最近幾則新聞，開始讓我重新思考 AI 產業未來五年的獲利結構。

• 月之暗面（Moonshot AI）目前最新的旗艦開源模型為2026年7月發布、高達2.8兆參數的「Kimi K3」，基準測試已能媲美 GPT-5.6 Sol 等頂尖閉源模型。
• 2026 年 7 月 30 日，OpenAI 宣布將 GPT-5.6 Luna 價格下調 80%，Terra 下調 20%。Luna 降價後使用量約增加 14 倍，Terra 約增加 5 倍。
• OpenRouter 是市佔領先的 AI API 聚合平台。由於其平台上各模型間存在高達百倍的巨大價差，這讓智慧分流（Router）發揮了極大價值：系統能自動「依任務難易度動態切換高低價模型」，在確保最佳品質的同時大幅節省成本。

AI 產業下一個五年的重要問題，可能已經不是「OpenAI、Anthropic、Google 誰的模型最聰明」，而是：如果未來企業把大量一般工作轉移到價格更低的開放權重模型，只把最困難、最有價值的工作留給 OpenAI、Anthropic、Google 等 Frontier Model，整個 AI 產業的獲利池會如何重新分配？

這可能是 AI 產業的「Android 時刻」。當年的 Android 並沒有消滅 Apple，卻把智慧型手機市場擴大成手機品牌、晶片商、電信商、App 開發者與雲端服務都能參與的龐大生態系。AI 可能正在走向類似結構：未來真正重要的，不一定是哪個開放模型擊敗 OpenAI，而是企業開始不再忠誠於任何單一模型。便宜、簡單的工作交給低成本模型；最困難的任務才使用昂貴的 Frontier Model，再由 OpenRouter 類型的中間平台自動決定每一項工作應該交給誰。

如果這個方向成立，投資人需要重新思考目前市場給不同環節的估值：OpenAI 與 Anthropic 的高成長是否已經隱含過高的 Token 定價權？相反地，Nvidia、AI 晶片與 HBM、AWS／Azure／Google Cloud，以及 OpenRouter 所代表的模型中間層，是否反而低估了 AI 使用量持續爆發之後能取得的獲利池？

換句話說，當 AI 的總需求持續快速成長，但每一顆 Token 的價格開始下降，產業的 Revenue Pool 仍然可以變大；真正可能劇烈改變的，是 Gross Profit 最後落到誰手上。

什麼是 Open Weight 開放權重模型？

Open Weight，開放權重模型，指模型開發者把已訓練完成的重要參數開放出來，其他公司可以自行下載、部署、調整，甚至放在自己的雲端或伺服器中運行。它和傳統「開源軟體」並不完全相同，部分模型雖然開放權重，但訓練資料、訓練程式碼或授權條款不一定完全公開，因此本文使用較精確的「開放權重」而非一律稱為開源。

相反的是 Frontier Proprietary Model，封閉式前沿模型，也就是目前能力位於產業最前端、核心權重不公開，而且通常價格較高的模型，例如 OpenAI GPT 系列、Anthropic Claude 高階系列與 Google Gemini Pro 系列。

過去市場的假設是：最強模型會拿走最多市場。 但市場現在開始發現，大部分企業工作其實不需要每一次都使用全世界最聰明的模型。整理文件、分類資料、普通客服、搜尋摘要、簡單程式修改，可能使用便宜很多的模型就已經足夠。這就是開放權重模型開始具有經濟價值的原因。

真正的轉折：Open Weight 正在變成主流流量

OpenRouter 與 a16z 的資料顯示（超過 100 兆 Token），Open Weight 在 2024 年仍是少數，但到 2025 年底已約占 三分之一 Token 使用量。其中中國模型成長最快，從約 1.2%（2024）一度升到接近 30%（2025 部分週）。

2026 年進一步加速。Reuters 指出，某些週期中，美國用戶在 OpenRouter 使用中國 Open Weight 模型的 Token 占比曾達 64%。這不代表整體市場被取代，而是說明：在可自由選模型的環境下，流量會快速流向性價比最高的選項。

