報新聞/中部特派員鄒志中報導 從ChatGPT到人形機器人：黃仁勳口中的「實體AI」，才是下一個兆美元超級大市場？一天需要調用十種AI大模型？企業真正在意的是誰「夠用而且更便宜」？ 2026年開年，全球科技圈的注意力正從「誰做出最強的大語言模型」悄悄轉向另一個更安靜、卻更決定性的問題：誰能建立最完整、成本最低、應用最廣、人才最多的AI生態系？過去三年（2023–2025）被稱為「AI模型競賽」（Model Race）的年代，焦點幾乎全落在GPT、Claude、Gemini、Kimi、DeepSeek等少數幾個名字上。然而，當企業開始計算「一百萬個token到底要花多少錢」、當政府開始重新設計整個科研制度、當機器人與自駕車成為下一波資本支出的主戰場時，AI時代競爭的本質已經改變。
這不是單純的AI技術升級，而是一場從「單一產品性能」到「國家制度與產業體系」的全面轉型。為什麼會發生？AI究竟又出了什麼問題？歷史、政治與社會脈絡如何把我們推到這個節點？這三個問題，才是真正值得深究的公共議題。
為什麼會發生？從「模型性能」到「生態系規模」的必然轉向
要理解這場轉變，必須先回到2023–2025年的模型競賽邏輯。當時，大家比的是參數規模、基準測試分數、推理能力與多模態表現。誰能在MMLU、HumanEval或長文本理解上領先，誰就佔據媒體與資本的目光。OpenAI、Anthropic、Google DeepMind、xAI，以及中國的Kimi、DeepSeek、Qwen、GLM等，都在這場AI競賽中投入巨大的資源。
然而，AI技術領先並不能自動轉化為市場主導。企業真正開始大規模部署AI時，發現了另一個更現實的問題：成本。根據公開數據，Claude Opus等級的模型每百萬token的費用可達約4811美元，而中國開源或低價模型如GLM才約在544美元左右，價差接近九倍。對每天消耗100億、500億甚至1000億token的大型企業而言，一年的成本差異可能以數億美元計算。
這使得AI採用決策從CTO（技術長）的「誰最強」轉向CFO（財務長）的「誰最划算且夠用」。於是，Model Router（模型路由）開始出現。OpenRouter、Vercel、LangChain、LlamaIndex等平台讓企業可以根據任務自動切換模型：客服用GLM、摘要用Kimi、翻譯用Qwen、高風險推理用Claude或GPT。一天呼叫十種AI模型不再是幻想，而是正在成形的現實。
更深層的原因在於「使用規模」本身會創造標準。歷史上，Windows、Android、TCP/IP、USB、WiFi都證明了同一件事：誰被最多人使用，誰就定義了後續的生態。Prompt工程、API設計、框架相容性、外掛生態、評測基準，都會圍繞主流模型演化。如果全球企業、政府與開發者大量下載並微調DeepSeek、Kimi、GLM、Qwen等中國開源權重模型，那麼即使美國AI模型在絕對性能上仍居領先，AI生態系的引力中心也可能逐漸偏移。
這正是美國真正焦慮的地方。美國最新公布的《Science: The New Golden Age》（科學：新的黃金時代）與「Genesis Mission」（創世紀任務），表面上看是50億美元的AI科研計畫，實質卻是重新設計美國科研體系的政策信號。過去資金主要流向大學、國家實驗室與傳統學術中心；如今優先方向變成AI研究員、新型AI科研機構、AI自動化科研，以及「個人科學家」模式。核心思想是：AI不再只是研究工具，而是研究者本身。美國想複製的，是Google DeepMind、OpenAI、Anthropic、xAI這類AI-first Research Lab的組織邏輯。
中國大陸則走完全不同的路。它沒有把所有賭注押在「做出世界第一模型」，而是押在「讓世界大量使用中國模型」。開放AI權重、低價格、易部署、可自行微調，成為AI主流策略。結果形成兩種截然不同的競爭模式：美國追求「最好的AI」，中國追求「最多人用的AI」。
這場轉向之所以在2026年變得清晰，是因為前三年的AI模型競賽已經把性能推到一個相對高原，邊際進步變得昂貴且緩慢，而AI部署成本與生態鎖定則開始顯現真正的槓桿效應。
制度究竟出了什麼問題？科研體系、標準制定與成本結構的三重失衡
如果只看表面，美國AI砸50億美元、中國砸AI開源模型，似乎只是資源競賽。但深入制度層面，會發現三個結構性問題。
第一，傳統科研制度與AI時代的速度不匹配。美國過去的科研資金分配高度依賴同行評審、長期計畫與機構中心化。這種模式在基礎科學上成效卓著，但在AI這種「迭代以週、甚至以天計算」的領域，顯得笨重。Genesis Mission的真正意義，不在金額大小（與微軟、Google、Amazon、Meta合計超過3500億美元的AI資本支出相比，50億美元其實並不大），而在於政策信號：AI已提升到國家戰略層級，未來DARPA、NSF、DOE、NIH、NASA、國防部、能源部都可能全面導入AI科研。這是制度重新設計的開始，而非單純加碼AI預算。
