AI 用得越多，誰卻賺不到錢？從 2000 年網路泡沫到 Anthropic IPO，拆解下一輪算力循環

最近的 AI 市場，出現了一個很有意思的矛盾。

一邊是全球工程師還在抱怨 Token 不夠用。企業積極導入 AI Agent，程式開發、文件處理、客服、搜尋與各種自動化工作，正在消耗愈來愈多算力。

另一邊，AI 模型的價格卻持續下降。

企業用掉更多 Token，不代表支付了更多錢；模型公司營收快速增加，也不保證提供算力的企業能取得同樣的投資報酬。

更有意思的是，就在市場開始擔心 AI 資本支出過度擴張時，2026 年 10 月最新一輪財報又交出相當強勁的數字。

Microsoft Azure 年增 48%〔8〕、Amazon AWS 年增 39%〔10〕、Google Cloud 更成長 103%〔9〕。

同一時間，Amazon 過去十二個月的自由現金流卻轉為負 424 億美元〔10〕，Alphabet 單季自由現金流也出現負值〔9〕。

而在 10 月 26 日，Anthropic 正式公開提交 IPO 招股文件，揭露了更令人驚訝的情況。

2026 年上半年，這家 AI 模型公司的營收達到 162.9 億美元，年增約 1,300%〔12〕。但為了確保未來的運算能力，它也簽下了規模驚人的多年期算力採購協議。

一邊是貨真價實的商業成長，一邊是快速累積的資本承諾。

這讓我想起 2000 年的網路泡沫。

當年網際網路確實改變了世界，卻沒有阻止大量電信公司與設備商倒下。

所以，現在真正值得問的問題是：

如果 AI 的需求是真的，AI 產業仍然可能發生投資危機嗎？

我認為答案是肯定的。

但危機未必來自 AI 需求消失，而可能來自一個更複雜的過程：

AI 愈來愈便宜、應用愈來愈普及、經濟價值持續增加，卻有一部分投入龐大資本的企業，無法取得原先預期的利潤。

這可能是未來兩年，AI 產業最值得研究的結構性變化。

閱讀建議： 第一、二節回到 2000 年的歷史與今日算力供給；第三、四節討論 Token 商品化與企業生產力；第五、六節用最新科技巨頭財報及 Anthropic S-1 檢驗實際財務狀況；第七節研究算力金融化與信用傳導；第八節談 AI 創造的價值會流向誰；第九、十節討論三種劇本與五個追蹤訊號；第十一節與文末的判斷，說明結論，以及哪些證據會改變目前的看法。

讀前提醒： 本文把已實現財報、研究機構估計與未來情境分開處理。AI 使用量、雲端營收、模型營收與基礎設施支出並非相同統計口徑；長期採購承諾不等於當期費用或已發生負債。所有資料以 2026 年 10 月 30 日前可取得的公開資訊為基準。

資料口徑與研究限制： 一、雲端業務的成長率，不能直接視為純 AI 推論收入的成長率；不同企業有不同產品組合與收入認列方式。二、AI 模型公司的營收與雲端算力供應商營收，可能反映同一筆終端需求沿供應鏈的流轉，不宜直接加總。三、Ramp 數據為其服務企業樣本，不能代表全球所有企業；Apollo 對 S&P 493 的整體比較，也不是個別企業 AI 投資報酬的因果證明。四、自由現金流、資本支出與租賃義務在不同公司間具有會計口徑差異，不應直接以單季負值判定信用危機。五、Anthropic S-1 中的最低付款義務、估計採購金額與附條件協議必須區分，不等於已發生的全部借款。六、文中三種劇本屬情境推演，並非市場報酬或事件發生機率的預測。

