從2025年初到2026年9月，這波AI熱潮最特殊的地方，不是晶片又漲價了，而是雲端服務巨頭（CSP）與晶片設計商，已經不滿足於單純下單，而是直接用「預付貨款」「簽長期合約（LTA）」甚至「出資鎖定專屬產線」的方式，逼迫上游供應鏈大舉擴產。
這種模式主要有兩種型態：一種是博通模式，入股日本TOPPAN在新加坡新建的載板廠（預估持股TOPPAN 50.1%、博通49.9%），用股權換取專屬產能，繞開既有代工廠的排隊問題；另一種是輝達模式，以不入股、不自建，直接用鉅額預付款鎖定台積電CoWoS產能的優先使用權（目前輝達一家就鎖定超過五成產能），用錢買斷優先順位。兩者共同點是：都不是單純下訂單等出貨，而是提前用資本鎖住未來好幾年的供給，逼整條供應鏈超前擴產。
但硬體端瘋狂擴產的同時，AI應用端的用戶成長曲線，卻在2026年下半年出現了明顯分化。值得玩味的是，ChatGPT、Gemini、Claude三大主力模型的消費端用戶數都還在成長，但企業／開發者端（如Claude Code）的成長動能卻明顯降溫。消費端使用者持續增加，而企業端為了降低成本改採「大語言模型–小語言模型路由架構（LLM–SLM Routing Architecture）」，使對大模型的依賴下滑，兩股力量放在一起看，或許能部分解釋為什麼整體AI應用端的成長曲線，不像基礎建設端的資本支出那樣一路狂奔。
包產能現況：六大環節被鎖到2027、2028年
1. 高頻寬記憶體（HBM3e / HBM4）： SK海力士、三星、美光的2026年HBM產能早已被三大晶片廠與CSP客戶預訂一空，訂單能見度延伸到2027、2028年，三巨頭資本支出全面加碼擴產。降溫風險： HBM製造消耗晶圓量是普通DRAM的3倍以上，一旦需求下滑容易倒回生產傳統DRAM、引發記憶體價格崩跌，2026年6月已上演過一次預演，美光股價單週跌15%。
2. 高階ABF載板： 博通、輝達不自建工廠，改用「預付定金＋長期包廠」模式要求供應鏈擴建專屬產線，最新案例是博通入股TOPPAN新加坡新廠，2026年9月初讓南電股價一度跌停。降溫風險： 一旦晶片拉貨減速，載板廠恐將承擔設備折舊與產能過剩壓力。
3. 先進封裝（CoWoS）： 台積電月產能已上修至13萬片，加計委外OSAT上看18至20萬片，但新增產能開出前幾乎已被預訂完畢，NVIDIA一家就鎖定超過五成。降溫風險： 一旦需求放緩，最先被砍單的會是委外封測廠與二線ASIC客戶。
4. 水冷液冷散熱模組： 隨晶片功耗突破1,000瓦，2026年全球液冷滲透率上看四到五成，較2024年大幅躍升。降溫風險： 液冷系統高度客製化，需求放緩時產能難以轉賣，容易形成庫存跌價損失。
5. 高速光模組與矽光子（800G/1.6T、CPO）： 台積電COUPE、輝達CPO交換器均已量產，2026年被視為CPO商轉元年。降溫風險： 光模組擴產週期短、組裝門檻低，需求風吹草動就容易爆發價格戰。
6. AI機房電力與能源基礎設施： 微軟重啟三哩島核電、Meta簽逾6GW核能協議、亞馬遜鎖定5GW SMR，台廠重電四雄在手訂單能見度到2027至2028年。降溫風險： 建置週期長達數年，一旦電力需求不如預期，CSP將承擔高昂購電合約與沉沒成本，是六環節中資產最重、回收期最長的一塊。
以上這些壓力，全都集中於AI巨頭之間的投資閉環：循環融資與股權綁定，加上向下擴散的採購成本墊高
前面六個環節的供需失衡，說到底都指向同一個源頭，輝達2026年以來已公告的投資、擔保等交易規模合計超過5,400億美元，包括為OpenAI提供約2,500億美元融資擔保，以及與SK集團規模超過5,000億美元的記憶體採購加算力合作，這種「晶片商出資、客戶買晶片、晶片商再投資客戶」的閉環，正是驅動前面六大環節瘋狂擴產的資金源頭。但這股風險恐怕不再只侷限於OpenAI、輝達、甲骨文這幾家的閉環交易裡，記憶體全面性大漲，已經讓這股資本支出壓力向下擴散到整個供應鏈。摩根士丹利估算，過去半年DRAM現貨價格暴漲約300%，摩根大通更估計2024年初到2026年底DRAM價格將上漲超過4倍。也就是說，即便是沒有參與股權綁定交易的一般雲端業者或企業採購方，光是買記憶體的成本墊高幅度，也已經逼近那些鉅額閉環投資案的量級。
