一、Elon Musk 的動機：不只是錢，是敘事的控制權

Musk 長期公開表示，SpaceX 不會上市，「至少要等到火星殖民地建立之後」。這個立場在 2026 年初悄然翻轉，背後的動機不難理解，但也不僅僅是資金需求。

首先是現金壓力。SpaceX 在 2026 年 2 月以全股票方式合併了 Musk 的 AI 公司 xAI，而 xAI 每月燒錢約 10 億美元，用於 AI 模型訓練與計算基礎設施。Starlink 的 EBITDA 雖然健壯——2025 年達到 58 億美元，佔總收入約 54% 的利潤率——但顯然不足以同時支撐 Starship 火箭的研發、月球基地計畫、以及 xAI 的無底洞。IPO 若能籌得高達 750 億美元，將是史上規模最大的上市案，遠超 2019 年沙烏地阿美的 294 億美元記錄。沙烏地公共投資基金 (PIF) 據報導已準備投入 50 億美元，這個背書本身就是一則強力的市場訊號。

但 Musk 的動機從來不只是財務工程。他正在與時間賽跑——搶在 OpenAI 和 Anthropic 之前叩關公開市場，試圖以「太空 AI 數據中心」的敘事取得估值定錨的主導權。一旦他的 IPO 先以 2 兆美元的估值完成，後來者的比較基準就此確立。這是敘事版的先占策略：讓市場先接受你的宇宙觀，再讓競爭者在你的框架內解釋自己。

值得注意的是，Musk 本人在 4 月 3 日於 X 平台發文，說「不要相信你讀到的一切」，暗示對 2 兆美元估值目標有所保留。這個動作耐人尋味：公開降溫預期，有助於在路演時製造驚喜；或者，它僅僅是一個習慣性的現實扭曲動作——先否認，再超越。

二、投資銀行的角色：配合、背書，還是保持距離？

SpaceX 的 IPO 代號為「Project Apex」，目前已有 21 家銀行參與其中，確認擔任主要承銷商的包括 Bank of America、Citigroup、Goldman Sachs、JPMorgan Chase 和 Morgan Stanley。21 家銀行的規模令人矚目——相比之下，Visa 2008 年籌資近 200 億美元只用了 8 家銀行。

對投資銀行而言，參與一場潛在的 750 億美元 IPO 是無法拒絕的邀約。承銷費用、後續的股票研究覆蓋、公司融資業務、機構配售的關係鞏固——這些利益環環相扣，使得大型銀行幾乎必然選擇靠攏。更關鍵的是，Musk 據報導要求有意參與 IPO 的銀行家與律師事務所，必須先為旗下的 Grok AI 助手開設帳號。這個細節耐人尋味——它不只是一個推廣動作，更是一種篩選機制：Musk 在測試誰願意完全進入他的生態系。

然而並非所有機構都選擇全力擁抱。部分分析師的疑慮集中在 xAI 合併案上：原本投資太空公司的資金，突然承擔了一個在 AI 領域屬於後進者、且持續虧損的業務。xAI 上季度營收約 1 億美元，而 OpenAI 同期月營收已達 20 億美元——差距達 60 倍。對強調基本面的機構投資人而言，這個缺口難以用「垂直整合創新引擎」的說法一筆帶過。

謹慎的投資銀行會採取一種務實的姿態：承接承銷業務，同時在研究報告中保留對 xAI 整合風險的獨立評估空間。真正的風險管理在於，銀行在為 IPO 定價時，是否有勇氣對 2 兆美元的估值說出「這需要解釋」，而不只是幫助客戶把數字賣出去。

三、Starlink 的真實面貌：護城河與天花板

就核心商業邏輯而言，Starlink 是一個結構優雅的業務。截至 2025 年底，Starlink 擁有逾 900 萬訂閱用戶，分佈於 155 個國家以上，過去兩年連續倍增。2025 年全年營收估計達 106 億美元，約佔 SpaceX 總收入 158 億美元的 67%，EBITDA 利潤率高達 54%——接近軟體公司的水準，而非傳統硬體製造商。

這個利潤結構的關鍵在於：一旦超過 9,600 顆低軌衛星（LEO）星座建構完成，每新增一個訂戶的邊際成本趨近於零。SpaceX 目前每週仍以約 70 顆衛星的速度持續擴充星座，相當於工業化量產而非傳統航太節奏。它的硬體端也規劃每天生產 15,000 套接收終端，以規模壓低成本曲線。

Starlink 的競爭對手幾乎不存在於同一個技術層次。Amazon 的 Project Kuiper 服務尚未正式上線，目前在軌衛星數量僅為個位數。地球靜止軌道（GEO）衛星服務商受制於 22,000 英里的軌道高度，延遲高達數百毫秒，無法與 Starlink 聲稱的 25 毫秒延遲競爭。在此意義上，Starlink 目前確實擁有接近獨佔的低軌寬頻衛星市場地位。

但護城河的深度需要與目標市場的廣度一起評估。目前 T-Mobile 在美國擁有約 1.4 億訂戶，是 Starlink 全球總用戶數的 14 倍，而 T-Mobile 的市值僅是 SpaceX 估值的一個零頭。Starlink 服務於偏遠地區、航海、航空、政府國防（Starshield 產品線）等場景，定位清晰，但這些場景的總潛在用戶規模，是否能支撐 2 兆美元的估值，是一個合理且懸而未決的問題。

在直連手機（Direct-to-Cell，DTC）服務方面，Starlink 已有超過 600 萬月活用戶，且尚未全面商業化。它選擇與現有電信業者合作而非取代，如與 T-Mobile 的合作模式——本質上是為電信商提供覆蓋延伸服務，而非直接競爭。上週與預付費電信商 US Mobile 的捆綁方案合作，每月低至 47 美元，則是另一個試圖打開消費市場的嘗試。然而大多數主流電信業者對與 SpaceX 的深度合作仍保持警惕，因為 DTC 服務的長期邏輯確實存在替代威脅。

直連手機（Direct-to-Cell，DTC）關鍵運作流程總結：

1. 手機 → 透過 LTE 訊號發送訊息給 Starlink 衛星。

2. 衛星 → 將訊號回傳至 Starlink 地面站。

3. 地面站 → 將數據接入 合作電信商網路。

4. 電信商 → 處理通話、簡訊或網路請求，完成連線。

SpaceX 同時也參與了 FCC 的 AWS-3 頻譜拍賣，與 T-Mobile、Verizon、AT&T 同場競技。在 2025 年它已斥資約 170 億美元向 EchoStar 購入頻譜。這一系列動作清楚顯示，Starlink 的野心不只是偏遠地區的衛星補充服務，而是一個有意在核心移動通訊市場佔據一席之地的競爭者。電信業者的觀望態度，可能在未來數年逐步轉變為防禦性布局。

四、信徒的邏輯與懷疑者的依據

在投資 Elon Musk 的業務時，有一種固定的認知分歧反覆出現。Tesla 的故事給了信徒最有力的歷史證據：電動車、能源儲存、軟體定義汽車——每一個業務在起步期都遭受質疑，過去十年股價累計漲幅接近 3,000%。對這批投資人而言，SpaceX 的 IPO 是另一次相同賭注的機會。

但批評者的立場同樣有數據支撐。Tesla 的自駕車業務，至今仍是一個被過度承諾的領域：真正無人駕駛的 Robotaxi 數量據追蹤資料顯示僅有 9 輛，而 Waymo 已在多個城市部署數千輛完全自動駕駛車輛。Musk 在 2024 年曾宣稱 Tesla 正在「翻開新的一本書」，起筆是自駕與機器人；截至 2025 年底，Tesla 股價自高點已下跌近 30%，汽車銷量也受到策略重心轉移的衝擊。

SpaceX 的業務邏輯與 Tesla 的過往有一個結構性差異：火箭發射業務的進入門檻極高，Falcon 9 自 2011 年以來已發射超過 640 次，佔全球軌道發射總量的一半以上，NASA 同期在耗費數百億美元後，僅發射 SLS 火箭兩次。這個技術壁壘是真實存在的。但衛星寬頻業務的護城河性質不同——它更接近規模競爭，而非技術壟斷。當星座規模、製造效率、頻譜資源都能被資本購買時，後進者（如 Amazon Kuiper）的長期競爭力不應被輕易排除。

還有一個結構性隱患值得正視：SpaceX 收入的另一大支柱是美國政府合約。政府業務的政治敏感性意味著，Musk 與特定政治人物的關係若出現裂痕，或執政版圖發生位移，都可能對合約的延續性產生干擾——這是任何財務模型都難以精準定價的變數。

五、IPO 後的股價管理：機制、論述與風險

一旦 SpaceX 上市，維持股價上漲動能需要幾個機制協同運作。

論述的持續升級是最核心的工具。Musk 已預示下一個敘事層次：太空 AI 數據中心。他的論點是，太空中的太陽能幾乎無限，地面數據中心的電力成本幾年後將高於軌道數據中心。OpenAI 每年向 Oracle 支付 600 億美元購買 4.5 GW 的計算能力；Musk 計畫在軌道上建立數倍於此的算力。這個願景足夠宏大，也足夠模糊，使得短期基本面的不足可以被長期想像力稀釋。

投資銀行的研究覆蓋將形成一條重要的支撐鏈。21 家參與承銷的機構，在 IPO 後將各自發布研究報告，初期偏多的評估幾乎是必然的——承銷商的角色與客觀研究之間的利益衝突，是資本市場的老問題，SpaceX 不會是例外。散戶投資人透過 Robinhood 或 SoFi 等平台參與，雖然熱鬧，但初始分配往往稀少。

Musk 的個人品牌效應在估值中扮演難以量化但不可忽視的角色。Pitchbook 的分析師直接寫道：「這種訂戶增長、發射主導地位、以及直連手機業務的組合，在公開市場上獨一無二。」這句話的潛台詞是：你無法找到另一個可比的估值參照，因此估值的上下界限極為寬鬆。

風險在於，2 兆美元的估值要求未來幾年內訂戶數量大幅躍升，並維持接近軟體業的利潤率，同時 xAI 的整合必須從燒錢轉向創造協同效益。任何一個環節的失速，都將在高估值倍數的槓桿下放大成股價衝擊。

六、給讀者的投資觀點：清醒地在泡沫邊緣站立

在試著給出一個乾淨的投資判斷之前，必須先承認這是一個不尋常的案例——它在財務上嚴謹，在估值上飄忽，在敘事上極具感染力。

看多的理由是真實的：Starlink 的技術壁壘與先發優勢確實存在，54% 的 EBITDA 利潤率不是空話，衛星星座的垂直整合優勢也不是輕易可被複製的。火箭可重複使用技術使 SpaceX 的發射成本遠低於任何競爭者，這讓它能以競爭者無法企及的速度持續擴充星座。

但 2 兆美元的估值要求你同時相信幾件事：Starlink 能從目前的 1,000 萬用戶擴張至足以支撐全球電信業格局重塑的規模；xAI 能從目前每季 1 億美元的營收，成長為真正有競爭力的 AI 平台；太空數據中心的構想能在幾年內從概念落地為營收；以及 Musk 的政治關係不會對政府合約造成系統性干擾。這些條件缺一不可，而且每一個都帶有相當的不確定性。

對於一般投資人，較務實的思路可能是：等待 IPO 後的首份完整財務報告公開，屆時可以用真實數字而非外部估算去驗證 Starlink 的成長軌跡。上市初期的炒作溢價通常在 6 至 12 個月內會有一次回歸基本面的修正——這是機構投資人鎖定期屆滿、散戶熱情消退後的自然過程。

若你是堅定的 Musk 信徒，參與 IPO 或上市初期的持倉，對你而言是一致的選擇，前提是你能接受高估值帶來的波動風險，且你相信他過去那種「先宣稱、後實現」的模式會在 SpaceX 重演。

若你是基本面投資人，SpaceX 的真正買點，或許是某個 Starlink 訂戶數據開始質疑高增長假設、估值出現大幅修正的時刻——如果那個時刻到來的話。

SpaceX 是一家真實且卓越的公司，正在以一個真實但極具爭議的估值上市。這兩件事同時成立，並不相互矛盾。清醒地持有這個張力，比倒向任何一個極端，都更接近正確的投資姿態。

這是黃仁勳在 NVIDIA 年度 GTC 主題演講中拋出的核心命題。

NVIDIA 帶著壓力走進這場盛會。市值已逾 4.4 兆美元，但今年股價持續承壓——投資人正在尋找 AI 熱潮仍在擴張的具體證據。黃仁勳給出的答案是：NVIDIA 目前預測，至 2027 年底，AI 晶片的累計市場機會規模將突破1 兆美元。

然而，這個數字背後，藏著一個不容忽視的伏筆。

Read more

被誤讀的「軟體末日」—— Agent 究竟是敵是友？

顛覆性敘事的幻象

市場近期出現了「軟體末日（Software Apocalypse）」的聲音，認為 AI Agent 將取代人類操作軟體，導致以「人頭數」計價的 SaaS 模式崩潰 。空頭擔心，當 AI 可以直接調用 API 或操作電腦時，用戶將不再需要訂閱昂貴的 Microsoft 365 。

微軟的防禦邏輯：Work IQ 與數據護城河

微軟的數據證明事實正好相反。M365 Copilot 付費席位已達 1,500 萬，年增率達 160% 。

• Work IQ 的壟斷性：微軟最強大的資產是隱藏在 M365 底下的數據，這包含了企業內部的組織架構、關係網與溝通細節 。

• 從「外掛」到「中樞」：當 Anthropic 的 Claude Cowork 或開源的 Moltbot 試圖執行任務時，它們必須接入微軟的數據層（Fabric & Foundry）才能獲得準確的企業上下文（Context） 。

• 結論：Agent 不是軟體的終結者，而是軟體的「超級用戶」。用戶對軟體的使用強度（Intensity）翻倍，平均對話數增長 2X ，這反而鞏固了微軟的議價能力。

算力套利——為什麼 Azure 成長「看起來」減速？

需求超載下的資源配給

市場對 Azure 成長率從 39% 微調至 38% 感到失望 。但真相是：微軟正在進行一場精密的「算力套利」。

• 主動選擇的減速：CFO Amy Hood 坦言，如果將 Q1、Q2 上線的 GPU 資源全部給 Azure，其 KPI 成長率將超過 40% 。

• 優先供應高 LTV 產品：微軟選擇限制第三方 Azure 客戶的算力，優先供應利潤更高、生命週期價值（LTV）更強的 M365 Copilot 與 GitHub Copilot 。

• 邏輯轉變：微軟已不再單純追求雲端營收，而是在資源稀缺的環境下，追求「每瓦特、每美元產出的 Token 價值」最大化 。

RPO 的「OpenAI 依賴症」解析

微軟的 RPO（剩餘履約價值）達到驚人的 6250 億美元，但其中 45% 來自 OpenAI 的單一合約 。

• 風險：這引發了對營收過度集中與「循環營收」的擔憂 。

• 機會：這筆合約本質上是 OpenAI 預定了直到 2032 年的伺服器產能，為微軟的百億級 CapEx 提供了保底現金流 。

• 多元化：扣除 OpenAI 後，微軟其餘業務的 RPO 仍成長 28%，顯示出 AI 需求已擴散至金融、醫療（Dragon Copilot encounter 增長 3X）等傳統產業 。

垂直整合——Maia 200 與「AI 代工廠」戰略

自研晶片的毛利保衛戰

AI 時代的毛利殺手是 NVIDIA 的高價 GPU。微軟推出的 Maia 200 晶片，標誌著其進入「軟硬一體」的時代 。

• 效能數據：Maia 200 採用 3nm 工藝，在 FP4 精度下提供 10+ petaFLOPS 算力，效能是亞馬遜 Trainium 的 3 倍 。

• TCO 戰略：Maia 200 的總擁有成本（TCO）比現有商業晶片低 30% 。

• 目的：微軟不需要 Maia 取代 NVIDIA，只需用它來承載內部的「推論（Inference）」工作。當 1,500 萬 Copilot 用戶每天對話時，使用自研晶片能將 Azure 的毛利率拉回至與 CPU 時代相當的水準 。

品牌升級：Microsoft Foundry

微軟將 Azure AI Foundry 去掉「Azure」前綴，更名為 Microsoft Foundry 。

• 平台化策略：Foundry 託管了包括 Claude 4.5、Mistral、Llama 在內的 1.1 萬個模型 。

• 戰略定位：這類似於軟體界的 TSMC（台積電）。微軟不在乎最後是哪個模型贏，因為所有的 Agent 開發者（如 Alaska Airlines, BMW）都必須使用微軟的 Foundry 平台工具進行部署與管理 。

策略性對沖——微軟「騰龍換鳥」攜手 Anthropic

引入競爭者 Anthropic：Copilot Cowork 的策略性意義

為了回應 AI Agent 挑戰，Microsoft 與 Anthropic 展開深度合作，將 Claude Cowork 引入其 AI 平台，命名為 Copilot Cowork 。

• 主動進化：此服務可代表企業用戶執行跨應用的任務，如製作簡報、將數據拉入 Excel 或發送電子郵件安排會議 。

• 填補代溝：這項更新為 Microsoft 注入了此前重創 SaaS 行業的 Agentic 能力，賦予其應對 AI 時代原生競爭者的武器 。

• 數據護城河：當 Agent 執行任務時，它們必須接入 Microsoft 的數據層（如 Work IQ），這包含了企業內部的組織架構、溝通細節與歷史記憶，這反而鞏固了 Microsoft 的中樞地位 。

• 微軟的底氣：微軟擁有 OpenAI 的 27% 股權（帳面獲利約 1350 億美元），但在產品端，微軟正迅速「多樣化」 。

• 算力控制權：不論 OpenAI 或是 Anthropic，都受制於微軟的算力分配。微軟通過引進競爭對手，進一步壓低了與模型供應商之間的談判成本。

現在是買入的好時機嗎？

估值回歸：統計學上的支撐

微軟目前的股價已跌至極具吸引力的水準：

• 200 週均線（Support Line）：歷史上，當股價接近 200 週均線（目前約 $375 附近）時，隨後一個月的回彈機率極高（過去兩次均上漲約 15%） 。

• 本益比溢價消失：微軟的 forward P/E 已回落至約 22 倍，與標普 500 指數持平 。對於一家營收成長 17%、淨利成長 24% 的科技巨頭來說，這幾乎是「白菜價」 。

潛在上漲催化劑

1. 2026 年 7 月的大規模漲價：微軟預告部分 M365 方案將漲價 33%，這將直接貢獻 2027 財年的利潤 。

2. CapEx 效率提升：隨著自研晶片 Maia 200 大規模鋪設，雲端業務的利潤率壓縮將會緩解。

3. Agent 變現：Agent 365 平台的推出，將讓微軟從「軟體訂閱」跨入「Agent 管理費」的新藍海 。

結語：被恐懼掩蓋的長線金礦

微軟目前的低迷，是市場在轉型期陣痛中的集體盲視。它正在經歷從一家「賣 Office 席位」的公司，向「控制全球 AI 算力與 Agent 流量」的帝國轉型。

如果你相信 AI 將滲透到全球 GDP 的每一個角落，那麼微軟就是這個新時代的「總入點」。它擁有最深的企業數據（Work IQ）、最廣的模型選擇（Foundry）、以及自研硬體的成本優勢（Maia）。

當敘事在恐懼中見底，往往就是 Alpha 收益產生的時刻。

從早期的 RNN 到如今統治世界的 Transformer 架構，演算法的每一次躍進，都在對底層算力提出全新的拷問。當數學家將計算圖從「時間序列」改寫為「空間矩陣」，晶片設計師便被迫推翻舊有的邏輯，重新排列億萬個電晶體的佈局。這是一場由軟體定義硬體、再由硬體反向制約軟體的雙向博弈。

本文將帶領讀者穿透表層的喧囂，深入技術的核心肌理。我們將從 RNN 的結構性困局出發，解析 Attention 機制如何引爆並行運算的革命，進而探討這場數學變革如何重塑了 GPU、TPU 與 ASIC 的設計哲學，並最終將競爭的戰場推向了記憶體頻寬（HBM）與資料互連的物理極限。這不只是一篇關於晶片技術的分析，更是一份解讀現代算力地緣政治的底層邏輯導航圖。

歷史的轉折：RNN 為什麼無法支撐今天的 AI？

在 Transformer 橫空出世之前，自然語言處理領域的絕對王者是遞歸神經網路（RNN）及其變種 LSTM 與 GRU。它的運作哲學非常符合人類直覺：一次讀一個字，將當下的理解作為「狀態」（State）傳遞給下一步，以此記住過去、理解未來。

然而，這種看似合理的邏輯，在設計上卻犯了一個致命的錯誤：每一步都絕對依賴前一步。

這一點可以從 RNN 的核心公式中看出：

在這個公式中，h_t（當前狀態）的計算必須等待 h_t-1（前一刻狀態）完成。這種數學特性帶來了三個嚴重的副作用：

1. 時間相依性（Sequential Dependency）： 在計算第 5 個 token 之前，系統必須先算完第 4 個。這意味著計算過程被鎖死在時間軸上，無法跳躍。

   

2. 無法並行（No Parallelism）： 即使你的 GPU 擁有 20,000 個運算核心，在 RNN 的架構下，大多數核心只能處於待命狀態，因為任務無法拆解。

   

3. 梯度問題（Gradient Vanishing/Exploding）： 在長序列中，誤差訊號需要穿越漫長的時間鏈條反向傳播（Backpropagation），這導致訊號容易在途中「消失」或「爆炸」，使模型難以學習長距離的關聯。

   

簡而言之，RNN 本質上是一條「很長、很窄、很慢」的計算管道。隨著資料量與模型規模的指數級增長，RNN 的天花板並非來自數學理論的不足，而是來自計算圖（Computational Graph）的結構性限制。

二、Attention 的橫空出世：一次看全部

2017 年，Google 團隊發表的論文《Attention Is All You Need》改變了一切。這篇論文的核心思想只有一句顛覆性的話：模型不必按順序閱讀，每個詞可以直接「看見」整句話。

這就是 Self-Attention（自注意力機制）1。

它徹底改寫了計算圖的結構：不再是依賴時間順序的「接力賽」，而是一場所有詞彙同時發聲的「大合唱」。所有的輸入可以同時進入模型，並行計算彼此之間的關聯性。

三、自注意的關鍵數學：Softmax、餘弦相似度與多頭

要理解為什麼 Transformer 能釋放算力，必須理解其數學核心。

1. 相關性來自「投影空間」

在 Attention 機制中，每個詞都會被轉換成三個向量：

• Q (Query)： 你想查詢什麼？

• K (Key)： 這個詞的特徵是什麼？

• V (Value)： 這個詞的實質內容是什麼？

運算的靈魂在於這條公式：

這裡發生了三個關鍵步驟：

1. Q 與 K 做點積（Dot Product）： 本質上這就是在計算「餘弦相似度」。模型在問：「這兩個詞的關係有多緊密？」

   

2. Softmax 標準化： 將計算出的相似度分數轉化為機率分佈（權重），讓強關聯的詞獲得高權重，弱關聯的歸零。

3. 加權 V： 用這些權重去提取 Value 中的資訊。

2. 多頭注意力（Multi-Head）的立體視角

Transformer 不僅僅做一次 Attention，而是將其拆分為多個「子空間」（Heads）。這就像是讓模型戴上不同的眼鏡：

• 有的頭專門關注語法結構。

• 有的頭專門捕捉語意關聯。

• 有的頭專門尋找長距離的依賴關係。

這種設計讓語言理解從平面變得立體，且所有計算皆可並行處理。

四、革命真正的起點：Self-Attention 帶來的三個算力訊號

Transformer 的成功，不僅是因為它更聰明，更是因為它的計算方式終於與現代晶片架構完美匹配。它向硬體界發出了三個關鍵的「算力訊號」，決定了後續硬體發展的命運：

1. QKV 訊號 —— 矩陣乘法成為主角

在 Transformer 模型中，80% 至 95% 的浮點運算（FLOPs）都是在執行 GEMM（通用矩陣乘法）。

這導致了通用 CPU 的衰落與加速器的崛起。CPU 擅長的複雜控制邏輯在這裡變成了包袱，而專門處理大規模矩陣運算的加速引擎成為了必需品。

2. Vector 訊號 —— 那 5% 的瓶頸

雖然矩陣運算佔了大頭，但 LayerNorm、Softmax 和 RoPE（旋轉位置編碼）等操作屬於逐元素（Element-wise）的向量運算。

根據阿姆達爾定律（Amdahl’s Law），無論矩陣單元多強大，如果向量處理單元跟不上，整體的運算速度仍會被這 5% 的低效運算拖慢。這迫使晶片設計必須兼顧矩陣與向量的平衡。

3. KV Cache 訊號 —— 推理時的真正戰場

這是目前 AI 推理面臨的最大挑戰。在生成文字時，每生成一個新的 token，模型都需要讀取整段歷史對話的 Key 和 Value。

這導致了一個現象：推理的瓶頸往往不是算力，而是記憶體頻寬。 HBM、記憶體帶寬與延遲，突然超越了運算核心，成為主角。

五、從算法到架構：晶片世界被迫重排

為了響應上述訊號，晶片巨頭與新創公司分別走上了不同的道路：

1. Google TPU：資料流優先的 Systolic Array

TPU 並非僅僅是一個「更強的 GPU」，它代表了一種完全不同的哲學：先設計資料流，再設計硬體。 它採用 Systolic Array（脈動陣列） 架構，就像規律的心跳：

• 每個單元只負責最簡單的「乘法 + 累加」。

• 資料像血液一樣有節奏地流過陣列。

• 幾乎沒有指令分支預測，非常契合 Transformer 這種固定型的矩陣乘法。

2. NVIDIA：通用平台的王者

NVIDIA 的 Tensor Core 讓 GEMM 運算變成了硬體級公民，但它的王牌在於「通用性」。

• CUDA 生態系、cuDNN 與 TensorRT。

• 龐大的開發者社群。 這構成了深寬的護城河。NVIDIA 的晶片雖然不是針對單一模型最高效的，但它是最通用、最好用、適應性最強的。

3. ASIC 派（Groq、Cerebras、Etched）：把特化做到極致

Groq 提出了激進的主張：延遲（Latency）比吞吐（Throughput）更重要。

• 拒絕外部 HBM，改用片上 SRAM 作為 KV 倉庫。

• Pipeline 完全可預期（Deterministic），沒有動態調度。 這讓 Groq 在處理第一個 token 時極快，但也受限於 SRAM 的容量，難以承載超大模型。而像 Etched 這樣的公司則專為 LLM 推理「刻」晶片，效率驚人，但靈活性極低，一旦模型架構改變，晶片可能就此失效。

Groq LPU 設計精髓：以「確定性」打破記憶體高牆

在 AI 硬體競賽中，Nvidia 的 GPU 憑藉強大的平行運算能力和 CUDA 生態系佔據主導地位，但 Groq 的橫空出世代表了一種截然不同的晶片設計哲學。LPU 並非為了圖形渲染或通用運算而生，它是專為 LLM 推理速度而極致優化的產物。

