(封面圖來源 : 路透)

不論輝達如何幫自己吹口哨壯膽，宣稱在他們帶領下的全人類正走在繁榮的康莊大道上，事實總是冷酷的：輝達除了面臨來自同產業的其他競爭對手，而 AI 產業本身的結構韌性也逐漸開始受到外界審視。

而跟美國 AI 產業以及輝達深度綁定的台灣半導體以及台灣資本主義，也同樣被捲進這場賭局之中， 但是，對於台灣的工人來說，他們無論如何都將是輸家：即便預測成真，外國資本仍舊賺走大部分的利潤，而如果輸了，許多維持台灣資本主義運作的假設將面臨最嚴峻的考驗。

AI 的次貸時刻

有在關注股市的朋友，應該會注意到在八月十日，輝達宣布與阿波羅、貝萊德、黑石、Brookfield、高盛及 KKR 六家華爾街金融巨頭簽署諒解備忘錄（MOU），目標是動用超過五千億美元的第三方資本，為 AI 資料中心的興建與 GPU 採購提供融資。換言之：輝達要親自替客戶找錢來買自己的產品，就好比車廠跟銀行合開一家車貸公司，讓付不出全款的客人先把車開走。

消息一出，股市的反映立刻呈現兩極。一方面，上述六家資產管理公司的股價連漲兩天，漲幅從 2% 到 6% 不等；另一方面，輝達的競爭對手跟雲端巨頭卻跟著下跌，特別是亞馬遜，7 月才靠著自家雲端服務 AWS 的亮眼表現衝上每股 271 美元，現在又退回 260 美元左右，就連輝達自己的股價也上下震盪。顯然，不論大摩跟美國銀行如何幫輝達加油吶喊，市場早就用手中的錢，判斷出這筆交易到目前為止最有可能的贏家是誰。

如果我們仔細看這次合作的細節，就會發現：資產管理公司出的並不是自己的錢，而是替客戶管理的資金，包括退休基金、保險資金與主權基金。不論賺賠，他們都能照收 1% 到 2% 的管理費，賺了還能再抽一筆績效分紅；就算失敗，絕大部分的風險也會轉嫁到其他人身上（顯而易見的，就是我們一般人）。像這種穩賺不賠的生意，任何投資人都不可能錯過，股價的上漲就是最好的證明。

更甚者，作為債權人的一方，這些資產管理公司同時也握著 AI 公司的命脈：亦即晶片與機房。按照他們的估計，就算這些 AI 公司短時間內真的全倒了，這些晶片跟機房還是可以打包出售給大玩家，包括 Google、臉書、亞馬遜等等。這還不算上輝達本身的擔保：在個別的案子裡，如果晶片到期時的轉售價值不如預期，輝達願意補上最多 25% 的缺口 – 最慘的情況下，輝達自己理論上得貼上 1250 億美元，剩下的才輪到他們負擔 (說穿了又是客戶的錢)。

當然，輝達也不是吃素的，不可能是為了做公益而跟他們聯手：就算在最慘的情況下得吞下上千億，可以換到的回報也難以估量。一來，有人幫忙出錢，更多的廠商跟企業就更有動力買輝達的晶片；二來，輝達也能釋出「AI 競賽仍在持續」的訊號，不只拉抬自己的股價，也能替那些遲遲看不到 AI 產值、開始失望的企業打氣。

更重要的是：把自己的產品跟金融商品綁在一起，實體經濟裡原本會碰到的市場天花板，就可以靠借來的錢暫時往後推 – 這並不是什麼偉大的創舉，而是馬克思在《資本論》第三卷早就指出的資本主義機制：信用正是生產過剩與過度投機的主要槓桿，能把生產推到極限的同時，也會讓矛盾在危機中更猛烈地爆發。

這正是黃仁勳的核心敘事。按照他在今年多個場合演講的說法，輝達晶片並不是某種會折舊的硬體，而會作爲「Token 工廠」的引擎：晶片生產算力，算力生產 token（AI 讀寫文字的最小單位，可以粗略想成一個字或字的一部分，也是 AI 公司計價收費的單位)， token 則已經是「有利可圖的收入單位」。

這次的新聞稿說得更直白：輝達的算力是一種「可投資的資產」，token 成本最低、營收最高、壽命最長。在這套邏輯裡，GPU 不再是商品，而是類似電網與公路的基礎設施，不會過時，只會擴建。這也是整個五千億平台的理論地基：唯有把 GPU 定義成「可投資資產」，華爾街才有理由拿退休金，去借給以它為抵押的人。