一、2000 年的教訓：網際網路成功了，投資人卻不一定成功

先回到 2000 年。

當時全世界都知道，網際網路將改變人類的生活方式。

電子郵件正在普及、企業開始建立網站、電子商務快速成長，電信業者相信未來的網路流量只會愈來愈大。

這個判斷後來證明完全正確。

但問題在於，企業必須提前建設網路，才能滿足未來需求。

於是 WorldCom、Global Crossing 等電信業者大量投入光纖、交換設備與骨幹網路建設。

從個別公司的角度來看，這樣的決策很合理。

如果未來流量暴增，現在沒有提前建設，就可能失去市場。

但當所有競爭者都做出相同決策，問題就出現了。

每家公司都可能理性地擴張，整個產業卻可能因此投資過剩。

大量光纖鋪設完成，卻沒有被充分使用。

這些尚未點亮的光纖，被稱為 Dark Fiber。

當網路容量快速增加，傳輸價格開始下跌，電信業者原本預估的收入和實際可以取得的收入，逐漸出現巨大落差。

這個問題最終傳導至 Cisco 等設備供應商。

Cisco 在 1998 至 2000 會計年度的營收快速成長，短短兩年增加超過一倍。

但 2001 年，當電信業者突然縮減資本支出，原本高速成長的訂單開始反轉。

Cisco 最終認列約 22.5 億美元的過剩庫存費用〔1〕。

這段歷史最值得注意的，不是 Cisco 曾經成長得多快，而是它的客戶突然不再需要按照原本預期的速度購買設備。

對設備商而言，客戶的資本支出，就是自己的收入來源。

但對電信業者而言，設備支出只是未來獲利之前必須承擔的成本。

當兩者之間的時間差愈來愈大，整個供應鏈就容易出現失衡。

這也是為什麼我認為，研究今天的 AI 產業時，不能只看 NVIDIA 的營收、台積電的訂單，或科技巨頭宣布了多少資本支出。

我們還必須追問：

這些設備最終能夠創造多少收入？又需要多久才能回收資本？

不過，歷史比較也有一個重要限制。

Nasdaq 在 2000 年 3 月便已見頂，而 Cisco 最著名的庫存危機直到 2001 年才完整顯現。

換句話說，市場價格的反轉，可能早於企業財報正式證明危機存在。

如果我們等到 NVIDIA 的營收大幅衰退才確認 AI 投資出問題，股市可能早已反映了一大段風險。

所以，這段歷史提供的不是「AI 一定會重演網路泡沫」的答案。

它真正提醒我們的是：

真實需求與合理投資報酬，是兩件不同的事情。

二、從 Dark Fiber 到 Dark GPUs：今天的問題可能不是沒有需求，而是設備無法及時產生收入

2026 年，AI 產業又出現了另一種有趣的現象。

企業已經買下 GPU，卻不一定能立刻投入營運。

因為一座資料中心除了 GPU，還需要土地、電力、變壓器、液冷設備、網路連線與維運人力。

這些條件必須同時具備，算力才能真正交付給客戶。

如果 GPU 已經採購，卻因為電力尚未接通而無法運作，部分市場觀察者便會以 Dark GPUs 形容這些尚未充分部署的設備。

這和 2000 年的 Dark Fiber 有相似之處。

企業都已經投入資本，但資產尚未產生預期收入。

不過，兩者其實有一個重要差異。

Dark Fiber 當年可能反映的是網路容量建設超過實際需求。

Dark GPUs 則可能只是因為配套基礎設施的建設速度落後。

如果客戶已經簽約、算力確實有人需要，只是電力還沒有接上，那麼這不一定是產能過剩。

但這仍然可能造成財務損害。

2026 年 10 月 21 日，澳洲資料中心業者 NEXTDC 宣布，由於 M3 Melbourne 專案電網工程延誤，部分已簽約容量的交付與計費必須延後。

公司因此將 FY2027 營收指引中位數，從約 6.275 億澳元下調至 4.875 億澳元。

EBITDA 指引中位數也從約 3.975 億澳元，下調至 2.55 億澳元〔2〕。

這是一個非常具體的案例。

