報新聞/中部特派員鄒志中報導 台灣的危機不是缺席AI，而是只會賺硬體紅利、卻錯過生產力革命？ GPU「房產化」能走多遠？快速折舊的晶片如何支撐長期資金？生產力悖論再現：到處都是AI，為什麼統計數字看不到提升？ 輝達日前把GPU推向金融資產，華爾街押注AI未來現金流；中國則試圖把AI、機器人、能源與製造整合成「機器化國力」。台灣真正該警惕的，不是被排除在AI賭桌之外，而是只賺到AI硬體紅利，卻沒有把AI硬體紅利轉化成下一輪的AI生產力革命？
如果說過去半世紀全球經濟最重要的兩種資產，一種是房地產，另一種是石油，那麼AI時代正在出現第三種可能性：AI算力。但這裡所說的「算力」，不是單純指一顆GPU值多少錢，也不是說AI晶片已經取代石油成為全球交易媒介。真正值得注意的是，全球金融與科技資本正在嘗試完成一個重要轉變：把原本屬於企業資本支出的GPU，轉變成可以抵押、融資、打包、持有，甚至由全球長期資金分享其未來收益的金融資產。
這個變化的意義，遠比「輝達又賣了多少顆GPU」更深遠。因為一旦AI算力可以金融化，AI就不再只是科技產業的技術革命，而可能同時成為一場金融資產革命：GPU從AI設備變成抵押品，背後對應的是未來算力租金、AI企業現金流與長期金融資產收益。換言之，市場正在嘗試把AI未來的收入提前資本化。這也意味著，一場表面上發生在資料中心與晶片產業的AI軍備競賽，另一條戰線其實正在華爾街展開。而這場戰爭真正的問題是：AI科技的未來，究竟是由科技公司創造，還是由金融市場來定價？
GPU「房產化」：當晶片開始成為抵押品
要理解這個變化，可以先回頭看房地產。1970年，美國政府國民抵押貸款協會發行第一張住房抵押貸款支持證券，銀行把大量房貸打包、分層、評級，再出售給養老金、保險公司等長期資金。房子因此完成了一次歷史性的身份轉變。它不再只是「住人的房子」，而成為可以產生現金流、可以抵押、可以證券化、可以被全球資本市場持有的金融資產。這就是所謂的「房產金融化」。
今天GPU正在出現類似的方向。過去企業購買GPU，是典型的資本支出。企業買進設備，使用幾年，折舊，再淘汰。可是如果GPU可以被放進融資架構裡，情況就完全不同。金融市場看到的將不再只是「這張卡現在值多少錢」，而是「這張卡在未來幾年可以產生多少算力租金」。問題因此從「設備價格」轉變為「未來現金流」。這就是AI金融化真正重要的地方。
「AI金融化」這個邏輯概括為：輝達真正賣的可能不只是晶片，而是未來現金流的金融化能力。中小型AI企業未來數年的算力租金，可以被提前納入資本市場；養老金、保險資金與主權財富基金，則可能透過不同金融工具參與AI基礎建設。一旦如此，AI產業的資金來源就會發生結構性變化。過去是「科技公司 → 買GPU → 建資料中心 → 賺AI服務收入」。未來可能變成「GPU → 抵押品 → 融資 → 資料中心 → 算力租金 → 現金流 → 金融資產 → 全球長期資本」。AI因此不只是科技產業，也開始具有「金融基礎設施」的特徵。
但這裡存在一個非常大的問題。
用快速折舊的GPU支撐長期資金，金融工程能走多遠？
房子有一個重要特性：它通常不會因為下一代房子上市，就突然失去大部分使用價值。石油也有類似特性。可是GPU不一樣。GPU最大的敵人不是磨損，而是AI技術進步。今天最先進的AI晶片，可能是AI訓練與推論的核心資產；但幾年之後，新一代架構、更高頻寬、更低功耗、更高效能的產品出現，舊AI設備的經濟價值就可能迅速下降。
因此，GPU金融化存在一個房地產沒有那麼嚴重的結構性問題：資產壽命與金融負債期限可能不匹配。如果金融機構給一項設備五年、七年甚至更長的融資期限，那麼就必須回答一個問題：第五年、第七年甚至更長的融資期限的GPU，還能不能產生足夠的算力租金？這不是華爾街的金融模型可以單獨回答的問題。它最後還是必須回到AI技術。
