Ep168｜可惡窩把金特務說成金牌特務哭阿

韭菜畢業班 · 2026-08-14

重點

章節

從躲崩迷思到算力軍備競賽：透視AI供應鏈的獲利本質與投資思維

本文從投資心理層面探討「躲崩」策略的迷思，並深入分析AI算力軍備競賽下的供應鏈獲利結構。透過對比挖礦時代的經驗，我們將剖析硬體供應商、雲端服務商與AI新創之間的利潤分配，並探討GPU抵押貸款可能帶來的下一波資金浪潮與潛在風險。

Q&A：躲崩策略的迷思：波段操作的理想與現實

在市場劇烈震盪之際，許多投資人開始思考「躲崩」策略的可行性，試圖在崩盤前精準離場，並於低點再優雅地接回部位。然而，這種看似完美的操作在實務上卻充滿挑戰。回顧2022年的經驗，即便成功預測到下跌並停損出場，投資人往往面臨「被軋空」後認錯買回，隨即又遭遇二次下跌的窘境，陷入無止盡的停損循環。

從行為財務學的角度來看，躲崩策略的最大盲點在於它過於理想化。市場的「史上最大漲點」往往出現在最悲觀的時刻，例如在關稅戰或本輪修正中，單日暴漲的行情讓空手者措手不及。滿倉承受下跌壓力的投資人，雖然在過程中承受帳面虧損，但卻能在報復性反彈時完整參與，迅速回補損失；反觀躲崩者，往往因錯失關鍵漲幅而導致最終買回的成本比原先賣出的點位更高。

對於一般投資人而言，與其試圖預測無法捉摸的市場轉折，不如透過「資產配置」來度過不同的盤面。這並非意味著死抱部位不動，而是進行動態調整，例如在察覺市場風險升高時，將部分資金轉向與大盤連動性較低的防禦型標的，如生技、營建或金融股，或是轉入長期核心持股。這種「調而不躲」的策略，遠比試圖完美擇時進出更為務實。

Q&A：投資老師與付費訂閱的迷思：情報的價值與盲點

許多投資人為了追求超額報酬，往往會訂閱各種投資老師的付費頻道或購買課程，試圖獲取「在崩盤前逃頂、在起漲前抄底」的聖杯。然而，市場上充斥著在免費版中看似神準，但在付費版中表現卻差強人意的「專家」。這類專家往往在多頭時持續看空，僅在崩盤時出來炫耀其「精準預測」，卻忽略了長期錯失漲幅的巨大機會成本。

事實上，投資人真正花錢購買的應是「情報」而非「預測」。如同訂閱AI模型服務，你是在為其提供的智慧與資訊付費。對於新手而言，付費內容或許能加速學習曲線，但對於已有一定經驗的投資人，應審慎評估該情報是否為自己所需，而非盲目迷信老師過往的豐功偉業。誠實面對自己的操作與損益，遠比追求虛幻的「一見鍾情」式交易聖杯更為重要。

AI實戰經驗談：模型幻覺與有效Token限制的陷阱

在利用AI進行內容產出的過程中，模型的「幻覺」與「有效Token限制」是兩大隱形陷阱。即便是使用高規格的推理模型處理訪談逐字稿，AI仍可能為了追求「正確性」而矯枉過正，產生大量無意義的免責聲明，導致文章可讀性歸零。這顯示了當前AI在處理長文本時，若缺乏有效的分層管理，極易產出品質低落的內容。

另一個鮮為人知的關鍵是模型的「有效Token限制」。許多模型宣稱具備100萬Token的超長上下文視窗，但實測發現其有效輸出品質可能僅在15萬Token以內。這就好比申辦了低價的5G吃到飽方案，雖然理論網速很高，但常態供給的頻寬卻極為有限。一旦超出模型的「舒適區」，輸出的內容便開始出現幻覺或品質急遽下降。

解決之道並非一味追求最強、最貴的模型，而是回歸到精細的「工作流程設計」。透過將任務拆分為資料標註、查證、撰寫與編輯等多個部門，並針對不同環節使用最適合的模型（甚至是最簡單的ChatGPT付費版），反而能以極低的成本達到最佳效果。這印證了在AI應用上，擁有領域知識（Know-how）去引導AI，遠比單純依賴通用模型更為關鍵。