客戶需求未必消失，合約也未必取消，但收入實現的時間改變了。

設備、工程與融資成本卻不會因為收入延後，就自動停止累積。

更重要的是，GPU 和光纖還存在一個差異：

GPU 可能面臨更快的技術汰換。

光纖可以持續使用多年，但 AI 加速器可能因為新一代產品效能提高、能源效率改善或算力租賃價格下降，而提前失去部分經濟競爭力。

設備即使可以正常運作，也不代表它還能以原先預期的價格出租。

因此，真正值得追蹤的不只是 GPU 是否閒置，而是三件事：

設備採購後多久才能開始計費、實際使用率有多高，以及剩餘的現金流能否覆蓋投資成本。

如果資料中心延後啟用半年，卻仍能在未來十年穩定產生收入，這可能只是短期問題。

但如果設備的高獲利年限只有數年，而部署延遲已經消耗其中相當一部分時間，情況就完全不同。

這也是為什麼，電力瓶頸未必會讓 AI 需求消失，卻可能改變整個投資計畫的報酬率。

三、AI 愈來愈便宜，為什麼使用量暴增卻不保證營收暴增？

接著，來看更值得深思的問題。

工程師還在抱怨 Token 不夠用，但企業支付的金額，真的跟著使用量同步增加嗎？

根據企業支付平台 Ramp 於 2026 年 10 月發布的 AI Index，答案並沒有那麼簡單。

在 Ramp 觀察的美國企業樣本中，9 月付費 AI 採用率達到 55.9%，較前一個月提高 0.62 個百分點〔3〕。

企業使用 AI 的普及程度確實持續提高，但新增付費企業的成長速度，已經不像早期那麼快。

更有意思的是，在 OpenAI 與 Anthropic 的相關支出中，前 1% 的企業就貢獻了約 80% 的金額。

而在支出最高的 1% 企業中，2026 年 9 月每名員工的 AI 支出中位數約 9,568 美元，仍低於 7 月的 9,873 美元高峰〔3〕。

Ramp 同時觀察到，8 月與 9 月 Token 使用量持續增加，相關支出卻幾乎沒有成長〔3〕。

這透露出一個重要現象：

AI 使用需求可能非常旺盛，但企業願意支付的每單位價格，正在受到競爭與效率改善的影響。

不過，這些資料只能代表 Ramp 可觀察的企業交易與 Token 管理子樣本，不能直接推算 OpenAI 或 Anthropic 的全球總營收。

而且，單位價格下降，也不等於整體 AI 產業收入必然下降。

這裡有一個簡單的經濟關係：

AI 服務營收＝使用量 × 平均售價

假設原本每單位售價為 1 元，使用量為 100，營收就是 100 元。

現在 AI 技術進步，單位價格下降 80%，只剩下 0.2 元。

會發生什麼事？

• 使用量增加 3 倍：新營收 60 元，相對原始營收 −40%。
• 使用量增加 5 倍：新營收 100 元，與原始營收持平。
• 使用量增加 10 倍：新營收 200 元，相對原始營收 +100%。

這只是示意計算，但它清楚說明一件事：

價格下跌不一定會破壞市場。

如果價格下降刺激更多需求，整體營收仍然可能成長。

經濟學將類似的反彈現象稱為 Jevons Paradox（傑文斯悖論）。

當一種資源的使用效率提高、成本下降，總使用量反而可能增加。

但對投資人而言，問題並沒有結束。

因為營收成長不等於獲利成長。

還要觀察模型公司降低推論成本的速度、GPU 使用效率、雲端租賃價格，以及新增資本設備的折舊負擔。

如果模型價格下降 30%，但單位成本下降 50%，企業可能反而賺得更多。

相反地，如果單位售價下降得比成本更快，即使營收增加，利潤仍可能受到壓縮。

因此，我們不能只追蹤 Token 數量，也不能只追蹤模型價格。

還必須分辨三種不同的價格：

• Token 價格： 企業呼叫 AI 模型所支付的費用。
• 有效任務成本： 完成一項相同品質、相同難度工作所需要的總成本。
• GPU 算力租賃價格： 供應商出租實體算力容量所能取得的收入。

