title

AIBT-02｜算力資本密度、能源約束與參數量悖論

english_title

Compute Capital Intensity, Energy Constraints, and the Parameter-Count Paradox: Toward Quality-Adjusted Returns on AI Infrastructure

series

AI 泡沫、產業重整與文明適應論

series_code

AIBT

document_id

EML-AIBT-2026-02

series_position

Core Paper 02 / 12

version

v0.1

date

2026-10-31

concept_by

Neo.K

research_collaboration

GPT-6

institution

EveMissLab／一言諾科技有限公司

status

完整研究原稿／可否證概念模型；未經同行評審；2027–2028 年情境尚待實證

canonical_source

UTF-8 Markdown; LF; no BOM

canonical_math_delimiters

single-dollar inline; double-dollar display

evidence_cutoff

2026-10-31 Asia/Taipei; no post-cutoff evidence

parent_document

AIBT_00_研究總綱_AI泡沫產業重整與文明適應論_v0.1_2026-10-31.md

previous_paper

AIBT_01_AI泡沫不是技術終結_估值現金流與投資回收期限_v0.1_2026-10-31.md

next_paper

AIBT-03｜地緣政治不是無限資本支票：國家競賽與企業利潤的分歧

AIBT-02｜算力資本密度、能源約束與參數量悖論

Compute Capital Intensity, Energy Constraints, and the Parameter-Count Paradox: Toward Quality-Adjusted Returns on AI Infrastructure

系列：《AI 泡沫、產業重整與文明適應論》（AIBT）第一部・第二篇
理論提出： Neo.K
研究協作與整稿： GPT-6
機構： EveMissLab／一言諾科技有限公司
版本： v0.1｜2026 年 10 月 31 日
證據截至： 2026 年 10 月 31 日（臺灣時間）
文件類型： 技術經濟學／計算架構／能源與供應鏈／可否證研究設計；不是個別公司的財務、投資或工程部署建議。

作者： Neo.K
日期： 2026-10-31
原稿狀態： 完整研究原稿／可否證概念模型；未經同行評審；2027–2028 年情境尚待實證

摘要

人工智慧基礎設施競賽經常以訓練運算量、參數數量、GPU 數量與資料中心投資總額描述技術力量，但這些指標均不能直接替代「可驗證任務能力」、「完成同等品質任務的總成本」，更不能直接替代「可持續的投資回報」。本研究提出參數量—有效能力—資本負擔三重非等價假說：在具體任務與部署條件下，擴大模型總參數、單次激活、預訓練 FLOPs 或硬體資本密度，可能提升某些能力，卻不保證每單位新增資源帶來相同比例的可定價、可交付、可驗證的能力增益。因而，當能源、電網、記憶體、高階封裝、機房、折舊與融資限制同步變得重要時，架構最佳化、訓練資料品質、固定算力重分配、後訓練、工具與外部記憶、系統軟體最佳化，可能由研究選項轉變為成本紀律的一部分。

本文沿用 AIBT-01 已建立的金融時鐘區分，但把研究層次由股權估值轉至實際運算與物理支撐鏈。依國際能源署 2026 年 4 月更新的預測，全球資料中心用電由 2025 年約 485 TWh 上升至 2030 年約 950 TWh，AI 導向資料中心的需求成長更快；但預測數值不是 2030 年已發生的用電。2026 年 ICLR 的架構與稀疏模型研究，也已提供固定訓練預算下的效率改善證據，同時有研究指出部分邊緣硬體上稀疏模型未必節省實際延遲或能源。因此，本文不宣稱 Scaling Law 失效、不宣稱可以停止所有前沿訓練、更不宣稱 2027 年必然出現算力支出崩盤。它要建立的是可以真正比較不同投資與計算路徑的研究程序。

核心結論（候選）： AI 的下一單位能力，應以其新增的可驗證工作價值、端到端計算成本、物理資源占用及回收期限共同定價；單獨擴張總參數或設備規模，既不是充分的技術成功條件，也不是充分的商業成功條件。

關鍵詞： 算力資本密度、參數量悖論、有效計算負擔、總參數與活躍參數、模型架構、訓練／推理成本、GPU、HBM、能耗、電網、資料中心、固定算力實驗、單位合格成果成本、資本回收、AI 科技樹。

Abstract

This paper separates four quantities too often conflated in discussions of frontier AI: parameter counts, training and inference compute, validated task capabilities, and commercially recoverable returns on physical infrastructure. It advances a conditional parameter–capability–capital non-equivalence hypothesis: scaling parameters, training FLOPs, accelerators, or site power may improve performance, but need not preserve quality-adjusted economic efficiency across workloads and deployment regimes. Drawing on 2026 IEA electricity analyses, compute-optimal scaling literature, ICLR 2026 architecture studies, memory-aware systems research, and bounded MoE benchmarks, the paper defines resource accounting, controlled comparisons under fixed compute and fixed quality, a full-capital cost criterion, and prospective falsification tests for 2027–2028. Its central methodological recommendation is to compare architectures by validated tasks per dollar, kilowatt-hour, constrained GPU-hour, and unit of scarce infrastructure, with uncertainty and externalities disclosed. It neither disproves scaling laws nor predicts inevitable industry-wide contraction. Distinct model capability, infrastructure investment, deployment, and societal benefit clocks remain central to the AIBT research program.