算力軍備競賽的資金瓶頸：GPU作為抵押品的挑戰

隨著AI軍備競賽進入白熱化，各大雲端服務商（CSP）與AI新創正面臨資金來源的瓶頸。在耗盡自有現金流後，這些企業急需透過融資來擴建資料中心。然而，關鍵障礙在於，銀行體系難以將GPU及相關設備認定為合格的抵押品。由於GPU迭代速度快、折舊曲線難以估算，銀行無法精確評估其殘值，這限制了AI基礎設施的擴張速度。

目前市場觀察到，NVIDIA的黃仁勳正積極奔走，試圖推動GPU的標準化分類，使其能像房地產一樣，成為銀行認可的抵押資產。一旦這個環節被打通，將能釋放巨量的資金動能。這就如同礦工若能拿礦機去銀行抵押貸款，便能迅速取得資金購置更多礦機，形成正向循環。

然而，這也引發了市場對於「信貸循環」的擔憂。若GPU抵押貸款過於寬鬆，是否會重演2008年金融海嘯的房貸泡沫？當硬體設備的價值被過度槓桿化，一旦下游的算力需求出現反轉，可能引發連鎖性的去槓桿風險，這是投資人在樂觀看待AI前景時，必須留意的宏觀風險。

1GW資料中心建置成本與規模解析

為了量化AI基礎設施的規模，我們以「1GW（百萬瓩）」作為算力建置的基本單位。1GW的電力滿載運轉，相當於80萬戶美國家庭一整年的用電量，其佔地面積約需10至20萬平方公尺。根據Semi Analysis的估算，建制一座1GW等級的AI資料中心，總資本支出高達500億美元，其中晶片相關成本約佔300億美元，但其核心的晶圓價值僅約30億美元。

從施工規模來看，一座GW等級的資料中心在建造高峰期需要動員3,000至5,000名工人，涵蓋電工、管線工與高壓電力工程師。然而，一旦建置完成，進入營運階段後，僅需數百人即可維護整座廠房。這種「重資本、輕人力」的營運模式，使得算力租賃業務在折舊攤提後，具備極高的營業槓桿。

以SpaceX的Colossus計畫為例，其規劃新增6至10GW的算力，總投資規模上看3,000至5,000億美元。這顯示了科技巨頭對於通用人工智慧（AGI）前景的極度樂觀，寧願在前期投入巨額沉沒成本，也要搶佔未來的算力市佔率。

AI供應鏈各層毛利率比較：從晶片到模型

拆解AI供應鏈的獲利結構，可以發現利潤分配呈現微笑曲線。最上游的台積電毛利率約在65%至70%，而NVIDIA的GPU毛利率更高達70%至75%。然而，最驚人的獲利能力出現在最下游的模型層，Anthropic的毛利率高達60%至70%，遠優於OpenAI的30%至40%。

若以1GW算力滿載進行推估，CSP（如AWS、Azure、Google Cloud）每年每GW可創造120至140億美元的營收，營業利潤率約30%至40%。而Neo Cloud業者（如CoreWeave）雖然定價較高，但因融資成本與折舊壓力沉重，實際利潤率反而不如大型CSP。最樂觀的預測顯示，Anthropic與OpenAI將算力轉化為Token出售，每年每GW可創造高達1,000億美元的收入。

這意味著，雖然硬體供應商（如台積電、NVIDIA）掌握了關鍵技術，但價值鏈中最大的價值捕獲者，正逐漸移向擁有算力並能直接變現的「賣鏟子」業者，甚至是更下游的模型開發商。投資人在評估AI類股時，需仔細辨別自身處在價值鏈的哪一層，以及該層的議價能力與成長續航力。

SpaceX跨足算力市場的策略與邏輯

SpaceX跨足算力市場的舉動，標誌著「賣算力」已成為一門極具吸引力的生意。最初，Elon Musk建置大型資料中心是為了支援旗下的Grok模型，但隨後發現，將閒置或額外的算力賣給Anthropic等AI新創，竟能獲得極高的報酬。這促使SpaceX轉變策略，從單純的模型開發者，向上游整合成為算力基礎設施的供應商。

