台灣 AI 正在「空轉」？為什麼本土創投寧可錯過千億市場，也不敢碰一座算力中心？

你以為台灣 AI 很強？護國神山台積電在晶圓代工領域稱霸全球，鴻海、廣達在伺服器製造上也是世界級玩家。但你有沒有想過一個尖銳的問題：當全世界的 AI 新創都在用輝達（NVIDIA）的 GPU 訓練模型、開發應用時，台灣本土的 AI 新創，到底在「算」什麼？

答案可能讓你倒吸一口涼氣。根據東豐科技創辦人閔全在《思想實驗室 Podcast》中的坦白揭露，台灣的 AI 應用發展，正處於一個極其尷尬的「硬體強、軟體弱」斷層。更驚人的是，台灣的風險投資（VC）對於最關鍵的基礎設施——AI 算力中心，幾乎是集體「視而不見」。

這不僅僅是投資人的問題，這關乎台灣未來十年在 AI 產業鏈中的地位。如果硬體出口的錢，最終都要拿去買國外的算力服務，那台灣賺的不就只是「代工」的辛苦錢？今天，我們就來拆解這個令人不安的現象，並用 7 個核心要點，帶你看懂台灣 AI 投資的「死結」在哪裡，以及破局的關鍵可能藏在何處。

1. 台灣 AI 的「硬體巨人，軟體侏儒」困境

當我們談到台灣 AI，多數人腦中浮現的畫面是：深夜的竹科、無塵室裡的光刻機、以及一箱箱準備運往矽谷的伺服器。這畫面沒錯，但也正是問題所在。

閔全在節目中直接點破一個令人沮喪的現實：台灣 AI 應用層的發展，遠遠落後於硬體製造層。 他舉了一個非常生動的例子——你現在隨便走進一間台灣的科技公司，問他們在 AI 上做了什麼，十之八九的回答是：「我們正在導入 Microsoft Copilot」或「我們在用 ChatGPT 寫會議記錄。」

這聽起來很實用，對吧？但閔全認為，這充其量只是「AI 水龍頭」——打開就有水喝，但水從哪裡來、水質如何、如何用更有效的方式灌溉，台灣企業幾乎沒有深入涉足。真正的 AI 應用，應該是企業能夠利用自己的數據，訓練出專屬的模型，打造出別人無法複製的護城河。

為什麼會這樣？核心原因有兩個：

缺乏「算力意識」：多數企業主認為 AI 是買個軟體訂閱就能解決的事，沒有意識到算力是如同水電一樣的基礎資源，需要長期投資與管理。
人才斷層：台灣不乏優秀的硬體工程師，但能夠從底層架構（如分散式訓練、模型壓縮）到應用層（如 Prompt Engineering、RAG 檢索增強生成）通吃的人才，極度稀缺。

這導致了一個荒謬的現象：台灣的伺服器製造商，每天在幫世界各國的 AI 巨頭打造最先進的算力設備，但這些設備運轉起來產生的智慧，卻與台灣本土的應用場景毫無關係。 我們就像是高級廚具的製造商，卻從未為自己煮過一頓像樣的菜。

2. 本土創投的「算力恐懼症」：不敢投、不會投、看不懂

如果說應用層的落後是「症狀」，那麼本土創投對算力中心的集體退避，就是「病因」之一。為什麼台灣的 VC 不敢碰 AI 算力中心？閔全的分析直指三個核心痛點。

痛點一：資產太重，回收週期太長

傳統的網路軟體投資（如 SaaS、電商），通常是輕資產、高毛利、爆發性成長。投資人投 100 萬，兩年後可能回報 1000 萬。但一座 AI 算力中心呢？動輒需要數十億、甚至上百億的資本支出（CapEx），用來購買 GPU（輝達 H100/B200）、建設冷卻系統、購買電力。

「這對台灣的 VC 來說，根本是另一個世界的語言，」閔全直言。台灣創投習慣了「燒錢換流量」的劇本，無法接受一個需要 5 到 7 年才能看到穩定現金流的基礎設施投資。他們更偏好「輕、快、準」的標的，對於需要長期承諾、資產負債表沉重的項目，本能地感到恐懼。

痛點二：技術疊代太快，怕買到「過氣貨」

GPU 的更新速度有多快？從 A100 到 H100 到 B200，幾乎是每年都在迭代。當你花幾十億建好一座算力中心，結果半年後輝達推出新一代晶片，算力翻倍、功耗減半，你的舊中心瞬間變成「落後產能」，誰來租用？

這種「技術折舊」的風險，是創投最不願面對的。他們寧可去賭一個成功率只有 1% 的 App，也不願賭一個需要押身家、且技術路線充滿不確定性的硬體資產。

痛點三：缺乏「算力即服務」的生態認知

台灣創投普遍缺乏對「算力經濟」的理解。他們不知道，算力中心不只是「出租 GPU」這麼簡單。真正的商業模式是**「算力即服務」（Compute as a Service）**，它包含了：

