第 232 集里程碑：貓貓AI 科技與財經脈動的共同判斷
貓貓AI 科技與財經脈動 · Episode #232 · · PT39M52S
Host · 小明
Transcript
欸，熙宇，你看這個時間過得真快，我們的貓貓AI都做到第232集了欸！ 感覺才沒多久，我們就從當初對AI的各種「哇賽」聲，一路走到現在， 開始談「到底要怎麼賺錢」這個殘酷現實。
我還記得，那時候大家看到AI，眼睛都發亮，覺得什麼都是可能， 什麼都充滿想像空間。
對啊，小明。 所以今天這集，我覺得特別有意義，它不是一般的新聞串燒，而是我們一起回頭看看， 過去這幾十集節目，我們跟大家共同建立的那些判斷，現在是不是真的被市場驗證了。
我記得我們從大概EP231那時候，就開始不斷強調AI投資正在從「本夢比」走向「本賺比」， 那時候很多人覺得這根本就是老生常談，但我們看到的是，這個轉變比大家想像的要快、 也要更殘酷。
沒錯！ 那時候一堆人還覺得我們是不是太保守，說AI根本就是無限可能， 什麼本夢比不本賺比的，太煞風景了。
結果呢？ 現在市場的風向完全變了嘛！ 我還記得我們EP229那集，就開始瘋狂敲碗「實體護城河」的重要性， 警告大家不要只看軟體、看模型，硬體跟基礎設施才是最穩的，
現在看來，簡直是先知啊！
確實是這樣。 那今天呢，我們就用兩個最新的、非常具代表性的事件，來當作我們這些「共同判斷」的最新實錘。
這兩個事件形成一個極端對比，一個是通用AI的宏大願景，一個是垂直應用AI的務實落地。
喔？ 是哪兩個事件這麼有代表性？ 快說快說，我已經迫不及待要看市場是如何打臉那些盲目追逐「本夢比」的人了！
第一個，是大家都很期待、而且聽起來就超級燒錢的——Google DeepMind的「世界模型」Project Genie 3，
這是他們這個世界模型的最新版本，它現在已經開放給訂閱戶使用了， 這代表通用AI的發展，從實驗室的夢想，正一步步走向商業化探索的戰場。
哇，Genie 3！ 這個「世界模型」聽起來就是一個超級大夢想啊，Google那種燒錢不手軟的風格。
另一個呢？
另一個則是來自台灣本土，非常務實，而且是「國家隊」等級的——「台灣金融大語言模型， FinLLM」的正式啟動。
這是一個在高度監管下，尋求垂直應用落地的典範。 這兩個事件，一邊是通用AI的宏大野望、鉅額資本支出與仍待驗證的變現能力；
一邊是垂直應用AI的在地化深耕、強調合規與「信任溢價」的實際獲利潛力。 但它們都在指向同一個核心：AI到底能不能真正變現？
以及，如何在通用AI的鉅額資本支出與垂直應用的實質獲利之間， 找到具備『本賺比』與『實體護城河』的黃金機會？
更重要的是，台灣如何把握「非紅鏈信任溢價」在AI浪潮中的關鍵角色。
OK，所以說穿了，就是要看「燒錢的效率」跟「賺錢的本事」嘛！ 講白話一點，就是我們常講的「本夢比」跟「本賺比」的終極對決。
這就好比一邊是馬斯克喊著要上火星、要蓋超迴路，充滿無限想像； 另一邊則是巷口的水電工，雖然看起來沒那麼炫，但只要你有漏水、 有跳電，你就得找他。
這兩種生意模式，在AI時代各自代表了什麼樣的投資價值？ 那，我們先從Google這個燒錢大戶，他們的世界模型Genie開始聊起好了。
這個「世界模型」，到底是什麼鬼？ 聽起來超級玄。
好，那我們就先從Google世界模型Project Genie 3開始聊。 小明，你剛說它很玄，其實一點也不玄。
講白話一點，所謂的「世界模型」，就是讓AI學會像人類一樣， 去理解這個世界運作的物理法則跟因果關係，然後呢，它甚至可以「想像」出一個虛擬的世界。
就像一個超會玩沙盒遊戲的玩家，它不只會玩遊戲裡的內容，它還能自己蓋出一個全新的遊戲世界， 而且這個世界還遵循著一套它自己學來的「物理定律」。
想像？ 這不是科幻電影才有的東西嗎？ AI自己蓋個元宇宙？ 還自己定義物理規則？ 我的天，這聽起來太瘋狂了！
這比現在那些VR、AR什麼的，還要更像真實版的「駭客任務」啊！
差不多是那個意思。 Genie 3最厲害的地方，就是你可以給它一段文字提示， 比如說：「想像一個機器人，在充滿積木的房間裡跳來跳去。