Groq 設計的精髓可以概括為兩個核心概念：「確定性」與「軟體定義硬體」。以下從三個維度深入剖析：

1. 根除硬體調度，擁抱絕對的「確定性」

傳統 GPU 採用「多核心 + 快取（Cache） + 動態調度器」的架構。當數據進入 GPU 時，硬體調度器會動態決定哪個核心處理哪個任務，數據何時進入快取或記憶體。這種機制雖然靈活，但也帶來了不可預測性——如果發生 Cache Miss（快取未命中）或記憶體爭用，延遲就會產生。對於需要逐字生成（Token-by-Token）的 LLM 來說，這種微小的延遲累積起來就是巨大的效能瓶頸。

Groq 的做法是：完全移除硬體中的動態調度器、分支預測器和快取控制器。

在 Groq 的架構中，一切都在編譯階段就決定好了。Groq 的編譯器確切知道每一個指令在每一個時脈週期會在哪個運算單元執行，數據會在什麼時間點流動到哪裡。這種確定性執行（Deterministic Execution）意味著沒有硬體層面的「猜測」或「等待」，從而消除了硬體管理的 overhead。就像交通系統，GPU 像是設有紅綠燈的繁忙路口（需要動態調整），而 Groq 則是時刻表精確到毫秒的高速鐵路，列車永不誤點，也無需煞車。

2. 擊碎記憶體高牆：SRAM vs. HBM

LLM 推理的主要瓶頸通常不是「算力」，而是「記憶體頻寬」。GPU 依賴 HBM，雖然容量大，但數據仍需從外部記憶體搬運到晶片核心，這段物理距離限制了速度。

Groq 選擇了一條激進的路線：全晶片 SRAM（靜態隨機存取記憶體）。

Groq 的晶片沒有使用外部 DRAM 或 HBM，而是將所有記憶體直接整合在晶片內部的 SRAM 中。SRAM 的速度比 HBM 快得多，且延遲極低。這使得 Groq 的頻寬利用率極高。雖然單顆晶片的 SRAM 容量非常有限（僅約 230MB），無法裝下一個巨大的 Llama-3 模型，但 Groq 透過極高速的晶片間互連解決了這個問題。

Groq 將數百顆晶片串聯，邏輯上視為「一顆巨大的晶片」。因為它是確定性的，編譯器可以將模型權重完美地切分並分佈在數百顆晶片的 SRAM 中，數據在晶片間流動如同在晶片內部一樣順暢。這讓 Groq 在處理 Batch Size = 1 的即時推理時，能展現出驚人的 Tokens per second。

3. TSP 架構：數據流動的流水線

Groq 的架構被稱為 TSP（Tensor Streaming Processor）。其核心佈局並非傳統的「核心陣列」，而是功能切分的「切片」。晶片上不同的區域分別負責矩陣乘法（MXM）、向量運算（VXM）和記憶體讀寫（MEM）。

數據在晶片上的流動是有方向性的（通常是從東向西），指令流則是從北向南。這種設計讓數據像在工廠流水線上依序經過各個加工站，無需來回搬運。這種時序指令集（Temporal Instruction Set）讓軟體能夠精確控制數據在晶片上的空間和時間位置，最大化了運算單元的利用率。

總結

Groq LPU 的設計精髓在於「簡化硬體，複雜化編譯器」。它拋棄了通用處理器為了適應不確定性而設計的複雜電路（Cache, Scheduler），換取了極致的傳輸效率和運算密度。

雖然這種設計面臨著「記憶體容量成本極高」（SRAM 成本遠高於 HBM）的挑戰，需要堆疊大量晶片才能運行大模型，但它成功解決了 LLM 應用中最痛的點——延遲。對於需要即時語音對話、極速代碼生成的場景，Groq 提供了一種物理層面上更優越的解法。

六、晶片路線的博弈：誰押對未來？

這場博弈的決勝關鍵，在於誰能在算力、記憶體容量與互連頻寬之間找到最佳平衡點。

七、軟體的靈魂：編譯器，其實才是 AI 晶片的控制台

硬體如果沒有編譯器，就只是一塊會發熱的石頭。 無論是 Google 的 XLA、NVIDIA 的 CUDA/TensorRT，還是 PyTorch Glow，編譯器決定了算子如何拆解、指令如何排列、數據要放在哪一級快取（Cache）運行。

誰控制了編譯器，誰就控制了生態。 這解釋了為什麼 NVIDIA 難以被撼動——它的護城河不只是 GPU 本身，而是經過十幾年積累、高度優化的整個軟體堆疊。

在探討 AI 晶片與算力競爭時，我們往往將目光聚焦在硬體的規格——誰的製程更先進、誰的記憶體更大。然而，真正決定這些昂貴硬體能否發揮效能的，其實是一個常被忽略、卻至關重要的角色：AI 編譯器。

傳統觀念中，編譯器（如 C++ Compiler）的角色僅是「翻譯」，負責將人類寫的程式碼轉譯為機器能懂的指令。但在 AI 的世界裡，編譯器的難度與職責發生了質變。它不再只是翻譯官，而是調度千軍萬馬的「作戰司令部」。

1️⃣戰略調度：決定算力的真實極限

AI 編譯器處理的對象並非單純的程式碼行，而是整張神經網路計算圖。它的核心任務是對這張圖進行分解、重排、並行化與壓縮，並將其精準地分發到硬體的各個單元。

如果把 AI 模型比作一場大型戰役，編譯器就是在做微觀戰術指揮：

• 兵種配置：這層卷積運算（Convolution）適合派往 Tensor Core 執行。

• 糧草補給：這段 KV Cache 必須優先放入 HBM，以確保數據不卡彈。

• 陣型拆解：這段矩陣乘法太過龐大，需拆解成 128 個區塊（Tile）並行處理。

• 輕量化作戰：這裡是否能啟用 FP4 量化來換取速度，同時確保精準度不下降？

這意味著，編譯器決定了「怎麼跑」。同樣的模型、同樣的硬體，若換上一套更成熟的編譯器，效能可能直接提升 30% 至 200%。這並非理論，而是近十年來 GPU 訓練與推論優化的鐵律。

2️⃣最後一哩路：將「理論」轉化為「產品」

AI 領域的創新速度極快，Transformer、Mixture-of-Experts(MoE)、FlashAttention 等概念層出不窮。但若沒有編譯器的支持，這些創新只能停留在論文階段。

以 FlashAttention 為例，其本質是優化注意力機制在記憶體上的存取路徑（讓數據「走得更短」）。然而，要讓這個數學上的優化變成開發者人人可用的工具，必須依靠 NVIDIA TensorRT、PyTorch 2.0（Dynamo/Inductor）或 OpenAI Triton 等編譯層的實作。

編譯器是連接「學術論文」與「商業產品」之間的最後一哩路橋樑。許多新創晶片公司之所以失敗，往往不是因為硬體設計不夠酷炫，而是缺乏強大的編譯器堆疊，導致開發者無法將先進的理論模型落地到其硬體上。

3️⃣三大核心戰場：記憶體、並行與量化

AI 編譯器的技術價值，具體體現在它解決了當前 AI 算力的三個核心瓶頸：

1. Memory Wall：今日 AI 的效能瓶頸往往不在計算速度，而在於「資料搬運」。編譯器必須精算每一筆資料的流向：哪些放 L1/L2 Cache？哪些放 HBM？KV Cache 如何復用？很多看似魔法般的提速，本質上是編譯器在記憶體排程上的勝利。

2. 複雜的並行調度（Parallelism）：當模型大到單晶片無法容納，必須依賴 Tensor Parallel 或 Pipeline Parallel 時，如何讓成千上萬顆晶片同時工作而不互相等待（Bubble），靠人力手寫已不可能。這必須仰賴編譯器與 Runtime 的自動調度。

3. 量化與算子融合：從 FP16 到 FP4，每一步壓縮都需要數學驗證與編譯重排。若編譯器不夠智慧，模型雖然跑得快，答案卻會變「笨」。真正厲害的架構，是讓編譯器自動找到「速度與精度」的最佳平衡點。

4️⃣生態護城河：誰掌握編譯器，誰就定義規則

NVIDIA 之所以難以撼動，真正的護城河並非僅在於 GPU 晶體本身，而在於 CUDA + TensorRT + Triton 構築的軟體生態。

NVIDIA 幾乎控制了 AI 程式語言的表達方式、算子的排列邏輯以及記憶體的佈局。當一位工程師打下 import torch 時，他其實已不自覺地選擇了 NVIDIA 的世界觀。這就是所謂的軟體鎖定。

競爭對手如 AMD（ROCm）、Google（XLA/TPU）、Intel（OneDNN）以及 Meta/OpenAI 大力推動的 Triton 與 TVM，本質上都是在進行同一場戰爭：試圖打破編譯器的壟斷。因為所有人都明白：先搶下編譯器的話語權，才有可能搶下硬體的市佔率。

投資與產業啟示

縱觀半導體歷史，硬體往往負責初期的「吸睛」，但最終的「獲利」與「控制權」總是落在軟體與標準制定者手中。

• 短期看硬體：誰的晶片快、誰的 HBM 大。

• 長期看編譯器：誰能讓開發者最順暢地部署模型。

對於 AI 晶片新創而言，沒有編譯器，就永遠只能做別人的外包，無法進入主流框架；而對於巨頭而言，掌握編譯器就掌握了生態的議價權。這也是為什麼 NVIDIA 不急著降價，Google 堅持自研 TPU，而 OpenAI 即使不賣晶片也要投資自家編譯器工具的原因。

八、物理極限登場：記憶體牆與 KV Cache

隨著人工智慧模型規模突破百億、千億甚至兆級參數，產業焦點正在發生根本性的轉移。如果說 AI 的訓練階段是典型的「算力受限（Compute-Bound）」場景，那麼 AI 推理正一步步跌入「記憶體受限（Memory-Bound）」的深淵。

當前的核心瓶頸已不再是 GPU 的計算核心跑得不夠快，而是資料無法「夠快、夠便宜」地搬運到算力單元旁邊。這就是經典的 Memory Wall 問題：處理器的計算速度呈指數級增長，但記憶體的頻寬與延遲改善卻相對緩慢，導致處理器在大部分時間裡並非在運算，而是在「等待資料」。

1️⃣硬體解法：HBM 與先進封裝的生命線

為了突破記憶體牆，HBM 成為了現代 AI 的生命線。HBM 之所以爆紅，是因為它從物理層面解決了兩大關鍵痛點：

1. 極致的頻寬： 傳統 DDR 或 GDDR 的頻寬遠遠不足以餵飽現代 GPU 的矩陣運算引擎。HBM 透過極寬的匯流排設計，提供了維持算力飽和所需的吞吐量。

2. 縮短物理距離： HBM 不再通過長長的主機板線路連接，而是透過先進封裝（如台積電 CoWoS、Intel EMIB）直接「堆疊」在 GPU 旁。這不僅大幅降低了延遲，也顯著減少了資料搬運的功耗。

因此，先進封裝已不再是附加價值，而是「把記憶體變快」的唯一物理途徑。 沒有 CoWoS，就沒有 NVIDIA H100/GB200；沒有 HBM，就沒有今天的大型語言模型（LLM）推理能力。

然而，這也帶來了殘酷的代價：HBM 成本高昂、良率受制於「短板效應」（多晶片堆疊中一顆損壞即整顆報廢），且供應鏈高度集中（SK 海力士、三星、美光）。這導致半導體產業的利潤池正在重分配——價值從單純的「邏輯算力」向「記憶體與封裝」轉移。

2️⃣架構歧路：ASIC 的極致與侷限

面對記憶體牆，Groq、Cerebras、Etched AI 等 ASIC 新創公司選擇了另一條激進的道路：既然搬運資料昂貴，那就把記憶體直接搬進晶片裡。

這些架構採用大量片上 SRAM，其優勢在於極低的延遲和與算力同頻的頻寬，在處理特定推理模式時效率驚人。然而，這種設計面臨著致命的物理限制：

• 成本與面積： SRAM 的面積巨大且成本極高。

• 良率與價格： 晶片越大，良率越差，價格呈指數上升。

• 容量瓶頸： SRAM 的容量始終無法與 HBM/DRAM 相比。

因此，SRAM-based ASIC 本質上是在犧牲泛用性與容量，以換取極致的低延遲。當模型參數持續膨脹、「上下文（Context）」不斷變長時，「塞不下」將成為這類架構難以跨越的結構性障礙。

• 優勢： 這種設計消滅了資料傳輸的距離，讓頻寬與算力同步，實現了極致的低延遲。

• 代價： 為了換取速度，犧牲了泛用性與容量。一旦模型參數過大或上下文過長，這顆昂貴的晶片就會面臨「塞不下」的物理極限。

3️⃣核心瓶頸：KV Cache 的成本黑洞

在 Transformer 架構的推理過程中，隱藏著一個巨大的資源黑洞——KV Cache（鍵值緩存）。

為了提高效率，模型在生成新 Token 時，不會重新計算過去的序列，而是將過去的 Key/Value 儲存起來。這看似聰明，卻帶來了三個致命後果：

1. 記憶體佔用的線性爆炸： KV Cache 的大小隨著「輸入長度 × 層數」線性增長。當上下文越長，Cache 就像滾雪球般佔據大量顯存（VRAM），導致伺服器必須保留記憶體來「存資料」而非「做運算」。

2. 推理變成「頻寬遊戲」： 每生成一個 Token，GPU 都必須從龐大的 KV Cache 中拉取資料進行注意力運算。此時瓶頸完全卡在記憶體頻寬上，算力利用率低，但電費與硬體折舊卻在持續燃燒。

3. 併發能力封頂： 企業最終發現，限制服務用戶數（Concurrency）的不是算力，而是 KV Cache 佔滿了記憶體。80% 的推理成本，其實源於記憶體佔用與頻寬消耗。

4️⃣技術突圍：正面挑戰記憶體效率

為了解決 KV Cache 帶來的成本問題，新一代的軟硬體架構正在發起一場效率革命。無論是 Meta 的 Context Parallelism、NVIDIA 的 FP4 量化、DeepSeek 的 MLA（Multi-Head Latent Attention）架構，還是 PagedAttention 等新算法，矛頭都指向同一個戰場：

「如何少存一點 KV？如何更快地搬運？如何用更少的記憶體完成同樣的推理？」

這不僅僅是工程優化，更是決定 AI 推理成本曲線能否下降的關鍵。

市場啟示：價值鏈的重組

在「記憶體牆」的制約下，未來 3-5 年硬體價值鏈將由以下三類玩家主導：

1. HBM 與先進封裝（必然受益者）： 記憶體成為新黃金，而封裝是開啟金庫的鑰匙。SK 海力士、三星、美光以及掌握 CoWoS/SoIC 技術的台積電是最大贏家。

2. 能降低 KV Cache 成本的效率革命者： 能夠從演算法（如 FlashAttention）、編譯器（Runtime/Compiler）或專用晶片（ASIC）層面降低每 Token「記憶體成本」的公司，將改寫商業模型。

3. 壓縮記憶體需求的軟體槓桿： 透過量化（FP8/FP4）、蒸餾、稀疏化（Sparsity）以及高效 Serving 系統（如 vLLM）來降低需求的軟體技術。軟體每節省 10% 的記憶體，就等於為企業節省了巨額的 GPU 採購成本。

九、資料互連：算力工廠的「血管系統」

隨著模型參數突破兆級，單顆晶片已無法獨力完成任務，算力變成了一個分散式系統問題。這使得 Broadcom 和 Marvell 等公司變得至關重要，因為他們控制著 GPU 與 TPU 之間的「交通」。

目前的兩大技術路線：

1. Packet Switching（封包交換）： 使用乙太網與交換器。優點是通用、靈活；缺點是有排隊延遲與抖動（Jitter）。

2. OCS（光路交換）： 直接在兩台機器間拉一條光路。優點是延遲極低且穩定，適合大批量、規律的訓練流量；缺點是配置複雜且成本高昂。

未來的趨勢將是「封包 + 光路」並存，依據工作負載（Workload）自動切換，構建更高效的算力叢集。

這是一份經過梳理、潤飾後的完整論述。我將原本的零散觀點組織成一篇邏輯嚴密、層次分明的產業分析文章，適合用於內部報告或深度產業研究。

1️⃣典範轉移：從「單兵作戰」到「分散式合唱」

隨著 AI 模型參數正式突破兆級（Trillion Parameters），單顆晶片的物理極限已無法獨力承擔運算任務。算力的本質，已經從單純的「晶片效能問題」轉變為複雜的「分散式系統問題」。

在這個新時代，GPU 不再是戰場上的孤膽英雄，而更像是一支龐大的合唱團，必須透過毫秒不差的同步合作才能完成演出。於是，一個新的權力中心隨之誕生——誰控制了「資料交通」，誰就掌握了 AI 工廠的運作效率。這正是為何 Broadcom、Marvell、NVIDIA（憑藉 NVLink / NVSwitch）以及新創光通訊公司在當前市場中變得舉足輕重的核心原因：它們掌握了「GPU 與 TPU 如何對話」的關鍵能力。

2️⃣ 瓶頸所在：昂貴的 GPU 為何在「空轉」？

為什麼「互連技術」（Interconnect）如此關鍵？在大型語言模型（LLM）的訓練與推論過程中，系統必須處理三種極高負載的流量：

1. 參數同步（Parameter Synchronization）： 如 All-Reduce 和梯度同步。

2. 激活值傳遞（Activation Transfer）： 在前向與後向傳播間的資料流動。

3. 分散式存取（Distributed Access）： 涉及 KV Cache 與查詢資料的調度。

若互連頻寬不足或延遲（Latency）過高，將導致一個災難性的後果：昂貴的 GPU 大部分時間都在「等待資料」。這解釋了為何當前許多 AI 算力叢集的實際利用率（MFU）僅徘徊在 50–60% 左右。制約效能的瓶頸根本不在於「心臟」（GPU），而在於擁塞的「血管」（互連網路）。

3️⃣技術路線之爭：封包交換 vs. 光路交換

為了解決上述瓶頸，目前產業主要存在兩條技術演進路線：

1. 封包交換（Packet Switching）—— 通用與彈性的代表

• 技術基礎： 以太網（Ethernet）加上交換器（Switch），代表技術包括 RoCEv2 與 InfiniBand。

• 優勢： 具備高度通用性與彈性，產業生態成熟，易於擴充至數萬顆 GPU 規模。軟體與韌體層面有持續優化空間（如流量控制、壅塞管理）。

• 劣勢： 天生存在排隊延遲與抖動（Jitter），在高負載下容易壅塞，影響傳輸的可預測性。

• NVIDIA 的策略： 花費十多年打磨 InfiniBand，本質上就是為了將「通用網路」的效能逼近「專用互連」的極致。

2. 光路交換（OCS, Optical Circuit Switching）—— 極致效率的專線

• 技術概念： 不再將資料切分成封包，而是透過光學鏡面反射，直接在兩台機器間建立物理上的「專線」。

• 優勢： 幾乎零排隊延遲，無抖動（Jitter-free），傳輸極其穩定。特別適合大批量、規律性的訓練任務及全叢集同步（All-Reduce）。

• 劣勢： 路由需預先規劃，配置困難，動態彈性差，且硬體維護成本高昂。

• Google 的策略： 近年強力推動 OCS，目的即是在超大規模訓練中，將「叢集延遲」降至物理極限。

4️⃣未來架構：混合型「智慧調度」

真正的答案並非在兩者間「二選一」，未來的 AI 網路架構將走向 「封包 + 光路」共存 的混合模式。這就像現代城市的交通系統：我們同時需要 高速公路（OCS） 來處理固定、大流量的長途運輸，也需要 城市道路（Ethernet） 來應對靈活、多變的短程需求。

未來的系統將依據工作負載自動分流：

• 訓練階段（規律大流量）： 走 OCS 通道，確保最高效率。

• 推論階段（多租戶、小批次）： 走封包交換，確保靈活性。

• 混合負載： 進行動態即時切換。

因此，真正的技術挑戰與下一個戰場，在於「如何做智慧調度」——即如何讓每一位元的資料流量，自動選擇最合適的路徑。

產業護城河的演變與投資啟示

AI 產業的競爭護城河正在經歷三階段的演化：

• 昨天： 護城河在 GPU 算力。

• 今天： 護城河在 互連頻寬與網路堆疊。

• 明天： 護城河在 「誰能最聰明地管理流量與 KV Cache」。

給投資人與研究員的關鍵啟示：

1. 重新定義 Broadcom / Marvell： 它們不應再被視為單純的「硬體附屬商」，它們正在晉升為 AI 工廠的「交通部長」，掌握著基礎設施的命脈。

2. NVIDIA 的真正壁壘： 其優勢絕不僅限於 GPU 晶片本身，NVLink + NVSwitch + InfiniBand 所構成的封閉生態系，創造了極高的替代門檻。

3. OCS 的長期滲透： 光學交換不會在一夕間爆發，而是採取「由上而下」的滲透路徑——先佔領超大型訓練叢集，再隨著技術成熟慢慢下沉。

4. 標準制定權的爭奪： 未來誰能將「封包交換 + OCS 光路 + KV Cache 管理」整合得最好，誰就能制定下一代 AI 叢集的架構標準，成為真正的產業霸主。

總結：把所有拼起來

—— 演算法改變了架構，架構改變了市場，市場逼近物理極限

回顧這段演化史，Self-Attention 並不只是一個單純的技術突破，它引發了一場「工業革命級」的連鎖反應：

1. 演算法變了： 從 RNN 的序列依賴，轉變為 Transformer 的全面並行。

2. 計算圖扁平化： 從時間鍊條變成了空間矩陣。

3. 晶片架構重寫： Matrix Engine、Systolic Array 與 ASIC 應運而生。

4. 編譯器成為靈魂： 軟體對資料流與排程的控制力決定了硬體效率。

5. 記憶體成為王： HBM、SRAM 與 KV Cache 的管理成為勝負手。

6. 互連成為瓶頸： 交換器、光通訊與叢集拓樸開始主導整體性能。

最後，當我們在分析 NVIDIA、AMD、Google 或 Broadcom 時，我們看似在分析股票或公司策略，其實我們是在追蹤一條數學公式（Attention）如何一步步逼近物理世界的邊界。

而在這條路上，每一層——從最抽象的演算法到最硬核的封裝互連——都在同時進行著激烈的重新洗牌。這就是算力演化的全貌。

1

Attention 機制的核心思想在於讓模型學會「劃重點」：在處理信息時，模型會主動為不同單詞分配權重，知道哪些信息重要需多加關注，哪些可以忽略。

其具體運作依賴於三種身份矩陣：查詢（Query, Q）、鍵（Key, K）值（Value, V）。

• Q 代表單詞正在「尋找」什麼信息。

• K 代表單詞具備什麼「身份」供他人查詢。

• V 則是匹配成功後要傳遞的「具體含義」。

計算過程中，模型透過 Q 與 K 的點積運算來衡量單詞間的相關性，經由 Softmax 函數轉化為權重（機率分佈），最後將權重與 V 相乘，使原始向量吸收上下文信息並產生偏移，進化為更精確的語義表示。

此外，多頭注意力（Multi-head Attention） 機制允許模型並行運行多個分支，從語法、代詞關係或情感等多個視角同時觀察數據。這種設計不僅解決了長距離依賴難題，更因其極其適合 GPU 並行運算，成為今日 GPT、Claude 等大語言模型的共同核心架構。

以下將模型分成五個步驟來說明：

---

步驟 1：數位化與定位 (Data Preparation)

將語言轉化為數學座標

這是 Transformer 的起點。電腦無法直接理解文字，因此我們首先透過 Input Embedding 將每個單詞轉換為一串數字向量（就像給每個詞一個專屬的身份證號碼）。

然而，Transformer 是並行處理所有文字的，它天生不知道「我愛你」和「你愛我」的區別。為了補足這一點，我們引入了 Positional Encoding（位置編碼），它像是一個時間戳記，加到向量中，讓模型能分辨單詞的先後順序。

• 核心功能： 詞向量化、賦予順序感。

• 圖解重點： 關注底部的粉紅色區塊與波浪圖示。

---

步驟 2：編碼器——全盤理解 (The Encoder)

標題：深度解析上下文的「自注意力」

編碼器（左側堆疊）負責「閱讀並理解」輸入的句子。這裡的核心是 Multi-Head Self-Attention（多頭自注意力機制）。

當模型讀到一個詞時，它會同時查看句子中其他所有的詞，計算它們之間的關聯性。例如讀到「蘋果」時，如果上下文有「吃」，它會知道這是水果；如果有「手機」，它會知道這是科技產品。經過 N 層這樣的處理，模型就提取出了豐富的語義特徵，形成了一組包含完整上下文資訊的「記憶庫」。

• 核心功能： 捕捉長距離依賴關係，理解詞與詞之間的語義關聯。

• 圖解重點： 左側灰框內的運作流程。

---

步驟 3：解碼器——受控生成 (Decoder - Masked Attention)

不偷看答案的預測練習

解碼器（右側堆疊）開始工作。它的任務是根據目前的狀態，生成下一個詞。但在訓練過程中，為了防止模型「作弊」偷看到後面還沒生成的正確答案，我們使用了 Masked（遮罩） 機制。

這個機制強迫模型在預測第 3 個字時，只能看第 1 和第 2 個字，將第 3 個字之後的資訊全部蓋住。這確保了模型學會的是「推理」，而不是「背誦」。

• 核心功能： 基於已生成的歷史資訊進行推理，嚴格遵守時間因果。

• 圖解重點： 右側下半部，強調「遮罩」的概念。

---

步驟 4：橋樑——交叉注意力 (Cross-Attention)

翻譯發生的時刻——連結原文與譯文

這是整個架構最精妙的地方（右側中間部分）。解碼器利用 Cross-Attention（交叉注意力） 機制，將「編碼器的記憶庫（原文資訊）」與「解碼器目前的進度」結合起來。

想像一個翻譯官，他已經翻譯了一半的句子（解碼器狀態），現在要翻譯下一個詞。他會回頭去查閱原文（編碼器輸出），聚焦在與當前語境最相關的那幾個原始單詞上。這一步驟讓輸出的內容緊扣原文含義。

• 核心功能： 將源語言的語義映射到目標語言的生成過程中。

• 圖解重點： 從左側編碼器連向右側解碼器的關鍵箭頭。

---

步驟 5：終點——機率輸出 (Final Output)

從向量回歸文字

經過層層處理，解碼器輸出了一組抽象的向量。最後一步，我們通過 Linear（線性層） 將這個向量映射到詞彙表的大小（例如 5 萬個維度），接著通過 Softmax 層將數值轉化為機率分佈。

系統會找出機率最高的那個詞（例如有 90% 的機率是 “Cat”），將其作為最終輸出的單詞。接著，這個新生成的單詞會被放回輸入端，開始下一輪的循環，直到生成結束符號為止。

• 核心功能： 計算下一個詞出現的機率，完成生成。

• 圖解重點： 頂部的 Linear 層與 Softmax 機率長條圖。

我前幾天難得細讀了 IonQ 2025 年第三季財報後的分析師問答，驚奇（但不意外）地發現，這家公司高層的說話方式與敘事手法，幾乎就是宏達電模式的複製品。

法說會關鍵信號：從「技術」滑向「故事」

IonQ 的 2025 Q3 法說會逐字稿提供了一個典型案例。
公司確實交出亮眼數字：營收 3,990 萬美元（YoY +222%），提前達成 AQ64 技術指標，量子閘保真度達 99.99%。這些都是技術上真實的進步。

