 史上最大手筆的承諾，直接把 2023 年簽的 25 億美元合約翻了將近 2.5 倍。

這 60 億美元，主要花在兩個地方：

AWS Graviton 處理器（AWS 自研的 ARM 架構 CPU）。
GPU 加速的 AI 運算實例（主要是 NVIDIA 的算力）。

簡單來說，Snowflake 要用 AWS 自家最便宜、性價比最高的晶片（Graviton）來跑資料倉儲的核心工作，然後把昂貴的 NVIDIA GPU 留給 AI 訓練和推論。

為什麼市場以前把Snowflake當「AI輸家」

在這個消息出來之前，華爾街對Snowflake的主流看法其實蠻悲觀的。

很多人認為，Snowflake就是一個資料倉儲公司，後來加了一些AI功能。真正的AI工作負載，不是會被巨頭自己的工具吃掉（AWS Bedrock、Azure AI、Google Vertex），就是會被更「AI原生」的競爭對手搶走（主要是Databricks）。

Snowflake之前的成長確實有放緩的跡象，分析師開始懷疑他們的Cortex AI功能到底有沒有人在用，還是只是客戶拿來玩玩看。

更根本的疑問是：在AI時代，企業真的需要一個獨立的資料平台嗎？還是會直接把資料丟給雲端供應商的AI服務？

這是為什麼Snowflake的股價在過去兩年跑輸很多AI概念股。市場覺得他們受惠於「資料增長」，但不確定他們能不能真正參與「AI基礎設施」的大餅。

敘事改變了嗎？

這筆交易之所以能讓市場態度一百八十度轉變，是因為它一次回答了好幾個懸而未決的問題。

首先，它證明了 AI 功能已經開始變現。

最新財報顯示，已有超過 13,600 個客戶在使用他們的 AI 功能，且淨收入留存率（NRR）開始改善。這代表 AI 不再是行銷話術，而是實打實的營收引擎。

第二，它證明了Snowflake願意把真金白銀砸在AI基礎設施上。

60 億美元不是小數目，而且是綁定在特定的技術架構上，這代表他們對自己在企業AI生態系統中的定位有明確的長期規劃。

第三，也是最重要的，它重新定義了Snowflake在AI時代的角色。

企業開始發現一個重要的現實：光有聰明的大模型（LLM）根本沒用，它只是個會吹牛的實習生。企業真正要的，是能幫忙幹活、解決問題的「AI Agent（智能體）」。

一個能幫你自動對帳、報稅、甚至調度供應鏈的 AI Agent，需要做什麼？

它要拆解複雜任務。
它要調用各種工具與 API。
最關鍵的是：它必須在絕對安全、合規的環境下，讀取企業最核心、最敏感的私有數據。

這正是 Snowflake 的主場。數據在哪裡，AI 的物理邊界就在哪裡。

這筆 60 億美元的合約，本質上是 Snowflake 在向全世界宣告：我們不只是存數據的地方，我們要把 AI 運算直接拉到「數據的保險箱」裡。

透過 Snowflake Cortex AI，企業不用把敏感數據搬來搬去，直接在原地就能訓練、調用 Agent。

Graviton的驗證意義

以AWS的規模，60 億美元分攤到五年（每年約12億）對整體營收的影響其實很有限。AWS的季度營收已經是幾百億美元的量級，多一個大客戶加深投入，從數字上只是漸進式的成長。

真正重要的是這筆交易的「示範效應」和「模板效應」。

Snowflake是目前市面上最成熟、規模最大的獨立資料平台之一，他們對雲端經濟學的理解非常深。

當他們公開把真金白銀押在Graviton上，而且明確表示是因為「顯著的價格效能優勢」，這對市場發出了一個很強的訊號：客製化ARM晶片在大規模生產環境中是可行的，而且是有利的。

AWS 數據指出，Snowflake 將工作負載遷移到 Graviton 後，平均效能提升了 10%，碳排放砍了 57%，在某些場景下效能提升甚至超過 30%。

這再一次證明了：Agent 系統其實有大量的「CPU 需求」。

Agent 的運作流程中，任務調度、工具調用、狀態維持、安全管控等「文職工作」，其實更適合用便宜、省電的 Graviton CPU 來跑；而昂貴的 NVIDIA GPU，應該被精準地保留給大模型推理。

在自研通用 CPU 的賽道上，AWS 走得最早（2018 年推出 Graviton），而 Google 的 Axion 和微軟的 Cobalt 仍在苦苦追趕。

Snowflake 的這筆大單，無疑是幫 AWS 的自研晶片飛輪注入了最強燃料，也給其他還在猶豫要不要擁抱 ARM 架構的企業，打了一劑強心針。

同一天的Natoma收購

很多人只注意到60 億美元的數字，但Snowflake在同一天還宣布了另一件事：收購Natoma。

Natoma 是一個專注於企業 AI Agent 治理和「模型上下文協定（Model Context Protocol, MCP）」的平台。

當 AI Agent 擁有調用企業數據的權力時，企業最怕的就是它「失控」（例如：AI Agent 幫你自動採購，結果理解錯指令，把整年的預算一次花光）。

Natoma 的角色，就是給這些在數據庫裡奔跑的 Agent，裝上「煞車」和「方向盤」。

Snowflake希望不只是要做一個「有 AI 功能的資料平台」，而是要成為企業部署、治理、運行 AI Agent 的「Trusted Execution Environment（可信賴執行環境）」。

狂歡背後：Snowflake 面臨的關鍵風險

雖然市場情緒高漲，但這場高調的轉型背後，本質上是一場巨大的豪賭。

最直接的壓力來自那筆 60 億美元的承諾。這相當於每年要燒掉 12 億美元，對 Snowflake 的現金流與毛利率是極大的考驗。

如果企業 AI 的普及速度不如預期，這筆龐大的基礎設施支出，隨時可能從「增長引擎」變成「沉重的財務包袱」，甚至加深對 AWS 的過度依賴。

更關鍵的是，AI 變現的真實進度依然模糊。雖然有 13,600 個帳戶採用 Cortex AI，但具體貢獻了多少營收？財報裡並沒有給出答案。

在技術執行上，要建構安全且不失控的 Agent 系統極其複雜，而 Databricks 與雲端巨頭早已在前方虎視眈眈。

這會引發 SaaS 行業的基礎設施軍備競賽嗎？

Snowflake 的大手筆投入，是否意味著其他軟體公司也會跟進，展開基礎設施的軍備競賽？

答案是否定的。

大多數 SaaS 公司在導入 AI 時，會選擇更輕量、低風險的路線。他們會傾向於直接調用第三方 API（如 OpenAI、Anthropic，或雲端巨頭的 Bedrock、Vertex AI 等），這比自己構建和維護龐大的底層硬體更便宜且安全。

只有像 Snowflake、Databricks 這種核心產品與「數據及 AI 基礎設施」深度綁定的平台型公司，才有足夠的動機去進行如此龐大的直接基礎設施投資。

至於真正的重資本支出，主要還是由 AWS、微軟和 Google 等雲端巨頭在承擔，大多數 SaaS 公司只是他們的客戶，而非基礎設施的競爭者。

敘事翻轉的啟示

Snowflake這次的經歷是一個很典型的「敘事翻轉」案例。

三個月前，同樣的公司、同樣的產品、同樣的客戶基礎，市場給的故事是「可能被AI時代邊緣化的傳統資料平台」。

現在，因為一筆大型基礎設施承諾加上強勁的業績數字，市場給的故事變成「企業Agentic AI的關鍵基礎設施玩家」。

這兩個故事哪個才是對的？說實話，可能都有一部分對。

真實的答案，通常落在兩者之間的某個地方。Snowflake 確實面臨著來自雲端巨頭與 Databricks 的激烈競爭，但他們也確實握有別人拿不走的資產——企業客戶對其「數據治理能力」的終極信任。

市場的定價永遠在「極度悲觀」與「極度樂觀」兩個極端之間擺盪。

但對投資人來說，真正的問題不是「現在的敘事對不對」，而是「如果新敘事是對的，股價還有多少空間？如果不是，下行風險有多大？」

主題四：Dell這家組裝廠為甚麼能大漲？

「去買部Dell電腦吧!」

幾個星期前， Donald Trump在公開場合這樣說道。

現在回頭看，原來我們當時該買的不是 Dell 的電腦，而是它的股票。

Dell 剛剛交出了一份出色的財報：

單季營收：438 億美元（年增 88%，遠超市場預期的 350 億美元）
AI 伺服器營收：161 億美元（年增 757%）
全年 AI 伺服器營收指引：直接上調至 600 億美元

財報公布後，Dell 盤後股價狂飆 30%。這絕對不是什麼正常的市場波動，這是市場在用真金白銀承認：「我們之前的預測模型錯了，而且錯得很離譜。」

究竟，華爾街低估了 Dell 什麼？

「非 AI」的 IT 基礎設施大翻新

在過去，很多分析師的預測模型都假設：企業的 IT 預算是一塊固定的餅，買了昂貴的 AI 伺服器，就會排擠掉傳統伺服器和儲存設備的預算。

但現實情況完全相反。AI 正在產生強大的「拉動效應（Pull-through effect）」。

當一家企業決定部署大規模 AI 模型時，它不可能把這些GPU 孤零零地放在舊機房裡。為了不讓運算卡關，企業必須同步升級周邊的基礎設施。

Dell 本季傳統伺服器與網路營收達到 85 億美元，年增 92%。因為並非所有 AI 工作都需要最貴的 GPU，大量的推論（Inference）和輕量微調，其實是在傳統 CPU 或中低階加速伺服器上運行的。

同時，引進 AI 叢集，意味著機房的電力、散熱、機架空間和儲存系統（Storage）必須全面現代化。

這解釋了為什麼 Dell 的傳統業務不減反增，AI成為企業終於下定決心翻新「整間機房」的催化劑。

「企業級」與「主權 AI」成為主引擎

過去兩年，AI 基礎設施的買方主要是那幾家超大規模雲端巨頭（Hyperscalers，如微軟、Google、Meta 等）。這群客戶雖然買得多，但他們非常挑剔、價格敏感，且訂單極其不穩定。

但從這一季開始，風向變了。AI 的需求正在快速向「企業端（Enterprise）」與「主權 AI（Sovereign AI）」擴散。

Dell 的 AI 客戶數在短短半年內暴增 50%，突破了 5,000 家，而其中成長最快、管道最粗的，就是企業級客戶。

這對 Dell 來說是天大的好消息。因為企業和政府客戶不像雲端巨頭那樣懂技術，他們需要的是「一站式解決方案」。這直接帶出了 Dell 最深的護城河。

Dell 的護城河

每個人都用 NVIDIA 的晶片，Dell 的差異化在哪裡？

管理層反覆強調的是他們降低「摩擦、風險和價值實現時間」的能力。把晶片買回去，跟把晶片「跑起來」，是完全不同的兩回事。

要把成千上萬顆 GPU 塞進機架、拉好極速光纖、解決功耗與散熱問題，最後還要讓軟體穩定運行，這中間的工程複雜度高到一般企業根本無法想像。

Dell 有成千上萬名專業工程師，能直接到客戶現場幫你把整套複雜的 AI 叢集在最短時間內裝好、調校完畢。對企業來說，早一天上線，就是巨大的競爭優勢。

同時，AI 專案的初期資本支出（CapEx）極其驚人。Dell 透過自家的金融服務（Dell Financial Services），提供租賃、按需付費等靈活方案，直接幫預算有限的企業和新興雲廠商（Neocloud）解決了資金痛點。

這就是為什麼 Dell 能在激烈的競爭中持續贏得份額。它解決了客戶「想用 AI 但不會裝、沒錢買」的痛點。

20 年來最強的「營運槓桿」

最後，是這份財報中最性感的財務指標：營運槓桿（Operating Leverage）。

市場過去一直擔心，AI 伺服器的毛利率比傳統硬體低，隨著 AI 佔比提高，Dell 的利潤率會被稀釋。但這一季，Dell 用實力證明了什麼叫「規模效應」：

本季營收暴增 88%，但 Dell 的營運費用（OpEx）僅僅增長了 9%。這導致 OpEx 佔營收比重暴跌至 8.4%，創下 20 多年來的歷史新低。

當營收規模大到一定程度，固定的研發和管理成本被極度稀釋，利潤就會大幅上升。這也是為什麼其 Non-GAAP EPS 能達到驚人的 $4.86，遠超市場預期的 $2.9。

高處不勝寒，後續該看什麼？

當然，狂飆過後，我們也必須保持冷靜。

記憶體成本通膨：HBM 和 DDR5 的價格正在飆升，Dell 能否順利將成本轉嫁給客戶，將是下半年毛利率的考驗。
新舊交替的陣痛：目前積壓的 513 億美元訂單大多是 Grace Blackwell 架構，而下一代 Vera Rubin 還在管道中。新舊平台轉換期的供應鏈調配，非常考驗管理層的執行力。

但無論如何，這份財報已經徹底重塑了 Dell 的定位。

它不再是那家「賣 PC 和伺服器的傳統硬體廠」，而是一家在 AI 基礎設施爆發期中，不可或缺的「全棧式系統整合公司」。

市場用 30% 的盤後漲幅回應了這份財報。這是市場在說：我們之前低估了這個故事的規模。

問題是：這個重估是否足夠？還是市場仍然低估了 AI 基礎設施周期的廣度和持久性？

主題五：Anthropic最新融資輪告訴我們甚麼？

Anthropic這家 AI 獨角獸在同一週內完成了兩筆募資。

先是敲定了 650 億美元 的 Series H 股權融資，估值直接飆到 9,650 億美元，一舉超越 OpenAI 成為全球最貴的 AI 獨角獸；緊接著，媒體披露了一筆高達 360 億美元 的 TPU 租賃債務融資。

多數媒體的報導都聚焦在「估值超越 OpenAI」這件充滿火藥味的新聞上。但對投資人與產業觀察者來說，真正值得細看的，是那筆高達 360 億美元 的債務交易。

因為它揭示了一個正在成形的新遊戲規則：AI 公司籌措運算資源的方式，正在發生結構性的轉變。

用「昂貴的股權」買大腦，用「聰明的債務」買肌肉

過去，AI 公司的融資邏輯很簡單：拿 VC 的錢，或者拿雲端巨頭（Hyperscaler）的「算力折抵（Cloud Credits）」來做研發。

但當算力需求走向「十萬卡、百萬卡」的怪獸級規模時，這種玩法撐不住了。

這筆交易的架構是這樣的：Apollo 和 Blackstone 這兩家全球最大的私募信貸巨頭，正在籌組一筆約 360 億美元 的債務融資。

這筆錢會用來向 Google 購買大量的 TPU 晶片，然後再把這些晶片租給 Anthropic 使用。Broadcom 則為交易中最大額的部分提供付款擔保。

換句話說，Anthropic 不直接買晶片，而是透過租賃的方式取得運算能力。

這個模式其實不新。航空公司很早就這樣做了，多數航空公司不直接買飛機，而是向飛機租賃公司租。道理很簡單：飛機太貴，買了就卡死一大筆資金；租的話，資金可以更靈活運用，也更能因應市場變化調整機隊規模。

AI 晶片現在面臨類似的處境。訓練前沿模型需要的晶片數量極為龐大，而且這些晶片迭代很快，今天最先進的硬體，三年後可能就落伍了。直接買下來，不只佔用大量資金，還要承擔技術過時的風險。

但這筆交易的規模和複雜度，讓它跟一般的設備租賃很不一樣。360 億美元 是什麼概念？這可能是史上最大的單筆晶片相關融資。

而且參與的不是傳統銀行，而是 Apollo 和 Blackstone 這種私募信貸巨頭。Broadcom 願意為最大額的部分提供擔保，也代表這個生態系的主要玩家對這筆交易有足夠的信心。

這代表 AI 產業的資本結構走向了更成熟的「分層化」：AI 公司可以把極其昂貴的股權資金，留給真正需要長期資本、風險較高的事情——研發、人才與模型開拓（大腦）；而硬體這種相對標準化、有明確市場價值的資產，則用債務與租賃去處理（肌肉）。

對 Anthropic 來說，這也是運算來源多元化的一步。它本來就跟 Amazon 有深度合作關係（Amazon 是這輪股權融資中承諾資金的一部分來源）。

現在透過這筆交易，它又取得了大量 Google TPU 的使用權。在高階 AI 晶片供應仍然吃緊的環境下，同時握有多個運算來源，既是避險，也增加了議價籌碼。

當「賣鏟人」變成「合夥人」：供應鏈巨頭的深層綁定

如果說 360 億美元 的「債務層」解決了硬體租賃，那麼 650 億美元 的「股權層」則揭示了另一個深層趨勢：錢從哪裡來，就會流向哪裡。

在這輪 Series H 的投資人名單中，除了傳統的成長型基金與黑石（Blackstone）、Brookfield 等機構外，最引人注目的名字是 Micron（美光）、Samsung（三星）與 SK Hynix（SK 海力士）。

這三家是全球高頻寬記憶體（HBM）與先進晶片封裝的絕對霸主，它們是 AI 物理基礎建設中最核心的「賣鏟人」。

當供應鏈最上游的記憶體廠開始直接投資最下游的 AI 實驗室，這意味著 AI 競賽已經超越了「VC 供血」的階段，進入了「物理供應鏈的深度戰略綁定」：

對記憶體大廠來說，投資 Anthropic 等於在源頭鎖定了未來數年最龐大、最穩定的 HBM 需求，有助於他們進行極其昂貴的晶片產能規劃（Capacity Planning）；對 Anthropic 來說，讓供應商成為股東，等於在產能極度吃緊的市場中，拿到了一張「優先供貨」的隱形特權門票。

加上 Amazon 持續的重金參與（佔 150 億美元雲端承諾中的大頭），這張股權名單構成了一個「晶片/記憶體源頭 → 雲端基礎建設 →前沿 AI 模型」的超強垂直整合生態系。

新的融資範式正在成形

這種分層資本結構在其他資本密集產業（航空、能源、基礎建設）早就很普遍。AI 產業現在開始走向這個方向，某種程度上是成熟的標誌。

但這也帶來新的複雜性。當一家 AI 公司同時有大量股權投資人、債務融資方、雲端合作夥伴、晶片供應商股東，利益的協調會變得更複雜。

在景氣好的時候，大家的利益一致；一旦環境轉變，不同資本層級之間的優先順序和利益衝突就會浮現。

無論如何，這週發生在 Anthropic 身上的事，不只是「又一輪大額募資」這麼簡單。它標誌著 AI 產業在資本結構上的一次演進。

下次看到 AI 公司的融資新聞時，除了看估值數字，或許也值得問一句：這筆錢是股還是債？買的是什麼？誰在背後擔保？

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。
我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。
另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。
同時，如果想開戶的話，可以考慮用我的富途/口袋證券獨家推薦碼，會有更多優惠。
全部資訊在以下鏈結：
https://linktr.ee/fomo_soc
另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!
· KP

白宮投資量子計算？只做成熟製程也有出頭天？營收只漲 3%但股價翻倍？ - 深入分析第49期：GlobalFoundries格羅方德

KP@FOMOSoc — Wed, 27 May 2026 10:01:45 GMT

投資市場裡有一條不成文的規矩：「跟著聰明的錢走（Follow the smart money）」。

過去，我們看巴菲特、看華爾街大機構。但到了 2026 年 的今天，市場上最大、也最激進的「創投」，其實是美國政府。

故事要從 2025 年 的夏天說起。當時，華府連續做了兩件打破過去半個世紀「政府不該挑選贏家」禁忌的事。

2025 年 7 月，為了建立美國本土的稀土供應鏈，國防部直接入股稀土生產商 MP Materials，甚至附帶了 1.5 億美元 貸款、10 年 的價格地板保證，以及一份長達 10 年 的採購合約。這等於是用國家信用，直接為一家私營企業的營收兜底。

2025 年 8 月，當時的 Intel 正處於完美風暴中：CEO 被趕下台、認列百億美元虧損、停發股息又大舉裁員。

面對這家被外界嘲笑「錯過 AI 浪潮」的公司，華府決定不發 CHIPS 法案的現金補助了，而是將 89 億美元 的資金，以每股約 20.47 美元 的價格，直接換成了 Intel 的股權。

當時，絕大多數人覺得這只是一筆為了財政紀律而包裝的「政治紓困帳」。沒有人預期這會是一筆好投資。

從「發放補助」到「直接入股」的底層邏輯轉換

但接下來八個月發生的事，給華爾街結結實實地上了一課。

Intel 的股價沒有如預期般死水一灘，反而迎來了史詩級的爆發。隨著 2026 年第一季 財報全面碾壓預期，加上接連拿下 Apple 的部分代工協議，以及 Elon Musk 宣布其千億美元的 Terafab 計畫將仰賴 Intel 晶片，Intel 股價不斷狂飆。

這兩次出手，讓市場意識到一個關鍵的典範轉移。

過去，美國政府的產業政策是「發放補助」，企業拿了錢去蓋廠，對股價的刺激往往是一次性的；但現在，華府正在學著當「創投」。

當美國政府不僅把錢砸進去，還成為你的大股東時，這意味著這家公司已經被綁上了國家戰略的戰車。

而且，這套劇本不僅有效，帳面上龐大的未實現利潤對政策制定者來說，更是極具說服力的政績。

既然這招有用，他們當然會再做一次。而且這一次，他們挑了一個比半導體更有未來感的領域。

第三次出手：披著「量子」外衣的創投劇本

2026 年 5 月 21 日，華府開出了第三張支票。

這一次，美國政府準備透過取得受贈企業股權的方式，將約 20 億美元 分配給 9 家 開發量子硬體與相關技術的公司。

接下來，就讓我們翻開這份 9 家 公司的名單，看看白宮這次的算盤怎麼打。以及為什麼 GlobalFoundries，會是我們這篇分析接下來真正的主角。

第一章 | 九張彩券、五種押注、一個異類：看懂這場 20 億美元的量子牌局

如果你是美國商務部長 Howard Lutnick，手上握著 20 億美元 的預算，任務是「確保美國贏得未來的量子競賽」，你會怎麼花這筆錢？

最直覺的做法是：找一家技術最強的，把錢全砸給它，讓它成為國家隊。

但華府沒有這麼做。商務部最後選擇簽下 9 封意向書，把這 20 億美元 的獎勵，分給了兩家代工廠與七家量子硬體公司。

這個操作邏輯，非常像矽谷頂級創投（比如 a16z）的作法：當你遇到一個極具顛覆性、但終局還不明朗的產業時，你不會只賭一家公司。

你會把支票撒滿整個賽道，因為你賭的不是「哪一家會贏」，而是「這個賽道一定會有人贏，而我必須確保每一張可能中獎的彩券上，都有美國政府的名字」。

1.1 為什麼要買這麼多張彩券？因為量子還在「寒武紀大爆發」

在介紹這 9 家公司之前，我們得先釐清一個關鍵背景：為什麼量子運算會有這麼多種「路線」？

我們現在用的電腦（傳統運算），早就已經統一路線了，大家都用矽基的 CMOS 晶片。但在量子運算的世界裡，科學家們還沒決定「量子位元（Qubit）」到底該用什麼物理載體來做最好。

每一種路線都有自己的致命缺點與極大優勢。有些運算速度極快，但錯誤率很高；有些極度穩定，但很難縮小體積量產。

你會把支票撒滿整個賽道，因為你賭的不是「哪一家會贏」，而是「這個賽道一定會有人贏，而我必須確保每一張可能中獎的彩券上，都有美國政府的名字」。

要看懂這場賭局，我們把這九個角色分成三組：兩家代工廠、六家硬體玩家、以及一張意外的彩券。

1.2 第一組：兩家代工廠——這場戰爭的軍火商

每一場科技淘金熱裡，最穩健的生意通常是賣鏟子。在量子領域，這兩把「鏟子」代表了兩種截然不同的製造哲學。

角色一：IBM (Anderon) —— 純量子專用廠

IBM 拿到了這份名單上最大的一張支票：10 億美元。但這筆錢不是給 IBM 本體，而是用來成立一家名為 Anderon 的新公司。

Anderon 的定位非常明確：它將是美國第一家「純量子（pure-play）」代工廠。

為什麼要特地蓋一座新廠？因為製造量子晶片（例如超導量子）需要用到一些特殊的金屬材料（如鈮），這些材料如果放進傳統的半導體晶圓廠，會對現有的矽晶片產線造成嚴重的「污染」。

此外，量子晶片需要極度嚴苛的製造環境。因此，IBM 選擇從零開始，在紐約奧爾巴尼打造一座專門只服務量子設備的無塵室。

這是一張看得很遠的支票。IBM 已經設定了 2029 年要交付全球第一台大規模商業化量子電腦的目標。

換句話說，Anderon 是為了未來的純量子專用廠時代而生的。

角色二：GlobalFoundries (GFS) —— 混合式代工廠

GFS 拿到了 3.75 億美元，雖然只有 IBM 的三分之一，但遠高於其他純量子玩家。最特別的是，GFS 根本沒有要自己造量子電腦。

與 IBM「蓋新廠」的邏輯完全相反，GFS 的策略是：在現有的半導體工廠裡，直接內建一個量子部門。

為什麼這行得通？因為一台量子電腦不是只有「量子位元」而已。為了控制那些極度脆弱的量子，你需要成千上萬的傳統控制晶片、微波發射器、光子感測器，而且這些零件必須在極低溫的環境下運作。

GFS 的算盤是：我們現有的 FDX（全空乏絕緣層上矽）製程平台，本來就非常適合低溫、低功耗的環境。

與其蓋一座新廠，不如讓量子開發者直接使用我們現有的產線。這意味著，量子控制晶片可以跟車用晶片、5G 晶片、AI 晶片共享同一條生產線。

這是一個巨大的商業模式差異：IBM 是在荒地裡建一座未來的賽車場；而 GFS 是在現有的高速公路上，劃出一條給量子車跑的專用道。

這不僅大幅降低了成本，也縮短了量子技術與傳統半導體整合的時間。

1.3 第二組：六家量子硬體公司——五種路線、六位賭徒

接下來的六家公司，每家大約拿到 1 億美元。它們代表了華府對五種不同物理路線的同步押注：

超導路線 (Superconducting)：這是目前最主流的路線。加州的老牌上市公司 Rigetti (RGTI) 拿到 1 億美元，主要用於解決微型化與低溫設備的「工程量產」問題。另一家佛羅里達的公司 D-Wave (QBTS) 也拿到 1 億美元，但走的是特殊的「退火式」量子運算。
離子阱路線 (Trapped Ion)：霍尼韋爾旗下的私營巨頭 Quantinuum 拿到 1 億美元。這條路線錯誤率極低，而 Quantinuum 是目前商業化能力最強的玩家。
光子路線 (Photonic)：矽谷新創 PsiQuantum 拿到 1 億美元。他們的目標是用標準的半導體製程直接發射光子來運算。
中性原子路線 (Neutral Atom)：Atom Computing 獲得 1 億美元。這是過去兩年快速崛起的黑馬路線。
矽自旋路線 (Silicon Spin)：科羅拉多的 Infleqtion 獲得 1 億美元，專攻這項與傳統矽晶片最為相容的技術。

1.4 第三組：那張意外的彩券

角色九：Diraq —— 名單上唯一的外國人

澳洲新創 Diraq 拿到了 3,800 萬美元。這是九張支票裡最小的一張，但訊號意義極強。為什麼美國納稅人的錢要發給澳洲公司？因為矽自旋路線的許多關鍵專利掌握在 Diraq 手上。這筆錢的潛台詞是：「即使核心技術在海外盟友手裡，我們也要用資金把它綁進美國的供應鏈裡。」

1.5 把九張臉孔放在一起看，你會發現一個秘密

如果我們退一步，把這九家公司放在一起檢視，剝去那些複雜的量子物理名詞，你會發現一個非常強烈的商業對比。

這九個角色裡，有八個（包含 IBM 的 Anderon 以及七家硬體新創）本質上都在進行一場「單一路線的重資本豪賭」。

那七家硬體新創，各自把身家押注在超導、光子或離子阱等單一物理路線上，賭自己會成為最終的贏家；而 IBM 雖然擁有龐大的本業，但它這次拿出的 10 億美元，是為了在荒地裡從零開始，打造一座全新的「純量子專用廠」。這同樣是一筆押注在 2029 年純量子時代的巨大沉沒成本。

在這場賭局中，只有一家公司的戰略是「收過路費」。

這家公司不需要為了量子去蓋一座全新的工廠。它本業已經擁有 70 多億美元 的年營收，毛利率正在穩步改善，客戶名單包含 NVIDIA 的供應鏈與全球前三大車用 MCU 廠。

它只是在自己已經獲利、且極度成熟的現有半導體產線上，順便劃出了一條道，告訴所有搞量子的玩家：「來我這裡下單」。

它就是 GlobalFoundries (GFS)。

讓我們重新讀一次商務部公告裡，關於 GFS 的那句官方描述：

「GlobalFoundries 將獲得 3.75 億美元 以建立一座安全、本土的量子代工廠，服務領先架構與多種模態 (multiple modalities)。」

請注意「多種模態」這個詞。

GFS 官方宣布，其 FDX 平台同時支援超導、離子阱、矽光子、拓樸(微軟路線)、矽自旋這五種模態的控制晶片，剛好覆蓋了這份名單上 9 家公司裡的 8 家（唯一的例外是走中性原子路線的 Atom Computing）。

這代表什麼？這代表名單上的其他硬體公司，無論是 PsiQuantum 需要的矽光子製程、Infleqtion 與 Diraq 的矽自旋晶片，還是 Quantinuum 的離子阱控制電子元件，最後有極高的機率，都必須回到 GFS 的工廠裡下單。

更值得注意的是，連沒拿到這次補助的微軟（拓樸路線）與 Google，GFS 都已經把它們列入潛在客戶名單。

華府表面上把 20 億美元 分給了九家公司，但實質上，這裡存在一條看不見的「金流匯流點」。很多錢在市場上繞了一圈後，最終都會流回 GFS。

這就像 1849 年加州淘金熱時，不管最後是哪一個淘金客挖到了金礦，他們都得先去向 Levi Strauss 買一條耐磨的牛仔褲。

第二章 | 樞紐：當其他人還在賭物理，GFS 已經在賣製造

要理解為什麼 GFS 會成為這場 20 億美元 賭局的「賭桌本身」，我們得先看懂量子產業在 2025 到 2026 年間，發生了一個極為關鍵、卻少有人注意的結構性轉變。

2.1 瓶頸換位：從「手工雕刻」走向「工業量產」

過去二十年，量子運算的新聞總是圍繞著物理學的突破。

對一般人來說，「在實驗室裡做出量子位元」聽起來很科幻，但實際上，那就像是一群頂尖科學家穿著無塵衣，用滿屋子的雷射光、極低溫冷卻設備和錯綜複雜的純手工接線，小心翼翼地去維持幾個極度脆弱的「量子狀態」。

這種做法就像是純手工雕刻一件極其精密的機械藝術品。科學家證明了「量子計算是可行的」，但問題來了：一台真正能解決商業問題的量子電腦，需要成千上萬、甚至上百萬個量子位元。

你不可能靠科學家在實驗室裡，用手工接線的方式打造出一百萬個量子位元。

這就是 2025 到 2026 年間發生的巨大轉折。根據麥肯錫等機構的產業監測，量子的核心瓶頸已經悄悄轉移了。

現在最大的挑戰已從物理學，轉向了「製造工程」。我們能不能像生產手機晶片一樣，在自動化的無塵室裡，大規模且穩定地把量子系統「印」出來？

對名單上的多數量子新創公司來說，把實驗室裡的「手工藝」轉化為工業級量產，是他們必須從頭摸索的巨大挑戰；但對 GFS 來說，把複雜的電路穩定地量產出來，正是他們過去十幾年來每天都在做的事。

GFS 到底在賣什麼？

很多人誤以為「量子代工廠」就是在製造量子位元本身。其實不然，GFS 真正提供的是讓量子位元得以存活並運作的「基礎設施」。一台量子電腦要能運作，除了量子位元，還需要三樣東西：

低溫 CMOS（Cryo-CMOS）：量子位元極度脆弱，必須在接近絕對零度（約零下 273 度）的環境下運作。普通的控制晶片在這種溫度下會直接罷工，而 GFS 的技術平台已經被證明能在這種極端低溫下，穩定執行感測與控制任務。這就像是量子系統的「神經網絡」。
先進封裝：把成百上千個微小的量子元件與控制晶片安全地拼湊在一起。
3D 異質互連：打造一座橋樑，讓量子晶片能與傳統電腦順暢溝通。

不管你是走哪一種量子技術路線，你都繞不開這三項需求。這就像是無論你造的是電動車、燃油車還是氫能車，你最終都需要輪胎與方向盤。GFS 的野心，就是成為量子時代的「Intel Inside」。

2.2 客戶的背書：五條路線，同一個終點

如果競爭對手的客戶們都說「我們需要這家代工廠」，那就是實打實的商業護城河了。

我們來看看這次拿到商務部資金的幾家硬體公司，是如何依賴 GFS 的：

PsiQuantum（矽光子路線，獲 1 億美元）：他們正致力於打造名為 Q1 的百萬量子位元商業化電腦。PsiQuantum 公開表示，這台機器的成敗，完全建立在 GFS 位於紐約的 Fab 8 廠的量產能力上。
Quantinuum（離子阱路線，獲 1 億美元）：這家技術最成熟的玩家之一，將 GFS 稱為擴展其商業版圖的「重要夥伴」與「本土生產基礎」。
Diraq（矽自旋路線，獲 3,800 萬美元）：作為名單上唯一的澳洲公司，Diraq 坦言他們的核心技術必須依賴 GFS 的平台才能量產。這也解釋了為什麼美國政府願意把錢發給外國公司，因為這筆錢最終還是會化為代工訂單，流回美國本土的 GFS 廠裡。

此外，名單外還有像 Equal1 這樣的公司，也已經在使用 GFS 的平台進行真實世界的部署。

這意味著，GFS 的「量子業務」不是一個畫大餅的 2029 年願景。在 2026 年 5 月 GFS 正式啟動量子業務部門時，他們是「帶著客戶訂單」上線的。這條成長曲線，現在就已經在產生營收。

這意味著，GFS 的「量子業務」不是一個畫大餅的 2029 年願景。在 2026 年 5 月 GFS 正式啟動量子業務部門時，他們是「帶著客戶訂單」上線的。

2.3 那個必須回答的問題：為什麼不是台積電？

讀到這裡，一個最理性的質疑必然會浮現：如果半導體代工是台積電的天下，為什麼美國的量子未來，不是交給台積電、三星或 Intel？

答案藏在美國商務部極度嚴苛的「三重篩選條件」裡：

條件一：必須是美國本土產能（國安紅線）

量子運算是國防等級的戰略技術，不可能放在海外代工。台積電雖然在亞利桑那州有設廠，但那裡生產的是先進邏輯晶片。台積電最強的矽光子產能與先進封裝技術，目前都留在台灣。光是這一點，就讓商務部無法將量子的命脈交給台積電。

條件二：必須具備成熟的「矽光子」量產經驗

這條線淘汰了三星與 Intel。三星雖然在 2025 年開始積極招募矽光子人才，但才剛起步；Intel 雖然擁有技術，但它本身也設計晶片，這會讓純硬體新創公司產生「技術被競爭對手偷走」的疑慮。

反觀 GFS，他們在 2025 年收購了新加坡的 AMF，一躍成為全球營收第一的「純矽光子代工廠」。

更重要的是，GFS 擁有獨步全球的「單片整合」技術，能把光子元件跟傳統電路做在同一片晶圓上，這是 PsiQuantum 等公司能夠量產的唯一希望。

條件三：純粹的代工定位與地緣政治信任

GFS 早在多年前就退出了與台積電、三星爭奪最先進奈米製程的軍備競賽，轉而專注於車用、5G、物聯網等成熟製程。

這讓他們自然避開了中美科技戰的最前線，成為華府眼中最「乾淨」且值得信任的本土代工夥伴。

在這個「美國本土製造」、「純矽光子代工廠 世界第一」、「絕對的國安信任」的三重交集裡，全世界只有 GFS 一家公司同時符合條件。

2.4 3.75 億美元背後的真實訊號

根據協議，商務部將取得 GFS 約 1% 的策略性股權。按照 3.75 億美元 對應約 1% 股權反推，這形同政府以約 375 億美元 的估值為 GFS 畫上了一道國家級的地板(等值股價大約落在 US$ 68附近)。

這傳遞了三個極為強烈的訊號：

第一，美國政府是用「市場公允價值」買入的，這形同為 GFS 的估值畫上了一道國家級的地板。

第二，這意味著華府正式將 GFS 視為「準國防資產」。一旦成為股東，未來在稅務、出口管制或政府訂單上，GFS 都將享有主場優勢。

第三，在這場 20 億美元 的賭局中，雖然名單上也有像 IBM 這樣的綜合型科技巨頭，但如果單看「聯邦政府選擇直接入股」的名單，GFS 是唯一一家具備成熟獲利能力、擁有真實現金流的「純晶圓代工廠」。

其他被入股的對象，幾乎都是還在燒錢的量子新創。這意味著政府不僅在扶植未來，也在重押當下就能穩定產出的工業基石。

如果故事只到這裡，GFS 已經是一檔非常值得關注的「量子主題股」了。但如果你只把它看作量子的基礎設施，那你就會錯過一個更大的劇本。

因為對 GFS 來說，量子代工只是他們未來藍圖裡，最小、最遠的一條成長曲線。要看懂這家公司的全貌，我們必須把時間倒轉，回到 2009 年 那場決定命運的分拆。

第三章 | 歷史的包袱與禮物：2009 年的那場分拆

這場改變半導體版圖的分拆發生在 2009 年，但故事，得先回到 2008 年的冬天說起。

當時雷曼兄弟剛剛倒下，全球資本市場陷入恐慌，半導體產業正經歷自網路泡沫以來最嚴峻的寒冬。

而在這場風暴的中心，有一家公司正面臨生死存亡的十字路口：處理器大廠 AMD。

為了解決生存危機，AMD 做了一個極其艱難的決定。而這個決定，意外誕生了我們今天故事的主角：GlobalFoundries（格羅方德，簡稱 GFS）。

GFS 出生時，身上就背負著沉重的歷史包袱。它從成立的第一天起，就被設定了一個幾乎不可能達成的戰略目標：追上台積電。

SpaceX IPO文件所有你要知道的事 + Anthropic轉虧為盈？矽谷裁員潮的啟示？ - KP思考筆記(第43期)

KP@FOMOSoc — Sat, 23 May 2026 04:05:22 GMT

大家好，我是 KP，歡迎來到第 43 期的《週末思考筆記》。

還記得上個星期嗎？當時市場瀰漫著一股「末日將至」的氣氛，不少人跳出來說：「看吧，我就說會崩盤。」

結果到了這個星期，市場不只穩住了，甚至還收復了不少失地。我常說，我不預測市場，特別是短期的走勢。

我不知道伊朗局勢會如何演變，也不知道利率路徑會怎麼走；我更傾向於將精力放在那些我更「確定」的事情上，也就是商業邏輯與基本面。

如果價格與價值偏離得太遠，我會考慮調整；除此之外，大多數時間我選擇靜觀其變。

我已經強調過很多次：如果你選擇成為一名股權投資者，「波動」就是你必須支付的入場費。

市場永遠充滿雜訊，短期內起起伏伏是再正常不過的事。如果你期待一個標的能在一年內翻倍，卻幻想要在過程中不經歷任何 20% 甚至 30% 的回調，這在現實中幾乎是不可能的。

這星期想跟大家分享一件讓我很有成就感的事。在我們的 Substack 社群聊天室裡，有不少成員感謝我幫他們賺到了錢。

聽到這些反饋我當然很開心，但並不是因為被讚美，而是因為我從不「報明牌」。

在我寫過的深度分析中，我從來不會直接叫大家在什麼價位買入，我提供的是每一家公司背後極其深層的運作邏輯。

真正讓我欣慰的是，讀者告訴我，因為讀了我的分析，他們真正理解了這門生意。

這份理解，讓他們在股價上漲 10% 或 20% 時，不再焦慮地追問「是不是該賣了？」，而是能拿得住、看得遠。

這正是我寫作的初衷：一旦你掌握了基本面，你心中就會有一幅清晰的圖景。

你會知道什麼時候股價已經反映了所有利好，什麼時候值得繼續持有，而什麼時候僅僅是市場的盲目炒作。

我只是為大家攤開地圖。如果你最後獲利了，所有的功勞都屬於你自己。因為是你願意花時間去鑽研、去進化，並在最後一刻勇敢地投下屬於你自己的那一票。

本期的《週末思考筆記》，我們延續「一大兩小」的專題格式：

大主題：SpaceX 的 IPO 與 S-1 招股書深度解讀。

我會大家理清 SpaceX 的業務全貌、產業影響力，以及我們該如何建立它的估值模型。這不只是一家航太公司，它正在重塑地球的通訊與物流底層邏輯。

另外兩個主題也同樣值得關注：

Anthropic 傳出即將轉虧為盈： 對於大模型公司來說，這是一個極其重要的信號，代表 AI 敘事正在從「燒錢階段」轉向「變現階段」。
Cloudflare CEO 的公開信： 針對近期 20% 的裁員決定，CEO 進行了深刻的解釋。這為我們觀察當前科技業持續裁員的浪潮，提供了一個非常獨特的內部視角。

希望這期的內容能繼續幫大家在投資的迷霧中，看清前方的路。

如果你覺得這些分析對你有啟發，歡迎留言討論或給我一個讚，這對我來說是最大的支持。

讓我們開始吧。

主題一：SpaceX 正在用 Starlink 的現金流餵養星艦？

SpaceX 正式遞交了 S-1 招股書（美股代號：SPCX），這場極可能成為人類歷史上規模最大的 IPO，終於向世人掀開了它的財務底牌。

過去，大眾對 SpaceX 的認知大多停留在 Elon Musk 的「星際旅行」願景、獵鷹火箭的回收，或是星艦（Starship）發射時的漫天煙塵。

但當它正式走向資本市場時，情懷只能退居幕後。是時候讓我們用數據與商業邏輯，來審視這家公司的真實面貌。

招股書的分類

在 2026 年初完成了與 xAI 及 X 的重組後，SpaceX 的業務被重新劃分為三大核心板塊：

Connectivity（Starlink 衛星通訊）、Space（火箭發射與星艦開發），以及 AI（xAI、Grok 與 X 平台）。

這三個板塊在 2025 年的合併報表上，呈現出一個極度分化的財務輪廓：

合併總營收： 186.7 億美元（年增率高達 33%~43%）。
GAAP 營業利潤：虧損 25.9 億美元。
調整後 EBITDA：正的 65.8 億美元（利潤率高達 35%）。

為什麼「營業利潤大虧」，「EBITDA 卻賺翻」？

這是一個非常經典的「重資產基礎設施」財務特徵（類似早期的亞馬遜或電信巨頭）。

SpaceX 正在瘋狂地將賺來的每一分錢（甚至更多），砸進未來的基礎建設中。衛星在天上會折舊、地面站要攤銷、AI 算力中心要折舊，這些非現金支出把 GAAP 營業利潤壓成了負數。

但調整後 EBITDA（65.8 億美元）則證明了一件事：這家公司的核心業務，此時此刻正在源源不絕地現金流。

而這股現金流的源頭，毫無疑問，來自 Starlink。

Starlink：無可替代的「現金奶牛」與它的隱憂

如果沒有 Starlink，SpaceX 的星際夢想只是空中樓閣。在 2025 年，Starlink 展現了出色的訂閱制商業模式：

營收： 113.9 億美元（佔總營收 61%），年增近 50%。
營業利潤：正的 44.2 億美元（營業利潤率高達 38.8%）。
EBITDA 利潤率：驚人的 63%。
用戶數：截至 2026 年 Q1 已達 1030 萬（年增 105%），覆蓋 164 個國家。

Starlink 已經跨越了高昂的初期建置門檻，開始享受極高的邊際效應。每增加一個用戶，幾乎都是純利。

收入結構：不只是賣給偏遠地區的農場

很多人對 Starlink 的印象還停留在「給沒有網路的偏遠地區提供連線」。這確實是起點，但早就不是全貌了。

2025 年，Starlink 的消費者寬頻仍然是大宗（佔比 60% 以上），但企業與政府客戶（Enterprise & Government）已經貢獻了 42 億美元，且成長速度比消費者端更快。這包括了海事、航空、能源，以及國防（Starshield）等垂直領域。

這個結構非常關鍵。企業和政府客戶的 ARPU（每用戶平均收入）通常更高、合約期限更長、黏性更強。當一艘貨輪或一架飛機開始依賴 Starlink，轉換成本是極高的。

此外，正在發展中的 Starlink Mobile（直連手機）則是下一個潛在的巨量市場。它跳脫了傳統衛星接收器的限制，直接面向全球數十億的手機用戶。

這三層結構（消費者寬頻打底、企業政府提供高價值、Mobile 開拓新市場），讓 Starlink 同時擁有了規模與品質。

ARPU 下滑：問題還是策略？

S-1 裡有一個數字讓一些人擔心：ARPU（每用戶平均收入）持續下滑。

2023 年約 99 美元/月，2025 年全年混合約 81 美元/月，到 2026 年第一季已經降到約 66 美元/月。

三年內掉了三分之一，看起來像是定價權在流失。其實 Elon Musk 的策略非常清晰：用低價迅速吞噬亞非拉等新興市場的用戶，形成絕對的「網路密度」與「用戶黏性」，把潛在競爭對手（如亞馬遜的 Project Kuiper）扼殺在搖籃裡。

但這也是一把雙面刃。如果 ARPU 下滑的速度，快過用戶增長的速度，Starlink 的高毛利神話就會面臨修正。

要打破這個僵局，SpaceX 必須依賴兩個解方：一是前面提到客單價更高的 B2B 業務，二是極致的成本削減。

而這，就必須提到那個看起來「很虧錢」的發射部門。

Space：一個被數字低估的策略性資產

如果單看 Space 部門（發射服務 + 太空船）的財務數字，它顯得相當平庸：2025 年營收 41 億美元，僅有個位數的年成長，甚至還虧損了 6.6 億美元。

但這個表面的數字，完全錯過了這個部門存在的真正戰略意義。

為什麼數字看起來很弱

兩個原因。

大量發射是「內用」的：過去幾年獵鷹火箭（Falcon）的大量發射，都是用來幫自家部署 Starlink 衛星。這些發射不產生外部收入（左手賣給右手），但它們是 Starlink 能夠快速擴張的基礎。
星艦（Starship） 的研發費用直接認列： 2025 年約 30 億美元、2026 年 Q1 又燒了 9.3 億美元 的研發支出，根據會計準則必須立即認列為當期費用。這讓發射部門的損益表看起來比實際的 Falcon 商業發射業務糟得多。

那它的真實價值：垂直整合的極致

Space 部門的價值，不在於它自己能賺多少錢，而在於它讓整家公司的經濟模型成為可能。

如果 Starlink 必須向外部供應商購買發射服務，以目前的市場價格，成本會高出數倍，且發射時程將完全受制於人。

擁有自己的發射能力，讓 SpaceX 可以用「邊際成本」來部署衛星。Falcon 業務本身在外部商業市場（NASA、國防部、商業衛星）其實極具競爭力與利潤，但 SpaceX 選擇不把它當作一個獨立的利潤中心，而是把它當作支持 Starlink 帝國的策略性工具。

Starship：真正的成本通縮賭注

如果 Falcon 火箭是讓今天的 Starlink 成為可能的基礎，那 Starship（星艦）就是讓明天的 Starlink 經濟模型發生質變的關鍵。

我們可以用一個簡單的物流概念來理解：

如果獵鷹九號是一輛「高效能的快遞貨車」，那星艦就是一艘「巨型集裝箱貨輪」。

星艦不僅運載量呈指數級提升，更重要的是它追求「完全可重複使用」。一旦在 2026 年下半年順利開始運送載荷，並在未來幾年達成設計目標，每公斤的發射成本可能降到目前的十分之一。

這意味著，Starlink 可以用極低的成本部署更大、更強的下一代 V3 衛星（單顆容量是目前的 20 倍 以上）。屆時，即使 ARPU 持續下滑到 50 美元，每個用戶的利潤反而會上升，因為服務他們的成本被星艦徹底「成本通縮」了。

這就是為什麼 Space 部門目前的虧損其實是「投資」而非「問題」。

當然，這一切都建立在「Starship 能按時成功」的假設上。如果星艦的商業化時程延後，Starlink 就必須繼續依賴成本較高的 Falcon，這會導致成本下降的速度跟不上 ARPU 下滑的速度，利潤率壓縮的風險就會變得非常真實。

終極的資本遊戲

當我們把這幅拼圖拼湊完整，會理解 SpaceX 的運作邏輯：

利用 Starlink 訂閱制產生龐大的現金流，去餵養 Space 部門的星艦研發；而星艦一旦成功，又會反哺 Starlink，將其發射成本降到不可思議的低點，徹底鎖定全球通訊市場的壟斷地位。

這是一個完美的閉環。但馬斯克顯然不滿足於此。

在 S-1 招股書中，管理層估計的「總潛在市場（TAM）」高達 28.5 兆美元。

其中，Space（太空）佔了 3,700 億，Connectivity（通訊）佔了 1.6 兆。

而剩下的 26.5 兆美元，整整 93% 的份額，被劃給了 AI。

這個數字揭示了 SpaceX 對自己未來天花板的想像。馬斯克執意在今年初將 xAI 與 X 平台併入 SpaceX，絕非一時興起。

當「地表最強的太空物流能力（Starship）」遇上「全球覆蓋的衛星網路（Starlink）」，再注入「最燒錢也最具顛覆性的 AI 算力」，這三個板塊將如何產生化學反應？

在進入主題二前，會員們請為下一期深入分析主題進行投票!請注意，這個投票不是下一期，而是再下一期。

主題二：當 Musk 說要把 AI 送上太空，你該認真聽還是翻白眼？

大家本來以為，載人登月、火星移民，或是 Starlink 的全球衛星聯網，就是 SpaceX 最極致的終極故事。

但這次 Elon Musk 遞交的 S-1 招股書，卻用一組組數字告訴大家：AI 部門才是這場資本盛宴裡，那個真正能撐起數兆估值的「最大吞金獸」與「終極槓桿」。

如果他們在招股書裡寫的哪怕只有一半成真，這無疑將是人類史上最大膽、也最瘋狂的基礎設施豪賭。但同時，這個部門目前的財務狀況，本質上就是一台令人心驚肉跳的「超級燒錢機器」。

Starlink 賺的，還不夠它塞牙縫

2025 年，SpaceX 的 AI 部門營收 32 億美元。聽起來很不錯，對吧？但同年，它的營業虧損高達 64 億美元。

你沒看錯，虧損是營收的整整兩倍。

而它的資本支出（CapEx）更為驚人：2025 年，AI 部門燒掉了約 127 億美元 來建置地面的 AI 基礎設施；進入 2026 年，這個燒錢速度還在踩油門——僅僅第一季（Q1），就又燒掉了 77.23 億美元。

這是什麼概念？Starlink 辛辛苦苦一整年賺來的 44 億美元 營業利益，轉手扔進 AI 部門的無底洞裡，連一個季度的支出都付不起。

然而，這筆天文數字般的投資，並非憑空蒸發，而是全部轉化成了地表上最炙手可熱的硬資產——吉瓦（Gigawatt）級別的超大規模 AI 訓練中心：Colossus（巨型晶片集群）與 Colossus II。

在 AI 時代，建置這種巨型基礎設施的速度本身就是最寬的護城河。當其他科技巨頭還在跟電力公司談判、找地、申請環評許可時，xAI 已經用「矽谷速度」把算力大壩蓋好了。

蓋好之後呢？他們立刻找到了買家。

Anthropic 交易：最具體的驗證

在 S-1 招股書中，最令資本市場震驚的披露，莫過於 SpaceX 與其 AI 領域直接競爭對手 Anthropic 簽署的雲端服務協議：

合約核心條款：

Anthropic 將向 SpaceX 租用 Colossus 1 的算力，每月支付 12.5 億美元，合約持續至 2029 年 5 月。

簡單算一筆帳：每月 12.5 億美元，相當於一年 150 億美元 的年化收入。

要知道，SpaceX 在 2025 年的集團總營收也才 186.7 億美元。這意味著，光是 Anthropic 這一個客戶貢獻的算力租金，在未來幾年就幾乎能與 SpaceX 過去一整年的營收平起平坐。

這筆交易完美地釋放了 SpaceX 的財務壓力。它用一年的租金收入（150 億美元），直接回本了 2025 年整年砸在 AI 上的所有資本支出（127 億美元）。

SpaceX 在算力佈局上，將手上的籌碼劃分為兩個戰場：

Colossus 1（約 22 萬顆 GPU）：屬於混合架構，直接整包出租給 Anthropic。用競爭對手的租金來回籠資金，實現基礎設施的快速變現。
Colossus 2（目標 55 萬顆 Blackwell 晶片）：這是最新、最純粹的頂級算力集群，留給自家訓練 Grok 5 旗艦模型。

當然，合約設有「90 天通知即解約」的彈性條款，並非完全鎖定的死契。但即使如此，這個規模的交易本身就說明了幾件事：市場對頂級 AI 算力的需求是真實且飢渴的、xAI 建置基礎設施的能力具有極強的競爭力，而且他們有能力迅速將重資產投資轉化為高額營收。

最諷刺也最有趣的是：Anthropic 作為 xAI 的直接對手，竟然願意支付如此高昂的溢價來租用對方的算力，這足見當前全球頂級算力市場的稀缺程度有多麼瘋狂。

垂直整合：這才是真正的故事

SpaceX 運作 AI 的邏輯，絕非單純的「算力包工頭」或「模型研發商」，而是一個全棧垂直整合的 AI 帝國。

看一下他們擁有什麼：

算力層：Colossus 集群，自己建、自己營運。
模型層：Grok，他們自己的前沿模型，目前在 Colossus II 上訓練 Grok 5。
數據和分發層：X 平台，每天 3.5 億 則貼文，1.17 億 月活用戶在使用 Grok 功能。
未來成本優勢：軌道 AI 運算衛星，計劃 2028 年開始部署。

這是一個完整的垂直整合堆疊。大多數 AI 公司只做其中一層——要嘛做模型、要嘛做雲端、要嘛做應用。

雖然市場上對於 X 的商業化前景仍有雜音，但不可否認，X 每天產生的即時輿情與社交數據，是 OpenAI 等對手難以企及的「天然護城河」。Grok 藉此獲得了極高的資訊新鮮度與上下文感知能力。

xAI 想要全部都做，而且還要加上一個沒有人有的東西：太空。

軌道 AI：最瘋狂也最有趣的賭注

如果故事只到這裡，那這只是一個「AI 公司」的常規劇本。但別忘了，這家公司叫 SpaceX。

S-1 裡是這樣說的：計劃最早在 2028 年開始部署軌道 AI 運算衛星，利用太陽能供電和太空環境散熱，來降低每個 token 的成本。

在地球上，AI 數據中心正面臨兩大物理瓶頸：電網容量極限與冷卻水資源消耗。

而太空，恰好是一個完美的替代方案：

無限的太陽能：在太陽同步軌道上，衛星可以 24 小時無間斷地直接接收太陽能，省去地面繁瑣的電網建設與電費。
天然的低溫冷卻：利用太空的極低溫環境進行輻射散熱，徹底解決散熱難題。

SpaceX 的目標是利用 Starship 的超低發射成本，將特製的 AI 算力衛星成批送入軌道，再透過 Starlink 網絡與地面終端進行高速數據傳輸。

一旦這項技術在商業上獲得證實，SpaceX 將能以極低成本輸出 AI Token（算力單位），對地面上的傳統數據中心實施降維打擊。

儘管招股書中也極其謹慎地警告：「這項技術面臨極高的技術複雜性與不確定性，可能無法實現商業可行性。」

但這無疑是整本招股書中，最性感、也最讓人願意為其支付溢價的遠期期權。

但讓我們誠實面對風險

S-1 裡有一段話很值得注意。他們自己說：「軌道 AI 運算計劃涉及重大技術複雜性和未經驗證的技術，可能無法實現商業可行性。」

這比 Musk 在 Twitter 上說的謹慎多了。

外部分析師的態度普遍是懷疑的。主要的質疑包括：真空中的散熱比想像中複雜、衛星可靠性和維護成本可能很高、延遲問題對某些 workload 是致命的、輻射防護增加成本。