但這套說詞經不起它發明者自己的檢驗- 黃仁勳在 2025 年為了推銷新一代的 Blackwell 架構，親口說過等 Blackwell 大量出貨，上一代的 Hopper 就「送都送不掉」，還自嘲是「首席營收破壞者」。讓輝達晶片貶值最快的力量，恰恰就是輝達自己的產品週期：舊晶片當然還能算，但在電力才是真正瓶頸的資料中心裡，它每一度電能換到的算力落後新一代好幾倍，經濟價值自然跟著崩跌。

連輝達的大客戶亞馬遜，都在 2025 年把伺服器的折舊年限從六年縮短成五年，理由正是 AI 進步太快；人稱「大空頭」的貝瑞（Michael Burry），乃至 IBM 的執行長，更認為這些晶片真正的經濟壽命不過兩到五年。今天被包裝成「十年期資產」的晶片，等下一代架構一出，還剩多少殘值？輝達那最多 25% 的殘值擔保，又填得了多大的洞？

更諷刺的是，黃仁勳替晶片殘值辯護的主要證據，是舊款 H100 的租金這一年來不跌反漲- 但租金會漲，並不是因為晶片本身的價值，而是在新晶片搶不到、市場缺貨的情況下瘋狂砸錢去搶的；而這五千億美元存在的目的，恰恰就是蓋出足夠的產能來結束缺貨。換句話說，這批抵押品值多少錢，押在一條這筆融資本身就要把它壓平的價格曲線上。

作爲其中的一位玩家，貝萊德執行長芬克（Larry Fink)，毫不在意這個矛盾，他在 CNBC 上把這次合作比作七零年代 MBS 的誕生（不動產抵押貸款證券，也就是把一大堆房貸打包成債券，再賣給投資人）。按照這個假設，比起死硬的將借貸壓在資產負債表中，透過打包成證券並出售銀行拿回現金，馬上可以再放貸；投資人則獲得一個有穩定現金流的新資產類別。有趣的是，芬克本人正是當年參與發明房貸證券化的人之一。

MBS 確實在短期內擴張了美國的住房信貸，但同一套機制在三十年後，因為過度槓桿與底層資產崩壞，引爆了 2008 年的金融海嘯。更慘的是，MBS 的底層是房子，十年後至少還是房子 (雖然比較不值錢了)；更何況，GPU 的底層是算力，而算力值多少錢，完全取決於下一代晶片有沒有把它淘汰。芬克的類比，恐怕比他預想的更加貼切。

然而這一次墊底的，並不只是銀行的資金，而是一般人的保單。Apollo、KKR、Brookfield 近年紛紛買下壽險公司，正是為了把保費與年金導進自家的私募信貸，IMF 也在 2024 年的報告中示警兩者越綁越緊的現象。當然，這些長期資金不像 2008 年銀行借的隔夜資金，不會一夜被抽光；但這只是讓危機從立即爆開到緩慢流血以致死亡：私募信貸 (Private Credit) 因為不需要公開報表，壞帳可以延後認列，但等到藏不住的時後，損失早就已經攤到每個保戶身上。

另一方面，「車廠開車貸公司」的比喻，二十多年前就已經真實上演給大家看了。網路泡沫時，朗訊、北電這些電信設備商一邊賣設備給電信業者，一邊借錢讓它們買: 光是朗訊在 2000 年就有 75 億美元的融資交易。而其中的一間買家 Winstar 拿了朗訊 20 億美元授權信貸，但在2001 年卻因為付不出利息而破產。 說穿了，它得靠朗訊的錢才還得起欠朗訊的債。而朗訊股價隨後從八十多美元跌到不到一美元。

在這場牌局之中，Winstar 當然不會是微軟、Google 這些拿本業現金蓋機房的巨頭，而是外圍靠借錢撐起來的玩家：以 GPU 抵押舉債的 CoreWeave、替 OpenAI 蓋機房而大舉發債的甲骨文，以及一旦破產或欠租就由輝達替它補差額的 OpenAI 本身。事實上，就連巨頭也把自己的身家賭了下去：臉書就把路易斯安那州資料中心的數百億美元債務，放進與 Blue Owl 合組的特殊目的公司，移出了自己的帳本。

所以這筆交易根本不是什麼「強強聯手」，只是兩群看到 AI 泡沫開始漏氣的人，在音樂停止之前搶先變現（有趣的是，這個計畫正好是在七月全球股市一波重挫、投資人開始追問 AI 投資到底能不能回本之後推出的）。輝達很清楚，能大量採購 GPU 的超大型企業就那幾家，而 AI 的實際產值至今遠遠落後於投入的資本。

