title: 智能租賃與超算資本：高固定成本、低邊際成本及持有門檻
english_title: Renting Intelligence and Owning Compute Capital: Fixed Costs, Conditional Marginal Costs, and the Threshold of Capability Ownership
series: AI 成本表象悖論：低價智能、超算資本與全域資源帳本
series_id: AICAP
paper_id: AICAP-02
version: 0.1
status: COMPLETE RESEARCH DRAFT — FORMAL UTF-8 SOURCE / NOT EMPIRICALLY ESTIMATED
date: 2026-11-03
language: zh-Hant
canonical_source: UTF-8 Markdown
math_delimiters: inline $...$ ; display $$...$$
research_domain: AI 政治經濟學／產業組織／資本成本／推理服務經濟學／智能能力取得
provenance: 承接 AICAP-00、AICAP-01；對照 CLATE-07、ANIE-02、HACTS-02；外部來源查閱至 2026-11-03

智能租賃與超算資本：高固定成本、低邊際成本及持有門檻

Renting Intelligence and Owning Compute Capital: Fixed Costs, Conditional Marginal Costs, and the Threshold of Capability Ownership

AICAP-02｜《AI 成本表象悖論》系列第二篇正式研究稿
**日期：**2026 年 11 月 3 日
**稿件性質：**理論形式化、條件命題、透明情境計算及可反駁實證協議；未取得任何未公開前沿模型的權重、設備採購合約或供應商成本資料。
**原始格式：**UTF-8 Markdown；數學原始碼僅採 $...$ 與 $$...$$。
**研究切面：**承接 AICAP-01 對有效成果分母的定義，轉向算力資本的取得、部署、使用率、成本時間窗與自主持有門檻。

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
版本： 0.1

摘要

當個人以少量訂閱費或按量 API 費用取得前沿智能服務時，所觀察到的是智能能力的使用價格，而不是獨立建置同等可用服務所需的完整投入。前沿模型的研發、訓練、部署與維護可能涉及昂貴的加速運算設備、記憶體、互連、電力、資料中心、軟體優化及技術人才；然而，巨額固定投資不必然使新增一項合格推理服務的邊際資源成本同樣巨大。成本是否下降，取決於設備能否有效共享、請求如何排程、容量利用率、延遲與可靠性約束，以及模型、任務與成果品質是否真正可比。由此產生一項表面上的經濟矛盾：智能使用權可能對小型創作者非常廉價，智能生產能力的獨立所有權卻仍存在極高的資本與制度門檻。

本文以此為研究對象，建立「智能租賃—算力持有雙帳本」及「能力等價性約束」。首先分離五種不同取得方式：購買 API 輸出、租用雲端加速器、租用代管推理平台、自有設備部署可取得模型，以及自行研發／訓練具指定能力的模型。其次，將資本初期付款、經濟折舊、資金機會成本、固定營運、動態推理成本、峰值容量保留和模型研發攤銷區分；同時指出會計折舊並不等於當期現金流，已沉沒訓練成本亦不應被每次推理重複全額加總。

本文提出四項有條件的形式化結果：固定容量與線性增量成本下的平均成本稀釋；具可比品質與足夠容量時的租用—自有損益平衡門檻；接近容量極限時等待時間上升所造成的成本非線性；以及「能買到硬體」不足以推出「有權重、授權與系統能力重建同級智能服務」的非等價性。對照公開硬體規格、雲端供應文件、推理服務系統研究、企業財報及能源報告，本文說明高資本需求與服務效率提升如何同時成立，並提供三組不冒充實測的數值示例。

核心結論不是「所有 AI 推理都便宜」，亦不是「AI 只是把昂貴成本藏起來」。更精確的說法是：智能的低價使用權、高額持有門檻、可隨規模下降的平均成本，以及在容量邊界可能急升的增量成本，可以同時存在；彼此差異必須以可比能力、明確時間窗和實際資源帳本辨識。

**關鍵詞：**AI 成本表象悖論；智能租賃；算力資本；固定成本；邊際成本；平均成本；利用率；推理服務；模型權重；能力等價性；資本門檻；規模經濟；時間窗；容量保留；平台依賴。

0．問題設定、既有基礎與研究貢獻

0.1 從小型開發者的低支出，看到大型算力生產體系

假設一名獨立遊戲開發者以訂閱服務獲得高階模型協作，完成企劃、程式、組合式美術、文字資料庫及測試。開發者所需支付的當期現金可能遠低於雇用一組跨領域團隊的名目支出；但這種能力的供給者可能依賴多年度的研發、設備部署、資料中心與持續運算。這兩個陳述在經濟上不矛盾：前者描述服務的可取得價格，後者描述供給側的資本與生產條件。

研究中的核心問題並不是替開發者估計一個「如果自己購買 GPT-6 等級機器，需要多少新臺幣」的單點價格。若模型權重、架構、授權、推理調度、上下文與工具組合不可取得，即使購買大量加速器，也未必能形成相同能力；反之，可合法取得的開放模型若已達指定任務要求，則可能用顯著不同的硬體與成本取得足夠的替代服務。兩種情境不能混同。

本研究將成本問題縮小為以下可檢驗的形式：

在同等能力、品質與服務水準下，租用智能與自有部署的成本何時反轉？
某服務的固定投入應如何分攤到真正可接受的輸出，而不是分攤到任意 Token 數？
利用率與多租戶共享何時降低平均成本，何時反而犧牲延遲、可靠性與品質？
訓練研發成本、部署設備成本與增量推理成本是否能在不同決策時間窗中被正確區分？
「使用門檻低、持有門檻高」是否可以在市場競爭與真實技術效率進步的情況下長期共存？

0.2 不重新發明既有經濟學，也不重複 CLATE

固定成本、邊際成本、租賃與購置、資本服務價格、規模經濟、擁擠成本、沉沒成本及兩部制定價，是既有經濟學與管理會計的經典問題。本研究不宣稱發明這些概念，而是建立其在「可租用的智能能力」之下的共同計量界線。

AICAP-00 已將使用者價格、任務有效成本、供應商完整成本、獨立持有門檻及社會資源帳分為五層。AICAP-01 已證明，若不固定任務驗收分母，訂閱價、Token 費率與真正有效成果成本不可直接互換。CLATE-07《智能時間價格與算力錨定工資》則已研究可替代認知任務的智能價格、驗證成本、算力租金及工資錨定。本文新增的是能力如何在租用與所有權之間轉換，以及固定資本如何透過容量共享變成可按次購買的服務。

不把平台價格低於某個估算平均成本直接稱作「補貼」；真正的補貼、交叉補貼、融資與價格歧視，由 AICAP-03 專篇研究。不把資料中心耗能上升直接當作「每次推理效率惡化」；能源總量與外部性歸屬，由 AICAP-06 研究。

0.3 本篇的非主張

本文不主張：

所有前沿模型每一輪推理都比人工作業貴；
所有 AI 服務都有低且固定的邊際成本；
自有部署一定比租用昂貴，或在長期高用量時一定比較便宜；
可取得任意加速器，便能取得任意封閉模型的相同權重與能力；
服務價格下降必然代表平台正在虧損，或必然代表全社會總成本下降；
訓練費用、硬體購置價、雲端租金、電費與使用者 API 費率可以無重疊地直接加總；
後文示例數字代表任何特定公司的採購、模型成本、營運效率或真實利潤。

