大陸企業改寫人工智能遊戲規則，台積電發展蒙上陰影！ 文：陳國祥

大陸「月之暗面」旗下的Kimi K3近期宣布釋出完整模型權重，與此前推出的DeepSeek-V4形成呼應，中國人工智慧產業不再只是推出另一個性能與模式跟美國比高下的產品，而是挑戰人工智能必須依賴美國科技巨頭所建立的那套超大規模資本支出、頂級GPU（圖形處理器）、封閉模型、高價API(應用程式介面)的模式嗎？

Kimi K3與DeepSeek-V4挑戰美國模式

人工智能的演進日新月異，過去的AI主體聊天機器人，使用者提問，模型回答；未來的AI則將轉變為Agent，一個AI智能體自主規畫、執行與修正工作。聊天機器人只需要回答少少的問題；AI智能體卻可能需要閱讀數百份文件、呼叫數十次工具、執行多輪推理、撰寫程式、測試結果，再根據錯誤重新修改。AI產業的真正成本，將不再只是訓練模型的經費，而是每天、每小時甚至每秒鐘，全球企業要消耗多少Token。

大型語言模型是把文字切分成一個個可以處理的單位，這些單位就是Token。使用AI服務時，企業實際上不是單純「買一個答案」，而是按照輸入與輸出的Token數量付費。AI Agent普行後，會使Token使用量急劇增加。一個AI智能體可能必須閱讀整份報告；搜尋外部資料；建立資料表；分析數據；提出結論；檢查是否存在錯誤；重新修正答案。這一連串工作可能需要模型進行數十次甚至數百次推理與工具調用。核心問題變成誰能夠以最低成本提供足夠高的智能？這正是Kimi K3與DeepSeek-V4挑戰美國模式的關鍵所在。

Kimi K3是一個總參數規模達到2.8萬億級的開放權重模型，但透過稀疏化的混合專家模型架構，實際上每次運算只啟動其中一小部分專家。所謂「混合專家模型」可以比喻為一間公司有成千上萬名專家，但每一個問題只需要其中十來位專家處理。傳統模型可能讓所有人都同時工作，MoE模型則只挑選少數適合的必要專家，每一次回答問題所需要的實際計算量可大幅降低。這就是AI產業正在發生的根本變化：模型的「總規模」與每次使用的「實際成本」開始脫鈎。

DeepSeek-V4的價值在於試圖解決AI產業下一個最大的技術瓶頸：長上下文與智能體的運算效率。DeepSeek-V4目前公開的Pro版本總參數規模達到1.6萬億，但每次實際啟動的參數約49B；Flash版本則是284B總參數、13B活躍參數，兩者都支援100萬Token的上下文長度。簡單說，一個AI模型可以一次記住並處理極其龐大的資料量。

一個企業級AI Agent可能需要長時間處理，如果模型每次都必須重新閱讀這些資料，成本將非常高。因此，AI產業出現了一個重要的技術問題：如何讓模型「記住」大量資訊，而不必每一次都把所有資料重新送進GPU？這涉及所謂的KV Cache，也就是模型在處理長文本時保存的中間記憶。KV Cache越大，需要的GPU記憶體越多。對AI服務商而言，這可能比單純的模型參數更昂貴。

以最低成本完成最多工作

DeepSeek-V4的技術方向，包括稀疏注意力、Token壓縮以及針對長上下文的記憶體優化，實際上是在回答一個非常現實的問題：如何讓AI記住更多東西，但消耗更少的記憶體？這個問題將成為Agent時代的核心。因為當AI從「問答工具」變成「數位員工」，AI成本將越來越取決於模型每天實際運作的成本，也就是「誰能以最低成本完成最多工作」。

過去兩年，華爾街對人工智慧的投資邏輯是：AI需求增加，所以科技公司要購買更多GPU；GPU越多，就能訓練更大的模型；模型越大，AI服務越強；AI服務越強，企業就能收取更高價格。於是，Google、Meta、Microsoft、Amazon等巨頭競相提高資本支出。問題是，一座大型AI資料中心需要購買GPU、伺服器、網路設備、電力設備、冷卻系統和土地，往往需要數百億以上美元。投入如此巨大的資本，未來能產生多少現金流？這就是投資報酬率的問題。