0. 研究定位、來源接口與不主張事項

本篇是 AIBT-00 所定 12 篇核心論文中的第 02 篇。AIBT-01 已論證：技術持續改善與資本市場回報可以分離。AIBT-02 進一步問：當 AI 專案需要新一批 GPU、HBM、電力與建設時，是否存在在相同物理資源下取得更多有效能力、或者以較低總資源達成相同品質的競爭路徑？

本文直接承接四項既有研究：

1. AIBT-00：要求同品質、同算力、同資本預算比較，並設反證。
2. AIBT-01：將資本支出、折舊、自由現金流、融資期限與技術能力拆開。
3. ICHSIA_01_Parameter_Count_Is_Not_Computational_Burden_v0.1.md（2026-09-22）：將總參數、激活、記憶體、搬運、路由、上下文及協調負擔分開；其自創架構方案為內部候選研究，不能視為已有第三方實驗證實的性能結果。
4. SAS-01／EWDT-19：智能能力或 AI 資本投入的上升，不等於支撐自身發展的能源—硬體—製造—資源系統已形成可持續的物理正向再生閉環。

本篇採 AIBT 共通證據標記：OBS（可核對觀測）、DEF（操作定義）、HYP（候選假說）、SCN（明示假設情境）、NOR（規範判斷）。所有自創公式均為研究計量框架而非宣稱已估得的自然定律。

0.1 不主張事項

1. 不主張「參數愈多必然愈差」或模型擴張已無法改善能力。
2. 不主張 Chinchilla、MoE、FlashAttention、外部記憶及工具使用能在所有問題上互相替代。
3. 不主張相同名義 FLOPs 便有相同真實成本；也不把 GPU 理論峰值當成可持續有效運算量。
4. 不主張所有公司資本支出均用於前沿預訓練；多數支出亦支持雲端、網路、儲存、推理及既有業務。
5. 不主張單次 token 耗能下降必然使資料中心總用電下降。
6. 不主張稀疏模型只有少數活躍參數，便能忽略全部專家權重、HBM、通訊和服務延遲。
7. 不主張本地訓練、雲端 API、專用 ASIC 或液冷方案存在跨企業通用的單一最佳答案。
8. 不主張 2027 年資本支出增速放緩，等於絕對支出下降、全球用電下降或 AI 技術退步。
9. 不主張既有算力可免費或無限次重新利用；改良、搜尋及驗證也消耗時間、算力與人力。
10. 不主張任何單一 ICLR 小模型實驗可直接外推至尚未公開之最大前沿模型。
11. 不主張企業財務收益增加可直接推出文明正和；電網、環境與其他用戶承擔的成本仍需計入。
12. 不主張 2027–2028 年的具體財務、能源與模型結果已被觀測，或本篇已有完整因果識別。

1. 研究主問題：到底是在擴張智能，還是在擴張支撐智能的資本？

「新模型參數更大」與「新模型在任務上更好」可能具有關聯，但不等價；「投入更多 GPU」與「可分配至客戶的有效能力更多」也不等價；「有效能力更多」與「企業淨利潤更多」仍不等價。

考慮四個彼此相關而不重合的變數：

• $K_t$：指定期間已投入且可用的 AI 資本與物理能力；
• $Q_t$：在預先固定任務、品質與可靠性門檻下，實際可交付的有效智能工作量；
• $C_t$：在生命週期與外部性口徑下的全成本；
• $R_t$：從外部客戶或可核查內部節省中實際形成的可歸因現金收益。

最簡單的非等價命題為：

這兩句不是說兩者沒有正向關係，而是提醒研究者必須對增加的投入、增加的能力及可收取的報酬分別設置可觀察指標。

1.1 「可定價智能」的條件

模型在公開 benchmark 進步，可能同時因客戶已具備足夠能力、競爭者降價、錯誤成本過高、需要人類監督或客戶缺乏預算，而無法收取原先預期的溢價。反之，數值上很小的精度改善，在醫療驗證、晶片設計等高價值窄任務中可能很有價值。故不能單純以 benchmark 分數差衡量商業邊際價值。

研究需同時報告：所對應任務與品質門檻、實際採購者、付費意願、錯誤成本、服務可得性、持續交易與替代供應商。

2. 算力資本密度：定義與物理產業鏈

2.1 資本密度不是 GPU 張數

DEF-01｜算力資本密度： 在明確時間、土地、能源與可交付運算口徑下，為維持特定 AI 運算能力所需承諾的設備、機房、能源連接、冷卻、網路、儲存及相關資產價值。單純設備採購金額不足以代表投入後的可用能力。

候選研究指標：

其中 $K_{\mathrm{committed}}$ 為同期、同邊界下攤配於 AI 工作的承諾資本， $Q_{\mathrm{verified}}$ 為固定品質條件下的合格成果數。這個比值是資本強度，不是一般會計上資本密度的唯一標準；未通過品質門檻的產出不得加入分母。跨領域任務不能任意相加，須以同一籃子、相同權重或分領域報告。