1．公開技術與經濟證據：成本確實有不同層次

1.1 前沿訓練與設備投入可能非常昂貴，但估計並不等於帳本

Cottier 等人對一組前沿模型建立訓練成本估計，以設備資本服務、能源、雲端租金及研發人員成本等方式交叉分析。其修訂稿報告，2016 年以來所估計的最高強度訓練成本呈快速增長，且設備與人才是重要投入來源 [R1]。這些資料支持「前沿能力生產可能具有高額資本與研發需求」，卻不直接量出某個模型今天每次推理的邊際成本，也不保證模型訓練支出在未來持續按既有速率成長。

以微軟 2026 財政年度年報為例，截至 2026 年 6 月 30 日，其資產附註列示伺服器、網路設備與軟體的歷史成本合計約 2,158.74 億美元，2026 財政年度折舊費約 343 億美元 [R2]。這是企業整體會計範圍的資產與折舊，不是某一項 AI 模型、某個推理平台或一個 API 呼叫的成本。 此例只用來說明科技企業確實持有規模可觀、需跨期分攤的資本資產；不應把整筆支出歸因於生成式 AI。

1.2 GPU 系統具有硬體與部署邊界

NVIDIA 官方規格顯示，DGX B200 系統整合八顆 Blackwell GPU 與約 1,440 GB GPU 記憶體；GB200 NVL72 為包含 72 顆 GPU、36 顆 Grace CPU 的機櫃級互連與液冷設計 [R3][R4]。這些規格說明，若某種工作負載需要大量模型權重與高速記憶體交互，部署成本不只有「單顆 GPU 報價」，還涉及記憶體容量、互連、網路、供電、冷卻、維護與合格機房。

但此處不能倒推「某一具名前沿模型必然需要幾個 NVL72 機櫃」，因為模型權重、精度、路由、並行策略、KV 快取、目標並發與速度門檻可能未公開。同樣不能因硬體宣傳頁展示特定模型類型的效能倍數，就假設所有模型或工作負載均可達到該倍數。

1.3 租用算力並不是單一商品

Google Cloud 官方文件區分不同 GPU 機型及隨需、預留、承諾使用、Spot、Flex-start 等供給方式；不同機型能否選用某種消費方式，以及 GPU、CPU、記憶體、儲存與網路如何計價，具有具體條件 [R5]。同一晶片在不同地區、供給形式、可用性承諾與服務層級下，採購成本可能不同。

因此，「租用一顆 GPU 一小時」與「購買一次模型 API 輸出」不等價：前者由租用者自行承擔模型部署、版本、軟體和部分容量風險；後者通常已把上述服務整合在供應商的產品之中。若直接比較兩者標價，會把不相同的商品當成同一商品。

1.4 推理軟體的優化是真實效率變量

Kwon 等人提出的 vLLM/PagedAttention 透過改善 KV cache 記憶體管理，在其研究所比較的特定環境中提升大型語言模型的服務吞吐量 [R6]。Zheng 等人的 SGLang 則針對語言模型程式與服務執行引入快取重用及結構化輸出優化，在其實驗任務中取得相較基線的吞吐增益 [R7]。這些成果提醒我們，固定硬體的有效服務能力不是不變的物理常數。

上述研究的效能提升受模型、批次、上下文、生成長度、並發、硬體及基線版本限制；不可把論文中的最大吞吐倍數套在 2026 年所有商用平台，更不能把吞吐倍數直接等同單位成本下降倍數。若新增批次提高吞吐但令等待時間超過使用者要求，品質調整後的有效產出可能不增反減。

1.5 資料中心是重要能源使用者，但能源總量不是單次成本

IEA《Key Questions on Energy and AI》估計，全球資料中心用電在其基準展望下由 2025 年約 485 TWh 上升至 2030 年約 950 TWh；其中 AI 導向設施的需求增長更快 [R8]。這是所有資料中心的總量展望，不是「所有用電都來自 AI 推理」的測量，更無法直接推導每次推理的電費。

同時，Stanford HAI《AI Index 2025》以其固定基準記錄了既有能力水準的模型查詢價格大幅下降 [R9]。因此，兩者共同揭示的是單位效率進步與總體使用擴張可能同時存在，而不是其中一個數據推翻另一個。當前篇章先處理設備、容量與服務成本；需求反彈及公共成本留待 AICAP-06。

2．先分清楚五種「取得 AI」的經濟契約

2.1 使用權與能力所有權並非同一組資產

取得方式	實際取得物	主要負擔	常見限制
A．API／聊天服務	供應商承諾範圍內的模型輸出與工具使用	訂閱、用量費、整合、驗證、依賴	配額、延遲、版本變更、使用政策、資料處理
B．雲端 GPU 租賃	指定時間的加速運算容量	運算租金、儲存、網路、部署維運	供給地區、機型、預留、使用時間、模型自行取得
C．託管模型服務	第三方代管特定模型的執行服務	託管費、請求費、容量保留及 SLA	可選模型、控制界線、版本與資料政策
D．自有設備部署	對可合法取得模型的自有推理環境	資本、電力、維護、更新、軟體	權重權利、可用性能、人才、空間及可靠性
E．自行研發／訓練	模型研發過程、訓練系統及相關權利	研發、資料、訓練、評估、部署及治理	研究成功率、能力不確定性、人才與資本

A、B、C 是不同程度的租用；D、E 是不同程度的持有或控制。D 不自動包含 E；購買伺服器不會自動取得封閉模型的權重與授權。E 即使完成，也不意味著模型在所有任務上達到另一家前沿服務的品質與產品功能。

2.2 比較之前先固定「同等能力」

令一個服務方案 $j$ 的能力—服務向量為：

Z_j=(q_j,\ell_j,c_j,h_j,t_j,d_j,a_j,s_j)

為避免用不明符號暗示固定標準，依序定義： $q_j$ 為指定任務驗收品質；其餘七項為延遲、並發、可支援上下文、工具可用性、隱私與資料處理要求、可用率以及授權合法性。向量各元素不必同單位，不能直接相加成一個魔法分數。

在任務集合 $D$ 及限制 $\tau$ 下，定義可比性指標：

E(j,k;D,\tau)=1

僅當 $j$ 與 $k$ 均能在約定驗收門檻及服務條件下完成相同任務時為 1；否則為 0 或標記「尚無足夠證據」。若 $E=0$ ，比較「每百萬 Token 單價」或「每小時 GPU 租金」不回答哪個方案能以相同功能完成任務。

特別是「GPT-6 等級本地推理」不是一個由顯示卡容量就能推出的成本項。若欠缺公開權重、允許部署的授權、等價任務測試及同等服務條件，這是不可直接識別的反事實建置問題，不是已知單點價格的設備採購問題。

2.3 使用、控制、修改與重建是四種不同權利

可把權利集合表示為：

R_j=\{r_j^{\rm use},r_j^{\rm operate},r_j^{\rm modify},r_j^{\rm reproduce}\}

此式僅作分類。能使用 API，不一定有權操作其服務叢集；能操作自有 GPU，不一定有權修改特定模型；有權取得模型權重，也不一定具備重建訓練過程的資料和技術。產權與可取得性不是一個由價格直接推定的二元狀態。

