設計思考 Design Thinking 2026-07-0172

全球運算力五十年成長曲線首度斷軌—AI需求量已經衝出摩爾定律的軌道

讀完這篇，你會知道：

橫跨五十年的全球運算力成長曲線，為什麼在2023年後首度出現明顯斷軌
上一次類似的斷軌發生在1990年代中期，當年究竟發生了什麼事
生成式AI產業目前的營收規模，是否真的撐得起這波破紀錄的算力投資

思考的起點

科技觀察家Azeem Azhar經營的未來趨勢電子報Exponential View，近期發布了一份名為《AI經濟現況》（The State of the AI Economy）的研究報告，試圖從需求端由下而上，重建整個生成式AI產業的真實營收規模。在解讀這份報告的過程中，Azhar特別指出一張圖表格外值得玩味—它畫出了全球運算力存量長達五十年的成長趨勢，而這條線，在最近出現了近三十年來最明顯的一次斷軌。橫跨半世紀、撐過個人電腦、網路、智慧型手機好幾波典範轉移都沒有明顯偏離的趨勢線，為什麼偏偏在這個時間點，被生成式AI硬生生打斷？

Azhar在電子報開頭也提到，這篇分析是他們團隊耗時數月完成的《AI經濟現況》報告的一部分—這份報告試圖從需求端出發，第一次以由下而上、去除重複計算的方式，估算整個生成式AI產業的真實營收規模。換句話說，這張斷軌的圖表，不是憑感覺畫出來的趨勢預測，而是建立在扎實的量化模型之上，這也是為什麼它值得我們花時間仔細拆解。

五十年運算力成長曲線是怎麼算出來的

Azhar的團隊過去五年持續追蹤全球運算力存量，建立了一套涵蓋主機、迷你電腦、個人電腦、筆電、伺服器、手機、物聯網裝置等各類運算設備的模型，估算出全球運算馬力的合理區間值。直到2023年之前，這條趨勢線相當清晰穩定—全球運算力存量以約六成六的複合成長率持續擴張，即使歷經迷你電腦轉向個人電腦、個人電腦再轉向手機這幾波重大平台轉移，這條成長曲線都沒有明顯偏離。

換句話說，這不是一條剛畫出來、還沒經過時間考驗的新趨勢線，而是一條橫跨五十年、撐過好幾次典範轉移仍然維持穩定的長期趨勢。Azhar特別強調，具有五十年歷史、如此穩定的趨勢，本身就帶有相當強的慣性—要打斷它，需要一股非常特殊的力量。而歷史上，能真正打斷這條趨勢線的事件，其實屈指可數。

上一次斷軌，發生在1990年代中期

根據Azhar的分析，上一次類似規模的趨勢斷軌，發生在1990年代中期—當時全球企業才剛走出「索羅悖論」（Solow's paradox，指企業大舉投資電腦科技，生產力卻遲遲沒有等比例提升的現象），接著隨著Windows 95問世與網際網路快速普及，運算力的消費化浪潮全面加速。技術面也同步到位—英特爾Pentium處理器在1993年問世，其浮點運算能力遠優於前代x86晶片，成為這波加速的重要推手。

當時的加速，本質上是一場消費化浪潮—運算力從企業與研究機構的專屬資源，快速普及到一般家庭與個人手上，需求端因此出現爆發式的擴張。這種消費化驅動的成長，有一個相對容易辨識的特徵：隨著滲透率逐漸接近飽和，成長速度自然會放緩，最終回歸到與整體經濟成長更接近的長期步調。

有趣的是，這條趨勢線在2006年前後又重新回歸到長期均值—當時「登納德縮放定律」（Dennard scaling，晶片微縮同時提升效能與省電效果的物理規律）開始失效，晶片廠商被迫轉向多核心架構，這種架構沒辦法讓浮點運算能力平滑擴張。與此同時，個人電腦市場漸趨成熟，行動運算雖然爆量成長，但手機處理器優化的重點是物理限制下的續航與體積，而非純粹的運算力；雲端運算則讓大量運算資源集中化，強調效率而非蠻力堆疊，加上企業從自建自營伺服器轉向雲端，使得整體的運算利用率相對於基期有所提升。多重因素疊加下，趨勢線緩緩收斂回長期均值。