核心原因是價格差距。雖然 OpenAI、Anthropic、Google 等 Frontier 模型仍在高難度任務上領先，但很多日常工作不需要最高能力。企業開始把「難題」留給 Frontier，把「執行」交給便宜模型。甚至有預期約 80% AI workload 可能轉向成本低 99% 的模型；也有企業已用 Open Source SLM 處理約 30% AI calls。

能力差距縮小 → 價格差巨大 → 企業分層使用模型 → Open Weight 占比上升 → Frontier 模型被迫降價 → AI 使用量擴大。所以 Meta 重新回到 Open Weight 路線，推出新模型；Nvidia 也加碼開放模型（Nemotron 系列）。

Open Weight 會壓低模型層定價權，但同時放大整體 AI 使用量，並把價值轉移到算力、雲端與基礎設施（Nvidia、HBM、Cloud、Router）。AI 正從「能力競賽」走向「價格效能競賽」。

企業 AI 架構：未來是讓系統自動選模型

早期企業使用生成式 AI，結構非常簡單：

Application → OpenAI / Claude / Gemini

未來更可能演變成：

Application → AI Gateway / Router → 多個 Model → 多個 Inference Provider

企業不再事先決定「所有工作都用 Claude」，而是設定成本、品質、速度與安全需求，再讓 Router 選擇最適合的模型。普通文件整理可能用便宜模型，高難度程式設計才使用 Claude；某家模型漲價，可以降低配置；另一家模型改善，就提高使用比例。

OpenAI 降價 80%，卻讓使用量暴增 14 倍

前沿模型的價格有鬆動現象。2026 年 7 月 30 日，OpenAI 宣布將 GPT-5.6 Luna 價格下調 80%，Terra 下調 20%。如果只從第一層思考，價格下降代表每顆 Token 營收與毛利承壓；但後來 Luna 降價後使用量約增加 14 倍，Terra 約增加 5 倍；但即使價格下降，相關營收仍分別增加約 34% 與 45%。

OpenAI 模型	價格調整	使用量變化	營收變化
GPT-5.6 Luna	-80%	約 14 倍	+34%
GPT-5.6 Terra	-20%	約 5 倍	+45%

接著兩周內，Anthropic與Google兩家都迅速跟進以應對價格戰：

• Claude： 緊急取消原定的漲價計畫（永久維持首發優惠價），並調降開發者的隱藏附加費。
• Gemini： 推出更新版 Gemini 3.7 Flash 模型，並直接祭出半價優惠至 2026 年底。

這顯示在 OpenAI 與平價開源模型的夾擊下，頂尖閉源大模型已全面進入白熱化的價格戰。

價格下降後，原本不值得自動化的工作開始值得自動化；原本一天跑一次的 AI 工作可能變成十次，AI Agent 也可以執行更多搜尋、分析與驗證。這就是 Jevons Paradox，傑文斯悖論：單位使用成本下降後，總需求反而可能增加。

對 OpenAI 本身而言，這是雙面刃。價格下降會壓低 Revenue per Token，但如果需求成長速度大幅高於價格跌幅，營收仍能增加。對 Nvidia、HBM、高速網路與雲端資料中心而言，邏輯更加直接：降價造成使用量倍增，只要總 Token 數量高速增加，背後需要處理的運算量就會增加。因此模型價格戰對於AI基建/半導體如 Nvidia 是好消息。