3．四本帳與三個時間窗：避免把資本和推理重複計價

3.1 四本帳

第一本：現金流帳。 某期購置硬體、支付雲端租金、電費、員工薪資、API 費及融資成本。它關心現金何時流出，不將一次設備購置無理由地視作只服務當期全部任務。

第二本：企業經濟成本帳。 將設備在有效壽命內提供的資本服務、員工時間、能源、維護、失敗風險及機會成本按明確規則歸屬。此帳不等同會計損益表，但應能與折舊、財務成本和實際產量核對。

第三本：能力與容量帳。 記錄模型是否可取得、硬體是否可部署、可處理多少並發請求、品質與可靠性是否達標，以及峰值需求是否受限。它不能僅用美元或新臺幣一個數字概括。

第四本：產出與驗收帳。 記錄真正交付並被接受的標準化任務數，延續 AICAP-01 的 $Q_{\rm acc}$ ；不能把 GPU 小時、Token、生成候選及可用交付視為同一分母。

同一筆設備採購在現金流帳可能一次流出，但在經濟成本帳按期間提供資本服務，在容量帳成為可用產能。這是同一投入的不同投影，不表示可以把三者加總成三倍成本。

3.2 三個決策時間窗

時間窗	問題	成本判斷
即時／短期	設備、模型、訂閱已在手，多處理一項任務？	增量運算、機會成本、排隊、配額及新工具消耗
中期／營運期	下個月或年度租用、自建、多買容量？	期間固定費、容量需求、服務水準、升級及風險
長期／投資期	自建資料中心、研發模型、取得自主技術權利？	多期資本、折現、退出與改版選擇權、產業及制度風險

3.3 現金購置、折舊與經濟資本服務

設備一次購置價為 $K_0$ ，預計使用 $n$ 年，期末殘值為 $S_n$ ，折現率或資本機會成本為 $r$ 。若簡化為每期同額的資本回收支出，忽略稅務與非均勻維護，定義年金回收因子：

a(r,n)=\frac{r(1+r)^n}{(1+r)^n-1}

對無殘值情境，等額年度資本服務為：

F_K=K_0 a(r,n)

若存在殘值，應在相同折現基準下扣除期末殘值的現值：

F_K=\left(K_0-\frac{S_n}{(1+r)^n}\right)a(r,n)

這是經濟年金化的工作模型，不等同財務報表所採的會計折舊方法，也不表示期末設備真能按假定價格出售。若 $r=0$ ，以極限形式使用 $a(0,n)=1/n$ 。若不同設備壽命不同，GPU、機房、互連與電力設備須分別處理，不能全部無條件使用同一年限。

3.4 訓練研發成本的位置

若企業自行生產模型，訓練與研發應列入相關能力產品線的長期成本或資本投資分析；若企業只是合法部署第三方開放模型，未承擔上游研發支出，則不得機械地為它加上一筆不存在的「自研訓練費」。若付費購買模型授權，應列入授權成本，避免再把供應商已承擔的同一筆研發支出加到購買者成本中。

從已部署模型的當期新增請求決策看，既有且不可回收的歷史研發支出通常是沉沒投入；從長期模型產品線是否應持續投資看，研發更新、評估與下一代模型替換是重要的前瞻成本。兩個問題不可使用同一個成本分攤答案。

4．供應商完整成本模型：固定投入、可變用量與服務品質

4.1 先定義可接受的服務量

令 $Q$ 表示一個期間內通過約定品質、延遲和合法性檢查的標準化有效服務單位。對單一模型與相近任務組合，這可以是每單位可接受推理任務；若任務異質性很大，應按任務類別各自估算，而不是宣稱存在一種對所有智能工作的自然統一數量單位。

令 $K$ 表示可服務的設備與基礎設施配置， $x$ 表示模型、上下文、批次排程和推理軟體配置， $\tau$ 表示服務品質限制。可行年產能定義為：

\bar Q=C(K,x,\tau)

其中 $C$ 不保證線性，也不是設備規格中的 FLOPS 直接換算。若目標輸出每次需要更長上下文、更多推理步驟或更嚴格延遲， $\bar Q$ 可以降低；若軟體提升快取效率或排程， $\bar Q$ 也可能上升。

4.2 不重疊的期間成本表示

在固定期間 $t$ 、單一產品線與既定會計邊界下，定義：

C_p(Q;K,x,\tau)=F_K+F_O+F_M+V(Q;K,x)+S(Q;K,x,\tau)+D(Q)

其中：

$F_K$ ：設備及機房所提供的當期資本服務，不等於重複全額列入設備購置價；
$F_O$ ：固定營運支出，例如必要維運與監測人力；
$F_M$ ：可歸屬於該服務產品線的模型授權、更新或研發成本，按明示分攤規則列帳；
$V$ ：隨工作量或工作組合變動的運算、電力、網路、耗材與使用費；
$S$ ：達成延遲、峰值、可靠性與備援要求的容量保留及服務品質成本；
$D$ ：可歸因的故障、重試、返工、資產報廢或額外運維成本。

此式的各項在實證時必須互斥。例如某雲端租金已含能源及硬體折舊，則不得再替同一雲端租金重列能源與硬體。若 $F_M$ 已包含在模型第三方授權費內，不能再重算供應商上游研發；若 $S$ 的容量成本已在 $F_K$ 的實際設備數內反映，就不能又將同一部分完整加總。

平均成本、服務端增量成本分別為：

AC_p(Q)=\frac{C_p(Q)}{Q},\qquad MC_p(Q)=\frac{\partial C_p(Q)}{\partial Q}

僅在 $Q>0$ 且成本函數於該處可微時使用上述微分。若擴容必須購買新的加速器或設備組，成本函數可能有跳躍或離散門檻，應以有限差分而不是不存在的局部導數估計增量。

4.3 條件式低邊際成本，不是無條件零成本

在固定硬體、足夠空餘容量、無新增人員或服務等級變化且增量請求可以合法承載的局部區間，可暫用：

C_p(Q)=F+vQ,\qquad 0<Q\leq\bar Q

其中 $F>0$ 為期間固定成本， $v\geq0$ 為一單位標準化有效服務的增量成本。此式是清楚的研究簡化，不是所有前沿推理服務的普遍成本定律。

如果接近容量上限，新增服務可能需要新 GPU 叢集、預留資源、增加冷卻設備，或者因等待時間和故障造成成本上升。此時：

C_p(Q)=F+vQ+G(Q;\bar Q,\tau)

$G$ 可以是擁擠、排隊、擴容與品質損失的綜合成本，且可能非線性或離散。把 $G$ 忽略，便會誤以為「每多一位使用者只要多花少量電費」。

4.4 利用率與標準化產能

定義一個期間內在指定服務品質下的有效產能利用率：

u=\frac{Q}{\bar Q},\qquad 0\leq u\leq 1

這是成果容量利用率，不是 GPU 平均核心忙碌率，也不是資料中心全年用電負載率。硬體忙碌 90% 不必然代表完成了 90% 可接受的工作；在長上下文、頻繁重試或模型選擇不合任務時尤其如此。

