Broadcom 行政總裁陳福陽與 Intel 行政總裁陳立武本週一在新加坡同場發言，指出資金及資金成本可能取代晶片、記憶體和電力，成為人工智能基建擴張的最大限制。
雙方同時預期算力供不應求的局面最少延續 2 至 3 年，陳福陽更估計供需失衡或持續至 2029 年甚至 2030 年，隨着美國債息升至 2007 年以來高位，業界一方面要面對更高的融資門檻，另一方面要回答人工智能投資何時見回報的問題，而推理及代理式人工智能的普及，正同步改寫數據中心的硬件組合與企業採購算力的思路。
晶片業掌舵人同場示警 融資壓力或比硬件短缺更難破解
陳福陽在 DBS 於新加坡舉行的首屆亞洲前瞻論壇上表示，他認為人工智能發展最大的限制可能是資本，而非業界過去 2 年不斷追趕的半導體、記憶體晶片或電力供應，陳立武亦提出相近看法，認為擺在眼前的挑戰是資金及資金成本，較長遠而言市場會要求看到實際投資回報。2 位行政總裁的言論反映產業焦點正在轉移，過去業界討論的是「買不到」，現在逐漸變成「付不起」與「值不值」。
美國 10 年期國債孳息在 9 月底升至約 5.17%，創 2007 年以來新高，令依賴舉債興建數據中心及採購晶片的科技企業面對更高借貸成本，Morgan Stanley 預計今年與人工智能相關的債券發行量接近 5,700 億美元（約港幣 4 兆 4,460 億元），規模較 2025 年接近增倍；Penn Mutual Asset Management 的分析則指出，高收益數據中心債券的息差自 6 月起再度擴闊，反映投資者對執行難度高的基建項目轉趨審慎。數據中心往往要數年才開始產生回報，融資成本越高，項目的經濟效益便越受壓。
晶片、記憶體與電力樽頸輪番出現 產能擴充提供紓緩時間表
陳福陽形容業界過去 2 年接連遇上樽頸，最終都能逐一克服，並預期今天的記憶體短缺 1 年後未必再出現，他估計晶圓供應緊張可望在 2028 至 2029 年緩和，電力供應亦會隨新基建落成而改善。
今年最受市場注視的記憶體短缺，源自人工智能加速器大量採用高頻寬記憶體（HBM），每 GB 的 HBM 需要消耗約 3 至 4 倍於標準 DRAM 的晶圓產能，Samsung、SK Hynix 及 Micron 先後表示今年 HBM 產能已基本售罄，廠商將產能轉向 HBM 的決定，亦令傳統 DRAM 供應緊張，TrendForce 數據顯示今年首季傳統 DRAM 合約價按季急升 90% 至 95%，影響延伸至手提電腦及智能電話。
晶片封裝是業界較少留意的另一道關卡，台積電的 CoWoS 先進封裝負責把運算晶片與 HBM 緊密整合，業界估計其供需缺口將由約 20% 收窄至今年底約 10%，台積電亦計劃到 2027 年把相關產能再提升逾 60%。
電力方面的限制則更具結構性，Uptime Institute 預測電力將成為 2026 年及以後數據中心增長的決定性限制，因為大型數據中心約 3 年可落成，大型太陽能發電場卻需時約 5 年，燃氣發電站約 6 年，核電站更要 10 年以上，不少營運商因而在場內自設燃氣渦輪機，繞過漫長的電網接駁輪候，但渦輪機本身亦出現數年的訂單積壓。
推理與代理式人工智能興起 硬件組合由 GPU 主導走向多元
人工智能工作負載由訓練轉向推理，再進一步走向能自主執行任務的代理式人工智能，正令數據中心的晶片組合出現明顯變化，Broadcom 9 月公布的業績顯示，特製加速器 XPU 已佔其人工智能收入 73%，客戶增至 6 家；OpenAI 首代特製加速器 Jalapeno 已經付運，Broadcom 預計 OpenAI 到 2028 年的部署規模超過 5 吉瓦，Anthropic 則有望在 2027 年成為其最大 XPU 客戶。特製晶片針對特定模型的運算模式進行最佳化，每瓦效能高於通用 GPU，在電力成為硬限制的情況下，能源效率直接決定同一座數據中心可輸出多少算力。
Intel 看到的則是中央處理器需求回升，陳立武早前指出，模型訓練時代大約以 1 個 CPU 配 8 個 GPU，推理工作負載已走向 1 比 4，部分客戶更提到代理式人工智能需要 4 個 CPU 配 1 個 GPU，因為代理系統需要大量通用運算負責任務編排、調用工具及強化學習，Intel 計劃 2028 年試產 14A 製程、2029 年量產，期望在先進晶圓代工上與台積電同期競爭，為市場提供台積電以外的產能選擇。
企業部署人工智能 要由搶算力轉向算清每項應用的回報
算力供不應求可能延續至本年代末，意味企業在雲端租用 GPU 的價格與供應短期內難以明顯放寬，記憶體漲價亦會推高伺服器與手提電腦的更換成本，企業資訊總監宜提早規劃硬件更新週期，並與雲端服務商洽談較長期的算力配額，避免在需求高峰時才臨時搶購。
融資成本上升最終會反映在雲端服務定價之上，企業選用模型時更需要考慮推理效率，例如以較小型或經蒸餾的模型處理日常工作，只在必要時調用大型模型，並評估雲端服務商以特製晶片提供的推理服務，往往可取得較低的每次運算成本，陳立武強調企業需要透過提升效率與建立新商業模式證明人工智能的實際回報，管理層因此應為每個應用場景設定可量度的指標，而非以試驗項目數量衡量進度。
2030 年後的增長 取決於應用普及速度與模型能力能否持續突破
雙方對未來數年的需求保持樂觀，陳立武預料行業在未來 2 至 3 年不會明顯放緩，因為人工智能應用與算力需求持續增長，陳福陽則提醒，如果先進模型的普及速度令人失望，或者模型能力的進步開始見頂，算力基建需求有可能放緩。
由此看來，人工智能基建的下一個階段將由技術與財務雙重因素決定，硬件樽頸隨產能擴充逐步紓緩，資金能否持續投入則取決於企業應用能否產生真金白銀的效益，對企業決策者而言，未來數年的關鍵不在於搶先購入最多算力，而是以最有效率的硬件與模型組合，把人工智能轉化為可量度的業務成果。
來源：CNBC