大模型商品化時代：CSP 靠開源模型增加毛利

微軟執行長 Satya Nadella 在最新季報會議中宣示，微軟雲端平台已提供超過 1.1 萬種 AI 模型，主張大型語言模型已逐漸商品化，客戶應依成本與延遲需求靈活選擇「正確模型」，這標誌著大型雲端服務商（CSP）已全面轉向「模型即服務（MaaS）」戰略。這項轉變引發了 AI 產業鏈利潤的劇烈重分配：通用大模型淪為底層基礎設施，使模型開發商（如 OpenAI、Anthropic）逐漸失去定價權，而商業價值則迅速向上層掌握「獨家產業數據」的終端 SaaS 應用集中；同時，CSP 的毛利結構也出現雙軌化差異。在提供前沿閉源模型時，CSP 因需支付 20%–50% 的高額 IP 分成並極度依賴昂貴的 NVIDIA 晶片叢集，毛利率往往被壓縮在 20%–40% 區間；反觀開源模型，不僅具備零 IP 授權成本的優勢，CSP 還能全面導入自研推論晶片（如 Google TPU、AWS Trainium、微軟 Maia），進一步將推論成本壓降 30%–60%，使開源託管業務的毛利率大幅躍升至 50%+。這種「前沿模型衝營收、開源模型賺毛利」的業務組合，讓 CSP 成功轉嫁了押注單一 AI 實驗室的風險，穩固其作為 AI 生態系最大贏家的地位。

開放權重模型的信任問題有解

中國 Open Weight 模型真正的瓶頸，未必是能力，而是 Trust，企業信任問題。對美國大型企業來說，即使 DeepSeek、Kimi、MiniMax 的價格效能比很有吸引力，仍必須面對資料安全、法規、模型來源、政府政策與供應商責任等問題。因此，中國模型能不能進入企業市場，關鍵不只是 Benchmark，而是模型要在哪裡部署、由誰負責營運，以及企業資料會不會離開自己的控制範圍。

Open Weight 的優勢就在這裡：模型本身與提供運算服務的公司可以拆開。 未來一條很可能成立的路徑是：

中國模型 Weights → 美國 Cloud → 美國 Inference Provider → Enterprise Private Deployment

也就是企業可以採用中國團隊訓練出的模型權重，但實際運算放在 AWS、Azure、Google Cloud、Oracle 或其他美國基礎設施上，再由美國的 Inference Provider（推論服務供應商）負責部署、監控、安全與服務。最後模型運行在企業自己的 Private Cloud 或受控環境中。企業不需要把資料直接交給中國 AI 公司，也不需要使用中國境內的 AI API。

另一條阻力更低的路徑則是：

美國 Open Weight Model + 美國部署。

Meta 已重新回到 Open Weight 路線，Nvidia 也持續擴大 Nemotron 等開放模型。如果 Meta、Nvidia 或其他美國公司能提供能力接近 Frontier、成本明顯較低的模型，美國企業甚至不必承擔中國模型的政治與法遵風險，就可以取得 Open Weight 的成本優勢。

所以說，Trust 問題可能延緩 Open Weight 的企業滲透，但無法阻止它。 一旦「Open Weight + Trusted Deployment」成為標準方案，Frontier Proprietary Model 原本依賴安全、企業級服務與合規建立的部分溢價，就可能開始被重新定價。

OpenAI、Anthropic：困境是定價權開始鬆動

OpenAI 與 Anthropic 面臨的核心問題其實非常類似。兩家公司目前都掌握 AI 產業最有價值的一批高階工作負載，OpenAI 擁有 ChatGPT、Codex、企業客戶與開發者生態系；Anthropic 則在 Coding、企業 Agent 與高難度知識工作建立很強的 Claude 品牌。這些工作目前仍願意支付明顯高於 Open Weight Model 的價格，因此也是整個模型產業利潤最豐厚的區域。

但如果未來企業真的走向 70% Open Weight、30% Frontier Model，兩家公司面臨的共同壓力不是突然失去所有客戶，而是定價權逐漸減弱。企業仍會使用 GPT、Claude，只是不再願意讓每一項工作都支付 Frontier Premium。摘要、搜尋、分類、資料整理與大量 Agent 中間步驟，會逐漸移往更便宜的模型；真正困難的 Coding、複雜推理、重要決策與高價值 Agent 工作，才繼續使用 OpenAI 或 Anthropic。

這會讓兩家公司都走向更明確的分層定價。OpenAI 已經透過不同模型把高階能力與低成本需求拆開，Anthropic 也有類似的產品分層。這個策略短期可以保住不同預算層級的客戶，但長期仍有一個問題：當 Frontier Model 與 Open Weight Model 的能力差距越來越難讓一般企業使用者明顯感受到，兩者之間的價格差距也很難永遠維持。

