算力過剩是個偽命題

## 算力過剩只是假象？36氪分析：結構性落差才是真正瓶頸

近期市場上關於「算力過剩」的討論逐漸升溫，部分觀點認為隨著大規模算力基礎設施的建成，供需已出現失衡，甚至有人憂心重蹈過去網路泡沫覆轍。然而，36氪最新發表的分析文章明確指出，所謂的算力過剩其實是一個偽命題，該論點忽略了當前運算需求在結構性與應用場景上的快速演變，容易誤導產業判斷與政策方向。 報導中強調，當下算力供給雖然在總量上看似充沛，但真正能驅動高效能運算、大規模人工智慧訓練與推理的優質算力依然稀缺。許多號稱「過剩」的算力，往往因型號老舊、架構不匹配或能耗限制，無法滿足新興應用的即時需求。舉例來說，雲端資料中心中大量部署的通用型CPU伺服器，在處理需要大量平行計算的AI模型訓練任務時，效率遠不如專用的GPU或TPU叢集。這種「總量有餘、精品不足」的現象，使得市場上出現一批無法有效利用的算力資產，卻同時存在另一群急需高效算力的客戶無法獲得資源。 從產業鏈角度來看，真正的瓶頸並非總量過剩，而是算力供給與實際應用之間存在結構性落差。36氪的分析進一步指出，若未能正視此一落差，不僅會誤判市場趨勢，也可能導致相關投資與政策調整失準。例如，部分地方政府或企業在建設算力中心時，仍以傳統數據中心的思維進行規劃，採購大量標準化伺服器，卻未考量到AI訓練、邊緣推理、科學模擬等工作的特殊需求。結果就是建成的算力中心雖然整體運算能力驚人，卻無法有效服務真正的客戶。 此外，隨著邊緣運算、自動駕駛、科學模擬等領域持續擴張，算力需求不僅沒有放緩，反而呈現指數級成長。以自動駕駛為例，每一輛路測車輛每天產生的感測器數據量高達數TB，這些數據需要回傳到雲端進行模型訓練與演算法迭代，對算力的消耗極其龐大。而科學模擬如氣候預測、基因組學分析、藥物篩選等領域，也正因為AI技術的導入而產生前所未有的計算需求。這些新興應用對算力的要求不僅是「夠快」，更要求「夠準」、「夠穩定」，傳統過剩算力根本無法勝任。 36氪的報導也點出，當前算力市場的供需失衡，本質上是因為算力資源的調度機制尚未成熟。許多企業擁有閒置的算力資源，但缺乏有效的中介平台或排程系統來釋放這些產能；與此同時，新創公司或研究機構卻因為無法負擔高昂的租用成本而只能望之興嘆。這種資訊不對稱與分配不均，進一步加深了「過剩」的錯覺。若能建立更靈活的算力交易市場，例如時段性租用、異質算力整合、邊緣雲協同等模式，或許能緩解供需矛盾。 從投資角度來看，將資金盲目投入建設通用型算力中心，很可能在未來幾年內面臨折舊壓力與技術淘汰風險。真正的投資方向應是聚焦於高效能、低延遲、架構先進的算力基礎設施，並與應用場景深度結合。例如，與大型AI模型公司合作量身訂做專用叢集，或與自動駕駛車隊簽訂長期算力合約，才能確保投資回報。36氪的分析認為，如果無法辨識算力市場的結構性特徵，簡單地以「過剩」來概括，可能會導致資本配置失當，錯失下一波科技創新的紅利。 總體而言，36氪的文章呼籲業界與政策制定者應摒棄「算力過剩」的簡化敘事，轉而關注如何提升算力的可用性與適配性。當前的重點應在於優化算力調度與提升應用適配性，而非簡單歸結為過剩與否。這包括推動異質運算架構的標準化、建立跨平台算力排程機制、鼓勵邊緣端與雲端協同發展，以及加強對新興應用場景的前瞻性研究。只有這樣，才能讓算力真正轉化為生產力，而非淪為無用的庫存。 值得注意的是，近期國際市場上也有類似討論。例如，美國部分科技巨頭因AI業務成長放緩而傳出縮減資料中心擴建計劃，進一步引發「算力泡沫」的擔憂。然而，36氪的分析認為，這些消息多半是短期市場情緒波動的反映，並未觸及算力供需的深層結構。事實上，Google、微軟、亞馬遜等公司仍在持續投資下一代AI晶片與專用基礎設施，顯示它們對算力的長期需求仍抱持強烈信心。 最後，36氪總結指出，算力是否過剩，取決於我們用什麼標準來衡量。若只以傳統通用運算的視角來看，確實可能出現供過於求；但若將眼光放到AI時代、邊緣運算時代、量子運算時代，則算力遠未滿足需求。未來的贏家，將是那些能夠精準辨識結構性缺口、並迅速補上優質算力供給的企業與國家。而誤判「過剩」的後果，可能遠比想像中嚴重。