但在 Q&A 環節，語言的重心開始轉移——從「量子運算的現實問題」變成「市場敘事的想像空間」。

例一：模糊的「平台」取代具體營收

當分析師詢問營收超預期的來源，是量子核心業務成長？還是靠新併購部門？

CFO 的回答卻轉向：「我們現在銷售的是解決方案（solutions），這是我們平台策略的累積效應。」——這不是回答，而是一種語義煙霧彈。

所謂以「平台」敘事包裝，其實是在模糊營收結構的真相，讓投資人難以辨識真正的增長來源。說白了，就是透過「買收入」的方式，掩飾自家核心業務成長乏力的處境。

類似的手法也出現在 OKLO 身上。OKLO 因本業毫無營收，被視為典型的 PPT 公司。然而，在 Sam Altman 擔任董事長期間，公司以股票收購了放射性同位素供應商 Atomic Alchemy，而後者手上擁有 NASA 等單位價值 6,500 萬美元的供應合約。這項併購確實有望擺脫 OKLO 的「零營收」困境，但與其微型核反應堆核心業務，是八竿子打不著的。

例二：放出「巨額交易」再自行降溫

分析師抓住了財報中提到的「三位數百萬美元」（即數億美元）甚至「十億美元」 級別的潛在交易，詢問這些交易可能的實現時間（Timing），是否可能在 2025 或 2026 年實現？

CFO/COO Inder Singh 的回答 ：

• 立即降溫： 「我當然不是建議你明天就把這個數字放進你的財務模型裡。」。

• 免責： 「...這些交易需要幾年的政策執行時間。」、「但我不希望你『現在』就把這個放進你的模型裡。」。

這是經典的「炒預期 → 免責」操作。先以利多引爆市場情緒，再以模糊語言迴避責任。

例三：「無法證偽」的量子安全敘事

CEO 宣稱 IonQ 的量子安全1方案能保護機密客戶，並說：「你可以辨識我們的客戶，因為他們不會出現在新聞上。」

這是邏輯上無法證偽的說法（Unfalsifiable claim）：沒被駭客攻擊的公司，未必因為用了 IonQ 的產品。

這種話術正是「故事導向企業」的特徵——聽起來正面，卻無法被驗證。

從產品導向變成敘事導向

IonQ 的領導層正逐步將「量子運算」轉化為一種資本敘事語言：
他們談「平台」、談「國防合作」、談「潛在大單」，卻鮮少談實際客戶採用率、商業化收入結構。

這非常有王雪紅的即視感：

技術是真實的，但市場誤以為「真實的技術」就代表「即將爆發的商業化」。

敘事經濟學：IonQ 的「正面故事」其實是風險訊號

諾貝爾經濟學獎得主席勒在《故事經濟學》（Narrative Economics）中指出：

「當一個故事被市場熱情放大，它會暫時改變人們的行為，但最終會回歸現實。」

IonQ 正處在這樣的階段：

• 以「three-digit million deals」營造爆發前景；

• 以「99.99% fidelity」建立技術神話；

• 以「政府合作」包裝為國防戰略資產；

• 但公司仍持續虧損、現金消耗加劇、且缺乏可持續的量子計算收入模式。

這並非造假，而是一種過度的修辭性真實（rhetorical truth）：每一句話在技術上都成立，但合在一起卻構成了一個過度樂觀的幻覺。

IonQ 的真問題不是量子，而是現實

IonQ 代表的不是量子技術的失敗，而是敘事經濟學的勝利。它讓一個仍在早期實驗階段的產業，提早被包裝成投資主題。當公司以講故事的能力超越造晶片的能力時，它離宏達電——「技術真、故事大、現實小」——就只差一步。

最聰明的公司，往往在法說會裡輸給了自己的語言。

量子計算：連邊都還沒沾上

量子計算要成真所需的一切，目前幾乎還只存在於 PowerPoint 簡報中。BoA 證券分析師 Wamsi Mohan 9月底發了一份長達 50 頁的研究報告，估計到 2030 年，這個市場的TAM 可達到 40 億美元。但通往這條道路的挑戰，與電子學一直以來面臨的挑戰相同，那就是「規模化」（scaling）的挑戰，但這個挑戰對於量子領域來說前景更加渺茫。

對量子計算的熱情時高時低——但今（2025）年，這股熱情異常高漲。幾家上市公司，如 IonQ、D-Wave Quantum 和 Rigetti Computing 的股價，平均上漲超過了二倍。

但是，所有量子公司面臨的根本挑戰在過去 20 年裡並未改變。他們都在努力達到「規模化」，但何時（或者是否）能實現，目前尚不清楚。

我之所以耿耿於懷這一點，是因為規模化問題是所有計算的基礎；沒有規模化，一切都毫無意義。

規模化意味著，隨著電腦變得更複雜——基本上，就是更大——電腦能做的工作量也成比例增加。最好的例子就是積體電路 IC，它在過去 60 年中變得越來越強大，極大地提升了電腦的能力，以至於現在的 iPhone 就是一台超級電腦。

量子電腦公司都還沒做到這一點，但沒有一家證明他們能像半導體那樣規模化這些機器。

規模化的路線圖

目前市面上的量子電腦，大多僅擁有數十個至一百個左右的量子位元（qubit）。投行們非常清楚這一點。那些看似樂觀的量子運算報告中，往往隱藏著一些輕描淡寫的警語──然而，這些警語才是真正揭示整個故事的關鍵。

BoA Securities 分析師 Wamsi Mohan 在九月底發表了一份關於量子計算的「深度剖析」報告。他的財務模型預測，這個目前幾乎沒有實質收入的產業，將在未來五年內成長為具規模的市場。

「我們估計，2024 年量子計算市場價值約為 3 億美元；到 2030 年，將達到約 40 億美元。」

Mohan 的報告內容詳盡，但開篇即承認一個基本現實：

「儘管量子計算的前景確實存在，但在規模化過程中仍面臨重大技術障礙，目前業界正積極嘗試突破。若這些障礙能在 2030 年前克服，我們預計屆時將迎來營收的實質轉折。」

Mohan 的語氣聽似樂觀，但問題的核心遠比表面複雜。

所謂「規模化」挑戰，主要有兩個層面：一是底層「硬體」的物理限制，二是可實際運作的「邏輯」量子位元架構。

例如，IonQ 等公司所提及的「物理量子位元」（physical qubit），本身並不能直接產生可用的測量結果。為了獲得穩定的運算輸出，必須用數量龐大的物理量子位元共同構成一個誤差校正後的「邏輯量子位元」（logical qubit）。

那麼，到底需要多少量子位元才足以進行實用運算？這本身仍是未解之謎，也是持續演進的研究領域。答案取決於欲解決的問題類型與演算法設計，目前並無明確標準可界定何謂「足夠」的量子位元、邏輯閘或電路規模。

在這樣的技術真空中，眾廠商紛紛端出一張張令人振奮的藍圖，聲稱未來幾年將實現數百、數千，甚至上百萬個量子位元。然而，這些目標目前多半只存在於 PowerPoint 簡報之中。

IonQ 是目前營收最高的量子運算公司。它押注於半導體工程，試圖以晶片製造技術建立對 Rigetti、D-Wave、IBM、Google 與 Quantinuum 等對手的長期優勢。但即使借助半導體供應鏈，要打造更大型量子晶片仍極具挑戰。

一、規模化困境與既有勢力威脅

在量子技術尚未成熟之際，傳統 GPU 的進步卻日益驚人。當新創公司還在為量子位元路線圖苦戰時，Nvidia 的 GPU 已能完成大量實際任務。AI 應用的成功讓市場暫時不再焦急等待量子突破——GPU 已能「解決問題」，而量子計算還在尋找足夠的優勢。換句話說，這是一場時間競賽：量子能否在 GPU 主導的世界中快速規模化？

二、資金排擠效應

OpenAI、Microsoft 等巨頭已投入鉅額資金建立 GPU 雲端叢集，導致量子研究預算被擠壓。量子領域甚至反而成了 GPU 的最佳推銷工具。例如，IonQ 與 Nvidia、AWS、AstraZeneca（AZ）合作的化學模擬實驗中，大部分運算仍由 Nvidia GPU 完成——使用了超過一百萬個 GPU 核心。每一次「展示量子潛力」的實驗，實際上都在推高 GPU 的銷量。

三、量子模擬的弔詭

為了讓研究人員提前練習量子演算法，必須用傳統超級電腦來模擬量子行為，這進一步推升了 GPU 的需求。難怪黃仁勳成了量子運算的「支持者」——因為量子熱潮正幫他賣出更多 GPU。在這場規模化競賽中，勝負暫時仍在黃仁勳手上。

四、可能的共存路徑

量子產業的希望在於「協作而非取代」：用少量量子位元輔助 GPU，處理特定、適合量子加速的問題。這需要找到真正「對的題目」，否則量子仍難擺脫邊緣角色。

正如費曼 1985 年的洞見所言：打造原子級電腦是科學的壯舉，但要真正實現，仍充滿艱難。若無法突破規模化瓶頸，今日的量子產業距離實現「量子承諾」，仍遠在天邊。

在今年大幅上漲之後，量子電腦概念股的估值已脫離現實。以 IonQ 為例，目前市值相當於 2026 年預期營收的 260 倍——幾乎沒有任何基本面支撐。

這類股票的價值主張，完全倚賴兩種力量：

1. 媒體正面頭條所帶來的情緒動能

2. 對「營收即將出現轉折性成長」的信念

然而，就第二點而言，歷史表現並不樂觀。這些公司近兩年來的營收預測非但沒有上修，反而停滯甚至下滑：

• IonQ 預估今年營收為 1.1 億美元，若依去年營收推估，則應為 8,189 萬美元；

• D-Wave 先前預計今年營收為 5,930 萬美元，如今大幅下修至 2,460 萬美元；

• Rigetti 曾被認為 2025 年可達 3,020 萬美元，如今僅剩 820 萬美元。

綜觀這些數據，量子運算公司短期內幾乎不可能在財務面出現戲劇性好轉。投資人若期望獲利，恐怕只能寄望於「新聞標題的熱度」——而非實際業績的成長。

表面看來，這不過是為了解決募資困境、鋪平 IPO 之路；但若掀開財務數據，以及內部權力結構分析，一幅更為深邃的圖景便浮現而出——這並非一次常規的企業轉型，而是一場精心策劃的「大妥協」。

它是一份三方共贏的精密契約，巧妙化解了 OpenAI 原有架構中「理想」與「現實」的根本衝突。這三方分別是：

• 微軟（資本方）：獲得了其 4 兆美元 AI 戰略最渴求的「確定性」；

• Sam Altman（掌舵者）：贏得了不受制衡的「絕對權力」；

• 基金會（使命方）：取得了足以安撫監管者的「合法性」，以及千億美元規模的「公益資本」。

這場重組的真正核心，在於 OpenAI 終於找到了將「史上最昂貴的商業野心」，完美嵌入「非營利外殼」的制度解方。它在架構設計上，將 Sam Altman 的個人意志與「造福人類」的使命制度性地合而為一，創造出一個前所未有的「權力奇點」。

必然的崩塌—舊架構的四大致命裂痕

要理解這場重組的精妙之處，必須先回到它為何非發生不可的起點。OpenAI 於 2019 年設計的「有限合夥（LP）＋非營利母體」混合結構，在 2025 年面臨 5,000 億美元估值與通用人工智慧（AGI）臨界點的雙重壓力下，已然走到崩潰邊緣。

這一舊架構，存在四道致命裂痕：

裂痕一：2023 年的「政變」催化劑

2023 年 11 月那場震驚全球的「宮鬥」——Sam Altman 被非營利董事會閃電罷免，旋即在員工集體抗議與微軟強力介入下戲劇性回歸——不僅是一場鬧劇，更是舊體制徹底被摧毀的預演（當時OpenAI的「叛變」宮鬥是由 Ilya Sutskever 等人起義的，猶如西鄉隆盛發動「西南戰爭」，武士階級選擇壯烈地終結日本武士時代）。

此事件向所有利益相關者揭示了一個殘酷現實：OpenAI 的最高權力掌握在一群「純粹」的理想主義者手中，他們真能以「安全考量」為由，隨時「斬首」公司的商業大腦。對 Altman 而言，這是刻骨銘心的背叛；對微軟而言，則是一次瀕臨心臟驟停的警訊。

裂痕二：投資者的「末日警鐘」

在原有 LP 模式下，投資者（包括微軟）僅享有「利潤分配權」，且設有 100 倍回報上限。這在早期是吸引資本的「情懷紅利」，但在 5,000 億美元估值的今天，卻成了新資金望而卻步的枷鎖。更致命的是，部分關鍵投資者（今年3月底的 Venture Round 的領投方軟銀 commit 300億美元，實際只投資75億美元，日前才解鎖剩餘的225億美元。Thrive 也是如此）有權在 2025 年底前拒絕履行其全額出資承諾，除非 OpenAI 完成此次轉型。

換言之，重組不是選項，而是生死存亡的倒數計時。

裂痕三：AGI 的「達摩克利斯之劍」

對微軟而言，真正的噩夢不在於利潤上限，而在於舊章程中那條關於 AGI 的「王牌條款」：一旦非營利董事會單方面宣告「AGI 已實現」，所有投資者（包括微軟）的技術使用權可能立即終止。

這近乎荒謬。微軟已投入逾 137.5 億美元，並將 Office、Azure 乃至 Windows 全面綁定 OpenAI 技術，卻將「生殺大權」交給幾位隨時可能「拉閘斷電」的學者。這把懸於微軟頭頂的「AGI 達摩克利斯之劍」，必須被徹底拆除。

裂痕四：監管的「法律雷區」

將「非營利組織」的資產與控制權實質轉移至「營利實體」，本就遊走在美國公益法的灰色地帶。

OpenAI 此次重組，是在與加州及德拉瓦州總檢察長歷經近一年的艱難協商後才得以成行。這意味著，任何新架構都必須在法律上無懈可擊，並向監管機構與公眾作出充分交代。

總結而言：2023 年的罷免危機（內部權力失控）＋投資者撤資威脅（外部融資枯竭）＋AGI 末日條款（核心夥伴反叛）＋總檢察長法律審查（合法性危機）——四大裂痕共同宣判了舊模式的死刑。

精巧的妥協—解構「三方共贏」的新牌局

全新的「公益型公司（PBC）＋基金會」架構，正是為解決上述所有矛盾而量身打造的制度傑作。它是一場精妙的利益交換，讓三方各取所需。

第一贏家：微軟的 4 兆美元「確定性」

微軟雖未取得投票控制權，卻贏得了比控制權更珍貴的東西——確定性。市場迅速解讀此訊號，微軟股價應聲上漲，市值歷史性突破 4 兆美元。

華爾街日報的報導量化了其勝利成果：

• 獲得「真股權」：微軟從僅有利潤分配權的「債權人」，轉為持有 PBC 27% 股份的「血親股東」；

• 拆除「AGI 炸彈」：取得 OpenAI 在 2032 年前開發所有技術的「獨家智慧財產權」，徹底消除技術中斷風險；

• 深度業務綁定：OpenAI 承諾未來採購價值 2,500 億美元的 Azure 雲端服務，將其算力命脈牢牢鎖定於微軟平台。

作為交換，微軟放棄了「優先承購權」——這筆交易極其划算：以一個象徵性權利，換取 IP 的長期保障與股權的戰略確定性。

第二贏家：基金會的「合法性」與「黃金枷鎖」

為通過總檢察長審查，OpenAI 必須向「公益」交付一份沉甸甸的答卷——這正是「OpenAI 基金會」（由原非營利母體更名）的勝利。

• 獲得「千億資產」：基金會持有新公司價值 1,300 億美元的股份；

• 承諾「公益投入」：撥出 250 億美元初始資金，專注醫療與 AI 韌性等公共議題。

此舉一箭雙鵰：對監管者而言，「造福人類」不再是一句口號，而是由法律約束、手握巨資的實體承擔；對 OpenAI 而言，則以「公益捐贈」之名，買斷舊架構的法律風險，洗清「背離使命」的污名，為 IPO 掃清最大障礙。

這 1,300 億美元，既是基金會的財富，也是套在 OpenAI 商業野心上的「黃金枷鎖」。

第三贏家：Sam Altman 的「絕對權力」

微軟要確定性，基金會要合法性，而 Sam Altman——他要的是一切。在這場重組中，Altman 表面「零持股」，卻奪得最核心的戰利品：不受制衡的絕對權力。

這正是整場重組最隱蔽、也最關鍵的設計。

權力的核心—Sam Altman 如何成為「制度本身」

閱讀過《Empire of AI: Dreams and Nightmares in Sam Altman’s OpenAI》1這本書之後，讓我更清楚瞭解 Altman 如何在新架構中實現權力集中。其核心策略，是將「使命」工具化，將「監督」無效化。

悖論一：「零持股」的絕對控制

最耐人尋味的設計，是 Altman 主動放棄價值千億的股權（據《The Information》披露）。

這看似高尚，實則是頂級的權力佈局：

• 持股 CEO：需對股東負責，受制於短期利潤壓力與市場波動；

• 零持股 CEO：無需向二級市場交代，僅對董事會負責——而這場重組，恰恰確保了董事會完全由他掌控。

悖論二：「監督者」即是「被監督者」

「基金會＋PBC」的雙層結構，表面上是基金會（監督者）制衡 PBC（執行者）。但您提供的資料揭露真相：

「除獨立學者 Zico Kolter 外，基金會全體成員（包括 Altman）均兼任營利公司董事。」

這構成一個完美的「權力閉環」：
Altman 同時是——

• 基金會成員（參與董事任命），

• PBC 董事會成員（決策者），

• 公司 CEO（執行者）。

2023 年罷免他的「舊董事會」已被徹底清洗，取而代之的，是一個制度化的「自己人」體系。

悖論三：「使命」成為最終的「權力盾牌」

PBC 架構要求公司平衡「股東利益」與「公共利益」。而舊章程中那條關鍵條款被巧妙繼承：

「當涉及安全與社會利益時，董事會只能考量人類福祉，不得顧及股東回報。」

在舊架構下，這是懸於 Altman 頭上的利劍；在新架構中，卻化為他對抗一切外部干預的「無敵盾牌」。

• 若華爾街要求加速推出高風險產品？Altman 可以「安全使命」為由合法拒絕；

• 若微軟（27% 股東）試圖干預戰略？他可高舉「人類利益」大旗將其擋下。

真正的問題在於：誰來定義「人類利益」？

答案不言自明：Sam Altman。
他透過重組，將「使命解釋權」牢牢掌握於己手與其親信董事會手中。「使命」不再是約束，而是凌駕股權與資本之上的制度化否決權。

解讀 Altman 的四張面孔

至此，一個事實已然清晰：這場重組的終極受益者，是 Sam Altman。他大權在握，只待 IPO 後，便可手握人類史上最龐大的資本與最尖端的技術，邁向終極目標。

那麼，他的動機究竟是什麼？恕我已不再年輕天真，經過分析提煉出四種可能——這些動機未必互斥，反而可能共存於這位複雜的「AI 國王」心中：

面孔一：真正的理想主義者

他深信 AGI 即將降臨，並將重塑人類文明。他視自己為守門人，必須確保過程安全。不持股是為杜絕利益衝突；集中權力，則是防範短視資本或官僚綁架技術方向的「必要之惡」。

面孔二：權力的追逐者

對 Altman 而言，掌控 OpenAI 意味著掌握定義人類未來的歷史性影響力。相較之下，千億財富顯得廉價。他需要的，是無人能阻擋他推進 AGI 的絕對自由。這套制度，不是分散權力，而是為鞏固控制披上「使命」外衣。

面孔三：被迫的自保者

2023 年的罷免是一場創傷。即便數日後重返崗位，那種「隨時可被清除」的脆弱感仍揮之不去。重組的核心動機或許極其簡單：自保。他要設計一套制度，確保那種噩夢永不重演。

面孔四：終極的賭徒

若你真心相信 AGI 將在數年內實現，那麼所有商業邏輯都將重寫。OpenAI 承諾 1.4 兆美元支出、預計 2029 年前燒掉 1,150 億美元——這不是穩健策略，而是 AGI 牌桌上的「All-in」。在此視角下，Altman 根本不在乎股權或短期控制，他在乎的只有一件事：成為第一個實現 AGI 的人。所有妥協與制度設計，不過是確保他能「活到終點」的生存策略。

結語：制度的終局—押注於一人的未來

我們或許永遠無法確知 Altman 的真實動機，但權力結構的結果清晰無誤。

OpenAI 2025 年的「大妥協」，是一次無與倫比的制度創新：

• 以 PBC 法律外衣與千億公益基金安撫監管者；

• 以 27% 股權與 2032 年 IP 鎖定安撫微軟；

• 以 IPO 前景與市場化融資安撫投資者。

它完美化解了所有外部矛盾。

但代價是：徹底消解了內部制衡。

當那個本應扮演「看門狗」、手握 1,300 億美元的基金會，其決策者與它所監督的營利公司 CEO 為同一群人時，獨立性還能存在嗎？當這筆基金隨 OpenAI 市值膨脹至兆元規模，它還能抵禦人性的誘惑嗎？

答案不言而喻。

這套制度的終極設計，是將 OpenAI 的未來——乃至 AGI 的命運——徹底押注於一人的判斷力、道德感與歷史責任感之上。

OpenAI 終於打造出夢寐以求的完美機器：一台能無限吸納全球資本，又在「使命」護盾下免於世俗問責的 AGI 引擎。而 Sam Altman，就是這台機器唯一的駕駛員。

這是一場制度對人性的終極豪賭。在技術奇點到來之前，OpenAI 已率先完成了一場「權力奇點」的革命。

AI Value Chain 價值再發現

Read more

我決定分享一些關於當前市場狀況的想法，尤其是與 AI 有關的部分。

由於近期融資環境的變化、預計將籌集的龐大資金量，以及整體估值水位的普遍偏高，我變得格外謹慎。趕在農曆年前，我在公司內迅速完成了對 Glean 與 Databricks 的 late stage 跟投（兩家公司後來又再度融資），並追加投資一家 Enterprise AI Browser 新創後，便選擇暫停腳步。

這段期間，AI agent 新創可謂日新月異，僅 AI Coding 賽道的競局就已跌宕起伏、話題不斷。從農曆年後的 Manus AI 到近期的 8n8，類似的新創接連湧現；但在上週 OpenAI 開發者大會 之後，這些公司似乎正面臨被全面「通殺」的風險。

時間回到 2023 年初，ChatGPT 問世不到一個月，我便與團隊飛往舊金山，參加全球首場 GenAI 高峰會。會場擠得水洩不通，充滿著創業者與投資人對未來的熱烈期盼。那場會議由 Jasper AI 主辦，彼時它剛完成新一輪融資、估值高達 13 億美元，晉升為矚目的新獨角獸；印象比較深刻的與談嘉賓還包括 Stability AI 創辦人兼 CEO Emad Mostaque。

然而，一年後這兩家公司的結局皆頗為唏噓。Jasper 的產品線與 Microsoft、Google 高度重疊，在 Copilot 上市後便迅速淡出市場；而 Stability AI 雖以 Stable Diffusion 打響名號，但 AI 繪圖與動畫生成領域隨即被大型模型供應商壟斷。

我與同事當時在會場上便已看得明白——這些依賴 ChatGPT API 的應用層新創，其產品定位終將與大廠主力生態正面衝突，猶如雞蛋碰石頭。那趟返程，我們得出的結論極為簡潔：押注「賣鏟子」的公司才有勝算。 例如 Nvidia 及其早期伺服器合作夥伴 SuperMicro，而其他以軟體為主的 GenAI 新創，則不要輕易出手。

正如部分朋友已經知道的，我在九月中旬之後陸續減碼甚至出清了不少科技與 AI 相關持股。

首先要強調的是，我對人工智慧長期發展的信念絲毫未變。我依然深信，AI 將成為人類社會與經濟史上最深刻的一場變革。然而，就短期而言，股市的預期顯然已經走在現實之前。綜合觀察，我認為目前市場的問題可歸納為三點：

1. 有機資本已近枯竭，市場正進入「創造性融資」階段；

2. GPU 是一種折舊速度遠高於市場想像的資產；

3. 當前估值幾乎未反映潛在放緩的風險。

一、我們正在耗盡有機資本，「創造性融資」登上舞台

在過去的獨角獸融資路徑中，典型流程是：
大型創投基金於 10 億至 100 億美元估值時入場；
估值達 100 億至 300 億美元時，軟銀（SoftBank）等巨型資金接手；
最終透過 IPO 完成退出。

然而，像 OpenAI 與 Anthropic 這類 AI 實驗室並不願意走 IPO 路線，因為上市意味著其商業模式與財務結構將被公開審視。即使選擇上市，也難以籌得足夠資金，因為我們正進入一個全新時代——參與 LLM 競賽的AI Lab的年資本需求動輒破千億美元。

以 OpenAI 為例，其與 Nvidia、AMD 的合作，加上 Stargate 數據中心計畫，預計未來幾年將建設 26 GW 的 AI 數據中心。以目前約 每 GW 成本 60 億美元 計算，這項工程的總資金需求高達 1.5 兆美元以上。

為了更直觀理解這個數字：
過去五年間，五大科技巨頭——Amazon、Google、Meta、Microsoft、Apple——合計創造的自由現金流約 1.4 兆美元。那是在疫情期間需求爆發、利潤創新高的背景下達成的。而如今，僅 一家企業（OpenAI）就需要籌集超過這五家公司五年自由現金流總和的資金。

二、龐大支出與失衡結構

OpenAI 今年預期營收 150 億至 200 億美元，即便明年翻倍或三倍，也遠不足以支撐這樣的投資規模。公司預計今年虧損 90 億美元，到 2028 年虧損將擴大至 470 億美元。根據彭博報導，另一家實驗室 xAI 的月虧損亦達 10 億美元。

在如此資本密集的環境下，單靠自由現金流根本無法支撐。OpenAI 必須持續籌集股本與債務，但問題是——誰能拿出 1000 億美元以上？

三、Nvidia 的角色與隱憂

根據市場消息，Nvidia 可能向 OpenAI 投資高達 1000 億美元，以「每引入 1 GW 算力，Nvidia 出資 10 億美元」的方式分期投入。
我認為這筆交易的本質令人擔憂：Nvidia 幾乎成為這類交易的唯一可行融資方，因為其他科技公司正將自由現金流耗盡於自身的數據中心建設與 GPU 採購。

Nvidia 之所以願意扮演這個角色，原因很明顯——OpenAI 是整個 AI 生態的樞紐。Semianalysis 分析師 Dylan Patel 最近指出，OpenAI 與 Anthropic 已佔 Nvidia GPU 終端需求的三分之一。

問題不僅在於這種「循環式交易」的結構，更在於當規模突破千億美元時，能出手的只有 Nvidia，或少數現金極為充沛的企業如 Apple。
即使是 hyperscaler（超大雲端業者），其年度資本支出已達 700 億至 1000 億美元，幾乎逼近自由現金流極限。CapEx 增速遠超營收與利潤成長。