這三者不一定同步變化。

2026 年 9 月，Epoch AI 的研究估計，自 2023 年以來，在其觀察的能力基準上，達到相同 AI 表現所需的成本，平均每季下降約 47%〔4〕。

這是非常驚人的技術進步。

但它衡量的是相同能力的成本，不代表所有 GPU 租金或 Token 售價每季都下降 47%。

如果我們混淆了不同價格，就很容易誤判 AI 算力市場的供需關係。

四、Apollo 的警告：AI 供應商賺到了錢，購買 AI 的企業呢？

這可能是整篇文章最重要的一個轉折。

前面我們一直在談 GPU、Token、雲端與模型公司。

但如果 AI 真的是一場具有革命性影響的通用技術，最終應該在更廣泛的經濟活動中，逐步創造可以觀察的生產力效益。

2026 年 10 月 24 日，Apollo 首席經濟學家 Torsten Slok 發表了一份值得重視的觀察報告。

他比較美股七雄（Magnificent Seven）和 S&P 500 扣除七雄後的其餘 493 家企業。

結果發現，美股七雄的人均營收持續提高，利潤率也明顯改善。

但 S&P 493 的人均營收和整體利潤率，並沒有出現同樣明顯的結構性提升〔5〕。

Apollo 因此提出一個相當強烈的質疑：

AI 的財務收益，目前似乎仍高度集中在科技供應端，尚未廣泛反映在一般企業的財務表現上。

這個觀察非常重要。

因為 AI 最終能創造多少經濟價值，不能只由晶片供應商和模型公司的營收決定。

還要看購買 AI 的企業，能否增加收入、降低成本、提高利潤，或者創造其他有價值的經濟成果。

不過，我不會因此直接認定 AI 對傳統企業沒有幫助。

因為人均營收和企業利潤率，並不是 AI 生產力的直接因果證據。

它們同時受到產業景氣、通膨、員工結構、併購、價格競爭與其他成本變化影響。

而且，部分企業確實已經出現可測量的 AI 生產力提升。

例如一項發表於 NBER 的研究，觀察超過五千名客服人員使用生成式 AI 輔助工作的結果，發現每小時完成的案件數平均提高約 14%〔7〕。

這說明 AI 能在特定工作流程中創造實際價值。

只是，工作效率提高，不一定能立刻反映成企業利潤率上升。

為什麼？

因為企業導入 AI，往往不只是購買一套軟體。

還需要重新設計工作流程、整合資料、建立權限與資訊安全機制、訓練員工，以及重新分配責任。

尤其在金融、醫療、法律、智慧財產與其他專業服務領域，AI 產生的答案，不代表企業可以直接拿來執行。

最後仍然需要有人判斷：

這個答案是否正確？是否符合特定客戶的需求？如果判斷錯誤，責任由誰承擔？

這也讓我想到 Nadella 最近談到的觀點。

Microsoft CEO Satya Nadella 在 10 月 26 日接受 20VC 訪談時，認為未來大量日常 AI 工作可能逐漸使用更便宜的通用模型，而不是每次都呼叫最昂貴的前沿模型〔13〕。

當模型能力對某項工作已經足夠，企業真正需要的，可能不再是更高的模型評測分數，而是如何把模型能力嵌入自己的資料、流程與決策制度。

換句話說：

AI 的供給正在快速商品化，但企業把 AI 轉化為獲利的能力，仍然可能十分稀缺。

這可能是未來 AI 價值重新分配的開始。

五、最新財報反而提醒我們：AI 的需求並沒有消失

分析到這裡，很容易得出一個看似合理的結論：

AI 使用量增加，價格下降，傳統企業又沒有明顯獲利，那麼 AI 投資是不是已經過剩？

但 2026 年 10 月最新一輪科技巨頭財報，提供了非常強烈的反向證據。

先看四家公司的實際表現。

• Microsoft： 2026 年第三季營收 923 億美元，年增 19%；Azure 年增 48%〔8〕。
• Alphabet： 2026 年第三季營收 1,276 億美元，年增 25%；Google Cloud 年增 103%〔9〕。
• Amazon： 2026 年第三季營收 2,019 億美元，年增 12%；AWS 年增 39%〔10〕。
• Meta： 2026 年第三季營收 646 億美元，年增 26%；AI 廣告推薦與變現持續推進〔11〕。

註：Microsoft 為 FY2027 Q1；其他為 2026 Q3。Google Cloud 成長包含 TPU 系統銷售，不宜直接與 Azure、AWS 視為同口徑比較。