AI需求成長速度必須快過GPU經濟價值下降的速度；AI資料中心的利用率必須足夠高；AI算力價格必須能夠支撐設備折舊、能源成本、維護成本與融資成本。只要其中一個環節失速，AI金融化就可能從「放大投資」變成「放大風險」。因此，真正值得觀察的不是「AI有沒有泡沫」這個過於簡單的問題，而是：AI的真實現金流，是否足以支撐目前金融市場正在賦予它的資產價格？
這也是為什麼，AI金融化與2008年房貸金融化不能簡單畫上等號。房地產泡沫的核心，是信用大量建立在房價持續上升之上。AI金融化的核心風險，則可能是：資本市場先相信AI未來會創造巨大現金流，然後提前把這個未來資本化；最後由真實產業去證明這個估值是否合理。如果AI真的帶來巨大生產力革命，金融化會加速資本形成。如果AI沒有如預期產生足夠現金流，金融工程則可能把原本局部的科技投資風險，擴散到更廣大的長期資金市場。所以，AI算力金融化既可能是AI革命的燃料，也可能成為AI泡沫的放大器。
「算力美元」：美國正在尋找AI時代的新錨？
「算力美元」並不是說AI算力已經取代美元，也不是說AI晶片已經成為新的全球結算貨幣。它真正指向的是另一件事情：美國可能正在嘗試把AI時代最重要的生產資料，以美元計價、以華爾街金融工具包裝，再讓全球長期資金參與。
這與美元霸權過去的演變存在某種歷史上的相似性。1940年代，美元與黃金建立固定聯繫。1970年代布列敦森林體系瓦解之後，美元與石油交易形成重要的資金循環。而AI時代，如果AI算力成為全球經濟最重要的生產資料之一，那麼控制AI先進算力、AI晶片、AI資料中心與金融資本，就可能形成另一種新的美元需求。
「算力美元」要想成功就必須同時滿足三個條件：第一，全球都需要。第二，以美元計價。第三，可以被華爾街金融化，並由全球長期資金持有。如果這三個條件逐漸成立，那麼AI的地緣政治意義就完全不同了。過去石油最重要的地方，是能源供應。未來算力最重要的地方，則可能是：誰控制最先進的AI晶片？誰控制AI基礎設施？誰控制AI基礎設施，誰就可能影響下一代生產力。這意味著AI晶片出口管制，不再只是科技政策。它可能逐漸成為金融政策、產業政策、國家安全政策與貨幣霸權政策的交叉點。
中國真正的挑戰：不是複製「算力美元」，而是把算力變成生產力
這裡也正是中國與美國可能走向兩條不同道路的地方。美國擁有全球最強的先進GPU、生態系統、科技企業與金融市場。中國則面臨先進GPU出口管制與國產AI晶片在性能、生態及金融流動性方面的限制。中國大陸目前最大的弱點之一，是缺少能夠被全球資本市場廣泛認可的「最優質底層資產」；另一方面，中國大陸也缺乏由美元金融體系掌握的全球算力定價權。
但這並不代表中國沒有另一張牌。那張牌叫：製造。如果美國試圖把算力變成金融資產，中國完全可以選擇另一條道路：把AI算力變成工廠的生產工具。這是一個非常重要的戰略差異。金融資產最終要靠價格證明價值。生產資料則靠產出證明價值。一張GPU如果被金融市場估值一百萬元，最後還是必須回答：它能不能讓工廠生產更多的產品？能不能降低成本？能不能減少人力？能不能提高良率？能不能縮短研發時間？能不能讓物流更有效率？如果答案是肯定的，那麼AI算力就真正轉化成了生產力。而這正是AI時代真正的競爭核心。
AI真正的敵人不是泡沫，而是「生產力悖論」
1987年，經濟學家Robert Solow提出一句後來廣為流傳的話：「到處都看得到電腦，就是在生產力統計裡看不到。」這就是著名的「生產力悖論」。今天我們可能正在重新遇到同一個問題。到處都是AI。企業買GPU、導入大型語言模型、成立AI部門、要求員工使用生成式AI，甚至把AI寫進年度策略。但是：企業生產力真的同步提升了嗎？如果沒有，那麼AI革命可能仍然停留在「技術導入期」，尚未真正進入「組織重構期」。
