AI終極投資指南：掌握下一代科技市場的機會、風險和策略

作者：Viga Petar Mario

1. 引言

TradingKey - OpenAI 最近與英偉達、AMD 和博通的數十億美元合作席捲了各大頭條並推高了市場，但也引發了新一輪的討論：Sam Altman 正在引領我們邁向一個失控的科技泡沫，還是我們正在見證新經濟時代的奠基？每一次科技的重大轉折點——無論是網路、行動通訊還是加密貨幣——都會帶來一波炒作，緊隨其後的是突破性贏家和令人警醒的失敗者。

如今，隨著 AI 推動著從程式碼和內容到晶片和雲端的方方面面，產業的格局和規模前所未有的巨大。掌控先進晶片和基礎AI 模型的生產正在重塑行業的利潤格局，但靈活的應用開發者和專業的整合服務商也在不斷擴大的生態系統中確立了強勢地位。對投資者來說，真正的挑戰是穿透炒作和市場情緒，找到那些能夠塑造AI 領導地位的持久策略和風險。當消費者熱情與企業試點讓新商業模式接受考驗時，只有那些能夠洞察盲點並突破性趨勢的企業才能抓住持久的機會。在這個快速變化的市場中，分辨訊號與噪音不僅有用，更是必要。 AI 的下一章將由那些既洞悉改變力量、又能掌握潛在風險的人所書寫。

2. 行業概覽

全球AI產業不僅在重塑科技格局，還在重新定義整個經濟體系的架構，將社會推動到以指數級算力、能源和資本需求為標誌的新基礎設施時代。與以往由軟體或網路平台驅動的數位革命不同，如今的AI擴張既依賴演算法的持續迭代，也依賴水泥、鋼鐵和矽片的實體基礎建設。資料中心從曾經支撐雲端運算的細分基礎設施，變成了戰略性資產，預計未來幾年其總用電量將翻倍以上，引發數萬億美元的企業資本開支浪潮，並催生新的融資方案、公私合營模式和創新能源戰略。

來源：高盛

AI正迅速滲透到消費端、企業端以及工業領域。 AI的普及速度遠超過商業化變現速度：ChatGPT每週活躍用戶成長遠快於營收。雖然用戶參與度極高，但將流量轉化為商業回報仍待挖掘。在企業內部，大家普遍希望透過AI提升營運效率、降低摩擦、釋放生產力，但真正獲得實際利潤提升的企業還很少。整體來看，產業還在發展初期，無論是顛覆型新創公司、政府支持的項目，或是大型的垂直整合科技集團，都有很大的空間獲得成功。

投資敘事獨具特色：過去鐵路、電氣化、電信、互聯網等歷史大周期正在重現，但如今的戰略資產已從傳統資源轉向數位基礎設施與AI算力工廠。電力供應及電網現代化成為決定產業節奏的關鍵，能源可近性正影響選址和資本流向。資本市場也不斷擴容以滿足這些需求：私人信貸、合資企業、資產證券化和新型開發模式等，為AI的實體基礎設施引入了空前規模的資金。

從全球視角來看，AI基礎設施投資也是地緣戰略的重要工具，各國正利用資料中心和技術聯盟來增強影響力及國家安全。雖然產業集中度和資本開支激增會讓人聯想到過去泡沫，但當前紮實的資產負債表、多元化的金融結構以及理性的估值水平，都不支持短期崩盤的判斷。整體來看，AI產業的超級週期還處於早期階段，在提升領導力、提升產業回報以及催生下一代技術領導企業方面擁有巨大的機會。

來源：高盛

3. AI 生態系細分

AI生態系統由三大關鍵層級組成：基礎設施、核心技術和應用層，這三層共同推動創新並創造實際商業價值。基礎設施負責算力運作的實體與能源需求，核心技術聚焦於硬體能力與資料模型，而應用層則將AI落地到各產業，形成高效率的互聯科技體系。

3.1 基礎設施層

基礎設施層是AI世界的根基，為AI系統持續運作提供實體和能源基礎，包括電網、能源來源、資料中心建設以及冷卻設備。這些環節保障了AI運作所需的電力、空間和環境，是整個AI供應鏈背後的無形支柱。

