AI巨頭驚爆模型研發撞牆？解析Scaling Law失效對台灣半導體的連鎖衝擊

30 秒看重點

• 事件：OpenAI、Google與Anthropic罕見示警大模型研發速度放緩。
• 意義：過去依賴「堆疊算力與數據」的暴力升級模式面臨物理與資料邊際效應的瓶頸。
• 影響：台灣硬體供應鏈將從單純代工晶片，加速轉型至「電光熱」節能高傳輸技術。

為什麼AI巨頭齊喊「慢下來」？難道AI泡沫真的要破了？

近年來，AI領域一直奉行「大就是好」的暴力美學，只要把模型參數做大、餵進更多數據、用上成千上萬顆 NVIDIA 晶片，AI 就能奇蹟似地變得更聰明，這就是著名的「規模定律（Scaling Law）」。然而，這條被科技巨頭奉為圭臬的黃金定律，最近卻集體面臨撞牆期。根據業界消息，OpenAI 研發中的下一代旗艦模型「Orion（獵戶座）」在測試中發現，雖然效能仍有進步，但相較於從 GPT-3 躍升到 GPT-4 的驚艷，這次的提升幅度明顯縮水，甚至在編碼等特定任務上未達預期。與此同時，Google 的新一代 Gemini 模型與 Anthropic 的 Claude 3.5 Opus 也傳出研發進度延遲，透露出整個產業正撞上物理極限與「數據荒」的雙重高牆。

目前最棘手的問題是「高品質人類數據已面臨枯竭」。大模型幾乎已經把網路上能找到的公開書籍、論文、維基百科、甚至 Reddit 論壇的垃圾話都吞進肚子裡了。當「好飼料」吃完，改吃 AI 自我生成的「合成數據」時，模型容易出現類似「基因缺陷」的幻覺疊加。此外，動輒數億美元的算力成本，換來的卻僅剩個位數百分比的效能增長，這在商業邏輯上顯然難以持續。就像造車，過去一味加大引擎排氣量來催速度，現在發現車身太重、輪胎打滑，必須改進底盤與變速箱，這就是為什麼巨頭們開始放慢腳步，思索新的技術路徑。

1. 2023-03：GPT-4發布，AI領域陷入極度的「Scaling Law」軍備競賽，全球科技巨頭瘋狂採購晶片建置算力。
2. 2024-03：Claude 3與Gemini 1.5相繼推出，模型效能提升速度開始放緩，訓練成本與電費急遽飆升。
3. 近期：OpenAI Orion與Google新模型進度不如預期，AI三巨頭罕見示警並調整研發步調，市場重新評估晶片股估值。

台灣怎麼看這件事？

台灣身為全球 AI 硬體的心臟，這波大模型「撞牆期」絕非壞事，反而可能是一次含金量極高的轉型契機。過去，市場盲目追求算力堆疊，台灣供應鏈跟著 NVIDIA 的腳步瘋狂代工晶片與伺服器；如今，當巨頭們發現「單純把晶片堆多」邊際效應遞減時，焦點將轉向「如何在現有算力下，極大化傳輸效率與降低功耗」。這也就是近期台股第四季最熱門的「電、光、熱」概念，為了突破大模型推理的瓶頸，矽光子（CPO）技術能將電訊號改為光傳輸，解決晶片間的傳輸塞車，而運算產生的驚人熱能，則必須仰賴台灣領先全球的「液冷散熱」技術。因此，AI巨頭放慢模型研發，反而會加速台廠在矽光子與先進散熱技術的實質出貨與規格升級。

編輯觀點

這不是 AI 泡沫的破滅，而是「太空競賽」走向「蓋太空站賺錢」的實用主義起點。過去巨頭們像是在比拼誰的引擎排氣量大，不管車子多耗油、多容易過熱；現在，大家終於坐下來研究如何優化變速箱與節能設計。台灣投資人與科技從業者不需因晶片股短期震盪而恐慌，AI 產業的下半場才剛開始，接下來能幫大模型「省電、降溫、跑得快」的台灣硬體科技，才是真正能立於不敗之地的真價值。

常見問題

什麼是「Scaling Law（規模定律）」？

簡單說就是「量變產生質變」，認為投入越多算力、晶片與數據，AI 的智慧效能就會呈指數型無限變強。

為什麼AI巨頭現在會集體撞牆？

主要是因為網路上的優質人類語言數據幾乎被用光，且硬體電力消耗與發熱已達物理極限，導致邊際效應遞減。

這會導致 NVIDIA 的 AI 晶片賣不出去嗎？

短期內不會，但市場會從「瘋狂無腦囤貨」轉向「理性按需購買」，客戶將更看重每瓦效能與系統整體的傳輸效率。

台灣 AI 供應鏈會因此受害嗎？

短期股價雖有修正壓力，但長期而言，主導「省電與高傳輸」的台灣供應鏈（如散熱、矽光子、IC設計）反而會更吃香。

接下來 AI 的發展趨勢會是什麼？

業界將從「追求參數極限」轉向「特定領域小模型（SLM）」、Agent（AI代理）以及在推理端進行軟硬體的協同優化。

名詞小教室

Scaling Law（規模定律）

就像「用牛排餵豬」，過去以為豬吃越多牛排就會長得像牛一樣壯，現在發現牠的消化系統與胃口已到極限，必須改進飼養方法。

矽光子（CPO）

把原本在晶片間走銅線的電子訊號改為「走光學纖維」，就像把機車慢車道升級為高鐵，能大幅降低 AI 資料傳輸時的發熱與延遲。