這個區別非常重要。因為企業不是買了一套AI軟體，生產力就會自動增加。真正的AI轉型，往往需要同時改變：工作流程、組織架構、人才技能、決策方式、資本支出與商業模式。例如，一家公司如果只是讓員工用AI寫信、整理會議紀錄，它可能提高個人效率。但如果它重新設計整個供應鏈、庫存管理、品質檢測、客服系統、產品研發與決策流程，AI才真正開始改變企業的生產函數。這也是為什麼「AI投資很多」與「AI生產力很高」是兩件不同的事情。
面對新技術典範，真正關鍵的是企業是否持續調整目標、工作流程、組織、投資方向與營運模式，而且必須透過可驗證的證據，而不能只是「摸著過河」。這一句，其實正是台灣現在最需要面對的問題。
台灣最大的AI危機：不是沒有AI，而是AI只停留在出口數字
台灣毫無疑問是AI時代的重要受益者。全球AI基礎建設投資增加，對台灣半導體、伺服器、網通、散熱、電源管理與零組件產業帶來巨大商機。這是台灣的優勢。但問題也恰恰藏在這裡。如果台灣的AI繁榮主要來自「替全球AI產業製造設備」，卻沒有同步形成「AI改造台灣自己的產業」，那麼台灣就可能出現一個非常奇怪的現象：貿易出口數字非常漂亮，AI供應鏈非常強大，但台灣整體產業生產力改善速度卻沒有同步提升。這就是「生產力悖論」的台灣版本。
我們不能只問：台灣今年出口多少AI伺服器？還必須問：台灣有多少傳統製造業真正因AI而提高良率？有多少中小企業降低庫存？有多少企業減少行政成本？有多少企業利用AI縮短產品開發時間？有多少工廠透過AI與機器人解決缺工問題？AI導入之後，企業營收、獲利與勞動生產力究竟增加多少？如果這些問題沒有答案，那麼台灣很可能只是「AI產業鍊很強」，而不是「AI讓國家變得更強大」。
歐盟給台灣的一個重要啟示：不要只補助，要量測
這也是為什麼歐盟的經驗值得台灣認真研究。原素材指出，歐盟2016年開始推動企業數位轉型，第一階段的Digital Innovation Hubs後來經過檢討，2022年進一步提出「數位10年政策」，並發展European Digital Innovation Hubs，也就是EDIH。其中非常重要的一點，是引入數位成熟度評估工具DMAT。換句話說：企業接受政府輔導之前，先量測；導入AI之後，再量測。不是只看「補助了多少錢？」「辦了多少場課程？」「輔導了多少家企業？」而是要看：企業到底能夠進步多少？
相關研究認為，EDIH政策套案有助於降低中小企業數位投資風險、改善現金流瓶頸，並透過DMAT形成企業學習與營收增加的前瞻指標。這種思維對台灣尤其重要。台灣過去面對產業轉型，很容易形成一種「補助思維」：企業申請補助。政府核發補助。辦完計畫。提交成果報告。然後下一年度重新申請。但是AI時代需要的是：成果思維。政府真正應該問的是：「導入AI後，企業每位員工產值提高多少？」「產品良率提高多少？」「能源消耗降低多少？」「研發時間縮短多少？」「庫存週轉率提高多少？」「缺工需求降低多少？」如果沒有這些評估指標，AI補助政策很容易變成另一輪設備補助，而不是實質生產力革命。
中國真正值得台灣注意的，不只是人形機器人
因此，談到中國機器人發展，最容易犯的錯誤，就是只看「人形機器人」。今天一家公司做出一台可以走路、拿東西的人形機器人，當然具有技術與產業象徵意義。但真正改變國力的，未必是人形。真正重要的可能是：工業機器人、機械手臂、自動導引車、無人倉儲、智慧港口、自動化物流、無人機、無人船與水下無人系統。因為國力從來不是靠一個產品決定。它靠的是體系。
