拆解 AI 價值鏈：從瓶頸轉化、模型商品化到價值投資人的安全邊際評估

當前人工智慧（AI）產業的蓬勃發展，常被大眾視為一場由演算法驅動的軟體革命。然而，透視 Chamath Palihapitiya 所提出的 AI 六層架構（堆棧）模型——包含基礎設施（Infrastructure）、晶片（Chips）、資料（Data）、模型（Models）、執行（Execution）與應用（Application）——並從班傑明·葛拉漢（Benjamin Graham）與華倫·巴菲特（Warren Buffett）的價值投資哲學重新審視，我們將發現一個被大眾忽視的商業本質：AI 在表面上是軟體與演算法的突破，底層本質卻是一場極度依賴巨額資本支出與實體資源配置的工業革命。產業分析的核心問題在於：「技術上的極致瓶頸，是否必然等於股東權益的價值累積（Value Accrual）？」關鍵結論指出，價值累積絕不等於單純的技術稀缺性，而是必須經過整合後的經濟公式考驗：價值累積 ≈ 瓶頸 × 定價權 × 量能成長 × 持續性需求 × 切換成本 × 邊際資本投資報酬率（ROIC）。這對於長期投資人在評估科技巨頭的資本配置效率、折舊壓力、自由現金流（FCF）品質以及安全邊際時，具有極其深遠的戰略意義。

1. AI 價值鏈重構與商業模式：瓶頸不等於價值累積

Chamath 將 AI 產業鏈剖析為六個相互依存的階層，其思想核心在於「支點資產（Fulcrum asset）」的概念。所謂支點資產，是指位於價值鏈關鍵位置、所有上層應用或工作流皆必須通過，且極難被替代的物理或技術資產。Chamath 將此比喻為歷史上的石油精煉廠、鐵路網路或網際網路主幹。然而，從價值投資的視角切入，技術上的絕對瓶頸與資本市場中的企業價值累積，兩者之間存在著顯著的商業模式鴻溝。

我們可以透過比較半導體設備巨頭 ASML 與晶片龍頭 NVIDIA 的案例來深入理解此一概念。在先進晶片製造領域，ASML 的極紫外光（EUV）微影設備在技術上具有不可替代的極致瓶頸特性，任何晶圓代工廠都無法在短時間內尋得替代方案，這構成了極深的獨佔護城河。然而，ASML 的商業模式是將極度複雜、資本密集的實體設備賣給極少數的先進製程客戶，客戶採購的設備數量是有限且具備週期性的，製造產能亦受限於實體供應鏈與交期，企業營收並不會因為全球使用者多生成兩倍的 AI Token 而自動翻倍。

相反地，NVIDIA 雖然在純粹的晶片物理製造極限上不如 ASML 的光學專利般獨佔（晶片代工仍需依賴台積電等廠商），但其商業結構卻展現出更強大的價值累積能力。隨著模型參數規模擴張、推理流量激增、推理深度增加以及 Agent 運作頻率上升，市場對算力的需求呈指數級成長。NVIDIA 不僅提供矽晶晶片，更透過「晶片 + CUDA 軟體生態系 + 系統級架構（如 NVLink）+ 高速網路」的雙輪驅動獲利模式，成功將技術瓶頸轉化為強大的定價權與持續爆發的出貨量。

因此，單純的技術稀缺性並不能直接導向投資獲利。價值投資人必須將 Chamath 的架構進行修訂，導出以下整合獲利公式：

$$\text{價值累積} \approx \text{瓶頸} \times \text{定價權} \times \text{量能成長} \times \text{持續性需求} \times \text{切換成本} \times \text{邊際 ROIC}$$

為更直觀地對比兩種思維的差異，下表列出「傳統稀缺性思維」與「價值投資整合獲利公式」的維度比較：

2. 物理基礎設施與晶片層：供應鏈隱形死穴與電力真實瓶頸

在 Chamath 架構的最底層（基礎設施與晶片層），市場往往過度專注於伺服器的組裝或先進晶片設計，卻忽略了更底層的物理供應鏈與極致集中度。

供應鏈隱形死穴：半導體材料與高純度石英

基礎設施層的集中度遠超一般投資人的想像。在半導體化學材料領域，日本企業展現出極高的支配地位。根據數據顯示，日本公司約佔全球半導體光阻劑公司國籍銷售額的 78%；其中 Shin-Etsu（信越化學）、JSR、Tokyo Ohka Kogyo（東京應化工業）與 Fujifilm（富士軟片）等企業控制了絕大部分關鍵光阻劑市場。

