從 GPU 稀缺到系統瓶頸，再到平台控制權爭奪——這不只是一個半導體週期，而是一場產業邊界的重畫。
#2026年4月 #產業研究草稿 #本文不構成投資建議
過去幾個月，我一直在思考一個問題：我們現在買的 AI 半導體概念股，對的是哪一個故事？如果你跟我一樣，在 2023 年初就入場，當時的邏輯非常清晰——模型越大，GPU 越不夠用，整條供應鏈都要跟著漲。但當 H100 不再像兩年前那麼難搶，當每家 CSP 都開始自研 ASIC，當 Musk 宣布要建 TeraFab、Arm 要做自己的 AI CPU，我開始覺得：這場遊戲的底層邏輯，已經悄悄換了一套。
AI 半導體的三個階段，我們現在在哪？
在我看來，AI 半導體的投資邏輯大致走過三個階段，而多數市場參與者的思維框架，還停在第一個。
第一階段的故事很好說：大模型訓練需要算力，算力短缺讓 GPU 與整條 AI 供應鏈取得超額定價權——HBM、CoWoS、光模組都是這個邏輯下的受益者。NVIDIA 的股價走勢就是最好的圖解。
但我真正感興趣的，是第二階段已經悄悄發生的事。當 AI 從訓練走向 inference，從單一大模型走向 agentic workflow，瓶頸的位置就不再只是「GPU 夠不夠多」。
Agentic AI 讓 CPU 重新變重要
很多人跟我一樣，以前看 AI server 的配置，首先想的是 GPU 多少顆、HBM 多少 TB。CPU 在這個框架下，不過是 host component，必要但不是主角。
但我最近改變了這個看法。核心原因是：agentic AI 的工作流，跟過去的 prompt → 生成 → 回答模型根本不同。
我用一個最直觀的例子來說明：想像一個企業 AI 客服 agent，用戶問「我的信用卡為什麼被鎖，能不能解除？」背後不是單純的 LLM 生成，而是一連串的身分驗證、資料庫查詢、風控規則執行、內部 API 呼叫、合規日誌寫入、多租戶隔離——這些全部是 CPU 的工作。
- 我的核心觀察是：GPU 決定 AI 工廠的理論馬力，CPU 決定這座工廠能不能滿載運轉。假設一座 AI data center 有一萬顆 GPU，GPU 利用率從 60% 提高到 70%，等於多出一千顆 GPU 的有效算力——而 CPU 正是影響 GPU 能否滿載的關鍵之一。
台積電是主平台，但不是 Intel thesis 的反面
台積電 2026 北美技術論壇（North America Technology Symposium）讓我重新思考整個框架。
台積電公布 A13 節點作為 A14 的 direct shrink、規劃 2028 年量產 14-reticle size CoWoS（可整合約十顆大型 compute die 與二十組 HBM stacks）、2029 年的 SoIC 與 COUPE on substrate——這些已經不是晶圓代工廠在講的語言了，而是系統整合平台的語言。
但我注意到很多人把台積電的強勢，理解成「Intel 沒機會」。我認為這是一個錯誤的二元對立。
我的理解是：台積電越往系統平台前進，越證明 AI 半導體的競爭焦點已從單顆晶片升級到製程、封裝、光互連與系統整合的全套競爭。這反而讓 Intel 的定位邏輯更成立——不是作為台積電的替代品，而是在 AI 半導體需求大到需要多平台來源時，能夠被定價的「第二選擇」。
Intel 的四層選擇權：為什麼不能只看 CPU
這是我這段時間研究 Intel 最大的心得轉變：過去我看 Intel，眼睛盯的是「CPU 復甦」——就是景氣週期、市佔率、ASP 這些事。但我現在認為，Intel 的投資論點應該要被拆成四層。
- 我認為 Intel 的多頭論點不應該是「AI 讓 CPU 需求變好」，而應該是：AI 半導體供給需要第二平台。Intel 若能用 x86 抓住 AI control plane，用 18A/14A 抓住製程選擇權，用 EMIB/Foveros 抓住封裝選擇權，用 OCI/CPO 抓住光互連選擇權，就有機會從 CPU turnaround 重新定價成 AI infrastructure second-platform option。
產業邊界正在被重畫
Musk TeraFab、Arm 自研 AI CPU、CSP 持續推出 ASIC——乍看是各自獨立的新聞，但我把它們放進同一個框架來理解：這是 AI capex 規模大到某個臨界點後，必然發生的垂直整合浪潮。
這些事件共同說明：AI 半導體的價值鏈正在往兩端延伸——上游製造平台越來越具戰略性，下游系統公司越來越垂直整合。夾在中間的純代工或純設計角色，空間正在被壓縮。
主要風險：選擇權不等於保證
我必須誠實說：把 Intel 定位成「第二平台選擇權」是一個有吸引力的框架，但它同時也意味著——如果選擇權沒有被行使，它就什麼都不是。