3.1.1 能源供應：透過核能、燃氣電站，或風能、太陽能等再生能源，為龐大的AI資料中心提供電力。

重要性：單一AI資料中心的用電量可接近一座核電廠。將小型模組化反應器（SMR）與綠色能源結合，被視為AI能耗問題的長期解決方案，正吸引大量資本投入。

主要玩家：

· Constellation Energy（CEG）：美國核能龍頭企業，經營多家核電廠，計畫用SMR為AI資料中心供電。

· 維斯特拉公司 (VST)：融合燃氣與核能的綜合能源公司，能為AI基礎設施提供大規模電力。

· 奧克洛公司（OKLO）：SMR技術先鋒，在Sam Altman支援下開發小型核反應堆，資料中心12GW專案儲備，可望快速成長。

3.1.2 電網：負責將電廠發出的電力輸送至AI資料中心，包括高壓線路、變電站和智慧電網技術，確保供電平穩可靠。

重要性：隨著AI中心激增，預計2030年全球用電需求將因AI成長15-20%。投資升級智慧電網並整合再生能源，成為關鍵方向。

主要玩家：

· NextEra Energy（NEE）：美國最大的再生能源企業，專注風電、太陽能以及智慧電網，為AI產業提供清潔電力。

· 杜克能源（全部）：傳統電力巨頭，保障基礎供電同時增加對電網現代化的投入，以因應AI日益增長的需求。

3.1.3 資料中心：涵蓋AI運算的伺服器、儲存單元、網路硬體和整體建築，是高算力與資料處理的核心設施。

重要性：受AI推動，全球資料中心市場可望在2030年維持10%以上年增長。預製化資料中心和邊緣運算等新模式，帶來全新投資機會。

主要玩家：

· Equinix（EQIX）：全球領先資料中心REIT，提供高度互聯空間，支援AI雲端服務。

· 數位房地產信託（DLR）：為AI客戶打造客製化、大規模資料中心。

· 核心編織（CRWV）：專注AI雲端運算，優化GPU網路以加快訓練和推理。

· Nebius集團（NBIS）：全球化佈局高效GPU集群，重視綠色能源。

· 密碼探勘（CIFR）：工業級運營商，面向AI高性能和密集計算。

· 艾瑞斯能源（IREN）：佈局高密度、再生能源資料中心，適合AI雲與HPC。

3.1.4 冷卻系統：透過液體、空氣或浸沒式冷卻等技術解決AI晶片發熱問題，確保設備穩定且壽命更長。

重要性：AI晶片的熱量遠超傳統伺服器，冷卻效率直接影響能耗和營運成本。像液冷這類前沿技術，可節能30%，對資料中心特別重要。

主要玩家：

· 維諦技術控股（VRT）：專注冷凍和電力解決方案，是AI資料中心冷卻需求快速成長的受益方。

· 施耐德電機（SBGSY）：液冷領域領軍，與NVIDIA合作推出AI系統，2025年收購Motivair後成為業界標竿。

3.2 核心技術層

3.2.1 硬體與計算層

硬體與計算層是AI生態系的驅動力，為資料處理、模型訓練和推理提供算力支撐。此層涵蓋儲存與記憶體、網路、邏輯與晶片以及系統集成，依託基礎設施層，為資料、模型與應用層提供能力延展。