此外，半導體矽晶圓熔煉所需的熔融石英坩堝，極度依賴高品質的高純度石英（HPQ）。美國北卡羅來納州 Spruce Pine 礦區擁有極其純淨的石英礦脈。根據 Sibelco 的說明，其 IOTA 材料來自該地兩個獨特的純淨礦體；CRU 的研發報告亦指出，全球僅有 Sibelco 與 The Quartz Corp 能夠在 Spruce Pine 以經濟規模商業化生產高級高純度石英。雖然「單一礦區支撐全球半導體」的說法在語氣上較為戲劇化，但其揭示的供應鏈集中度風險在經濟層面是極其真實的。

能源與電網傳輸瓶頸

在基礎設施層面，電力與輸電設備正在成為比純粹發電更早到來的實體瓶頸。根據 IEA 的報告預測，超大規模企業（Hyperscalers）在 2026 年的資本支出將超過 7,000 億美元，主要用於資料中心擴建。IEA 同時預估，全球資料中心的電力消耗將從 2025 年的約 485 TWh 激增至 2030 年的約 950 TWh。

然而，更關鍵的瓶頸在於電力傳輸與調度。Johns Hopkins（約翰霍普金斯大學）的研究結論指出，在激進的擴建情境下，變壓器（Transformers）、開關設備（Switchgear）、不斷電系統（UPS）與輸電網絡的產能與交期限制，將比單純的「發電量不足」更早成為限制 AI 資料中心落地的實體瓶頸。稀缺資產並非泛指電力本身，而是在特定地點、電壓等級、高可靠性及特定時間點下「可交付的電力」。

晶片層護城河與記憶體瓶頸

Chamath 在其股東信中認為，晶片設計終將走向通用化與代工化，因此晶片層並非持久的支點資產，且 HBM 與 InfiniBand 等瓶頸終將被繞過。但從 2026 至 2028 年的中短期視角來看，這一觀點顯得過於激進。

高頻寬記憶體（HBM）已成為 AI 算力的實體瓶頸。根據 Counterpoint 的數據顯示，2026 年第二季全球 HBM 營收市佔率高度集中於三家業者： * SK Hynix： 50% * Samsung： 33% * Micron： 18%

同時，IEA 的分析亦指出，HBM 的供不應求狀態預計將至少持續至 2027 年底。先進晶片已非單純的算力裸晶（Die），而是由「GPU/ASIC 邏輯晶片 + HBM + 中介層（Interposer） + 先進封裝 + 高速網絡（NVLink） + 供電與散熱」組成的系統級架構。這種系統級的整合能力，構築了極為堅固的生態系護城河。

3. 模型商品化與控制層（Execution Layer）的崛起

模型層（Model Layer）正在經歷極快的經濟學演化。基礎語言模型的原始推理解算能力，呈現出極其明顯的成本崩塌趨勢。

模型成本崩塌與效能收斂

根據 Stanford AI Index 報告數據顯示，達到 GPT-3.5 級別 MMLU 效能的推理成本，從 2022 年 11 月的每百萬 Token 約 20 美元，驟降至 2024 年 10 月的每百萬 Token 約 0.07 美元，在短短 18 個月內暴跌了 280 倍。此外，OECD 的研究報告顯示，從 2024 年 1 月至 2026 年 4 月，經過品質調整後的語言模型價格下降了近 80%。

在模型效能層面，頂尖閉源模型之間的差距正在收窄。Stanford AI Index 2026 數據顯示，截至 2026 年 3 月，頂尖閉源模型與開源模型之間的效能差距僅為 3.3% 至 3.4% 左右；而在頂尖閉源模型之間（如 Anthropic、xAI、Google 與 OpenAI），在 Arena Elo 評分上的差距僅約 25 分。基礎智力正逐步走向宗地化（Commoditization）趨勢。