這些數據並不支持 AI 商業需求已經全面衰退的說法。

Microsoft Azure 仍在快速成長，而且 Microsoft 不只出售算力，還能透過企業軟體、Copilot、開發工具與雲端平台取得收入。

Alphabet 的 Google Cloud 營收達到 307 億美元，雲端營業利益約 111 億美元〔9〕。

值得注意的是，Google Cloud 本季 103% 的成長包含 TPU 系統銷售，而不全是傳統雲端服務的經常性收入。

這代表 Google 不只是出售雲端容量，也正在把自家 AI 晶片系統商品化。

Amazon AWS 同樣交出相當強勁的成績。

第三季 AWS 營收約 460 億美元，營業利益約 178 億美元〔10〕。

這不是一家沒有獲利能力的雲端企業。

相反地，AWS 的營業利益正在快速成長。

Meta 的情況則有所不同。

它的 AI 投資，有一部分已經反映在廣告推薦、使用者參與度與廣告定價能力上。

本季廣告展示量年增約 10%，平均廣告價格年增約 14%〔11〕。

但是 Meta 投入前沿模型與長期超級智慧研究的資本，不能因為廣告業務成長，就直接視為已經取得全部投資回報。

這四家公司共同說明：

AI 商業需求是真實的，而且其中一部分正在創造非常可觀的營業利益。

但同一輪財報，也開始揭露另一個問題。

營業利益強勁，為什麼自由現金流仍然承壓？

以 Amazon 為例。

截至 2026 年第三季的過去十二個月，Amazon 營運現金流約 1,683 億美元。

但同期淨資本設備支出約 2,107 億美元，自由現金流因而轉為負 424 億美元〔10〕。

Alphabet 的第三季營運現金流約 423 億美元，資本支出約 514 億美元，單季自由現金流約為負 91 億美元〔9〕。

Microsoft 雖仍維持正自由現金流，但同時也增加大量設備投資與融資租賃承諾〔8〕。

這裡必須特別提醒：

單季自由現金流為負，不等於企業即將陷入財務危機。

Alphabet 過去十二個月的自由現金流仍為正值；Microsoft 與 Amazon 也有龐大的既有營運業務與融資能力。

真正需要觀察的，是當這一輪資料中心建設完成後，企業新增的營業利益，能否追上新增資本的成本。

假設一家企業新增投資 100 億美元，未來每年可以穩定創造高於資金成本的報酬，那麼短期自由現金流下降可能完全合理。

但如果新增投資愈來愈大，新增利潤卻愈來愈少，企業即使仍在成長，也可能開始破壞股東價值。

因此，我認為市場未來會逐漸把焦點，從營收成長率轉向投入資本報酬率（ROIC）。

真正重要的不是花了多少錢，而是新增的每一美元資本，究竟帶回多少經濟利益〔6〕。

六、Anthropic IPO：一份招股文件，同時支持 AI 多頭與空頭的論點

如果說四大巨頭的財報，反映的是 AI 雲端平台的資本投入，那麼 Anthropic 於 10 月 26 日公開提交的 S-1，則提供了模型公司財務結構的難得證據。

而且，它所呈現的情況，比單純的「AI 很燒錢」更加複雜。

1. 模型公司已經可以創造驚人的營收

根據 Anthropic S-1：

• 2025 全年營收：45.9 億美元。
• 2026 上半年營收：162.9 億美元。
• 2026 上半年營收年增：約 1,300%。
• 2026 上半年算力與基建費用：89.5 億美元。
• 2026 上半年營運現金流：+39.3 億美元。