5．形式化結果一：固定容量內的平均成本稀釋

命題 1（固定容量的平均成本下降）

若 $F>0$ 、 $v\geq0$ ，且在 $Q\in(0,\bar Q]$ 的可行區間內總成本滿足 $C_p(Q)=F+vQ$ ，則平均成本隨 $Q$ 單調下降，且邊際成本等於 $v$ 。

證明。

AC_p(Q)=\frac{F}{Q}+v

對 $Q>0$ 微分：

\frac{dAC_p}{dQ}=-\frac{F}{Q^2}<0,\qquad \frac{dC_p}{dQ}=v

故在指定區間內，使用量增加會攤薄固定成本；其增量成本在本模型中保持常數。證畢。

解讀。 此結果僅是經典固定成本模型的直接推論，並非 AI 獨有。其在 AI 產業的意義，是提醒研究者不能把前沿訓練或機櫃投資的完整金額，機械地指派給每一位低用量消費者；同時，也不能因此宣告增量成本在接近容量瓶頸時仍保持低廉。

反例邊界。 若擁擠項 $G(Q)$ 增長足夠快、工作組合變成更長推理、或產出驗收率下降，則平均成本可能停止下降甚至反轉。若新增容量需要跨越大型離散設備門檻，成本函數亦可能呈階梯狀。

命題 1 的廣義判準

對一般可微成本函數 $C(Q)$ ，平均成本下降的充分必要局部條件是：

Q C'(Q)<C(Q)

由：

\frac{d}{dQ}\left(\frac{C(Q)}{Q}\right)=\frac{Q C'(Q)-C(Q)}{Q^2}

可得此判準。換言之，只有邊際成本小於當前平均成本時，增加工作量才會降低平均成本；一旦擁擠與擴容令邊際成本超過平均成本，結論便反向。

6．形式化結果二：智能租賃與自有設備的臨界用量

6.1 最小租賃—持有模型

固定相同的有效成果標準、模型能力、服務水準、合法授權及時間窗。假設：

租用每單位合格成果的完整可歸因價格為 $p$ ；
自有部署在該期間的完整固定成本為 $F$ ；
自有部署每單位合格成果的可歸因可變成本為 $v$ ；
自有部署在服務品質限制下可提供的最大成果量為 $\bar Q$ ；
暫不考慮擁擠、升級跳躍及未計入之事故風險。

則：

C_R(Q)=pQ,\qquad C_O(Q)=F+vQ

命題 2（條件式損益平衡門檻）

若 $p>v$ 且 $F>0$ ，租用與自有部署的成本相等門檻為：

Q^*=\frac{F}{p-v}

且只在 $0<Q^*\leq\bar Q$ 、兩方案品質等價並能合法履約時，才有經濟上可實現的內部損益平衡點。若 $p\leq v$ 且 $F>0$ ，在本模型內不存在因提高正向使用量而使自有方案更便宜的有限門檻。

證明。 令 $pQ=F+vQ$ ，整理得 $(p-v)Q=F$ 。若 $p>v$ ，存在唯一正解 $Q^*=F/(p-v)$ 。當 $Q<Q^*$ ，租用成本較低；當 $Q>Q^*$ 且不超過產能，擁有成本較低。若 $p\leq v$ ，對任何 $Q>0$ ， $F+vQ>pQ$ 。證畢。

6.2 命題的非結論

此門檻不是「購買 GPU 用到某時數就必然回本」的普遍定律。至少有五種原因使它不適用：

$p$ 可能是原始 API 價格，而 $v$ 是不同品質本地模型的成本，沒有同質性；
租用價格可能包含多個價位、配額、固定保留費或階梯計價，不是線性 $pQ$ ；
自建若需新增機櫃、備援、機房或維護人員， $F$ 與 $v$ 都可能隨用量跳變；
真正可比較的服務可能受峰值並發和等待時間限制，而非年度總呼叫量；
模型版本、權重授權、隱私、審計及服務持續性不相同，不能單靠經濟成本排名選擇。

6.3 混合採購與容量保險

若自有系統的可行產能是 $\bar Q_O$ ，允許合法、同質、可替代的外部租用作為溢出，簡化成本為：

C_H(Q)=F+v\min(Q,\bar Q_O)+p\max(0,Q-\bar Q_O)

此式只有在本地與遠端服務可等價混合、資料可合法轉移及外部容量在尖峰確實可取得時成立。混合方案未必只是成本妥協：它可能購買了高峰值服務不中斷的選擇權。但如果平台服務無法保證尖峰可用或資料不能外送，式中的外部溢出就不可視為確定性容量。

7．形式化結果三：峰值需求、排隊與「低邊際」失效

7.1 服務容量與可靠性不能只用年度平均值決定

兩個團隊一年都可能需要十萬次推理，但其中一個均勻分散在十二個月，另一個集中在兩天交付高峰。即使年度 $Q$ 相同，對峰值 GPU、排隊、SLA、備援和失敗重試的要求也可能完全不同。

因此，自有設備和遠端服務的比較至少需要觀測：

到達率的平均值與高分位數；
請求長度、生成步數、模型路由及批次組合；
首 Token 延遲、完整回覆延遲與延遲尾部；
容許的排隊時間、停機與峰值失敗率；
多模型間是否可以共享容量、能否預留加速器與備援。

7.2 玩具排隊模型：容量極限附近的非線性

為展示機制，而非宣稱真實 LLM 平台符合某固定排隊分布，考慮一個到達率為 $\lambda$ 、服務率為 $\mu$ 的理想化單服務者 $M/M/1$ 系統，且 $0\leq\lambda<\mu$ 。其平均系統停留時間為：

W=\frac{1}{\mu-\lambda}

利用率為：

\rho=\frac{\lambda}{\mu}

隨 $\lambda$ 接近 $\mu$ ， $W$ 快速上升。這說明若服務者只計算「GPU 已買，所以再接一個請求幾乎免費」，便可能遺漏對使用者有實質成本的等待與服務品質退化。

明確限制：真實 LLM 推理包含多 GPU、多佇列、批次、連續排程、可變序列長度、快取、多優先級與異質任務，不一定符合 $M/M/1$ 假設。上述公式只是凸顯接近容量極限時不能忽視擁擠的最小反例。

命題 3（利用率提高不保證有效交付成本下降）

若更高利用率同時降低通過時效或品質驗收的有效服務量，則即使硬體忙碌率上升、每原始 Token 的物理運算成本下降，每單位可接受成果成本仍可能上升。

構造性證明。 設一服務系統在狀態 A 支出 100 單位，完成 100 個驗收成果；狀態 B 透過更高批次與更高設備忙碌率，支出 110 單位，原始輸出由 120 提高至 200，但其中只有 80 項符合延遲與品質門檻。則：

AC_A=\frac{100}{100}=1,\qquad AC_B=\frac{110}{80}=1.375

狀態 B 原始生成數增加，合格成果成本反而較高。此為假設構造，非任何實際服務商觀測值。證畢。

8．形式化結果四：可買到硬體，不推出可持有同等能力

8.1 先定義可行集合

令 $\mathcal F_O(D,\tau)$ 為在研究期間可合法透過自有設備、已取得模型權利、可用人才及技術方案，達成任務集合 $D$ 與服務條件 $\tau$ 的部署集合。令 $\mathcal F_R(D,\tau)$ 為可透過市場合法租用且符合相同條件的服務集合。