3.2.1.1 儲存與記憶體：就像AI的大型記憶庫，負責儲存和調用海量資料。高頻寬記憶體（HBM）提升速度，固態硬碟（SSD）用於存放訓練集和模型。

重要性：大型AI模型需要數TB記憶體和PB級儲存。 HBM3/3e及HBM4的需求從2025至2030年可望達到每年30%以上成長速度，直接影響效率與成本。

主要玩家：

· 美光科技（MU）：HBM與DRAM核心廠商，2025年HBM3e因AI伺服器需求激增。

· 西部數據（WDC）：聚焦大容量企業級SSD和HDD，為AI中心提供儲存。

3.2.1.2 網路：資料中心的高速通道，高速交換器和網路卡確保伺服器間資料流暢，支援AI分散式任務。

重要性：模型訓練對節點間頻寬要求極高，400G/800G乙太網路和InfiniBand市場火熱，2025年市場規模超200億美元，擴展性和速度成為核心。

主要玩家：

· 英偉達（NVDA）：收購Mellanox後統治AI網路市場，主打法InfiniBand和乙太網路。

· Arista Networks（ANET）：雲端與AI交換器專家，2025年份額持續提升。

思科（CSCO）：推出Silicon One P200及OCS-2023路由器，因應AI資料中心資料激增。

3.2.1.3 邏輯與晶片：AI大腦，包括GPU、TPU、ASIC和量子晶片，處理數學運算、神經網路與新型演算法。量子運算採用量子比特，能解決高度複雜任務，未來可望變革AI細分領域。

重要性：晶片是算力核心，2025年AI晶片市場規模將達1,500億美元，佔硬體市場一半以上，效能決定模型速度與智慧。

主要玩家：

· 英偉達（NVDA）：憑藉Blackwell B200 GPU在訓練/推理領域絕對領先。

· AMD（高級微設備公司）：MI300加速卡挑戰者，2025年營收大增。

· 離子Q（IONQ）：量子領域領袖，低誤差演算法推動AI和新材料應用。

· D-Wave Quantum（QBTS）：退火型量子計算專家，主攻物流、金融與緊急最佳化，不需極低溫。

3.2.1.4 主機板與系統整合：相當於硬體組裝平台，將晶片、儲存、網路等整合成高效能AI伺服器，實現交鑰匙解決方案。

重要性：2025年AI伺服器需求激增40%，系統整合提升效能、降低成本，是硬體黏合劑。

主要玩家：

· 超微電腦（SMCI）：AI伺服器整合專家，深度合作NVIDIA/AMD。

· 戴爾科技（DELL）：企業AI伺服器，2025年新品加強液冷與GPU叢集。

3.2.2 資料與模型層

這是AI的智慧核心，將原始資料轉化為成熟模型，依託基礎設施和硬件，包括資料擷取/處理、整合/分析、模型開發/最佳化和部署/分發，驅動應用層創新。 2025年市場規模達450億美元，2030年超1,200億美元，年複合成長率22.5%-25%。

