事件背景
根據 Exponential View 發布的 2026 AI 經濟報告，全球生成式 AI 生態年化營收已達 1,750 億美元，增速是網際網路時代的 3 倍；但這筆營收佔美國 GDP 比例僅 0.42%。表面上看，數字很大；實際上，獲利仍遠未爆發。
這個矛盾背後反映的是一個經典的經濟現象：大基礎設施革命都要先掏空財務報表、才能換得未來的指數級回報。
為什麼營收高但獲利低？
### 1. 折舊成本的無形絞殺
AI 的「營收」主要來自雲端推理（inference）的按次計費、模型訓練的授權，以及相關工具訂閱。但這些營收的邊際利潤被一個看不見的大怪物吃掉：硬體折舊。
GPU、高頻寬記憶體、電源設備、冷卻系統——這些東西的購置成本高達數百億美元、折舊年限 3-5 年。當產業年均資本支出達到 200-300 億美元規模、折舊費用就能吃掉營收的 30-50%。
電信業有過同樣的歷史。2000 年代初的光纖鋪設潮，總資本投入超過 5,000 億美元，但運營商整整虧損了 10 年——直到網路流量飽和、邊際成本才從折舊中解放出來。
### 2. 應用滲透率的臨界點問題
目前 AI 的經濟效益主要集中在三類： - 企業內部成本節約（自動化客服、代碼生成）：邊界清晰、易量化、但天花板明確 - 消費者剩餘（免費搜索、寫作輔助）：數量龐大、但難以貨幣化 - 新增應用（AI 藥物發現、材料設計）：潛力巨大、但仍在試驗期
只有當 AI 應用滲透到經濟的主流業務流程（如制製造品控、金融風險評估、醫療診斷）時，獲利才能從「邊角應用」躍升至「核心流程」。目前的 0.42% 占比說明我們還沒到那個臨界點。
### 3. 代幣計價機制的結構性壓力
當前 LLM 的計價是按「token 數量」——OpenAI o1 約 $60/百萬 token、DeepSeek R1 約 $0.55/百萬 token。
這種計價模型有個致命弱點：價格會因架構創新無情地骨折跳水。當新玩家用更高效的推理路徑出現時，整個市場的邊際收益會同時向下重置。就像 2020-2021 年的雲端計算價格戰——AWS、Azure、Google Cloud 互相殺價，導致虛擬機實例價格下跌 40-60%。
J 曲線在歷史上的重複
### 鐵路時代（1840-1890） - 初期：英國鐵路資本支出達 GDP 的 5%，短期獲利微薄 - 中期：折舊成本與維護費用吃掉大部分營運淨利 - 轉折點：1890 年代，客運與貨運流量突破臨界密度，每英里平均收益大幅上升 - 結果：1900-1920 年鐵路公司獲利率達 8-12%
### 電力時代（1900-1950） - 初期：發電廠與電力網佔工業資本投資的 20% - 中期：家用電化率低於 30% 時，邊際收益不足以覆蓋折舊 - 轉折點：1930 年代，電化率突破 50%，工廠用電成為主流 - 結果：1940-1950 年電力公司邊際成本從 $0.08/度降至 $0.03/度
### 網際網路時代（1990-2010） - 初期（1995-2000）：ISP 與電信商光纖投資達 2,000 億美元 - 中期（2000-2005）：帶寬過剩、流量增速低於預期、運營商虧損 - 轉折點：2005-2008 年，視頻流量指數增長（YouTube 2005 年創立） - 結果：2010 年後帶寬成本從 $50/Mbps 跌至 $1/Mbps，但因應用革命性增長，整體市場獲利反而爆發
目前 AI 經濟處於曲線的哪一段？
基於數據推斷：
營收 1,750 億美元、年化增速 200-300%、佔 GDP 0.42% → 我們還在 J 曲線的上升初期（大約 2-3 年前的網際網路市場規模對標）
可預期的轉折跡象： 1. 應用滲透率從現在的 5-10%（高端企業 + 科技公司）到 30-50%（主流企業） 2. 代幣成本從驚人的價格競爭進入「一致定價」（或走向 inference chip 自建化） 3. 折舊成本相對營收的占比從 40-50% 降至 15-25%
這三件事同時發生的臨界點，很可能在 2027-2029 年。