根據半導體與算力獨立研究機構SemiAnalysis的模型推演，到2028年，OpenAI與Anthropic這兩家前沿AI實驗室，可能掌握全球高達70%至80%的新增AI算力。SemiAnalysis創辦人暨首席分析師Dylan Patel在Podcast節目中拋出這個數字時，語氣平靜得像在陳述下週天氣——但對整個科技產業來說，這恐怕是比颱風警報更該認真看待的預測。
先來拆解這兩個數字的重量。70%到80％的新增算力占比，意味著全球每年上線的新一代AI訓練集群，將有絕大部分被這兩家公司包辦。Patel估計，兩家實驗室在今年初各自擁有約2GW（吉瓦）或以下的算力規模，到了年底，兩者都將跨越5GW的門檻，合計占全球今年新增算力約三成。而這個比率明年將攀升到40%至50%，再到後年，就是超過七成的絕對主宰局面。換句話說，未來三年內，AI算力的供給結構將從「百家爭鳴」迅速收斂為「雙頭壟斷」。
算力不是只有用電規模，新一代晶片的每瓦效能才是關鍵
不過，單純看GW數字其實會嚴重低估實際的運算影響力。Patel特別點出，GB300、TPUv7及Trainium3這幾款新一代晶片，每瓦效能是前代產品的3到5倍。這背後的含義很直白：假設OpenAI和Anthropic在2028年合計擁有突破100GW的算力規模，考慮到晶片效能的跳躍式提升，它們所掌控的有效浮點運算能力（FLOPs）占全球比重，會遠比單純的用電佔比來得驚人。
這邊可以用一個粗略的比喻來理解：如果傳統算力是普通房車，新一代晶片就像渦輪增壓的跑車——同樣加一桶油，跑出來的里程和速度完全不在同一個量級。當兩家實驗室同時擁有「最多的車」和「最快的車」，其他競爭者要在同一條賽道上超車，幾乎是不可能的任務。
下表整理了SemiAnalysis對兩家實驗室算力規模的推估軌跡：
11兆美元的資本狂潮，錢從哪裡來？
算力大規模擴張背後，是天文數字的資金需求。SemiAnalysis的模型推估，2024年到2029年這六年間，全球AI產業鏈累計資本支出可能超過11兆美元。這個數字有多大？作為對照，2023年全球半導體產業全年營收大約是5,200億美元左右——整整六年的AI資本支出，相當於半導體產業二十年營收的總和。
更關鍵的問題是錢從哪裡來。Patel算了一筆帳：就算微軟、Google、Amazon這些科技巨頭在六年內投入約6兆美元的自有現金流，市場上仍然存在超過5兆美元的資金缺口，必須靠信貸市場融資來填補。他的判斷是，AI數據中心目前展現的高報酬率，會讓科技巨頭願意承受8％甚至更高的融資成本——而這將直接排擠傳統企業擴產、房貸市場，甚至政府公債的資金需求。
換句話說，如果你未來幾年看到房貸利率持續居高不下，或是企業融資條件收緊，背後其中一個推手，可能就是這些AI實驗室在資本市場的巨額吸金效應。
編輯觀點：從產業面來看，SemiAnalysis的預測有一個很少人討論的隱藏前提——它假設AI模型的經濟價值會持續以指數級成長，來支撐這麼龐大的資本支出與融資成本。但這個前提並不是理所當然的。如果明年或後年某個新一代模型沒有展現出預期中的能力躍進，或是推論服務的變現效率遇到天花板，整個資本循環可能出現連鎖收縮。對一般企業來說，與其盲目跟進大規模算力投資，不如先釐清自己的AI應用場景是否真的需要頂級算力——很多時候，輕量級模型搭配好的數據品質，反而有更高的投資回報率。
一個非主流的推論：算力不一定會拿去賣
Patel在訪問中提出了一個偏離市場共識的觀點。一般認為，AI實驗室只要有多餘算力，就會向外提供推論服務來變現。但他認為，隨著模型變現效率提升，前沿實驗室反而可能將新增算力優先投入內部研究與下一代模型訓練，而不是對外服務。