所以它需要用融資創造需求、用槓桿撐住預期。華爾街同樣清楚 AI 的高速成長不可能永續，但只要在泡沫破裂前把管理費收到手、把風險塞進千萬張保單裡，他們就已經贏了。這不是對未來的押注，而是對現在的套利。唯一會被留在桌上的，是最後才知道音樂停了的人。

Google 與中國

事實上，輝達急著跟華爾街聯手的理由還有一個：在晶片戰場上，它同時面對 Google 跟中國兩方敵人，只是兩者對付輝達的方式不同。前者靠的是自家專為 AI 設計的 TPU（張量處理單元），把晶片、雲端跟模型一條龍整合起來，直接去搶輝達最大的那幾個客戶；後者則是就算效能暫時比不上，也能在美國禁運築起的高牆後面，憑藉成本優勢與舉國體制給的政策優惠，取代輝達成為中國模型訓練的首選。

輝達過去之所以能把其他晶片廠遠遠甩在後面，並不只是因為產品「性能比較好」，而是因為它在 2006 年同步建立了一套叫 CUDA 的軟體平台，讓一般開發者可以直接用 C/C++ 這類程式語言來寫 GPU 程式，大幅降低了平行運算的門檻。在這之前，要讓 GPU 做大規模的數學運算，如果不是乖乖留在 CPU 上一筆一筆慢慢處理，就得把數學上的「矩陣」偽裝成 3D 遊戲的「圖片與顏色」，騙 GPU 去算，非常困難。

另一方面，作為軟硬體綁定的利器，CUDA 只能在輝達自己賣的晶片上運行，並不支援 AMD 或 Intel。隨著使用和學習 CUDA 的人越來越多，對開發工具的人來說，針對 CUDA 優化顯然是最划算的選擇，於是 PyTorch 這類機器學習框架（可以理解成寫 AI 用的工具箱）都以 CUDA 為主要平台。去年輝達更宣布 CUDA 原生支援 Python，讓更多人可以直接上手。

而 2012 年的深度學習大爆發，以及 2022 年延續至今的 AI 熱潮，讓輝達在 2006 年的決策獲得了極高的回報。不論是當年的深度學習，還是現在的大模型訓練，都需要大規模、穩定運作的 GPU 體系，而輝達作為當時市面上幾乎唯一能滿足這種需求的廠商，基本上壟斷了整個市場（當然，那時候 AI 還不被認為是能變現的技術，所以輝達的股價並沒有就此噴發）。

好景不常的是，馬克思在一百五十年前的《資本論》裡就解釋過：哪個生產部門的利潤特別高，資本就會往哪裡湧入，直到那裡的超額利潤被競爭磨平為止。更何況，輝達的超額利潤是直接從客戶身上賺來的：它七成左右的毛利率，就是 Google、亞馬遜這些大客戶的成本。

看著輝達的股價因為 AI 翻了 13 倍，這些大公司當然摩拳擦掌，想自己下場做晶片；中國公司則因為美中對抗的不確定性與性價比的考量，開始分散供應鏈的風險。不論是前文提到的 TPU，還是中國的摩爾線程打出「無縫轉移 CUDA」的口號，都是同一回事。

根據最新的測試，TPU 正在打破所謂的輝達神話：紙面上的峰值算力或許比不上輝達，但實際跑起來的吞吐量(每美元計價下)卻分別高出 50% 與 96%，換算下來的成本反而更低。除此之外，TPU 也自帶業界的背書：Google 自家的 Gemini 就是在 TPU 上訓練出來的，而Anthropic 也在去年簽下了多達一百萬顆 TPU 的合約。

當然，TPU 並不是樣樣都贏：輝達的 GPU 用途更廣、生態更成熟，但是TPU 可以高度串連的優勢對於前沿模型公司在集中在大規模，同質化的訓練與推理至關重要。換句話說，Google 能把晶片、雲端跟模型一條龍賣給從大公司到中小企業的客戶；而 AI 寫程式的工具，已經能把原本為 CUDA 寫的程式轉寫到 TPU 上，CUDA 的護城河正在變淺。

