---
title: "AIBT-EX01｜泡沫的全域耦合：跨主體 AI 採購、閒置資本與收益分配錯位"
english_title: "The Globally Coupled AI Bubble: Cross-Sector Procurement, Idle Capital, Realized Value, and Distributed Responsibility"
series: "AI 泡沫、產業重整與文明適應論（AIBT）"
document_id: "EML-AIBT-2026-EX01"
series_position: "Independent Supplement / Outside Core 01–12 and Reserved X1–X2"
version: "v0.1"
date: "2026-11-01"
evidence_cutoff: "2026-11-01 (Asia/Taipei)"
concept_by: "Neo.K"
research_collaboration: "GPT-6"
institution: "EveMissLab／一言諾科技有限公司"
status: "獨立番外概念研究原稿；候選全域耦合模型、可否證假說及資料計畫；未經同行評審"
source_format: "UTF-8 Markdown; LF; no BOM"
canonical_math_delimiters: "inline single-dollar; display double-dollar"
previous_observation: "AIBT_硬體溢價_本地前沿推理與資本誤配_觀察備忘錄_v0.2_2026-11-01.md"
related_papers: "AIBT-01–12; EWDT-18; EWDT-21; AICET-11"
---

# AIBT-EX01｜泡沫的全域耦合：跨主體 AI 採購、閒置資本與收益分配錯位

## The Globally Coupled AI Bubble: Cross-Sector Procurement, Idle Capital, Realized Value, and Distributed Responsibility

**理論問題提出：** Neo.K  
**研究協作與正式整稿：** GPT-6  
**研究機構：** EveMissLab／一言諾科技有限公司  
**版本及證據截點：** 2026 年 11 月 1 日／v0.1  
**定位：** AIBT 十二篇核心論文完成後的獨立研究番外；不占用原規劃的 AIBT-X1（供應鏈壓力測試）或 X2（制度政策比較）篇號。  
**研究界線：** 不是對個別公司或政府的違法指控，不是已證實的全球泡沫事件，不構成財務、法律或公共採購建議。

---

**作者：** Neo.K  
**日期：** 2026-11-01  
**版本：** v0.1  
**原稿狀態：** 獨立番外概念研究原稿；候選全域耦合模型、可否證假說及資料計畫；未經同行評審  

## 摘要

當人工智慧成為普遍預期的通用技術時，個人、家庭、學校、研究機構、企業、政府、雲端業者、投資者與設備供應商，都可能在不同資訊條件和目標函數下增加 AI 相關採購。即使每個主體的動機有所根據，並且部分採購確實有助於安全、韌性、主權、研究或真實產能，總體投資規模仍可能因需求預期互相強化、重複建設、非實際負載驅動的設備購置、採購與運維分離、模型換代速度、資本融資與供應鏈定價反饋，偏離可持續的實際成果吸收能力。某一筆交易對賣方形成有效收入，並不等於對買方形成相稱的新增工作能力，更不等於整體社會取得長期、廣泛分配的實質淨效益。

本文提出**全域耦合資本誤配**（Globally Coupled Capital Misallocation, GCCM）作為候選操作性研究框架：將採購主體、設備供應、模型服務、能源、融資、政府預算、實際使用、二手資產與最終受益者視為相互連結、具有時滯與非線性反饋的網路，而不以單一家企業或某群消費者的「非理性」解釋整個泡沫。研究焦點從「買本地 AI 是否便宜」延伸到**誰在什麼時間買了什麼、是否安裝和啟動、以多少使用量完成哪些可驗證任務、是否形成可持續收益、誰取得收入與承擔風險、是否持續升級，最後是否閒置或出清**。

本文嚴格區分資本流量、會計產值、供應商合法收入、買方部署績效、反事實淨收益、公共服務與選擇權價值、金融估值及家庭實質購買力。政府 AI 採購不必以商品營收作為唯一效益指標；低使用率也不必等於錯誤投資，因為緊急備援、科研探索、離線保密與公共服務韌性可能具有非日常性價值。反面而言，將「已採購」「已建立機房」「已簽約」「已配發工具」直接宣稱「已創造高效益」，亦屬未經證明的推論。

對照 2026 年 OECD 公部門 AI 治理與效益量測、GAO 的 AI 採購查核、IMF 對 AI 資本融資環形依存的警示、IEA 電力需求研究與跨國企業調查，本文提出多層資產生命週期、跨主體耦合網路、三本反重複計算帳本、假設性成本算例、十六項可否證假說及 2027–2028 年條件情境。既不預言全面泡沫必然破裂，也不藉全域因果為實際失職者免責。

**核心命題：泡沫可能是全域耦合的結果；因果貢獻不必平均，責任不必平均，收益也不會自動平均。最值得監測的不是支出本身，而是資本—能力—使用—成果—收益—分配的實際轉化率，以及其對其他部門的回饋。**

**關鍵詞：** AI 資本誤配、全域耦合、硬體閒置、公共採購、資產更新週期、二手出清、沉沒成本、供需預期、算力供應、循環融資、可驗證成果、經濟世界域、收益分配、責任分布、科技泡沫。

### Abstract

This supplementary paper treats a potential AI investment bubble as a coupled, multi-actor economic process rather than a single-company failure. Purchases by households, firms, universities, public bodies, cloud providers and financiers may each be locally justifiable, yet their correlated expectations can generate mismatches between purchased capacity, deployable capacity, productive use, verified outcomes, cash income and broad social benefit. The paper proposes a provisional Globally Coupled Capital Misallocation (GCCM) framework, tracks the asset lifecycle from procurement through utilization, repeated upgrades and secondary-market disposal, distinguishes private cash flows from real social value and distribution, and separates systemic causation from differentiated accountability. Government services, research options and reserve capacity are evaluated on appropriate noncommercial criteria. Conditional numerical cases, identification designs, sixteen falsifiable hypotheses and alternative 2027–2028 scenarios are presented. No empirical global misallocation rate or inevitable bubble-burst date is claimed.

---

## 0. 研究範圍、原始問題及反過度歸因原則

### 0.1 這不是中小企業專題

先前 AIBT 本地前沿推理備忘錄 v0.2，用中小企業是否應購置高階 GPU 來展示硬體規模與實際任務的落差。但中小企業只是案例；同一問題也可能出現在公務機關、地方政府、國立學校、私立大學、研究中心、醫療組織、國有事業、大型企業、創業公司、個人與家庭、電信業、雲端商、資料中心投資公司及金融資產管理者。

本篇將「採購決策是否具合理性」與「全體採購在市場上是否形成過量或錯配」分開處理：

- 前者研究個體的選擇、資訊、預算、契約與反事實替代方案。
- 後者研究市場共同預期、容量配置、價格、融資、外部性、二手市場與需求吸收。
- 第三個問題研究為何有人獲得利潤、有人得到使用價值、有人承擔機會成本，以及誰在特定規則下負有何種法律或治理責任。

因此，「不是單點泡沫」**不能**演變為「人人都有相同責任」，也不能演變為「沒有任何人的行為值得審計」。

### 0.2 與既有論文的明確分工

| 既有研究 | 保留前置，不重寫其定義 | 本番外新增的辨識 |
|---|---|---|
| AIBT-01、02 | 金融回收與算力、能源、資本密度的約束 | 多種採購主體如何形成相關的容量超前配置 |
| AIBT-03、04 | 國家競賽與核心模型席位可能造成資金集中 | 政策與民間預期如何把資本配置推進相似方向 |
| AIBT-05 | API、客製契約、自建與部署 TCO 比較 | 事後閒置、未再次採購及採購出清的全生命週期 |
| AIBT-06、07 | 功能商品化與小團隊 Agent 生產 | 「硬體可購入」與「任務可被驗證吸收」的供需差 |
| AIBT-08、09、10 | 紅利路由、家庭購買力、委託市場吸收 | 上游支出已發生時，最終收益是否流到使用者、勞動與社會 |
| AIBT-11、12 | 制度適應時差、技術樹與 SAS-01 前奇點判準 | 資本過度形成與金融修正不必等同技術停滯 |
| EWDT-18 | AI 候選成果須經驗證、部署、吸收與沉積才形成世界域擴張 | 將「購置資本」置於可驗證沉積的前段，而非直接等同擴張 |
| EWDT-21 | 生產、消費、參與及個體生活世界共同觀察 | 追蹤買方績效、服務受益與家庭分配的可能脫節 |
| AICET-11 | 智能收益、購買力與有效需求的異質分布 | 將硬體投資的承擔者及最終受益者分開記錄 |