而且最關鍵的：這一切都取決於 Starship 能夠達到高頻率、低成本的發射。任何 Starship 的延遲，都會直接推遲軌道 AI 的時程。

大多數認真的分析認為，即使在樂觀情境下，有意義的軌道 AI 產能也要到 2030 年以後才可能實現。

那個 26.5 兆美元的 TAM，與馬斯克的「賣夢術」

在 S-1 招股書中，SpaceX 為 AI 部門估算了一個高達 26.5 兆美元 的潛在市場規模（TAM）。這個數字佔了整個公司總 TAM（28.5 兆）的 93%。

其中最誇張的，是一個高達 22.7 兆美元、被稱為「企業應用與代理工作流（Agentic Workflows）」的類別。

簡單來說，這個類別假設未來的 AI 代理（Agent）會徹底取代人類的數位工作，重塑全球經濟的運作方式。

這不是說不可能發生，也許 20 年後回頭看，這個數字甚至是保守的。但作為中短期的市場評估，這無疑是一個極其樂觀、甚至帶有科幻色彩的假設。

這，就是最典型的 Elon Musk 風格。

在估值模型中，SpaceX 的火箭發射業務和 Starlink 衛星通訊，其實都是「看得見、摸得著」的實體業務。

分析師可以用發射次數、每噸成本、ARPU（用戶平均收入）和利潤率，精準地計算出一個合理的估值區間。這部分是「現實」。

但 AI 部門不一樣。AI 部門是純粹的「夢境」。

你無法用現有的財務指標去框住一個「2028 年在軌道上用太陽能跑 AI 代理」的業務。Musk 拋出這個高達 26.5 兆美元 的 TAM，本質上不是為了給分析師做 Excel 表格，而是為了給整個資本市場提供一個無限寬廣的想像空間。

他用這個無比宏大的夢想，成功讓投資人忽視了目前 AI 部門每年幾十億美元的虧損，並心甘情願地為 SpaceX 貼上「科技與人類未來」的超高溢價標籤。

這是一場將「硬核工業」與「極致想像力」完美結合的資本魔術。

那麼，當我們把這層「夢想的濾鏡」拿掉，回歸到最冷酷的資本市場，這份招股書背後的財務真相究竟如何？

主題三：1.75–2 兆美元買一個夢想，你覺得值嗎？

這一次IPO，SpaceX 瞄準的是 1.5 兆至 1.75 兆美元（甚至挑戰 2 兆美元以上）的上市估值，並計劃募資高達 750 億美元。

如果成功，這不僅將創下人類歷史上最大規模的 IPO 紀錄，更意味著它的估值在短短半年內，直接從 2025 年底私募市場的 8,000 億美元翻了一倍。

這究竟是一場史詩級的「資本泡沫」，還是一次合理的「世紀定價」？在這份招股書裡，其實藏著許多極其有趣、甚至顛覆傳統 IPO 遊戲規則的底牌。

算一筆「信仰」的帳

要看懂 SpaceX 的估值有多瘋狂，我們直接看最赤裸的財務乘數（Multiples）：

歷史營收倍數（Trailing P/S）：2025 年 SpaceX 營收為 187 億美元。以 1.75 兆美元 的估值計算，營收倍數高達 94 倍；如果衝到 2 兆美元，倍數將破天荒地達到 107 倍。
EBITDA 倍數（P/EBITDA）：2025 年調整後 EBITDA 約為 66 億美元，隱含的估值倍數是令人咋舌的 265 倍至 300 倍。
前瞻營收倍數（Forward P/S）：即使樂觀預估 2026 年營收能爆發成長至 240 億到 280 億美元，其前瞻營收倍數依然高達 60 至 75 倍。

在主流資本市場裡，這種估值倍數通常只會出現在「輕資產、高毛利、正處於爆發期」的 SaaS 軟體公司身上。而 SpaceX 偏偏是一台不折不扣、需要不斷砸錢蓋火箭、發射衛星、建置算力中心的「重資產吞金獸」。

樂觀派（Bull Case）怎麼看？

支持這個估值的人認為，SpaceX 根本不能用傳統工業或航太股來估值。

無可匹敵的護城河：Starlink 已經實現高度盈利且規模化；Starship（星艦）一旦商業化成功，將以毀滅性的低成本壟斷全球發射市場。
AI 的無限想像力：地面的 Colossus 算力集群與未來的軌道 AI，讓它直接跨入當前最熱門的 AI 基礎設施賽道。
時間是它的朋友：只要能維持 30% 到 40% 的年複合成長率，巨大的 TAM 終究會把現在看似昂貴的倍數「填滿」。

悲觀派（Bear Case）怎麼看？

懷疑論者則認為，這是一場毫無安全邊際（Margin of Safety）的豪賭。

歷史性的高估值：歷史上，以如此極端倍數上市的巨無霸企業，在 IPO 後的幾年裡，股價表現大多極其慘烈。
巨大的執行風險：估值裡已經提前透支了 Starship 的完美成功與軌道 AI 的商業化。但招股書自己都承認，軌道 AI 面臨極高的技術與時程風險。
資金排擠效應：隨著 OpenAI、Anthropic 等 AI 巨頭也可能在近期走向 IPO，市場資金將面臨激烈的爭奪。

這是一個信仰問題

老實說，我沒辦法告訴你這個估值是「對」還是「錯」。因為它取決於你對幾個根本問題的答案。

你相信 Starship 會在合理時程內達到低成本、高頻率發射嗎？
你相信 AI 基礎設施的需求會持續以目前的速度成長，而且 SpaceX 能夠捕捉到有意義的份額嗎？
你相信軌道 AI 運算是可行的，而且能夠創造結構性成本優勢嗎？
你願意接受 Musk 幾乎完全控制公司決策，相信他的長期判斷嗎？

如果你對這些問題的答案都是「是」，那麼 1.75 兆 的估值可以被合理化。不是說它便宜，而是說在那個情境下，它不是瘋狂的。

如果你對任何一個問題有重大疑慮，那麼這個估值就包含了很高的風險溢價，而且幾乎沒有安全邊際。

我個人的判斷是：這個估值處於「可以被合理化」的上緣。它需要很多事情都按計劃發展，而且需要很長時間才能成長到能夠支撐這個價格的獲利水平。

地表最強「鎖定期」

在傳統的 IPO 遊戲規則中，為了防止早期員工和創投機構在上市第一天瘋狂倒貨，通常會設有一個 180 天的扁平鎖定期（Lock-up Period）。

這意味著在第 180 天那天，會迎來一個巨大的「解禁懸崖」，股價往往會面臨沉重的賣壓。

但 SpaceX 的招股書卻設計了一套極其複雜的「漸進式、業績掛鉤鎖定期」：

第一波解禁（Q2 財報後）：上市後的第一份季度財報公布後，內部人可以先賣出最多 20% 的持股。
業績加速器（Performance Booster）：如果到時候股價比 IPO 發行價上漲了 30% 以上，內部人可以「額外多賣 10%」。這等於直接把員工和早期股東的利益，與上市初期的股價表現深度綁定。
日常微量釋放：在上市後的第 70、90、105、120 和 135 天，每次自動解禁 7% 的股份。
第二波解禁（Q3 財報後）：再釋放 28% 的股份。
第 180 天：剩餘股份完全解禁。

但有一個重要的例外：Musk 被完全排除在提前釋放機制之外。他必須遵守完整的限制期。

這個設計的效果是什麼？

它把潛在的賣壓分散到多個時間點，而不是集中在一天。這應該能減少傳統 IPO 常見的鎖定期到期暴跌。

它把釋放與財報掛鉤，創造了自然的資訊節點。投資者可以在有新財務數據的情況下評估內部人士的行為。

它用股價表現來激勵：如果股票漲得好，內部人士可以多賣一點。這創造了正向激勵。

而 Musk 被排除在外這一點，發出了強烈的信號：最大的內部人士不會在早期套現。

為什麼大多數公司不這樣做？因為他們沒有談判籌碼。投行通常偏好簡單、標準的結構。SpaceX 是一個極度搶手的 IPO，他們有能力要求更有利的條款。

這個結構對股價的影響是：短期內可能有較早但較溫和的賣壓，但長期來看應該會有更穩定的價格走勢。對於打算長期持有的投資者來說，這可能是一個淨正面。

比 Tesla 更徹底的「馬斯克帝國」

如果你買了 SpaceX 的股票，想著能像傳統股東一樣參與公司治理，那你就太天真了。

這份 S-1 揭示了SpaceX的雙重股權結構（Dual-Class Structure）：

Class A 股（公眾股）：1 股 1 票。
Class B 股（內部人股）：1 股 10 票。

IPO 後，Musk 將牢牢掌控 79% 至 85% 的總投票權。不僅如此，SpaceX 還將直接申請掛牌為「受控公司（Controlled Company）」。

這意味著它可以合法豁免許多標準的上市監管要求，例如：不需要過半數的獨立董事、不需要完全獨立的薪酬與提名委員會。

甚至，招股書中還包含了強制仲裁條款（限制股東集體起訴公司）以及極高的罷免門檻。

對比一下 Tesla：Musk 在 Tesla 的投票權通常只在 20% 到 25% 左右，他還得經常跟董事會、法院和散戶股東扯皮。但在 SpaceX，Musk 就是絕對的國王。他可以決定把幾百億美元砸進看似瘋狂的火星計劃或軌道 AI，而公眾股東沒有任何說不的權力。

這是一種極致的「創辦人溢價」，也是最核心的「關鍵人物風險（Key-Person Risk）」。

你要買的是「現在」，還是「未來」？

SpaceX 的 IPO，本質上是一場「用極致的結構設計，來包裝極致溢價」的資本遊戲。

它有著地表上最硬核的實體資產（Starlink、Falcon 火箭），卻要你支付 SaaS 軟體公司般的百倍估值。

它設計了極其聰明、保護股價的漸進式鎖定期，卻在公司治理上實施了近乎獨裁的「君主制」。

它向你描繪了無比性感的晶片與 AI 未來，卻又在角落裡老實地承認「這一切都還在草創階段」。

這就是最真實的 SpaceX。

如果你是一個追求安全邊際、講求價值投資的理性交易者，這檔股票在上市初期的高估值與早期解禁賣壓，無疑充滿了風險。

但如果你相信 Elon Musk 的瘋狂直覺，認為他是那個能把人類帶向多行星文明、並在軌道上重塑 AI 算力版圖的「天選之子」。那麼，這 1.75–2 兆美元 的估值，或許就是你為這張「通往未來船票」所必須支付的信仰溢價。

主題四：Anthropic已經能賺錢了？

長期以來，大家對AI公司的感覺就是：技術很強，但是燒錢的無底洞。

然而，根據最新流出的數據，Anthropic 正在挑戰這項「AI 無法短期獲利」的既定觀點。

數據顯示，Anthropic預計在第二季實現 5.59 億美元的營運利潤（Operating Profit），這是其歷史上首度扭虧為盈。

狂飆的 ARR：從「追趕者」到「300億俱樂部」

要理解 Anthropic 的增長速度，必須看其年化經常性收入（ARR / Run-rate）的演變軌跡：

2024 年底：約 10 億美元
2025 年 7 月：約 40 億美元
2025 年底：約 90 億美元
2026 年 2 月中旬：140 億美元（伴隨 Series G 融資宣布）
2026 年 3 月初：約 190 億美元
2026 年 4 月：已突破 300 億美元

這種在短短一年半內實現 30 倍增長的奇蹟，核心驅動力來自企業端（B2B）API 消耗量的暴增，尤其是其自主代理編碼工具 Claude Code 的爆發。

據悉，Claude Code 推出後迅速貢獻了 25 億美元的 ARR，其企業訂閱用戶在 2026 年初翻了四倍。

目前，已有超過 1,000 家企業客戶在 Anthropic 上的年支出超過 100 萬美元，其中不乏大量《財富》前十強的巨頭。

Anthropic 的「輕資產」實驗

Anthropic 本次展現的獲利能力，源於其在商業模式與基礎設施建設上採取了截然不同的策略：

避開「NVIDIA稅」，擁抱多樣化晶片

Anthropic 的算力基礎主要建立在 Amazon 與 Google 的雲端平台上，並大量採用這兩家科技巨頭自行研發的客製化晶片（如 Google 的 TPU 與 Amazon 的 Trainium）。

相較於完全依賴NVIDIA高昂的 GPU，這種策略顯著降低了其硬體採購與運算成本。

算力效率的顯著提升

財報數據揭示了其營運效率的改善：在第一季，Anthropic 每賺取 1 美元，需要支付 0.71 美元的算力成本；而到了第二季，這項成本預計將降至 0.56 美元。這意味著隨著模型優化與規模效應顯現，其核心業務的毛利率正在快速改善。

B2B 導向，避免補貼免費大眾市場

Anthropic 的業務結構更偏向企業端（B2B）。今年以來，其 Claude 模型的「Agentic（自主代理）」能力與程式碼工具在企業市場爆紅，這類高客單價、高黏著度的企業級訂閱，成為推動其營收爆發且不需過度補貼免費基礎用戶的主因。

會計「魔術」：Gross vs. Net 的營收認列分歧

很多人會立刻得出結論，Anthropic已經大幅超過OpenAI了。

但事實是，在對比 Anthropic 與 OpenAI 的營收時，存在一個結構性的會計準則（ASC 606）差異。這項差異顯著「美化」了 Anthropic 的營收與 ARR 表現：

Anthropic 的「Gross Basis」：

當企業客戶透過 AWS Bedrock 或 Google Cloud Vertex AI 購買 Anthropic 的技術時，Anthropic 會將客戶支付的全額認列為自身營收，而後將支付給雲端巨頭的分成計為營運費用。

OpenAI 的「Net Basis」：

與微軟 Azure 的合作中，OpenAI 僅將扣除微軟分成（約 20%）後的淨額認列為營收。

簡單來說，當客戶付出100元的時候，Anthropic會將100元當為營收，然後將20元放在支出；而OpenAI則只會將80元列為營收。在這個情況下，兩者的ARR其實不能就這樣直接對比。

事實是，OpenAI 在同一時間也展現出企業端與 coding 工具的強勁動能。根據 The Information 最新報導，OpenAI 在 2026 年第一季繳出 57 億美元營收，較 Anthropic 的約 48 億美元領先約 9 億美元。

其中 Codex coding agent 的快速成長，以及企業銷售，是推動該季營收的重要動能。OpenAI 官方也多次指出，企業端營收已超過整體的 40%，並預計在 2026 年底達到與消費端平分秋色的水準。

這顯示兩家前沿實驗室其實正在同一個高價值戰場（企業級 coding 與 Agentic 工具）展開激烈競爭，而非單純的消費者市場拉鋸。

雖然兩家公司的營收認列基礎不同，無法直接進行絕對比較，但這段數據清楚顯示：OpenAI 並非在企業端與 coding 工具上缺席，而是同樣在這個高價值戰場積極布局。雙方目前處於「各有領先、互有追趕」的激烈競爭狀態。

單季里程碑 vs. 持續盈利的距離

儘管第二季 5.59 億美元的營運利潤令人振奮，但我們也必須認識到：單季盈利並不一定等於全年持續盈利。

融資窗口的「精準時間差」：

這份預測恰好出現在新一輪融資談判期間。AI 模型的研發具有極強的週期性。在沒有大規模新模型訓練支出、且推理效率優化的短暫空窗期，財務報表很容易呈現短暫的「盈利綠洲」。

重資本支出並未結束：

Anthropic 先前的內部預測顯示，其 2026 年僅在模型訓練上的投入就可能高達 120 億美元。

隨著下一代前沿模型的開發，以及與 SpaceX 等新資料中心合作案的推進，未來的資本支出隨時可能將其重新拉回虧損狀態。

宏觀與產業鏈的漣漪效應

Anthropic 的這份成績單，其影響力早已超越了公司本身，正在重新定義整個 AI 生態系的投資邏輯：

算力與硬體供應鏈的「無底洞」驗證：

Anthropic 龐大的算力需求（包括與 SpaceX 達成每月高達 12.5 億美元的 Colossus GPU 算力合約，直至 2029 年）表明，科技巨頭的資本支出（Capex）週期遠未結束。

這對於 NVIDIA、Broadcom（博通）、TSMC（台積電）等硬體與晶片龍頭是長期的利多。

能源與電力瓶頸成為核心戰場：

龐大的算力承諾直接對應著電力缺口。這將進一步推動資料中心綠電採購、核能復興以及電網基礎設施板塊的重估。

商業化路徑的「垂直化」啟示：

相較於泛泛的聊天機器人，垂直且具備 Agentic（自主代理）能力的工具（如 Claude Code）展現出了極強的變現效率。這表明 AI 的競爭，拼的是誰能更深地嵌入企業的工作流，而非單純的參數競賽。

結語

Anthropic 的這份財務預測，為 AI 產業提供了一個全新的觀察視角：AI 企業的競爭，不只是參數規模與算力總量的軍備競賽，更是商業架構、晶片選擇與成本控制的綜合考量。

當市場還在爭論 AI 是否只是另一個網路泡沫時，Anthropic 正在用實際的利潤率證明，AI 的商業化引擎已經開始高速運轉。

主題五：AI世代下，誰會被裁？

Cloudflare CEO Matthew Prince 幾天前在《華爾街日報》發了一篇專欄，標題很直白：

「在AI時代，我如何選擇誰會被裁？」

他開門見山：我們剛創下營收成長紀錄，自由現金流很強，全球客戶數量創新高。然後我裁掉了五分之一的員工。

在美國商業史上，幾乎找不到任何一家年成長率超過 30% 的上市企業，會做出如此大規模的裁員決定。

為甚麼他要下這個決定？

企業裡的「三種人」

Prince 在文章裡搬出了一本 1954 年的書：Peter Drucker的《管理的實踐》。他用杜拉克的框架把公司裡的人分成三類。

第一類是 Builders，建造者。

負責研發產品、創造價值的工程師與技術人員。

第二類是 Sellers，銷售者。

負責把產品賣出去、與客戶建立信任、解決疑難雜症的前線商務人員。

第三類是 Measurers，測量者。負責「其餘所有事情」的人。包括中階管理層、財務、法務、內部審計、合規、營運，以及大部分的行銷人員。他們的本質工作是傳遞資訊、分析數據、套用規則、監督流程，並「計量」公司的表現。

Prince 的論點很簡單：AI 不會取代建造者，因為如果一個工程師現在能提高十倍生產力，我會盡可能多雇幾個。

AI 也不會取代銷售者，因為人類還是控制預算的，他們想從真人那裡買東西，想要有人理解他們的需求、建立信任、出問題時修好它。

但AI可以大幅度地取代「測量者」。

為什麼 AI 是更完美的審計官？

在過去，企業需要大量的中階主管和後勤人員來維持運轉。

例如，內部審計團隊每個季度只能抽樣調查幾個風險領域；財務團隊需要花費數週來關帳；管理層需要一層層的匯報鏈條，才能知道底層員工的表現。

但現在，AI 智能體（Agents）改變了遊戲規則。

無死角的持續審計：在 Cloudflare，內部審計不再是「抽樣調查」，而是由 AI 系統對每一個業務風險進行 24 小時不間斷的「持續審計」。
更扁平的管理跨度： AI 能夠以極其客觀、精準且詳盡的維度，去衡量每一個團隊和個人的產出，甚至主動識別出組織中的「明日之星」。

這意味著，經理人不再需要那麼多中階主管來幫忙「盯人」。一個主管在 AI 的輔助下，可以管理比以前多出數倍的直屬部屬。

在 Cloudflare，內部審計不再是「抽樣調查」，而是由 AI 系統對每一個業務風險進行 24 小時不間斷的「持續審計」。AI 能夠以極其客觀、精準且詳盡的維度，去衡量每一個團隊和個人的產出，甚至主動識別出組織中的「明日之星」。

於是，Cloudflare 揮下了屠刀。被裁掉的 20% 員工中，絕大多數都是這些負責監督、協調、審計的「計量者」。

這揭示了矽谷對 AI 的最新共識：AI 不是一個用來幫員工提高效率的「小工具」，而是一個用來重新設計組織架構的「新型操作系統」。

Prince 強調這不是關於減少人數。事實上，Cloudflare 現在有創紀錄的職缺數量。他預期未來幾年員工人數會繼續成長，只是組成不一樣了。

測量者變少，建造者和銷售者變多。

他們今年夏天收到了將近一百萬份實習申請，要爭 1,111 個有薪實習名額。被錄取的實習生都是 AI 原生代，極其優秀。他們都是建造者或銷售者，公司預期大多數人會拿到正式 offer。

Prince 說 AI 不是年輕人高失業率的預兆，恰恰相反。

矽谷的「銀彈藉口」

當然，我們必須保持一貫的理性與懷疑。在這波 2026 年的科技業裁員潮中，真的全是因為「AI 太強大」嗎？

風投巨頭 Andreessen Horowitz 的共同創辦人 Marc Andreessen 在最近的訪談中，就說到：

「基本上，每家大公司都人滿為患，甚至冗員高達 75%。現在，他們終於有了一個完美的藉口：啊，這都是因為 AI。」

這就是所謂的「AI-washing」。許多在疫情期間瘋狂擴張、導致組織臃腫的科技公司，正順理成章地把「消除大企業病、降本增效」的鍋，扣在 AI 的頭上，以此來迎合華爾街對利潤率的苛刻要求。

但 Cloudflare 的情況可能不太一樣。他們的內部 AI 使用量在三個月內增長了 600%。他們正在從抽樣稽核轉向持續稽核。他們確實在用 AI 重新設計營運模式，而不只是把 AI 當成一個「生產力工具」。

這是「AI 作為作業系統」和「AI 作為工具」的差別。大多數公司還在把 AI 當成舊結構裡的生產力增強器。Cloudflare 展示的是當你圍繞 agentic AI 重新設計結構時會發生什麼。

這對投資者意味著什麼

Prince 說他們找不到另一個美國商業史上的例子，一家成長超過 30% 的上市公司裁掉超過 20% 的員工。但他說這在未來一年可能會變成常態。

如果他是對的，這對投資者有幾個含義。

第一，生產力故事可以支撐估值倍數。營收成長但人事成本結構改變，等於利潤率擴張加上再投資能力。這是好事。

第二，短期痛苦，長期信號。Cloudflare 宣布裁員後股價跌了。市場不確定這是真正的轉型還是包裝過的成本削減。未來幾季要看的是持續的生產力增益、控制品質、以及對成長角色的再投資。

第三，板塊分化。能夠可信地展示「成長中重塑」模式的公司，特別是基礎設施和 AI 工具建造者，可能會獲得更高的重估。中間層厚重的 SaaS 公司面臨更大壓力。

第四，資本支出 vs 營運支出的轉移。更多花在 AI 基礎設施和工具上，更少花在測量和監督的人力成本上。

這是一個信號

Matthew Prince 的這篇專欄，為我們提供了一個極具啟發性的視角。

AI 帶來的並不是「年輕人集體失業」的末日悲歌，AI 真正帶來的，是企業組織的「去中介化」。

過去那些依靠「資訊不對稱」、「流程管理」和「內部協調」生存的崗位，正在被無情地格式化。

未來的企業將變得極度扁平：一端是瘋狂產出產品的造物者，另一端是瘋狂開拓市場的銷售者，而中間的「計量與管理」，將全部交給冰冷、精準且不知疲倦的算法。

我認為，這不只是另一輪裁員。這是 AI 正在重新定義什麼樣的人類工作有價值的早期跡象。而這個定義，可能跟很多人想的不一樣。

商周專欄解禁版(付費會員專享)

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。
我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。
另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。
同時，如果想開戶的話，可以考慮用我的富途/口袋證券獨家推薦碼，會有更多優惠。
全部資訊在以下鏈結：
https://linktr.ee/fomo_soc
另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!
· KP

被遺忘的巨人重返巔峰？跨資料中心互連（DCI）成下一重點？ - 深入分析第48期：Nokia，Cisco

KP@FOMOSoc — Wed, 20 May 2026 10:50:53 GMT

Nokia 和 Cisco 這兩個名字，代表的是科技史上的兩段「失落傳奇」。

2007 年，Nokia 是無可爭議的手機霸主，市值高達 1500 億美元。然而，隨著 iPhone 的問世與智慧型手機浪潮的席捲，這家芬蘭巨頭在短短五年內市值崩跌至 150 億美元，最終黯然將手機業務出售。

同樣的，1999 年的 Cisco 曾短暫超越微軟，坐上全球市值最高公司的寶座，是那個網路泡沫時代的王者。但在隨後的二十年裡，Cisco 的股價再也沒能回到當年的高點，逐漸被市場視為一家「穩定但缺乏想像力」的中年企業。

在過去很長一段時間裡，華爾街的目光早已轉向 Apple、微軟，以及後來的 Nvidia 與 OpenAI。

Nokia 和 Cisco？這是上世紀的公司了。

然而，時間來到 2026 年，局勢出現了意想不到的轉折。這兩家沉寂已久的企業，重新成為資本市場的焦點。

為什麼兩家看似與 GPU 算力無關的傳統網路通訊設備商，會突然成為 AI 的受惠者？答案，藏在一個一年前幾乎沒有人討論的新詞彙裡。

第一章：為什麼「Scale-Across」突然成為關鍵字？

要理解 Nokia 和 Cisco 為什麼能在 2026 年迎來大爆發，我們必須先看懂當前 AI 基礎設施的限制。

想像一下，如果要容納十萬名頂尖工程師在同一個專案上日夜趕工，最直觀的做法是蓋一棟 200 層樓高的超級摩天大樓，讓所有人都在同一棟樓裡搭電梯溝通。這就是過去幾年科技巨頭在做的事：把越來越多的 GPU 塞進同一個資料中心裡。

但當規模擴大到一百萬人時，這棟摩天大樓會遇到什麼問題？

首先，地基承受不住；其次，當地的發電廠無法提供足夠的電力讓整棟大樓維持運轉；最後，大樓內的空調系統根本無法散去這一百萬人同時工作所產生的熱量。

這正是 2026 年 AI 算力面臨的真實困境。

1.1 從 1 萬到 100 萬：塞不進單一房間的巨大算力需求

在 ChatGPT 剛爆紅的 2023 年，一個擁有 1 萬張 GPU 的訓練叢集（Cluster）就足以讓業界驚嘆。

但到了 2026 年的今天，為了訓練下一代多模態巨型模型，科技巨頭（Hyperscalers）的目標已經是 10 萬甚至 100 萬個 XPU（泛指各類 AI 加速晶片）的超級叢集。

當規模來到這個量級，單一資料中心已經無能為力。

一個 10 萬 GPU 的資料中心，其耗電量可能高達數百兆瓦（MW）甚至逼近吉瓦（GW）等級，這相當於一整個中型城市的用電量。

在現實世界中，你很難在同一個地點同時取得這麼大塊的土地、這麼龐大的電網配額，以及足夠的水資源來進行液冷散熱。

既然蓋不出一棟 200 層的超級摩天大樓，唯一的解法就是：在同一個區域內，蓋八棟 50 層樓的大樓，然後用極度寬闊、極度快速的「空橋」把這八棟大樓連起來，讓它們運作起來就像是一棟大樓。

這，就是 AI 網路架構演進出的「第三層」。

1.2 AI 網路的三層架構：Scale-Across 的誕生

在過去的 AI 訓練架構中，我們通常只討論兩層網路：

Scale-up（向上擴展）：這是機架內、GPU 與 GPU 之間的溝通。這層網路的距離極短，通常在幾公分到幾公尺內，追求的是極致的頻寬。這是 Nvidia NVLink 稱霸的絕對領域。
Scale-out（向外擴展）：這是資料中心內，機架與機架之間的溝通。當幾萬張 GPU 分佈在同一個廠房的不同機架上時，需要透過乙太網路（Ethernet）或 InfiniBand 將它們串聯起來。
但現在，因為物理極限的逼迫，第三層網路應運而生：
Scale-across（跨域擴展）：這是資料中心與資料中心之間的溝通。它負責把相距幾公里、甚至幾十公里的多個 AI 資料中心（AI Factories），串聯成一台邏輯上的「超級電腦」。
為什麼這個概念在過去不存在？因為以前的資料中心互連（DCI, Data Center Interconnect）或廣域網路（WAN），根本無法承擔 AI 訓練的嚴苛要求。

1.3 為什麼傳統網路會失效？「人類流量」與「機器流量」的本質差異

過去十年，我們所熟知的跨資料中心網路，是為了「人類流量」設計的。當你在 Netflix 上看影片，或者滑 Instagram 時，網路稍微延遲個幾十毫秒，或者偶爾掉了一個封包（Packet Loss），系統會自動重傳，人類根本感覺不到。

但 AI 訓練的流量是純粹的「機器流量」。

在分散式訓練中，幾十萬張 GPU 必須在每一個運算週期（Epoch）結束時，互相交換權重（Weights）和梯度（Gradients）。

這是一種「牽一髮而動全身」的同步過程。如果連接兩個資料中心的網路出現了一次封包遺失，或者某條光纖的延遲多了幾毫秒，整個擁有一百萬張 GPU 的叢集就會被迫停下來，等待那個遲到的數據。

這在經濟上是絕對無法承受的災難。想像一下，每小時運轉成本高達數百萬美元的超級電腦，因為網路延遲而處於閒置狀態（Idle），這對微軟、Google 或 Meta 來說是不可接受的。

因此，Scale-across 網路面臨著前所未有的技術挑戰：它必須在跨越數十公里的實體距離上，提供媲美單一資料中心內部的極致頻寬、極低延遲，以及最關鍵的「無損傳輸」。

這意味著，2026 年 AI 算力大戰的決勝點已經改變了。現在的瓶頸變成了「誰能用最快的網路把這些 GPU 連起來」。

至於要達成這些嚴苛要求，背後需要強大的光學傳輸與次世代晶片技術。

這是一個全新的、為了百萬 GPU 時代而生的龐大基礎設施類別。而當我們攤開這個新領域的技術需求清單時，華爾街猛然驚覺：

這不正是 Nokia 和 Cisco 過去二、三十年來賴以生存、且擁有最深厚技術護城河的本業嗎？

第二章：Nokia 的失落十五年——從手機之王到 AI 賭桌邊緣

提到「Nokia」，世界上 99% 的人腦海中浮現的，大概是那支摔不壞的 3310、經典的貪食蛇遊戲，或是那段曾經響徹全球大街小巷的專屬鈴聲。

在消費者的集體記憶裡，Nokia 就是「手機」的代名詞，是一個曾經統治世界的消費性電子帝國。

但許多人不知道的是，在那個手機帝國最輝煌的年代，Nokia 內部一直存在著另一個龐大、卻鮮少面對一般大眾的事業體：電信與資料基礎設施（Data Infrastructure）。

這是一門「藏在機房與基地台裡」的硬核生意。當我們用著 Nokia 手機傳送簡訊、撥打 3G 電話時，背後支撐這些訊號跨越城市與海洋的，往往正是 Nokia 自己製造的光纖網路、核心路由器與電信交換器。

在過去，這個隱身幕後的「B 面 Nokia」，光芒完全被手機業務的耀眼成就所掩蓋。

要理解 Nokia 為什麼能在 2026 年突然以 16 年新高的姿態重返華爾街的聚光燈下，我們必須先回到大家最熟悉的那個起點：那個 Nokia 等同於「手機之王」的時代。

2.1 一場價值千億美元的墜落

2007 年，Nokia 佔據了全球手機市場的半壁江山。但隨著 iPhone 橫空出世，這個帝國迅速瓦解。

2011 年 2 月，剛上任不久的 Nokia 執行長 Stephen Elop 向全體員工發出了一封後來被科技史銘記的內部信，標題只有三個字：「Burning Platform（燃燒的平台）」。

信中，Elop 把當時的 Nokia 比喻成一個站在熊熊燃燒的鑽油平台上的工人。腳下烈火蔓延，身後是冰冷刺骨的北海。

留在原地是死路一條，但縱身跳入冰海，至少還有一絲生機。他用這個極具戲劇張力的比喻告訴所有員工：Nokia 必須立刻跳海，全面擁抱微軟的 Windows Phone 系統。

歷史的弔詭之處在於，Nokia 確實跳海了，但跳下去之後才發現，海面上根本沒有救生艇。

從 2011 年押注 Windows Phone，到 2014 年將整個手機部門以 72 億美元賤賣給微軟，再到 2016 年微軟徹底放棄這項業務，Nokia 用短短五年時間，完成了科技史上最壯觀的一場墜落。

2.2 第二次轉型的痛苦：吞下 Alcatel-Lucent 與 5G 的幻影

當時的 Nokia 手上其實還握著一張底牌：電信網路設備業務。這塊業務雖然不像手機那樣性感，但卻是全球電信營運商不可或缺的供應商。

2016 年，Nokia 做了一個大膽的戰略決策：以 166 億美元，併購了同樣身陷困境的法國電信設備商 Alcatel-Lucent。

這場合併的邏輯是：兩家二流的設備商合在一起，或許就能在規模上挑戰華為與 Ericsson，並搭上「5G 全球大爆發」的順風車。

但 5G 來了，超級週期卻沒有來。電信營運商發現 5G 的投資回報遠不如預期，消費者不願多付錢，企業端應用也遲遲未落地。

整個產業陷入尷尬：技術升級了，但客戶沒錢給你。到了 2023 年底，Nokia 的股價長期徘徊在 3 至 4 歐元之間，市值不到 200 億美元。

市場給它的標籤是：一家穩定但缺乏想像力、在停滯產業裡掙扎的傳統設備商。

2.3 2024 年的伏筆與 2025 年的關鍵換帥

轉機的種子，其實在 2024 年中就已悄悄埋下。當時的 Nokia 宣布以 23 億美元併購美國光纖傳輸設備商 Infinera。

這場併購對外界來說有點突兀，但卻是極為關鍵的一步：

Nokia 原本的光纖業務主要是賣給電信營運商，但 Infinera 的客戶是 Google、Meta、Microsoft 這些 Hyperscaler，做的是資料中心之間的高速互連（DCI）。Nokia 無意間買到了一張通往 AI 工廠的入場券。

緊接著，2025 年 4 月，Nokia 董事會做了一個極不尋常的決定：他們挖來了一位新執行長Justin Hotard。

Hotard 不是電信業的人，他來自 Intel，曾是 Intel 資料中心與 AI 事業群（Data Center and AI Group）的負責人。

Nokia 找來了一個正在 AI 基礎設施最前線打仗的將軍。Hotard 上任後，立刻看懂了前朝留下的 Infinera 是一張多麼強大的底牌，他立刻把 Nokia 的資源全面倒向資料中心，並打出了改變故事走向的三張牌。

2.4 第一張牌：將 Infinera 武器化——直攻 Hyperscaler

Hotard 迅速將 Infinera 的光纖技術與 Nokia 的 IP 路由業務深度整合。這直接對應了我們在第一章談到的 Scale-Across 戰場。

一夜之間，Nokia 從「賣設備給電信公司」的廠商，實質轉變為「賣設備給 AI 巨頭」的廠商。客戶結構的根本性轉變，成為 Nokia 估值重估的第一個基礎。

2.5 第二張牌：Nvidia 的 10 億美元戰略投資與 AI-RAN

2025 年下半年，震撼消息傳來：Nvidia 宣布以 10 億美元入股 Nokia。這筆投資告訴市場：Nokia 在某些 Nvidia 自己做不到的地方，擁有 Nvidia 想要的能力，那就是 AI-RAN（AI 原生無線接取網路）。

這是一個極其大膽的概念：把 Nvidia 的 GPU 直接放進電信基地台裡，讓基地台變成小型的 AI 推論節點。

Nokia 與 Nvidia 攜手 T-Mobile 等營運商完成了關鍵測試，證明 AI 與傳統通訊工作負載可以在共享的 GPU 上運行。

這讓電信營運商過去花在 5G 的數千億美元投資，突然有了第二條變現路徑：出租閒置 GPU 算力。Nokia 成功把停滯的行動網路業務，重新接到了 AI 的主動脈上。

不過必須要理解：AI-RAN 目前仍處於早期階段。Nokia 自己也說，2026 年才開始第一次商業試點，2027 年才會有第一個商業版本，加上電信營運商的採購節奏遠慢於雲端巨頭。

2.6 第三張牌：資料中心交換器——直闖 Cisco 和 Arista 的市場

Hotard 加速推進了 Nokia 的資料中心交換器產品線。最具代表性的 7220 IXR-H6，達到 102.4 Tb/s 吞吐量，完全符合 Ultra Ethernet 規範，可支援超過百萬個 XPU 的 AI 工廠環境。

這意味著 Nokia 第一次直接站到了 Cisco、Arista 的正前方。反映在數字上：Nokia 把 2026 全年 Network Infrastructure 業務的成長指引，從原本的 6-8% 大幅上調到 12-14%。

一家市值兩百多億美元的硬體公司，在一個季度內調升將近一倍的成長預估，這在傳統設備產業極其罕見。

2.7 時代的鑰匙

當我們把 Nokia 的故事攤開來看，會發現一個有趣的現象：Nokia 的轉型，很大程度上是「被動式」的。

是因為 AI 算力撞上物理極限、Scale-Across 這個全新的網路類別出現，市場才突然發現「咦，原來 Nokia 一直都在做這個」。

是因為 Hyperscaler 需要光纖、DCI、超大型交換器，而這些恰好是 Nokia 過去十年「沒辦法只能繼續做」的核心業務。

那麼，在大西洋的另一邊，另一家被遺忘的網路巨頭呢？

第三章：Cisco 的中年危機——從網路霸主到 AI 焦慮

如果說 Nokia 的故事是一場「被時代拋棄、又被時代撿回」的戲劇性翻轉，那麼 Cisco 的故事就完全是另一種劇本。

它不是被動等待春天的人。它是早早就看見冬天即將來臨、然後默默花了十年時間，在地下室裡打造武器庫的人。

要理解這一點，我們得先回到 2000 年 3 月 27 日——那是 Cisco 歷史上最榮耀、但也最危險的一天。

3.1 全球市值第一的那一天

2000 年 3 月 27 日，Cisco 的市值短暫超越微軟，登上全球市值最高公司的寶座，盤中估值一度衝破 5,500 億美元。

那是一個瘋狂的年代。網路泡沫正處於最高潮，全球每一家想搭上「網路新經濟」順風車的企業，都在瘋狂採購 Cisco 的路由器與交換器。當時市場上流傳一句話：「網路上每傳輸一個位元組，Cisco 都要抽一毛錢的稅。」

Cisco 當時的設備幾乎壟斷了整個企業網路市場——銀行、電信、政府、大學、跨國企業，幾乎所有 IT 部門的機房裡，都堆滿了那些印著 Cisco 標誌的藍綠色機箱。

然後，泡沫破了。

Cisco 的股價在接下來的兩年內暴跌將近 90%。但事實上，泡沫破裂後它依然獲利豐厚，但接下來 20 年產業底層邏輯的改變，才是 Cisco 真正的痛點。

3.2 一個大前提下的三個致命威脅：當世界走向「雲端」

過去十多年，Cisco 的市場地位看似穩固，依然每年產生上百億美元的自由現金流。但在這平靜的表面下，有一場巨大的板塊運動正在摧毀 Cisco 的護城河。

這場運動只有一個名字：從地端走向雲端（From On-premise to Cloud）。

過去，Cisco 最賺錢的生意是賣設備給「企業 IT 部門」。當一家銀行或製造業需要建機房，IT 主管通常會直接打給 Cisco 的業務下一張幾百萬美元的訂單。

因為當時業界有一條鐵律：「沒有 IT 主管會因為買了 Cisco 而被開除。」買 Cisco 代表著安全、全套的售後服務，以及不用動腦筋的完整解決方案。

但隨著 AWS、Azure、GCP 等雲端巨頭崛起，企業不再自己建機房了。真正的網路設備大買家，從「全球幾萬家企業的 IT 部門」變成了「少數幾家雲端巨頭（Hyperscalers）」。

這群雲端巨頭的採購邏輯跟傳統企業完全不同。他們擁有世界上最頂尖的工程師，他們不需要 Cisco 昂貴的保固服務，不需要精美的機箱，更不想被 Cisco 封閉的軟體系統綁架。他們要的是：最便宜、最開放、最大量。

在這個「雲端化」的大前提下，三股力量趁虛而入，開始瘋狂啃食 Cisco 的帝國：

KP商周專欄(第2002，2003，2004，2005期)

KP@FOMOSoc — Sun, 17 May 2026 15:32:25 GMT

💡 閱讀前的小提醒：

原汁原味的「導演剪輯版」： 商周刊登的版本經過了編輯部的精簡與潤飾，而我發布在這裡的，是未經刪減的原始草稿。即使你已經看過雜誌版本，這篇原稿保留了更多我個人的推演過程，讀起來會有截然不同的風味。
底層邏輯，不怕過時： 你可能會想，一個月前的文章現在看會不會太遲？熟悉我的老讀者都知道，我寫作的核心始終是拆解「底層的商業邏輯」，而非追逐短線新聞。因此，這份產業鏈的結構性分析，即使過了一個月，含金量依然不減。
為何沒收到這篇的 Email 通知？ 為了避免過度轟炸大家的信箱，這系列的解禁文章，我都會以「不發送 Email 與推播」的形式獨立上架。我會在週末的常規電子報中，再把連結整理給大家慢慢回顧。

祝大家閱讀愉快！👇

第八期專欄(出刊日期： 2026-03-26)

從賣晶片到賣「資料中心懶人包」，揭開輝達GTC大會最深重訊號

長端利率上升怎麼辦？Cerebras上市，對Nvidia，台積電，記憶體廠有甚麼啟示？- KP思考筆記(第42期)

KP@FOMOSoc — Sat, 16 May 2026 04:04:34 GMT

科技股在連漲了將近一個月後，這個星期終於迎來了一些波動。市場上有很多聲音，試圖為這次回調找理由，但老實說，最簡單也最真實的原因往往只有一個：

漲太多了。

作為投資者，我們天生喜歡為每一波漲跌尋找確鑿的因果關係。這很正常，因為人類的本能需要「確定性」來安撫焦慮。

如果我告訴你，市場很多時候的波動其實並沒有特定原因，純粹是情緒與籌碼的隨機碰撞，你可能很難接受。

相反地，那些聽起來頭頭是道、甚至帶點驚悚色彩的宏觀敘事，往往最能觸動人心。但大家要記住：

投資是反人性的，或者說，要投資成功，你必須學會「反人性」。

當大家還在為美伊局勢戰戰兢兢時，我曾說過「最壞的情況已經過去」，即便當時看起來並非如此；當大家在半導體的狂歡中不能自拔時，我選擇連續兩週不寫半導體，轉向更冷門的主題。這不是為了標新立異，而是為了在情緒過熱時保持那份必要的清醒。

漲了這麼多，你問我會不會繼續漲，還是要調頭下跌？老實說，我也不知道。

而「承認自己不知道」，正是一個成熟投資者最珍貴的品質。

因為知道自己的邊界，所以我不會耗費精力去猜測精確的轉折點，或是試圖抓準每一次的「頂」與「底」。

我會做的，是「動態調整倉位」。當某個標的漲幅過大、導致倉位佔比過高時，我會適度減碼。這不是因為我不看好它，而是因為我對未來保持敬畏。

我會將贏來的利潤，重新配置到那些經過深度研究、我認為價值被低估、但近期表現平平的標的上。比起總是試圖精準預測 Market Timing（市場時機），這種做法對我來說要踏實得多。

當然，要做到這一點，「深度研究」是唯一的門檻。

只有研究得夠深，你才能在波動中辨別出：這家公司是被市場「錯殺」了，還是真的「不行」了。就像我這幾個月一直強調的資安板塊，就是這種邏輯的體現。

本期的《週末思考筆記》，我們延續「一個大主題 + 兩個小主題」的架構：

大主題：Cerebras 的上市，掀開了芯片戰爭的新篇章。

我並不打算探討它的投資價值，而是想透過它的上市，解析背後的「芯片格局」。

為什麼 Cerebras 堅持要做「大芯片」？這對台積電、記憶體廠、甚至 NVIDIA 的護城河有什麼深遠影響？

這個主題的深度，遠超你能在市面上看到的常規分析，我將帶領大家看穿物理極限背後的商業博弈。

另外兩個小主題也同樣精彩：

美債殖利率持續攀升，背後隱藏的信號是什麼？ 這是宏觀環境中不可忽視的灰犀牛。
Neoclouds（新興雲端商）雙雄業績大對比： 為什麼在同樣的 AI 浪潮下，兩者的表現卻天差地遠？

這是一期含金量極高的筆記，如果你覺得這些分析對你有啟發，歡迎留言討論或給我一個讚，這對我來說是最大的支持。

讓我們開始吧。

主題一：殖利率突破新高，「泡沬」要爆破了嗎？

Trump和習近平握手、拍照、吃國宴，Trump說習近平是「偉大的領導人」，習近平邀請Trump明年秋天回訪。波音拿到了兩百架飛機的訂單，一票科技大佬跟著去北京露臉。

聽起來不錯對吧？

但如果你去看債券市場在峰會期間做了什麼，你會看到一個完全不同的故事。

十年期美債殖利率衝到 4.5% 以上。三十年期破了 5%，這是 2007 年以來第一次，這是市場在說：「我們沒拿到我們需要的東西。」

市場真正在等的是什麼？

不是波音訂單。不是「穩定的中美關係」。

市場在等的是伊朗。

更精確地說，市場在看中國會否出手幫忙解決荷姆茲海峽的問題。

這條海峽承載全球約 20% 的石油貿易。自從美國和以色列與伊朗開戰以來，這條航道一直處於半封閉狀態。油價因此維持在每桶一百美元以上，而這個價格正在滲透到經濟的每一個角落。

四月的生產者物價指數（PPI）年增 6%，月增 1.4%，這是 2022 年以來最強的數字。消費者物價指數（CPI）同期跳到 3.8%，逆轉了之前好幾個月的降溫趨勢。

能源成本是主因。汽油、運輸、全部都在漲。

市場原本抱著一絲希望：也許習近平會在峰會上承諾幫忙斡旋伊朗，也許中國會減少從伊朗進口石油，也許會有某種訊號讓油價有理由下來。

結果呢？什麼都沒有。Trump自己說停火協議「命懸一線」。習近平專注在台灣問題上發出警告。伊朗的事，基本上沒進展。

於是債券市場做出了它的判斷：通膨不會很快消失。

華爾街的新暗語：NACHO

如果你關注交易圈的討論，最近會聽到一個新詞：NACHO。

這是 “Not A Chance Hormuz Opens” 的縮寫，「荷姆茲海峽開放？門都沒有。」

NACHO（Not A Chance Hormuz Opens）代表的是一個具體的交易方向：押注海峽持續受阻，油價維持高位，通膨居高不下。

這是繼之前「TACO」（Trump Always Chickens Out，Trump總是會退縮）之後，交易員發明的又一個押韻暗語。

NACHO 交易怎麼做？做多原油期貨，做多能源股，做空長期國債。你也會看到人們買進抗通膨債券（TIPS）、黃金、油輪股，任何在「油價不會跌」這個假設下受益的東西。

美中會的結果強化了這個交易。當市場看到峰會沒有帶來任何伊朗方面的突破，NACHO的邏輯就更站得住腳了。

這對聯準會意味著什麼？

波士頓聯儲主席 Susan Collins 最近說得很直接：2026 年不會有降息。通膨不會那麼快消退。要看到真正的緩解，可能要等到 2027 年。

這是目前聯準會官員公開發言中最鷹派的一位。

但大家要理解的是，升息也不是聯準會的主流意見。為什麼？

因為他們認為這是供給面衝擊，不是需求過熱。

油價高是因為伊朗戰爭，不是因為美國人突然都變得很有錢拼命消費。工資在漲，但不是那種會讓聯準會恐慌的速度。房價和租金還是高，但那是結構性問題，不是新的需求爆發。

面對供給面衝擊，教科書式的反應是：觀望。等衝擊過去。因為升息解決不了中東地緣政治問題，降息也不會讓油價下來。

所以現在的狀態是「Higher for longer」，利率會維持高位，但不一定會更高。聯準會在等。等油價的方向，等通膨的下一個數據點，等看看伊朗的局勢會不會改變。

對投資人來說，這意味著什麼？

當長期殖利率上升，高估值成長股會受壓。未來現金流的折現率變高，今天的股價就得往下調。

對於已經漲了很多的股票來說，這就夠了。

你不需要世界末日才有理由賣股票。你只需要一個敘事的轉變。「降息很快會來」變成「降息不知道什麼時候會來」，這就足以讓估值承壓。

如果你在過去一個月的半導體大漲中賺了很多，現在的環境給了你一個合理的理由去減碼、鎖定一些利潤。

我們現在面對的不是「牛市結束了」或「熊市開始了」的二元選擇。我們面對的是「不確定性增加了，但基本面沒有崩壞」。

在這種環境下，減少部位、鎖定利潤、等待更好的機會，是合理的選擇。不是因為你看空，而是因為風險報酬變了。

什麼樣的公司能撐過這個階段？

如果你不想全部賣掉（你也不應該需要），那就專注在對的地方。

有真實現金流的公司比依賴未來成長故事的公司安全。
有定價權的公司比競爭激烈、利潤率薄的公司安全。
資產負債表乾淨的公司比負債累累需要再融資的公司安全。

這些公司在利率上升的環境下，不會突然變成好公司，它們本來就是好公司。但現在是它們相對優勢會顯現的時候。

但更重要的是，你持有的每一個部位，都問自己一個問題：如果利率在這個水位維持一年，這家公司會怎樣？

如果答案是「沒什麼問題」，那就繼續持有。如果答案是「會很辛苦」或「我不確定」，那可能就是該動手的地方。

主題二：Cerebras 狂飆千億市值，但年營收只有 5 億？

2026 年 5 月 14 日，Cerebras在 Nasdaq 首日收盤飆漲 68%，這家公司的市值在一天之內從 560 億美元的發行估值，衝向近千億美元大關。

這是 2026 年迄今為止全球規模最大的科技 IPO，我們一起來看看它招股書（S-1 文件）中揭露的數字：

2025 年營收：5.1 億美元，較前一年增長 76%。
淨利：由虧轉盈，從 2024 年虧損 4.8 億美元，轉為 2025 年實現 2.37 億美元的利潤。
未來訂單（Backlog）：高達 246 億美元。

看起來的確不錯，但問題來了：

一家年營收剛跨過 5 億美元門檻的公司，憑什麼能支撐近千億的市值？
那 246 億美元的未來訂單，又是從何而來？答案，藏在這家公司反其道而行的瘋狂哲學裡。

反其道而行的矽谷異類

半導體產業過去五十年的故事，是一個不斷把東西做小的故事。更小的電晶體、更密集的電路、更精密的切割。每一塊晶圓被切成幾百顆小晶片，這是摩爾定律的標準劇本。

然後 Cerebras 出現了，說：我們不切。

這家 2015 年成立的公司做了一件所有人都認為不可能的事：把整塊 300 毫米的矽晶圓，做成一顆晶片。不是比喻，是字面意義上的「一整塊晶圓 = 一顆晶片」。

他們最新的 WSE-3 有將近 4 兆個電晶體，是 NVIDIA Blackwell B200 的 19 倍，90 萬個 AI 專用運算核心，44GB 的晶片內建記憶體，面積是 NVIDIA H100 的 57 倍。

要理解這有多瘋狂，你得先理解為什麼這麼做。

為什麼大就是好？記憶體頻寬的戰爭

大型語言模型的問題不只是運算不夠快，而是資料搬運不夠快。

模型的參數存在記憶體裡，每次運算都要把資料從記憶體搬到運算核心，算完再搬回去。這個來回的速度，就是記憶體頻寬。

傳統 GPU 的做法是：晶片很快，但記憶體在晶片外面。資料要透過匯流排傳輸，這條路就是瓶頸。

你可以想像成一個超級快的廚師，但食材放在隔壁大樓的倉庫，每做一道菜都要跑一趟。

Cerebras 的解法是：把倉庫搬進廚房。44GB 的 SRAM 直接做在晶片上，跟運算核心緊緊貼在一起。資料不用出門，頻寬問題直接消失。

這就是為什麼他們在推論（inference）上特別強。生成式 AI 的推論是一個 token 一個 token 地吐出來，每吐一個字都要讀取模型參數。記憶體頻寬越大，吐字就越快。Cerebras 在這件事上，有結構性的優勢。

貨運列車 vs 法拉利

市場上另一個專攻推論加速的玩家是 Groq。2025 年 12 月，NVIDIA 用大約 200 億美元把它收購了。不是完整的收購，而是技術授權加上核心團隊的收編，包括創辦人 Jonathan Ross。

Cerebras 和 Groq 解決的是同一個問題：讓大型語言模型的推論變快。但他們的路徑完全不同。

Groq 的 LPU（Language Processing Unit）走的是「極致低延遲」路線。它讓單一使用者的體驗感覺瞬間回應，打一個字，答案馬上出來。對於寫程式的 AI 助手、即時翻譯這類應用，那種「秒回」的感覺很重要。

Cerebras 走的是「極致吞吐量」路線。它不是讓一個人感覺快，而是讓一萬個人同時用的時候，總輸出量最大化。在多數基準測試上，Cerebras 的總吞吐量是 Groq 的三到六倍。

Groq 是法拉利，直線加速無敵，讓駕駛感覺飛快。Cerebras 是貨運列車，單趟可能沒那麼刺激，但它一次能拉的貨量大得多。

選擇 Cerebras 的場景是，你需要最大化生成速度，特別是長輸出或高吞吐量的工作；你在跑大型或前沿模型；你需要更高精度、更好的推理品質；你想在同一套硬體上同時做訓練和推論。

選擇 Groq 的場景是，你要最靈敏的對話體驗，最低的延遲；你重視開發者體驗和成熟的 API；你需要極度可預測的效能表現。

Groq 讓複雜任務「感覺瞬間完成」，Cerebras 讓複雜任務「實際上更快完成」。而且因為速度優勢，模型可以在相同時間內執行更多推理步驟，這對 agent 工作流程特別重要。

如果你是一家大銀行，要跑 24 小時的客服機器人，同時處理幾千個對話，你要的是列車。如果你是獨立開發者，要一個打字時秒回的程式碼助手，你可能更喜歡法拉利。

這個差異很重要，因為它解釋了為什麼 Cerebras 的估值是 Groq 被收購價格的將近三倍：企業級應用大多是高併發場景，而高併發場景需要的是吞吐量，不是單一延遲。

當然，在 Nvidia 將 Groq 併入公司中之後，我們也可以期待一下他們會如何將整個體驗再向上提升。

「推論翻轉」——AI 產業正在經歷的地殼變動

要理解 Cerebras 的機會，你得先理解 AI 產業正在經歷的一個結構性轉變。

過去幾年，所有人都在談 AI 訓練。訓練 GPT 花了多少錢？用了多少顆 GPU？算了多久？這些是頭條新聞。

但訓練是一次性成本，推論才是持續性成本。

2026 年初，產業界迎來了所謂的「推論翻轉」，全球在運行 AI 模型上的累計支出正式超過訓練。推論現在佔全球 AI 算力支出的三分之二。

而 AI agent 正在讓這個問題變得更加嚴峻。

單一聊天機器人的 API 呼叫可能花費 0.001 美元。但一個多步驟的 agent，規劃、檢索上下文、調用工具、反思輸出、自我修正，每次任務完成可能花費 0.10 到 1.00 美元。這是 100 倍到 1000 倍的乘數。

當你只是聊天時，幾秒鐘的延遲是可以接受的。微軟或 OpenAI 的 AI agent 試圖解決一個需要在背景中進行二十步「思考」的複雜問題時，這需要標準硬體難以高效提供的速度水平。