這一次的斷軌：AI加速器讓算力需求暴衝

而這一次的斷軌，起點落在2020年，AI加速晶片開始大量上線的時間點。當前的生成式AI，運作核心是浮點運算能力（FLOP），而全球正在把愈來愈多的「FLOP工廠」快速接上線。Azhar坦言，這條曲線接下來會不會像個人電腦浪潮那樣，重新收斂回長期均值，目前沒有人能給出肯定答案。他個人的判斷是，當前這種異常速度，可能會維持數年、甚至長達十年以上，才會逐漸回歸長期趨勢線。

這個判斷背後，其實牽涉到一個更根本的問題：這一次驅動運算力暴衝的力量，究竟比較像1990年代那種「需求消費化」驅動的加速，還是一種更接近軍備競賽式、缺乏明確終點的投資狂潮？如果是前者，曲線終究會像過去兩次一樣收斂；如果是後者，這場斷軌可能會比過去任何一次都持續得更久，也更難預測終點。

值得留意的是，這一次的驅動力，跟前兩次都有一個明顯的差異—前兩次的加速，都源自運算力向更廣泛的使用者滲透，本質上是「普及」帶動的成長；而這一次，是由少數幾家超大規模科技公司，以前所未見的資本支出規模，集中建設AI資料中心與晶片產能。這種集中式、由供給端主導的投資模式，讓這一次的斷軌，從一開始就帶有更高的不確定性—它究竟是真實需求提前湧現的反映，還是一場賭注式的軍備競賽，答案要等更長的時間才能真正見分曉。

Azhar在文中也提到另一個側面觀察：AI原生企業的組織型態，正變得更加扁平，管理人力的中階主管數量減少，但這不代表管理工作本身消失了，而是轉變了對象—在AI協作愈來愈普及的組織裡，每一位站在第一線的員工，某種程度上都成了管理AI代理團隊的「管理者」。這個側面觀察雖然與運算力曲線是兩件事，卻共同指向同一個更大的圖像：這一波AI浪潮改變的，不只是運算基礎設施的規模，也包括組織與工作本身被重新定義的方式。

換句話說，觀察AI浪潮不能只盯著晶片訂單與資料中心的建設速度，組織內部工作方式的重新分配，同樣是這場斷軌背後不容忽視的一部分。

這也提醒我們，未來趨勢分析從來不是單一指標就能說完的故事，而是需要把技術、經濟與組織這幾條線索交叉比對，才能拼湊出相對完整的圖像。

查查創意在觀察類似議題時，也習慣採取這種多線索交叉比對的做法，而不是只憑單一亮眼數字，就急著下定論。

這條斷軌的曲線，最終留給每一位讀者的，或許不是一個確定的答案，而是一個值得持續追蹤的開放問題。

在確定的答案出現之前，保持提問的習慣，或許就是我們現階段能做的最有價值的事。

這也是查查創意持續透過文章，帶著讀者一起追蹤各種趨勢訊號背後真正意義的初衷。

數字會不斷更新，但追問數字背後意義的習慣，才是真正能陪伴我們穿越不確定性的能力。

這條斷軌的曲線，值得每一位關心科技產業走向的讀者，持續放在心上追蹤下去。

斷軌之後呢？AI經濟能撐起這波投資嗎

光看運算力暴衝還不夠，更關鍵的問題是：這麼龐大的基礎建設投資，有沒有對應的營收撐得起來？Exponential View團隊在《AI經濟現況》報告中給出了目前為止最完整的由下而上估算—過去十二個月，生成式AI產業扣除重複計算後的總營收達一千一百億美元，換算成年化營收，已經超過一千七百五十億美元，成長速度比過去行動網路或網際網路浪潮快上約三倍。

更值得留意的是資本支出與折舊之間的拉鋸戰。報告將運算資產的折舊年限設定為六年、其他基礎設施設定為十四年，計算結果顯示，大型雲端服務商目前歸屬於AI的營收，剛好能夠打平這筆折舊費用—注意，只是「剛好打平」，還沒有留下太多安全邊際。報告同時指出，代幣（token）價格每下降一成，使用量便會增加一到兩成，換算下來，整體支出仍然是增加的，這代表降價策略短期內不會拖垮這個產業的營收成長。

報告也提醒，一美元的計價方式本身其實還有進一步商榷的空間—代幣雖然是目前業界通用的計價單位，但它未必是衡量AI真正經濟價值最好的尺度。研究團隊因此提出「品質調整後產出代幣」的概念，同時納入產出的代幣數量、其中真正對使用者可見的產出比例，以及底層模型能力的高低，藉此建構出更貼近AI產業真實「智慧產出」規模的衡量方式，而不只是單純統計用量與價格。

