title

智能能力取得的不對稱：平台依賴、算力所有權與退出選擇權

english_title

Asymmetry in Access to Intelligence: Platform Dependence, Compute Ownership, and the Option to Exit

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-05

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／資本所有權／不完全契約／平台轉換成本／技術自主性

provenance

承接 AICAP-00 至 AICAP-04；對照 CLATE-07、HACTS-02、ANIE-02；外部公開來源核對截至 2026-11-03

智能能力取得的不對稱：平台依賴、算力所有權與退出選擇權

Asymmetry in Access to Intelligence: Platform Dependence, Compute Ownership, and the Option to Exit

AICAP-05｜《AI 成本表象悖論》系列第五篇正式研究稿
**日期：**2026 年 11 月 3 日
**稿件性質：**理論與方法完整研究稿，附條件命題、證明、透明假設案例及可反駁實證協議；尚非已完成的跨企業因果估計。
**正式原稿：**直接保存之 UTF-8 Markdown，所有數學原始碼僅採 $...$、$$...$$。
**研究邊界：**本篇不以「平台依賴必然有害」「自建一定較好」「前沿模型權重可購得」為前提，也不對特定供應商的非公開成本或控制條款作推測性認定。

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

摘要

生成式人工智慧使個人、小型企業與研究者得以透過訂閱、API 或代管服務取得高度複雜的智能生產能力，而其直接付款可以遠低於自行建置相同規模的資料中心、模型研發團隊及推理基礎設施。此種接取價格下降，確實可能擴大創業能力與知識生產，卻不能直接推論使用者已取得同等的模型持有權、部署自由、版本控制權、算力排程權及服務退出能力。反之，高度集中於供應方的固定資本，也不表示租用服務必然造成不利依賴；規模經濟、可靠營運與模型性能進步可以使外部租賃相對於自建具有真實效率優勢。

本篇承接 AICAP-01 對使用價格與有效成果成本的分離、AICAP-02 對算力租賃及所有權門檻的區分、AICAP-03 對跨主體成本歸屬的分析，以及 AICAP-04 對品質驗收與持續責任的要求，將研究問題推進至智能能力的可取得性與可控制性為何不對稱。研究建立一個多維的「能力權利—部署可行性—品質等價—轉換成本」模型，辨析 API 使用、代管模型、開放權重部署、多供應商組合、完全自建及自行訓練六種不同安排，並以任務域、服務品質、法律權利、技術可行性、時間窗與有效成果作共同比較邊界。

本文提出九項條件性命題：使用權不推出資產所有權；轉換決策受到質量等價與一次性轉換成本制約；標準化能降低特定摩擦卻未必使總成本最小；可選擇供應商的權利在有資訊揭露與可執行條件下具有非負毛選擇價值；備援能否降低預期停機損失，取決於失效相關性；取得開放模型權重不代表可低成本自主部署指定前沿能力；既有使用者鎖定與市場集中度不能直接互推；低價租賃與昂貴自主部署可以同時是理性選擇；以及多供應商策略可能反而提高整合成本。上述結果均在明列假設內成立，不被冒充為所有 AI 市場的普遍定律。

研究最後提出九項透明反事實案例、十二項可反駁假說、分層量測協議及可用於成本帳本的最小資料契約。核心結論是：AI 時代的經濟差距，不僅可能表現為誰有錢使用智能，更可能表現為誰有權更換、保存、部署、改造及停止依賴特定智能供應鏈；但這種自主性的價值，必須與維持它所需的真實成本一併估算。

**關鍵詞：**AI 成本表象悖論；智能能力接取；平台依賴；算力所有權；模型權重；殘餘控制權；轉換成本；退出選擇權；多供應商；供應鏈集中；品質等價；備援；智能資本。

0．問題的精確定位：不是所有人都需要擁有超算

0.1 研究起點

假設一名獨立開發者以相對固定的服務費取得高階模型協助，完成遊戲企劃、程式與素材規格。從其可見帳單看，這可能是非常高效的生產方式。然而，他不一定取得該模型的訓練資料、參數、權重、內部推理服務程式、硬體排程權或離線重建能力；如果服務條款、可用模型、延遲、價格或能力邊界改變，其後續工作也可能受到影響。

該例展示的是「成果取得」與「生產能力控制」分離，不是供應商有任何違法或不正當行為的證據。若共享服務成本更低、性能更強、可靠性更高且合約可預期，租用對開發者可能仍是最有效的安排。把「不能自行訓練同等前沿模型」視為「AI 根本沒有創造效率」是錯誤比較；把「當期 API 很便宜」視為「可以永久、無風險地依靠同一服務」則是另一種錯誤比較。

0.2 與前四篇的邊界

這篇不再重複證明「單次 Token 價格不等於全成本」，而是問：當這個可購買的能力成為企業生產結構的一部分，企業實際取得了什麼選擇權，以及為維持這些選擇權承擔什麼成本？

0.3 五個不應偷渡的假設

1. 沒有自有資料中心的企業不一定缺乏產品自主性；契約、標準接口、可匯出資料與替代供應商可以提供一部分自主能力。
2. 持有加速器或擁有一個開放權重檔案，不代表能部署與特定封閉前沿模型品質、延遲及服務水準相同的系統。
3. 供應商市場份額高，不能在未定義市場與替代彈性前，自動推論其對每個買方均有市場支配力。
4. 轉換成本高，可能部分來自使用者專門投資的真實效率成果，不能全部視為不當鎖定。
5. 高度自主也不是免費的：自建維護、備援、保安、合規、人才與設備閒置均可能使它在特定規模下不划算。

1．現有研究：經濟理論與 AI 市場的雙重脈絡

1.1 產權不是「設備在誰手上」這麼簡單

Grossman 與 Hart（1986）對不完全契約與資產殘餘控制權的分析提醒我們：當契約難以事先列舉所有未來決策時，資產所有權所附帶的殘餘控制權可能影響投資誘因與事後談判 [E01]。但該理論不是說任何經濟活動都應內部化；所有權配置本身可能改善一方投資，同時削弱另一方誘因。

套入 AI 服務：擁有硬體並不必然擁有模型權重；持有權重也不一定能任意再授權或再訓練；持有推理程式不必然享有獨立的能源、資料與網路容量。因此，AI 生產能力涉及多層資產與多層權利的組合，而不是單一「擁有／沒有」的二元變數。

1.2 鎖定成本與事前競爭可以同時存在

Farrell 與 Klemperer（2007）綜述轉換成本和網路效果，指出企業可能在事前競爭客戶，即使消費者在事後面臨更高轉換成本。其文獻也明確討論了相容性、初期低價與市場競爭之間的張力 [E02]。因此，某家 AI 公司提供低廉入門價格或套件優惠，既可能是真正有效的獲客策略，也可能在某些市場形成後續轉換障礙；判定哪個解釋適用，需要個別實證。

1.3 2025 年雲端及 AI 合作調查提供具體觀察項目

英國競爭與市場管理局（CMA）於 2025 年 7 月完成雲端基礎設施市場調查，公開報告及附錄涵蓋技術轉換障礙、資料移出費用、授權實務與承諾支出協議；調查建議優先考慮針對主要供應商的特定數位市場地位程序 [E03]。其研究對象是英國的公共雲端基礎設施市場，不能直接當作某個 AI API 的市占率或具體違規判定。