因此，即便 Nvidia 投入 1000 億美元，OpenAI 仍面臨高達 1.4 兆美元的缺口——下一步的資金從何而來，仍是一個尚未被解答的問題。

債務融資的浮現：一個令人憂慮的新信號

另一個值得警惕的現象，是債務融資開始滲入 AI 生態的核心交易結構中。

最新消息顯示，xAI 近期完成一筆 200 億美元 融資，其中 200 億 由 SPV（特殊目的載體） 提供，結構為 125 億美元債務、75 億美元股本。在股本部分，Nvidia 出資 20 億美元。xAI 隨後以五年期租賃的方式，向該 SPV 租用 GPU——而這些 GPU 本身即被設定為抵押品。

同樣的趨勢也出現在其他巨頭身上。

• Meta 為一座數據中心籌集了 290 億美元，其中 260 億 為債務，並以該數據中心本身作抵押；

• Oracle 亦完成了 380 億美元 的債務融資。

連 Microsoft 這樣的 hyperscaler（超大雲端供應商）也開始尋求替代性方案，轉向所謂的 neocloud（新雲端服務商）。
例如，它與 Nebius 簽訂了一份金額高達 174 億美元（最高可至 194 億） 的協議。根據合約內容，Nebius 預計將透過交易產生的現金流，加上以該合約為抵押的債務發行，來為短期內的資本支出融資；由於客戶（Microsoft）信用評級極高，Nebius 也能因此獲得更優惠的融資條件。

綜合來看，我們已進入一個以債務為槓桿、並由 Nvidia 等公司扮演「最後貸款人（lender of last resort）」角色的市場階段。

GPU 抵押與「創造性」交易的風險

以 GPU 作為抵押資產的創造性交易，正成為系統性風險的新來源。我預期此類結構將在短期內快速增加，直至市場重新評估這類資產的真實價值與折舊速度。

GPU 的折舊速度，其實比市場普遍認為的快得多。

當前一代加速器的經濟壽命明顯短於多數公司在財報中假設的 3–5 年攤銷期。我們正進入 AI 週期的「推理階段（inference phase）」，此時數據中心與能源使用都逼近物理與經濟的上限。最關鍵的指標已從 FLOPs 轉向「每瓦可產出的 token 數（tokens per watt）」。

Nvidia 已正式採用一年一代的升級節奏，這意味著每年都會出現性能更高、能效更強的新 GPU。這一速度早已遠超摩爾定律的節奏。正如黃仁勳所說，從 Hopper 到 Blackwell，token 成本下降了 10 至 20 倍；相比之下，摩爾定律帶來的效能提升僅約 20%。這代表 GPU 的經濟壽命與攤銷週期都必須重新評估。'

Groq 執行長、前 Google TPU 創始人之一 Jonathan Ross 在播客中曾指出，他們採用 一年攤銷週期，並直言：「那些仍在使用三到五年攤銷週期的公司都是錯的。」

CapEx 之外的隱性成本：電力與冷卻

購買 GPU 不只是資本支出（CapEx），運行這些晶片的營運支出（OpEx）同樣驚人。包括電力、冷卻用水等，都構成 AI 數據中心持續上升的成本基礎。隨著這些「AI 工廠」消耗的電力不斷攀升，電價上漲將進一步擠壓利潤空間，最終迫使企業重新審視其投資報酬率。

查看 neocloud 與 hyperscaler 的財報，可以清楚看到一個結構性差異：
hyperscaler 多採 3–4 年的 GPU 攤銷週期；而像 CoreWeave 這類 neocloud 則以 6 年折舊 Nvidia GPU。若真實攤銷期僅為 1–2 年，實際損失將遠高於當前報表所揭示的數字。

有些人可能會質疑：「市場上仍有人租用三年前的 H100 晶片，這是否說明折舊期更長？」確實如此，但原因有二。

第一，部分需求來自於兩類「高補貼型」客戶——他們以極高的計算成本向終端用戶提供低價服務，這種模式僅因投資者仍願意持續輸血才得以維持。

第二，H100 雖已推出三年，但其實並不算「過時」。Nvidia 自 H100 起將產品週期由 18–24 個月縮短至一年，因此即便 Blackwell 已問世，H100 在代際上仍具實用價值。然而，一年一代的節奏意味著折舊週期必須重新定義：在我看來，GPU 的實際經濟壽命更接近 1–2 年。

舉個算術例子：若以 CoreWeave 的 6 年折舊假設計算，到了 2026 年底，當 Nvidia 的 Vera Rubin 架構登場時，理論上仍有客戶在租用 2020 年底出貨的 Ampere A100 —— 這顯然不合現實。即使是 hyperscaler 的 3–4 年折舊，也過於樂觀。如今已無閒置 AI 數據中心，所有新增算力都得靠替換新 GPU 以提高 tokens per watt。

問題在於：延長折舊週期會虛增帳面利潤。因此我擔心，當真實折舊率逐步反映時，所有 hyperscaler 的獲利都將承受壓力；而對 neocloud 而言，虧損幅度恐比報表更大。要維繫這場 AI 資本循環，投資人就得不斷追加資金。

Nvidia 對此心知肚明。一位員工在 AlphaSense 訪談中坦言：「我們會把舊的拆掉換新的，舊的那些伺服器和晶片會由我們回購，再在海外轉售。」所謂「海外」，我推測是指中國市場——但如今已無法出口，那麼問題來了：這些回購的舊晶片最終誰來接手？

Nvidia 顯然已開始承擔部分庫存風險。根據最近披露的文件，在與 CoreWeave 的協議中，若該公司出現「未售出算力」，Nvidia 需於 2032 年前支付最多 63 億美元。這項協議雖簽於 2023 年，但本月才被 SEC 公開——代表 Nvidia 已在事實上成為「兜底方」（承擔所有過期品損失風險）。而 CoreWeave 自身的債務規模遠超此數。

微軟與 neocloud 的「風險轉移」

微軟之所以選擇與 neocloud 合作，是出於對客戶需求暴增的現實回應。它希望留住客戶、維持體驗，但對持續擴張 CapEx 缺乏信心，因此選擇將部分風險外包。

對客戶而言，微軟是否自建基礎設施並不重要；但對微軟而言，當市場降溫時，它無須承擔 GPU 資產減值風險，因為這些風險已被轉嫁給 neocloud。這是一筆精算後的雙贏交易：在需求高峰時保住市佔，在下行時避免資產沖銷。

若需求長期維持高位，微軟仍可再度自建數據中心、切回自有架構。簡言之，微軟寧可以 OpEx 模式 管理不確定性，也不願冒著 CapEx 投入過度 的風險。

抵押結構與真實折舊風險

近來更出現將 GPU 放入 SPV、再以其作為抵押的融資結構。若 GPU 實際壽命僅為 1–2 年，這類交易的抵押品安全性令人堪憂。

估值忽略了「風險尾巴」

市場估值幾乎未反映放緩或集中化風險。

根據 AI 晶片新創 Groq CEO 指出，目前全球約 35–36 家公司貢獻了 99% 的 AI token 支出，其中 OpenAI 與 Anthropic 為最主要驅動者。根據 Patel 的統計，約三分之一的 Nvidia GPU 流向這兩家公司。這種集中度意味著整條供應鏈——從半導體到雲端再到 neocloud——都高度依賴它們的成長。

然而，OpenAI 與 Anthropic 要同時維持使用量、黏性、性能與融資能力的高速成長，難度極高。更別提模型研發仍可能遭遇「技術瓶頸」。目前市場定價幾乎預設一切順利。

值得注意的是：即便微軟對 OpenAI 擁有深度合作與優先採購權，它仍未滿足 OpenAI 的全部算力需求，也未搶下 Oracle 雲訂單。這顯示微軟對風險極為謹慎。

我認為，未來不會有五家公司同時投入百億美元級的訓練任務。市場最終將集中於三家甚至更少的參與者。許多現階段的訓練支出將被證明是浪費——模型同質化嚴重，性能護城河並不牢固。

所以我最近很躁動，很反感 Sam Altman，還跟 ChatGPT 吵起來，哈！

被低估的「顛覆風險」

市場亦低估了潛在顛覆：OpenAI、Anthropic、xAI 等公司正跨入社交媒體、電商、辦公工具與雲端基礎設施領域。搜尋只是開端。

以雲端為例，幾年前我們認為雲市場將長期由 Amazon、Microsoft、Google 三足鼎立，但如今，AI 雲的資本投入規模已足以挑戰這一格局。

一位 Nvidia 員工在 AlphaSense 訪談中提到：「xAI 正在建立大型銷售團隊，過去六個月他們至少打了十次電話給我——他們想製造一場巨大的顛覆。」當分析師問：「他們想成為下一個 Oracle 嗎？」他回答：「沒錯。」

Oracle 透過債務融資接受 OpenAI 訂單、neocloud 瘋狂擴產的現象，都說明若融資潮不降溫，三大 hyperscaler 將面臨空前競爭。而當市場冷卻，這些高槓桿新雲將成為困境資產，反被 hyperscaler 收購整合。

結語：估值與現實的脫節

今日的科技巨頭，多半以巨額支出捍衛既有護城河，而非開創新收入。這場競賽已脫離理性。正如 Meta 的 Mark Zuckerberg 所言：「在基礎設施上多花幾千億美元的風險，也比被淘汰的風險要小。」

我同意他的判斷，但資本市場的職責，是將風險反映在估值中——而當前並未如此。

我並非預言類似 2000 年網路泡沫那樣的暴跌，但我們正接近一個財務臨界點：市場將被迫重新評價目前的估值倍數，AI 資本週期將進入整合階段。

唯有在整合後，誰擁有真正可持續的護城河、哪些公司能在硬體與軟體效率上領先，才會逐漸明朗。
要讓 AI 發揮經濟潛能，我們確實需要更高效的硬體與軟體——但現階段的市場熱度，已明顯超前於現實。

最終，這場 AI 狂潮的停止信號掌握在資本市場手中。一旦融資速度放緩，整個產業的正常化就將開始——而那個時刻，已近在眼前。

Stargate計畫：通往AI霸權的戰略藍圖

Stargate 計畫的總體目標是在未來四年內，投資高達 5,000 億美元，於美國境內建設總容量達到 10 GW 的AI基礎設施 。Stargate 計畫採用了一個複雜的聯盟結構，匯集了資本、技術和營運領域的巨頭。其初期的股權投資者包括日本的軟銀、OpenAI、Oracle 以及阿布達比的投資公司MGX 。在合資公司中，軟銀和 OpenAI 是領導夥伴，分別承擔財務和營運責任，孫正義擔任董事長 。技術層面的合作夥伴同樣星光熠熠，包括 Arm、微軟、Nvidia 以及 Oracle 。

儘管計畫規模龐大，但推進速度也很快速。截至 2025 年 9 月，計畫的實體建設已經啟動，首批資料中心正在德州 Abilene 等地建設中，建築面積達到 50 萬平方英尺 。

1️⃣與 Nvidia 聯盟：一筆百億美元的循環投資

與Nvidia的合作是星門計畫中最引人注目，也最具爭議的一環。其獨特的金融結構，使其看起來更像是一種戰略捆綁，而非傳統的採購協議。

OpenAI與Nvidia之間達成的是一份「意向書」（LOI, Letter of Intent），而非最終的確定性合約，雙方預計在未來幾週內敲定細節 。根據意向書，OpenAI 計畫部署至少 10 GW的 Nvidia 系統，用於訓練和運行其下一代模型。為了支持這一龐大的部署，Nvidia「意圖」（intends to）向OpenAI投資「高達」1000億美元 。這裡的措辭「意圖」和「高達」非常關鍵，表明這是一項有條件的、非承諾性的投資框架 。

這筆交易的精髓在於其「循環融資」的特性。Nvidia 的投資將隨著 OpenAI 部署其系統的進度分階段進行，每部署1 GW的算力，Nvidia便投資 100 億美元 。OpenAI 隨後可以使用這筆現金來購買 Nvidia 的晶片和系統 。這種模式形成了一個資本的閉環：Nvidia 的投資款最終又以採購訂單的形式流回 Nvidia，從而為 Nvidia 創造了巨額營收，同時也為 OpenAI 解決了部分採購資金的來源問題。

然而，這種結構也引發了分析師對其營收品質的質疑，認為這在某種程度上是 Nvidia 「自己為自己的客戶提供資金」，人為地創造了需求 。

2️⃣Oracle雲端合約：3,000億美元的基石

OpenAI 與 Oracle 簽署了一份為期五年的確定性協議，將向 Oracle 採購價值 3,000 億美元的雲端運算基礎設施，以獲取 4.5GW 的算力容量 。這筆合約的年均支出高達 600億美元，遠遠超過 OpenAI 目前的年收入 。據估算，4.5 GW的電力消耗約等於400萬美國家庭的用電量，或超過兩座胡佛水壩的發電量 。

消息公布後，Oracle 的未來合約訂單激增 359%，股價在一天內飆升超過 40%，創下自 1992 年以來的最大單日漲幅 。然而，這也給 Oracle 帶來了巨大的風險。公司將其未來營收的很大一部分押注在一個尚未盈利的客戶身上，並且為了建設這些資料中心，Oracle將不得不承擔巨額債務。其債務股本比高達 427%，遠高於微軟的 32%，顯示出其財務槓桿的極限 。

3️⃣AMD合作夥伴關係：降低對 Nvidia 的依賴

OpenAI 與 AMD 計畫採購總計 6 GW 的AMD Instinct GPU算力 。第一階段將於 2026 年下半年部署 1 GW 的AMD下一代 MI 450 系列GPU ，讓 AMD 正式成為 Nvidia 之外，為 Open AI 提供大規模算力的第二種選擇。

這筆交易最獨特之處在於其金融安排。AMD 沒有跟 Nvidia 一樣，向 OpenAI 前期現金投資（啟動另一 AI 永動機），而是提供 OpenAI 一份認股權證，允許其以每股0.01美元的名義價格，購買高達 1.6 億股的AMD普通股 。如果全部行權，這將使 OpenAI 持有 AMD 約 10%的股份，成為其最大的股東之一 。

這種結構巧妙地將雙方的利益深度捆綁在一起。OpenAI 有動機去幫助 AMD 的技術和軟體生態（如ROCm）立於不敗之地，也能為自己提供備選算力。

從這些交易的結構中，可以洞察到 OpenAI 的戰略考量：Nvidia 的 Rubin 平台和 AMD 的 MI 450 平台幾乎同時在 2026 年下半年進行首批部署，顯示 OpenAI 正在刻意製造一場「同場競技」。

在下一代 AI 技術的關鍵轉折點，OpenAI 透過同時承諾採購兩家公司的最新產品，迫使它們在真實的大規模部署環境中，就性能、軟體成熟度（這是AMD長期以來的弱點 ）以及總體擁有成本展開直接競爭。這種「雙源採購」策略可為 OpenAI 帶來了議價能力和技術選擇權。但也要看 AMD MI 450 的實力能否比美 Nvidia 的 Vera Rubin平台整合能力與最重要的 TCO 綜合成本，以及 Nvidia 如何透過扶持 CoreWeave、Lambda、Nebuis，向OpenAI施壓。

OpenAI的經濟狀況能否支撐其支出？一場與時間的賽跑

➡爆炸性的營收增長

OpenAI 的商業化進程取得了歷史性的成功。到 2025 年 7 月，公司的年度經常性收入（ARR）達到了 120 億美元，在短短七個月內翻了一番 。基於這一趨勢，預計2025年全年營收將達到 150 億至 200 億美元，遠超年初預測的 127 億美元 。

➡天文數字的現金消耗

然而，與亮眼的營收相比，其成本支出更為驚人。據預測，OpenAI 在 2025 年的現金消耗將達到約 80 億美元 。更為關鍵的是，其長期計畫預計到 2029 年，僅資本支出就將耗費 1150 億美元 。Sam Altman 曾透露，預計最早要到2029年才能實現盈利 。

➡核心悖論

OpenAI 的支出承諾遠遠超過當前甚至未來的預期收入。以與 Oracle 簽訂的 3000 億美元合約為例，平均每年支出高達 600 億美元，是其 2025 年預期營收（約 150-200 億美元）的三到四倍 。這顯示 OpenAI 的整個戰略完全建立在對未來指數級增長的預期，以及對外部資本持續供應的依賴之上。這是一場高風險的賽跑，公司必須在現金耗盡之前，透過技術突破來創造出能夠支撐其龐大基礎設施成本的商業模式。

➡5000億美元估值：資本的基石還是信心的體現？

在現金流為負的情況下，OpenAI能夠撬動如此龐大的資源，其驚人的估值是關鍵。

OpenAI的估值增長速度令人咋舌。從 2023 年初的 290 億美元，到 2025 年 3 月由軟銀領投一輪融資後的 3000 億美元，再到 2025 年 10 月達到驚人的 5000 億美元。5000億美元估值是透過一次「次級股票銷售」確立的，而不是公司發行新股來籌集資金的「初級融資」（primary funding round） 。

這意味著市場雖對 OpenAI 未來潛力的極高信心，但它並沒有為公司帶來新的營運資金來支付其龐大的資本支出。5000 億美元（交易金額多少？買方也未揭露），更多的是一種對「未來價值」的市場共識，而OpenAI 正巧妙地將這種共識作為一種「貨幣」來使用，以確保其基礎設施交易的達成。但這與公司銀行帳戶裡擁有可用現金是兩個完全不同的概念。

非傳統融資：結構背後的戰略

面對現金流的挑戰，OpenAI 採用了極具創新性的金融結構來達成其採購目標，將其估值和市場影響力發揮到了極致。

➡AMD的「股權換算力」模式

與AMD的交易是利用非現金激勵實現利益捆綁的典範。OpenAI利用其高估值和市場領導者的地位作為槓桿。透過承諾大規模採用AMD的平台，OpenAI不僅驗證了AMD的技術，提振了其股價，作為回報，OpenAI獲得了分享這種股價上漲潛力的權利 。這實質上相當於用未來的股權潛力，而非當前的現金，來支付未來硬體的巨額折扣。AMD鎖定了一個關鍵客戶，而 OpenAI 則以極低的現金成本確保了供應鏈的多元化 。

➡Nvidia的「循環投資」模式

與 Nvidia 的交易則是一種戰略性的供應商融資。對 Nvidia 而言，確保其最重要、最前沿的客戶能夠負擔得起其下一代 Rubin 平台，是其維持市場主導地位的關鍵。因此，Nvidia 利用其雄厚的資產負債表，為 OpenAI 提供資金，確保其採購訂單的落實。這形成了一個自我強化的循環：既為 Nvidia 鎖定了需求，也為 OpenAI 提供了資金，從而鞏固了 Nvidia 作為行業標準的地位 。

深入分析這些財務操作，可以發現OpenAI的策略遠比表面看起來更為精妙。

首先，OpenAI不僅僅是一家擁有高估值的公司，它正在積極地將其估值「武器化」，作為一種戰略採購工具。對於一家估值僅為數百億美元的公司來說，是不可能與 AMD 和 Nvidia 達成此類交易的。但正是這 5000 億美元的估值，賦予了OpenAI巨大的「軟實力」，使其能夠在與供應商的談判中佔據主導地位。

對於 AMD 來說，獲得這家價值 5,000 億美元的行業領導者的背書，本身就價值數百億美元的市值，「免費贈送」認股權以鎖定這位指標級客戶是合理的安排。對於 Nvidia 而言，投資 OpenAI 這位領導者，確保其平台繼續成為行業標準，也能保護其自身數兆美元的估值。因此，估值本身成為了談判中的核心「貨幣」，促成了在傳統財務模型下不可能實現的交易。這是一場高風險的賭博，賭的是由這些基礎設施所催生的未來技術突破，能夠最終證明當前估值的合理性。

其次，OpenAI 宣稱的 2029 年盈利目標，並非基於傳統的 SaaS 增長模型。這個時間點的設定，可能與 AI 在這期間的某個時點，終於產生重大的技術突破——實現某種形式的通用人工智慧（AGI）或「超級智慧」，出現如 AI Coding，但規模更廣泛的 Killer Applications 。

整個財務模型或許都是建立在對AI能力實現「階躍式」變化的預期（賭注）之上。出現這樣的奇點（singular point），將會解鎖目前難以想像的收入來源，從而使當前的現金消耗問題變得次要。

在正常的商業假設下，花費超過 1,150 億美元的資本支出，到 2029 年僅為了實現約 20 億美元的正向現金流，其投資回報是完全不合理的 。然而，OpenAI 與所有參與這次AI 工作革命的廠商們，大家的使命都明確指向 AGI ，其領導層也反覆強調算力是實現這一目標的主要瓶頸 。因此，龐大的基礎設施支出，其目的不僅僅是為了擴展現有的ChatGPT業務，更是為了建造一台能夠實現下一個AI範式的「機器」。投資者和公司內部的信念是，一旦AGI得以實現，它將創造一個無比強大的技術平台，其商業化潛力幾乎是無限的，從而可以證明任何前期投資的合理性。

從這個角度看，2029 年的盈利目標更像是一個「技術突破後」的象徵性時間點。這使得評估OpenAI的財務可行性，與其說是一個財務分析問題，不如說是一個對其基礎研發能否成功的信念問題。

市場狂熱 vs. 經濟現實：解讀股市的反應

✅「OpenAI溢價」

成為OpenAI的戰略合作夥伴，似乎能立即為一家公司的市值帶來數百億美元的增長，這種現象可被稱為「OpenAI溢價」。

2025年10月6日，在宣布與 OpenAI 達成合作的當天，AMD 的股價出現了戲劇性的飆升，盤中漲幅一度接近37%。僅僅一天之內，AMD 的市值就增加了約 800 億美元 。

Oracle 的股價反應同樣劇烈。在確認了與 OpenAI 的 3000 億美元合約後，Oracle 股價單日漲幅超過 40%，創下自 1992 年以來的最大紀錄，其創辦人Larry Ellison也因此短暫成為世界首富 。

✅投資者邏輯：AI軍備競賽的看漲理由

市場的劇烈反應背後，存在著一套看似合理的投資邏輯，主要基於對未來AI需求和行業格局的預期。對於投資者而言，OpenAI 簽訂的這些大規模、長達數年的合約，為 AMD 和 Oracle 等供應商提供了前所未有的長期收入可見性。這被視為對這些公司技術路線圖的權威驗證，並為其下一代產品鎖定了一個像 OpenAI 這樣的頂級樣本客戶，大大緩解了市場對於這些未實現龐大的營收不確定性 。

✅擴大整體潛在市場（TAM）

OpenAI 計畫的龐大規模，向整個市場傳遞了一個強烈信號：對AI算力的需求遠比之前最樂觀的預測還要大。許多分析師認為，這並非 OpenAI 從其他公司手中搶奪市佔率，而是證明了整個生態系統「極度渴望更多的算力」 。這些交易的達成，為整個AI基礎設施的投資主題提供了合法性，並提升了所有相關公司的估值天花板。

炒作 vs. 盈利能力

當前的AI熱潮與網路時代有許多共同特徵：基於對未來的無限憧憬而非當前盈利能力給出的天價估值；大量湧現的、商業模式尚未驗證的初創公司；以及一種「這次不一樣」的普遍市場情緒 。儘管 OpenAI 的營收在快速增長，但它仍然處於深度虧損狀態，這與許多在網路泡沫中灰飛煙滅的公司情況類似 。

然而，也必須承認兩者之間存在關鍵差異。首先，當前AI熱潮的核心參與者，如微軟、Google等「科技七巨頭」，是現金流充裕、盈利能力極強的成熟企業，而非網路時代那些脆弱的初創公司 。其次，AI技術的普及速度遠超網路早期，像ChatGPT這樣的產品在極短時間內就觸及了數億用戶，顯示出其強大的市場滲透力 。

市場的狂熱反應並非完全非理性，它反映了更深層次的結構性轉變。投資者是否全數認同 OpenAI 如此高的溢價，不無疑問。Stargate 計畫被明確地定位為一項國家安全專案，旨在「確保美國在AI領域的領導地位」，並在白宮宣布 。這使得該計畫及其核心供應商，在地緣政治層面上成為了美國應對與中國科技競賽的關鍵棋子 。投資者敏銳地意識到，被視為國家戰略關鍵基礎設施的專案，往往能獲得隱性的政府支持、更寬鬆的監管環境，甚至擁有一種「大到不能倒」的地位。

軟銀在AI棋局中的複雜角色：

既是OpenAI金主，也是Stargate推手，更疑是最大化槓桿的玩家

軟銀在 Stargate 計畫中，扮演著一個極其複雜且具影響力的角色。它不僅是OpenAI最後一輪融資（投後估值跳升至3,000億美元）的領投人和最大投資者之一，同時也是 Stargate 的共同發起人。這種雙重身份使其處於一個獨特的戰略位置，引發外界揣測，軟銀或有可能正利用其對 OpenAI 的影響力，在更廣泛的AI產業鏈投資中進行佈局，並從中獲取巨大利益。

槓桿化的投資佈局：一場精心策劃的產業鏈投資？

外界觀察到，隨著 OpenAI 近期高調宣布一系列鉅額投資意向或合作協議，多家相關公司的股價應聲大漲，不乏軟銀已布局的投資標的。這引發了市場對於軟銀是否在利用其「內部消息」或影響力，進行一場槓桿化的投資佈局的討論。軟銀投資組合中，包括Nvidia、CoreWeave、Oracle，還有 Lambda (雲端服務商)、AMD、Samsung 及 SK Hynix，目前尚無公開資料直接證實軟銀是其直接投資者。這些公司都因與 OpenAI 的合作而受益匪淺。例如，OpenAI與三星、SK海力士簽署的記憶體晶片供應協議，直接刺激了兩家公司股價飆升。

軟銀的戰略意圖：不冒進的精明玩家

分析認為，軟銀在此案中的角色並非出於「必須參與」的壓力，而是一種主動的戰略選擇。透過身兼OpenAI投資人與Stargate建設者的雙重身份，軟銀得以：

1. 深度洞察產業動向： 直接參與 Stargate 計畫，使其能深入了解AI基礎設施的未來需求，從硬體規格到能源消耗，這為其在相關產業鏈的投資提供了寶貴的第一手資訊。

2. 放大投資效益： 軟銀對 OpenAI 的投資，不僅是看好其本身的發展潛力，更是將OpenAI 作為一個槓桿支點。OpenAI 的每一個重大宣布，都可能成為催化其投資組合公司價值的催化劑。

3. 最小化分攤風險，最大化共享利益： 儘管 Stargate 計畫耗資巨大，但軟銀並非唯一的承擔者。透過與 Oracle 等夥伴的合作，軟銀在分攤風險的同時，也能從整個生態系的成長中分一杯羹。

軟銀在OpenAI的棋局中，展現了其作為一個精明投資者的複雜面向，圍繞核心標的 OpenAI 進行生態系投資，在次級市場獲得豐厚回報的「玩家」，使其處於一個極為有利的位置，能夠最大限度地從這場 AI 革命中獲益。

終極瓶頸：電網與物理基礎設施的限制

儘管融資和技術是巨大的挑戰，但 OpenAI 及 Stargate 計畫面臨的最終、也可能是最難以克服的瓶頸，來自於物理世界：能源供應和基礎設施建設。

➡能源困境

Stargate 計畫規劃的 10GW 電力需求是天文數字。作為參考，2023 年全美國所有資料中心的總運行容量約為 20 - 40GW，消耗了全美約 4.4% 的電力 。僅 Stargate 計畫一個專案，就將為本已緊張的美國電網增加一個巨大的新負載 。