而中國的晶片雖然還比不上輝達跟 Google，逼得部分 AI 公司得靠走私，或在第三國（通常是東南亞）設立空殼公司來訓練模型；但在美國晶片禁運與中國官方扶植本土晶片商的雙重作用下，輝達在中國的市佔率只剩下個位數。隨著中國晶片廠大規模量產帶來的成本優勢，加上自家的軟體生態，再加上歐美以外那些想打造主權 AI（由國家自己掌握的 AI）卻缺乏資金的國家，中國晶片的出口反而在成長。

這就是為什麼輝達需要把自己從「目前領先的競爭者之一」，變成整個社會體系運作中不可或缺的一部分：一旦這種結構性而非技術性的優勢建立起來，它就能透過監管、資金等更多元的手段，阻止競爭者把它的地盤整碗端走。

其實，列寧在一百多年前就把這種現象稱為「金融資本」：產業資本跟銀行資本融為一體，壟斷不再只靠產品本身，而是靠金融跟國家來維持；但競爭並不會因此消失，只會變得更加尖銳。換句話說，這並不像某些評論員說的，是輝達在造福企業或個人，而是它為了在這場血淋淋的戰爭中勝出所採取的策略！

假惺惺的開源模型

可能還是害怕市場不買帳輝達的夢想，黃仁勳在之前以及之後的多個場合都提及了他對於開源 AI 模型的熱忱，也在美國政府考慮封殺中國模型之際幫他們說項。當然，比起數據、演算法等等全由大公司掌控的閉源模型，看起來可以自行下載、根據所需調整，甚至是開放讓公眾審閱的開源模型好像更「民主」。不只是輝達，包括 Meta 以及微軟都持類似的論調。不過，單就技術層面而言，開源模型真的比較「民主」嗎？

首先必須釐清的是，今天市面上絕大多數被冠以「開源」之名的模型，嚴格來說只是「開放權重」(open weights)：公司釋出的僅是訓練完成後的那一串參數 (可以想成模型「學」到的東西)。至於訓練資料從何而來、如何清洗，訓練程式碼長什麼樣子，人類標註與回饋又是怎麼進行的，一概不公開。事實上，就連鼓吹開放的 Meta，自己的 Llama 系列都沒有達到開源促進會要求的「開源」標準。

換言之，我們看到的開源模型充其量也不過就是商品，而不是完全透明開放的生產資料：事實上，跟閉源模型一樣，它還是由數萬顆 GPU 連續運轉數月所消耗的電力、從整個網際網路爬梳而來以兆計的資料，以及那些低薪替模型過濾並標注內容的外包勞工的勞動力所組成。雖然比起前者，我們是可以下載它、微調它，並在上面疊加自己的應用，但我們並沒有生產類似產品的能力或是資本，還是只能任由大公司宰割。

除此之外，先進的開源模型並不是透過我們的手機跟電腦就能直接下載並使用的 – 事實上，一個數千億參數的前沿模型，光是跑推理 (也就是模型實際回答問題的運算) 就需要一台動輒數十萬美元的伺服器。而這台伺服器不是跟輝達買，就是跟亞馬遜、微軟或 Google 租 (當然，壓縮過的小模型也可以在筆電上跑，但它們與前沿模型之間的差距，恰好就是企業願意付錢的那一段)。至此，所謂的技術民主，留給我們的只有選擇向哪個資本家租算力的自由。

當然，巨頭們為何如此熱衷開源，也不是因為他們帶著某種慈悲的心，而是因為他們如果讓自家產品的互補品變得廉價，自家產品的需求就會隨之擴大。舉例來說，對輝達而言，模型正是晶片的互補品 – 不論最後勝出的是誰，只要模型是開放的，就會有成千上萬的企業與政府下載部署，而每一次推理都是在替「Token 工廠」添柴。這也解釋了黃仁勳為什麼要替中國模型說項：一旦封殺，被逼到牆角的中國開發者只會連同整個生態，更快地倒向華為與摩爾線程。

Meta 與微軟的邏輯也如出一轍 – 祖克柏在 2024 年的公開信裡說得很坦白，賣模型從來不是 Meta 的商業模式，相反的，Meta 賺錢靠的是三十多億用戶的行為數據。另一方面，微軟的 Azure 則早已上架包括 Llama 與 Deepseek 在內的上千個模型，不論誰勝出，租金都將流向提供雲端服務的一方。

對這些巨頭來說，模型的先進與否從來不是決勝的槓桿 – 他們真正的護城河是數十億用戶的數據、遍布全球的資料中心，以及早已綁定的企業客戶：只要手上有一個「夠好」的模型，就足以把技術上的領先者扳平。反過來說，OpenAI 或 Anthropic 這類公司既沒有自家雲端，也沒有廣告帝國，模型的領先幾乎是它們唯一的超額利潤來源。