美國聯邦貿易委員會（FTC）於 2025 年 1 月發布主要雲端服務商與生成式 AI 開發者合作關係的職員報告，觀察到資本、雲端採購承諾、技術權利與敏感資訊存取的複合關係，並提出對轉換成本與關鍵投入取得的潛在競爭影響 [E04]。這是市場結構的風險與機制證據，不是對所有合作關係非法或已造成實際損害的結論。

1.4 2026 年資料：高度資本化不等於靜止寡頭

OECD 於 2026 年 7 月的《Artificial Intelligence markets》報告指出，基礎模型市場近年具有一定動態競爭，但硬體、資料、雲端等層級仍存在結構性集中與長期風險 [E05]。另篇《Competition in the age of AI》從不同資料來源分析 AI 採用與市場競爭，呈現小公司機會及既有企業優勢並存的異質圖像 [E06]。史丹佛大學 2026 AI Index 報告所列的 2025 年產業模型生產佔比，也提醒我們前沿研發依賴組織型資源，但不應以此推算每個下游使用者的可替代性 [E07]。

1.5 開放權重不自動等於開放源碼 AI

Open Source Initiative 在《Open Source AI Definition 1.0》區分模型權重與具可修改自由的完整 AI 系統，並列出與訓練資料資訊、原始碼及參數相關的要求 [E08]。本篇因此嚴格分開「可下載權重」「開源 AI」「可商用授權」「可在指定硬體部署」以及「與指定模型有可比品質」，不把其中一項當成其他各項的充分條件。

1.6 合規與操作風險是交易的一部分

NIST 2024 年生成式 AI 風險管理簡介將第三方模型、資料、軟體元件與價值鏈整合列為重要風險面向 [E09]。本篇將此作為供應商替換需要驗證權限、資料及治理條件的支持，而非聲稱 NIST 已為本篇經濟模型提供量化參數。

歐盟 Data Act 自 2025 年 9 月起適用，並對雲端等資料處理服務的轉換與相容性設置規定；歐盟官方說明指出 2027 年 1 月將進一步取消特定雲端轉換收費 [E10]。其適用範圍及例外需要以實際法律與契約判定；這些規則不代表使用者因此取得封閉模型權重或保證任何 AI 服務完全可替換。

2．研究單位：誰取得哪一種能力？

2.1 六類取得安排

以上是互有重疊的經濟安排，不構成依序遞增的「文明等級」。例如 D 不一定比 A 更便宜，E 不一定比 B 更安全，F 亦不保證能達到既定的前沿任務品質。

2.2 能力不是單一分數

令需求方為 $i$，候選供應安排為 $j$，任務域為 $d$，觀察時點為 $t$。定義其可測服務品質向量：

各維度的單位並不相同，因此不可直接求和當成「模型強度」。應先由任務定義驗收限制集合 $\mathcal{Q}_{idt}$，再判定安排 $j$ 是否符合：

其中 $F_{ijdt}=1$ 只代表指定任務、時間及測量規則下可行，不表示其他領域也等價。安全與法規限制應另列硬性條件，不能只因平均品質高就忽略。

2.3 權利向量：接入與控制分開

本篇定義研究性權利向量：

八個分量分別代表合法使用、匯出必要資料、檢視必要元件、修改模型或工作流、自主部署、控制排程、指定版本與退出／切換的契約權利。可以先以二元、類別或條件式權利記錄；若要量化為 $[0,1]$，必須說明何種可觀察行為代表分數，不得以主觀平均分冒充法律權利。

特別地， $r^{\mathrm{export}}=1$ 不代表 $r^{\mathrm{modify}}=1$ ；同樣， $r^{\mathrm{use}}=1$ 也不代表 $r^{\mathrm{deploy}}=1$。任何兩個向量是否具更高自主性，需先指定所重視的維度、替代方案及約束。

2.4 使用者、AI 開發者與雲端供應方的不同層級

• 下游使用者的焦點是服務中斷、工作流遷移、資料保留、成果品質與價格變化。
• AI 應用開發者的焦點是模型接口、工具能力、企業資料、輸出契約與最終產品品質。
• 模型開發者的焦點是訓練運算取得、權重、人才、研發投資及算力夥伴。
• 雲端及加速器供應方的焦點是資本規模、硬體產能、互連、能源、設備使用率及契約關係。

不同層次的某一方可能同時是其他層次的買方。不能把「某應用商受模型 API 約束」與「某模型商受特定雲端合作契約約束」混成同一依賴率。

3．平台依賴的六種來源：不要將一切歸咎於價格

3.1 技術與接口依賴

特定 API 可能有不同消息格式、工具調用方式、檔案處理方法、上下文管理、錯誤碼和輸出限制。使用者若大量依靠專有接口，轉換時不僅須改動程式，也須重新驗證成果品質。即使兩個平台聲稱兼容某個接口，也不代表語義、模型行為與可用工具完全等價。

3.2 內容、歷史及資料依賴

對話歷史、檢索索引、工具呼叫紀錄、評測集、業務資料、向量表示與執行證據，可能儲存在不同系統。需要區分資料所有權、匯出能力、語義可讀性、第三方合法權利與重建索引的費用。資料可以帶走，卻不一定能在另一個模型上恢復完全相同的行為。

3.3 流程與組織依賴

團隊可能為特定模型建立提示策略、審查慣例、驗收器、工具鏈與人員訓練。這些是具有價值的互補性投資；轉換時部分投資可能失去專用價值，但它們也可能使原流程比通用設計更高效。鎖定感不等於全部是供應商施加的障礙。

3.4 契約、權限與定價依賴

承諾採購、折扣門檻、最低消費、速率限制、資料留存、合約解除與區域供應可能改變可行的選擇集合。應把明示的契約條款與研究者推測分開；也不能憑公開價目表推定個別企業的實際折扣或獨家義務。

3.5 品質與能力依賴

若某項任務只有少數服務能達到可接受品質，改用其他模型可能增加返工、審查、延遲與法律風險。這是一種能力約束，不一定是刻意不相容。新競爭者的技術進步也可能使這種依賴迅速減少。

3.6 時間與可用性依賴

新版本推出、舊版本終止、服務故障或容量收緊，均可能使既有工作流面臨變更成本。對於不要求固定模型版本的消費者，供應商持續升級可能創造顯著收益；對受法規或可重現性約束的流程，同一升級也可能形成重驗成本。

4．從「可用」到「可退出」：時間化成本模型

4.1 必須先固定可比較的任務集合

以 $\mathcal{D}_{it}$ 表示使用者 $i$ 在時點 $t$ 的任務集合， $n_{idt}$ 表示某類任務需要完成的數量。兩種模型或服務的比較只能在相同驗收規格下進行：如程式必須通過相同測試、文件必須具相同可稽核性、遊戲資產必須符合相同授權及引擎限制。否則較便宜的方案可能只是交付了較簡單的商品。