第二，標準與生態的「路徑依賴」問題。歷史上，技術標準往往由先發且被廣泛採用的一方決定。今天AI的Prompt、API、框架、外掛與評測基準，若大量圍繞中國AI開源模型演化，美國即使AI模型性能領先，也可能在「開發者習慣」與「產業鏈相容性」上落後。這不是技術問題，而是制度與市場機制如何共同塑造「誰被視為預設選項」的問題。美國開始擔心的，其實不是單一AI技術落後，而是AI標準流失。
第三，成本結構的不對稱。美國領先AI模型往往伴隨高昂的推理成本與封閉策略；中國模型則以開放權重與極低價格快速滲透。對企業而言，當「夠用且便宜」成為主要考量，高價高性能模型的AI市場空間就會被壓縮到高價值、高風險場景。這使得AI競爭從「技術競賽」變成「制度與商業模式競賽」：誰能同時提供性能、成本、部署彈性與生態支持，誰就能贏得企業的長期採用。
這些制度問題並非一夕之間出現。它們源於過去十年AI發展的路徑：早期由少數大型實驗室與大科技公司主導，資金與人才高度集中，開放與封閉策略並存。當應用規模爆炸後，原有的資金分配、標準制定與成本結構開始暴露出不適應性。
歷史、政治與社會脈絡如何形塑今日的局勢？
要理解為什麼美中會走上如此不同的道路，必須把視野拉長到歷史與政治脈絡。
從歷史看，美國在半導體、軟體、網際網路時代都曾以「先發優勢＋生態鎖定」取勝。Windows、Android、雲端服務的成功，都建立在開發者與企業的廣泛採用之上。這次美國試圖複製的，是把AI-first Research Lab的模式制度化，讓國家科研體系向「AI作為研究者」的方向傾斜。這反映了美國對自身創新體系的自信，也反映了對中國AI快速追趕的焦慮。
中國的路徑則深受其產業政策與市場規模影響。過去幾年，中國在電動車、太陽能、電商等領域展現了「以規模換取成本與生態」的能力。開源權重模型策略，本質上是把同樣的邏輯應用到AI：先讓大量企業與開發者用起來，再透過使用數據與微調需求反哺模型迭代。同時，中國對「AI主權」的強調，也讓開放與可控成為並行目標。
政治層面，美中科技競爭已從關稅、出口管制、半導體 equipments 延伸到AI。美國的出口管制與投資限制，加速了中國走向「自主可控＋低成本開放」的路徑；中國的開源策略，則反過來對美國形成「標準與生態」壓力。雙方都在用國家力量重塑市場規則。
社會脈絡同樣重要。全球企業對AI成本的敏感度，源於後疫情時代的效率壓力與資本市場對獲利的要求。開發者社群對開源與可微調模型的偏好，則延續了軟體開源運動的長期傳統。黃仁勳近期反覆強調的「Physical AI」（實體AI）——Robotaxi、工業機器人、人形機器人、農業與物流機器人——更指出下一個AI戰場已不再是螢幕上的聊天機器人，而是全球數十億台會移動、操作、感知與決策的智慧機器。NVIDIA的Alpamayo、Drive Hyperion、Isaac、Cosmos、Omniverse，本質上是在打造機器人領域的「Windows」。AI真正的最大市場，將是實體世界的AI化。
這些歷史、政治與社會力量交織，讓2026年成為轉折點：競爭從「誰的模型最強」升級為「誰能同時掌握晶片、算力、模型、人才、開放生態、應用場景與治理標準」。
台灣真正該思考的是什麼？
如果美中競爭的是AI主權、模型、標準與生態，台灣不能只停留在「台積電供應先進製程」的舒適區。AI晶片只是基礎，但不是全部。台灣可以建立的AI優勢，至少有四個方向：
第一，可信AI（Trustworthy AI）。建立模型安全、驗證、治理與稽核能力，成為國際可信AI驗證中心。在歐美對AI風險高度敏感的背景下，這是差異化機會。
第二，AI基礎設施完整供應鏈。高效能運算、AI資料中心、邊緣運算、液冷伺服器等，台灣已有相當基礎，可進一步整合。
第三，繁體中文AI生態。打造高品質繁體中文語料、評測基準與專業模型，服務政府、醫療、金融、法律等領域。語言與在地知識是難以被輕易取代的護城河。
第四，實體AI供應鏈。結合半導體、精密機械、機器人、自駕車與智慧製造優勢，布局下一代實體AI產業。從晶片延伸到機器人作業系統與應用，才是真正的價值鏈延伸。
如果能從「全球算力供應者」進一步成為「國際可信AI的重要節點」，台灣的戰略位置將截然不同。
真正的勝負不在單一突破，而在生態系的完整度
從美國推出「創世紀任務」、中國以低成本開放權重AI模型快速擴張，到輝達將重心轉向實體AI，可以清楚看到三個轉折：
1. 國家層面：競爭從單一AI模型性能，升級為科研制度、人才政策與國家創新體系的全面競爭。
2. 企業層面：AI採用由成本與部署效率驅動，「模型路由」讓不同模型依任務分工，價格與生態系的重要性快速提升。
3. 產業層面：AI正從數位世界走向實體世界，自駕車、機器人、智慧工廠與醫療將成為下一波核心戰場。
未來五年AI時代的關鍵問題，已不再只是「哪個AI模型最強」，而是哪個國家（或地區）能同時掌握晶片、算力、模型、人才、開放生態、應用場景與治理標準。真正的勝負，將取決於誰能建立最完整、最具吸引力且可持續擴張的AI生態系，而非單一技術突破。
這場競賽才剛進入第二階段。對台灣而言，時間窗口並不寬裕，但機會依然存在——前提是台灣是否願意把視野從「製造晶片」拉高到「參與定義下一代AI的規則與生態」？