彈性調度：根據客戶需求，動態分配 GPU 資源。
模型託管：幫客戶部署、監控、優化模型。
數據安全：提供符合法規的私有雲環境。

這需要極強的技術團隊和營運能力，而不是買一堆 GPU 插上電就能賺錢。台灣創投看不懂這個生態，自然也就不敢下注。

3. 「算力通膨」的殘酷真相：你的錢正在被 GPU 吃掉

這是整集節目中最令人警醒的觀點之一。閔全提出了一個概念：算力通膨（Compute Inflation）。

你以為 AI 模型只會越變越聰明，成本越來越低？錯。閔全指出，最先進的 AI 模型，其訓練成本正在以指數級增長。從 GPT-3 到 GPT-4，訓練成本可能從數百萬美元跳到數億美元。而即將到來的 GPT-5，據傳訓練成本可能高達 10 億美元。

這意味著什麼？對於沒有自有算力的台灣新創來說，你每一次想追上世界頂尖水準，所需付出的「算力稅」只會越來越重。

更殘酷的是，這不僅僅是訓練階段的問題。推論（Inference）階段的成本同樣驚人。 想像一下，如果你開發了一個 AI 客服機器人，每天要處理 100 萬次對話查詢，每一次查詢都需要調用一個龐大的語言模型，背後的 GPU 運算成本將是天文數字。

閔全用了一個比喻：「這就像是你開了一家餐廳，但食材價格每天都在暴漲，而且你完全無法控制。到最後，你賺的錢可能全部拿去付給供應商，自己卻在賠本。」

這也是為什麼，美國的 OpenAI、微軟、谷歌都在瘋狂蓋算力中心，因為他們要鎖定算力成本，避免被供應商掐脖子。 而台灣的 AI 新創呢？如果沒有自己的算力，最終只會淪為「算力佃農」，永遠為別人打工。

4. 東豐科技的「反直覺策略」：從邊緣運算切入，專吃「剩菜」

在大家都在追逐雲端大模型的時候，東豐科技選擇了一條非常特別的路：專注於邊緣運算（Edge Computing）和低成本推理。

這聽起來好像很「小鼻子小眼睛」，但閔全的解釋卻讓人恍然大悟。

他認為，未來 90% 的 AI 應用，其實不需要用到像 GPT-4 那樣龐大的模型。 對於一個工廠的瑕疵檢測、一個智慧零售的結帳系統、一個醫療診斷的輔助工具，你需要的是一個經過精簡、針對特定任務優化的模型。

東豐科技的策略就是：

幫客戶「瘦身」模型：利用知識蒸餾、模型量化等技術，將一個千億參數的大模型，壓縮成幾十億參數的小模型，但準確率只下降幾個百分點。
在本地端運行：將這些小模型部署在客戶的邊緣設備（如工業電腦、攝影機、閘道器）上，不需要將數據傳到雲端。
極致降低成本：因為是在本地運行，客戶不需要支付雲端 GPU 的租用費，只需要買一台幾萬塊的邊緣運算設備即可。

這是一個非常務實的商業模式。它不追求「最強」，而是追求「最划算」。 它完美解決了台灣企業對於「算力通膨」的恐懼：如果你無法控制算力成本，那就乾脆不要用那麼貴的算力。

「我們不是在跟輝達或 OpenAI 競爭，我們是在幫客戶『省錢』，」閔全說。這個策略聽起來不夠性感，但卻極有可能成為台灣 AI 應用突圍的關鍵。

5. 政府與創投的「雙重失靈」：誰來當第一個「傻子」？

台灣 AI 算力中心發展遲緩，除了市場因素外，閔全也點出了另一個結構性問題：政府的資金與創投的資金，存在一個巨大的「死亡地帶」。

政府資金（如國發基金、科專計畫）：通常偏好投資「研發」和「基礎建設」，但流程冗長、審查嚴苛，而且往往要求「立即見效」，無法忍受長期的虧損。政府蓋了一座算力中心，結果可能因為使用率太低而變成蚊子館。
創投資金：如上所述，偏好輕資產、高回報，對硬體基礎設施極度排斥。

這導致了一個現象：沒人願意投「中間地帶」的項目。 也就是說，如果有一個團隊想從零開始，在台灣打造一座商業化的、能服務中小企業的 AI 算力中心，他會發現：

找政府，政府說：「這不是創新研發，這是買設備。」
找創投，創投說：「資產太重，回收太慢，我們不投。」

這種「雙重失靈」讓台灣的 AI 算力生態，長期處於「有硬體、無服務」的窘境。閔全感嘆：「台灣不缺錢，也不缺技術，缺的是一個願意當『傻子』、願意花 10 年時間去建立基礎設施的人。」

6. 真正的護城河不是晶片，是「數據飛輪」

這可能是全片最有深度的一個觀點。閔全提醒所有聽眾：不要過度迷戀硬體規格。

他認為，台灣的創投和企業主常常陷入一個誤區：以為買到最新、最多的 H100 GPU，就等於擁有了 AI 競爭力。但真正的護城河，從來不是硬體，而是 「數據飛輪」（Data Flywheel）。