這套商業邏輯與過往的挖礦模式極為相似。當挖礦（賣Token）的收益遠大於硬體成本時，礦工會不計代價地擴充礦機。如今，SpaceX不僅要賣算力，甚至傳出可能進一步向上游整合至晶片設計（TeraFab），試圖打造一條龍的封閉生態系。這顯示在AI時代，掌握算力即掌握話語權，垂直整合的程度將決定企業的競爭護城河。

對於台灣的硬體供應鏈而言，SpaceX的擴張無疑是一大利多，因為無論最終由誰勝出，都需要向NVIDIA或台積電購買設備。然而，投資人需關注的是，當這些科技巨頭為了擺脫對單一供應商的依賴，開始自研晶片或尋找替代方案時，硬體供應鏈的長期議價能力是否會受到侵蝕。

挖礦經驗對比：硬體供應鏈的獲利本質與風險

回顧過往的加密貨幣挖礦熱潮，可以發現當前的AI算力競賽與其有著驚人的相似之處。在挖礦時代，顯示卡製造商（如NVIDIA與AMD）是軍火商，礦工則是算力買家。礦工是否願意擴產，完全取決於挖出的「幣」（Token）在市場上的價格是否夠好。如今，AI時代的「幣」就是模型輸出的Token，只要下游的AI應用需求暢旺，上游的硬體需求就不會熄火。

然而，硬體供應鏈的風險在於其「一次性」的獲利特質。雖然NVIDIA的GPU毛利率極高，但這屬於設備銷售收入，一旦客戶完成建置，後續僅有升級需求才能帶來新動能。相較之下，CSP或模型開發商則是「持續性」的收入，只要算力持續運轉，就能不斷產生現金流。這解釋了為何在美股市場，軟體與服務商的估值往往享有比硬體股更高的本益比。

此外，演算法的變革是硬體需求的最大潛在威脅。若未來出現更高效的演算法，大幅降低對記憶體或算力的依賴，導致建置成本從50%驟降至20%，那麼硬體供應鏈將面臨巨大的需求真空。投資人必須密切關注AI技術路徑的演變，避免在硬體循環的頂峰過度樂觀。

AI算力建置資金來源與礦機抵押貸款可能性分析

當前AI算力擴張的核心問題在於「錢從哪裡來」。在初期，CSP與新創主要依靠自有資金或信用貸款來購買GPU。但隨著規模擴大到數百億甚至上千億美元，他們迫切需要將手中的「礦機」（GPU）轉化為可融資的資產。若能實現GPU抵押貸款，企業就無需再稀釋股權或耗盡信用額度，可直接以資產本身作為擔保，取得下一輪擴張的資金。

這套模式若能跑通，將徹底改變AI基礎設施的遊戲規則。就如同房地產市場中，房屋本身就是抵押品，買房者無需額外擔保即可取得貸款。一旦NVIDIA成功推動銀行接受GPU的標準化估值，將引爆新一波的資本支出軍備競賽。這不僅能解決CSP自由現金流不足的隱憂，更能為硬體供應鏈帶來超越市場預期的長期訂單。

然而，這種「以卡養卡」的模式也隱含著系統性風險。若GPU的二手殘值因技術迭代而暴跌，或是算力需求因經濟衰退而驟降，銀行可能面臨大規模的抵押品價值減損。這將導致信貸緊縮，反過來加速算力泡沫的破裂。投資人應將GPU抵押貸款的進展，視為觀察AI產業是否過熱的重要指標。

硬體需求風險：類比2008年信貸與演算法突破可能降低需求

市場上開始出現將當前的AI狂熱類比為2008年金融海嘯前房市泡沫的聲音。其核心邏輯在於，當資產（GPU/資料中心）可以不斷作為抵押品進行再融資時，資金會源源不絕地湧入，推升資產價格，形成「槓桿上的槓桿」。只要下游的Token需求持續增長，這個正向循環就能維持；但一旦需求放緩，過度槓桿化的企業將面臨巨大的流動性危機。