換句話說，未來 Open Weight 更低的「合理價格基準」，持續迫使 Frontier Model 縮小 Premium。這也是為什麼 OpenAI 降價後使用量大幅增加特別值得注意：模型公司可以用較低價格刺激更多需求，但真正需要驗證的是，新增 Token 是否足以彌補 ASP 下滑與 Compute Cost，最後轉化成更高 Gross Profit。

Anthropic 據報洽談收購 Decart AI，可以從這個角度理解。Decart AI 的核心價值之一是改善模型運算效率。如果 Anthropic 願意以大型併購強化這一塊，代表管理層很可能已經意識到：下一階段不能只靠「Claude 比別人更聰明」維持高價格，還必須降低每一單位 Intelligence 的生產成本。模型價格差距縮小之後，Compute Efficiency 將直接決定毛利率。

不過 OpenAI 與 Anthropic 仍然握有一個很重要的反擊機會：把 Frontier Intelligence 變成企業工作流程，而不是單純賣 Token。 100 兆 Token 研究觀察到部分領先模型存在所謂 Glass Slipper Effect，灰姑娘玻璃鞋效應：第一個真正替客戶解決某項工作問題的模型，早期使用者往往具有更高留存。這代表企業一旦圍繞 GPT 或 Claude 建立 Agent、Coding workflow、內部知識庫、權限管理、Evaluation 與員工使用習慣，轉移成本就會明顯提高。只要能從「賣高價 Token」進化成「掌握企業每天必須使用的 AI 工作流程」，即使單位 Token 價格下降，客戶黏著度、ARPU 與整體營收仍有機會持續提高。

Google：AI 結構最完整的一家公司

Google 面對 Open Weight 的方式與 OpenAI、Anthropic不同。OpenAI 與 Anthropic 的企業價值高度集中在 AI 模型與 AI 服務本身，Google 卻同時擁有 Gemini、Google Cloud、自研 TPU、Search、YouTube、Workspace、Android與Chrome。所以同時是模型、算利出租、算力晶片、AI應用的複合體。

未來 Token 的成本將下降，無論利潤移動到哪個部門，Google 都可以獲得較完整的利潤分配。企業在 Google Cloud 上跑開放模型，Google 收 Cloud Revenue；企業使用 Gemini，Google 收模型收入；AI 搜尋增加，Google 保住搜尋入口；Workspace 裡加入更多 AI，又可以提高軟體產品價值。

因此在 70% Open Weight、30% Frontier Model 的市場裡，Google 不需要讓 Gemini 壟斷模型市場。它只需要確保大量 AI 工作仍在自己的基礎設施與產品生態系內。從商業模式結構來看，這是 Google 相對純模型公司的重要優勢。

Meta：AI 布局很廣，但市場仍在等投資回收

Meta 目前的 AI 布局已經涵蓋 模型、消費者 AI、Coding Agent、廣告工具、智慧眼鏡與自建 AI 基礎設施。模型方面，Muse Glimmer 已經是 Open Weight，開放權重模型，可下載並在單一 GPU 上運行；更高階的 Muse Spark 1.2 目前是 Meta 的旗艦模型，Meta 已宣布接下來也會釋出 Open Weight 版本。此外，Muse Spark 1.2 也支援 Muse Code，直接進入 Coding Agent 市場。

Meta 選擇 Open Weight，不代表模型無法賺錢。未來仍可透過企業私有化部署、專業服務、進階工具與 API 生態變現；Meta 同時擁有 Facebook、Instagram、WhatsApp 與 Meta AI，也有條件發展面向消費者的 AI 付費服務。更深層的戰略則是降低自己再次被其他平台控制的風險。Apple 推出 ATT 隱私政策後，Meta 曾估計一年廣告收入影響約 100 億美元，這使 Zuckerberg 對「平台入口掌握在別人手上」特別敏感。

因此 Meta 的野心很清楚：用 Open Weight 壓低 OpenAI、Anthropic 等封閉模型的定價權，同時讓開發者採用 Meta 的模型標準，最後把 AI 價值導回廣告、社群、智慧眼鏡與消費者服務。 Zuckerberg 2026 年重新公開支持 Open Weight，也代表公司正式回到這條路線。

