當 Amazon、Alphabet、Meta 與 Microsoft 共同承諾在 2026 年砸下逾 8,000 億美元的資本支出，這件事從財務分析的框架看，是一場驚人的下注；從賽局理論的框架看，則更接近一種宿命。
1944 年，馮諾伊曼（John von Neumann）與摩根斯坦（Oskar Morgenstern）出版了《賽局理論與經濟行為》，試圖用數學語言描述人類策略選擇中最古老的問題：當理性個體的決策結果彼此相互依賴，最終的均衡會落在哪裡？八十年後，這個問題在矽谷找到了它最昂貴的現實版本。
媒體習慣把超大規模雲端業者（hyperscalers）的 AI 資本支出競賽描述為「囚徒困境」——每個人都明知集體減支對大家更好，卻因為無法信任對手而選擇繼續加碼。這個類比有其道理，但它遺漏了這場競賽中最關鍵的幾個結構特徵。
若要真正理解這場軍備競賽的本質，以及它在 2027 年之後可能走向何方，我們需要比囚徒困境更精細的理論工具。
幾個關鍵數字
第一層診斷：這不是囚徒困境，而是獵鹿賽局
囚徒困境的核心假設是：雙方合作（減支）對雙方都更好，但理性個體在無法溝通的情況下會選擇背叛（繼續加碼）。這個框架的問題在於，它預設了「合作」等於「雙贏」——而在 AI 基礎建設競賽中，這個前提並不成立。
即便 Meta、Google、Amazon 與 Microsoft 同時大幅削減資本支出，四家公司未必會集體受益。因為這個市場存在一個外部威脅：中國大陸的 AI 算力佈局、Mistral 等歐洲開源模型、以及持續拉低入場門檻的技術迭代，都意味著「四大同步縮手」並不等於「四大共同獲益」。反而可能讓整個西方 AI 生態的競爭位置向後退縮。
比囚徒困境更精確的模型，是「獵鹿賽局（Stag Hunt）」。在這個賽局中，最大的獵物（鹿，代表 AI 平台主導地位）只能透過集體協調才能捕獲，但任何一個玩家都可以單獨選擇打一隻兔子（縮減投資、守住既有利潤）。獵鹿賽局的核心張力在於：存在一個合作均衡，但沒有任何機制能確保所有玩家都相信對方會留在合作陣營。
Meta 在上調資本支出指引後股價單日下跌 9.25%，但 Zuckerberg 不可能縮手——因為縮手的訊號，比股價下跌更危險。
這正是 Zuckerberg 在電話會議上面對華爾街質疑時所處的結構性困境。他知道市場不喜歡這個數字；他同樣知道，一旦 Meta 率先退出這場資本競賽，對手的算力優勢將立刻體現在模型能力、推薦系統效率與廣告收益上。在一個沒有協調機制的市場裡，沒有人敢先轉向。
第二層診斷：先佔賽局與平台鎖定的結構性壓力
獵鹿賽局解釋了「為何沒有人敢第一個停下來」，但它並不能完整解釋「為何每一季資本支出指引都在上修」。要理解這個加速動態，我們需要引入第二個模型：先佔賽局（Preemption Game）。
AI 雲端基礎設施具備幾個使先佔優勢格外顯著的特徵。
第一，算力本身就是護城河——更多的訓練計算量，直接對應更強的模型能力，而更強的模型能力吸引更多企業客戶，企業客戶的使用數據又反過來改善模型。這是一個正反饋迴路，它給予先行者持久且難以逆轉的優勢。
第二，企業端的遷移成本極高——一家公司一旦深度整合 Azure OpenAI、AWS Bedrock 或 Google Vertex AI，其工程師的技能、現有程式碼庫、資安合規流程都已與該平台深度綁定。改換平台的成本，往往相當於重新開始。
這意味著今天的算力卡位，對應的是未來五到十年的企業訂閱收入。Alphabet 的雲端訂單積壓在單季之內幾乎翻倍至 4,600 億美元；Microsoft 的商業履約義務達到 6,270 億美元。這些數字不只是財務指標，而是先佔優勢已開始結晶的訊號。
各家公司的佈局邏輯略有不同，但背後的驅動力是一致的：
第三層診斷：Schelling Point 讓每季財報都在強化這場賽局
有一個被低估的動態，使得這場競賽愈來愈難以煞車：數字本身正在製造一種「謝林點（Schelling Point）」的效應。
