商周聯名特輯｜中美互鎖、輝達當莊：3.5 兆美元的永動機

財經M平方 · 2026-09-12

重點

章節

AI永動機的危與機：中美互鎖、輝達當莊與3.5兆美元表外融資的系統性風險

本集深入剖析AI供應鏈的最新動態，從中美科技競爭升級、輝達的垂直整合與融資平台，到資料中心電力瓶頸與供應鏈庫存風險。特別聚焦華爾街3.5兆美元表外融資的結構性風險，以及AI泡沫與否的機率思維，為投資人提供全面的市場觀察與風險評估。

AI浪潮再起：從蘋果新品到GPT-6 Extra，華爾街資金湧入的永動機敘事

近期市場在富貴險中求的氛圍下，勞動市場數據轉趨樂觀，但升息機率仍高，投資人須密切關注聯準會動向。九月開局，蘋果新品發表與OpenAI的GPT-6 Extra推出，再度點燃AI熱情。GPT-6 Extra的3D渲染與電腦操控能力大幅提升，讓市場誤以為AGI時代來臨，但實際上這更像是AI模型能力的又一次躍進。

OpenAI作為領頭羊登高一呼，整個AI機器再度轉動，華爾街的資金也跟著進場，3.5兆美元的資金規模令人咋舌。本集邀請到FOMO研究院的KP與研究經理Jason，一同探討AI供應鏈的機會與風險。

KP首度亮相：從輝達財報拆解到FOMO研究院的專業視角

KP首次在節目中亮相，其對輝達財報的拆解令人印象深刻。當時市場瘋傳輝達塞貨、營收與存貨爆掉，但KP直接翻閱財報附註，指出DSO（平均收現天數）並未惡化，存貨增加主要是再製品而非製成品，並非滯銷。這篇文章也促成了本次合作。

KP自我介紹為香港人，在金融業有十幾年經驗，涵蓋信託銀行、基金公司與交易台等部門。近年來因AI崛起，他投入大量時間研究AI，並將研究成果撰寫成電子報，在Substack上發表。其機構視角與深入淺出的分析，獲得不少讀者好評。

中美科技競爭升級：從硬體封殺到模型與人才封鎖，監管捕獲的雙面刃

中美科技競爭已從硬體封殺升級到模型技術與人才的直接封鎖。美國在6月12日一度禁止Anthropic的Fable 5與Myself 5模型，直到7月1日才恢復，此舉在AI圈引起震撼。中國方面，發改委叫停了Meta對Manus AI的收購，並限制DeepSeek等AI模型專家出境，顯示主權AI的防禦性動作正在加強。

KP指出，美國AI巨頭近年來不斷呼籲AI治理與監管，背後可能隱藏著監管捕獲的策略，透過提高合規成本來擋掉開源與新進競爭者。然而，開源模型難以管制，一旦發布到網路上，即使被ban，仍可被下載使用。這可能導致閉源模型被嚴格監管，而開源模型反而難以管控，形成監管上的不對稱。

Jason補充，禁止開源模型可能涉及言論自由的爭議，而閉源模型的監管捕獲確實存在於各實驗室中。Sam Altman、Dario Amodei與Demis Hassabis等人都曾提出設立國際組織來監管前沿模型的安全協議。中美AI發展如同兩台跑車競速，模型競爭沒有永遠的贏家，Anthropic的IPO進程也可能受到OpenAI新模型推出的影響。

開源監管難題與輝達的垂直整合：從Hugging Face收購看AI生態系布局

開源模型的監管難題在於，即使美國政府試圖禁止或下架，科技業與金融業都認為難以做到。禁止開源模型甚至可能被視為限制言論自由。閉源模型的監管捕獲則真實存在，AI實驗室高層曾討論設立委員會或國際組織來監管前沿模型的安全協議，但實際執行仍需時間。

中美模型競爭中，蒸餾議題備受關注。美國政府與Anthropic指控中國模型實驗室蒸餾其模型輸出與推理過程。為反制蒸餾，Gemini已隱藏思維鏈，Fable與GPT-6也將思維隱藏在深層神經網路中，增加中國實驗室蒸餾的難度。

Meta收購Manus AI被中國發改委叫停，顯示模型競爭已延伸至併購層面。另一方面，輝達收購Hugging Face，展現其垂直整合策略。輝達擁有最好的晶片與硬體基建，但客戶如谷歌有TPU、OpenAI自製晶片，輝達必須往上下遊拓展。Hugging Face面向開發者端，輝達可藉此布局開源模型生態，並推廣其Nemotron模型，以守住護城河。

