AI 國家隊的層級賽局：南韓硬體、日本基礎、台灣應用——為什麼砸的錢多反而不是贏家

事件摘要

2026 年 6 月內，亞洲三大科技國接連宣布國家級 AI 投資計畫：

• **南韓（6/29）**：李在明政府公布至少 8,800 億美元的「三大超級計畫」，其中半導體投資逾 5,760 億美元，涵蓋晶片製造、實體機器人 AI、AI 資料中心。
• **日本（6/24）**：高市早苗政府提出 15 年累計 370 兆日圓（約新台幣 74 兆元）的「官民投資路線圖」，重點包括基礎研究、人才培養、新創扶持。
• **台灣（6/23）**：行政院啟動國家人工智慧戰略特別委員會，4 年投入 1,300 億元新台幣，聚焦應用場景與產業轉型。

為什麼金額最多的不一定贏

表面上，南韓砸的錢最多（是日本的 12 倍、是台灣的 68 倍），但這個數字本身掩蓋了更重要的邏輯：三國在技術棧的不同層級上打賭。

### 技術棧的三層

想像 AI 的商業生態像一座塔：

``` ┌─────────────────────────┐ │ 應用層（application） │ (誰做得好用、賺錢快) ├─────────────────────────┤ │ 軟體層（software stack）│ (模型、框架、演算法) ├─────────────────────────┤ │ 硬體層（hardware） │ (晶片、製造、功耗) ├─────────────────────────┤ │ 基礎研究層（research） │ (新物理、新架構可能性) └─────────────────────────┘ ```

每一層有不同的「護城河邏輯」：

• **基礎研究層**：回報週期 10-20 年、但一旦成功、後發者很難追趕（先發者累積的論文、人才、專利網絡）。
• **硬體層**：回報週期 3-7 年、需要既有製造基礎、資本密集、規模經濟強。一旦能做、利潤空間大（NVIDIA、TSMC、三星的故事）。
• **軟體 / 應用層**：回報週期 0.5-3 年、最快變現、但競爭最激烈、護城河最薄（今年的 killer app 明年就被複製）。

### 三國的選擇

南韓：押硬體層

• 現狀：三星、SK Hynix 已在記憶體領域稱霸。當 AI 推理 (inference) 耗電量成為瓶頸時，南韓的 HBM（高頻寬記憶體）優勢會放大。
• 賭注：AI 未來 10-20 年的競爭焦點是「誰的晶片更省電、更快」，而非模型本身。用 5,760 億美元強化這個優勢，讓對手無法在硬體層面追上。
• 風險：如果軟體層（比如中國的推理最佳化）或應用層（比如美國的殺手級應用）彌補了硬體差距，南韓的投資就被卡住。

日本：押基礎研究層

• 現狀：日本在量子計算、神經形態晶片、新型架構上有論文與專利基礎，但缺乏製造工藝能力（大量芯片代工已被台灣、南韓搶走）。
• 賭注：未來 15 年內會出現 GPU / TPU 之外的全新計算架構，日本要用官民共同投資搶佔「下一代硬體的物理基礎」。一旦贏了，可以對所有下游廠商收費 / 授權。
• 風險：基礎研究的成功率本身就低（10 個課題只有 1-2 個出現實際應用），時間線太長，政治耐心有限。

台灣：押應用層 + 軟體層的融合

• 現狀：台灣缺乏自有的頂級基礎模型（GPT、Claude 等都是美國/中國），也沒有像南韓一樣的記憶體壟斷，但有 TSMC 這個硬體代工護城河、以及製造業轉型的迫切需求。
• 賭注：不去追 OpenAI 那樣的通用大模型，而是用 1,300 億元在「垂直行業應用」與「本地化軟體棧」上佈局——例如半導體設計軟體、醫療影像 AI、製造業數位轉型工具。快速變現、同時幫台灣既有產業升級。