謝林（Thomas Schelling）在 1960 年的《衝突策略》中指出，在缺乏明確溝通的情況下，人們往往會自然聚焦於某個「顯著解」——一個不需要協調就能達成共識的參考點。在這場 AI 資本支出競賽中，摩根士丹利的「8,050 億美元」估計，David Sacks 的「AI 資本支出將貢獻 2.5% GDP 成長」論述，正在成為這樣的謝林焦點。
當這個數字被廣泛引用、被寫進分析師報告、被華爾街用來作為「認真程度」的基準，它就不再只是預測，而是一個心理錨點。沒有任何一家公司的 CFO 想在這個錨點之下顯得「對 AI 缺乏信心」——因為那不只是財務問題，而是市場信心問題、人才吸引力問題，乃至於董事會信任問題。謝林焦點效應讓每一次財報電話會議，都成為一次公開的投名狀儀式。
整合診斷：多方懦夫賽局（N-player Chicken Game）
把以上三個層次整合起來，最能精確描述 hyperscalers 當前處境的，是賽局理論裡的多方懦夫賽局（N-player Chicken Game）。
原始的懦夫賽局（Chicken Game）場景，是兩台車朝彼此對衝：誰先轉向，誰就輸；但若兩人都不轉向，則同歸於盡。這個賽局的納許均衡（Nash Equilibrium）是不對稱的——一方轉向、一方繼續直行，是唯一穩定的結果；但沒有任何一方願意率先認輸。
在多方版本中，這個動態更加複雜且危險。目前的均衡狀態是：每一家公司都知道自由現金流正在承壓——Amazon 的 TTM 自由現金流已萎縮至 12 億美元，幾乎可以忽略不計——但每一家公司都深知，第一個踩剎車的玩家將付出最慘重的代價：不只是短期股價的懲罰，而是在 AI 平台卡位競賽中的永久性落後。
所有人都知道車速太快，但沒有人敢踩剎車。唯一能改變這個均衡的，是一個所有人都能觀察到的外部衝擊——讓踩剎車從懦弱的訊號，變成理性的訊號。
若 2027 年之後局勢不變——均衡的三條路徑
若當前動態延續至 2027 年，賽局的結構特徵會如何演化？理論上有三個可能的均衡路徑。
路徑一：企業 ROI 數據支撐，賽局繼續
若企業端的 AI 工具採用率加速，產生可量化的生產力提升數據，資本支出的商業正當性獲得確認。此時的納許均衡是所有玩家繼續加碼，差異只在速度。摩根士丹利估計 2027 年 AI 資本支出對 GDP 的貢獻將超過 3%，強化了這條路徑的可能性。
路徑二：算力過剩出現，賽局出現裂縫
若 GPU 算力供給持續擴張而企業需求成長緩於預期，資料中心使用率開始下滑，折舊壓力顯現在財報上。此時可能出現一個「協調時刻」——某家公司（最可能是自由現金流壓力最大者）率先在財報中下修指引，為其他公司提供了踩剎車的「政治掩護」。
路徑三：技術代際跳躍，重置賽局
這個路徑最常見的誤讀，是把「技術代際跳躍」等同於量子電腦的出現。這是一個方向錯誤的聯想。技術專家私下的共識遠比公開聲明悲觀：量子優越性（quantum advantage）的達成時間點與驗證標準至今沒有共識，多數嚴肅的工程評估認為 2040 年之前不會出現對現有算力體系構成實質挑戰的量子計算能力。更根本的是，量子計算的角色是補充而非取代傳統計算——它是特定複雜問題（如藥物分子模擬、密碼學）的加速器，而非通用計算的替代架構。
真正可能重置這場賽局的技術代際跳躍，有三個更值得嚴肅對待的候選路徑。
候選一：算法效率的非線性突破，且這個情境已經發生過一次預演
DeepSeek 以 2,000 張 H800 GPU 訓練出與 Meta Llama 3 相當的模型——後者使用了 16,000 張 H100——訓練成本約 560 萬美元，相較 GPT-4 的約 1 億美元低了將近 95%。這個數字在 2025 年 1 月引發了市場地震：Nvidia 單日市值蒸發約 6,000 億美元，跌幅 17%。恐慌的核心邏輯是：如果算法效率可以讓算力需求以數量級縮減，那麼 hyperscalers 正在建造的這些 GPU 叢集，商業正當性是否還成立？