就連輝達自己也在跟記憶體缺貨正面對撞，受LPDDR5X供應吃緊牽動，三星、SK海力士、美光原本規劃供應給輝達的LPDRAM只能滿足其約60%的需求，且上調空間有限。輝達的因應方式並非延後出貨，而是將Vera Rubin搭載的SOCAMM記憶體模組容量從192GB砍半至96GB，Vera CPU總記憶體配套也從54TB降到28TB，藉此用「縮小單顆容量」換取「整體模組出貨數量增加」，讓更多CPU機櫃能如期出貨；GPU端真正決定運算效能的HBM4記憶體則維持每櫃20.7TB不變。TrendForce特別強調，這是「供應端主導的架構妥協」，並不代表輝達總體記憶體需求會下滑，反而凸顯LPDRAM供給缺口難以彌平、中長期需求持續上揚的趨勢。
然而當終端AI應用營收跟不上算力支出，這種「閉環內資金鏈斷裂」加上「閉環外採購成本失控」雙重壓力同時發作，傳導速度會比單純庫存去化更快、波及範圍也更廣，是目前市場對「AI泡沫」的疑慮重點。
需求端出現分化：用戶成長不是全面開花
雖然上半年整體市場看似競爭激烈，但若將時間軸拉至 6 月以後，兩大龍頭的成長曲線均已顯著平緩。以 Gemini 為例，其 2 月至 5 月的成長率曾逼近 20%，但 5 月至 7 月間的增幅已驟降至約 5%；ChatGPT 的增長同樣趨緩，週活躍用戶從 2 月的 9 億爬升至 7 月的 10 億整整耗時 5 個月，月均成長率降至僅約 2%。
這股放緩趨勢也同步反映在其他主要模型上。Claude 雖然消費端用戶仍有支撐，但其指標性產品 Claude Code 的年度經常性收入（ARR）月增率，已從 6 月的高檔擴張顯著降溫，到了 8 月僅剩下 5.2% 的月增幅。至於 Grok，雖然全年數據看起來成長逾 3 倍（從 3,500 萬增至 1.17 億），但主因在於前期基期過低，絕對規模仍難以扭轉整體市場的放緩大勢。
中小型模型爆發式成長：訓練前沿還在推進，但護城河正在變薄
2026年上半年到年中，主要旗艦模型仍持續改版（GPT-5.5、5.6；Claude Opus 4.7、4.8、Opus 5；Gemini 3、3.1、3.5），但版本更新的節奏，已經從過去的「代際革命」變成「漸進式版本號微調」，第三方評測顯示旗艦與次旗艦模型的能力差距正在縮小。更值得留意的是，Qwen、DeepSeek、Kimi、MiniMax、GLM等中國陣營模型已快速擠進全球能力排名前段班。
曲線比想像中更陡：中小型模型數量三年成長近28倍
與旗艦模型「代際感」變弱形成強烈對比的，是開源與中小型模型數量正在經歷指數級的爆發。根據Hugging Face平台官方統計，公開模型累計數量走勢如下：
這股成長意味著什麼？
1. 模型正在快速商品化（Commoditization）：當任何一個團隊都能用開源基礎模型微調出一個「夠用」的專用模型，模型本身的稀缺性就在下降。過去「訓練一個能打的模型」是護城河，現在护城河更多轉移到「數據、場景整合、部署效率」上。
2. 量的暴增不等於質的分散，注意力仍高度集中：Hugging Face自己的統計顯示，平台上約半數模型下載量不到200次，而下載量前200名的模型（僅佔全平台0.01%）卻拿走全站近五成（49.6%）的下載量。換句話說，300萬個模型裡，真正被市場「買單」使用的，仍集中在極少數頭部模型身上，長尾模型多數只是驗證概念或內部實驗用途。
3.地緣板塊position正在轉移，主導權集中在中國手上：中小模型多數並非從零訓練，而是開發者拿少數巨頭的底座模型微調、蒸餾出來的衍生版——而握有底座主導權的，正快速從美系巨頭轉向中國。阿里巴巴Qwen 2026年前7個月下載量約20.6億次，是Google的5倍、Meta的9倍，衍生模型更高達151,448個，等於已成為全球開發者微調部署的預設起點；中國模型下載量也已超越美國，佔全平台過去一年下載總量41%。換句話說，中小模型爆量成長的底層，其實是一場「誰的底座模型被最多開發者採用」的競賽，而目前領先的是中國，這對美系封閉模型的長期定價權與生態主導權是更直接的稀釋壓力。
對AI模型廠商的風險
- API定價權被壓縮： 當市場上有數十萬個「幾乎一樣好用」的中小模型可以免費或極低成本取得，封閉模型廠商很難再靠「唯一能用」這個理由維持高定價，價格戰壓力會從應用層一路往上傳導到模型層本身。
- 企業客戶轉向自建／微調： 越來越多企業選擇拿開源基礎模型（Llama、Qwen、Gemma、Mistral等）針對自己場景微調，而不是長期綁定單一封閉API，這會侵蝕封閉模型廠商原本最穩定的B2B訂閱收入。
