OpenAI 在今年 8 月 7 日推出新一代生成式 AI 模型 GPT-5，執行長 Sam Altman 形容其效能「史上最聰明的模型，猶如和專家對話」。根據媒體報導，OpenAI 的新一代模型 GPT-5 在訓練時使用了多達20 萬張 GPU，其規模是兩年前發佈的 GPT-4 的8倍。沒想到，這款斥巨資打造的新模型，卻在發佈後迎來「滑鐵盧」，負評如潮。GPT-5 不僅頻繁出現基本錯誤，例如提供不正確的科學解釋，在編程基準測試的準確率僅為 52.8%，甚至低於今年 1 月推出的 Open AI o3 的 69%。
一直以來，AI 模型的發展遵循著一個核心邏輯：「投入的運算資源越多，產生的效能越好」。這個邏輯讓 GPU 龍頭輝達 ( Nvidia ) 的市值在 3 年內暴增 10 倍，並在今年 7 月 9 日成為全球首家市值突破 4 兆美元的公司。另一家專攻資料中心軟硬體的科技巨頭甲骨文（ Oracle ）近期也因一筆與 OpenAI 價值高達 3,000 億美元的 5 年期訂單，儘管其今年 9 月 9 日公布的第二季財報表現不如預期，盤後股價仍飆漲 36%，讓創辦人兼董事長賴瑞．艾利森（ Larry Ellison ）的身價暴增，一度超過特斯拉（ Tesla ）執行長伊隆．馬斯克（ Elon Musk ）成為全球首富。
這些案例都反映出市場對於「算力等於效能」的堅定信仰，再加上科技公司擔憂落後的焦慮（ Fear of Missing Out ），全球 AI 投資持續快速攀升。根據《華爾街日報》報導，2025 年美國大型科技公司在 AI 基礎建設與應用上的總投資額將超過 4,000 億美元，比前一年翻了1 倍。 輝達更樂觀預測，到了 2030 年，全球 AI 投資每年將達到 3 兆至 4 兆美元。然而，GPT-5 的風波讓市場開始質疑，目前 AI 產業奉行的「模型越大，算力越多，效能越好」的發展模式，是否已經觸及瓶頸？這波 AI 投資熱潮，還能持續多久？
收益遞減的定律： 模型越大，成本越高，效能提升卻越少
隨著人工智慧模型的規模擴大，其 GPU 晶片和模型訓練成本正呈幾何級數增長。以 OpenAI 為例，2020 年問世的 GPT-3，GPU 晶片和模型訓練成本總計約略 2,000 萬至 3,000 萬美元，到了 GPT-4 成本暴增至 6 億美元左右；而 GPT-5 更飆破 60 億美元。不僅如此，資料中心建置成本極高且非常耗能。一座功率介於 100MW 至 500MW的中型AI 資料中心， 通常使用數萬張 GPU，建置成本約在 40 億至100 億美元之間，每年營運成本約 4 億至 8 億美元。而 Meta 和 OpenAI 正在打造的超大型資料中心，功率 1GW 以上，使用數十萬張以上 GPU，建置成本高達 500 億至 700 億美元，一年用電量至少 90 億度電，相當於半個台北市一年用電量，營運成本上看每年 15 億至 25 億美元，令人咋舌。
然而，這些天文數字般的投資換來的卻是越來越小的效能提升。GPT-4 的神經網路約有 1.76 兆個參數， 是 GPT-3 的近 10 倍，而 GPT-5 的參數數量約 5 兆個，僅為 GPT-4 的 2.8 倍。這種效能增幅遞減現象不只發生在 OpenAI 身上，其他 AI 模型也出現類似情況這種效能增幅遞減的現象。這意味著，AI 模型的發展或許正遭遇技術瓶頸。單純依靠擴大模型規模來提升效能的策略，已逐漸接近極限，無法再像過去那樣帶來指數級的突破。
技術瓶頸逐漸浮現
AI 模型的效能增長正在放緩，背後的一大關鍵因素在於：高品質的訓練資料已近枯竭。根據非營利機構 Epoch AI 的研究，去除重複和不良內容，網際網路內容每年大約以 10% 速度成長，而 AI 模型的數據用量每年卻成長一倍。照此趨勢，預計到 2028 年，AI 模型將面臨訓練資料枯竭的窘境。為了解決此問題，OpenAI 和 Alphabet等開發商正積極尋求與出版商、學術機構、甚至政府部門合作，以獲取更多非公開數據來訓練模型。然而，這也面臨版權和隱私權的雙重挑戰。2023 年紐約時報就起訴 OpenAI 和微軟（ Microso! ），指控其侵犯版權。之後幾年陸續有類似訴訟。儘管企業嘗試利用現有數據合成新資料，但合成數據的品質通常不如真實數據，這也暴露了 AI 模型在根本上的技術缺陷。
