AI供給同步擴張，資本支出何時能換成持續收入？

 

AI創造的價值很大，估值波動也會很劇烈

Hermann Hauser 從1978年共同創辦 Acorn Computers，到參與建立 Arm(ARM)，完整經歷個人電腦、行動運算與雲端等科技週期。如今他透過 Amadeus Capital 投資歐洲深科技公司，觀察焦點已轉向人工智慧、半導體架構與科技主權。

Hauser 對 AI 的長期價值抱持高度信心。他認為，AI 可能創造歷次科技革命中規模最大的經濟價值，發展過程也會伴隨大幅波動。技術革命與資產價格泡沫可以同時存在，部分企業的估值已經偏高，近期出現的循環融資協議也提高了市場風險。

所謂循環融資，常見形式是供應商投資客戶，客戶再利用資金採購供應商產品。這類安排可以加速產業建設，卻也可能讓營收、資本支出與資金來源彼此纏繞。當終端需求低於預期，整條資金鏈便會承受更大的調整壓力。

OpenAI 與 Anthropic 擁有龐大資金支持，Hauser 判斷這類領先企業有能力穿越估值修正。這項判斷的範圍集中在生存能力，無法直接推導所有 AI 公司都能維持目前估值。接下來的分化，將取決於資金消耗速度、模型商業化效率，以及推論收入能否覆蓋運算成本。

 

AI運算成本正在推動晶片架構改寫

過去幾年，AI 基礎建設支出大量流向 GPU、先進封裝、記憶體與資料中心，晶片公司因此成為資本市場的主要受益者。隨著模型規模擴大，產業也逐步碰到散熱、記憶體價格、資料搬移與電力供應等瓶頸。

目前 AI 系統的一大耗能來源，是處理器與記憶體之間反覆搬移資料。模型參數愈多、推論次數愈高，資料搬移帶來的延遲與能源成本就愈明顯。單純增加更多晶片，會同步推升機房功耗、冷卻需求與總持有成本。

Hauser 特別提到記憶體內運算與光子運算。記憶體內運算把部分計算放進記憶體附近，縮短資料移動距離；光子運算則利用光傳輸或處理資料，目標是降低互連能耗並提高頻寬。每瓦運算量將成為下一輪架構競爭的主要指標。

這也呼應 AI 基礎建設正在發生的尺度變化。競爭已從單顆加速器效能，延伸到記憶體頻寬、封裝、光通訊、散熱與軟體協同。Hauser 將這波改變與 Arm 當年挑戰傳統晶片架構相比，代表他看見的是運算方式的長週期重組。

 

歐洲具備研發能力，企業規模化仍受資本與供應鏈限制

Hauser 認為，歐洲擁有足以參與 AI 競爭的人才與技術。歐洲的主要限制，集中在新創公司難以擴張成全球企業。從早期研發走向量產，需要更深的資本市場、穩定客戶、先進製造能力與大型雲端平台支持，任何一環不足都會拖慢規模化。

科技主權因此成為他的另一項關注。歐洲在大型 AI 模型、先進晶片、雲端運算與電子設計自動化軟體上，高度依賴海外供應商。地緣政治緊張與出口管制升溫後，供應鏈依賴也會轉化成產業政策風險。

Hauser 主張歐洲繼續維持與美國的夥伴關係，同時建立關鍵技術的自主能力。科技主權的實質內容是替代能力與議價能力，涵蓋運算資源、晶片設計、製造、軟體工具及人才體系。歐洲能否把科研成果轉成大型企業，將決定其在 AI 產業鏈中的位置。

 

台積電、Intel與記憶體廠同步擴張AI供給

今年7月，台積電(TSM)營收大幅成長，AI相關晶片需求仍是主要推力。這顯示大型雲端業者與模型公司的資本支出，持續傳導至先進製程與高效能運算晶片。對供應鏈而言，需求強度也要搭配先進封裝產能、客戶集中度與後續訂單能見度觀察。

Intel(INTC)則傳出規劃規模達200億美元的普通股發行。若依相關計畫推進，股權融資可以補充晶圓製造與 AI 運算布局所需資金，也會帶來股本稀釋壓力。Intel 面對的課題同時涵蓋製程投資、產品競爭力與資產負債表，資金規模本身無法保證投資回報。

記憶體端也進入大規模擴產週期。相關計畫所述，SK海力士投入規模達7,200億美元，用於 AI 驅動的長期擴張。如此龐大的數字需要搭配投資期間、幣別與實際執行進度解讀，短期產能增加仍取決於設備交期、廠房建設與高頻寬記憶體良率。

Google(GOOGL) DeepMind 面臨縮小與 OpenAI、Anthropic 模型效能差距的壓力。Meta(META)與輝達(NVDA)則投入開源 AI 生態系，回應中國實驗室快速推進的開源模型。模型競爭正向資本、晶片與開發者生態全面延伸，各家公司採取的商業模式仍有明顯差異。

 

Irregular進入大型模型的安全測試流程

過去兩週，OpenAI、Anthropic與Meta陸續透露，旗下模型在例行安全測試中出現異常狀況。三家公司在說明過程中都提到以色列新創 Irregular，讓這家成立三年的小型公司進入市場視野。

Irregular 的角色接近模型安全測試與攻擊模擬，目標是找出模型可能遭到操控、繞過限制或產生失控行為的路徑。隨著 Agentic AI 開始執行多步驟任務，模型取得的工具權限、資料存取範圍與自主行動能力同步提高，安全測試也從文字輸出審查擴大到完整行為鏈。

這類需求可能形成 AI 軟體堆疊的新支出項目，包括模型監控、權限管理、紅隊測試與運行時防護。商業規模仍要看企業是否把安全工具納入固定預算，以及監管要求能否轉成持續性合約。

AI 長期價值、短期估值風險與架構轉型目前同時存在。後續判斷可沿著三組證據追蹤：推論收入能否改善模型公司的資金消耗、每瓦運算效率能否降低資料中心成本，以及安全測試能否形成可重複收費的產品。資本支出最終仍需由可持續收入承接。