--- 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 | 前篇 | 已處理問題 | 本篇增加的分析 | |---|---|---| | AICAP-01 | 標價、訂閱、有效成果成本 | 取得服務不等於取得控制權；替換後的能力是否相同 | | AICAP-02 | 高固定成本、低邊際成本、租用與持有 | 持有的法律與控制含義；可購硬體與可移動能力的差距 | | AICAP-03 | 支付者、風險承擔者、攤銷及跨期融資 | 特定供應者關係改變未來選擇集合與談判位置 | | AICAP-04 | 人機協作、品質驗收、返工與交付 | 遷移、備援和替代供應商須在相同驗收品質下衡量 | 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 | 安排 | 使用者取得什麼 | 常見可控制項 | 缺少的權利與風險 | |---|---|---|---| | A. 前沿 API | 特定接口下的模型輸出或工具能力 | 提示、任務流程、可見設定與付款額度 | 不必然取得底層權重、排程權或未來版本選擇 | | B. 代管模型平台 | 代管推理服務與較多部署設定 | 部分版本、規模、區域和資源限制 | 受主機平台、授權與供應容量約束 | | C. 自有或可租 GPU＋可用權重 | 在允許條件下自行部署模型 | 推理路徑、參數及部分更新節奏 | 權重授權、維運、人才、容量及能力等價問題 | | D. 多供應商 API | 同時具備兩種以上可合法調用的服務 | 工作調度、部分風險分散、替代選擇 | 兼容層、驗證、費率層級與雙份維運 | | E. 混合式工作流 | 前沿 API 搭配可本地部署模型及傳統演算法 | 不同任務按能力、成本、隱私分工 | 多路品質一致性、資料管理與轉換摩擦 | | F. 自行研發並訓練前沿系統 | 研發、權重、資料契約及部署整體能力的部分控制 | 在法律及資源允許範圍內高度自定義 | 研發風險、資本強度、人才、訓練及維護成本 | 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： $$ \mathbf{q}_{ijdt}=(q^{\mathrm{accuracy}},q^{\mathrm{latency}},q^{\mathrm{availability}},q^{\mathrm{privacy}},q^{\mathrm{audit}},q^{\mathrm{capacity}})_{ijdt}. $$ 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： $$ F_{ijdt}=\mathbf{1}\{\mathbf{q}_{ijdt}\in\mathcal{Q}_{idt}\}. $$ 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： $$ \mathbf{r}_{ijt}=(r^{\mathrm{use}},r^{\mathrm{export}},r^{\mathrm{inspect}},r^{\mathrm{modify}},r^{\mathrm{deploy}},r^{\mathrm{schedule}},r^{\mathrm{version}},r^{\mathrm{exit}})_{ijt}. $$ 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： $$ \bar C_{ijdt}^{\mathrm{acc}}=\frac{P_{ijdt}+H_{ijdt}+V_{ijdt}+I_{ijdt}+G_{ijdt}+M_{ijdt}}{A_{ijdt}}. $$ 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： $$ S_{i,j\to k,t}=S^{\mathrm{interface}}+S^{\mathrm{data}}+S^{\mathrm{revalidation}}+S^{\mathrm{learning}}+S^{\mathrm{contract}}+S^{\mathrm{disruption}}. $$ 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： $$ J_i(\pi)=\mathbb E\left[\sum_{t=0}^{T}\delta^t\left(C_{i\pi_t t}^{\mathrm{acc,total}}+R_{i\pi_t t}+S_{i,\pi_{t-1}\to\pi_t,t}\right)\right]. $$ 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： $$ N(c_j-c_k)>S. $$ **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_kI+\sum_{t=1}^{T}\delta^tL_t. $$ **證明。**標準化所帶來的可核減少為 $\Delta S$，新增成本是 $I$ 與折現維運成本之和。相減所得淨節省為正，即為上述不等式。若標準化造成品質下降，其重驗或失敗成本還必須增加至右側。證畢。 **反例。**若某團隊預估接口轉換一次最多節省 100 記帳單位，而先建抽象層需 200 單位且無其他收益，則為了純粹降低切換費而建置抽象層，在此期間內不是成本較低的方案。 **經濟含義。**標準化增加選擇可能性，但是否值得投資，取決於未來切換需求、使用頻率與品質成本；它不是應對平台依賴的無條件處方。 ## 6．形式化命題四與五：退出選擇權與備援相關性 ### 命題 4｜資訊到來後的免費選擇具有非負毛價值 **條件。