蘇姿丰帶 100 億美元來台，AI 的下一個戰場已經不在 GPU

AMD 執行長蘇姿丰昨天在台北的論壇上，把這一輪 AI 競賽形容成才打到第三局。前一天 AMD 已經宣布要在台灣產業體系投資超過 100 億美元，第六代 EPYC 處理器 Venice 也開始用台積電 2 奈米量產。她講得很直接，AI 的下一個戰場不會只看誰的 GPU 最強，而是要把 CPU、ASIC、先進封裝跟整套機架系統串成一條戰力。

同一天還有兩條線在跑。一條是資本市場開始追問 AI 公司什麼時候能把錢賺回來，OpenAI 跟 Anthropic 走向公開發行的同時，獲利能力第一次被攤開比較。另一條是美國政府拿 20.13 億美元入股九家量子運算公司，自己當起國家級創投。從硬體、資本到政策，昨天剛好各有一件重量級的事。

蘇姿丰來台，AMD 把百億美元押進台灣供應鏈

蘇姿丰這趟來得很急。結束上海的 AMD 開發日後，她 21 日旋風抵台，22 日出席天下雜誌 45 周年論壇。論壇前一天丟出的兩個消息才是核心，一是 Venice 處理器用台積電 2 奈米開始量產，二是 AMD 要在台灣產業體系投資超過 100 億美元，換算約新台幣 3,157 億元。

這筆錢不是要在台灣掛一塊 AMD 招牌的新廠，而是補上先進封裝、基板、測試產能跟機架級整合這幾個環節。AMD 自己沒有晶圓廠，要在 AI 市場跟輝達正面拚，靠的不是單顆晶片，而是整條供應鏈能不能一起放量。它這次點名的台灣夥伴攤開來，等於把一套 AI 系統從封裝到整機的分工畫了一遍。

• 封裝測試：ASE、SPIL、PTI
• 載板：Unimicron
• 系統與機櫃整合：Wiwynn、Wistron、Inventec，加上 Sanmina
• AMD 已和 PTI 完成 2.5D panel-based EFB interconnect 驗證，目標是大規模部署時的頻寬與效率

蘇姿丰把這筆投資講成對台灣投下的巨大信任票。她的理由是，台灣是世界上唯一能把半導體所有環節整合在同一個生態系的地方，從基礎材料、先進製程、後段封測，一路到系統 OEM、ODM 跟機架級製造都在這裡。她也提到，美國正在補自己的製造能力，但需求實在太大，美國不可能自己包辦所有製造，多元化的全球生態系反而是好事。

比投資金額更關鍵的，是她對下一階段的判斷。蘇姿丰認為 AI 訓練很重要，但沒有人真的能從訓練賺到錢，真正的回報在推論，也就是人們實際拿 AI 去解決複雜問題的階段。沿著這條邏輯，她預期 CPU 會重新長回來。過去三、四年 CPU 市場一年只成長三到四個百分點，因為焦點全在 GPU 上；隨著推論跟代理式 AI 真的跑起來，她預期未來五年 CPU 市場每年成長會超過三成五。

機器人是她點的另一個方向。蘇姿丰把實體 AI 看成下一波熱潮，這點剛好跟昨天日本那邊的動作對得上。整場談下來，AMD 想說的意思很清楚，AI 競爭的單位正在從一顆晶片放大到一整套系統，而台灣站在這套系統的中間。COMPUTEX 六月初就要在台北登場，這趟暖場的味道很濃。

AI 開始被追問「錢從哪裡來」

蘇姿丰那句「沒人能從訓練賺錢」，剛好戳到昨天另一條主線。當 OpenAI 跟 Anthropic 都往公開發行走，市場看 AI 的角度從「燒錢換市佔」轉成「什麼時候開始賺」。

過去幾年，矽谷愛拿早期的亞馬遜當範本，相信熬過狂燒錢的階段就能收割利潤。但數字一攤開，這個類比就鬆了。亞馬遜在 2003 年首次年度獲利前，累積虧損大約 30 億美元；OpenAI 現在的虧損黑洞卻上看數千億美元。規模差了上百倍，靠免費消費者規模撐高估值的時代等於結束，市場改看兩件事，企業端能不能變現，還有基礎設施成本壓不壓得住。