➡電網容量 vs. AI需求

根據 S&P Global 等機構的分析，美國面臨的不是能源產量問題，而是「能源基礎設施問題」 。電網的傳輸瓶頸和漫長的併網審批隊伍（interconnection queues）是主要制約因素。預計未來五年，美國電力市場將面臨嚴重的供需失衡風險。AI需求的爆發式增長，遠遠超過了電網基礎設施的擴建速度。

➡系統性風險

因此，從長遠來看，對OpenAI計畫構成最大威脅的，可能不是資金問題，而是物理基礎設施的限制。如果電力部門無法滿足AI產業的需求，整個AI驅動的經濟增長敘事都可能被削弱，甚至破滅 。這是檯面上所有公司都無法克服的系統性挑戰。

魯莽的賭博還是遠見的必然？

OpenAI的舉動是否過於龐大且具風險？以及，為何市場對此反應如此激烈正面？

👉關於風險與必要性：OpenAI的戰略同時具備巨大的風險和絕對的戰略必要性。

OpenAI 如果不能在基礎設施層面確保絕對的、長期的領先地位，就意味著將未來拱手讓給資本更雄厚、已經實現垂直整合的競爭對手 Google。因此，如此激進的財務策略，或許並非魯莽，而是一種在極端競爭壓力下，為求生存和勝利而採取的的高槓桿應對方案。

👉關於市場反應：並非完全非理性，但確實有明顯的 AI 狂熱和敘事驅動色彩。

大多數的投資者對於近來 AI 基礎設施的長期巨大需求，開始感到迷惘並失去判斷基準，股價卻已提早而過度地反映了對這些公司未來收入和行業地位的樂觀預期。

這種狂熱情緒在很大程度上忽略了潛在的巨大風險：包括 Stargate 計畫本身的執行風險、部分融資結構的循環特性、以及其核心客戶 OpenAI 自身 precarious 的財務狀況。市場的反應在「AI泡沫」的邏輯內部是自洽的，但泡沫本身極易受到市場情緒和宏觀敘事變化的影響。

當前的股價飆升，是建立在一系列樂觀假設之上的，而這些假設尚未經過現實的嚴格考驗。

問題核心

• 為何華爾街對 Tesla 估值分歧如此巨大？

• 舊框架（電動車製造商） vs 新框架（物理世界 AI 公司）

• 投資挑戰：確定性估值 vs 可能性驅動

框架一：Tesla 作為「頂級電動車製造商」

這是我們最熟悉、也最容易理解的視角。在這個框架下，我們關注的指標是：

• 車輛交付量 (Deliveries)： 每季度的生產與銷售數字。

• 汽車毛利率 (Automotive Gross Margin)： 每賣一輛車能賺多少錢。

• 市場份額 (Market Share)： 與比亞迪、福特、通用等傳統車廠的競爭關係。

• 生產效率 (Production Efficiency)： Giga Press、4680 電池等製造創新。

• 基礎設施 (Infrastructure)： 超級充電站網絡的覆蓋範圍與價值。

估值天花板： 在這個框架下，Tesla 的估值會被拿來和 Toyota、Volkswagen 等巨頭比較。即使考慮到其領先的電動化技術和品牌溢價，其市值也很難超越整個傳統汽車產業的總和。這是限制我們想像力的「錨點」。

框架一看 Tesla 市值：極其不合理

Tesla 的市值在近期達到約 1.2 兆美元的水準。以傳統財務指標（如貼現現金流、每股盈餘、預期本益比、PEG、投入資本報酬率等）來看，這樣的估值顯得極為高昂。

以 ROIC vs. WACC 為例

Tesla 2025 年第二季 10-Q 報表，算出該公司的 ROIC (投入資本回報率) 與 WACC (加權平均資本成本)，如下：

這個數值是很難看的，Tesla 在 2025 Q2的年化 ROIC 低於其 WACC，表示公司在此期間所創造的資本回報並未完全覆蓋其資本成本，公司的價值或可能已在虧損中。相比之下，前十大市值公司都呈現出ROIC >> WACC。

馬斯克說服投資人跳脫第一框架思維

長期以來，市場往往提前將特斯拉的未來機會納入估值，華爾街也多半沿著 Elon Musk 與 Ark 基金等人的敘事框架來定價。特斯拉已不再只是單純的汽車製造商，而是逐步轉型為「汽車業 + 科技業」的跨界企業，外界普遍預期其未來的主要成長動能將來自軟體與服務。

因此，我們將嘗試針對特斯拉的前瞻性業務逐一描繪，包括全自動駕駛（FSD）、Robo Taxi 網路、Optimus 人形機器人、人工智慧與 Dojo 超級電腦，以及能源儲存與電網自動化等領域。對於每一項業務，估算其總可服務市場（Total Addressable Market, TAM）、特斯拉可能取得的市佔率、潛在營收與利潤，並納入落地時間與風險折現等因素，進一步推算各項業務的淨現值（NPV），以評估其潛力總和是否足以支撐特斯拉當前的市值。

1️⃣全自動駕駛（FSD）業務展望

產品定位
特斯拉的全自動駕駛（Full Self-Driving, FSD）是一項付費軟體功能，旨在透過人工智慧與軟體更新實現 Level 4/5 的高度自動駕駛。當前 FSD 以選配或訂閱方式提供，價格一度高達 1.5 萬美元（後來有所調降）。雖然目前仍處於 Level 2+ 至 Level 3 的駕駛輔助階段，但馬斯克強調最終目標是透過 OTA 更新，讓現有車隊全面升級至完全自駕。一旦實現，不僅能顯著提升車輛價值，更可開啟長期且高毛利的訂閱收入來源，被視為特斯拉未來最關鍵的成長引擎之一。

✅ 市場規模（TAM）
高度自動駕駛的市場前景相當龐大。麥肯錫預測，到 2030 年將有約 12% 的新車具備 Level 3 以上的自駕功能（在特定情境下可達 20%），2035 年則提升至 37%。這意味每年將有數百萬輛新車導入先進自駕技術。調查亦顯示，約四分之一的購車者「高度傾向」選擇先進駕駛功能，其中三分之二願意支付一次性 1 萬美元或等值的訂閱費。

綜合滲透率與定價意願推算，2030 年全球乘用車自駕功能市場（含軟硬體）將達數千億美元規模。Grand View Research 估計，2030 年自駕相關市場規模將成長至約 2,143 億美元。就 FSD 軟體而言，TAM 保守估計每年至少數百億美元，長期若完全自駕普及，規模更可能突破上千億美元。

✅ 特斯拉市佔優勢
特斯拉在 FSD 上具備先發與數據優勢。透過龐大在路車隊收集的行駛數據，其每日真實訓練里程遠超競爭對手。ARK Invest 指出，特斯拉每日數據量是 Waymo 的 40 倍，累計總量甚至高達 900 倍。這為演算法迭代提供強大助力。

此外，特斯拉採用純視覺 + 神經網路方案，避免昂貴的雷射雷達，帶來顯著成本優勢。基於此，可合理假設其在成熟自駕軟體市場中取得高市佔率：自有車主群體滲透率可望極高，且技術授權輸出也具潛力（馬斯克曾公開表示對外授權持開放態度）。在樂觀情境下，至 2030 年特斯拉於 L4/L5 自駕軟體市場的市佔率可能達 30–50%，並具備成為產業標準的可能性。

✅ 營收與潛在利潤
由於軟體邊際成本極低，FSD 的毛利率可望超過 80–90%，遠高於傳統汽車業。

推演情境如下：

• 假設至 2030 年特斯拉累計交付 3,000 萬輛汽車，

• 其中 50% 車主開通 FSD 訂閱，

• 每輛車每年付費約 2,400 美元（200 美元/月）。

則年度收入可達 360 億美元。若考慮一次性收費方案與新增車輛滲透，FSD 年營收突破 500–1,000 億美元並非不可能。以高毛利估算，其營業利潤有望達數百億美元。

摩根士丹利分析師亦指出，隨著特斯拉轉型為「科技驅動」企業，軟體與服務將成為核心收入來源。更高的每車軟體收益（ARPU）已納入其估值模型，代表特斯拉每售出一輛車，後續仍可持續透過 FSD 創造高額附加價值。

✅ 現金流時間軸與折現
未來 2–3 年，特斯拉將持續改進 FSD Beta 並推進監管核可，功能價值將逐步釋放。若在 2025–2026 年達成高度自駕，訂閱用戶數將快速上升。由於屬於軟體業務，一旦突破即可迅速擴張，幾乎可即時大規模部署。

主要不確定性在於技術突破與法規進度，因此折現率需相對提高（如 15%），以反映風險。若假設至 2030 年 FSD 自由現金流達 500 億美元/年，並持續成長，其淨現值（NPV）可達 3,000–4,000 億美元。即使在保守情境下，FSD 的現值貢獻亦可能達數千億美元級別，對特斯拉現有市值形成關鍵支撐。

2️⃣Robo Taxi 業務展望

產品與模式
所謂 Robo Taxi，即透過全自動駕駛車輛提供載客與載物的共享出行服務網路。這是特斯拉在 FSD 成熟後的自然延伸：車主可將自家車輛接入特斯拉平台，在閒置時自動接載乘客，平台則抽取服務費；長遠來看，特斯拉亦可能直接營運自有的無人駕駛車隊，提供類似 Uber 的叫車服務，但無需承擔人類司機的成本。馬斯克多次強調，Robo Taxi 將「徹底顛覆傳統交通運輸模式」，其經濟價值或將遠超造車本業。

✅ 市場規模（TAM）
Robo Taxi 的目標市場是全球出行服務。當前傳統計程車與網約車市場已達數千億美元/年，而無人駕駛有望大幅降低出行成本，進而擴大整體需求（例如部分消費者可能放棄私家車，轉而使用低廉的機動化車隊）。

• 樂觀估計：ARK Invest 報告指出，2030 年全球 Robo Taxi 市場 TAM 可達 10 兆美元，反映出自駕網路不僅取代現有市場，更能創造全新需求——出行服務將如同今日的數據流量般廉價與普及。

• 保守估計：麥肯錫等機構則認為 2030 年 Robo Taxi 市場可能僅在 1,000–2,000 億美元/年（如部分研究預測約 1,600 億美元），但這多未充分考慮需求激增的可能性。

綜合判斷，在最樂觀的情境下，無人計程車最終有潛力成長為每年數兆至數十兆美元的超級市場。ARK 更指出，到 2029 年，特斯拉公司價值的 90% 可能來自 Robo Taxi，足見投資界對其天花板的高度想像。

✅ 特斯拉市佔優勢
特斯拉具備多項優勢，有望在 Robo Taxi 競爭中脫穎而出：

1. 車隊規模優勢：特斯拉製造能力驚人。ARK 指出，僅德州工廠 9 天即可生產足以覆蓋奧斯汀全城的車隊。當前日產能超過 5,000 輛，並計劃於 2026 年推出專用 Robo Taxi 車款 Cybercab，年產量目標達 200–400 萬輛。相比之下，Waymo 等對手每年僅能增加數千輛車。

2. 數據與演算法優勢：特斯拉車隊累積海量道路數據，且採用非地理圍欄（non-geofenced）方式訓練，演算法能適應全球各地路況。反觀競爭者多局限於特定城市，數據多樣性不足。

3. 成本結構優勢：特斯拉自產車輛並採用純視覺方案，每英里運營成本比依賴昂貴感測器與外購車輛的方案（如 Waymo）低 30–50%。

基於上述優勢，合理假設特斯拉在成熟市場可取得極高市佔率。到 2030 年代中期，其全球營收市佔率或可達 25–40%，成為 Robo Taxi 的核心平台。

✅ 營收與潛在利潤
Robo Taxi 本質上屬於平台經濟與「運輸即服務」（TaaS）。收入來自乘客車費，平台與車主分潤；若特斯拉自營車隊，則可獨佔收入。由於免去人類司機成本，毛利率將顯著高於傳統共享出行。

• ARK 預估：無人駕駛每英里成本低至 0.25 美元以下，而傳統人類司機平均成本為 2–3 美元/英里。

• 推演情境：若未來全球 Robo Taxi 營運總里程達數兆英里/年，每英里收益 0.5 美元，則市場營收可達數兆美元。若特斯拉佔據 30% 市場份額，年營收即可達數千億美元。

舉例而言，至 2030 年前後，若特斯拉部署百萬輛級 Robo Taxi，每輛年營收 5–10 萬美元，總營收可達 5,000–10,000 億美元。以營業利潤率 30–50% 計算，中位數 40% 的情境下，5000 億美元營收可帶來 2000 億美元利潤。摩根士丹利亦指出，Dojo 超級電腦將加速 Robo Taxi 落地，單憑此業務即可為特斯拉市值增加高達 5,000 億美元。

✅ 現金流時間軸與折現
Robo Taxi 商業化時間軸高度依賴 FSD 技術成熟與監管批准。2025 年起，特斯拉已在德州奧斯汀試點無人載客服務。

• 短期（2025–2027）：試點與局部城市導入。

• 中期（至 2030）：在主要城市快速普及，進入高速成長期。

• 長期（2030 後）：形成全球規模網路，營收與現金流大幅擴張。

由於該業務前期投入龐大（造車與基建）且風險不低，建議採 15–20% 折現率。假設 2030 年營收 5,000 億美元、利潤率 40%，對應營運現金流 2,000 億美元，並持續成長，則其 NPV 約為 6,000–8,000 億美元。若以 ARK 的極端樂觀假設，Robo Taxi 的現值甚至可能突破兆美元，堪稱支撐特斯拉「Trillion 市值敘事」的核心。

3️⃣Optimus 人形機器人潛力

產品定位與願景
Optimus 是特斯拉研發的人形機器人計畫，目標打造通用型雙足勞動機器人，能取代或輔助人類完成重複性與高風險工作。馬斯克稱其為「Tesla Bot」，並直言其重要性甚至高於汽車業務本身。自 2021 年首次公開構想以來，特斯拉已於 2022 年推出初版原型，2023 年推出改良的 Gen 2 版本。2024 年股東大會上，馬斯克更預言 Optimus 未來可能為特斯拉創造高達 25 兆美元市值，占公司價值 80%。這一論述雖極為驚人，但也凸顯特斯拉對人形機器人潛力的信心。

✅ 市場規模（TAM）
長期來看，人形機器人潛在市場幾乎等同於全球勞動力市場，理論上任何人類勞務，只要技術足夠成熟，都可能由機器人執行。

• 摩根士丹利：預測至 2050 年，人形機器人市場規模可逾 5 兆美元，對應近 10 億台機器人投入各行各業。

• 花旗銀行：進一步估計未來 25 年市場規模可達 7 兆美元。

• 高盛：受 AI 與製造進步推動，將 2035 年 TAM 自原估 60 億美元上修至 380 億美元；部分樂觀機構甚至預期 2035 年市場突破 1,000 億美元。

換言之，人形機器人市場短期雖仍在萌芽期（2024 年僅十億美元量級），但長期潛力直指數兆美元，極可能成為改變世界的新興產業。

✅ 特斯拉市佔優勢
雖然波士頓動力、宇樹科技、Agility Robotics 等企業皆在投入研發，但特斯拉具備三大獨特優勢：

1. 資源與量產雄心：馬斯克將 Optimus 列為最高優先產品，並計畫於 2025 年底前讓數千台機器人進入自家工廠，2030 年前後實現百萬台級年產量。此種激進目標在業界罕見。

2. AI 與感測技術移轉：Optimus 將大量沿用特斯拉自駕技術，包括攝影機、晶片與神經網路架構，站在十餘年汽車 AI 研發基礎之上，大幅縮短研發週期。

3. 製造與成本優勢：依靠電池與供應鏈優勢，特斯拉有望快速壓低成本。高盛指出，高階人形機器人成本已由 2022 年的 25 萬美元降至 2023 年的 15 萬美元，若特斯拉能進一步規模化量產，將顯著提升競爭力。

在樂觀情境下，特斯拉於 2030 年代有潛力取得 20–30% 市佔率，成為產業領導者。

✅ 營收與利潤潛力
Optimus 的商業模式可涵蓋硬體銷售、維護與租賃（Robot-as-a-Service, RaaS）。

• 硬體銷售：早期單台價格可能落在數萬至十萬美元，但隨量產推進將逐步下降。高盛預計 2030 年全球工業用人形機器人年出貨量將超 25 萬台，2035 年達 140 萬台。若單台均價 5 萬美元，2035 年硬體市場規模約 700 億美元。若特斯拉取得 30% 份額，營收約 200 億美元。

• 長期服務收入：至 2050 年，若全球有近 10 億台機器人投入使用，單台每年服務或維護費用 1 萬美元，則市場規模達 數兆美元/年。假設特斯拉累計部署數億台 Optimus，光服務營收即上兆美元規模。

由於涉及硬體製造，毛利率或低於軟體，但仍可透過規模效應達到 30–40%。若採用租賃模式，毛利率可望進一步提升。

✅ 現金流時間軸與折現
Optimus 的推廣將是一場長跑：

• 短期（2024–2026）：原型驗證與工廠內部應用，對營收貢獻有限。

• 中期（2027–2035）：逐步小批量商業供應，應用於簡單工業與搬運場景。

• 長期（2035 之後）：若技術成熟，大規模普及並進入消費級市場。

由於技術與落地存在高度不確定性，需採用較高折現率（約 20%）。若 2035 年 Optimus 能帶來 100 億美元年現金流，並在 2050 年前持續成長，則其 NPV 可能達數千億美元；保守估計則約 500–1,000 億美元。

總體而言，投資人現階段將 Optimus 視為「長期期權」：一旦技術突破，將極大推升特斯拉價值；若未及時落地，估值貢獻則有限。正如馬斯克所言：「現有對 Optimus 的最樂觀估計都嚴重低估了它的能力。」若其願景成真，Optimus 可能成為推動特斯拉邁向數十兆美元市值的最大驅動力。

4️⃣Dojo AI 超級電腦業務展望

產品定位與願景
特斯拉不僅將 AI 應用於自動駕駛，還自研專屬的 AI 超級電腦 Dojo。這是一個專為神經網路訓練打造的高性能計算平台，採用自研晶片與特殊架構，目標是在視覺類 AI 任務中提供更高效、低成本的算力。馬斯克透露，Dojo 不僅支援特斯拉車用 AI 訓練，也可能擴展至外部應用，發展成類似 AWS 的雲端 AI 訓練與高性能計算（HPC）服務。隨著全球對 AI 模型訓練與推理需求爆發（如 OpenAI GPT 系列），這一市場機會極具吸引力。

✅ 市場規模（TAM）
全球 AI 計算市場正以高速擴張：

• MarketsandMarkets：AI 資料中心市場規模將從 2025 年的 2,364 億美元，增至 2030 年的 9,338 億美元，年複合成長率超 30%。

• AI 晶片市場：2030 年或達 4,500 億美元，大部分用於訓練與推理。

• 麥肯錫：預估至 2030 年，全球為滿足算力需求，需投入 6.7 兆美元擴建資料中心基礎設施。

這說明未來幾年 AI 基建是一個上兆美元級的超級市場。若 Dojo 能成功商用，即有機會瓜分其中部分份額。摩根士丹利分析師甚至認為，Dojo 帶來的衍生機會可為特斯拉市值額外貢獻 5,000 億美元。因此，Dojo 的 TAM 合理區間可落在 數千億至一兆美元之間（含硬體銷售與雲端服務）。

✅ 特斯拉競爭優勢
在 AI 訓練計算領域，競爭對手包括 NVIDIA、Google TPU、AWS 等巨頭。特斯拉的潛在優勢在於：

1. 專用化與整合：Dojo 為視覺神經網路量身打造，在能效與成本上有望優於現有方案（馬斯克曾稱其性價比可超越 GPU 集群，雖仍待驗證）。

2. 內部需求驅動：特斯拉龐大的 FSD 訓練需求本身就是最佳測試場景，能不斷推進 Dojo 的迭代與優化。

3. 能源與散熱優勢：憑藉自產電池模組與資料中心散熱設計經驗，特斯拉可望提升整體效能與能耗比。

未來，若 Dojo 成熟，特斯拉可提供 「Dojo-as-a-Service」，滿足市場對多元供應商的需求，降低企業對 NVIDIA 的依賴。保守情境下，市佔率約 5–10%；樂觀情境下，若能形成低成本高效能的雲端算力平台，市佔率或提升至 10–15%。

✅ 營收與利潤潛力
Dojo 潛在收入來源包括：

• 內部效益：取代大規模採購 GPU，降低成本並加速 FSD 訓練。

• 硬體銷售：將 Dojo 機櫃直接銷售給企業或政府。

• 雲端服務：對外提供 API 與算力租賃，按使用量收費，模式類似 AWS/GCP。

參考雲服務產業，毛利率可達 30–40%，若特斯拉控制硬體設計並規模化，毛利甚至可更高。
舉例推算：若 2030 年全球 AI 雲端訓練市場達 3,000 億美元，特斯拉取得 10% 份額，即 300 億美元營收。假設毛利率 50%，毛利約 150 億美元，扣除研發與營運成本後，營業利潤仍可達數十億美元級別。

此外，Dojo 的戰略價值更體現在協同效應：它可加速 FSD、Robo Taxi、Optimus 等核心業務落地，間接創造更大規模的利潤增量。

✅ 現金流與折現
Dojo 已於 2023 年下半年上線，並在 2024–2025 年逐步擴容以支援 FSD 訓練。對外商業化或於 2025–2026 年起步。

由於算力租賃屬即時現金流，若市場接受其性價比，擴張速度可極快。風險在於技術性能是否如預期，以及建立外部客戶生態的難度。因此建議以 15% 折現率評估。

若 2030 年 Dojo 雲服務營收達 100 億美元、營業利潤 30 億美元，則其 NPV 約 150–200 億美元。若計入其對 FSD 與 Robo Taxi 的加速效益，總價值或再增加數百億美元。在更樂觀的情境下，若 Dojo 脫穎而出成為重要 AI 基礎設施供應商，其潛在價值上看 千億美元。

5️⃣能源儲存與電網服務潛力

業務定位
除了交通與 AI，能源是特斯拉的另一大業務支柱，涵蓋固定式儲能產品（如家用 Powerwall、工業級 Megapack）、太陽能發電系統，以及電網服務與自動化軟體（如 Autobidder 能源交易平台）。

馬斯克早在 Master Plan 中就強調，再生能源 + 儲能是特斯拉使命的核心之一。隨著全球加速能源轉型，電網對儲能需求爆炸式增長。近年來，特斯拉能源業務快速擴張。馬斯克於 2024 年初直言：「我多年來一直說，能源儲存的增長將快於汽車，如今已成真。」顯示能源已成為特斯拉新的增長引擎。

✅ 市場規模（TAM）
根據 Mordor Intelligence，全球能源儲存市場將自 2025 年的 2,950 億美元，增至 2030 年的 4,650 億美元，其中鋰電池儲能占比最大。僅電網級鋰電池儲能，2030 年市場規模就可能達 400–500 億美元/年。

IEA 淨零排放路線圖 亦預測，至 2030 年全球儲能裝機容量將達 1,200 GW（比 2020 年增長 14 倍），意味未來幾年累計投資額將超過 兆美元。

此外，特斯拉也不只賣設備，還透過參與電力市場獲益。例如，南澳大利亞 Hornsdale 大電池專案成功提升電網穩定性、降低成本，兩年內為當地節省約 1.5 億美元運營支出。這顯示電網服務（如頻率調節、削峰填谷）的潛在市場同樣龐大，隨全球加速建設智能電網，其 TAM 可達數百億美元級。

整體而言，特斯拉能源 TAM 包含 硬體（數千億美元）與軟體服務（數百億美元）。長期來看，隨再生能源成為主流，儲能將成為電力基礎設施的核心，而特斯拉已提前布局。

✅ 市佔率假設
特斯拉目前已是全球儲能市場的重要參與者：

• 硬體：其 Megapack 大型電池廣受市場歡迎，產能供不應求。Mordor 分析將特斯拉與 LG 能源、比亞迪、Fluence 列為全球主要供應商。

• 技術與製造：特斯拉具備強大的電芯供應鏈整合能力（合作夥伴含 Panasonic、寧德時代），並在電池管理系統與模組化部署上領先。最新的 Megapack 3 更將逆變器等高壓元件整合，可直接接入電網，大幅降低部署成本與難度。

基於品牌、技術與產能優勢，假設至 2030 年特斯拉可取得全球儲能硬體市場 約 20% 市佔率，並在部分先進電網服務市場佔有顯著份額。長期若持續擴產並保持技術領先，市佔率仍有進一步提升空間。

✅ 營收、毛利與利潤潛力
特斯拉能源收入來自儲能設備與電網服務：

• 現況：2023 年能源部門營收已達數十億美元，毛利率約 10–20%，仍在改善中。

• 展望：隨 Megapack 放量、成本下降，毛利率可望接近甚至超越汽車業務。軟體服務（虛擬電廠、能源交易）則幾乎是純利潤，可顯著提升盈利能力。

推演情境：若 2030 年營收達 700 億美元（約占全球市場 15%），毛利率升至 30%，則毛利約 210 億美元，扣除研發與運維後，營業利潤有望達 百億美元級別。

更長遠來看，隨能源轉型加速，2050 年儲能年投資額可能上看 數兆美元，屆時特斯拉能源營收或可達 數千億美元/年。同時，透過 AutoBidder 等軟體，家庭與企業可自動參與電力市場，提高投資回報，形成 SaaS 式經常性收入，為估值帶來額外溢價。

✅ 現金流與折現
能源業務相較於 FSD 或 RoboTaxi，已屬成熟業務，現金流穩健，風險較低。因此可採用 10% 折現率。

假設 2025 起能源自由現金流持續增長，2030 年達 50 億美元/年（對應 500–700 億營收，利潤率持續提升），且之後保持 15–20% 年增長率，則其 NPV 估計在 300–400 億美元。

雖然能源對特斯拉的估值貢獻不及 RoboTaxi 那般耀眼，但它提供了穩定、可持續的現金流基礎，是支撐高估值的重要組成部分。若未來成功打造大規模虛擬電廠網路，則可帶來公用事業或 SaaS 模式的高倍數估值潛力。

未來業務潛力彙總與估值分析

綜合以上對各項業務的分析，我們彙總出特斯拉在不同領域的潛在價值估算如下：

從上表可見，在全面樂觀的情境下，特斯拉未來各潛力業務的淨現值加總可達 1.2–1.6 兆美元左右（股價 360 美元），基本與目前約1.12兆美元的市值相當。

這說明市場對特斯拉的估值在極大程度隱含了對上述各項業務成功的預期。其中，尤以 Robo Taxi 和 FSD 兩項的價值佔比最大：這符合木頭姐方舟基金等機構觀點，認為未來特斯拉的主要價值將由自動駕駛出行服務所驅動。

其他業務如 Optimus 機器人屬更長遠的選項，其 NPV 相對較小，但上行潛力驚人（黑天鵝式的價值飛躍，一旦成功將重估整個公司）。能源業務則提供了扎實的基本面支撐，在悲觀情境下至少能貢獻數百億價值，托底公司估值。

只有全面勝利，沒有第二個可能性！

需要強調的是，以上分析假設了較為理想的情境且未嚴格考慮業務風險相關的共變異數（也就是 Tesla 在 Elon Musk 的帶領下，在上述各個業務領域都取得絕對勝利）。實際上，這些未來業務存在各種挑戰，包括技術難關、監管政策、競爭環境等。一旦有一兩項未達市場預期，特斯拉估值可能出現波動。

