蔡鎤銘/淡江大學財務金融學系兼任教授
資本狂潮與回報真空
2025年至2026年，微軟、亞馬遜、Alphabet與Meta四家科技巨頭的累積資本支出達1.12兆美元，2026年全年合計更超過6,000億美元。2025年至2027年，科技巨頭投入AI基礎設施的資本支出預計高達1.4兆美元。這已不只是企業投資週期，而是一場以國家級計畫規模衡量的資本動員。
然而，投資規模與實際回報之間存在巨大落差。麻省理工學院NANDA計劃的報告指出，美國企業在生成式AI上的投資雖達300億至400億美元，95%的組織卻未能獲得回報，只有5%的試點專案創造數百萬美元價值。麥肯錫《2025年AI現狀》調查也顯示，88%的企業已在至少一項業務中導入AI，但只有39%表示AI帶來實質的息稅前盈餘成長。導入AI不等於創造利潤，從技術應用到組織轉型，仍存在難以跨越的斷層。
2025年上半年，美國AI相關支出對GDP成長的貢獻一度高達92%，企業獲利卻未同步改善。高盛分析師指出，除非AI最終成為推動整體經濟產出的重要力量，否則投資者很難證明兆美元級支出的合理性。資本市場可以為成長敘事付出高價，卻無法永久迴避折舊與現金流的考驗。
物理極限與會計縫隙
AI基礎建設的風險，首先來自物理條件，而非單純的估值過高。一座大型AI資料中心的用電量可相當於10萬戶家庭，美國興建大型資料中心平均需要兩年，但新建高壓輸電線路可能耗時五年至十年。維吉尼亞州主要電力供應商道明尼能源接獲的資料中心用電需求高達40吉瓦，相當於40座核電廠的發電量。挪威船級社預估，到2030年，北美將占全球AI與資料中心電力需求的一半，相關需求更可能占終端電力消耗的11%。
這顯示算力可以迅速擴張，電網卻無法同步成長。變壓器、輸電線路、冷卻系統與行政許可，都可能成為限制投資回報的瓶頸。當晶片陸續到位，電力供應與基礎設施若未能跟上，資本就可能被困在尚未充分發揮效用的設備之中。
另一項風險藏在會計處理。AI支出有相當部分流向使用壽命較短的資產，高效能GPU的技術折舊週期約三年至五年，企業必須持續更新設備，才能維持競爭力。然而，部分大型雲端服務商已將伺服器使用年限從三年至四年延長至六年，每年合計節省約180億美元折舊費用。
延長折舊年限並不必然代表財務造假，但若設備實際經濟價值下降得比帳面折舊更快，當期利潤便可能顯得過於樂觀。技術迭代速度一旦超過資產折舊速度，企業就可能面臨帳面獲利與實際經濟價值脫節的問題。
資料中心供需數據同樣容易造成誤判。北美資料中心空置率僅1.8%，在建容量中有92%已提前簽約承租，看似足以證明市場需求強勁。但空間稀缺不等於算力服務具有足夠的獲利能力。甲骨文AI雲端服務的毛利率僅14%，租賃輝達晶片的業務甚至曾出現單季1億美元虧損。這些現象顯示，設備有人租用，不代表每一筆投資都能創造合理回報。
循環交易的封閉迴路
AI產業鏈還出現一種值得警惕的資金循環：晶片製造商投資模型公司，模型公司向雲端服務商購買算力，雲端服務商再向晶片製造商採購設備。輝達向OpenAI投資1,000億美元，OpenAI與甲骨文簽訂3,000億美元的算力合作安排，甲骨文再向輝達採購晶片，便引發市場對循環交易的疑慮。
這種合作並不代表所有交易都是虛假的。模型公司確實需要算力，雲端服務商也必須採購設備。但當供應商同時成為客戶的投資者，客戶的支出又成為供應商的營收，企業成長便可能受到資金循環放大。真正需要追問的是，這些交易背後有多少收入來自獨立終端客戶，又有多少依賴合作夥伴持續注資。
CoreWeave的財務結構更凸顯槓桿風險。這家以AI雲端算力為核心業務的公司，2025年營收約50億美元，支出卻高達約200億美元，並舉債140億美元填補資金缺口。其債務總額一度達520億美元，2026年至2028年的累計自由現金流預計為負710億美元。當企業必須持續借款擴充設備，卻難以產生足夠現金流償債，經營成敗就不再只取決於技術進步，也取決於金融市場是否願意繼續提供資金。