Anthropic 在這條線上明顯佔上風。截至 2026 年 4 月，它的年化營收運轉率預估到 300 億美元，已經超過 OpenAI，而且高達八成五的營收來自企業跟開發者。企業客戶每個 token 的收益是消費者的三到五倍，查詢模式更穩定、合約黏著度更高，目前已有超過 500 家企業每年在 Claude 上花掉超過 100 萬美元，裡面甚至有八家是財星五百大的前十大企業。OpenAI 則背著龐大的免費用戶，收入結構正好相反，算力成本被一路推高。

新一代 AI 公司的成長速度也跟傳統軟體脫了鉤。創投 Redpoint 在報告裡算了一筆，AI 把軟體產業的天花板從原本 5,000 億美元的軟體採購預算，推到規模高達 6.1 兆美元的知識勞動力市場。科技公司衝到 500 億美元估值需要的時間，從 2000 年以前的中位數 25 年壓縮到後來的 9 年。資本效率的差距更誇張，AI 新創 Cursor 的人均年度經常性營收做到 610 萬美元，同樣的數字 Salesforce 是 54 萬、Atlassian 是 46 萬。

消費端的變現則往代理式購物走。亞馬遜昨天收掉兩年前推的網頁版購物機器人 Rufus，把資源全押到以 Alexa 為核心的代理型商務。新版 Alexa for Shopping 直接接進搜尋結果、App 跟 Echo Show，能讀亞馬遜內部的商品目錄、庫存、物流跟評論，還會串使用者過去 12 個月的購物紀錄，幫忙比較機型、設定低於某價就自動補貨。貝恩估到 2030 年，光美國的代理型商務市場規模會落在 3,000 到 5,000 億美元；顧能更預期 2028 年九成的 B2B 採購會經過 AI 代理之手。

這份疑慮也燒到中國。市場對騰訊、阿里巴巴這類中國科技股的態度轉保守，擔心 AI 短期變不出明確獲利，先前靠題材堆起來的熱度開始消退。大家想看的不再是願景，而是資本支出墊高之後，回報會在哪一季出現。

Google 這邊則示範了另一種變現姿態。它的開發者大會 I/O 發了 Gemini 3.5 模型系列、AI 代理 Gemini Spark 跟 AI 強化的搜尋，外界反應是穩健但不夠驚豔，更像在守住既有地盤而不是端出突破。把 AI 塞進這些不那麼吸睛的既有業務反而被當成好事，因為這正是 Google 急需的變現能力，用來合理化龐大的投入。光是 2026 年，Google 就要投入高達 1,900 億美元推進 AI，而 Google Cloud 上一季營收年增六成三、累積訂單已經堆到 4,620 億美元。

如果企業變現這條路真的走得通，獲利會先在 Anthropic 跟 Google Cloud 這種有明確客戶結構的地方浮出來；如果走不通，免費用戶最多、成本結構最重的那一家，會最先感受到壓力。

算力的實體帳單：記憶體、封裝與電力

AI 要落地，先得過硬體這一關，而硬體的瓶頸昨天集中在記憶體、封裝跟電力這三處。

記憶體這端傳出一個比較大的架構轉向。為了解決記憶體牆，記憶體跟封裝業正在評估把 GPU 跟 HBM 拆開、分別封裝，中間用光學互連來傳資料。現在的 2.5D 封裝把 GPU 跟 HBM 緊貼在同一塊基板上，能塞多少 HBM 完全卡在 GPU 晶片邊緣的長度，也就是所謂的 shoreline。垂直堆疊則一路從 12 層、16 層往 20 層以上推，製程難度呈指數上升，連 JEDEC 都已經放寬高度規範。把 HBM 從 GPU 旁邊挪開，就能橫向擺進數倍的記憶體容量，業界甚至在討論把 HBM 放到 GPU 板下方、整個調整主機板外型。

主記憶體也在往 AI 伺服器靠。台積電亞利桑那廠驗證了南亞科的 LPDDR5X，鎖定的就是 AI 伺服器的主記憶體位置。先進製程往美國擴，連帶把記憶體驗證也帶了過去。