然而這個問題隨後被一個反向力量部分化解，那就是傑文斯悖論（Jevons Paradox）1。DeepSeek 發布後數日，Meta 的 Zuckerberg 不但沒有縮減，反而將 2025 年 AI 支出大幅上調，聲稱「擴大基礎設施仍是長期優勢」。微軟 CEO Nadella 甚至在第一時間發文：「傑文斯悖論再度出現！當 AI 變得更有效率，使用量將會暴增。」
這個觀察有歷史依據：十九世紀蒸汽機效率提升後，煤炭消耗量不降反升。效率進步使 AI 的邊際使用成本降低，進而釋放出更多過去因成本過高而被壓抑的應用需求，最終對算力的總需求不降反升。
傑文斯悖論能否永遠成立，是這場賽局最關鍵的未解問題。
目前已有跡象顯示，單純擴大數據量與算力規模的「經典 Scaling Law」正在遭遇邊際收益遞減的問題，實驗室內部的共識是：單靠更多數據和算力，無法創造最初承諾的「全知數字神」。若未來出現一個不依賴算力規模、純粹靠架構或訓練方式突破的效率飛躍——也就是讓「更多 GPU」與「更強模型」之間的線性假設徹底斷裂——那麼傑文斯悖論將失效。屆時，效率提升將不再釋放新需求，而是直接替代既有需求。
候選二：光子計算（Photonic Computing）在資料中心層面的商業化
MIT 和史丹佛的光子計算實驗室示範已顯示，相較數位處理器，光子架構在特定任務上可實現百倍的速度提升。光子計算的核心優勢在於：以光子（光速傳輸、幾乎無熱耗散）取代電子執行矩陣乘法運算，這正是 Transformer 架構中最計算密集的部分。
目前跨資料中心訓練的 GPU 間連接，每比特傳輸約消耗 30 皮焦耳的能量，網路成本約每 Gbps 1 到 2 美元——而這個數字若要達到 AI 大規模部署的成本效益，至少需要降低十倍。光子互連在這個層面是最接近商業化的候選技術。
但這個路徑的重要限制是：光子計算與神經形態計算的興起，不代表 GPU 將消失，而是預示著一個更加專業化與多元化的硬體生態的開始。換句話說，這是一個漸進式替代而非斷崖式顛覆的情境。它不會在某一季財報中突然讓所有 GPU 叢集變成廢鐵，而是會在五到十年的時間維度上，逐漸改變資料中心的硬體構成比例，使得「繼續建造更多 GPU 叢集」的邊際回報緩慢下滑。這反而更接近路徑二的結構——不是棋盤的重置，而是遊戲規則的慢速漂移。
候選三：Scaling Law 的根本性失效——最被低估的候選路徑
一項 2025 年底的學術研究發現，2017 年至 2025 年間，AI 算法進步的絕大部分——約 91%——可以歸因於兩個規模依賴型創新：從 LSTM 到 Transformer 的架構切換，以及 Chinchilla 重新平衡的算力配置方式。這個發現的含義是刺骨的：過去幾年我們以為是「持續的算法進步」，其實主要是一次性的架構革命的遺澤。未來若要重演這種量級的效率躍升，可能需要再一次真正的架構範式轉移，而不是在現有 Transformer 框架內的漸進優化。
若這個範式轉移遲遲未出現，而現有架構的 Scaling Law 繼續趨於飽和，hyperscalers 將面對一個結構性困境：他們建造的「代幣工廠」，生產的代幣品質停滯了，但工廠的折舊仍在持續。這個情境不需要任何戲劇性的黑天鵝事件——它只需要時間，以及一個殘忍的物理事實：沿著已知曲線走到盡頭，本身就是一種代際跳躍的終結。
什麼情況會改變賽局？灰天鵝與黑天鵝
賽局理論告訴我們，改變多方懦夫賽局均衡的，通常不是「其中一方突然想通了」，而是某個外生衝擊（exogenous shock）改變了所有玩家的收益函數（payoff matrix）。以下是最值得關注的幾個情境。
🩶 灰天鵝一：企業 AI 採用的「生產力懸崖」