這個推論如果成真，會產生兩個重要的連鎖效應。第一，市場上「可租用」的高階算力供給可能比預期更稀缺，推論服務的價格不會像許多人預測的那樣快速下滑。第二，OpenAI和Anthropic在下一代模型的領先差距，將因為算力資源的集中投入而進一步拉大——商業化與技術研發之間的飛輪效應，會讓後進者愈來愈難追趕。
不過，Patel自己也反覆強調，上述所有預測都建立在一個關鍵前提上：AI需求、模型能力、資本支出必須持續維持高速成長。如果遇到監管政策限縮、能源供給瓶頸、融資成本飆升，或是模型商業化進度不如預期，這幅算力集中的藍圖，以及連帶的全球利率上升壓力，都可能在現實中大幅偏離模型推演的軌跡。
數據背後的啟示
算力集中化不是新聞，但集中到七成以上這個「質變」的門檻，才是這份預測最值得深思的地方。當兩家實驗室掌握全球絕大多數最先進的算力資源，AI產業的競爭結構將從「技術創新競賽」逐步轉變為「算力分配政治」——誰能拿到OpenAI和Anthropic的算力合作機會，誰就能在下一階段的AI應用中佔有先機；反之，被排除在算力供應鏈之外的企業，即使有再好的人才和演算法，也可能巧婦難為無米之炊。
對臺灣的產業界來說，這個趨勢有兩個層面的意義。一方面，算力集中化不代表硬體需求集中化——相反的，超大規模數據中心的建置將持續拉動高階半導體、散熱、先進封裝、電源管理等供應鏈需求，臺灣廠商在這條產業鏈上的角色只會更吃重。另一方面，如果企業的AI策略仍停留在「買算力、跑模型」的階段，未來幾年可能會面臨算力成本上升、供應商議價能力集中的雙重壓力，提前布局輕量化模型或邊緣AI技術，或許是更務實的避險策略。
最後，不管你相不相信SemiAnalysis的數字，Patel在訪問尾聲說的一段話值得記住：「模型推演的意義不在於預測未來，而在於讓我們看清楚，哪些變數會真正改變賽局的走向。」以這個標準來看，算力集中化、資本排擠效應、以及內部研發與對外服務的資源分配權衡——這三個變數，才是接下來三年最該緊盯的關鍵信號。
當算力成為AI時代最稀缺的戰略資源，它的分配方式將決定整個產業的遊戲規則。對於沒有能力自建超大規模集群的多數企業來說，接下來的課題不是「如何擁有算力」，而是「如何在算力集中在少數玩家手中的情況下，找到自己不可被取代的應用價值」。這或許比押注哪家晶片廠會勝出，更值得投入時間思考。
本文改寫整理自公開新聞來源，原始報導由Yahoo奇摩新聞發布。
常見問題 FAQ
SemiAnalysis對OpenAI和Anthropic算力集中度的預測有多準確？
SemiAnalysis是半導體與算力領域具公信力的獨立研究機構，其模型推演有一定參考價值，但創辦人Dylan Patel已明確表示這項預測建立在AI需求與資本支出持續高速成長的前提上，若監管、能源或融資環境出現變化，實際集中度可能低於其推估。
算力集中化對一般企業的AI應用會造成什麼影響？
算力集中化意味著高階推論服務的供給可能比預期更稀缺、價格下降速度更慢，一般企業若完全依賴外部算力服務，可能面臨成本上升與供應商議價能力集中的雙重壓力，建議提前評估輕量化模型或邊緣AI方案的可行性。
AI產業超過11兆美元的資本支出會推升利率嗎？
SemiAnalysis推估AI產業鏈在2024至2029年累計資本支出超過11兆美元，其中逾5兆美元需透過信貸市場融資，若科技巨頭願意承受8％以上的融資成本，確實可能排擠傳統企業、房貸與政府債券的資金需求，進而對整體利率水準形成上升壓力，但實際影響仍取決於聯準會等央行的貨幣政策路徑。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