諾貝爾經濟學獎得主邁克爾·斯賓塞將這類現象稱為「理性泡沫」。企業即使知道估值可能偏高，仍因擔心落後競爭者而持續投資。對個別企業而言，不參與競賽可能失去未來市場；但當所有參與者都採取相同策略，整體投資便可能超越實際需求。
因此，AI泡沫的關鍵不只是估值是否過高，更是企業能否在融資環境轉變前，將資本投入轉化為持續獲利。
暗光纖與亮晶片
2000年網路泡沫留下的典型教訓，是大量未被充分使用的「暗光纖」。當年電信業者以債務融資大規模鋪設光纖網路，泡沫破裂後，許多設施閒置多年。問題並非光纖永遠沒有價值，而是基礎設施的建設速度遠超過應用需求的成長速度。
今天，AI產業的支持者以GPU持續運轉、資料中心空置率低，反駁當前投資與網路泡沫的類比。輝達執行長黃仁勳也強調，市場對算力的需求依然旺盛。然而，設備正在使用，只能證明需求存在，不能保證投資足以回本。
暗光纖真正揭示的問題，是需求到來的時間與債務到期的時間並不一致。即使基礎設施最終具有經濟價值，企業仍可能因為無法撐過漫長的回收期而倒閉。今天的GPU也面臨相同風險：若模型服務的營收成長不足以支付融資成本、能源費用與設備折舊，資產再先進，也無法避免財務壓力。
中國大陸的AI基礎設施投資提供另一種比較。相較於美國部分高度依賴舉債的獨立算力供應商，大陸大型平台企業的投資較多依靠內部資金與國有金融體系支持。這不代表大陸沒有重複建設或資源錯置問題，而是兩地風險的呈現方式可能不同。美國較容易受到高槓桿融資與信用傳導影響，大陸則須面對地方算力中心利用率不均、重複投資與回收期拉長等挑戰。
換言之，兩地競逐AI的差異，不只在晶片技術或投資規模，也在資金來源、風險承擔方式與產業需求的銜接能力。
從算力競賽到時代重構
真正值得追問的，不是AI是否存在泡沫，而是當資本狂潮退去，哪些能力仍能創造價值。經濟學家達龍·阿西莫格魯的模型預測，未來十年AI對全要素生產率累積成長的貢獻可能低於0.53%。這並不代表AI缺乏潛力，而是說明技術突破與整體生產力提升之間，存在相當長的時間差。
蒸汽機、電力與電腦都曾經歷類似過程。新技術問世後，企業仍須重新設計工作流程、調整組織結構、培養人才並建立制度，才能將技術轉化為生產力。單純增加設備，並不能自動帶來效率提升。
當前AI投資大多集中於晶片、伺服器、電力與冷卻系統。這些設施資本密集、更新快速，也最容易受到新世代技術衝擊。真正決定長期回報的，則是企業能否把AI融入實際工作流程，改變決策方式、降低營運成本，甚至創造新的產品與服務。
麥肯錫的調查顯示，高績效企業從根本上重新設計工作流程的可能性，是其他企業的近2.8倍。這項差異說明，AI的價值不只來自自動化，更來自組織如何運用技術重新配置資源。若企業只把AI當成節省人力的工具，而不調整流程與決策模式，即使投入大量算力，也可能難以取得持續的競爭優勢。
因此，AI泡沫的衝擊將是不對稱的。依賴高槓桿、短壽命資產與循環交易維持成長的企業，可能在融資收緊時率先承受壓力；部分資料中心與GPU也可能在設備完全折舊前，就失去經濟競爭力。資本市場或將經歷劇烈的估值重整，但這不等於AI技術本身失去價值。正如網路泡沫沒有終結網際網路，資本市場的修正也不必然阻止AI改變經濟。
對中國大陸而言，真正的挑戰不是一味擴大算力，而是縮短算力與生產力之間的距離。如何提高算力中心利用率、避免地方重複建設，並讓模型能力與企業實際需求有效銜接，將比單純追求投資規模更重要。這需要組織創新、產業協作與制度調整，而不是無止境增加資本支出。
AI泡沫最值得警惕的，不一定是突然崩盤，也可能是長期緩慢失血。企業持續投入資本，估值卻停滯不前，折舊逐年侵蝕利潤，而真正需要改造的工作流程始終沒有改變。2000年的暗光纖提醒世人，基礎設施即使最終有用，也可能因為資金成本先於需求到來而拖垮投資者。
AI的歷史地位，不能用晶片數量、資料中心規模或資本支出衡量，而要看它是否真正改變生產方式。當最後一批GPU逐步折舊，留下來的若只有沉重債務與過剩產能，這場投資狂潮便難稱成功；唯有把算力轉化為效率、創新與持續獲利，AI才能從昂貴的資本競賽，真正成為推動時代轉型的力量。
※以上言論不代表梅花媒體集團立場※