然而，特斯拉獨特之處在於其「多引擎」增長模式：汽車硬體、軟體訂閱、出行服務、能源解決方案等共同構築了多元的故事。如果所有引擎都點火成功，特斯拉的營收和利潤規模將遠超傳統車企范疇，有望成為集「運輸、能源、AI 機器人」於一身的跨產業巨擘。

總結與評估意見

綜合而言，雖然以傳統財務指標衡量，特斯拉當前的股價與市值顯得「高不可攀」，但若將視野拉長，並納入其顛覆性創新業務的潛在價值，這一估值並非全然缺乏依據。在 全自動駕駛（FSD）、無人計程車（RoboTaxi）、人形機器人（Optimus）、AI 超算（Dojo） 以及 能源生態 等領域，特斯拉皆握有先發優勢並投入巨額資源。若其中任何一項成功落地，都可能創造出相當於一家大型企業的市值。正如 Ark Invest 所提出的 2,000 美元估值模型，對應的是「相當於當前美股前 11–20 大公司總市值」的規模。馬斯克甚至斷言，未來特斯拉的主要價值將來自這些尚未完全實現的業務。

當然，投資人也必須意識到，這些推演中隱含濃厚的樂觀成分，其落地時間與最終規模仍具高度不確定性。我們的模型顯示，在相對樂觀的情境下，特斯拉各項新業務的 淨現值（NPV） 合計足以覆蓋甚至超過當前市值，為市場將特斯拉視作「未來版的蘋果 + Google + Uber + NVIDIA」的綜合體提供了估值依據。

然而，一旦任何關鍵業務進展受阻，估值勢必面臨調整壓力。因此，特斯拉當前股價更合理的理解方式，是將其視為 市場對多個長期選擇權的加總定價。

投資人應持續追蹤特斯拉在 自動駕駛突破、安全監管核可、機器人產品化進程、能源市場滲透 等關鍵領域的發展，以檢驗這些潛力是否正逐步轉化為現實。

總體來看，市場願意為特斯拉支付的溢價，正是基於其有可能引領數個未來巨型市場的地位。只要特斯拉能在創新道路上持續保持領先，目前看似龐大的估值，便可能隨著新業務的成長逐步被消化並最終獲得驗證。

我還是決定不加入這個宗教

好的投資從來不是依賴「預測未來」，而是建立在對「當下所處位置」的深刻理解之上。當市場環境被普遍視為「正常」時，保持冷靜與客觀的評估便尤為重要。投資者必須超越主流敘事，建立一套衡量市場溫度的框架，透過量化指標與批判性思維，揭露隱藏在樂觀氛圍下的風險。（我在 7/30 日的「如何看待美股現況：16張圖表，16 位分析師」也嘗試多面向探討美股當下所處位置，但看起來進入到八月，大家整體的投資心態仍處在迷霧之中）

市場評估：數據所揭示的異常

1. 股權估值
   截至 2025 年 7 月，S&P 500 的席勒本益比（CAPE Ratio）達到 37.87，遠高於歷史均值 17.6，處於第 98 個百分位，比長期趨勢高出 69%。同時，其預期本益比超過 21 倍。這並非「沒有便宜貨」而已，而是市場已將未來描繪成完美無瑕，對任何潛在失望幾乎未留緩衝。

   

2. 信用市場情緒
   高收益債的選擇權調整利差（OAS）已壓縮至 2.95%，遠低於長期均值 5.24%。這代表投資人對高風險資產要求的補償極低，資本追逐投放、風險溢價被壓縮，顯示市場的集體樂觀與高風險承受。

   

3. 波動性與恐懼
   VIX 指數徘徊於 14–16 的低檔，低於 20 的水準通常意味著市場自滿。這印證了「對虧損的恐懼」已被「錯失恐懼（FOMO）」取代。投資人彷彿認定未來毫無阻礙，忽略了潛在的避險需求。

   

綜合而言，市場已經脫離鐘擺的平衡點，而懸掛在過度樂觀的極端。對順勢而行者來說，或許這是舒適的環境；但對謹慎的投資者而言，這正是警訊。Howard Marks 在 8 月 16 日的備忘錄 The Calculus of Value 亦對此提出提醒。

共識與非共識：第一層次思維與第二層次思維

1️⃣「軟著陸」敘事的脆弱性

• 第一層次思維：通膨下行、經濟持續增長 → 聯準會將降息 → 股市持續上漲。

• 第二層次探究：IMF 預測全球增長僅 3.0–3.1%，低於歷史均值；美國通膨仍在 2.7% 附近徘徊，Fed 大幅降息空間有限。市場預期 2026 年聯邦基金利率仍在 3.75%，遠非零利率環境。換言之，市場的定價過於樂觀，與平庸甚至脆弱的現實存在落差。

2️⃣AI 狂熱的二階效應

• 第一層次思維：AI 是革命 → 買入領先 AI 股票。

• 第二層次探究：估值中已反映多少未來增長？其他 493 檔 S&P 股票呢？資本集中是否製造系統性脆弱？單一領域的狂熱掩蓋了其他市場區塊的停滯與機會。當能量過度集中，鐘擺回擺也將劇烈。

3️⃣ 風險的真實含義

• 第一層次思維：2022 年的風險（通膨、升息）已消退，市場風險下降。

• 第二層次探究：真正的風險是「認為沒有風險」。當估值過高，安全邊際消失，市場對任何微小意外都極度敏感。當所有人擠在同一側船板上，最小的波浪都可能顛覆全局。

投資原則：防守才能奪冠

在投資世界裡，進攻能贏得比賽，但唯有防守能贏得冠軍。當市場被貪婪與 FOMO 主導時，風險控制的價值尤為突出。

• 哲學基礎：Howard Marks 與 Oaktree 的核心投資哲學並非追求最高報酬，而是以低於相稱的風險取得優秀報酬。市場獎勵冒險時，逆向保持紀律，正是投資的關鍵。

• 防禦性投資：非清倉持現，而是調整組合姿態，要求更高安全邊際。對每家公司進行「高利率情境」的壓力測試，以確保資產負債表的韌性。

• 昂貴市場的回報不對稱性：在高估值環境下，上行潛力有限，下行風險巨大。投資重點應由「追求全壘打」轉向「提升打擊率」，核心目標是最小化永久性資本損失。

至少給點持股參考吧！

Palantir 的最新案例

在最新財報中，Palantir (PLTR) 特別強調其 Rule of 40 高達 94%：

• 營收成長率：48%

• Adjusted operating margin：46%

• 計算結果：48% + 46% = 94%

這確實是一個遠超 SaaS 業界平均的「亮眼數字」。然而，PLTR 的做法值得關注：

1. 刻意選擇有利數據：
   Palantir 採用的是「adjusted operating margin」而非標準會計利潤率，這種調整後數字往往排除了股票薪酬等重大成本。

2. 異常的市值評價：
   雖然 Palantir 高調宣示 Rule of 40 的優越表現，但卻忽略了另一個關鍵：其市值評價已遠高於大多數 SaaS 公司。即便達到 Rule of 40 的優秀水準，投資人仍需審慎檢視其估值是否合理。

3. 跨產業的誤導性應用：
   更令人驚訝的是，Palantir 還將 Rule of 40 指標硬套用到非 SaaS 公司如台積電 (TSM)、禮來製藥 (LLY)、Visa (V) 等，這種用法完全偏離 Rule of 40 原本的適用範圍，容易誤導投資人對跨產業公司表現的理解。

Rule of 40：檢測工具，不是護身符

Rule of 40 本質上是一個簡單卻實用的健康檢測指標，尤其適用於 SaaS 公司，用來衡量成長與獲利之間的平衡。然而，它並非萬靈丹，更不應被過度誇大或濫用。

Palantir 的最新財報正是一個典型案例。公司高調強調自身的 Rule of 40 表現，試圖營造「成長與獲利兼具」的光環，但卻迴避了一個更根本的問題——其估值已遠遠超前基本面，呈現「超前跑道」的現象。

起點，而非終點

對投資人而言，Rule of 40 應被視為「起點」而非「終點」。真正值得關注的，是這樣的財務成績能否支撐 Palantir 當前的高市值，還是僅僅成為另一種「數字光環」，反映市場過熱的氛圍。

從 Palantir 的邏輯反推市場泡沫

有趣的是，Palantir 嘗試把原本只適用於 SaaS 的評估方法，套用到 Nvidia、台積電、Visa、Mastercard 等產業巨頭，刻意把自身「企業價值」對齊市值前二十大的公司。既然如此，我們不妨「將錯就錯」，順著這種邏輯檢視：哪些公司真正物有所值，哪些公司則是「違反地心引力」的估值奇觀。

畢竟，在川普回歸政壇、政策氛圍讓某些特定陣營「雞犬升天」的時代，以 Peter Thiel 為首的 PayPal 幫，甚至如今被戲稱為「美國國運股」的一群公司，或許正是需要嚴肅檢視的對象。

這是一個簡潔的投資評等框架，採用二維象限來呈現：
X 軸為 PEG（Price/Earnings to Growth ratio，市盈率相對盈利增長比率），它結合了估值與成長性的概念，用於判斷一家公司股票是否被低估或高估，特別常見於成長型企業的評估；
Y 軸則是 Rule of 40 —— 一個屢次被 Palantir 拿來過度包裝的指標。嚴格來說，這並非不合邏輯，因為 Rule of 40 同時要求公司兼具營收成長與利潤率。能達到高分的企業，通常代表具備深厚的技術壁壘與經營效率。

在這樣的評等中，Nvidia 可謂一騎絕塵，不論從哪個角度衡量，都是最值得長期持有的標的。如果投資人手中持有大量成長股，隨著不斷汰弱留強，最後極有可能僅剩 Nvidia 獨秀。至於 Big-4（Microsoft、Meta、Google、Amazon），其中三檔位列 Tier-1，與支付雙雄 Visa、Mastercard 並列其中。若依循 Howard Marks 所強調的防禦性布局思維，Visa 與 Mastercard 應是首選。

反過來說，那些應優先汰換的標的亦相當明顯。如果你並非 Elon Musk 的信徒，Tesla 應當列為首要減持；其次是 Palantir，其市值與基本面存在落差。至於第三個值得謹慎對待的標的，則是 Snowflake —— 在與 Databricks 的競爭中顯得疲弱，但股價卻依舊偏高，風險不容忽視。

前言：

隨著市場持續上漲，華爾街對 S&P 500 的目標價高點也隨之上調。

Oppenheimer 首席市場策略師 John Stoltzfus 於 27 日晚間向客戶發出報告，將其年底目標從 5,950 點上調至 7,100 點，理由是「貿易談判的進展消除了原先壓抑市場前景的不確定性」。這項新預估目前是華爾街最高的標普 500 年底目標，意味著從當前水準再漲 11%。

若標普 500 在 2025 年底收於 7,100 點以上，這將是該指數連續第三年上漲超過 20%。

Stoltzfus 是多位華爾街策略師之一，在 4 月市場因關稅引發近 20% 的回檔後，重新調回最初預測的年終目標。

Stoltzfus 上調預測的時間點，恰逢川普總統宣布與歐盟達成協議，該協議包含對從歐盟進口至美國的商品徵收基準 15% 關稅。

我們認為，目前已克服足夠多的「關稅障礙」，因此可以恢復我們對標普 500 指數年底 7,100 點的原始預測目標。

Stoltzfus 之所以能將其年底目標定在 7,100 點，是基於以下假設：

• 2025 年標普 500 每股盈餘（EPS）預估為 275 美元；

• 市場給予未來 12 個月的本益比（P/E）為 25.8 倍。

目前標普 500 的估值為 明年盈餘的 22.4 倍，這已高於過去 5 年與 10 年的平均本益比（分別為 19.9 倍與 18.4 倍，來源：FactSet）。
這讓一些市場觀察者開始質疑，這波漲勢是否已經過度擴張。

像 Stoltzfus 這樣的策略師近期指出，在川普 4 月份宣布新關稅政策之後，企業獲利的韌性表現優於市場原先預期。

美股正在反應市場對 2026 盈餘成長高預期

根據 FactSet 數據，截至目前已有 標普 500 中的 34% 公司公布財報，第二季獲利成長預估為 6.4%，高於 6 月 27 日當時預估的 5%。

展望未來，市場對 2025 年下半年與 2026 全年的企業獲利預期也持續上調：

• 截至 7 月 25 日，FactSet 顯示分析師預期 標普 500 在 2026 年的獲利將成長 13.9%，略高於一個月前預期的 13.8%。

在 7/28 日發給客戶的報告中，花旗美股策略主管 Stuart Kaiser 指出：

• 相較於 4 月那一輪財報季，企業對未來季度的盈餘 guidance 上修比例顯著增加；

• 目前已有 41% 的公司上調全年財測，遠高於 4 月僅有的 10%；

• Kaiser 表示，這是美股的又一項「追風順風（tailwind）」因素，有助支撐上漲趨勢。

摩根士丹利首席投資官 Mike Wilson 對此表示認同：

• Wilson 分享給 Yahoo Finance 的數據顯示：盈餘修正廣度（earnings revisions breadth）──即上修財測的公司數量相對於下修的比例──復甦幅度與標普 500 漲勢一樣驚人。

「我們目前正經歷史上最強勁的 V 型反彈之一，與 2020 年 COVID 危機後的反彈可比，那也是我們對市場預期最錯誤的時刻之一。」

「過去幾個月，這項根本面因素的強度遠超過多數市場參與者的認知，這不僅合理化了近期漲勢，也解釋了我們對未來 6 到 12 個月依然看多的原因。」

美股不僅挺過動盪開局，更表現亮眼

今年美股雖以近年來最動盪的開年走勢開場，但卻不只是倖存，而是「蓬勃發展」。

• S&P 500 在年初幾週內重挫 19%，但目前已強勢反彈，創下歷史新高；

• 然而，市場對這波反彈的可持續性，仍存在不安與疑慮。

市場爭議與潛在風險

1. 估值爭議持續：
   股價評價仍處歷史高位，尤其是 AI 成長故事是否可持續，讓部分投資人保持懷疑。

2. 川普政策的潛在衝擊：
   川普總統提出的關稅與移民政策，及其對美國經濟增長的潛在影響，成為眾多經濟學家的首要憂慮——他們仍質疑美國經濟的韌性。

儘管 4 月市場經歷了自二戰以來最糟糕的三個交易日之一，但股市之後卻出現典型的 V 型反彈。

幾項核心因素支撐了這波上漲：

• 企業獲利預期上調：尤其是在那些被市場炒高最多的領域（如 AI 與科技）；

• 美國消費者狀況仍穩健：部分指標顯示家庭支出能力與就業市場尚稱健康；

• 市場情緒尚未過熱：即便行情大漲，許多策略師認為投資人情緒仍遠未達到高峰。

Fed 的角色邊緣化

• 儘管川普加大對鮑威爾的壓力，要求降息；

• 資料顯示：聯準會不再是市場焦點，而是其他更根本的驅動力主導當前漲勢。

現在，「聯準會何時、如何調整政策」這個問題，反而沒那麼迫切；

相較之下，更值得關注的問題是：
究竟是什麼力量推動市場穿越今年的「擔憂之牆」，而投資人是否還會繼續攀爬？

這張圖顯示的是標普 500 指數的盈餘預期修正廣度（earnings revisions breadth），通常被視為實際盈餘表現的領先指標。我們當前正經歷歷史上最強勁的 V 型反彈之一，幅度堪比 2020 年疫情後的回升——那也是市場共識曾嚴重錯判基本面的時刻。

許多投資人尚未意識到，這波基本面驅動的動能在過去幾個月有多強勁；它不僅正當化了當前的市場漲勢，也解釋了為何多數機構對未來 6 到 12 個月依然保持樂觀看法。

— Mike Wilson, chief investment officer, Morgan Stanley

儘管標普 500 指數近期創下新高，投資人佈局數據卻沒有顯示出任何過度樂觀的跡象。

GS Equity Sentiment Indicator 整合了九項衡量投資人對美股部位的指標，涵蓋避險基金、共同基金以及散戶等各類投資群體。

目前，該指標數值為 0，代表整體市場處於中性立場（neutral positioning）。

儘管估值倍數（valuation multiples）相較歷史仍屬偏高，但投資部位仍受限的情況，顯示這波股市反彈仍有延續空間。

— Ben Snider, senior equity strategist, Goldman Sachs

「雖然股市已從『解放日拋售潮』（Liberation Day sell-off）中完全反彈，但投資人對股票的部位配置（equity positioning）僅回升至中性水準。」

股票部位通常會與企業盈餘成長趨勢一致，但目前的部位配置仍低於我們對第二季（Q2）的獲利預期，因此我們預期將出現典型的「財報季上漲行情」。

無論是市場分析師共識或德意志銀行（DB）的預測都指出：第三季（Q3）企業盈餘成長可能會出現下滑，主因是關稅全面衝擊企業營運的影響將於此時完全顯現。

不過展望年底，我們預期股市部位配置將進一步提升，並成為推動股價續漲的主要動力之一。

— Binky Chadha, chief global strategist, Deutsche Bank

隨著 2025 年第二季財報季即將展開，大型科技股的預期本益比約為 29 倍。儘管這一估值水準看似偏高，實際上自年初以來已下修約兩個倍數（~2 turns），原因在於大型科技是標普 500 中少數「全年盈餘預期上調，股價卻未同步大幅上漲」的族群。

整體來看，美股 2025 年的上漲趨勢正變得更為廣泛：表現優於 S&P 500 的成分股比例已升至近兩年高點。然而，這些股票的漲幅多數來自估值倍數擴張（multiple expansion），而非基本面實質改善。

大型科技則是少數例外——其獲利預期實質上調，估值卻同步修正，顯示其表現更具基本面支撐。

隨著 2025 年第二季成為首個受到新增關稅實質衝擊的季度，大型科技股在支撐標普 500 整體表現方面扮演關鍵角色。我們認為，這個族群具備良好條件，持續承擔此一支撐力量。

— Venu Krishna, head of US equity strategy, Barclays

雖然大型科技公司如今的獲利能力遠高於 1990 年代末的 DOT-COM 泡沫時期，這點無庸置疑，但它們的高估值現象仍與當年如出一轍。

—Barry Bannister, chief equity strategist, Stifel

在過去五年裡，市場經歷了六次黑天鵝事件仍倖存下來。如果這是一家企業，在歷經六次幾近滅絕的危機後依然持續繁榮，它的股票肯定會被市場賦予更高的本益比。

然而，標普 500 的本益比實際上已從疫情前的 17.6 倍下降至目前的 16.9 倍。

如果這個市場真如我們所見的那樣具有「不可摧毀性（indestructibility）」，那麼本益比仍有相當大的上升空間。

— Tom Lee, head of research, Fundstrat

今天的本益比與之前的周期相比不可同日而語

輕資產化程度進一步提升：標普 500 指數各板塊市值佔比隨時間變化

儘管根據我們追蹤的大多數估值指標來看，標普 500 現階段在統計上確實偏貴，但我們認為，將當前的本益比與過去幾個市場週期相比，其實是『蘋果比橘子』，並不具可比性，原因在於：指數內部的產業結構已發生根本轉變。

1980 年時，標普 500 指數中有 70% 為低利潤率、資本密集與勞力密集型的製造業；
而到了今天，有超過 50% 的比重來自高利潤率、以創新為導向的產業。

— Savita Subramanian and Jill Carey Hall, BofA Securities equity and quant strategy

具獲利支撐的大型股表現優異

今年下半年的一個關鍵問題是：市場領漲結構是否會擴大。

目前中小型股仍遠低於過往高點，部分原因是它們的盈餘表現較弱。若要出現領漲轉移，可能需要經濟環境改善與更廣泛的企業盈餘成長作為支撐。

在趨勢尚未明確改善之前，機構仍偏好具有成長特性的大型股。

— Keith Lerner, co-chief investment officer, Truist

投機泡沫期間 Nasdaq 領漲 道瓊公用事業股

上圖中有幾個重點值得注意：

Nasdaq 只有在較具投機性或泡沫時期，才會大幅領先道瓊公用事業指數。

即便計入目前這段由七巨頭（Magnificent 7）/ AI 熱潮所主導的投機期，公用事業股每年也只比 Nasdaq 落後不到 65 個基點（0.65%）。

由於回報中有很大一部分來自股息，公用事業股實際是以顯著較低的波動性與 beta 實現了穩定報酬。

在過去超過 50 年期間，道瓊公用事業指數對 Nasdaq 的 beta 僅為 0.5，這意味著從風險調整後的角度來看，公用事業股的報酬表現優於 Nasdaq。

— Richard Bernstein, CEO, Richard Bernstein Advisors

投資者對 AI 主導的「獲利例外論」進行定價

市場估值持續反映出一種由 AI 驅動的「獲利例外主義（profitability exceptionalism）」。

也就是說，投資人預期 AI 將顯著提升企業獲利能力，並願意為此支付較高的股價。

然而，若這樣的成長預期無法兌現，與債券相比，美股估值顯然顯得昂貴。

— Max Grinacoff, head of US equity derivatives, UBS

當下，投資人正在選擇相信 AI 的未來。

科技產業雖然是標普 500 中全球曝險度最高的板塊，但投資人仍願意支付高於平均的估值倍數，只為參與這段可能主導未來十年的迷人敘事。

問題在於，AI 概念股的交易邏輯能成立，直到它不再成立的那一天……

目前尚未陷入衰退，但關稅與其他壓力可能會讓就業市場開始鬆動。

科技股的市場預期已極度高漲，一旦現實落空，可能導致市值劇烈下修。

這也是為什麼投資組合的平衡配置極為重要——你是在修正個人投資中股市表現失衡的結構性風險。

— Callie Cox, chief markets strategist, Ritholtz Wealth Management

市場廣度（即超越標普 500 表現的公司比例）正逐漸收斂，並且越來越頻繁地觸及低點。

這種市場表現高度集中的模式，在 1990 年代末與 2000 年初的科技泡沫時期也曾出現。

當時，一旦市場廣度收斂到極端水準，標普 500 通常會在短期內出現修正。

然而近年來，即使市場廣度狹窄，股市仍持續上漲，這某種程度上反映出帶動行情的大型股品質之高。

— Nicole Inui, head of US and Latin America strategy, HSBC

「場外現金」並沒有那麼高

當人們觀察貨幣市場基金（money market funds）中的資產規模時，經常會強調「場外現金」這個論述；然而，若將其作為整體股市市值的比例來看，這股資金的實際影響就顯得微不足道。

— Liz Ann Sonders, chief investment strategist, Charles Schwab

歷史高點也並非不是買進良機

無論是從6 個月、1 年、2 年、3 年或 5 年的時間區間來看，標普 500 指數平均都能產生正報酬。

但根據摩根大通資產管理的數據顯示，若投資者是在歷史高點（all-time highs）進場，這些期間的平均報酬其實更高。

每一波技術革命都會催生一批乘勢而起的新創公司。他們擅長塑造敘事，吸引資本與媒體的關注，圍繞某個技術轉折點迅速拉升估值。然而，當敘事遭遇現實，缺乏護城河與關鍵資源掌控力的企業，往往無法撐過轉型門檻，最終黯然退場。

CoreWeave 正站在這樣的十字路口。它究竟是 AI 基礎設施的長期贏家，還是僅僅是 GPU 供需錯配下的階段性套利者？

CoreWeave 全股收購 Core Scientific，市場反應冷淡

7月7日，正加速轉型為 AI 基礎設施公司的比特幣礦企 Core Scientific（CORZ），宣布將被 AI 雲端公司 CoreWeave 以約 90 億美元全股票交易收購，消息公布後，CORZ 股價下跌 17%。

這項交易最早於 6 月 26 日曝光，當時帶動 CORZ 股價上漲逾 50%。伯恩斯坦分析指出，市場原本預期更高的收購溢價，對「全股票」交易形式亦感失望，特別是在 CoreWeave 今年股價已翻三倍的背景下，缺乏價格保護機制使投資人擔憂交易完成前若出現波動，恐影響協議執行。

該交易預計於第四季完成，券商 Bernstein 認為此案將重塑 AI 基礎設施開發模式，並促使市場重新評價擁有大規模電力資源的比特幣礦商。

CoreWeave 此次收購與其先前與 Core Scientific 簽訂的 12 年、總值 100 億美元的共同託管合約密切相關。透過併購，CoreWeave 可解除長期租約，全面掌握資料中心與電力資產，提升資本效率與建設彈性。

Bernstein 預期，市場將更關注具以下特徵的礦企：(1) 具備大型電力容量；(2) 正積極投入 AI 或高效能運算（HPC）場域；(3) 資產負債表穩健、無高風險債務。例如 IREN 和 Riot Platforms 已宣布將部分電力資源轉向 AI/HPC，IREN 成為繼 MARA 和 CleanSpark 之後，具備 50 EH/s 能力的最新礦商，但卻毅然選擇轉型。

CORZ 成為 CRWV 的六個月期貨價格 proxy？

以下此次為 固定換股比例公式：

CORZ = CRWV × 0.1235 × (1 - 交易折價)

這讓 CORZ 成為市場上理性分析Coreweave 未來合理價格（10 月過後因 IPO 被lockup的股票即可交易）的情景。

以 CRWV 三種情境預估則：

目前 CORZ 目前7月8日收盤價為14元，相較於Coreweave甫於6/20日創下的上市以來的高點187元所換算的轉換價值已有 40%折價，反映三重投資風險：

1. 交易未完成，有流產可能

2. CRWV 價格後續下跌的預期（更接近 7月8日券商 Stifel 目標價）

3. 時間價值與資金流動性折價

Nvidia 的影子帝國：CoreWeave

✅ 金融投機基因鑄就的公司風格

CoreWeave 由三位華爾街對沖基金背景的創辦人創立，起家於加密貨幣乙太坊挖礦，後轉型為 GPU 算力租賃業務。他們擅長槓桿與資本操作，成功將挖礦設備資產化，迅速完成商業模式重塑。雖披著雲端服務的外衣，實則是一家高度金融化運作的企業，其發展路徑深植投機與策略思維。

✅ Nvidia 扶持下的「代理雲」

CoreWeave 是 Nvidia 繞過 AWS、Azure 等雲端巨頭所扶植的戰略緩衝體，目的在於分散下游壟斷、維護 GPU 價格體系，並避開直接競爭。CoreWeave 一方面協助 Nvidia 搶占雲端市場話語權，另一方面也在 AI 晶片競局中牽制 CSP 巨頭，強化其長期議價能力。

✅ 教科書式的「一份錢賺四次」套利模式

Nvidia 透過 CoreWeave 實現四重套利：

1. 投資入股，取得資本收益；

2. 由其採購 GPU，推動營收；

3. 以 GPU 資產抵押融資，擴大再採購；

4. 借其市場角色調控 GPU 價格與供需。

這一金融閉環放大了英偉達的營運槓桿，最小資本撬動最大收益，亦強化其對市場的主導力。

✅ 「算力中間商」的脆弱定位

CoreWeave 介於傳統 IDC 和 CSP 之間，專注 GPU 裸機租賃，服務對象以 OpenAI 等急需擴容的大客戶，以及無法自建集群的中小 AI 新創為主。這種模式在 GPU 緊缺時具備優勢，但缺乏平台護城河，容易受價格波動與需求周期影響。

