OpenAI 豪賭算力，AI 經濟學變了

OpenAI 在 2025 年傳出年化營收超過 200 億美元。這數字很大，但另一個數字更刺眼：它牽動的基礎設施承諾，已經不是幾個機櫃，而是用 GW 來算的電力規模。

講白了，AI 需求真的有起來。只是需求越高，不代表生意越好做。當每多一個使用者，都可能多出一筆不小的推論成本，營收成長有時反而像在追著帳單跑。

這也是我覺得現在最值得看的地方。AI 競爭已經不只是模型誰比較聰明，而是誰能用更低成本，把同樣的回答穩定送出去。

OpenAI 為什麼開始淡化對 Nvidia 的依賴

過去幾年，Nvidia 幾乎就是高階 AI 晶片的代名詞。H100 到 Blackwell，大家搶著買，因為訓練大模型就是要最強的通用加速器。這件事到現在都沒變。

但市場開始分成兩塊。訓練是一門生意，推論是另一門生意。訓練要的是極限效能，推論更在意延遲、功耗、單次查詢成本，還有整體資源利用率。

所以你會看到 OpenAI 不再只盯著單一供應商。它傳出跟 Cerebras 談推論算力，也傳出租用 Google TPU，還跟 Broadcom 合作自研推論晶片，並交給 TSMC 以 3 奈米製程生產。

這不是為了湊熱鬧。這比較像財務壓力逼出來的選擇。若推論成本壓不下來，產品越成功，帳單越難看。對一家使用量狂飆的公司來說，這很傷。

• OpenAI 在 2025 年的年化營收，傳出已超過 200 億美元。
• 對比 2023 年約 20 億美元，兩年內規模差了 10 倍。
• 部分產業說法認為，Google TPU 在特定推論情境的效率，可超過同級 GPU 方案 2 倍以上。
• 市場也傳出 OpenAI 與 Broadcom 的自研推論晶片，目標在 2026 年量產。

更大的訊號很清楚。AI 已經不是一顆晶片打天下。訓練叢集和推論叢集，開始往不同方向最佳化，供應鏈也跟著分裂。

真正卡住 AI 的，可能不是晶片，是電

很多人談 AI 基礎設施，第一反應還是晶片缺貨。這沒錯，但說真的，電力常常更麻煩。你有一整棟加速器伺服器，若沒有足夠供電、散熱和電網接入，機器就只能擺著。

這也是為什麼 OpenAI 的算力故事，現在會一路連到公用事業、電池儲能、天然氣機組，甚至地方政府的能源規劃。AI 資料中心不再只是機房工程，它越來越像能源工程。

和 OpenAI 相關的基礎設施合作方，已經串成一整條長鏈。你會看到 Oracle、Crusoe、CoreWeave、Nvidia、AMD 和 Broadcom 都被點名。相關承諾規模傳出超過 26 GW，這已經是公用事業等級的需求。

Crusoe 在德州 Abilene 的案子很有代表性。外界描述該案規模已擴到 1.2 GW，分散在多棟建築。再加上和 Lancium 的合作，包含電池儲能、太陽能整合、天然氣備援，這已經不是單純買伺服器就能解決的事。

“America has a real opportunity to build a lot more datacenter capacity than any other country.”

— Satya Nadella

Microsoft 執行長 Satya Nadella 也多次提到，限制 AI 擴張的因素包含電力與施工能力。這點很實際。晶片短缺會拖慢部署，電力不足則會讓已經買下來的硬體直接閒置。

• AI 資料中心的限制，常見是供電、冷卻與電網接入，不只是 GPU 交期。
• 26 GW 這種量級，代表 AI 建設已經碰到區域能源規劃層級。
• 德州案場顯示，電池、太陽能、天然氣備援會一起上。
• 能快速拿到電力的營運商，接下來很可能比單純有機房空間的人更有優勢。

需求很熱，但商業模式還是有點尷尬

看表面數字，AI 市場確實很火。Microsoft 一直提到 Azure 受 AI 工作負載帶動。Google Cloud 也公開談過 Gemini API 使用量快速上升。連 TSMC 的資本支出計畫，都透露客戶還會繼續下單高階矽晶片。

但真正難的問題是，這些需求能不能變成健康毛利。原始素材提到，OpenAI 在某些時期的推論成本可能高於相關收入。若這個方向沒錯，很多動作就說得通了，像是自研晶片、找更便宜的推論供應商，甚至嘗試廣告等新變現方式。