但問題同樣明顯。Meta 目前既沒有 OpenAI、Anthropic 在高價企業 Frontier AI 的明確優勢，也不像 AWS、Azure、GCP 可以把龐大 Data Center 投資直接賣給分散的 Cloud 客戶；往低成本競爭，又面臨中國 Open Weight 模型更低的研發與推論成本。

所以市場真正等待的不是下一個 Muse Benchmark，而是：Meta 每年投入龐大的 AI CapEx，最後如何轉化成可量化的 Revenue、Gross Profit 與 Free Cash Flow。 Open Weight 是很有野心的防守兼進攻策略，但在商業回收被證明之前，Meta 的 AI 投資仍帶有很高的執行風險。

中國 AI 的輸出，不只是模型，而是全球 AI 價格通縮

中國 AI 已經不是 DeepSeek、Kimi、GLM 三家公司之間的故事，而是逐漸形成完整產品矩陣。Alibaba 的通義千問 Qwen 是目前全球最成功的 Open Weight 生態之一，Alibaba 表示 Qwen 截至 2026 年 1 月在 Hugging Face 的累積下載已超過 10 億次；ByteDance 的豆包 Doubao 則是中國最普及的消費者 AI App，2026 年初每週活躍用戶一度達 1.55 億。

新創公司的速度同樣值得注意。DeepSeek 已經成為全球低成本 AI 的代表；Moonshot AI（月之暗面）的 Kimi 最新 K3 發布後需求甚至一度超過現有 GPU 容量，迫使公司暫停新增訂閱；Z.ai／智譜的 GLM-5.2 則快速登上 OpenRouter 使用排行榜，Reuters 指出它已受到全球新創與開發者採用，主因就是 Coding、Agent 能力逼近美國頂尖模型，但價格只是一小部分。

中國 AI 甚至已經從文字模型延伸到影音生成。MiniMax 除了語言模型，也經營 Hailuo AI 等全球產品，Reuters 先前指出其全球用戶已超過 1.5 億；2026 年又推出可生成 2K 影片的 H3，宣稱成本不到主流競爭產品的三分之一，並計畫開放模型權重。 ByteDance 的 Seedance 2.5 則是目前最受關注的影音 AI 模型之一，推出後快速爆紅，展示中國 AI 已經開始挑戰文字以外的高價值生成市場；不過其全球推出也因 Hollywood 版權爭議一度暫緩，代表中國影音 AI 全球化仍伴隨內容授權風險。

撇開美國市場，中國 Open Weight 的全球 Adoption 其實更值得注意。Reuters 指出，Qwen、Kimi 等中國模型正透過開放權重降低部署門檻，尤其在新興市場與希望降低對美國 AI 依賴的國家更容易取得採用。Qwen 已經超越 Meta Llama 成為 Hugging Face 最熱門的模型家族之一，而 Reuters 也直接形容 DeepSeek 之後，中國 AI 模型憑藉低成本與能力提升，已經在全球市場取得明顯進展。

這讓我想到中國過去在電動車與太陽能板產業走過的路徑。中國企業不一定一開始就擁有全球最強品牌，但透過快速迭代、完整供應鏈與激烈價格競爭，持續把產品性能往上推、價格往下壓，最後重新定義全球消費者認為「合理價格」應該是多少。

AI 很可能出現類似的中國式價格戰。DeepSeek、Kimi、GLM、Qwen、豆包、MiniMax、Seedance 不需要全部成為全球第一，只要其中數家公司持續證明「接近 Frontier 的能力，可以用遠低於美國模型的成本提供」，OpenAI、Anthropic、Google 就很難維持過去的價格差距。

因此中國 AI 對全球市場最大的輸出，可能不是哪一家公司的 Revenue，而是：

AI Intelligence 的全球價格通縮。

對 Frontier Model 公司來說，這會壓縮 ASP 與毛利率；對 Meta 等 Open Weight 玩家，則會迫使它們進一步降低成本。但對終端企業與消費者而言，這反而是福音：模型越便宜，可以使用 AI 的公司、工作流程與消費場景就越多。