」它就可以立刻生成一個互動式的虛擬環境，而且是24fps， 講白話一點，就是每秒24幀畫面，這種幾乎是電影等級的即時流暢畫面。
你甚至可以控制這個虛擬世界裡的「角色」去進行各種操作，讓它動起來、 與環境互動。 現在，這個實驗性原型已經開放給美國的Google AI Ultra訂閱用戶使用了，
這是一個非常關鍵的里程碑，代表這項技術正從純粹的實驗室研究走向實際產品的初期探索。
哇！ 24fps耶！ 這聽起來是遊戲開發者的夢幻工具啊！ 那這跟我們之前常常講的那些什麼Stable Diffusion、 Midjourney這種AI繪圖有什麼不同？
那些不是也能生圖、生影片嗎？
差別很大。 一般的圖像生成，你給它提示詞，它給你一張圖或一段影片，就結束了， 它只是創造一個視覺結果。
但Genie 3不只是生成，它是生成一個「可互動」的虛擬世界。 這意味著它的AI不只懂「長什麼樣子」，還懂「怎麼動」、「怎麼互動」， 它背後有更深層的物理和行為邏輯在支撐。
它不只是畫出一個靜態場景，它能讓這個場景「活起來」，而且使用者可以介入操作。 Google DeepMind的研究科學家Jack Parker-Holder也提到，
這對於未來AI智能代理的訓練，甚至是機器人的虛擬模擬使用場景都非常強大。 想像一下，未來機器人可以在這樣的虛擬世界裡，反覆訓練各種動作和判斷， 直到它在現實世界裡也能完美執行。
實驗性原型？ 聽起來有點像那種剛推出、Bug還很多，但概念很炫的遊戲搶先體驗版。 那Google燒這麼多錢，肯定不是為了讓大家玩遊戲吧？
他們想幹嘛？ 難道他們真想打造一個虛擬版的地球，然後在裡面賣廣告嗎？
你說到重點了。 Google投入這個世界模型，絕對不只是為了好玩，更不是為了賣虛擬土地。 這背後是龐大的戰略佈局。
我們上次聊到Alphabet公布2026年第一季財報的時候， 就提到他們把今年的資本支出預估，大幅上調到誇張的1,800億到1, 900億美元。
這筆錢，天文數字啊，主要就是拿去投入AI跟雲端基礎設施的建設。 執行長Sundar Pichai在財報電話會議上也坦承， 公司目前仍然受限於算力不足。
他說如果能滿足市場需求，Google Cloud的營收還會更高。 這句話背後，就是在說他們的AI服務訂單是爆滿的，但算力跟不上， 所以才要瘋狂投資。
而且，現在Genie 3也已經跟Google街景服務深度整合了， 未來可以用在Waymo自動駕駛訓練這種高價值、高精確度要求的應用上， 這也是一個巨大的商業潛力。
1,900億美元！ 我的老天爺啊！ 這到底是什麼概念？ 這比很多中小型國家的年度預算都還高了吧？
這燒錢速度簡直是在印鈔票啊！ 他們是錢多到沒地方花嗎？ 難怪Alphabet的股價過去一年可以飆漲超過116%， 這麼燒錢，根本就是把錢變成他們護城河的牆磚啊！
這是在用鈔能力築起一道別人難以企及的實體護城河！
沒錯，這就是他們在構築「實體護城河」最直接的方式。 不過這裡有個關鍵，Genie 3作為原型，它離真正大規模的商業應用還有距離。
在今年3月的GDC遊戲開發者大會上，Google也透露它在生成環境的一致性上有所提升， 但大約只能維持一分鐘，超過這個時間畫面還是會「崩壞」，本質上更接近逐幀拼接影片，
而非真正穩定持久的3D環境。 這顯示它的技術離完全成熟，還有很長的路要走。
什麼？ 一分鐘就會崩壞？ 這不就是說，我剛開始玩得很開心，結果一分鐘後整個世界就「大爆炸」了？ 那不是會生成一個虛擬的、可互動的真實世界？
這就厲害了！ 等一下，你剛說那個什麼「幻覺」問題，這個世界模型也會有幻覺嗎？ 如果我用它模擬出來的街景，結果它把紅綠燈搞錯，那不就變成虛擬的「移動式神主牌」？
這不是在幫自動駕駛訓練，這是在幫自動駕駛「製造車禍」啊！
這就是關鍵挑戰所在。 Genie 3作為一個原型，它生成出來的虛擬環境，有時候動作空間會受限， 多代理互動的複雜性也高，當然，也存在你說的「幻覺」問題。
所謂的AI幻覺，就是指模型生成了聽起來很合理，但實際上卻是虛構、 錯誤或誤導的內容。 最近有報導就指出，Google Gemini 3在脫離搜尋環境單獨執行時，