兩者可以部分重疊，但沒有一般性定理保證：

\mathcal F_O(D,\tau)=\mathcal F_R(D,\tau)

如果 $\mathcal F_O$ 為空，則不存在可以和租用方案作同等品質成本比較的自有部署替代品。不能以某種較弱的本地模型報價或購買幾張高階 GPU 的成本，宣稱「同等前沿服務的自建成本已知」。

命題 4（硬體取得不足以推出能力取得）

若某服務 $s$ 的實現除設備 $K$ 外，尚需未向購買者開放的權重或授權 $L_s$ ，而該權利是取得 $s$ 的必要條件，則單獨購得 $K$ 不足以保證 $s$ 屬於購買者的自建可行集合。

證明。 依假設， $K$ 是必要投入的一部分， $L_s$ 亦為必要條件。若 $L_s$ 缺失，即使 $K$ 充分，仍不滿足全部可行條件；故無法由設備可取得推定服務可重建。證畢。

解讀。 這不是聲稱某家公司永遠不會釋出權重，也不是否認開放模型可能縮小能力差距。它只指出「硬體價格」與「可合法取得的完整智能服務能力」不是同義語。

8.2 能力不可比也不意味無法替代任務

某任務只是產生符合格式的 NPC 對話、進行程式碼初步分類或低風險素材標記，較小的本地模型可能已達驗收品質。此時開發者無須重建全能前沿模型，仍能在特定任務域形成有效替代。

因此至少應分開兩種門檻：

**全服務等價門檻：**重建參照系統在指定全面服務集合的品質、延遲、並發、工具與治理；
**任務充分門檻：**只要滿足某一明確任務集合的交付要求即可。

任務充分不等於全服務等價。較小模型的合理部署，不構成「前沿通用模型自建門檻已消失」的證據；反過來，通用前沿服務難以完全重建，也不構成所有小型 AI 任務都不適合本地部署的理由。

9．多租戶共享為何能降低成本，也為何不能無限擴張

9.1 多客戶共享不是「把成本消失」

假設一座設備池服務 $m$ 個使用者，每位使用者的高峰需求並不完全同時到達。若總需求波峰可透過排程平滑，系統可用小於「每個使用者各建最大需求容量再相加」的設備提供服務。此為典型的需求統計多工與容量池化，其效益取決於需求共變、排程、服務優先順序及最低 SLA。

若所有客戶在同一時間要求最大負載，峰值可能高度同步，池化優勢便會減弱甚至消失。大型公共事件、熱門產品上線、同一時區的工作日、相同測試截止日，都可能讓客戶需求相關。不能把所有客戶視為相互獨立的隨機流。

9.2 平台能把跨期資本分攤到大量請求

平台一次部署設備與軟體，之後提供高頻率請求；對個人而言，則只購買自己使用的有限服務量。這使兩者的平均成本與現金支出可能差距很大。但要能長期持續，平台仍需承擔設備折舊、備援、研發與營運，並在所有客戶收入和資源負擔間達成某種資金安排。

**注意：**平台可透過規模提升效率，不代表任何規模都會持續產生經濟性。更大規模可能增加遠距傳輸、管理、網路壅塞、供電限制、組織複雜性和市場風險，故規模經濟必須經資料驗證，不能當作無界定律。

9.3 多租戶與異質服務等級

同一平台可能同時銷售低延遲互動服務、可等待的批次處理、長上下文推理、Agent 工具調用、即時多模態和高可靠企業服務。這些產品不能只以「每百萬 Token」比較資源需求。

可分別記錄：

\mathbf Q=(Q_1,Q_2,\ldots,Q_d)

以及：

C_p=C_p(\mathbf Q,K,x,\tau_1,\ldots,\tau_d)

不同 $Q_i$ 消耗的 GPU 時間、記憶體、路由、工具與網路不同。若跨產品要分攤共用固定資本，必須公開分攤規則並報告敏感度，不能靠一種人為權重就宣稱算出「唯一真實成本」。

10．推理工程如何進入經濟模型

10.1 Token、延遲與輸出長度的經濟非同質性

輸入 Token、輸出 Token、推理中間計算、長上下文 KV cache、工具呼叫及多模態處理並不具有同一物理成本。輸出可能需要序列化生成；輸入可受預填充處理與快取命中影響；某些 Agent 工作還可能在多輪工具與推理之間反覆調用模型。

因此，建議以工作負載向量而不是單一 Token 數表示：

\mathbf w=(n_{in},n_{out},n_{cache},n_{steps},n_{tools},n_{concurrent},\tau)

若缺少資料，不應假裝知道每個維度的精確係數。AICAP-01 已處理不同 Token 與可接受成果的分母，本篇重點在於該工作負載如何限制設備容量與推理成本。

10.2 批次排程、快取及量化是「生產函數」變動

下列技術可能改變每單位服務的資源需求：

**連續批次／排程：**將互相錯開的請求有效放入既有設備，但可能改變等待時間和吞吐—延遲權衡。
**KV cache 與前綴快取：**在可重用的條件下減少重複計算與記憶體浪費，但命中率依任務組合而變。
**量化與混合精度：**可能降低記憶體與運算負荷，卻需驗證在各任務的精度、穩定性與品質。
**模型路由：**將簡單任務交予較小模型，困難任務交予較強模型；若路由錯誤，驗收與重做成本可能增加。
**推理分工與工具外置：**搜尋、資料庫查詢或確定性演算法可不必每一步都經過大型語言模型；但也引入協調及驗證成本。

上述改良可讓 $C(K,x,\tau)$ 隨軟體 $x$ 改善而增加，或使 $V(Q;K,x)$ 降低；不必新增同等比例硬體。它們也是高固定投資在部署後仍有可能持續改善平均成本的原因。

10.3 不可把所有優化視為免費

服務軟體需要研究、測試、部署、回歸驗證、版本相容和維護。若某次優化提高吞吐、卻使高難任務答案更常錯誤，不能只報告 Token/s。若模型升級後不再符合舊客戶的行為或工具契約，移轉成本也應被記入。

這對小型企業尤其重要：有些本地推理最佳化看似省下雲端支出，卻花去昂貴的開發與驗收時間。是否真的合算，必須以可接受成果分母和完整時間帳衡量。

11．模型研發的跨期風險、資產淘汰與成本承受者

11.1 前沿研發不是每位 API 使用者都得重新支付一次

在模型產品線層次，研究、訓練、實驗、評估、部署、服務與持續更新形成跨期投入。若供應商有大量客戶，固定研發費可在長期由廣泛產品收入支持；但這不表示每筆交易必然已覆蓋其「合理」研發分攤。供應商可能依競爭、產品策略、容量與資本市場預期調整價格。

在核算上，應區分：

由供應商在歷史上實際發生的研發支出；
在某一期財務報表確認的研發或折舊費用；
為某產品線長期投資判斷而前瞻估計的再投資需求；
為估算單位服務成本而採用的管理性分攤。

