潁川學探索AI建設未來的經濟效益與競爭力——從資本熱潮走向生產力,從台灣製造走向世界共益
AI人工智慧投資究竟是無底洞,還是下一個黃金時代的入場券? 這個問題值得重新拆解: 技術可能成功,部分投資卻可能失敗; 社會可能受益,利益也可能集中於少數企業。決定未來的,是投入如何轉成可靠服務、產業能力,以及多數人能共享的生活改善。
對潁川學而言,AI建設應同時回答三個問題:創造了多少價值?誰取得價值?誰承擔代價?
一、先讀懂市場:投資強度不是報酬保證
比較美國不同年代建設熱潮的平均年度資本支出占GDP比例: 運河0.66%、鐵路2.24%、電氣化0.50%、高速公路1.13%、電信與光纖1.10%,以及2025–2032年AI建設的預估3.63%。
Brookings於2026年發布的研究,估計美國2025–2032年AI相關建設投資約10.3兆美元,平均每年約占美國GDP的3.63%。 這是具有假設與不確定性的預估,並非已完成投資,也不是單年峰值。不同時期的資產範圍、統計資料與經濟條件不同,適合觀察投入強度,不宜當作完全同質的比較。[1]
因此,較精確的說法是「在這組研究選取的歷史案例與估算口徑下,AI建設的預估投入強度最高」,而非斷言空前絕後。 原文所稱「1980–1990年代鐵路鋪設」也應更正為本文的1870–1890年。
美國建設支出可以先帶動設備、工程與就業需求;長期競爭力則取決於建成之後,能否持續創造超過成本的價值。
二、歷史的啟示:有用的基礎建設,也會出現失敗投資
美國鐵路、電力與網路提供了理解AI的歷史類比,卻不能保證它複製相同的成長路徑。
美國基礎建設可能讓使用者得利,同時使出資者承受虧損。便宜的算力若推動應用普及,社會可能受益;但承擔高額設備成本、利息與折舊的營運者,仍可能無法收回投資。
應區分三種帳:
- 企業帳:營收、毛利、現金流能否支應投入?
- 產業帳:是否改善品質、交期與創新能力?
- 社會帳:公共利益是否超過能源、環境與轉型成本?
三種帳都必須看,不能用宏大願景替個別投資的可行性背書。
三、實體資產不等於保值,低成本也不等於高利潤
AI建設包含廠房、電網、晶片、散熱與網路,但這些資產的壽命與可轉用性不同。建築可能長期使用,專用設備卻可能因技術進步快速失去經濟競爭力。仍能運作,不代表仍能獲利。
同樣地,單次推論成本下降,可能擴大使用需求,也可能壓低售價;更複雜的任務又可能消耗更多算力。因此,不能直接推論邊際效益必然呈指數成長。
研究也提醒,合資、租賃、私人信貸與特殊目的載體等安排,可能讓風險更難觀察;但目前也不宜直接斷言已形成如同過去信用泡沫的系統性危機。[2]
四、經濟效益的關鍵,在工作流程真正改變
購買AI工具只是起點。若資料混亂、責任不清,AI可能加快產出錯誤,再把查核負擔轉給員工。
一項刊於《Quarterly Journal of Economics》的客服研究,分析5,172名員工,發現AI輔助使每小時解決問題的生產力平均提高約15%。 但這是特定企業、工具與任務的結果,不能直接推成全產業或整體GDP的成長率。[3]
真正值得衡量的是:完成一件合格工作,總共花了多少時間與成本?是否減少錯誤?是否增加顧客願意付費的價值?