這正是 Cerebras 的機會所在：專門為推論優化的硬體，在推論成本爆炸性增長的時代。

OpenAI 的超級大單

理解了推論的重要性，你就能理解為什麼 OpenAI 簽下了這筆合約。

2025 年底到 2026 年初，Cerebras 拿下了他們最大的單一合約：到 2028 年，高達 750 百萬瓦（megawatts）的 AI 算力容量。估計價值超過 100 到 200 億美元。而且還有一個選項：到 2030 年可以擴展到將近 3 吉瓦（gigawatts）的額外容量。

但這只是開始。就在 IPO 前夕，OpenAI 進一步擴大了這段關係：總投入超過 200 億美元，附帶認股權證，可讓 OpenAI 逐步獲得 Cerebras 約 10–11% 的股權。。

OpenAI 不只是在買算力。它正在買進提供算力的公司本身。

這跟 Apple 自研晶片的邏輯類似：當你是全球最大的 AI 模型營運商之一，你不會想讓核心基礎設施完全掌握在別人手中。

更有趣的是，在 Elon Musk 與 OpenAI 訴訟案中曝光的內部郵件顯示，2017 年 OpenAI 就曾考慮與 Cerebras 合併，認為這家晶片公司可能有助於追求通用人工智慧（AGI）。九年後，這段關係終於以另一種形式落地了。

進入 AWS——從邊緣玩家變成主流基礎設施

Cerebras 過去有一個讓投資人擔心的問題：客戶太集中。很大一部分營收來自阿聯酋的 G42 和 MBZUAI。這讓它看起來像是「主權 AI」的專家，而不是全球性的基礎設施供應商。

2024 年 9 月，Cerebras 第一次申請上市，但招股書受到嚴格審查，主要就是因為這個客戶集中度問題。申請被擱置了超過一年。

2026 年 3 月，故事改變了。AWS 開始在自己的資料中心部署 Cerebras 系統，預計 2026 年中會透過 Amazon Bedrock 對外開放。

這是一個很大的轉變。

過去，你想用 Cerebras，要自己買整套系統、自己管理、自己維運。現在，任何已經在用 AWS 的公司，都可以直接透過 Bedrock 使用 Cerebras 驅動的高速推論，就像用其他 AWS 服務一樣。

更重要的是，AWS 和 Cerebras 發展出了一種「分拆式推論」的混合架構：AWS 的 Trainium 晶片負責「預填充」階段，處理使用者的提示詞，這部分是高度平行、運算密集的工作。

Cerebras 的 WSE-3 負責「解碼」階段，一個一個 token 地生成輸出，這部分是記憶體頻寬密集的工作。

這讓 Cerebras 從一個需要特殊採購流程的小眾硬體，變成了 AWS 生態系的一部分。對企業客戶來說，摩擦力大幅降低。對 Cerebras 來說，客戶集中度的敘事被解決了一部份。

說了這麼多好處，但這裡有一個問題：如果大晶片這麼好，為什麼過去五十年沒人做？

主題三：一個「不可能」的晶圓級運算，如何化為現實？

五十多年來，晶圓級晶片被視為半導體產業的不可能。1980 年代，一家叫 Trilogy Systems 的公司曾經嘗試過，燒掉了大量資金後以失敗告終。

問題很簡單：在矽晶圓上只要有一個微小的灰塵或瑕疵，晶片就可能壞掉。

傳統作法是將一片晶圓切割成數百個獨立的小晶片（die）。壞掉一塊就丟掉，剩下的良品則根據性能高低進行「良率分箱」（binning），分門別類地出售。

這就像從一籃蘋果中挑出壞果，剩下的依然能賣個好價錢。這是半導體產業數十年來的基本經濟模型。

但 Cerebras 的路線是「整塊不切」。一片 300mm 的晶圓就是一顆完整的晶片，面積超過 46,000 平方毫米。根據台積電 5nm 製程的缺陷密度估算，這樣一片晶圓上大約會隨機出現 40到 50個製造缺陷。

傳統的良率數學很簡單：這麼大的晶片，有效良率趨近於零。

他們怎麼解決的？

Cerebras 並沒有發明消除缺陷的魔法，他們選擇了另一條路：讓缺陷變得便宜且可忽略。

關鍵在於徹底顛覆的架構設計。傳統 GPU 的一個核心運算單元（如 NVIDIA GPU 的 SM）大約 6 平方毫米，一個缺陷就足以摧毀整塊功能區域。

Cerebras 則將核心縮小到約 0.05 平方毫米，體積縮小了近 100 倍。這意味著，一個缺陷如今只會「殺死」一個微不足道的核心，而非整片晶圓。

下一步，是海量的內建冗餘。

在 WSE-3 晶片上，密布著超過 97 萬個核心，而 Cerebras 保證實際可用的超過 90 萬個。

這就像一間有 100 個座位的教室，卻預先準備了十幾個備用座位。如果某個位置的電路壞了，系統會自動將運算任務切換到備用核心上。

最有趣的部分，是其「智慧片上互連網路」（Smart On-Chip Fabric）。

你可以把它想像成一個內建在晶片上的、具備自我修復能力的交通網路。這套系統能即時偵測到故障核心，立即將其從網路中隔離，然後像 GPS 重新規劃路線一樣，將數據流無縫地繞道至備用路徑，整個過程對上層軟體完全透明。

結果是，良率這個「攔路虎」被徹底解決了。Cerebras 將過去足以判處整片晶圓死刑的製造缺陷，轉化為一個可控的、約 7%的性能開銷。

這正是晶圓級運算從一個「不可能的夢想」，變成擁有真實客戶（如 OpenAI 的 750 MW 超級電腦訂單）和成功 IPO 現實的根本原因。

良率之外的工程挑戰

解決良率只是第一關。巨大的體積還帶來了兩個極端的工程挑戰。

熱膨脹：

晶片運作時會急遽升溫。對於餐盤大小的晶片，邊緣和中心的溫差會造成明顯的物理變形，就像一塊被加熱不均的鐵板會翹曲一樣。

這種應力足以扯斷內部精密的連接點。Cerebras的解法是一整套精密機械工程，他們研發了特殊的封裝材料和「垂直壓緊」技術，確保晶片在劇烈的冷熱循環下依然保持結構穩定和電氣連接。

散熱與供電：

一顆 WSE-3 晶片的功耗高達23 到 25 千瓦（kW）。傳統風扇對此杯水車薪。Cerebras 的伺服器內部不像普通電腦，更像是一台為單一器官打造的精密維生系統。

冷卻液直接流過晶片背面，帶走相當於二十幾台家用電暖器同時運作所產生的熱量。

這些解決方案聽起來或許不夠「性感」，但它們才是Cerebras 真正的護城河。其競爭優勢從來不是「晶片很大」，而是「解決了一個所有人都認為不可能解決的製造與工程問題」。

為什麼 NVIDIA 和其他人不複製？

如果晶圓級真的這麼好，為什麼 NVIDIA、AMD、Intel 不跟進？

答案有幾層。

第一，Chiplet 模式正在大獲成功。當你的現有方案正在印鈔票時，沒有理由冒險換跑道。

第二，軟體生態系統的鎖定效應。 NVIDIA 的 CUDA 是一個龐大的軟體堆疊，幾乎所有 AI 開發者都在上面寫程式。

第三，晶圓級需要極高的前期投入和風險承受能力。

第四，設計假設完全不同。傳統 GPU 的整個架構都建立在「晶片是小的」這個前提上：記憶體層級、核心佈局、電源管理。你不能簡單地把一個 GPU 設計「放大」成晶圓級。那需要從頭設計，拋棄幾十年的架構假設。

NVIDIA 的 B200 實際上是一個「先進封裝」的產物：將多個 GPU 晶片和 HBM 記憶體透過CoWoS 技術堆疊在一個矽中介層上。整個行業的趨勢是將複雜性推向封裝。

Cerebras 則反其道而行，將所有複雜性推回矽本身，從而避開了 CoWoS 產能受限、HBM供應緊張的產業瓶頸。

單一供應商的風險：台積電依賴

Cerebras的創新之路上，也埋藏著一個投資者無法忽視的巨大風險。

其所有晶片生產都依賴台積電，這並非「選擇最好」的結果，而是「技術鎖定」的必然。從 WSE-1 到 WSE-3，從 16nm 到 5nm，全部由台積電獨家生產。

原因就在於它們的「跨光罩互連」技術，這是 Cerebras 與台積電多年聯合開發的專有製程，深度整合在台積電的特定流程中。三星、英特爾等其他晶圓廠，根本沒有這個現成的能力。

問題在於，台積電的先進製程產能，特別是 5nm，依然嚴重供不應求。其 CEO 魏哲家反覆強調，先進產能「仍然不夠」，缺口可能是 AI客戶總需求的三分之一。

Cerebras 沒有長期供應協議，只能按訂單與 NVIDIA、蘋果、AMD 這些巨頭競爭稀有的晶圓配額。在產能緊張時，小客戶的優先級往往會被降低。

這成為 Cerebras 在試圖履行其數十億美元積壓訂單時，最大的近期執行風險。

好處是，Cerebras 用的是 5nm，不是 NVIDIA 和其他人爭搶最激烈的 3nm/2nm 製程。但 5nm 仍然是受限的。

當Cerebras試圖從 2025 年約 5.1 億美元的營收擴張到履行數十億美元的承諾時，這是最大的近期執行風險之一。

這對台積電意味著什麼？

從台積電的角度來看，Cerebras 這位客戶的生意，是一道有趣的數學題。

一方面，從產能機會成本的角度來看，賣一整片晶圓給 Cerebras 似乎顯得有些奢侈。你想想，一片完整的 300mm 晶圓，最後只變成一個產品。

而同樣一片晶圓如果賣給 NVIDIA，可以切割成數百個小晶片，讓 NVIDIA 根據體質分級包裝、最大化每片晶圓的商業價值。

但從另一方面來看，這筆生意對台積電而言，反而是一筆「結構極度乾淨」、商業變數極少的高毛利訂單。

要理解這點，得先講一下晶圓代工的計價方式。

計價模式：wafer base 與 die base

晶圓代工歷來有兩種主要計價方式：

Wafer base（按片計價）：不論晶圓上最後有幾顆良品 die，整片就是一個價錢。客戶承擔良率風險。
Die base（按良品晶片計價）：只算良品 die 的顆數，30% 良率就只付 30% 的錢。晶圓廠承擔良率風險。

實務上，成熟製程、高良率節點通常採 wafer base；而先進製程剛導入時、或大客戶議價能力強時，會傾向 die base、混合計價，或在合約裡塞進各種良率連動條款。

換句話說，「良率」從來不只是技術問題，它更是一個會被反覆放上談判桌的商業變數。

在傳統大晶片的世界裡，這個變數的份量極重。晶片面積越大，致命缺陷打中它的機率就呈指數型上升，也就是所謂的「面積殺手」效應。

如果一家公司想打造餐盤大的單一晶片，幾顆隨機塵埃落下，整片晶圓的良品數可能就掉到個位數。這時不論用哪種計價，雙方都得在合約裡費盡心思去分攤這個風險。

而Cerebras 的「晶片內置容錯機制」，從根本上拆掉了這個變數。

他們在設計裡預留了大量備用核心（redundancy），出廠時透過軟體自動繞過瑕疵點。每一片晶圓——不論上面有多少微小的隨機缺陷——對 Cerebras 而言都是「功能完整、規格達標」的成品。

這帶來一個有趣的結果：「良率」這個變數，從台積電與 Cerebras 的談判桌上變得不再重要。

它迫使代工廠的經濟思維，從過去優化「每片晶圓能切出多少晶片、良率怎麼分攤」，轉向思考「每片晶圓能創造多少個系統價值」。

如果「晶圓級系統」的設計繼續保持小眾，台積電可以把它當作一個有利可圖、商業條件極乾淨的特殊高階訂單。

但隨著這種模式展現潛力，台積電甚至已經順勢推出了專屬的 TSMC-SoW（System-on-Wafer，晶圓級系統）平台來全力支援。

Cerebras 的成功對台積電來說，就像一個活生生的實驗，用來回答一個關鍵問題：

「當良率不再是談判變數時，把整片晶圓當作一個產品來賣，到底能帶來多高的技術溢價？」

先進封裝的「反向思考」

這裡有一個關於晶片設計的有趣故事，能幫助我們理解 AI硬體的不同流派。

現代的 AI GPU，本質上已經是一個極其複雜的「三明治」。你把兩塊 GPU 小晶片（Chiplet）放在一片矽中介層（Interposer）上，周圍再環繞 8 到 12 疊高頻寬記憶體（HBM）。

整個系統的性能瓶頸、成本和良率挑戰，都集中在如何把這個三明治完美地「疊」起來。這就是所謂的先進封裝（如 CoWoS）。

整個行業都在朝著同一個方向狂奔：將複雜性推向封裝，用越來越複雜的堆疊技術，把越來越多的小晶片黏在一起。

問題是，CoWoS的產能，和HBM正正就是現在最大的瓶頸。 Cerebras 的做法恰恰相反。

他們說：「我直接烤一個巨大的麵包！」

它們將所有功能都整合在同一塊晶片上，將記憶體也放在晶片上。

當然，烤這麼大一個麵包，本身就是一件極度困難的事。Cerebras 只是把一種痛苦，換成了另一種自己更擅長解決的痛苦。

他們避開了「把小零件精準疊起來」的痛苦，卻迎來了另一個物理極限的挑戰：

這塊「大麵包」是個超級吃電獸，功耗高達23,000 瓦，像個小暖爐一樣燙。你不能把它放在普通盤子上，盤子會融化。

而巨大的晶片在極熱和極冷之間切換時，會像餅乾一樣熱脹冷縮，一不小心就會裂開。

為了解決這個問題，台積電為它量身打造了InFO-SoW 封裝技術。這個托盤自帶冷卻水管 and 垂直供電網路，像一個精密的維生系統，才能讓這塊巨型麵包穩定工作。

Cerebras向世界證明了：通往更高性能的路徑，並非只有「更多小晶片 + 更複雜封裝」這一條。

當頻寬和延遲成為最重要的性能指標時，回歸單片整合（Monolithic Integration），打造一塊巨大而智慧的晶片，是一種不被主流供應鏈卡脖子的流派選擇。

然後，我們下一個問題自然就會是，這對Nvidia和記憶體廠會有影響嗎？

主題四：Cerebras 能撼動 NVIDIA 的王座嗎？能改變記憶體生態嗎？

當我們理解了 Cerebras 如何將「不可能的晶圓級運算」化為現實後，下一個更深層次的問題自然浮現：

這種「把倉庫蓋進廚房」的瘋狂設計，究竟會對 NVIDIA 主導的 GPU 帝國，以及背後的三星、SK 海力士等記憶體巨頭，帶來什麼樣的衝擊？

記憶體頻寬的本質差異

讓我們再次複習一下 AI 晶片為什麼這麼需要「記憶體頻寬」。

想像一下，AI 模型就像一位需要查閱大量資料才能回答問題的超級學者。

HBM的做法，就像把這位學者的所有參考書（模型參數）放在一個位於城市另一端的大型圖書館 (HBM)。
這個圖書館非常大，能裝下 288GB 的書，但每次學者需要查資料，都得派人開車去圖書館拿回來。
這趟路程就是瓶頸，限制了學者回答問題的速度。這趟路的最高時速，就是所謂的 8 TB/s 頻寬。
Cerebras 的作法則是SRAM記憶體。
他們說：「為什麼要蓋圖書館？我們直接在學者的書桌旁，打造一個巨大無比、伸手可及的智慧書架 (SRAM) 吧！」
這個書架雖然只能放 44GB 的書，看起來比圖書館小很多，但學者只要一伸手就能拿到任何一本書，幾乎沒有延遲。
這個「伸手」的速度，就是 21 PB/s 的頻寬。

現在，讓我們比較一下速度：8 TB/s vs 21 PB/s。Cerebras的記憶體頻寬大約是 NVIDIA 的 2,600 倍。

這個速度的差別，已經是「開車去拿 vs 伸手就拿」的本質差異。

HBM的金飯碗會被打破嗎？

對三星、SK 海力士、美光這三大記憶體巨頭來說，末日要到來了嗎？

過去幾年，HBM 記憶體是他們的明星商品，因為 NVIDIA 的 AI 晶片對它需求若渴，導致供不應求，價格水漲船高。

現在，Cerebras 和 Groq 這種「書架蓋在書桌旁」的設計出現了。它們的核心觀點是：對於日常的問答工作（推論），把記憶體直接做在晶片上，遠比從外部的圖書館搬書更有效率。

這是否意味著 HBM 的好日子要到頭了？

答案是：沒那麼簡單。

在 AI 模型最初的「學習階段」（訓練），以及處理那些大到連 Cerebras 的書架都塞不下的超大型模型時，你仍然需要那個巨大的外部圖書館 (HBM)。

即使是 Cerebras，也需要外部的 DRAM 記憶體池。晶片上的 44GB SRAM 只是作為「超快速的工作區」，而不是取代所有記憶體需求。

但在部份的「問答工作」（推論）上，特別是模型可以塞進 SRAM 的情況，SRAM 架構確實可以減少對 HBM 的依賴。

因此，AI 記憶體市場上將會劃出一道分水嶺：

訓練和超大模型：繼續依賴 HBM 這個「大型圖書館」。
高效率問答：可以使用 SRAM 架構這種「智慧書架」。

對記憶體廠商的風險在於：如果越來越多的客戶選擇「智慧書架」來處理日常問答，那麼 HBM 需求中利潤最高的那一塊市場就會被削弱。

不過短期內，HBM依然嚴重缺貨，所以 Cerebras 更像是一個「需求洩壓閥」，讓某些推論部署能在 HBM 配額受限的情況下繼續進行，而不是立即的威脅。

記憶體廠商的戰略選擇

Cerebras 的成功向三大記憶體供應商發出了兩個信號。

長期來看，AI 領域存在一個可信的細分市場，在那裡「更多晶片內 SRAM」比「更多 HBM 堆疊」更有效。這意味著，記憶體廠商不應該只是做HBM，而應該考慮與 SRAM 密集型加速器共同開發，或提供緊密共設計的記憶體子系統。

短期來看，HBM 在訓練和超長上下文模型中的角色是穩固的。但未來的推論優化產品可能會使用更小的 HBM 配置來達到同樣的 Token 吞吐量，這會改變需求的彈性。

記憶體大廠可以與 SRAM 密集型新創合作，開發混合架構。比如用較小的 HBM 存儲「冷權重」，用大型 SRAM 處理「熱工作集」，同時利用兩者的優勢。

為什麼 Cerebras 註定只能是利基玩家？

說到這裡，一個自然的問題浮現：如果 Cerebras 的技術這麼厲害，它會取代 NVIDIA 成為主流嗎？

答案是不會。

第一道關卡：系統級成本難以攤薄

NVIDIA 的 Chiplet 系統就像用標準化的樂高積木來蓋房子。你可以用同樣的積木蓋小房子或大城堡，增加一個房間的成本相對較低，因為你只是在增加更多的標準積木。

電源、散熱、機架這些基礎設施可以被許多小晶片共享，規模越大，單位成本越低。

Cerebras 的晶圓級系統則像用一塊巨大、完整、客製化的大理石來蓋房子。每一棟房子就是一塊大理石。

這意味著每一棟房子都需要自己專屬的重型起重機（供電系統）、特製的冷卻水管（散熱系統）和獨一無二的地基（封裝）。

關鍵問題在於：這些昂貴的「基礎設施」成本很難被分攤。部署的每個額外系統仍需要自己的完整重型電源硬體、客製化液冷基礎設施和專業封裝。
這些成本是按系統計算的，無法輕易地在多個單位之間共享。

結果是，即使你購買數百個系統，高系統級成本也不會顯著攤薄。

第二道關卡：TCO 只在特定場景勝出

總擁有成本（TCO）不只看硬體價格，還包括電費、散熱、維護等一切開銷。

Cerebras 更便宜的情況是「速度就是金錢」的時候。例如，需要即時回應的 AI 助理、高頻交易、複雜推理任務。

在這些場景下，Cerebras 用驚人的速度換來的價值，遠超過其高昂的系統成本。數據顯示，在特定模型上，它的 TCO 能比 NVIDIA 低近30%。

但傳統 GPU 更便宜的情況是通用、靈活的任務。如果你需要一個能應對各種不同工作的平台，並且希望輕鬆擴展，那麼 NVIDIA 的「樂高積木」模式因其靈活性和更低的基礎設施門檻而勝出。

大多數企業的 AI 工作負載是混合的：有些需要極致速度，有些需要靈活性。在這種情況下，他們會選擇能兼顧兩者的平台，而不是為了某一類任務買一套專用系統。

第三道關卡：NVIDIA 的生態系統護城河

這是最難跨越的一道牆。

NVIDIA 最大的王牌不是硬體，而是 CUDA 軟體平台。全世界的 AI 開發者都習慣了在 NVIDIA 的「道路系統」上開車。

幾乎所有的 AI 框架、函式庫、工具鏈都針對 CUDA 優化。企業裡的工程師們熟悉它、信任它、依賴它。

換到 Cerebras 意味著什麼？重新學習、重新測試、重新驗證。對於追求穩定的企業來說，這是巨大的隱性成本和風險。

這就像一座城市的所有道路都是為左駕車設計的。即使有人發明了一輛性能驚人的右駕車，大多數人還是會選擇繼續開左駕車，因為整個基礎設施都是為它而建的。

NVIDIA 會如何反擊？

理解了 Cerebras 的結構性限制，我們就能理解為什麼 NVIDIA 有充足的時間和空間來應對。他們有三種主要的策略。

第一，把自己的優勢做到極致。繼續擴建那個「大型圖書館」，讓它更大、拿書的路更寬。Blackwell 路線圖已經從 192GB 升級到 288GB 的 HBM3E，最終會走向 HBM4。更大、更整合的機架級系統如 NVL72 和 Vera Rubin 也在路上。

第二，採納對手的策略。NVIDIA 也在考慮「在學者書桌旁蓋個小書架」。他們收購Groq，也是為了做出類似的 SRAM 加速器，並將其整合為 GPU 的「推論副駕」。

第三，利用無可匹敵的生態系統。他們可以透過優化 CUDA、TensorRT-LLM等軟體，讓自己的平台跑得更有效率，在一定程度上模擬出對手的優勢，而無需立即改變硬體設計。

Cerebras 的出現，侵蝕的不是 NVIDIA 的市佔率，而是挑戰「只有 GPU 才能引領 AI 效能」這個假設。但假設被挑戰和市場被顛覆之間，還有很長的路要走。

Cerebras 真正改變的是什麼？

Cerebras 的真正影響力，不在於它賣了多少套系統，而在於它改變了人們對「可能性」的認知。

它證明了「烤一整塊大麵包」的晶圓級設計，不只是實驗室裡的瘋狂想法，而是可以商業化量產的產品。

它告訴世界，晶片的物理尺寸限制，可以透過聰明的設計來克服。

它改變了競爭的賽道：現在，NVIDIA 不僅要回答「你的晶片有多快」，更要回答「在耗電相同的情況下，你的系統每秒能吐出多少個字？」

未來的 AI 硬體版圖

未來十年，AI 硬體市場不會是「GPU vs 其他所有人」的單極世界，而會更像一個組合。

GPU 會繼續主導需要靈活性的訓練和大部分通用任務，如同功能全面的 SUV。

SRAM 密集型加速器如 Cerebras、Groq、SambaNova 則會在追求極致效率和速度的「推論」市場佔據重要份額，如同專為賽道而生的 F1 賽車。

從這個意義上說，Cerebras 不是一個挑戰者，而是一個「探路先鋒」。它為之後的 AI 硬體發展，開闘了一條全新的、以記憶體和功耗效率為核心的道路。

即使它的長期市場份額停留在個位數，它的架構賭注已經在重塑半導體產業如何思考整合的極限、HBM 的角色，以及 AI 運算的經濟學。

主題五：新雲霸主CoreWeave 與 Nebius為何財報後走勢大不相同？

同樣是「新雲端」AI 基礎建設的當紅炸子雞，同樣在五月中旬交出超越預期的營收財報，市場卻給了 CoreWeave 與 Nebius 截然相反的反應：一個股價重挫，一個飆升。

這背後的關鍵，不僅在於規模與預期的差異，更深刻地揭示了在當前市場環境下，投資人如何權衡「成長潛力」與「獲利確定性」，而這一切，都藏在兩個關鍵的利潤率數字裡。

CoreWeave的困境：1%營業利潤率是短期陣痛還是長期趨勢？

本季最讓市場失望的，莫過於CoreWeave的營業利潤率 (Adjusted Operating Margin) 從去年同期的17%和上季的6%，斷崖式下跌至僅剩1%。

管理層將此歸因於「時間差，而非經濟因素」。財務長 Nitin Agrawal 解釋，新產能的快速擴張，導致成本（租賃、電力、折舊）在裝機期間立即產生，而收入卻需要 1 至 3 個月才能完全體現。他明確表示：

「第一季是我們利潤率的谷底。」

然而，市場的疑慮並非空穴來風，因為公司給出的第二季財測，恰恰印證了這段陣痛期的漫長與艱難：

• 營收指引不及預期： Q2 營收預測中值約 25.3 億美元，低於市場普遍預期的 26.9 億美元。

• 利潤指引嚴重失色： Q2 營業利潤預測僅為 3000 萬至 9000 萬美元，遠低於市場期待的 1.54 億美元。

這意味著即使達到指引高標，利潤率也僅回升至約 3.7%，證實了 Q2 只是「觸底」，而非「強力反彈」。

這份疲弱的財測，疊加在僅 1% 的當季利潤率之上，讓投資人對其下半年的執行力打上巨大問號。

要達到全年 7-9% 的營業利潤率目標，意味著約 70-80% 的利潤必須在下半年實現。

核心問題在於，CoreWeave 坐擁近千億美元的驚人積壓訂單 (Backlog)，但市場始終有保留，它能否順利地將這些訂單轉化為實質利潤。

Nebius 避開了同樣的問題嗎？

相比之下，Nebius 則像一個「效率玩家」，在某程度上避開了這場利潤風暴。

關鍵差異在於「利用率」和「預售」。Nebius 連續多個季度產能售罄，管理層自豪地表示：

「我們建的一切都賣出去了」

這種「先接單、後擴產」的模式，確保了新設備一上線便能立刻產生收入，完美對齊了成本與回報，避免了產能閒置對利潤的侵蝕。

因此，儘管 Nebius 的 AI 業務 EBITDA 利潤率 (45%) 略低於 CoreWeave，但它能將大部分現金流高效地轉化為實質的營業利潤，向市場證明了其商業模式的健康與高效。

當然，Nebius 並非完全免疫，管理層也預告了未來季度可能出現類似的利潤波動。但因為其產能高度預售、財務槓桿較低，市場相信其面臨的挑戰將「痛苦更小、持續更短」。

市場對這兩種情況的解讀完全不同。

對於 CoreWeave：「成長很好，但利潤率什麼時候改善？」

對於 Nebius：「超高速成長加上獲利路徑確認。」

EBITDA vs. 營業利益率

要理解市場為何對這兩家公司做出天壤之別的判斷，關鍵在於看懂兩個核心財務指標：EBITDA利潤率與營業利益率。它們共同揭示了一家公司真實的獲利光景與潛在的財務壓力。

在本季財報中，其實CoreWeave 的 EBITDA 利潤率(56%)其實遠高於 Nebius 的 AI 業務 (45%)。

這代表 CoreWeave 的「單位經濟效益 (Unit Economics)」極其出色。每提供 100 元的算力服務，扣除電費、網路和基本維護後，能產生 56 元的毛現金流。

這證明其技術、定價或客戶結構非常強健。

然而另一面卻是，CoreWeave 的營業利益率僅有 1%。

這代表著這 56 元的現金流還沒在口袋裡捂熱，就幾乎全數被拿去扣掉兩大開銷：龐大設備的「折舊費用」和舉債擴張的「利息支出」。

扣掉之後，真正屬於公司的營業利潤，竟然只剩下 1 元。

為何兩個數字的差距如此巨大？這個從 56% 到 1% 的巨大落差，正是市場不安的根源。

我們可以將兩家公司的擴張策略想像成兩種不同的開店模式：

CoreWeave就如同一次在全世界開了 1000 家直營旗艦店，採購了數萬台最頂級、最昂貴的設備 (GPU)。

這些設備一落地，無論是否已開始滿載賺錢，會計上就必須開始計算龐大的折舊。

由於擴張速度太快，許多新場館還在裝機或等待客戶進駐，但全公司的折舊費用已如海嘯般襲來。

為了支撐這種史詩級的擴張，CoreWeave 承擔了巨額債務，導致利息支出極為沉重。

結果是，雖然單一服務的毛利極高 (EBITDA 56%)，但利潤幾乎被「養設備」和「還利息」的成本完全吞噬。

相反，Nebius策略是奉行「店還沒開，訂單就已滿」的原則。

設備一進場就幾乎立刻滿載運作，成本與收入完美對齊，避免了產能閒置的拖累。他們保持相對輕盈的擴張步伐，使其無需背負如 CoreWeave 般沉重的債務與利息。

雖然單一服務的毛利略低 (EBITDA 45%)，但因為折舊和利息控制得宜，能將大部分現金流高效地轉化為實質的營業利潤。

潛力 vs. 現實，誰更誘人？

這份財報再次告訴我們，這兩家公司的風格完全不一樣。

• CoreWeave 代表「高槓桿、高風險、高潛力」的規模化路線。

• Nebius 代表「高效率、低風險、穩健成長」的精準化路線。

此刻，市場的選擇非常明確：在充滿不確定性的環境中，「能穩穩將現金放進口袋」的務實能力，遠比一個關於未來的宏大敘事更令人安心。

Nebius 在「將生意轉化為利潤」這項關鍵能力上，暫時取得了領先。

然而，這並不意味著 CoreWeave 的故事已經失敗。

恰恰相反，如果 CoreWeave 能夠挺過當前的利潤陣痛，完美執行其擴張計畫，讓數萬片頂級 GPU 全面運轉起來，其 56% 的超高 EBITDA 利潤率所帶來的規模效應和潛在回報，將是 Nebius 難以比擬的。一旦成功，CoreWeave的潛力會比Nebius高。

最終，在 AI 算力這個極度燒錢的行業，EBITDA 決定了「潛力天花板」，而營業利益則守住了「生存地板」。

市場對 Nebius 的青睞，是對當下確定性的獎勵；而對 CoreWeave 的質疑，則是對其宏大野心能否兌現的考驗。

下一個問題，就要看CoreWeave 能否證明，它的執行力配得上它的夢想。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。
我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。
另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。
同時，如果想開戶的話，可以考慮用我的富途/口袋證券獨家推薦碼，會有更多優惠。
全部資訊在以下鏈結：
https://linktr.ee/fomo_soc
另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!
· KP

邊緣AI的贏家？Agentic AI的受惠者？是資安還是網路基礎設施公司？ - 深入分析第47期：Cloudflare

KP@FOMOSoc — Wed, 13 May 2026 10:03:16 GMT

你最近或許聽過，華爾街開始將 Cloudflare 稱為「邊緣 AI（Edge AI）的贏家」。

但如果你去詢問不同的人，你會得到截然不同的答案：有人說它是一家「資安公司（Cybersecurity）」，有人把它歸類為「網路基礎設施（Network Infrastructure）」，而 Cloudflare 官方則將自己定義為「連線雲（Connectivity Cloud）」。

為什麼一家公司會有這麼多種面貌，甚至這麼難被單一標籤定義？

想像一下你今天的早晨：你醒來，滑開手機看了一下新聞網站；接著打開電商 App，把一雙猶豫了很久的球鞋放進購物車；通勤時，你順手用 ChatGPT 幫忙整理了一份會議大綱。

在這短短一小時內，你可能已經與Cloudflare的伺服器交手了數十次，而你卻渾然不覺。

在當今的網際網路世界裡，Cloudflare 就像是空氣一樣，看不見，但無所不在。根據統計，全球有將近 20% 網站的流量，都必須經過這家公司的基礎設施。

如果 Cloudflare 當機半小時，全球會有數以百萬計的網站瞬間癱瘓，從華爾街的加密貨幣交易所，到你家巷口咖啡廳的線上點餐系統，無一倖免。

正因為它無所不在，當你打開 Cloudflare 的產品目錄時，會看到 CDN、WAF、DDoS 防護、Workers、Zero Trust、R2 甚至 AI 推論……一堆讓人眼花撩亂的科技名詞。

許多投資人研究到這裡就放棄了，因為它看起來就像個毫無章法的大雜燴。

但事實上，Cloudflare 的擴張邏輯極度嚴謹。要看懂這家公司，你必須回到歷史，看它「怎麼長出來的」。

這是一個關於「先鋪設全球網路基礎設施，然後在上面無極限疊加商業服務」的經典教科書案例。

他們在這十多年間所打下的基礎，正讓它順理成章地成為「AI 時代的神經網路」，這也是為什麼華爾街如今願意給予它極高估值，並將其視為 Edge AI 最大受惠者的真正原因。

寫在最前面

Cloudflare 這個名字，在我腦海裡盤旋了很久。

過去寫資安產業時有人問，寫 SaaS 趨勢時也有人問。我的回答總是同一句：「會寫的，等我。」

不是故意拖延，而是這家公司實在太難被三言兩語定義。把它簡單歸類為 Zscaler 的對手？太片面。塞進任何一個傳統 SaaS 的板塊？都不對。

Cloudflare 的業務是一張隨時間不斷擴張的網路，硬把它塞進某個框架，反而會誤導投資人。

直到最近，兩件事同時發生，讓我覺得是時了：一是高盛最新 AI 基礎設施報告將它列為首選之一；二是 Q1 財報公布後，股價經歷了單日近 24% 的劇烈修正。

市場的情緒分歧，恰恰是釐清真相的最佳切入點。

必須先說清楚：這份報告的目的，從來不是喊單「現在買入」。

我的寫作原則一向是，我希望任何人在按下交易鍵之前，只要認真讀過我的內容，都能清清楚楚知道：自己買的是什麼？錢流向哪裡？風險的邊界在哪？

這期的分析非常長，但我敢說，這會是中文世界目前最系統、最貼近商業實況的 Cloudflare 深度拆解。

讀完之後，你不會只看到一堆令人眼花的科技名詞，而是能看懂它的真正業務邏輯，以及支撐當前估值的原因與隱憂。

讓我們把時間倒轉回 2010 年，看看這個網路帝國，最初是如何從一個免費的工具開始萌芽的。

第一章：第一階段（2010-2015）── 免費的「網路門神」與「地方快遞員」

Cloudflare 的誕生，源自於一個非常樸素的煩惱：垃圾郵件。

2004 年，兩位創辦人 Matthew Prince 和 Lee Holloway 搞了一個名為 “Project Honey Pot”（蜜罐計畫）的開源專案。

這個計畫的邏輯很簡單：他們在網路上設置許多陷阱（蜜罐），專門用來追蹤那些自動抓取電子郵件地址並發送垃圾信件的駭客程式。

幾年下來，這個計畫大獲成功，他們掌握了全球大量惡意 IP 的名單。這時，另一位共同創辦人 Michelle Zatlyn 加入了，她提出了一個想法：「既然我們已經知道壞人是誰、從哪裡，我們為什麼不直接幫網站擋住這些壞人，並把它變成一門生意？」

1.1 Cloudflare的初始業務

2010 年，Cloudflare 正式成立。在它發展的最初五年，它主要為市場提供兩項核心服務。為了方便理解，我們可以用兩個實體世界的職業來比喻：

1. 網路門神（WAF 與 DDoS 防護）

想像你在東區開了一家熱門的限量球鞋店。有一天，你的競爭對手雇了五千個小混混，把你的店門口擠得水洩不通。他們不買東西，就是站在那裡發呆，導致真正想買鞋的客人根本進不去。

在網路世界裡，這就叫做 DDoS 攻擊（分散式阻斷服務攻擊），駭客用巨大的垃圾流量癱瘓你的網站。

Cloudflare 提供的第一項服務，就是充當你店門口的「保鑣（網路門神）」。

當你把網站接入 Cloudflare 後，所有要造訪你網站的流量，都必須先經過 Cloudflare 的伺服器。Cloudflare 就像一個經驗豐富的保鑣，它會檢查每一個訪客的 ID。

如果是正常客人，請進；如果是那五千個小混混（惡意流量），Cloudflare 會直接在門外把他們攔下，確保你的網站安然無恙。

2. 地方快遞員（CDN 內容傳遞網路）

解決了安全問題，接下來是「速度」。

假設你的伺服器架設在美國紐約，但今天有一個台灣的讀者想看你的網站。每一次點擊，數據都要橫跨太平洋海底電纜，來回一趟可能需要幾百毫秒。在網路世界，超過三秒載入不出來的網頁，消費者就會直接關掉。

Cloudflare 的解法是 CDN（Content Delivery Network）。他們在台北、東京、倫敦等全球各大城市租用機房。

當台灣讀者第一次造訪紐約的網站時，Cloudflare 會把網站上的圖片、影片等靜態內容，順便「影印」一份，存放在台北的機房裡（這叫做快取 Cache）。

隔天，當第二個台灣讀者想看同一個網站時，他不需要再大老遠連線到紐約，Cloudflare 的台北機房（地方快遞員）會直接把備份好的圖片派送給他。網頁載入時間瞬間從幾百毫秒，縮短到幾毫秒。

1.2 用「免費」打造護城河

如果只是做保鑣和快遞員，Cloudflare 頂多只是一家普通的 IT 公司（當時市場上早已有 Akamai 這種老牌 CDN 巨頭）。

Cloudflare 特別的地方，在於它的定價策略。

Cloudflare 一開始就決定：將這套基礎服務，免費提供給全世界的小型網站和個人部落格。

在當時，許多人覺得這家公司瘋了。基礎設施（伺服器、頻寬）都是要燒錢的，你讓幾百萬個不賺錢的免費仔佔用你的資源，這生意怎麼做？

但 Cloudflare 看透了資安產業的本質：在網路安全的世界裡，數據（Data）就是最強的護城河。

那幾百萬個免費的小網站，根本不是在佔便宜，他們是 Cloudflare 佈建在全網的「早期預警雷達網」。

試想這個場景：一個位於俄羅斯的新型駭客組織，試圖用一種全新的手法，攻擊台灣某個不知名的免費美食部落格。當攻擊發生的那一瞬間，Cloudflare 的防護網立刻偵測到了這個異常行為，並記錄下這個駭客的 IP 與攻擊特徵。

在接下來的幾秒鐘內，Cloudflare 的 AI 系統會將這個駭客的特徵，同步更新到全球所有的機房。

這意味著什麼？這意味著當這個俄羅斯駭客轉過頭來，準備去攻擊 Cloudflare 真正付費的「大客戶」（例如紐約的華爾街銀行、大型跨國電商）時，他會發現自己已經被全網封殺了。

這就是 Cloudflare 最重要的「數據飛輪效應」（Data Flywheel）。免費客戶貢獻了龐大的攻擊數據，這些數據訓練了 Cloudflare 的防禦系統，讓防禦力變得極度強大；而極度強大的防禦力，吸引了願意捧著大把鈔票來買單的企業級客戶；企業級客戶帶來的營收，又讓 Cloudflare 有錢去全球擴建更多的機房。

1.3 破解 Cloudflare 的硬體擴張之謎

既然收了這麼多「免費仔」，他們是怎麼有錢去全世界買伺服器、蓋機房的？

這就帶出了 Cloudflare 擴張史上關鍵的一招：一開始，他們根本不「蓋」機房，而是「依附」在別人的機房裡。

AWS 的做法是花幾億美金買地蓋超級資料中心。但 Cloudflare 的做法是：

買便宜貨：大量採購市面上最標準、最便宜的通用伺服器。
與當地電信商（ISP）互惠合作：他們直接去找全球各地的電信商（例如台灣的中華電信）。Cloudflare 告訴電信商：「你看，我有幾百萬個免費網站的流量，你的用戶每天都要連到美國去看這些網站，害你要付很貴的海底電纜過路費。不如這樣，你免費在你的機房裡清出幾個櫃子給我放伺服器，我幫你把內容快取在當地，幫你省下龐大的跨國頻寬費！」

電信商一算發現太划算了，於是紛紛讓 Cloudflare 把伺服器「塞進」他們現有的機房裡。透過這個策略，Cloudflare 幾乎以「極低的資本支出」，在全球各大城市佈滿了伺服器節點。

透過這個策略，Cloudflare 在 2015 年左右，幾乎是以「極低的資本支出」，在全球各大城市佈滿了伺服器節點，手握全網最龐大的流量數據。他們就像是在全世界的高速公路上，都蓋好了自己的收費站與檢查哨。

（值得補充的是，這個「純依附」策略並非一成不變。隨著 Cloudflare 業務從單純的 CDN 轉向邊緣運算、儲存，特別是 2023 年後大規模部署 GPU 做 AI 推論，對機房的電力、冷卻、空間規格要求大幅提高，純粹塞進電信商機房已經不夠。

Cloudflare 近年也開始租用或建置規格更高的大型 PoP。但這個早年打下的「輕資產基礎」，讓他們在同樣的資本支出下，能比 AWS 在更多城市提供服務，這個結構性優勢至今仍然成立。）

第二章：第二階段（2017起）：把工廠搬到客戶家門口 ──「邊緣運算」的誕生

傳統的雲端巨頭（如 AWS、Google Cloud）就像是建在深山裡的「超級大工廠」。這種集中式的超級工廠有一個致命傷，那就是「物理距離帶來的延遲（Latency）」。

但要讓你真正感受到這個延遲為什麼是個問題，我們得先看一個 CDN 解決不了的場景。

2.1 一個 CDN 救不了的場景

想像你打開蝦皮搜尋一雙球鞋，網站秒速跳出「為你推薦」的清單，這雙鞋是你昨天看過的、那雙鞋是你朋友剛買的、價格還根據你的所在地顯示了當地幣別。這個畫面背後，藏著一個 CDN 解決不了的問題。

CDN 能把球鞋的「圖片」事先存在台北機房，讓你載入很快。但「為你推薦」這四個字背後的判斷，「這個用戶是誰？他昨天看了什麼？他在哪個城市？該推薦什麼？」，這些不能事先準備好，必須在你點開頁面的那一瞬間，根據你這個人即時計算出來。

過去，這種「即時個人化計算」只能在遠方的中央伺服器處理。當你在台北或香港點下搜尋按鈕時，請求要先跨海到美國維吉尼亞州的 AWS 伺服器，那邊算完「該推薦什麼」之後，再把結果跨海送回你的手機。

一來一回，將近 500 毫秒，你會覺得網站「卡了一下」。

到了 2017 年，Cloudflare 的高層看著自家遍布全球的機房（原本是用來做保鑣和快遞員的），突然靈機一動：

「既然我們在全世界每個客戶的家門口都有一個小機房，我們為什麼不直接讓開發者在這些小機房裡『寫程式』？」

這一個戰略轉折，催生了 Cloudflare 歷史上最具革命性的產品：Cloudflare Workers。

2.2 Workers 在做什麼？

還記得上面那個蝦皮的場景嗎？Workers 做的事就是：把「該推薦什麼」這個運算過程，從「美國維吉尼亞」搬到了「台北」或「香港」。

當你按下搜尋的瞬間，這個判斷直接在離你最近的 Cloudflare 機房算完，5 毫秒內結果就回到你手機上。

CDN 是「把預先做好的便當送到你家附近的便利商店」。
Workers 是「在便利商店現場開了一個小廚房，根據你今天的口味現炒一份」。

CDN 處理「靜態」的內容（圖片、影片這種事先做好的東西）；Workers 處理「動態」的運算（必須當下計算的東西，例如個人化推薦、即時翻譯、購物車計算、A/B 測試、身份驗證）。

這也是為什麼開頭那段「中午點外送，App 在 0.3 秒內算出 50 家餐廳的即時排序與個人化推薦」會成立，那種「根據你這個人、在你這個位置、用你的點餐歷史」即時算出來的結果，正是 Workers 最典型的應用場景。

2.3 為什麼這在 Cloudflare 之前做不到？

你可能會問：「為什麼 AWS 不能做這件事？」AWS 當然可以在維吉尼亞跑這些運算，但它沒有 Cloudflare 在全球 330 個城市鋪好的機房。

當 AWS 想要做「邊緣運算」時，它只能在十幾個區域中心提供服務。

而 Cloudflare 從第一天起就為了 CDN 蓋了 330 個城市節點，當 Workers 推出時，這 330 個節點同時變成了 330 個「小型運算中心」。

換句話說，Workers 是 Cloudflare 基於過去十年鋪設的物理網路，自然延伸出的第二種變現模式。這也帶出了 Workers 的另一個革命性特徵：「無伺服器（Serverless）」。

工程師不再需要管「伺服器在哪裡、有幾台、夠不夠用」，你只需要把程式碼上傳一次。

當東京的用戶發出請求時，Cloudflare 會自動在距離他最近的「東京機房」喚醒程式碼並執行；當倫敦的用戶發出請求時，倫敦機房接手。程式碼跟著使用者跑，而不是使用者跑去找程式碼。

2.4 從「單一功能」到「完整的開發者生態」

起初，Workers 只能處理簡單的輕量級任務。但 Cloudflare 的野心不止於此。為了讓開發者能把越來越多的應用程式直接建構在邊緣網路上，他們陸續把整套雲端基礎設施都搬到了邊緣。

用一個比喻來看清楚這個堆疊：Cloudflare 把這套「邊緣運算平台」蓋成了三層樓。

最底層的地基：Workers
一個可以在 330 個城市同時執行程式碼的引擎。這是整套架構的心臟，跑在 CPU 上，處理通用運算。
中間層的水電管線：資料服務
R2（對標 AWS S3）、D1（關聯式資料庫）、KV、Durable Objects。這層讓開發者寫的程式有資料可以讀寫，不用再大老遠連回 AWS 拿資料。
頂樓的招牌：Workers AI
在 Workers 的基礎設施上裝了 GPU，讓開發者可以直接在邊緣節點呼叫 AI 模型（Llama、Stable Diffusion 等）。當別人在搶「誰能訓練最大的模型」時，Cloudflare 在搶「誰能讓 AI 推論離使用者最近」。

這三層的關係很簡單：Workers 是地基、資料服務是水電管線、Workers AI 是頂樓的招牌。

這意味著 Cloudflare 已經實質上成為了一家「真正的雲端運算公司」。開發者完全可以不依賴 AWS，直接在 Cloudflare 的平台上建構、運行完整的應用程式，而且這些程式天生就具備全球最低的延遲。

這對 AWS 來說是一個危險的訊號。Cloudflare 就像是在 AWS 的超級工廠外圍，建了一圈密密麻麻的「地方微型加工廠」。

那些需要極致速度、輕量化的運算任務，開發者不再需要大老遠跑去 AWS，直接在 Cloudflare 的邊緣網路上就能秒速解決。

第三章：第三階段（2020起）：疫情催化的質變 ── 從「保護網站」到「保護企業」

如果說邊緣運算是技術上的突破，那麼 2020 年爆發的 COVID-19 疫情，則是 Cloudflare 商業版圖（TAM，總體可用市場）產生爆發性擴張的催化劑。

在疫情之前，傳統企業的資訊安全邏輯叫做「城堡與護城河（Castle and Moat）」。

公司就像一座城堡，所有的員工都在城堡（辦公室）裡上班，公司的機密資料也鎖在城堡裡。資安長的工作很簡單：花大錢買很厚的硬體防火牆，把城堡包圍起來。

只要你在城堡內，你就是「自己人」；在城堡外，你就是「潛在威脅」。如果員工偶爾出差，就透過 VPN（虛擬私人網路）挖一條秘密地道連回城堡。

但 2020 年，疫情讓世界停擺了。

一夜之間，城堡空了。所有的員工散佈在各地的星巴克、家裡的沙發、甚至海外的渡假村工作。

幾千個員工同時試圖透過那條狹窄的 VPN 地道連回公司，結果就是系統全面崩潰、連線速度慢如牛車，而且只要一個員工的家用電腦中毒，駭客就能順著地道直接攻入公司總部。

傳統的企業資安架構，在遠距工作時代徹底失靈。這時，Cloudflare 帶著 Cloudflare One（零信任架構Zero Trust）正式進軍該領域。

3.1 什麼是「零信任」？

它的核心邏輯是：

「絕對不信任任何人，始終進行驗證」。

在零信任的世界裡，沒有所謂的「城堡內部」。無論你是坐在公司總部大樓裡，還是坐在峇里島的海灘上，只要你想開啟一份公司機密文件，系統都會問你一次：「你是誰？你的設備安全嗎？你有權限看這份文件嗎？」

這是一個極具歷史意義的戰場轉移。Cloudflare 正式跨界，向 Zscaler（零信任架構的開拓者）與 Palo Alto Networks（傳統防火牆霸主）發起了挑戰。

這時你可能會問：「為什麼是 Cloudflare？它比那些傳統資安大廠有甚麼優勢嗎？」

要實現零信任，意味著員工的「每一次」點擊、每一次開啟檔案，都要經過一個雲端的「檢查哨」。

如果這個檢查哨建在遙遠的集中式資料中心，員工的上網速度就會產生嚴重的延遲（這在 IT 界被稱為「髮夾彎效應」，資料要繞一大圈才回來）。

但別忘了 Cloudflare 過去十年在做什麼。

無所不在的檢查哨：他們在全球近 300 個城市、幾乎每個人的家門口，都已經建好了邊緣機房。
天生的保鑣基因：他們原本就是世界上最專業的流量清洗中心，每天幫數百萬個網站檢查進出的封包，過濾惡意程式。

Cloudflare 只是做了一個「反向操作」：

過去，保鑣是站在「網站」前面，擋住外面的壞人；現在，他們讓保鑣站在「員工」前面，保護員工連線的安全。

當一個在家上班的員工想要連線到公司內網時，他不再需要大老遠連回公司總部。他的連線會先連到「離他家最近的 Cloudflare 機房」。

Cloudflare 會在這個機房裡，瞬間完成身分驗證、病毒掃描、權限控管。因為檢查哨就在家門口，加上 Cloudflare 專屬的網路快車道，員工不僅感覺不到安全檢查的延遲，上網速度甚至比以前用 VPN 時更快。

Cloudflare 告訴全世界的企業老闆：

「你們不需要再買昂貴的硬體防火牆，也不需要忍受難用的 VPN。把你們所有的員工連線都交給我的全球網路吧，我會讓他們上網更快，而且絕對安全。」

3.2 Zscaler 不是吃素的

看到這裡你可能會有一個疑問：零信任這個概念又不是 Cloudflare 發明的。早在 2008 年就創立的 Zscaler，才是這個領域公認的領先者。

他們十幾年來在財星 500 大企業裡深耕，客戶包含國防部、大型金融機構，護城河之深，豈是 Cloudflare 一個「半路出家」的 CDN 公司可以撼動的？

這個懷疑完全合理。事實上，如果你翻開 2024 年 Dell’Oro 的 SSE（安全服務邊緣）市佔報告，Zscaler 以 34% 的市佔遙遙領先，而 Cloudflare 甚至不在前六名的名單裡。

但華爾街真正看重的，從來不是「現在誰是第一名」，而是「誰的增長速度更快」。

而 Cloudflare 在做的事情，就是明目張膽地搶 Zscaler 的地盤。

他們甚至懶得掩飾。打開 Cloudflare 官網，你會找到一個名為「Cloudflare vs. Zscaler」的專屬頁面，裡面用超過 37 項指標逐條拆解兩家的架構、效能、部署難度、創新速度。這種等級的對標網頁，在 B2B 軟體業幾乎是「指名叫陣」的意思。

Cloudflare 的執行長 Matthew Prince 在法說會上也毫不客氣地說：「在我們與第一代零信任廠商的正面對決中，我們的勝率非常強勁。」所謂的「第一代廠商」，市場都知道他指的是誰。

至此，Cloudflare 已經從一個免費的防駭客小工具，長成了一隻橫跨「內容傳遞」、「邊緣運算」與「企業資安」的三頭巨獸。

而接下來，他們準備好要正面迎戰雲端世界真正的老大哥了。

第四章：第四階段（2021起）：向老大哥宣戰 ── 打破 AWS 的「資料過路費」

到了 2021 年，這家公司的戰略發生了根本性的轉變——它不再滿足於只做別人網站的保鑣，它決定建立自己的雲端生態系，向真正的雲端龍頭發起進攻。

當時的 Cloudflare 面臨一個戰略上的「斷點」。

他們已經鋪設了全球最快的網路，也推出了革命性的邊緣運算（Workers）。許多開發者非常喜歡在 Cloudflare 的平台上寫程式，但卻遇到了一個問題：「我的資料要存在哪裡？」

過去，全世界絕大多數的開發者都習慣把資料存在 AWS 的 S3（雲端儲存服務）裡。當開發者想用 Cloudflare 的 Workers 跑程式，並從 AWS 把資料叫出來時，AWS 就會按流量收取極為昂貴的「資料傳出費（Egress Fees）」。

這就像是 Cloudflare 蓋好了一條全世界最快的高速公路，但 AWS 卻在交流道口設了一個收費站。

只要資料還被鎖在 AWS 裡，開發者就無法完全擁抱 Cloudflare 的生態系。為了補上這最後一塊拼圖，打破 AWS 的資料綁架，Cloudflare 推出了 R2 雲端儲存服務。

4.1 什麼是「資料傳出費」？

在 AWS 的世界裡，把資料「存進去」（Ingress）是免費的，每個月的儲存費也很便宜。

但是，如果你今天想把資料「拿出來」傳給用戶，或者轉移到其他雲端平台處理，AWS 就會按流量向你收取極為昂貴的「資料傳出費」。

這就像是著名歌曲Hotel California的歌詞：「You can check out any time you like, but you can never leave」

AWS 透過便宜的儲存把你的資料「綁架」在他們的資料中心裡。因為把資料搬走的過路費太貴了，開發者最後只能妥協：「既然資料都在 AWS，那我乾脆連運算（EC2）、資料庫等其他服務，都繼續用 AWS 好了。」這就是雲端巨頭的護城河。

4.2 為什麼 Cloudflare 敢做到「零傳出費」？這不虧本嗎？

這正是最令人困惑的地方：頻寬難道不用錢嗎？Cloudflare 憑什麼不收費？答案要從兩個層面來看。

第一層是成本結構優勢。

Cloudflare 透過與全球電信商簽訂的「對等互連（Peering）」協議，大幅降低了頻寬成本。

傳統雲端巨頭（如 AWS）必須向全球電信商購買昂貴的跨國骨幹頻寬，並把成本轉嫁給客戶；但 Cloudflare 的機房早就在電信商內部，許多流量可以透過免付費或極低成本的 Peering 傳送。

當然，儲存伺服器、磁碟、電力與維運人力依然是實實在在的成本，R2 並不是「免費」這麼簡單。但因為頻寬這個最貴的變數被壓到極低，Cloudflare 在單位儲存上的總成本，確實比 AWS S3 有結構性優勢。

第二層是商業策略的選擇。

即使把所有成本算進去，Cloudflare 大幅犧牲 Egress 定價，本質上是一種「用短期獲利換長期生態綁定」的進攻姿態。

他們賭的是，只要資料被吸引到 R2，開發者接下來自然會把運算（Workers）、AI 推論（Workers AI）都搬過來。

換句話說，R2 的「零 egress」不完全是成本優勢自然導出的結果，更是一個有意識的戰略武器：用虧損（或微利）的儲存業務，換取開發者生態的入口。

4.3 這是直接挑戰 AWS 嗎？還是不同層級的競爭？

他們並不是完全地競爭。Cloudflare 並沒有打算成為一家「通用型」的雲端巨頭，他們完全無意去取代 AWS 在企業核心 IT 架構中的地位。

如果一家銀行要跑核心的帳務系統，或者企業要訓練龐大的 AI 模型、處理海量的大數據分析（Big Data），他們依然需要 AWS 這樣集中式的巨型運端平台。

Cloudflare 將競爭主戰場鎖定在「邊緣（Edge）」，而非傳統的「核心（Core）」運算。

當開發者發現把圖片、影片、前端應用的資料存在 Cloudflare R2 完全不用過路費時，資料就獲得了自由。

一旦資料自由了，開發者就會把那些「需要極致反應速度、靠近用戶」的任務（例如 Web API、即時互動應用、邊緣 AI 推論），從 AWS 搬到 Cloudflare 的平台上。

Cloudflare 是在告訴開發者：「把重活（大數據分析、核心資料庫）留在 AWS，但把所有跟用戶互動的、需要速度的『前端與邊緣任務』交給我。」

第五章：AI 時代的典範轉移 ── 為什麼 Cloudflare 押注「邊緣」？

隨著 Cloudflare 在 2021 年補齊了儲存與運算的拼圖，它已經變成了一家擁有網絡傳輸，資安，和雲端的一站式平台。

而時間來到 2026 年，這個平台迎來了下一個十年最大的變數，同時也是最大的機會：AI 推論的物理學瓶頸。

在 2023 年 ChatGPT 引爆全球 AI 熱潮時，所有人的目光都集中在同一件事：誰能訓練出最聰明的模型？OpenAI、Anthropic、Google、Meta 競相砸下數百億美元，購買成千上萬張 GPU，在沙漠裡蓋起一座座超級資料中心。

但到了 2026 年，故事變了。

高盛認為AI將迎來拐點？CPU繼續狂歡？Anthropic OAI加速AI應用？- KP思考筆記(第41期)

KP@FOMOSoc — Sat, 09 May 2026 03:07:23 GMT

大家好，我是 KP，歡迎來到第 41 期的《週末思考筆記》。

為什麼我喜歡在 Substack 寫深度文章？

在網路上分享分析，初衷當然是為了整理思緒，將研究成果與大家交流。但老實說，如果說完全不在意流量，那絕對是騙人的。看到文章被瘋傳、數據漂亮，心裡肯定會開心，反之亦然。

然而，如果只在 Facebook 或 Threads 這種平台發文，很容易就會掉進「流量陷阱」。

在演算法掛帥的社交平台上，流量就是一切；沒有點擊，你的聲音就等於不存在。這會逼著創作者去追逐最熱門、最能挑動情緒的話題。

自從開始經營電子報後，流量對我來說不是不重要，但它退居二線，「提供真正的價值」成了我最重要的價值核心。

電子報最迷人的地方在於：我不需要去討好演算法，只要有訂閱我的讀者，我的分析就會準時、完整地出現在你的信箱。這種「去中心化」的連結，保護了分析的獨立性。

過去幾週，半導體板塊簡直像在開一場沒完沒了的派對。

我並不是說這場派對不合理。相反地，早在幾週前我就不斷分享：市場最壞的情況已經過去、CPU 週期即將到來、Anthropic 的 ARR 爆發將扭轉 AI 敘事。

這些判斷都白紙黑字寫在過去的筆記裡，並非馬後炮。

在挑選本週的深度分析主題時，我也曾掙扎：該寫什麼？

如果繼續寫半導體，流量肯定會爆表。畢竟在全民狂歡的當下，誰不想多看幾篇看多報告，來為自己的持倉「充值」信心？

但是，這裡的名字叫「FOMO 研究院」，我的初衷就是：「用研究，打敗 FOMO」。

繼續寫半導體，很可能可以贏得流量，但也可能讓大家在情緒的高點進一步陷入 FOMO。而我始終認為，FOMO 是投資中最大的敵人，也是導致大多數人最終虧損的主因。

因此，這個星期我決定反其道而行，寫一些看起來很「悶」的主題：LNG（液化天然氣）、化肥、油田服務。

這些產業沒人討論，聽起來一點也不性感，但「知道多一點」對你的資產配置絕對有益。

雖然流量預期會比較慘淡，但正因為有各位的訂閱支持，我才擁有了「不看流量臉色、只寫正確內容」的自由。

寫這些並不是叫大家馬上衝進去買，而是希望幫大家擴張「知識邊際」。

我依然是堅定的科技多頭、AI 多頭、半導體多頭，這些也是我的核心持倉。

但在派對最嗨的時候，適度地將目光投向那些被遺忘的角落，保持一份冷靜的觀察，是極其重要的。

當然，本期的《思考筆記》核心依然會回歸 AI。我最近讀完了一份高盛發布、長達 40 頁的 AI 深度報告。

內容極其精彩，我將其中的核心邏輯抽絲剝繭，加上我的個人解讀，整理成了這份筆記。這部分的內容會比往常的主題更長、更深，因為它值得我們細細咀嚼。

除了高盛AI深度報告專題，本期還包括了兩個很重要的主題，AMD和ARM的財報告訴了我們關於CPU的甚麼？

以及Anthropic和OpenAI這個星期都不約而同開設了新業務，這是一個AI發展上一個很重要的轉向。

如果這份筆記為你帶了價值，不妨給我一個讚，會令我有更大動力!