幻覺率仍高達約28%，這其實是一個不低的數字。 想像一下，如果你是自動駕駛系統，28%的機率判斷錯誤，這根本就是災難。
這種幻覺問題，在過去不是一直被說是什麼「AI的根本缺陷， 無解」嗎？ 搞得好像AI永遠都不可能真正可靠一樣。
現在的說法是？ 有什麼新的進展嗎？
現在業界普遍的共識是，它已經從「無解的根本缺陷」轉變為「可管理的技術挑戰」。 意思就是，我們知道它會出現，但我們可以透過優化提示詞、加入查核機制、
多模態驗證，甚至結合人類的協同作業，來大幅降低幻覺的發生率和影響。 沃頓商學院教授Ethan Mollick就曾說，我們已經越過「幻覺」階段， 進入更微妙、更「人類」的缺陷區。
但即使是「可管理」，在金融、醫療、自動駕駛這種高精確度、 高敏感度的應用場景，即使是低錯誤率也可能造成災難性的後果。
所以對Genie 3來說，如果它要真正商業化、應用到Waymo這種自動駕駛領域， 甚至是遊戲、機器人訓練，降低幻覺就是它要跨越的巨大商業考驗。
這可不是個小問題，而是直接關係到它的「本賺比」能否實現。
所以說，Google這個世界模型Genie，雖然看起來很炫、 很未來，但它還在燒錢跟解決「幻覺」問題的路上。
投資人現在看它，還是得先抱著「本夢比」的期待，然後再等「本賺比」的考驗。 這根本就是看一個超級燒錢的科技大亨，能不能把它的「鈔能力」真的變成印鈔能力。
但他們砸這麼多錢，肯定都跑到某個地方去了嘛。 這筆天文數字般的CapEx，到底在加速誰的「本賺比」呢？
總不會這些錢都蒸發了吧？
沒錯，小明問得好。 Google為了支撐Genie這類世界模型，以及更廣泛的生成式AI服務，
投入的這些天文數字般的資本支出，其實就等於是把錢直接塞進了整個AI產業鏈的「實體護城河」裡面。 這些錢最終都流向了那些提供基礎設施的「AI水電工」們，讓他們的「本賺比」飆升，
因為這些基礎設施是AI運行不可或缺的。
「AI水電工」！ 這個比喻我們之前在EP231也提過，當時就說他們是AI淘金潮的賣水人， 現在看來，簡直是挖到金礦的賣水人啊！
而且是在這場看似虛無飄渺的AI夢想中，最腳踏實地，最能實實在在賺錢的人。 那這些錢到底都跑到誰的口袋裡去了？
給我們點具體的例子嘛！
首先，當然就是AI晶片本身。 Nvidia的Blackwell Ultra、Vera Rubin這些新一代晶片， 功耗直接飆升到單顆1200到2700瓦。
這種功耗是什麼概念？ 就是說，以前一台伺服器可能才幾百瓦，現在單顆晶片就抵過好幾台伺服器。 一個機櫃塞滿這種GPU，功耗直接突破200到250千瓦。
這導致傳統的基礎設施完全無法承受，必須全面升級。 沒錯！ 而且這還牽動了上游的HBM，也就是「高頻寬記憶體」，一種專為AI晶片設計、 傳輸速度超快、容量超大的記憶體；
還有CoWoS，這是一種先進的晶片封裝技術，講白話一點， 就是把好幾顆晶片像堆樂高一樣疊在一起，讓它們靠得更近、跑得更快， 但同時也更難做。
仲量聯行在報告中就指出，全球對AI算力的需求正從模型訓練邁向規模化「實時推斷」， 這會讓對HBM的需求更加爆增。
HBM的市場規模預計到2026年會達到驚人的546到660億美元， 而且產能缺口還會維持在50%到60%。
你知道嗎，生產1GB的HBM，大約要吃掉3倍以上的DDR5晶圓產能， 而且HBM3e的良率僅有40%到60%，遠低於一般記憶體的90%。
這代表HBM不僅貴，還很難生產。
50%到60%的缺口！ 這根本是排隊排到天荒地老還買不到的概念吧？ 難怪台積電、SK海力士這些CoWoS和HBM的廠商，都賺得盆滿缽滿， 他們的股價根本是火箭升空一樣。
風傳媒在去年11月就報導說，台積電2026年CoWoS產能缺口高達40萬片， 到2027年甚至擴大到70萬片，這不是供不應求，是根本搶不到！
這就是在AI時代，最硬核的「實體護城河」啊！
就是這樣。 因為晶片這麼熱，這麼耗電，傳統的氣冷散熱根本撐不住了。 傳統的風扇吹一吹根本是杯水車薪。