前沿模型的溢價與未完全商品化

儘管基礎智力成本快速下降，但模型尚未完全退化為完全無差別的商品。Menlo 的企業支出研究報告顯示，企業在前沿模型（Frontier models）上的支出份額，從 2025 年第三季的 35% 逆勢上升至 2026 年第三季的 63%。這表明雖然開源與中階模型 Token 消耗量大增，但企業對於最高端、最複雜的推理解算仍願意支付溢價。前沿模型公司必須持續投入數以百億計的資本支出以維持領先地位，這使其商業模式面臨邊際資本回報率的巨大考驗。

執行與控制層（Control Plane）的經濟價值

在基礎模型與最終應用之間， Chamath 提出了「執行層（Execution Layer）」概念，這被視為全篇架構中最具前瞻性的洞見。在企業級 AI 部署中，控制層扮演著企業 AI 中樞角色，主要涵蓋以下核心維度：

• 動態模型路由（Model Routing）： 根據查詢複雜度與成本，自動調度最適模型。
• 上下文與記憶體管理（Context & Durable Memory）： 跨會話維持企業狀態與長短期記憶。
• 身份與權限控管（Identity & Permissioning）： 確保數據存取符合企業安全政策。
• 工具調用與 API 銜接（Tool Calling & APIs）： 串接企業內部 ERP、CRM 等實體系統。
• 工作流狀態與觀察性（Workflow State & Observability）： 追蹤多步驟任務執行過程與錯誤排除。
• 結果品質評估（Evaluation）： 動態檢驗模型輸出準確度與合規性。

企業在實際營運中，並不關心具體的推理步驟是由哪一家業者的模型完成，企業關心的是「結算帳務」、「修復軟體漏洞」或「處理客戶退款」等複雜工作流能否精確執行。根據 LangChain 2026 年的調查報告指出，多模型混合使用已成為企業生產環境的常態，而企業面臨的最大痛點在於系統的品質與可靠性，而非單純的模型 Token 成本。執行控制層宛如 AI 時代的作業系統與中間件，具備極高的切換成本與商業價值。

4. 專有資料、應用層與物理 AI 的價值邊界

資料與應用層的護城河，正從傳統的「靜態數據累積」轉化為「動態閉環工作流」。

通用資料與專有成果反饋閉環

網際網路上的通用文本資料邊際價值正快速遞減，合成資料亦大量湧現。然而，具備專有成果反饋閉環的資料則展現出強大的護城河效應。Chamath 架構中容易忽視但至關重要的價值遞迴機制可表示為：

$$\text{工作流 (Workflow)} \longrightarrow \text{專有成果數據 (Proprietary Outcome Data)} \longrightarrow \text{更強 AI (Better AI)} \longrightarrow \text{更強工作流 (Stronger Workflow)}$$

這種遞迴閉環在多個領域形成了極深的競爭障壁： * 醫療領域： 病患數據 $\rightarrow$ 診斷決策 $\rightarrow$ 治療方案 $\rightarrow$ 真實臨床結果反饋。 * 財務軟體： 發票生成 $\rightarrow$ 帳款支付 $\rightarrow$ 爭議處理 $\rightarrow$ 最終結算紀錄反饋。 * 程式開發： 漏洞偵測 $\rightarrow$ 自動補丁 $\rightarrow$ 單元測試結果 $\rightarrow$ 上線部署狀態反饋。

通用訓練資料（如公開書籍、網頁文本）邊際價值趨向宗地化，但上述結合真實營運結果的專有成果數據，能持續優化特定領域的 Agent 效能，構築出極難被純粹大模型超越的閉環防線。

應用層護城河：以 Harvey 為例

市場常誤認為應用層軟體極易被大模型功能所取代。然而，以法律 AI 應用 Harvey 為例，律師事務所購買 Harvey 的服務，本質上是在購買「已被高精度完成的法律工作成果」，而非購買底層模型 Token。擁有所需分銷通路、專有資料、業務工作流、紀錄系統（System of record）、客戶信任與法規合規性的應用軟體，在模型智力降價的過程中，反而能獲得更低廉的原料成本，從而進一步擴大其軟體利潤率。

物理 AI（Physical AI）的經濟學限制

物理 AI（如人形機器人）的發展遵循與數位 AI 完全不同的物理與經濟規律。數位 AI 的軟體複製邊際成本趨近於零，但物理 AI 的每一台設備都受限於硬體物料清單（BOM）與物理製造時序。