另一項更接近機房物理稀缺性的指標是：

其中 $P_{\mathrm{reserved}}$ 為可維持的供電容量（kW 或 MW）； $D_P$ 的單位必須依成果定義明示，不能把它當作同一時段全部能源消耗。供電容量與消耗電量是不同物理量。

2.2 支撐鏈及失配半徑

此表研究的是資源的互補與限制關係。例如，購入 GPU 並不自動使電網增加可供電量；反過來，有電網容量也不能代替 HBM。某一產業鏈企業擴張期可能高度獲利，並不等於它與模型開發商承擔相同財務風險。

2.3 已知觀測：2026 年的電力與投資

• OBS [S01]： IEA 2026 年 4 月《Key Questions on Energy and AI》記錄 2025 年全球資料中心用電約 485 TWh，中央情境預測 2030 年約 950 TWh，約占當年全球用電 3%；AI 導向資料中心用電預計增長更快。前者是估計的已發生基準，後者是條件性預測。[S01]
• OBS [S01]： IEA 指出大型科技公司的資本支出在 2025 年超過 4,000 億美元，2026 年還可能再增加約 75%。不同公司、不同期間與不同研究機構的資本支出估計，不得與 AI 專屬預訓練成本直接畫上等號。[S01]
• OBS [S01]： IEA 指出 AI 導向資料中心在 2025 年的用電成長較全體資料中心更快；高頻寬記憶體、變壓器、配電、接入及許可可能限制短期擴建速度。IEA 在 2026 年的評估預期 HBM 緊缺可能至少持續到 2027 年底，屬當時前瞻判斷。[S01]
• OBS [S02]： IEA 2026 年 9 月《Modernising Grids in the Age of Electricity》指出現有電網需同時滿足擴建與更高利用率要求；AI 可提升預測、調度及維護，但不能省略安全、工程認證與實際部署。[S02]
• OBS [S03]： IEA 2026 年 10 月《Powering Artificial Intelligence》指出資料中心接入成本可能透過費率轉移給其他用戶，也可能在使用既有閒置容量時有相反效應；需要在契約、容量承諾及費率制度中分配風險。[S03]

解讀界線： 以上證據支持「物理建設及金融條件是限制變數」，並不支持「全球 AI 必定遭到限電」、「每一處資料中心都虧錢」或「所有新增用電都由模型訓練造成」。

3. 參數量悖論：從語義比喻到可否證研究命題

3.1 先承認 Scaling Law 的有效範圍

Scaling Law 是在特定模型家族、資料分布、訓練流程、測量方式及硬體條件下，描述模型損失、參數、資料量與運算預算關係的經驗模型；它可能支持增加模型、資料或運算可改善能力，但不能直接保證相同投資回報或任何領域的端到端交付率。[S04]

2022 年 Chinchilla 的重要實證，正是展示在有限訓練算力下，參數量與訓練 token 的配置也需要最佳化。在相近訓練算力下，較小且以更多資料訓練的模型，可以優於較大但訓練不足的模型。因此，反對只用總參數評估模型不等於反對所有規模定律。[S04]

3.2 三個必須分開的參數／計算量

其中：

• $P_{\mathrm{total}}$：模型全部儲存的權重規模；
• $P_{\mathrm{active}}(x,t)$：對輸入 $x$ 、某一步驟 $t$ 真正參與運算的參數；
• $F_{\mathrm{actual}}(x,t)$：實際執行的計算操作或可核算運算量，與模型架構、上下文、緩存及實作相關。

對 MoE，活躍參數可能遠小於總參數，但裝置仍需儲存或載入被使用的權重，且路由、跨裝置交換與記憶體壓力可能抵消理論 FLOPs 優勢。不同服務負載和批量亦會改變吞吐、延遲及單位能源。[S05][S06]

3.3 候選非等價命題

HYP-02｜參數量—有效成本非等價：

且反方向亦不能保證：

其中 $C_{\mathrm{task}}$ 明確定義為固定硬體、需求與品質條件下，完成一件合格工作所需的完整服務成本。此處的符號用於表示不存在無條件推論，不是宣稱成本與參數在統計上沒有關係。

HYP-03｜參數量—可定價能力非等價：

左項是每新增資本帶來的合格能力變化，右項是每新增資本帶來的參數規模變化；兩者單位本就不同。本文以此標示不可互換，不將兩者數值大小直接比較。如要作統計比較，應先標準化或各自建立彈性估計。

3.4 ICHSIA 的有效負擔分解：概念沿用與本篇修正

ICHSIA-01 已主張不能把總參數當作完整計算負擔，並分出參數、激活、記憶、頻寬、路由、上下文、翻譯、materialization、I/O 與協調等成分。本篇保留這套分層觀測思想，但避免在不同物理量之間直接相加：