可將AI的價值轉換理解為:
「有效能力 × 資料品質 × 流程配合 × 人員運用 × 制度信任。」
這是管理思考架構,並非統計定律; 其意義是,任一環節不足,都可能使硬體投資無法轉成效益。
五、能源是競爭條件,效率改善也要算總量
IEA在2026年的分析預估,全球資料中心用電量由2025年約485 TWh,增加至2030年約950 TWh,約占全球用電3%。此數字涵蓋資料中心各類工作負載,不能全部算成AI用電。[4]
對台灣而言,AI競爭力需要可靠電力、電網韌性、能源效率與環境承載能力共同支撐。若新增需求擠壓其他產業,或提高社會成本,應納入整體評估。
每次運算省電,也不保證總用電下降,因為使用量可能同步擴大。因此,節能應同時看單位效率與總體消耗。
原稿的「產業熵減」可保留為管理比喻,指降低資訊混亂、溝通摩擦與流程浪費;它不能取代可衡量的生產力指標,也不等同物理學上的熵減。
六、台灣的卡位:把供應能力變成持續創造價值的能力
以下提出的是策略建議,而非保證獲利的預測。
| 布局方向 | 具體行動 | 驗證指標 |
|---|---|---|
| 關鍵硬體與系統 | 整合晶片、封裝、伺服器、電源與散熱能力 | 良率、每瓦效能、系統可靠度 |
| 產業應用 | 優先處理製造檢測、設備維護、物流調度等明確問題 | 錯誤率、停機時間、交期 |
| 軟體與服務 | 發展整合、維運、資安與領域服務 | 續約率、服務收入、客戶留存 |
| 中小企業擴散 | 提供可負擔工具、資料整理與培訓支持 | 實際採用、淨效益、員工能力 |
| 韌性與治理 | 分散客戶與市場,設計可移轉的資料與系統 | 客戶集中度、切換成本、復原時間 |
台灣不必讓所有企業都投入大型模型競賽。 更值得追求的是,在特定產業問題上,提供品質穩定、成本可控、責任清楚的完整方案。
硬體訂單是機會的入口;能否保留研發、軟體、服務與客戶關係,則影響長期價值。
七、教育建設:讓人具備駕馭與查核AI的能力
如果AI投資只有機房、設備與帳號,卻缺少人的學習能力,生產力的轉換就會受阻。
教育工作者應培養學生定義問題、理解資料、比較證據、驗證結果,以及承擔決策責任的能力。產學合作也應從真實問題出發,讓學生測試導入前後的品質與成本。
學校評量可要求學生保留問題形成、資料選擇、工具使用、修改與驗證紀錄,再以口頭答辯確認理解。證書能記錄學習經歷;獨立判斷與解決問題的表現,才能證明能力。
八、從宣布投資走向成果問責
政府與企業可建立分階段投入機制:先確認問題,再做小規模試驗;驗證品質、成本與需求後,才擴大部署,並預先設定停損條件。
評估至少包括:
- 是否有真實需求及持續付費意願?
- 納入能源、折舊、整合與人工查核後,是否仍有效益?
- 技術或需求改變時,設備與合約能否調整?
- 效益是否擴散到員工、中小企業與公共服務?
- 供應中斷或系統出錯時,是否有替代方案?
這些問題,能使「投資多少」逐步轉向「改善多少」。
AI可能成為重要的生產力基礎,也可能伴隨過度投資、錯誤配置與利益集中。 台灣的選擇,是把製造實力連結到應用、教育、能源與可信賴治理,使資本投入累積為難以取代的能力。
潁川學所關切的文明尺度,是讓工具拓展人的能力,讓產業成果回到人的生活。當一座機房能連結更可靠的服務、更有尊嚴的工作,以及更多人的學習機會,建設才開始具有值得傳承的價值。
參考資料(查詢日期:2026年10月21日)
- [1] Brookings, Financing the AI buildout(2026;會議論文草稿與摘要)。https://www.brookings.edu/articles/financing-the-ai-buildout/
- [2] Brookings, The $10 trillion question: Financing the AI buildout(2026)。https://www.brookings.edu/articles/the-10-trillion-question-financing-the-ai-buildout/
- [3] Brynjolfsson, Li & Raymond, Generative AI at Work, QJE 140(2), 889–942(2025)。https://academic.oup.com/qje/article/140/2/889/7990658
- [4] IEA, Key Questions on Energy and AI(2026), Executive summary。https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
教育工作者 陳銀欉 整理
2026-10-21