更有意思的是，2025 年上半年，Anthropic 的算力與基建費用約等於營收的 201%。

到了 2026 年上半年，這個比例下降至約 55%〔12〕。

這意味著它的收入成長速度，已經遠遠超過同期算力費用的增加速度。

這是非常重要的規模經濟證據。

而且，2026 年第二季 Anthropic 已經出現 GAAP 營業利益轉正。

它證明了，至少在某些營收與成本條件下，前沿模型公司的營業模式可以產生正向利潤。

因此，我不認為我們可以因為模型價格下降，就斷言前沿模型公司一定會陷入永久虧損。

技術效率提升、使用量擴大、產品組合改善，都可能使企業的單位經濟效益快速進步。

但這還沒有回答最重要的問題。

2. 現在的獲利，能否支撐未來的採購義務？

Anthropic 的 S-1 同時揭露了規模驚人的長期算力採購及租賃安排。

其中，文件揭露，自 2025 年底之後新簽署或修改的部分租賃與商業協議，相關未來最低付款義務合計約 4,170 億美元〔12〕。

另有其他長期協議與條件性採購安排。

市場如果把不同合約的最高預估金額全部相加，可能會得到超過 6,000 億美元的數字。

但這些協議的期限、付款條件、取消條款與法律性質不同，不能全部當作已發生債務，也不能不加區分地累加。

即使如此，這些承諾仍然非常值得研究。

因為 Anthropic 今天的收入成長，必須逐步支持未來持續擴大的算力需求。

如果模型能力繼續改善、企業導入持續加深，這些提前保留的算力可能創造更大的營收。

但如果未來模型價格下降得比預期更快，或部分企業轉向更便宜的替代模型，固定採購承諾就可能成為財務壓力。

而這份招股文件也提供了支持真實需求的另一項證據。

截至 2026 年 9 月底，Anthropic 已有超過 11,900 家客戶，在過去十二個月貢獻至少 10 萬美元收入。

其中，超過 1,900 家客戶，年消費金額達到 100 萬美元以上〔12〕。

這些不是單純的 Token 使用量，而是有實際付款的客戶。

因此，我們現在必須同時接受兩件事：

Anthropic 的營收成長是真的；它對未來算力的資本承諾，也確實很大。

前者支持 AI 商業化，後者提醒我們不能忽略長期資本回收風險。

3. 更值得注意的是，AI 產業開始出現複雜的資金循環

Amazon、Google、Microsoft 等企業，不只是 AI 算力供應商，其中部分同時也是模型公司的投資者或策略合作夥伴。

模型公司取得股權資金、借款或其他融資之後，再向雲端供應商購買算力。

雲端供應商取得訂單後，又向晶片、設備與資料中心供應商採購。

這樣的產業鏈並不代表交易是假的。

它很可能反映真實而且高速成長的需求。

但如果我們將 Anthropic 的營收、AWS 的相關雲端營收、NVIDIA 的晶片銷售全部相加，就可能把同一筆終端需求沿產業鏈重複計算。

這裡真正需要區分兩種現金流：

第一種，來自最終使用 AI 的企業與消費者。

第二種，來自投資者提供的股權、借款與其他融資。

短期內，第二種資金可以幫助整個產業快速成長。

但從長期來看，第一種現金流仍必須足以支持整條產業鏈的正常成本與合理投資報酬。

這也是為什麼，Anthropic S-1 最值得研究的，未必只是它未來的 IPO 估值。

而是它第一次讓我們更清楚地看到：

AI 模型收入、雲端算力採購、長期資本承諾與企業融資，正在形成一個高度相互依賴的產業結構。

七、算力金融化：未來的 AI 危機，可能先出現在信用市場

前面幾個現象放在一起，還可以再往下一層思考。

AI 產業正在從科技研發與軟體服務，逐漸形成一個結合固定資產、能源、租賃與金融槓桿的龐大產業。

這與過去的網際網路產業，有相似卻又不同的地方。

過去建設網站和軟體平台，很多時候主要投入的是人力與研發成本。

現在興建 AI 資料中心，需要大量晶片、土地、電力與冷卻設備。

有些企業透過自有現金支應。

有些透過公司債、銀行貸款、私募信貸或融資租賃取得資金。

也有企業利用 GPU 設備、資料中心及未來租約現金流，作為取得資金的重要基礎。

當算力需求快速成長，這種結構可能形成良性循環：

客戶簽訂長約、企業取得融資、資料中心投入營運、收入逐步增加，再以現金流償還借款。

