加權指數今日再度跌破季線，但多檔AI股呈現開低走高，從AI伺服器緯創（3231）、廣達（2382），到散熱股的健策（3653）、奇鋐（3017），AI伺服器的需求依舊火熱。這背後反映的是全球AI軍備競賽已經進入美中白熱化階段，而中國AI技術從數據來看，正出現明顯的追趕傾向。
一、戰局現況：跑分收斂，中國AI模型低成本緊追
目前AI模型評測，在綜合能力上，主要幾家模型其實已經相當接近，差距只展現在不同領域的擅長方向上，截至2026年8月中旬，Anthropic的Claude Opus 5在綜合能力指標「AA Intelligence Index」以63分並列榜首，同門Claude Fable 5緊追在後（62分），OpenAI的GPT-5.6 Sol分數差距都在1到2分之間；反映使用者實際偏好的LMArena文字生成榜上，換成Claude Fable 5以1506分登頂；高難度推理測試ARC-AGI-2則是Claude Opus 5以90.4分明顯拋離對手；Agent實作能力榜由OpenAI的GPT-5拿下88分居冠。
不過對投資人來說，光看「誰智力最高」還不夠完整，真正決定一家AI公司能不能賺錢的，是「智力、價格、速度」這三者的平衡。根據評測機構Artificial Analysis彙整超過250個模型的最新數據：
中國Z AI（智譜AI，2026年1月在香港掛牌，是全球第一家上市的大模型公司）的GLM-5.3，只要$0.68就拿下60分，輸出速度高達85 tokens/s，是目前速度最快、性價比最突出的模型之一。就在GLM-5.3發布的同一週（8月12日深夜），DeepSeek也把V4-Pro從預覽版正式切版上線，在Agent類基準測試上逼近甚至反超Claude Fable 5，價格卻只要五十七分之一。這張榜單傳遞一個訊息：AI競賽已經從「單一模型能力」的比拚，進化到「多家公司同時逼近能力天花板、各自在不同維度找護城河」的階段，而這張榜單也只是某個時間點的快照——前沿模型的更新速度快到榜單根本追不上，最好把它當成「趨勢的參考點」，而不是「一動不動的定局」。
二、燒錢的規模：美國攤在陽光下，中國藏在水面下
當跑分能力愈打愈接近，資本市場的目光自然轉向另一個變數——誰能燒得起更多電、堆得起更多GPU。這裡最值得玩味的，不是「誰在燒錢」，而是「誰把燒錢的數字講得清清楚楚，誰又講得含糊其辭」。
美國這邊的數字幾乎是被攤在陽光下逼出來的。微軟、亞馬遜、Alphabet、Meta四大雲端巨頭，每一季法說會都要跟華爾街分析師交代資本支出（CapEx）指引，2026年這四家合計預估將達7,250億美元，亞馬遜上調到2,200億美元、微軟約1,900億美元、Alphabet上修到1,750億～2,050億美元、Meta上修到1,250億～1,450億美元。這些數字之所以這麼精確，是因為美股上市公司的財報揭露規範逼著他們把每一筆資本支出都攤出來給投資人檢視。
中國這邊的畫面完全不同。字節跳動、阿里巴巴、騰訊、百度都不是那種會主動開法說會、逐項報告AI資本支出的公司，外界能拼湊出的數字，多半來自媒體報導、分析師估算、甚至是「知情人士透露」的二手消息，版本彼此還經常打架：字節跳動2026年AI基礎建設支出，一份報導說上修到超過2,000億人民幣（約280億美元），另一份機構評估卻認為其實際規模上看700億美元；阿里巴巴則是規劃未來三年（2025至2027年）在雲與AI基礎設施投入3,800億至4,800億人民幣；騰訊2026年資本支出預估落在900億至1,000億人民幣，其中AI相關投入超過360億人民幣；百度約400億人民幣。把這四家加總，即便用比較寬鬆的估算，全球九大雲端服務商（美國四大加上Oracle、再加中國四大）2026年合計資本支出上修到約8,300億美元，其中美國四大就佔了7,250億美元，換算下來，中國幾家科技巨頭加上Oracle，全部合計大概只佔剩下的1,000多億美元，跟美國四大巨頭比起來，數字量級上仍有明顯落差：
從圖上可以清楚看到，美國四大巨頭幾乎獨佔全球雲端AI資本支出的87%，中國四大加上Oracle合計只佔13%——即便用字節跳動較高的估算（700億美元）計算，中國單一龍頭的支出規模，也大約只等於Meta的一半。這個量級落差不是單一機構的推算，瑞銀（UBS）的分析也給出類似結論：中國互聯網巨頭整體的AI資本支出，約僅為美國同業的十分之一。