ChatGPT 這類生成式 AI 模型透過收集海量網路內容進行訓練，再利用統計規律和機率分佈來組合詞句，模仿人類語言輸出結論。然而，模型本身並不理解內容的深層含義和因果關係，也無法判斷資料的真偽、時效性或潛在偏見，導致時常產生不準確的結果，甚至捏造一些不存在的事實，即所謂的「 AI 幻覺」。根據新創軟體公司 Vectara 在 2024 年的研究顯示，ChatGPT4.0 出現幻覺的比例達 3%，Gemini Pro 為 4.8％ , 而 Claude 2 則高達 8.5%。
Meta 首席 AI 科學家楊． 安德烈． 勒坎（ Yann André Le Cun, 中文名: 楊立昆）直言，現今的 AI 系統的問題不在於規模，而在於其所基於的大型語言模型（ Large Language Model，LLM ）存在根本性的邏輯和設計缺陷。他認為，無論科技巨頭投入多少 GPU 進行運算，都不會憑藉現有技術誕生像人類一樣具備理解、學習和思考能力的通用人工智慧（ Artificial General Intelligence，AGI ）。
AI 導入速度不如預期： 如何把「百科全書」普及化、貨幣化？
儘管 AI 模型在消費者端使用量極高，但技術缺陷和侷限卻使其難以轉化為可持續性的收入，在企業端的成長速度更是低於預期。主要原因在於用戶對 AI 模型提供的資訊和服務仍存在疑慮，因模型提供的錯誤資訊而發生意外的事情也時有耳聞。全球約有 18 億人使用生成式 AI 模型，每日活躍使用者約 5 億至 6 億人。使用率最高的是 ChatGPT， 每天活躍用戶約 2 億人，每天的訪問量約在 1.5 億次，是全球流量排名第五高的網站，但付費訂閱用戶僅約 2,000 萬。換言之，90% 的用戶只使用免費服務，若以每月訂閱費最低 20 美元估算，一年的訂閱收入僅 48 億美元。即使加上企業版產品和應用程式介面 ( API ) 的銷售收，市場預期 OpenAI 2025 年營收約 127 億美元，虧損接近 100 億美元，最快要到 2029 年才能損益平衡。訂閱率低不僅顯示免費版已滿足多數用戶需求，也反映消費者對生成式 AI 的信任度不高。根據研調機 Euromonitor 的數據， 僅 43% 的消費者信任 AI 提供的答案，且只有 19% 認為 AI 能處理複雜問題。
在企業端，雖然有意導入 AI 的公司不少，但實際採用的比例卻很低，且效益有限。在美國，僅有約 9% 的企業導入 AI 模型，而且多屬於知識密集型行業，例如製藥、IT 等。麻省理工學院針對 300 家導入 AI 模型的企業進行分析，發現僅 5% 的公司成功將其整合到工作流程中，其餘都未見到結構性變革和投資回報。
主要原因在於導入成本高昂，而員工卻不知如何有效利用。一台 AI 伺服器動輒 30 萬至 300 萬美元，是傳統型的 30 倍以上，加上人才培訓和流程改造，讓許多企業望而卻步。而且，企業往往只是盲目跟風，缺乏明確的導入目的，人員也不懂如何使用，導致投資效益不彰。其次，AI 系統的準確性仍待改善，特別是醫療業這類需要高精準度的產業，一點偏差都可能導致生命危險，再加上資安隱憂、法規的不確定性以及監管機制的缺乏，都讓企業在大規模導入 AI 時面臨重重阻礙。
狂歡終有結束時： 千禧年 Y2K 之蟲引發 " DISCO " Dell, Intel, Sun-Micro, Cisco, Oracle⋯
歷史經驗顯示，技術革命往往伴隨著投資泡沫，2000 年的網路泡沫就是一個經典案例。當時，市場普遍認為以網路為基礎的商業模式會迅速改變各行各業，數以千計的網路新創公司如雨後春筍般湧現，一舉讓網路設備巨頭思科（ Cisco ） 在 2000 年 3 月 27 日以高達 5,550 億美元成為當時全球市值最高的公司，本益比飆升至 152 倍。戴爾（ Dell ）、英特爾（ Intel ）、甲骨文（ Oracle ）、和昇陽電腦（ Sun Microsystems，於 2009 年被甲骨文收購）等企業的本益比也同樣介於 100 倍至 200 倍之間。然而，當時網路技術與商業模式仍在起步階段，商業模式還不成熟，終端需求成長速度遠不及資本投資的規模，企業的巨額投入無法迅速回本，最終導致泡沫破裂。
當前 AI 產業的發展邏輯，正遭遇類似的困境。單純透過擴大模型規模來提升性能的策略，已經觸及瓶頸，而演算法與數據方面的根本性侷限，也直接影響了需求面的成長速度。這些問題對整個產業的長遠發展構成了不容忽視的挑戰。如果資本市場持續以失衡的速度投入 AI 基礎設施的建置，過度追捧相關企業，那麼這場由 AI 帶來的投資狂歡，或許最終也難逃泡沫破裂的命運。