3.2.2.1 資料採集與處理：AI數據原料車間，採集感測器/互聯網等來源的數據，安全儲存並清洗、標準化，為後續分析做好準備。

重要性：資料品質決定模型效果，不良資料會導致偏差和失準。規範處理流程可提升產品開發效率、降低成本。

主要玩家：

· 計算機科學（INFA）資料清洗、整合專家，2025年AI治理收入成長25%，協助企業資料準備。

· IBM（IBM）：Watson平台主攻資料擷取/雲端存儲，優化大型模型資料流。

· 亞馬遜（AMZN）：AWS S3/Glue負責儲存/清洗，為生成式AI建置資料管道。

3.2.2.2 資料整合與分析：資料管控中心，將不同來源資料整合、管理與加密，以AI挖掘商業洞察。

重要性：整合打破資料孤島，管理保障合規（如GDPR），資料分析提升決策精度，2025年可提升準確率50%。對零售/金融業變革意義重大。

主要玩家：

· 計算機科學（INFA）強大的平台支援數據融合、加速AI驅動決策。

· Teradata（TDC）：Vantage產品精於管理與分析，協助金融AI應用。

· 甲骨文（ORCL）：雲端工具強化整合/分析，2025年AI收入漲20%，管理能力突出。

3.2.2.3 模型開發與最佳化：AI實驗室，將處理後的資料轉為神經網路模型，反覆訓練調優以追求最佳效果與公平性。

重要性：開發階段培育預測/決策能力，優化環節透過回饋提升精準度、縮短週期。 2025年市場規模預計達2,000億美元。生成式AI尤其註重資料與模型協同提升品質。

主要玩家：

· 谷歌（GOOGL）：TensorFlow為開發主力，Gemini工具優化大模型訓練。

· IBM（IBM）：Watson Studio以數據洞察提升企業AI模型品質。

· 亞馬遜（AMZN）：AWS SageMaker加速生成式AI迭代開發。

· 微軟（MSFT）：Azure AutoML優化模型，協助生成式AI應用。

3.2.2.4 模型部署與分發：AI的交付環節，將已訓練/預訓練模型下發到雲端或邊緣，開源模型也便於廣泛應用。

重要性：模型部署支援低延遲、即時回應，分發加速落地並降低重複開發成本。 2025年市場成長40%，雲端服務為智慧汽車/醫療AI提供核心競爭力。

主要玩家：

· IBM（IBM）：Watsonx提升部署效率，2025年拓展企業AI服務。

· 亞馬遜（AMZN）：AWS Bedrock提供海量預訓練模型，節省開發費用。

· 微軟（MSFT）：Azure AI部署超7萬家企業，優化AI能力輸出。

· 谷歌（GOOGL）：Vertex AI實現快速模型下發，支援邊緣化部署。

3.3 應用層

應用層是AI價值鏈的頂峰，依托底層支撐，打造具體產品與服務。透過企業級、消費級及產業專用場景，將AI深度嵌入商業與生活，實現經濟與社會效益。市場規模：2025年達800億美元，2030年2,500億美元，年複合成長率25%-30%。

3.3.1 企業應用：在CRM、ERP、人力資源、行銷自動化和分析領域成為企業營運核心，自動化、輔助決策與提升效率，協助降本增效、增強競爭力。

重要性：能夠自動處理日常事務、完成預測（如銷售預測）並最佳化（如供應鏈管理），大幅提升運作水準。企業市場需求持續成長，Gartner預測2030年產業規模超千億美元，是AI商業變現和營收成長的關鍵。

主要玩家：

· Salesforce（客戶關係管理）：Einstein平台，把分析和客戶管理整合，產業領導者。

· ServiceNow（現在）：專注AI驅動IT管理，數位化浪潮下成長迅速。

· UiPath（路徑）：自動化流程核心廠商，滿足大規模企業效率提升需求。

3.3.2 消費性應用：AI融入日常體驗，包括智慧助理、推薦系統、社交分析、虛擬助理和個人化內容，基於使用者行為動態調整。

重要性：隨著行動和智慧終端普及，用戶規模激增——Statista預計2025年市場規模達500億美元。提升使用者體驗與廣告效率，推動消費支出，加速AI普及與效應釋放。

主要玩家：

· 亞馬遜（AMZN）：Alexa實現語音智慧、個人化推薦，依託海量數據大幅提升購物體驗。

· Alphabet（Google）：Google Assistant與YouTube演算法提升用戶黏性，穩固搜尋與廣告地位。

· 元資料（META）：社群資訊流與廣告演算法精細化運營，提高留存與ARPU。

3.3.3 產業專用應用：針對醫療、金融、製造、零售和物流等行業量身定制，深入解決垂直場景難題。

重要性：產業壁壘高，獲利空間大，協助產業痛點突破及數位轉型。 IDC預計2027年市場規模將超800億美元，是AI差異化創新的主力陣地。

主要玩家：

· Palantir（PLTR）：平檯面向零售、金融和政府客戶，個人化數據分析；在國防等領域也強化安全與信賴。

· CrowdStrike（CRWD）：AI技術辨識網路安全威脅，實現即時防護，成長強勁。

· 直覺外科（ISRG）：達文西手術機器人將AI與精準醫療結合，引領醫療科技創新。

透過能源/電網/資料中心/冷卻等基礎設施、硬體算力與數模技術，以及企業、消費、產業專用場景的協同整合，AI生態系統打造出完整價值鏈。從電力到晶片、從資料處理到模型部署，推動AI從基礎到落地不斷進化。市場預計2025年將突破千億美元，並以20%-30%的年增速持續擴大，持續重塑全球技術與經濟格局。