如果AI模型的價格一直很高，巨額投資或許可以回收。但如果開源模型不斷把AI價格降下來，企業可以非常低的價格調用API，整個產業的經濟模型就會跟着發生變化。

這正是中國模型對矽谷形成的真正威脅：透過更低價格、更開放的權重、更低的推理成本，讓更多企業可以使用AI。這種模式可能形成一個完全不同的商業邏輯：美國巨頭希望控制最強模型，透過封閉API獲取高額收入；中國企業則可能透過開放模型，降低價格，擴大使用者規模，再從雲端服務、企業部署、硬體、應用與生態系統中獲取收益。

這兩種模式的競爭的根本差異，一種模式是少數公司控制昂貴的專有軟體，另一種模式則是開放系統快速普及，讓大量開發者共同建立生態。如果AI最終走向開放模型主導，那麼今天昂貴的模型壟斷可能會承受巨大的投資與運營壓力。

中國企業改變的不是單一產品，而是一整套複雜的科技生態。美國的科技封鎖提高了中國AI發展的阻力，中國力圖從「追求單一最強晶片」轉向「整體系統效率」。這包括更有效率的模型架構、更好的編譯器、更高效的推理、更強的國產晶片、更大規模的本地市場以及開源社群。

這是一種不同的技術路線，也就是用更多元的硬體、更有效率的軟體和更大規模的市場，建立另一套可以運轉的AI生態。

台灣是否擁有自己的AI模型？

對台灣而言，這場AI革命發出重大警訊。

台灣是全球AI硬體供應鏈的重要中心，台積電掌握先進製程；台灣企業在先進封裝、伺服器、散熱、電源管理、PCB與零組件方面具有重要地位。因此，過去兩年AI熱潮為台灣帶來巨大的出口與投資紅利。只要AI繼續發展，台灣就一定能夠持續獲利。問題是，AI產業正在發生變化。

目前的AI競爭主要是誰能夠取得最多GPU，未來可能是誰能夠用最少的GPU完成最多的工作。如果未來AI模型效率大幅提高，企業就不必像今天一樣無限制地購買昂貴硬體，那麼整個AI硬體供應鏈的超額利潤就可能受到壓力。華爾街最終仍然會回到最基本的問題：這些AI資料中心究竟能產生多少自由現金流？如果資本支出成長速度遠遠超過AI收入成長速度，投資者就會開始重新評估AI產業的估值。因此，台灣不能只關心台積電接到多少訂單，也不能只關心伺服器出口增加多少。

更重要的是：台灣是否擁有自己的AI模型？是否擁有自己的AI軟體平台？是否擁有自己的Agent生態？是否擁有能夠將AI導入製造業、金融業、醫療、教育與政府服務的應用能力？

如果答案是否定的，那麼台灣可能只是在全球AI產業中扮演「高級製造商」。而高級製造商雖然可以賺錢，卻未必擁有真正的定價權。

台灣應成為「AI技術與應用生態的參與者」

Kimi K3與DeepSeek-V4的真正意義，不在於中國AI是否已經全面超越美國。美國仍然擁有最強大的資本市場、頂尖晶片設計能力、先進製程、雲端平台以及全球最成熟的AI研究生態。但中國AI證明人工智能的發展，不一定只有「無限增加資本支出、購買更多GPU、訓練更大的封閉模型」。另一條道路可能就是AI從少數巨頭的昂貴技術，變成全球企業普遍使用的基礎設施。AI產業的價值鏈就會重新分配。

未來真正具有競爭力的企業，不一定是擁有最多GPU的企業，而是能夠用最少的算力完成最多工作的企業。

台灣擁有全球最重要的AI硬體優勢，但硬體優勢不是AI革命的終點。如果台灣只把自己定位為全球AI產業的製造基地，那麼當模型效率提高、硬體成本下降、AI服務價格崩跌時，台灣的超額利潤也可能隨之受到壓力。台灣真正的戰略目標，應該是從「AI硬體供應商」進一步成為「AI技術與應用生態的參與者」。

文：陳國祥

政治大學新聞系、新聞研究所碩士，台灣資深媒體人，曾任中央通訊社董事長、中央選舉委員會委員、《自立晚報》總編輯、《中國時報》總編輯、《中時晚報》社長、台北市政府客家事務委員會委員、《中國時報》特約主筆、時報育才董事長。現為傳媒顧問。

*作者文章觀點，不代表堅料網立場