「無限賽局」（Infinite Game）

 「無限賽局」（Infinite Game）概念最早由紐約大學宗教歷史系學者詹姆斯·卡斯（James P. Carse）於 1986 年在《有限與無限賽局》（Finite and Infinite Games）一書中提出；後來由管理思想家賽門·西奈克（Simon Sinek）延伸應用於商業與組織領導管理。

有限賽局 vs. 無限賽局的核心差異

維度	有限賽局（Finite Game）	無限賽局（Infinite Game）
目標	贏得比賽、擊敗對手	延續比賽、保持參與資格
參與者	已知、固定且明確	已知與未知皆有，隨時有人加入或退出
規則	固定、雙方同意且具強制性（有裁判）	靈活、可演變，沒有統一的外部裁判
時間與終點	有明確的起點、終點與勝負判定	沒有終點、沒有「贏」，只有「領先」與「落後」
資源心態	零和博弈（Zero-sum），非贏即輸	價值創造與永續運作，專注於長期韌性

在有限賽局中，焦點在於「終點線」；在無限賽局中，焦點在於「遊戲能否一直進行下去」。以有限思維面對無限賽局，往往會因為過度追求短期指標，而耗盡長期資源或喪失策略彈性。

現實中的三個經典舉例

1. 商業競爭：微軟 vs. 蘋果

• 有限思維的陷阱：2000 年代中後期，微軟推出 Zune 播放器試圖正面迎擊 iPod。當時微軟的焦點高度鎖定在「如何打敗蘋果的產品」，耗費大量資源在硬體規格與市佔率的正面爭奪（有限賽局）。

• 無限思維的佈局：蘋果並未將自己定義為「MP3 製造商」去防守 iPod，而是看重整體數位生態的延伸。隨後蘋果推出 iPhone，直接將整個音樂播放器賽道重新定義。微軟贏得或輸掉的是單一硬體戰場，而蘋果專注於企業願景的延續，跳脫了既有賽場。

2. 地緣政治與歷史：越戰

• 軍事戰術（有限賽局）：美軍在傳統軍事指標上具備壓倒性優勢，無論是裝備、擊殺比、贏得的戰役數量，在有限戰場上均佔上風。

• 戰略本質（無限賽局）：越盟與越共將這場戰爭視為生存與民族獨立之戰，目標不是在計分板上打贏美軍，而是「撐下去、耗盡對手的意願」。最終美軍因為國內政治與社會成本耗盡而撤軍。在無限賽局中，擊殺數再多也無法換來賽局的終結。

3. 企業經營與資本市場：短期財報 vs. 長期永續

• 季報導向（有限賽局）：許多企業為了達成當季 EPS 目標或股價承諾，採取裁撤核心研發人員、延後設備投資、壓榨供應鏈等手段。短期內帳面達成目標（贏得該季賽局），卻侵蝕了組織的創新能力與護城河。

• 長青經營（無限賽局）：重視組織文化、人才梯隊培育與長期研發的企業，將獲利視為「維持運作的氧氣」，而非「終極目的」。當面臨產業景氣循環或技術顛覆時，具備韌性的企業能承受波動並持續轉型，淘汰那些因現金流或文化斷裂而退場的短視對手。

西奈克提出的「無限思維」五大支柱

1. 崇高的信念（Just Cause）：一個具備號召力、超越個人利益且無法輕易「達標結案」的長期願景，讓團隊願意持續投入。

2. 信任的團隊（Trusting Teams）：建立具備心理安全感的環境，成員敢於坦承錯誤、指出盲點，而非為了短期考核粉飾太平。

3. 值得尊敬的對手（Worthy Rival）：不將同行視為「必須消滅的敵人」，而是鏡子與磨刀石，透過觀察其優勢來持續揭露自身短板並精進。

4. 攸關存亡的應變能力（Existential Flexibility）：當發現現有商業模式或策略背離崇高信念，或市場技術發生根本變革時，具備徹底自我顛覆的決斷力。

5. 領導的勇氣（Courage to Lead）：頂住外部要求短期績效的壓力，堅守長期原則與道德標準的意志。

別聽他說了什麼，看他做了什麼：安德魯·卡內基談「行動」的真實力量

美國鋼鐵大王安德魯·卡內基（Andrew Carnegie）在晚年回顧波瀾壯闊的實業生涯與閱人無數的經歷時，曾留下一句發人深省的傳世格言：

“As I grow older, I pay less attention to what men say. I just watch what they do.”

