全球AI算力正在以驚人速度集中到兩家公司手上。半導體與算力獨立研究機構SemiAnalysis創辦人Dylan Patel最近在Podcast節目上丟出一個震撼業界的預測：到2028年，OpenAI與Anthropic可能共同掌握全球70%到80%的新增AI算力，兩邊合計的算力規模將突破100吉瓦（GW）。
100吉瓦是什麼概念？差不多是100座傳統核電廠的發電量。當然，算力不能直接用發電量換算，但這個數字足以說明這兩家前沿AI實驗室正在打造的基础設施規模，已經不是「資料中心」三個字能夠涵蓋。
從2吉瓦到5吉瓦：今年底就要翻倍
根據Patel的估算，OpenAI和Anthropic在2026年初各自擁有約2吉瓦或更少的算力，到今年底雙雙超過5吉瓦。這意味著光是這兩家公司，就吃下今年全球新增AI算力大約三成。而這個占比明年可能進一步攀升到40%到50%。
不過真正讓業內人士緊張的，不是用電規模的數字，而是算力的「品質」。Patel特別點出，隨著GB300、TPUv7及Trainium3等新一代晶片陸續上線，每瓦效能將達到前代的3到5倍。換句話說，同樣1吉瓦的用電，能產出的有效浮點運算能力（FLOPs）可能是過去的三到五倍。算力集中的效應，會被這股技術槓桿大幅放大。
11兆美元的賭局：錢從哪裡來？
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。就算把微軟、Google、亞馬遜、Meta這些科技巨頭未來幾年的自有現金流全部押進去——大概6兆美元——還是有超過5兆美元的缺口得靠信貸市場來補。
5兆美元不是小數目。Patel認為，AI資料中心的高報酬率讓這些科技巨頭願意接受8%甚至更高的融資成本。但問題來了：市場上的資金就這麼多，當科技業用高利率大量吸金，傳統製造業的擴廠計畫、一般民眾的房貸、甚至各國政府的公債發行，都會被排擠。這不只是科技新聞，這是全球資金配置的結構性問題。
一個非主流的推論：算力不一定要拿來賣
Patel在訪談中提出一個值得玩味的觀點。多數人認為，AI算力基礎設施蓋好之後，就是拿去租給企業或開發者做推論（inference）服務，像今天的雲端服務一樣按時計費。但他推測，隨著模型變現效率提高，這些前沿實驗室未必會把更多算力投入對外的推論服務，反而可能把新增資源轉向內部研究跟下一代模型訓練。
這個判斷如果成真，對整個AI服務市場的影響會很深遠。算力集中在少數幾家手上，而且這些算力還不一定對外開放，那新創公司跟中小企業要怎麼取得足夠的運算資源來開發產品？這不只是技術門檻問題，已經牽涉到市場公平競爭的層次了。
編輯觀點
SemiAnalysis的預測勾勒出一個極端集中的AI算力未來，但背後有幾個現實門檻不能忽略。首先是能源，100吉瓦的算力集群需要對應的電力基礎設施，台灣讀者可以想想台電的供電韌性，美國各州電網同樣面臨類似挑戰。其次是融資成本，8%以上的利率在目前全球貨幣政策環境下並非不可能，但若通膨持續降溫、利率走低，這套假設的基礎就會鬆動。
話說回來，真正值得追問的是：如果三年後全球八成新增算力都集中在兩家公司手上，這對台灣的半導體供應鏈是利多還是風險？從晶圓代工、先進封裝到散熱模組，訂單確實會更集中，但客戶議價能力也會更強。對一般使用者來說，算力集中還可能意味著AI服務的選擇變少、價格更不透明。這不是危言聳聽，而是產業結構改變必然帶來的連鎖反應。
資金排擠效應：不只科技業的事
回到資金面的問題。Patel的論點有一個關鍵前提：AI資料中心的投資報酬率必須持續高於融資成本。這個前提在過去兩年確實成立——模型能力每代翻倍，應用場景快速擴張，資本自然蜂擁而至。但AI模型的改進速度不可能永遠維持每年翻倍的曲線，一旦邊際效益遞減，這些巨額投資的回報週期就會拉長，融資意願也會跟著降溫。
Patel本人也坦言，這套預測建立在AI需求、模型能力跟資本支出持續高速成長的假設上。如果監管限制收緊、能源瓶頸無法突破、融資成本飆升、或者模型商業化進度不如預期，算力集中的幅度跟全球利率上升的壓力，都可能明顯低於他的推演。這不是預言，這是情境分析。
接下來該注意什麼？
從台灣產業的角度來看，有幾個具體的觀察指標值得追蹤。第一，台積電的先進封裝產能擴張速度，某種程度上反映了這些AI實驗室的實際需求；第二，微軟、Google、亞馬遜在資料中心資本支出上的公開數字是否持續上修；第三，美國聯準會利率政策的走向，直接影響Patel所說的5兆美元融資缺口能不能順利補上。
AI算力的大規模集中已經是進行式，差別只在於集中的速度跟幅度。三年後如果OpenAI跟Anthropic真的拿下全球八成新增算力，那代表AI產業從「百家爭鳴」走向「雙巨頭時代」——這對技術創新、市場競爭、甚至地緣政治格局的影響，都會比我們今天想像的更深更廣。
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
OpenAI和Anthropic的算力集中對一般使用者有什麼影響？
算力集中可能導致AI服務的選擇變少、價格彈性降低。如果這兩家公司的算力主要用於內部研發而非對外服務，中小企業和新創公司取得高效能AI算力的難度將明顯提高，最終可能影響市場上的產品多樣性和創新速度。
Patel預測的11兆美元資本支出包含哪些項目？
這個數字涵蓋AI產業鏈從上游到下游的累計投資，包括晶片製造、資料中心建設、伺服器設備、冷卻系統、網路基礎設施，以及相關的軟體開發和人才培育。SemiAnalysis的模型將2024年至2029年全球主要科技公司在AI領域的所有資本支出納入計算。
台灣在半導體供應鏈中如何受這波算力集中趨勢影響？
算力集中意味著訂單集中，對台灣的半導體代工、封測、散熱和PCB產業而言，短期營收能見度提高，但長期客戶議價能力也更強。台積電等關鍵供應商的產能配置將更依賴少數客戶的決策，分散風險會成為未來幾年的重要課題。
新一代晶片GB300和TPUv7的每瓦效能提升3到5倍是真的嗎？
這是SemiAnalysis基於目前公開的製程技術和架構設計所做的推估，並非官方公布的數據。實際效能提升幅度仍取決於量產後的製程良率、散熱設計和軟體優化程度，不過從台積電先進製程的推進節奏來看，這個數量級的提升確實有技術基礎。
※ 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。