這是 AIBT **獨立番外**，不宣稱首次發現金融網路、投資協調、資本錯配或經濟體系相互依存。其研究貢獻是將上述已知問題具體應用到 AI 資產的**購置—部署—成果—更新—出清**鏈，並要求跨主體實證辨識。

### 0.3 五種證據標記

- **OBS：** 有日期、方法與取樣範圍的已存在資料；外推另需證據。
- **DEF：** 為觀測設計的候選定義，不是新發現的物理法則。
- **SCN：** 純假設的數字與條件情境，不是實際採購案。
- **HYP：** 明列可推翻方式的預測性命題。
- **NOR：** 可供比較的治理與分配原則，不假扮實證結論。

### 0.4 十六項非主張

1. 不宣稱臺灣某特定通路、公司、政府機關或消費者正在囤貨炒價，未經資料不能推定動機。
2. 不宣稱每筆 AI 硬體支出都是浪費，也不宣稱所有 AI 高階硬體都有長期經濟回報。
3. 不認為 GPU 使用率低，便必然沒有備援、保密、科研或選擇權價值。
4. 不認為雲端 API 在所有安全、契約與負載情境下比本地便宜。
5. 不認為所有採購者應精確知道未來模型規模與市場價格。
6. 不認為硬體廠商取得真實銷售收入是虛構的 GDP 或無效交易。
7. 不把支出額、供應商營收、會計折舊、股票市值與社會淨福利加在一起。
8. 不將沒有測量到效益當作已證實效益為零；同樣也不以效益可能存在當作已證實。
9. 不要求所有政府計畫都以商品利潤衡量；公共服務品質、公平與韌性亦重要。
10. 不主張二手硬體出清一定是泡沫破裂，或二手價格下降必然是社會損失。
11. 不將政府、企業、家庭、金融機構視為同權限、同資訊、同責任的單一行動者。
12. 不認為全域耦合會自動免除違法、失職、契約違約或採購程序責任。
13. 不認為所有市場參與者必須停止投資，或自由市場本身必然導致泡沫。
14. 不以特定年度的預言取代對價格、利用率、資產壽命與需求的連續追蹤。
15. 不將泡沫金融修正當成 AI 技術樹終結或已形成 SAS-01 系統奇點的證據。
16. 不將本文假設模型視為已對全球採購存量、閒置率或真實社會淨收益完成量測。

---

## 1. 全域因果與差異化責任：一個需要同時成立的二元命題

### 1.1 說明全域事件，未必是在尋找一個罪魁禍首

技術泡沫常被回顧性敘事簡化成「某企業膨脹」「某投資者太貪」「某政府太激進」「某群消費者買太多」。這些可成為局部解釋，但不是整個系統的充分因果證明。企業採購可能受政府補貼影響；供應商排產依賴大型客戶預購；投資者依賴供應商營收與分析師預期；政府也可能因國際競爭、重大服務風險或民眾期待而投入資金。連相對審慎的個人也可能因為缺貨預期而提早購買。

因此必須區分：

- **局部因果貢獻：** 交易或決策如何改變供需、價格與後續預期。
- **總體耦合機制：** 各決策如何經由金融、合約、產業鏈及市場學習共同放大。
- **規範與法律責任：** 具體當事人掌握哪些資訊、承擔何種義務、對損失是否有可歸責行為。

一個系統可能沒有唯一肇因者，仍可有多名責任程度不同、甚至完全無責的行動者。

### 1.2 微觀合理與總體錯配可以並存

假設若干組織均認為：「未來模型更強，設備可能再漲，競爭對手可能先取得算力；趁現在購買可以保留選擇權。」這個判斷不必然荒謬。若每家企業都購買，設備廠商擴產、投資人上修需求、其他組織面臨更強的缺貨預期，則初始判斷可反過來改變市場價格。

然而，如果最終真正需要的工作量低於已購買容量，或雲端模型使買方未來不再需要自建設備，總體便可能出現能力閒置。問題不在「所有人都不知道自己在做什麼」，而在於**每個人沒有能力直接看見或控制全體市場的後續結果**。

### 1.3 系統性因果不等於平均責任

為避免道德指責與經濟分析混淆，本文對任一行動者 $i$ 保留至少六個分開欄位：資訊可得性、決策權限、可控制的風險、獲得的收益、對他人的外部影響、已承擔的法定及契約義務。不同主體可在一欄有顯著因果影響、在另一欄沒有不法或失職。

例如：合法出售一張 GPU 的零售商可以獲利，這不等於它有義務替買方保證多年後 API 的性價比；反過來，依法管理公共資產的機關即便面臨科技熱潮，也可能需要就採購必要性、效益評估、程序與後續閒置接受更高程度的監督。兩者的權限、承諾與責任不相同。

---
## 2. 誰可能參與：不相同的主體、不相同的決策函數

| 主體／節點 | 可能的合理採購理由 | 可能出現的錯配 | 評估基準與責任不同之處 |
|---|---|---|---|
| 個人與家庭 | 離線推理、遊戲開發、學習、隱私與長期工具 | 購入超出任務需求的昂貴 GPU、RAM；後續很少使用 | 家庭財務、時間成本、娛樂或學習效用；不以企業獲利硬套 |
| 中小企業 | 自建客服、資料處理、文書、開發與內部工具 | 未比較 API、SaaS 和託管方案，設備被閒置 | 同品質任務的全持有成本與現金回收 |
| 大型企業 | 資料治理、專用模型、內網、可預測高負載 | 部門各自採購、重複機房、預算膨脹 | 整體資產共享、法遵及實際業務需求 |
| 政府及地方機關 | 民眾服務、公共韌性、敏感資料、主權需求 | 採購案與後續操作能力脫節、閒置或重複系統 | 公共服務品質、公平、可及性與法定採購監督 |
| 學校及科研單位 | 高教、實驗、尖端方法驗證、資料保護 | 無長期維護預算、設備與課程／研究斷裂 | 科學成果、學生培養、開放資源及實際共享率 |
| 醫療與關鍵基礎設施 | 高度敏感、備援、離線及低延遲 | 過度配置或機器更新不及維護制度 | 安全、可用性、臨床或關鍵服務改善；不是普通月活躍率 |
| 雲端服務與資料中心 | 對外提供規模化算力、合約承諾、容量冗餘 | 投建容量超過有效付費負載、技術折舊 | 併發服務 SLA、訂單、資金成本、維運和負債 |
| 原廠、組裝商、經銷商 | 因訂單擴產、提高庫存、提供售後 | 需求回調時庫存與產能難以收縮 | 真實銷售、庫存週轉、長約、應收帳款與誠信交易 |
| 融資者與資產管理方 | 提供擴產融資、分散曝險、取得收益 | 抵押品貶值、債務與合約回款同向惡化 | 盡職調查、槓桿、清償順位、資訊揭露 |
| 能源及公共基礎設施 | 因確實用電預期擴建供電與傳輸 | 預估負載不如預期、預留電網資源排擠其他用途 | 長期需求證據、機會成本、社區分配與環境外部性 |

對上述任一類別，都不能把「可能發生」改寫為「已經普遍發生」。尤其「備援容量」與「長期科研設備」不能用一般訂閱服務的閒置判準判定。

### 2.1 政府不等於沒有經濟紀律

政府不必取得商業利潤，但仍須能說明：為何服務必須由此種硬體提供、採購與替代服務方案的差異、部署與維護計畫、服務對象、驗收指標、資料安全、負責單位，以及資產汰換與退場安排。政策目的可以包括公平、主權、長期能力與緊急備援，卻不能由目的正當直接推導特定採購方案的有效性。

OECD《Digital Government Outlook 2026》調查 36 個國家的公共部門 AI 治理：只有 21 個國家（58%）提供中央 AI 採購支持、10 個國家（28%）回報對政府 AI 使用案例做過財務或非財務影響量測。這表明採購與績效量測能力存在可觀察缺口，但**沒有證明其餘 26 個國家的 AI 都沒有價值，也不是個別設備的閒置統計**。[S01]

美國 GAO 的 2026 年 4 月 AI 採購調查發現，有的政府採購明確由任務需求主導，也有產品功能由供應商主動提供，當時部分機關沒有系統性收集 AI 採購的經驗教訓。它對採購治理具有證據價值，但並非所有政府採購都由供應商推銷或失當的證明。[S02]

### 2.2 大型企業與資產集中

2026 年修訂的跨國企業調查涵蓋近 9,000 名企業高階主管，指出 AI 使用相當普遍，但支出高度集中：以調查範圍內的企業支出估計，約 2% 企業占超過一半的 AI 總支出。[S03] 此數據是**企業支出集中度**，不是全球 GPU 所有權集中度，也無法直接推出投資報酬分布。