✅ 高槓桿驅動的高速成長，財務風險潛伏

2022 至 2024 年營收年均成長逾 700%，但背後是高達 129 億美元的債務，含 79 億為 GPU 抵押貸款。2024 年虧損達 8.63 億美元，資本支出與利息負擔沉重，若市場降溫或融資趨緊，流動性風險恐一觸即發。

✅ 過度依賴單一客戶，營運高度脆弱

2024 年近八成營收來自微軟與英偉達。雖助其快速成長，但客戶集中度過高使其議價能力極弱。若微軟改採自建數據中心或使用自研晶片，CoreWeave 將面臨現金流斷裂的生存危機。

✅ Nvidia 的價格與技術調節器

CoreWeave 在 Nvidia 供應鏈中兼具多重角色：吸收需求、接盤退單、率先部署新架構（如 Blackwell）、甚至在市況緊張時囤貨控價。其存在幫助 Nvidia 操控晶片市場節奏與價格，是其維持主導地位的「影子槓桿」。

✅ 命運取決於客戶擴張與 AI 需求趨勢

CoreWeave 的未來將繫於兩大關鍵：

• 能否擺脫對單一客戶的依賴，拓展中小型與國際客戶；

• AI 模型是否持續重度仰賴 GPU 算力。

若未來趨勢轉向模型輕量化，或巨頭加速自產自用，CoreWeave 恐將陷入「無客戶、無現金、無優勢」的三重困境，最終或被 Nvidia 併購納入體系，變身為其專屬算力部門。

投資論點：

一、套利模式的典型：當資源控制權不在自己手上

CoreWeave 的核心資產究竟是什麼？不是自研晶片，不是封閉生態系，而是「大規模 H100/H200 GPU 與高壓供電資料中心的快速部署能力」。

其商業本質可被歸納為：「搶先買斷」稀缺 GPU 資源（或是英偉達戰略安排），整合進高效能雲端架構後，以 take-or-pay 合約出租給如 OpenAI、Microsoft 等短期算力需求爆發的客戶。

這是一種典型的套利模式。儘管披上了「AI 雲平台」的外衣，實際上與 2021 年的加密貨幣礦場有幾分類似——只是當年算的是 ETH，今天則是炒作中的算力租賃權。

問題在於，這套模式的「槓桿點」並不掌握在自己手中，而在 NVIDIA 身上。

Nvidia 同時是 CoreWeave 的最大供應商、策略投資人（持股 6%），也是其重要客戶。這種深度綁定的關係，固然提供初期成長的動能，卻也隱含高度依賴風險。

一旦 Nvidia 將資源傾斜至 Oracle、Lambda 或 AWS，或供應鏈出現瓶頸，CoreWeave 的競爭優勢恐將迅速瓦解。

換言之，CoreWeave 不控制晶片、不擁有開發框架，也無法掌握平台入口，只控制「機櫃與配電」這最後一哩的物理資源。在這樣的條件下，它真的能築起長期的競爭壁壘嗎？

二、平台能力未成形：雲端軟體生態的缺位

AWS 成功的關鍵不是 EC2 的硬體，而是完整的「上層控制力」：

• Amazon SageMaker、Bedrock、Lambda 等服務將使用者完全鎖定在其平台。

• 自研晶片 Graviton、Trainium 提供持續的成本領先。

CoreWeave 雖試圖複製這條路，推出 Kubernetes 容器環境、裸機部署服務，甚至正計畫併購 Weights & Biases 打造自有 MLOps 工具鏈。但目前仍無法稱為平台型公司，原因如下：

一旦大客戶不再擴容，或 CSP 業者補足算力空缺，CoreWeave 在價值鏈的重要性可能被邊緣化。

三、高度集中的成長，能否持續？

CoreWeave 的財務表現確實亮眼：

• 2024 年毛利率高達 74%，營業利潤率達 17%

• 96% 收入來自 take-or-pay 長約合約，具高度可預期性

• 已部署超過 25 萬張 GPU，年用電量突破 360MW

然而，在這些數字背後，也潛藏著極高的集中風險：

• 62% 營收來自 Microsoft / OpenAI

• 前兩大客戶合計占比高達 77%

• 累計負債達 78 億美元，財務槓桿偏高

• 創辦人已私下套現近 5 億美元股份

這些現象凸顯：CoreWeave 的成長來源，並非來自「廣泛客戶群的滲透擴展」，而是極少數 AI 巨頭在基礎設施擴張期的爆發性算力應急需求。

問題是，當這些 early adopters 建設告一段落、進入成本控管與資源優化階段後，CoreWeave 是否仍具備持續成長的動能？市場期待它能切入更廣泛的企業級 AI 雲端市場，但截至目前，該領域的需求尚未真正釋放。

四、小結

結論：CoreWeave 在生成式 AI 的黃金時代搶先卡位，但是否能穿越 GPU 短缺與資本密集門檻、真正成為平台級玩家，仍需觀察其向軟體與企業服務轉型的執行力。

IPO 之後的前四季，將是關鍵驗證期。

1. 逆向思維：只在前一根 K 線為陰線時進場，忽略陽線訊號。

2. 原因解析：陰線代表賣壓；根據觀察，市場常在過度下殺後出現短期反彈。

3. 執行標準化：不看基本面、不盯盤，完全依照「機械化條件」下單。

交易流程與邏輯

• 條件觸發：

  • 前一根收黑（陰線）。

  • 進場點可設定開盤或收盤後一定幅度。

• 風險控管：

  • 嚴格設定停損與停利點。

  • 每筆風險只佔總資金小部分，避免過度集中。

• 資金管理：透過固定比例或ATR等方法，依市場波動調整部位。

獲利表現

• 設計之下，該系統歷年回測年化獲利約 150%。

• 強調「穩定性如何高於追求爆發力」，適合散戶執行。

機械化交易優勢

• 去情緒：自動下單避免恐慌追高殺低。

• 流程透明：策略邏輯明確、易於優化和監控。

• 易學易用：以數學邏輯為基底，散戶也能上手。

適合對象與挑戰

• 適合：

  • 對技術分析有興趣、願意建立系統交易的人。

  • 希望以紀律取代主觀判斷、提升交易效率的散戶。

• 挑戰：

  • 必須嚴格遵守規則，無法憑直覺任意調整。

  • 回測與實盤可能差異，需持續優化策略與風控。

實戰

步驟一、找出「空頭部位」高的股票

美股市場中「空頭部位資訊」可以有不同定義與來源，視你關注的是哪一種空頭操作而定。建議可取以下二種作為主要參考指標，以此初步鎖定魚餌放置位置：

一、股票放空（Short Interest）

這是最傳統的「空頭」定義，指的是「借券賣出」的總股數。

資訊內容包括：

• Short Interest（放空股數）

• Short Float（放空占流通股的比例）

• Short Ratio / Days to Cover（放空部位要幾天成交量才能回補）

資料來源：

• NASDAQ / NYSE 每月兩次公佈

  • 官網或透過像 FINRA、MarketWatch、Yahoo Finance、Fintel、Ortex 查詢

• 彙整平台：

  • https://www.highshortinterest.com/

  • Bloomberg / FactSet / S3 Partners（機構用）

二、選擇權部位（Put/Call Options）

這是另一種「空頭情緒」的間接指標。PUT的履約價格與數量屬於這一類。

重點資料：

• Put/Call Open Interest：不同履約價的買權與賣權未平倉量

• Put/Call Ratio：衡量整體市場看空比重

• Max Pain：最多人虧損的位置（常用來推測結算壓力點）

可追蹤資訊：

• Open Interest（未平倉量）：

  • 特定履約價位的 put option 數量累計

• Volume（成交量）：當日交易的活躍度

資料平台：

• CBOE、Nasdaq Options Screener、Barchart、Market Chameleon、Thinkorswim（TD Ameritrade）、Interactive Brokers、Finviz、TradingView

在此我們以 highshortinterest 網站資料為主，搭配挑選一些在 FB、小紅書上挺活躍的美股網紅常常會提及的股票，列表如下：

步驟二、耐心等一根大黑K棒，或是一次大踩空

不管是大量累積的 Short Interest 或 深價內的 PUT，PUT/CALL Ratio 極高的股票，一次大跌，會讓空頭者得到滿足，而那些時不時就會累積大量空頭部門的股票，天生就自帶特殊體質，就像打不死的小強一樣…

步驟三、佈單

• 買進：當日深度價內買單，或隔日限價單

• 賣出：設立停損點、停利點，視個人風險控管能力

步驟四：滾動式調整策略 PDCA

去掉雜訊，關注於「大陰線」也是一種成功率極高的策略，關鍵還是專注在適合自己而自己也擅長的策略上，持之以恆！

結語

適合進行本交易策略的股票，都具備幾個特點：

市場喜歡對於產品進行宏偉敘事，卻有意或刻意忽略技術路徑與可行性，或是產品的必要性。

企業管理或專案改善中的一個核心概念：「As-Is / To-Be 分析模型」，主要用來進行現況分析與理想狀態設計，並針對中間的差距進行改善行動。也適合拿來反思我們是否無形中被大量敘事洗腦了。例如：

1. 量子運算的必要性？「To-Be」夠清晰嗎？「As-Is」現況為何？從「As-Is」到「To-Be」產業是否有共同的技術路徑方向？

2. 小型模組化核能（SMR）的可即性？「To-Be」能夠 Meet 市場目前的迫切需求嗎？「As-Is」現況為何？從「As-Is」到「To-Be」產業是否有共同的技術路徑方向？

3. NVIDIA 選擇與 Navitas 合作開發下一代800V高壓直流（HVDC）電源基礎設施，用於AI數據中心，為NVIDIA的「Kyber」機架平台和GPU（如Rubin Ultra）提供更高效、可擴展的供電方案。「To-Be」夠清晰嗎？這是 NVIDIA 確定的技術方向嗎？還是眾多 alternatives 之一？Navitas 的「As-Is」為何？從「As-Is」到「To-Be」究竟是一步之遙，還是技術路徑仍在摸索？

從上表高放空比率的股票，大概都有上述這三種邏輯上的問題。

但凡從「As-Is」到「To-Be」之間的路徑是處於各家廠商各吹各的調，A 公司的技術與 B 公司的技術截然不同，互相扯皮自己的技術最好，而且核心技術人員數量極少，那就不存在經濟學上的「R&D Spill-over Effect」，產業難成氣候，產品落地遙遙無期，情況猶如台灣興櫃市場的生技新藥股一樣夢幻。

再問一句：這些被高度放空者公司的 CEO 們，作為買方的投資人，你能第一時間講出來嗎？

如果這些條件都符合，不要當單純的買方，請當「只買陰線」的機器性投資執行者！

以 Tesla 為例

1. 觸發「Buy The Dip」條件

   1. Close < 0.92 * Last_Close, and

   2. |Low - Close| < 0.005 * Last_Close, and

   3. |High - Open| < 0.01 * Last_Close

   4. or Close < 0.85 * Last_Close

2. 隔日開盤價買進

3. 賣出情況：

   1. 買進後，先跌破停損價 -5%

   2. 買進後，三日內最高價，或停利價 +10%

✅你是否覺得興建 SMR 如同設置電動車充電樁一樣簡單，隨處可建，且能廣泛獲得社會支持與歡迎？

Oklo 是一家開發先進小型模組化反應爐（SMR）的核能新創公司，受到 OpenAI 執行長 Sam Altman 極力支持，許多投資者也是奔著 Altman 而無腦買進的，但你們或許並不知道 Altman 是 Oklo 最大股東。該公司選擇透過 SPAC（特殊目的收購公司）方式上市，而非傳統 IPO。

Oklo 是透過 SPAC 上市，營運成果需數年後才能被檢驗

上週「SPAC之王」Chamath Palihapitiya 準備再次發起一項SPAC，學 Elon Musk 辦個投票取暖，問大家他該不該再進行新的SPAC。結果討厭他的人很多（很多 SPAC 投資人都被他割過韭菜），一堆人都投了No。

所以我對以 SPAC 上市的 Oklo 有負面的預設立場。

Oklo SPAC 上市過程

1. SPAC 合併對象（殼公司）：AltC Acquisition

• 成立時間：2021 年

• 共同創辦人：Sam Altman、Michael Klein（前花旗集團銀行家）

• IPO規模：5 億美元

• 交易代碼：原為 ALTC（於合併完成後改為 OKLO）

2. 合併公告與流程

• 宣布時間：2023 年 7 月

• 估值：合併對 Oklo 的估值為 8.5億美元

• 完成時間：2024 年 5 月 10 日，Oklo 正式完成與 ALTC 的合併，股票代碼更名為 OKLO，在紐約證券交易所（NYSE）掛牌交易。

3. Oklo 上市過程是 Altman 左手換右手

1. SPAC：與 Altman 自有 SPAC 合併。

2. SMR 產業上市先驅：2026年以前都不會有營收，上市時估值 8.5 億美元，目前市值 85 億美元，上市後市值暴漲 10 倍。

3. 與政治結盟：獲得一項來自國防部能源物流署的「意向授權」（阿拉斯加Eielson 空軍基地項目），為未來財務現金流鋪墊，為資本市場創造炒作空間。

4. 後續發展挑戰：

   • 商轉驗證（Aurora 商用反應爐），雖然目前都尚未定案；

   • 營運資金消耗速度快，仍需持續募資；

   • 市場需接受每度電成本需高於 $90/MWh 的初期定價。

小型模組化反應爐（SMR）

小型模組化反應爐（Small Modular Reactor, SMR）相較於傳統大型核能發電方案，具有許多潛在優勢，但也存在一些挑戰。目前資本市場對 SMR 的優勢太過一廂情願，因為最終的適用性會因地緣、經濟、技術成熟度等因素而異。

SMR 的優勢

• 模組化與工廠製造： SMR採模組化設計，可以在工廠預製，再運送到現場組裝，可降低成本。傳統核電廠則需在現場大量客製化建造。

• 靈活部署與佔地小： SMR體積較小，佔地需求少，選址彈性高。這使得它能部署在傳統大型核電廠不適合的地點，例如偏遠地區、離島、工業園區。

• 初期投資較低： 由於單一機組規模較小，SMR的初始資本需求相對較低，有利於分期擴建，減輕一次性財務負擔。

• 被動安全設計： 許多SMR設計強調「被動安全」功能，即在事故發生時能透過自然物理原理（如自然循環冷卻）自動安全停機，無需人為干預或外部電力，理論上可大幅降低爐心熔毀和放射性物質外洩的風險。

• 應對再生能源間歇性： SMR具備穩定基載發電能力，能與風電、太陽能等間歇性再生能源互補。

SMR面臨的挑戰與潛在劣勢

• 經濟效益仍待驗證

• 建設時程不確定性：美國核能管理委員會（NRC）平均需要 80 個月的時間才能批准在美國建造核電廠。

• 核廢料問題： 有觀點認為，SMR產生的核廢料數量，並不一定比傳統核電廠少，甚至可能更多。

• 安全性與法規標準： 雖然強調被動安全，但 SMR 的安全標準和監管機制仍在發展中。

• 核擴散風險： 部分SMR設計使用的燃料類型，如高含量低濃縮鈾，可能增加核武材料擴散的擔憂。

• 民眾接受度： 儘管 SMR 因「小」而可能給人較安全的印象，但核能的固有風險和核廢料問題仍可能影響民眾的接受度。

就像鍋爐一樣小的SMR？一座 SMR 基地面積需要多少？

Oklo 在愛達荷州 Idaho National Laboratory（INL）場址的面積：

• 整體場址（Site 31）面積：
  40 英畝 ≈ 16.19 公頃 ≈ 161,874 平方公尺

• 實際反應爐設施佔地面積：
  約 2 英畝 ≈ 0.81 公頃 ≈ 8,094 平方公尺

• 場地面積大概是 5 個台北 101。若僅反應爐設施，則只有半個台北車站大小。

AI Factory 使用 SMR 作為電力來源？

Meta 預計在美國路易斯安那州 Richland Parish（位於 Rayville 與 Delhi 之間）興建一座 AI 超級工廠，也就是一座大型資料中心園區，其用地與設施規模如下：

• 場址總面積：Meta 所選地點為前 Franklin Farm 農場，總占地達 2,250 英畝（約 9.1 平方公里）。

• 建築面積：規劃中資料中心的建築面積約為 400 萬平方英尺（約 371,600 平方公尺），相當於約 70 座美式足球場 的大小。

• 裝機容量：2 GW

• 若使用 Oklo Aurora SMR 所需模組台數：30 台（15 MWh／模組）

• 30 台 Oklo Aurora 模組大約需要 90 英畝土地；若包含所有實際部署條件，可能達 120–180 英畝，約 5 個足球場大小。

事實上，Oklo 不符合上述 Meta 這樣規模的超級AI資料中心供電所需，若 Meta 要選擇SMR，也可能會採用NuScale 這類「大型」SMR。Oklo 其適合的情境是單座功率需求在 10–30 MWh（如 inference nodes、模型優化平台、Edge AI 站點）；高計算密度，但需求不及數百 MW 等級的 LLM 訓練中心。但這類推論或邊緣運算 AI 中小型資料中心，多會坐落在人口稠密地方，於是又產生「核電恐懼」的無解難題。

➡ Meta 在美國路易斯安那州 Richland Parish（Meta Richland）的 AI 資料中心電力規劃是以天然氣為主力、核電與再生能源併用：短期透過 2.2 GW 天然氣發電1穩定供應，長期補充清潔能源與核能，兼顧環保目標。

SMR 可達到規模量產？

能源科技能否真正改變世界，不取決於其理念多麼崇高，而是取決於其成本競爭力。 如果一項能源技術無法在價格上與現有方案「平價競爭」，那麼它將很難實現大規模應用，甚至注定失敗。

萊特定律（Wright's Law）指出：每當累計產量翻倍，單位成本就會下降一個固定的百分比。 例如，鋰電池與儲能設備、太陽能面板與模組就是萊特定律的典範。

以太陽能模組為例，其成本隨著產量成長，每翻倍成本就下降約 20%。同樣地，電池產業也遵循類似的軌跡，產量每翻倍，成本下降約 18%。這說明了，透過大規模生產和技術改進帶來的學習效應，這些技術得以不斷降低成本，最終進入尋常百姓家，實現普及化。

核能技術無法享受規模化降價的紅利

萊特定律雖然在許多產業中屢試不爽，但並非所有能源技術都能隨著規模化而顯著降價。有些技術天生就難以從中獲益，核能便是典型的例外。

儘管核能具備穩定、低碳的發電能力，但由於其高度客製化的建造模式和嚴格的監管要求，核電廠難以像消費性電子產品那樣實現工廠化、標準化生產。每座核電廠幾乎都是獨一無二的專案，這導致建造週期極長（通常超過 10 年），且學習曲線異常緩慢。更重要的是，核能的大部分成本來自於現場建設型的資本支出，這意味著這些成本無法透過規模生產來有效攤薄，從而限制了其成本下降的潛力。

小型模組化反應爐（SMR）雖具備模組化設計、可於工廠預製並現場組裝等優勢，展現出高度靈活性與占地面積小的特性，但本質上仍屬核能設施。要真正發揮規模量產所帶來的學習曲線效益，SMR 須實現多點開花並推動指數級成長。然而，目前市場上僅有零星的「合作意向」項目，各家 SMR 公司所採用的技術路線與部署方式亦不盡相同，導致難以形成經濟學上所謂的「研發外溢效應」，進一步限制了產業整體的協同進展。

深究 Oklo 的 Aurora 商業模式

根據 Oklo 提交的 10-K 報告，該公司對旗下 Aurora 小型模組化反應爐（SMR）的商業化部署已有具體的規劃與進度說明，整理如下：

1. Aurora 的定位與商業模式

• Aurora 是 Oklo 第一代商品化快中子反應爐，設計目標為：模組化、微型化、可快速部署。

• 它預計將成為 資料中心、國防基地、偏遠社區與工業設施 的長期零碳能源解決方案。

• 採用 Build-Own-Operate（BOO）模式，即 Oklo 建造、擁有並營運電廠，與客戶簽署長期 PPA。

2. 具體項目與部署進度

◾ Aurora 愛達荷州 INL 項目

• 已於 2019 年獲得 Idaho National Lab（INL）土地使用許可；

• 預計安裝一座 1.5 MWh 的 Aurora 反應爐，為首個試點；

• 目前正處於美國核管會（NRC）許可階段，文件顯示：

“We are working through the NRC process… target Aurora demonstration deployment in 2026–2027”

3. NRC 核准進度與挑戰

• Oklo 是首批使用「Part 53 先進反應爐規範」提出申請者之一；

• 過去 2022 年首次申請遭 NRC 退回，原因為「資訊不充分」；

• 2024 年重新提交後，已進入第二階段，與 NRC 進行持續技術溝通；

• Oklo 強調：「Our revised Aurora design and licensing approach is aligned with current NRC guidance…」

• 在未取得 NRC 技術核可之前（即便是以Part 53方式審批），民間企業不可能採用。

4. 製造與建設供應鏈準備

• 與合作方如 Veolia、EPRI、DOE 等開展多項前期測試與模擬；

• 擬導入模組化製造體系，加速現場建設速度；

• 10-K 中披露已投資於「supply chain development and fabrication readiness」。

假設 Aurora 電廠最理想情況，能夠遵循 Wright’s Law 的學習曲線，產量倍增，單位成本逐步下降，則 LCOE（平準化發電成本）2從目前的 $59 降至約 $26。

➡ 這是假設 Aurora 具備萊特定律的學習曲線特性，問題是 Aurora 具備嗎？

根據 Oklo 所提交的 10-K 文件與相關券商報告，目前尚未公開具體的 LCOE 敏感性分析模型，亦未明確列出下列三項核心參數的變動影響：

1. 不同電廠壽命期（例如 20、30、40 年）

2. 不同折現率或 WACC（如 5%、8%、10%）

3. 燃料成本敏感度（特別是鈾或 HALEU 價格變動）

關於燃料成本：

Oklo 強調其 Aurora 系列反應爐設計採用「封裝式燃料」（encapsulated metallic HALEU），燃料可持續使用 10–20 年不需更換，而這可大幅降低 LCOE 中燃料的占比 。

此外，Oklo 也正在建構自有 HALEU 回收與再處理體系，藉此減輕對外部供應商（如 DOE 或 Urenco）的依賴。

關於利率／WACC 敏感度：

並未見到 Oklo 提供完整的財務模型（如 DCF）或折現率變動的盈虧平衡模擬，但 10-K 中明確提到：

“We have not yet generated revenue and expect continued negative cash flows until commercialization.”
“Our capital deployment strategy is based on long-term cash flow from power purchase agreements (PPAs).”

顯示公司也認為資本回報的核心為未來固定長約現金流對折現的穩定性，取得長期穩定的 PPA 項目就會投入資本（屆時就需從資本市場大量籌資）。

關於電廠壽命期假設：

Oklo 在公文中多次提及「Aurora reactors can operate for up to 20+ years without refueling」 ，代表其商業估算以 單座運轉期 20–40 年 為主，但無詳細列出壽命期不同對 LCOE 的影響分析。

Aurora的LCOE敏感性分析

上圖呈現了 Oklo Aurora 電廠在不同壽命期（20、30、40 年）、折現率（5%、8%、10%）與燃料成本（$1M～$4M）下，對平準化發電成本（LCOE）的敏感性分析結果。

根據模擬結果：Aurora 電廠的 LCOE 落在 $36–$55/MWh3

✅ 傳統大型核電廠（通常 LCOE > $100/MWh）、NuScale成本為 $90/MWh、Terra Power 成本約為 $50-60 /MWh。本文以 Oklo 最佳理想狀況（$36-55/MWh），相較於Terra Power 單模組功率可達 345 MWe，Oklo 並不存在顯著的成本／規模優勢。

Oklo 的風險與挑戰

結論：Oklo合理估值遠低於市值

此前美國核管會（NRC）平均 80 個月核准一座核電廠設置，假設 2027 年起，第一座模組核准（Oklo 此前的作業申請期或已經歷了 80 個月），受政策扶植，後續每座間隔依序縮減 20 個月核准期（80 → 60 → 40 → 20…），假設最終核准期縮小至 6 個月。根據此假設推算的 Aurora Powerhouse 建置規劃，至 2060 年底已核准過或正在營運的機組也僅 85 座！

1️⃣ 部署進度過慢，累積規模不足

• 根據我的模型估算，至 2060 年核准或上線的機組僅約 85 座，基於滾動建置模型與 25年的壽命限制，依據DCF模型顯示，僅此規模是無法產生positive營運現金流。

• 即使配合高 PPA 或低成本條件，仍無法彌補搭建週期拖延所造成的壓縮效益。

2️⃣ 授權流程繁瑣，實際落地時間經常遲滯

• 美國核管會（NRC）針對 Advanced SMR 授權通常耗時 80 個月以上，甚至 Oklo 前次申請已被否決、目前仍未取得初步許可

• 基於此，未來機組多將延遲開工，進一步壓縮現金流的時間價值。

3️⃣ PPA 還未簽契約正式生效，收入不確定性高

• Oklo 雖與 Equinix、Switch、其他資料中心達成 LOI 或預備協議（共超過 12GW 需求），但目前尚未簽署具法律效力的 PPA，實際合作仍存在風險。

• 預期能從目前的 PPA 條件晉級至穩定的 $120+/MWh，尚需時日及縝密協商。

4️⃣ 規模化與建置速度不符合理想狀態

• 理想下若要提高估值須激進加快建置（例如降至每季 1 座）或一次核准大量機組，但現行 NRG 框架不支持如此高密度節奏。

• 欠缺領域能支撐快速資本動員與規模化，無法實質提升 EBITDA 基底。

• Constellation Energy （CEG）的 2024 年 EBITDA 約 $7 B，目前EV/EBITDA約為15x。

  • CEG 是美國最大的潔淨能源供應商，擁有約 32.4 GW 發電容量，佔美國清潔電力的 10%，主要來自核能、水力、風能與太陽能。

• 以 Oklo 目前的市值反推，Oklo 必須達成 EBITDA = 5.85億美元，並取得與CEG相同市場地位（至少 5% 以上之潔淨能源市佔率），才能匹配目前的市值。

目前在虛擬貨幣交易所中交易的主要「貨幣」，雖然形式上是數位資產或代幣，但背後其實各自「錨定」或「象徵」著不同層面的實體價值或制度信任。例如市值最大的比特幣，其錨定或代表的價值也比較容易理解，比特幣具有三種「象徵價值」：

• 數位黃金：主要被視為一種「價值儲存」資產，類似黃金的功能。

• 主權獨立：背後代表對政府貨幣政策的不信任，主張個人資產主權與抗審查。

• 去中心化算力共識：透過工作量證明（PoW）保障帳本完整性與安全性，體現了電力成本與礦工參與的實體投入。

實體映射：能源消耗 + 全球共識 + 黃金替代品

我的觀點：

比特幣透過能源消耗來維持網路安全與共識，雖非中本聰設計時的初衷，卻成為其運作核心。礦工投入大量能源換來的是一個去中心化、不可篡改、無需信任的交易系統，所有持有者皆因此受益。