- 前沿模型的訓練成本＋供應鏈包產能，可能追不上營收成長： 這正好與第一段講的「包產能」邏輯形成對照，晶片端假設AI模型公司會持續用同樣速度買單，但如果中小模型分流走一部分需求，晶片端鎖定的長約產能，反而可能變成模型廠自己都消化不了的資本支出負擔。
- 差異化被迫往「應用層」與「Agent生態」移動： 這也是為什麼2026年各家都在拚Agent、拚工具整合、拚企業工作流嵌入，而不只是拚模型跑分——因為模型本身的差異化正在被中小模型的數量海淹沒。
業界的解方：LLM–SLM混合協同架構，但路由分流到誰手上是關鍵
面對成本與延遲的壓力，2026年業界普遍走向路由式協同架構：前端先由輕量路由層判斷任務類型，單純分類、客服例行問答等「無聊但量大」的任務交給1B至15B區間的小模型處理，複雜推理才升級到旗艦LLM，把成本、延遲、資安一起最佳化。
但真正的問題是：這條路由分流出去的請求，最後流向誰的模型？答案明顯偏向中國陣營，而且不只是便宜，是同樣的智能水準，中國模型CP值直接輾壓。Artificial Analysis 2026年5月的實測顯示，同一份10項工作負載，Claude要花4,811美元，DeepSeek只要1,071美元；另一份評測中，Kimi K2.6智能分數比Claude Sonnet 4.6還高，價格卻只要4美元、對手要15美元。這不是補貼撐出來的優勢，SLM所需算力跟旗艦模型不是同一量級，中國就算被卡在最先進晶片上，也不影響這個區間的競爭力，反而是它算力受限下最理性的戰場選擇。
對投資人來說，下一個觀察重點可能不再是「誰的旗艦模型最強」，而是「路由架構裡SLM那一端的市占率落在誰手上」，這對SLM優化型推論晶片的需求結構，是與訓練用GPU/HBM不同邏輯的另一波成長，也讓美系封閉模型廠商靠輕量款鞏固生態的算盤，多了一層被中國截胡的風險。
台股老AI族群強勢：AI伺服器代工、散熱、電源族群
老AI伺服器代工／品牌五雄 鴻海（2317）、廣達（2382）、緯創（3231）、緯穎（6669）、技嘉（2376）、英業達（2356）是這波AI伺服器組裝的核心受惠者。鴻海主攻輝達GB系列訂單，規模最大但毛利率相對偏低；廣達與英業達承接微軟、Google、Meta等CSP的ODM訂單，AI伺服器毛利率已突破雙位數；緯創加緯穎則掌握微軟、AWS訂單，緯穎是北美CSP客製化伺服器最大供應商，AI相關營收占比已超過七成，是台股中AI純度最高的伺服器組裝廠之一。
散熱族群 奇鋐（3017）主攻風冷與液冷散熱模組，2026年3月營收創新高、年增111.72%，並已進入Google TPU v8水冷板供應鏈；雙鴻（3324）深耕液冷技術超過十年，已取得GB300認證，訂單能見度延伸至2027年，成為這波漲勢最強的個股。台達電（2308）與光寶科（2301）則同時跨足電源與散熱兩端，切入NVIDIA 800V高壓直流（HVDC）架構，能見度看到2027至2028年。
左腳踏右腳的代價，誰會先踩空
如果要用一句話總結2025到2026年這波AI循環：巨頭們沒有放棄AGI，仍持續宣稱旗艦模型正逼近更高階的智能水準，資本支出也一路押注在這條路上；但2026年年初開始，部分領域的成長速度明顯放緩，一個關鍵痛點逐漸浮上檯面——大語言模型在大型專案上的迭代成本過高，每一次應用都得重新讀取過去的龐大脈絡，Token消耗呈指數級飆升。高盛預估2026至2030年全球Token消耗量將暴增24倍；管理顧問公司貝恩（Bain & Company）的研究更顯示，模型單價雖然過去一年下跌約五成，Token消耗量卻同期成長4.5倍，總支出不減反增。實際案例也陸續浮現：Uber僅數月就燒光全年AI預算，微軟已在部分產品部門取消員工的Claude Code訂閱、轉向自家更便宜的方案，Gartner更預測到2026年底，超過四成的Agentic AI專案將因成本超支、商業價值不明確而被取消。相對地，SLM在中小企業的例行任務場景裡，反而因為夠用、便宜、部署快，展現出更明確的商業價值，也有更多企業願意埋單——問題是，當美系巨頭把主力資源全押在旗艦模型與AGI競賽時，SLM這塊真正能落地變現的市場，進場時間點慢了一步，如今多數市占已經被以低成本著稱的中國模型拿下，這正是美系AI廠商開始承受的另一層壓力。
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。
