AI應用已跨進醫療與科學研究，個股獲利追得上估值嗎？

 

羅威爾從密碼戰理解語言規律

1776年，波士頓教師詹姆斯．羅威爾因替美軍蒐集情報遭英軍監禁。他把情報完整寫下、寄給約瑟夫．華倫博士，華倫後來於邦克山戰役陣亡，信件也落入英軍手中。羅威爾因此坐了18個月牢，情報工作幾項大忌一次踩完。

五年後，羅威爾已坐進國會，工作變成破解截獲的英軍信件。他沒有受過專業訓練，只能從英文規律下手：字母「e」出現頻率最高，「the」經常重複，英國軍官可能談論的內容也有固定範圍。他反覆猜測、核對與修正，逐步還原原文。

把羅威爾稱為「AI始祖」帶有文學效果，技術史上仍隔著資訊理論、電腦與神經網路。不過，他使用的方法確實碰到AI發展的一條主線：從大量符號找出可預測規律。

 

從圖靈、香農走到大型語言模型

160年後，艾倫．圖靈參與破解納粹德國的恩尼格瑪密碼，相關工程推動早期電腦發展。曾在貝爾實驗室研究密碼學的克勞德．香農，則在1951年要求受試者連續猜測英文文本的下一個字母，用數學方法估算語言的可預測程度。

香農發現，語言含有大量冗餘與規律。人類看到前文後，往往能把下一個字母的可能範圍縮得很小。羅威爾靠經驗完成的工作，到了香農手上，開始成為可以量化的資訊問題。

ChatGPT、Claude與Gemini等大型語言模型，也以預測下一個詞元為核心訓練目標。詞元可以理解成模型處理文字時使用的基本單位。模型能力還受到資料規模、運算量、訓練方式與工具整合影響，但預測下一個詞元仍是理解生成式AI的重要起點。

 

軟體、蛋白質與專業服務都能轉成符號問題

ChatGPT剛推出時，市場一度把它視為更高階的文字自動完成工具。隨著模型規模擴大，它開始能撰寫程式、草擬合約、整理醫療資料，甚至完成部分專業考試。能力跨越不同領域，源頭在於許多專業工作都能轉成結構化符號與模式。

軟體由程式語言構成，AI已能生成相當比例的程式碼。DNA與蛋白質也能視為生物資訊序列，Google DeepMind的AlphaFold運用AI預測蛋白質結構，相關研究者並獲得2024年諾貝爾化學獎。

法律文件具有固定用語、條款與判例脈絡；醫學則累積症狀、影像與實驗室數據。市場裡也有財報、法說會逐字稿、公開申報與價格資料。這些領域的專業價值，長期建立在訓練時間、判讀經驗與處理速度的稀缺性上。

AI正在降低初步解讀與模式搜尋的成本。專家的角色也會往問題定義、結果驗證與責任承擔移動。解碼成本快速下降，是這波技術擴散最值得放進產業模型的變化。

 

AI應用擴張與個股估值過熱可以同時發生

判斷泡沫需要同時檢查價格與應用。Google(GOOG)已有大量新程式碼透過AI生成；美國食品藥物管理局核准的AI醫療設備超過1,600款；每週約有50萬人付費使用自駕車服務。AlphaFold則把AI帶進基礎科學研究，成果已跨出聊天介面。

這些案例顯示AI已進入軟體開發、醫療設備、交通與科學研究。採用範圍持續擴大，技術滲透也很難回到早期狀態。個別股票仍可能因成長預期過高，出現價格大幅領先獲利的情況。

所以，AI產業是否持續成長，和某檔AI股票是否昂貴，需要分開評估。應用數量能證明需求存在，卻無法單獨回答股東能分到多少現金流。投資判斷還得追蹤資本支出、推論成本、產品定價、毛利率，以及客戶願意付多少錢。

這有點像諸葛亮北伐，糧道與兵力決定戰線能推多遠。AI模型能力是前線戰力，資料中心投資、能源需求與商業化效率則是糧道。前線聲勢再大，報酬率仍要回到完整供應鏈計算。

 

併購訊號提供新用途，投資結論仍需正式證據

收購案也是可以解碼的市場活動。大型交易公開前，可能留下監管申報、擴大招募、專利申請與高階主管行程等足跡。單一線索很容易誤判，AI的優勢在於同時掃描大量公開資料，找出人力難以持續追蹤的異常組合。

這類系統若能穩定提高發現潛在交易的效率，確實具有商業價值。然而，回測準確率、假訊號比例與資訊取得合法性，都會影響策略能否轉成可持續報酬。模型找到相關性後，仍需事件證據完成確認。

至於SpaceX(SPCX)於今年6月透過IPO籌資逾750億美元，並可能把資金投入收購的說法，需要正式招股文件、交易所紀錄與公司公告支持。在證據齊備前，我不會拿這項推測建立部位。

我對AI的產業方向維持正面看法，對個股價格則採逐家公司檢查。技術擴散已經發生；投資報酬還要看收入成長能否追上資本投入，以及供應鏈各環節最後留下多少獲利。看對產業方向只是第一關，買入價格與持有紀律仍會決定績效。