（隨著年齡增長，我愈來愈少關注人們說了什麼；我只看他們做了什麼。）

這不是書本上的社交客套，而是歷經殘酷商場與真實人生淬鍊出的處世洞察。無獨有偶，兩千多年前的孔子在《論語》中亦留下過相同的感嘆：「始吾於人也，聽其言而信其行；今吾於人也，聽其言而觀其行。」古今中外智慧不謀而合的背後，正點出了一個樸素的真理：言語的成本極低，唯有行動需要付出代價。

為什麼「行動」是檢驗真實的唯一度量衡？

語言具備高度的修飾性與社交偽裝功能。人在說話時，往往受到外在期望、當下情緒或形象包裝的驅動，容易說出動聽卻脆弱的承諾。然而，決定事物發展走向的從來不是願景有多動人，而是具體的執行路徑。

• 時間與資源的排他性： 每個人的一天都只有 24 小時。一個人嘴上宣稱何者重要並不具備說服力，看他把時間、精力和金錢花在何處，那才是他內心真正的優先級。

• 風險承受的真偽： 說漂亮話無須承擔成本，但實踐需要承擔責任與潛在的失敗風險。願意付諸行動的人，本質上就是在為自己的理念押上籌碼。

三種情境下的言行顯微鏡

1. 組織與團隊領導

• 言語的空轉： 會議上高喊「授權信任、同仁福祉第一、包容多元」，但在日常決策中卻事無大小皆微觀管理，或在出現危機時第一時間尋找代罪羔羊。

• 行動的說服力： 平時不多做煽情宣講，但在關鍵時刻為團隊排除外在阻力、落實體制保障，並在專案挫敗時勇於扛下責任。沉默的擔當，遠比千百句口號更能建立團隊凝聚力。

2. 人際交往與夥伴關係

• 言語的空轉： 習慣在對話裡堆砌熱情客套，「改天約吃飯」、「隨時有事找我」，卻總在需要具體協助時默不作聲或藉故推託。

• 行動的說服力： 沒有過多華麗的問候，但在對方遇到困難時，能準時現身、默默把需要解決的事情打理好。穩定的行為輸出，是人際信任最不可替代的資產。

3. 個人的自我修煉

• 言語的空轉： 沉浸在「宣告效應」帶來的即時滿足感中，頻繁在社群或對話中宣示宏大的閱讀、運動或轉型目標，卻從未有過連續七天的規律執行。

• 行動的說服力： 收起過度的宣告與議論，每天固定早起半小時專注閱讀，或固定時間換上運動鞋出門。當習慣成為生活基底，成果自然會成為最響亮的發言人。

從「聽其言」到「觀其行」的智慧

安德魯·卡內基的洞察，並非教我們走向冷漠懷疑，而是提供了一劑面對複雜世界的清醒劑。

面對外在世界，學會調低對漂亮言辭的依賴，把焦點拉回到客觀的長期行為模式上，能讓人少走許多被虛飾誤導的彎路；而面對自我內在，克制發布雄心壯志的衝動，將注意力收束到每一天的微小實踐中。畢竟，我們最終是誰、能走得多遠，從來不取決於我們說了什麼，而完全取決於我們做了什麼。

全要素生產力（Total Factor Productivity, TFP）

全要素生產力（Total Factor Productivity，簡稱 TFP），又稱索洛殘差，是經濟學中用來衡量生產效率與技術進步的核心指標。

它衡量的是在勞動力與資本等有形要素投入數量維持不變的情況下，產出依然能夠增加的能力。簡單來說，它反映的是把投入轉化為產出的整體綜合效率。

一、核心概念與經濟學模型

在總體經濟學的柯布道格拉斯生產函數中，關係式表述為：產出等於全要素生產力乘上資本項與勞動項的加權組合。

當資本與勞動的投入增長被扣除之後，產出增長中無法被這些有形投入解釋的剩餘部分，就是全要素生產力的增長，因此經濟學上稱之為索洛殘差。

二、驅動來源

全要素生產力的提升通常並非來自增購設備或僱用更多員工，而是源自無形資產與體制能力的進步：

1. 技術創新與研發：新製程、自動化演算法與新材料應用。

2. 組織與流程優化：精實生產、供應鏈數位化串接與跨部門協作。

3. 人力資本質的提升：員工技能培訓與專業知識積累，並非單純延長工時。

4. 資源配置效率：資本與勞動力從低回報產線自主流向高效益領域。

5. 制度與法規環境：智慧財產權保護、市場競爭機制與政策透明度。

三、實務應用舉例

1. 製造業產線案例（微觀層面）

情境一（粗放型擴張，無 TFP 成長）： 一家組裝廠有 100 名作業員與 20 台設備，每月產出 10000 台終端設備。隔年工廠租了新廠房，增購 20 台設備並再聘 100 人，產出提升至 20000 台。 結果：產出倍增完全來自資本與勞動的線性堆疊，全要素生產力並沒有提升。