根據 McKinsey 的機器人 BOM 研究數據顯示： * 致動器（Actuators）： 約占人形機器人 BOM 成本的 40%–60%。 * 電池模組（Battery Modules）： 僅占 BOM 成本的 5%–10%。

這意味著致動器（含精密馬達、減速機、軸承與控制器）是比電池更具經濟價值的實體瓶頸。此外，根據 CRU Group 的估算，每台人形機器人約需消耗 2–3 公斤的釹鐵硼（NdFeB）永磁材料，這將對上游稀土供應鏈產生實質需求。然而，資料中心與推理晶片的需求當前已爆發，而人形機器人動輒數千萬台的商業化量產仍處於早期階段，長期投資人必須嚴謹看待兩者的時間折現率差異。

Jevons 悖論：單位降價與總算力資本支出激增的經濟學推演

為什麼模型單位推理成本在 18 個月內下降 280 倍，全球超大規模企業卻依然在 2026 年投入超過 7,000 億美元的資本支出？這可以用經濟學上的「Jevons 悖論（Jevons Paradox）」來完美解釋。

當智力與推理的單位成本大幅下降時，引發了需求彈性的非線性爆炸。過去昂貴的模型僅能用於單次簡單問答；如今極其低廉的推理成本，使得企業能夠部署數十個 Agent 進行連續思考、長文本推理（Reasoning depth）、反覆模擬驗證與工具調用。單位 Token 價格下降，直接帶動總算力與 Token 消耗量呈數項級激增。這種「數量成長（Volume）」完全壓過「單位單價下降（Price drops）」的經濟機制，確保了上游算力平台與晶片廠商的 ROIC 不會因降價而被侵蝕，從而在邏輯上圓滿解釋了 $7000B+ 基建 Capex 與推理降價並存的產業現狀。

5. 價值投資人的 AI 產業重劃六大分級層次

綜合上述分析，DeepValues Research 將 Chamath 的原始堆棧重構為更符合葛拉漢與巴菲特「安全邊際」與「資本配置效率」原則的六個投資分級層次：

價值投資量化視角：從輕資產軟體到高資本密集工業的轉變

從價值投資的視角審視，過往二十年科技巨頭（如 Microsoft、Alphabet、Meta、Amazon）享有極高的權益報酬率（ROE）與自由現金流，原因在於其邊際擴張幾乎不需要額外實體資本的「輕資產軟體模式」。

然而，在 AI 浪潮下，五大科技巨頭正轉型為高資本密集的工業型企業。IEA 預估 2026 年超大規模企業資本支出將突破 7,000 億美元。從葛拉漢與巴菲特的量化折現模型來看，這意味著數千億美元的 Capex 將轉化為資產負債表上的龐大固定資產（PP&E）。在未來 3 至 5 年內，這些資產將產生巨額的折舊費用（Depreciation），直接侵蝕企業的營業利潤率（Operating Margin）。

更嚴肅的是，自由現金流（FCF = 營業現金流 - Capex）將與帳面淨利潤（Net Income）產生嚴重背離。若邊際營收成長無法維持相應的高速增長，企業的邊際 ROIC 將不可避免地面臨壓縮。因此，價值投資人絕不能套用過去軟體高利潤率時代的估值倍數，而必須要求更高的「安全邊際（Margin of Safety）」，將折舊壓力與現金流侵蝕充分納入內在價值折現模型中。