這提醒研究不能只看採購主體數量：數百萬個小額訂閱購買者與少數大型資本支出者，可能對晶片、記憶體、電網、融資與二手市場產生不同強度的外部效果。

---

## 3. 由付款到退場：AI 資產的十二階段生命週期

本文提出候選**資本使用—成果吸收鏈**（Capital-to-Outcome Absorption Chain, COAC）。其階段不是必然單向，也允許試驗、停止、轉用途與重新進入。

| 狀態代碼 | 生命周期 | 可要求的證據 | 不得直接推論 |
|---|---|---|---|
| C00 | 購買預期／需求提出 | 原因、比較方案、用量預測、決策日期 | 已證明硬體必需 |
| C01 | 核准及簽約 | 採購標的、權限、合約、價格 | 已交貨或已付款 |
| C02 | 付款及交付 | 發票、實收、序號、驗收紀錄 | 已部署或產生服務 |
| C03 | 安裝及資產登錄 | 機房、供電、軟體、資產清冊 | 已有足夠使用者 |
| C04 | 正式可用 | 驅動、模型、網路、故障回復測試 | 效能已達業務要求 |
| C05 | 任務品質驗證 | 盲測、真實任務、延遲、錯誤率 | 已形成經濟收益 |
| C06 | 實際生產／服務使用 | 已驗收工作數、運行負載、服務可及性 | 每次運行都有正的增量價值 |
| C07 | 受益與分配核算 | 成本節省、品質改善、收入、受益者 | 社會所有群體均受益 |
| C08 | 更新／擴購決策 | 使用與需求成長、替代價格、新型號 | 過去投資一定成功 |
| C09 | 保留備援／部分閒置 | 預留理由、可靠度、恢復時間、持續成本 | 閒置必然是錯誤 |
| C10 | 再利用／轉售／報廢 | 二手成交、轉用、刪除資料、殘值 | 資產完全沒有剩餘價值 |
| C11 | 後評估及經驗沉積 | 跨期真實效果、政策或技術學習 | 前端盈利能代替後評估 |

**COAC 不是自然定律。** 其價值在於讓研究不再將「C02 已交貨」直接報告為「C07 已受益」。在跨機關、跨企業的資料中，一筆硬體採購也可能同時服務多個專案，須以設備 ID、使用時段和工作案建立歸因，避免重複計算。

### 3.1 四種「買了卻少用」不能混同

1. **需求從未存在：** 預測用量缺乏根據，部署後沒有符合需求的使用者。
2. **需求存在但無法部署：** 沒有維護者、專業人才、資料或合法授權。
3. **需求存在且可部署，但替代方案變得更有利：** 新雲端 API、較佳模型或其他採購方式降低了自建必要性。
4. **策略性備援／科研選擇權：** 平時低負載，但為中斷、資安、國防、重大災害、科研探索或未來自主演進提供有據可查的保留價值。

第 4 類可能具有合理性；第 3 類可反映技術快速進步下的正常選擇；第 1、2 類則需要追究原本預測、採購、部署與治理的原因。不能把四類直接統計為同一種「浪費」。

### 3.2 利用率至少要拆分五個量

- **硬體運行率：** 設備上電或執行運算的時段比例；可能包含無價值測試及空轉。
- **工作負載率：** 真正可用的 CPU/GPU/VRAM/記憶體工作集與吞吐量。
- **品質通過率：** 與指定業務規格一致的任務比例。
- **有效成果率：** 在反事實對照後，取得新能力、降低成本或提升服務品質之比例。
- **保留效益率：** 停用、緊急事件、法遵或科研選擇權為何值得保留部分空閒產能。

只拿 GPU 使用百分比一個指標，無法判定投資成功或失敗。對保留容量而言，更重要的是中斷情境的恢復能力；對科研設備而言，更重要的是成果及其可重用性；對大量常規 B2B 任務則要量測可持續合格吞吐量和全成本。

---

## 4. 五本帳與反重複計算：為什麼交易存在，不等於最終收益存在

### 4.1 資本及實物帳

記錄：機器、記憶體、硬碟、機房、能源接口、設備折舊、壽命、再利用和殘值。這是**存量及實物流量**；不能用股價上漲替代機器可用性。

### 4.2 金融與交易帳

記錄：購買付款、上游營收、貸款本金、利息、投資、補貼、租賃、折舊、二手資產交易。買方付款與賣方收入是同一交易的兩面，不能作為兩份互不相干的「新增社會淨收益」相加。二手轉售同樣涉及權利移轉，應保留實物服務與交易價格的不同口徑。

### 4.3 產出與實際吸收帳

記錄：被驗收的新服務、實際節省的可支出成本、品質、可靠度、時效、研究成果與可持續流程。不能以啟動次數、產生 Token 數、下載模型次數、設備規格或簽訂合約次數，直接代表完成的任務價值。

### 4.4 分配及生活世界帳

記錄：誰得到工資、股利、企業盈餘、公共服務、價格下降、保險保障與時間；誰承擔電價、稅負、債務、住房負擔、環境成本、停職與工時損失。這與 EWDT-21 的生產域、消費域、參與域及個體生活世界分離相容，但本稿不修改原始定義。

### 4.5 外部性及未來風險帳

記錄：電網連接、用電與水資源、資安維護、危機備援、碳排、融資再定價、資產快速過時及實體替代用途。部分是已發生損益，部分是條件風險；不可將期望損失誤當已實現的會計費用。

### 4.6 GDP、投資支出與社會淨福利不是同一個東西

正常的設備投資可能真實形成資本形成、供應商增加值、工資與相關稅收。即使買方之後很少使用設備，也不代表當期完全沒有經濟活動或相關 GDP。反之，交易、就業與會計產值存在，亦不保證與適當替代方案相比有正的長期社會淨收益。

因此本稿研究三個不同的增量：

- **買方增量效益：** 相同工作、品質及風險下，購買設備對買方帶來的淨差額。
- **供應鏈真實增加值：** 設備生產、運輸、服務與相關工作所得；須扣除中間投入並避免重複計價。
- **社會淨效益與分配：** 最終服務與風險降低的增量價值，減去真實資源機會成本和外部性，再分辨受益者。

把三者混成一個「AI 經濟效益」數字，恰好會遮蔽泡沫可能的形成與落地缺口。

---

## 5. 最小數學模型：需求、資產與收益的耦合

### 5.1 買方的反事實淨價值

對買方 $i$，令 $K_i$ 為當期已付設備及建置初始成本， $B_{it}^{v}$ 為第 $t$ 期可核實的服務／成本避免／其他效益價值， $O_{it}$ 為當期實際運維成本， $S_{iT}$ 為第 $T$ 期可取得且估值有根據的設備殘值， $\delta_i^t$ 為貼現係數。可定義候選比較式：

$$
V_i^{local}=-K_i+\sum_{t=1}^{T}\delta_i^t\left(B_{it}^{v}-O_{it}\right)+\delta_i^T S_{iT}.
$$

 $B^v$ 必須在明確品質與反事實條件下衡量，不可把使用者自行估計「省下 100 小時」直接換成 100 小時新增可支用收入。公共機關的 $B^v$ 可含經合適方法估算的可及性與安全改善，且要報告貨幣化困難和分配差異。

當同工量的 API、混合、自建之外購 SaaS 以及不執行專案均可行時，買方需要比較：

$$
\Delta V_i^{choice}=V_i^{local}-\max\left(V_i^{API},V_i^{hybrid},V_i^{SaaS},V_i^{none}\right).
$$

此比較式僅在**工作能力、安全、法遵及時間服務要求具可比性**時有意義。若某類敏感任務依法不得委外，或可用的外部契約確實不能履行指定要求，相關方案便不屬於可行集合，不應拿來當虛假的便宜替代品。

### 5.2 有效使用不等於可用容量

令 $H_{it}^{qualified}$ 為指定時窗內真正執行合格工作量的資源時數， $H_{it}^{available}$ 為在相同配置與維運條件下的可用時數，定義簡化的有效使用率：

$$
\nu_{it}=\frac{H_{it}^{qualified}}{H_{it}^{available}},\qquad 0\leq\nu_{it}\leq1.
$$

此比率**不是萬能效率分數**：高耗能但不合格的工作不應計入分子；低占用的備援資產則須另列 $R_{it}^{option}$，以其維持可用性的證據、預期避免損失或特定研究用途評價。不能為求高利用率而取消必要的災備或安全冗餘。