• 計算：實測 GPU／TPU 時間、FLOPs、加速器利用率；
• 記憶體：HBM／DRAM 占用峰值、讀寫 bytes、換頁與搬運；
• 網路：跨裝置傳輸 bytes、等待時間及丟包／重傳；
• 能源：IT 設備與機房 kWh、峰值 kW、PUE 與碳／水邊界；
• 工作流：驗證、重試、外部工具和人工干預時間；
• 財務：各資源按真實價格或折舊口徑計算的貨幣成本。

只有轉換為同單位、明確去除重複計算後，成本項目才可以合法相加。 因此本篇不直接把 FLOPs、bytes、秒及 kWh 相加稱為一個「綜合成本」。

4. 技術證據：固定資源不代表固定能力

4.1 訓練預算可用不同方式配置

Chinchilla 並不是主張規模擴張無效，而是認為在固定預算下，增加參數與增加訓練資料的比例是可調的。單純以更大參數描述下一代模型，容易忽略資料品質、資料量與最適運算分配。[S04]

4.2 模型架構在相同訓練預算下可能改善效益

ICLR 2026 的 Bian 等人研究，以超過 200 組 80M–3B 參數模型與不同資料量測試架構選擇；在相同訓練預算條件下，最佳化架構相較指定 LLaMA-3.2 基線，報告最高約 2.1% 準確率改善與 42% 推理吞吐量提高。這是受控的模型家族與測試，不能外推為所有前沿模型均提升 42%。[S05]

4.3 稀疏模型有顯著機會，也有部署反例

ICLR 2026 的 Tian 等人研究，報告 0.85B 活躍參數的 MoE-mini，在指定高品質 1T token 比較條件下，以超過七倍較低的計算量匹配一個 6.1B 密集模型的測試表現。其範圍是特定模型、資料與評測設置。[S06]

同時，2026 年一篇邊緣硬體預印本以 OLMoE 與密集模型比較，發現節省理論活躍 FLOPs 的模型，在受記憶體與頻寬限制的裝置上，可能反而有較差延遲與每 token 耗電。這是針對選定模型與裝置的研究，且預印本尚需更廣泛重現；它提供的是不能只看活躍參數的反例，而非 MoE 普遍無效的證明。[S07]

NVIDIA 於 2026 年的技術說明也把總參數、活躍參數、VRAM、併發、量化與任務難度分開；其廠商資訊應和第三方測量交叉比對。[S08]

4.4 軟體與記憶體搬運改善亦重要

NeurIPS 2024 的 FlashAttention-3 在特定 Hopper GPU、注意力運算及精度設置中，報告 1.5–2 倍核心運算速度改善。它不能直接被解讀為「整個 AI 工作流省下 50% 的成本」，因為端到端服務仍可能受模型其他層、網路、KV cache、輸入輸出與人類驗證限制。[S09]

4.5 以更多推理運算補足固定模型能力，也是成本選擇

ICLR 2025 Snell 等人的研究指出，測試時計算量的分配效率取決於題目難度；適應式分配可在特定數學推理問題上改善與基線的效率，但並不支持「只要一直延長推理就免費獲得更強能力」。更長的推理、工具執行和驗證，會把成本從預訓練轉移到服務時段。[S10]

4.6 小結：真正要比較的是能力的成本前沿

5. 物理能源模型：效率提高不一定降低總用電

5.1 供電容量、用電量與利用率必須區分

定義：

• $P_{\mathrm{IT}}$：平均 IT 電力需求，單位 kW；
• $u$：同樣時段的實際工作負載／設備利用程度，不能直接當作電力比例；
• $\mathrm{PUE}$：機房總能耗除以 IT 能耗的同期間比值；
• $h$：期間小時數；
• $E_{\mathrm{site}}$：機房總用電，kWh。

在 IT 平均負載與 PUE 對期間近似固定時：

此式只計入機房期間電量，不涵蓋晶片製造、施工、電網建設、上游材料的全生命週期用能。若設備有待機與變動負載，必須使用分時功率積分，不能僅以峰值乘全年小時數宣稱實際用電。

5.2 明示假設算例：改良 PUE 可以省電，但不能代替整條供應鏈

SCN-01（純示範，非特定資料中心實測）：一個全年平均 IT 負載 5 MW、全年 8,760 小時運行的場站：

此處假設 IT 負載相同，且僅比較機房運行電量與假設電價；未計算新增冷卻設備 CAPEX、維護成本、水資源、融資及設備壽命。不能把每年節省的電費直接當成淨利或完整投資回報。

5.3 單位效率與總量的反彈機制

定義某時期 AI 工作負載 $N_t$ （需固定任務定義及工作品質），單位工作的機房電量 $e_t$，總電量則近似為：

故即使：

只要工作負載增加得更快：

就仍可能出現 $E_{t+1}>E_t$。這個數學關係是固定工作量計量口徑下的恆等分解；對不同難度、多模態工作混合，應以類別分組，不能把一次文字問答與一段影片生成當成同質任務。[S01]

5.4 電網社會成本與財務責任

若建設大型資料中心，需要追加變壓器、輸電線路、發電或備用容量，成本未必全由該企業直接支付。不同國家的費率、接電承諾與監管設計，可能使部分成本落在其他用戶或公共部門；反之，如果場站使用既有閒置容量並承擔相稱費率，也可能改善既有資產分攤效果。IEA 2026 年 10 月的報告特別討論這種風險分配。[S03]