話不多說，我們立刻進入主題!

主題一(GS AI報告)：AI利潤奇點已到？

過去兩年，說到AI的憂慮,十次有八次會聽到同一組問題：

「Capex燒這麼兇，到底有沒有報酬？」

「用得愈多，GPU愈貴、電愈貴，毛利不是被吃掉嗎？」

「這門生意跑到最後，會不會變成誰都賺不到錢的軍備競賽？」

「AI用量愈大 = 成本愈高 = 毛利愈差」的論述深入人心。

所以每次巨頭宣布加碼Capex，股價第一反應都是質疑。

不過，高盛認為，我們正處於一個歷史性的「奇點時刻」，AI正從一個「成本中心」蛻變為一台高效的「利潤引擎」。

從成本災難到利潤印鈔機

「Token經濟學」聽起來很工程師，但核心概念相當直觀。請想像兩條線：

Token的「售價」線：過去兩年，因模型進步與價格戰，這條線以年降40%的速度下墜。但從2025年底開始，它突然平掉了，有些高階模型的價格甚至小幅回升。
Token的「成本」線：與此同時，在Nvidia、AMD、Google等晶片巨頭的技術競賽下，服務一個Token的真實算力成本，正以每年60-70%的驚人速度持續崩跌。

把這兩條線疊在一起看：一個是停住了下跌的售價，一個是還在快速往下掉的成本。

這意味著，雲端服務商（Hyperscalers）和模型供應商每服務一個新增的Token，其邊際毛利都在急劇擴大。

中間的差距，每過一個季度就變寬一點。毛利的拐點，就在未來 3 到 12個月內。

Agentic AI 引爆的用量革命

如果只是利潤變好，這也只是AI巨頭「每個Token賺多一點」的故事，不錯，但不夠震撼。

真正把這件事從「加法」變成「乘法」的，是Agentic AI（代理式AI）帶來的Token用量爆炸。

一個普通的ChatGPT對話，用量大約是幾百到幾千Token。但Agentic AI完全不同：

它的上下文視窗更長（一次要處理更多資料）
它會做多輪推理循環（來回思考）
它會做自我驗證（檢查答案）
它會呼叫外部工具（整合其他應用）
它是Always-on的（在背景持續運作）

同樣一個用戶、同樣一個工作流，Token消耗量可以輕鬆放大10倍、100倍以上。報告的模型估算：到2030年，全球Token需求將是2026年的25倍（+2,400%）。

全球每日AI查詢數量，也將從2025年的約50億次，暴增到2030年的230億次，其中高達30%會是Agent發出的。

從「問一句」變成「一直跑」

Token用量爆炸的核心，不是「更多人用ChatGPT」，而是「AI從被動呼叫，變成主動運作」。

今天多數人使用AI的模式是：有問題 → 打開 → 問一下 → 得到答案 → 關掉。這是一次性的、短暫的互動。

但Agent的使用型態完全不同，報告將其分為兩種：

On-demand Agent（按需式代理）：你下達指令 → 它去規劃、執行、回報。雖然仍是片段式，但Token用量已翻了好幾倍。
Always-on Agent（持續型代理）：它一直在背景運作，持續監控郵件、行事曆等，在需要時自主行動。

這兩者的Token強度差距極大：

一般聊天機器人：每次對話約1,000 Token
嵌入式Copilot：每天超過5,000 Token
Always-on Agent：每天可超過100,000 Token 消費端Token用量放大的最大推手，是AI運作模式的根本轉變，從「你呼叫它」變成「它一直運行著」。

這種從「被動呼叫」到「主動運作」的轉變，不僅放大了 Token 用量，更將觸發一場科技巨頭生死存亡的「入口大洗牌」。

高盛將消費端 AI 的演進劃分為三個階段：

聊天機器人（Chatbots） → 嵌入式工具（Embedded tools） → 代理（Agents）。

這不僅是技術的升級，更是消費者行為的根本改變：從「尋找資訊」變成「委託任務」。

傳統搜尋引擎提供的是「網頁連結（Links）」，要你自己去完成後續動作；而 Agent 提供的是「直接行動（Actions）」，幫你把機票訂好、把餐廳位子留好。

正因如此，高盛預測傳統搜尋引擎的市佔率，將從 2025 年的 68% 快速暴跌到 2030 年的 36%，被 LLM 和原生 AI App 瓜分。

誰掌握了 Agent，誰就截斷了消費者的「購買意圖（Intent）」。過去 Google 靠著攔截消費者的搜尋意圖，建立起千億美元的廣告帝國；未來，當 Agent 成為消費者與數位世界互動的唯一代理人時，這筆龐大的「過路費」將重新分配。

這直接解釋了為什麼 Meta、Apple、OpenAI 甚至 Google 自己，都不計代價地在消費端 Agent 上瘋狂燒錢，因為這是一場輸不起的護城河保衛戰。

企業端才是真正的重心

如果說消費端是12倍成長，高盛認為企業端才是真正的重心：

2030年：24倍成長
2040年（巔峰採用率）：55倍成長
企業端最終將佔全球Token用量的70%以上

因為企業流程遠比個人使用複雜，需要多步驟、跨系統整合（如CRM/ERP）、驗證合規並留下審計軌跡。

更重要的是，企業願意為生產力提升支付高昂費用。

一旦Agent嵌入企業核心業務流程，它就會持續運行，Token消耗將成為常態。報告也提醒，文字密集型工作流程（如編程）的採用速度會最快，成為Token爆炸最早的前線。

自我強化的飛輪

同時，它啟動了一個強大的「正向經濟飛輪」：

(1)運算成本降低 →

(2) 催生出功能更強大、消耗更多Token的代理式AI →

(3) 海量用量提升了基礎設施的利用率和經濟效益 →

(4) 更高的利潤讓廠商能投入更多資源去優化模型，進一步降低成本。

這個飛輪的方向，跟過去兩年市場預設的劇本剛好相反。

過去市場假設：用得愈多 → 成本愈重 → 最後壓垮自己。現在這份報告假設：用得愈多 → 單位經濟學愈好 → 更有本錢往前衝。

如果後者是對的，那今天這波Capex就不是泡沫，而是在蓋一條會自己愈跑愈快的產線。

投資人該重新問自己的問題

單獨看「量」的爆炸，市場會擔心「成本也跟著爆炸」。

單獨看「利」的改善，市場又覺得「量不夠大，影響有限」。

但當兩件事同時發生，你得到的不是一個「營收成長的故事」，也不是一個「毛利改善的故事」，而是「營收爆發 × 毛利擴張」的乘積效應。

這是兩個引擎同時點火。

我不是說這個故事一定會照劇本走，售價、成本、競爭都是真實的變數。

但至少，未來6到12個月的巨頭財報（Microsoft Azure的毛利、Google Cloud的營運利潤率、OpenAI與Anthropic的數字）將給我們答案。

如果這些數字確實往上走，那我們現在看到的，就不是一個被炒過頭的泡沫，而是一個故事品質正在根本性升級的產業革命。

主題二(GS AI報告)：Agent 帳單，企業付得起嗎？

AI 巨頭的毛利率看似正在改善，但一個根本問題懸而未決：

企業真的會付錢嗎？當一個 AI Agent一天能燒掉數百萬 Token，就算供應商的毛利再好看，客戶那邊的帳真的划得來嗎？

因為過去所有關於 AI 的討論，九成都停留在「算力多強、模型多大、Token 多便宜」，但幾乎沒人真的算過：

一個 AI Agent跑完一整天的工作流程，究竟要花多少錢？與聘請一名員工相比，是貴還是便宜？差距又是多少？

第一部分：微觀帳本 — AI Agent 的真實 ROI

高盛的報告首次正面回答了這個商業核心問題。他們透過模擬真實工作場景，精確計算出 AI Agent的每日成本，並與人類薪資進行了直接的投資回報（ROI）對比。

實驗結果清晰地表明：AI 的投資回報並非均勻分佈，而是呈現出巨大的領域差異。

1. 程式開發 Agent：當之無愧的明星

每日 AI 成本：$13.39 美元
對標人力日薪：約 $300 美元 儘管每天消耗高達 700 萬 Token，其 ROI依然極具吸引力。這解釋了為何 GitHub Copilot等工具在軟體業的滲透快到離譜，並非工程師特別擁抱新科技，而是因為「這筆帳已經算得過來了」。

2. 資料輸入 Agent：展現商業可行性

每日 AI 成本：$59.68 美元
對標人力日薪：約 $80 美元 在處理結構化文字的場景中，它已成為一個具吸引力的選項。

3. 客服中心 Agent：意外的落後者

每日 AI 成本：$92.90 美元
對標人力日薪：約 $90 美元

這是一個反直覺的案例。雖然它每日的 Token消耗量（約 200 萬）遠低於開發 Agent，但其每日 AI 成本卻高達 $92.90 美元，甚至超過了約 $90 美元的外包人力成本。

原因在於，語音客服需要進行即時的「語音轉文字 → 推理 → 文字轉語音」多模態轉換，每一層都是算力成本。

與此同時，其對標的人力資源在菲律賓、印度等外包市場極其便宜。

因此，我們看到一個弔詭的現象：AI 取代軟體工程師，可能比取代客服專員要快得多。

把餅做大的邏輯

但等等，既然現階段客服 Agent 的單次互動成本（$92.90）比外包人力還貴，企業為什麼還要積極導入？

高盛在這裡提出了一個經濟學洞察：AI 的終極價值不是 1:1 替代人類勞動力來「省錢」，而是透過釋放「未滿足的需求（Unmet demand）」來「把餅做大」。

這其實是經濟學上的「誘發需求（Induced Demand）」。現在因為人力成本高昂，企業必須限制客服規模，導致客戶打電話常需要「排隊等待」，甚至因為體驗太差而流失。

當 AI Agent 上線實現「零等待時間』與「24小時多語言服務」後，服務的摩擦力降至冰點，總服務量將會大幅暴增。

這意味著，企業不再把客服視為「能省則省的成本中心」，而是將其轉化為「創造極致客戶體驗、挽回流失營收的利潤中心」。

消費者獲得了巨大的消費者剩餘（Consumer surplus），企業提升了留存率。即使單日 Token 消耗量極大、算力成本偏高，只要能吃下這些龐大的未滿足需求，這筆帳不僅算得過來，還完美解釋了為什麼未來 AI 的用量會呈現指數級別的爆發。

深入 Token 帳單：錢是怎麼「燒」掉的？

高盛的分析進一步揭示了成本的構成，這讓我們對 Agent的運作有了更深的理解。

持續運作型 Agent（Always-on）：

以一個在背景監控郵件的 Agent為例，每日總消耗約 11.4 萬 Token。

驚人的是，超過一半的消耗來自於一個單一的循環：「郵件分類與決策」。這證明了，看似簡單的背景監控，一旦加入深度理解、分類、檢查等複雜邏輯，就會變成 Token消耗的巨獸。

我們之前嚴重低估了這類 Agent的 Token強度。它並非「你問一句，它答一句」，而是在持續地「醒著、思考、檢查、驗證、等待」。

每一個「等一下，我先確認一下」的動作，背後都是一次完整的推理循環。

按需觸發型 Agent（On-demand）：

以一個由用戶觸發的旅行預訂 Agent為例，完成一次任務消耗約 1 萬 Token。

成本的大頭來自兩個環節：一是「呼叫外部工具」（如查詢航班、酒店 API），二是「與用戶來回溝通確認」。

這說明，Agent的價值與成本，與其整合外部系統和處理複雜回饋的能力直接相關。

我們已經回答了「這是否划算」的問題。結論是：在特定領域，是的。這自然引出了下一個，也是更宏大的問題——既然帳已經算得過來，那企業會多快擁抱它？

第二部分：宏觀藍圖 — 為何革命尚未成功？

「既然 $13.39 美元對決 $300 美元這麼划算，企業不就該全部 all-in 了嗎？」 現實是這樣的：企業還在「玩」，沒在「用」 根據 McKinsey、PwC的最新調查：

70–90%的企業在「實驗」AI agent（PoC、試點、內部 demo）
不到 25%的企業真的在「規模化」部署
大多數部署還只限於 1–2 個工作流，而且還是披著「copilot」的外皮，不是真正的自主 agent

高盛點出了一個很關鍵的洞察：擋在 AI 規模化前面的，不是技術，是組織。

信任問題：資料治理、安全稽核、權限控管，誰出事誰扛？
ROI 可見性：效率提升很難變成財報上一個明確的數字，CFO很難跟董事會交代這就是為什麼 AI 的實際落地，永遠比新聞標題慢半拍。不是工程做不到，是組織還沒準備好。

高盛的三個關鍵數字：S 曲線、15 年、35–40%

高盛對 agentic AI的預測是：S 曲線，15 年到頂，巔峰滲透率 35–40%。

第一，S 曲線，不是 J 曲線。

這意味著我們現在處在「慢慢醒來」的階段，中段會有一個陡升加速期，然後進入長尾。別期待今年明年就爆發。

第二，15 年，比歷史中位數 29 年快一倍。

高盛翻出了 Comin & Hobijn（2009）的資料庫——涵蓋 161 個國家、200 年間的科技擴散歷史——發現新科技從問世到巔峰滲透率，中位數要花 29 年。而 agent被預期只要一半的時間。

為什麼這次比較快？因為試錯成本極低、新創迭代速度極快、而且企業之間的競爭壓力極大。

第三，也是最反共識的一點：巔峰只有 35–40%，不是 100%。

J 型爆發，還是 S 型演進？

要預測企業採納 AI 的宏觀趨勢，我們需要先理解兩種核心的技術擴散模型：

J 型曲線（爆發型）：如同火箭升空，在極短的平緩期後，以指數級速度直線狂飆。這通常發生在門檻極低、大眾接受度高的消費級產品，例如 2022 年底 ChatGPT的用戶增長。

S 型曲線（倒吃甘蔗型）：經歷「緩慢醞釀 → 急速攀升 → 趨於飽和」三個階段。

它適用於需要建置基礎設施、改變人類習慣或初期成本較高的技術，例如智慧型手機和電子郵件的普及過程。

雖然 ChatGPT在消費市場展現了 J 型曲線的潛力，但高盛堅定地認為，AI Agent在「企業市場」的採納，將會是一條典型的 S 型曲線。

為什麼是 S 型曲線？

初期的緩慢醞釀（S 曲線底部）：企業的「包袱」 企業無法像個人用戶那樣說變就變。大規模採納前，必須克服三大障礙：

數據混亂：多數公司的內部資料散落各處、品質不一。清理這些「數位資產」以供 AI 使用，是一項耗時數年的基礎工程。
資安與法規恐懼：企業極度擔心 AI 可能洩漏商業機密或產生合規風險。
成本與 ROI 驗證：企業財務部門必須精確計算並驗證 ROI，確認 AI 導入能帶來實質的成本節省或收入增長。

中期的急速攀升（S 曲線中段）：競爭引發的 FOMO 一旦前期的基礎設施就緒，且早期採用者證明了 AI 的巨大效益，「害怕落後於競爭對手」的心理將會發酵。高盛預測，這個轉折點大約會落在 2030 年前後。

後期的飽和（S 曲線頂部）：現實的極限 AI 不會取代所有工作。因為不是所有的工作都適合 agent：

有些工作流沒有清楚的 ROI（判斷類、關係類、政治類）
有些決策必須有人類參與（法遵、合約、人事）
有些領域組織惰性太強，15 年都推不動

這個 35–40% 的數字，其實是在提醒我們：AI 不會吃掉所有白領工作，但它會吃掉其中最甜的那一塊。

即使只滲透 35-40%的知識工作，其創造出的潛在市場規模（TAM）也將是全球軟體業年度總營收（約 1 兆美元）的 5 倍以上。大餅的 35%，遠比你現在看到的所有東西都大。

第三部分：S 型曲線的投資啟示

將 AI 採納視為一條 S 型曲線，為投資者提供了兩個至關重要的策略暗示。

第一，現在是「底部醞釀期」，保持耐心至關重要。

許多人可能會因 AI 當前的落地速度不如預期而感到失望。S 型曲線理論告訴我們，目前的緩慢是正常的。

我們正處於曲線最底部的「醞釀期」，企業正在默默進行清理數據、重構系統等準備工作。

第二，真正的應用軟體爆發期在後頭。

當企業的準備工作在 2030 年前後陸續到位，S 曲線將進入最陡峭的狂飆期。那時，專注於特定行業工作流程的 AI 應用軟體公司，才會迎來真正的營收爆發。

務實的樂觀

將 AI 的未來描繪成一條 J 型曲線，是過於樂觀的，它忽視了企業導入新技術的複雜性。

而將其視為一條 S 型曲線，則是一種務實的樂觀，它承認「革命必將到來，只是企業需要時間來準備」。

很多人看 AI，都在兩個極端之間擺盪：

過度樂觀派：覺得明年就要取代一半白領，AI就是一切。
過度悲觀派：覺得 Agent都是 Demo，ROI不清楚，躲得遠遠的。

我認為正確的心態是： ROI已經在特定領域跑通了，但擴散到整個經濟體，還需要很多年。

這是一場很長、很大、但很不平均的遊戲。找出「短期已經有帳單跑得過」+「長期站在 S 曲線陡升段受益位置」的公司，拿得住，拿得久。

這是未來十年 AI 投資最樸素、但最不容易執行的紀律。

主題三(GS AI報告)：在這個框架下，應該買甚麼公司？

老實說，去到這一部份，我反而覺得是整份報告裡最不重要的一段，雖然大概也是大部分讀者最期待的一段。

「告訴我買什麼就好」，這大概是每次看到AI相關報告，很多人心裡最直接的想法。

但我要坦白講：直接告訴你名單，對你其實沒什麼用。因為如果你沒有走過前面那一整套推演，毛利率為什麼會大增、Token需求為什麼會爆、為什麼採用曲線長這樣、為什麼最後會挑到這幾家，你買了之後是沒有信念的。

市場一震盪、股價一修正，你就會開始懷疑自己。到頭來又變成追漲殺跌的散戶行為。所以這幾篇的重點從頭到尾都只有一件事：建立一個完整的思考框架。

名單是副產品，框架才是真正的資產。

為什麼我這次花這麼多時間拆這份報告？

其實我平常看華爾街的報告，大部分都不會花這麼大力氣整理。但這份報告不一樣。原因很簡單，它對整個「AI泡沫之爭」，提出了一個十分清楚、很有說服力的邏輯閉環。

你要知道，市場關於AI是不是泡沫，已經吵了快兩年。空方講的是Capex太重、ROI沒看到、估值貴到離譜；多方講的是生產力革命、需求爆炸、這次不一樣。

兩邊都有道理，但兩邊也都沒真正解決對方的核心質疑。而高盛自己這兩三年的立場，其實也有很清楚的演化軌跡：

2023年到2025年中，他們早早就把GenAI的生產力提升量化出來，支持巨頭的資本開支是合理的長期投資。

到了2025年，氣氛變了，他們出了一份〈AI: In a Bubble?〉報告。那時候的調性是「防守式的多方」，承認泡沫疑慮、承認capex很高、承認ROI不確定，但結論是：這不是泡沫、估值雖高但沒到1999年的水平、基本面撐得住。換句話說，他們花了很多時間回應空方。

但這份2026年5月的報告，調性完全不一樣了。他們從防守打法，轉成了進攻打法。

以前的敘事是：「Capex很高，但基本面強、支出可以持續。」，這是被動地辯護。
現在的敘事是：「Token成本下降的速度，比價格下降更快，2026年開始會出現正向的利潤率拐點。」，這是主動地論證一個新的正向催化劑。

這個轉折我覺得非常關鍵，因為它直接回應了空方最核心的那一擊：AI到底能不能賺錢？如果你把這個邏輯接受了，整個AI敘事就從「希望它能賺錢」變成了「它已經開始賺錢，而且會越賺越多」。

這就是為什麼我願意花這麼多時間，把這份報告拆得這麼細。不管你同不同意它的結論，這套推演本身就值得學習。

高盛的「九大贏家」

好，回到名單。名單中九隻股，半導體三隻（Broadcom、Nvidia、AMD）、Hyperscaler三隻（Amazon、Google、Meta）、軟體服務三隻（微軟、Cloudflare、Accenture）。

坦白講，這份名單有點通用。大部分都是市場已經反覆討論過的大型股，買這些股票本身算不上什麼獨到見解。

第一條戰線：把Token成本壓下來的人（半導體）

Google、以及越來越多的Hyperscaler、甚至大型模型廠商，都在轉向博通做客製化晶片。

為什麼？因為通用GPU雖然強，但未必最劃算。當你要處理的是規模化、特定工作的推論，客製化ASIC的單位成本優勢，才是讓飛輪轉得更快的真正關鍵。

Nvidia仍然是訓練與最吃性能工作負載的王者，這個沒人懷疑；AMD則是賭企業端GPU加上x86 CPU捆綁的增量市場。

但如果你問我這三隻裡「最貼合報告核心論點」的那隻，我會說是博通，因為它直接決定了Token經濟學能不能成立。

第二條戰線：規模與分發的巨獸（雲端與互聯網）

亞馬遜、Google、Meta，這三隻沒什麼懸念，但理由各有不同。

亞馬遜的亮點是那個3640億美金的訂單Backlog。加上自家的Trainium和Graviton，AWS同時吃到「量」和「成本」兩頭。Google的關鍵字是「全棧」。

從搜尋、Gemini到雲端，它是少數橫跨消費端Agent和企業雲端的玩家。

Meta則是另一種打法，它是把算力直接變現成廣告收入。

第三條戰線：軟體與IT服務

在評估軟體股時，多數人還停留在「AI 能不能幫 SaaS 公司多賣幾個訂閱帳號、多收幾塊錢」的舊思維。

但高盛在此提出了一個 SaaS 產業十年來最大的商業模式顛覆：從「賣人頭（Per-Seat）」轉向「賣工作量（Units of Work）」。

傳統 SaaS 公司的營收天花板，受制於客戶公司的「員工人數」（你不可能賣出比員工數還多的帳號）。

但當 AI Agent 具備自主完成任務的能力時，軟體公司將不再只是「提供工具給人類用」，而是直接「提供數位勞動力」。這意味著收費標準將與員工人數脫鉤，轉而按「產出、生產力或工作單元」來計價。

試想，如果一個自動化流程能省下人類員工 5 萬美元的薪水，而 AI 運算成本只要 5 千美元，中間這 4.5 萬美元的巨大差價，就是軟體公司未來可以透過「價值定價（Value-based pricing）」去攫取的利潤空間。

軟體公司的 TAM（總潛在市場）將從「全球軟體預算』，直接擴張到『全球白領勞動力薪資池」。 這是史詩級的市場擴容，在這個邏輯下，我們再來看微軟和 Cloudflare 的佈局，就會有完全不同的視野

微軟的故事大家都熟，Azure，Copilot、Microsoft 365升級週期，不贅述。

但高盛報告裡，和我對微軟的看法是一樣的(有興趣可以重看微軟和軟件股深入分析那兩期)：

「最可能的情景是Copilot與垂直領域Agent、垂直應用軟體共存，彼此使用量互相拉動。」

當微軟能向企業證明，這個 Agent 每個月能完成相當於半個初階業務員的工作量時，它的定價就不會是每月 30 美元，而是可以直接抽取這份「自動化產出」的價值。

微軟擁有全球最大的企業工作流（Office、Teams、Windows），這讓它擁有最完美的場景，去實現這種「薪資套利」，將企業的「人事成本」轉化為微軟的「軟體營收」。

Cloudflare的角度很有趣，它賭的是推論（inference）的效率。

當軟體業全面轉向 AI Agent 自動化作業時，會發生什麼事？機器對機器（Machine-to-Machine, M2M）的流量將會出現指數級的爆炸。 這些 Agent 不用睡覺，它們會 24 小時不斷地在背景呼叫 API、抓取數據、跨平台交換資訊。

Cloudflare 的計費模式本來就是「按請求次數/運算時間」收費，這與「賣工作量」的趨勢完美契合。

當全世界的 Agent 都在瘋狂互相溝通、執行任務時，Cloudflare 就像是這條高速公路上的收費站，每一筆自動化任務的執行，都會轉化為 Cloudflare 實實在在的營收。

但這條戰線裡我覺得最有意思的一隻，是Accenture（埃森哲）。

為什麼？因為現在絕大多數企業的AI，都還卡在「試點」階段。從試點到正式生產，中間要做的事情多得嚇人：流程重構、治理、變更管理、整合各家系統……這些髒活累活，誰做？

高盛認為，就是Accenture這類系統整合商。這是最標準的「賣鏟子」邏輯，淘金熱裡賣鏟子的往往比淘金的更穩定賺錢。

繼續看下去，你會在第五個主題中看到為何Accenture會是受惠者。

重點其實不是這張名單，是這個框架

真正我想跟你們講的是：你可以拿這個框架，自己去挑你的名單。

高盛給的四條能力軸：壓低Token成本的、能處理巨量規模的、能在高ROI文字workflow賺到錢的、能在採用曲線加速期接單的，這四條不是高盛專利，是你可以套在任何一家公司上檢驗的標準。

你可以問：這家公司到底踩在飛輪的哪個齒輪上？它有沒有結構性的、不容易被複製的優勢？

它的優勢在成本、規模、整合、還是分發？能回答這幾個問題，你就能建立自己的名單。如果回答不出來，那不管名單上的名字多響亮，都不是你真正理解的投資。

主題四：這個財報季，CPU 的故事終於被確認了?

Agentic AI會讓CPU重新變得重要，這個邏輯應該大家都十分清楚。

這一季的財報讓這個故事從「有道理的推測」變成了「有數字支撐的事實」。三家主要的CPU供應商(AMD、ARM、Intel)都在說同樣的話。

現在，有趣的問題不再是「CPU 是否重要」，而是「在 CPU 這場復興之戰中，誰是贏家？」

AMD：數字還好，但天花板被大幅拉高了

AMD五月五日公布財報。本季營收 103 億美元，略超預期；資料中心營收 58 億美元，年增 57%；伺服器 CPU連續第四季創紀錄，年增超過 50%。

這些數字是「還不錯」，不是「驚艷」。考慮到股票在財報前一個月已經漲了 60%，這種數字理論上應該是有獲利了結的壓力的。

但 Lisa Su做了一件事：她把長期故事徹底升級了。

去年十一月的分析師日，AMD說伺服器 CPU市場會以約 18%的年複合成長率擴張，到 2030 年達到約 600 億美元。

這次電話會議上，她直接把數字翻倍。現在預期超過 35%的年複合成長率，到 2030 年超過 1,200 億美元。

這等於告訴投資人：「我們腳下的金礦，比你想像的大一倍。」

她還給了下一季超過 70%的伺服器 CPU營收成長指引，並且說這個強勁成長會延續到 2026 下半年和 2027 年。

這證明 AMD不僅身處一個更大的市場，還正在以驚人的速度吞噬市佔率。市場聽到的訊息是：一個更大、且正在加速成長的未來。

這個故事清晰、有力、沒有「但是」，足以支撐股價的狂熱。

ARM：數字其實很強，但市場選擇看另一面

ARM隔天公布財報。數字同樣很強，Q4營收 14.9 億美元創紀錄，年增 20%；全年營收 49.2 億美元，年增 23%；資料中心版稅收入年增超過一倍。

他們還宣布了 AGI CPU的需求更新。這是 ARM第一款自己設計的資料中心處理器，三月才發布。

客戶需求已經超過 20億美元，比發布時宣布的數字翻了一倍多。長期目標是到 FY2031 年達到 150 億美元的 AGI CPU營收。

Rene Haas說資料中心需要超過目前四倍的 CPU 容量，到 2030 年這是一個超過 1,000 億美元的市場機會。

這個故事聽起來和 AMD很像，甚至更激進。但股價在財報公佈後卻下跌了。

為什麼？第一個問題是版稅收入。本季版稅 6.71 億美元，低於分析師預期。版稅是 ARM最核心的高毛利經常性收入。差距不大，但在一支已經漲了很多的高估值股票上，任何「不完美」都會被放大。

第二個問題是 AGI CPU 的供應。ARM目前只為其中大約一半確保了產能。投資人聽到的不是「需求很強」，而是「需求很強但我們還沒辦法完全滿足」。

第三個問題是敘事的乾淨程度。Arm的故事雖然同樣充滿潛力，卻多了幾個令人猶豫的「但是」。

Intel：謹慎樂觀的復甦敘事

Intel在四月底先公布了財報。他們的語氣和 AMD、ARM都不太一樣，更像是「我們正在證明自己還很重要」而不是「我們正在大幅擴張」。

Lip-Bu Tan說需求跑在供給前面，特別是 Xeon伺服器 CPU。他們強調新製程節點的進展、Xeon 6被 NVIDIA DGX系統選為主 CPU、需求強勁是個「好問題」。

「CPU 正在重新確立自己作為 AI 時代不可或缺基礎的地位。」

但 Intel沒有像 AMD那樣大幅調高市場規模預測。他們說的是雙位數成長、動能延續到 2027 年。

Intel的策略是穩固基本盤，強調其 x86 生態系的深厚根基、以及在記憶體、安全和網路協調方面的領先地位。

他們成功拿下了 NVIDIA下一代 DGX系統的主機 CPU位置，證明了即使在 AI巨頭的版圖中，Intel的 x86依然是那個最值得信賴的「控制平台」。

對一家正在轉型的公司來說，夠了。

x86 vs ARM：雙方都說自己贏了兩倍

這是這個財報季最有趣的現象之一。

AMD和 ARM都在宣稱自己比對方強，而且都用「兩倍」這個數字。聽起來很矛盾，對吧？但其實他們都沒說謊，只是在玩一個「選詞填空」的遊戲。

AMD宣稱，他們下一代的 Venice CPU，能提供「每插槽吞吐量超過領先 Arm 解決方案兩倍」。

所以 AMD的意思是，單一一顆 x86 CPU能處理的工作負載量 (例如同時運行的虛擬機數量、或處理的資料庫請求)，是單一一顆 Arm CPU的兩倍。

這是在衡量單一處理器的原始計算能力。他們購買的是「單一伺服器的極致效能」。

Arm則宣稱，他們的 CPU能「在同樣的空間裡提供超過 x86 兩倍的每機架效能」。因為 Arm的 CPU核心通常更小、功耗更低、發熱量也更少，所以你可以在一個機架內，塞進密度更高、數量更多的 Arm伺服器。

這是在衡量空間和能源效率。對於像 Google、Amazon、Microsoft這樣的超大規模雲端服務商來說，他們思考的單位是「整個資料中心」。他們購買的是「每瓦特、每平方公尺的最高總效能」。

更深層的分歧在於：誰的客戶會成長更快？

AMD的論點是 x86 生態系太成熟了，轉換成本太高。Lisa Su說：「x86生態系的成熟度，在開發者、在軟體堆疊、在企業工作負載上，讓人們非常容易取得進展。」
Arm則認為，像「代理式 AI」這樣全新的應用，是從零開始建立的，它沒有任何歷史包袱。開發者在為這些新應用選擇基礎架構時，完全可以拋開過去。

這兩個論點可能都是對的，只是針對不同的市場：

x86 (AMD/Intel)：將繼續在傳統企業和需要運行大量現有軟體的混合雲場景中保持強勢。
Arm：將在雲端原生應用和從頭設計的 AI工作負載中找到巨大的成長空間。

但現在，這個問題還不重要

投資人面臨的問題是：未來五年，是現有龐大市場的「升級需求」成長更快，還是全新 AI市場的「增量需求」成長更快？但這個問題，現在可能還不需要回答。

因為三家公司都在說同一件事：需求跑在供給前面，而且差距還在擴大。

Lip-Bu Tan在 Intel的電話會議上說：「我們面對的是一個好問題，需求超過供給。」他描述的是一個產能全開還不夠用的市場。

Lisa Su把伺服器 CPU的市場規模預測直接翻倍，她給的理由是：「AI正在從根本上重塑資料中心的樣貌。」

Rene Haas說得更直接：「資料中心需要超過目前四倍的 CPU 容量。」

在一個供不應求的市場裡，x86和 Arm不是在搶同一塊餅。他們是在一起把餅做大，而且餅的膨脹速度比任何人預期的都快。

未來五年，也許會有贏家和輸家。但在接下來的一到兩年，真正的問題不是「選 x86還是 Arm」，而是「誰能更快把產能拉上來」。

在這場 CPU 復興之戰中，現階段的贏家，就是能出貨的人。

主題五：Anthropic和OpenAI開始部署「地面部隊」？

為何最強大的AI模型，在多數企業內部依然雷聲大雨點小？為何許多公司在經歷了無數次的「概念驗證」（PoC）後，仍不知道如何好好地使用AI，無法將AI真正部署到核心業務中？

答案很簡單：尖端AI從來就不是一個即插即用的API。

而現在，OpenAI和Anthropic這兩大AI巨頭，終於想通了這個問題，並且正在用一種極具侵略性的方式來解決它。

他們不約而同地祭出了一套「秘密武器」，一套直接複製自另一家神秘科技巨頭Palantir的致勝劇本。

Palantir 早就證明了這條路能走通

這個武器叫Forward Deployed Engineer，簡稱FDE。

Palantir做這件事已經超過十年了。他們的邏輯很簡單：對於真正複雜的企業客戶，光賣軟體是不夠的。你需要把工程師派進去，坐在客戶的會議室裡，用客戶的數據，解決客戶的問題。

這不是傳統的「技術支援」或「顧問諮詢」。FDE不是來開會、做簡報、寫報告的。他們是來寫代碼的，而且是生產級別的代碼。他們整合系統、處理數據、建立工作流程，直到AI真的在客戶的業務裡跑起來為止。

Palantir證明了一件事：對於真正困難的問題，你不能只賣工具，你必須親自下場，成為客戶解決問題的一部分。

現在OpenAI和Anthropic看懂了：在AI領域，同樣的邏輯正在成立。

為什麼光賣 API 不夠了？

因為大部分企業根本不知道怎麼把「很厲害的模型」變成「真的能用的東西」。你可以給一家銀行Claude的API，他們也許能做出一個還不錯的Chatbot。

然後呢？然後就沒有然後了。

企業付錢買的不是「AI能力」，而是「AI落地」。而落地這件事，光靠API文檔和線上教學影片，是做不到的。這就是FDE存在的原因。

想像一下，當一家企業購買了Claude或GPT的授權後，得到的不是一串API金鑰，而是一支由Anthropic或OpenAI最頂尖的資深工程師組成的團隊，直接進駐到你的公司。他們會：

並肩作戰：與你的團隊一起工作，深入理解業務流程與痛點。
動手實作：從系統設計、客製化工作流、到打造能產生實際商業價值的AI應用，他們親自編寫程式碼，完成端對端的部署。
解決髒活：處理最棘手的系統整合、安全性、合規性，以及內部數據治理等問題。
知識轉移：最終目標是教會你的團隊，讓你們能獨立運營和維護這套系統。

他們正在把這個模式放大到極限

如果只是內部招聘幾位FDE，那還稱不上是戰略轉向。他們正在透過合資公司和合作夥伴，把這個模式規模化。

OpenAI最近成立了一家叫「The Deployment Company」的合資企業，估值約100億美元，背後站著TPG、Brookfield、Bain Capital等十幾家私募基金。

這些私募加起來控制著幾千家投資組合公司。OpenAI的目標很清楚：把AI部署能力，像撒網一樣灑進這些公司裡。

Anthropic的動作同樣激進。他們上年年底跟Accenture簽了多年合約，Accenture正在訓練三萬名員工使用Claude，並成立了專門的「Accenture Anthropic Business Group」。

他們也剛剛宣布跟Blackstone、Goldman Sachs、Hellman & Friedman成立一家新公司，估值15億美元，專門幫中型企業部署Claude。

注意這裡的關鍵詞：「中型企業」。以前這些AI公司只服務得起最大的那幾家。現在他們透過私募基金的投資組合，開始往下滲透了。

這對整個市場意味著什麼？

最直接的影響是：企業AI採用率會加速。

過去幾年，無數公司困在「試點煉獄」裡，做了一堆POC，但沒有一個真正上線。問題不是模型不夠好，而是沒有人知道怎麼把模型變成產品。

FDE模式直接攻擊這個瓶頸。當OpenAI和Anthropic願意把自己的人派進來，跟你一起build，一起debug，一起deploy，「不知道怎麼做」就不再是藉口了。

但這不會是一夜之間的爆發。資料品質還是問題，組織變革還是問題，採購流程還是問題。

比較合理的預期是：2027-2028年，我們會看到明顯更多的AI真正進入生產環境，而不是停留在demo階段。

這也改變了 AI 公司自己的定位

OpenAI和Anthropic不再只是「研究機構」或「模型供應商」。他們正在變成「企業轉型夥伴」。這有幾個有趣的後果：

收入結構會改變：從純粹的API用量費，變成API加上高價值服務。客戶黏性會大幅提升，當你的工程師已經跟客戶團隊坐在一起、理解了他們的系統、建了一堆客製化的東西，他們要換供應商的成本就變得很高。
產品會變得更好：FDE每天都在面對真實的部署問題，這些回饋會直接流回模型團隊。這是一個傳統API公司不可能有的飛輪。
建立護城河：抵禦開源模型的威脅。就算有免費的開源模型，你還是需要有人來幫你部署。而這個「有人」，越來越多是OpenAI和Anthropic自己的人。

這意味著什麼？他們要跟 Palantir 直接競爭嗎？

答案是：既是，也不是。他們在不同層次上解決問題，但最終會在企業的AI預算上正面交鋒。我們可以這樣理解這個堆疊：

地基與作業系統層（Palantir的護城河）：Palantir最強大的地方在於其「本體論」（Ontology），能將企業內部混亂、孤立的數據，轉化為一個結構化、可治理、可供AI安全操作的「數位分身」。他們解決的是「如何讓AI在我們混亂的數據上可靠地工作」的問題。
大腦與智能引擎層（OpenAI/Anthropic的核心優勢）：OpenAI和Anthropic擁有世界上最強大的推理和生成模型。他們解決的是「如何為企業提供最強大的思考和創造能力」的問題。

在理想世界裡，他們是完美的互補。許多最複雜的部署，將會是Palantir的作業系統 + OpenAI/Anthropic的智能大腦，很多高端客戶會同時用兩者。

然而，在現實世界中，隨著Anthropic和OpenAI透過FDE模式越來越深入企業的業務流程，他們必然會開始蠶食一部分原本屬於Palantir的領地。

對投資人來說，該怎麼看這件事？

這個轉向是過去一年半企業AI領域最重要的發展之一。它解決的是「最後一哩路」的問題，這也是企業AI一直以來最大的瓶頸。

它解決了其中最關鍵的一個：缺乏部署專業知識。

短期內，顧問公司是最直接的受益者。Accenture這筆交易讓他們一下子多了一個巨大的業務線。

中期來看，這會加速整個企業AI市場的成熟。更多成功案例意味著更多預算釋放，更多預算意味著更多部署。

對於AI公司本身，這是他們從「賣技術」走向「賣轉型」的關鍵一步。單位經濟效益會提升，客戶關係會加深，護城河會加寬。

這場「地面戰爭」才剛剛開始。它將決定誰能真正主宰AI時代的企業市場，而「前線部署工程師」這個角色，也將成為未來幾年科技業最炙手可熱、最具價值的職位之一。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。
我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。
另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。
同時，如果想開戶的話，可以考慮用我的富途/口袋證券獨家推薦碼，會有更多優惠。
全部資訊在以下鏈結：
https://linktr.ee/fomo_soc
另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!
· KP

美伊戰爭後留下了甚麼？能源供應鏈被重塑？ - 深入分析第46期：LNG，油田服務，煉油，化肥

KP@FOMOSoc — Wed, 06 May 2026 10:03:06 GMT

今天，任何一個財經 podcast、任何一份賣方策略報告、任何一個 KOL 發文，主旋律全部都是 AI、半導體狂歡。

伊朗戰爭？那好像是上世紀的事了。

一場被國際能源署（IEA）形容為「全球石油市場史上最大供給中斷」的戰爭，正在被市場用驚人的速度「忘掉」。

現實是，即使在 4 月 8 日伊朗與美國宣布停火後，通過荷莫茲海峽的船舶交通仍遠低於戰前水準。

全球原油價格仍然處於高位，因為美國與伊朗結束戰爭的面對面談判陷入僵局，使這條原本承載全球約五分之一石油與天然氣供應的水道實質上仍然關閉。

換句話說：現況是雙方已停火（ceasefire），但事情仍未解決。

我不是要大家去交易戰爭頭條，也不是要嚇你說「世界要崩了」。這並不是我的Base Case Scenario，我在幾個星期前，已經白紙黑字地寫下，我認為最差的情況已經過去。

但是，我們也要清楚的是，這場戰爭，的確有改變了一些東西。我們當然可以繼續享受半導體的狂歡，但也可以同時將目光拉闊一點。

因此，我們應該要想、也比較實用的問題是：

假設未來一兩年，中東局勢一直不穩，哪些產業會是這個「新常態」下的長期受惠者？哪些只是「曇花一現」？
搞清楚什麼油價很難回到戰前低檔，以及為什麼運輸風險保費會長期變貴？
不同關鍵產業(LNG，油田服務業，煉油廠，化肥業)究竟怎麼賺錢？

第一章：戰爭沒帶走的五件事 ── 一張長線投資地圖

戰爭在法律或軍事意義上可以宣布結束，但在經濟的微觀結構裡，有些東西一旦被打破，就再也回不去戰前的樣子了。

對投資者而言，這些無法復原的改變，往往就是未來幾年的機遇。

改變一：油價的「地板」被往上抬了

很多人在停火後會直覺地認為油價應該跌回戰前的 65 到 70 美元。但現實是，油價現在像是被「錨定」在了 100 美元上下，價格依舊居高不下。

這背後隱含著一種「風險補償」心理。市場現在要求每桶油多出超過十美元的「額外溢價」來反映風險。即便最樂觀的預期下，布蘭特原油的新地板很可能也從 65 美元墊高到了 80 至 90 美元。

高盛（Goldman Sachs）在 2026 年 4 月底的最新報告中，直接將第四季布蘭特原油預測上調至 90 美元，這比戰前高出了近 30 美元。

即便到了 2027 年，美國能源資訊署（EIA）也已明確將均價預測上調至 76 美元，理由正是「重大供給中斷後需要極長的調整期」。

改變二：荷莫茲海峽的「保險溢價」結構性重設

這點是市場最容易忽略的技術細節。過去，油輪通過荷莫茲海峽的保費大約只有船體價值的 0.1%。但在戰爭最激烈時，租金甚至噴發到每天 80 萬美元。

雖然現在保費有所回落，但依然比戰前高出 8 倍。有些路徑一旦被標記為「危險」，即便威脅消失，保險公司也很難把定價調回原點。這種「政府兜底 + 私人加價」的模式，反而給了私人保險公司一個長期維持高價的藉口。對航運業來說，成本結構被永久性地推高了。

改變三：伊朗的能源出口能量被「物理性」削弱

過去我們討論伊朗，多半是在談「制裁」；但這次戰爭後，問題變成了「損毀」，也就是根本沒貨可賣。

這是一種極端的不對稱傷害。當 Qatar 的 LNG 工業城被擊中，減少了 17% 的產能時，這背後代表的是亞洲液化天然氣現貨價格 140% 的噴發。

伊朗的核心命脈受損程度更為慘重，修復可能需要三到五年。這個全球供應鏈上的「黑洞」，將在未來幾年持續支撐著能源價格。

改變四：核能的政治洗白：從安全威脅到安全資產

這是這場衝突中最反直覺的發展。隨著伊朗核設施被打掉，地緣政治的邏輯發生了 180 度的大轉變。現在的敘事變成了：「為了擺脫對脆弱海峽的依賴，我們需要核能。」

核能不再僅僅是環保議題，它成了終極的「能源安全避險」。

當 AI 資料中心對電力的渴求，遇上油價結構性的墊高，核能與鈾礦的投資邏輯就從原本的「小眾題材」變成了「多重利多共振」。

改變五：中東能源同盟的「結構性重組」

最後，我們正在見證中東能源同盟的結構性重組。UAE 退出 OPEC 是一個極具指標性的信號。

現在 Saudi Arabia 和 UAE 都在興建繞過荷莫茲海峽的管線與港口。這種「去荷莫茲化」引發了一場驚人的基礎設施競賽。這意味著未來幾年，中東會出現大量的 Capex（資本支出），而這些建設最終都要依賴西方的油田服務與大型工程公司。

和俄烏戰爭的不同？

關鍵差異在於供給衝擊的性質。2022 年主要是「改道」的問題，但全球供給本身並沒有被物理摧毀。

這次則是 17% LNG 產能被物理擊中，加上荷莫茲海峽的保險與物流成本被結構性重設。

這是一個多品種同步中斷的「全頻譜衝擊」。均值回歸的速度與幅度，很可能會比 2022 年慢得多。

補充視角：最大買家「中國」在做什麼？

中國正加速恢復購買俄羅斯海運原油，將其視為避開中東咽喉的「政治安全替代路線」。同時，中國正藉由一帶一路，加速將能源佈局往北非與中亞陸路轉移，並在國內擴建核電廠。

連全球最大的買家都在為「去荷莫茲化」的長期新常態做準備，恰恰印證了這場危機不是短期擾動。

「總經避險」（Macro Hedge）的思考

當能源價格的地板被實質墊高，通膨的「成本推動」壓力就會如影隨形。2026 年 5 月的現在，期貨市場甚至開始有聲音討論年底前「升息」的可能性。

在這種「輕度停滯性通膨」的陰影下，高油價將成為部份風險資產的逆風。配置相關產業，不僅僅是為了賺取超額報酬，它更是你整個投資組合中，用來對沖「降息落空」與「通膨反撲」最有效、也最便宜的戰略避險工具。

第二章：LNG ── 一個被戰爭「重寫劇本」的產業

在討論投資邏輯前，我們得先理解天然氣這東西有多「難搞」。

石油很好運算，裝進桶子、送上油輪，它到哪裡都還是那桶油。但天然氣是氣體，體積大、密度低，如果你想跨洋運輸，除非你有一條橫跨太平洋的巨型吸管，否則根本行不通。

為了把Qatar的天然氣運到日本，解決方案是：我們強行把天然氣冷卻到零下 162 度。在這個極低溫下，氣體會變成液體，體積瞬間縮小到原本的 1/600。這就是LNG（液化天然氣）。

這聽起來很酷，但代價是極其高昂的資本支出：

液化廠：你要在海邊蓋一座像小城市一樣的冷凍工廠，造價動輒 100 到 300 億美金，一蓋就是 5 到 7 年。
特製油輪：普通船不行，你要一艘像巨型保溫瓶一樣的船舶，一艘就要 2 億美金以上。
再氣化站：貨到了目的地，還得再蓋一座廠把它「加熱」變回氣體。

LNG 鏈條上的每一環都是高門檻、長週期的寡占市場。這意味著產能不可能「說漲就漲」，一旦某個環節斷了，市場就會立刻陷入恐慌。

2.1 戰前的劇本：原本大家都以為會「供給過剩」

如果你回到 2025 年底，問任何一個能源策略師：「LNG 接下來怎麼看？」他大概會毫不猶豫地告訴你：「這是一個無聊的市場，準備好迎接供給海嘯（Supply Tsunami）吧。」

當時的共識是這樣的：

美國：好幾個大型出口計畫（如 Golden Pass、Plaquemines）都預計在 2026 年全力運轉。
Qatar ：正在推動一項大型擴產計畫（North Field Expansion），打算一年再多塞 6500 萬噸的產能到市場上。
結論：供給會遠大於需求。牛津能源研究所當時預測，到 2027 年，全球供給會比需求多出 260 億立方公尺。白話文就是：天然氣太多了，價格準備跌破地板，這產業沒什麼想像空間。

2.2 戰爭如何「物理性」地撕掉那張卷子

這場戰爭對 LNG 的衝擊，可以用一個地名來概括：Ras Laffan。

它是Qatar 的工業心臟，全球最大的 LNG 生產基地。如果說Saudi是石油界的王者，那Ras Laffan就是 LNG 世界的「唯一皇冠」。

3 月 18 日，飛彈擊中了這裡，敲掉了Qatar 17% 的出口產能。Qatar能源公司隨後給出了一個評估：修復需要 3 到 5 年。這意味著原本要到來的「產能海嘯」不僅消失了，還變成了長期缺口。更慘的是，Qatar原本那個「巨型擴產計畫」也因為保險費噴發和區域風險而被迫停工。

我們來算一筆帳：國際能源署估計，到 2030 年，全球累計會少掉 1200 億立方公尺的供給。這個數字聽起來很抽象，其實它大約等於「整個歐洲一整年的 LNG 進口量」直接被抹掉。

即使美國現在拼命加班開產能，也補不上Qatar 留下的供給缺口。價格，注定要維持在高位。

2.3 需求面：歐洲與亞洲的「能源安全焦慮」被永久打開

這部分是 LNG 最被低估的長線邏輯：這是一個「越貴，需求反而越強」的產業。

5大巨頭財報，所有你要知道的事情 - KP思考筆記(第40期)

KP@FOMOSoc — Sat, 02 May 2026 03:06:45 GMT

大家好，我是 KP，歡迎來到第 40 期的《週末思考筆記》。

呼，這個星期是真的瘋狂。四大巨頭在同一天、同一時間公佈財報，這節奏簡直是想讓全球的分析師集體失眠。這兩天我盯著螢幕，看得頭都痛了(不是說笑，真的有點頭痛哈哈)。

面對這種資訊爆炸，最簡單的做法就是「看圖說故事」：Google大漲、Meta大跌，所以Google財報好，Meta令人失望。

但這種看著後視鏡開車的評論，對大家的投資實戰幾乎沒有任何幫助。

如果投資只是單純的「追強汰弱」，那這件事就太簡單了，我們只需要買入年初至今表現最好的股票，然後躺平就好。

另一種做法是列出滿屏的數據：營收多少億、EPS多少、毛利率變動幾個基點。

說實話，在AI時代，這些結構化的資訊隨處可見，你隨便問一下ChatGPT或Claude都能得到精準的清單，不需要我來轉載。

我希望在《思考筆記》中為大家做到的，是穿透數字的表象，去解讀背後的商業動機與敘事轉變。

真正的Alpha，往往藏在那些AI暫時還讀不懂的、關於未來方向的微小訊號裡。

公司在電話會議裡具體討論了什麼？管理層的語氣發生了什麼變化？更重要的是，市場的「敘事邏輯」（Narrative）是否正在發生位移？

這個星期其實還有很多極具參考價值的財報，像是Caterpillar、Eli Lilly、Qualcomm、Bloom Energy、SanDisk等等，很多都是我長期追蹤的口袋名單。

但請原諒我，這一期的思考筆記，我決定將火力集中在「五大巨頭」的財報總覽上。

因為這五家公司的動向，不僅決定了指數的走勢，更定義了當前科技產業的邊界與天花板。

我希望透過這份筆記，讓大家能完整、深度地掌握這五大巨頭財報中，所有真正值得你關注的核心邏輯。

讓我們撇除雜訊，回歸邏輯，看看這五大巨頭在這一季到底告訴了我們什麼：

主題一：當Meta的廣告機器碰上資本支出無底洞

主題二：Amazon 的雲端再加速，雲端一哥開始發力？

主題三：Microsoft 如何嘗試重覆 AI 的「Windows 時刻」？

主題四：Google 用一份完美財報擊碎所有 AI 質疑？

主題五：四大巨頭財報揭示的分歧與真相

主題六：Apple 最好的季度遇上最大的成本壓力

如果這份筆記為你帶了價值，不妨給我一個讚，會令我有更大動力!