什麼是數據飛輪？

你提供一個 AI 服務（例如：AI 客服）。
用戶使用你的服務，產生大量數據（對話紀錄、用戶行為）。
你用這些數據去優化你的模型，讓它變得更聰明、更準確。
更聰明的模型吸引更多用戶，產生更多數據。
這個循環不斷加速，形成一個對手難以複製的競爭優勢。

問題是，要啟動這個飛輪，你首先需要「算力」來跑模型、處理數據。沒有算力，你就無法收集數據；沒有數據，你的模型就永遠不會進步；模型不進步，你就永遠只能當一個「算力租用者」。

這是一個雞生蛋、蛋生雞的問題。而台灣的困境在於，我們連「雞」（算力）都還沒養起來，更別提「蛋」（數據）和「飛輪」（競爭優勢）了。

7. 給投資人的最終備忘錄：該關注什麼？

在節目的尾聲，閔全給出了一個非常具體的投資路線圖。他認為，台灣 AI 投資的未來，不在於追逐那些「做 GPT 殺手」的團隊，而在於以下三個領域：

領域一：邊緣 AI 與模型優化

這是最務實、最適合台灣現狀的賽道。尋找那些能夠幫企業將大模型「變小、變快、變便宜」的公司。他們可能是做模型壓縮的、做知識蒸餾的、或是做邊緣運算晶片的。他們的價值不在於「發明」新算法，而在於「應用」現有技術，解決企業的算力成本痛點。

領域二：垂直領域的專用模型

不要做通用的 AI，要做「懂行的 AI」。例如：專為台灣醫療院所設計的健保核銷 AI、專為台灣製造業設計的瑕疵檢測 AI、專為台灣法律事務所設計的判決書生成 AI。這些模型不需要很大，但因為綁定了特定領域的專業知識和數據，護城河極深。

領域三：算力中介與調度平台

這是一個被嚴重低估的市場。隨著越來越多中小企業開始使用 AI，他們會發現自己不知道該去哪邊租 GPU、該租哪種型號、該怎麼管理。一個能夠整合台灣本地算力（如學校、研究機構閒置的 GPU）與雲端算力（如 AWS、GCP）的調度平台，將會是剛需。 這就像 AI 時代的「電力調度中心」，誰掌握了這個平台，誰就掌握了定價權。

核心觀點匯總表

為了讓你更清楚地掌握本文的精華，我將上述 7 個要點整理成一個一目了然的表格：

核心觀點	問題描述	關鍵洞察	給投資人的啟示
1. 硬體巨人，軟體侏儒	台灣 AI 應用層發展遠落後於硬體製造。	多數企業只會用 Copilot，缺乏自有數據模型。	投資「應用層」的風險遠高於報酬，除非有獨特數據。
2. 本土創投的算力恐懼症	VC 不敢投資資產重、週期長的算力中心。	偏好輕資產、怕技術折舊、看不懂算力經濟。	短期內不要指望 VC 會帶頭衝算力中心。
3. 算力通膨的殘酷真相	頂尖模型訓練成本指數級增長。	沒有自有算力的新創，將永遠支付高昂的「算力稅」。	投資能「鎖定」或「降低」算力成本的技術。
4. 東豐科技的反直覺策略	從邊緣運算切入，專吃「剩菜」。	90% 的應用不需要大模型，低成本推理才是王道。	關注「模型瘦身」和「本地端部署」的公司。
5. 政府與創投的雙重失靈	資金存在「死亡地帶」，沒人願意投中間項目。	缺乏長期、耐心的資本。	尋找「政府補助 + 民間資金」合作的混合模式。
6. 真正的護城河是數據飛輪	硬體不是護城河，數據與模型迭代才是。	算力是啟動飛輪的關鍵，沒有算力就沒有數據。	投資那些能「產生並反哺數據」的商業模式。
7. 投資路線圖	邊緣 AI、垂直模型、算力調度平台。	務實、接地氣、解決中小企業痛點。	放棄追逐「聖杯」，改為投資「鏟子與水桶」。

結語：台灣需要的是「算力農夫」，不是「算力貴族」

回到最初的問題：台灣 AI 應用為什麼跟不上硬體？

答案很殘酷，但也充滿機會。我們不需要去羨慕 OpenAI 那種燒錢如流水的「算力貴族」，因為那條路不屬於我們。台灣真正的機會，在於成為全球 AI 產業的「算力農夫」。

農夫的特質是什麼？他們懂得如何用最少的資源，種出最多的糧食；他們懂得因地制宜，在不同土壤種植不同作物；他們不追求一夕暴富，而是靠著日復一日的耕耘，建立穩固的基礎。

東豐科技的故事告訴我們，真正的創新，不一定是從 0 到 1 的發明，而是從 1 到 100 的落地。

最後，留給你一個值得深思的問題：如果台灣的創投依然對算力中心避之唯恐不及，那麼，誰來為台灣下一代的 AI 新創，提供他們賴以為生的「算力土壤」？

是政府？是大型企業？還是，會由我們這一代的創業者，自己動手，從邊緣開始，一磚一瓦地把它蓋出來？答案，決定了台灣在 AI 時代，究竟是「代工者」還是「創造者」。