因此本篇至少建立兩種互不混淆的帳本：

1. 企業私人成本： 營運電費、資料中心資本支出、融資、稅負及合約費；
2. 社會物理成本： 擠占的電網容量、電網增建、其他用電戶價格影響、土地、水與排放風險。

計量結果可以報告兩者，但不能把尚未識別或已內部化的成本任意重複加總。

6. 同品質、同算力、同資本：三個不能混寫的控制實驗

這是 AIBT-00 明確要求的實證設計核心。三類比較不能同時無條件保持一切變數完全相同，應設定不同問題與清楚的控制條件。

6.1 實驗 A：固定總運算預算，最大化可驗證品質

問題： 給定同一訓練運算上限，調整架構與資料配置是否能取得更好的持續泛化？

控制：模型任務組、資料來源與授權、數據清洗標準、訓練 FLOPs 上限、硬體平台、隨機種子、驗證集及人類評分程序。若架構搜尋本身耗費額外運算，應設開發總預算的第二口徑，避免把搜尋費用排除。

實驗路徑：

• A0：固定架構、增加資料與參數之基準配置；
• A1：在相同預算內調整隱藏維度、注意力與 MLP 比例；
• A2：控制總與活躍參數的稀疏路由方案；
• A3：在原基礎模型上進行後訓練、蒸餾、驗證器耦合；
• A4：使用相同硬體與資源約束，透過外部記憶和工具完成端到端任務。

主要結果： 相同預算之預註冊測試成功率、跨資料分布表現、可靠性、錯誤類別與信賴區間。A4 的結果是系統方案，不宣稱等價於參數內能力；其工具使用與運行成本必須另外列帳。

6.2 實驗 B：固定品質門檻，最小化總成本

問題： 當兩個方案都滿足同樣的任務成功率、錯誤率、時延與維運要求，哪個方案總成本較低？

先定義任務門檻：

其中 $Q$ 是任務品質、 $R$ 是可靠性、 $L$ 是延遲，必須在每個任務組定義其數值、單位及測法。然後比較總服務成本 $C_{\mathrm{service}}$，包含模型授權、算力、記憶體、資料搬運、冷卻、網路、折舊、驗證、重試、維護與人工參與。

主要結果： 每件合格工作的全成本、尾部時延、失敗補救費及超出 SLO 的頻率。只達到相同平均 benchmark、卻有較大長尾事故風險的方案，不算真正同品質。

6.3 實驗 C：固定可承諾資本與供電容量，最小化回收風險

問題： 在同樣的資本額度、供電容量、接入期限及可購置設備條件下，擴張下一輪前沿訓練、改良既有模型與增加付費推理服務，哪種配置有較佳風險調整後的現金回收？

控制：資金來源、設備交付時間、利息／折舊口徑、機房地區及電價假設。不同方案的客戶需求預測必須分開估計並做壓力測試，不能假設新能力一出現即可全部售出。

比較：

• C0：直接新增前沿訓練集群；
• C1：使用已有集群做後訓練、架構搜尋及既有模型服務；
• C2：將資本投入網路、儲存、能效與推理利用率改良；
• C3：延後新建，租用或共用現有資源以減少不可逆承諾。

主要結果： 正淨現金流形成時間、容量保留與實際使用差距、付息／償債保障倍數、資產減值風險、長期研發選擇權。C0 在部分高價值突破情境下可能較優，研究不得預設 C1–C3 勝出。

6.4 實驗 D：實際部署跨設備壓力測試

固定模型權重、任務、品質、上下文、批量、請求到達率與併發，分別在記憶體足夠與受限條件下測：

7. 以合格成果為分母的技術—經濟核算

7.1 工作單位需先定義

任何「每美元智能」主張，必須先確定分母。例如：經過人工抽樣與自動化驗收的正確程式修復、合法交付的設計圖、已成功完成且無需返工的客服工單，或可重複完成的專業分析任務。錯誤產出、不合授權內容、重複刷量與退款訂單不得當作成功交付。

定義：

其中各項皆以同一時段、貨幣與會計邊界計算；資本費為已攤配的設備與機房資本使用成本，而不是再將該期整筆設備採購與折舊重複計算。分母為完成品質門檻的獨立工作量，需按任務類別分別核算。

7.2 明示假設：增加產量未必改善單位經濟效益

SCN-02（純示例）： 假設 A 系統在一年內有 100 萬件合格成果，年度攤配資本 1,200 萬美元、營運支出 800 萬美元；B 系統相同合格量，年度攤配資本 1,000 萬美元、營運支出 600 萬美元。若成本口徑一致且無其他費用，A 每件 20 美元，B 每件 16 美元。這個例子只證明「同品質下成本可比較」；不代表真實模型價格，也不表示 B 在未來更難任務仍有相同品質。

7.3 邊際可定價能力與資本回報

對一個可歸因的新增能力組，企業須研究：

是否在相應現金流期限內為正；這不表示所有非貨幣價值應被忽略，但非貨幣價值不能直接償還到期借款。另一方面，即使一家公司不直接獲得額外現金，客戶仍可能透過更便宜、更可靠的服務受益；財務收益與社會收益應分帳。