這也是 AI Android Thesis 最重要的第二層影響。中國價格戰可能壓低模型公司的單位獲利，卻同時把整個 AI 市場做得更大，最後增加的 Token、Cloud、GPU、HBM 與應用需求，可能遠高於今天市場的想像。

AI 基礎建設：越便宜需求越大

如果 Open Weight 持續提高 Token 占比、模型價格持續下降，最直接的受益者是整個 AI Infrastructure，AI 基礎建設。這包括 GPU、HBM、晶圓代工、先進封裝、記憶體與儲存、高速網路交換器、光通訊，以及資料中心電力等環節。核心邏輯很簡單：模型越便宜，越多工作值得使用 AI；Token 使用量增加，最後就會轉化成更多 Compute Demand。

2026 Q2 財報仍然支持這個方向。Alphabet 將全年 CapEx 指引上調到 $195B–$205B，Google Cloud 單季營收年增 82%，管理層甚至表示需求仍高於已增加的供給。Amazon 把 2026 CapEx 計畫再提高 10% 至 $220B，AWS Q2 營收年增 37%，CEO Andy Jassy 表示即使增加投資，2026 年仍沒有足夠容量滿足全部需求。Microsoft 4–6 月 CapEx 達 $41B、年增超過 70%，並預估 2026 Calendar Year CapEx 約 $175B；Meta 則把全年 CapEx 下緣再提高至 $130B–$145B。

這些支出不只流向 Nvidia。TSMC 的先進製程、SK Hynix 的HBM、網路設備，以及儲存、光通訊、電力供應鏈都會分享到同一筆 AI CapEx。所有「AI 鏟子股」真正值得給高估值的，應該是同時具備 高毛利、高市占率甚至接近壟斷、短期產能瓶頸與高進入門檻的環節。例如 SK Hynix 2026 Q1 全球 HBM 市占約 58%，管理層甚至認為記憶體供給瓶頸可能延續至 2030；TSMC 相關先進製程也是晶片出貨的重要限制因素。

不可否認這些公司終究是週期股的屬性。只要價格與毛利率夠高，資本就會進場、產能就會擴張，供給最終一定會在某個時間點追上需求。但不能看到 DRAM 現貨價回落，就直接判斷 AI 半導體循環已經見頂。目前更值得觀察的是實際算力價格與訂單行為有沒有先轉弱。Nebius（NBIS）2026 Q2 的短期 GPU Capacity Auction 提供一個很有意思的訊號：公司首場算力拍賣成交價格比過去 Blackwell GPU 的最高價格還高約 15%，也比既有 Blackwell Pipeline Pricing 高約 20%。Nebius 同時表示，其 AI Cloud 合約價值接近四倍成長，2027 年規劃中的容量在目前條件下甚至可能全部售出。

所以現階段沒有必要用歷史經驗自己嚇自己。更合理的做法是持續追蹤：

• Hyperscaler CapEx 是否開始下修
• Cloud AI Revenue 是否減速
• GPU $/Hour 是否下降
• Backlog 是否縮短
• 瓶頸環節的產能利用率是否開始鬆動。

只要需求增速仍跑在供給前面，具備高進入門檻與產能瓶頸的 AI 基礎建設公司，仍會是這個 Android Moment 裡最直接的獲利池之一。

大 CSP 能吃下多模型紅利，NeoCloud 則是高槓桿的 AI Beta

如果未來企業同時使用 GPT、Claude、Gemini 與 Open Weight，AWS、Azure、Google Cloud 反而更接近「模型中立」的受益者。它們背後都有成熟本業與龐大自由現金流支撐資料中心建設，也開始跨足自研 ASIC，例如 Google TPU、AWS Trainium、Microsoft Maia，希望降低對 Nvidia GPU 的依賴並壓低 AI 推論成本。Open Weight 普及後，這些 CSP（Cloud Service Provider，雲端服務供應商）還可以把更便宜的模型直接部署在自己的 Cloud 上，進一步改善毛利率。