### 5.3 資產量、使用量與真正成果可呈非同步關係

令 $K_t$ 為全系統相關 AI 實體資產存量， $A_t$ 為可實際提供的服務容量， $Q_t$ 為已驗證服務量， $W_t$ 為可歸因的社會淨效益候選值。它們沒有一條普適且固定的比例：

$$
K_t\not\propto A_t,\qquad A_t\not\propto Q_t,\qquad Q_t\not\propto W_t.
$$

這裡的符號表示不可假定固定比例關係，並不表示因果關係不存在。設備容量仍是某些任務的重要必要條件，但不足以單獨證明收益或福利。

### 5.4 整體資本轉化鏈的候選觀測向量

將採購、部署、品質使用、效益、再投資及流動性風險拆為：

$$
\mathbf Z_t=\left(K_t,A_t,Q_t,B_t,D_t,U_t,R_t,L_t\right),
$$

其中 $K$ 為採購及存量， $A$ 為可服務容量， $Q$ 為合格工作， $B$ 為經驗證的實際效益， $D$ 為被需求吸收的有效量， $U$ 為資產更新與再購， $R$ 為轉售或殘值， $L$ 為資產及融資壓力。各維度單位不同，**不可直接相加**，也不可僅用單一分數作泡沫判斷。

---
## 6. 耦合不是修辭：有方向、有時間差的資本—供需網路

### 6.1 最小節點與關係

候選網路至少有十二類節點：個人／家庭、一般企業、政府／公共機構、科研教育、雲端服務者、模型開發者、GPU／記憶體供應鏈、資料中心建設商、能源／網路、金融資產持有者、設備二手市場、最終產品及服務的使用者。

重要邊包括：

| 關聯邊 | 可能的影響 | 時間尺度 | 應有的反向觀察 |
|---|---|---|---|
| 購買預期 → 訂單 | 預訂增加、供應商擴產預期 | 週至年 | 訂單取消、交貨延後、長約條件 |
| 訂單 → 價格及等待 | 供應緊縮下報價上升 | 日至季 | 新產能、競品、需求降溫 |
| 價格上漲 → 提早購買 | 可能形成搶購及備貨 | 日至月 | 高價抑制需求、改租用 API |
| 客戶設備到位 → 真實用量 | 可能轉化為生產服務 | 月至年 | 閒置、未驗收、無可支付需求 |
| 上游營收 → 融資預期 | 設備商／雲端商資產估值調整 | 季至年 | 現金流落差、外部融資收緊 |
| 融資預期 → 新資本支出 | 機房、電網、晶片擴張 | 月至多年 | 計畫推遲、資金成本增加 |
| 新雲端能力 → 本地採購 | 替代性強時可能抑制買機器 | 周至季 | 自建變得更便宜、資料需求改變 |
| 模型換代 → 舊機效益 | 記憶體限制、性能門檻變化 | 月至年 | 蒸餾、量化與專用模型進步 |
| 出清 → 二手價格 | 增加可負擔設備供給或壓低價格 | 週至季 | 新買方創造新增價值 |
| 公共採購 → 民間預期 | 政策示範與產業規模期待 | 季至年 | 實際評估報告與退出機制 |
| 金融條件 → 投資擴張 | 借款成本、融資意願與抵押品價值 | 月至年 | 降槓桿、股權注入、再融資 |

此表不將任何箭頭事先視為正向。「價格上漲」既可能促使提早購買，也可能壓制需求；API 品質上升既可能替代本地採購，也可能因新任務增加而提高整體算力需求。

### 6.2 形式化：候選動態耦合而非已證明的泡沫定理

令 $\mathbf x_t$ 為各類主體在時點 $t$ 的預期、容量、資金、實際使用、價格及收益等狀態向量， $\mathbf A_t$ 為經資料估計的跨主體有向耦合矩陣， $\mathbf z_t$ 為外部變化（例如模型能力、能源政策、利率、晶片供給）。提出研究式：

$$
\mathbf x_{t+1}=\mathcal F\left(\mathbf x_t,\mathbf A_t,\mathbf z_t\right).
$$

在某參考狀態附近，若可微且局部近似有效，則：

$$
\Delta\mathbf x_{t+1}\approx J_t\Delta\mathbf x_t+B_t\Delta\mathbf z_t.
$$

 $J_t$ 是以實測行為辨識的局部狀態雅可比矩陣， $B_t$ 是外部衝擊傳導項。若特定穩定近似的譜半徑大於一，可能存在局部擾動放大；但現實網路有價格調整、容量上限、融資限制、異質預期及政策回饋，不能把數學線性條件直接當成「全球必然崩潰」的證明。所需矩陣目前沒有資料校準，本文亦未提供任何已測得的全球特徵值。

### 6.3 局部理性集體失配的具體路徑

1. 某雲端供應商預測客戶將大幅增加付費推理，因此預訂 GPU。
2. GPU 原廠向上游下單，高階記憶體與製造產能重新分配。
3. 下游企業觀察到硬體漲價，擔心未來本地算力難買，於是提早購置。
4. 政府或學校為戰略與人才培養配置專用設備，可能與商業部門競爭相似資源。
5. 投資市場觀察營收、訂單與設備出貨，上調某些企業的中長期需求估計。
6. 新一代雲端模型及 API 部署成本下降，部分下游買家發現自建設備無法取得相同品質或價效比。
7. 部分已購資產處於低負載或尚未部署，延後擴購、轉售或改供其他工作。
8. 如果此時融資高度相關、產能難以改變用途，部分環節會承受需求落差與資產再定價。

此路徑是**待辨識的條件性因果敘事**，不是已經證明 2026 年所有買家依序經歷八步。不同企業亦可能在某階段得到真正穩定的長期需求，形成反向路徑。

### 6.4 IMF 所描述的「循環融資」是金融層的具體旁證

2026 年 10 月 IMF 技術研究以 AI 產業價值鏈分析企業股權、債務、營收承諾及資產過時風險的相互連結，認為集中、共同波動與環形融資可在商業化成果不及預期時放大外溢。[S04] 這是**整個產業可能受到網路式衝擊的可研究依據**，但不表示每份供貨合約均屬不當循環融資，也不表示金融穩定風險已達不可控狀態。

對本篇而言，金融網路與設備採購網路必須聯合觀察。即使某下游組織最終不使用新買的 GPU，上游供應商仍可能在交貨當期確認合法收入；其收入若被金融市場當作下一輪同幅成長的證據，就可能引入第二層預期誤差。這是潛在放大機制，不代表每次營收確認都沒有真實商品交付。

### 6.5 物理供應耦合也不是單一國家的電網故事

IEA 2025 年《Energy and AI》估計資料中心用電於 2024 年約 415 TWh，基準情境至 2030 年約 945 TWh，並指出區域電網容量與連線延遲可能影響項目落地。[S05] 電力需求與設備採購可能因真實 AI 使用而上升，也可能因建設期預期而走在需求前方；應對比**提出的預留 MW、實際送電、實際 IT 用電、真實服務吞吐量**，而不是僅以宣布的機房總容量測量 AI 成果。

IEA 預測是條件性能源展望，不是「所有資料中心投資都是泡沫」，也不構成特定年份必然金融崩潰的預言。

---

## 7. 「買完之後」的三個關鍵分支：閒置、再升級、出清

### 7.1 放著不用：是資本閒置、資訊不足，還是有效備援？

研究必須核對購買日至第一筆正式工作、總合格任務時數、維護者及故障記錄、資料集或工作流程可取得性、外部 API 可替代性。若長期沒有符合原計畫的使用，且沒有可證明的選擇權或公共備援價值，便可形成**候選低效資本存量**。

但設備被保留作備份，即使一年只演練兩次也可能有正效益。區分方式不是把備援硬體排除審計，而是記錄其設計事故概率、替代方案、實測復原時間、維護費與若無設備的反事實後果；若其預期避免損失足以支持成本，低使用率便未必代表錯配。

### 7.2 使用後仍持續買：更新週期可能形成重複需求

某組織可能因原模型速度不足、模型總權重增加、RAM 帶寬瓶頸、設備保固、用戶數增加或安全要求，而有理由持續升級；另一些組織可能只是因新型號發售、競爭對手採購、補助期限或跨部門「不想落後」而增購。

觀察者必須把採購批次 $b$ 與原有資產的已實現工作效益、剩餘壽命、轉用率及新設備的可驗收改善相連。**反覆購買並不自動等於需求真實擴張。**

### 7.3 不再買，反而出清：退出不等於毫無價值

設備所有者可能因需求轉移、融資緊縮、更新替換、辦公室搬遷、機房整合或雲端替代而出售 GPU。原買方的資本損失與新買方的廉價設備受益可能同時存在，交易也可能促進資本重新配置。社會總效益須重新評估設備第二生命週期是否被有效使用。