候選決策規則： 若比較方案在預註冊的品質、風險與法律條件下達到同等工作成果，採用生命週期成本較低者；若前沿能力具有稀缺且高度可付費的價值，允許更高的資本承諾，但需將不確定性納入模型，而不是因「AI 會更強」就默認可回收。

8. 為什麼理性企業仍可能繼續擴張算力？

否定「規模越大必然越好」不代表否定所有新增算力的合理性。以下機制可能讓擴張仍具有實際價值：

1. 前沿能力具有高度非線性市場價值。 某些科研、推理、程式與實體設計突破，可能創造既有模型無法取得的重大收益。
2. 訓練算力與部署算力共同需求增長。 Agent、影片、長上下文及具身系統令推理工作更昂貴，新增設備不只是為了重新預訓練。
3. 高利用率與長期合約可改善現金回收。 若服務有穩定需求、設備可長期重用，新增投資可能合理。[S11]
4. 架構效率本身可能刺激更多需求。 單次工作降價使新用途可行，總電量或總 GPU 時數反而增加。
5. 規模擴張與架構革新不是互斥關係。 經費充裕的研究組織可能同時改善架構並擴大訓練。
6. 競爭與戰略自主仍是現實誘因。 它們可以解釋企業願意承擔較長投資回收期，但不能免除資金成本或物理稀缺性；國別差異留待 AIBT-03 詳論。

UBS 在 2026 年 10 月 19 日的市場分析，對 2027 年 AI 資本支出仍持增長預期，估計可能達 1.2 兆美元、年增 33%；其同時區分高度負債的專門 GPU 雲端業者與業務更分散的 hyperscalers。此為該機構當時的預測與投資觀點，而非已發生的 2027 年支出。[S11]

反向證據的重要性： 當下仍可觀察到強勁的 GPU 租賃需求與供應瓶頸；不應因某些股價修正，就直接推論市場已完成過度建設出清。[S11]

9. 2027–2028 年三個候選情境：不是固定時間預言

這三類可同時在不同公司或國家發生；也可能因外生能源政策、晶片供應或利率突變而改變。2027 年資本支出增長率下降，絕不等於 2027 年算力總量下降。

9.1 同時觀察四個時鐘

• $T_{\mathrm{frontier}}$：前沿能力到達指定任務門檻的時間；
• $T_{\mathrm{deployment}}$：既有能力轉為有效服務和產業應用的時間；
• $T_{\mathrm{physical}}$：電力、HBM、晶片和電網形成可使用支撐能力的時間；
• $T_{\mathrm{capital}}$：項目產生現金或必須再融資／承擔折舊的時間。

四個時間可以錯位。正是這些時間錯位，形成 AIBT-01 的財務脆弱性與本篇的資源配置選擇。

10. 可否證假說、對照研究與最小資料字典

H1｜算力與收益不同步

假說： 在固定客戶類型與任務品質下，部分企業的新增資本支出及訓練計算量增速可能高於其可歸因淨現金收益增速。反證： 同口徑的收入、合約履行、毛利和自由現金流足以持續覆蓋新增設備成本，且投資回收期未惡化。

H2｜有效計算最適化

假說： 固定開發總預算、任務與測試條件後，至少部分架構與系統最佳化方案在跨多次測試中，同時提升每美元合格成果或降低每件合格成果用電。反證： 顯著改善只出現在單一基準、未計算搜尋／維護成本，或端到端改善消失。

H3｜稀疏化收益受物理限制調節

假說： MoE 等稀疏模型的實際成本收益受記憶體容量、頻寬、互連、併發和批次分布顯著調節。反證： 跨多類硬體和需求條件，實際成本差異僅由活躍 FLOPs 即足以高精度預測，其他維度貢獻有限。

H4｜單位能效與總能耗可背離

假說： 同質 AI 服務之單位能耗下降，但在任務量和多模態組合上升下，部分市場總資料中心用電仍增加。反證： 經相同任務分類後，總量下降且沒有由工作複雜度或地理轉移遮蔽的反彈效應。

H5｜供電與設備回收的時間錯位

假說： 設備交期、機房完工、電網接入及付息期的錯位，會提高部分高資本密度計畫的融資及延後風險。反證： 接入、建設與銷售合約高度協調，實際利用率穩定、違約與延期率未升高。

H6｜資本重組不等於技術停止

假說： 若 2027–2028 出現局部投資修正，既有模型、推理、工具、開放式部署與專用化應用仍可能擴張。反證： 對照可信資料後，模型能力、部署與實際成果在多個領域長期同步衰退，並且不是單一統計口徑造成的假象。