開源正是摧毀這份超額利潤的武器 – 當模型被壓成人人可得的廉價商品，價值便被迫轉移到算力與數據，也就是巨頭們早已壟斷的地方 (同時也正是華爾街現在搶著拿來當抵押品的東西)。前文提到馬克思說，資本會湧入高利潤部門，直到超額利潤消失為止；巨頭們所做的，不過是親手加速這個過程，只不過被加速的永遠是別人的部門 – 至今沒有任何一家公司開源過自己的用戶數據，更沒有誰把自己的資料中心交出來給大家共用。

然而，開源模型最大的偽善並不在於開放得不夠徹底，而在於它的開放永遠是有條件的：在落後時開放，是為了拉倒領先者；而一旦有機會領先，甚至已經贏得這場戰爭，大門便悄悄關上 – OpenAI 就是最好的例子，名字裡寫著「開放」，一領先就把模型鎖了起來，直到去年中國的開源模型搶盡了風頭，才又立刻釋放開放權重的版本。

更甚者，全世界開發者圍繞開源模型所做的優化與工具，最終都會免費回流到巨頭身上，就如同當年靠志願者起家的 Linux，最後成了亞馬遜雲端帝國的地基。所謂的「開源社群」，不過是一支不領薪水的研發部門。

這才是開源模型在資本主義下的真實面目：它不是生產資料的社會化; 相反的，在生產資料依舊私有的前提下，將產品的一部分免費化，藉此鞏固對生產資料本身的控制。真正的開源，從來不是把一個權重檔案掛上網路，而是將資料中心、算力，以及由全體用戶共同生產的數據收歸社會所有，由勞動者民主地決定它們為誰運轉。在那之前，黃仁勳與眾人口中的開放，不過是以開放之名進行的另一場圈地行動。

傑文斯悖論

不過，就算價值真的全都被推到了算力身上，還有一個問題沒有回答：算力本身的需求，真的撐得起這個價格嗎？相信常常關注 AI 的人應該會很常看到這個名字 – 2025 年初，Deepseek 讓輝達單日蒸發近六千億美元市值的時候，微軟執行長納德拉當天就搬出了傑文斯悖論來安撫市場，黃仁勳隨後也用同一套邏輯出來滅火。

從此之後，只要市場開始對 AI 投資有所懷疑，或是股市有點震盪，黃仁勳跟他的徒子徒孫便會出來向大家解釋：即便 AI 的單位使用成本降低，這並不意味著需求變少，而是讓更多公司跟個人都能負擔得起 AI，從而推動更多相關的需求。

可能害怕大家聽不懂，他們還會拿出價格表比較：相比起當初的 GPT-3 Davinci 模型每百萬 token (大概是好幾本長篇小說的份量) 的輸入要 20 美金，性能更好的 GPT-5.6 Terra 只要 2 美金，更便宜的 Luna 甚至只要 0.2 美金，跌幅超過 99%。

與此同時，許多公司在 AI 方面的支出好像又能佐證這一點：按照 Gartner 的估計，全球在 AI 方面的總支出今年將來到 2.52 兆美金，光是一年就又多了 44%；再加上根據麥肯錫在去年提出的報告，企業的 AI 採用率已經接近 90%。乍看之下，隨著 AI 能力的進步，我們好像真的快要迎來一個美好的烏托邦 – 根據黃仁勳，AI 工廠將是新社會的基礎建設，所有的事物都可以用 token 來執行。

但這群人在討論傑文斯時，做了一件傑文斯本人不曾做過的事：把一個關於物質消耗量的經驗觀察，偷換成了一個關於利潤永續增長的承諾。傑文斯在 1865 年的論述對象是煤炭，一種燃燒後轉化為機械動能、驅動紡紗機與蒸汽船的物質資源，其使用效率的提升所釋放出的需求，對應的是實實在在的棉布匹數與運輸噸公里數。問題在於，當我們把同樣的邏輯套用到 token 上時，必須先回答：這些被生產出來的 token，究竟驅動了什麼？

事實上，馬克思在《資本論》第二卷就花了不少篇幅在處理這個問題：並不是所有花在經濟活動上的錢，都會創造出新的價值。工人在工廠裡把棉花紡成紗、把紗織成布，生產出了新的商品；但是買賣本身 – 推銷、廣告、記帳、客服 – 只是讓既有的商品換手，這些被他稱為「流通費用」的開銷並不會多生出一分價值，反而還得從利潤裡扣掉。傑文斯悖論之所以在十九世紀的煤炭工業中成立，恰恰是因為每一噸被「額外」消耗的煤炭都進了紡紗機跟蒸汽船，變成了可以拿到市場上賣的棉布與運力。但黃仁勳所描繪的 token 經濟，其中究竟有多少屬於前者？