電力是另一張帳單。AI 雲端業者 Nebius 跟氫燃料電池廠 Bloom Energy 簽了一筆 26 億美元的供電協議，要用 Bloom 的固態氧化物燃料電池幫資料中心供電，今年先投入 328 兆瓦，分三階段、每階段供十年。這種燃料電池不靠燃燒就能發電，現場部署、排放低，對搶不到電的新雲端業者來說，等於把最大的卡關項目先解掉一塊。

電從哪來，最後還是落到資料中心怎麼蓋。Google 昨天宣布要在密蘇里州砸 150 億美元蓋資料中心，是該州史上最大的單一投資案。它承諾付百分之百的用電費用、引進超過 1 吉瓦的新發電量，還拿出 2,000 萬美元成立能源影響基金補助低收入家庭的電費；資料中心用氣冷把民生用水之外的耗水壓下來。即便如此，反對在當地蓋資料中心的人已經提了訴訟，六月一日要開審。算力擴張在帳面上是投資，在地方上是電價跟水的角力。

機器人走進工廠，實體 AI 從影片變產線

蘇姿丰口中的實體 AI，昨天在日本跟歐洲各走了一步。

日本的川崎重工傳出要跟輝達合作，把自家機器人技術接上輝達操控機器人的實體 AI 技術。雙方先從醫療跟移動兩個領域下手，川崎的護理輔助機器人靠輪子移動、有雙臂，能幫護理師運送檢體，接下來要用輝達的 AI 做更進階的輔助；另一台四足步行機器人 CORLEO 則會用上輝達的模擬技術。為了推這些合作，川崎在加州聖荷西開了共同研發據點，旁邊還拉了 ADI、微軟跟富士通一起做。

歐洲這邊走的是量產分工。英國新創 Humanoid 宣布跟德國的 Bosch 合作推人形機器人量產，關節致動器交給 Schaeffler，自己只專心做研發跟系統設計。這條路線跟 Figure、1X 那種強調自研垂直整合的玩法剛好相反。它的 HMND 01 用輪式底盤配人形上半身，已經在 Bosch 廠內的物流中心做完概念驗證，能自己把五種不同尺寸的箱子從輸送帶搬到推車。人形機器人的競爭，正在從展示影片轉到誰能真的在工廠裡跑起來。

台灣也有動作。佳世達發表了戶外用的自主移動機器人平台 AMR BOX，把應用場景從室內推到戶外。當機器人開始進物流中心、進工廠、進戶外場域，蘇姿丰把實體 AI 排在 GPU 之後的判斷，就有了具體的著力點。

政府當起創投，也當起監管者

政府在 AI 這件事上的角色昨天變得很具體，一邊拿錢入股，一邊出手管。

美國商務部依《晶片與科學法案》簽了九份意向書，準備拿 20.13 億美元投資量子運算生態，而且不是過去那種單向補助，而是要拿到這些公司少數、非控制性的股權，等於國家級創投。錢最大一筆流向製造端。

• IBM 拿 10 億美元，在紐約州奧爾巴尼成立量子晶圓代工子公司 Anderon，做 300 毫米超導量子晶圓，自己再同步注資 10 億美元現金
• GlobalFoundries 拿 3.75 億美元，釋出約百分之一股權給政府
• Rigetti、D-Wave、Atom Computing、Infleqtion、PsiQuantum、Quantinuum 各拿 1 億美元
• 新創 Diraq 拿 3,800 萬美元，技術路線橫跨超導、中性原子、矽自旋、光子跟離子阱

量子還沒商業化，美國就提前用入股卡位下一代算力供應鏈，賭的是技術成熟後納稅人能分到回報。

管的那一手則落在就業跟監管上。加州州長紐松下令官員制定計畫，因應 AI 對就業的衝擊，成為全美第一個這麼做的州。命令會動員州機構、大學跟業界，去訂資遣標準、就業保險跟勞工培訓，並更完整地追蹤招聘跟裁員。背景並不抽象，矽谷科技業今年前三個月就裁掉超過 5.2 萬個職位，Meta 也開始裁 8,000 人，約占員工一成。

聯邦這邊的監管反而踩了煞車。川普說他延後簽署一項 AI 行政命令，理由是部分內容不滿意，也不想做任何會削弱美國領先中國的事。那道命令原本要建立一套自願框架，讓 AI 開發者在先進模型公開前先送政府審查。他另外計劃要政府用先進 AI 去強化政府系統的資安，再延伸到銀行跟醫院這類關鍵產業。同一週 Anthropic 的 Mythos 模型也在被討論，外界擔心這類模型會放大網路攻擊能力，但有資安專家認為這份擔憂被高估了。