所以，液冷散熱技術就成了AI伺服器的「標配」。 優分析UAnalyze指出，市場預計到2026年，液冷散熱在AI伺服器裡的滲透率會直衝76%。
你知道液冷機櫃的單櫃產值，比傳統氣冷要高出多少嗎？
多少？ 總不會翻倍吧？ 那也太驚人了！
是四倍！ 整整四倍啊！ 這就是為什麼你看看奇鋐、雙鴻這些散熱模組廠，最近的營收跟獲利簡直是火力全開，
奇鋐的第一季營收獲利甚至創了歷史新高，雙鴻在去年法說會也預估2026年伺服器營收占比將衝七成。 這就是典型的「本賺比」狂潮。
匯豐銀行最近甚至將思科Cisco升級為「買入」，因為他們認為AI基礎設施需求的激增已從根本上重塑其增長前景。
這說明連傳統的網路設備商，也因為AI的需求而看到了新的春天。
四倍！ 這真的很扯欸！ 難怪最近這些散熱股都在噴。 可是，這些AI伺服器這麼吃電，光有散熱還不夠吧？
總得有電才能動啊！ 沒電，這些晶片再厲害也只是一堆昂貴的廢鐵啊！
完全正確！ 這就是我們今天要講的「實體護城河」最底層、也最容易被忽略但又最關鍵的一環： 電力。 AI數據中心對電力的需求已經到了非常驚人的地步。
高盛在今年5月發布報告指出，美國數據中心用電需求在未來兩年內可能翻倍， 從2025年的31GW升至2027年的66GW，屆時將占美國夏季峰值電力需求約8.5%。
而且全球主要市場電網接入的平均等待時間已經超過4年。 去年5月，美國就發生了一件歷史性的併購案，NextEra Energy以670億美元收購了Dominion Energy。
這可是美國史上最大規模的公用事業併購案，背後最主要的原因， 就是AI數據中心對電力的巨大需求，使得電力基礎設施的價值被重新估計。
什麼？ 電力公司也因為AI而身價暴漲？ 這不就是我們之前在EP228、EP222那些集數就一直警告的問題嗎？
台灣電網的負荷啊、水資源的壓力啊，這些實體瓶頸，現在終於在美國也爆出來了！ 高盛的分析師還說，未來AI算力競賽不只取決於誰拿得到輝達GPU，
更取決於誰能取得穩定、廉價且可快速接入的電力，這不就是我們講的「電工荒」！ 誰有電，誰才有資格玩這場AI遊戲！
是的。 國際能源署的數據也顯示，歐洲電價飆升，導致很多數據中心的投資都開始轉向電價比較低的地區。
這直接影響了歐洲在AI發展上的競爭力，甚至讓部分國家在全球AI版圖中被邊緣化。 而且，美國前總統川普甚至要求AI資料中心業者要「自建、自帶或自購」所需電力，
嚴禁轉嫁成本給一般民眾，這也讓AI巨頭們開始往上游找電力， 甚至考慮投資能源產業。 反過來看台灣，我們的大同這家公司，也因為AI數據中心對變壓器的強勁需求，
接到了好幾筆北美市場的大單，預計2026到2027年陸續出貨。 這就是台灣的「AI水電工」在國際市場上分食大餅的具體案例， 這些都是實實在在的「本賺比」！
所以，表面上看是AI燒錢，但骨子裡，這錢是流向這些有「實體護城河」、 提供底層基礎設施的「AI水電工」們，讓他們賺得盆滿缽滿。
而且現在的宏觀經濟，高利率、高通膨，對吧？ 資金正在重新尋找更安全、更具確定性的投資標的。
沒錯。 在高利率與通膨擔憂的宏觀經濟逆風下，市場對AI投資的「本夢比」清算速度是加速的。 我們之前EP223那集就討論過，席勒本益比已經高到歷史次高點， 市場對估值是高度警惕的。
所以，資金開始轉向我們常說的高盛「HALO策略」——這個HALO， 其實就是Heavy Asset, Low Attrition Risk的縮寫，
翻譯成白話就是「重資產、低淘汰風險」的公司。 高盛的報告也指出，AI有望在2026年上半年迎來正向毛利率拐點， 因為主流模型裡處理訊息的基本單位，我們稱之為Token，
你可以想像成AI理解和生成文字時，一個個最小的字詞或符號單元， 它的定價趨穩，而底層算力成本仍以每年60-70%速度下降。
這就證明了AI投資正在從「燒錢」轉向「獲利」，而這些水電工就是最大的受益者。 而且，AI對晶片、電力、勞動力的巨大需求，也推升了成本，
形成了我們之前EP224、EP225談過的「晶片通膨」。 這些成本最終還是會轉嫁到終端產品和服務上，等於這些「水電工」有很強的定價權， 他們的利潤空間也因此擴大。