AI供應鏈的搶奪戰：晶片、資料中心、電力與選票的資源競逐

AI供應鏈的競爭已從模型延伸到硬體資源的搶奪，包括晶片、資料中心、電力，甚至選票。美國作為AI需求大國，卻面臨資料中心抗議與缺電窘境。算力等於電力等於國力，沒有足夠電力就無法支撐AI服務。

Jason指出，能源在AI產業利潤占比不到10%，但卻是地基。美國期中選舉有36位州長改選，涵蓋70%的資料中心建設計畫，政治與社會壓力可能影響資料中心建設。紐約已暫緩資料中心禁制令一年，德州也暫緩新電網審批，搖擺州如俄亥俄州與賓州都面臨類似狀況。

物理性瓶頸方面，Jason計算出今年GPU與ASIC出貨所需的電力需求為16至22GW，但公用電網今年僅能上線10至15GW，存在明顯缺口。晶片產能可能不再是瓶頸，但電力取得困難，現場自建電力如太陽能、儲能、燃料電池（如Bloom Energy）將成為重要解方。

中國Kimi K3價格戰與傑文斯悖論：模型降價與用量成長的拉鋸

中國Kimi K3推出後，API定價僅為閉源旗艦模型的三分之一，DeepSeek更直接降價80%搶市占。模型算力提升但價格下降，利潤勢必受壓縮，市場擔憂算力泡沫。Jason認為，目前尚未出現泡沫擔憂，OpenAI與Anthropic的AR年營收已達1000億美元以上，且持續成長。

傑文斯悖論正在被證實：模型Token價格每年下降10至100倍，但前沿實驗室營收仍持續上升。OpenRouter的研究顯示，GPT 5.6等模型降價80%後，使用量成長13倍。降價速度與彈性是關鍵，只要用量成長足以彌補價格下降，營收就能維持。

模型與Token將走向差異化與平價兩條路線，類似iOS與Android的競爭。領先模型走差異化，重點在品質；平價模型走量，重點在成本。兩條路線各有天下，都能養活許多人。

傑文斯悖論下的盈利壓縮：模型層的困境與利潤流向

KP認為傑文斯悖論很可能成立，越便宜的Token會帶動更多用量，但模型公司的盈利模式仍會受到影響。前沿模型必須不斷投入R&D與CAPEX來維持與開源模型的差距，營收增長可能很快，但R&D成本可能增長更快，兩者孰快孰慢尚難定論。

從整個AI產業來看，傑文斯悖論成立，許多公司會受惠，但模型層的盈利可能被上下層瓜分。晶片與應用端將吃掉更多利潤，因為Token價格下降會刺激應用端用量，進而帶動晶片需求。模型層可能維持營收高但盈利不佳的狀態。

Jason補充，AI實驗室在固定電力下如何分配推論與訓練的資源，將影響其財務結構。OpenAI與Anthropic尚未上市，財報細節不明，但上市後將揭露其財務結構，市場可觀察其營收與R&D費用的關係。

AI供應鏈出貨瓶頸：從Vera Rubin組裝延遲到長短料風險

AI供應鏈的需求不是問題，但終端產品能否順利出貨才是關鍵。Vera Rubin因電源與散熱問題卡住，導致整條供應鏈受阻。M平方在AI Supply Chain專區提供相關key player的庫存狀況，投資人可藉此觀察製成品、原料與再製品的庫存變化。

台灣代工廠的庫存逐漸上升，算力需求暴增，伺服器規格越來越複雜，水冷、液冷等技術導入，但資料中心缺電與建設瓶頸可能延後晶片交付時程。長短料問題將更明顯，組裝段面臨庫存堆積與毛利率壓力。

Jason指出，Vera Rubin組裝架構的小問題導致無法量產，代工組裝廠作為製造業最後端，所有電子零組件與伺服器機櫃都卡在該環節。短期瓶頸如產能問題可透過砸錢解決，但結構性問題如摩爾定律極限、3DIC良率與散熱挑戰，則需要更長時間的技術突破。

記憶體、散熱與光通訊的結構性瓶頸：AI供應鏈的長期機會

記憶體（HBM、SSD）與散熱、電源、光通訊等領域存在長期結構性瓶頸。HBM在GPU與模型架構下，需不斷載入模型權重與KV cache，是結構性瓶頸。美光指出，除了HBM，高效能SSD與高容量SSD也是長期需求，因為AI影片與對話紀錄需要儲存空間。

