Nvidia(輝達)成本革命下還能吃到需求，關鍵其實是推論量怎麼放大

成本革命把價值往下游擠，算力平台反而吃到更長的需求曲線

這篇最核心的主軸很清楚：企業開始精算每一個 token，受益者反而更像 Nvidia 與雲端平台，壓力則往應用層軟體聚集。
原因也直接。當模型變便宜，導入門檻下降，使用場景變多，總推論量就會放大。企業省下來的錢，常常沒有離開 AI，而是改成更有效率地重配到 GPU、記憶體、網路與雲端算力上。

UBS 這份報告的基礎來自分析師 Karl Keirstead 對超過 15 家未上市 AI 公司的訪談，名單包括 Perplexity、Harvey、Glean、Cursor、ElevenLabs、Fireworks。訪談訊號一致。企業導入速度在過去六個月還在加快，很多公司營收翻倍，甚至三倍成長。需求沒有退。只是預算邏輯換了。

 

多模型架構已經變成企業預設，雲端平台因此握到更穩的位置

企業現在的採購方式，已經不是押單一模型。大型客戶會把 OpenAI、Anthropic 的前沿模型，和開源或客製化模型混搭使用。日常任務走低成本模型，複雜推理再交給高階模型。這種自動路由架構，代表企業買的不是某一個模型，而是一整套可切換、可控成本的運算環境。

位置最穩的，就是 Microsoft、Amazon、Google。
因為客戶無論最後選哪一組模型，都還是得跑在 Azure、AWS、Google Cloud 上。平台層先天吃到流量。這也是為什麼市場看 AI 時，焦點正在從「誰模型最強」移到「誰握有最多運算入口與企業客戶」。

這個結構也能套回 NET。Cloudflare 雖然主體不是超大規模雲端，但它卡在邊緣運算與網路入口，若企業把推論工作切成不同等級，部分低延遲、分散式請求就有機會往邊緣節點走。這類題材目前比較像間接連動，關鍵還是要看之後管理層有沒有把 AI 相關產品營收占比講得更具體。

 

開源模型擴散速度愈快，Nvidia 的訓練與推論地位反而愈難被拔掉

UBS 點得很明白。多數開源模型的訓練與優化，今天仍高度仰賴 Nvidia 硬體。這代表一件事：模型層競爭加劇，未必會削弱 NVDA 在基礎設施端的地位。相反地，模型變多、版本變快、客戶分層更細，通常只會把整體算力需求切得更廣。

這裡要區分訓練和推論。訓練看的是最前沿模型的資本密度。推論看的是企業導入後的總調用量。現在成本下降，最直接放大的就是推論。當客服、自動化文件處理、知識搜尋、程式助手、產線優化都開始算得過帳，GPU 需求不會只留在少數模型公司手上，而會擴散到更多企業應用。

AMD 也在這條線上。若企業與雲端平台持續尋找更便宜的推論配置，AMD 在加速卡的滲透率就要看兩個門檻：下一次財報對資料中心 GPU 營收占比的揭露，還有大型雲端客戶是否願意在公開場合提高部署規模。Intel 目前則更偏向 CPU 與整體平台整合的角色。當 Agentic AI 把工作流拆成更多步驟，CPU 在協調、排程、資料前處理上的占比不會消失。比例在變。

 

軟體層的毛利壓力會先浮現，因為路由能力正在快速標準化

市場過去願意給部分 AI 軟體公司高估值，前提是它們有能力封裝模型、管理調用、提供路由，並把這層能力賣成高毛利服務。現在這個前提正在鬆動。因為「多模型管理」與「模型路由」愈來愈像標配功能，企業很難再為這部分支付過高溢價。

壓力會先出在利潤。
企業若全面控管 AI 預算，最容易被擠壓的，往往是應用層訂閱價格，而不是底層算力支出。原因很實際。模型可以換，軟體可以議價，但一旦實際使用量擴大，推論、儲存、網路傳輸與加速卡的需求很難憑空消失。

這種毛利壓力，也可以拿 DDOG 做跨族群對照。Datadog 若受惠於 AI 工作負載增加，監控需求會上升；但若它要把 AI 觀測能力賣成新模組，客戶願意付多少溢價，仍得看產品差異化。流量成長是一回事，定價權是另一回事。市場接下來會分得很細。

 

中國開源模型進入企業測試名單，代表價格體系還會繼續下修

UBS 提到 Z.ai、Moonshot AI、Alibaba、DeepSeek 正被更多企業試用，甚至導入。這個訊號很有殺傷力。因為它代表企業現在已經願意把「模型來源」與「雲端承載環境」分開看。只要 AWS 或 Azure 能提供相對安全的部署環境，企業就可能接受更多低成本模型進入正式流程。

價格會再壓。
這會讓前沿模型供應商的成長預期被重新定價。也會讓雲端平台更像真正的收租方。模型之間殺價，平台抽的是運算、儲存、資料流量與企業關係。基礎層的護城河，反而變厚。

這也是為什麼看 Amazon、Microsoft、Google 時，重點不只是 AI 模型發布節奏，而是 capex 之後能不能換成持續成長的推論收入。若管理層在下一次法說會繼續強調算力供給吃緊，且雲端成長率維持上行，這條邏輯就還站得住。

 

供給仍然吃緊，這輪週期暫時看不到企業 AI 支出明顯降速

UBS 對反方的回應也很關鍵。有人擔心，若 OpenAI 或 Anthropic 這類前沿模型公司的營收天花板下降，整體 AI 投資也會跟著降溫。但 UBS 觀察到的現況是，超大型雲端業者仍普遍面臨供給吃緊，AI 算力處於供不應求。

短期看的是缺貨。
中期看的是滲透率。

只要供給仍緊，代表企業實際部署還在往上走。這和 IEA 對資料中心用電的長期看法可以互相印證：AI 工作負載增加，電力、散熱、電網投資都得跟上。市場常把 GPU 當成唯一核心，實際上 LITE、COHR、GLW 這類光通訊與材料鏈，也會跟著受惠，因為資料中心內外部頻寬升級、光模組規格拉升、玻璃與連接材料需求，都是同一條資本支出鏈上的延伸。

 

這個判斷會在兩種情況下出錯，門檻要盯法說會的具體數字

風險要獨立看。
這個判斷有兩個容易失效的地方。

一種情況是，雲端平台在未來兩季法說會上，同步釋出更保守的 capex 計畫，並且把 AI 相關供給吃緊的描述改成需求正常化。若 Microsoft、Amazon、Google 三家對資料中心投資的年增率一起放緩，市場就會開始懷疑推論需求的持續性。

另一種情況是，模型效率提升得太快，快到推論成本下降的速度，超過使用量成長的速度。若每次模型迭代都能大幅減少 GPU 需求，硬體鏈的收入彈性就會被壓縮。那時要盯的門檻很具體：Nvidia 資料中心營收年增率若連兩季明顯收斂，且雲端巨頭沒有同步提高 capex，市場會重估整條鏈。

接下來的問題很值得追：當企業開始把 AI 當成成本中心來管理，最後為什麼基礎設施公司的議價權反而更強？目前的傾向是，成本下降打開的是需求彈性，不是需求上限；只要下一輪法說會還在講供給吃緊，這個機制就還在運作。