4.2 每單位有效成果的完整私人成本

令 $A_{ijdt}>0$ 為同一期間、同一任務集合上通過指定驗收的成果數；令 $P$ 為支付給服務商的費用， $H$ 為人類必要投入， $V$ 為驗證、 $I$ 為系統整合、 $G$ 為治理及合規的可歸屬成本， $M$ 為發布後維護及預期必要修補成本。定義：

此式是指定帳本邊界下的私人有效成果成本。若 $P$ 已含雲端推理費用，就不能再把服務商的同一筆 GPU 電費作為使用者直接支出加總；若研究的是全社會資源耗用，則須重新建立跨主體帳本並消除內部移轉，遵循 AICAP-03 的雙重計數警戒。

4.3 一次性轉換成本

從安排 $j$ 切換至 $k$ 的成本，以具方向性的 $S_{i,j\to k,t}$ 表示：

右側各項均按同一期間、貨幣與機會成本邊界核算；必要時對可重用資產記錄殘值，避免先將總投資全額列入、再額外把同一資產減損重複計入。上式刻意不將「不喜歡新供應商」計為可檢證的經濟成本，除非可依品質、風險或實際投入量測。

轉換成本常具有非對稱性： $S_{i,j\to k,t}$ 不必等於 $S_{i,k\to j,t}$。不同方向可能需要不同資料清洗、員工訓練、授權解除及回歸測試。

4.4 未來服務依賴成本

設 $R_{ijt}$ 為使用安排 $j$ 在當期對應於服務中斷、版本變更、錯誤或不可交付的預期損失，並明確區分已在 $\bar C^{\mathrm{acc}}$ 中計入的返工，避免重複計算。對一條供應策略 $\pi=(\pi_0,\ldots,\pi_T)$，以折現因子 $\delta\in(0,1]$ 定義前瞻總成本：

此處 $C^{\mathrm{acc,total}}$ 為該期合格任務的成本總額，不是前式的單位成本； $S$ 只在真正轉換時支付，初始安排沒有前期供應商時置零。可行策略還必須滿足品質、權利、預算及安全約束。這是研究性期望成本模型，不是已有資料識別的企業實際最適化演算法。

4.5 何謂「退出選擇權」？

本篇把退出選擇權定義為：當某服務品質、價格或可用性發生變化後，需求方仍可在合法、技術可行與可承受成本下，將相關任務交給其他安排完成的能力。它不要求使用者擁有所有硬體，也不要求任何替代方案與原模型完全相同。

研究上至少要分別量測：

• 名目退出：合約是否允許解除、匯出與遷移。
• 技術退出：必要資料、工具與接口是否能轉換。
• 能力退出：候選服務能否通過原品質驗收。
• 財務退出：總轉換成本是否在可承受界線內。
• 時間退出：能否在業務所需時限內完成遷移。

這些構成多維的退出可行域，而非用一個「主權分數」代替。

5．形式化命題一至三：接取、轉換與標準化

命題 1｜服務接取權不充分推出資產控制權

**命題。**在存在權利可分割契約的世界中，擁有某模型服務的合法使用權，不充分推出對該模型權重、模型更新或部署基礎設施的所有權。

**條件。**至少存在一份合法契約，明確提供輸入—輸出服務，而將權重、內部程式及部署操作保留於其他主體。

**證明。**構造契約 $K$，買方支付一定價格後取得服務輸出，且 $r^{\mathrm{use}}=1$ ；契約未將權重或部署權移轉，因此 $r^{\mathrm{deploy}}=0$。此構造滿足合法接取卻不滿足持有。故「可使用」推不出「可持有」。同理，持有硬體也不能單憑硬體購置推得某專有模型權重使用權。證畢。

**意義。**此命題是邏輯上的非蘊涵，不證明某具體平台存在不合理條款，也不判定哪種取得方式更便宜。

命題 2｜相同品質、單一期間下的轉換臨界點

**條件。**兩項安排 $j,k$ 在同一任務及指定服務品質下可完全替代；未來恰需 $N>0$ 件可驗收成果；每件的完整前瞻成本分別為 $c_j,c_k$ ；一次性切換成本為 $S\ge0$ ；沒有其他差別、折現或風險。

**命題。**從 $j$ 切換至 $k$ 的嚴格成本改善條件為：

**證明。**留在 $j$ 的成本為 $Nc_j$ ；轉往 $k$ 的成本為 $S+Nc_k$。切換較便宜當且僅當 $S+Nc_k<Nc_j$。移項即得。若相等，兩者在已列成本下無差異。證畢。

**限制。**若兩項服務品質不同、切換過程會造成重大風險、任務量未知、存在最低消費或分段費率，須回到第 4 節動態模型，不能套用本條線性門檻。

命題 3｜降低接口摩擦不充分推出較低總成本

**條件。**在固定可比品質下，採行標準化方案需一次性成本 $I\ge0$ ；它能使切換成本降低 $\Delta S\ge0$，但也可能引入每期額外維護或效能成本 $L\ge0$。比較期間共 $T$ 期，折現因子為 $\delta$。

**命題。**只有在下式成立時，單就成本而言標準化嚴格改善：

**證明。**標準化所帶來的可核減少為 $\Delta S$，新增成本是 $I$ 與折現維運成本之和。相減所得淨節省為正，即為上述不等式。若標準化造成品質下降，其重驗或失敗成本還必須增加至右側。證畢。

**反例。**若某團隊預估接口轉換一次最多節省 100 記帳單位，而先建抽象層需 200 單位且無其他收益，則為了純粹降低切換費而建置抽象層，在此期間內不是成本較低的方案。

**經濟含義。**標準化增加選擇可能性，但是否值得投資，取決於未來切換需求、使用頻率與品質成本；它不是應對平台依賴的無條件處方。

6．形式化命題四與五：退出選擇權與備援相關性

命題 4｜資訊到來後的免費選擇具有非負毛價值

**條件。**未來世界狀態為隨機變數 $\omega$，需求方在各狀態下可選擇集合 $\mathcal{J}$ 中的安排，收益為 $U_j(\omega)$ ；在狀態揭露後仍可無成本選擇，且所有選擇均符合法律和品質約束。

**命題。**可在觀察狀態後選擇的期望收益，不低於事先固定單一安排的最高期望收益：

**證明。**對任何固定 $k\in\mathcal J$ 及任何狀態，均有 $\max_j U_j(\omega)\ge U_k(\omega)$。兩側取期望後對 $k$ 再取最大值，得所示不等式。證畢。

此命題並未聲稱維持替代供應商無成本。若為保留切換資格需持續支付兼容、備援或授權費，淨價值可為負。資訊不充分或切換需要時間，也可能使形式上的選擇集合不能在實際業務中行使。

命題 5｜兩供應商備援的收益取決於失效相關性

**條件。**主要與備援服務的失效事件分別為 $F_1,F_2$ ；只有兩者同時失效才造成同一筆損失 $D>0$ ；備援新增成本 $B\ge0$，且忽略切換延遲或其他額外風險。

單供應商預期損失為 $D\Pr(F_1)$，雙供應商預期損失為 $D\Pr(F_1\cap F_2)$。備援的淨成本改善當且僅當：

**證明。**單供應商總預期損失為 $D\Pr(F_1)$ ；加入備援後為 $B+D\Pr(F_1\cap F_2)$。後者小於前者即得。證畢。

若兩者獨立、單一失效機率均為 $p$，共同失效機率為 $p^2$，毛風險節省為 $D(p-p^2)$ ；若完全同源且同步失效，共同失效機率仍為 $p$，備援在此模型下不降低損失。共用上游雲端、同一外部工具或同一身份系統，可能使表面上的「兩家供應商」實際具有共同故障點。

