AI算力從資料中心轉向終端，輝達財報能否撐住雲端熱潮？

 

AI 資本支出往資料中心集中，市場開始重新檢查方向

過去九個月，AI 資本支出大量湧向大型資料中心。Panmure Liberum 董事總經理 Joachim Klement 提醒，這波投入已經讓雲端服務供應商承擔數千億美元的建設風險。這個判斷的核心，落在 AI 運算究竟會長留在雲端，還是往終端設備移動。

Klement 的看法很直接：AI 的下一階段，可能在個人電腦與行動裝置上展開。ChatGPT、Claude 這類大型語言模型仍有位置，但大量日常任務已經有機會轉到本地小型模型處理。這代表雲端算力的成長路徑，未必能一直維持現在的強度。

 

史丹佛研究顯示，八成日常任務可交給終端裝置

史丹佛大學今年五月發布的研究，替這個觀點提供了量化依據。研究指出，在消費者硬體上運行的小型 AI 語言模型，已經能正確處理八成以上的日常任務與查詢。這個數字很重要，因為它直接指向一個現實：很多 AI 工作負載不必再全部回到大型資料中心。

這也說明，邊緣運算的市場空間正在打開。當模型可以在本地端完成大部分常見需求，企業和消費者對雲端算力的依賴就會下降。資料中心仍會承擔高階推理與複雜工作，但它不再是唯一的答案。

 

蘋果與戴爾被點名，設備製造商可能先受惠

如果運算重心往終端移動，受益者就會從雲端基礎設施，轉到設備與邊緣晶片供應鏈。Klement 特別點名蘋果(AAPL)與戴爾(DELL)，認為這兩家公司可能是這波轉向中的主要贏家。市場有時把它們看成 AI 較慢的參與者，但若本地模型普及，硬體平台本身就會重新取得價值。

這裡的邏輯很清楚。終端裝置若承擔更多 AI 任務，PC 與手機的升級需求就會增加，設備製造商的產品組合也會跟著受惠。相對地，雲端巨頭在產能配置上會面對更高的不確定性，先前為 AI 擴建的資料中心，利用率能否跟上，會變成後續關注焦點。

 

企業已開始混合使用大型與小型模型

這股轉向不只停留在研究或市場預期，企業端也已經開始調整。AT&T(T) 表示會依照成本等因素分配任務；JPMorgan(JPM) 則預期，企業未來會混合使用大型與小型、開源與封閉模型。這代表 AI 部署方式正在細分，模型選擇開始回到成本與效能的平衡。

Thomson Reuters(TRI) 的做法也提供了實例。該公司近期推出內部系統，採用 Alibaba(BABA) 的開源 Qwen 模型，運行成本只有同等級前沿系統的一小部分。這種案例顯示，企業導入 AI 時，已經不再只看最強模型，而是看哪一種方案能以較低成本完成任務。

 

輝達財報會看邊緣運算，DGX Spark成為備案線索

市場接下來會特別盯住輝達(NVDA)財報，原因在於它對雲端巨頭資本支出的依賴度很高。若大型資料中心的擴張節奏放慢，輝達的成長敘事就會更依賴其他產品線是否能接上。Klement 指出，輝達推出的桌上型 AI 解決方案 DGX Spark，可以視為資料中心熱潮降溫時的備用方案。

他認為，財報裡邊緣運算營收的成長會是重點。這不只關係到輝達能否分散客戶集中度，也關係到市場對 AI 基礎設施需求的再定價。對 Arm(ARM) 與 Qualcomm(QCOM) 這類專注邊緣運算的晶片設計商來說，這波轉向也提供了新的成長空間。

 

記憶體需求轉向DRAM，本地運算的成本優勢明顯

記憶體製造商在這個變化裡，位置也沒有脫節。小型 AI 系統仍然需要記憶體，只是需求型態會從資料中心常用的高頻寬記憶體，轉向 PC 裡的傳統 DRAM。這意味著記憶體需求不會消失，結構卻會改變。

成本差距也支持這個方向。若以每 GB RAM 的初始資本支出來看，本地端大約比資料中心便宜 80%；若看電費，即使按一般零售電價估算，本地運算也比大型資料中心低 70% 到 80%。這些數字說明，企業選擇混合架構有很強的經濟理由。雲端軟體仍需要資料中心，但市場已經走到一個更需要分層配置算力的階段。