汽車與金融都在加碼AI，基礎建設需求能否延續到獲利？

 

汽車價值鏈導入AI比例，2030年上看72%

截至今年9月28日，AI已加速進入汽車、金融與企業服務流程。資誠(PwC)預估，全球汽車價值鏈採用AI的比例，將從目前47%升至2030年的72%，增加25個百分點。

這個變化涵蓋研發設計、生產排程、品質檢測、供應鏈管理、駕駛輔助與售後服務。AI開始進入企業日常流程，投資效益也會逐漸從模型能力，轉向成本節省、週轉效率與新增營收。

汽車產業的價值鏈長，資料分散在車廠、零組件供應商、經銷商與維修體系。滲透率提高至七成以上，代表企業需要同步擴充資料治理、雲端運算、網路傳輸與資安架構。AI應用規模愈大，後端基礎建設需求也會跟著增加。

 

金融AI代理人擴大服務範圍，敏感資料留在私有雲

金融業正在把AI導入研究、交易分析與企業營運。印度已有超過1.4億個股票帳戶，多款AI平台開始提供財報摘要與選擇權策略回測，讓個人投資人取得過去較常見於機構端的分析工具。

南韓Kakao Pay Securities則導入AI投資代理人，規劃三年內吸引2,000萬人參與資本市場。這類代理人若能連接帳戶資料、研究工具與交易流程，金融平台的收入來源可能延伸至訂閱、交易服務與資產管理。

大型金融機構的導入方式更能反映企業端需求。法國巴黎銀行與Google Cloud簽署五年合約，引進Gemini模型改善企業金融效率。該行同時要求敏感醫療與保險資料留在內部私有雲，顯示混合雲將成為金融AI的重要架構。

公有雲提供模型、開發工具與運算彈性，私有雲負責保存高敏感度資料。這套配置會增加身分驗證、存取管理、加密與網路隔離需求，也讓資安支出成為AI部署的一部分。

 

Akamai簽下CPU容量協議，AI運算需求向更多架構延伸

AI基礎建設投資仍在擴張。Akamai近期與Anthropic簽署11.6億美元的CPU運算容量提供協議，未來合約規模可能進一步接近200億美元。

市場討論多集中在GPU，這份協議則顯示CPU仍承接大量推論、資料處理與一般雲端工作負載。隨著AI服務進入更多企業流程，運算架構需要同時配置GPU、CPU、記憶體、儲存與高速網路。

CPU與GPU的配置比例會受到模型類型、延遲要求及單次推論成本影響。企業若追求大規模部署，單位運算成本與資源使用率會逐漸成為採購決策的重要依據。

協議從11.6億美元延伸至接近200億美元的潛在規模，反映需求可能採分階段擴充。後續仍要看實際容量啟用速度、合約執行進度，以及Anthropic的模型使用量能否支撐後續擴約。

 

Marvell單季營收27.4億美元，網路與客製化晶片需求續強

資料中心擴建也直接反映在半導體供應鏈。Marvell單季營收達27.4億美元，創下歷史新高，年增37%。成長來源包括資料中心網路與客製化晶片需求，顯示雲端業者的AI資本支出持續向交換器、互連與專用晶片擴散。

GPU叢集規模提高後，資料需要在運算節點之間快速移動。網路頻寬、交換器晶片與光通訊元件會影響叢集利用率，客製化晶片則協助雲端業者調整效能、功耗與成本。AI投資已擴散至整套資料中心系統。

Marvell的37%年增率提供硬體需求仍強的單季證據。延續性仍取決於雲端客戶資本支出、客製化晶片專案進度，以及高速網路產品能否持續轉成營收。

 

基礎建設規模擴大，監管與人才缺口同步上升

AI資料中心快速擴張，也提高金融與營運風險。美國聯準會官員近期示警，規模龐大的AI與資料中心資產，未來可能形成「大到不能倒」的系統性風險。當融資、電力合約與雲端客戶集中在少數大型專案，任何需求修正都可能沿著資本支出與信用市場傳導。

人才供給也是限制。產業界面臨高達51%的AI軟體人才短缺，企業即使取得模型與運算資源，仍需要工程團隊完成資料整理、系統整合、安全控管及持續維運。

2030年汽車AI滲透率升至72%，提供跨產業採用加速的方向；Akamai與Marvell則呈現運算容量、網路及客製化晶片的受惠路徑。後續判斷要同步追蹤合約轉換、雲端資本支出、資料治理規範與人才供給，才能確認AI需求能否從基礎建設投資延伸成穩定獲利。