4. 建構AI應用的公司

AI應用浪潮推動了一個多層次的生態體系，價值創造不僅依賴基礎設施和軟體的進步，還離不開背後巨額的技術基礎設施投資，這是實現規模化的關鍵。 Nvidia、英特爾、AMD和台積電等主流半導體公司負責生產為模型訓練和推理定制的晶片，而微軟Azure、AWS、Google Cloud、Oracle等超級雲端廠商及專業資料中心營運商，則為全球AI工作量提供高效能運算資源和網路。這些合作夥伴正不斷擴展算力和儲存規模，創新能源管理方式，建造高可靠、面向未來的資料中心，以適應AI高速發展的需求。

有了這些基礎，整個生態系統在軟體驅動下縱深發展，分為三大互為交錯的層級：基礎模型供應商、應用領導者、服務整合商。三者共同決定生成式AI的技術進展速度、市場覆蓋範圍、商業變現路徑。

來源：Spear Invest

4.1 基礎模型提供者：底層核心

基礎模型是大型通用AI系統，為當今最先進的生成式AI應用提供支援。這些模型是新AI時代的平台，支援從聊天機器人、虛擬助理到程式設計助理和創意設計工具等各種應用。

在全球範圍內，最具影響力的供應商包括 OpenAI（ChatGPT）、Google（Gemini）、Anthropic（Claude）、xAI（Grok）以及包括 DeepSeek 和阿里巴巴（Qwen）在內的中國主要公司。隨著使用者偏好和用例的差異化，組織和個人越來越多地將每個平台的獨特優勢與自身在編碼、生產力、創意工作或行業應用方面的特定需求相匹配——詳情請參閱下表中的比較。

每家供應商透過不同組合的訂閱、企業API授權和策略合作夥伴關係實現營收，具體佔總數所示：

4.2 應用層領導者：AI直達終端用戶

應用層是AI價值與生產力直接落地的場景，無論是企業用戶或個人消費者，都能感受到技術變革。龍頭玩家包括企業軟體巨頭微軟（Copilot）、Google（Gemini Workspace）、Salesforce（Einstein）、Workday（AI）、ServiceNow（Now Assist），以及Duolingo（Max）、Intuit、Spotify、Adobe（Firefly）、Canva和Tempus AI等消費和垂直領域平台。這些公司利用生成式AI和推薦引擎，大量實現智慧自動化、個人化和高效率內容生產。

AI原生新創公司則持續以AI賦能各類創新，包括智慧助理、自動化工作流程、以產業為導向的客製化工具，服務於知識工作、教育、設計等豐富應用領域。在這樣的環境下，深度AI賦能已成為產品差異化與增強使用者黏性的關鍵。

來源：Spear Invest

不過，產業門檻並非一成不變。下一代挑戰者（通常是新創或基礎研究團隊孵化公司）可透過OpenAI、Anthropic或開源模型的公共API，迅速建立新產品並快速迭代。

應用層的AI商業化仍離不開捆綁和高級訂閱、按使用計費（如API/平台授權）、資料合作、廣告、甚至平台分割和應用程式內購買。隨著生成式AI成為主流應用標配，收入通路正加速分化，但目前AI營收大多歸入整體產品收入，且正隨著普及而成長。

4.3 服務整合：企業數位轉型的關鍵推動者

應用層雖能提供標準化AI工具，大多數企業仍需要專業合作夥伴，協助在複雜的系統、資料和合規環境內實現模型的落地、整合和擴展。服務整合商就是這一環的橋樑，提供諮詢、技術部署和產業深度經驗，支撐大規模數位轉型專案。

雖然應用程式提供者提供標準化的AI解決方案，但服務整合商對於AI創新落地為企業價值至關重要，尤其在面對技術、合規、組織障礙時，他們保障生成式AI工具能根據企業實際環境進行有效擴展和適配。隨著企業從小規模試點走向全面營運變革，整合層的角色愈發不可或缺。號

對於服務整合商來說，AI相關收入仍與整體數位轉型專案捆綁，但純AI收入一般50-70%來自客製化諮詢和大項目（如專屬AI方案、企業級顧問、法規服務），剩下30-50%來自託管服務（雲端託管、系統監控、維運支援），自研整合軟體營收佔10%。整體上，目前AI收入在營收的比例還很小但成長迅速。號

