AI基建衝上千億美元，科技巨頭的獲利撐得住嗎？

 

Meta資本支出升至新量級，AI投資開始牽動財務結構

Meta第三季資本支出達349.1億美元，年增約八成。若單純年化，支出速度已接近1,400億美元，顯示大型科技公司正同步擴充運算、網路、儲存與資料中心。AI基建進入千億美元級競賽，單季金額已足以改變自由現金流、折舊費用與籌資安排。

Meta進一步把2026年資本支出下限調高至1,350億美元，並增設無投票權的C類普通股，保留後續籌資彈性。這項安排反映AI投資週期可能延續多年，資本配置也要跟著調整。市場接下來會持續檢查廣告與AI產品帶來的增量收入，能否追上折舊、電力及維運成本。

資金規模快速放大，也推升泡沫疑慮。市場傳出Anthropic的IPO估值上看2兆美元，顯示資本市場願意給生成式AI極高的遠期預期。估值傳聞只能反映資金熱度，商業模式仍需回到收入成長、推論成本與現金消耗速度。

 

企業AI成本要用任務總成本衡量

企業導入AI後，成本管理已從採購軟體授權，延伸到模型選擇、Token用量與工作流程設計。聯發科(2454)針對內部工程師使用的AI工具，依任務複雜度自動匹配模型及Token額度。簡單任務使用成本較低的模型，複雜任務再調用更高階算力。

OpenAI團隊提出的衡量方式，是計算完成一項任務所需的總成本。單一Token價格只能解釋部分支出；若高階模型可以減少重工、縮短工程時間或提升一次完成率，總成本仍可能下降。工作流程決定AI投資報酬率，模型價格只是其中一個變數。

這套方法也會影響企業軟體的獲利模式。AI功能使用越頻繁，推論成本越高，軟體公司需要在訂閱費、用量計價與毛利率之間取得平衡。企業客戶則會追蹤每項任務節省多少工時，以及錯誤率是否同步下降。

 

自研加速器擴大先進製程需求

算力需求持續增加，Meta也透過自研MTIA系列AI加速器降低部分工作負載對外部晶片的依賴。MTIA採用台積電(2330)的7奈米與5奈米製程，代表雲端業者擴大自研晶片後，需求仍會傳導至晶圓代工、先進封裝與高速互連供應鏈。

大型雲端公司自研晶片，通常針對自家模型與資料中心環境最佳化。Nvidia等通用GPU保有軟體生態系與部署彈性，自研ASIC則有機會改善特定推論工作的成本及能源效率。GPU與自研ASIC將長期並存，比例會隨訓練、推論及代理型AI工作負載變化。

對台積電而言，客戶晶片架構分散並未削弱先進製程的重要性。只要總算力需求繼續擴張，雲端公司、GPU供應商與自研晶片團隊都需要製造產能。後續壓力會逐步延伸到封裝、記憶體、光通訊、散熱與電力供應。

 

Agentic AI拉高記憶體與基礎設施需求

2026年10月，美光與SK海力士股價曾出現波動，反映市場持續交易記憶體供需與資本支出預期。輝達執行長黃仁勳在GTC大會評估，2029年前記憶體出現供給過剩的機率偏低。這項看法建立在AI工作負載持續增加，以及單一系統需要更多高頻寬記憶體的前提上。

AI正從單次問答走向Agentic AI，也就是能拆解任務、呼叫工具並反覆執行的自主代理。一次任務可能產生多輪推論、讀取更多資料，並保留更長的上下文。代理型AI提高單一任務算力密度，記憶體容量、頻寬及資料中心網路都會承受更高負載。

供給展望仍取決於需求成長與擴產紀律。若記憶體廠同時大幅提高產能，或企業AI專案的使用率低於預期，供需仍可能轉鬆。科技巨頭還要同時處理資安治理、模型權限、電力取得與財務槓桿。AI基建長週期已逐漸成形，後續判斷要持續比對算力使用率、AI收入、折舊增幅與自由現金流，確認高額資本支出能否轉成可持續的獲利。