情境二（集約型成長，TFP 顯著提升）： 該廠維持原本的 100 名作業員與 20 台設備。廠內導入精實生產流程、改善產線防呆治具，並運用邊緣運算進行視覺瑕疵即時檢測，大幅降低良率耗損與重工時間。每月產出從 10000 台提高至 14000 台。 結果：在有形投入不變下產出成長 40%，這多出來的 4000 台即完全來自全要素生產力的增長。

2. 國家經濟轉型案例（宏觀層面）

資本積累驅動階段（早期）： 開發中國家初期依賴大量農村剩餘勞動力進入工廠，加上政府大規模舉債建設基礎建設與廠房。經濟高速成長主要依賴資本與勞動的大量注入。 瓶頸：根據邊際報酬遞減法則，持續追加資本投資所帶來的邊際產出會逐步下滑，最終面臨成長停滯。

全要素生產力驅動階段（成熟期）： 當人口面臨高齡化與少子化，且基礎建設趨於飽和時，經濟要維持成長就必須依賴效率提升。例如推動產業智慧化、普及數位基礎設施、提升研發比重、促進高附加價值的軟硬體整合服務，使經濟成長擺脫單純的資源消耗，轉為知識與技術驅動。

四、與單一要素生產力的差異

勞動生產力： 定義為總產出除以勞動投入。盲點在於若給員工配置更昂貴的自動化設備，人均產出雖然增加，但本質上只是資本替代勞動，不一定代表整體綜合效率提升。

資本生產力： 定義為總產出除以資本存量。盲點在於若大幅減少設備投資而單純依賴勞工加班，資本報酬率看似拉高，但整體的總和效益可能下降。

全要素生產力： 能夠扣除所有要素綜合投入後的實質生產效率，有效剔除以資本換勞動或以勞動換資本的替代效應，真實反映整體資源轉換的淨效率。

生產力 J 曲線（Productivity J-Curve）理論

 

生產力 J 曲線（Productivity J-Curve）理論由 MIT 與史丹佛大學經濟學家埃里克·布林優夫森（Erik Brynjolfsson）等人提出，用以解釋重大通用技術（General Purpose Technologies, GPTs）導入後，官方生產力統計指標往往在初期出現停滯甚至下滑，隨後才大幅飆升的現象。

理論核心機制

該理論指出，生產力曲線呈現如同英文字母「J」的走勢，關鍵在於無形資產投資（Intangible Capital Investment）的會計與統計滯後效應：

生產力 (Output / Input)
  ^
  |                  / (效益爆發期)
  |                 /
  |---            /
  |   \          /
  |    \________/ (摸索與重組期)
  +------------------------> 時間

1. 下行階段（投入期與無形資產累積）

   • 大量沉沒成本：引進新技術時，企業不僅採購硬體或軟體，更需投入大量時間與資源進行組織架構調整、業務流程再造、員工重新培訓及文化適應。

   • 產出未被傳統指標衡量：新開發的專屬工作流程、組織敏捷度、員工數位技能等皆屬「無形資本」。在傳統 GDP 或企業損益表上，這些投入通常被認列為當期費用（如研發、諮詢、培訓費用），而非資本化資產；與此同時，摸索期的新產出難以立即量化，導致帳面上「投入增加、有效產出未增」，甚至因舊流程被打破而造成生產力不升反降。

2. 轉折階段（協同效應成形）

   • 制度、管理模式與通用技術深度整合，試錯成本逐步降低，互補性資本（Complementary Capital）累積至臨界點。

3. 上行階段（效益收割與爆發）

   • 當先期建立的無形資產與流程開始發揮綜效，新技術以極低的邊際成本快速擴散，帶來指數型產出增長，生產力指標迎來陡峭上升。

經典與當代案例

1. 第二次工業革命的「電力導入」

• 下行與停滯期（1880s – 1910s）：電力與電動馬達在 1880 年代即已發明，但在隨後的 30 至 40 年間，美國工廠的整體生產力並未顯著提升。原因在於早期工廠僅將蒸氣引擎直接替換為大型電動馬達，沿用原本需要高聳廠房以容納垂直齒輪與傳動軸的空間設計。

