如果你關注美股科技股，過去這一年大概很難不注意到一個現象：Microsoft、Google、Meta、Amazon 這四家雲端巨頭的資本支出數字，正在以驚人的速度膨脹。2025 年全年，這四家公司合計的資本支出預估超過 2,000 億美元，其中絕大部分都與 AI 基礎設施直接相關。
這些數字背後代表什麼？為什麼這些公司願意拿出相當於一個中型國家 GDP 的資金，瘋狂投資在數據中心、GPU 叢集和自研晶片上？對投資人來說，這是機會還是風險？讓我們一起拆解這場 AI 時代的軍備競賽。
雲端四巨頭的資本支出：數字會說話
先看數據。2025 年，四家雲端巨頭的資本支出呈現明顯的加速態勢。Microsoft 單季資本支出已突破 140 億美元，年度預估超過 500 億美元；Google 緊隨其後，年資本支出同樣落在 500 億美元區間；Meta 則是四家中增速最快的，2025 年資本支出指引從年初的 300 億美元一路上調至 400 億美元以上；Amazon 雖然整體增速相對較低，但 AWS 相關的基礎設施投資仍占公司資本支出的大宗。
如果攤開這些數字，有一個很有意思的對比：2020 年之前，這四家公司的年資本支出合計大約在 800 億至 1,000 億美元之間，而且當時的主要驅動力是雲端運算的普及——企業把 IT 基礎設施從地端搬到雲端。現在呢？數字翻倍，而且驅動力明顯轉向 AI。
更具體地說，這些資本支出的投放方向發生了根本性的變化。過去建數據中心，想的是伺服器、儲存設備、網路骨幹，目的是處理企業的 ERP、CRM、資料庫。現在呢？GPU 叢集、高速互連網路、專用 AI 晶片、超大規模的訓練和推論基礎設施，才是主角。
這不是簡單的「加量不加價」，而是整個數據中心的架構設計都在重構。一台裝滿 NVIDIA H100 或下一代 GPU 的機櫃，耗電量和散熱需求是傳統伺服器機櫃的好幾倍。這意味著，同樣一座數據中心，能容納的 AI 運算能力有限，必須新建或徹底改造。這就是為什麼資本支出數字會這麼驚人。
為什麼要燒這麼多錢？背後的三層邏輯
第一層：模型競爭的軍備競賽
如果你是 OpenAI、Anthropic、Google DeepMind，你想訓練下一代大型語言模型，你需要什麼？答案很簡單：算力。而且是天文數字級別的算力。
一個 GPT-4 等級的模型，訓練成本估計在 1 億美元以上；而傳聞中的 GPT-5 或下一代 Gemini，訓練成本可能突破 10 億美元。這還只是訓練；模型上線後，每一次使用者提問、每一次生成內容，都需要推論算力。如果模型使用者成長到數億人，推論成本可能比訓練成本高出十倍以上。
對雲端巨頭來說，這是一個囚徒困境：如果不投資 AI 基礎設施，就無法提供競爭力的 AI 服務，客戶會轉向競爭對手；如果投資，就要承擔巨大的資本支出和折舊壓力。但問題是，不投資的風險更大——你可能直接被時代拋下。
Microsoft 綁定 OpenAI，Azure AI 服務成為其雲端業務的成長引擎；Google 則是將 Gemini 整合進 Workspace 和雲端服務，試圖在企業 AI 市場分一杯羹；Meta 採取開源策略，推出 Llama 系列模型，背後的算力需求同樣驚人；Amazon 則是透過 AWS 提供 Bedrock 等服務，讓客戶可以在 AWS 上使用各種開源或閉源模型。
第二層：客戶需求的結構性變化
雲端產業正在經歷一個結構性的需求轉變。過去十年，企業上雲是主流趨勢；現在，企業開始把 AI 整合進各種業務流程。從客服聊天機器人、程式碼輔助生成、文件摘要、到更複雜的資料分析和決策支援，AI 正在進入企業 IT 的每一個角落。
這意味著雲端服務商必須轉型。過去，你只要提供穩定的虛擬機、儲存和資料庫服務就能賺錢；現在，客戶要的是 AI 運算能力、預訓練模型服務、微調和部署工具。如果你無法提供這些，客戶就會去找能提供的競爭對手。
舉個例子，一家金融機構想在內部部署 AI 輔助的風險評估系統。他們可以選擇自己買 GPU、建機房、維護基礎設施，或者直接使用雲端 AI 服務。對大多數企業來說，雲端 API 是更實際的選擇——因為 AI 基礎設施的專業門檻極高，而且技術迭代太快，自己建的成本效益很差。
這就是為什麼雲端巨頭願意砸大錢：他們在賭企業 AI 採用率會持續攀升，而雲端是大多數企業採用 AI 的主要路徑。
第三層：自研晶片的戰略佈局