一個外掛 18 分鐘，偷走 3,800 個 repo

昨天報告 提過 GitHub 內部程式碼庫被駭的事，現在攻擊的來龍去脈補上了。

源頭是一個叫 Nx Console v18.95.0 的 VS Code 外掛，5 月 18 日中午出現在微軟官方的 Visual Studio Marketplace，帶著經驗證發布者的標章、累積 220 萬次安裝。這些代表可信的標章，正是它被挑成攻擊目標的原因。它在市集只活了 18 分鐘就被偵測下架，但已經夠了。一名開了自動更新的 GitHub 員工在毫不知情下裝了它，裝置隨即被入侵，連帶讓大約 3,800 個內部程式碼庫外流。這是駭客組織 TeamPCP 連續數月、橫跨數十個開源工具的供應鏈攻擊裡最新的一次，已確認的受害者包含 GitHub、OpenAI、Grafana Labs 跟 Mistral AI。

開發鏈的信任問題不只這一樁。資安研究人員 Aonan Guan 揭露 Anthropic 的 Claude Code 網路沙箱有漏洞，可能洩漏原始碼跟憑證，Anthropic 雖然修了，但這個洞已經存在近半年、又沒公開揭露，引來批評。NPM 那邊則因為去年的 Shai-Hulud 2.0 供應鏈攻擊，新增了套件暫存發布機制，讓維護者在套件正式公開前先檢查內容再決定要不要放行。

惡意流量也在學著躲進信任的服務裡。ESET 發現跟中國有關的駭客組織 Webworm 用一款叫 GraphWorm 的惡意程式攻擊歐洲政府機構，手法是借微軟 Graph API 把 OneDrive 當成命令與控制通道，藉受信任的雲端服務把流量藏起來。同一天的修補清單也排得很滿。

• 思科修了零信任產品 Secure Workload 一個風險值滿分 10.0 的漏洞 CVE-2026-20223，問題出在 REST API 對外部請求驗證不足
• 微軟修了兩個已遭利用的 Microsoft Defender 零時差漏洞，其中一個早在一個月前就有概念驗證程式碼流出
• 多國執法機關關掉了長期活躍於俄語犯罪論壇的 First VPN，FBI 說至少 25 個勒索軟體組織用它來偵察跟入侵

社群這邊，本地生成繼續加速

離開大公司的新聞，本地模型社群昨天也很熱鬧，主題大多繞著怎麼用更小的硬體跑更多東西。

模型端，騰訊放出 Z-Image 6B，主打 pixel space 生成、不用 VAE、支援 1K 解析度；輝達則推了基於 Wan 的 AnyFlow，號稱是第一個建在 flow maps 上的 any-step 影片擴散框架，能依算力預算動態調整步數。加速工具也冒出新的，BeeLlama v0.2.0 的 DFlash 更新讓單張 RTX 3090 把 Qwen 3.6 27B 推到每秒 164 個 token；還有人寫了自製 transformer VITRIOL，讓 Qwen3.6 35B 在一張只有 8GB 記憶體的舊卡 GTX 1070 Ti 上跑出每秒 23 個 token。

工具變強，不代表大家都更開心。Krea 2 被不少人嫌跟前代一樣、產出的圖偏平；也有創作者說，當所有人都從同一批資料跟工具裡撈東西，反而對生成式創作失去了熱情。

這份倦怠跟一篇被廣傳的文章對得上。Google 雲端 AI 總監 Addy Osmani 撰文，提醒大家不要把學習外包給 AI，他說工程師正陷入一種認知放棄，靠 AI 快速完成任務的同時，自己獨立解題的能力在一週一週地退化。他引的研究也很實在，Anthropic 的試驗裡，用 AI 學新程式庫那組的理解測驗只對了五成，純手動那組對了六成七；其中只會複製貼上 AI 生成碼的人甚至跌破四成，會拿 AI 問概念的人則超過六成五。MIT 那份「Your Brain on ChatGPT」研究更發現，高達八成三的使用者寫完之後一行都背不出來，研究把這叫做認知負債，今天省下的腦力，明天得用失去的批判性思考來還。