因此不能只憑二手 GPU 降價就說「社會資產全部歸零」。二手市場可能是**泡沫後的再吸收機制**，亦可能因集中拋售使負債企業承受額外壓力。

### 7.4 逆向因果及存活者偏差

觀察到倒閉企業在關閉前有閒置設備，並不能只憑此推斷「閒置設備造成倒閉」：客戶需求衰退、融資成本增加、產品失敗或管理問題都可能同時導致設備閒置與公司終止營業。反之，仍存續企業也可能存在虧損設備。研究須保留倒閉者、撤回招標者、已轉售者與未成交採購案，不能只看成功案例。

---

## 8. 四組純假設算例：支出、受益與再分配如何分開

以下均為 **SCN，刻意簡化，不是任何市場實際報價、臺灣政府採購統計或已證實的全球閒置率**。金額以新臺幣計，不考慮通膨、貼現、稅務及融資成本，除非另外說明。

### 8.1 私人組織：買機器與 API 的同成果比較

某組織購買本地 AI 設備及設置成本 100 萬元，三年每年額外運維 15 萬元；三年間每年完成的合格工作可驗證為 12 萬元效益，第三年末設備可售 20 萬元。

| 項目 | 三年金額 |
|---|---:|
| 已驗證總效益 | 12萬 × 3 = 36 萬元 |
| 初始設備與部署 | 100 萬元 |
| 運維成本 | 15萬 × 3 = 45 萬元 |
| 設備殘值 | 20 萬元 |
| 簡化買方淨價值 | **−89 萬元** |

$$
V_{local}=360000-1000000-450000+200000=-890000.
$$

假設 API 能夠在完全相同品質、資料治理和交付條件下提供相同的每年 12 萬元效益，每年總服務費 10 萬元；則三年淨價值為：

$$
V_{API}=3(120000-100000)=60000.
$$

兩方案在上述假設下的淨價值差為本地方案**低 95 萬元**。不能由此推論所有工作負載的本地部署均較差：若離線、不可委外、負載極高、外部 API 故障風險或技術品質不同，替代方案集合就需要重新定義。

### 8.2 公共機關：沒有商品收入不等於零效益

假設某公共機關採購特殊 AI 系統，初始成本 6,000 萬元，三年每年運維 600 萬元，末期殘值 600 萬元。若以可經獨立評估的服務品質、工作時間及居民可及性改善**合計假定**每年價值 1,400 萬元，則：

$$
V_{public,local}=3(14000000)-60000000-3(6000000)+6000000=-30000000.
$$

若另有一個同樣達到法遵、安全與服務要求的外部託管選項，每年總費 600 萬元、相同受益，且不需要新增設備、可完整在三年後退出，則其簡化淨價值為：

$$
V_{public,managed}=3(14000000-6000000)=24000000.
$$

在此**純假設**條件下，託管方案較優 5,400 萬元。但政府不能據此自動選雲端：若某些資料依法必須封閉部署、外部維持成本較高、災害應變價值巨大、或安全控制要求不同，兩者並非同等選項。此例真正要指出的是：公共服務可以有非市場價值，但仍可以比較替代方案的機會成本。

### 8.3 大規模共同採購：上游營收是真實的，下游使用不能直接推定

假設 100 個各不相關的組織，每個購買 200 萬元 AI 設備，形成總額 **2 億元**的真實銷售；交貨後有 30 個組織確實完成服務或產品驗收，70 個暫時沒有可追溯合格成果。

- 供應鏈當期實收交易額仍是 2 億元，不應說交易不存在。
- 不能直接宣稱 70% 採購額就是社會損失；要追查其備援選擇權、科研用途、時間窗、殘值與後續轉用。
- 也不能宣稱 2 億元全部已轉化成最終 AI 新增社會福利；仍須觀察不同組織的實際使用和其他資源成本。
- 更不能把 2 億元買方支出與 2 億元供應商銷售收入相加，宣稱創造 4 億元新增福利。

本例的「30／70」不是市場估計，而是讓研究者看見**總支出、已完成成果的採購件數與廣泛受益**可以有不同分母。

### 8.4 出清的再分配：買方受損但新買方可能得益

假設第一位購買者花 100 萬元購入設備，一年後以 60 萬元售出；忽略保養與期間使用價值，先前持有者對此交易的簡化價差為負 40 萬元。第二買方以 60 萬元購入，之後在使用期創造 150 萬元可核實總效益、另付 20 萬元維運，則其淨差為：

$$
V_{second}=1500000-600000-200000=700000.
$$

第一位買方的虧損並未阻止第二買方取得正效益。這也不是保證二手市場創造淨社會收益的證明：需要檢查真實生產資源成本、替代設備、交易摩擦和服務吸收，並避免把轉售價在兩位買家的福利帳裡重複計算。

### 8.5 為什麼不能只統計賠錢的人？

上述四例中，負的投資差額、正的供應鏈收入、政府公共服務改善和二手設備再吸收可以同時發生。只看一個主體會使結論偏頗；只看全體交易額又會隱藏重大錯配。**多帳本相互核對，才是全域耦合研究的最低要求。**

---
## 9. 誰得到收益、誰承擔成本：分配不是總量的附屬欄位

### 9.1 利潤、工資、時間、公共服務與財務虧損可同時出現

上游晶片供應鏈可能取得真實收入，組裝與電力工程勞工可能取得工資；對設備投資的公司可能拿到折舊資產、當期無法達成的客戶需求和負債；企業使用者可能節省部分時間，但並不獲得加薪；政府機關可能改進某類公共服務，卻無法證明新增設備優於租用或共享方案。這些情況不互斥。

若一條供應鏈先把預期反映為收入、資產價格與新投資，再發現終端需求不足，虧損可能出現在其他時間、其他資產持有者身上。資本市場能透過股價、債務、回購、租賃契約、應收帳款及資產殘值重新分配損失；**時間上的錯位與受益者的異質性，是此類泡沫需要被分配研究檢驗的核心**。

### 9.2 公共資源與機會成本

對政府機關，一元預算可用於硬體，也可能用於照護、公共網路、資安維護、資料治理、教育、交通、醫療或其他經公共程序核定的用途。評價某個 AI 計畫需要說明其可用於其他方案的比較價值，而不是因為「未花在 AI」就推論錯失科技發展；同樣地，也不能因為「花在 AI」就推論創造長期公共能力。

**這不是反對政府發展 AI。** 對自主科研、敏感資料、公共主權以及戰略備援，有時確實需要自有設備與專用機房。問題是要求採購理由與後續結果能被持續查核，並把法律上必要、不容易貨幣化的目標正確記錄。

### 9.3 過度投資也可能創造有價值的基礎設施

即使某時段的財務投資回報較差，部分 GPU、配電、網路與人力技能可繼續在其他用途使用。未來新模型也可能降低設備需求，釋放資產供其他研究、學校或小企業使用。因而「投資人虧損」不必然等於「文明完全沒有進展」。反之，局部具有再利用價值，也不足以替整個原始採購規模辯護。

### 9.4 真正要識別的是「增量」而非「AI 標籤」

若人類原本可以用現有電腦與 API 完成某項工作，新增昂貴硬體是否形成新的合格成果、提高可靠性或降低總成本？若只是將原有工作的付款對象由 API 廠商改為硬體商，而品質、成本與風險沒有改善，則這可能只是交易路由改變，而非新增可用能力。

同理：AI 採購專案如果使民眾辦事時間縮短、弱勢家庭取得先前不可及的資訊、政府服務錯誤率下降，即使沒有新增商業營收，也可能形成顯著真實公共價值。必須同時量測服務品質與福利分布，不能僅看公部門收支帳。

---

## 10. 跨機構的可歸責性：不是找一個人承擔全局，也不是責任真空

### 10.1 因果影響與規範責任的六維分離

對任何主體或組織，研究報告應分別回答：

1. **因果作用：** 它的決定是否真正在可觀察時段改變價格、需求、資本投資與其他人的選擇？
2. **資訊條件：** 決策時能合理取得哪些價格、用途、供應、風險與替代方案資訊？
3. **控制能力：** 是否能改變採購量、條件、驗證、融資、風險揭露與轉售政策？
4. **承諾及義務：** 是否負有法律、契約、預算程序、治理或資訊披露責任？
5. **利益與風險承擔：** 誰取得直接利益？誰承擔成本？損失是否被外部化？
6. **修復能力：** 哪些決策者可透過後續轉用、退款、治理、保險、查核、開放接口或市場政策緩解損害？

此矩陣旨在避免兩種不當歸責：**只看獲利即推斷違法／失職**，以及**以全域複雜性為由免除應可識別的程序義務**。具體責任仍依各法域的法律、契約、證據及程序判定。