但如果算力價格開始下降、設備延後部署，或客戶降低未來採購承諾，問題就可能反過來。

營收低於預期，使債務負擔相對增加。

融資成本提高，使新設備建設更加困難。

新增資料中心計畫縮減，又開始影響 GPU、記憶體、先進封裝與其他設備商的訂單。

這是一種典型的信用傳導機制。

它可能在整體 AI 使用量仍然增加時發生。

因為真正決定借款人償債能力的，不是 Token 數量，而是可供償債的現金流。

而且，有一個問題非常值得注意：

資料中心建築可以使用十幾年，GPU 的經濟競爭力卻可能在更短的時間內改變。

如果一家公司用多年期負債購買設備，卻遇到新一代 GPU 讓舊設備的市場租價快速下降，原本預期的收入曲線就可能失效。

這不代表所有 GPU 都會失去價值。

較舊的晶片仍然可能提供低成本推論服務。

但如果租金收入下降的速度超過預期，借款人的財務安全邊際就可能縮小。

這也是為什麼，我之前在〈AI 很熱，錢卻開始變貴：升息會如何改寫這場算力盛宴？〉一文中，特別關注 CoreWeave 的債務殖利率與 AI 基建融資成本。

對擁有龐大現金儲備的大型科技企業而言，短期自由現金流轉負可能只是主動擴張的結果。

但對需要持續再融資的算力出租商而言，同樣的現金流缺口，可能具有完全不同的風險。

所以，我認為未來研究 AI 產業，不能只看科技股財報。

還必須開始研究信用市場。

因為下一次 AI 資本支出調整，可能不是先從 NVIDIA 營收衰退開始。

而是從某些算力商的融資成本提高、合約重議、專案延後，或資產擔保價值受到質疑開始。

但這目前仍然只是有經濟機制支持的研究假說，還不能當成已驗證的股市領先訊號。

八、AI 價值正在重新分配：真正的受益者，未必是投資最多的人

研究到這裡，我反而覺得，市場可能忽略了一個更深層的問題。

如果 AI 算力真的逐漸商品化，那麼 AI 創造的價值，最終會流向哪裡？

我們可以想像一個情境。

一家金融服務企業原本需要花費大量人力，整理客戶資料、閱讀文件、產生報告與追蹤法規。

現在，它開始使用 AI。

AI 服務商向它收取費用，但隨著模型能力改善、競爭增加，這筆費用逐漸下降。

企業反而取得更高的工作效率、更快的服務速度，以及更低的部分作業成本。

如果這些效益能夠轉化為利潤，最終得到最大收益的，可能是使用 AI 的企業，而不是賣出 Token 的企業。

這和歷史上的基礎建設投資有些相似。

鐵路能讓貨物更便宜地運送，對整體經濟有巨大價值。

但並非每一家興建鐵路的公司，都能為股東創造合理報酬。

網際網路讓全球資訊傳遞成本大幅降低，催生了無數商業模式。

但這並沒有讓所有早期電信投資人取得高額報酬。

AI 也可能出現相同情況。

技術進步創造的經濟剩餘，並不一定由提供基礎設施的企業獨占。

它可能流向模型供應商、雲端平台、企業軟體、專業服務，甚至終端消費者。

而且即使企業利用 AI 降低成本，也不代表它可以把所有收益保留下來。

如果產業競爭激烈，企業可能被迫降低產品售價，最終讓消費者取得大部分利益。

所以，未來真正值得關注的，未必只是哪些公司採用了 AI。

而是：

哪些企業在使用 AI 之後，能夠維持定價權？

哪些企業擁有難以複製的資料、客戶關係、專業流程與決策能力？

哪些企業可以降低成本，卻不需要承擔龐大的 GPU、資料中心與融資風險？

反過來，哪些企業正在投入最多資本，卻面臨最激烈的價格競爭？

這些問題可能比單純選擇 AI 概念股，更接近未來幾年的投資機會。

而且這裡也有另一種可能。

如果 AI 的生產力效益開始廣泛反映在各產業的營收、利潤與自由現金流上，企業就可能願意支付更多 AI 服務費用，形成新一輪需求擴張。

因此，AI 商品化未必是算力供應商的長期利空。

如果低價帶來的需求成長快於價格下降，供應商仍可能獲得更大的市場。

最重要的是，我們必須同時研究這兩種力量，而不是先假定誰一定獲勝。

九、接下來可能出現的三種劇本

把 2000 年的歷史、Ramp 的 Token 數據、Apollo 的生產力觀察、最新科技巨頭財報與 Anthropic S-1 放在一起，我認為 2027～2028 年值得關注三種可能的發展。