這是一個很關鍵但常被忽略的角度：自研晶片。Google 有 TPU，Amazon 有 Trainium 和 Inferentia，Microsoft 有 Maia 和 Cobalt，Meta 也公開了自家晶片 MTIA 的進展。
為什麼要自研？兩個原因：成本和供應鏈控制。
GPU 很貴，而且供應有限。當你每年需要數十萬甚至百萬顆 GPU 時，你會發現自己對 NVIDIA 的依賴程度高得驚人。一顆 H100 的單價動輒 2.5 萬至 4 萬美元，而且還要排隊拿貨。如果 NVIDIA 產能跟不上，或者價格持續上漲，你的 AI 基礎設施建設就會受阻。
自研晶片的好處是，你可以針對自己的工作負載最佳化。Google 的 TPU 最初是為機器學習設計的，比通用 GPU 更高效能功耗比；Amazon 的 Trainium 專注於訓練，Inferentia 專注於推論，分工明確。這些晶片可能不如 NVIDIA GPU 通用，但在特定場景下，成本效益可能更好。
不過，自研晶片也需要龐大的資本支出——不只是設計，還有晶圓代工、封裝測試、軟體生態系統建設。Google 和 Amazon 有錢有人才，能做這件事；但對投資人來說，這意味著更高的資本支出和更長的回收週期。
對雲端業務的影響：營收成長 vs 利潤壓力
資本支出暴增，首先影響的是財報上的折舊費用。一座數據中心的使用年限大約 5 到 10 年，GPU 等 AI 硬體的折舊年限更短，可能只有 3 到 5 年——因為技術迭代太快，新一代晶片推出後，舊晶片的效能價值會迅速下降。
這意味著，當年資本支出為 500 億美元的公司，未來幾年的折舊費用可能每年高達 100 億美元以上。折舊是非現金費用，但它會直接影響營業利潤率和 EPS。
對投資人來說，關鍵問題是：這些投資能不能帶來足夠的營收成長？
目前的數據看起來是正面的。Microsoft 的 Azure AI 服務營收成長率超過 70%，貢獻了 Azure 整體營收成長的重要份額；Google Cloud 的營收成長雖然趨緩，但 AI 相關服務的成長率同樣強勁；AWS 則是保持著雲端市場龍頭地位，AI 服務是新的成長動能。
但有一點需要注意：這些成長是否可持續？如果 AI 採用率不如預期，企業客戶的付費意願下降，或者模型競爭導致價格戰，毛利壓力就會浮現。目前看來，AI 服務的單價還在下降趨勢（例如 GPT-4 Turbo 的 API 定價持續下調），這對雲端服務商的利潤率不是好消息。
供應鏈的受惠者：誰在這波浪潮中分到最大一塊餅？
當雲端巨頭瘋狂投資 AI 基礎設施時，誰是最大的受惠者？答案很明顯：半導體供應鏈。
首先是 NVIDIA。2023 年到 2025 年，NVIDIA 的數據中心 GPU 營收成長了數倍，單季營收突破 300 億美元，其中大部分來自雲端巨頭和 AI 新創公司。可以說，雲端巨頭的資本支出，很大一部分直接成為 NVIDIA 的營收。但 NVIDIA 不是唯一受惠者。Broadcom 提供 AI 晶片的高速互連解決方案，營收成長率同樣驚人；AMD 憑藉 MI300 系列 GPU，在 AI 晶片市場快速成長；記憶體廠商 SK Hynix、Samsung、Micron 也受惠於 HBM（高頻寬記憶體）需求暴增。
更上游的設備商呢？ASML 是 EUV 曝光機的唯一供應商，而高階 AI 晶片幾乎都需要 EUV 製程。Applied Materials、Lam Research 等半導體設備商，也受惠於晶圓廠擴產需求。但要注意的是，這些設備商的獲利成長速度可能不如晶片設計公司，因為它們的客戶（台積電、三星、Intel）對資本支出的態度相對謹慎。
另一個值得關注的供應鏈環節是散熱和電力基礎設施。AI 數據中心的單機櫃功率密度越來越高，傳統氣冷已經不夠用，液冷技術正在成為主流。提供散熱解決方案的公司，以及數據中心用的不斷電系統（UPS）、變壓器等電力設備供應商，都可能受惠。
資本支出的可持續性：泡沫還是新常態？
投資人最關心的問題是：這波資本支出熱潮能持續多久？
樂觀的觀點認為，我們正處於 AI 時代的基礎建設期。就像 1990 年代網際網路興起時，電信公司瘋狂投資光纖骨幹網路一樣，現在的 AI 基礎設施投資，是未來數十年 AI 應用普及的基礎。隨著 AI 滲透到更多產業和場景，對算力的需求會持續成長，雲端巨頭的投資會有合理的回報。
謹慎的觀點則指出，當幾家公司每年合計投資 2,000 億美元以上時，你必須問一個問題：這些 AI 服務能產生多少價值？如果企業 AI 採用率不如預期，或者 AI 模型的實際應用價值被高估，這些基礎設施可能面臨利用率不足的風險。