除了信貸風險，技術面的「演算法突破」是另一個潛在黑天鵝。目前龐大的算力需求，很大部分來自於大型語言模型（LLM）在訓練與推理時對記憶體的高度依賴。如果未來出現類似於Transformer架構的重大革新，大幅降低對硬體規格的要求，那麼目前堆積如山的GPU可能瞬間面臨算力過剩的窘境。

對於投資人而言，這意味著不能線性外推當前的硬體需求。雖然NVIDIA與台積電的短期訂單能見度極高，但長期估值中隱含的「永續成長」假設，可能因技術路徑的切換而面臨修正。在享受AI紅利的同時，保持對技術風險的敬畏，是避免重蹈2000年網路泡沫覆轍的關鍵。

硬體與算力賣方觀點差異及美股反應比較

近期金融市場出現一個顯著的矛盾：美股中專注於「賣算力」的CSP與軟體服務商股價表現強勁，但部分硬體設備股卻相對弱勢。這反映了市場正在區分「成本端」與「收入端」的差異。對於硬體供應商而言，他們是成本項目的提供者，其成長取決於客戶的資本支出意願；而對於算力賣方而言，他們是收入項目的創造者，直接受惠於AI應用的變現能力。

以應用材料等設備大廠為例，即便訂單能見度長達2028年，但市場給予的本益比卻相對保守。原因在於，投資人開始意識到，硬體銷售具有「一次性」的特質，且其長期的成長斜率可能不如能夠持續產生現金流的算力租賃業務。當市場的焦點從「建置」轉向「變現」時，資金自然會流向價值鏈中更具持續性與爆發力的環節。

這也解釋了為何Google、微軟等科技巨頭在投入巨額資本支出後，股價仍能獲得支撐。因為市場看好他們能將這些算力轉化為高利潤的雲端服務或AI代理。對於台灣投資人而言，這提醒我們在關注台股硬體供應鏈的同時，也應抬頭觀察美股軟體與服務業者的動向，以掌握完整的AI投資藍圖。

以嫁女兒比喻說明GPU抵押貸款與礦機類比邏輯

為了更具象化地說明GPU抵押貸款的邏輯，我們可以用「嫁女兒」來比喻。當你評估女婿的財力時，若對方說「家裡有三間透天厝」，你的腦中會立刻浮現具體的資產價值；若對方說「爸爸是上市公司董事長」，你則會自動換算其股權價值。然而，若對方說「我是礦工，有很多顯示卡」，在多數人心中，這批硬體的價值是模糊且難以估算的。

當前的AI算力軍備競賽，正處於將「顯示卡」轉變為「房地產」的關鍵階段。在NVIDIA的擔保與遊說下，若能讓銀行接受GPU作為一種標準化的抵押品，那麼這些原本被視為消耗品的電子設備，將瞬間被賦予極高的金融價值。這將使得AI企業的融資能力大幅躍升，從「用自己的信用借錢」進化為「用資產本身借錢」。

這個比喻也揭示了投資的本質：我們究竟是在投資「成本項」的硬體，還是「收入項」的算力服務？當年的礦工搶購顯示卡，是因為挖出的幣價大漲；如今的AI新創搶購GPU，是因為產出的Token極具變現潛力。只要這個「Token需求」的論述持續被驗證，整個AI供應鏈的狂歡派對就尚未結束，但投資人必須時刻警醒，自己手中的股票究竟代表著「女婿的透天厝」，還是「女婿的顯示卡」。

結論

綜合以上分析，當前的金融市場正處於總體經濟迷霧與AI科技革命交織的關鍵時刻。對於投資人而言，與其試圖精準預測市場的每一次「躲崩」，不如建立一套能適應多空循環的資產配置策略。在AI投資領域，我們正從單純的「硬體軍備競賽」邁向「算力變現」的下半場。投資人應深入拆解供應鏈的獲利結構，辨別「一次性銷售」與「持續性現金流」的估值差異，並密切關注GPU抵押貸款等金融創新對產業槓桿的影響。在擁抱AI長線多頭趨勢的同時，保持對技術迭代與信貸風險的警覺，方能在這波科技巨浪中穩健前行。

相關個股

產業 / 題材