**界線。**獨立失效是假設，不是對真實雲端供應商的估計；災難復原還需考慮服務品質、資料一致性、恢復時間與責任分工。

7．形式化命題六至九：開放權重、集中度、混合配置與多供應商

命題 6｜持有權重不充分推出指定能力的自主供應

**條件。**取得權重檔案但缺少至少一項必要條件：合法商用權利、推理軟體、足夠容量、適合的加速器、可靠維運，或能通過指定任務品質門檻的模型性能。

命題。「持有可讀取模型權重」不足以推出「可在指定品質與時間窗內，自主供應等價前沿智能服務」。

**證明。**構造一個取得合法權重但只有不足以在需求期限內完成推理的硬體配置，或其模型在指定驗收集未達門檻的情形。權重取得為真而完整供應能力為假，故非充分條件。證畢。

此命題亦不推出開放權重沒有價值：若任務容忍較低性能、可量化部署、資料敏感度高或具離線需求，開放權重仍可能是合理甚至優勢明顯的投入。

命題 7｜市場集中度不能單憑其值識別單一買方的鎖定成本

**條件。**使用同一市場定義、相同供應者收入份額以及相同名目市場集中度，但允許買方接口、資料持有及轉換政策不同。

**命題。**同一集中度統計量可以對應不同的買方退出成本，因此集中度本身不足以識別買方的實際鎖定程度。

**反例證明。**構造兩個假想市場，兩者供應者份額均為 70% 與 30%，集中度相同。市場甲允許無成本導出資料及跨商兼容，且品質相同；市場乙要求大量重建不可移動的工作流程，造成正的轉換成本。兩者份額相同，個別買方的 $S$ 卻不同。故由集中度唯一推算鎖定成本的映射不存在。證畢。

同理，買方遭遇高轉換成本，不能單憑此事實認定供應商違法濫用市場地位；這仍需市場定義、契約內容、競爭反事實及司法標準。

命題 8｜不同任務下，混合供應可能嚴格優於單一供應

**條件。**有兩類任務 $a,b$，兩種供應安排 $x,y$，各自均在指定任務的驗收要求下可行；不考慮切換與整合費；成本滿足 $c_{xa}<c_{ya}$ 且 $c_{yb}<c_{xb}$。

**命題。**把任務 $a$ 指派給 $x$ 、任務 $b$ 指派給 $y$，其成本嚴格低於只用 $x$ 或只用 $y$。

**證明。**混合成本 $c_{xa}+c_{yb}$。由 $c_{yb}<c_{xb}$ 可得其小於全用 $x$ 的成本 $c_{xa}+c_{xb}$ ；由 $c_{xa}<c_{ya}$ 可得其小於全用 $y$ 的成本 $c_{ya}+c_{yb}$。證畢。

如果一種供應安排在特定任務未達品質要求，應從該任務的可行集合排除，而不能把其較低費用當成「便宜且可替代」的證據。

命題 9｜多供應商總成本不保證比單供應商低

**條件。**採用多供應商增加非負的兼容、監控、合規與運維成本 $K$，並可能失去原有批量折扣；因分工與可靠性所創造的可核節省為 $G$。

**命題。**多供應商嚴格降低成本的必要且充分條件，在此簡化比較下為 $G>K$。

**證明。**多供應商相對單供應商的淨節省等於 $G-K$。正值代表降低成本，零為無差別，負值代表成本增加。證畢。

**補充。**若新增的是法律上必需的地域分散、不能以金額完全衡量的災難容忍度或隱私硬約束，應優先滿足可行性，再在可行解中比較成本。不能用這個簡式否定法律或治理的必要性。

8．透明反事實案例：九種「便宜」與「自主」不一致的情形

**共同聲明。**以下皆為研究模型的假設情境，數字採任意記帳單位；不是 2026 年真實 API 報價、GPU 市價、私有企業合約、模型成功率或任何特定供應商的財務資料。除特別指出外，成本僅比較指定任務、期限與已通過相同驗收條件的方案。每個案例都刻意限制一個問題，不得合併成「AI 產業平均」數據。

案例 A｜替代服務便宜，轉換仍可能不划算

某企業以每件合格成果 10 單位的完整成本使用供應商 A；供應商 B 可按相同品質每件 7.5 單位提供。但遷移資料、接口及重驗需要一次性 5,000 單位。

同一組服務價格、同一個轉換費，在不同任務規模下產生相反決策。若 B 不能通過品質要求，整個比較直接失效；若 S 可以由既有可重用接口降低，也應重新計算。

案例 B｜「有選擇」的價值不等於「永遠選最便宜」

假設明年有兩個各占一半機率的世界狀態：狀態甲的供應商 A 成本為 0、B 為 100；狀態乙的 A 成本為 100、B 為 0。若今天必須永久指定一個供應商，期望成本為 50。若能待狀態揭露後無成本選擇，期望成本為 0，毛選擇價值為 50。

現在假設保留雙供應選擇需先支付兼容與測試費 30，則期望成本為 30，相對固定單供應商節省 20；若該費用為 60，期望成本升至 60，反而比固定一方昂貴 10。這說明選擇權毛價值非負，不代表維持選擇權的淨價值必然為正。

案例 C｜同等品質的假設下，租用與自建依規模逆轉

假設某項本地可部署模型，已經在指定任務達到與 API 相同的驗收品質。外部 API 每件合格成果成本 4 單位；自有系統需一筆符合觀察期的設備與導入成本 3,000，另每件支付 1 單位的持續維運與能源成本。此處 3,000 不是歷史已沉沒的全新設備原價重複加計，而是假想當期決策所需的前瞻固定成本。

但一旦取消「相同品質與可合法部署」的假設，本案例不再支持自建優勢。設備可買、模型可用、合規與人才可得是獨立限制；AICAP-02 已詳述固定成本與利用率，本例只說明它如何成為自主安排選擇的前提，而非再次推導前篇的產能經濟學。

案例 D｜便宜開放權重可以是備選，卻不是所有任務的替代品

設一項受監管的文件流程要求在指定測試集合上達到預先註冊的合格門檻 0.95。某封閉服務測得 0.97；某可本地部署的開放權重方案測得 0.88。即便後者每次運行費用更低，它在當前規格下仍不屬於可行集合。

但對另一個可人工快速修訂、門檻為 0.80 的日常草稿流程，後者完全可能成為可行甚至更低成本的選擇。由此得出的是按任務分工，不是「開放模型一律落後」或「封閉模型永遠不可替代」。本案例的品質數字完全為演示所設，不對應任何具名模型。

案例 E｜備援改善可靠性，取決於共同故障

假設單一供應商在指定期間的服務失效機率 $p=0.08$ ；一次嚴重中斷造成 10,000 單位的有效損失，備援維持成本為 300。單供應商的預期損失為 800。