在中國企業的資本結構、補貼路徑、地方政府配套投資往往不會完整反映在公開報告裡，帳面數字看起來小，不代表實際投入真的比美國少那麼多，然而，一切算力堆疊的下一個目的地，是世界模型的訓練，這條戰線美中兩邊幾乎是同時起跑。美國這邊，Google DeepMind的Genie 3已經能用文字或圖片生成可即時互動的3D世界，NVIDIA的Cosmos平台主打「Physical AI」，鎖定機器人與自駕車的模擬訓練場景。中國這邊完全沒有缺席：2026年4月16日，騰訊、阿里巴巴同一天各自發布世界模型產品（騰訊的混元3D世界模型2.0、阿里的HappyOyster），華為、吉利也各自押注自己的世界模型路線；摩根士丹利甚至直接點名世界模型是下一場AI軍備競賽的戰場，光是2026年第一季，中國就發生25起世界模型相關融資事件，具身智能領域的融資金額更是衝上525億人民幣，超過2025年全年總額。
三、美國的裂縫：資料中心抵制運動與人才出走
美國這波燒錢狂潮撞上了一個過去沒遇過的變數——在地居民用選票和抗爭直接卡住工程進度。2026年第一季，美國已有75個、總值超過1,300億美元的資料中心新建案，因為當地居民組織反對而被延遲或取消；全美已有超過300個城市、鄉鎮、郡對超大型資料中心祭出禁令或暫停令；反對資料中心蓋在住家附近的美國民眾比例已經超過70%，是跨黨派共識的稀有議題。2026年7月14日，紐約州長Kathy Hochul更簽署行政命令，成為全美第一個暫停新建超大型資料中心的州。
裂縫不只出現在地方，也出現在OpenAI內部。2026年只花了8個月，OpenAI就有至少12位重要幹部離職或卸下常任職務，8月更是在一週內連續送走前營運長Brad Lightcap與營收長Denise Dresser，7月安全團隊的Joshua Achiam、Johannes Heidecke也相繼出走。這波人事動盪剛好卡在OpenAI籌備IPO的敏感時刻——公司6月已密件送出S-1申請，上市時間卻可能拖到2027年，市場開始把「幹部連環離職」跟「IPO前信心不足」畫上等號。相比之下，競爭對手Anthropic的年化營收已反超OpenAI，團隊也相對穩定，這代表美國陣營內部，不只是外部居民抵制，連公司治理與人才留任本身，都在這場軍備賽的高壓下出現裂縫。
而這些裂縫出現的同時，中美模型的性能差距正在快速收斂：
根據史丹佛大學《AI指數報告》，中美頂尖AI模型的性能差距，從2023年的20%，一路收斂到2024年開源與閉源模型差距的8%，再到2025年進一步縮小到1.7%；史丹佛2026年度報告要到明年4月才會發布，但用前面提到的最新個案可以側面印證這個趨勢仍在延續，2026年8月，DeepSeek V4-Pro在Cybergym基準上甚至反超Claude Fable 5 0.2分，Terminal Bench 2.1只落後0.1分，換算差距約僅剩0.1%，在這類Agent基準測試上幾乎已經追平。這幾個數字用的是不同年份、不同口徑的指標，不是同一條連續指數，但整體方向一致：對照2024年美國對AI的投資是1,091億美元，是中國（93億美元）的12倍，投入差了12倍，性能差距卻一路收斂到幾乎追平，這正是本文一直在講的「效率打敗規模」最扎實的歷史證據：當美國陣營忙著處理居民抵制、幹部出走這些裂縫時，對手追趕的速度並沒有慢下來。
四、黃仁勳的擔憂正在成真：中國走出另一條路
輝達執行長黃仁勳早在晶片管制升級之初就公開示警：限制政策非但無法減緩中國的AI進展，反而會把市場拱手讓給華為等中國本土晶片製造商。他甚至直接說過：「我們已經把中國AI晶片市場，拱手讓給了中國企業。」
現在看回頭，這個擔憂正在數字上被驗證。中國國產AI晶片市占率的翻轉速度，比多數人想像的還快：
2023年輝達幾乎獨佔中國AI加速卡市場（約95%），2025年國產晶片已經追到41%、輝達降到55%，業界預估2026年底兩條線會徹底交叉——輝達可能只剩8%，中國國產晶片（以華為、昇騰為首）衝上近六成。GLM-5系列完全用華為昇騰晶片與MindSpore框架訓練，徹底繞開美國晶片供應鏈；DeepSeek、月之暗面（Kimi）這些公司都是在算力受限的前提下，硬是練出跟Claude、GPT打得有來有回的模型，價格還壓到極低。換句話說，晶片管制沒有讓中國的AI發展停下來，反而加速了它「自己長出一套完整供應鏈」的決心，這條路線跟美國「燒錢堆算力」的邏輯完全不同，走的是政策扶植加國產替代的長期主義。