10.1 最小資料字典

10.2 評估協議與資料治理

• 任務、品質門檻、樣本選擇、比較期限和主要指標事先註冊；資料分組禁止事後挑選勝出樣本。
• 至少分開報告基礎模型、模型加工具、完整 Agent 工作流三個層級，避免把不同系統架構誤稱同一模型能力。
• 以多次獨立測試提供中位數、尾端分布、95% 信賴區間或適當的自助法區間；樣本與錯誤相關性須適當處理。
• 若成本資料未公開，明列估計範圍與不確定性，不得把研究假設填成企業財報。
• 驗證碼、模型版本、硬體驅動、功率量測器、資料樣本、原始 log 與 SHA-256 需可追溯；商業機密可以在受控存取下由第三方重驗。
• 必須披露失敗案例、模型崩潰、外部 API 停機、資料洩漏及未達 SLO 的情形，而不只報告成功率。
• 不能以一個小模型受控實驗宣稱全球前沿訓練策略已有唯一答案。

11. 與 SAS-01：改善 AI 計算效率，不等於真 AI 奇點

SAS-01（2026-08-18）要求 AI、能源、算力、製造、物流、硬體、資源和具身能力形成跨週期、可歸因的正向再生支撐鏈。本文的效率指標可以檢驗其中一些局部條件，卻不能僅靠 PUE 下降、MoE 稀疏化、token 成本下降或某一能源系統案例宣告系統性奇點。[S12]

同樣地，即使 AI 基礎設施在私人財務上高獲利，也未必滿足文明正和：其它用電戶費率、排放、環境、勞動及收益分配仍有可能發生負面外部性。反之，某次前沿模型訓練沒有正現金回報，也不自動否定 AI 的研究與公共價值。

因此必須持續分離：

12. 研究限制、反向解釋及知識狀態

1. 公開資料不足： 大多數商業前沿模型的精確訓練 FLOPs、失敗 run、實際功率、推理使用率及單位服務成本不完全公開；本研究不可聲稱已識別完整投資回報。
2. 任務品質難標準化： 跨程式、設計、影片與科研領域的品質尺度不同，單一總分可能掩蓋專業問題。
3. 研究時點不穩定： 2026 年許多市場估計更新速度極快；不同機構採用不同公司集合與 AI 投資定義，預測不能相加。
4. 內部架構假說尚待測試： ICHSIA 的成本分解與用戶既有計算場研究提供方向，不能宣稱已在前沿模型商用集群完成實證。
5. 資本需求存在兩面： 計算效率改善可以延後某些建設，也可以創造新的需求與推動更大的部署。
6. 因果識別困難： 用電、股價或晶片價格變化受多種非 AI 因素影響；應考慮地域、能源價格、利率、政策、資料中心用途和產品週期。
7. 有價值不等於有現金： 新的研究工具或公共科研成果可能具有真實效益，卻未必立即成為償還設備借款的商業現金。
8. 本篇不作普適架構推薦： Dense、MoE、檢索、長推理、模型量化及多模型系統應依任務與硬體作條件式比較。

13. 結論：下一個被擴張的，不必永遠是參數量

本篇沒有否定前沿訓練或規模定律。它提出的是一條比「更多 GPU → 更大模型 → 更多價值」更完整的經濟鏈條：

新增資本與物理支撐 → 特定運算能力 → 具品質門檻的任務能力 → 可交付成果 → 願付價值與真實交易 → 扣除全成本的現金回收 → 對下一輪技術與物理系統的支持。

若任何一段連結失敗，即使技術在某一項 benchmark 取得突破，擴張計畫仍可能在財務、物理與制度上承壓。反之，架構改良可以在固定算力下改善效率，卻不保證它能取代所有前沿探索與大型資料中心。

因此，2027–2028 年最值得實證檢驗的，不是市場是否宣告不需要更強 AI，而是不同模型能力、資料中心運行及設備擴張的邊際回報，是否開始在品質、資源與時間三個口徑下分化。

這一判斷與 AIBT 系列整體命題一致：即使個別 AI 投資泡沫遭遇估值修正，AI 的既有技術仍可能持續擴散，並在不同研發路徑上前進；它既不保證社會自動獲益，也不意味下一輪算力投資必然失去價值。

下一篇 AIBT-03 將問：在美國、中國、法國、韓國、日本等地，國家追求 AI 自主與企業要求實際盈利之間，有哪些可觀察的利益分歧？地緣政治是否真的能永久替代市場與物理資源約束？

附錄 A｜關鍵符號與單位

附錄 B｜2027–2028 實證檢核清單

• 取得相同公司集合、會計期間與貨幣的 AI／非 AI CAPEX 組成。
• 區分訓練與推理機櫃；不能用一個機房的總電量代表全部 AI 訓練。
• 收集 GPU/HBM 真實交期與實際交付，不只援引已宣告訂單。
• 固定任務與驗收條件，對每個架構至少作多次獨立測試。
• 同報理論 FLOPs、實測 GPU 時間、記憶體流量、功率與全成本。
• 區分開發期搜尋資源與正式訓練／推理資源。
• 對模型做長期可靠性、失敗重試和跨月維護測試。
• 以同品質／同算力／同資本三種獨立實驗比較。
• 把企業電費與電網外部性分開核算。
• 對資本支出預測提供日期、機構、集合與定義；不可把衝突預測平均成事實。
• 對 2027–2028 實際數據重估 H1–H6，而非倒推解釋每一件事。
• 保留失敗結果與所有重大不確定性，允許推翻本篇假說。