當我們把那個看似驚人的 2.52 兆美元拆開來看，超過一半是 AI 基礎設施的支出 – 資料中心、晶片、伺服器、電力與冷卻設備，而不是 AI 應用本身的營收。而根據紅杉資本的合夥人 David Cahn 估算，在2023 年，AI 產業需要填補的年營收缺口是 2,000 億美元；到了 2024 年，這個數字膨脹到 6,000 億；在今年七月的最新估算中，將 2026 年 AI 基礎設施支出定在約 7,500 億美元，並據此推算產業需要產生約 1.5 兆美元的終端營收，才能合理化這些投入。

累計下來，自 ChatGPT 問世以來的投資總額則需要大約 3 兆美元的營收來償還。這個缺口不僅沒有隨著採用率攀升而收窄，反而在加速擴大。按照 Allianz Research 的計算，AI 資本支出的成長速度已經比營收的成長快了 46%，超過了 2001 年電信泡沫破裂前 32% 的水準。換言之，這些錢並不是因為 AI 已經證明了自己的生產力而投入的，而是基於它「將來一定會」證明自己的信念預先支付的。

那麥肯錫所說的近九成採用率呢？同一份報告的下半頁寫得很清楚：88% 的企業確實在至少一個業務環節中使用了 AI，但僅有 39% 表示 AI 對其利潤產生了任何可量化的拉動，而真正從 AI 獲得顯著價值 (也就是超過 5% 的營業利潤可以歸功於 AI) 的企業，僅佔受訪者的 6%。

將近三分之二的企業仍停留在試驗或試點階段，從未實現規模化部署。更何況，這些絕大多數所謂的「採用」，不過是在客服系統裡塞進一個聊天機器人，或是讓員工拿 ChatGPT 潤飾電子郵件 – 用馬克思的話來說，這些大部分都還是流通費用，頂多幫老闆省下一點開銷，並不會多生出新的價值。將這種程度的使用等同於蒸汽機取代手工勞動，就好比在辦公室裡裝了一台咖啡機便宣稱完成了工業革命。

當然，現在的 AI 並不只停留在這個層次: 靠著本身就在市場上作為商品販賣的軟體，用 AI 寫程式的工具已經是企業 AI 支出中最大宗的用途之一- 這本身也反映在營收上：擁有 Codex 的OpenAI 的年化營收從去年底的 200 億美元翻倍到約 400 億；而掌握更多用戶的 Claude Code 背後的 Anthropic 更從去年底的 90 億美元，在七月底衝破 650 億。

但這本身還並不足以說服 AI 投資在整體的回報。首先，兩間公司加起來有一千多億美元的營收，還不到 Cahn 所說 1.5 兆回本門檻的一成，而且這還是用短期數字推算的全年營收，不能代表客戶已經長期綁定在了兩間公司。其次，營收不等於利潤：模型公司收到的錢，很大一部分又以算力成本流回雲端業者和輝達手上；營收翻倍的 OpenAI，甚至還得靠輝達才租得到機房。最後，生產軟體的公司也開始注重 ROI，不再像以前肆無忌憚的花費在工具使用上。

這正是馬克思與傑文斯之間最根本的分歧。傑文斯只看到了消耗量的增長曲線，但他本人並不理解這條曲線背後的社會生產關係。當然，token 的用量的確是在暴增，問題在於，用的人多並不代表就賺得到，而是這些被生產出來的東西，是否在市場上找到了對應的、有支付能力的需求？資本主義生產的特殊矛盾從來不在於產品不夠好或成本不夠低。恰恰相反，它的危機形式就是生產得太多、太好、太便宜，以至於超過了市場所能消化的容量。

Token 價格從 GPT-3 時代的每百萬 20 美元跌到 Luna 的 0.2 美元，用量是上去了，但營收卻遠遠跟不上價格下跌的速度，換來的反而是一場價格戰：OpenAI 在 GPT-5.6 上市僅 21 天後，就被迫把 Luna 砍價 80%，而競爭者從 Google 到中國的智譜，都在同一條道路上狂奔。但價格戰其實只是表面。致命的是，AI 大概是人類史上最「重資產」的產業：臉書當初宣布在路易斯安那州砸一百億美元蓋資料中心的時候，承諾的長期職缺也不過五百多個。

