自 ChatGPT 於 2022 年底推出以來，生成式人工智能（Generative AI）迅速成為全球科技投資的核心焦點。短短兩年間，人工智能已由技術創新演變為全球資本市場的重要投資主題，從晶片製造、雲端運算到大型語言模型（Large Language Models, LLMs），幾乎所有科技產業均積極投入相關發展。市場普遍相信，AI 將如同電力、網際網路一般，成為下一波提升全球生產力的重要通用技術（General Purpose Technology）。然而，伴隨資本大量流入，也開始出現不同聲音。部分經濟學家、投資銀行及創投機構認為，目前市場對 AI 的期待可能已超越其短期商業價值，企業投入的龐大資本支出未必能在未來數年內轉化為相應的投資回報，市場估值因而存在被高估的風險。
AI 投資熱潮：資本市場的集體樂觀
AI 投資熱潮的形成，主要來自市場對生成式人工智能巨大潛力的高度期待。自大型語言模型展現出自然語言理解、程式撰寫、內容生成及知識推理等能力後，各大科技公司紛紛加快投資步伐，建設更大型的資料中心、採購大量 GPU、開發自有 AI 模型，以及擴充雲端基礎設施。Microsoft、Amazon、Google 及 Meta 等全球主要雲端服務供應商，近年均大幅提高資本支出（Capital Expenditure, CapEx），並將 AI 視為未來數十年的核心競爭力。
投資人之所以願意接受如此龐大的投資規模，是因為普遍相信 AI 將成為推動下一輪經濟成長的重要引擎。然而，市場目前對 AI 的估值，很大程度建立於未來成長預期，而非企業現階段已實現的獲利能力。當市場預期遠高於實際商業成果時，便容易形成資產泡沫。因此，真正值得討論的問題並非 AI 是否具有革命性，而是目前市場是否過度高估了 AI 商業化的速度與規模。
Goldman Sachs：AI 生產力革命可能需要更長時間
針對市場日益高漲的樂觀情緒，Goldman Sachs Research 在 2024 年發表的研究報告提出較為審慎的觀點。該研究認為，人工智能確實具有提升生產力與促進經濟成長的潛力，但這種影響並不會立即反映於企業獲利或整體經濟表現，而是需要相當長的時間才能逐步實現。
報告引用歷史上的技術革命作為比較，指出十九世紀電力技術的發明雖然改變了工業發展方向，但真正帶動生產力大幅提升，卻是在工廠重新設計生產流程、企業調整組織管理方式之後。同樣地，AI 的真正價值並不只是模型本身，而在於企業是否能重新設計工作流程、改善決策模式及培養具備 AI 能力的人才。若企業僅導入 AI 工具，而未同步推動組織變革，其生產力提升效果將十分有限。因此，Goldman Sachs 認為，AI 對全球經濟的全面影響，很可能需要十年以上才能充分展現。
Daron Acemoglu：市場可能高估 AI 的短期經濟影響
麻省理工學院（MIT）經濟學教授、2024 年諾貝爾經濟學獎得主 Daron Acemoglu 亦對 AI 的短期經濟效益提出保留。他在研究中指出，目前 AI 最適合處理的是標準化程度較高、重複性較大的知識工作，而真正能夠完全取代人類工作的範圍仍然有限。根據其估計，未來十年間，AI 深度影響的工作比例約為 20% 至 25%，真正實現高度自動化的工作則更少，因此 AI 對整體 GDP 的累積貢獻可能遠低於市場目前普遍預期。
Acemoglu 特別提醒，資本市場往往容易將技術的長期潛力提前反映於企業估值之中。換言之，市場今日支付的價格，反映的是對未來十年至二十年的樂觀預期，而非企業當前實際創造的現金流。若 AI 商業化速度低於預期，企業估值便可能面臨修正壓力。
Sequoia Capital：AI 收入能否追上投資規模？