關鍵數字

以下為 Source Context 中所引用的全球 AI 產業鏈核心指標與數據：

• 日本半導體光阻劑市佔率： 日本企業約佔全球公司國籍銷售額的 78%（Shin-Etsu、JSR、Tokyo Ohka Kogyo、Fujifilm 掌控絕大部分市場）。
• 超大規模企業資本支出（IEA）： 預估 2026 年資本支出將超過 7,000 億美元（主要投入資料中心與伺服器擴建）。
• 資料中心耗電量（IEA）： 預計全球資料中心耗電量將從 2025 年的約 485 TWh 增長至 2030 年的約 950 TWh。
• HBM 市場集中度（Counterpoint）： 2026 年第二季營收市佔率為 SK Hynix 50%、Samsung 33%、Micron 18%；IEA 指出 HBM 供不應求將持續至至少 2027 年底。
• 推理模型成本降幅（Stanford）： 達到 GPT-3.5 級別 MMLU 效能的運行成本，從 2022 年 11 月的約 $20/M tokens 降至 2024 年 10 月的約 $0.07/M tokens（在 18 個月內下降 280 倍）。
• 前沿模型評分差距（Stanford AI Index）： 截至 2026 年 3 月，頂尖閉源模型與開源模型差距僅約 3.3%–3.4%；頂尖模型間（Anthropic、xAI、Google、OpenAI）僅相差約 25 Arena Elo 分數。
• 語言模型價格降幅（OECD）： 從 2024 年 1 月至 2026 年 4 月，品質調整後的語言模型價格下降近 80%。
• 企業前沿模型支出占比（Menlo）： 企業在前沿模型的支出份額從 2025 年第三季的約 35% 上升至 2026 年第三季的 63%。
• 推理需求占比預測（McKinsey）： 預計至 2030 年，推理（Inference）將占全球 AI 總算力需求的約 60%。
• 人形機器人 BOM 佔比（McKinsey）： 致動器（Actuators）約佔人形機器人 BOM 的 40%–60%，電池模組僅占約 5%–10%。
• 稀土需求估算（CRU）： 每台人形機器人預計需要約 2–3 公斤的 NdFeB（釹鐵硼）永磁材料。

什麼情況會改變我們的看法

身為嚴謹的價值投資分析師，我們對 AI 價值鏈的評估建立於客觀事實之上。若未來出現以下關鍵發展，將促使我們修正相關投資邏輯：

1. HBM 與先進封裝出現替代技術或產能嚴重過剩： 若 2027 年後 HBM 與先進封裝產能大幅釋放，或出現新型架構使得記憶體頻寬瓶頸瓦解，導致晶片與記憶體廠商的定價權受到劇烈侵蝕。
2. 超大規模巨頭將控制層免費捆綁： 若 Microsoft、AWS、Google 或 OpenAI 直接將動態模型路由、記憶體管理與 Agent Orchestration 納入其基礎架構中免費提供，獨立 AI 控制層軟體公司的估值溢價將大幅縮減。
3. 人形機器人商業化量產進程嚴重滯後或爆發： 若人形機器人無法從實驗室展示轉化為千萬台級別的實際出貨數字，Tier 6 實體零組件廠商的現金流折現時程必須進一步延後；反之若突破性量產提前落地，則需上修其投資權重。
4. 電力傳輸與電網設備瓶頸獲得突發性緩解： 若變壓器產能擴張速度與輸電網升級遠超預期，使得算力供給無預警大增，進而引發雲端算力租賃價格的崩盤。

長期投資人的實用重點

對於遵循葛拉漢與巴菲特法則的長期投資人而言，拆解 AI 價值鏈的核心啟示在於：不要單純尋找「最稀缺」的技術資產，而要尋找「稀缺性、定價權、持續銷量成長與高邊際 ROIC」交集的企業。

以 ASML 與 NVIDIA 的對比為鑑，光有極致的技術瓶頸若無法轉化為指數級成長的銷量與強大的軟體切換成本，權益增值效果便會受到限制。同時，面對科技巨頭動輒數千億美元的資本支出浪潮，投資人必須保持清醒，深入評估固定資產折舊對企業未來自由現金流（FCF）與 ROIC 的拉低效應。在進行內在價值折現評估時，務必預留足夠的安全邊際，切忌盲目追捧缺乏商業閉環與現金流支持的純技術題材。

---

歡迎前往 DeepValues Research 官方網站閱讀更多關於半導體供應鏈、AI 基礎設施與企業資本配置效率的深度研究報告；亦可使用 DeepValues App 查詢全球科技個股的最新內在價值評估與自由現金流折現模型。

資料來源

• Excerpts from "Decoding AI Value"
• Chamath 2025 Annual Letter
• Stanford AI Index (2026)
• IEA Data-center Capex & Electricity Reports
• McKinsey Robotics BOM & AI Demand Research
• CRU Group High-Purity Quartz & Rare Earth Research
• Counterpoint Research HBM Market Share (Q2 2026)
• OECD Language Model Pricing Study
• Menlo Enterprise AI Spending Report (Q3 2025–Q3 2026)
• LangChain Survey (2026)

---

本文僅供教育用途與資訊分享，不構成任何投資建議或買賣推薦。