• 若兩個失效事件在模型假設下獨立，聯合失效機率為 0.0064；備援預期損失為 64，加上備援成本後為 364，比原來低 436。
• 若兩個供應商存在完全相同的故障來源，聯合失效機率仍為 0.08；備援預期總成本為 800＋300＝1,100，比原來高 300。

真實服務的失效多半既非完全獨立，也非完全同步。若兩供應商共用身份系統、同一雲端區域、同一家基礎模型或同一個付費／調度接口，必須量測實際共同故障率，不能憑兩個品牌名稱推定備援有效。

案例 F｜多供應商與失去批量折扣

某企業把 1,000 件同等品質工作集中在平台 A，享有每件 3 單位的折扣，總支付 3,000。若改用兩個平台，各承接 500 件，單件可見費率為 2.8，表面支付降至 2,800。但維護兩套接口、監控與評測的額外成本是 500，總成本變成 3,300，比單一平台高 300。

若雙平台另有經驗資料支持的中斷損失節省超過 300，組合策略又可能較合理。不能只用名目費率判斷，也不能僅因「多平台＝更自主」就認定必須採用。

案例 G｜任務異質性讓混合策略優於純粹的「全雲／全本地」

假設兩類任務各有十件，全部已滿足相同的類內品質要求，但不同任務有不同最有效服務。

若混合接口與驗證新增固定費 25，總成本為 45，低於任何單方案；若固定費變成 35，總成本 55，便不如全用 B 的 50。這是命題 8 與命題 9 同時成立的例子：按任務分工可能有巨大收益，但整合成本可能吞噬全部優勢。

案例 H｜可匯出資料不代表遷移沒有成本

一家團隊可免費匯出 2,000 條經過合法授權的文件及聊天紀錄。儘管匯出本身零費用，轉往新模型後仍需：重新建立檢索索引 700、修改舊工作流程 300、重新驗證輸出及權限 200，總計 1,200。若已改用標準化資料格式可減少其中部分工作，仍須逐項核算而非直接宣稱「完全無鎖定」。

若資料包含第三方授權、私人資訊或不可跨地區傳輸的內容，更應先確認合法性；任何成本試算都不能使不合法的轉移變成可行。資料可攜與能力可攜是兩個不同問題。

案例 I｜已預付的當期決策與下一期採購決策不同

某企業已為當期服務預付 3,000 單位且無法退款，剩餘可用容量足以完成 600 件合格成果；追加使用在假設中不產生新增帳單。此時外部替代供應商每件 2 單位，轉換需 1,000。若沒有品質、可靠性及風險差別，為完成本期已涵蓋工作而轉換需再支出 2,200，並無經濟必要。

若進入下一期，原方案需重新付費 3,000，而切換方案總計 2,200，則前瞻選擇可以改變。前期 3,000 不應重新加在本期單項轉換決策上；但它也不代表服務商本期推理資源成本為零。這正是 AICAP-01 與 AICAP-03 的時間帳原則在平台依賴議題上的延伸。

8.1 案例所不能證明的事情

以上最多展示模型內的可行反例與門檻敏感度。它們不能識別：特定 AI 公司實際鎖定了多少企業、開放權重模型的平均品質、平台轉換在 2026 年的全產業費率、某單一供應商的成本或 AI 市場結構的合法性。把假設數字當成市場估計，將違反本系列的成本帳本原則。

9．從靜態依賴到動態路徑：不可逆投資與重新議價

9.1 選擇供應商時，也在選擇未來的可能集合

企業今天採用某服務，不只支付本期價格，也可能投入專用資料索引、工作流程、團隊知識、業務流程及自動化合約。這些投入可能提高今天的效率，同時提高明天的轉換摩擦。若未來所有品質和價格都能事先寫入完全契約，資產專用性不一定構成嚴重問題；當模型能力、法規、工具與市場價格變化難以預期時，不完全契約與重新議價才更重要 [E01][E02]。

9.2 靜態「省下的錢」可能忽略風險與機會

一項 API 現在每件便宜 2 單位，並不直接告訴使用者它在三年內是否比較好。至少需估計：未來任務量分布、換供應商的條件及費用、服務退出的概率、價格與品質狀態變化、需求方可否合法匯出資料，以及為保留多種供應方案持續支付的維護費。

同樣，也不能把全部遠期不確定性加成到今天的 API 費率後，直接宣稱供應商的內部實際成本變貴；那是買方選擇風險的經濟價值，不是服務商現期 GPU 成本的會計數字。

9.3 路徑依賴與合理不切換

若使用者已建立高度專用且可靠的工作流程，即使外部市場出現稍便宜的供應商，仍可能因重驗及遷移成本而選擇不切換。這可能是理性決策，不需要推定買方缺乏資訊或服務商不當限制。

反過來，當供應商升價幅度很大、產品出現不符規格的改變、替代模型品質顯著提升或可移植工具成熟時，原先的鎖定效應可能快速縮小。平台依賴是一個隨時間變化的條件關係，不是一次測量後永久不變的「市場宿命」。

9.4 升級權與版本確定性的張力

前沿模型服務通常能提供持續更新、修補及新功能，這是租用共享服務的可能好處。但對需要長期可重現的實驗、法務文書或企業合規流程而言，每次底層模型變動都可能需要重新驗收。

這時的關鍵不是「拒絕升級」，而是把功能收益、模型版本控制、評測證據、向下相容性與最短維持服務期間放入契約和工作流。不同產品應依其風險與驗收要求決定版本策略，不能把所有應用都套入「最新模型必然最優」或「必須永久凍結舊模型」的二分框架。

10．智能所有權與產品自主性的四種不對稱

10.1 資本所有權與模型能力不對稱

某企業能買到 GPU，卻可能無權使用某封閉模型權重；某企業能取得開放權重，卻沒有足夠高頻寬記憶體與專業人員部署；某企業能訓練專用模型，卻未必能完成同等通用前沿能力。這些都屬於不同投入缺口。AICAP-02 所說的持有門檻，不能縮減成「買一台伺服器需要多少錢」。

10.2 市場接入與產品自主性不對稱

產品公司可以高度依賴某個模型 API，但若其核心資料、工作流規則、驗收器、客戶關係及商業邏輯由自身掌握，且有可用的備選服務，仍可能保有相當程度的產品決策自主。反之，即使某團隊自購設備，如果其所有任務和營運都依賴唯一外部授權的權重或資料，也不一定具備真正可退出的能力。

這意味著「智能產品自主」至少須分成資料自主、模型自主、部署自主、商業自主與治理自主，不應把任一項當成總結論。

10.3 產業資本集中與使用權擴散不對稱

高額研發資本集中於少數企業，可能使外界只能經由服務存取最新能力；但同時，共享式出租能讓大量小型企業免於重複投資昂貴設備，並取得原本難以使用的智能產能。兩種現象可以同時成立。其福利效果要看競爭壓力、使用權公平性、技術進步、替代程度、資源分布與後續市場演化，而不能從「少數公司持有硬體」直接推出社會必然受損。

10.4 當期可負擔與長期可退出不對稱

某個低價訂閱對小企業非常有利，卻仍可能因資料、插件、工作流、模型特殊能力或合約期限而形成切換成本。在同一任務中，當期付款比較低與未來選擇集合比較狹窄可以共存。是否值得維持替代方案，須依第 4 至 9 節成本與風險條件評價。