若大規模的企業 AI 部署在 2026–2027 年間出現可觀察的 ROI 失望——不是個案，而是系統性的——將引發機構投資人對整個 AI 資本支出敘事的重新定價。這個情境並非不可能，它甚至是歷史上每一波技術泡沫的共同前奏。差別在於，AI 的「基礎建設」性質意味著即便商業化速度不如預期，基礎設施本身仍有長期使用價值，這讓崩潰不太可能以 2000 年網路泡沫的方式發生，而更可能以緩慢的估值重新調整呈現。
🩶 灰天鵝二：電力與能源成本成為硬約束
AI 資料中心的電力需求正在逼近北美電網的物理極限。Equinix 的財報指出，約 60% 的大型合約需求來自 AI，而電力與冷卻已成為真實的瓶頸。若電網擴充速度跟不上算力需求，資本支出的實際落地速度將被迫放緩——這是一個市場機制之外、純粹由物理基礎設施決定的約束，它可能在不需要任何玩家「決定停下來」的情況下，強制為這場競賽降速。
🩶 灰天鵝三：反壟斷監管與 AI 治理框架的介入
歐盟的《AI 法案》、美國的行政監管行動，乃至於未來可能出現的算力出口管制延伸，都可能在特定市場為資本支出的邊際效益設置天花板。這不會終結這場賽局，但會改變每個玩家的地理佈局策略，並可能為資本支出的速度帶來外部約束。
🖤 黑天鵝一：算法效率的顛覆性突破（逆向黑天鵝）
DeepSeek 在 2025 年初以極低成本訓練出具備競爭力的模型，已經預演了這個情境的輪廓。若未來出現更根本的算法突破——使得「更多算力」不再等於「更強模型」的線性假設崩潰2——那麼所有已建成的 GPU 叢集都將面臨巨大的資產擱置風險。這是一個方向上的黑天鵝：對已投入大量資本的巨頭而言是災難，對後進者或技術突破者而言則是機會視窗。
🖤 黑天鵝二：主權 AI 的地緣政治斷裂
若美中科技脫鉤進一步加深，導致全球 AI 生態出現真正的「兩個平行世界」，那麼每一家 hyperscaler 將被迫面對：在一個縮小的可尋址市場裡，維持目前的資本支出規模是否仍然合理？更激進的情境是，某個主要盟友國家以國家安全為由，強制要求本地算力不得依賴美國雲端服務——這將同時縮減超大規模雲端業者的潛在市場，並強迫資本支出從規模擴張轉向地理分散。
結局或許不是「誰贏了」，而是「誰活下來」
從賽局理論的角度，多方懦夫賽局的一個核心特徵是：它的結局往往不是所有玩家意識到問題並協調退出，而是某個外部事件強制改變了收益結構，讓某些玩家突然發現繼續直行的成本已超過轉向的成本。
在 AI 基礎建設競賽中，這個外部事件最可能的形式不是技術的失敗，而是時間序列的落差——企業 AI 商業化的速度，與資本支出建設速度之間的時間差，決定了這場賽局誰能在不轉向的情況下撐到終點線。Amazon 的自由現金流已幾乎歸零，而 AWS 的 28% 成長與積壓訂單顯示需求端並未消失。這個矛盾的並存，正是懦夫賽局均衡的典型表徵：所有指標同時顯示「繼續有風險」與「停下來有更大的風險」。
Morgan Stanley 的策略分析師 David Sacks 說，這些算力設施是「代幣工廠」——它們不是成本中心，而是生產設備。
若這個比喻成立，那麼賽局的最終均衡將由一個簡單的問題決定：這些工廠，何時開始盈利？ 在那個時間點到來之前，我們正在目睹的，是人類有史以來規模最大、最昂貴、也最難退場的賽局理論實驗。
囚徒困境告訴我們理性如何製造集體的非理性；懦夫賽局告訴我們，有時候真正的輸家，是那個最先看清局勢、卻沒有辦法讓所有人同時看見的人。
傑文斯悖論（Jevons Paradox）： 經濟學上的現象。當技術進步提高了資源的使用效率時，資源的消耗量通常不會減少，反而會因為需求的大幅增加（例如應用場景變多、門檻降低）而導致總消耗量上升。
這個論點會在某個時點重新出現，造成 AI 硬體股再次重挫，如同 2025 年初那樣，主要權值股跌幅約 20%，某些漲幅過大的族群甚至會達到 50%。
寫得非常精彩。
現在最大的市場錯誤假設，就是認為 AI 硬體的支出會長期而且直線地往上加速,所有相關半導體和硬體廠商的股價，都根據平台服務本益比來定價
好文