五、晶片防堵真的堵得住嗎？走私與黑市的歷史教訓
2026年6月到7月，台灣檢調查出一個運作長達3年的走私集團，把搭載輝達高階晶片的AI伺服器，透過空殼公司「合法下單、假使用、真轉賣」，經日本轉香港偷運進中國，粗估3年不法獲利約新台幣百億元，甚至有輝達自己的資深業務發展經理跟美超微的業務經理涉案放行配額、偽造文件。
但這裡有個統計上的老問題值得放進來一起想：我們看到的走私案，全部都是「失敗」的案例。會被抓到，正是因為走了相對粗糙、留下紙本紀錄的路線；真正設計成不易被偵測的管道，本質上就是為了不被統計進任何官方數字裡。這不是新鮮事——國際貨幣基金（IMF）2018年的調查指出，全球地下經濟佔比最高的國家（喬治亞、玻利維亞、辛巴威）規模都超過該國GDP的六成，而放大到全球整體，地下經濟規模長期估計約佔全球GDP的二到三成，養活著多達25億人口。這類跨國估算本身更新頻率很慢，但道理放到今天依然適用：官方查緝到的規模，從來不等於實際流動的規模，抓到的永遠只是冰山一角。
這也是為什麼類似黃仁勳這樣長年在產業裡打滾的人，會對「單靠管制就能鎖死技術擴散」這件事抱持懷疑。拉長歷史來看，從冷戰時期的技術出口管制，到近幾十年各種制裁清單，完全堵死技術擴散的案例其實少見，多半是把成本墊高、把時間拖長,而不是徹底斷絕。晶片管制目前看起來確實讓中國拿到的合法晶片落後兩代、數量稀少，但走私管道與國產替代雙軌並行下，這場管制比賽比較可能是「拖長追趕的時間」，而不是「永遠鎖死差距」。
六、算法與算力的擺盪：這次真的不一樣嗎？
回到最根本的問題：真正能打破這一切壁壘的，是算法，還是算力？
過去業界普遍相信算法創新才是進步的主要途徑；然而在OpenAI提出Scaling Law（規模定律/縮放定律）之後，「大力出奇跡」成為主流——單純擴大模型規模，效果比精巧的算法改良更直接。但2025到2026年，風向確實在往回擺：DeepSeek的R1、V3.2 Speciale透過多頭潛在注意力機制優化、動態稀疏化推理、快取感知型KV壓縮等一系列算法層創新，在算力遠遠落後的前提下，把推理表現拉到逼近頂尖閉源模型的水準。
但Anthropic執行長Dario Amodei提出一個重要的反駁：參數規模、算力、算法創新,其實都只是推進AI能力的不同手段,三者本來就是同一條Scaling曲線的一部分,不是互斥的選項。也就是說,資源充足的一方從來沒有把「堆算力」跟「優化算法」當成兩條要選邊站的路，他們是同時在多條線上加碼，規模擴張跟算法效率一起推進，才是真正的縮放定律。
用人性去看這場AI戰局，效率不足恐造成嚴重後果
如果把這整場戰局攤開來看，最後決定勝負的可能不是技術本身，而是一個很簡單的人性邏輯：當你手上握有近乎無限的資金，可以靠堆算力硬解問題，優化效率的動力自然會被稀釋，電力不夠、算力不足，這些外部限制反而成了現成的藉口，讓「把每一分算力榨到極致」這件事，變得沒那麼急迫。
而當算力變成真正卡死的瓶頸，算法創新才會被逼著往前推進。中國這波發展路徑，某種程度正是這個邏輯的體現：藉助模型蒸餾（distillation）這類技術，用現成的頂尖模型當「老師」，訓練出體型小、成本低、卻能保留相當能力的「學生模型」，大幅省下從零開始摸索架構的前期研發費用；省下來的資源，轉頭全部押注在推理效率與訓練方法的優化上，最終在「單位算力能榨出多少智力」這個維度，反而有機會打得過資源比自己雄厚的對手。
這裡真正該讓資源充裕的一方警惕的，不是「對手追上來了」，而是效率被長期忽視所累積的代價，往往要等到資金鏈或市場信心出狀況時才會一次爆發。前面提到的7，250億美元資本支出，建立在「營收終將追上投資」的假設之上；一旦這個假設鬆動，不管是資料中心抵制拖慢建設速度、幹部出走動搖組織信心，還是對手用十分之一的成本打出九成的效能，讓市場開始質疑這筆錢燒得值不值得，過去靠規模堆出來的優勢，可能在很短時間內被重新定價。換句話說，這不是一場「誰的錢多就贏」的比賽，也不是一場「誰的算法聰明就贏」的比賽，而是資源的多寡，本身就在重新分配創新的動力方向，也同時決定了誰對「效率」這個變數的容錯空間更小，資源越充裕，越傾向用規模解決問題，也越容易對效率鬆懈；資源越受限，越傾向把每一分資源的效率逼到極限，也就愈不容易犯下同樣的錯。這場AI戰局最終會走向哪裡，可能不是看誰的晶片更多、誰的模型跑分更高，而是看哪一邊的「效率鬆懈」先撞上現實的牆。
本文內容僅供參考，無任何買賣建議，投資人應謹慎評估，風險自負。