總結來看，未來AI應用主要突破口可能仍在消費領域，基礎模型公司以平台規模、訂閱/APIs/應⽤商店/廣告/雲端合作/硬體整合等多元管道，持續佔據生態主導地位。隨著基礎模型賦能數位助理、創意工具、個人應用，頭部應用型公司仍將在生態中扮演重要角色。同時，企業市場仍不可忽視，企業級應用和服務整合不斷推動工作流程自動化、合規和產業轉型，但也面臨日益激烈的競爭。

5. AI投資策略

如前文所述，要理解AI價值鏈並不容易，因為其結構複雜、參與者眾多且企業高度技術化（例如理解Nvidia、博通和ASML之間的區別，本身就需對底層技術有所涉獵）。 AI投資又在此基礎上增加更多變量，要求投資人既懂業務運作，還要熟悉市場機會與估值風險。與其他產業和投資主題相似，有個堅實的投資框架，既能評估收益潛力，也能合理管理風險，顯得尤其重要。

這裡歸納了四種可有效參與AI浪潮並兼顧風險管控的投資策略：

策略1：優先佈局大型AI平台型公司而非純AI新勢力

我們可以將AI參與者大致分為兩類：既有者和競爭者。現有企業是指規模龐大的老牌企業，包括英偉達、微軟、亞馬遜、Alphabet 和 Meta 等「七巨頭」。

另一方面，我們也關注新興企業，例如 OpenAI 和 Anthropic（皆營運大模型）、CoreWeave 和 Nebius Group（都是基礎設施供應商，出租 GPU 驅動的資料中心用於 AI 工作負載）、Snowflake 和 Databricks（資料平台）以及 Palantir 和 AppLovin（AI 工具）。

我們認為，投資大型現有企業更具吸引力，風險回報比更高。像Google和微軟這樣的公司已經在各自領域建立了佔據主導地位的業務（Google在搜尋和廣告領域，Meta 在社交媒體和廣告領域；微軟在企業軟體領域）。從財務角度來看，這些公司憑藉其傳統業務，擁有極高的利潤率和正現金流。

AI領域的競爭對所有參與者來說都非常激烈，但大型AI擴張企業佔據的主導市場份額提供了非常堅實的競爭壁壘，而他們雄厚的現金儲備和現金流可以幫助他們進一步投資AI並保持領先地位，這意味著他們可以聘請最優秀的工程師並收購最具前景的AI新創公司。其有限的負面影響在於，即使AI發展放緩，也不會對這些公司構成重大的生存威脅，因為他們原有的業務將幫助他們擺脫困境。

其缺點在於，與大型AI擴張企業不同，新興的純AI公司可能在短期內帶來更具爆炸性的投資回報。例如，在過去的12個月裡，PLTR的股價上漲了300%以上，而CRWV的股價同期上漲了近250%。

策略2：透過ETF投資AI價值鏈各環節

正如我們已經熟悉的，AI價值鏈包含許多節點——能源供應商、資料中心擴張企業、晶片設計商、雲端服務供應商、應用程式開發人員——等等。投資者可以投資涵蓋AI價值鏈不同環節的ETF，從而實現廣泛的分散投資並降低單一股票風險。此類ETF的例子包括追蹤紐約證券交易所半導體指數的iShares半導體ETF (SOXX)。

其持股最多的是英偉達、AMD和英特爾等主要半導體公司。此外，還有Global XAI與科技ETF (AIQ)，該ETF更廣泛地關注雲端運算等技術推動者，其中包括微軟(Azure)、亞馬遜(AWS)和Alphabet(Google Cloud)等在AI雲端服務領域佔據主導地位的公司，以及ServiceNow(NOW)等軟體公司。

AI價值鏈中一個略微被忽視的環節是能源供應商。隨著資料中心和運算能力的成長，美國電力消耗佔總電力消耗的比例將從4%上升到12%。 Defiance AI & Power Infrastructure ETF (AIPO) 追蹤這個利基市場，其投資標的包括 Constellation Energy Corp (CEG)、GE Vernova (GEV)、Eaton Corp (ETN)、Vertiv Holdings (VRT) 和 Oklo (OKLO) 等有望推動未來 AI 崛起的能源公司。