### 10.2 同一企業內部也可能有多個互相衝突的決策者

採購部門可能依價格與交期選供應商；IT 部門需承擔維護；財務部門負責資產與折舊；業務部門可能沒有足夠需求；法務部門要求資料安全；董事會則面臨對競爭者動態的壓力。採購與收益分屬不同部門，可能導致「各部門皆達成局部 KPI，整體投資卻無法回收」。

研究上應辨識決策流程、不同部門激勵、實際負責驗收與運維的人，而不把一家組織視為具有無矛盾的單一大腦。

### 10.3 市場參與自由與市場後評估並不衝突

自由市場容許錯誤試驗、投資、退出與資產再配置。對 AI 新技術的探索，本就不應要求每個實驗百分之百成功。這並不表示不可研究系統性錯配、資訊不對稱、融資集中或外部性。市場價格對短期稀缺性可以提供有用訊號，卻不保證準確反映多年後 AI 模型的性能、訂閱價格、政府制度或所有買方的有效使用。

本文建議的是更清晰的**事前假設、可比較方案、事後資料、透明度與選擇權保存**，不是先驗禁止所有 AI 硬體購買，更不是由事後結果一概判斷任何買方當初是否愚蠢。

---

## 11. 現有觀測與反向證據：不能只有泡沫敘事

### 11.1 政府：有投入，但效益量測不夠普遍

OECD 2026 年觀察顯示受訪政府普遍嘗試 AI，但正式的採購協助、事後評估及公共利益量測並不普遍。[S01] 美國 GAO 另記錄實務上同時存在明確需求驅動與供應商先引入功能的採購路線，並提出跨機關保留採購經驗的必要性。[S02] 這些結果支持審計「採購—使用—效益」間的落差，不能直接轉化為「某政府買錯了多少 GPU」。

### 11.2 企業：AI 使用很廣，不等於都已達成規模化

McKinsey 2026 年企業調查指出，大型企業擴大 Agent 使用比率上升，但較小組織的規模化比率沒有同等變動。[S06] 同一份調查亦觀察到部分企業因能以 Agent 自行開發功能，而停止購買原先的某些軟體產品。這一點支持模型變強可能改變**買什麼**，但不能直接推出買方因此一定不需要高階本地運算。

英國政府 2026 年 AI Adoption Survey 報告中，部分已採用 AI 的企業反映營運成本沒有立即改變，另有企業使用免費或既有軟體內建 AI 功能而沒有單獨 AI 開支。[S07] 這是企業對使用與成本的調查，不是 GPU 設備閒置率，更不能把訪問結果外推成全世界所有中小企業。

### 11.3 AI 支出高度集中，與效益分配的關係仍待驗證

NBER 的 2026 年跨國企業調查指出 AI 企業支出具有高度集中現象。[S03] 對本研究而言，這提出一個測量問題：如果少數企業占據大部分投入，則**平均每家企業 AI 支出**不能代表上游設備實際需求與財務暴露；反過來，少數資本支出者成功創造巨額服務效益也可能超過許多閒置的小型實驗。應採用加權及分位數分組，並同時報告成功與失敗案例。

### 11.4 金融鏈條：營收承諾、借款及資產折舊可能一起重新定價

IMF 2026 年對 AI 產業結構的研究警告，外部融資依賴提高、循環融資、技術過時與集中度，可能在投資效益不及預期時形成放大衝擊；但也明言當前風險仍需按實際償債能力、資產負債表與市場條件評估，而不是宣稱已進入必然失控狀態。[S04][S08]

**因此，最重要的不是尋找單一「泡沫凶手」，而是從已實現的合約、現金流、設備與最終服務之間辨識有哪些真實且可逆、不可逆的關係。**

---

## 12. 2027–2028 年四個相互競爭的情境（SCN）

| 情境 | 主要條件 | 採購與資產行為 | 社會及市場結果 | 怎樣的資料會弱化此情境 |
|---|---|---|---|---|
| A 有效擴散 | 付費需求與公共服務、效率同步提高 | 續購由真實工作量主導，閒置比率低或備援價值可證明 | 產能與實際服務改善，回報較廣泛 | 合格工作量未增加或設備未被利用 |
| B 局部錯配而整體吸收 | 部分買方過度買進，雲端服務降價 | 出清、轉用途、API 化，少量企業受損 | 二手市場吸收、創業者受惠，不一定全面金融危機 | 大量資產無法二次利用且融資連鎖受損 |
| C 全域耦合放大 | 預期同向上修、融資相關、最終需求低於配置 | 訂單取消、出清、降價、停建、再融資困難 | 上游收入與資產估值調整，部分家庭及公共財政承壓 | 終端收入與用途可穩定支持容量及債務 |
| D 技術替代型重組 | 雲端前沿能力提升、專用本地硬體相對過時 | 一部分自建改為服務，其他用途維持或增加 | 企業購買方式變動，未必泡沫破裂 | 雲端價格優勢消失或有大量合法離線需求 |

不能將 A–D 當成互斥全球事件。不同國家、產業、模型任務和設備世代，可能在同一時刻分別落在不同情境。另不預設 2027–2028 年是所有市場共同的峰值或調整期限；此時間窗只是 AIBT 系列前瞻研究的起始觀測範圍。

### 12.1 論證需要的不是只有價格，而是同一批設備的追蹤

若想判斷某一市場是否經歷 C 類型的擴張與修正，須能將先前一年的合約與採購主體，配對到後續一至三年的有效利用率、部署結果、財務回報、更新意願與二手成交。單一月份缺貨、一次出清潮或某一大型企業股價回落，均不足以識別整個耦合機制。

### 12.2 如果主要原因不是過度購買？

必須保留景氣收縮、電力接入延後、法令限制、模型 API 價格變動、職員技能不足、資料取得障礙、硬體故障與不可預測的技術突破等替代解釋。若因果研究表明設備低使用率主要來自合理備援要求，或資本支出已帶來充分長期服務效益，則本篇的錯配敘事應下修。

---

## 13. 十六項可否證假說（HYP）

以下每條皆是候選研究主張，**不是 2026 年已得到證明的結論**。

| 編碼 | 可否證假說 | 可能支持的結果 | 可能否證或弱化的結果 |
|---|---|---|---|
| H01 | 缺少明確工作量基線的採購，在可比任務下較易形成長期低效使用 | 控制規模與產業後，C05–07 達成率較低 | 不存在差異或無基線組效益較高 |
| H02 | 若採購先於部署計畫，資本閒置期延長 | C02 至 C06 中位時間較長 | 完整流程無顯著差異 |
| H03 | 硬體缺貨預期可導致部分買方提前購置 | 價格及交期預期與購置提前相關，具因果支持 | 僅由已實現任務需求解釋 |
| H04 | API 價格與品質改善會改變部分自建 AI 的必要性 | 相同品質下雲端替代導致擴購下降 | 高端自建反而同步增加且有任務佐證 |
| H05 | 政府 AI 採購若缺後評估，低效益難被及時發現 | 無評估機關較晚發現問題 | 評估與否在問題發現上無差別 |
| H06 | 企業部門分立使 AI 資產重複採購風險增加 | 缺乏共享資產平台者多次買同類設備 | 集中、分立部署均有同等效益及無重購差 |
| H07 | 模型世代更新快於資產更新，可能降低部分本地方案的比較優勢 | 能力匹配與成本差隨時間惡化 | 量化與專用模型維持自建優勢 |
| H08 | 訂單預期與供應商資本支出會相互強化 | 訂單—融資—擴產存在可辨識反饋 | 投資完全由實收穩定需求獨立驅動 |
| H09 | 高相關槓桿與營收承諾會放大需求修正衝擊 | 相似基本面下高度相連者壓力較大 | 網路相連度與衝擊無關或增加韌性 |
| H10 | 大規模二手出清既可造成資產價格下行，也可讓新買方受益 | 成交跌價伴隨新使用者合格產出 | 下游新買方無實際用量或轉手價未下降 |
| H11 | 採購額增加與實際社會服務改善可階段性脫節 | 支出先上升而經驗證成果未跟隨 | 成果同比或超前且具可比因果證據 |
| H12 | 經證實的專業離線或備援要求可使低使用率合理 | 事故演練、停機避免價值足以支持成本 | 無預設情境也無可驗證備援效益 |
| H13 | 經調整後的營收流向與最終受益者高度不均 | 供應鏈上游受益與終端家庭效益差異顯著 | 廣泛而穩定的福利傳遞被證實 |
| H14 | 事前反事實 API 評估可降低錯誤硬體採購 | 受評組在相同任務品質下 TCO 較低 | 評估增加延遲且無節省或品質收益 |
| H15 | 再採購有時由原投資效益而非純市場信心驅動 | C08 與已驗證需求增量高度相關 | 再採購僅由價格及同儕行為解釋 |
| H16 | 全域耦合說明力高於單點歸因，且不抹除個別責任 | 多節點模型對後續變動具可重複的額外預測力 | 單節點模型同等或更準確且不漏重要機制 |