不同項目不能互相冒充。若企業沒有公開一個模型專屬的投入與收入，研究者無法僅憑公司總研發費與總 API 用量推導模型的唯一單位成本。

11.2 技術淘汰可能推高有效資本成本

若一組設備原本預期可提供五年有競爭力的服務，但在第三年已因模型需求、效能或能源價格變化而必須更新，事前採用的五年攤銷將低估某些情境下的實際資本風險。反過來，設備可以延伸至其他推理、訓練、影像、科學計算或二手市場，也可能保有殘值。

在比較時應報告：設備有效經濟壽命、會計壽命、技術替換情境、殘值、維修可得性，以及可轉作其他負載的選擇權。只用購置價除以規格表上的峰值 FLOPS，無法得出有效的單位成本。

11.3 固定成本規模與產業集中：關聯，不是單因果定律

高額資本需求、專業人才、晶片供給、資料中心電力與模型權利，可能提高獨立進入某些市場的門檻；但若雲端租用、開放權重、軟體優化與專業分工改善，其他企業也可能在特定任務上提供競爭性服務。

因此需要分開研究「前沿通用模型的獨立建造者數量」、「可用推理服務的供給者數量」與「面向特定任務的實際替代選項數量」。 不宜僅看最前沿訓練公司的數量，便直接判定所有 AI 應用市場必然集中或壟斷。相關市場結構問題在 AICAP-05 展開。

12．透明情境計算：便宜租用與昂貴持有如何共存

本章所有金額、工作量、利用率與容量均為假設數值，目的是檢查方程式、分母及經濟直覺，不代表 GPT-6、任何 OpenAI 服務、NVIDIA 採購報價、特定雲端商價格或真實營運統計。

12.1 案例 A：中小企業的租用—自有門檻

假設同一品質與 SLA 的標準化有效任務，租用價格 $p=0.50$ 美元／件；自有部署每年的完整固定成本 $F=24,000$ 美元、每件可變成本 $v=0.12$ 美元，且有足夠服務能力的年可行產能 $\bar Q_O=75,000$ 件。固定成本假設已包含年金化設備、人員和相關固定支出，不額外再計入同一批設備購買價。

由命題 2：

Q^*=\frac{24000}{0.50-0.12}\approx63157.89

若任務需整數件，第一個使自有成本嚴格較低的整數用量為 63,158 件，且低於假設年可行產能。比較如下：

年合格任務量	全租用 $C_R$	自有部署 $C_O$	在指定假設下的較低成本
20,000	USD 10,000	USD 26,400	租用
50,000	USD 25,000	USD 30,000	租用
63,158	USD 31,579	USD 31,578.96	自有僅低 USD 0.04
70,000	USD 35,000	USD 32,400	自有
75,000	USD 37,500	USD 33,000	自有，但已到容量邊界

若年需求為 90,000 件，自有設備在假設的 75,000 件產能外不能自行處理所有任務。若外部等價容量能以每件 USD 0.50 的價格合法補足，混合方案為：

C_H(90000)=24000+0.12(75000)+0.50(15000)=40500

全租用則為 USD 45,000。但如果 75,000 是不能安全逼近的理論最大產能、或高峰需求要求額外備援，混合方案的真實可行量與成本都需重算。

此案例要證明的不是自有一定更划算，而是：同一經濟體系可同時存在「低用量者租用便宜」與「高用量者在足夠規模下自建更便宜」，不需要假設某一方的價格具有欺騙性。

12.2 案例 B：高固定資本在不同利用率下的平均成本

假設某服務設施年度固定經濟成本 $F=3,600,000$ 美元，在指定品質下年可行產能為 10,000,000 件合格標準化推理服務，且可變成本 $v=0.08$ 美元／件。僅比較可行產能內的固定成本稀釋：

年合格服務量	有效利用率	年總成本	每件平均成本
2,500,000	25%	USD 3,800,000	USD 1.52
7,500,000	75%	USD 4,200,000	USD 0.56
9,000,000	90%	USD 4,320,000	USD 0.48

這個案例只展示 $F/Q+v$ 的數學效果。最後一列不表示 90% 的持續利用率能維持同樣延遲、擁擠成本與可靠性。若服務品質隨之下降，正確分母應扣除未達標輸出，且應增加必要的 $S$ 與 $D$ 成本。

12.3 案例 C：帳面折舊與資本服務不是同一數字

假設設備期初購置價為 1,000,000 美元，無殘值、經濟使用期 3 年。若只做三年平均的直線分攤，每年為 333,333.33 美元；若以 10% 的年度資本機會成本計算年金化投入：

a(0.10,3)=\frac{0.10(1.10)^3}{(1.10)^3-1}\approx0.402115

則年度經濟資本服務約為：

F_K\approx402115\ \text{美元／年}

兩者不同，因為經濟年金化包含資本的時間價值。實際企業還可能有稅制、殘值、保固、融資、會計折舊和中途替換。此例不能用來宣稱企業必須在財報中以這個數字列支，也不能將年金化成本再加上設備原始購置價。

12.4 從數值案例讀出的真正邊界

三個案例說明：

單次租用便宜，不代表持有者的資本投入低；
固定成本高，不代表在高利用率下平均成本必然高；
平均成本下降，不代表峰值延遲或擴容成本無關緊要；
直線折舊和經濟資本服務不可無理由互換；
自建方案若缺少模型權重、合法授權或同等性能，其看似較低的成本數字沒有等價比較意義。