馬克思所說的利潤率下降趨勢，講的正是這件事：機器本身不創造新的價值，只有人的勞動會 – 當幾兆美元湧進一個幾乎不僱人的產業，越來越多的資本，就得從相對越來越少的勞動所創造的價值裡分利潤，每一塊錢資本能帶回的利潤自然越來越薄。要扭轉這個趨勢，AI 得真的讓其他產業的生產力大幅提升，但麥肯錫那 6% 的數字說明，這一天還沒有到來。

更根本的問題在於，就算傑文斯悖論在 AI 領域完全成立，它也從來不是一個關於繁榮的論述 – 傑文斯寫《煤炭問題》本來就不是在唱多，他擔心的是煤燒得越快，資本家需要花更多的錢去開採更底部的煤礦，而大英帝國的工業霸權也就越早見底。馬克思對此有更精確的診斷：資本追逐超額利潤的本能，驅使它不斷擴大生產規模，用更高效的機器取代勞動力、用更廉價的產品擠壓競爭者，直到產出遠遠超過市場所能消化的容量。

而為了撐住越來越薄的利潤，資本最直接的辦法又是更用力地壓低工資、裁減人力，偏偏工人的薪水，正是那些「有支付能力的需求」最主要的來源。用馬克思在《資本論》第三卷的話來說，一切真正危機的最終原因，總是群眾的貧窮與他們受到限制的消費，對上資本主義不顧一切發展生產力的衝動 – 這便是過度生產危機的經典路徑。

黃仁勳把傑文斯悖論當作利多來兜售，恰恰是因為他需要投資人相信，AI 的投入與產出之間那道日益擴大的鴻溝不是危機的前兆，而是機遇的證明。「現在沒有回報不代表失敗，只代表我們投得還不夠多」是一套自我指涉的循環論證：晶片的銷量證明了 AI 的前景，而 AI 的前景又合理化了更多晶片的採購。

當這套話術與前述的五千億美元融資平台放在一起看，一切就再清楚不過了 – 既然真正付得起錢的需求遲遲不出現，那就一邊提供敘事，一邊提供槓桿，先把錢借給客戶來買，而那些靠借錢買晶片、收入卻遲遲填不上成本的 AI 公司，正是這場遊戲裡的「次級借款人」。等到引擎裡始終沒有裝上燃料的事實再也遮掩不住時，這筆帳最後要由誰來付，答案其實早就寫好了。

對於台灣來說代表什麼

談到這裡，很多人可能以為這只是輝達本身的問題，或是某種「中美爭霸戰」敘事下的副支線，對於在台灣的我們毫無影響：畢竟，我們並不負責訓練模型，或是建設算力中心，而是設計封裝晶片以及記憶體等等在供應鏈中比較上游的部分。雖然大部分台灣半導體公司的毛利率遠比不過模型公司或是雲服務，但是只要熱潮還在持續，下游的公司仍舊對產業抱有信心並持續投入，單子仍舊會源源不絕。

更何況，就算 AI 真的泡沫化了，世界上很多的電子產品仍舊需要台灣的半導體晶片，像是蘋果的 Iphone ，或是智慧型電視等等 – 這反映在台灣半導體公司那居高不下的股價，以及相較其他亞洲國家逆天的 GDP 成長率。看起來，台灣除了對面的惡鄰居以外，好像已經進入了某種終局之戰，迎向我們的未來只會是光明的，國外的水深火熱好像也與我們完全無關 (就算有，不像那些「不負責的」國外政府，我們的賴神也會幫忙處理的)。

不幸的是，以上這些純屬科幻劇情:  在一個高度資本主義，又同時深受供應鏈全球化影響下的島嶼，我們不可能完全不受到影響。舉一個最直觀的例子來說，因為我們半導體公司最重要的客戶都為美國公司，只要美國的股市受到波動，比方說因為供貨成本太高而導致股價下滑，對於後者來說最直觀能夠拯救股價的方式就是削減台灣的訂單。事實上，Deepseek R1 發布的時候，台灣的股市的確直接受到重創。

除此之外，即便是在半導體供應鏈這個環節上，台灣本身的優勢也正在被逐步消滅 – 首先，越來越多的國家已經認知到半導體供應對於整個 AI 生態的影響，開始在逐步投入資源，不論是美國，日本甚至常被網友取笑慢半拍的歐盟。再來，不論是為了所謂的「地緣政治」安全或是科技統治階級的需求，川普政府開始用高關稅威脅台灣逐步移轉產能到美國，號稱反DEI 戰士的商務部長盧特尼克甚至以台積電未聘僱多元族群涉嫌違法為由施壓，換取更多在美投資。