• 上行與爆發期（1920s 起）：直到具備分散式動力概念的新世代工程師接掌管理，工廠建築徹底改為單層扁平結構，機具可依工序彈性排列，催生出福特流水線式的現代裝配作業。組織重構與流程再造完成後，製造業生產力迎來數十年的爆發式增長。

2. 資訊科技與個人電腦革命（Solow Paradox）

• 下行與停滯期（1970s – 1980s）：諾貝爾獎得主羅伯特·索洛（Robert Solow）曾於 1987 年提出著名悖論：「電腦時代無處不在，唯獨在生產力統計數據中缺席。」當時企業大量採購 PC 與打字軟體，但僅將紙本打字機的工作直接數位化，工作流程未改，員工還需花費大量工時排除當機與軟體相容性問題。

• 上行與爆發期（1990s 中後期）：隨著企業資源規劃（ERP）、電子數據交換（EDI）普及，以及供應鏈與跨部門協同作業模式成熟，資訊科技與管理制度完成對齊，促成美國在 1995 至 2004 年間顯著的生產力躍升。

3. 當前生成式 AI（Generative AI）的導入現況

• 所處階段（當前 J 曲線底部）：許多企業斥資訂閱各類 AI 工具或部署大型語言模型，但在缺乏與內部數據庫（RAG 架構）、專屬業務流及權限治理機制深度整合前，多數應用僅限於個別員工撰寫草稿、整理郵件或零散問答。

• 未來拐點關鍵：依據 J 曲線模型，AI 的實質生產力爆發不會僅來自「聊天機器人」的普及，而取決於企業何時完成架構重組——例如重構研發流程、打造自動化決策 Agent 體系，以及重新定義各崗位職能。當這些制度與工作模式成熟後，效益才會在財務與產出指標上全面顯現。

AI 生產力革命究竟是真是假

 

本期影片聚焦於 「AI 生產力革命究竟是真是假」，從總體經濟學、企業財務數據與科技演進規律切入，探討市場為何一邊看到科技巨頭獲利飆升，另一邊卻擔憂 AI 投資過熱與估值回調。

以下為影片中針對「生產力」議題的核心論點與架構整理：

一、 核心爭議：勞動生產力 vs. 全要素生產力 (TFP)

市場對 AI 究竟是泡沫還是實質革命的分歧，關鍵在於評估生產力的尺度不同 [15:02]：

• 勞動生產力（Labor Productivity）大幅提升 [15:05]：

  • 定義：平均每位員工所創造的實質產出。

  • 現況：科技巨頭導入 AI 後，產出顯著成長，但員工人數持平甚至因裁員而下降 [16:34]。例如美股科技業在近幾年實質附加價值大幅增長，但科技業就業人數反向縮減，證明 AI 對單一勞動者的產出輔助是真實且巨大的 [16:38]。

• 全要素生產力（Total Factor Productivity, TFP）近乎停滯 [15:31]：

  • 定義：衡量扣除「資本投入（Capital）」與「勞動投入（Labor）」之後，純粹來自技術創新與資源配置效率的改善。

  • 現況：目前企業為了換取產出提升，背後採購了數十億美元的高價 GPU、興建資料中心並支付龐大電費 [15:22]。當龐大的資本支出折舊與營運成本扣除後，美股總體的 TFP 年增率接近於零 [18:42]。

• 市場疑慮：市場並非懷疑技術能力，而是懷疑「划不划算」——資本回收的速度能不能跟上瘋狂膨脹的算力與基建支出 [19:51]。

二、 科技巨頭的實證：產出飆升與就業凍結

影片引述金融時報與主要科技巨頭數據，佐證 AI 在科技業內部的生產力替代效應 [15:56]：

• 產出與就業脫鉤：2022 年底 ChatGPT 問世後，美國高科技產業實質產出成長約 25%，但同期就業指數下滑約 10% [16:26]。

• 巨頭財務指標：

  • Alphabet (Google)：營收增長超過四成，但整體員工總數幾乎凍結在 2022 年水平 [16:59]。

  • Meta & 微軟：營收與獲利大幅增長，但人力規模縮減或持平 [17:14]。

  • 這說明科技巨頭透過 AI 代理人與自動化工具，成功在不增加（甚至減少）人力成本的前提下維持業務擴張 [17:21]。

三、 算力消耗演進：AI Agent 帶來倍數級成本壓力

算力消耗正經歷質變，進一步放大生產力回報的檢驗壓力 [13:30]：

• 從「人機互動」轉為「AI Agent 自主互動」：過去人類提問、模型回答（Prompt-Response），算力消耗相對可預測；如今轉向 Agent 架構，由 AI 代為執行多步驟任務，系統內部交互消耗的 Token 量約為人類直接使用的 5 倍以上 [14:04]。