我覺得這裡很像航空業或電信業，不太像大家熟悉的純軟體公司。使用量成長很快，聽起來很美。但如果每多一個活躍使用者，就要多燒不少算力和電費，規模不一定會先帶來利潤，反而可能先帶來壓力。

這也是為什麼「AI 是不是好生意」和「AI 有沒有需求」其實是兩個問題。前者看的是單位經濟，後者看的是市場熱度。現在市場對後者幾乎沒有懷疑，對前者則還在算帳。

• 素材提到 OpenAI 2026 年現金消耗可能達 170 億美元。
• 對比 2025 年約 90 億美元，壓力還在往上走。
• 長期基礎設施與租賃承諾，傳出到 2030 年可能上看數千億美元。
• JPMorgan 等金融機構已關注 AI 基建融資中的債務與私募信貸角色。
• Meta 也傳出動用私募信貸籌措大型資料中心資金。

這裡還有一個很多人忽略的點。當 AI 基建越來越靠債務與信貸撐起來，風險就不只留在模型公司本身。它會一路傳到雲端業者、建商、公用事業、地方銀行，還有能源供應商。

競品怎麼打，差異其實很明顯

如果把 OpenAI 放進整個產業來看，現在的競爭已經不是單純比模型榜單。Google 手上有 TPU、雲端、資料中心和自家模型。Microsoft 有 Azure、企業通路，還綁著 OpenAI。Meta 走開放權重和自建基礎設施路線。每一家都在用不同方式解同一題：怎麼把 Token 成本壓低。

OpenAI 的難點在於，它的產品熱度很高，API 與 ChatGPT 需求也很強，但它不是從硬體起家，也不是從公有雲起家。這代表它在供應鏈和資本結構上，要比 Google 這種垂直整合玩家更辛苦。

Nvidia 依然是最大贏家之一，這點短期很難變。問題是，Nvidia 最強的地方在訓練市場。當推論市場規模越來越大，專用晶片、客製 ASIC、TPU 這類方案就會開始搶份額。這不是 Nvidia 突然不行，而是市場需求本身變了。

• Google：自有 TPU、雲端平台、模型服務，整合度最高。
• Microsoft：企業客戶基礎深，Azure 能直接承接 AI 工作負載。
• Meta：靠自建資料中心與開放模型攤平成本。
• OpenAI：產品需求最強之一，但供應鏈掌控力相對較弱。
• Nvidia：訓練仍是核心優勢，推論則面臨更多專用硬體競爭。

對台灣供應鏈來說，這也很有感。因為不管是 GPU、TPU、ASIC，最後很多先進製程還是得看 TSMC。講白了，模型公司在比誰更會花錢，晶圓代工廠在看誰能持續下單。

台灣開發者該怎麼看這波變化

如果你是開發者，這波變化很直接。第一個影響是 API 定價不會只是產品策略，它會越來越受基礎設施成本牽動。模型供應商今天降價，背後可能不是佛心，而是推論效率變好了。

第二個影響是模型選型。以前很多團隊習慣先看 benchmark，現在要多看延遲、Token 成本、上下文長度、區域供應和 SLA。模型再強，若成本撐不住，專案上線後會很痛。

第三個影響是架構設計。越來越多團隊會採混合策略，大模型處理難題，小模型吃日常任務，再搭配快取、RAG、路由器和批次處理。這不是花招，這是把雲端帳單壓回可控範圍的基本功。

對企業採購也是一樣。你買的不是單一模型，而是一整套供應穩定性。包括算力來源、地區法規、資料駐留、服務中斷風險，還有價格會不會半年後又變。

接下來 24 個月，看四個數字就夠了

我會先看四個指標。第一是電力容量。第二是每 Token 推論成本。第三是企業付費轉換率。第四是新建叢集的利用率。這四個數字，會比模型榜單更早反映誰真的把生意做順。

若 OpenAI 和其他模型公司能在 2026 年前，把推論成本有效壓低，例如降到目前的一半附近，同時維持使用品質，那現在這波基建狂衝還算合理。若成本降不下來，市場就會開始重新評價整條 AI 產業鏈。

對開發者來說，最實際的建議很簡單。別只追最新模型，先把自己的工作負載分層。哪些請求一定要最強模型，哪些其實 1/5 成本就能解，先算清楚。AI 市場接下來比的，會是誰把效能、成本和供應穩定性一起顧好。

最後留一個問題給你。如果明年模型品質只進步 10%，但推論成本降了 60%，你會選哪一邊？我覺得多數公司最後會用錢投票。