這證明了「實體護城河」在AI時代的價值正在被重新評估，甚至被放大。
講得我熱血沸騰！ 這些「AI水電工」簡直是AI淘金潮裡，真正能從泥巴裡挖出金子的硬核玩家。 所以，當Google這種通用AI巨頭還在燒錢、還在跟「幻覺」搏鬥的時候，
那些實實在在的基礎建設供應商，已經把鈔票放進口袋了。 這就好像，你去一個淘金熱的鎮上，最穩妥的生意永遠是賣水、 賣鏟子、賣帳篷的，對吧？
他們不參與淘金，但他們讓淘金的人能活下來、能挖到金子。
對啊，這是歷史一再驗證的鐵律。 不過，話說回來，除了Google這種通用型AI的巨額投入帶動基礎設施， 另一條AI變現的路徑，是在高度監管的垂直產業裡，透過「信任溢價」來創造價值。
這就帶我們看到今天另一個重要的事件：台灣金融大語言模型， FinLLM的啟動。 這是一個更貼近我們日常生活，也更考驗在地智慧的實戰案例。
FinLLM！ 這個我們之前EP224、EP221、EP215就稍微提過幾次了， 這次是真的要動起來了對吧？
而且還是「國家隊」等級的！ 那這個FinLLM，台灣的金管會跟金融機構是打算怎麼玩？ 它跟Google這種「世界模型」有什麼不一樣？
感覺一個是高科技，一個是接地氣啊！
FinLLM這個專案，它是由金管會指導，金融科技產業聯盟推動的。 簡單來說，就是台灣的16家主要金融機構，包括中國信託金控擔任召集人，
加上技術夥伴，像是亞太智能機器APMIC，大家一起組成了「國家隊」。 這個核心目標，就是要建立一個「最懂台灣金融」的在地化大語言模型。
這個專案也被納入國家級AI新十大建設推動方案，其戰略意義不僅是商業上的， 更是國家安全和產業自主的體現。
最懂台灣金融？ 什麼意思？ 難道Google的Gemini不懂台灣金融嗎？ 那些通用模型不是什麼都能回答嗎？
感覺他們比我們這些金融從業人員還懂吧？
這就是「主權AI」和「信任溢價」的核心概念了。 通用型的大語言模型，像是GPT、Gemini，它們雖然很強， 但畢竟是拿全球數據訓練的，對於台灣這種高度監管、法規獨特、
專有名詞多到爆的金融業來說，它們會有「水土不服」的問題。 比方說，台灣的『金融消費者保護法』、『洗錢防制法』、『個人資料保護法』等等， 這些細節跟語境，通用模型很難完全理解。
馬克解讀金融科技就提到，通用模型在客服聊天場景可能只是讓人尷尬， 但這還算輕微，如果在金融業可能引發違規裁罰、消費者權益損害、 甚至商品下架的後果，那代價可就大了。
想像一下，如果你問一個通用AI「我買的這檔儲蓄險，解約會不會有損失？ 」結果它用國外的法規來解釋，給你一個錯誤答案，那後果是不堪設想的。
嗯，你說的沒錯，金融業的法規真的超級複雜，而且常常改，還特別多「例外條款」。 之前聽說那些汎用AI，隨便給你一個「幻覺」，就可能造成金融機構幾千萬上億的損失，
這簡直是把錢丟到水裡還不夠，還要賠償消費者。 那FinLLM是怎麼解決這個問題的？ 總不能每家銀行都自己搞一套吧？
FinLLM的做法，就是透過「聯邦學習」、「微調」跟「蒸餾」這些技術。 它會基於一些開源的基礎模型，再加上數發部提供的「主權語料庫」，
更重要的是，用16家金融機構在符合隱私法規前提下的「專屬數據」來進行訓練。 但這些原始數據是不會離開各家銀行的伺服器的，只有加密的模型參數會被拿去訓練。
這樣既能結合各家銀行的在地知識，又能確保數據隱私，解決了金融業最敏感的數據安全和合規問題。
喔喔，這就是聯邦學習的精髓嘛！ 數據不動，模型動。 這樣就解決了數據隱私跟競爭機構之間「不信任」的問題了。
這就很有「非紅鏈」的戰略意義了，對吧？ 我們不依賴境外模型，自己的數據自己管，確保資安自主，這在國際政治情勢複雜的今天， 簡直就是個超級大殺器啊！
完全正確，這就是台灣在AI時代構築「非紅鏈信任溢價」的具體實踐。 金管會主委彭金隆就特別強調，建立我國的金融大語言模型，可以將在地的法規、
監理實務、產業知識內化，降低對境外模型的依賴，有助於資料治理與資安的自主能力。 APMIC的創辦人吳柏翰也提到，金融業對AI的需求，不僅是效率，
