「掏金熱潮下,最賺錢的往往是那些賣鏟子的人」,大家應該都有聽過這句話。在現今許多公司紛紛加入 AI 算力與應用的佈局,儼然成為了新一代的 AI 掏金潮。究竟在 AI 的這波浪潮中,是否有代表鏟子的物品呢?而這把賣鏟子的人又是誰呢?以下文章將為您逐步解析。(我不是 AI 專家,也不是什麼產業分析師,所以有什麼錯誤的地方歡迎提出~)

AI 掏金潮下,為什麼賣鏟子是最賺錢的?
掏金熱潮,為什麼賣鏟子最賺錢?
不知道大家有沒有聽過一個故事,在 19 世紀美國掏金潮(The Gold Rush)的時候,人民們一窩蜂的前往金礦所在地區,想要透過挖金礦來獲得財富與翻身的機會。當然也有少數的人成功的透過了掏金來獲得鉅額財富,但大部分人往往因為太晚開始挖,或是沒能成功挖到,最終以失敗收場。在這其中,商人也嗅到了其中的商機發現了需求,若大家都需要鏟子才能挖,那我們何不製作鏟子賣出去,豈不是更能穩定賺錢,比起相對更不穩定的掏金,賣出工具的剛需更能夠穩定且有效的賺錢。
這背後正是一個人性的道理,大部分的人都想當幸運兒暴富,而真正會賺錢的人會想辦法在這其中利用一般人的特性,創造出需求,針對這個需求來賺錢。你不一定要靠挖礦賺錢,但你一定能夠過賣鏟子賺到錢。在那個時代,就算有鏟子也不一定挖得到,但你一定要有鏟子才能挖金礦。這就是為什麼在當時最賺錢的人是鏟子商人。
鏟子代表什麼?誰是賣鏟子的人?
那回到今天的 AI 浪潮,我們先定義金礦是什麼?我認為金礦其實是那些 AI 模型,例如現在常看到的 LLM 模型 ChatGPT、Gemini、Grok等,或是圖像生成的模型如 Midjourney、DALL E 等,還有其他各式各樣大大小小需要透過機器學習出來的 AI 模型,都可以被稱作是金礦。
而這些 AI 模型在被推出來之前,都需要經過大量的數據做預訓練、Fine tuning 等過程,最終才會推出到市面上讓人類使用。那模型需要依靠什麼「實體設備」來做運算、訓練、儲存呢?答案就是靠著龐大的數據資料中心來運作的,而這些數據中心的內部是由許多的 GPU 運算單元所組成的。所以很明顯的,鏟子就是這些 GPU。這些被運算出來的「AI 金子」,需要靠 GPU 這把「鏟子」來被挖出來。當鏟子的功能越好、越耐用、越輕、越省力,那挖掘金礦的效率也就越高,挖到的機率也就更大。
那這些好用的鏟子都是由誰在製造的呢? NVDA、AMD 等 GPU 生產商正是在這個時代中製作鏟子的人。當然鏟子也有好有壞,找到那把最好的鏟子也是很重要的,但那放在這篇幅講可能會太長了。
除了鏟子,還需要什麼?
除了鏟子外,這些淘金客們同時也需要一些其他的設備或物資才能過活,例如:會需要耐磨的牛仔褲,需要休息所以也會有客棧、在這邊討生活的掏金客們也在這邊生活下去,逐漸成為了部落與掏金產業鏈。這些並不像鏟子一樣最能直接幫助到掏金的工具,但也是這些掏金客不可或缺的一部份資源。
運作一個大型資料中心,需要安全、便宜且穩定的能源,而電力的供應,就像是礦坑附近的餐廳、客棧,需要不斷補充能量才有力氣幹活。而這類型的能源目前我認為的較佳解可能是 SMR(Small Modular Reactor,小型模組化反應爐),資料中心無法承受被斷電的風險,所以與其使用需要看天吃飯又較貴的的太陽能、風能,這類型的小型核能電廠或許會是 CP 值最高的選項之一。所以像是相關的 OKLO、LEU、UUUU 等就像是掏金熱潮的補給站、客棧一樣。(我針對核能議題也不是一個專家,若有寫錯歡迎糾正我)
另外,這些 AI 掏金者如 OpenAI、Anthropic 等公司,除了直接購買顯卡來做運算外,也會需要一些雲端平台服務商的大型數據中心來處理這些龐大資料與運營。這就好比是在掏金熱潮下的五金行、裝備店等商家,AMZN、Google、MSFT、ORCL 等大型雲服務商就好比是這些裝備店,提供你鏟子以及其他運營需要的服務。
當然你會想,那去批發鏟子,開一間鏟子專賣店不也是能賺錢嗎?答對,所以也會有 NeoCloud 這類新型的雲服務商,如 Coreweave、Nebius 等,與許多 AI 模型商達成合作,專門負責運算這些 AI 模型,並且提供更專一的服務,以承接下 AI 指數級增漲的運算需求。
你是來掏金的?還是來賣鏟子的?
所以說到底,我認為這波 AI 浪潮下,除了關注 OpenAI 等掏金玩家的動向外,更應該要關注這些鏟子商,究竟在做哪些事。他們佈局了哪些板塊,又有什麼投資或資訊的公布等等。不是說這些掏金者不重要,畢竟鏟子商還是得看掏金者的需求而設計出最優秀的鏟子。
相信願意看到這邊的讀者,應該也是多少針對 AI 賽道多少有些興趣想研究的,希望這篇文章能帶給你不一樣的觀點,讓各位有一些不一樣的思路去研究這個市場。持續保持學習,才能在這個市場上生存下去。
(以上為本文作者觀點,若有任何錯誤歡迎提出!)




