附錄 C｜公開文獻與資料出處（截至 2026-10-31）

[S01] International Energy Agency (IEA). (2026-04-16). Key Questions on Energy and AI, executive summary and full report overview. 2025 年資料中心用電基準、2030 年預測、資本投入與供應鏈瓶頸；注意基準與預測區分。
https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary

[S02] IEA. (2026-09-21). Modernising Grids in the Age of Electricity. 電網擴建、現有容量利用與 AI 作用之間的約束。
https://www.iea.org/reports/modernising-grids-in-the-age-of-electricity

[S03] IEA. (2026-10-14). Powering Artificial Intelligence: Strategies for Integrating Data Centres into Electricity Systems, executive summary. 34 個政策管轄區、電網成本歸屬、接入與費率的條件式治理。
https://www.iea.org/reports/powering-artificial-intelligence/executive-summary

[S04] Hoffmann, J., et al. (2022). An Empirical Analysis of Compute-Optimal Large Language Model Training. NeurIPS 35. 固定訓練預算與參數—資料最佳配置之實證。
https://proceedings.neurips.cc/paper_files/paper/2022/hash/c1e2faff6f588870935f114ebe04a3e5-Abstract.html

[S05] Bian, S., Yu, T., Venkataraman, S., & Park, Y. (2026). Scaling Laws Meet Model Architecture: Toward Inference-Efficient LLMs. ICLR 2026. 受控架構比較、相同訓練預算下的推理效率。
https://proceedings.iclr.cc/paper_files/paper/2026/hash/dd2eb5250696753ea37141bbd89bb569-Abstract-Conference.html

[S06] Tian, C., et al. (2026). Towards Greater Leverage: Scaling Laws for Efficient Mixture-of-Experts Language Models. ICLR 2026. 選定 MoE 設計的訓練與計算效率比較。
https://proceedings.iclr.cc/paper_files/paper/2026/hash/32b640528f5b67975562210f00c131ed-Abstract-Conference.html

[S07] Alfarizy, A., et al. (2026-06). Does Mixture-of-Experts Actually Help Inference on Consumer and Edge Hardware? An Empirical Study. arXiv preprint 2606.21428；特定裝置上的反例，非跨裝置通則。
https://arxiv.org/abs/2606.21428

[S08] NVIDIA Technical Blog. (2026-09-15). Dense vs. MoE Models: Active Parameters, Throughput, and When to Choose Each. 廠商技術說明，需留意商業利益與特定部署設定。
https://developer.nvidia.com/blog/dense-vs-moe-models-active-parameters-throughput-and-when-to-choose-each/

[S09] Shah, J., et al. (2024). FlashAttention-3: Fast and Accurate Attention with Asynchrony and Low-precision. NeurIPS 37. 特定硬體的核心計算加速，非系統整體成本節省率。
https://papers.nips.cc/paper_files/paper/2024/hash/7ede97c3e082c6df10a8d6103a2eebd2-Abstract-Conference.html

[S10] Snell, C., Lee, J., Xu, K., & Kumar, A. (2025). Scaling LLM Test-Time Compute Optimally Can Be More Effective than Scaling Parameters for Reasoning. ICLR 2025. 任務難度與測試時運算配置。
https://proceedings.iclr.cc/paper_files/paper/2025/hash/1b623663fd9b874366f3ce019fdfdd44-Abstract-Conference.html

[S11] UBS Chief Investment Office. (2026-10-19). AI fundamentals remain robust despite market volatility. 對 2027 年 AI CAPEX、專用 GPU 雲端與超大型雲端的風險判斷；屬投資機構當時的預測與觀點。
https://www.ubs.com/global/en/wealthmanagement/insights/chief-investment-office/house-view/daily/2026/latest-19102026.html

[S12] Neo.K. (2026-08-18). SAS-01_Redefining_AI_Singularity_Positive_Regenerative_Loop_v1.0_2026-08-18.md. 既有正式系統性奇點定義；本篇不重新宣告奇點。

[S13] Neo.K. (2026-09-22). ICHSIA_01_Parameter_Count_Is_Not_Computational_Burden_v0.1.md. 參數、路由、記憶體及有效計算負擔的內部候選研究；尚非商業模型的外部驗證證據。

[S14] Neo.K with GPT-6. (2026-10-31). AIBT_01_AI泡沫不是技術終結_估值現金流與投資回收期限_v0.1_2026-10-31.md. 系列上一篇；資本回收與估值時計，數據與統計口徑另於前篇核實。

作者與驗證聲明

本篇依據已建立之研究方向整理候選假說，外部文獻證實的局部實驗和內部提出的概念模型已分別標示。本文件仍須接受同行評議與更廣泛的實證測試。所有 2027–2028 情境皆屬前瞻假設，而非已發生之歷史事實。文內無未核對之真實公司機密資料或投資收益承諾。

版本： v0.1（2026-10-31）。下一篇： AIBT-03《地緣政治不是無限資本支票：國家競賽與企業利潤的分歧》。