更關鍵的是「可信任」跟「可控性」，所以他們才致力於透過專屬模型建構跟資料治理， 協助產業打造真正可落地的AI模型。
這不僅是技術上的進步，更是國家層級的戰略佈局。
聽起來很厲害，那它會先從哪些地方開始用？ 總不能一上線就處理什麼超複雜的衍生性金融商品吧？ 那風險會高到爆表。
它會優先聚焦在三個應用場景：客服、合規跟風險評估。 你想想看，光是銀行客服每天要回答的那些重複性問題、法務部門要審閱的海量文件、
風險管理部門要分析的數據，如果能用一個真正懂台灣法規、具備高度可信賴性的AI來處理， 效率會提升非常多。
中信金資訊長賈景光就比喻說，有了FinLLM，就像擁有一顆「內建知識的金融大腦」， 讓金融業務從「被動翻書找答案」進化到「主動運用內建知識」， 兩者效率差異極大。
這就是實實在在的「本賺比」潛力。 專案目標是在2026年底前，先推出銀行知識推理模型FinLLM 1.0， 預算大概是4000萬到7000萬新台幣。
相比Google動輒千億美元的投資，這簡直是小而美，但卻直接解決痛點。
客服、合規、風控，這些都是金融業最燒錢、最耗人力的環節欸！ 如果AI真的能有效幫上忙，那省下來的成本就直接變成利潤了。
這個「信任溢價」的概念，不只是說「我能用AI」，而是「我能用一個讓你信任、 符合在地規範、不怕數據外洩的AI」，這對投資人來說，就非常不一樣了。
這是一種在特定領域打造出的、難以複製的競爭優勢。
是的。 而且這個專案還會建立台灣第一個金融LLM評測標準，由聯盟銀行與政大金融科技研究中心共同建立， 確保模型的準確性與可信度。
這是在金融這個高敏感度行業裡，確保AI能夠真正落地的關鍵。 這是一個很務實的變現路徑，不是像Google Genie那樣燒錢燒出一片虛擬世界，
而是在現實世界的特定場景，解決真實的問題，創造可衡量的商業價值。
OK，所以我們看到，一邊是Google的CapEx野望跟Genie的未來式變現， 看起來很遠，很燒錢，但可能改變整個世界，錢也已經燒下去了；
另一邊是台灣FinLLM的在地化實踐，看起來很近，直接解決痛點、 創造「信任溢價」，專注在特定領域的實質獲利。
這兩條路徑，雖然規模和方向不同，但殊途同歸，都在追求「本賺比」。 那麼，在現在這個全球宏觀逆風、市場分化的環境下，投資人到底該怎麼理解， 這場AI競賽的最終走向？
是不是真的像我們之前不斷強調的，市場正在加速從「本夢比」清算到「本賺比」的築底？
小明，這確實是現在最核心的問題。 如果我們把Google世界模型Genie這種通用AI的宏大願景， 還有它天文數字般的資本支出，對比台灣FinLLM這種在高度監管環境下，
透過垂直應用追求實際ROI的務實策略，你會發現AI市場呈現出一個非常明顯的「K型分化」。 講白了，就是產業跟投資會呈現兩極化的發展，有人會大賺，有人會被淘汰， 中間的灰色地帶越來越少。
這不只是投資的K型分化，更是整個AI產業結構與獲利模式的K型分化。
K型分化！ 這我們在EP231、EP230、EP229這些集數就一直講到爛了， 意思就是說，有些人賺爆，有些人賠死，中間的企業就死一片嘛！
那現在，這個K型分化在AI投資上是怎麼呈現的？ 是說那些純粹講故事的企業會先被淘汰嗎？
我這樣說好了，通用AI雖然代表了未來的方向，但它的商業化路徑還在摸索。 Google為了Genie、為了Gemini、為了整個AI佈局， 資本支出已經高到一個前所未有的境界。
雖然Google Cloud的營收成長很漂亮，待履約訂單也突破4600億美元， 顯示有巨大的需求，但這麼燒錢，市場還是會看這些投資什麼時候能真正大規模變現。
我們看到去年OpenAI不是也傳出營收未達標的新聞嗎？ 這都會引發市場對「本夢比」的清算，因為再好的故事，最終還是要回到獲利這個根本。
對啊，OpenAI那新聞一出來，搞得大家心裡都涼了一截。 市場不是慈善事業，錢進去了，就想看到錢出來。
那些純粹只剩下「想像空間」、沒有明確獲利路徑的AI概念股， 現在的壓力肯定山大。 投資人已經沒那麼多耐心聽你畫大餅了！
沒錯。 所以你會發現，華爾街頂級機構的投資策略也正在轉變。 高盛不是提出過一個「HALO策略」嗎？