**未來世界狀態為隨機變數 $\omega$，需求方在各狀態下可選擇集合 $\mathcal{J}$ 中的安排，收益為 $U_j(\omega)$ ；在狀態揭露後仍可無成本選擇，且所有選擇均符合法律和品質約束。 **命題。**可在觀察狀態後選擇的期望收益，不低於事先固定單一安排的最高期望收益： $$ \mathbb E\left[\max_{j\in\mathcal J}U_j(\omega)\right]\ge\max_{j\in\mathcal J}\mathbb E[U_j(\omega)]. $$ **證明。**對任何固定 $k\in\mathcal J$ 及任何狀態，均有 $\max_j U_j(\omega)\ge U_k(\omega)$。兩側取期望後對 $k$ 再取最大值，得所示不等式。證畢。 此命題並未聲稱維持替代供應商無成本。若為保留切換資格需持續支付兼容、備援或授權費，**淨價值**可為負。資訊不充分或切換需要時間，也可能使形式上的選擇集合不能在實際業務中行使。 ### 命題 5｜兩供應商備援的收益取決於失效相關性 **條件。**主要與備援服務的失效事件分別為 $F_1,F_2$ ；只有兩者同時失效才造成同一筆損失 $D>0$ ；備援新增成本 $B\ge0$，且忽略切換延遲或其他額外風險。 單供應商預期損失為 $D\Pr(F_1)$，雙供應商預期損失為 $D\Pr(F_1\cap F_2)$。備援的淨成本改善當且僅當： $$ D\left[\Pr(F_1)-\Pr(F_1\cap F_2)\right]>B. $$ **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}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。 | 期間內合格任務數 | 留在 A 的成本 | 切換 B 的成本 | 差額與判斷 | |---:|---:|---:|---| | 1,500 | 15,000 | 5,000＋11,250＝16,250 | 切換貴 1,250 | | 3,000 | 30,000 | 5,000＋22,500＝27,500 | 切換省 2,500 | 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。 | 任務量 | API | 自有部署 | 最低成本 | |---:|---:|---:|---| | 500 | 2,000 | 3,500 | API | | 2,000 | 8,000 | 5,000 | 自有部署 | 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。 | 方案 | 任務 X 單件成本 | 任務 Y 單件成本 | 二十件未含整合的成本 | |---|---:|---:|---:| | 前沿 API A | 1 | 5 | 60 | | 本地模型 B | 4 | 1 | 50 | | 混合：X 用 A、Y 用 B | 1 | 1 | 20 | 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。 | 編號 | 可反駁假說 | 主要觀測量 | 使假說失敗的可能證據 | |---|---|---|---| | H05.01 | 在任務品質相當下，既有高技術轉換成本會降低實際換供應商的機率 | 實際遷移、估計 $S$ 、相對價格 | 控制差異後，高轉換成本組並無較低遷移率 | | H05.02 | 對具有長期權威資料的產品，資料可攜規格可降低遷移時間與重驗成本 | 匯出時間、重索引與驗證工時 | 標準化組的全成本不低，甚至更高 | | H05.03 | 同一任務域內，需求方的可接受替代供應商數增加時，單一供應商的非契約性漲價風險暴露可能降低 | 替代集合、品質、價格變動及採購結果 | 替代方案增加但未減少暴露，或本身有較高維護負擔 | | H05.04 | 供應商失效的相關性越高，多供應商備援的淨收益越低 | 共同故障、損失與備援費 | 在控制費用後，高相關性組反而呈現更高可靠性收益 | | H05.05 | 對低風險、高度結構化任務，本地可部署方案可能降低有效成果成本 | 相同任務品質、成本、接受率 | 本地方案在等價品質下持續成本更高 | | H05.06 | 對高難度且品質門檻嚴格任務，低價但不達標的替代模型難以形成可行退出路徑 | 嚴格驗收、模型替代率、重工 | 可替代模型通過驗收且總成本顯著較低 | | H05.07 | 具有可重用評測器的企業，模型遷移後重新驗證的邊際成本可能較低 | 評測器重用率、驗證工時 | 評測器維護與調整成本超過節省 | | H05.08 | 一部分 API 平台依賴來自企業自身的專用互補投資，而非僅契約限制 | 專用資產、契約條款、技術費用 | 觀察到的依賴幾乎完全由契約限制解釋 | | H05.09 | 在不降低品質的前提下，以任務異質性為基礎的混合配置對部分產品比單一模型更省 | 任務成本矩陣、整合費、有效交付 | 混合配置的新增費用持續高於分工收益 | | H05.10 | 版本可控或可固定的供應安排，對高審計要求流程可能降低模型更新後的重驗負擔 | 版本差異、重驗失敗及工時 | 固定版本造成的維護與風險費超過好處 | | H05.11 | 使用者單位價格下降可以與自主部署門檻維持較高水準同時出現 | 公開價格、可用權利、合法部署成本 | 自主部署門檻同步下降至可完全無障礙替代 | | H05.12 | 在相同服務品質下，擁有可合法執行的退出方案可能降低企業在供應商變更事件下的預期損失 | 真實或模擬中斷、備援測試與損失 | 退出方案費用與遷移障礙抵消全部風險收益 | ### 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： $$ N(c_j-c_k)>S_U $$ 則對界內所有可能 $S$ 均有轉換成本優勢；若 $$ N(c_j-c_k)