**否證要求：** 每一假說須預先定義樣本、處理組與對照組、測量視窗、合理混雜因素與公開的失敗判準。不能因模型複雜或部分例子合乎直覺，就宣稱「全域耦合」無法被推翻。

---
## 14. 可重複研究設計：從「誰買了」到「市場發生了什麼」

### 14.1 資料單位：一份採購、同一件實物資產、同一項工作案

最低資料集應有三類互相關聯的主鍵：

- **採購案 ID：** 採購者、供應商、日期、名義預算、最終成交、合約條件、付款、產權與使用授權。
- **資產 ID：** GPU、伺服器、記憶體、儲存、機房及能源接口之序號或匿名化資產代碼、安裝地、生命週期、轉用／出售。
- **工作案 ID：** 指定任務規格、資料敏感等級、誰驗收、服務品質、API 替代測試、實際成果、需求者及受益者。

可另以時間窗 ID 連結電網、財政、金融及二手市場價格資料。僅有設備名稱和總採購價格，無法建立從採購到成果的因果鏈。

### 14.2 候選資料字典（最小版）

| 欄位 | 定義／單位 | 為什麼需要 |
|---|---|---|
| `actor_class` | 政府／民間企業／家庭／科研／雲端等 | 分辨法權、任務與動機 |
| `purchase_date`, `price_paid` | 日期、當期幣別成交額 | 追蹤採購波段，非預估標價 |
| `planned_workload` | 事前指定任務與預期月量 | 檢查購買必要性與前後預測偏差 |
| `available_at`, `first_accepted_use` | 部署到可用及第一個合格成果的日期 | 區分閒置、延遲與驗收 |
| `monthly_qualified_tasks` | 可審計的合格工作件數及品質等級 | 避免用 Token 或時數代替成果 |
| `service_availability` | SLA、停機、緊急恢復能力 | 備援效益及信賴性 |
| `capital_cost`, `operating_cost` | 購置、電費、租金、維修、人員及資本成本 | 真實生命週期成本 |
| `api_alternative_cost` | 同一品質、法遵、時間窗下可行方案報價 | 取得合理反事實選擇 |
| `observed_value` | 實收款、可支出成本避免或可解釋公共服務增量 | 不把名義使用當收益 |
| `beneficiary_group` | 用戶、學生、病患、員工、股東、居民等 | 分配不能消失於組織平均 |
| `reinvestment_date` | 擴購、更新、轉用途之日期與原因 | 判定實際需求與重複採購 |
| `disposal_date`, `resale_price` | 出清與殘值 | 跟蹤二次吸收與金融壓力 |
| `funding_type`, `debt_terms` | 自有資金、補助、租賃、借款、長約 | 識別風險外溢及槓桿 |
| `option_value_evidence` | 備援、研究選擇權及演練紀錄 | 免將合理的低使用率誤判為浪費 |
| `environmental_impact` | 能源、水、土地、碳及地方公共成本 | 納入非交易外部性 |

應採取最小必要資料、權限控管、匿名化及合法保護採購或商業機密的方式，不要求公開私人模型資料、病患紀錄、API 金鑰或商業合約中的安全秘密。某些敏感機關不可能提供全部任務內容，研究可利用可信第三方審計的區間估計與匿名成果證據。

### 14.3 實驗 A：同等任務的本地、雲端與混合架構

在類似任務、品質、安全與交付時限下，依實際可行選項建立本地／託管／API 三組。先量測實際吞吐及成本，再比較三個月、十二個月及三年的差額；各組都要保留模型更新日、需求變化、硬體使用率、排程費用與資料權限，並且在最初公布退出條件。若外部提供者無法達法規要求，該樣本不適合與普通 API 直接作價格比較。

### 14.4 實驗 B：政府採購後評估的準自然實驗

在採購政策或補助制度分批導入的地區，使用相似職能、人口、財政和 IT 能力的政府機關作對照，測量可及性、錯誤、等待時間、民眾權益、勞動工時、設備有效利用率與總成本。應檢驗採購前的共同趨勢，避免將本來管理能力較強的政府機構的成功誤歸因於買設備；對於政務、國防、醫療等任務，必須有適當倫理與保密安排。

### 14.5 實驗 C：市場價格、融資與閒置的動態事件研究

觀測 AI 硬體世代交替、記憶體供應衝擊、API 降價、政策補助截止、長約履行及二手出清等事件。按買方類別建立不同時間窗，觀察：價格上升是否引致提前購買；已購容量是否轉為合格工作；出清是否與融資壓力相關；新買方是否真正投入生產。需要同時加入非 AI 硬體品類或其他地區作對照，控制一般景氣、利率及供應鏈週期。

### 14.6 事前註冊與可信的零結果

研究須先註冊 H01–H16 的主要因變數、排除條件、統計界線、替代解釋及敏感度分析。如果數據顯示大部分 AI 資產均有充分的直接或選擇權回報，本文的全域錯配擔憂應下修；若市場分散化令錯配能迅速由二手流通消化，亦不應為保護原先假說而繼續聲稱必然出現系統崩潰。

---

## 15. 可以採取哪些治理方式，而不把市場自由變成罪名？

此節為 **NOR：候選制度原則**。它不預設政府以行政命令管制所有本地硬體採購，也不主張應以某一私人平台取代所有公共服務。

### 15.1 採購前：要求任務、候選方案及最低驗收條件

對較大金額或公共資本支出，可要求事前記錄預定工作量與品質、必要法律條件、自建／託管／API／共享容量／暫不採購等可行替代、總持有成本、負責維護的角色、生命周期及退出方式。這不是先驗地認為買設備不對，而是避免在需求不存在或不可執行時建立資產。

### 15.2 採購後：不止驗收硬體，更驗收使用和成果

設備到貨通電只是物理驗收。若採購標的是「AI 能力」，更合理的後續紀錄應包括：任務品質、實際負載、可及性、故障處理、敏感資料使用、有效受益、報告與實際需求之差。年度預算可以保留實驗與科研彈性，但應知道實驗獲得什麼知識，而不是只計算完成多少採購案。

### 15.3 第二次採購：用第一輪的證據，而不是熱潮延續

擴建與硬體換代最好從第一輪工作案資料起算。若有新需求、新專用模型、更高法遵門檻，擴購完全可能合理；若設備空置且可共享，應先比較共享、延長使用、轉用途、租賃或出清。對公共設備，可設立定期跨部門共享登錄及公平接入程序，並保障資料與系統隔離。

### 15.4 出清時：避免讓資料、負債與外部性一併消失

設備出售與報廢應處理資料刪除、資安配置、保固、電池或電子廢棄物、回收及剩餘債務，並核對是否有人能以更低成本將其用於合格的新任務。二手價格透明有助於資源再配置，但不保證能避免所有被迫變現造成的損失。

### 15.5 責任：程序要清楚，但不做一刀切的責任分攤

政府、公私企業、設備供應者、雲端 API 提供者及金融機構應按各自可控制範圍保留必要紀錄。對於違約、虛假揭露、利益衝突或濫用公帑，適用原本法律與證據標準；對於善意且經合適程序的技術失敗，不應僅因事後價格下跌便推論不法。

### 15.6 經濟分配：評價應延伸至人，而不是只到企業財報

如果 AI 導入提高企業效率，相關利益可能流向利潤、工資、商品降價、公共服務、工作時間、供應商收益及其他資產持有者；也可能部分留在資本估值而尚未形成家庭可支配所得。AIBT-08／09／11 與 EWDT-21 已說明這種收入—購買力—生活世界傳遞不能被一筆設備採購自動完成。本稿僅補充資產及採購路徑，不把 UBI、GBI、動態股權或其他分配方案事先指定為唯一解答。

---

## 16. 總結：泡沫可能沒有單一作者，卻不能沒有全域檢驗

AI 硬體可能被真正需要的人購買，也可能因資訊不足而過度採購；政府可能為公共服務與韌性建設設備，也可能買來之後缺乏人才、用途或後評估；企業可能在某年取得真實收益，次年又因模型與 API 改進而停止追加資本；供應商可能因真實需求擴張營收，但尚未知道下游多年後的實際用途。這些歷程均可以是自由市場的正常探索組成部分。