亞馬遜旗下 AWS 正展現強勁的營運槓桿，營業利潤率由 2026 Q1 的 37.7% 進一步提升至 Q2 的 39.4%；Trainium、Graviton 等自研晶片業務快速擴張，也有助 AWS 長期改善運算成本結構。微軟 Intelligent Cloud 的獲利能力則依然領先，營業利潤率而由前季約 39.7% 上升至 40.6%。至於 Google Cloud，營業利潤率由 Q1 的 32.9% 提升至 35.6%；TPU、AI Infrastructure 與規模經濟都是中長期改善獲利結構的重要因素。整體而言，三大 CSP 的雲端業務營業利潤率都在提升，目前已集中在約 35%–41% 的高水準區間。

這就是大型 CSP 最大的優勢。客戶來源分散、產品線多元，不需要下注哪一個 Foundation Model 最後勝出。企業把預算從 GPT 轉到 Claude、再轉到 Qwen 或其他 Open Weight，只要工作仍然跑在 AWS、Azure 或 GCP，Cloud 就能繼續收錢。當資料中心利用率接近滿載時，新增 Revenue 對獲利的貢獻甚至可能非常高。

相較之下，Oracle、CoreWeave（CRWV）、Nebius（NBIS）等後起 AI Cloud／NeoCloud 的營收成長更大，但風險也高得多。 這些公司的共同問題是重資本、折舊與利息負擔高，而且大型 AI 客戶占比通常較集中。CoreWeave Q2 Revenue 已年增超過一倍至 $2.58B、Backlog 達 $104.2B，但同季 CapEx 高達 $9.4B；市場仍高度關注其債務、折舊與客戶集中。 Nebius Q2 Revenue 年增 514% 至 $575M、Adjusted EBITDA 達 $236M，顯示滿載時 NeoCloud 的獲利彈性非常驚人，但這種模式同樣高度依賴 GPU 利用率與大型訂單持續性。

Oracle 則介於傳統 CSP 與 NeoCloud 之間。公司有 Database、SaaS 等既有現金流，但近年的 OCI 擴張高度依賴超大型 AI 合約。FY2026 Q4 Oracle RPO 已達 $638B、年增 363%，Cloud Infrastructure Revenue 年增 93%；但 FY2026 Free Cash Flow 同時降至 負 $23.7B，反映資料中心與 GPU 投資的資本壓力。

因此這一輪 AI Cloud 最重要的分水嶺不是「誰成長最快」，而是誰有能力撐過未來某一天的供給過剩。AWS、Azure、GCP 即使 AI Capacity 短期過剩，仍有成熟軟體、廣告、電商與企業服務現金流支撐；NeoCloud 則更像高槓桿 AI Beta——滿載時 Revenue 與 EBITDA 可以爆發，但一旦 GPU $/Hour 下跌、利用率下降或大型客戶延後訂單，高折舊、高利息與固定容量成本就會迅速侵蝕現金流。

所以對投資人而言，大 CSP 更像分散型 AI 複利資產；NeoCloud 更像高報酬、高存亡風險的週期交易。 Open Weight 與多模型時代整體上有利 Cloud，但越依賴少數客戶、越需要靠債務蓋資料中心的公司，越需要對未來供給過剩給更高風險折價。

OpenRouter 與三大 CSP：掌握通路就掌握議價權

OpenRouter 可以理解成「AI 模型比較平台＋轉接站」。企業不必分別和 OpenAI、Anthropic、Google、DeepSeek 等公司建立獨立關係，只需要透過 OpenRouter，就可以存取數百個模型，再依照價格、效能與工作難度分配流量。它最大的優勢是模型中立、選擇多，而且可以跨不同模型供應商與 Inference Provider 比較。

但這個中間層並不是 OpenRouter 的專屬市場。三大 CSP 已經開始把類似能力直接做進自己的 Cloud。AWS Bedrock Intelligent Prompt Routing 可以依照品質與成本自動選擇模型，目前主要在同一 Model Family 內路由；Microsoft Foundry Model Router 更進一步，可以即時依 Prompt 選擇不同模型，最新版本已支援 GPT、Claude、DeepSeek 等不同模型家族。Google Cloud 目前則透過 Model Garden 提供 200+ Google 與第三方模型的統一部署入口，雖然自動跨模型 Routing 還沒有像 Azure 那麼成熟，但平台方向已經非常明確。

