阿里巴巴(BABA)推Qwen3.8-Max，模型呼叫量能否跑贏效率提升

 

低成本模型先壓估值，再考驗算力需求

2026年8月3日的賣壓，核心在市場重估每單位AI收入需要多少晶片。阿里巴巴(BABA)推出Qwen3.8-Max，宣稱這是旗下能力最強的AI模型。更具成本效益的模型，讓市場開始擔心訓練與推論效率提升，將壓低晶片採購強度。

費城半導體指數於當天早盤下跌2%，今年從歷史高點回落超過20%，進入熊市區間。這段修正反映一項估值爭議：雲端業者投入更多資本後，AI收入與算力需求能否同步成長。效率是否壓低總算力，成了半導體股重新定價的主軸。

 

阿里模型把效率焦慮傳到整條晶片鏈

當天早盤的價格分布很有訊息量。阿里巴巴上漲5.05%，Nvidia(NVDA)約跌1%，AMD(AMD)跌逾2%。美光(MU)約跌4%，SK海力士(SKHY)則下跌4.82%。模型供應商上漲，運算與記憶體供應商同步回落，市場正在交易成本下降帶來的產業價值轉移。

Nvidia與AMD位於加速運算核心，承受的是每次模型運作所需晶片數量下降的疑慮。美光與SK海力士跌幅更深，代表市場連高頻寬記憶體與伺服器儲存需求也一起下修。這份定價隱含一個前提：模型效率改善的速度，會快過AI使用量增加的速度。

 

開放模型擴大使用量，算力彈性成關鍵

中國AI業者積極推進開放模型，開發者能自行調整、部署與整合。市場同時拿OpenAI、Anthropic及Google的封閉模式比較。Qwen3.8-Max帶來的競爭壓力，除了模型能力，也包括取得成本與使用彈性。

算力需求可以拆成每項任務算力乘上任務數量。模型效率提升會降低前者，價格下降與開發門檻降低則可能推升後者。若開放模型進入客服、搜尋、程式開發及代理式AI，每個工作流程可能產生多次模型呼叫。此時，單次推論變便宜，總推論量仍可能放大。

這也是當天跌勢最容易產生分歧的地方。半導體股反映單位算力下降，阿里巴巴股價則反映模型採用與雲端流量增加。最後由哪一邊主導，取決於開放模型的需求彈性。

 

記憶體跌幅更深，市場押注需求降溫

美光與SK海力士約4%的跌幅，超過Nvidia與AMD，顯示市場擔心資料中心採購向上游傳導。模型若能用較少運算資源完成同等工作，GPU數量、記憶體容量與儲存需求都會受到重新估算。

記憶體股也具有更強的週期敏感度。雲端客戶一旦調整伺服器部署速度，庫存與報價通常會放大股價反應。Nvidia與AMD仍有產品世代升級支撐需求，美光與SK海力士則更直接承受採購數量與價格循環。當天的跌幅差距，反映市場對AI伺服器總量的疑慮高於對單一加速器競爭的擔憂。

 

設備股同步回落，疑慮已拉長投資週期

半導體設備股也在2026年8月3日早盤走弱。應用材料(AMAT)下跌1.2%，艾司摩爾(ASML)下跌0.73%，科林研發(LRCX)下跌3.52%。這代表市場已把模型效率問題延伸到晶圓廠與記憶體廠的擴產計畫。

艾司摩爾位於先進製程曝光設備環節，應用材料橫跨多種晶圓製程，科林研發對記憶體投資循環較敏感。科林研發跌幅較深，反映市場擔心記憶體廠資本支出跟著需求預期降溫。模型競爭因此從軟體價格，一路傳導到設備投資週期。

 

兩種路徑拉扯，錯判會出在需求彈性

我這個判斷會在使用量成長偏弱時出錯。若Qwen3.8-Max用更低成本完成同等任務，企業採用速度卻維持溫和，總算力需求就可能下降。雲端業者先前快速增加AI支出，市場已經對投資報酬產生疑慮，效率提升可能成為放慢採購的理由。

另一條路徑則由低價刺激需求。假設單位推論成本下降30%，模型呼叫量需要成長約43%，才能讓總支出維持原有規模。若呼叫量增幅超過43%，Nvidia、AMD、美光與SK海力士面對的總需求仍會擴張，設備股的訂單壓力也會減輕。這是一場成本下降與用量增加之間的拉鋸。

 

下一季數據將回答效率能否創造總量

未來兩季可以用兩組門檻驗證。Qwen3.8-Max若揭露單位推論成本下降幅度，模型呼叫量增幅能否高於相對應的損益平衡點，會直接反映需求彈性。Amazon、Microsoft、Google與Meta下一輪財報的資本支出指引，若年增仍超過20%，也代表雲端業者尚在擴建算力。

中國模型越便宜，全球晶片需求會縮小，還是被更高使用量放大？目前傾向總量擴張，觸發條件是用量成長跑贏效率改善。若未來兩季呼叫量增幅低於43%，同時四大雲端業者把資本支出成長壓到20%以下，2026年8月3日的半導體賣壓就更接近基本面警訊。