最後，但也同樣重要的是，中國的晶片產能已從最初的『維持基本運作』與『滿足國家戰略需求』，逐步轉型為具備向外輸出的成熟能力。透過精準對接巴西、東南亞等發展中國家的市場需求，中國半導體成功在歐美以外的地區開闢了全新戰場，展現出強大的市場拓展韌性。雖然以上的因素逐項拆開來看都不足以立刻威脅到台灣的半導體統治地位，但當合在一起的時候，台灣作為「唯一」的敘事已經不再像以前有力。

更恐怖的是，即便面臨到多重結構性的挑戰，台灣政府仍舊將希望跟槓桿全部押在半導體產業上，不論是長期以來維持低利息以方便台灣的公司活用金融市場借貸來打造更大的產能，或是矇起自己的眼睛，在美伊戰爭導致能源價格上漲的時候，強行壓制市場機制，讓這些公司能夠繼續以低成本的方式生產晶片以及半導體 – 當然，政府並不會這樣明言，而是假借「苦民所苦」來實施。問題在於：就算能源的確上漲，但事實上用最多的也還是大公司而不是小民。

台灣的金融產業也是如此 – 為了追求利潤，台灣的銀行大部分都將群眾的資金投入在可以帶來高報酬的美國基金以及債券上，高度地將台灣金融與美國綁定，這在 IMF 特別在報告中點名台灣持有的美金曝險程度高於正常外匯市場交易量的 45% 中便可略知一二。換句話說，如果今天美國 AI 公司確實集體泡沫化，美國股市持續下跌，那麼台灣的所謂榮景會立刻轉變成揮之不去的惡夢。而且，因為台灣長期押注在單一產業，所以也缺乏其他國家那樣子的產業韌性。

但就算輝達的預言完全成功了，台灣的工人階級依然不是最終的贏家，而是金融統治階級以及科技業的高層- 根據主計處的統計，台灣工人的受僱人員報酬占 GDP 比率只有43.1 %，顯著低於韓國，日本以及我們認為生活很悲慘，路上一堆流浪漢的美國。與此同時，企業的盈餘佔比卻來到了將近40%，而這些利潤卻甚至不留在台灣，其中的七成以上是屬於外國法人的。換句話說，我們自始至終都是在幫外國資本家打工。

另一方面，雖然也已經是老掉牙的議題了，不過除了科技業少數的從業人員之外，台灣大部分的工人事實上過得也是水深火熱 – 雖然政府宣稱平均薪資來到了70000多，但仔細審閱之後，事實上的中位數還不到 40000元，簡而言之就是一半的人甚至連 40000 都不到。更可怕的是，對於部分的人來說，薪水不只不漲就算了，有的還直接赤裸裸地倒退 (沒考慮到通膨的情況下) ，試問，這就是賴清德政府的「經濟奇蹟」嗎？

當然，越來越多的人也已經開始意識到了這個現實 – 不論是美光工會在聲明中提及，老闆都只會要勞工共體時艱，但卻不能與之共享富貴，還是乖乖工會指出的，1/3的勞工做了一輩子薪水居然還是一樣。這些並不是孤立的抱怨，而是同一個矛盾的不同表現：台灣的經濟增長建立在壓低勞動成本的基礎上，而AI的金融化只是把這套邏輯推向了極端：更多的資本投入、更少的勞動分配、更高的對外依賴、更脆弱的緩衝空間。

當輝達把晶片變成金融資產、把算力包裝成基礎建設的時候，它綁進去的不只是華爾街的退休基金，也包括高度依附美國資本主義的台灣。這條鏈上的任何一環斷裂，不論是融資機制的崩潰、敘事的破產，還是競爭格局的翻轉，台灣面對的都不只是一時的股價震盪，而是被長期壓制的結構性矛盾一次性爆發。而要真正擺脫這個循環，答案不在於押注下一個產業風口，而在於由勞動者自己來決定生產工具為誰運轉。

《火花》是革命共產國際（RCI）的在台組織台灣革命共產黨所運作的網站。我們是一個為世界各地社會主義革命奮鬥的革命馬克思主義組織。如果您認同我們的理念並有興趣加入我們，可以填寫「加入我們」的表格，致信marxist.tw@gmail.com，或私訊「火花-台灣革命共產黨」臉頁，謝謝！