除了學術界之外，創投產業同樣開始關注 AI 投資是否存在過熱現象。Sequoia Capital 合夥人 David Cahn 在廣受討論的〈AI’s $600B Question〉一文中指出，目前 AI 生態系統的最大問題並非技術，而是投資與收入之間出現明顯落差。
Cahn 指出，全球科技公司正以前所未有的速度投入 AI 基礎建設，包括 GPU 採購、資料中心建設、高速網路及模型訓練。然而，如此龐大的資本支出，最終仍需要透過企業收入來支撐。如果 AI 生態系統每年無法創造足夠的新收入，便難以合理解釋目前的投資規模。他並未否定 AI 的長期潛力，而是認為市場可能過度樂觀地估計企業採用 AI 的速度，以及客戶願意支付 AI 服務費用的能力。
高昂的推理成本與未成熟的商業模式
AI 面臨的另一項重要挑戰，在於其營運成本遠高於一般數位服務。市場往往關注大型模型訓練所需的 GPU 數量，但實際上，模型部署後的推理（Inference）成本才是長期營運最大的負擔。每一次使用者查詢，都需要 GPU 即時運算，不僅消耗大量電力，也增加散熱、設備維護及硬體折舊等成本。隨著 AI 應用規模持續擴大，推理成本可能成為影響企業獲利能力的重要因素。
另一方面，目前許多 AI 產品仍處於市場培育階段，不少企業透過免費試用、低價訂閱或補貼策略吸引用戶，真正能夠建立穩定且高利潤商業模式的案例仍相對有限。因此，即使 AI 使用人數持續增加，也未必能立即轉化為足以支撐龐大基礎建設投資的現金流。
GPU 投資是否過度集中？
近年 NVIDIA 因 AI 晶片需求激增而成為全球最受矚目的科技公司之一，其 GPU 幾乎成為大型語言模型訓練的標準平台。然而，部分市場分析師開始擔心，企業目前採購 GPU 的速度是否已超越實際需求。若未來 AI 應用普及速度低於市場預期，部分企業可能面臨 GPU 使用率不足、設備快速折舊及投資回收期延長等問題。雖然目前全球對 AI 運算能力仍維持高度需求，但若企業無法持續擴大 AI 商業應用，過度集中的基礎建設投資仍可能帶來一定風險。
AI 是否重演 Dot-com 泡沫？
AI 熱潮經常被拿來與 1990 年代末期的網際網路泡沫相比。兩者都建立於市場對新技術將徹底改變世界的高度期待，也都伴隨大量創投資金湧入、企業估值快速上升及基礎建設大規模擴張。然而，兩個時代仍存在重要差異。2000 年許多網路公司幾乎沒有穩定收入，主要依賴市場融資維持營運；相較之下，目前主導 AI 投資的 Microsoft、Google、Amazon 及 Meta 等企業本身已擁有龐大的現金流與成熟商業模式，因此即使 AI 投資需要較長時間才能回收，企業仍具備足夠能力承擔相關風險。
因此，更合理的推論或許不是 AI 將重演 Dot-com 崩盤，而是市場可能經歷一段估值調整與產業整合過程。部分缺乏競爭優勢或商業模式的新創企業可能遭到淘汰，而真正具備技術實力、資金規模及生態系優勢的企業，則有望在市場修正後進一步鞏固領導地位。
AI 的真正挑戰是商業化速度，而非技術能力
綜合目前研究可以發現，多數學者與產業分析師並未否定 AI 的長期價值，而是對市場過度樂觀的短期預期提出質疑。Goldman Sachs、Daron Acemoglu 及 Sequoia Capital 的研究均指出，AI 的技術突破已無庸置疑，但企業是否能在短時間內建立成熟商業模式、有效降低推理成本，並將龐大的資本支出轉化為持續穩定的現金流，仍有待時間驗證。
從經濟史的角度來看，每一次重大技術革命都曾伴隨投資泡沫與市場修正。鐵路、電力、汽車及網際網路皆曾歷經類似過程，但最終仍深刻改變全球經濟結構。AI 很可能也將遵循相同軌跡：短期內市場可能因過高預期而出現估值修正，但從長期來看，人工智能仍將成為推動下一波生產力革命的重要力量。對投資人而言，真正值得關注的並非市場情緒的起伏，而是企業是否具備持續創新、建立商業模式，以及在 AI 時代創造長期價值的能力。