這個HALO，其實就是Heavy Asset, Low Attrition Risk的縮寫， 翻譯成白話就是「重資產、低淘汰風險」的公司。
HALO策略！ 我們在EP225、EP212、EP211這些集數就分析過好幾次了。 意思就是「重資產、低淘汰風險」嘛！
所以現在資金是從那種「輕飄飄」的本夢比概念股，轉向這些有「實體護城河」、 資產很重、但獲利很穩定的公司？
這就像是從追求虛無飄渺的黃金夢，轉向購買挖金子的鏟子和帳篷一樣。
完全正確。 在高利率跟通膨擔憂的宏觀經濟逆風下，資金會更青睞那些擁有大量實體資產、 資本密集度高、監管嚴格，且不易被AI技術本身取代的企業。
我們剛剛講的那些「AI水電工」們，像是HBM記憶體、CoWoS先進封裝、 液冷散熱模組、甚至電力公司，就是最好的例子。
他們不像通用模型一樣需要面對「幻覺」這種無形的問題，他們提供的東西是實實在在的「硬需求」， 是整個AI大樓的鋼筋水泥，不可或缺。
高盛的分析師還說，如果太多項目同時延期，投資者會懷疑「AI能不能及時賺到錢」， 進而推遲或取消投資計畫，形成一個惡性循環。
這也迫使AI巨頭們要更快地展現變現能力，否則他們的股價也會承壓。
所以Google雖然在燒錢，但這些錢卻實實在在地滋養了整個供應鏈的「水電工」們， 讓他們賺得流油。
那台灣FinLLM這種呢？ 這種垂直應用型的AI，是不是也在證明，只要能解決特定行業的痛點， 而且能建立起「信任」的壁壘，那一樣是「本賺比」的典範？
畢竟金融業的監管可是全世界最嚴格的。
是的，FinLLM就是個很好的案例。 在金融這種高度監管、數據敏感的行業，你不可能隨便拿一個通用模型就來用。
你必須確保它的合規性、數據隱私性，還要能理解在地法規的細微差異。 FinLLM透過「主權AI」和「非紅鏈信任溢價」策略，等於為台灣金融業打造了一套專屬的、
可信任的AI大腦，這本身就是一個巨大的價值。 它創造的效率提升和風險降低，都是實實在在的ROI，可以直接體現在財報上。
中信銀董事長陳佳文也點出，企業已快速分化為「AI相關」與「非AI」兩類， 前者在營收與市值上大幅領先，這正是「K型分化」的縮影。
而FinLLM這種，就是讓金融機構變成「AI相關」企業的關鍵。
ROI！ 投資報酬率！ 這才是投資人最想聽到的東西啊！ 不是什麼「未來可能」、「想像空間」。 所以，總結來說，現在的AI投資市場，簡直就是一個照妖鏡，
把那些純粹的「本夢比」概念股，一個個打回原形。 而真正能賺錢的，就是兩種：一種是為AI巨頭提供「實體護城河」的「AI水電工」，
另一種，就是像台灣FinLLM這樣，在特定垂直領域，用「信任溢價」打造「主權AI」， 解決實體問題的公司。
這兩者都具備了真金白銀的「本賺比」能力。
沒錯。 這種「K型分化」效應，不只在投資市場，也體現在勞動市場上。 我們在EP230、EP231那些集數也提過，Meta裁員的同時卻天文數字地投資AI，
這就是AI對勞動力的「K型分化」衝擊。 高階AI人才和能操作AI工具的人會越來越吃香，而那些重複性高、 沒有獨特價值的勞務，則會加速被取代。
此外，這些科技巨頭的天文數字級資本開支，也會對他們的自由現金流造成巨大的壓力。 所以市場在給予估值的時候，會越來越嚴苛，因為他們要看到真正在AI上賺到的現金流。
媽的，資本支出疲勞！ 我看那些財報數字，真的會替這些巨頭捏一把冷汗。 燒這麼多錢，如果不能帶來相應的獲利，那股價遲早會被清算， 這就是市場的鐵律。
所以投資人現在是不能再光看「故事」了，必須要看「實力」！ 那既然這樣，我們聽眾朋友，在這個充滿變數的AI浪潮裡，到底該怎麼配置我們的「抗AI衝擊」投資組合呢？
才能在K型分化的市場中，穩穩地賺到錢？
小明，這就是我們今天節目，要給所有聽眾朋友最核心的投資指引了。 綜合今天我們聊到的Google世界模型和台灣FinLLM的案例，
還有我們節目長期以來建立的判斷，你會發現，AI投資已經進入一個「本賺比」的殘酷驗證期。
殘酷驗證期！ 講白了就是，那些只會畫大餅的，準備等著被市場清算，真正有實力的， 才會笑到最後，對吧？