中國真正值得注意的，是能否把AI、機器人、無人載具、製造業、能源與通信整合成完整體系。一旦形成這種體系，機器人就不再只是一個「產業」。它會變成國家生產力的一部分。工廠裡有機器人。倉庫裡有機器人。港口裡有自動化設備。道路上有自動化運輸。天空有無人機。海上有無人艇。水下有無人潛航器。再由AI、通信與控制系統把這些設備連接起來。這時候，國家真正擁有的就不是「很多機器」。而是：一套可以被大量部署、持續升級、互相協同的機器系統。這才是「機器化國力」。
人口紅利正在改寫：未來不是誰的人多，而是誰能讓一個人管理更多機器
過去的國力邏輯很簡單。人口多，可以提供更多勞工。工廠多，可以生產更多商品。士兵多，可以形成更大的軍隊。但是AI與機器人正在改變這套邏輯。未來真正值得比較的可能是：一個人可以管理多少機器？一座工廠可以生產多少機器？一個國家可以部署多少無人化生產系統？這些機器能不能彼此協同？這就是「機器化國力」最重要的概念。
一個人口老化的國家，如果可以讓每一個勞工管理大量自動化設備，可能仍然維持高生產力。一個人口很多的國家，如果機器與人之間沒有形成高效率協作，人口優勢也可能逐漸下降。因此，人口紅利正在慢慢轉變成：AI機器紅利。但這並不是說人不重要。恰恰相反。越高度機器化的國家，越需要高素質的人來設計、訓練、維護、管理與監督機器。未來真正稀缺的，可能不是單純的「會操作機器的人」，而是：懂AI、懂製造、懂能源、懂控制AI系統，又懂產業流程的人。
這同樣是國防問題：無人化不是多買幾架無人機
如果這套邏輯成立，國防也必然受到影響。未來戰場上的機器，不會只是一架架的無人機。可能是空中無人機群、地面無人車、海上無人艇、水下無人載具，再加上AI、衛星、通信與指揮控制系統。真正重要的不是單一平台性能多高。而是：能不能大量生產？能不能快速補充？能不能持續更新？能不能互相協同？能不能在通信受干擾的環境下維持一定程度的作戰能力？
因此，未來國防工業與民用製造業之間的界線可能更加模糊。一座能大量生產高可靠電子零組件的工廠，可以服務民用市場，也可能支援國防。一套AI控制系統，可以應用在物流，也可以發展無人系統。一套感測器技術，可以用在智慧工廠，也可以應用在無人載具。這就是台灣真正需要思考的地方。台灣不能只把國防理解成「買多少武器」，也必須思考「我們能不能建立快速製造、快速補充、快速升級的機器化國防工業能力」。未來無人化戰爭不應只是購買更多無人機，而應建立空中、地面、海上與水下無人系統，再透過通信、AI與指揮控制形成完整體系。這是一個完全不同於傳統軍購的戰略概念。
台灣真正需要的AI戰略：從「AI供應鏈」走向「AI生產力」
那麼台灣應該怎麼辦？第一個答案不是再蓋更多資料中心。第二個答案也不是再喊一次「AI國家隊」。真正需要的是：讓AI進入台灣每一座工廠、每一家中小企業、每一個重要公共系統。台灣真正的優勢是什麼？半導體。電子製造。精密機械。ICT。網通。工具機。物流。醫療。金融。這些都是AI可以深度改造的產業。
因此，台灣AI政策不能只聚焦於「上游算力」。還必須建立：AI＋製造、AI＋能源、AI＋物流、AI＋醫療、AI＋金融、AI＋農業、AI＋國防的應用體系。更重要的是，每一個計畫都必須有可量化的生產力指標。否則，政府花很多錢補助AI，最後只得到一堆簡報、一堆論壇、一堆示範場域與一堆「AI轉型成功案例」，卻不知道整體經濟到底進步多少。那就不是AI革命。只是AI行銷。
真正的AI競賽，其實是三場戰爭
因此，今天全球AI競爭可以拆成三場完全不同的戰爭。第一場，是AI算力戰。誰擁有最先進GPU？誰控制先進製程？誰擁有資料中心？誰掌握能源？第二場，是生產力戰。誰可以把AI導入企業？誰能讓AI降低成本？誰能讓AI提高良率？誰能讓一個人管理更多機器？第三場，是金融戰。誰可以為AI提供資本？誰可以為算力定價？誰能把AI未來現金流金融化？誰的貨幣可以成為AI資產的計價與融資基礎？