11．適用於 AI 原生小型企業的可驗證原則

本節以單機遊戲、內容生產與企業資料工作流為方法示例，不宣稱已取得任何一家公司的保密成本數據，也不要求把遊戲企劃改造成一個大型 AI 基礎設施專案。

11.1 保留可驗證的產品狀態，而不是只保留模型回答

例如內容組合式遊戲包含人物關係、世界事件、技能、素材許可、遊戲存檔和驗收案例。即使 AI 幫忙產生文字或程式，產品的權威狀態也應以可存取、可版本化且可重播的資料形式保存。這能減少更換模型時，因對話上下文或工具記憶遺失而無法延續的成本。

11.2 將「模型智能」與「產品規則」分離

• 模型可以提出候選事件、對話、程式碼與修復方案。
• 世界真相、角色條件、遊戲規則、合法素材、驗收測試及上線資格，應由產品可稽核的資料與規則作最後裁決。
• 更換模型時須測試候選生成是否仍能通過規則，而不能直接用「同樣能回答」推定無須回歸測試。

這種架構可能提高可移植性，但也有額外前期工程成本；規模過小的產品未必值得建立過度抽象的通用編排平台。

11.3 分任務使用不同智能能力

創意發想、超長程程式協作、格式整理、圖像前處理、基礎分類與嚴格形式驗證，並不要求完全相同的模型能力。可用高能力模型處理高價值而低頻率的困難任務，讓較便宜或可本地運作的模型承擔明確、低風險、可自動測試的工作；必要時使用傳統演算法而非強行模型化。

這不是「所有小模型都能替代大模型」的主張，而是用任務異質性維持可承受的能力來源組合。

11.4 選擇備援須通過故障域測試

聲稱擁有兩家供應商，不代表風險必然分散。至少確認：供應商是否共用同一雲端或身份依賴、同樣的模型權重／上游服務、相同金流認證、相同重要外部工具，以及切換時資料是否合法且來得及恢復。

11.5 避免以自主名義無限擴張專案

如果某功能每月只需極少的有效模型任務，自行建一套高維護模型服務可能浪費資本；更佳做法可能是利用可重用格式、保留資料與替代接口，直到可觀察任務量足以支持更深入部署。退出選擇權可以分層建立，不必一次就購入完整算力設備。

12．十二項可反駁假說：讓依賴判斷接受資料檢驗

以下 $H_{05.k}$ 為本篇提出的條件性經驗假說，不是觀察完成的實證結論，也不是預設所有企業將出現相同趨勢。每項都應在事前註明任務、品質、時段與可用樣本，且可被資料推翻。

12.1 假說的競爭性解釋

• 供應商比較優勢：不切換不一定是鎖定；可能原供應商真正提供更好產品。
• 使用者能力差異：技術成熟團隊可能同時更願意跨平台、更能有效使用 AI，單純相關性有選擇偏誤。
• 任務異質性：法律、遊戲、資料分析與科學推理的驗收條件不同，不能按模型呼叫數比較。
• 契約分層：企業採購價、免費試用與一般個人訂閱可能完全不同。
• 研發週期：模型進步可能使現有替代性迅速改變，歷史依賴不必永遠持續。
• 反向因果：因為需要高度可控的工作流，企業才投資多供應商，而非多供應商自然帶來成熟治理能力。

這些替代解釋須事前登錄並在研究設計中處理，不得於不利結果出現後任意改寫假說。

13．實證研究協議：從可觀察任務到制度性依賴

13.1 三個不同層級的問題

**層級一：任務級成本及品質。**觀察單個任務如何在多供應安排下完成，評估生成、驗證與返工的完整成本。這承接 AICAP-04，但需要加上模型移植與版本改變後的重新驗收。

**層級二：專案級轉換能力。**觀察既有資料、程式、測試、工具與團隊是否能在給定時限內遷移。此層不能只靠 API 請求延遲或 Token 價格判定。

**層級三：產業級競爭與所有權。**觀察雲端、模型、晶片、資料與下游應用的投入、契約及市場結構。此層不能拿某個小型專案的遷移成本直接外推成全體市場支配力。

三個層級分別建立資料，再用明確的跨層假設銜接；不得讓同一樣本兼任所有因果證據。

13.2 可行的任務級比較實驗

選擇經授權的非敏感任務集合，先固定任務難度、驗收器、品質門檻、測試時段及風險規則。將可以互換的工作隨機分派給單一前沿 API、經合法部署的開放權重方案及任務分工組合；各組應使用同等規格與獨立盲驗程序。

建議記錄：模型或服務版本、任務輸入長度、工具使用、實際 API 付款、推理與等待時間、人類驗證及整合時數、合格成果數、重試次數與維護期失敗。任務不能因一組方案達標較困難便改用較寬鬆驗收規則。實驗前須明確界定哪些組合在法律或品質上不可行，不得用失敗方案的低花費與成功方案的完整成本比較。

13.3 專案遷移測試

針對已存在的合法測試專案，建立具有類似資料量及業務流程的複本，測試：

1. 原始資料與必要中繼資料能否完整匯出。
2. 新服務能否讀取、轉換並合法使用資料。
3. 原工具調用、世界狀態更新或業務工作流是否需要改寫。
4. 遷移後能否通過相同的單元、整合、端到端及人工品質驗收。
5. 轉換時有多少停機、資訊遺失、資源重建與後續維護。
6. 若需退回舊服務，反向遷移是否有不同成本。

在對照組保留原始服務及原工作流。報告至少包括「成功遷移」「部分成功」「品質不合格」「契約限制」「技術不可行」五種結果，避免只留下成功案例。

13.4 事件研究與自然實驗

若服務公開調整價格、模型版本、額度或區域供應，可建立事件前後資料。設事件發生前期為負時間，觀察供應商切換、API 用量、替代品使用、任務放棄與有效成果成本變化。唯在研究者有可信外生衝擊、適當對照群與可比品質時，才進一步作因果解釋。

需要注意：價格調整可能同時伴隨模型能力升級或企業自身需求變化，單純的前後差不等於因果效果。服務事故也可能改變風險偏好，不能把短期大量遷移推論為長期穩態市場競爭程度。

13.5 敏感度與部分辨識

完整轉換成本通常有不可直接觀察的項目。建議先給可審核上下界 $S_L\le S\le S_U$，而非憑一個問卷數字當成真值。在命題 2 的條件下：

則對界內所有可能 $S$ 均有轉換成本優勢；若

則在所有可行 $S$ 下切換都不節省成本；介於兩界時，現有資料不足以定論。這是一個簡單的部分辨識規則，可避免用虛假的精確度掩蓋資料缺口。

此外，品質門檻、失效相關性、任務價值、模型壽命、折現率、合約期限與團隊技能均應設定敏感度範圍，至少報告結論在哪些範圍內反轉。

13.6 社會福利評估不能把支付當作資源消滅

購買 API 的付款是買方成本、賣方收入；自建時購買硬體又是另一組資金與資源關係。評估全社會成本不能把買方付款、雲端收入和同一筆被折算的 GPU 電費全部視為互不相關的額外社會支出。必須結合 AICAP-03 的交易邊界和真實資源投入帳本。

