花旗AI追蹤：模型越來越強，但芯片和電力快跟不上了

花旗最新發布的AI產業追蹤報告揭示，隨著大型語言模型與多模態模型的技術能力持續突破，AI產業的投資回報（ROI）正出現明顯的結構性轉移——從過去聚焦於應用層與模型層的競爭，逐漸加速轉向基礎設施層。這意味著，業界關注的焦點已不再是單純誰能訓練出更強大的模型，而是背後支撐模型運作的算力、能源與數據中心能否跟上發展步伐。報告指出，過去數年AI領域的資金與資源大量湧入演算法創新與模型規模擴張，帶動了GPT、Gemini等旗艦級模型的問世。然而，當模型參數量級突破千億、萬億，訓練與推理所需的算力需求也呈指數級成長。

花旗分析師觀察到，目前晶片供應與電力供給的瓶頸已日益明顯，成為制約下一階段AI發展的關鍵變數。在晶片端，先進製程產能長期處於緊繃狀態，尤其是AI加速器（如GPU、TPU）的供應仍無法滿足爆炸性需求。儘管主要晶片業者持續擴產，但從設計到量產的週期動輒以年計算，且新世代製程的良率爬坡需要時間，使得供給缺口短期內難以完全填補。與此同時，AI伺服器所需的周邊零組件（如高頻寬記憶體、散熱模組）也同樣面臨供不應求的壓力。而在電力端，資料中心的耗電量已成為全球能源系統的新挑戰。一座大型AI訓練集群的即時功耗往往可達數十萬瓦，甚至超過小型城鎮的用電規模。

花旗報告特別點出，部分地區已出現電網容量不足、資料中心擴建受阻的情況，業者不得不開始考慮將據點轉向再生能源充沛或電價較低的區域。這不僅影響模型的訓練時程，也直接拉升了AI服務的營運成本。花旗分析師認為，在這樣的背景下，未來AI公司的競爭護城河將不再只是單純的算力獲取能力，而是轉向整體運算效率與專有數據的掌握。換句話說，當硬體性能提升速度放緩、晶片成本居高不下，誰能在有限資源下把每瓦效能發揮到極致，並擁有獨特且高品質的訓練資料，誰就能在下一波競爭中脫穎而出。這項觀點也呼應了目前業界對於「模型越來越強，但晶片與電力快跟不上了」的普遍憂慮。

若基礎設施無法同步升級，再先進的模型也難以落地與規模化，企業的AI轉型路線圖勢必將受到延遲。花旗報告進一步指出，從投資回報的角度來看，過去幾年投入模型訓練的資本支出，其邊際效益正在遞減，而同樣的資金若轉向基礎設施優化、數據中心節能設計或自有晶片開發，反而可能帶來更穩定的長期回報。值得注意的是，這並非意味著模型層的創新將停滯。花旗分析師解釋，基礎設施瓶頸所帶來的壓力，反而會驅使業界更積極探索高效的訓練架構、稀疏化演算法、模型壓縮技術，以及新型運算架構（如類比晶片、光運算）。這些技術若能成熟，將有機會在現有晶片與電力制約下，進一步釋放模型潛力。此外，報告也強調了專有數據的戰略價值。

當公開數據逐漸被大型模型「吃乾抹淨」，擁有獨特領域資料、高品質標註數據或即時用戶行為數據的公司，將能在模型微調與應用場景中建立難以複製的優勢。這也解釋了為何近期多家大型科技公司積極收購數據庫、與垂直行業合作，甚至自行設立資料標註團隊。整體而言，花旗這份報告為AI產業描繪了一道分水嶺：過去「算力即正義」的簡單邏輯已不再適用，取而代之的是「效率為王、數據為盾」的新競爭格局。對於投資人而言，未來評估AI公司價值時，除了看模型性能、團隊技術實力，更需仔細檢視其資源運用效率、能源成本結構，以及數據資產的獨特性與可擴展性。

業界人士指出，台灣作為全球半導體供應鏈與資料中心建設的重鎮，在這波基礎設施升級浪潮中將扮演關鍵角色。晶片封測、散熱解決方案、高效能電源管理、以及綠電憑證交易等相關產業，都有望迎來新的成長動能。不過，花旗報告也提醒，若全球電力基礎設施的擴建速度無法跟上AI需求的爆發，終將形成「硬體有貨、但無電可用」的窘境，屆時整個AI生態的發展節奏都將被迫放緩。