然而，當比特幣被視為投資工具時，其價值仍須透過與實體經濟的連結實現兌現。虛擬資產若無法回應現實世界的需求與資源配置，其價值將難以持續。

所以我將比特幣簡單理解為數位黃金。對於一般投資者來說，無須過於計較其作為資產儲備以外的價值。

比特幣目前總市值為 2.1 兆美元左右。這就是其作為數位黃金的現值。

以太幣（Ethereum, ETH）的價值？

以特幣有三個「象徵價值」：

• 去中心化應用的運行燃料：ETH 是執行智能合約與交易所需的 gas。

• 網路效應與開發者生態系：大量 DeFi、NFT、DAOs 等皆以其為基礎。

• 網際網路價值層的基礎建設：猶如「Web3 世界的作業系統」。

作為投資者，應該小心不要落入過多的幣圈專業術語「陷阱」中，所以我們來解構這三個「象徵價值」究竟為何？否則又該怎麼「錨定」現實資產總值約當3000億美元，為何不是其他的金額？

我們來試圖建構 Ethereum（ETH）「實體對應價值模型（Real-World Value Mapping Model）」。
我們可以清楚理解：ETH 的價值不是來自技術本身，而是它如何被用於實體經濟的數位化過程中，並產生效率、信任、流動性與制度創新的價值。

包括 Solana 與 Ripple（瑞波幣）都是如此。如果不理解或不認可其現值，那就必須透過建構「實體對應價值模型」—我們很難直接對其技術本身訂價，需透過其各個「象徵價值」構面去反推該幣的應有價值。

ETH 的價值不是也不該是憑空炒作，而是每一次「使用 Ethereum 網路來替代傳統制度」所帶來的成本節省與信任提升的總和。

它讓：

• 金融合約無需律師與銀行中介；

• 跨境資金清算無需 SWIFT 與國際銀行；

• 信任的建立不需依賴政府或法院；

• 實體資產能夠無摩擦進入數位市場。

這些正是它最接近「實體經濟兌現價值」的關鍵。

應用層「Base」介紹

Base 是由 Coinbase 推出的以太坊 Layer 2 區塊鏈，結合 Circle 的 USDC 穩定幣，正快速成為鏈上金流的關鍵基礎設施。

Base 建構於 Optimism 的 OP Stack 之上，具有高效能、低手續費與高度安全性，並與 Coinbase 錢包與交易所平台無縫整合。自推出以來，Coinbase 積極推動在 Base 鏈上原生發行 USDC（而非跨鏈橋接版），這使得 USDC on Base 成為目前最安全且實用的穩定幣支付方案之一。

Base 採用 ETH 作為 gas token，而 USDC 則作為核心金流媒介，兩者在經濟層高度互補。透過 Base，企業與用戶可用 USDC 實現低成本、高速度的支付與清算，特別適合跨境轉帳、供應鏈結算、Web3 收款、創作者經濟等應用場景。Coinbase 也與 Shopify、Stripe 等商業平台合作測試穩定幣結帳，讓 USDC on Base 更貼近實體商業的使用需求。

在法規面上，Circle 本身具備高透明度與監管合規性，而 Base 則依託 Coinbase 的牌照基礎，兩者結合讓 USDC 有望成為「鏈上美元」的標準實作。日前 GENIUS Act 穩定幣法案通過，Base 是最有可能獲得監管支持、進入主流支付市場的公鏈之一。

架構於 ETH 上的應用鏈：Base

Base 是一條建立在以太坊（Ethereum, ETH）之上的應用鏈，致力於透過 USDC 打造一個與實體經濟接軌的鏈上金流網路，成為區塊鏈金融應用落地的基礎設施。在這一架構下，Base 實際承擔了穩定幣金流基礎建設的角色，對實體經濟具有具體貢獻。

然而，Base 的所有交易最終仍依賴以太坊的底層技術進行處理與結算，因此仍需支付 ETH 作為 gas 費。這些費用雖低，卻確保了交易的去中心化、安全性與最終清算的能力，特別是在穩定幣轉帳與資金流動上提供基礎支持。

由此可見，ETH 不僅具有象徵性價值，更因實際參與區塊鏈交易清算與金融應用，而在實體經濟中獲得價值支撐。

透過 USDC 打造的金流網路—Base，我們算是理解了 ETH 的間接價值所在。它的價值無法直接計算，而是來自其作為底層結算層，在各種鏈上應用中所扮演的關鍵角色。

不過，要進一步驗證這種價值，仍需更多實際落地的應用場景與持續增長的交易活動。唯有在應用廣泛、交易量龐大的情況下，ETH 的價值才能更穩固地建立並獲得市場的長期認可。

這樣有更清楚 ETH 公鏈的價值與意義了嗎？

建構 Solana（SOL）的「實體對應價值模型」

——設計過剩、落地不足，離實體經濟太遠或太理想化了

從上表看來，SOL的技術基礎應該是其最大的價值所在：

Solana 市值的一部分來自其作為「鏈上高速主幹道」的定位，具備 Web3 的 AWS-like 特徵。等於是讓架構在 Solana 上的應用層可以高速進行運算作業，但須支付使用費（gas）。至於目前有哪些應用層是架構在 Solana 的，尚須更明朗的實體金流或資產管理等運用功能被廣泛使用，一般非幣圈的投資者難以理解。

生態系第一個項目—DeFi TVL

DeFi TVL 是去中心化金融（DeFi）領域中最常用的核心指標之一，TVL 指的是 Total Value Locked（總鎖倉價值），意思是：「某個 DeFi 協議中，用戶存入的加密資產總價值（以美元計）」。

簡單來說：用戶把資產（如 ETH、USDC）存入一個 DeFi 協議（如借貸平台、流動性池）（把 USDC 視作美元，把手上的 USDC 資產向交易所借貸來買進其他資產或單純的質押等，就如同現實世界把手上的定存保單向銀行質押換成現金），就會形成「鎖倉」。TVL 就是這些被鎖住的資產，以美元計算的總價值。

DeFi TVL 是衡量一個去中心化金融協議或整體生態中，鎖定資金量的關鍵指標。它並不代表收益、不是收入，而是用戶把多少資產放進協議中，反映出「信任 + 使用 + 資金活躍」的綜合程度。

所以，我的認知：DeFi TVL還是要看使用 SOL 這個公鏈（底層運算系統）的使用量，間接推估其價值，而且看起來會使用到實體的 CPU／GPU 的運算力，也就代表它有實際的消耗成本。

生態系第二個項目—NFT：過多的炒作，實際的價值不高

生態系第三個項目—DePIN

DePIN（Decentralized Physical Infrastructure Networks）是指運用區塊鏈技術，結合實體硬體資源（如無線網路、儲存空間、算力、地理資訊、IoT 感測器等），將物理基礎建設模組化、代幣化並去中心化運營的系統。

不懂？！

DePIN 畫大餅：陳義過高，落地極差

1. 初期補貼失衡、激勵不可持續

• 問題：許多 DePIN 專案初期以高額代幣獎勵吸引節點參與（例如 Helium），但當市場需求尚未跟上時，供給遠大於需求，導致網路效能過剩、代幣崩跌。

• 實例：Helium 在 2022 年達到 90 萬個節點高峰，但實際用戶數極少，造成「建了無人使用的網」。

2. 投機性大於使用價值

• 問題：部分節點參與者只是為了早期挖礦獎勵，並不是真正使用或理解該基礎設施的價值。

• 批評：這導致生態系充滿投機礦工，當代幣價格下跌就棄守網路，造成惡性循環。

3. 去中心化僅表面化

• 問題：雖稱「去中心化」，但許多硬體生產與管理實際仍由單一或少數公司控制（如專門製造 Helium 礦機的 Nova Labs）。

• 批評：這種「偽去中心化」被視為換湯不換藥，只是將 Web2 平台治理換成另一種形式的集中。

4. 硬體維運與品質難控

• 問題：實體資源如 GPU、WiFi 節點的品質參差不齊，很難保障服務一致性。

• 挑戰：不像 AWS、Google Cloud 有 SLAs（服務品質協議），DePIN 節點若不穩定將直接損害 B2B 應用信任度。

5. 實際需求或許永遠不會發生

• 問題：大多數 DePIN 項目雖有資源供給能力，但真正在使用這些資源的需求端仍屬稀少，無法產生正向現金流。

• 警告：如果缺乏真實使用者（而非只是節點參與者），整體經濟閉環無法成立。

6. 與現有基礎設施競爭不具優勢

• 批評：與電信商、雲端巨頭相比，DePIN 的覆蓋率、穩定性、品牌信任與售後服務全面處於劣勢。

• 實際困境：例如建構一個能與 Starlink 抗衡的通信網路，需要的不只是節點數，更需要軌道、光纖、衛星發射技術。

總結：

儘管 Solana 的市值至今仍高於 USDC 的總流通市值，但其中有多少是真正與實體經濟連結的內涵價值，仍值得深思。當大量資本湧入這些公鏈與協議項目，許多價格膨脹的背後，可能只是幣圈內部的自我催眠與集體敘事。（Solana尚且如此，其他成千上百個仍活躍的項目呢？）

然而，隨著 Circle 即將上市，以及 GENIUS 法案推動穩定幣合法合規運作，以 USDC 作為核心交易媒介的區塊鏈應用場景開始真正落地。無論是降低商業交易成本、實現 365 天全天候即時跨境轉帳，或是優化資金結算與應收帳款風險管理，這些原本屬於理想化的功能，正在一一變為具體的商業成果，並直接回饋實體經濟。

當穩定幣成為企業金流的重要選項，當區塊鏈基礎設施真正服務現實商業環境，那些缺乏實用性、仍停留在投機敘事的項目將無所遁形。區塊鏈產業正邁入一個新階段：從技術試驗走向應用驗收，從敘事驅動轉向現金流與效率驅動。

接下來，更多區塊鏈項目將走向公開市場，尋求 IPO 或與傳統產業融合。屆時，資本市場與用戶都會以更嚴格的標準檢視這些協議是否真正創造價值。那些沒有實質落地能力的項目，終將被市場淘汰。

正如巴菲特所言：「當潮水退去，才知道誰在裸泳。」對幣圈而言，這場潮水的退卻已悄然展開，是時候，進行一場系統性的總體檢了。

比特幣的價值是寫在程式碼裡的上漲邏輯！ 👇這張圖是比特幣的「減半時間表」：

比特幣價值的核心在於其稀缺性，這種稀缺性是它設計之初就透過程式碼嚴格固定的。

減半機制：產量遞減的硬性規定

「減半」機制是理解比特幣稀缺性的關鍵。從2009年比特幣誕生至今，大約每四年，新產生的比特幣數量（即礦工挖礦獲得的獎勵）就會減半。

• 2009年： 每挖出一個區塊，礦工可獲得50枚比特幣獎勵。

• 2012年： 首次減半，獎勵降至25枚。

• 2016年： 第二次減半，獎勵降至12.5枚。

• 2020年： 第三次減半，獎勵降至6.25枚。

• 2024年： 第四次減半，獎勵降至3.125枚（我們目前正處於這個階段）。

• 未來： 依照這個規律，到2028年，獎勵將降至1.5625枚，以此類推。

這個機制將持續到大約2136年，屆時比特幣的發行量將趨近於絕對零成長。

除了減半機制，比特幣的總量上限被設定為2100萬枚，這意味著，無論未來有多少礦機參與挖礦，也無論技術如何進步，最終被挖出的比特幣數量永遠不會超過這個上限。

比特幣減半的發生時間是由區塊生成數量決定的，而不是固定的日曆日期。

• 比特幣的程式碼設定是：每挖出 210,000 個區塊，區塊獎勵就會減半一次。

• 由於每個區塊的生成時間大約是10分鐘，所以 210,000 個區塊大約需要 (210,000 區塊 * 10 分鐘/區塊) / (60 分鐘/小時 * 24 小時/天 * 365 天/年) ≈ 4 年的時間。

這就是為什麼減半大約每四年發生一次的原因。但由於實際的區塊生成時間會有些微波動（有時快一些，有時慢一些），所以確切的日期並不會固定：

• 第一次減半： 2012年11月28日

• 第二次減半： 2016年7月9日

• 第三次減半： 2020年5月11日

• 第四次減半： 2024年4月20日

所以，雖然大約是四年一次，但具體日期會略有不同。目前普遍預計的下一次比特幣減半日期會在：2028年3月下旬 至 2028年4月下旬 之間。

價格週期具規律性，與減半週期有關連

圖中標註了歷史上的「Buy」點（通常在減半前或減半後一段時間的低谷）和「Sell」點（通常在減半後達到價格高峰）。「-500 days」指的是距離減半約 500 天左右的低點，而「+500 days」則是減半後 500 天左右達到高峰。

這張圖顯示比特幣的價格走勢呈現出週期性規律，與比特幣減半週期有著緊密的關係。

減半驅動的市場行為：

• 減半前積累： 市場預期供給將減少，投資者會提前佈局，形成減半前的價格緩步上漲。

• 減半後爆發： 實際供給減少加上市場情緒推動（FOMO），引發資金大量湧入，推動價格進入「牛市」。

• 歷史數據驗證： 2012、2016、2020年三次減半後，比特幣均開啟了顯著的牛市行情，驗證了這種「供給衝擊驅動價格週期」的規律。

週期性的自我實現預言：

• 由於比特幣的減半機制是公開透明且可預測的，市場參與者會根據歷史數據形成對未來減半行情的預期。

• 這種預期本身就會引導投資行為，形成一種自我實現的預言：預期減半後會漲，所以在減半前買入，從而推高價格；減半後，實際供給減少和更多資金入場，進一步確認上漲趨勢。

本次週期的頂峰推估

基於前兩次減半週期的歷史規律，我們可以嘗試推估2024年減半後，潛在的賣出點位和時間點。

1. 賣出點位（價格）推估：

   • 2016年減半週期： 減半時約 $650，賣出點約 $19,000。價格比約為 29.23 倍。

   • 2020年減半週期： 減半時約 $9,000，賣出點約 $69,000。價格比約為 7.67 倍。

   • 倍數衰減規律： 2016年週期的倍數 (29.23) 與 2020年週期的倍數 (7.67) 之間，存在約 3.81 倍 的衰減係數（29.23/7.67 ≈ 3.81）。

   • 推估 2024年週期賣出點： 若此衰減規律持續，2024年週期的價格比約為 7.67/3.81≈2.01 倍。 考量2024年4月減半時比特幣價格約在 $65,000 美元左右，推估賣出點位約為： 65,000 美元×2.01 倍≈130,650 美元。

2. 賣出時間點推估：

   • 2012年減半週期： 從減半到賣出點約需 13-14 個月。

   • 2016年減半週期： 從減半到賣出點約需 16-17 個月。

   • 2020年減半週期： 從減半到賣出點約需 18-19 個月。

   • 時間間隔遞增但增速放緩： 每次週期達到高點的時間有逐漸拉長的趨勢 (從3個月增長到2個月)，但增長幅度正在減緩。

   • 推估 2024年週期賣出時間： 若此趨勢持續，從2024年4月減半算起，高點可能出現在約 19-20 個月之後，即大約在 2025年11月至2025年12月 之間。

當前情勢分析

截至 6月19日，比特幣價格約在104,000至105,000美元區間波動。根據最新的市場數據和分析（截至2025年6月19日），$100,000 這個行權價的 PUT/CALL Ratio 確實顯示出市場對短期下跌的擔憂情緒。

$100,000 行權價 PUT/CALL Ratio 變化分析：

• 賣權未平倉量顯著增加：

  最新的報導指出，在即將於2025年6月20日到期的比特幣選擇權中，履約價 $100,000 的賣權（PUT option）未平倉合約位居首位。這表明大量交易者正在此價位或以下買入賣權，以對沖潛在的價格下跌風險，或直接押注價格會跌破此水平。

• PUT/CALL Ratio 升高：

  針對6月20日到期的 $100,000 行權價選擇權，其 PUT/CALL Ratio 達到 1.16。這意味著在該特定行權價和到期日，賣權的未平倉量高於買權。

  此外，加密貨幣衍生品交易所 Deribit 的整體賣權/買權成交量比在過去24小時內曾飆升至 2.17，這是一個相當高的比率，反映出整體市場對保護性交易（持有現貨＋Long Put @100,000）的需求激增。

• 關鍵心理防線： 目前 $100,000 是一個重要的心理和技術支撐位。選擇權市場在這一點上的大量賣權活動，表示它被視為一個潛在的「最大痛點」（Max Pain）區域，即讓最多期權買方虧損，讓最多期權賣方獲利的價格。

• 「超賣」的可能性： 雖然高 PUT/CALL Ratio 通常表示市場悲觀，但從反向指標的角度來看，當悲觀情緒達到極致時，也可能預示著價格短期內可能會觸底反彈，因為潛在的賣壓可能已得到釋放。

這波價格週期，是否會如預期上演？

近期散戶資金持續追逐市場熱門題材，從量子運算、NVIDIA 概念股、核電、無人機軍工股一路延燒至IPO新股（如CRWV與NBIS、CRCL、VOYG等），散戶成交量占整體市場的比重已攀升至47%，熱度逼近短期高點。

預期隨著《GENIUS法案》於參議院通過，後續若順利經眾議院審議，並與稍早眾院提出的《數位資產市場透明度法案》整合，相關利多將進入兌現期，短線資金可能出現退潮跡象，市場焦點也有可能轉向比特幣。

第三季不妨配置部分資金在比特幣。若比特幣回落至 9 萬至 9.5 萬美元附近，將具備中線布局價值。若價格週期趨勢延續不變，預估第四季可望挑戰130,000美元，潛在報酬率接近40%。

DCF（Discounted Cash Flow）估值法的公式如下：

企業價值 EV = 未來自由現金流折現值（FCF）總和 + 終端價值（TV）
股東權益價值 = 企業價值 - 淨債務
每股內在價值 = 股東權益 ÷ 流通股數

Visa 的財報體質穩健，現金流充沛，因此特別適合用 DCF 來估值。

二、估值三大核心假設

假設 1：營收增長率（Revenue Growth）

• 前 5 年（2025–2029）：10.5%

• 後 5 年（2030–2034）：7%

• 依據：管理層預期與分析師共識，以及跨境與企業支付新業務高速成長 (>20%)

假設 2：折現率（WACC）

折現率 8.41% = 無風險利率 4.35% + 股權風險溢酬 4.41% × β 值 0.95

• 用來反映投資 Visa 所承擔的市場風險

假設 3：永續增長率（Terminal Growth Rate）

• 假設為 3.0%

• 合理反映 Visa 在全球穩定支付市場的長期價值延續

三、計算過程詳解

STEP 1：計算企業價值（EV）

• 2025–2034 每年自由現金流（FCF）加總後折現，共 $207,691 million

• 終端價值 TV：$385,412 million（即2034年之後的現金流折現）

• 總企業價值 EV = $207,691M + $385,412M = $593,104M

STEP 2：推算股東價值與每股價格

• 扣除淨債務後股權價值：$584,076 million

• 流通股數：1.71B

• 得出每股內在價值為：$341.37

✅模型估算總結

• Terminal Value（終端價值）：$385,412.03 百萬

  指2034年後公司預估未來現金流的總現值，用於估算未來無限期經營的價值。

• Enterprise Value（企業價值）：$593,104.03 百萬

  公司整體價值，包括股權與債務（等於未來自由現金流 + 終端價值的折現總和）。

• Equity Value（股權價值）：$584,076.03 百萬

  扣除淨債務後的股東權益價值。

• Shares Outstanding（流通在外股數）：1,710,985,048 股

四、與市價對比：難得DCF與市價無差異

• 模型結果：$341/股

• 當前市價：約 $357/股

A：穩定幣解決了區塊鏈上缺乏穩定計價貨幣的問題，提供價格穩定、易於交易、單位熟悉的「鏈上現金」。它們廣泛應用於支付、DeFi、交易所及資產代幣化，讓鏈上金融應用更具可行性。ERC-20 的簡潔標準也使得穩定幣易於集成與擴展。

Q2：未來發展中，穩定幣設計需要標準化嗎？

A：是，但不是全部。部分核心功能如鑄造/銷毀（mint/burn）、儲備驗證、合規性、跨鏈互通等，已有共識或技術成熟，值得推進標準化。但如隱私與合規邏輯等仍在技術與監管摸索期，強推標準化可能適得其反。

Q3：穩定幣的資產負債表如何設計才可靠？

A：

• 鑄造與銷毀（Mint/Burn）：核心功能，每個穩定幣都應具備。

• 存取儲備資產（Deposit/Withdraw）：儲備若為鏈上資產（如數位國債、CBDC、MMF），建議實作存取功能。

• 跨鏈記帳：需設計全鏈觀點的 totalCirculating() 等方法，確保跨鏈轉移時鎖定與釋放透明，避免超發。

• 資產驗證：需能證明儲備資產「價值」與「組成」，如導入 Chainlink PoR 與 UGR 模組。

• 帳務透明：提供鏈上或鏈下儲備細節（例如 URI 指向 PDF 或 XML），滿足用戶與監管雙方期待。

Q4：穩定幣在合規方面應該具備哪些能力？

A：

• 黑白名單：常見做法，例如 USDT 對黑名單地址具備資金銷毀能力。

• 身份驗證與限制轉帳：標準如 ERC-3643、ERC-1400 引入身份驗證與「可轉帳」邏輯，可根據身份或角色授權交易。

• 強制轉帳（Forced Transfers）：部分監管穩定幣已實作，但因過度中心化爭議，建議視監管需求選用。

• 文件與元數據管理：需支援白皮書、審計報告、法律說明等文檔的 URI 或 hash 指向，並支援如 ISIN 與 DTI 編碼標準。

Q5：跨鏈互通對穩定幣有多重要？應如何實現？

A：跨鏈是擴大流動性、促進全球金融融合的關鍵。雖已有 Chainlink CCIP、LayerZero OFT 等協議提供支持，穩定幣自身仍應內建：

• mint() / burn() 基礎功能。

• 鎖幣/解鎖的透明性（即使邏輯在外部 escrow 合約中實現）。

• 提供全局 totalCirculating() 方法，回報哪些地址是鎖定地址、庫存地址等。

Q6：穩定幣如何兼顧隱私與合規？

A：

• 現狀：隱私需求來自類比現金的場景，但高價值交易則傾向透明與合規。

• 方法：

  • 第三方協議（如 Kaleido ZK Transfer、Chainlink CCIP Private Tx）。

  • 隱私鏈部署（例如使用 zk-rollup 或 FHE 協議）。

  • Circle/Inco 等推動的「Confidential ERC-20」PoC 標準，結合 FHE 進行加密餘額與授權。

• 結論：目前缺乏共識與標準化，穩定幣內建隱私功能尚未成熟，短期應由外部協議補足。

Q7：穩定幣如何創造收益？收費與利息功能是否可行？

A：

• 交易收費（Fees）：如 USDT 實作了可調費率與最大費用的機制（雖未啟用）。標準化 fee 接口與事件（如 getFeeParams()）可提升透明度。

• 利息/收益（Yield）：

  • 某些協議如 TUSD 已接入 PoR 與 Secure Mint 限制超發，未來可能內建收益邏輯。

  • 目前仍面臨監管強烈抵制（特別是在歐美），但競爭壓力與業務擴展將驅動收益型穩定幣出現。

  • 模式可能包括：鏈上計息、獎勵代幣、與 MMF 整合、選擇性支付利息給合格用戶。

Q8：Circle 的 USDC 穩定幣如何管理與驗證儲備資產？

A：Circle 採取「全面資產擔保、可審計儲備」策略，確保每一枚 USDC 都有對應的美元或等價資產支撐。其具體措施包括：

• Circle Mint 機制：授權機構可存入美元後由 Circle 鑄造 USDC。

• 鏈上透明度：與 Chainlink 合作，透過 Proof of Reserve（PoR） 服務，將 Circle 儲備資訊導入鏈上，確保鑄造 USDC 前已驗證儲備充足。

• 實作 Secure Mint：搭配 PoR，只有在驗證儲備後，USDC 才能鑄造成功，有效防止無償超發。

📌 例子：哥倫比亞銀行旗下的 Wenia 也採用了類似的 PoR 與 mint 限制設計，反映出 Circle 模式的標準化潛力。

Q9：Circle 如何處理 USDC 的跨鏈發行與總供應管理？

A：Circle 為了解決多鏈流通所帶來的「供應視覺盲點」，提出了 Bridged USDC 標準，核心做法包括：

• 官方跨鏈橋設計（Canonical Bridge）：透過 Chainlink 的 CCIP（Cross-Chain Interoperability Protocol） 建立可信跨鏈轉移。

• 明確標示鎖定地址（lockers）：Circle 會列出哪些地址用於跨鏈鎖幣操作，使得供應與流通透明可查。

• 避免流動性分裂：所有跨鏈版本的 USDC 都鏈結到單一官方儲備，維持資產一致性與信任基礎。

🔍 範例：Ethereum 上銷毀 10 枚 USDC，並在 Base 鏈上鑄造 10 枚 USDC，以 burn/mint 模式保持總供應一致。

Q10：Circle 在合規性上採取哪些策略？

A：Circle 以合規為立身之本，採行包括以下幾項核心策略：

• KYC/AML：與銀行級 KYC 解決方案整合，用戶端必須通過驗證流程。

• 白皮書發布與法規對齊：依歐盟 MiCA 規範，Circle 為其歐元穩定幣 EURC 發布白皮書（見 EURC 法律文件）。

• 文件鏈上索引：可藉由 ERC-1643 類似標準將法規文檔（URI + hash）連結至 USDC 智能合約，提高可組合性與自動合規檢查能力。

• DTI 與LEI元數據支援：USDC 亦可能導入全球法定實體識別碼（LEI）與數位代幣識別碼（DTI），有助於機構辨識與合規追蹤。

📌 備註：美國證管會（SEC）亦強調應揭露是否有特定資金鎖倉、金庫或預留額度，Circle 在文檔中皆有相關披露。

Q11：Circle 是否有推動隱私強化的機制？

A：有。Circle 正積極參與加密貨幣隱私的下一階段研究，與 Inco、Zama 合作推出 Confidential ERC-20 PoC 框架，其特色包括：

• FHE（Fully Homomorphic Encryption）技術：使用 Zama 的 fhEVM，在不解密的情況下執行交易運算。

• euint/eaddress 結構：所有餘額與地址皆加密存儲，並透過 proof 驗證正確性。

• 保留 ERC-20 方法命名與結構：與現有標準接軌，便於整合與升級（如 transferFrom 有加密與非加密版本）。

🔍 實質應用價值：

• 可兼容合規監管需求（如選擇性審計），同時保護交易隱私。

• 作為未來 USDC 版本的可選升級模組。

Q12：Circle 的技術架構與 Chainlink 有哪些整合？

A：Circle 與 Chainlink 是穩定幣與預言機領域的深度戰略合作夥伴，技術整合如下：

這些功能為 Circle 提供了高度安全、透明且可擴展的穩定幣基礎設施。

Circle 模式未來可能成為穩定幣產業的標準嗎？

A：Circle 的做法在業界具代表性，特別是在儲備驗證、跨鏈一致性、文件合規與隱私模組設計方面，已形成一套高度「標準化原型」。若未來各國監管落地，Circle 的設計哲學（以鏈上可驗證為核心）有可能成為穩定幣「準行業標準」。