• 推論 Token 暴增：全球每月處理的推論 Token 數從 2025 年約 3,000 兆快速躍升至十倍以上 [13:22]。當算力消耗指數級上升，企業若無法將這些算力轉化為實質營收回饋，全要素生產力便會被高昂的運算成本持續拖累 [14:36]。

四、 生產力 J 曲線（Productivity J-Curve）與早期「浪費」

針對市場批評大量算力被用於「無生產力價值」的娛樂領域（如短劇生成、搞笑迷因、動漫圖生成）[20:40]，影片從技術史角度提出反駁：

• J 曲線理論 [20:52]：經濟學家埃里克·布林優夫森（Erik Brynjolfsson）提出，重大通用技術（如電力、個人電腦、網路）導入初期，往往伴隨組織流程重組、員工摸索與看似無效的嘗試，導致前期帳面生產力停滯甚至下滑，效益需在制度與工作模式成熟後才會迎來爆發。

• 新技術的普及路徑：

  • 1990 年代網際網路：早期大量流量集中於色情、聊天室與娛樂下載，看似資源浪費，但正是這些底層探索催生了後來的電商平台與雲端經濟 [24:19]。

  • 廣播、錄影機與個人電腦：最初皆由娛樂與個人興趣推動，成熟後才轉化為大眾傳播、影視發行與專業辦公系統 [24:36]。

  • AI 短劇與娛樂應用：如字節跳動等平台透過低成本 AI 短劇快速吸引流量並以廣告變現，即便看似低俗或無效，本質上仍是技術在商業化探索初期降低成本、驗證市場的重要過渡階段 [21:54]。

五、 實體基建瓶頸：限制未來生產力爆發的主因

影片總結指出，中短期內 AI 生產力面臨的最大挑戰並非「算力過剩」，而是「實體基礎設施嚴重落後」[27:28]：

• 電力缺口急遽擴大：過去美國電力需求年均成長僅約 0.3%，但因 AI 資料中心擴建，機構預估年增率需提升至 3.5%～4% [27:44]。

• 電網與供電瓶頸：全美目前已有數十個大型資料中心專案因缺乏電網接網許可、水資源審查及地方環評阻力而面臨延宕 [28:45]。若發電與電網等實體基建無法跟上，算力擴展將面臨天花板，進而推遲 AI 生產力全面爆發的時間點 [29:11]。

年化報酬率 18% 的龐氏騙局，到底何時會崩潰？

市場上許多非法吸金或資金盤，常打著「保證年息 18%」的旗號吸引投資人。這個數字看似誘人且剛好踩在某些投資人覺得「雖高但好像有可能」的心理防線，但從現金流機制來看，這類沒有實質生產力的架構，其壽命完全取決於數學規律。

那麼，每期新湧入的資金到底要低於多少，整個盤子就會瞬間瓦解？以下從現金流平衡與實際運作情境為大家做拆解。

一、決定崩潰的核心方程式

龐氏騙局本質上是一個單向消耗的蓄水池。池子裡沒有自來水龍頭（沒有真實利潤），唯一的入水孔是「新加入者的本金」，出水孔則是「舊投資人的利息、本金贖回以及操盤手的營運與抽成成本」。

要維持盤子不倒，系統必須滿足一個基本條件： 新進現金總額 必須大於等於 當期總現金流出。

影響流出的關鍵變數有三個：

1. 投資人領取現金利息的比例（是按期領出，還是被話術誘惑利滾利？）

2. 投資人申請贖回本金的比例（也就是退場率）

3. 運作與推廣成本（包含拉下線的佣金分紅、宣傳開銷及操盤手抽頭）

一旦新進資金少於總流出金額，蓄水池的水位便會不可逆地下降，直到池水乾涸、無法出金，宣告崩潰。

二、三種典型情境的現金流門檻

如果以一個規模 1 億元的資金池為例，來看看在不同階段需要多少新資金支撐：

情境一：穩定期（大家都只領利息，沒人提領本金） 如果所有投資人都把 18% 的利息按期領走，且暫時沒有人要求拿回本金，加上約 2% 的平台運作或佣金成本：

• 每年流出的現金為本金池的 20%。

• 如果盤子是 1 億元，每年至少要有 2,000 萬元的新現金進來，平均每個月要進帳約 167 萬元。 低於這個金額，資金池就會開始縮水。

情境二：催眠期（官方主打複利，利息再投入） 多數項目方會設計優惠機制，鼓勵大家把利息留在帳戶內複利滾存。如果只有 30% 的人按期提領利息，其餘 70% 選擇滾入：