使用 ETF 的某些限制包括：主要持股可能重疊——許多 AI ETF 的權重都偏向少數幾家大型股——以及對整體科技市場情緒的敏感度。此外，當我們將資金投入任何類型的集合投資（例如 ETF）時，都會產生管理費。

策略3：投資實施AI解決方案的非科技公司

科技並非一個孤立的行業，它影響著我們日常生活的各個層面。作為當今科技發展的驅動力，AI也同樣如此。因此，投資人在追逐AI投資的同時，可以放眼科技之外，尋找能直接受益的產業。

醫療保健就是其中之一。例如，在醫療保健領域，輝瑞 (PFE) 利用AI加速藥物研發，利用機器學習分析大量資料集並預測分子交互作用，從而縮短了研發週期並提高了研發效率。同樣，Moderna 公司 (MRNA) 在 mRNA 疫苗設計中運用AI，展示了生物技術與計算生物學的交叉融合。其他非科技領域的例子包括沃爾瑪，它越來越多地將AI用於供應鏈優化。

從輝瑞、Moderna 和沃爾瑪的例子可以看出，由於資金雄厚和規模經濟，大型企業對AI的採用更為普遍。然而，像 Tempus 這樣的新興醫療保健公司，也正在利用AI進行診斷和藥物研發。

主要的投資優勢在於AI在傳統產業中的巨大顛覆空間，而有限的劣勢在於，非科技股的估值相對較低。因此，各行各業的公司將能夠增加收入並削減成本。

然而，這種策略的一個缺點是，非科技公司採用AI的速度可能比科技公司慢。

策略4：投資海外非美AI公司

過去幾年，AI的敘事主要圍繞在美國股市展開，考慮到美國科技公司處於創新前沿，這完全合理。然而，目前美國AI主題股票的估值已不低，投資人或許希望探索海外市場，以期在AI領域取得更大成功。

例如，阿里巴巴和百度等中國科技巨頭正遵循與美國科技巨頭相同的AI發展策略——在AI領域投入巨資，開發大型語言模型，經營龐大的雲端業務，甚至嘗試開發自主研發的AI晶片。然而，不同之處在於，中國AI企業的估值要低得多。此外，如果我們將目光聚焦於歐洲，我們可以看到像ASML（用於AI晶片的光刻機）、Nebius（AI基礎設施提供者）和SAP（企業軟體）這樣的企業。

由於美國以外的AI發展尚處於相當早期的階段，因此這種策略的潛在限制是投資範圍相對較小。如果我們將上述來自歐洲和中國的參與者排除在外，大多數非美國AI公司在這方面還有很長的路要走。此外，我們應該注意到，美國的創投資金比海外更充裕，也更加成熟。

6. 機會、風險與趨勢

6.1 機會與趨勢

AI領域的機會在未來依然豐厚。上一節我們介紹了其中一些機會——投資大型AI擴展者、投資非科技應用者，甚至投資AI能源供應商。麥肯錫在2023年估計，到2030年，AI將為所有產業貢獻3.5兆至4.4兆美元的經濟價值——這數字幾乎超過了所有國家的GDP。

但其影響遠不止投資。我們將看到大型老牌企業和新興企業相互融合，共同提升AI模型的運算能力和複雜程度，這將使AI成為量子運算和物聯網等其他趨勢的催化劑，進一步模糊物理世界與虛擬實境之間的界限。