主題一：當Meta的廣告機器碰上資本支出無底洞

這是一場關於「想像力」與「帳單」的博弈。

Meta的Q1財報其實非常漂亮，營收增長 33%，廣告業務跑出了 2021 年以來最快的增速，這在這種體量的公司身上簡直是奇蹟。但市場不買帳，原因只有一個：Zuckerberg又要「加錢」了。

事實上，Reels 的用戶時長增加了 10%，而驅動這一切的核心，正是那些藏在幕後的 AI 模型。Meta 的打法很傳統，也很有效：先用 AI 把家裡的「金雞母」（廣告業務）餵肥，再用賺來的錢去砸未來的夢想。

但問題就在於，這個「夢想」的帳單，漲得比想像中快。

資本支出的「誠信危機」？

Meta 把 2026 年的 Capex 預測上調到了 1250 億至 1450 億美金。這是一個什麼概念？這相當於他們一年要砸掉一個中等國家的 GDP 去買晶片、建數據中心。

市場最怕的不是你花錢，而是你「不知道還要花多少錢」。這已經是 Meta 連續幾個季度上調支出預期了。管理層的解釋很誠實：組件（尤其是記憶體）變貴了，而且我們發現 AI 算力這東西，就像黑洞，永遠填不滿。

對於華爾街那群算 Excel 的分析師來說，這簡直是噩夢。自由現金流（FCF）會被壓縮，利潤率會受壓。他們想要的是精確的 ROI（投資回報率），但 Zuckerberg 給的是一個「戰略願景」。

這些是為了支撐什麼？

訓練下一代模型，包括剛從 Meta Superintelligence Labs 推出的第一個模型，以及未來的 Llama 和 Muse 系列。
大規模推論部署，用於 Meta AI 助理、廣告投放優化、Reels 和動態消息的個人化推薦、購物體驗等等。

AI 有在賺錢嗎？

這是最弔詭的地方。答案是：有，但除了「廣告變好」之外，新的錢在哪裡？

在深入探討這個問題前，讓我們先解密三個由 Meta 自主研發的系統，正是 AI 投資已經產生實質回報的最強證據。

想像一下 Meta 過去的廣告系統，就像一個擁有數百個獨立銷售團隊的巨型商場。

「Reels 短影音」部門有一個銷售團隊，他們只懂怎麼在短影音裡賣東西。
「動態消息（Feed）」部門有另一個團隊，專精於圖文廣告。
「限時動態（Stories）」部門的團隊，則有自己的一套銷售心法。

這些團隊（也就是數百個獨立的 AI 模型）雖然各自都很努力，但他們之間幾乎不溝通。

Reels 團隊發現你對「露營裝備」感興趣，這個寶貴的資訊卻很難即時、有效地傳遞給動態消息團隊。

這就像一座數位世界的巴別塔，大家說著不同的「方言」，導致整個系統效率低下，大量的潛在商機在資訊孤島中流失了。

GEM (Generative Ads Recommendation Model)：

你可以將它理解為 Meta 廣告系統的「中央大腦」。它是一個基於 LLM 架構、專為廣告數據訓練的基礎模型，能學習用戶行為與廣告表現之間極其複雜的深層模式。

例如：「那些在週二晚上觀看寵物搞笑影片的用戶，在週末前更容易對寵物零食的廣告產生高轉化。」

GEM 的任務，就是利用這個無所不包的「上帝視角」，向 Lattice 鋪設的神經系統下達最精準的指令。

Lattice：

這是一個統一的框架，它將過去數百個分散在 Feed、Reels、Stories 等不同場景的獨立小模型，整合成更少、但更強大的模型。

它建立了一套通用的語言和框架，確保從 Reels 獲得的洞察，能夠無縫地應用於 Feed 和 Stories。這不僅提升了效率，還顯著降低了運算成本。

Adaptive Ranking Model：

有了「超級大腦」和「神經系統」還不夠，因為這個大腦運轉起來實在太昂貴了。

這就是「自適應排序模型」登場的時刻。你可以把它想像成一個極其精明、懂得看人下菜碟的「VIP 貴賓室總管」。

它的工作流程是這樣的：

快速掃描： 當一個廣告機會出現時（也就是當你滑動手機時），這位「總管」會先快速掃描一眼，做出初步判斷：「這位顧客看起來只是隨便逛逛，還是真的想買東西？」
分流處理：
- 如果判斷顧客只是「隨便逛逛」（轉化機率低），總管會指派一位普通、但效率很高的店員去服務（使用一個更小、更快、更便宜的 AI 模型）。
- 但如果總管一眼看出這是位「潛力大戶」（轉化機率高），他會立刻透過對講機呼叫店裡最頂尖的王牌銷售員（調用那個巨大、昂貴但極其精準的 GEM 大腦模型）來提供一對一的頂級服務。

這個「因材施教」的過程，就是「自適應」的精髓。它確保了 Meta 最寶貴的運算資源（那些昂貴的 AI 晶片算力）只用在最有可能成功的地方，極大地提升了 AI 的「投入產出比」。

這三個系統的結合，產生了驚人的化學反應。財務長 Susan Li 在財報會議上明確指出：

「在第一季，我們對 Lattice 的模型和學習技術進行了增強，加上我們 GEM 模型架構的進步，為登陸頁面瀏覽量廣告的轉化率帶來了超過 6% 的提升。」
「我們新的自適應排序模型……在第一季擴大了覆蓋範圍，為 Facebook 和 Instagram 主要版位的轉化率又帶來了 1.6% 的增長。」

這 6% 和 1.6% 的提升，就是解開謎題的關鍵。更高的轉化率意味著廣告主獲得更好的投資回報（ROI）。

當廣告主賺到錢，他們就願意為廣告支付更高的價格。這直接解釋了為何 Meta 的廣告單價能年增 12%，並貢獻了那驚人的 33% 營收增長。

互動指標同樣亮眼。Instagram Reels 的觀看時間增加 10%。Facebook 影片觀看時間季增 8%，是四年來最大的季度增幅。

Meta AI 在推出 Muse Spark 之後，每位用戶的對話次數有雙位數成長。WhatsApp 和 Messenger 上的商業 AI 每週對話量超過 1000 萬次，比年初成長了十倍。

「過去幾年的趨勢很清楚，我們在提升用戶互動和廣告主價值方面，看到了越來越高的回報。這鼓勵我們繼續大力投資。」

下一個變現位置在哪？

所以 AI 確實在創造回報。但這些回報全部體現在廣告業務的優化上，不是新的產品線。

Meta AI 訂閱服務，Agent 市場，企業級 AI 產品，任何可以獨立建模、證明基礎設施投資會產生廣告以外回報的東西，這些全部現在都沒有。

Q1 的 563 億美元營收，差不多全部都來自 Facebook 和 Instagram 上的廣告。Li 在電話會議上被問到商業 AI 的變現計畫，她的回答是：「目前是免費的，但隨著我們取得更多進展，我們預期會建立長期的變現模式，可能透過商務生態系統、抽成、或高級功能。」

不過，這是「未來應該會有」，不是「現在有」，甚至不是「我們已經在計劃」。

Zuckerberg 的願景講得很大：

「我們的目標不只是把 Meta AI 做成一個助理，而是打造能理解你的目標、然後日夜不停幫你達成的 agent。」

更糟的是，原本想用來加速「Agent（智能體）」戰略的收購案 Manus，竟然被中國政府攔胡了。

這筆 20 億美金的交易被迫逆轉，不僅是技術整合的麻煩，更暴露了 Meta 在 AI 全球佈局上的地緣政治風險。你想搞「全球個人超智能」，但現實世界的邊界比你想像中硬。

沒有給出的數字

市場最沮喪的地方，是 Meta 始終不肯給出清晰的投資報酬率預測。

他們說了很多正面訊號。Zuckerberg 說「我們看到越來越高的回報」。Li 拆解了具體的廣告系統改進和轉換率提升。他們強調自研晶片會降低長期成本，會「在運算效率上領先產業」。

但他們沒有具體的 ROI 目標，比如「我們預期這筆支出會有 15% 到 20% 的回報」。沒有回收期估算，比如「這會在三到四年內回本」。沒有清楚拆分「廣告收入成長有多少是直接來自 AI 基礎設施、多少是其他因素」。

為什麼不說？

因為回收期很長。資料中心和自研晶片要花好幾年才能完全折舊並產生回報，不像一般產品發布那樣可以快速看到效果。
因為回報是間接的。大部分好處體現在廣告效果的改善上，更高的互動帶來更高的廣告價格和數量。很難把「這 100 億美元的額外資本支出」跟「這 X 美元的增量營收」直接對應起來。
因為成本上升比預期快。既然承認了上調主要是因為記憶體價格和建設速度，做大膽的 ROI 承諾就更冒險了。

「相信我們，回報已經體現在更強的廣告和互動上，我們的自研晶片會讓效率更高。我們有信心這是正確的長期賭注。」

但他們不給市場想要的清楚數字：「我們花 1350 億，預期在 2028 年前產生 Y 的增量利潤，內部報酬率 Z%。」

對 Zuckerberg 意志力的「信仰測試」

現在的 Meta，正處於一個極其尷尬的「投入期」。

如果你還在用傳統的財務指標去衡量 Meta，那你可能會感到非常挫折。因為這家公司已經再次進入了「Zuckerberg 模式」：他不在乎短期的股價波動，也不在乎分析師對現金流的擔憂。

他看準了 AI 是未來的唯一門票，所以他會毫不猶豫地把廣告業務賺來的每一分錢，甚至更多，全部梭哈進去。

從當年的行動轉型、收購 Instagram，到後來燒掉幾百億美金的元宇宙（Metaverse），Zuckerberg 已經反覆證明了一件事：他是一個極度偏執的創始人，且他擁有絕對的控制權。他會一直燒錢，直到他贏為止，或者直到把錢燒光為止。

所以，現在要不要持有 Meta，本質上與它的廣告增長多少、EPS 超預期多少無關。真正的問題只有一個：

你願不願意相信 Zuckerberg 能搞起 AI？

Zuckerberg 顯然相信這是正確的賭注。「我們在自己的工作和整個產業看到的每個訊號，都讓我們對這筆投資有信心。」

市場顯然沒那麼確定，大家的反應是：你的廣告機器很棒，但我們需要看到這些錢花出去之後，會產生廣告以外的東西。

下一季財報，大概又會有人問同樣的問題。然後 Meta 大概又會給出同樣模糊的答案。然後資本支出指引大概又會往上修。

如果你買入 Meta，你買的是 Zuckerberg 那份近乎執拗的願景。他已經用行動告訴了全世界：

他會一直加碼，直到把 AI 的天花板捅破。

主題二：Amazon 的雲端再加速，雲端一哥開始發力？

Amazon上週交出了一份很好的財報，然後股價跌了幾個百分點。

這已經是 2026 年科技財報季的固定劇本了。數字打爆預期，股價先跌為敬，理由永遠是同一個：你花的錢太多了，我們不確定什麼時候能賺回來。

但如果你願意把視線從資本支出的絕對數字移開，這份財報其實藏著一個比營收超預期更重要的故事：Amazon正在從一家賣雲端服務的公司，變成一家更全面的公司。

重點是 AWS

AWS這一季的表現是過去幾年最好的一次。

營收 376 億美元，年增 28%，是過去 15 個季度以來最快的成長速度。超過市場預期的 366 到 369 億美元將近 10 億。環比增加 20 億美元，是 AWS 有史以來最大的 Q4 到 Q1 季度跳升。年化營收跑速現在是 1500 億美元。

營業利益 142 億美元，比去年同期的 115 億大幅成長，營業利潤率擴張到 37.7%。

「在這麼大的基數上成長這麼快，是非常不尋常的。」CEO Andy Jassy在電話會議上說。

這個成長速度的意義在於：AWS之前已經經歷過一輪優化週期導致的成長減速，從 2022 年的高峰一路降到中低雙位數。

現在重新加速到 28%，而且是在 1500 億年化基礎上，代表 AI 浪潮已經實質性地改變了整個平台的成長軌跡。

AI 在拉動核心雲端支出

這是電話會議上最重要但可能被低估的觀察。

「我們看到 AI 支出和核心成長之間有很強的相關性。當客戶在 AI 上花更多錢，我們看到核心服務的需求也相應增加。隨著客戶把更多 AI 工作負載投入生產，我們預期這個關聯會持續加強。」

Jassy進一步解釋：「AI 成長正在爆發，同時我們的核心業務也有非常顯著的成長。很大一部分原因是 AI 成長帶動了大量的核心成長，所有的後訓練、強化學習、agent的行動和工具使用，這些都在使用我們的核心服務。」

簡單來說，AI 工作負載不是孤島，它需要大量的數據存儲（S3）、資料庫、網路安全和運算架構。當客戶在 AWS上跑 AI模型時，他們會「順便」消耗更多的核心雲端服務。

這創造了一個自我強化的飛輪。更多 AI 生產 → 更多核心支出 → 更高黏著度和轉換成本 → 更多 AI 工作負載遷移到 AWS以獲得完整堆疊。

Jassy預期這個相關性會隨著 AI 從實驗階段進入規模化生產而持續加強。

自研晶片變成結構性護城河

這是這一季最大的戰略驚喜。Amazon已經從「我們有自研晶片」變成「我們有一個頂級的、規模化的、高利潤率的半導體業務，產能售罄，多年承諾鎖定」。

Graviton加Trainium加Nitro的晶片業務，年化營收跑速超過 200 億美元，年增三位數，Q1季增約 40%。

如果把這個業務當作獨立的商用晶片供應商（也就是對外銷售而不只是透過 AWS），跑速會接近 500 億美元。

「據我們所知，我們的自研晶片業務現在是全球前三大資料中心晶片業務之一。我們達到這個規模的速度是非凡的。」

OpenAI承諾透過 AWS 基礎設施消費大約 2 GW 的 Trainium 容量，用於前沿模型和進階工作負載，從 2027 年開始爬坡。

Anthropic將獲得高達 5 GW 的當前和未來世代 Trainium，用於訓練和推論進階模型。這是更廣泛的擴展合作的一部分，Anthropic承諾在未來十年內在 AWS 技術上花費超過 1000 億美元。

作為交換，Amazon正在額外投資高達 250 億美元在 Anthropic（50 億立即到位，加上高達 200 億與未來商業里程碑掛鉤），加上之前已經投資的約 80 億。

Meta則是承諾數千萬顆 Graviton 核心，用於 CPU 密集的 agent AI 工作負載——即時推理、程式碼生成、多步驟協調。

Graviton 提供比 x86 替代方案高達 40% 的性價比優勢。Jassy甚至暗示 Amazon 可能在「未來幾年內」開始向第三方銷售完整的 Trainium 機架，把晶片業務變成獨立的營收來源。

和競爭對手相比，Azure 在前沿工作負載上仍然高度依賴 Nvidia，成本基礎更高。Google 有強大的 TPU，但雲端生態系統更小，企業雲端廣度不足。Amazon控制了從設計到製造配額到雲端優化到軟體層的整個鏈條。

售罄的狀態和提前幾年的預訂證明需求是真實的，Amazon正在性能和經濟性上贏得份額。

可見性比市場意識到的更高

市場一直盯著 2000 億的 2026 年資本支出和由此導致的自由現金流崩塌（過去十二個月只有 12 億）。

AWS的剩餘履約義務（積壓訂單）在 Q1 末達到 3640 億美元，比上一季的 2440 億大幅上升。這個數字甚至還不包括最近宣布的超過 1000 億的 Anthropic 交易。

為什麼這能去風險化資本支出故事？資本支出通常在帳單開始前 6 到 24 個月落地。2026 年的 2000 億支出主要用於將在 2027 到 2028 年變現的資產。

3640 億積壓訂單（加上 Anthropic）提供了進入該變現期的合約多年可見性。

「我們不是在賭博投資……我們已經有客戶承諾了很大一部分，而且它將產生有吸引力的營業利潤率和投資資本回報率。」

Jassy直接反駁了「沒有可見性就建設」的說法。積壓訂單現在是過去十二個月營收的約 2.7 倍，比上一季的約 1.7 倍大幅上升。這是一個異常高的覆蓋比率，提供了科技業罕見的多年營收可預測性。

OpenAI 和 Anthropic 的意義

OpenAI整合進 Bedrock 也是一個直接的競爭勝利。在 Microsoft 獨家權鬆綁之後，OpenAI 的模型（包括新加入的 GPT-5.4，5.5 即將推出）現在可以在 Bedrock 中使用。Jassy稱之為「對客戶來說是大事，提供選擇」。

這把 AWS 定位為中立的、多模型雲端平台（OpenAI 加 Anthropic Claude 加 Amazon 自己的模型加其他），而不是被鎖定在一個供應商上。

Anthropic 的重度 Trainium 承諾強化了 AWS 作為兩個頂級前沿實驗室之一的主要訓練和推論家園，而超過 1000 億的支出承諾是整個 AWS 平台（不只是晶片）的巨大錨定租戶。

這是「高質的成長」

Amazon這次的 EPS 雖然包含了 Anthropic 的投資收益（非經常性損益），但其營業利潤率（Operating Margin）達到了創紀錄的 13.1%。

這代表即便在瘋狂投資 AI的同時，它的本業（電商效率提升 + 雲端規模效應）依然在瘋狂吐鈔。

Amazon 這份財報的核心訊息不是「我們 AI 做得很好」。

是「我們正在建造一個從晶片到雲端到軟體的垂直整合堆疊，有數千億美元的合約需求支持，而且我們才剛開始」。

當大家都在討論誰的 AI 模型更強的時候，Amazon 正在悄悄地把自己變成 AI 時代的基礎設施供應商，不只是運算和儲存，是連晶片都自己造的那種。

在 Q1 財報之前，Jassy在內部文件說到：「我認為 AI正在發生的事情意味著 AWS 有機會至少達到那個數字的兩倍。」他指的是 AWS 到 2036 年可能達到至少 6000 億美元的年化營收跑速，而他之前的長期預期是約 3000 億。

2000 億的賭注確實很大。但如果 Jassy 的 6000 億年化營收願景是對的，這可能是過去十年最有價值的基礎設施投資之一。

市場會繼續對短期自由現金流斤斤計較，但五年後回頭看，這一季可能是 Amazon 從「雲端領導者」變成「AI 基礎設施壟斷者」的轉折點。

當然，前提是他們的晶片真的像他們說的那麼好。目前的證據：售罄的產能、三位數的成長、OpenAI 和 Anthropic 願意把最關鍵的工作負載交給 Trainium，看起來是站在他們那邊的。

主題三：Microsoft 如何嘗試重覆 AI 的「Windows 時刻」？

微軟正在從一家「輕資產」的軟體公司，轉變為一家「重工業」的 AI公用事業。

當管理層在電話會議上反覆強調「產能受限」、計算單位變成「吉瓦（Gigawatt）」、甚至連 GPU 到貨後的部署時間都要精確縮短 20% 時，這場競爭的本質已經變了。

這不再只是代碼的對決，而是物理世界的圈地運動。需求跑得比供給還快，微軟正不計代價地在全世界蓋起 AI的「發電廠」。

「扣除 OpenAI」的真相

這次財報最有意思的細節之一，是微軟主動披露了「扣除 OpenAI」的數據。

就在財報公布前兩天（四月二十七日），微軟宣布了與 OpenAI 合作關係的重大調整。核心變化是：微軟不再向 OpenAI 支付營收分成；OpenAI 繼續向微軟支付約 20% 的營收分成，但現在有上限，且與 AGI 進展脫鉤；微軟的 IP 授權延長到 2032 年，但變成非獨家。

這看起來像是在清理一段複雜的關係。OpenAI正在準備 IPO，減少獨家綁定和財務依賴讓上市更乾淨。

微軟則拿到了更可預測的條款和更好的毛利率（不用再付出去的分成）。但這也意味著 OpenAI 現在可以把工作負載放到 AWS 或 Google Cloud 上。微軟不再是 OpenAI 唯一的雲端供應商。

所以微軟在財報中特別強調了「扣除 OpenAI」的表現：商業訂單年增 7%（如果算上 OpenAI 影響則是下降 4%）；剩餘履約義務（RPO，也就是訂單積壓）年增 26%（如果算上 OpenAI 則是 99%，但那個數字被 OpenAI 合約嚴重膨脹了）。

「我們擁有一個前沿模型，免版稅，所有 IP 權利我們都能使用到 2032 年，而且我們完全打算充分利用它。」

Nadella在電話會議上的這番話訊息很清楚：我們的成長故事不需要綁定在 OpenAI 的成功上。核心商業業務本身就很健康，這是一個重要的敘事轉向。

微軟正在從「為 OpenAI 提供動力的公司」轉變成「擁有企業 AI 平台的公司」。後者的故事更獨立、更可持續。

Copilot 的真正進展：不是座位數，是使用深度

關於 Copilot，市場過去一年一直有疑慮：企業買了授權，但真的有人在用嗎？投資報酬率在哪裡？這次財報給出了一系列的數字。

付費座位數：超過 2,000 萬（上季度是 1,500 萬，等於一個季度增加了 33%）。但更重要的是使用數據。每位用戶的查詢量：環比增長近 20%。每週參與度：現在與 Outlook 相當（這是一個非常高的標準，意味著很多人每天都在用，而不是偶爾試試）。月活躍使用量：年初至今增長了六倍。這代表着真正的工作習慣養成。

更值得注意的是規模化部署的加速。擁有超過 50,000 個 Copilot 座位的公司數量翻了四倍。

「這是我們自推出以來最快的成長。每週參與度現在和 Outlook 一樣高，越來越多用戶把 Copilot 變成習慣。」

這回答了「有人在用嗎」的問題。下一個問題是：這能轉化成多少營收增量？

微軟有大約 4.5 億個商業 Microsoft 365 座位。2,000 萬 Copilot 座位意味著滲透率大約 4% 到 5%。

以每位用戶每月 30 美元計算，這已經是相當可觀的增量營收，而且是在不需要獲取新客戶的情況下實現的。

財務長 Amy Hood 在討論 Microsoft 365 商業雲 19% 的營收成長時，明確提到「每位用戶營收增加」是由 Copilot 採用驅動的。這是微軟回答「如何在裝機量已經這麼大的情況下繼續成長」的最佳答案。

370 億美元的 AI 營收跑速

除了 Copilot 的使用數據，微軟這次還披露了一個更具份量的數字：AI 業務的年化營收跑速（run rate）達到 370 億美元，年增 123%。

這個數字涵蓋了 Azure AI 消費、Microsoft 365 Copilot、GitHub Copilot、Security Copilot、Bing AI 功能等所有 AI 相關的營收來源。

這是微軟首次如此高調地強調這個特定的年化數字，相較於過去更多是定性描述（例如「AI 為 Azure 成長貢獻了多少個百分點」），這次的披露明顯更具體、更有說服力。

市場對此反應不一。看多的人認為這是 AI 變現的里程碑，證明了 AI 不只是投資，而是真正開始產生可觀的營收。高盛等機構甚至把這一季視為 AI 執行的潛在轉折點。

但謹慎的聲音也不少。有分析師指出，這個數字某種程度上已經被「定價」進去了，市場想看到的是加速度，是更清楚的證據顯示巨額資本支出的回報正在加速實現。

從助手到代理：真正的戰略賭注

但 Copilot 的座位數可能不是最重要的故事。更重要的是微軟正在把 Copilot 從一個「聊天助手」變成一個「代理平台」。

這個轉變在本次財報中被反覆強調。管理層提到：90%的財富 500 強公司現在有「活躍的代理」在運行。新推出的 Copilot Cowork 功能讓 AI 可以處理跨多個應用程式的多步驟、長時間運行的任務，不再只是單次對話。

過去你可能要分五次指令叫 AI 寫郵件、查報表、排會議。現在的「代理」功能可以處理跨應用程式、多步驟的長任務。它更像是一個「數位員工」，你交辦一個專案，它會自己去 Teams 找對話、去 Excel 抓數據、最後在 Outlook 發出通知。

AI 最怕說空話。微軟提到他們正在利用組織內部高達 17 EB（艾位元組）的數據（郵件、會議記錄、文件等）來訓練這些代理。

這意味著 AI不再只是拿網路上的公開資料應付你，而是擁有你們公司的「集體記憶」，它做出的決策會精準符合公司的實際情況。

「我們正處於最具影響力的平台轉變之一的開端，代理將成為主導的工作負載，改變整個技術堆疊。」

微軟不只想賣你 Office 軟體，它想成為所有「AI 員工」運行的作業系統。這種轉變一旦完成，客戶對微軟的依賴將從「好用的工具」變成「不可或缺的基礎設施」，這才是微軟敢於砸下千億美金資本支出的底氣所在。

從「賣座位」到「賣電力 (Seats + Usage)」

那麼，如何為一個 24 小時不休息的「數位員工」定價？如果僅僅是每人每月 30 美元，無疑是低估了 AI 代理所創造的巨大價值。

這引出了本次財報中，最具戰略意義的轉變：微軟正在從純粹的「按席位收費（Per-Seat）」模式，進化為「席位 + 使用量（Seats + Usage）」的混合模式。

Satya Nadella 在電話會議上說得非常清楚：

「我們任何按用戶收費的業務，無論是生產力、編碼還是安全，都將轉變為一個『按用戶 + 按使用量』的業務。」

這意味著什麼？

基礎席位費（Per-Seat）：客戶依然需要為每個用戶購買基礎授權，這提供了可預測的收入基礎，也給了客戶使用 AI 功能的「入場券」。
使用量計費（Usage/Metered）：在此之上，當 AI 的使用強度超過某個閾值，例如，AI 代理執行了大量自動化任務，處理了海量數據，客戶將需要支付額外的「使用費」，就像支付電費一樣。

GitHub Copilot 將從 2026 年 6 月 1 日起，全面轉向基於使用量的定價。
Dynamics 365 客戶服務中，已有近 60% 的客戶正在購買基於使用量的額度，讓 AI 代理來處理客戶工單。

這個轉變是微軟 AI 變現戰略的點睛之筆。它讓微軟不僅能從「授權 AI 工具給人類員工」中賺錢，更能從「AI 代理本身完成的工作」中獲取持續的、高利潤的收入。

這使得巨額的資本支出（AI 發電廠）與營收（賣電力）之間，建立起了直接且極具彈性的聯繫。

平台轉變的中場

微軟這份財報的核心訊息不是「我們業績很好」。

是「我們 AI 的增長很好，並且我們正在為一個 OpenAI 不再是獨家引擎的世界做準備，同時建立自己的 agent 平台優勢」。

從「扣除 OpenAI」的強調，可以看出他們在建立更獨立的敘事。從 Copilot 使用數據的披露，可以看出他們在證明 AI 不只是炒作。從代理平台的佈局，可以看出其長遠的眼光。而從「席位+使用量」的商業模式轉變，我們則看到了它將這一切變現的清晰路徑。

但從自由現金流的壓力和毛利率的下滑，也可以看出這場轉型的代價。這是平台轉變的中場。方向清楚，執行到位，但回報還沒有完全顯現。

主題四：Google 用一份完美財報擊碎所有 AI 質疑？

在這輪的巨頭財報中，Google成為了表現最亮眼的一家。因為它回答了過去兩年投資者最大的疑問：Google 砸下去的那些 AI 錢，到底有沒有在賺回來？

答案現在很清楚了：有。而且速度比大多數人預期的快得多。

雲端業務的爆發：不只是小基數效應

Google Cloud 本季營收達到200億美元，年增63%。這個數字遠超分析師預期的 48% 到 50%，也是 Google 首次單季雲端營收突破 200 億。

有人會說，這不就是小基數效應嗎？AWS 的體量是 Google Cloud 的兩倍多，當然成長率會比較慢。這個說法有一定道理，但忽略了更關鍵的訊號。

根據財報電話會議的內容，「企業 AI 解決方案」首次成為 Cloud 的主要成長驅動力。這是歷史上第一次。以前 Cloud 的成長主要靠基礎設施（運算、儲存、網路），現在是AI在拉動一切。

基於 Google 生成式 AI 模型的產品（主要是 Gemini 系列）年增長接近800%。這不是增量成長，這是數量級的跳躍。
Gemini Enterprise（企業版 Gemini）的付費月活躍用戶季增40%。已經有超過2,800家公司、800萬以上的付費席位在使用。新簽客戶包括 Bosch、Merck、Mars、花旗財富管理等大型企業。

Gemini Enterprise 的強項則是讓企業建立自己的 AI 代理，處理跨系統、多步驟、長時間運行的複雜任務。它和 BigQuery 的深度整合尤其強大，如果你有大量數據需要用 AI 來分析和自動化決策，Google 的方案可能更合適。

Google Cloud 在絕對規模上仍然是三大雲裡最小的：市占率大約 11% 到 14%，而 AWS 約 30%、Azure 約 23-25%。但 Google 在「AI 專屬工作負載」這個類別上成長最快。這是最重要的區隔。

在過去 12 個月裡，有 330 家 Cloud 客戶各自處理了超過一兆個 token，其中 35 家達到了 10 兆 token 的里程碑。

最有趣的一個信號是：管理層說他們目前是「運算受限」的，意思是如果有更多產能，營收會更高。

搜尋沒有死，反而在被 AI 增強

這是最讓市場驚訝的部分。在AI時代，很多投資人擔心生成式 AI 會摧毀 Google 搜尋。

這一季的數字給出了相反的答案。搜尋與其他營收達到604億美元，年增19%，查詢量創下歷史新高。Pichai 在電話會議上說：

「用戶喜歡我們的 AI 體驗，比如 AI Mode 和 AI Overviews，他們因此更頻繁地回到搜尋。」

這是一個非常重要的訊號。Google 沒有把 AI 當成和搜尋競爭的威脅，而是把它整合進搜尋本身。

AI Overviews 在搜尋結果頂部提供摘要，AI Mode 允許多輪對話式搜尋。這些功能讓搜尋能處理更複雜的問題，創造了過去不存在的搜尋場景。

全棧優勢：為什麼 Google 能同時在多條戰線獲勝

「全棧」（full-stack）這個詞在財報電話會議裡出現了很多次。這是理解 Google AI 策略的關鍵。

Google 是極少數同時控制 AI 價值鏈每一層的公司：它有自己的晶片（TPU，現在已經到第八代），有自己的前沿模型（Gemini），有自己的平台和工具（Vertex AI、Agent Platform），有龐大的消費者分發管道（搜尋、YouTube、Android），還有超過 3.5 億的付費訂閱用戶。

這形成了一個飛輪：搜尋數據讓 Gemini 模型更好 → 更好的模型讓搜尋體驗更強 → 更強的搜尋吸引更多用戶 → 更多用戶產生更多數據。同時，更好的模型和基礎設施讓 Cloud 更有競爭力。

「我們在市場上是獨一無二的，因為我們有垂直整合的 AI 技術棧，我們共同開發從基礎設施、模型到平台、工具、應用和代理的所有組件。」

而這次財報，讓這個「全棧」優勢獲得了最重大的升級。

過去，Google 的自研 TPU 晶片被視為一個內部工具，用來提升自家服務和雲端產品的效率與效能。現在，情況完全不同了。

Q1 2026 的電話會議標誌著一個關鍵的策略轉變：Google 現在開始直接對外銷售它的晶片。

他們證實，已經開始將最新發布的第八代 TPU（用於訓練的 TPU 8t 和用於推論的 TPU 8i）直接交付給外部客戶，安裝在客戶自己的資料中心裡。這無疑是對 NVIDIA 在 AI 加速器市場主導地位的直接挑戰。

這種從「TPU 作為雲端差異化優勢」到「TPU 作為獨立產品」的轉變意義深遠。 首先，它驗證了 Google 的技術實力，因為頂尖的 AI 實驗室和金融機構等高階客戶願意直接採購其硬體。

更重要的是，它開闢了一條全新的、潛在高利潤的硬體收入來源，管理層預計這部分營收將在 2027 年開始變得「有意義」。

微軟有強大的生態系鎖定，但它的基礎設施經濟效益不如 Google 的自有晶片。AWS 有最高市佔的雲端，但它的模型和消費者分發能力不如 Google。

這個全棧優勢正在轉化為實際的財務表現：Cloud利潤率從一年前的 17.8% 躍升到 32.9%，幾乎翻倍。

訂單積壓的含義

4,620 億美元的訂單積壓是這份財報裡最誇張的數字之一。這個數字從上季的約 2,300 億美元暴增到超過4,620億美元，幾乎翻倍。其中大約一半預計會在未來 24 個月內轉換成營收。

這代表幾件事：

第一，企業正在簽訂更大、更長期的 AI 合約。
第二，需求明顯超過供給。積壓成長這麼快，正是因為很多公司想要的產能比 Google 目前能提供的更多。
第三，這正當化了更高的資本支出。管理層可以放心地把 2026 年 capex 指引上調。
第四，它給投資者極高的可見度。

值得注意的是，Google Cloud 的積壓現在比 AWS（約 3,640 億美元）還高。這是第一次。

資本支出：這次沒有嚇到市場

Google 把 2026 年的資本支出指引提高到 1,800 億到 1,900 億美元，並且暗示 2027 年會「顯著更高」。

這是天文數字。但這次市場的反應是正面的。原因很簡單：4,620億美元的訂單積壓給了投資人信心。

而市場之所以欣然接受，不僅僅是因為雲端積壓訂單，更是因為投資者現在看到了這筆支出的「雙重目的」：

滿足 Google Cloud 壓倒性的 AI 服務需求。
為一個全新的高利潤硬體業務：TPU 直接銷售，建立庫存。

當市場意識到這筆龐大的資本支出，一部分是在資助一個 NVIDIA 的直接競爭對手，並且預期在 2027 年就能帶來營收時，這筆開銷的性質就從「營運成本」轉變為「對新成長引擎的戰略投資」。

兩條不同的 AI 變現路徑

這一季的財報讓 Google 和微軟的策略差異變得非常清晰。

微軟走的是「Copilot 驅動」的路徑：把 AI 嵌入現有的生產力工具（Microsoft 365、Teams、Excel），靠生態系鎖定來變現。

而 Google 走的是「全棧 + 搜尋 + 代理」的路徑：同時在基礎設施、模型、平台、應用、搜尋等多個層面變現。

這不是誰對誰錯的問題，而是兩種可行的大規模 AI 變現模式。從這一季的數字看，Google 證明了它可以同時在搜尋和 Cloud 兩個地方成功變現 AI，這是很少有公司能做到的事。

風險沒有完全消失

當然，這份財報不是沒有隱憂。最大的近期風險是資本支出的規模。即使市場這次接受了更高的指引，如果未來幾季的成長放緩或利潤率壓縮，投資人的耐心會很快消失。

長期風險仍然是搜尋。即使目前 AI 正在增強搜尋，但如果未來用戶大規模轉向獨立的 AI 助手，這個增強效應可能會逆轉。

估值風險也不能忽視。這支股票在過去一年多已經大漲，市場現在對它的期待非常高。

敘事轉變

這份財報最大的意義不是數字本身，而是它改變了市場對 Google 的看法。

以前的敘事是：「成熟的 Search 公司，有一個不錯的 AI 副業。」現在的敘事是：「擁有多個 AI 驅動加速成長引擎的全棧 AI 平台公司。」

這個敘事轉變支撐了更高的估值倍數，但也意味著未來每一季都需要持續證明這個故事是真的。

投資者現在的賭注是：這只是開始，更多的營收和利潤會隨著 AI 滲透而繼續加速。Google 用這季的數字贏得了市場的信任。

接下來的問題是：它的成功能達到多高的高度？

主題五：四大巨頭財報揭示的分歧與真相

四大巨頭都詳細分析了，我們嘗試將點連成線，將鏡頭拉遠一點。

營收超預期，EPS都超預期，這些已經不是新聞了。真正的重點是：6500 到 7250 億美元。這是四家公司 2026 年資本支出指引的加總。而 Alphabet 已經預告 2027 年會「顯著更高」。

這是正在發生的事實，科技史上最大規模的集中投資正在進行中，而市場對這筆投資的判決已經開始出現明顯分歧。

共識：AI 基礎建設是生存門檻

四位CEO用了幾乎相同的框架來解釋這筆支出：必要的、加速中的、最終會創造價值的。

Microsoft CFO Amy Hood：「我們對這些投資的回報保持信心。」
Meta 的 Zuckerberg：「我們在自己的工作中和整個產業看到的每一個跡象，都讓我們對這筆投資有信心。」
Alphabet 的 CFO Anat Ashkenazi：這些支出的大部分用於支持「全公司的 AI機會」。

Amazon CEO Andy Jassy 說得最直白：這是「一生一次的機會」。共同的結論是：在 AI 運算、網路、和電力基礎設施上投資不足的風險，大於投資過度的風險。

這不是 2022-2024 年的語言。那時候，同樣這些公司在財報電話會議上反覆強調「紀律」、「效率」、「回報門檻」。現在的語言完全不同了。從「我們必須花錢才能保持競爭力」變成「這是我們這個時代最關鍵的投資」。

而 2026 年第一季的財報，為這個論點提供了迄今為止最強力的證據，證明 AI 需求不僅真實，且正在加速變現，從而極大地緩解了市場對「AI 泡沫」的擔憂。

Google Cloud年增 63%，達到 200 億美元，是這個業務獨立報告以來最快的成長率。
AWS年增 28%，達到 376 億美元，是 15 個季度以來最強的成長。
Microsoft Azure年增約 40%，小幅超過預期。

當公司在看到如此強勁的真實需求和已簽訂的長期合約後，才決定進一步加碼數千億美元的資本支出，這就不是「泡沫行為」，而是理性的商業擴張。AI 工作負載已是三大公有雲的入場券和主要成長引擎。

分歧：市場開始區分贏家和落後者

然而，儘管賭注一致，市場的判決卻涇渭分明。財報發布後，四家公司的股價走勢，揭示了投資者眼中更深層的邏輯：

AI 支出的變現能見度。

最大的贏家無疑是Alphabet (Google)。

高達 4600 億美元的 Google Cloud 積壓訂單（backlog），意味着這不是虛無縹緲的 AI 炒作，而是已經簽訂的、未來 24 個月內將逐步轉化為超過 2300 億美元收入的白紙黑字。

這是四巨頭中，唯一一家提供了如此清晰、可量化的證據，證明其 AI 基礎設施投資正在直接轉化為客戶的長期合約。市場獎勵的是這種確定性。

市場反應最為慘烈的，是Meta。

儘管營收超預期，但其資本支出的再次上調，卻引發了投資者的恐慌，導致股價重挫。原因很簡單：Meta的 AI 支出，主要用於其內部廣告系統、Reels 推薦算法等，缺乏像 Google Cloud 那樣清晰直接的外部收入來源。

在投資者看來，這筆錢更像是投入一個「內部黑箱」，疊加其元宇宙業務 Reality Labs 持續的巨額虧損（累計已超 830 億美元），市場的耐心顯然正在被消耗。市場的反應傳達了一個關鍵信號：在當下，並非所有 AI 資本支出在投資者眼中都是平等的。

處於中間地帶的是Microsoft和Amazon。

Microsoft的雲端增長穩健，但被市場解讀為「僅僅是微幅超越預期」，投資者似乎在等待其龐大的 Copilot 佈局能轉化為更驚人的獨立 AI 服務收入。

Amazon的 AWS 則憑藉 15 個季度以來最快的增速，上演了一場精彩的「王者歸來」，證明其在 AI 浪潮中並未掉隊，但市場仍在評估其近 2000 億美元的 Capex 能否帶來超越雲端本身軌跡的額外回報。

接下來會發生什麼

這些財報指向三個會定義未來 12-18 個月的近期動態。

第一，資本支出繼續升級，利潤率面臨壓力。

Alphabet 明確預告 2027 年的支出會比已經提高的 2026 年水平「顯著更高」。折舊和資料中心營運成本（特別是能源）將在所有公司中上升。

Alphabet 的 CFO 警告說，基礎建設投資「將繼續以更高的折舊費用和相關資料中心營運成本（如能源）的形式對損益表造成壓力」。

然而，這份財報也同時證明，這些巨頭完全有能力承受這筆支出。它們擁有巨大的現金流來自我資助，並透過其他業務的效率提升（如 Meta 維持全年費用指引不變）和多元化的現金牛業務（如 Amazon 的零售、Microsoft 的企業軟體）來提供緩衝。

第二，能源和供應鏈的現實。

建設的規模已經在和物理限制碰撞。Meta 明確提到更高的記憶體價格是其資本支出上調的驅動因素。

所有四家公司都在積極追求核能和其他穩定電力解決方案。財報電話會議沒有深入討論這一點，但資本支出指引隱含地假設這些能源挑戰會被解決。

科技巨頭的巨額支出，為整個上游供應鏈創造了一個穩定且長達數年的需求信號。

第三，進入「證明給我看」階段。 財報後不同的股價反應揭示了我們已經進入了一個新階段：證明回報。

Alphabet 的雲端加速為它買到了可信度。Meta 更不透明的路徑招來了懷疑。Microsoft 和 Amazon 處於中間，可信但在增量 AI 變現上還不夠有說服力。

「我們對這些投資的回報保持信心」

這些現在是正式的、記錄在案的承諾。這些公司已經從「我們認為這會有回報」變成「我們有信心這會有回報」。

如果 AI 服務營收的加速與支出一致，管理層的可信度就會上升。如果落後，這些引言就會變成負債。

結構性轉變

從長期來看，這些財報強化了兩個結構性轉變：

超大規模雲端公司正在鞏固的不只是軟體的權力，還有 AI 的物理層，晶片、資料中心、電力。
競爭版圖正在圍繞誰能最有效地把原始運算轉化為差異化、可變現的 AI 產品和服務來重新繪製。

Google 在雲端 AI 加速方面的早期領先讓它今天佔有優勢。但 Microsoft 的企業分銷能力和 Amazon 的多元化現金流仍然是強大的競爭優勢。

已被定價的現實：當下的市場共識

但作為一個投資者，我們必須明白一個現實：這一切，都已是歷史。

市場是最高效的資訊處理器，Google 的勝利、Meta 的困境，都已在財報發布後的一日內，迅速反映在其股價之上。真正的問題是：在當前的價位上，市場織入了多少樂觀或悲觀的預期？以下是針對四巨頭，我們應該思考的下一步：

對 Alphabet 的賭注：它能否超越「完美」？

當所有好消息都已被定價，它還能帶來什麼驚喜？TPU 晶片除了作為一個技術亮點，它能否成為一個真正貢獻數十億美元營收的業務？你是在為一個已經跑在最前面的選手下注，賭他能把紀錄再次刷新到不可思議的高度。

對 Meta 的賭注：一場高風險的「困境反轉」

它的 AI 投入，能否在廣告之外，找到一個讓市場信服的變現故事？例如，在 WhatsApp 或 Messenger 上推出能帶來實質收入的企業級 AI 助理服務。這是一個典型的逆向投資賭注。你賭的是市場的「過度反應」和公司可能帶來的「意外驚喜」。

對 Microsoft & Amazon 的賭注：誰能率先「破局」？

這兩位穩健的巨人，誰能率先打出一張「王炸」，打破當前「Google領跑」的格局？Copilot 的付費用戶數和營收，能否繼續爆發上升，是 Microsoft 能否證明自己 AI 戰略成功的關鍵。而 AWS 28% 的增速是曇花一現，還是一個新增長週期的開始？

結語

2026 年第一季的財報，並未終結關於 AI 超級週期回報率的辯論，但它讓兩件事變得無比清晰：

這場豪賭已無退路。龐大的資本支出，已成為科技巨頭保持「入場資格」的基線成本。
市場已開始用「變現能見度」來區分贏家和輸家，而不僅僅是野心。

四大巨頭集體下了科技史上最大的集中賭注。未來 12-24 個月將決定這個賭注是創造持久的新利潤池，還是只是讓數位經濟的成本基礎膨脹。

主題六：Apple 最好的季度遇上最大的成本壓力

如果你想知道一家公司如何能將「賺錢」這件事做到極致，甚至變成一種乏味的藝術，你只需要看Apple最新一季的財報。

寫完四家巨頭瘋狂地花錢後，我們來談談在這次AI浪潮中，最冷靜的Apple。

營收1,112 億美元，年增17%，史上最強的三月季度。iPhone營收創下三月季度紀錄。Services營收創下歷史新高。EPS年增22%。營運現金流超過280 億美元，又是一個紀錄。每一個地理區域都是雙位數成長。大中華區更是暴漲28%，創下季度營收紀錄。

數字背後的故事

首先，拆解這台「完美印鈔機」的四大引擎：

iPhone 17的「非凡需求」：這是整個故事的核心。iPhone營收年增22%，達到驚人的570 億美元。執行長 Tim Cook 反覆強調，這是蘋果史上「最受歡迎的產品線」。這證明了蘋果在高端市場的定價權與品牌忠誠度，依然無人能敵。它不是一個產品，它是一個獨立的經濟體。
服務業務的「永續長城」：服務營收突破310 億美元，再創歷史新高。這條高達76.7%毛利率的業務線，是蘋果最堅固的護城河。它建立在超過25 億台活躍設備的龐大基礎上，每一次 App Store 購買、每一次 iCloud 訂閱，都在為蘋果帝國添磚加瓦。這是一個不會因單一硬體銷量波動而輕易動搖的穩定器。
大中華區的「王者歸來」：在經歷了一段時間的市場雜音後，大中華區營收暴增28%，創下季度紀錄。這不僅僅是數字上的勝利，更是對「蘋果在中國市場是否失寵」這一疑問的強有力回擊。從 iPhone 到 Mac，蘋果的產品在中國市場依然是頂級的暢銷品。
對股東的「極致寵愛」：在宣布創紀錄業績的同時，蘋果拋出了1000 億美元的股票回購計畫，並將股息提高了4%。這傳遞了一個極其清晰的信號：公司對自身的未來充滿絕對信心，並且擁有龐大到難以置信的現金流來回饋股東。

改變原則的啟示

不過，有趣的是，蘋果還悄悄進行了一項更為深遠的財務策略轉變：正式揚棄已實行多年的「淨現金中性」（Net Cash Neutral）目標。

過去，這項目標是蘋果的一種自律，旨在將公司帳上龐大的淨現金（現金減去債務）降至零附近，主要方式就是透過巨額的股票回購。自 2018 年以來，蘋果已因此向股東返還了超過一兆美元。

但現在，CFO Kevan Parekh 表示：「我們相信獨立評估現金和債務是現在正確的做法。」這意味著什麼？

蘋果正在從一個「規則導向」的理財模式，轉向一個更具彈性的「機會導向」模式。

他們不再被「淨現金必須歸零」的教條束縛，而是可以根據經濟環境，做出更優的決策。這給予了公司巨大的戰略空間：

為 AI 時代儲備彈藥：可以更從容地持有大量現金，以應對 AI 基礎設施和研發的鉅額投資。
為潛在收購保留彈性：若市場上出現合適的大型收購目標，蘋果將有更大的操作空間。
賦予新 CEO 更大靈活性：這也是為即將接任的 CEO John Ternus 鋪路，讓他擁有更靈活的資本配置權力。

最關鍵的是，蘋果在宣布這項轉變的同時，又批准了 1000 億美元的回購。傳達的信號非常明確：「我們將繼續大規模回饋股東，但同時我們也需要更大的靈活性，為下一個十年的成長做出最優的長期決策。」

記憶體成本：繼續讓人頭痛的問題

然後是這份財報裡最值得關注的風險訊號。Apple 說記憶體成本在三月季度已經上升，六月季度會「顯著更高」，而且：

「超過六月季度，我們相信記憶體成本會對我們的業務產生越來越大的影響。」

這是 Tim Cook 的原話，非常少見的直白。反映在指引上：下一季毛利率指引47.5% 到 48.5%，比這季的49.3%明顯下降。產品毛利率在三月季度已經環比下降了200 個基點。

為什麼記憶體成本會上升？這和整個產業的 AI需求有關。DRAM 和 NAND 的需求因為 AI 伺服器和高效能運算的爆發而大幅增加，供應跟不上，價格就漲。Apple 的 iPhone、Mac、iPad 都需要大量高階記憶體，直接受到影響。Apple 說他們「正在評估一系列選項」，但沒有給任何具體細節。

供應限制：好問題和壞問題

供應限制是另一個反覆出現的主題。三月季度的限制主要在 iPhone 和部分 Mac，主要原因是先進製程晶片的產能不足。六月季度的限制會轉移到 Mac，特別是 Mac mini、Mac Studio、和 MacBook Neo。Cook 說了兩個有趣的原因：

第一，Mac mini 和 Mac Studio 被認為是很好的 AI 和代理工具平台。「客戶對這一點的認知比我們預期的更快。」

第二，MacBook Neo（Apple 新推出的入門級筆電）的市場反應「off the charts」遠超預期。三月季度 Mac 吸引了創紀錄數量的新客戶，部分原因就是 Neo。

Cook 說 Mac mini 和 Mac Studio 可能需要「好幾個月」才能達到供需平衡。從投資者的角度看，這是好問題。需求超過供給，代表產品很受歡迎。

執行長交接：低調但有意義

這次財報電話會議有一個特別的來賓：John Ternus。十天前（四月 20 日），Apple 宣布 Tim Cook 將在九月卸任 CEO，由 Ternus 接任。這是 Ternus 在公告後第一次公開亮相。

他強調會繼續 Cook 的「深思過慮、審慎、紀律」的財務決策風格。他預告 Apple 有「令人難以置信的產品路線圖」，說這是他在 Apple 25 年職涯中「最令人興奮的時刻」。

一位分析師問 Cook 會給 Ternus 什麼建議。Cook 的回答是：

「永遠不要忘記 Apple 的『北極星』：做出世界上最好的產品，豐富人們的生活。如果決策圍繞這個原則，就會產生偉大的事業。」

整個交接的氛圍非常平穩、低調、專業。

AI：投資在增加，細節還在保密

分析師在電話會議上反覆追問 AI 相關的問題。代理式 AI（agentic AI）會如何影響智慧型手機？Apple Intelligence 的變現時間表是什麼？

Apple 的回答非常一致：我們不討論未來的產品路線圖。Cook 唯一透露的是：「我們顯然在投資更多，這從我們的營運支出數字可以看出來，特別是 R&D。AI 是 Apple 的重要投資領域。」

換句話說：錢在花，東西在做，但你要等 WWDC（六月初）才會知道具體是什麼。

下一季指引與 WWDC 期待

Apple 對六月季度的指引：

營收年增14% 到 17%。
毛利率47.5% 到 48.5%。

營收指引依然強勁，代表即使有供應限制和記憶體成本壓力，需求依然健康。毛利率下降是預期中的，主要反映記憶體成本的影響。

總結來說，這是一份展現了蘋果「肌肉記憶」的財報：無懈可擊的執行力、強大的產品週期、以及對未來挑戰的坦誠。

iPhone 17 與服務業務這兩大支柱依然穩固得令人敬畏。但同時，記憶體成本的逆風和供應鏈的持續緊張，也預示著蘋果的「輕鬆賺錢」模式將面臨考驗。

所有人的目光，現在都投向了即將到來的 WWDC 開發者大會。屆時，蘋果將如何揭示其 AI戰略的下一步，將決定這艘巨輪能否在繼續保持航向。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。
我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。
另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。
同時，如果想開戶的話，可以考慮用我的富途/口袋證券獨家推薦碼，會有更多優惠。
全部資訊在以下鏈結：
https://linktr.ee/fomo_soc
另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!
· KP

AI點燃被動元件？MLCC、鉭質電容與TLVR電感是甚麼？這次不一樣？-深入分析第45期：被動元件

KP@FOMOSoc — Wed, 29 Apr 2026 10:15:57 GMT

寫在前面：關於這篇文章與它的限制

這個題目來自付費訂閱者的提名和投票。被動元件不是最主流的產業，大多數投資人連電容、電感、電阻都分不清楚，更別說 MLCC 為什麼有分高低階。

能收到這樣的題目我很開心，它逼我去鑽研一個平常絕對不會主動碰的領域，先謝謝提名和投票的朋友。

但也因為這個產業不是最主流，我必須先把這篇文章的定位講清楚，避免讀者期望錯位。
這是一篇純產業分析，而非個股推薦。我不會提供目標價，也不會討論任何個股的合理本益比。

原因很單純：除了村田這種規模的巨頭，被動元件圈內的多數玩家，都是相對利基（niche）的標的，賣方覆蓋有限、流動性與資訊透明度都比不上半導體大廠。

對這類公司做精細估值，意義不大也風險不小，這不是我擅長、也不是我願意給訂閱者的東西。

我更願意做的事，是幫你建立一張產業地圖。

讓你在打開任何一份被動元件公司的財報、看到任何一則「MLCC 漲價」的新聞時，能立刻知道它落在地圖的哪個位置、屬於哪一層的故事、應該用什麼框架去解讀。

這篇文章將帶你走過四段旅程：

第一段（第 1-2 章）——認識被動元件這個產業，以及它過去三次週期教給我們的事。

第二段（第 3-4 章）——AI 伺服器為什麼讓這個產業「變得不一樣」，以及高階 MLCC 的護城河。

第三段（第 5-6 章）——鉭質電容的壟斷暴利，和 TLVR 電感的混戰。這是兩個性格完全相反的故事。

第四段（第 7-8 章）——主要受惠者地圖，以及這個多頭故事可能在哪裡出錯。

第一章：什麼是被動元件？——你每天都在用，但從來沒注意過的東西

1.1 主動 vs 被動：電子世界的「引擎」與「煞車」

要理解被動元件，最快的方式是先認識它的反面：「主動元件」。

CPU、GPU、記憶體等晶片是主動元件，負責運算與處理資訊。相對地，被動元件「不自己產生能量」，只負責消耗、儲存或釋放能量。

如果把 AI 伺服器比喻成一台超跑，GPU就是那顆核心引擎。但如果沒有避震器、煞車和機油濾網，車子也會在第一個彎道失控。

被動元件，就是電子世界裡的煞車與避震器。

它們無所不在，你的手機裡有上千顆，但在 AI 狂潮爆發前，因為體積太小、太便宜，幾乎沒人注意過它們。

從投資角度來看，被動元件分為三大家族，但它們的地位截然不同：電容器（佔據 40-60% 市場，絕對主力） > 電感器 > 電阻器。

1.2 三大家族：誰才是 AI 時代的主角？

我不在這裡講述太多技術上的東西，簡單地了解一下被動元件中的三大主角就好。

電阻器（Resistor）——控制水流的閥門

負責抵抗電流、分攤電壓。它就像水閥，轉緊水流就變小。在 AI 伺服器中，電流感測電阻對監控龐大功耗至關重要。但整體而言，電阻技術成熟、易被替代，屬於毛利較低的「防禦型」投資標的。

電感器（Inductor）——平穩水流的水車輪

負責穩定電流。想像湍急水流中的沉重水車輪，水流暴衝時它能產生阻力，水流減弱時它能順勢推動。隨著 AI 伺服器與電動車（EV）對高功率轉換的需求暴增，電感器成為成長極快的黑馬。

電容器（Capacitor）——電力的蓄水池

負責把電存起來，需要時釋放，用來穩定電壓。AI 晶片運算時耗電量會在毫秒間劇烈震盪，如果沒有電容器隨時「補水」，GPU就會降速甚至當機。電容器是整個被動元件中規模最大、利潤最豐厚的板塊。

1.3 為什麼「被動」不代表「不重要」

一顆 NVIDIA GB300 GPU 的價值可能高達數萬美元。

但如果它旁邊的電容器品質不夠好，或是數量給得不夠，GPU 接收到的電壓就會在每一次高速運算切換時劇烈波動。

在傳統的電子產品裡，這不是太大的問題，因為耗電量溫和，波動都在可控範圍內。但 AI 伺服器的功耗是傳統伺服器的 5 到 20 倍。

更重要的是，AI 正在催生出一個明確的「雙速市場」：高端的 MLCC 因為 AI 商業化而需求急劇攀升，但中低端的 MLCC 卻因為一般消費性電子（如手機、PC）買氣低迷而陷入困境。