劇本 A：AI 生產力開始變現，資本支出獲得合理回報

這是對 AI 多頭最有利的情境。

模型成本持續下降，企業因此願意把 AI 擴展到更多工作流程。

原本只使用 AI 產生文字或程式碼的企業，開始讓 AI 處理更完整、更具經濟價值的任務。

企業利潤改善，付費意願提高。

雲端業者新建的資料中心陸續投入營運，收入與現金流開始追上前期資本支出。

在這個情境下，AI 供應商仍可能成長，而且新增資本的回報逐步改善。

這甚至可能開啟新一輪由企業生產力支持的長期投資週期。

劇本 B：AI 持續成長，但產業利潤開始重新分配

這是我認為需要特別研究的情境。

AI 使用量仍然快速增加，模型價格和任務成本卻持續下降。

部分應用企業因為 AI 便宜而受益，但缺乏差異化的模型或算力供應商，必須承受更激烈的價格競爭。

NVIDIA、台積電與相關供應鏈可能仍有訂單，但市場開始降低對部分 AI 基建業者未來利潤率的假設。

最後形成的，不是 AI 產業全面崩潰，而是產業內部的估值與報酬重新分配。

某些企業可能持續創造新高營收，股票卻因為市場調降長期資本報酬預期而下跌。

另一些過去沒有被視為 AI 主角的企業，反而可能因生產力改善而提高獲利。

劇本 C：AI 需求仍在成長，信用市場卻先發生收縮

這是最接近 2000 年部分電信業者投資循環的情境。

企業提前投資大量 GPU 與資料中心，但新產能部署、收入實現與生產力收益的速度，持續落後於資本承諾。

當融資成本上升，部分高負債業者開始縮減擴張計畫。

市場可能先看到算力商債券殖利率上升，再看到新建資料中心延後、長期設備採購調整，最後才傳導至半導體供應鏈的訂單。

這種情境不需要 AI 使用量下降。

甚至可能出現 AI 使用量創新高，部分 AI 股票卻持續下跌的矛盾。

更值得注意的是，這三種劇本並不完全互斥。

市場可能先經歷一次信用收縮與產業整併，之後才出現更具規模的生產力變現。

因此，長期看好 AI 技術，不等於短期可以忽略投資風險。

反過來，出現信用危機，也不代表 AI 革命已經失敗。

十、從現在開始，我會追蹤的五個訊號

如果只研究 AI 泡沫的故事，很容易在市場上漲時過度悲觀，在市場下跌時又只能事後解釋。

我更希望把這些研究轉化成可以持續驗證的指標。

1. AI 使用量與企業實際支出的背離

首先追蹤 Token 使用量、付費採用率、每家企業支出，以及同品質任務成本。

如果使用量持續成長，但平均付費金額長期停滯，代表商業模式可能正在面臨價格競爭。

但如果營收成長放緩，單位成本卻下降得更快，企業的獲利仍可能改善。

所以，不能把價格下降本身視為利空。

2. 雲端營收與新增資本支出的效率

持續比較 Microsoft、Alphabet、Amazon 等企業的雲端業務成長、營業利益、資本支出、折舊與自由現金流。

尤其關注新建產能投入營運後，新增營業利益是否開始追上資本投入。

如果資本支出成長開始放緩，但營收和營業利益繼續增加，這可能是資本效率改善的重要證據。

相反地，如果企業必須投入愈來愈多資本，才能維持相同的營收增量，就值得重新評估長期報酬率。

3. AI 算力商的信用利差與融資條件

追蹤 CoreWeave 等 AI 基礎設施業者的債務成本、信用利差、再融資能力、租賃承諾與主要客戶集中度。

如果融資利差開始相對其他科技或高收益債券明顯擴大，同時伴隨合約重議或建設延誤，便值得提高警覺。

但信用利差擴大也可能只是整體金融條件收緊，因此必須控制利率與市場信用風險。

4. S&P 493 的生產力與利潤率是否開始改善

這是 Apollo 報告提出、我認為最值得長期追蹤的問題。

如果 AI 真正成為通用生產技術，最終應該不只改善科技巨頭的財報，也逐步提高其他產業的生產效率。

因此，需要追蹤不同行業的人均實質產出、單位勞動成本、營業利益率與盈利預估修正。

如果這些變化開始普遍出現，AI 的長期需求可能獲得更穩固的經濟基礎。

5. 半導體供應鏈是否開始領先反映資本支出調整

最後，觀察 NVIDIA、台積電、先進封裝、HBM 與資料中心設備供應商。

但我不會只看當月營收。

因為上游廠商的收入，可能反映的是幾季前已經決定的採購計畫。

真正值得追蹤的是新增訂單、採購展望、客戶資本支出指引與庫存變化。

如果信用市場先轉弱，接著雲端業者下修資本支出，最後供應鏈新增訂單開始放緩，這條順序就可能具有投資研究價值。

但如果歷史回測證明，這些訊號並沒有領先市場價格，或者無法改善風險調整後報酬，我們就不應把它們當作交易依據。

十一、最後的思考：AI 可能改變世界，卻不保證今天所有投資人都能賺錢

回到最初的問題。

如果 AI 的需求是真的，市場仍然可能發生類似 2000 年的投資危機嗎？

我認為可能。

但並不是因為網際網路泡沫與 AI 產業具有表面相似之處，就代表歷史一定會重演。

今天的大型科技公司擁有龐大的營運現金流、成熟的企業客戶與既有商業模式。

AI 模型也已經產生真實的商業收入，部分業者甚至開始展現規模經濟與營業獲利。

這些是不能忽略的反向證據。

但另一方面，我們也不能因為技術持續進步，就認為任何規模的資本投入都合理。

當 AI 逐漸成為更便宜、更普遍的生產要素，最終獲得利益的，可能是使用 AI 的企業，也可能是消費者。

這些經濟價值不一定會全部留在 GPU、模型與雲端算力供應商手中。

而當大量企業同時依靠長期合約、租賃與融資，提前建設未來需求，資金成本與回收時間就會變得更加重要。

這讓我想到一個可能比「AI 有沒有泡沫」更有價值的問題：

AI 創造的經濟收益，能不能在資本市場開始收緊融資條件之前，轉化成足以支持債務、折舊與再投資的現金流？

如果答案是肯定的，那麼今天的大量投資可能只是未來經濟成長的前奏。

如果答案是否定的，市場就可能出現另一種令人意外的情況：

AI 持續成功，使用量持續上升，技術不斷進步，卻有一部分 AI 基礎設施投資人，因為投資價格、槓桿與回收時機錯誤而承受損失。

這不是科技革命失敗。

而是科技革命創造的價值，和資本市場最初預期的分配方式不同。

至於這場價值重新分配，何時會開始反映在企業獲利與市場價格上？

我認為，這才是未來兩年最值得持續研究的事情。

市場負責倒酒，我們負責清醒。

市場負責倒酒，我們負責清醒。