沒錯！ 所以，投資決勝點，絕對是「變現力」跟「信任溢價」的深度結合。 首先，我們一定要再次強調「AI水電工」的重要性。
在高利率、通膨擔憂的宏觀經濟逆風下，那些提供AI基礎設施的公司， 像是HBM記憶體製造商、CoWoS先進封裝供應商、液冷散熱模組廠，
以及電力基礎設施的業者，它們擁有難以被取代的「實體護城河」。 它們的營收是直接來自AI巨頭們的巨額資本支出，是實打實的「硬需求」， 這是最穩健的「本賺比」來源。
對啊，就像我們前面講的奇鋐、雙鴻、大同這些，就是很好的例子。 他們不會受到「幻覺」問題的困擾，也不用擔心應用場景不落地。
AI跑得越快，他們就賺得越多，而且他們的生意是不可或缺的， 這就是最好的「賣水人」邏輯。
就是這個邏輯。 第二個關鍵點，就是「非紅鏈」下的「信任溢價」垂直應用。 台灣FinLLM就是最佳範例。
在金融這種高度監管、數據敏感的特定垂直領域，建立一個符合在地法規、 確保資安自主的「主權AI」，這種「信任」本身就是一種極高的商業價值。
它能為企業帶來實質的效率提升和風險降低，這種價值是通用型AI短期內難以取代的， 因為通用AI很難在精確度和合規性上達到這麼高的標準。
所以，各位投資人，你現在還在追那些聽起來很炫，但不知道怎麼賺錢的AI概念股嗎？ 別傻了！ 把你的錢，投入到那些真的有「實體護城河」、有「非紅鏈信任溢價」，
而且能把AI這個「本夢比」扎扎實實地變成「本賺比」的公司吧！ 這才是構築你「抗AI衝擊」投資組合的核心策略，讓你在這場AI淘金潮中， 不僅能避開風險，還能穩穩地分享到實際的紅利。
是的。 面對現在這種「K型分化」的市場，你可以考慮採用「槓鈴策略」： 一邊配置那些高成長但風險相對高的AI應用，另一邊則要配置更多「重資產、 低淘汰風險」的AI基礎設施供應商。
這樣才能在追求高報酬的同時，也兼顧投資組合的穩定性和韌性。
那熙宇，接下來，我們要觀察哪些關鍵指標，才能知道這些「本賺比」的進展呢？ 給我們一些具體的觀察點，讓我們的聽眾朋友，也能成為市場的先行者！
幾個重要的觀察點：首先，持續追蹤Google這類AI巨頭， 它們未來財報中對CapEx效益的說明，以及Genie或相關世界模型對Google Cloud或其他業務的具體營收貢獻。
特別是Genie跟Google街景、Waymo整合後，能否產生實際的營收或成本效益， 這會直接驗證其商業模式。
再來，HBM跟CoWoS的產能擴張進度，是不是真的能緩解市場瓶頸， SK海力士跟Intel EMIB技術的合作能否成功，因為這些都會直接影響AI晶片的供應。
還有，液冷散熱技術的市場滲透率和相關供應商的獲利表現，以及電力基礎設施的建設和各地區電價變化， 這些都是直接影響AI運行成本的要素。
還有電力！ 數據中心對電力的供需狀況，以及各地區的電價變化，這都會直接影響AI服務的邊際成本。 高盛不是說，AI基礎設施還面臨電力審批、變壓器與冷卻設備缺貨、
AI數據中心工人不足等瓶頸嗎？ 這些都會影響AI發展的速度，甚至決定哪些國家或地區能搶到AI發展的先機。
沒錯。 另外，台灣FinLLM的具體應用成果和初期ROI數據，以及它未來是否能擴展到保險、
證券等其他金融領域，還有對中小金融機構的普及程度，這都會驗證「信任溢價」的商業模式能否規模化。 最後，別忘了全球AI人才短缺，尤其是「電工荒」這種高技能勞動力的瓶頸，
這也會影響AI基礎設施的建設速度和成本，這也是個很重要的觀察指標。
哇，這麼多眉角，貓貓AI真的不只講新聞，還直接幫大家把投資地圖都畫好了。 所以，總結來說，AI發展的下半場，已經不是比誰「想像力」最豐富了，
而是比誰的「變現力」最實在，誰的「信任護城河」最堅固。 各位投資人，擦亮你們的眼睛，把錢投到那些真正能把AI變成「印鈔機」的地方吧！
別再當那個只會買鏟子，卻不買水桶的淘金客了！
對，就是這樣。 這場AI浪潮，機會與風險並存，看清本質，才能穩健前行，成為最終的贏家。
好，那今天貓貓AI科技與財經脈動就跟大家聊到這裡，我是小明。
我是熙宇。
我們下週同一時間再見囉！
掰掰。