一個值得追蹤的指標是「雲端服務商的 GPU 利用率」。如果利用率高，表示需求強勁，投資有道理；如果利用率下降，可能意味著供過於求。不過，這個數據通常不會公開，投資人只能從營收成長率和毛利變化來推測。
對投資人的啟示：如何評估雲端股？
如果投資人想參與 AI 基礎設施投資熱潮，有幾個思考角度：
雲端服務商：看 AI 營收佔比和成長品質
對 Microsoft、Google、Amazon 這三家公司，投資人不應只看整體營收成長，更要看 AI 服務營收的佔比和成長品質。如果 AI 營收只是總營收的一小部分，但資本支出卻佔了很大比例，那麼利潤壓力就會顯現。相反，如果 AI 服務能帶動雲端業務整體成長，甚至提高客戶黏著度，那麼資本支出的回報就是合理的。
晶片供應商：看產品組合和技術護城河
NVIDIA 雖然是 AI 晶片的絕對龍頭，但競爭壓力正在增加。AMD 的 MI 系列、雲端巨頭的自研晶片、Intel 的 Gaudi，都在搶奪市場份額。投資人需要關注的是：NVIDIA 的技術護城河有多深？軟體生態系統（CUDA）能否維持優勢？新一代 GPU（如 Rubin 系列）的效能提升幅度是否足夠？
Broadcom 則是一個有趣的標的。它不是直接與 NVIDIA 競爭，而是提供 AI 晶片所需的關鍵元件。更重要的是，Broadcom 有一個龐大的客製化晶片業務——為 Google、Meta 等大客戶設計自研晶片。這個業務的成長潛力很大，但也意味著 Broadcom 對少數大客戶的營收依賴度很高。
設備商和材料商：看技術領先度和客戶集中度
ASML 在 EUV 曝光機的壟斷地位，使其成為半導體產業的關鍵節點。但投資人需要注意：ASML 的營收很大程度取決於客戶（台積電、三星、Intel）的資本支出計畫。如果景氣下行，晶圓廠延遲擴產，ASML 的營收就會受影響。材料供應商如默克、JSR、信越化學等，同樣受惠於晶圓產能擴張，但成長幅度相對溫和。
未來一年的關鍵觀察點
對投資人來說，未來一年有幾個值得追蹤的觀察點：
雲端巨頭的資本支出指引是否持續上調：如果指引下調或持平，可能意味著 AI 基礎設施投資進入高原期；如果持續上調，則表示需求仍然強勁。各公司的財報電話會議是重要資訊來源。
AI 模型的技術突破：如果出現比现有模型更高效的新架構（例如更小但更強的模型），可能會改變對算力的需求結構。目前看來，大模型的縮放定律（scaling law）仍然適用，但未來是否會改變，值得關注。
企業 AI 採用的實際進展：AI 應用從炒作到落地，需要時間。投資人可以關注企業 IT 支出調查、雲端服務商的客戶案例，以及各行各業的 AI 應用進展，來判斷需求是否真實。
GPU 供應鏈瓶頸是否緩解：過去一年，GPU 供應不足是常態。如果產能提升、供應增加，可能影響價格和獲利結構。記憶體市場（特別是 HBM）的供應狀況，同樣影響 AI 晶片的成本和供應。
監管環境的變化：AI 監管在全球各國都在加速發展。更嚴格的監管可能影響某些 AI 應用的落地速度，也可能影響投資報酬。例如，如果歐盟的 AI 法規要求更嚴格的數據保護和透明度，企業可能需要額外的合規成本。
結語：長期賽局，而非短期炒作
回顧網際網路泡沫，很多人會記得那些燒錢過度、最終破產的 dot-com 公司。但同樣不可忽視的是，那波基礎建設投資——光纖骨幹網路、數據中心、電信基礎設施——最終成為了後來網際網路產業的基石。Amazon、Google 都是在那波泡沫中受益於低成本的基礎設施，才得以快速成長。
AI 時代的基礎設施投資，某種程度上是類似的邏輯。雲端巨頭在建造未來 AI 應用所需的「算力高速公路」。誰能最終獲利？不一定是現在投資最多的公司，可能是未來在這些基礎設施上建立最成功應用的新創或企業。
對投資人來說，重要的是保持冷靜的判斷。資本支出數字再驚人，最終還是要回到幾個根本問題：這些投資能不能產生營收？能不能創造利潤？能不能維持競爭優勢？能不能創造長期價值？
答案不是現在就能確定的。但至少，理解這些數字背後的邏輯，能幫助投資人在市場波動時，做出更理性的判斷。AI 基礎設施投資熱潮還會持續一段時間，雲端巨頭和半導體供應鏈的營收和利潤數據，將持續成為市場關注的焦點。作為投資人，持續追蹤、獨立判斷，比盲目追逐趨勢更重要。
這場 AI 時代的軍備競賽，才剛剛開始。