然而，在投資領域，高回報總是伴隨著巨大的投資風險。其中一些風險是眾所周知的：

6.2 風險分析

6.2.1 高估值

在股市反彈之後，許多AI股票的估值都非常高。

例子包括（但不限於）：

· 英偉達的預期本益比為30倍（與其他AI公司相比並不算高，但與標準普爾500指數的平均本益比相比仍相對較高）。

· PLTR的預期本益比為217倍－或許是標準普爾500指數成分股中估值最高的。

· 即使是未上市的OpenAI，其估值也高達5000億美元，而其營收僅140億美元（市銷率為35倍）。

這些高估值體現了投資者對AI的樂觀態度，但也幾乎沒有留下任何犯錯的餘地；資本支出放緩或盈利令人失望可能會引發大幅回調。

6.2.2 激烈的競爭

從歷史上看，科技業的競爭一直非常激烈，在AI領域也是如此。 OpenAI 的 ChatGPT、Google的 Gemini、Anthropic 的 Claude、Perplexity 和 xAI 的 Grok 等大模型都在爭奪市場份額。考慮到我們正處於這場競爭的早期階段，結果難以預測，這取決於哪家公司能開發出最先進的技術和最永續的商業模式。

6.2.3 循環交易與財務可持續性

近幾個月來，我們開始觀察到晶片製造商和 AI 擴展者之間複雜的金融交易，包括買賣 GPU、投資彼此的股票、抬高彼此的估值。這開始變得有點像財務操縱，甚至讓人想起網路泡沫後期的情況。

例如，甲骨文於 2025 年 9 月與 OpenAI 達成的 3,000 億美元雲端運算交易令人側目，因為它似乎透過交叉投資抬高了估值，而不是帶來直接的經濟效益。此類交易可能會扭曲市場認知，並可能掩蓋弱於預期的需求，從而增加市場回調的風險。

這也引發了一個問題：像 OpenAI 這樣營收不到 150 億美元，但資本支出卻高達數千億美元的公司，如何以及何時才能獲利？

6.2.4 地緣政治緊張局勢

AI不再只是一個經濟和技術話題，它也是一個政治話題。

地緣政治風險可能會擾亂AI供應鏈，尤其對晶片製造商而言。台灣的台積電生產了全球 80% 的先進AI晶片，它正處於中美緊張關係的核心，出口管制限制了中國獲取尖端半導體的管道。此外，英偉達也面臨貿易限制，因為英偉達將其最先進的產品出售給中國。

稀土短缺對晶片生產至關重要，但它往往成為潛在貿易爭端的誘因。

6.2.5 政府監管

政府支持對AI至關重要；然而，設計不當的政策可能會嚴重阻礙其發展。嚴格的資料監管可能會阻礙AI公司取得數據，而數據是開發複雜模型的關鍵要素——歐盟的《一般資料保護規範》（GDPR）就體現了這一點。

此外，能源限制，例如出於環境原因對資料中心使用核能或煤炭的限制，可能會阻礙AI的可擴展性，尤其是對於AWS、Azure和Google Cloud等雲端服務供應商而言。

6.2.6 黑天鵝事件

上述風險是已知的，然而，也可能存在一些我們目前尚不了解且極難預測的風險。當這些風險成為現實時，就會導致所謂的黑天鵝事件，其嚴重程度可能非常嚴重。最近一次這樣的事件是新冠疫情（COVID-19），它引發了市場的大規模調整，擾亂了全球經濟。我們無法預測下一次這樣的黑天鵝事件將如何以及何時出現，因此很難做好準備。

7. 結論

AI不僅改變了科技的運作方式，也從根本上重塑了全球產業、投資和競爭的邏輯。其生態系統比任何單一趨勢都更加深厚，從晶片代工廠和資料中心，到基礎模型、企業工作流程以及日常使用的垂直應用，無所不包。基礎建設、能源和人才方面的投資與應用層創新同樣重要。 OpenAI、Google和微軟等平台領導者正在爭奪主導地位，但新創公司和服務整合商仍擁有顛覆和重塑價值鏈的力量。

我們面臨著巨大的優勢和獨特的風險：市場領導者擁有深厚的護城河和現金流，但激烈的競爭、監管壓力和複雜的金融結構帶來了波動性和不確定性。成功將取決於清晰的框架——全面審視AI產業結構，專注於永續優勢，並關注估值過高、短期炒作和地緣政治衝擊等隱藏風險。未來，AI領域的投資贏家將是那些能穿越複雜環境、持續追蹤產業變革，並精準分辨訊號與噪音的參與者。

立刻體驗