13．可反駁假說與競爭性解釋

H1｜固定投資稀釋假說

在模型品質、工作組合及服務等級不變的可比樣本中，若設備固定投入占比較高，提升有效利用率可能降低每合格成果的平均供應成本。

**反證條件：**擁擠、擴容、運維或品質損失令平均成本不降反升；或固定成本占比不足以形成明顯稀釋效果。

H2｜容量邊界反轉假說

在接近峰值容量時，推理平台的增量服務成本、尾部延遲或失敗率可能非線性上升，使原本的低邊際成本假設失效。

**反證條件：**自動擴容、彈性排程或模型優化在觀測區間內有效吸收需求，使增量成本與延遲仍近似平穩。

H3｜租賃—自有門檻存在條件假說

在相同成果品質及容量條件下，若租用每單位價格高於自建可變成本，自建方案可能於某個用量門檻後具較低平均成本。

**反證或限制：**固定成本、替換風險、人才維運或品質差異使門檻落在產能上限之外；或 $p\leq v$ ，根本沒有可達的交叉點。

H4｜全服務持有門檻高於任務充分門檻

對於多任務前沿模型服務，獨立重建完整功能、延遲、可用性和工具能力，可能顯著難於只自建一個足夠完成限定任務的模型服務。

**反證條件：**可取得的開放模型、低成本硬體和成熟運維系統，在相同全面驗收集合上實現等價能力。

H5｜軟體優化改變有效產能

在固定或近似固定硬體條件下，快取、量化、排程或模型路由改進，可能提高單位設備的驗收合格服務量。

**反證或限制：**改善僅提高原始吞吐，卻使品質、延遲或穩定性惡化，或者新增工程成本大於節省。

H6｜需求相關性削弱池化效益

多租戶需求高峰的正相關愈高，為維持相同服務水準而需保留的容量可能愈大，平均共享節省減弱。

**反證或限制：**跨地區、跨任務或不同服務級別的高效排程，能在實際樣本中有效分散相同高峰。

H7｜更高總資本投入可與更低單位成本共存

若服務需求增長快於單位資源成本下降，資本與能源總投入可以增加，且單位有效成果成本仍下降。

**反證或限制：**需求飽和、單位效率改善超過需求擴張，或資本存量替代使總投入減少。

H8｜成本比較對估值時間窗敏感

相同設備及任務，短期新增呼叫、年度採購與多年資本投資可能產生不同的成本排序。

**反證條件：**在高利用率、穩定價格、低資產替換風險及簡單合約條件下，各時間窗排名接近一致。

上述假說有的可由傳統經濟模型推出、有的需要工作負載與市場資料辨識；不能把一項機制的存在，冒稱整個 AI 產業已被實證。

14．實證研究設計：如何真正比較租用與擁有

14.1 四個對照組

在相同任務集合、驗收規格、時段及服務要求下，建立：

**API 租用組：**由外部前沿或指定模型服務直接完成任務；
**雲端 GPU 組：**租用原始算力，自行部署合法模型與服務軟體；
**自有設備組：**同一模型及可比較推理軟體，在自有設備上完成；
**任務充分替代組：**以較小模型、規則演算法與工具組合達成同樣任務驗收門檻。

第 4 組不是「全服務等價」組，必須在報告中明確標記。不同工作流可使用不一樣的技術，但驗收要求不能為了偏好某組而事後降低。

14.2 至少需收集的欄位

類別	最低欄位	防止的誤判
任務	任務 ID、複雜度、預設驗收標準、截止日	把不同難度工作混成一個分母
品質	接受／拒絕、理由、返工次數、最終成果	以生成量代替可接受產量
模型	名稱／版本、權重可取得性、授權、上下文、工具	用低能力系統冒充前沿等價
服務	平均及高分位延遲、吞吐、可用率、故障率	隱藏使用率與峰值的代價
設備	GPU／CPU、記憶體、互連、配置與可用容量	用晶片數冒充實際服務能力
現金	訂閱、雲租、購置、維護、電力、網路、人工	把不同採購契約混為同一價格
資本	年限、折現率、殘值、更新時點、使用替代性	把設備購買價當成單次推理費
使用量	峰值、平均、各任務類別、快取命中及排程	假設負載永遠滿載或均勻
風險	隱私、停機、資料轉移、模型下架、供給鎖定	漏算契約與能力取得限制
來源	供應商原始帳單、設備清單、功率量測、測試軌跡	把推測估計冒充真實成本

14.3 成本歸屬採分層雙報告

第一份結果：使用者私人成本。 訂閱、租用、電力、設備年金化、員工時間、驗證、整合與切換。若僅能取得公開價格，此份仍可進行，但必須清楚標明使用者看不到供應商生產帳。

第二份結果：供應商／資源成本。 需有設備、耗能、運維、資本服務及實際流量才可能估計。若無資料，應提供可識別上下界或情境區間，而不是用零當作未知項。

二者在供應鏈上會有交易重疊，不能把使用者付的 API 費與平台所有成本相加，便宣稱得到社會總成本。AICAP-03 將處理支付與收益歸屬；AICAP-06 將處理能源與外部性。

14.4 測試順序

步驟 A：能力等價性 Gate。 先證明能完成同一任務；若不能，保持「不可比」標籤。

步驟 B：可靠性 Gate。 固定模型、軟體及有效服務水準，量測吞吐、平均與尾部延遲。

步驟 C：成本 Gate。 同時記錄當期增量、年度完全成本與多年現值，報告不同利用率下的結果。

步驟 D：壓力 Gate。 模擬高峰負載、故障及容量不足，驗證成本是否跳變。

步驟 E：變更 Gate。 更換模型版本或硬體後，重新檢查能力等價與資本壽命；不得沿用已失效的舊單價作新的正式比較。

14.5 敏感度與識別問題

應至少對下列參數作區間敏感度分析：利用率、設備壽命、殘值、折現率、電價、PUE、工作負載、模型更新頻率、批次效率、失敗率及可接受成果率。若存在跨期價格下降，須固定比較日期或轉為具有明確預期的折現現值。

公開價格只能估算外部購買者的可觀測交易費率；若缺乏供應商成本結構、實際採購折扣與利潤率，不能識別其真實推理邊際成本。單一雲端價格頁也不能識別相同 GPU 在不同地點與合約下的完整成本。

15．與既有理論的銜接及不重疊界線

研究線	本篇輸出的新接口	不搶先處理的議題
AICAP-01	以 $Q_{\rm acc}$ 作成本可比分母；價格與成本分離	不重新論證訂閱和 Token 的每一類計價細節
CLATE-07	以有效算力租金、模型成本與驗證成本提供任務級智能價格輸入	不把 GPU 成本直接當人類工資或人的價值
HACTS-02	分離已付配額、可用容量與人類注意力時間	不把到期未用配額誤認為新增社會資源支出
ANIE-02	生產候選、整合、驗證、交付的成本門檻	不把生成量或 Agent 呼叫數當作完成產品數
AICAP-03	提供資本與推理成本帳，以辨識誰先支付、如何分攤	不提前宣稱所有低價服務依賴補貼
AICAP-04	提供本地與外部服務的可比任務成本基礎	不把所有任務視為同樣容易自動化
AICAP-05	分開使用權、模型部署權與能力重建權	不直接預言某一公司永久壟斷
AICAP-06	提供容量、利用率及電力資源計量	不把資料中心總用電直接當 AI 推理耗能
AICAP-07	提供跨時間窗、跨主體成本帳和可否證實驗	不先在本文宣稱全域資源淨節省已被證明

對於開發可組合式內容的 AI 原生遊戲，本文提示了一個特殊的經濟策略：開發者可在企劃、程式與高難研究上租用強模型，在大量規則明確、可驗收的資料處理上採任務充分的本地模型或傳統演算法。但這是待測試的工作流候選，不是對特定企業的採購建議；其成效應由整合成本、品質及市場可接受的最終遊戲衡量。

16．限制、適用域與反向情境

第一，沒有公開資料就不能替封閉前沿模型估算精確自建成本。 此成本可能不只取決於設備價格，更取決於模型可否取得、權利是否允許及是否有足夠工程能力。若模型權利不可取得，硬體採購成本不會自動提供同級替代。

第二，低平均成本不是低社會成本的同義語。 電網、晶片供應鏈、材料與公共資源外部性可能未被私人成本充分反映，但其大小需要獨立觀測，不能假設其永遠巨大或永遠為零。

第三，供應商高資本投資不直接證明虧損。 收入、折舊、現金流、投資時機與預期市場需求不同；本篇沒有足夠資料得出任一平台的產品別損益。

第四，軟體效率可以真實改善經濟成本。 開放模型、推理引擎、快取、批次、量化和模型路由，均可能在相同服務品質下降低資源需求。本系列必須允許這種結果，而不是堅持所有便宜都是幻象。