散熱新架構如Micro Channel Lead、電源側架構從54V走向800V、資料中心內的同退光鏡轉向光纖傳輸，都是物理瓶頸，需要良率與技術突破。這些瓶頸中蘊藏投資機會，M平方的報告將提供更多insight。

KP回應輝達Rubin採用45度溫水冷卻的影響，認為散熱預算不減反增，只是從冰水主機轉向液冷循環。AI架構變化導致供應鏈分化，能參與輝達協同設計的廠商將受益，只賣標準品的廠商則可能落後。R&D與驗證成為勝負關鍵，如同HBM領域中SK海力士因率先通過驗證而成為龍頭。

輝達與阿波羅的算力融資平台：1050億美元信用資源的泡沫疑慮

輝達與阿波羅合組算力融資平台，提供高達1050億美元的信用資源，為客戶提供土地、電力與晶片擔保。市場擔憂這是否為下一輪科技泡沫的開端。輝達採購承諾一季從1190億暴增至2790億美元，數字驚人。

Jason分析，輝達的採購義務大部分是明後年的產能預定，主要用於記憶體與製造設施。記憶體廠商都在簽長約，這是半導體巨頭搶產能的策略。輝達勢必會包下台積電CoWoS產能，對未來一至兩年的算力需求有信心。毛利率方面，Q3 guidance為74%，Q4可能下修至71-72%，主要受HBM漲價與Vera Rubin量產初期的Ramp階段影響。

KP認為，輝達與博通的融資平台是必要的，如同博通CEO陳福揚所說，要讓蒙古草原的兩個天才兒童（OpenAI與Anthropic）上學。輝達將所有東西標準化，即使客戶違約，機櫃也可轉移給下一個客戶，如同房貸的抵押品。系統性風險終究存在，但現在只有頂尖公司能拿到貸款，風險尚未顯現。未來若不知名的小公司也能取得貸款，且營收不佳，才是需要警惕的時候。

3.5兆表外融資與45%估值認列：AI泡沫的機率思維

華爾街日報揭露全球科技巨頭的表外投資承諾已達3.5兆美元，而五大巨頭Q2稅前淨利潤中，有45%來自對AI模型大廠的估值認列，名目為其他收益。市場擔憂3.5兆表外融資與紙上富貴的風險。

Jason認為，AI泡沫與否不應是二元論，而應以機率或常態分配來思考。科技巨頭投入大量資金，必有回本的cut off點。雲端廠投資500億美元，需在3至6年內回本；AI實驗室租用雲端基建，也需cover人事與算力租金。整個行業的AI營收需達到某個水準才能避免泡沫，隨著投資增加，cut off點會移動，投資人應研究其發生機率的變化。

KP補充，輝達與博通的融資平台是必要的，但系統性風險終究存在。如同08年次貸危機，一開始只有好公司能拿到貸款，但人性貪婪會導致質量較差的公司也能取得融資，屆時風險才會引爆。目前只有OpenAI與Anthropic等頂尖公司能獲得貸款，風險尚未顯現，但需持續關注。

拆解3.5兆表外融資：九成採購義務風險低，殘值擔保與SPV才是關鍵

華爾街日報的圖表顯示，3.5兆表外融資中，九成是採購義務與未啟用的租賃協議。這些項目因廠商尚未交付或租金尚未支付，合法地放在財務附註中，未來將轉為資本支出或資產負債表項目，風險相對較低。

第二類是循環融資，科技巨頭投資AI新創，新創再向其購買晶片或雲端算力，創造營收與估值增長，反映在投資方的其他收益中。這存在紙上富貴的風險，但佔比不高，小於5%。

第三類是最令人擔憂的部分，包括輝達與博通提供的殘值擔保、晶片擔保、信用擔保與資料中心擔保，金額約3000至5000億美元。此外，透過SPV影子公司進行融資，將債務隔離在資產負債表外，再將風險轉嫁給年金或保險金持有者。這部分約佔3.5兆的10%，若AI行業出現問題，這些債務可能炸毀資產負債表，是市場需密切關注的系統性風險。

結論

AI浪潮持續推動市場，但投資人需在樂觀中保持警惕。中美科技競爭、供應鏈瓶頸、電力短缺與表外融資風險，都是影響AI產業長期發展的關鍵因素。輝達的垂直整合與融資平台雖有助於生態系擴張，但系統性風險的種子可能已在萌芽。投資人應以機率思維評估AI泡沫的可能性，密切關注供應鏈交付狀況、模型盈利模式與表外融資的演變，才能在AI永動機的敘事中，找到真正的投資機會並控管風險。

相關個股