同樣，若混合式部署節省人類工時，應檢驗釋放的工作時間是否轉為其他有價值活動，而非自動宣稱這些時間百分之百變成社會福利。利益分配、勞動替代、消費者剩餘與外部性，還需按適用域分帳。

14．最小資料契約：平台依賴的可稽核記錄

下列 JSON 為資料欄位提案及非實測示例，不代表任何供應商 API 的正式 schema。欄位應按企業資料政策進行脫敏、加密與必要最小化，不存放秘密金鑰或第三方敏感內容。

{
  "schema": "aicap05_access_dependence_v0.1",
  "record_id": "hypothetical_case_001",
  "record_status": "HYPOTHETICAL_EXAMPLE",
  "period": "2026-Q4",
  "task_domain": "structured_content_validation",
  "quality_contract_id": "qc_demo_01",
  "workload_units": 1500,
  "candidate_arrangements": [
    {
      "arrangement_id": "provider_A_pseudonym",
      "access_type": "api",
      "quality_feasible": true,
      "rights": {
        "use": true,
        "data_export": true,
        "model_modify": false,
        "self_deploy": false,
        "version_control": "contract_dependent"
      },
      "cost_per_accepted_unit": 10.0
    },
    {
      "arrangement_id": "provider_B_pseudonym",
      "access_type": "api",
      "quality_feasible": true,
      "rights": {
        "use": true,
        "data_export": true,
        "model_modify": false,
        "self_deploy": false,
        "version_control": "contract_dependent"
      },
      "cost_per_accepted_unit": 7.5
    }
  ],
  "migration": {
    "source": "provider_A_pseudonym",
    "target": "provider_B_pseudonym",
    "directional": true,
    "one_time_cost": 5000.0,
    "cost_basis": "hypothetical_accounting_units",
    "revalidation_required": true,
    "migration_verified": false
  },
  "reliability": {
    "failure_correlation_estimated": false,
    "joint_outage_sample_size": 0
  },
  "privacy": {
    "has_secrets": false,
    "contains_user_records": false
  },
  "evidence": {
    "source_kind": "illustrative_counterfactual",
    "empirical_measurement": false,
    "audit_status": "NOT_MEASURED"
  }
}

14.1 正式紀錄至少要有哪些關鍵

14.2 與 AICAP 其他帳本的銜接

交易費用在 AICAP-01 和 AICAP-03 中已有明確意義，本篇只追加來源、可移植性、契約及退出成本。使用者向模型商付款不能作為全社會實體資源耗用重複加總；同一遷移工時若已列入人工投入帳，也不能再在「退出成本」下加一次相同工資。對每項成本應保留唯一事件識別碼與核算邊界，使跨篇報表可以建立視圖而非重新複製支出。

15．產業與制度含義：維持選擇不是要求市場零集中

15.1 智能接取擴散與資本集中可以共存

低價 API 可能使創業者獲得過去需大型團隊與研究機構支援的能力。即便基礎設施依然集中，這種服務擴散仍可能代表真實的交易成本下降與市場准入改善。若要進一步判斷資本收益的分配和長期競爭風險，則需看市場可進入性、技術替代、價格形成和權利安排，不能僅由單一指標導出普遍結論 [E05][E06]。

15.2 合規可攜與自願市場相容可能互相強化

在適用法律範圍內，雲端轉換、資料可攜、可讀格式與互通標準，可以減少特定技術障礙 [E03][E10]。但標準化程度更高，並不等於模型性能、權重取得、合法訓練資料、企業審計或用戶信任自動跟上。制度作用應以具體退出費用、遷移結果及選擇集合變化衡量。

15.3 開放技術與商用平台不是單一零和關係

開放權重能提供研究、在地部署或備援可能性，但其授權、資料資訊、訓練重現與商業可用性不必完全相同 [E08]。商業封閉服務能透過集中維運、安全維護和高使用率提供強能力與低單價；它也可能使買方依賴模型商的版本與容量安排。經濟分析應研究這兩組優缺點在何種任務中成立，而不是預先選擇所有權形式作為政治或道德勝負。

15.4 對監管與競爭研究的含義

應區分特定契約、技術互通與市場結構，並將法律適用地域、日期及責任主體記錄清楚。CMA 與 FTC 的研究可提供研究變數，如承諾採購、技術障礙、資料移出與合作投資，卻不足以將本篇的數值情境升格為對某一家廠商的違法判定 [E03][E04]。

16．理論失效條件、反方向情境與適用界線

本篇的推論在以下情境應被縮小或重新估計：

1. **模型能力迅速趨同。**若低成本替代模型在主要任務上達到等價品質，能力依賴可能減弱。
2. **服務高度標準化。**若所有關鍵資料及接口均可無障礙移植，技術鎖定可能接近零；但契約與可靠性差異仍可存在。
3. **自身需求極低。**維護任何本地模型或雙供應商均可能比直接購買單一高品質服務昂貴。
4. **法律禁止某些部署。**即使技術與資金允許，非法方案仍應從可行集合移除。
5. **重要失效高度相關。**增加供應商名稱不一定增加有效備援。
6. **模型品質難以穩定測量。**若任務驗收器不可靠，就不能以一個單一成績宣稱能力等價。
7. **產品交付不依賴持續模型服務。**如一次性生成完畢、經測試後獨立運作的遊戲資產，供應商退出可能僅影響後續開發，不影響已出貨產品的當下使用。
8. **具有長期合約與特殊價格。**個別大客戶可能具不同條件，零售報價不足以推估退出與補貼。
9. **獨立研發產生額外外溢收益。**本篇較簡化的私人成本模型不包含全部技術知識外溢，不能用它直接否定基礎研究的社會價值。
10. **政策與競爭條件突然改變。**市場狀態、新的互通制度與法規例外，會使過去測得的轉換成本不再代表當前決策。

本篇最核心的可撤回主張是：在具有重要能力差異、轉換摩擦與契約不完全的市場中，取得智能輸出的價格與取得持續自主控制能力的成本可以顯著分離。 若未來多數指定任務可在毫無質量、法律、資金及遷移障礙下互換所有供應方案，這種分離就可能趨近零；研究應接受此反證，而不是將其重新命名為隱形依賴。

17．結論：真正值得核算的是能否在不中斷成果的條件下改變依賴

本篇不把「AI 廉價」歸結為某家公司的財務補貼，也不把「高度昂貴的超算」直接轉換成買方的每次推理成本。更準確的分析應分別核算：使用權的價格、每單位合格成果的完整成本、基礎資本的所有權、服務合同的控制範圍，以及當某項服務不再可用或不再滿足需求時，需求方是否仍有合法、有效且可承受的替代路徑。

九項形式化命題展示，在明確條件下，接取與所有權確實不等價；切換存在與使用量及品質相關的臨界點；標準化與多供應商可能增加或減少成本；退出選擇權具有非負的毛價值但非無成本；備援效益受共同故障支配；取得權重、集中度及可見低價均不足以直接判定完整自主性。實際市場存在多少這些摩擦，仍須用資料辨識。