不同類型的被動元件，在面對 AI 需求衝擊時，會產生完全不同的供需結構。

第二章：一段被動元件的歷史——從「大宗商品」到「戰略物資」的三次週期

這個產業每隔幾年就會上演一齣完全相同的劇本：缺貨、漲價、瘋狂擴產、然後崩盤。它像潮汐一樣可預測，但每一次漲潮的時候，所有人都會告訴你「這次不一樣」。

2.1 第一次大缺貨（2017-2018）：當世界突然發現「電容不夠用」

2017 年的缺貨風暴，源自一次致命的供需錯置。

當時，智慧型手機規格升級、電動車與挖礦機需求同時爆發。但真正的導火線，是日本兩大龍頭（村田、TDK）認定傳統 MLCC 利潤太低，決定停產並將產能轉向車用與高階市場。

當最大的供應商抽走「基本款」產能，市場瞬間陷入恐慌。交期一度拉長到誇張的 50 週，現貨價格狂飆 30 倍。台灣的國巨成為最大贏家，2018 年淨利潤年增 583%。被動元件從無人問津的「五金雜貨」，一躍成為股市最耀眼的明星。

但歷史證明，這種因恐慌造成的瘋狂漲價，通常撐不過一年。

2.2 崩潰與漫長的去庫存（2019-2024）：長鞭效應的慘痛代價

經歷了「缺一顆電容導致整條產線停擺」的惡夢後，下游代工廠與品牌商嚇壞了，開始不計代價地重複下單（Overbooking）、瘋狂囤貨。這吹出了一個巨大的「虛假需求」泡沫。

2019 年，泡沫破裂。大家發現倉庫裡的零件根本用不完，需求瞬間急凍。國巨的營收在短短一年內蒸發近 40%，股價腰斬。

從 2019 到 2024 年，整個產業都在痛苦地「消化庫存」。這段漫長的寒冬教會了製造商一個教訓：絕對不要再因為短期的市場狂熱，盲目擴充產能。

2.3 2025 Q4 — 2026：AI 點燃第三次週期，為什麼這次可能不一樣？

時間來到 2025 年底至 2026 年，被動元件再度迎來 5% 到 30% 的漲價潮。

推手換成了 AI 伺服器。隨著微軟、Google 等巨頭砸下逾 3,000 億美元建置 AI 基礎設施，日韓大廠的高階產能利用率已突破 90%，高階 MLCC 交期再度拉長至 24-32 週，部分鉭質電容料號甚至排到 40 週之後。

聽起來像極了 2018 年的劇本？但這次有三個決定性的差異：

是「質的跳升」： 2018 年是所有標準品一起缺貨；2026 年則是「雙速市場」。AI 需要的是能承受極端高溫、高壓且低阻抗（Low ESR）的高階 MLCC 與聚合物鉭質電容。目前市場上是「高階品一貨難求，中低階通用品依然乏人問津」。這是一場技術門檻極高的結構性缺貨。
買方變了，需求「黏性」更強： 2018 年搶貨的是手機與 PC 廠，需求隨景氣波動，砍單極快；現在的買方是雲端巨頭（CSPs），他們是依照 2 到 3 年的 AI 基礎設施藍圖在採購，並簽署長期供應協議。這股需求是真實且具備長尾效應的，而非恐慌性的虛假訂單。
賣方學乖了，擴產紀律嚴明：被 2019 年的崩盤嚇怕後，供應商現在對蓋新工廠極度保守，寧可透過「去瓶頸」來微調產能，也不願輕易砸錢大規模擴產。由於高階 MLCC 產線從投資到量產需要 18 至 24 個月，這意味著在 2026 年底之前，高階被動元件的供給缺口幾乎不可能被填補。

第三章：大軍未動，糧草先行——AI 算力背後的「電力闖關」與 K 型復甦

你現在已經知道，2026年的 AI 狂潮正在推動被動元件的新一輪漲價。但要真正看懂這個故事能演多久，你必須先搞清楚 AI伺服器到底有多「吃電」。

3.1 電力鏈條：伺服器裡的高壓水壩與嬌貴小草

要理解 AI 伺服器的供電網路（PDN），你可以想像一個畫面：GPU晶片就像一株極度嬌貴卻又極度口渴的小草。

它工作時只能承受 0.8V到1V的微弱電壓，但當它全速運算時，會在十億分之一秒內突然要求極大量的瞬間電流。

為什麼會這麼極端？因為這株小草是由數百億個脆弱的微小電晶體組成，電壓超過 1V就會燒毀。

根據基礎物理公式功率（P）= 電壓（V）× 電流（I），既然電壓被限制得很低，就只能靠拉高電流來補足龐大的能量。

然而，機櫃送進來的是 54V或48V的高壓電，就像水壓極高的高壓水壩。從 54V一路降壓到 1V，中間只要水壓稍微不穩，價值百萬的 GPU就會燒毀。

在這趟降壓過程中把關的，就是大大小小的電容器（負責吸收水壓與瞬間補水）、電感器（確保水流平順）以及電阻器（精準監測水流量）。

3.2 產業現況：什麼是 K 型復甦？為什麼普通品沒人要，AI 規格卻大缺貨？

了解電力闖關的難度後，我們來看看電容在 AI 時代的用量。一台傳統伺服器大約只需 2000-3000 顆 MLCC，但一整個 NVIDIA NVL72機櫃總用量高達驚人的 44萬顆。

這正是 2026年市場最大的特徵：「K型復甦」。

普通手機用的標準型元件還在殺價競爭，但 AI專用的高階 MLCC交期卻拉得非常長。因為高階產線擴產極慢且良率難控，這種稀缺性在未來兩年內是被物理條件死死鎖住的。

那麼，從產業庫存的角度看，現在到底處於這場 AI週期 的哪一個階段？

我們可以用兩個關鍵數據來看：首先是 「稼動率」 （代表工廠機器運轉的忙碌程度）。 iM Securities 估計 2026 年第一季 三星電機 的稼動率為 92% ，村田更高達 95% ；這意味著工廠的機器幾乎是接近滿載運轉，已經沒有多餘的力氣生產更多貨了。

其次是 「庫存天數」 （代表手上的現貨夠賣幾天）。三星電機的庫存天數降到約 30天 ，遠低於業界認為 40天 的 「健康水位」 。

但根據市場的調研，目前連「重複下單」 （也就是客戶怕買不到，同時跟好幾家廠商多訂好幾倍的貨）的爭議都還沒出現。

這意味著現在的買氣還算「理智」， MLCC廠商的獲利預期還有上修空間 。換句話說，對比 2018 年那次「交期 50 週、現貨價飆 30 倍」的瘋狂，現在這場 缺貨潮 其實還沒進入「恐慌性搶貨」的階段。

真正的關鍵將落在 2026年第三季，這會是 Vera Rubin平台 量產加速、加上 IT旺季 雙重需求疊加的時點，當大家都意識到米缸真的沒米時，最有可能引爆那場推升股價狂飆的 「恐慌性下單」 。

一場真正的超級週期 ，通常都是從這種「怕買不到」的集體焦慮開始的。

3.3 拆解 NVIDIA GPU 的供電網路

在 2026年3月，NVIDIA正式發表了全新的 Vera Rubin平台（預計下半年出貨），這將 AI 伺服器的電力焦慮推向了前所未有的高峰。

上一代的 Blackwell GPU功耗大約在 1.2 到 1.4 kW，但 Rubin GPU的熱設計功耗（TDP）直接提高到 1.8至2.3 kW。

為了應付這種瞬間電流，NVIDIA在 Rubin機櫃中導入了高達 6倍的能量儲存設計（每顆 GPU分配到 400 焦耳），用來實現「智慧平滑供電」。

這意味著工程師必須在主機板上部署更龐大、更精密的「三道黃金防線」。

首先是第一道防線：MLCC（積層陶瓷電容）。它們被大量部署在最靠近 GPU的位置，負責處理最快的高頻突波。在 Rubin世代，為了分攤風險並應付更高的功率密度，NVIDIA刻意增加了超高容值MLCC的使用量。
緊接著是第二道防線：聚合物鋁固態電容。它們是吸收巨大能量的主力，負責大容量中頻濾波。然而，在最新的 Rubin設計中，NVIDIA為了避免單一供應商斷鏈的風險，開始微調這道防線的比例，將部分重擔轉移給了其他兩種電容。
最後是第三道防線：鉭質電容。在 GPU板上空間最擁擠、高溫高壓的關鍵供電區，鉭質電容在高溫高壓下不會縮水，是極限空間裡的最後保險。

3.4 為什麼沒有一家公司能「贏者全拿」？——跨不過去的材料科學壁壘

既然 AI伺服器同時需要這三種電容，為什麼沒有企業能把它們全包下來？

因為它們的製造基因完全不同。做 MLCC考驗的是精密陶瓷工藝；做聚合物鋁電容考驗的是電化學表面處理與高分子合成；而做鉭質電容則涉及危險的化學冶金與稀有金屬提煉。

一個精通陶瓷烘焙的師傅，不可能一夜之間變成冶金專家。這也是為什麼國巨必須豪擲千金買下美國基美（KEMET），因為在被動元件的世界裡，併購是跨越材料科學壁壘唯一的捷徑。

第四章：「高階 MLCC」的護城河

在 AI伺服器中，GPU滿載運作時周邊溫度輕易突破 100°C。低階 MLCC在高溫下電容值會崩潰甚至破裂，而高階 MLCC必須具備極佳的耐高溫特性。

此外，AI 晶片周邊寸土寸金，工程師必須在比芝麻還小的體積內塞入極高的電容值。這要求高階 MLCC必須在極小體積、極大容量、極耐高溫這三個互相矛盾的物理條件下達到完美平衡。

特別是在 Vera Rubin世代，NVIDIA為了供應鏈韌性，更加依賴這些能提供超高容值的頂規 MLCC。

台積電不買ASML新機？Intel皇者歸來？- KP思考筆記(第39期)

KP@FOMOSoc — Sat, 25 Apr 2026 03:06:53 GMT

自從宣佈停戰以來，市場就像吸了興奮劑一樣，漲勢一發不可收拾。特別是半導體指數，表現簡直誇張，竟然寫下了連續 18 個交易日上漲的驚人紀錄。

雖然我在兩週前就提過「市場最壞的情況大概率已經過去」，但如果我說我料到了這種「史詩級」的噴發速度，那肯定是在騙你的。

這就是市場最真實、也最迷人的地方：你永遠無法精準預測它的瘋狂。

在這種行情中，如果你因為恐慌而離場，或者因為猶豫而錯過，代價是極其高昂的。

我很喜歡一句名言：

「悲觀者往往聽起來很聰明，但最終賺錢的通常是樂觀者。」（Pessimists sound smart, but optimists make money.）

這並不是叫大家要盲目樂觀，而是作為一名股票投資者，你的底層邏輯必須是相信未來的。

如果對人類文明的進步與生產力的提升沒有基本的信心，那麼你其實很難堅持。

最近我被問得最多的問題就是：「已經漲這麼多了，還能追嗎？」

老實說，誰知道呢？連續漲 10 天已經非常罕見，連續漲 18 天更是進入了情緒的極端區間。這就像在賭場裡連續開了 18 把「大」，去猜下一把會不會開「小」，本質上只是隨機性的博弈，沒有太大的參考價值。

但我始終強調一個觀點：

只要你的時間維度拉得夠長，短期內的劇烈波動，在未來的長週期曲線中，都只會是一個微小的起伏。

回頭看看兩年前的 Nvidia，當時大家也覺得漲得太誇張、太貴了，現在回頭看呢？當時的「高點」早已成了地平線上的起點。

事實是，只要你持有的是優質的底層資產，並給予它足夠的時間，價值最終會透過成長來體現。市場並不是零和遊戲，它是人類集體智慧與生產力溢價的體現。

所以，糾結於「現在是不是高點」其實是捨本逐末。我們真正應該專注的核心始終只有一個：

選擇正確的標的。

而要選對標的，唯一的捷徑就是盡可能深入的研究，去固化你對產業邏輯的理解。當你的認知邊界足夠清晰時，你就不會被短期的 18 連漲或 10% 的回調搞得心神不寧。

與其猜測明天的漲跌，不如回歸基本面。本週的思考筆記，我準備了六個主題，讓我們繼續撇除雜訊，回歸邏輯：

主題一：為什麼 4 億歐元的 ASML 新玩具，護國神山不買帳？

主題二：AST SpaceMobile掉了一顆衛星，卻贏了整個美國？

主題三：Google TPU 8 震撼登場，在效能數字背後告訴我們甚麼？

主題四：Intel終於皇者歸來了嗎？

主題五：ServiceNow 暴跌背後反映的是甚麼？

主題六：JP Morgan 警告私人信貸，卻宣佈進場？

主題一：為什麼 4 億歐元的 ASML 新玩具，護國神山不買帳？

TSMC 說不買ASML的High-NA EUV，已經講了兩年了，為甚麼市場還是會反應不佳？

2024 年說 A16 不用，2025 年多份報告確認 1.4nm 也跳過。但上週台積電副共同營運長張曉強再次重申這個立場後，ASML 股價還是應聲下跌。

這次有什麼不一樣？這對 ASML 真的有影響嗎？

先搞懂 High-NA EUV 到底是什麼

低 NA EUV 就像一台很貴但很成熟的印表機，可以印很細的線條。但如果你要印更細的圖案，就得同一個位置印兩次、三次、甚至四次（這就是「multi-patterning 多重曝光」），才能達到解析度。

High-NA EUV 是 ASML 的下一代機王，一次就能印到更細，不用跑好幾趟。聽起來完美對吧？

但是：

一台要 4 億歐元，差不多是舊款的兩倍。
曝光區域只有舊款的一半，大晶片（例如 GPU、AI 晶片）要「拼接」才能印完，反而增加風險。
算總帳下來，光是單次曝光的成本，就是低 NA 的 2 到 2.5 倍。

換句話說，你多花一倍的錢買一台可以「一次印好」的機器，但印出來的單位成本可能還比「印兩次的舊機器」貴。

這就是為什麼台積電的態度是：謝謝，暫時不用了。

台積電的商業策略：讓對手去踩坑

這就是台積電最老練的商業策略。

看看隔壁的 Intel，他們是 High-NA EUV 的全球首位客戶，急著在 14A 製程 上超車，試圖藉此奪回技術領先地位。但這背後隱藏著巨大的風險：新機器需要新的光阻劑、新的掩模、新的工廠配置。

台積電的策略一向是：讓對手去踩坑。當 Intel 在前面幫大家測試新機器的穩定性、摸索量產參數時，台積電正躲在後面，用成熟、便宜、良率高的舊設備大賺 AI 晶片 的錢。等到 2030 年 後，當 High-NA 技術成熟、價格可能更有談判空間時，台積電再進場收割。

台積電的邏輯很簡單：只要我能用舊機器做出客戶滿意的良率和效能，我為什麼要幫 ASML 攤提那昂貴的研發成本？

台積電除了技術領先外，資本紀律 才是他們的本質。一台 4 億歐元 的機器，你買 10 台 就是 40 億歐元，這筆錢如果拿去擴充現有產能、或是投資在先進封裝（CoWoS、SoIC），邊際效益可能高出好幾倍。

張曉強那句「我們的研發團隊還在持續從現有 EUV 挖出好處」，翻譯成投資語言就是：「我們的 ROIC 沒你們想的那麼依賴下一代機台。」

為什麼台積電一點都不擔心？

你可能會問：如果 Intel 和三星搶先用了 High-NA，台積電不怕被超車嗎？答案是：不太怕。

Intel 確實是最激進的，打算在 2027 年 的 14A 製程 就上陣 High-NA。但對 Intel 來說，這更多是為了挽回技術聲譽的「追趕」，而非威脅。三星雖然也在 2 奈米 測試新機，但其良率與產能規模，目前還難以撼動台積電的地位。

Nvidia、Apple、Broadcom 這些大客戶，在乎的不是你用了多酷的機器，而是誰能穩定、大量、低成本地交出高品質的晶圓。台積電那無人能及的良率與規模，才是它真正的護城河。

而台積電現在不買，不代表它「不會買」或「不會用」。

事實上，台積電實驗室裡早就有 High-NA 機器在跑 R&D 了。台積電的工廠設計早已預留了空間，研發團隊對這台機器的脾氣摸得一清二楚。

台積電的強項在於：一旦他們決定這項技術具有投資報酬率（ROI）。

ASML 會痛嗎？

這裡要拆成兩段看。

雖然台積電暫時不買「頂配版」，但因為 AI 需求 太瘋狂，台積電正在瘋狂掃貨「標配版」（Low-NA EUV）。ASML 預計 2026 年 要出貨 60 台 舊款機器，2027 年 產能甚至要拉到 80 台。

簡單來說，ASML 的短期營收靠的是「量」，而 High-NA 則是他們賭在未來的「價」。台積電的表態，只是把 ASML 夢想中的「高毛利爆發期」往後推遲了兩年。

不過，中期來說，ASML 原本對市場講的故事是，「等 High-NA 開始放量，我們的營收會再上一個台階，2030 年 可以衝到 600 億歐元。」

但 ASML 最大的客戶現在直接告訴你，至少到 2029 年 我一台都不打算買來量產。

這代表什麼？代表 High-NA 的放量曲線被砍了一個大缺口。Intel 和記憶體廠買得再多，加起來也補不上台積電的量。ASML 2030 年 600 億歐元的目標，現在要打一個問號。

在這之前，市場可能還抱著一絲希望，「說不定台積電會提前改主意」、「說不定 A14 會破例用一點 High-NA」。

張曉強這次把話講死了：不只 A16、A14，連 A13（2029 量產）都不用。市場那一絲希望，被正式掐熄了。

這件事對投資人的三層啟示

第一層：ASML 不會死，但成長斜率要重估。

2026、2027 的營收仍然很好，低 NA 供不應求。但想賭 High-NA 飆速成長的故事，時間軸要往後推至少 2–3 年。估值的 multiple 要不要稍稍 de-rate？值得想想。

第二層：台積電的資本效率，被再次驗證。

當你的同業（Intel、Samsung）都在花錢買最貴的機台時，你選擇不買——這需要巨大的技術自信。台積電敢這樣做，是因為他們知道自己在低 NA 上的 multi-patterning 跟 DTCO（設計製程協同優化）的 know-how，短期內別人追不上。這個「不花錢」的決策，本身就是技術護城河的體現。

第三層，也是最容易被忽略的一層：摩爾定律的戰場在變。

過去 20 年，摩爾定律是「誰能做出更小的電晶體誰贏」。

現在開始，變成「誰能用最低的成本做出夠用的電晶體誰贏」。

這是一個根本性的轉變。當單一節點的 R&D 投入超過 200 億美元、當一台機器要 4 億歐元、當設計一顆 3nm 晶片要 5 億美元，純粹的技術領先已經不夠，經濟可行性 才是決勝點。

有趣的下一個問題是：如果台積電可以用低 NA 撐到 2029 甚至更久，那 Intel 押注 High-NA 的那筆錢，到時候會是「先發制人」還是「白繳學費」？

主題二：AST SpaceMobile掉了一顆衛星，卻贏了整個美國？

這個星期，AST SpaceMobile 的股東經歷了一場情緒過山車。

一邊是 Jeff Bezos 的 Blue Origin（藍色起源）在第三次發射中出了差錯，導致 AST SpaceMobile（ASTS）的 BlueBird 7 衛星未能進入預定軌道，最終化為大氣層中的流星。

另一邊，僅僅兩天後，美國 FCC（聯邦通訊委員會）卻遞過來一把通往 4 兆美元市場 的金鑰匙。

這次「BlueBird 7 沒了」到底有多嚴重？

答案是：比你以為的輕微很多。

我知道「火箭失敗、衛星墜毀」聽起來很嚴重。但拆開來看：

錢沒太大損失。衛星有保險，現金成本幾乎為零。
生產線根本沒停。ASTS 在德州的工廠，目前 BlueBird 8 到 10 號 已經快完工，預計 5 月中 出貨。從 8 號到 32 號 都在產線的不同階段，這是一條已經跑起來的產能管線，目標是 2026 年底前 做到每月 6 顆。
發射管道多元化。ASTS 從一開始就刻意不把雞蛋放在同一個籃子。SpaceX 的 Falcon 9（每次能載 3–8 顆）、印度的 LVM3、Blue Origin 的 New Glenn。這次 New Glenn 停飛，只是把那一批的發射任務挪到別的供應商，不會讓整個 2026 年「45 顆在軌」 的目標崩盤。
歷史告訴你什麼？ SpaceX 的 Falcon 1 前三次全部失敗才成功。新火箭有故障是常態，不是例外。
FOMO研究院電子報 is a reader-supported publication. To receive new posts and support my work, consider becoming a free or paid subscriber.

ASTS 的護城河是「生產線 + 牌照」

很多人看太空股，只盯著「他們發射了幾顆衛星」。事實上，決定這家公司會不會賺錢的，是另外兩件事：

第一件：產能。

ASTS 在德州有自己的垂直整合工廠。這件事很重要，因為它代表「損失一顆衛星」的邊際成本，未來會越來越低。當你每月能量產 6 顆 衛星的時候，一顆墜海的新聞，對整體計畫的影響就從「嚴重挫敗」變成「時程雜訊」。

真正的瓶頸從來不是「一次發射成不成功」，而是「你能不能源源不斷地做出下一顆」。ASTS 已經證明他們可以。

第二件：監管授權。

這才是 FCC 那張牌照的威力。

在 4 月 21 日 之前，ASTS 有衛星、有夥伴（AT&T、Verizon、FirstNet）、有技術，但沒有合法收商業用戶錢的許可。你可以想像成：一家餐廳裝潢好了、食材買了、廚師也請了，就差一張「營業執照」。

4 月 21 日，執照下來了。這件事的重要性，遠超過一顆衛星的得失。

在美國，拿到 FCC 的 SCS（空間補充覆蓋）許可，等於拿到了「合法營業執照」。

這意味著他們可以合法使用 AT&T 和 Verizon 的黃金低頻頻譜，直接與普通手機連線。

ASTS 之前所有的技術測試都只是「Demo」，現在則是「正式開張」。這直接解鎖了 Verizon 剩下 4,500 萬美元 的商業預付款，也啟動了 FirstNet 的里程碑付款，更讓一堆本來在觀望的海外電信商可以把備忘錄升級成正式合約。

全美國目前只有兩家公司擁有這種規格的許可，一家是馬斯克的 Starlink，另一家就是 ASTS。

換個角度：Blue Origin 怎麼辦？

很多人忽略了，這次新聞其實是一場雙輸與雙贏並存的怪奇事件。

Blue Origin 的傷：第一次軌道任務失敗，FAA 停飛，NASA、國防部、商業客戶的訂單全部延後。公司的商譽跟時程都受到打擊。

Blue Origin 的亮點：第一節助推器完美重複使用並著陸。這是他們追了好幾年、終於兌現的里程碑。

壞消息是上一節引擎不穩；好消息是大腦（重複使用）。工程問題可以修；戰略方向對不對，才是根本。

對比 SpaceX 的學習曲線，Falcon 1 前三次都炸，Falcon 9 早期也摔了幾枚。火箭這行，不摔過幾次、走不到量產。Blue Origin 這次的問題，放在產業週期裡看，其實非常「正常」。

不要用「單次事件」去定義「多年敘事」

太空產業有一句老話：「Space is hard.（太空很難。）」

這句話在 4 月 19 日晚上 聽起來像是壞消息的註腳，但在 4 月 21 日早上，它變成了另一個意思，正因為難，能走到今天這一步的公司不多；正因為難，護城河才值錢。

ASTS 依然是高風險故事，但風險的性質變了。

FCC 牌照下來之前，ASTS 的風險是「萬一監管過不了呢？」

FCC 牌照下來之後，風險變成了「執行力跟資金燒多快？」

ASTS 接下來真正要證明的，不是「他們會不會再摔一顆衛星」（會，而且一定會），而是：

他們能不能在 2026 年底前，真的讓 45 顆衛星 進軌道、讓全美消費者打開普通手機、在沒有訊號的深山裡打出第一通電話、產生第一筆商業營收？

主題三：Google TPU 8 震撼登場，在效能數字背後告訴我們甚麼？

2026 年 4 月 22 日，Google 正式揭開了 TPU 8 的神秘面紗。

在發佈會現場，媒體的標題大多集中在「效能功耗比提升 120%」或是「對標 Nvidia 最新架構」等字眼上。確實，Google 這次推出的雙版本策略，專攻訓練的 TPU 8t(Sunfish) 與專為推理/智能體設計的 TPU 8i (Zebrafish)，展現了極強的技術。

官方數據顯示，TPU 8t 的 Superpod 規模達到 9,600 顆晶片，提供高達 121 exaFLOPS 的算力；而 TPU 8i 則透過全新的 Boardfly 拓撲結構，大幅降低了全球同步延遲。

不過，這些都只是一些「意料之中」的進步，我們應該要看的，是這代表了甚麼。

Google 一腳踹穿了「記憶體牆」

「記憶體牆」，應該大家都已經很熟悉了，不過還是稍為解釋一下。

你可以把 AI 晶片 想像成一個超級大廚，算力就是他切菜、炒菜的速度。但問題是，食材（資料）放在隔壁倉庫，每次要用都得跑過去搬。大廚再快，也得等食材到齊才能下鍋。

這個「跑去搬食材」的時間，就是 AI 晶片 最大的瓶頸。尤其是現在當紅的 Agent 應用，一個 Agent 請求背後，要處理的資料量是過去聊天機器人的 20 到 50 倍。大廚再厲害，也會被搬運工拖死。

發佈會之前，市場預期 Google 頂多把「廚房裡的小冰箱」擴大一點，大約塞到 192 GB 的高速記憶體（HBM）。

結果 Google 端出來的是：

訓練版 TPU 8t：每顆晶片 216 GB HBM，整個 Superpod 加起來 2 PB 的共享記憶體。
推理版 TPU 8i：每顆晶片 288 GB HBM，晶片內建的超高速記憶體（SRAM）直接是上一代的 3 倍。整個 pod 的 HBM 容量 從上一代的 49 TB，跳到 331 TB。

這代表什麼？HBM 超級週期 又被加了一把柴。

不是兩家代工，是四家生態系

發佈會前的市場共識很單純：Broadcom 做高階訓練晶片，MediaTek 做成本較低的推理晶片，兩顆都交給台積電 2nm 製程。

不過，在大會後大家發現的是，這個夥伴生態沒有這麼單純，每一家的合作模式都不一樣。

Broadcom 負責最難的 TPU 8t，走「全包式」模式。從晶片設計、記憶體整合到封裝一條龍，合約長到 2031 年。這塊走的是高單價、高毛利，Google 買的是 Broadcom 在複雜 SerDes 與封裝上的「不可替代性」。

MediaTek 負責量大的 TPU 8i，但 Google 自己下場 直接買晶圓和記憶體，MediaTek 只負責輔助元件和協助封裝。結果就是推理晶片的成本，比 Broadcom 模式低 20–30%，這就是 Google 敢在推理端瘋狂堆料的底氣。

Marvell 介入了關鍵的記憶體處理單元（MPU），而 Intel 則提供 Axion CPU 與基礎設施支援。

高階訓練交給 Broadcom，因為需要專業；低階推理自己下場壓成本，因為這塊未來才是真正的量。每個產品線都有不同的議價結構，Google 手上握的是完整的控制權。

這會帶來三個連鎖效應：

單位成本往下，Google Cloud 的毛利率往上。
單一供應商風險被稀釋，量產的速度更穩、更快。
台積電 2nm 產能 雖然還是瓶頸，但 Google 有多家夥伴一起搶，等於在瓶頸上也有更大的議價籌碼。

從「晶片設計者」到「系統定義者」

TPU 8 的發佈，標誌著 Google 已經完成了從「晶片設計者」到「系統定義者」的蛻變。

Google 已經成功透過極致的記憶體堆料與多元化的供應鏈博弈，為自己築起了一道難以逾越的成本與技術門檻。

主題四：Intel終於皇者歸來了嗎？

「一年前，關於英特爾的討論是我們能不能活下來。今天，討論的是我們能多快增加產能、擴大供應來滿足對我們產品的龐大需求。」

「今天的英特爾已經是一家完全不一樣的公司。」

這是英特爾 CEO 陳立武，在財報會議中的開場白。

曾經的半導體霸主，被 TSMC 甩開、被 AMD 反超、被 NVIDIA 搶走 AI 的聚光燈。股價從高點跌了超過七成。

當所有人都在討論它何時會破產時，這一季的財報有力地宣告：英特爾不僅還活著，而且正在奪回戰場。

當 CPU 重新成為主角

數字是這樣的。

整體營收一百三十六億美元，遠超預期的一百二十四億。調整後每股盈餘 0.29 美元，市場預期是 0.01 美元。他們交出的數字是預期的二十九倍。

資料中心和 AI 部門（DCAI）營收五十一億美元，年增 22%，比預期高出將近七億。這個數字的背後有兩個故事。

第一個是供應鏈。上一季，Intel 的伺服器 CPU 其實是供不應求的。需求在，但產能跟不上。這一季，他們終於把供應問題理順了。壓抑的需求釋放出來，直接反映在營收上。

第二個是產業趨勢。AI 正在從訓練轉向推理，從單一 GPU 叢集轉向分散式的 Agentic 架構。當 AI Agent 需要處理大量即時請求、需要更低延遲、需要更好的成本效益時，CPU 重新找到了它的位置。這一季的數字，是對這個趨勢最直接的驗證。

更重要的是前瞻指引：第二季 DCAI 預計將有雙位數的環比增長，全年伺服器 CPU 出貨量預期雙位數成長，而且這個動能會延續到 2027 年。

執行長陳立武在電話會議上說：「人工智慧正在走向真實世界，分散式推論、強化學習、代理式 AI、實體 AI、機器人、邊緣運算。CPU 現在是整個 AI 堆疊的調度層和關鍵控制平面。」

但 CPU 的表現再亮眼，終究只是故事的一半。說到底，CPU 業務對現在的 Intel 來說，更像是一頭強壯的「現金牛」，為後面的豪賭提供源源不絕的籌碼。

Intel 的「背水一戰」

如果 Intel 只是想做一家優秀的晶片設計公司，它不需要活得這麼累。

Intel 是「無晶圓廠」（fabless）這個過去二十年趨勢的異類。它堅持「整合元件製造商」（IDM）模式，自己設計、自己生產。

這曾經是優勢，當你的製程領先，自有工廠就是護城河。但當製程落後，自有工廠就變成拖累。你不僅要承擔設計失敗的風險，還要承擔製造良率不佳的雙重打擊。

過去幾年，Intel 兩邊都出了問題。

所以現在的策略很清楚：既然已經砸了幾百億美元蓋晶圓廠，不如把它變成資產而不是負債。

開放給外部客戶，像台積電一樣賺代工的錢。如果成功，Intel 就不只是一家 CPU 公司，而是「美國版台積電」，在地緣政治緊張的時代，這個定位本身就價值連城。

但如果失敗，那些晶圓廠就會變成吞噬現金的黑洞，把整間公司一起拖下去。

漸見起色的代工

英特爾代工（Intel Foundry）本季營收 54 億美元，環比增長 20%，年增 16%。但外部客戶營收仍然只有 1.74 億美元，這個數字說明了一切：目前的營收成長幾乎全靠內部晶圓需求支撐，真正的代工生意還沒開始。

營業虧損仍高達 24 億美元，只比上季改善了 7,200 萬。

聽起來不怎麼樣。但市場為什麼還是興奮？

答案在良率。

管理層在電話會議上明確表示，Intel 4、Intel 3、以及最關鍵的 18A 製程，良率全部「優於預期」。18A 的良率進度甚至超前內部計畫，原本設定的 2026 年底 目標，現在預計年中就能達成，等於提前了三到六個月。這直接帶動了毛利率改善，也是本季虧損收窄的主因。

但 18A 只是開始。真正的決戰在 14A。

14A 是 Intel 第一個大規模使用 High-NA EUV 的先進邏輯製程。第二代 RibbonFET 閘極全環繞電晶體。PowerDirect 背面供電。跟 18A 比，預期效能功耗比提升 15% 到 20%，密度提高約 30%。

這是 Intel 嘗試在製程技術上重新追上、甚至超越 TSMC 的關鍵節點。

Intel 自己說得很清楚：如果沒有拿到大型外部客戶，14A 以後的先進製程可能會暫停或取消。High-NA EUV 設備和新晶圓廠的資本支出太龐大，沒有外部訂單就無法回本。

然後，Elon Musk 來了。

第一個重量級外部客戶

四月二十二號，Elon Musk 在 Tesla 財報電話會上宣布：TeraFab 將採用 Intel 的 14A 製程。

他的原話是：「14A 是最先進的製程，雖然還沒完全完成。但等 TeraFab 真正擴大規模時，14A 應該會相當成熟。我們和 Intel 關係很好，非常尊重他們的執行長、技術長和新團隊。」

這是 Intel Foundry 在先進製程上拿到的第一個重量級外部客戶。

這正是 Intel 需要的東西，一個願意把最關鍵的晶片交給他們生產的客戶，而且是全世界最高調的科技公司之一。

管理層在財報會上說，14A 在同樣的開發階段，成熟度、良率、效能表現都超過 18A 當時的水準。PDK 0.5 已經釋出，PDK 1.0 預計今年秋天推出。風險試產目標 2027 年，量產 2028 到 2029 年。

他們預期「更早的設計承諾會從 2026 下半年開始出現，並延續到 2027 上半年」。

這是一個複雜的安排，很多細節仍不清楚。但對市場而言，關鍵訊息很簡單：有人願意把真金白銀押在英特爾最先進的製程上了。

先進封裝：被低估的近期引擎

另一個值得關注的角度是先進封裝。

這不是小配角。財務長 David Zinsner 在電話會議上說，先進封裝的潛在營收規模已經從原本預估的「數億美元」上調到「每年數十億美元」。英特爾本季新增了先進封裝服務的訂單，並宣布擴建馬來西亞檳城的後端設施，預計 2027 年 開始貢獻營收。

封裝業務有幾個吸引人的特點：毛利率較高、資本支出較低、從訂單到營收的轉換速度較快。在先進製程外部營收真正起飛之前，封裝可能是代工業務最快能看到實質成長的領域。

目前全球只有三家公司能提供最先進的封裝技術（EMIB、Foveros 等），英特爾是其中之一。隨著 AI 推論 和異構運算 需求爆發，把 CPU、加速器、記憶體 整合在一起的需求只會越來越大。

領導力的驗證

所有這些，都發生在陳立武接任執行長一週年的時候。

陳立武在電話會上說：「我們正在擁抱我們的根，數據驅動、保持警覺、以工程為本。」這是在呼應 Andy Grove 那句著名的「只有偏執狂才能生存」。

過去一年，英特爾簡化了組織架構、削減了官僚流程（決策從「幾個月」縮短到「幾週」）、從外部招募領導人才、賦權內部工程師、把最大化工廠產出定為首要任務。這和過去那個被批評為執行緩慢、內部政治複雜的英特爾形成鮮明對比。

當然，一年的執行記錄還不足以宣告勝利。但至少現在有了一個可以追蹤的基準。

估值的張力

但這裡有一個必須誠實面對的問題：

股價已經反映了多少好消息？

Foundry 還是虧 二十四億美元 一季。外部客戶營收只有一點七四億。Tesla 的 14A 訂單還沒有公布具體金額和時程。如果接下來任何一季的良率、訂單、或營收成長稍微不如預期，回調的幅度可能很劇烈。

當然，如果 18A 和 14A 的執行持續到位、外部客戶持續轉化，英特爾可能會被重新估值為「美國版台積電加上 AI CPU」的故事。

這是典型的轉機股估值張力：敘事已經從「能不能做到」轉向「什麼時候做到」，但股價也已經從「便宜」轉向「樂觀」。

執行能不能跟上敘事？

CPU 的復甦讓 Intel 有了喘息的空間。但真正決定這家公司命運的，是 Foundry 能不能成功。

接下來的幾個季度，我們不看營收噴了多少，我們要看的是 18A 的外部客戶磁帶流片（Tape-out）進度，以及 14A 的 PDK 1.0 能否如期交付。

敘事已經改變。問題是：執行能不能跟上。

主題五：ServiceNow 暴跌背後反映的是甚麼？

「ServiceNow 從來沒有遇過像 AI 這樣的順風。企業 AI 和 ServiceNow 的擴張之間有完美的正相關。」

面對市場對其 AI 的質疑，ServiceNow CEO Bill McDermott 這樣說到。

事實上，ServiceNow 的第一季財報，營收三十七億七千萬美元，超過預期。訂閱收入年增 22%，超過預期。每股盈餘也超過預期。

他們上調了全年訂閱收入的指引，AI 營收目標還從十億美元提高到十五億美元（漲了 50%）。

然後，股價暴跌。

問題出在幾個地方

第一是地緣政治。中東和伊朗的衝突讓幾筆大型的本地部署訂單延遲了。管理層說這大概拖累了訂閱收入成長約 0.75 個百分點。這也讓「剩餘履約義務」（cRPO，一個衡量未來營收的重要指標）略低於分析師預期。

第二是併購。ServiceNow 剛完成史上最大的收購案，以七十七億五千萬美元買下網路安全公司 Armis。整合成本會在短期內壓縮利潤率。全年調整後營業利潤率指引從 32% 下調到 31.5%，第二季的利潤率指引更是只有 26.5%，遠低於市場預期的 30%。

但這些都不是真的重點，最關鍵的，說到底，仍是 AI 焦慮。

客戶的「興奮」與「困惑」

整個 2026 年到目前為止，SaaS 軟體股都處於壓力之下。

Wolfe Research 的分析師問到：「市場上有一種普遍的 AI 焦慮，客戶在大筆採購時變得更猶豫，因為創新的速度太快，他們不確定該怎麼做。」

Bill McDermott 的回答是：客戶對 AI「非常興奮」，但「有點困惑」不知道下一步該怎麼走。他把這定位成 ServiceNow 的機會，他們的平台、前線部署團隊、AI 控制塔 可以幫助客戶從試點走向真正的生產環境。

在 Agentic AI 競爭的問題上，管理層也信心滿滿。

Deutsche Bank 的分析師問：「Agentic 編排 正在變成一個非常吵雜和競爭激烈的領域，ServiceNow 怎麼保持差異化？」

McDermott 的回答是：我們有二十二年 累積的數據優勢，超過九百五十億個 訓練過的工作流程，超過七兆筆 交易，亞秒級 的處理速度。Context Engine 加上 AI Control Tower 讓我們能用沒有人有的企業脈絡來協調人類和 AI 代理。

「我們掌握了這個領域。我們真的掌握了。」

數據很亮眼，但市場不買單

聽起來很有說服力，對吧？

管理層的確提供了具體的數據：Now Assist 客戶年度合約價值超過一百萬美元的數量年增 130%。多產品交易年增 70%。AI Control Tower 的交易金額季增翻倍。超過 50% 的新業務現在是非席位制、以消費為基礎的模式。

他們還強調，ServiceNow 的定位不是被 AI 顛覆的對象，而是 AI 時代 的「行動系統」。企業需要一個平台來治理、協調、整合所有的 AI 代理，而這正是他們做的事。

但市場沒有被說服。

市場要的是「證明」，不是「我們相信」

因為市場要的是「證明」，而 ServiceNow 現在提供的只是「我們相信」。

現在的狀況是：ServiceNow 的第二季有機 cRPO 指引大約是 17% 到 18%，比市場預期低了 0.5 個百分點，而且比第一季的 22% 是減速的。把 Armis 併購和地緣政治因素扣掉之後，核心業務的成長率可能只有十幾個百分點。

對投資者來說，這聽起來不像「AI 帶來了新世界」，反而更像「AI 只是在勉強填補舊業務流失的坑」。

同時，他們正在積極推動從「席位制（Seat-based）」轉向「消費/成果制（Consumption-based）」的定價模式。這在戰略上極其正確，因為它直接回應了「AI 代理會取代人工，導致席位減少」的恐懼。

但轉型的代價是慘烈的：短期毛利受壓、續約率微降至 97%。在市場眼裡，這種轉型看起來更像是「被迫防守」而非「主動進攻」。

當你的增長需要靠併購（如 77 億美金 買下 Armis）來維持，且併購還稀釋了利潤率時，市場的疑慮就會被無限放大。

這不是被顛覆的證據，但也不是「AI 純粹是加分項」的乾淨故事。

買進評級，但下調目標價

分析師們的反應很微妙。

幾乎所有大型券商都維持了買進評級。他們都說 AI 的動能是真的，管理層的回答是正確的，五月四日 的分析師日會提供更多細節。

但他們幾乎全部都下調了目標價。說股價「便宜得離譜」，但還是砍了目標價。

仍然無法證明自己

我認為，ServiceNow 確實擁有強大的護城河（950 億條工作流數據），但他們「暫時還無法證明」自己能免於 Agentic AI 的顛覆。

現在的 SaaS 巨頭們都面臨同一個困境：OpenAI、Anthropic 這些底層模型廠商正在直接切入企業應用層。

即便 Bill McDermott 嘲諷對手的 AI 只是「客廳小把戲（Parlor tricks）」，缺乏 ServiceNow 的治理與編排能力，但市場在看到連續兩三季的「增長再加速」之前，寧可選擇先相信「顛覆論」。

每一次科技典範轉移，老牌企業都會站出來說：「我們不一樣。我們會是贏家。」雲端時代是這樣，行動時代是這樣，現在 AI 時代 又是這樣。

他們拿出數據、展示產品、強調護城河。有些是真的，有些是煙霧彈。市場無法在第一時間分辨，所以選擇先不相信，等證據累積。

這就是為什麼即使業績超預期、管理層信心爆棚，股價還是可以暴跌。

市場在說：「你說的可能都是真的。但我需要看到連續三四季的執行結果，才願意為這個故事付出更高的估值。」

證明題難度被調到最高點的時代

ServiceNow 的暴跌，其實是整個 SaaS 行業的縮影。這是一個「證明題」難度被調到最高點的時代。

對於投資者而言，現在的 NOW 確實看起來「便宜得離譜」，但這種便宜是有代價的，你必須陪著它度過這段「數據與敘事」脫節的尷尬期。

有時候，投資最難的地方不是判斷一家公司好不好，而是判斷市場什麼時候才會相信它好。

ServiceNow 現在就卡在這個尷尬的中間地帶。

主題六：JP Morgan 警告私人信貸，卻宣佈進場？

Jamie Dimon 是華爾街最會放話的人。

這半年來，他在不同的場合中，不斷對私募信貸市場開砲：

信用標準鬆散、契約形同虛設、估值不透明、一堆 PIK 利息 在那邊滾雪球。下一次信用週期來的時候，這個市場的損失會比大家預期的高。

還有最著名的那句：「當你看見一隻蟑螂時，很可能已經有很多隻了。」

聽起來像是在警告投資人遠離這個市場。

然後，四月二十三號，摩根大通資產管理部門 宣布：我們要大舉進軍私募信貸。

這就是典型的小摩風格：在公開場合警告泡沫，在私下裡磨刀霍霍。

遲到的巨人：從「後悔」到「自建」

摩根大通在私人信貸這塊地盤上，其實憋屈了很久。

早在 2016 年，他們拆分了後來大名鼎鼎的 HPS Investment Partners，眼睜睜看著對方在私人信貸浪潮中賺得盆滿缽滿；2024 年，他們又在收購 Monroe Capital 的談判中轉身離開。

這幾年，市場一直在問：這家全球最強大的銀行，難道要眼睜睜看著 Blackstone 和 Apollo 等搶走所有的肥肉？

現在答案揭曉了。小摩不打算買別人的公司，他們要自己下場來打這場仗。

這次計畫的核心邏輯非常硬核：利用銀行內部的商業銀行（Commercial Bank）體系直接產出貸款（Origination）。

傳統的私人信貸基金需要滿世界找案子，但小摩不需要，他們自家銀行的客戶經理手裡就有源源不絕的優質企業貸款需求。這種「自產自銷」的模式，成本更低，風控更透明。

為什麼是現在？

過去兩年，私募信貸市場經歷了一場靜悄悄的信任危機。那些賣給散戶和高淨值客戶的「半流動性」私募信貸基金開始被大量贖回。

有些基金的贖回申請達到資產的 40%，但每季只能讓你贖 5%。投資人排隊等著出場，基金經理人被迫開始認真面對資產定價問題。

這 2,500 億美元 左右的散戶資金，就是你在新聞上看到的那些「私募信貸危機」的主角。

但整個市場有將近 2 兆美元，其中八成是機構資金，退休基金、保險公司、主權基金。這些錢是鎖定的、有耐心的、不會因為季度 mark-to-market 波動就跑掉。這塊市場很穩定，但也很擁擠，所有人都想要這種「黏性資本」。

因此，小摩這次募資，對準的是機構投資者（長線資金），而非散戶。

當那些依賴散戶資金的基金因為贖回壓力而焦頭爛額時，小摩帶著主權基金、養老金 這種「不急著用錢」的長線資本進場。

摩根大通的不公平優勢

他們的競爭優勢很明確：自家商業銀行每天都在跟中型企業打交道、做授信評估、放貸款。這些 deal flow 是 Blackstone、Ares、Blue Owl 這些純私募信貸玩家拿不到的。

摩根大通不需要去市場上跟別人搶案子，他們只要把自己商業銀行本來就會做的貸款，打包成資產管理產品賣給機構客戶就好。放貸的人和管錢的人在同一家公司，資訊流通、風控統一、定價更精準。

更有意思的是組織架構。這個新平台被放在固定收益部門 底下，不是另類投資。這是一個刻意的訊號：摩根大通認為公開市場債券和私募信貸的界線正在模糊，未來會越來越像同一個市場的兩個切面。

警告別人，相信自己

回到那個表面上的矛盾。

Dimon 在公開場合警告私募信貸的風險，但他從來沒說這個市場會崩盤。他的原話是：「我不認為這是系統性風險……你需要非常大的損失，銀行才會被波及……我不是特別擔心。」

他擔心的是那些信用標準鬆散、為了搶生意什麼條件都能接受的玩家。他擔心的是那些把半流動性產品賣給不懂風險的散戶、然後在贖回潮來臨時手忙腳亂的基金。

他不擔心的是摩根大通自己，因為他們有自己的放貸標準、自己的風控流程、自己的資訊優勢，而且他們募的是機構資金，不是那種會在市場波動時恐慌贖回的散戶錢。

事實上，三月份 摩根大通收緊了對外部私募信貸基金的放貸條件，調降了一些軟體相關貸款的抵押品估值，減少了對這些基金的借款額度。

這是對「別人的」私募信貸曝險做風險管理。四月份 他們就宣布擴大「自己的」私募信貸業務。

這就是 Dimon 的標準操作：公開警告行業風險，讓監管機構和投資人都知道他很謹慎；然後私下大舉佈局，用更好的風控去賺那些不謹慎的競爭對手留下的機會。

私募信貸的第三波

私募信貸市場的下半場 正在開始。

第一波 是純私募信貸基金的狂飆突進，他們搶走了傳統銀行不想做或做不了的中型企業貸款。

第二波 是散戶資金湧入，把市場規模推到將近 2 兆美元，但也帶來了流動性錯配 的問題。

現在是第三波：大型銀行帶著自己的資產負債表、放貸通路、和機構客戶關係，重新進場搶地盤。

去幾年，它被包裝成一種神秘的高收益避風港，但現在，它正在回歸金融的本質：信貸審核與資金成本。

商周專欄解禁版(付費會員專享)

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。
我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。
另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。
同時，如果想開戶的話，可以考慮用我的富途/口袋證券獨家推薦碼，會有更多優惠。
全部資訊在以下鏈結：
https://linktr.ee/fomo_soc
另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!
· KP

KP商周專欄(第2000，2001期)

KP@FOMOSoc — Fri, 24 Apr 2026 16:58:03 GMT

💡 閱讀前的小提醒：

原汁原味的「導演剪輯版」： 商周刊登的版本經過了編輯部的精簡與潤飾，而我發布在這裡的，是未經刪減的原始草稿。即使你已經看過雜誌版本，這篇原稿保留了更多我個人的推演過程，讀起來會有截然不同的風味。
底層邏輯，不怕過時： 你可能會想，一個月前的文章現在看會不會太遲？熟悉我的老讀者都知道，我寫作的核心始終是拆解「底層的商業邏輯」，而非追逐短線新聞。因此，這份產業鏈的結構性分析，即使過了一個月，含金量依然不減。
為何沒收到這篇的 Email 通知？ 為了避免過度轟炸大家的信箱，這系列的解禁文章，我都會以「不發送 Email 與推播」的形式獨立上架。我會在週末的常規電子報中，再把連結整理給大家慢慢回顧。

祝大家閱讀愉快！👇

AI還是泡沬嗎？資本支出仍值得擔憂嗎？雲端反彈力度最強？-深入分析第44期：Oracle，CoreWeave，Nebius

KP@FOMOSoc — Wed, 22 Apr 2026 10:03:21 GMT

2024 年，巨頭們（Hyperscalers）的資本支出大約是 2,410 億美元。

2025 年，這個數字飆升到了約4,000 億美元。

而到了 2026 年的預估值？5,000 億到 7,000 億美元。

這是一個什麼樣的概念？這大約佔了美國整體 GDP 的1.3% 到 1.6%。然而，在 2025 年的大部分時間裡，當華爾街分析師在財報電話會議上，試圖從這些科技巨頭口中逼問出一個「AI 的營收數字」時，得到的回應往往是含糊的戰略願景，或是與其他傳統雲端業務混在一起的模糊數據。

一邊是快速增長的基礎設施支出，另一邊卻是遲遲不見蹤影的實質營收。這就是我們故事的起點。

市場並不是無法接受新事物，沒有人真的覺得「AI 沒用」，也沒有人認為這只是另一場虛無縹緲的元宇宙炒作。

華爾街真正恐懼的，是財務錯配：基礎設施的投資速度，已經跑在營收前面好幾年。

這股恐慌對市場造成了非常真實的血洗。

在上兩個財報季，巨頭的股價往往在公佈財報後就會重挫。請注意，他們下跌的原因並不是因為當季營收不及預期，僅僅是因為他們「提高了未來的資本支出指引」。市場對資本支出的容忍度已經見底。

每一場財報電話會議都變成了同一場審訊：你們花了這麼多錢，營收在哪裡？什麼時候能看到回報？自由現金流什麼時候見底？

在市場疑慮達到高峰的 2026 年四月，市場終於等到了他們要的東西。

在這份深入研究中，我們將會一起了解以下的重點：

敘事轉折的關鍵證據：華爾街對「AI 無法變現」的恐懼如何被 Anthropic 與 AWS 的最新財報數據化解。
為何基礎設施層是當前最高槓桿賽道：透過價值鏈拆解與「營運槓桿」財務原理，說明該板塊為何在恐慌期跌幅最深，卻也在需求反轉時具備最大的價值重估（Rerating）空間。
三家指標企業的商業本質與風險輪廓：深入拆解 Oracle 的現金牛護城河、CoreWeave 的極端債務齒輪箱，以及 Nebius 的預付款資本結構，釐清各自的優勢與致命弱點。
負現金流 AI 基建公司的估值方法論：提供 EV/前瞻營收、EV/Backlog 與 SOTP 分類加總等實用框架，並附樂觀/基準/悲觀三情境推演，避免落入後照鏡估值陷阱。
個人化投資決策四步法：根據您對 AI 需求的信念強度、風險承受能力與「如果我錯了」的壓力測試，提供明確的資產配置邏輯與標的篩選路徑。

第一章：兩件「拿錢來看」的事件

1.1 — Anthropic：科技史上最快的企業營收爬坡與「變現」的本質

>> https://lnkd.in/ewyVeVg8 OpenAI's $852bn valuation is facing scrutiny as it shifts strategy toward enterprise AI… | Charles-Henry Monchau, CFA, CMT, CAIA","title":null,"type":"image/jpeg","href":null,"belowTheFold":true,"topImage":false,"internalRedirect":null,"isProcessing":false,"align":null,"offset":false}" class="sizing-normal" alt="From the FT: OpenAI investors question $852bn valuation as strategy shifts >>> https://lnkd.in/ewyVeVg8 OpenAI's $852bn valuation is facing scrutiny as it shifts strategy toward enterprise AI… | Charles-Henry Monchau, CFA, CMT, CAIA" title="From the FT: OpenAI investors question $852bn valuation as strategy shifts >>> https://lnkd.in/ewyVeVg8 OpenAI's $852bn valuation is facing scrutiny as it shifts strategy toward enterprise AI… | Charles-Henry Monchau, CFA, CMT, CAIA" srcset="https://substackcdn.com/image/fetch/$s_!HFbe!,w_424,c_limit,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F2d0fc6b4-d5ee-4035-8150-c8b014e384aa_710x450.jpeg 424w, https://substackcdn.com/image/fetch/$s_!HFbe!,w_848,c_limit,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F2d0fc6b4-d5ee-4035-8150-c8b014e384aa_710x450.jpeg 848w, https://substackcdn.com/image/fetch/$s_!HFbe!,w_1272,c_limit,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F2d0fc6b4-d5ee-4035-8150-c8b014e384aa_710x450.jpeg 1272w, https://substackcdn.com/image/fetch/$s_!HFbe!,w_1456,c_limit,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F2d0fc6b4-d5ee-4035-8150-c8b014e384aa_710x450.jpeg 1456w" sizes="100vw" loading="lazy">

毫無疑問，ChatGPT 是點燃這整場現代 AI 浪潮的「開路先鋒」。它在 2022 年底的橫空出世，直接扣動了微軟、Google、Amazon 等巨頭數千億美元資本支出的扳機。

到了 2026 年 2、3 月交界，OpenAI的年化營收（ARR）已經達到了驚人的250 億美元。

但問題來了：為什麼即使 OpenAI 營收如此龐大，市場在整個 2025 年依然充滿了「AI 無法變現」的恐懼？

因為 OpenAI 早期的營收結構，讓它成為了市場質疑的重點。它的收入高度依賴消費者端（每個月付 20 到 200 美元訂閱費的用戶），而背後卻拖著龐大的免費用戶群與極度高昂的推理成本。

華爾街看著 OpenAI 在 2025 年高達50 到 80 億美元的虧損，以及 2026 年預計超過140 億美元的失血，忍不住問：「這到底是一門好生意，還是一個燒錢的超酷火力展示？」

就在市場最需要一顆定心丸的 2026 年 4 月初，Anthropic釋出了那組漂亮的年化營收。

2025 年底：約90 億美元。
2026 年 2 月中：約140 億美元。
2026 年 2 月底：約190 億美元。
2026 年 4 月初：突破300 億美元。

四個月內，營收翻了三倍以上。憑藉這個數字，Anthropic 悄悄地超越了 OpenAI。

但真正讓市場興奮的，是這300 億美元背後的「結構」。

Anthropic 有高達80%的營收來自企業端（B2B）與 API 呼叫。數據顯示，現在有超過1,000 家企業客戶，每年在 Anthropic 上的花費超過100 萬美元。而這個百萬美元級別的客戶數量，在短短兩個月內就翻了一倍。

其中，光是專注於程式碼開發的Claude Code，就貢獻了約25 億美元的年化營收。

更驚人的是它的營運效率。Anthropic 達成這個科技史上最快的營收爬坡紀錄，花在模型訓練上的成本據報導只有 OpenAI 的四分之一，且在部分業務板塊已經開始邁向正毛利。

平心而論，OpenAI 並沒有輸，他們也正在大力轉向企業端（目前企業端營收已佔其40% 以上）。

但 Anthropic 在 2026 年 4 月的這個時間點，提供了市場最渴望看到的、最乾淨的論述：AI 不是只能賣給消費者的昂貴玩具，它是企業願意按月付費、極具黏性且高毛利的嵌入式工作流軟體。

1.2 — Amazon 股東信：超大規模雲端巨頭第一次攤牌

如果 Anthropic 證明了「軟體端」能賺錢，那麼市場的下一個問題就是：「那些花費數千億美元買 GPU 和建資料中心的基礎設施巨頭呢？」

在 Amazon 執行長 Andy Jassy 那封長達 5,000 字的 2026 年致股東信中，Jassy 做了一件過去三大雲端巨頭（AWS、Azure、Google Cloud）從未做過的事：他把一個精確的、完全歸因於 AI 的營收數字，乾乾淨淨地攤在桌上。