第五，規模經濟不是永遠單調。 從低利用率升到中高利用率可能節省固定成本；接近容量上限時，擁擠、冗餘要求及擴容可能使增量成本上升。

第六，獨立能力所有權包含權利與組織條件。 非技術資產、模型權重、授權、資料權利、人才和持續更新能力，可能比某一張 GPU 的報價更有約束力。

第七，租用有選擇權與依賴成本。 市場可取得性、供應中斷、價格調整、服務地區與版本退役，可能增加買方的不確定性；自有設備則承擔維護、折舊與更新風險。兩者沒有一般性的永久優劣排序。

第八，研究不能用實驗規則替代使用者體驗。 即便兩個模型在某一固定測試集上得分相近，也不代表它們在長程程式設計、遊戲世界內容生成或複合任務上自然等價。需要多層驗收與真實工作流驗證。

17．結論：昂貴的生產體系與廉價的使用權可以同時成立

本文的核心貢獻，在於將「AI 很便宜」與「AI 非常昂貴」這兩種常見斷言還原為不同的觀測對象。使用者購買的是在指定期限、配額及使用條件下的智能服務；供應商持有的是跨期研發、加速設備、機房、軟體與組織能力；能夠獨立重建同等前沿服務，還需要權重、授權、部署與持續營運能力。三者的取得成本不應預設相等。

在固定容量、正固定成本與足夠負載之下，平台每單位有效成果的平均成本可以下降；若需求接近物理或服務品質邊界，額外容量的增量成本又可能顯著提高。租用與自有的經濟比較只有在同一任務、品質、時間窗及合法性條件下才成立，且其交叉點可能根本不在可行產能之內。

對 AI 原生的小型內容生產者而言，真正重要的不是單純「用很少的錢得到超算」，而是理解自己所購買的是經由大型資本體系共享、調度與持續優化後的能力使用權。這個使用權可以帶來真正的生產力進步，也可能伴隨平台依賴、跨期投資壓力與更高的總體資源需求。哪一種力量占優勢，必須由有效成果成本、資本帳與社會資源帳共同驗證。

因此，AICAP-02 的研究判準可以濃縮為：

擁有智能生產體系的昂貴，不能直接推定租用一次智能服務的昂貴；租用智能服務的廉價，也不能直接推定獨立持有同等能力的廉價。真正需要追問的是：誰持有資本、誰承擔風險、多少合格成果分攤這些投入，以及低價使用權究竟購買到了哪些能力。

參考文獻與可核查公開來源

**資料截止與界線：**以下來源至 2026-11-03 查閱。企業財報、產業估計、硬體規格、研究論文及能源預測分屬不同性質，彼此不能直接相加。本文不以公開資料估算任何未公開模型的實際單次推理利潤或完整重建成本。

[R1] Cottier, B., Rahman, R., Fattorini, L., Maslej, N., Besiroglu, T., & Owen, D. (2025 revision). The rising costs of training frontier AI models. arXiv:2405.21015. https://arxiv.org/abs/2405.21015
用途：作為前沿模型訓練成本研究的公開估計，非供應商完整成本揭露；注意不同版本的信賴區間和作者名單差異。
[R2] Microsoft. (2026). Microsoft 2026 Annual Report, Note 6 — Property and Equipment. https://www.microsoft.com/investor/reports/ar26/
用途：企業層資產、折舊與資料中心相關投資；不可當作某模型或 API 的支出。
[R3] NVIDIA. NVIDIA DGX B200, 官方硬體規格。https://www.nvidia.com/zh-tw/data-center/dgx-b200/
用途：GPU 數量、記憶體與產品配置，非公開購置合約價格。
[R4] NVIDIA. NVIDIA GB200 NVL72, 官方系統規格。https://www.nvidia.com/en-gb/data-center/gb200-nvl72/
用途：機櫃級 GPU／CPU 配置與互連需求；效能宣傳數字不作普遍模型效能。
[R5] Google Cloud. GPU machines in accelerator-optimized machine family；機型與消費選項。https://docs.cloud.google.com/compute/docs/accelerator-optimized-machines
用途：說明租用算力也有機型、預留與計價結構差異；價格會動態調整。
[R6] Kwon, W., et al. (2023). Efficient Memory Management for Large Language Model Serving with PagedAttention. SOSP '23. https://doi.org/10.1145/3600006.3613165
用途：記憶體管理與批次吞吐的推理服務工程證據，不推廣特定加速倍率至所有模型。
[R7] Zheng, L., et al. (2024). SGLang: Efficient Execution of Structured Language Model Programs. NeurIPS 2024. https://proceedings.neurips.cc/paper_files/paper/2024/hash/724be4472168f31ba1c9ac630f15dec8-Abstract-Conference.html
用途：結構化推理程式、快取與執行排程的工程改善證據。
[R8] International Energy Agency. (2026). Key Questions on Energy and AI, Executive Summary. https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
用途：資料中心能源總量展望；不可視為 AI 推理用電的單次測量。
[R9] Stanford HAI. (2025). AI Index Report 2025 — Research and Development. https://hai.stanford.edu/ai-index/2025-ai-index-report/research-and-development
用途：固定能力門檻下的公開模型查詢價格變動，非平台成本。
[R10] MLCommons. MLPerf Inference: Datacenter, benchmark methodology and service scenarios. https://mlcommons.org/benchmarks/inference-datacenter/
用途：同時重視品質門檻、負載情境與效能測試；跨平台比較需固定 benchmark 版本及提交規則。

內部前置理論及文稿接口

AICAP_00_AI成本表象悖論_系列研究總綱_v0.1_2026-11-03.md：五層成本、全域帳本、系列研究切面。
AICAP_01_價格不是成本_AI訂閱推理計價與有效成果的分母_v0.1_2026-11-03.md：驗收分母、使用者交易價格、訂閱與 API 有效成果成本。
CLATE_07_智能時間價格與算力錨定工資_v0.1_2026-09-30.md：智能時間價格、算力錨定及有效任務成本。
ANIE_02_Quarterly_Single_Player_Product_System_AI_Industrialization_Quota_and_Verified_Delivery_v0.1_2026-10-16.md：AI 原生產品候選、驗證及交付的經濟分母。
HACTS-02｜額度重置與時間支配：當可用算力反向安排人類生活.md：固定訂閱、額度期限、時間主權與沉沒成本。

上述檔名僅作研究系譜定位，不表示原作者的全部理論主張被本篇重新驗證或取得其正式改版授權。

原始來源檢查與提交聲明

正式原稿為獨立保存之 UTF-8 Markdown 檔案；聊天室顯示不是 canonical source。
公式僅使用 $...$ 與 $$...$$，不以渲染文字重新產生原始碼；不做 unicode_escape 往返處理。
命題是在明示條件內的數學推論；示例數值均為假設情境，不是市場價格、企業私帳或 GPT-6 成本估計。
來源採可核查網址與文內標示，區分廠商規格、企業財報、產業估計及學術研究。
本篇提供理論與實證協議，尚未主張取得跨供應商實測、任何未公開模型權重或正式財務簽證。
本篇完成後的下一個論文主題，依 AICAP 總綱為 AICAP-03《誰替廉價智能付費：成本轉移、攤銷、補貼與跨期融資》。