對依靠前沿 AI 建立產品的小型團隊而言，重要的不是強迫自己變成超算公司，而是知道哪些能力可以租用、哪些狀態與成果應由自己保存、哪些依賴可通過標準化減少、哪些昂貴的備援其實沒有價值，以及何時值得真正持有模型或算力。

最終命題：可負擔的智能接取可以擴張個體的生產能力；但能否在供應條件改變時保存成果、替換能力並繼續作出選擇，才決定這種生產力有多少能被轉化為可持續的經濟自主性。

參考文獻與可核查公開來源

以下僅收錄本篇已核對主題及網址的公開來源。引用時保留其地理、年份與研究對象，不把政策簡報、監管調查、學術論文與產業報告視為相同證據強度。

• [E01] Grossman, Sanford J., & Oliver D. Hart (1986). “The Costs and Benefits of Ownership: A Theory of Vertical and Lateral Integration.” Journal of Political Economy, 94(4), 691–719. DOI: 10.1086/261404. https://www.journals.uchicago.edu/doi/10.1086/261404 。本篇用於殘餘控制權與不完全契約的理論背景，不表示原作者研究 AI 平台。
• [E02] Farrell, Joseph, & Paul Klemperer (2007). “Coordination and Lock-In: Competition with Switching Costs and Network Effects.” Handbook of Industrial Organization, Vol. 3, pp. 1967–2072. DOI: 10.1016/S1573-448X(06)03031-7. https://ora.ox.ac.uk/objects/uuid%3A68b00ac5-311d-4350-8a50-43f2cdd45c0e 。用於轉換成本、相容性與事前／事後競爭機理。
• [E03] UK Competition and Markets Authority (2025). “Cloud services market investigation,” final decision published 31 July 2025. https://www.gov.uk/cma-cases/cloud-services-market-investigation 。範圍是英國公共雲端基礎設施；轉換費用及技術障礙附錄屬調查材料，不是單獨的 AI 模型市場判定。
• [E04] US Federal Trade Commission (2025). “FTC Issues Staff Report on AI Partnerships & Investments Study,” January 2025. https://search.ftc.gov/news-events/news/press-releases/2025/01/ftc-issues-staff-report-ai-partnerships-investments-study 。為特定合作關係的結構及潛在競爭問題觀察，不推論全部合作均違法。
• [E05] OECD (2026). “Artificial Intelligence markets: Recent developments and competition issues,” policy brief, 10 July 2026. DOI: 10.1787/d531d73f-en. https://www.oecd.org/en/publications/artificial-intelligence-markets_d531d73f-en.html 。強調動態競爭與結構風險並存。
• [E06] OECD (2026). “Competition in the age of AI,” 30 July 2026. https://oecd.ai/en/ai-publications/competition-in-the-age-of-ai 。用於 AI 採用及市場競爭的異質性背景。
• [E07] Stanford Institute for Human-Centered Artificial Intelligence (2026). The 2026 AI Index Report. https://hai.stanford.edu/ai-index/2026-ai-index-report 。本篇僅引用 2025 年值得注意的模型多數由產業生產的描述，不據此推論個別模型成本。
• [E08] Open Source Initiative (2024). Open Source AI Definition, version 1.0, released October 2024. https://opensource.org/ai/open-source-ai-definition 。區分開放權重與完整開放 AI 所需的可修改形式及權利。
• [E09] Autio, Chloe, et al. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1, 26 July 2024. DOI: 10.6028/NIST.AI.600-1. https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence 。涉及第三方模型及生成式 AI 價值鏈風險。
• [E10] European Commission (2025–2026). “Data Act explained.” https://digital-strategy.ec.europa.eu/en/factpages/data-act-explained 。說明 Data Act 自 12 September 2025 適用，以及特定雲端轉換費用的分階段規則；具體法律效力以適用法與契約為準，非對封閉模型權重移轉的授權。

內部前置研究與概念溯源

• [I01] AICAP-00，〈AI 成本表象悖論：低價智能、超算資本與全域資源帳本〉，2026-11-03；本篇沿用五層成本觀察及不預設高資本等於高邊際成本的原則。
• [I02] 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；提供有效成果的價格與成本分母。
• [I03] AICAP-02，〈智能租賃與超算資本：高固定成本、低邊際成本及持有門檻〉，v0.1，2026-11-03；提供租用、自有部署和能力等價的前置框架。
• [I04] AICAP-03，〈誰替廉價智能付費：成本轉移、攤銷、補貼與跨期融資〉，v0.1，2026-11-03；提供跨主體資源事件、會計與交易去重方法。
• [I05] AICAP-04，〈從工時到有效成果：人機協作的完整成本與品質邊界〉，v0.1，2026-11-03；提供驗收、返工與任務品質比較契約。
• [I06] CLATE-07，〈智能時間價格與算力錨定工資〉，v0.1，2026-09-30；本篇不將平台議價能力當成完整智能勞動價格。
• [I07] HACTS-02，〈額度重置與時間支配：當可用算力反向安排人類生活〉；用於區分已購額度、可用時間及前瞻採購。
• [I08] ANIE-02，〈季度單機產品制：AI 工業化、算力額度與品質交付率〉，v0.1，2026-10-16；用於區分 AI 生成候選、可重用資產與真正交付。
• [I09] FFRPG01 三份 2026-11-03 設計補充：百年生命與一次性角色扮演、狀態耦合對話事件、跨系統組合式內容。僅用作具體工作流案例，不聲稱已驗證完整商業遊戲的供應商退出成本。

內部文件的列名與關聯僅為研究系譜與概念銜接，不以內部草稿冒充外部實證，也不宣稱本篇已修改其他系列原始稿件。

原始 UTF-8 來源與研究狀態聲明

1. **研究稿狀態：**本篇為完整理論與方法研究原稿，包含九項條件命題、九組透明案例與十二項可反駁假說；不是已完成的市場實測或財務核證。
2. **數學原始碼：**唯一 canonical delimiter 為行內 $...$ 與獨立區塊 $$...$$。不從聊天 UI 的公式渲染內容產生正式原稿，不做 unicode_escape 形式往返。
3. **來源日期：**公開材料以 2026-11-03 為核對界線；使用的市場份額、模型產出與法律時點均須保留各自原始年度。
4. **價格與成本：**所有示例均為任意記帳單位或明確標示的假設，無一可充當真實模型單價、獨立部署成本或企業合約內容。
5. **可否證性：**現有模型若與品質可比、真實遷移成本、相關故障及制度證據不符，應按已定義假設修正，不能以新名詞掩蓋失敗。
6. **提交規則：**完成 UTF-8 讀取、YAML front matter、LaTeX 定界符、引用鏈、JSON 範例與算術案例檢查後，方能標記為已提交的正式 Markdown source artifact。

**系列銜接：**AICAP-06〈電力、晶片與反彈需求：AI 的資源代謝〉，將另行研究單位效率改善與總需求增加的共同可能性；不在本篇提前假定能源反彈效應的實際大小。

收束命題：當智能可以被廉價租用時，經濟自主性的稀缺部分，未必只是買下機器，而是保有在條件改變後仍能重新選擇生產方式的能力；選擇權不免費，但失去選擇，也未必能從每月帳單看出代價。