• 當期實際支出的利息降為 5.4%，加上約 3% 的佣金成本，每年約需現有資金池 8.4% 的新現金。

• 1 億元的盤子，每年只需新進 840 萬元就能勉強維持。 但請注意，這只是把炸彈延後引爆。因為沒領的利息會讓帳面負債以每年 12.6% 的速度膨脹，隔年需要的新資金門檻會成倍拉高。

情境三：恐慌期（外界傳出雜音，引發贖回潮） 只要市場流動性轉差或出現延遲出金傳聞，投資人便會開始嘗試拿回本金。假設除了 18% 利息全領之外，有 15% 的人要求退回本金，再加上 2% 營運成本：

• 每年所需的新進現金直接跳升到資金池的 35% 以上。

• 1 億元的盤子，每年需要超過 3,500 萬元的新水挹注。 在發生信任危機時，新投資人通常不敢進場，舊資金卻瘋狂撤出，這種缺口往往在幾天到幾週內就會徹底抽乾流動性。

三、加速崩潰的三個現實盲點

在真實世界的案例中，18% 年息的崩潰速度往往比純數學推估還要快得多，原因在於：

第一，指數增長的極限 要支撐每年 18% 的支出，整個下線規模必須呈指數級擴張。但在有限的市場與人際圈內，潛在客群很快就會見頂，新資金的成長率勢必會斷崖式下跌。

第二，高額佣金的抽成損耗 為了吸引下線，這類吸金案常設有多層佣金制度（通常為 5% 到 10% 甚至更高）。這代表新進來的每 100 元，實際進入總資金池的往往只有 85 到 90 元，系統失血速度比帳面計算更快。

第三，極端脆弱的心理防線 合法金融機構在面臨提領需求時，有實質資產、放款合約或央行流動性支持；但資金盤什麼都沒有。只要出現一筆大額贖回延誤，投資人社群就會迅速蔓延恐慌，瞬間從「穩定期」切換成「踩踏擠兌」，直接走向終局。

四、結語

任何標榜無風險、高流動性且承諾年息 18% 的項目，在底層邏輯上都必須面對每年至少 20% 到 35% 的新現金注水要求。認清背後的現金流缺口與膨脹極限，就能明白這類遊戲不是「能不能撐下去」的問題，而是「何時迎來數學必然」的倒數計時。

人工智能泡沫将爆破？

https://www.bbc.com/zhongwen/articles/c5djvk2dm33xo/simp

本文摘要：

• 核心議題：以 CoreWeave、Nebius、Applied Digital 及 IREN 為代表的「新雲端」（Neocloud）算力租賃業者，因高負債與市場對 AI 支出放緩的疑慮，引發投資人對 AI 泡沫破裂的擔憂。

• 背景與業務模式：多數新雲端公司前身為加密貨幣挖礦商，轉型後採購昂貴 GPU 建置資料中心，並將算力轉租給 OpenAI、Meta、Anthropic 及微軟等巨頭。業者多以大型客戶的長期合約及晶片作為抵押，透過高度槓桿舉債融資（如 CoreWeave 債務達 351 億美元）。

• 市場警訊與財務隱憂：

  • 股價與債市承壓：受科技巨頭（如微軟、Google）資本支出預期保守影響，CoreWeave 等業者近月股價重挫約四分之一，債券投資人亦要求更高殖利率。

  • 機構悲觀預測：Gartner 預測到 2030 年將有 80% 的新雲端企業停止獨立營運；Forrester 指出近期至少有 3 家面臨收購；馬斯克亦警告超過 200 家小型業者恐面臨淘汰與整併。

  • 營運風險浮現：除融資成本上升外，電網電力限制（如微軟因供電問題取消與 Nscale 合作）及市場對 AI 實質回報率（ROI）的質疑，已導致部分企業（如 Firmus）暫緩 IPO。

• 分歧觀點：業者高層（如 CoreWeave CEO）與美財長貝森特則相對樂觀，認為市場反應過度，算力目前仍供不應求，且新雲端業者在整體生態系中佔比有限，仍扮演補足巨頭基建缺口的重要角色。