因此，**全域性泡沫若發生，不應被直接歸咎為任何單一主體的個別人格、能力或道德缺陷。** 但「不是單點完成」也不意味所有人可以用全局複雜性逃避各自應負的法律、契約、信託、財政與資訊揭露義務。

真正有意義的總體問題不是「市場曾經花了多少錢」，而是：

- 支出形成了多少可持續、可驗證、可被使用的能力？
- 誰得到收益、誰在什麼時點承擔資本機會成本與風險？
- 購買之後是持續使用、擴張、閒置、保留備援，還是出清轉用途？
- AI 技術進展、雲端服務價格與硬體更新週期是否使初始投資迅速失去比較優勢？
- 相關融資、設備供應、能源建設、公共政策和市場信心是否會放大局部失配，或反而提供再吸收能力？
- 經濟收益是否穿過企業帳本，真正轉化成更廣泛的實質生活選項？

本文提出 GCCM／COAC 的目的，正是將這些問題放進可反駁、可檢驗的共同研究框架。**對經濟泡沫的判斷，既不應退化成單點責任敘事，也不應因承認自由市場的全域耦合，就放棄追蹤真實的資本效益、受益與責任。**

在 AIBT 系列中，這一番外也進一步說明：數位智能能力的長期擴張、某些硬體買家的錯誤投資、上游當期合法收益、金融資產重新定價、二手設備再利用及家庭有效需求不足，**可能同時存在**。只有逐層辨識，才不會把正常創新、資本泡沫與文明級技術進步錯當成同一件事。

---

## 參考來源與證據範圍

### 一、2026 年已公開的可核查外部資料

- **[S01] OECD (2026).** *Digital Government Outlook 2026*, chapter “Adopting and governing AI in government”. 36 國調查、政府 AI 採購支持、公共服務運用與效果評估。https://www.oecd.org/en/publications/digital-government-outlook_0496b2bc-en/full-report/adopting-and-governing-ai-in-government_7ef312a9.html
- **[S02] U.S. Government Accountability Office (2026-04-13).** *Artificial Intelligence Acquisitions: Agencies Should Collect and Apply Lessons Learned to Improve Future Procurements*, GAO-26-107859. 調查特定聯邦機構的採購策略與經驗管理，不是全球採購效率普查。https://www.gao.gov/products/gao-26-107859
- **[S03] Yotzov, I., et al. (2026; October revision).** *Firm Data on AI*. NBER Working Paper 34836. 跨國高階主管調查，企業使用、投入集中與職場預期，非設備閒置直接測量。https://www.nber.org/papers/w34836
- **[S04] Chen, Y., Gautam, D., & Wu, J. J. (2026-10).** *The AI Ecosystem: Structure, Financing, and Financial Stability Considerations*. International Monetary Fund, Technical Notes and Manuals. 探討價值鏈、融資相依、技術過時及集中風險；不宣稱當前已發生不可挽回的全球崩潰。https://www.imf.org/en/publications/tnm/issues/2026/10/06/the-ai-ecosystem-structure-financing-and-financial-stability-considerations-579504
- **[S05] International Energy Agency (2025).** *Energy and AI*, executive summary. 2024 年資料中心用電估計及 2030 年條件性展望。https://www.iea.org/reports/energy-and-ai/executive-summary
- **[S06] McKinsey & Company (2026-08-25).** *The state of AI in 2026: On the road to ROI*. 企業問卷，涵蓋 Agent 的規模化、軟體內製及報酬預期；非全球設備資產盤點。https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- **[S07] UK Department for Science, Innovation and Technology (2026).** *AI adoption survey report 2026: executive summary*. 企業 AI 使用、支出及自述成本效果；須保留調查方法與樣本適用範圍。https://www.gov.uk/government/publications/ai-adoption-survey-2026/ai-adoption-survey-report-2026-executive-summary
- **[S08] International Monetary Fund (2026-10-12).** *Global Financial Markets Face Rising Risks From AI, Bond Yields, and Cyberattacks*. 金融穩定、槓桿、AI 資本與相互承諾的外溢風險。https://www.imf.org/en/blogs/articles/2026/10/12/global-financial-markets-face-rising-risks-from-ai-bond-yields-and-cyberattacks

**外部來源方法限制：** IMF、IEA 的展望及風險分析不是已觀察到的未來；OECD、GAO、NBER、McKinsey 與英國政府調查的單位及樣本不同，不得把百分比機械相加為全球閒置比率。所有公開來源均截至 2026-11-01；沒有資料證明特定臺灣業者或政府機關藉 AI 囤貨炒價或大量浪費採購。

### 二、既有 EveMissLab 研究與直接前置（保留原定義）

- `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`
- `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`
- `AIBT_02_算力資本密度_能源約束與參數量悖論_v0.1_2026-10-31.md`
- `AIBT_05_自研模型的經濟合理性_API契約與供應風險的替代機制_v0.1_2026-10-31.md`
- `AIBT_08_替代與增強的交叉作用_生產力紅利如何分配_v0.1_2026-10-31.md`
- `AIBT_09_數位供給充裕_有效需求與購買力斷裂_v0.1_2026-10-31.md`
- `AIBT_10_開放人機委託市場_家庭智能資本與微型契約工作室_v0.1_2026-10-31.md`
- `AIBT_11_制度適應時間差_分配張力與AI朋克危機_v0.1_2026-10-31.md`
- `AIBT_12_泡沫之後的AI科技樹_前奇點失配與文明正和判準_v0.1_2026-10-31.md`
- `AIBT_硬體溢價_本地前沿推理與資本誤配_觀察備忘錄_v0.2_2026-11-01.md`
- `EWDT-18`：AI 候選世界域轉化、驗證、部署、吸收及沉積；以原始正式文稿為準。
- `EWDT-21_自動化社會閉合與廣泛世界域傳遞_v0.1_2026-10-06.md`
- `AICET_11_智能收益分配購買力與經濟需求循環_v0.1_2026-10-28.md`

**原始研究邊界：** GCCM、COAC 是本番外為研究設計提出的工作名稱，非已存在的普適經濟學定律，不覆寫 EWDT／AICET／SAS 系列。上述原稿的一切正式學術定義仍以其各自 UTF-8 原始檔為準。

---

## 附錄 A｜最小數學與比較口徑表

| 符號 | 用途 | 注意 |
|---|---|---|
| $K_i$ | 買方初始設備及建置支出 | 不等於社會總機會成本的唯一項 |
| $B_{it}^{v}$ | 已驗證的增量效益 | 須說明受益者、驗收與比較基線 |
| $O_{it}$ | 當期運維與相關費用 | 避免與建置初始支出重複 |
| $S_{iT}$ | 末期資產殘值 | 不能假設必可按標價成交 |
| $V_i^{local}$ | 買方部署淨價值 | 私人及公共部門的效益口徑應不同 |
| $\nu_{it}$ | 合格使用時數／可用時數 | 不適合單獨判斷備援設備 |
| $\mathbf Z_t$ | 多維資本—服務—效益狀態 | 不可直接加總不同單位 |
| $\mathbf A_t$ | 跨主體的耦合矩陣 | 須另行以事件、財務及採購資料辨識 |
| $J_t$ | 局部動態對狀態的敏感性 | 未估計前不可聲稱達到泡沫臨界 |
| $\Delta V_i^{choice}$ | 自建與最優可行替代的淨差 | 須同工量、同法遵及同品質 |

### 附錄 A.1：不可用單一數據代替的五個判斷

1. **採購／成交 ≠ 可用容量。**
2. **可用容量 ≠ 合格且被需求吸收的成果。**
3. **合格成果 ≠ 完整可支付現金收益。**
4. **個別供應鏈利潤 ≠ 全體淨社會福利。**
5. **系統耦合的因果解釋 ≠ 人人責任相同。**

### 附錄 A.2：與 AIBT 研究總綱的最小接合

如果 AI 能力提高、設備需求及金融融資共同加速，但結果沒有形成能被長期使用的成果，則 AIBT 所觀測的資本壓力、供需錯位、科技能力變化和社會分配失配，可能在同一時期互相放大。若市場透過有效新任務、公共服務、設備二次利用、API 降價與資本再配置將過量供給吸收，則同樣的科技擴張亦可能產生較溫和的調整或正向結果。二者均須接受實際證據的裁決，不能由標籤「AI 泡沫」或「自由市場」先行決定答案。

---

**完稿標記：** AIBT-EX01 v0.1／2026-11-01；本文所述「2027–2028」均為前瞻測試窗口而非已觀察結果。原始檔的數學公式以 ` $...$ ` 與 `$$...$$` 為唯一正式分隔符。尚未實施代表性全球資料蒐集、跨機關實地審計及外部同行評審。