美國目前在第一場與第三場具有巨大優勢。中國則試圖在第二場建立自己的優勢。而台灣最不能犯的錯誤，是只因為自己在第一場的供應鏈具有優勢，就認為已經贏得整場戰爭。因為：會製造AI的硬體，並不等於就掌握AI的生產力革命。
華爾街押注的是未來，中國押注的是工廠，台灣應該押注什麼？
美國的優勢，是把科技、資本市場、美元與全球金融體系結合起來。中國的優勢，是龐大製造能力、產業鏈與大規模部署能力。那麼台灣呢？台灣不能與美國比金融市場。也不可能單純複製中國的超大規模內需與製造體量。台灣真正可以建立的優勢，應該是：把半導體、AI、精密製造、機器人、感測器、控制器、能源管理與無人系統整合起來。
換句話說：台灣不是只會做「AI晶片」。而是要做：AI驅動的機器。不是只做伺服器。而是做：由AI自動化驅動的無人工廠。不是只會買無人機。而是建立：台灣自己的無人機系統產業鏈。這才是台灣真正的「AI國力」。
比AI泡沫更值得害怕的，是台灣錯過生產力革命
我們當然必須警惕AI泡沫。GPU估值是否過高？資料中心投資是否過度？AI企業能不能產生足夠現金流？金融市場是否把太多未來成長提前反映？這些都值得監測。但是，對台灣而言，更大的風險可能不是AI泡沫。而是：AI最後真的成功了，但台灣只能賺到AI硬體訂單，沒有把AI紅利轉化為自己的生產力。這才是真正的戰略落差。
因為如果AI最終真的帶來下一次工業革命，那麼全球競爭的核心就不再只是「誰最會製造晶片」。而是：「誰的企業最會使用AI生產力」？誰的工廠最會使用機器？誰的能源系統最能支撐AI工廠？誰的國防系統最能使用無人化作戰系統？誰能讓一個人管理更多AI機器？這些才是十年後決定國家競爭力的東西。
機器不會取代國家，但機器化的國家可能重新定義國力
AI革命真正值得關注的，從來不只是ChatGPT能不能寫得更好，也不只是下一代GPU速度能提高多少。更大的問題是：人類第一次可能擁有大量可以被AI指揮、被AI軟體更新、被自動化部署的「機器勞動力」。這會重新定義生產力。也可能重新定義戰爭。甚至重新定義國力。
過去我們問：「一個國家有多少人口？」未來可能要問：「一個人可以管理多少AI機器？」過去我們問：「一個國家有多少工廠？」未來可能要問：「一座工廠可以自主生產多少東西？」過去我們問：「一個國家有多少武器？」未來可能還要問：「一個國家能否以低成本、大規模、快速迭代地生產與部署無人系統？」這就是「AI機器化國力」。
而台灣現在面對的選擇，其實比「要不要發展AI」更深。我們已經在AI供應鏈裡。問題是：我們能不能從AI供應鏈，走進AI生產力？台灣已經會製造世界需要的AI晶片、AI伺服器與AI電子設備。下一步則必須讓AI進入台灣自己的工廠、物流、能源、醫療、金融、城市治理與國防。台灣不能只做全球AI革命的「AI設備供應商」。也必須成為AI革命的「使用者、創造者與規則製造與參與者」。
至於「算力美元」究竟能不能成為美元霸權下一個錨，現在還不能妄下定論。因為黃金不會被下一代AI產品淘汰，石油燃燒後仍然能轉化為真實經濟活動；GPU則必須不斷面對技術迭代與快速折舊。AI資產的價格可以被金融市場炒出來，但AI算力的長期價值，最後仍然必須靠實際使用來證明。
因此，華爾街可以把AI的算力做成金融資產。中國可以試圖把AI變成工廠裡的機器。而台灣真正應該做的，是把台灣AI的製造優勢轉化成一種新的國家生產力。因為最後決定勝負的，不會只是：誰擁有最多GPU。而是：誰能讓最多的人，最有效率地駕馭最多的AI機器。這可能才是AI時代真正的國力公式：AI＋機器＋能源＋製造＋人才＝新質生產力。而一個國家能不能把這五者整合起來，可能才是下一個十年真正的戰略分水嶺。
機器不會取代國家。但能夠駕馭機器的國家，也很有可能會重新定義什麼叫做國力。