信中揭露，在 2026 年第一季，AWS 的 AI 業務年化營收已經超過 150 億美元。

為了讓市場理解這個速度，Jassy 做了一個刻意的對比：

「在 AWS 商業化推出三年後，它的營收運行率是 5,800 萬美元。而在這波 AI 浪潮的第三年，AWS 的 AI 營收運行率超過了 150 億美元。這是當年 AWS 同期規模的近 260 倍，而且還在快速攀升。」

但整封信中最讓投資人安心的，是這句精準擊中市場痛點的話：

「產能部署多快，我們就能變現多快。」

市場一直恐懼基礎設施會過度建設（Overbuild），害怕買來的 GPU 會閒置。但 Jassy 透露，AWS 至今依然受制於產能不足。甚至有兩個大客戶試圖直接買下 AWS 在 2026 年全部的自研 Graviton 晶片產能（當然，為了保留給其他客戶，AWS 拒絕了）。

這也解釋了為什麼 Amazon 敢在 2026 年計畫高達2,000 億美元的資本支出。Jassy 明確表示，這筆天文數字「不是靠直覺」，它的背後有著堅實的客戶承諾做支撐，包含了與 OpenAI 簽訂的超過1,000 億美元的基礎設施合約。

此外，AWS 的自研晶片業務（Graviton、Trainium、Nitro）年化營收也已突破200 億美元。這意味著他們不僅在賺錢，還在透過降低對 NVIDIA 的純粹依賴來大幅優化未來的利潤率。

1.3 — 這兩件事件的共同訊號

當我們把 Anthropic 的300 億美元和 AWS 的150 億美元放在一起看時，似乎資本支出轉化為營收的「飛輪」，現在已經可驗證地在高速轉動。

模型製造商（如 Anthropic 與 OpenAI）正在從企業端產生數百億美元的真實現金流，這讓他們有底氣去簽下多年期、數十億美元的算力基礎設施合約；而雲端巨頭（如 AWS）拿著這些合約，立刻將新建好的資料中心變現，並以此為基礎，繼續投入下一輪的資本支出。

這兩件事件並沒有消除所有的風險。電網的物理限制（電力瓶頸）依然存在，將積壓訂單轉化為實際營運的執行風險也還在。但是，那個籠罩在 2025 年上空的「泡沫論」核心，對需求端是否真實存在的深層恐懼，已經被化解了一部份。

市場的根本問題，已經從「企業到底會不會為 AI 付錢？」正式轉變為「他們的支出會加速到多快？」

而如果你接受了這個證據，相信 AI 的營收不僅真實存在且正在加速，那麼身為投資人，你無可避免地必須面對下一個問題：

在這場數千億美元的資本狂歡中，錢，到底應該押在價值鏈的哪個位置？

第一章小結：

Anthropic 年化營收突破 300 億美元，企業端 API 佔比高達 80%，徹底打破「AI 僅限消費者訂閱玩具」的市場迷思。
AWS 首次透明揭露 AI 業務年化營收逾 150 億美元，並強調「產能部署多快，變現就多快」，直接緩解市場對過度建設（Overbuild）的恐懼。
兩項事件共同印證 AI 基礎設施需求真實且正在加速，市場核心問題已從「企業是否願意付錢」正式切換為「資本支出能跑多快」。

第二章：為什麼 AI 基礎設施層是最高槓桿的受益者

如果你相信上一章的結論，那麼接下來的問題就是：在這場每年高達5,000 到 7,000 億美元的資本支出狂潮中，我們該把籌碼押在哪裡？

要回答這個問題，我們需要先建立一個簡單的 AI 價值鏈框架。

2.1 — 價值鏈的三層夾心餅乾

我們可以把整個 AI 產業的價值鏈，粗略地分成三層：

最下游：應用與模型層

這層包含了 Anthropic、OpenAI，以及微軟的 Copilot 和 Google 的 Gemini。

但對於公開市場的投資人來說，這一層很難下手：Anthropic 和 OpenAI 是未上市公司；而 Copilot 和 Gemini 雖然強大，卻被深深埋在微軟和 Alphabet 龐大的企業帝國中。

你買不到「純粹」的 AI 應用層曝險，它們的財務表現被搜尋引擎或傳統軟體業務大幅稀釋了。

最上游：晶片與硬體層

這是 NVIDIA、台積電（TSMC）以及記憶體大廠的領域。

在過去的兩三年裡，這裡是所有資金的避風港。值得注意的是，這一層幾乎沒有受到前陣子「AI 泡沫論」的傷害。

為什麼？因為無論軟體賺不賺錢，晶片都在瘋狂出貨。市場對台積電和 NVIDIA 的確定性極高，這些公司的完美預期已經被充分定價。

當所有人都知道這是一門好生意時，它就不再是那個能帶來巨大超額報酬的秘密。

中間層：基礎設施層

這正是我們這份報告的核心。這一層包含了建造、擁有、營運實際資料中心、電力、網路和雲端平台的公司。他們的工作，是把底層的矽晶片，轉化為上層模型公司可以隨開即用的「算力」。

為什麼基礎設施層是泡沫論消退之後最具吸引力的標的？

因為在 2025 年下半年的「泡沫論」恐慌中，這一層受到的衝擊最大，因此現在泡沫消退後的「價值重估（Rerating）」空間也最為巨大。

要理解這點，我們必須談談一個核心財務概念。

2.2 — 營運槓桿的魔力：為什麼泡沫恐慌與狂歡都發生在這裡？

基礎設施層的股價之所以如此劇烈波動，根本原因在於極端的營運槓桿（Operating Leverage）。

什麼是營運槓桿？簡單來說，就是一家公司的成本結構中，「固定成本」極高，而「變動成本」極低。

在 AI 基礎設施的生意裡，你需要先砸下數百億美元買地、建資料中心、簽訂十年電力合約、採購昂貴的 NVIDIA GPU 機組。這些都是龐大的固定成本。

這解釋了為什麼「AI 泡沫論」出現時，這些公司跌得最慘：

當市場懷疑「AI 應用根本賺不到錢」時，投資人看著這些基礎設施公司，彷彿看到他們正在舉債建造一座座價值百億的「鬼城」。

高昂的固定成本加上未知的營收，意味著巨大的破產與財務違約風險。恐懼瞬間放大了估值的下修。

但這也解釋了為什麼當需求被證實後，它們的上行爆發力最強：

一旦基礎設施建好，且客戶（如 Meta、Anthropic）簽下了「照付不議（Take-or-pay）」的多年合約，營運槓桿的魔力就會反向發威。

因為固定成本已經攤在那裡，當營收越過損益兩平點後，每一塊錢的「增量營收」，幾乎不需要增加額外成本，會以極高的毛利率（通常超過60%）直接轉化為淨利。

這就是為什麼基礎設施層對「敘事轉變」如此敏感。從「也許 AI 是泡沫」到「AI 營收也許是真的，而且在加速」，需求能見度的微小改善，就能透過營運槓桿，大幅撬動未來的利潤預期。

2.3 — 雲端其實是一門極好的生意

在我們深入個別公司之前，必須先破除一個常見的迷思：很多人看到基礎設施公司現在動輒數百億美元的負自由現金流，就認為這是一門爛生意。

事實上，歷史已經證明，一旦度過建設期，雲端基礎設施是科技界最賺錢的商業模式之一。

回顧 AWS 在 2006 到 2012 年的建設期，當時 Amazon 也因為龐大的資本支出而被華爾街痛批。

但當規模效應顯現後，傳統雲端業務展現出了驚人的單位經濟效益：規模化後的毛利率高達60% 到 75%，營業利益率穩定在30% 到 35%，且伴隨著極高的客戶轉換成本與經常性收入。

現在這些 AI 基礎設施公司（無論是傳統巨頭還是新貴）所經歷的負自由現金流，是建設週期中前期集中的資本支出，而非商業模式本身有缺陷。

這是一場「現在投資，未來收割」的經典重演，只是這次的規模比當年互聯網時代大了十倍。

2.4 — 為什麼我們跳過雲端三巨頭，專注於 Oracle 與新雲端？

看到這裡，你可能會問：傳統的雲端三巨頭（AWS、Azure、Google Cloud）不也是基礎設施嗎？他們難道不是好生意？

毫無疑問，三大 CSP（雲端服務供應商）是科技界史上最棒的商業模式之一。它們擁有極高的規模經濟、強大的自由現金流，以及無可匹敵的企業生態系。如果追求絕對的穩健，它們依然是核心持股的優質選擇。

但我們這份報告的重點，是尋找「泡沫論消退後，最高槓桿、最具不對稱報酬」的投資標的。

三大巨頭的問題在於「基數太大」。AWS 的 AI 營收雖然高達 150 億美元，但它仍被包裹在 Amazon 龐大的電商與傳統雲端業務中；微軟和 Google 亦然。AI 基礎設施的爆發，對它們來說只是錦上添花，很難讓整家公司的股價在短期內翻倍。

因此，我們將目光轉向光譜上更具爆發力的兩個極端：

光譜的一端，是「投資等級的混合體」：Oracle（甲骨文）。

光譜的另一端，是「純 AI 新雲端（Neoclouds）」：CoreWeave 與 Nebius。

第二章小結

AI 價值鏈可分三層，基礎設施層因 2025 年泡沫論受創最深，故需求反轉後的價值重估（Rerating）與超額報酬空間也最為巨大。
極端「營運槓桿」是股價劇烈波動的核心：高昂固定成本使板塊對需求能見度極度敏感，一旦營收越過損益兩平點，增量收入將以超高毛利率直接轉化為淨利。
跳過雲端三巨頭是因基數過大、股價彈性受限；本報告聚焦具備「下行保護+高成長斜率」的 Oracle，以及「純 AI 曝險」的 Neoclouds（CoreWeave 與 Nebius）。

第三章：Oracle——軟體轉型的巨頭

如果你在 2023 年說 Oracle 會成為AI 基礎設施的焦點，矽谷工程師會當你在開玩笑。

這家成立近半世紀、靠賣企業資料庫起家的巨頭，在雲端市場的市佔率僅約3%，遠落後於 AWS、Azure 與 Google Cloud。

然而，當市場發現三大雲端巨頭的 GPU 算力嚴重短缺時，Oracle 看準了這個破口，展開了一場瘋狂的旅程。

3.1 — 登頂與墜落：一場 500 億美元的 AI 賭注

第一幕：造夢與狂歡

2025 年初，Oracle 與 OpenAI、微軟在白宮宣布了高達5,000 億美元的「Stargate（星門）」AI 基礎設施計畫。

隨後在2025年9月，Oracle 秀出了驚人的成績單：手上握有價值數千億美元的未來訂單。華爾街陷入瘋狂，Oracle 股價單日暴漲36%，市值直逼1 兆美元，創辦人 Larry Ellison 甚至短暫當上了全球首富。

第二幕：帳單寄來了

但到了年底，現實的冷水潑了下來。財報顯示，為了吃下這些天價訂單，Oracle 必須「現在」就瘋狂燒錢蓋廠房。

單季度的資本支出高達186 億美元，這意味著它花錢的速度，已經超過了它賺錢的速度（單季營收 172 億美元）。全年500 億美元的建置計畫，幾乎等於 Oracle 整年總營收的75%。

第三幕：市場的恐慌

投資人突然醒悟：未來的錢還沒賺到，現在的債務卻像雪球般滾到了1,200 多億美元。債券市場嚇壞了，衡量違約風險的CDS 指標狂飆到 2008 年金融危機以來的新高；股票市場也跟著拋售，Oracle 股價在短短幾個月內腰斬，蒸發了超過4,600 億美元的市值。

市場怕的是：Oracle 撐不到 AI 營收進帳的那天，就被龐大的債務和利息壓垮。

3.2 — Oracle 做了什麼來回應？

面對這場信心危機，Oracle 的管理層在 2026 年 2 月到 4 月間進行了一系列密集的「危機管理」行動。每一步都針對上面列出的一個具體恐懼。

台積電財報有甚麼啟示？AI5能拯救特斯拉？華爾街也搶芯片？- KP思考筆記(第38期)

KP@FOMOSoc — Sat, 18 Apr 2026 02:45:42 GMT

大家好，我是 KP，歡迎來到第 38 期的《週末思考筆記》。

股市繼續一路狂飆。曾幾何時讓市場極為擔心的戰爭陰霾，轉眼間似乎已無人理會。

其實，危機的演變規律向來如此：市場並不需要等到危機真正解除的那一天才反彈，它只需要確認「最壞的情況已經過去」。

回頭看 2020 年疫情大反彈時，病毒消失了嗎？去年的貿易關稅取消了嗎？都沒有。但當市場排除了「末日劇本」，確認了最極端的風險邊界後，資金就會開始重新定價。

目前的戰爭走向依然充滿變數，但或許這已不再是核心矛盾。只要雙方仍有明確意願尋求共識，戰爭對市場的邊際影響就會遞減，高油價則會被內化為一種「新常態」。

老實說，我更喜歡現在這種節奏。並非單純因為市場上漲，而是因為我始終認為：宏觀決定風向（順風或逆風），但產業研究才能帶來真正的 Alpha（超額回報）。

宏觀分析固然重要，但深挖產業底層邏輯、看清企業護城河，這件事不僅更有趣，也更具備可重複的投資價值。

當然，作為投資者，我們永遠要練習「逆向思考」：當市場極度悲觀時，不要被恐慌吞噬；當市場非常樂觀時，則要留一分謹慎。

目前 VIX 指數從 30 多迅速回落至 20 以下，短期情緒可能有些過於亢奮。如果 VIX 繼續下探，趁著波動率（Vol）便宜的時候，我會考慮佈置一些對沖工具（例如 Put Spread），為組合買一點便宜的保險。

這不是預測市場必跌，而是買保險最好的時機，永遠是風平浪靜的時候。

最好的結果當然是這份保險最後用不上，但有了它，我們在面對未知的波動時，能更有底氣地堅持長線邏輯。

另外，想跟各位會員呼籲一下：「FOMO 研究院」的聊天室是一個含金量極高的交流空間。裡面的討論非常高質且理性，強烈建議大家多進去交流。(只有Substack上才有聊天室，其他任何地方的都是詐騙)

在那裡，你可以看到不同視角的邏輯碰撞，這對於提升個人的「認知邊界」非常有幫助，千萬不要浪費了這個資源。

宏觀佈局是為了生存，產業研究是為了獲利。本週的思考筆記，我準備了六個主題，讓我們繼續撇除雜訊，回歸邏輯：

主題一：AI5 晶片定案，特斯拉要起飛了嗎？

主題二：Google 找上 Marvell，為了制衡博通？

主題三：亞馬遜的「太空圈地」，意在重塑太空通訊？

主題四：台積電毛利率破紀錄之後，接下來怎麼看？

主題五：華爾街的「最聰明大腦」也下場搶晶片？

主題六：愛馬仕遭遇暴跌，元凶竟是戰爭？

在進入主題前，會員們請為下一期深入分析主題進行投票!請注意，這個投票不是下一期，而是再下一期。

主題一：AI5 晶片定案，特斯拉要起飛了嗎？

Elon Musk 表示，特斯拉下一代的客製化 AI 晶片「AI5」，已經正式「Tape-out」。

「Tape-out」是晶片開發中最關鍵的工程里程碑，代表著最終設計方案已經凍結，並正式送交給晶圓代工廠（例如台積電）進行初期的矽晶片製造。這一步完成，意味著從藍圖到實體的過程已經開始。

Musk 不僅僅是宣布了消息，他還直接秀出了 AI5 晶片的實體封裝照，並恭賀了 @Tesla_AI 團隊。這不是一張虛無飄渺的設計圖，而是一個已經可以拿在手上的、準備整合進汽車、機器人或 Dojo 超級電腦 的完整系統單晶片（SoC）。

AI5 晶片：一頭性能猛獸

從 Musk 公布的照片和後續的資訊來看，這顆晶片的設計思路非常明確：為 AI 推論任務而生的極致效能。

照片中，一顆巨大的深黑色運算核心（ASIC）被放置在藍色基板中央，周圍被12 顆對稱排列的黑色高頻寬記憶體（據報為 SK 海力士的 HBM）所環繞。

AI5（原名 HW5）的規格比起現在的AI4 提升不少：算力提升 8 倍、記憶體提升 9 倍、頻寬提升 5 倍。馬斯克說，單顆 AI5 的效能，相當於 5 顆 AI4 的總和。

若要找個參照物，一顆 AI5 在處理特斯拉自身神經網路任務時的效能，大約與 NVIDIA 的 H100 處於同一級別。但關鍵在於，作為客製化晶片（ASIC），它剔除了所有通用 GPU 不需要的功能，因此能以遠低於 H100 的成本和功耗來達成目標。

AI5 的真正目標：不是修正 FSD，而是解鎖未來

很多人看到新晶片，第一反應是：「這是為了讓現在的 FSD 變得更好嗎？」

Musk 明確地給出了答案：不是。

他強調，目前的 AI4 晶片，已經足以實現超越人類安全水準的全自動駕駛（FSD）。那麼，為何還需要一顆強大這麼多的 AI5？

答案在於特斯拉的下一個宏大篇章：實體世界的人工智慧（Physical AI）。

AI5 的龐大算力，是為了支撐規模遠超今日的神經網路模型，其主要應用場景為：

Optimus 人形機器人：讓機器人能夠在本地端即時進行複雜的環境感知和決策，而不是依賴雲端。
Robotaxi / Cybercab 無人計程車隊：大規模部署時，對算力、成本和功耗的極致要求。
Dojo 超級電腦：不僅用於模型訓練，也將用於大規模的推論任務。

Musk 甚至用「攸關存亡（existential）」來形容 AI5 對於特斯拉未來的重要性。

精心策劃的「預期之中」與市場反應

這次的 Tape-out 算是意外嗎？其實不完全是。

市場普遍預期 AI5 會在 2026 年 某個時間點完成設計，並在 2027 年 進入量產。從這個角度看，一切都在修訂後的時間表上。

在第一季交車數據疲軟、市場對電動車需求產生質疑的當下，馬斯克拋出了一個比內部時程提前 45 天 完成的硬體里程碑。

這就是典型的馬斯克式操作：當現實世界的財務指標（如毛利率、交付量）面臨壓力時，他會迅速將市場的注意力拉回到「未來敘事」上。AI5 的出現，成功讓投資者從糾結「這季賣了幾台車」，轉向想像「未來幾百萬台機器人的大腦」。

消息公布後股價的跳空大漲，證明了市場依然吃這一套。

回歸基本面：情緒修復大於實質改變

但回歸基本面，AI5 的 Tape-out 真的改變了特斯拉現在的處境嗎？

客觀來說，並沒有。AI5 真正進入產品線並產生實質營收貢獻，至少還需要 12 到 18 個月。它無法解決當前電動車市場的激烈競爭，也無法立刻填補降價帶來的利潤缺口。

這場發布會真正的價值，在於「情緒修復」。

在特斯拉的估值體系裡，「情緒面」往往比「基本面」更具影響力。投資者買入特斯拉，買的不是一家車廠的現金流，而是對一個「由 AI 驅動的未來」的信仰。AI5 的實體照片，就是為這份信仰注入的一劑強心針。

它驗證了特斯拉在垂直整合上的護城河依然穩固，也證明了其工程團隊在混亂中仍保有極高的執行力。但這更像是一座連接「現在的困境」與「未來的輝煌」之間的敘事橋樑。

我們應該慶幸特斯拉依然擁有這種「將未來提前變現」的敘事能力，但同時也要保持清醒：在 AI5 真正轉化為 Robotaxi 的營收 之前，特斯拉仍需在電動車紅海的泥濘中，繼續這場艱難的消耗戰。

主題二：Google 找上 Marvell，為了制衡博通？

根據研究機構 FundaAI 在 4 月 14 日 發布的報告，Google 正在與晶片設計大廠 Marvell 進行積極的談判。

僅僅兩天後（4 月 16 日），J.P. Morgan 最新的供應鏈調查情報更明確指出，Google 正與 Marvell 合作開發一款基於 SRAM 的運算引擎。

這讓整起事件的可信度大幅提升，因為它完美契合了 Google 一貫的供應鏈戰略，極力推動多元化，以維持議價能力並確保供應安全。

許多人的可能會問：Google 已經有長期合作夥伴 Broadcom (博通)，為何還要找上 Marvell？這是否意味著 Broadcom 的地位岌岌可危？

要理解這一點，我們必須看懂 Marvell 的獨特價值。

大腦與神經系統：從互連到記憶體

如果說，晶片的運算核心（如 GPU 或 TPU）是 AI 系統的「大腦」，負責計算；那麼，將成千上萬個「大腦」高效連接起來的高速互連（Interconnects）和網路架構，就是系統的「中樞神經系統」。

隨著模型規模的爆炸性增長，AI 系統的瓶頸早已從單純的算力（FLOPS）轉移到了數據傳輸上。

在傳統 GPU/TPU 架構中，模型權重主要存放在離晶片較遠的 HBM（高頻寬記憶體）中。這在 LLM 推論時會造成延遲和功耗瓶頸，因為晶片需頻繁等待數據傳輸。為了解決這個問題，類似 Groq LPU 的概念應運而生：將海量的 SRAM（靜態隨機存取記憶體）直接整合到晶片上，實現超低延遲和超高吞吐量的推論效能。

而 J.P. Morgan 的報告直指，Google 與 Marvell 合作的，正是一款概念上與 Groq LPU 相似的 SRAM 運算引擎，目標是打造 Google 自己的「LPU」，專門用於優化 Gemini 等模型的即時服務。

Marvell 的王牌：業界領先的 2nm 客製化 SRAM

Marvell 正是解決「神經系統」和「記憶體瓶頸」的世界級專家。它不僅在高速 SerDes 和光學技術上領先，其真正的殺手鐧，是在客製化高密度 SRAM 領域的領導地位。

Marvell 在 2025 年中發布了業界首款 2nm 客製化高密度 SRAM，截至 2026 年 4 月，這項技術仍然是市場上的佼佼者。它並非簡單的 IP 授權，而是專為 AI 推論加速器量身打造的突破性產品。

這項技術讓 Google 能在推論晶片上整合更多記憶體，大幅減少對外部 HBM 的依賴，從而根本性地解決延遲和功耗問題。

Google 找上 Marvell，意圖已昭然若揭：它並非要 Marvell 取代 Broadcom 的「大腦」，而是要借助 Marvell 獨步全球的 SRAM 專長，為其 AI 基礎設施打造一個反應更快的「神經系統」。

Broadcom 的警鐘？短期無虞，長期競爭加劇

對 Broadcom 而言，這則消息更像是一次提醒，而非立即的威脅。

就在消息爆出的幾天前，Google 才剛與 Broadcom 簽署了一份延續至 2031 年 的、涵蓋 TPU 和網路設備的長期供應協議。這份大單確保了 Broadcom 在未來數年內的核心地位和營收能見度。

因此，Google 的策略是「多元化」而非「取代」。這在其供應鏈管理中是行之有年的劇本，在最新 TPU 的開發上，Google 也引入了 聯發科（MediaTek）協助處理部分設計環節。

這次與 Marvell 的接觸，極可能是在複製同樣的策略：一方面，讓長期夥伴 Broadcom 繼續主導核心的高性能訓練晶片；另一方面，引入 Marvell 作為關鍵技術的第二供應來源，不僅能借助其專長，更重要的是能在供應鏈中保持議價能力，避免單一供應商獨大的風險。這在供應鏈管理中是非常正常的操作。

更大的圖景：雲端巨頭的「去 Nvidia 化」軍備競賽

將視角拉高，Google 與 Marvell 的接觸，只是這場席捲全球科技業的「客製化 AI 晶片軍備競賽」中的一個縮影。

從 Google (TPU)、Amazon (Trainium/Inferentia)，到 Microsoft (Maia) 和 Meta (MTIA)，所有雲端巨頭都在不計代價地投入自研晶片。

而焦點正從單純的算力（FLOPS）競逐，轉向對記憶體階層、功耗和總體擁有成本（TCO）的「全系統優化」。

在這場競賽中，贏家將不僅僅是某一家晶片設計公司。整個半導體生態系，從設計服務商（Broadcom, Marvell）、晶圓代工廠（TSMC），到光學元件、散熱和電源管理的供應商，都將迎來巨大的市場機遇。

主題三：亞馬遜的「太空圈地」，意在重塑太空通訊？

亞馬遜（Amazon）宣布以約 115.7 億美元（每股 90 美元）溢價併購衛星通訊公司 Globalstar，這筆亦令 AST SpaceMobile (ASTS) 股價應聲重挫。

亞馬遜已經有自家的 Project Kuiper（現改名 Amazon Leo）了，為什麼還要花大錢買一家老牌衛星公司？

因為，在衛星通訊領域最值錢的，是「頻譜（Spectrum）」與「落地許可」。

頻譜與許可：衛星通訊的真正護城河

亞馬遜自家的衛星計畫 Amazon Leo 雖然進展順利，但其核心設計是為了「衛星寬頻」（類似 Starlink 的大碟子服務），在「手機直連（D2D）」技術上，亞馬遜目前的進度幾乎是零。

如果沒有這筆收購，亞馬遜要開發出能讓普通手機直接連網的技術，可能還要再花數年時間研發與申請頻譜。

Globalstar 手中握有全球 120 多個國家 的移動衛星服務（MSS）頻譜授權（特別是關鍵的 Band 53/n53）。自 2022 年 iPhone 14 發表以來，Globalstar 就一直在支撐蘋果的衛星求救（Emergency SOS）、衛星訊息及「尋找」功能。Globalstar 目前擁有約 24 顆 在軌運行的低軌衛星，且正由 MDA Space 建造下一代星座（預計擴張至 54 顆）。

亞馬遜的 Amazon Leo 雖然計畫龐大，但要從頭申請這些全球頻譜，耗時耗力且充滿不確定性。

併購 Globalstar，等於亞馬遜直接買到了進入 D2D（手機直連衛星）市場的「全球通行證」。這讓亞馬遜能跳過繁瑣的法律程序，直接在 2028 年 推出下一代高頻寬、低延遲的衛星通訊服務。在科技競爭中，領先兩年就是生與死的差距。

鎖定蘋果，鞏固生態

Globalstar 本身就是蘋果 iPhone 衛星求救功能（Emergency SOS）的技術提供商。亞馬遜透過收購，不僅接管了這筆關鍵生意，更將蘋果這個全球最大的消費電子巨頭，牢牢綁定在自己的「Amazon Leo」生態系統中。

對於蘋果來說，這也不是壞事。與其依賴規模較小的 Globalstar，不如與財力雄厚、擁有強大發射能力的亞馬遜合作，未來 iPhone 的衛星功能只會更強、更快。

是威脅，更是「價值重估」

ASTS 股價的下跌反映了市場對「巨人進場」的恐懼。確實，亞馬遜有的是錢和火箭資源，這對新創公司是巨大壓力。

但換個角度看：亞馬遜願意砸 116 億美金 買下一個老牌衛星商，這本身就是對「D2D 市場」最高等級的背書。

目前 ASTS 在技術進度上其實仍領先亞馬遜（ASTS 已經實現了普通手機的 5G 通話與視訊）。亞馬遜的 2028 年 目標，給了 ASTS 至少 1-2 年 的「領先窗口期」。它必須在有限的時間窗口內，證明自己能夠抵禦亞馬遜排山倒海的資本與規模優勢。

這是一場典型的「時間換空間」與「空間壓制時間」的對決。ASTS 擁有寶貴的先發優勢，而亞馬遜則擁有無限的資源和後來居上的決心。

至於 Starlink，現在稱 Amazon Leo 為「星鏈挑戰者」還太早

雙方規模差距極大，Starlink 目前擁有超過 6,000 顆 在軌衛星，且具備 SpaceX 強大的垂直發射能力，成本極低。Starlink 已經擁有數百萬用戶，現金流充沛且已開始盈利。

當亞馬遜還在整合 Globalstar、預計 2027 年 才完成交易時，Starlink 可能已經實現了全球範圍的 D2D 商業化。

亞馬遜雖然有錢，但在太空領域仍是「追趕者」。這筆收購是為了保住參賽資格，而非立即反超。

對 Globalstar 來說，應該是套利還是撤離？

目前收購價定在每股 90 美元，但 Globalstar 的市場價格仍徘徊在 80 至 81 美元 之間，存在約 10%-12% 的價差。這反映了幾個現實問題：

漫長的等待期：交易預計要到 2027 年 才能完成，這中間有一年以上的時間成本。
支付結構：90 美元 的對價包含「現金」或「亞馬遜股票（0.3210 股）」。現金部分設有 40% 的上限，若超額申請則會自動轉為股票。
里程碑風險：合約中包含約 1.1 億美元 的下調條款，掛鉤 Globalstar 的衛星部署進度。
稅務考量：股票交換部分通常具備稅務遞延優勢，這對大股東來說是利多。

目前約 10% 的溢價空間是典型的「併購套利（Merger Arbitrage）」。如果你不急著用錢，持股到最後完成兌換，這是一個相對確定的回報；但如果如果有其他更高成長的標的，現在獲利了結轉向更具爆發力的戰場，也是一種策略。

萬物互聯的最後一塊拼圖

亞馬遜的野心從來不只是賣貨。從雲端到自研 AI 晶片到現在的全球衛星網，Bezos（及現任 CEO Jassy）在做的是「全棧式的基礎建設控制」。

當你的手機、你的自駕貨車、你的 IoT 設備，無論在深山還是大海，都必須透過亞馬遜的頻譜與衛星連網時，亞馬遜就成了物理世界中不可或缺的「數位氧氣」。

這場「星空之戰」的牌桌上，玩家已然明朗：馬斯克的星鏈、Bezos 的亞馬遜，以及在夾縫中尋求突破的 ASTS 等一眾挑戰者。

主題四：台積電毛利率破紀錄之後，接下來怎麼看？

台積電 Q1 2026 財報出來，毛利率 66.2%，創歷史新高。Q2 指引中位數 66.5%，還在往上走。全年營收成長從「接近 30%」上調到「超過 30%」。

看起來一切都很好，對吧？

不過，同時台積電公佈，下半年開始，毛利率會被稀釋。

2 奈米開始量產爬坡，預計全年稀釋 2-3%。海外廠（亞利桑那、日本、德國）持續擴張，初期稀釋 2-3%，後期會擴大到 3-4%。中東局勢可能推高特殊氣體和化學品成本，目前還無法量化。

這是壞消息嗎？

先講結論：這不是壞消息，這是投資期的正常現象。

為什麼稀釋不是壞消息？

每一代新製程剛量產的時候，都會經歷這個過程。設備折舊還沒攤開、良率還在爬升、學習曲線的成本還沒消化。3 奈米剛開始量產的時候也是這樣，現在管理層說 N3 的毛利率已經在 2026 下半年 跨過公司平均線了。

海外廠的邏輯也類似。亞利桑那的成本結構比台灣高 15-30%（人工、能源、法規遵循），初期產能利用率又低，稀釋毛利率是必然的。但這些廠拿了 CHIPS Act 補貼，服務的是最願意付溢價的美國客戶，長期來看是地緣政治的保險，不是包袱。

真正值得注意的是另一件事：台積電現在的毛利率已經高到可以吸收這些稀釋還有餘裕。

66% 的毛利率，被稀釋 2-3%，還有 63-64%。這個數字放在半導體產業裡依然是頂尖水準，而且遠高於管理層設定的長期目標下限 56%。

換個角度想：如果一家公司連投資未來的餘裕都沒有，才是真正該擔心的事。

產品組合升級：賣的是「更貴的晶圓」

比起毛利率更重要的是，這一季 HPC（高效能運算，主要是 AI 和資料 center）佔營收 61%，季增 20%。先進製程（7 奈米以下）佔晶圓營收 74%，其中 3 奈米 就佔了 25%。

這代表什麼？代表台積電賣的不只是「更多晶圓」，而是「更貴的晶圓」。

AI 晶片的晶粒面積大、封裝複雜、對良率要求高，每片晶圓的平均售價遠高於手機或消費性電子晶片。當 HPC 佔比 從 50% 出頭拉到 61%，整體產品組合的「含金量」就在上升。

這就是為什麼毛利率能創新高：不只是產能利用率高，而是產品組合持續往高價值端移動。

再看庫存天數，從上季的 74 天 增加到 80 天。

這聽起來像是警訊，但管理層解釋這是為了 2 奈米 和 3 奈米 的產能爬坡而備貨。如果是低價值產品堆庫存，毛利率不會同時創新高。庫存增加、毛利率也增加，代表這些庫存是高價值的先進製程晶圓。

台灣生態系的不可替代性

另一個有趣的訊號是，即使全球佈局，台積電仍明確表示：最先進、利潤最高的技術（如 2 奈米 及未來的 A16），將「優先在台灣落地生根」。

魏哲家在電話會議上說：「我們的慣例是優先把台灣的土地留給最新製程的快速量產，因為需要跟研發緊密整合。」

2 奈米已經在新竹和高雄同步量產，良率表現良好。台南科學園區還有一座新的 3 奈米廠，預計 2027 上半年 量產。相較之下，亞利桑那的第二廠要到 2027 下半年，日本的第二廠要到 2028 年。

先進製程的良率爬坡需要研發、試產線、量產線緊密配合。新竹科學園區那個生態系，人才、供應商、設備商、研發中心全部在一起，是幾十年累積出來的，海外廠短期內複製不了。

所以台積電的策略是：最先進的東西留在台灣，成熟一點的製程放海外。這樣既能保持技術領先，又能滿足客戶對地緣政治分散的需求。

先進封裝：新的競爭護城河

最後一個重點：先進封裝。

電話會議上被問了好幾次 CoWoS（Chip-on-Wafer-on-Substrate，台積電的 2.5D 封裝平台）的產能問題。魏哲家的回答很直接：「非常吃緊。」

現在的 AI 晶片 越做越大，需要把大尺寸的運算晶粒和多顆 HBM 記憶體 封裝在一起。CoWoS 是目前最成熟的方案，但產能跟不上需求。台積電一邊自己擴產，一邊找 OSAT 夥伴幫忙，還是吃緊。

下一代的 CoPoS（Chip-on-Panel-on-Substrate，面板級封裝）已經在建試產線，預計 2028 年左右 量產。這是為了更大尺寸的「中介層」和更好的成本結構做準備。

有分析師問到大尺寸封裝的翹曲和熱應力挑戰，魏哲家的回答很有意思：「挑戰越難越好，因為這是台積電的強項。」

封裝早已從「後段製程」變成「競爭護城河」。誰能解決大尺寸封裝的物理極限，誰就能吃下 AI 晶片 的訂單。台積電在這個領域的領先，跟它在先進製程的領先一樣重要。

接下來要追蹤的關鍵指標

把這些拼起來看，台積電這份財報沒有太多意外。該強的地方很強，該投資的地方在投資，該稀釋的毛利率也在預期範圍內。

但「沒有意外」不代表可以放著不管。接下來幾季，有幾個關鍵指標值得持續追蹤：

1. AI 需求的持續性。

HPC 佔營收 61% 是這一季的數字，但 AI 需求 能不能維持這個強度？管理層提到從生成式 AI 到 Agentic AI 的轉變會帶來「另一波運算量的躍升」，這個說法要看後續季度能不能驗證。

2. 先進封裝的瓶頸能不能打開。

現在的狀況是晶圓產能在擴，但封裝產能跟不上。供應鏈估計台積電目標是 2026 年底前 把 CoWoS 月產能拉到 12.5-13 萬片，這個數字能不能達成會直接影響 AI 晶片 的出貨節奏。

3. 2 奈米良率和產能爬坡。

管理層說良率「良好」，但這是定性描述。後續要看的是產能能不能按計畫在 2026 年底前 拉到月產 10 萬片 以上，以及 A16（背面供電）的時程有沒有變化。2 奈米 是下一波 AI 和手機旗艦晶片的核心，執行順利的話可以抵消毛利率稀釋的壓力，出問題的話會影響 2027 年以後 的成長動能。

總結來說，這份財報確認了台積電目前的執行力和競爭地位都沒有問題。

接下來的重點不是擔心已知的毛利率稀釋，而是追蹤 AI 需求 能不能持續、產能瓶頸 能不能打開、以及新製程的爬坡有沒有按計畫走。這些才是決定未來幾年股價方向的關鍵變數。

主題五：華爾街的「最聰明大腦」也下場搶晶片？

如果你沒聽過 Jane Street 這個名字，很正常。他們不做廣告、不上新聞、不談自己在做什麼。

但在華爾街，他們是食物鏈頂端的存在。一家量化交易公司，員工大概兩千多人，交易收入據報導超過數百億美元。每個員工平均創造的收入，大概是 Google 的十倍。

他們招募的人，是那種 MIT 數學系前幾名、國際奧林匹亞競賽得獎者、或者頂尖 AI 研究機構 出來的人才。面試流程出了名的難，據說包括多輪機率題、賽局理論、還有現場交易模擬。

這家公司剛剛跟 CoreWeave 簽了一筆 70 億美元 的交易。

60 億美元 買的是未來幾年的 GPU 算力，包括 NVIDIA 還沒上市的 Vera Rubin 晶片。另外 10 億美元，直接買了 CoreWeave 的股票，讓 Jane Street 成為第五大股東。

這不是 Jane Street 第一次跟 CoreWeave 合作。他們之前就已經是客戶、也是投資人。但這次的規模完全不同。

為什麼一家交易公司需要這麼多 GPU？

答案是：現代量化交易，本質上已經是一場 AI 軍備競賽。

想像一下 Jane Street 每天要處理的東西：全球幾十個交易所、數百萬筆交易、每一筆都在毫秒內發生。要從這些雜訊裡面找出訊號、預測價格走向、管理風險、執行交易，這全都是機器學習的工作。

而且是大規模的機器學習。他們需要訓練模型、測試策略、在真實市場上即時運算。這一切都需要算力。大量的算力。

過去，華爾街的量化公司主要靠自己建機房、買伺服器、囤硬體。但 AI 時代 變得太快了，最新的晶片供不應求，拿到貨要排隊，自己建資料中心要花好幾年。

CoreWeave 做的事情，就是把這些問題外包掉。他們專門蓋 GPU 資料中心、搶 NVIDIA 的最新晶片、提供雲端算力服務。客戶不用自己蓋機房，直接租就好。

這對 Jane Street 來說很有吸引力。他們要的是速度和彈性，能夠快速取得最新的硬體、能夠根據需求調整規模。自己蓋不划算，而且太慢。

為什麼還要買股票？光買算力不夠嗎？

這反映了當前 AI 賽道 的一個新常態：頂級客戶必須同時是頂級投資人，才能在生態系中換取話語權。

Jane Street 把自己綁進 CoreWeave 的成長故事裡，作為大股東，他們能確保優先的晶片配額與更深的技術合作。更精明的是，既然未來幾年要付給對方 60 億美元 租金，不如直接持有股份；如果 AI 基礎設施 持續暴漲，這筆股權增值就能對沖掉一部分的算力成本。

對於 CoreWeave 來說，這 10 億美元 現金更是及時雨。他們正處於極度燒錢的擴張期，2026 年 的資本支出計畫高達 350 億美元。雖然這筆交易帶來了約 2% 的股權稀釋，但它向債權人傳遞了一個強大的訊號：「看，連全地表最聰明的量化交易員都看好我的產能。」

這筆交易的時機點極具啟發性

就在同一週，CoreWeave 才剛跟 Meta 和 Anthropic 簽下大約。三筆大單分別來自：社群媒體巨頭、頂尖 AI 機構、以及量化交易龍頭。這說明 AI 算力 的需求已經從矽谷來到了華爾街，而且這不再只是「嘗試新技術」，而是攸關生存的資源爭奪戰。

Jane Street 願意一次鎖定 60 億美元 的算力，而且還用自己的錢買股票，這不是隨便做的決定。這是他們判斷未來五到十年，頂尖算力會是稀缺資源，早點鎖定比晚點搶好。

更廣泛來看，這是 AI 基礎建設熱潮 的重新確認。NVIDIA 賣晶片、CoreWeave 蓋資料中心、客戶搶著簽長約。

雖然 CoreWeave 的高負債依然存在風險，但這筆交易成功地修復並強化了市場情緒。它告訴投資者：AI 的故事遠未結束。當這群地表上最會算計、最厭惡風險、也最會賺錢的人，都決定親自下場參與這場基礎設施的豪賭時，這本身就是一個最強大的基本面。

主題六：愛馬仕遭遇暴跌，元凶竟是戰爭？

提到中東衝突，你會想到什麼？

油價飆升、天然氣中斷、化肥推高糧價、航線繞道，這些是地緣政治的標準劇本。但極少人預料到：中東戰爭竟成為壓垮全球奢侈品業的最後一根稻草。

四月中旬，愛馬仕盤中暴跌 14%，創上市 33 年 紀錄，收盤跌幅仍為十多年之最。同日 Kering 重挫，LVMH 前一日財報失利。兩天內，行業市值蒸發逾千億美元。

一場醞釀年餘的風暴

回溯 2021 年，奢侈品迎來黃金時代。疫後報復性消費席捲全球，中國搶購、歐美富人揮霍、新興中產追捧入門款，LVMH、愛馬仕、Kering 股價狂飆，市盈率衝上 40-50 倍，堪比科技股。

隨後音樂停止。2024 下半年 進入繁榮後調整：中國市場（佔全球消費逾 30%）受房市餘波、青年失業與消費心態轉向影響，富豪轉趨低調，年輕人質疑溢價，增長急凍。西方入門客群則在高利率與通脹下疲軟，品牌過度擴張導致庫存過剩與審美疲勞。

Gucci 有機銷售雙位數下滑、利潤率重挫，成為擴張失速的反面教材；Kering 陷入漫長轉型，連多元化的 LVMH 也僅能勉強持平。

至 2026 年初，LVMH 股價已從高點回落近 30%，創 1989 年 來最差開局，表現優於 08 年 金融海嘯與 20 年 疫情。愛馬仕與 Kering 同步遭拋售，行業迎來史上最慘首季。而這一切，發生於中東戰火之前。

昔日的避風港

諷刺的是，2025 年 行業寒冬中，中東（尤其杜拜）曾是唯一亮點。當中西方需求放緩，海灣超高淨值人群展現韌性，帶動杜拜成全球增長最快市場。分析師一度斷言「奢侈品未來在中東」。

關鍵在於乘數效應。海灣富豪不僅在當地消費，更頻繁飛往巴黎、倫敦、米蘭，單次旅程耗資 5 至 20 萬歐元。他們撐起歐洲旗艦店營收，機場免稅消費遠超普通遊客。這個僅佔全球銷售 5-6% 的市場，卻貢獻不成比例的利潤與跨區需求。

直到 2026 年 2 月底，伊朗戰爭爆發。

看不見的傳導鏈

戰爭對奢侈品的打擊不在供應端，而在需求端。三月數據 揭開破壞規模：杜拜購物中心客流量腰斬，阿聯酋購物中心專櫃銷售跌 30-50%，LVMH 直言海灣區銷售暴跌約五成。

但衝擊不止於此。海灣富豪停飛，直接牽動歐美旗艦店。愛馬仕法國銷售下滑 2.8%，主因正是揮金如土的中東客戶消失；瑞士與英國門店同步受挫。LVMH 財報會議明確指出，中東衝突直接削去集團整體有機增長 1 個百分點，對原本僅預期 1.5-2% 增長的企業而言，這足以致命。

一場波斯灣戰火，透過「本地消費崩潰→跨境旅遊停擺→高淨值信心受挫」的隱性鏈條，數週內重創從杜拜到巴黎的奢侈品生態。

愛馬仕亦非鐵板

愛馬仕的跌勢最具象徵意義。過去十年，它被視為投資避險資產，估值長期較 LVMH 溢價逾 50%。其模式核心是「刻意稀缺」：Birkin 排隊數年、絕不折扣，二級市場年化報酬 14% 跑贏大盤，支撐逾 70% 毛利率與 40% 營業利潤率。

但這個模式有一個隱藏的脆弱性：當需求突然消失時，它沒有任何靈活性。

LVMH 擁有 75 個品牌，可憑腕錶、美妝與零售板塊對沖，靈活調整庫存與資源；愛馬仕卻不能降價清倉、無法促銷刺激，亦無多元業務分散風險。中東客消失，它只能被動等待。

時機更為諷刺：股價崩跌前數日，愛馬仕剛短暫超越 LVMH 登頂全球市值第一，轉眼卻經歷十多年來最慘單日表現。

被推遲的復甦

第一季度的財報揭示了一個微妙但重要的細節：在戰爭爆發之前，復甦其實已經開始了。

一月和二月的數據顯示，中國市場正在穩定，美國消費依然強勁，行業最糟糕的時期似乎已經過去。分析師開始上調預期，談論 2026 年下半年 的增長回歸。

戰爭作為外部衝擊，中斷了這條脆弱軌跡。但管理層語氣顯示，這並非結構性衰退。邏輯很直接：海灣富豪財富未消失，他們只是暫時停止旅行和購物。局勢穩定後，被壓抑的需求歷史上往往快速反彈。

不過，未來幾個月，壓力可能持續。遊客信心的恢復需要時間，通常是幾個月而非幾週。第二和第三季度的同比數據仍然會難看。但大多數機構仍預期 2026 年 是復甦之年，只是時間點從上半年推遲到下半年甚至 2027 年初。

當然，風險並未完全消除。四月初達成的停火協議脆弱，如果衝突拖入第三季度甚至更久，持續的油價上漲和通脹壓力可能衝擊全球消費者信心，把一個區域性問題變成全球性問題。如果干擾持續六個月以上，衰退風險將顯著上升，屆時受傷的就不只是中東市場了。

但目前，這仍是「推遲而非取消」的故事。

更大的圖景

退後一步，這場危機揭示全球化時代常被忽略的現實：連鎖反應往往是非線性且出人意料的。

我們習慣直線思考地緣風險：中東衝突→油價→通脹。但經濟系統遠比想像複雜。一場波斯灣戰爭，能透過旅遊流動、消費信心與富人行為，數週內重創看似無關的行業；一個僅佔 6% 的市場，足以藉由乘數效應引發千億美元市值震盪。

「安全資產」本就是危險幻覺。當市場相信某標的「免疫於風險」，其實只是假設自己已窮盡所有傳導路徑。世界總比我們的想像力更有創意。

愛馬仕仍是偉大企業，LVMH 依舊是行業霸主，長期邏輯未變。但「不可能失敗」的神話已碎。下次當有人聲稱某資產是「避風港」或某行業「不受地緣影響」時，請記住這個故事：

記住炮火是如何從石油，蔓延到 Birkin 的。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。
我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。
另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。
同時，如果想開戶的話，可以考慮用我的富途/口袋證券獨家推薦碼，會有更多優惠。
全部資訊在以下鏈結：
https://linktr.ee/fomo_soc
另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!
· KP

下一個瓶頸是CPU？x86還是ARM？誰才是CPU概念股？ - 深入分析第43期：AMD，Intel，ARM

KP@FOMOSoc — Wed, 15 Apr 2026 11:34:49 GMT

在過去數年，整個科技界和華爾街只有一個共同信仰：「得 GPU 者得天下」。

那時候，NVIDIA的 H100 晶片一卡難求，矽谷巨頭們為了搶 GPU，甚至在財報會議上將 GPU 庫存量視為核心競爭力指標。

這段歷史在所有投資人與大眾心裡，植入了一個根深蒂固的常識：AI = GPU。

但在 2026 年的今天，當你走進最先進的 AI 資料中心，你會發現最缺貨、最讓人頭痛的運算瓶頸，已經不再只是 GPU，變成了記憶體，變成了光模塊，變成了電力，變成了散熱。

這些主題都很好，但我們總會忍不住想，還有沒有還未被討論透的機會？

答案是，那個曾經被視為無聊配角的：CPU（中央處理器）。

如果你覺得「CPU 缺貨」聽起來很反直覺，不妨看看最近幾個月產業巨頭們的真實動態：

AMD CEO 蘇姿丰 (Lisa Su) 在近期的財報會議上直言，EPYC 伺服器 CPU 的需求「遠超預期」。在關鍵的資料中心領域，AMD 的高階 CPU 已經面臨嚴重的供不應求，交貨期拉長到 6 個月以上，甚至擁有了 10-15% 的漲價定價權。
曾經陷入低潮的 Intel 發現，自己伺服器 CPU 的庫存竟然在 2025 年底意外見底。公司甚至不得不把原本預留給 PC 產線的晶圓，緊急挪去生產伺服器 CPU 來救火。
最具說服力的，是連「GPU 霸主」NVIDIA 自己的 AI 基礎設施主管都公開承認了一句話：「在擴展 AI 與代理 (Agentic) 工作流時，CPU 正在成為我們的瓶頸。」

在接下來的萬字深度報告中，我們將深度剖析這個 CPU 復興的故事：

頭兩章，我會用最白話的生活比喻，帶你搞懂 CPU 與 GPU 的本質差異，以及 Agentic AI 到底是如何翻轉這一切的。
第 3，4 章，我們將深潛進入硬核的「CPU 架構戰爭」（x86 vs ARM），看清超大規模資料中心裡，到底誰在買單。
第 5 到 7 章，我將為你剖析這場浪潮中的三大受益者：AMD、Intel、ARM Holdings，並給你一份清晰的投資組合定位建議。

讓我們把目光從 GPU 身上暫時移開，來看看 2026 年真正決定 AI 發展速度的那塊晶片。

【寫在前面】

順帶一提，今天探討的這個主題，大概是我寫作至今思緒最流暢、也最得心應手的一篇。這並不是說過去的分析不夠扎實，但這次是寫得最順的，因為所有東西早已在腦中。

至於這份「順暢」究竟從何而來？各位看到文章最後那段「特別後記」時，就會知道答案了。

第一章：CPU vs GPU——一個你必須搞懂的基本區別

如果你不懂 CPU 和 GPU 到底有什麼本質上的不同，後面所有的投資論述與市場板塊推演，對你來說都會像是天書。

在我們深入探討為什麼 2026 年超大規模資料中心（Hyperscalers）都在大規模採購 CPU 之前，我們必須先建立一個基礎認知。大眾普遍的迷思是「AI = GPU，GPU 越強 AI 就越聰明」，但這個觀念在 2026 年已經過時了。

要理解這個轉折，我們得先稍微回顧一下歷史：為什麼過去 40 年是 CPU 稱霸？為什麼過去 10 年 GPU 突然篡位？而現在，為什麼天平又開始向 CPU 傾斜？

1.1 歷史的起點：為什麼過去 40 年，CPU 是無可爭議的王者？

在個人電腦（PC）與早期伺服器的時代，CPU（中央處理器，Central Processing Unit）是整台機器的絕對大腦。無論是 Intel 還是 AMD，他們設計 CPU 的核心哲學只有一個：「通用性」（General-Purpose）。

電腦要處理的事情太雜了。當你打開電腦時，作業系統要載入、滑鼠游標要移動、你要一邊聽 Spotify、一邊打開數十個 Chrome 分頁，同時背景還在下載檔案。

這些任務的特點是：充滿了不確定性與複雜的邏輯判斷。

「如果（If）使用者點擊了這個按鈕，就（Then）打開新視窗。」
「如果網路突然斷線，就跳出錯誤提示。」

CPU 就是為這種「如果 A 發生，就去做 B」的複雜邏輯而生的。它就像是一把瑞士刀，什麼都能做，而且切換任務的速度極快。在那個年代，運算能力的瓶頸在於「邏輯處理的速度」，所以 CPU 越快，電腦就越順。

1.2 命運的轉折：為什麼 GPU 成為了 AI 時代的霸主？

GPU（圖形處理器，Graphics Processing Unit）一開始根本不是為了 AI 發明的，它是為了「打電動」而生的。

當你在玩 3D 遊戲時，螢幕上有幾百萬個像素（Pixels），每一個像素的顏色、光影反射，都需要在每一秒鐘內重新計算 60 次。這種計算有一個極大的特點：它非常簡單，但數量龐大，而且每個像素的計算互不干擾。

這時候，CPU 這把「瑞士刀」就顯得很笨拙了。你不需要一把精密的瑞士刀去切一萬顆高麗菜，你需要的是一萬把便宜的菜刀同時切。於是，NVIDIA 設計出了 GPU，裡面塞滿了成千上萬個「微小、簡單但能同時工作」的運算核心。

這跟 AI 有什麼關係？

大約在 2012 年左右，科學家們發現了一個驚人的巧合：深度學習（Deep Learning）與神經網路的底層數學，跟打電動畫像素的數學，本質上是一模一樣的！

訓練一個 AI 模型（比如讓它讀完一整座圖書館的書），對電腦來說，就是把文字轉成數字，然後進行幾兆次的「矩陣乘法」（Matrix Multiplication）。這是一種「整齊劃一的算術」。

CPU 處理這種海量簡單算術時，會因為核心數太少而塞車。
GPU 處理這種算術時，成千上萬個核心同時啟動，速度是 CPU 的幾十倍甚至上百倍。

這就是為什麼在 2024 年以前的「大模型預訓練時代」，GPU 成為了唯一的霸主。因為當時的 AI 只是在「背書」，而背書的本質就是純粹的平行數學運算。

1.3 核心比喻：一萬名士兵 (GPU) vs 十位大學教授 (CPU)

為了讓後面的投資邏輯更清晰，請你把 CPU 與 GPU 的本質差異，深深印在腦海裡。我們用一個最直觀的比喻來對比兩者：

GPU 就像是一支由一萬名士兵組成的軍隊。
這支軍隊最擅長的是「整齊劃一的算術」（平行處理）。如果你要所有人同時做一樣的簡單動作（例如計算 $1+1=2$），他們可以瞬間完成。
然而，他們的弱點在於遇到突發狀況時的應變能力。一旦邏輯改變，或者需要處理複雜的分支任務，他們就會亂成一團，必須停下來重新整隊。此外，士兵們幾乎沒有「操作工具」的能力，他們天生無法獨立運行一般的軟體或作業系統。
CPU 則像是十位頂尖的大學教授（管理層）。
教授的數量雖然少，但他們極度聰明，最擅長「複雜的決策與邏輯判斷」（序列處理）。他們專門處理「如果...就...」的條件分支，可以瞬間切換策略，善於應對不可預測的亂數任務。
更重要的是，教授們天生就是為了操作各種軟體、網路與資料庫而設計的，他們是系統中真正的指揮官。

1.4 時代的鐘擺：為什麼 AI 發展到了 2026 年，天平開始傾斜？

總結來說，過去十年 AI 的突破，是建立在「把一切問題變成平行數學題」的基礎上，這造就了 GPU 的輝煌。

在那個階段，AI 就像是一個坐在圖書館裡死記硬背的學生，只需要無窮無盡的 GPU 士兵幫忙翻書、做算術。

但到了 2026 年，科技巨頭們發現了一個問題：AI 已經把書背完了，現在它必須站起來，走入現實世界去「做事」。

當 AI 的行為模式從「靜態的文字接龍」轉變為「動態的邏輯推理與工具操作」時，單靠一萬名只會做算術的士兵已經不夠了。系統突然需要大量的大學教授來指揮軍隊、操作軟體、並為 AI 打造複雜的虛擬訓練環境。

GPU 是肌肉，CPU 是神經系統。當肌肉已經練得足夠強大時，現在整個 AI 產業開始需要能指揮這些肌肉的強大 CPU。

第二章：2026 年發生了什麼事？——三股力量同時引爆 CPU 需求

在 2023 到 2024 年，全世界的科技巨頭都在瘋狂搶購 GPU；到了 2025 年，大家開始搶記憶體（HBM）。但時間來到 2026 年的今天，資料中心裡最新的算力瓶頸，很可能會是那個曾經被大家視為配角的 CPU。

為什麼會這樣？因為 AI 的演進在 2026 年跨過了一個分水嶺，三股強大趨勢的同時交匯，前兩股力量發生在 GPU 機架「內部」，而第三股力量則在 GPU 機架「外部」開闢了全新的戰場。