報告也提到，這份研究刻意排除了幾類不容易估算、卻同樣重要的價值—例如AI為既有廣告推薦系統帶來的內部效益提升，或是大型科技公司透過內部工具節省的營運成本，這些都尚未被納入目前公布的一千一百億美元估算範圍。這也意味著，如果把這些隱性效益一併計入，AI對整體經濟的實質貢獻，很可能比目前公開的數字更高，只是這部分價值目前還缺乏足夠透明、可驗證的揭露方式。

對台灣科技與投資圈的啟示

對長期身處半導體與硬體供應鏈核心的台灣而言，這條斷軌的曲線格外值得關注—因為驅動這波運算力暴衝的晶片與硬體供應鏈，有相當大一部分正落在台灣廠商手中。這既是龐大的商業機會，也隱含著風險：如果這一次的斷軌最終如1990年代般，在數年後收斂回長期均值，代表當前的擴產速度終有一天會超前需求，產業必須提前思考如何因應這種可能的降溫情境，而不是把當前的異常成長率，直接當成永久的新常態來規劃長期產能。

這並不是要否定這波AI浪潮帶來的真實商機，而是提醒供應鏈上下游在規劃資本支出與擴產節奏時，適度保留一些彈性空間—就像1990年代末期網路泡沫前夕，許多電信與硬體業者同樣是根據當時看似永無止盡的成長率規劃產能，最後才發現需求增速終究有其極限。歷史不會簡單重演，但這條斷軌曲線背後的規律，值得每一位身在供應鏈裡的決策者放在心上。

對企業經營者與投資人而言，這份報告提供的價值，不在於給出一個「AI泡沫會不會破裂」的簡單答案，而在於示範了一種更嚴謹的提問方式：與其糾結於單一年度的營收數字是否亮眼，不如追問這些營收成長，能不能持續打平龐大的資本支出與折舊費用；與其只看供給端廠商公布的訂單數字，不如試著理解需求端真正的使用量與消費彈性。這種由下而上、對數字保持懷疑的分析態度，本身就值得台灣企業在評估任何AI相關投資決策時借鏡。

特別值得一提的是，Exponential View團隊在計算折舊費用時，刻意採取相對保守的六年運算資產折舊年限，而不是更長的十年或更久。他們解釋，這個判斷背後有兩個理由：一是目前市場需求仍然超過可取得的AI運算供給，二是資料中心營運商在管理GPU機隊的效率上正持續進步。這種在假設上刻意保留保守空間的做法，本身也是一種值得學習的分析紀律—與其用最樂觀的情境去支撐一個好看的結論，不如用相對嚴謹的假設，去檢驗這個產業的獲利能力是否經得起考驗。

我們的觀點

從設計思考的角度來看，一條橫跨五十年、極少斷軌的趨勢線，本身就是一個絕佳的「同理」對象—它提醒我們，真正值得深究的往往不是趨勢本身，而是趨勢「為什麼在這個時間點斷裂」。史丹佛d.school強調，好的問題定義，來自對現象保持足夠的好奇心，願意追問表面數字背後更深層的驅動力，而不是急著對趨勢下「AI就是未來」或「AI是泡沫」這種二元判斷。這種急著貼標籤的衝動，恰恰是設計思考訓練中最需要被抑制的直覺反應。Azhar這篇分析示範的正是這種態度：他沒有急著給出結論，而是誠實地把兩種可能性都攤開來討論—這一次的斷軌，究竟比較接近1990年代那種終將收斂的加速期，還是一種全新型態、難以預測終點的變化。

這種保留判斷、同時追蹤多方數據的做法，也呼應設計思考在面對高度不確定的未來趨勢議題時，經常採取的立場—與其急著預測未來會發生什麼，不如先把手上能取得的訊號整理清楚，誠實標註哪些是已經確立的事實、哪些仍是有待驗證的假設。查查創意在協助企業盤點未來趨勢時，也經常提醒團隊：一張「異常」的趨勢圖表，價值不在於它證明了什麼，而在於它逼著我們重新檢視，那些我們原本以為理所當然、不會改變的基本假設，是不是也到了該被重新提問的時候。

以這波AI浪潮為例，多數人習慣假設的是「算力愈多就愈好」，但斷軌曲線背後真正該被提問的，其實是「這些算力究竟服務了什麼樣的真實需求」。這正是量化分析與設計思考能夠互補的地方—數字告訴我們趨勢正在發生什麼變化，而保持追問的習慣，則幫助我們不至於被數字的規模感沖昏頭，忘了回頭檢視支撐這些數字的根本假設是否依然成立。