AI router 對企業使用者的意義很大，可以大幅降低成本。過去 AI 的投資邏輯是「選擇 Model 」。未來是選擇AI模型的大賣場。對 CSP 而言，不論最後選到 Claude、GPT、Gemini 或 Qwen，只要運算仍留在自己的 Cloud，收入都可以保留。CSP 的模型中立優勢進一步升級：它們不只可以捕捉任何模型帶來的 AI 預算，未來甚至可能逐漸掌握 AI 流量與議價權。

結論，我們還在 AI 發展早期階段

AI 仍在早期階段，五年後是否真的形成 70% Open Weight、30% Frontier Model，目前仍只是情境推演。但幾個方向已經逐漸清楚：模型價格下降、Open Weight 使用率上升、Router 降低切換成本，而 AI 使用量反而持續增加。 這代表模型層的定價權可能下降，但整體 AI 市場仍在快速擴大。

對 OpenAI、Anthropic 而言，風險是 Frontier Premium 被壓縮；對 CSP 與 Router 而言，多模型時代反而提高它們的通路與議價權。

目前最明確的投資 Takeaway 則是：

AI 越便宜、越普及，就需要更多算力。

模型降價會轉化成 GPU、HBM、晶圓代工、先進封裝、記憶體、網路與 Cloud 的需求。因此目前還沒有足夠證據認為 AI Infrastructure 景氣週期已經結束。

當然，AI 基建最終仍逃不過週期。供給終有一天會追上需求，因此投資人仍應優先尋找高市占、高毛利、產能瓶頸與高進入門檻的公司，而不是單純押注所有 AI 概念股。

模型層誰會贏還不知道，但目前最清楚的獲利池，仍在支撐 AI 使用量成長的基礎建設。

專有名詞快速解釋

Open Weight｜開放權重模型：模型的重要參數可供外部下載、自行部署或調整，與完全 Open Source 並不完全相同。

Frontier Proprietary Model｜封閉式前沿模型：目前能力位於產業最前端、但核心模型權重不公開的 AI，例如 OpenAI、Anthropic、Google 的高階模型。

Router / AI Gateway｜AI 模型路由器／閘道：替企業在不同 AI 模型之間自動選擇、切換與控制成本的中間平台。

Inference Provider｜推論服務供應商：真正提供運算資源、讓 AI 模型執行工作的公司或平台。

SLA｜Service Level Agreement，服務等級協議：供應商對企業承諾的可靠度、正常運作時間、安全與服務責任。

OpenRouter｜AI 模型路由平台：讓企業與開發者透過單一平台使用數百種不同 AI 模型，並進行模型與供應商切換。

GLM｜General Language Model：Z.ai／智譜 AI 的大型語言模型系列，是中國重要 AI 模型家族之一。

Kimi：Moonshot AI／月之暗面的 AI 模型品牌，為中國重要 Open Weight 陣營之一。

DeepSeek：中國 AI 模型公司，以高性價比推理與 Open Weight Model 受到全球市場關注。

Nemotron：Nvidia 的 AI 模型家族，戰略價值在於讓 Nvidia 不只是提供 GPU，也參與 Open Weight 與企業 AI 軟體生態系。

Muse：Meta 最新 AI 模型家族。Meta 2026 年重新回到 Open Weight 策略，Muse Glimmer 已採開放權重模式，並計畫進一步公開更強的 Muse Spark 權重。

Decart AI：AI 基礎技術新創公司，核心投資意義在於提升模型運算效率；Anthropic 據報正尋求透過併購強化相關能力。

HBM｜High Bandwidth Memory，高頻寬記憶體：AI GPU使用的高階記憶體，是 AI Server 供應鏈的重要環節。

Jevons Paradox｜傑文斯悖論：單位資源使用效率提高、價格下降後，因為更多用途變得經濟可行，最後總需求反而增加。