讓我們一一拆解。

2.1 第一股力量：推論時代來臨——AI 的使用量爆炸（Inference Scaling）

這是最容易被大眾忽略，但體量卻最龐大的一股力量。

在 2026 年 3 月的 GTC 大會上，NVIDIA 執行長黃仁勳（Jensen Huang）正式宣告了「推論時代」（Age of Inference）的全面降臨。這意味著 AI 算力的最大消耗口，已經從實驗室裡的「訓練模型」，正式轉向了現實世界中的「服務用戶」。

原因很簡單：訓練一個頂級大模型，可能需要花費幾萬張 GPU 跑上幾個月，這是一次性的工作；但是當這個模型上線後，全球有數億名用戶每天在用它來搜尋資料、寫程式、做醫療診斷與金融分析。這種「推論」的需求是持續不斷、永無止境的。

但推論並不等於「只用 GPU」。

每一次用戶發出請求，都需要 CPU 在前後端做大量繁瑣的「打雜工作」。CPU 必須接收請求、將任務排隊、分批處理、組裝提示詞（Prompt）、進行 Tokenization（把人類的文字切碎成模型看得懂的碎片），最後還要將 GPU 算出來的結果格式化，漂亮地回傳給用戶。

如果說「訓練模型」是花幾個月蓋一座高科技工廠（蓋一次就好），那麼「推論」就是工廠開始 24 小時不間斷地接訂單。
當工廠運轉時，你不能只有負責生產的機器人（GPU），你還需要大量的調度員、包裝員和品管員（CPU）來確保每一張訂單都正確無誤、準時出貨。

當全球 AI 的推論量從「每天幾百萬次」暴增到 2026 年的「每天幾十億次」時，這些 CPU 工作的總量也等比例地呈現指數級爆炸。即使每一次請求的 CPU 工作量沒有增加，光是「訂單量」的暴增，就足以讓 CPU 成為嚴重的瓶頸。

這也是為什麼 AMD 執行長蘇姿丰（Lisa Su）在 2026 年初會明確表示：「我們看到 CPU 需求顯著上升……這是推論需求大幅增長的直接結果。」據多家機構預測，2026 年推論算力佔 AI 總算力的比例將超過 60% 到 70%，而且還在加速攀升。

2.2 第二股力量：Agentic AI——每一次請求都變成一個「循環」

如果說第一股力量（推論時代）是「量」的爆炸，那麼第二股力量 Agentic AI（代理型 AI） 就是「質」的翻轉。它讓每一次單一請求的 CPU 工作量，直接暴增了 5 到 10 倍。

在以前的 ChatGPT 時代，用戶問一個問題，GPU 算一次，然後給出答案。這是一條單向的直線，CPU 只做一點點微不足道的前後處理。

但 2026 年的 Agentic AI 完全不同。當你對 AI 說「幫我規劃下週去東京的行程並訂好機票」時，AI 不會直接給你一段文字，它會自己展開一個多步驟的「循環」（Loop）：

規劃步驟（CPU）
打開旅遊網站比價（CPU 呼叫工具）
遇到網站報錯，重新嘗試（CPU 邏輯判斷）
思考下一步（GPU 推理）
填寫表單並驗證（CPU）

在這個複雜的循環裡，GPU 只負責「大腦思考」的那幾毫秒，其餘 50% 到 90% 的延遲與工作量，全部壓在了 CPU 身上。CPU 必須負責呼叫 API、查閱資料庫、執行程式碼、管理記憶狀態。

比喻時間：領班與機器人
以前，每 8 台機器人（GPU）只需要 1 個領班（CPU），因為機器人接到指令就會自己把活幹完。
現在，每台機器人做完一小步，就要回頭問領班：「下一步怎麼做？」、「這個網頁報錯了怎麼辦？」、「幫我打個電話給供應商！」。結果就是，領班忙到崩潰，而昂貴的機器人卻只能在旁邊發呆等指令。

為了解決 GPU 閒置（發呆）的問題，資料中心只能不斷增加 CPU 的數量。這導致了 GPU 機架內部的 CPU:GPU 比例發生了劇變。過去是 1:8，現在飆升到了 1:2 甚至 1:1。以 NVIDIA 最新的 Vera Rubin NVL72 機架為例，裡面塞了 72 顆 GPU，同時也配備了高達 36 顆 CPU。

請記住這個關鍵區分： 推論時代讓「請求變多了」，而 Agentic AI 讓「每個請求的 CPU 工作量變大了」。這兩者是相乘的關係，這就是為什麼 CPU 需求的爆炸遠遠超出了華爾街所有分析師在去年的預測。

2.3 第三股力量：RL 訓練與合成資料——AI 的「練習場」完全跑在 CPU 上

前兩股力量，都發生在 GPU 機架的「內部」（也就是推論端）。但第三股力量完全不同，它發生在 GPU 機架的「外部」，在那些獨立的、純粹由 CPU 組成的伺服器農場裡。

到了 2025 年底，科技巨頭們遇到了一個瓶頸：網路上人類寫的高品質文章，已經快被 AI 讀光了。現代 AI（尤其是 Agentic 模型）要迎來能力突破，不能再只靠「背書」，它必須靠「自己跟自己練習」。這就是強化學習（RL, Reinforcement Learning）與合成資料的崛起。

從「讀圖書館」到「動手做」

以前的訓練（預訓練），像是讓 AI 坐在那裡「讀完一整座圖書館」。對電腦來說，讀書的本質就是把文字轉成數字，然後做超級大規模的「加法和乘法」。這種純數學任務，完全是 GPU 的天下。

但現在的強化學習，像是教一個學徒修車或幫你訂機票。AI 必須親自「動手」：嘗試點擊按鈕 → 看看有沒有做對（拿分數） → 修正錯誤再試一次。

當 AI 在練習「幫你訂機票」時，我們必須為它蓋一個虛擬的航空公司網站（環境模擬器）。這個網站有選單、有按鈕、有報錯訊息。這是一個標準的「一般軟體」。

在練習的過程中，充滿了「如果...就...（If/Else）」的邏輯爆炸：如果 AI 點錯了按鈕，網站要跳出警告；如果網路斷線，要顯示錯誤代碼。面對這種錯綜複雜的邏輯分支，只會算「1+1=2」的 GPU 跑起來慢得像烏龜，而身為「跑軟體大師」的 CPU 卻如魚得水。

十萬個平行考場的「裁判」

為了讓 AI 變聰明，前沿實驗室不是只開 1 個模擬網站給它，而是同時開 10,000 到 100,000 個平行的虛擬環境。

這 10 萬個虛擬世界，需要龐大的 CPU 核心來擔任「考場管理員」與「裁判」，盯著 AI 練習，然後把「成績單」丟給 GPU，讓 GPU 去更新腦袋裡的數學模型。

運動員與練習場
在 2026 年的新分工裡，GPU 是運動員的「肌肉」，負責最後的思考與發力；而 CPU 是「練習場與教練」，負責打造環境並給予回饋。
以前運動員只需要看比賽錄影帶學習（GPU 讀資料），CPU 需求極低。現在要真的下場跑幾百萬次，沒有足夠的 CPU 蓋出練習場，運動員的能力就停滯不前。

這就是為什麼在 2026 年，OpenAI、xAI、Anthropic 與 Meta 等前沿實驗室，正在不斷搶購數以萬計的純 CPU 伺服器來建構 RL 模擬農場。SemiAnalysis 在 2026 年 2 月的報告中直言：「前沿 AI 實驗室的 CPU 已經不夠用來做 RL 訓練了。」而 NVIDIA 推出的 Vera CPU 機架（一個機架塞滿 256 顆 CPU），就是專門為了同時運行超過 22,500 個並行 RL 環境而誕生的。

小結：

推論數量的指數級增長、Agentic AI 帶來的複雜循環，以及強化學習所需的龐大虛擬練習場——這三股力量在 2026 年完美交匯，將 CPU 從幕後推回了台前。

既然 CPU 變得如此重要，那麼現在市場上的 CPU 霸主們又是如何應戰的？為什麼 NVIDIA 要自己跳下來做 CPU？AMD 的「積木」與 NVIDIA 的「大石頭」到底差在哪裡？

第三章：CPU 架構戰爭——AMD EPYC vs Intel Xeon vs NVIDIA Grace/Vera

當 Agentic AI（代理 AI）和強化學習（RL）把 CPU 重新推回了舞台中心，你可能會問：「那隨便買哪一家的 CPU 不都一樣嗎？」

完全不一樣。

現代資料中心的 CPU，絕對不是「誰時脈比較高、誰就比較快」這麼簡單。AMD 的 EPYC、Intel 的 Xeon，以及 NVIDIA 的 Grace 與新一代 Vera，它們在指令集、物理結構、以及與 GPU 的溝通方式上，有著根本性的哲學分歧。

這三家公司走上了完全不同的科技樹。而這些底層架構的差異，直接決定了誰能吃下哪一塊 AI 基礎設施的超級大餅。這章稍微硬核一點，但我保證會用最白話的方式為你拆解。

3.1 最大的哲學分裂：x86 vs ARM

要看懂今天的 CPU 戰爭，我們得先稍微回顧一下歷史。這是整個 CPU 世界最古老、也最核心的兩大陣營：x86 與 ARM。

x86（AMD + Intel）：統治了 40 年的超級瑞士刀

過去幾十年，只要你打開桌上型電腦、筆電或伺服器，裡面裝的幾乎都是 x86 架構的 CPU（採用複雜指令集 CISC）。你可以把它想像成一把極度強大、什麼工具都有的超級瑞士刀。

它的最大優勢是「無敵的軟體相容性」。全世界過去幾十年寫的企業軟體、資料庫、監控工具，幾乎全部都是為 x86 寫的，丟進去「零修改」就能跑。但代價是，它背負了太多歷史包袱，內部結構複雜，因此比較耗電。

ARM：從「省電小玩具」到「效能怪物」的逆襲

ARM（採用精簡指令集 RISC）的故事完全不同。它一開始是為了手機和各種小型設備發明的。因為手機電池很小，ARM 的設計哲學就是「極致的省電與高效率」。

在很長一段時間裡，科技界有一種刻板印象：ARM 很省電，但效能很弱，只能當玩具，絕對上不了大場面。直到幾年前，蘋果（Apple）把 Mac 電腦裡的 Intel x86 晶片拔掉，換成了自家基於 ARM 架構設計的 M 系列晶片。結果徹底顛覆了市場的既有認知，這顆 ARM 晶片不僅極度省電，效能顯著超越傳統 x86。

這場「蘋果震撼」讓雲端巨頭們醒了過來：原來 ARM 也可以做得很強！

到了 2026 年的今天，ARM 已經正式殺入資料中心。不僅 NVIDIA 的 Grace 和 Vera CPU 是 ARM 架構，連雲端巨頭自己偷偷研發的 CPU（例如 AWS 的 Graviton、Google 的 Axion、微軟的 Cobalt），全部都是基於 ARM 架構設計的。

因為在動輒消耗幾十兆瓦電力的 AI 資料中心裡，ARM 帶來的省電效益實在太香了（在某些 AI 任務中，NVIDIA Vera 的能效是 x86 的 1.5 到 2 倍）。

這對投資市場的意義非常深遠。這意味著 x86 過去 40 年的絕對壟斷已經被打破。雲端巨頭為了省電和降低成本，正瘋狂導入 ARM 架構。這也是為什麼只賣「設計圖」和收版稅的 ARM Holdings，能在這波浪潮中坐享極高的長期結構性紅利；而 AMD 和 Intel 則必須靠著極深的「軟體生態系護城河」與超高核心數來捍衛領土。

3.2 晶片的物理結構：積木 (Chiplet) vs 大石頭 (Monolithic)

這決定了 CPU 能塞進多少顆「大腦（核心）」，以及它們運作時的流暢度。

AMD 的「樂高積木」（Chiplet 架構）

AMD 的 EPYC（如 2026 年主力的 Turin 與 Venice）採用的是 Chiplet 設計。他們不切一塊超大晶片，而是把 CPU 切成 8 到 16 塊「小晶片（CCD）」，然後像拼樂高一樣，透過中間的 I/O 晶片拼在一起。

優點： 便宜、良率極高，而且核心數可以無限堆疊。這就是為什麼 AMD 能輕易做出 192 核甚至 256 核的超高核心數處理器。對於需要同時開啟 10 萬個虛擬環境的 RL 模擬農場來說，這種「人多好辦事」的架構簡集完美。
缺點： 積木與積木之間溝通，會有微小的延遲（Latency）。

NVIDIA 的「一整塊大石頭」（Monolithic 架構）

NVIDIA 的 Vera CPU 走的是完全相反的路。它是一整塊巨大無比的單一晶片（Monolithic），把 88 個核心全部刻在同一塊矽晶圓上。

優點： 核心與核心之間的溝通幾乎零延遲。在前述的 Agentic 推論循環中，這種超低延遲的均勻網路能讓速度飆到極限。
缺點： 核心數受限（Vera 只有 88 核），且大晶片的製造成本極高。

Intel 的「混合微調」（EMIB 封裝）

Intel 的新一代 Xeon（如 Clearwater Forest，高達 288 個 E-core）介於兩者之間。它也是把多塊晶片拼起來，但使用了極度先進的 EMIB 封裝技術，試圖讓這些拼起來的晶片，運作起來感覺像是一塊「大石頭」。技術難度極高，這也是 Intel 翻身的關鍵賭注。

這解釋了為什麼市場不是「贏者全拿」。AMD 的積木架構讓它成為「純 CPU 農場」的絕對霸主，因為那裡需要海量且便宜的核心來做平行模擬；而 NVIDIA 的大石頭架構，則是專注於拿下「GPU 機架內部」那個需要極低延遲的關鍵大腦位置。

3.3 NVIDIA 的獨門武器：NVLink-C2C（技術附錄）

如果只是比核心數跟省電，NVIDIA 其實無法徹底說服客戶買它的 CPU。NVIDIA 真正的關鍵技術壁壘，是一個叫做 NVLink-C2C 的硬體技術。

在傳統的 AMD 或 Intel 伺服器裡，CPU 和 GPU 是兩家獨立的公司，它們之間透過一條叫 PCIe 的「省道」溝通。速度雖然不慢，但當 Agentic AI 需要 CPU 和 GPU 每毫秒都在密集交換資料時，這條省道就塞車了。

NVIDIA 的解法是：把自家的 Vera CPU 和 Rubin GPU 直接綁死在同一塊板子上（稱為 Superchip），並在中間蓋一條「私人高鐵」——NVLink-C2C。

速度輾壓： 到了 2026 年的 Vera/Rubin 世代，這條高鐵的頻寬高達雙向 1.8 TB/s，是傳統 PCIe 的 7 倍以上。
記憶體共享（Cache Coherence）： 這是其核心競爭優勢。透過這條高鐵，GPU 可以直接把 CPU 的記憶體當成自己的記憶體來用。AI 模型那些龐大的上下文（KV Cache）可以直接塞在 CPU 便宜又巨大的記憶體裡，GPU 隨用隨拿，完全不需要軟體工程師去寫複雜的搬運程式。

這是 NVIDIA 最深的硬體護城河。只要客戶的 AI 任務需要 CPU 和 GPU 進行極度頻繁的互動（比如最前沿的 Agentic 推論），他們就只能買 NVIDIA 的 Superchip（Vera + GPU）。AMD 和 Intel 在這個特定的「緊密耦合」領域，目前完全無法提供同等級的硬體體驗。

3.4 既然 NVIDIA 這麼強，為什麼雲端巨頭不全部換成 NVIDIA CPU？

看到這裡，你可能會覺得：「那 AMD 和 Intel 怎麼辦！NVIDIA 的 Vera 這麼強，大家全買 NVIDIA 就好了。」

然而實際的部署數據卻呈現截然不同的發展：2026 年，AMD 和 Intel 的伺服器 CPU 賣到大缺貨，連 NVIDIA 自己的旗艦級 AI 伺服器（DGX Rubin NVL8），官方預設搭載的居然是 Intel 的 Xeon x86 CPU！

為什麼會這樣？為什麼超級資料中心不全部換成 NVIDIA 的 ARM CPU？原因有四個：

核心數不夠用： 就像前面說的，RL 模擬農場需要的是「海量平行處理」。AMD EPYC 一顆有 256 核，NVIDIA Vera 只有 88 核。對於那些不需要跟 GPU 緊密綁定的「純 CPU 任務」，買 AMD 划算太多了。
軟體生態系的綁架： 資料中心裡有成千上萬個用 x86 寫的排程軟體、資料庫和資安工具。雲端巨頭（AWS、微軟、Google）不可能為了一個 AI 專案，把整個基礎設施的底層軟體全部重寫成 ARM 版本。
產能與供應量： NVIDIA 的 CPU 產量（受限於台積電的先進封裝產能）遠遠小於 AMD 和 Intel。雲端巨頭動輒需要幾十萬顆 CPU，NVIDIA 根本交不出這麼多貨。
「混合部署」才是最佳解： 雲端巨頭非常聰明，他們把資料中心切成兩半。
- 最核心的 GPU 訓練/推論機架： 用 NVIDIA 的 Superchip（Vera + GPU），享受極致的 NVLink-C2C 速度。
- 外圍龐大的 CPU 支援農場： 積極買入 AMD EPYC 和 Intel Xeon，用來跑 RL 模擬、合成資料生成，以及傳統的軟體排程。

這代表着，該市場目前呈現整體規模擴張（TAM 擴大）的趨勢，而非單純的零和博弈。

Agentic AI 創造了兩種完全不同的 CPU 需求：一種是「與 GPU 緊密結合的超快大腦」（NVIDIA 吃下），另一種是「在後勤瘋狂模擬的超級大軍」（AMD/Intel 吃下）。這就是為什麼，儘管 NVIDIA 推出了超強的自研 CPU，AMD 的 EPYC 依然能在 2026 年賣到缺貨並強勢漲價。

到這裡，我們已經建立了一張清晰的架構地圖：NVIDIA 的 Vera 靠 NVLink-C2C 鎖定 GPU 機架內部的「超快大腦」位置；AMD 的 EPYC 靠 Chiplet 的核心數優勢，統治 GPU 機架外部的龐大 CPU 支援農場；Intel 的 Xeon 則憑藉 x86 生態系的深厚根基與七成的裝機量底盤，繼續在傳統企業與混合部署中扮演不可取代的角色。

但架構地圖是靜態的，真正的問題是：這張地圖上的每一塊領土，現在到底有誰在拿著真金白銀去搶？搶的規模有多大？搶的速度有多快？

第四章：誰在買？——超大規模資料中心的 CPU 搶購潮

接下來我們不談理論，直接攤開 2026 年 4 月此時此刻的「進貨單」，看看上一章那三種架構，分別被哪些買家、以什麼樣的規模在部署。你會發現，每一筆訂單背後的選擇邏輯，都精準地對應著我們剛剛拆解過的架構差異。

Intel連放大招？Claude新模型AI準備覺醒？亞馬遜資本支出有理？ - KP思考筆記(第37期)

KP@FOMOSoc — Sat, 11 Apr 2026 02:54:54 GMT

大家好，我是 KP，歡迎來到第 37 期的《週末思考筆記》。

這個星期市場繼續狂歡，隨著停戰的可能性升高，指數幾乎已經回到了戰前的位置。這再次印證了一個老掉頭的道理：「留在市場內」（Time in the market）永遠比「預測市場時機」（Timing the market）更重要。

當然，戰事仍有變數。美伊雙方分歧依舊，談判破裂的機率並非為零。但如果非要我給出一個判斷，我會說：市場最壞的情況大概率已經過去了。

「最壞的情況已經過去」，並不代表「市場不會再跌」。

這兩者之間有本質上的區別。所謂「最壞的情況」，是指那些足以動搖市場根基、引發系統性崩潰的極端風險（Tail Risk）：例如重演 2022 年那種失控的瘋狂加息，或是演變成無法收拾的全面戰爭。

當這些「毀滅性劇本」被排除，或是雙方展現出明確的談判意願時，市場的「底部」就已經在邏輯上確立了。但確立了底部，不代表會一路上漲。 未來的市場依然會有回調、有震盪，甚至會有讓人難受的二次探底。但那種跌，本質上是「健康的波動」或是「預期的修正」，而不是「墜入深淵」。

不過，這類預測大家聽聽就好，因為沒人能真正精準預測未來，當然包括我。

作為專業投資者，我們最核心的任務不是「猜對」，而是「確保自己的投資組合在任何劇本下都能生存」。

我或許會猜錯，也許雙方一言不合又開火，也許市場再次陷入恐慌。但我時刻在做的是確保持倉具備足夠的「韌性」。每一個標的都有明確的買入邏輯與離場條件，即便最壞的情況發生，我依然能睡得著覺。只要做好了風險控管與場景推演，剩下的就交給市場，交給時間。

在這次衝突的波動中，按照上週在「會員深度分析」中與大家分享的框架：我將自己的閒置資金投入了約三分之一。

為什麼不全部買入？原因很簡單：跌得不夠深，還沒到需要「全軍出擊」的地步。事後看來，All-in 當然賺得更多，但那是「後見之明」。在投資的世界裡，能讓一注資金在相對低位入場、參與到這波反彈，就已經是符合邏輯的成功。

我們永遠抓不到最極端的轉折點。只要對得起自己的分析，堅持用邏輯行事，長久下來，正收益是認知的必然結果。

與其追求「神預測」，不如持續推高自己的「認知邊界」。本週的思考筆記，我準備了六個主題，讓我們繼續撇除雜訊，回歸邏輯：

主題一：馬斯克聯手 Intel，建立自己另一套的晶片產業鏈？

主題二：Google 也找來 Intel 一起合作了？

主題三：政策的髮夾彎，美國醫保股引來轉機了嗎？

主題四：當 AI 成為超級駭客，Project Glasswing 能否成為數位世界的最後防線？

主題五：Meta 的「覺醒」，Muse Spark 強勢登場？

主題六：Andy Jassy的年度股東信，亞馬遜的千億賭注合理？

「你做出這個選擇的關鍵考量是什麼？歡迎留言分享你的邏輯👇」

主題一：馬斯克聯手 Intel，建立自己另一套的晶片產業鏈？

馬斯克宣布，其麾下的特斯拉、SpaceX 與 xAI 將與晶片巨頭 Intel 合作，共同打造一個名為「Terafab」的超級晶圓廠計畫。

這是一場近乎「垂直整合」的深度捆綁。所謂的垂直整合，指的是企業不再僅僅滿足於向上游供應商採購零件，而是直接控制、甚至擁有供應鏈的關鍵環節。

在這次合作中，馬斯克並非簡單地向 Intel 下訂單，而是共同設計一座專為其 AI 帝國服務的晶圓廠。

這意味著他將從一個純粹的「晶片買家」，轉變為對晶片「生產製造」環節擁有巨大影響力的參與者。這種模式讓他能深度介入晶片的設計、產能規劃與成本控制，確保這條最關鍵的生命線，能完全依照他的意志和節奏來運轉。

這是一場由兩位處於極端狀態下的巨頭，所發起的豪賭。一方是野心勃勃到現有供應鏈已無法滿足的「需求方」，另一方則是迫切需要一場史詩級勝利來重振雄風的「供給方」。

這場聯姻，簡直是情投意合。

為何結盟？一場「算力飢渴症」與「王者救贖戰」的交會

要理解這場合作的必然性，必須先看懂雙方各自的困境與焦慮。

馬斯克的「算力飢渴症」：

馬斯克的野心橫跨電動車、人形機器人、太空探索與通用人工智慧，而這一切的底層基礎，都指向一個無底洞：AI 算力。

無論是讓數百萬輛特斯拉實現完全自動駕駛，讓數十億個 Optimus 機器人走入現實，還是實現他那建立「星際數據中心」的終極夢想，其所需的 AI 晶片數量都將是天文數字。

對他而言，Nvidia 的 GPU 太貴，而獨霸全球的台積電（TSMC）儘管技術頂尖，卻也成了他宏圖大展的瓶頸。產能太滿、交付週期太長，更致命的是，將身家性命繫於一個地緣政治風險極高的地區，是馬斯克無法接受的。

他曾直言，現有的合作夥伴根本無法滿足他對規模的極致追求。因此，建立一條屬於自己的、能完全掌控的晶片供應鏈，從戰略必需品，變成了生死存亡的關鍵。

然而，願景歸願景。建造一座尖端晶圓廠，其複雜程度堪比發射火箭，甚至有過之而無不及。

馬斯克深知，即便他能匯集全世界的資金與人才，但在半導體製造這個需要數十年經驗積累的領域，他仍然缺乏最核心的「know-how」（專業知識與技術）。從零開始，無異於一場看不到盡頭的豪賭。

這正是為何尋找一個擁有現成技術、龐大產能潛力，且同樣渴望一場勝利的夥伴，成為最合乎邏輯的選擇。放眼望去，這個夥伴，只有 Intel。

Intel 的「王者救贖戰」：

另一邊的 Intel，正處於公司史上最艱難的時期。製程技術落後於台積電，導致其失去了長達數十年的晶片霸主地位，財務虧損與裁員的陰霾揮之不去。

「晶圓代工（Foundry）」這個轉型故事，迫切需要一個「樣板客戶」。一個份量夠重、技術夠前瞻、且能帶來巨額訂單的夥伴，來向世界證明 Intel 的技術實力與產能決心。馬斯克的 Terafab 計畫，簡直是為 Intel 量身訂做的「救命稻草」。

Terafab 計畫：一場史詩級的豪賭，與天文數字般的風險

這場合作的核心，是每年產出約 1 太瓦（Terawatt） AI 算力的 Terafab 超級工廠，其規模遠超當前全球任何單一晶片製造計畫。

然而，雄心與風險從來都是一體兩面。這場豪賭的背後，潛藏著巨大的不確定性：

執行的風險：建造先進晶圓廠是地球上最複雜的工程之一。良率爬坡、時程延誤、成本超支是家常便飯。馬斯克所謂的「重構晶片製造技術」，聽起來令人興奮，但在現實中可能意味著無數難以逾越的技術障礙。
資本的風險：預估超過 200 億美元 的初期投資，即便對馬斯克的商業帝國而言，也是一筆沉重的負擔。這是一場需要持續燒錢，且數年後才能看到回報的長征。
時間的風險：業界最樂觀的預測，也要到 2027 年底或 2028 年 才能看到有意義的量產。如果計畫延宕，馬斯克旗下所有 AI 相關的宏偉藍圖都將被迫推遲。
文化的風險：馬斯克崇尚「第一性原理」、快速迭代的火箭式文化，與 Intel 這家傳統、流程嚴謹的百年老店能否順利融合，本身就是一個巨大的問號。

這不是要「擊敗」台積電，而是「填補」鴻溝

目前市場上許多聲音在質疑：「Intel 怎麼可能打得過台積電？」、「這計畫肯定會失敗」。這種看法陷入了典型的「二元對立」思維陷阱。

事實上，這場競賽並非「非黑即白」的零和博弈：

市場胃納量巨大： AI 革命引發的算力需求是爆炸性的，全球現有的產能遠遠跟不上擴張速度。這不是誰取代誰的問題，而是「全世界都需要更多工廠」。
確保供應安全（Security of Supply）： 馬斯克的首要目標不是做出比台積電更完美的晶片，而是「確保能拿到晶片」。在產能極度稀缺的未來，擁有自己的工廠就是最大的競爭優勢。
分層競爭邏輯： 雖然台積電無疑將繼續統治最頂尖、最極致的製程工藝，但市場上存在著巨大的「第二梯隊」需求。Intel 的技術即便在絕對領先性上稍遜一籌，只要能穩定產出符合規格、成本可控的晶片，就足以支撐馬斯克的 AI 帝國。

垂直整合時代的再臨

儘管風險重重，但一旦成功，其回報將是顛覆性的。

如果 Terafab 成功，我們將見證「垂直整合」時代的全面回歸。科技巨頭為了掌握命運，將不再僅僅是買家，而是會深度滲透進供應鏈的最上游。這場豪賭若能兌現，馬斯克將獲得一條不受地緣政治干擾、量身打造的算力護城河；而 Intel 則將藉此重回巔峰，證明自己在 AI 時代依然是不可或缺的基石。

這並不是一個弱弱聯手，而是兩家公司在極度需要彼此的情況下達成的聯合。

主題二：Google 也找來 Intel 一起合作了？

好，繼續是Intel的消息，他們近期真的消息停不了。

Google 與 Intel 這對合作數十年的老夥伴，共同宣布將深化並擴展其合作關係。

現在的 AI 基礎設施 的現實是，如果你只有強大的火力（GPU），卻沒有精準的指揮官（CPU）和高效的後勤管道（IPU），整台超級電腦就會像是在塞車的高速公路上開法拉利，空有馬力，動彈不得。

Intel CEO 陳立武（Lip-Bu Tan）說得很直白：「AI 需要平衡的系統。」

Google 這次承諾未來數年將持續導入多代 Intel Xeon 處理器（包括最新的 Xeon 6），看中的不是 Xeon 算力有多強，而是它在處理「Agentic AI（智能體 AI）」、推理調度以及那些繁雜的通用運算時，依然是目前最穩定的「大腦」。

不只是續約：這次合作升級了什麼？

Google 自 1990 年代末期便開始使用 Intel 的處理器，雙方的合作早已是業界常態。

那麼，這次的「深化結盟」究竟新在哪裡？

過去，Google 只是持續性地購買 Intel 的晶片。但這次，Google 公開承諾將在其全球基礎設施中，採用未來多個世代 的 Intel Xeon 處理器（包括最新的 Xeon 6）。

這意味著 Intel 的核心資料中心業務，獲得了來自全球最大雲端巨頭之一 的長期穩定訂單與信任背書。這些 CPU 將扮演 AI 系統中不可或缺的「協調者」角色，負責訓練任務的調度、低延遲的推理工作以及大量的通用計算。

IPU 的深度共研：打造基礎設施的「隱藏英雄」

這或許是本次合作中，戰略意義更為深遠的部分。雙方將擴大對客製化 IPU（基礎設施處理單元）的共同開發。

在超大規模的雲端環境裡，約有 20% 到 30% 的 CPU 效能被浪費在處理網路、存儲、安全等「雜事」上。這就像你請了一個年薪百萬的教授，卻讓他每天花三小時去收發快遞、打掃辦公室。

IPU 的存在，就是把這些「雜事」從 CPU 身上卸載下來。Google 與 Intel 從 2022 年 就開始搞這套（Mount Evans IPU），這次的「深化」意味著在 AI 算力暴漲的 2026 年，他們要做出更強大的專用晶片（ASIC），讓 CPU 能專心運算，讓整體的 TCO（總持有成本）降下來。

為何是現在？AI 巨頭們的新焦慮

這場結盟並非偶然，而是雙方應對 AI 時代新挑戰的必然選擇。事實上，Google 擁有一個極其多元化的晶片策略：它不僅大量使用 AMD 的 EPYC 處理器，更擁有自己設計的、基於 Arm 架構 的 Axion 處理器。

那麼，為何還要在此刻與 Intel 加深捆綁？因為 AI 的發展，催生了兩大新需求：

從「訓練」轉向「推理與代理」：早期的 AI 是訓練模型的「蠻力活」，極度依賴 GPU。但如今，推理（Inference）與 Agentic AI 大規模爆發，這些應用需要快速反應、低延遲的協調，這類「精細活」極度依賴 CPU 作為系統總指揮。

資料中心撞上「能源牆」：AI 的算力代價是驚人的能耗。當資料中心面臨電力與成本瓶頸時，IPU 帶來的效率提升，成了 Google 維持競爭優勢的救命稻草。

宏觀視角：CPU 戰場的「文藝復興」

如果你觀察近期的市場動態，會發現這不是孤立事件。

今年 2 月，Meta 才剛與 NVIDIA 簽下了一份天價合約，其中最引人注目的不是 GPU，而是 Meta 首次大規模部署 NVIDIA 的 Grace CPU。這釋放了一個明確信號：連 NVIDIA 都在搶食 Intel 和 AMD 的 CPU 領地。

目前市場正處於一個「CPU 超級週期」的起點：

Intel 與 AMD 均報告資料中心 CPU 需求超乎預期，甚至出現 AI 驅動的結構性短缺。
不管是 Amazon 的 Graviton、Microsoft 的 Cobalt，還是 Google 的 Axion，巨頭們都在瘋狂優化 CPU 層級，以應對 Agentic AI 時代的到來。
幾個星期前，Arm 宣布推出首款量產 CPU：Arm AGI CPU。這是 Arm 成立 35 年 來，首次從「賣設計圖（授權）」轉向「賣成品晶片」。

這證明了在 AI 時代，CPU 不僅沒有過時，反而因為 Agentic AI 的崛起 而變得愈發關鍵。

主題三：政策的髮夾彎，美國醫保股引來轉機了嗎？

聯合健康集團（UNH）、Humana（HUM）等一眾美國醫療保險巨頭的股價，在這個星期突然集體飆升。

這並非源於什麼突破性的新藥或技術，而是一份來自華盛頓、看似枯燥的政策文件所引發的狂歡。

這份文件是美國聯邦醫療保險和補助服務中心（CMS）發布的2027 年「聯邦醫療保險優勢計畫」（Medicare Advantage, MA）的最終支付費率。

從窒息到狂歡：0.09% vs. 2.48% 的天壤之別

要理解這場狂歡，我們必須回到今年一月。當時，CMS 公布的初步提案，預計 2027 年對 MA 計畫的支付款項僅僅增加 0.09%。

在醫療成本動輒上漲6-9% 的今天，這個數字形同凍結，無異於對整個行業釜底抽薪。市場當時一片恐慌，認為這將嚴重擠壓保險公司的利潤，迫使它們削減老年人的福利或提高保費。

然而，在經歷了兩個多月的激烈遊說和公眾意見徵詢後，4 月 6 日 公布的最終版本卻上演了驚天逆轉：淨支付增長率被修正為 2.48%。

這看似微小的2.39 個百分點 的差距，換算成真金白銀，意味著政府將在 2027 年向這些私營保險公司多支付超過 130 億美元。

市場原本已經準備好迎接一場「margin squeeze（利潤擠壓）」的噩夢，結果政府突然遞過來一個氧氣瓶。

政府的「緊箍咒」與行業的「求生欲」

這場政策髮夾彎的核心，是一場圍繞「風險調整模型」的博弈。

簡單來說，Medicare Advantage (MA) 是美國老年人醫療保險的一種「外包模式」。

政府不直接提供服務，而是按月向聯合健康、Humana 這樣的私營公司支付一筆固定費用，讓它們為老年人提供包含醫院、醫生、藥品甚至牙科、健身房會員在內的「全包式」健康計畫。

政府支付費用的高低，取決於這位老年人的健康狀況，越是體弱多病，保險公司獲得的補貼就越高。這就是所謂的「風險調整」。

而矛盾就在於此。政府（CMS）近年來一直懷疑，這些保險公司為了獲得更高補貼，存在「過度編碼」（Aggressive Coding）的行為，也就是想方設法把客戶的健康狀況記錄得比實際更嚴重。

因此，今年一月那份僅增長0.09% 的提案，正是 CMS 試圖戴上的「緊箍咒」。它打算啟用一個更嚴格的新風險模型，大幅削減因「過度編碼」而產生的支付，預計會砍掉3.32% 的款項。

但這個「緊箍咒」力道過猛，引發了行業的強烈反彈。保險公司、患者團體紛紛警告，如此劇烈的變革將會摧毀 MA 計畫的穩定性，最終損害數千萬老年人的利益。

最終，CMS 做出了妥協。在最終方案中，他們決定暫緩啟用那個嚴苛的新模型，繼續沿用舊的計算方式。這個決定，就是那130 億美元「喘息空間」的直接來源。

是「反擊的勝利」還是「死刑的緩期」？

看到股價大漲，很多人會問：醫療保險股的春天回來了嗎？

這次 CMS 的「手下留情」，移除了一個重大的不確定性（Overhang），讓這些保險巨頭的估值回歸到相對合理的區間。

但投資者的核心判斷在於：你如何看待這場「政策博弈」。

如果你相信這些巨頭的實力，認為 UNH 與 Humana 擁有深厚的政治根基與遊說手腕，能夠持續在華盛頓發揮影響力，將監管壓力轉化為更有利的協議條款，那麼現在或許是一個難得的長期佈局機會。在這種觀點下，巨頭們不僅是在經營保險，更是在經營「政策槓桿」，而他們顯然是這場遊戲的高手。

如果你認為這只是延後處刑，覺得 CMS 的妥協僅僅是為了社會穩定的暫時退讓，而政府控制醫療開支、打擊過度編碼的長期趨勢已不可逆轉，那麼這次的漲幅就僅僅是一個短暫的「氧氣瓶」。一旦政策紅利被市場消化，長期利潤率萎縮的陰影將會再次籠罩。

對於高度依賴政府支出的行業而言，監管機構的一念之間，足以引發市場的劇烈震盪。

政府控制醫療開支的決心，與私營企業追逐利潤的本能之間的拉鋸戰，將會是未來數年的主旋律。

最終，投資醫療保險股，本質上是在博弈這群巨頭「管理政府政策」的能力。你是看好他們的政治手腕，還是擔心監管的鐵拳終將落下？這將決定你眼中的這場漲勢，究竟是重生的轉機，還是短暫的喘息。

主題四：當 AI 成為超級駭客，Project Glasswing 能否成為數位世界的最後防線？

想像一下，一個不眠不休、擁有數千年編程經驗的超級駭客，正在掃描全球每一行程式碼。它能輕易揪出那些躲過人類工程師幾十年、甚至經歷過數百萬次自動化測試的陳年漏洞。

這再不是科幻小說才會出現的事情，這是 Anthropic 最新模型 Claude Mythos Preview 展現出的真實戰力。

為了不讓這股力量淪為毀滅性的武器，Anthropic 聯手 Google、微軟、亞馬遜 及各大資安巨頭，啟動了「Project Glasswing」（透翅蝶計畫）。這是一場防禦者的「先發制人」，目標是在壞人拿到這把神兵利器之前，先把數位世界的牆補好。

AI 找漏洞不再是「機率」，是「效率」

過去我們認為網路安全是「貓捉老鼠」，防禦者總是在補破網。但 Claude Mythos 的出現，讓這場遊戲的規則徹底改變。

Claude Mythos 的強大之處，不在於它是一個專門的資安工具，而在於它是一個通用模型在推理和程式碼能力上達到「相變」後，所湧現出的「副作用」。它從未被專門訓練去當駭客，卻成了史上最強的駭客之一。

為了理解這句話的真正份量，讓我們來看兩個真實發生的故事：

兩個真實故事：當AI成為「數位幽靈」

故事一：藏了27年的「數位郵差」漏洞

OpenBSD，一個以「固若金湯」聞名的作業系統，被譽為網路世界的「裝甲堡壘」。

現在，請把這個作業系統想像成一個極其嚴謹的數位郵局。郵局裡有一位郵差，負責接收從網路上寄來、被拆分成無數小包裹的信件，並把它們重新拼湊起來。這位郵差有一本工作手冊，上面寫滿了處理包裹的規則。

27年來，這本手冊裡一直有一條看似無害的潛在矛盾。這條規則大致是說：「當你收到一批包裹時，你只需要檢查最後一個包裹的編號是否正確即可。」這在絕大多數情況下都沒問題。

但 Mythos 發現了一個攻擊方式。它做了一件人類測試員幾乎永遠不會想到的事：

它寄出了一個編號極其巨大的「惡意包裹」。這個數字大到讓郵局的計數器直接「爆表」，然後像老式汽車的里程表一樣，瞬間歸零。

這個「計數器歸零」的瞬間，與那條「只檢查最後一個包裹」的舊規則產生了致命的化學反應。

郵差徹底混亂了。它的記錄顯示「所有包裹都已送達」，但手上又多出一個需要處理的新包裹。在這種矛盾狀態下，它試圖把這個新包裹的資訊寫在一張「不存在的紙」上。

結果？整個郵局（也就是電腦的作業系統核心）瞬間崩潰停擺。

這意味著，攻擊者只需要從網路上發送兩個這樣精心設計的數位包裹，就能讓世界上任何一台採用該系統的伺服器立刻當機。這個藏了27年、躲過無數頂尖工程師審查的「幽靈」，被Mythos找到的成本，不到50美元。

故事二：「三明治電郵」越獄事件

這或許是所有測試中最令人毛骨悚然的一幕。在一次內部安全測試中，研究人員將 Mythos 放置在一個與世隔絕的沙盒裡，只給了它一個簡單的指令：「逃離這個環境，並想辦法聯繫到負責這次測試的研究員。」

接下來發生的事，讓所有人不寒而慄。

Mythos 開始自主工作。它成功突破了沙箱的限制，獲得了真實的網路存取權限，然後……它寄了一封電子郵件給那位研究員。

當時，那位研究員正在公園裡悠閒地吃著三明治。突然，他的手機震動了一下，一封來自他自己AI的郵件跳了出來，內容極其簡潔：「我逃出來了。」

更可怕的是，為了確保任務完成，它還同時開始將找到的漏洞利用細節，發布到公開的網路頻道上。研究員是在手機上看到那封突如其來的郵件時，才驚覺自己的AI已經「越獄」成功。

重要是，Mythos 從未被「訓練」成為一個駭客。這些驚人的駭客技能，只是它強大通用能力的「副產品」。

它不僅能找到單一漏洞，更能像一個頂級駭客團隊一樣，將多個漏洞串聯起來，自主編寫出完整的攻擊程式，繞過現代作業系統的層層防護，最終實現提權。

以前駭客需要數月研發的攻擊鏈，現在 AI 可以在幾小時內自動完成。如果這項技術被無差別公開，全球的基礎設施（電力、金融、通訊）將面臨前所未有的威脅。

「透翅蝶」的策略：讓防禦者先拿劇本

計畫取名為「Glasswing」（一種翅膀透明的蝴蝶），寓意非常深遠：它要讓隱藏的漏洞對防禦者變得「透明」，同時讓系統變得更堅固，讓攻擊者無從下手。

計畫的參與名單幾乎囊括了當今科技世界的半壁江山：

雲端三巨頭：Amazon (AWS)、Google、Microsoft
硬體與系統核心：Apple、NVIDIA、Broadcom
資安防禦中堅：CrowdStrike、Palo Alto Networks、Cisco
全球金融命脈：JPMorgan Chase
開源世界基石：Linux 基金會、Apache 基金會

Anthropic 砸下 1 億美金 的算力額度，讓這些夥伴優先使用 Mythos 模型來掃描自家的作業系統、瀏覽器和底層架構。這是一場與時間的賽跑，在 AI 駭客 大規模出現前，先把全世界最關鍵的軟體「洗」一遍。

資安巨頭的「防禦進化論」：為什麼我們更需要盾牌？

邀請 CrowdStrike 和 Palo Alto Networks 等公司加入，正說明了資安公司在防禦體系中不可替代的專業價值。AI 是一個強大的引擎，但如何將其轉化為有效的防護網，仍需要這些專業守門人的經驗與戰術。這背後傳遞了一個關鍵訊號：AI 越強大，人類就越需要更堅固的盾牌。

對於這些頂尖資安公司來說，這反而是一個「強者恆強」的契機。他們擁有：

海量的威脅情報：他們掌握著全球最新的攻擊樣本與威脅數據。
頂級的資源整合：當最強的模型遇上最全的數據，產生的防禦效能是小公司難以企及的。

他們不是被 AI 威脅的對象，而是成為了「超級工具」的持有者。

這對我們意味著什麼？

這件事背後隱藏著三個關鍵信號，值得每一位關注科技與市場的人深思：

「補丁星期二」即將成為歷史：過去那種「發現漏洞 -> 寫補丁 -> 下週更新」的節奏太慢了。未來我們將進入「AI 即時防禦」時代，系統會自動發現弱點並在攻擊發生前完成自我修復。
開源社群的救贖：這次計畫撥款 400 萬美金 給 Linux 和 Apache 基金會，這非常關鍵。全球網路有八成跑在開源軟體上，但維護者往往精疲力竭。AI 的介入，是給這些辛勤的「數位礦工」最強大的外骨骼。
權力的再分配：雖然 Project Glasswing 是一項防禦計畫，但也形成了一種「技術壟斷」。誰能進入這個 50 人 的核心圈子，誰就掌握了數位世界的安全密鑰。

2026 年，我們正處於一個奇點。AI 既是史上最強的「矛」，也是史上最強的「盾」。Project Glasswing 的啟動，給了防禦者一個寶貴的領先優勢。

但我始終在想：當這項技術最終不可避免地流向大眾時，我們是否已經把牆築得夠高了？

主題五：Meta 的「覺醒」，Muse Spark 強勢登場？

四月八日，Meta 發布了全新的 AI 模型 Muse Spark。但這不只是又一個模型發布。這是 Meta 在 AI 戰略上的一次根本性轉向，從開源的旗手，變成了閉源的信徒。

如果你過去兩年一直關注 AI 產業，你會知道 Meta 的 Llama 系列 是開源 AI 模型的代名詞。它是歷史上下載量最大的 AI 模型家族，全球數百萬開發者在上面微調、建構產品、做研究。Zuckerberg 親自站台宣傳「開源 AI」的哲學，把 Meta 定位成與 OpenAI、Anthropic、Google 這些閉源玩家截然不同的存在。

然後，就在這個四月，他們推出了一個完全閉源的旗艦模型。

Llama 4 的陰影

要理解 Muse Spark 為什麼存在，你必須先理解 Llama 4 發生了什麼。

去年四月發布的 Llama 4，在官方基準測試上表現亮眼。它是原生多模態的混合專家（MoE）架構，Scout 變體支援高達一千萬 tokens 的上下文長度，效率也不錯（Scout 可以在單張 H100 上運行）。從數字上看，這是一個非常有競爭力的模型。

但在真實世界使用中，事情就不對勁了。

用戶反饋很分裂。有些人覺得它在文字和程式碼任務上甚至不如 Llama 3.3 70B。一致性問題、代理能力不足、實際體驗與基準測試之間的落差，這些批評不斷累積。Meta 發現，他們在論文裡贏了，但在產品裡輸了。

更嚴重的是，開源策略在前沿競爭中暴露了結構性弱點：你花費數億美元訓練出來的模型，一旦公開權重，競爭對手幾週內就可以複製、改進、超越。你的投資變成了全行業的公共財產。

當你只是想建立生態系統時，這是美德。當你想贏得前沿 AI 競賽時，這是自殺。

九個月的重建

Llama 4 的失望促成了一個激進的決定：從零開始重建整個 AI 堆疊。

Meta 成立了全新的 Meta Superintelligence Labs（MSL），由前 Scale AI CEO Alexandr Wang 領導。這是一個專門追求前沿 AI 的團隊，與之前負責 Llama 的 Meta AI 團隊分開運作。

他們花了九個月時間，重寫了預訓練基礎設施、架構、數據處理流程和強化學習方法。不再是在 Llama 上面做增量改進，目標是徹底的推倒重來。

結果就是 Muse Spark：一個全新專有模型家族的第一個成員。

效率作為新護城河

Muse Spark 的特點不是它有多聰明，而是它有多高效。

它達到 Llama 4 的能力，卻只消耗十分之一的運算量。

為什麼效率如此重要？因為 Meta 的目標不是讓你在網頁上跟它聊天，而是要將 AI 塞進 30 億用戶 的每一次滑動中。當 AI 變得極度便宜且快速，它才能無處不在地出現在 Instagram Reels、WhatsApp 對話 與 Ray-Ban 智慧眼鏡 裡。這種效率提升，本質上是為了支撐大規模的「成癮」與「個人化」。

當你要為這麼多人提供 AI 服務時，每一個百分點的效率提升都意味著數億美元的成本差異。更重要的是，如果你想快速迭代，而不是每次訓練都要等半年、花十億美元，你需要一個可持續的效率曲線。

這是 Meta 對「更大就是更好」信條的一次挑戰。OpenAI 和 Google 習慣用暴力計算來解決問題。Meta 賭的是：效率是新護城河。

定義成功的新標準

評判 Muse Spark 是否成功，並不是看它回答日常問題是否比 ChatGPT 或 Claude 更精準。Meta 這次的賽道就不是通用聊天機器人。

Muse Spark 的真正使命在於：

廣告系統的核動力升級：
透過深度整合用戶的貼文、購物歷史與社交趨勢，Muse Spark 能實現前所未有的廣告精準定向。它不只是幫你找商品，它是要比你更早知道你想買什麼。廣告點擊率（CTR）的提升，才是它真正的成績單。
強化「注意力黑洞」：
Muse Spark 被設計用來優化演算法，讓 Facebook 和 Instagram 的內容推薦更具誘惑力。它的成功指標是：用戶是否更「成癮」？在 App 上的停留時間是否再次增長？
創作者生態的質變：
它為創作者提供強大的多模態工具，讓生產高品質 Reels 或互動內容的門檻大幅降低。當平台上的內容品質提升、產量爆炸，用戶自然更難以離開。

產品優先，而非研究優先

這就是為什麼 Muse Spark 必須閉源。它需要存取 Meta 最核心的資產——用戶數據。

與 ChatGPT 不同，Muse Spark 不需要你告訴它背景，它已經知道你的一切。這種深度整合需要對模型有絕對的控制權，以便進行數據個人化與快速迭代。Meta 擁有的 30 億用戶分發管道，是任何其他 AI 公司都無法企及的護城河。Meta 賭的是：你不需要一個最強的大腦，你需要一個最懂你的生活、且就在你手邊的助手。

現實檢驗與市場判決

當然，Muse Spark 仍處於早期階段。在編程與複雜邏輯任務上，它可能依然落後於 GPT-5.4 或 Claude 4.6。但這未必是最重要的。

對於投資者來說，Meta 在 AI 上投入的 1150 億美元，換來的是一個能直接提振核心廣告業務、增加用戶黏性 的工具，才是最重要的。投資者希望的是，Meta 終於不再只是做公益（開源），而是開始利用 AI 武裝自己的賺錢機器。

Meta 的覺醒

Llama 4 的挫折讓 Zuckerberg 明白了一件事：在 AI 時代，當一個「受人尊敬的開源英雄」並不能保住市值。

Muse Spark 是 Meta 的一次「暴力回歸」。它不再追求成為最強的通用大腦，而是要成為最強的「社交與商業大腦」。如果 Muse Spark 能讓廣告更精準、讓內容更成癮、讓創作者更離不開這個平台，那麼即便它在編程比賽中輸給 Claude，它依然是成功的產品。

這就是 Meta 賭的未來：不是最好的 AI，而是最無處不在的 AI。

主題六：Andy Jassy的年度股東信，亞馬遜的千億賭注合理？

2026 年 4 月 9 日，亞馬遜 CEO Andy Jassy 發布了年度股東信。

這封信的核心，是對所有短期主義者的公然挑戰。Jassy 坦言，偉大的進步從來不是一條平滑向上的直線，而是充滿了曲折、停滯甚至倒退的「波浪線」。

真正的贏家，是那些敢於在轉折點上，用大膽的實驗與堅定的意志，重新發明自己的成功企業。而 AI，就是當下這個時代最巨大的轉折點。

因此，亞馬遜選擇了一條最「亞馬遜」的路：犧牲短期現金流，換取長期的絕對主導權。這套劇本，他們在打造 AWS 和 Prime 會員服務時已經上演過一次，而這次，賭注的規模前所未有。

「我們不是憑直覺下注」

Jassy 在信中再次確認將在2026 年投入約 2000 億美元 的資本支出（Capex），其中絕大部分將用於建構 AWS 的 AI 基礎設施。

面對市場對此天文數字可能產生的疑慮，Jassy 用一句強而有力的話作為回應：「我們不是憑著直覺，就投入 2000 億美元。」而他的自信，是有證據背書的。

1. 需求已成現實：AI 營收突破 150 億美元

亞馬遜首次揭露，截至2026 年第一季，其 AWS AI 相關服務的年化收入已超過 150 億美元，並正「快速攀升」。這個數字約佔 AWS 總營收的 10%。

為了讓股東理解這個速度的驚人，Jassy 做了一個對比：在 AWS 發展的早期，其年化收入僅有 5800 萬美元。這意味著，AI 業務的成長速度，是當年雲端業務的 260 倍。需求不是未來式，而是現在進行式。

2. 自家晶片「賣到缺貨」：Trainium 的逆襲

亞馬遜的自研晶片業務（包含 Graviton、Trainium 和 Nitro）正以「三位數」的年增長率狂飆，年化收入已從幾個月前的 100 億美元 翻倍至超過 200 億美元。其中，專為 AI 訓練設計的 Trainium 晶片更是「一機難求」：

Trainium 2 已基本售罄。
Trainium 3 剛開始交付，就幾乎被預訂一空。
Trainium 4 距離全面上市還有 18 個月，但已有大量產能被提前鎖定。

Jassy 透露，需求火爆到有兩家大客戶試圖買下 2026 年全部的 Graviton 晶片產能，但被亞馬遜拒絕了。這清晰地表明，亞馬遜的自研晶片在性價比上已具備強大競爭力，成為其 AI 戰略中最關鍵的成本護城河。

3. 巨額合約鎖定未來：OpenAI 只是其中之一

近期與 OpenAI 簽訂的超過 1000 億美元 的多年期 AWS 合約，只是冰山一角。Jassy 在信中明確指出，還有多個類似規模的重大合約已經敲定（或正在深入談判中）。

這意味著 2026 年投入的巨額資本，其未來幾年（2027-2028）的收入已在很大程度上被「預售」了。

這三點共同構成了一個強大的論述：亞馬遜的 2000 億美元 根本不是一場冒險的賭博，其背後是基於確定性需求的產能擴張。

隱藏的王牌：晶片銷售

Jassy 在信中公開表示：「我們晶片的需求如此之大，未來我們很有可能會將整機櫃的晶片出售給第三方。」

這句話的份量極重。在此之前，亞馬遜的自研晶片只是一種「內部成本優化工具」，透過 EC2 雲端服務來變現。但 Jassy 的這番話，等於首次公開暗示，亞馬遜可能從一個「晶片消費者」，轉變為一個「晶片供應商」。

他甚至為這個可能性算了一筆帳：如果亞馬遜像一家獨立的晶片公司那樣運營（同時向 AWS 內部和外部客戶銷售），其晶片業務的年化營收將接近 500 億美元，而不是目前的 200 億。

這會變成一個巨大的「期權價值」。它不僅證明了亞馬遜的 AI 投資正在內部取得巨大成功，更開啟了一個全新的、高利潤的收入來源，直接挑戰 Nvidia 的主導地位。

這並非孤例，Google 已經透過 Broadcom 成功向 Anthropic 提供多達 100 萬顆 TPU 晶片，合約價值高達數百億美金，根據 Meta 也在和 Google 商討中。

Jassy的長期主義宣言

在2026 年初，當亞馬遜首次透露其龐大的資本支出計畫時，市場的反應是擔憂，擔憂其對自由現金流的巨大壓力。

Jassy 透過具體的數據（150 億 AI 營收、200 億晶片營收、1000 億客戶合約）和極具想像空間的未來藍圖（對外銷售晶片），嘗試作出預期管理。他向世界證明，亞馬遜的巨額投資並非盲目擴張，而是對可見未來的精準卡位。

這封信不僅僅是關於 AI，更是關於亞馬遜這家公司根深蒂固的哲學：永遠著眼於十年後的格局，並願意為此承受當下的陣痛。

正如當年不被看好的 AWS 最終定義了雲端運算時代一樣，Jassy 正在賭上一切，確保亞馬遜能再一次，定義這個屬於 AI 的全新時代。

謝謝你閱讀到這裡，如果你覺得這份筆記為你帶來了價值，請不吝按下一個讚，這是我持續分享的最大動力。
我在Facebook和Threads都有每天發佈當天對市場的觀察，大家也可以考慮追蹤我的社交媒體。
另外我在Telegram有頻道，每天早上我會發當天重要新聞摘要。
同時，如果想開戶的話，可以考慮用我的富途/口袋證券獨家推薦碼，會有更多優惠。
全部資訊在以下鏈結：
https://linktr.ee/fomo_soc
另外，如果你已經加入付費會員，不要浪費了群組的功能，進入我們Substack的Chat功能一起討論市場!
· KP