算力比模型更稀缺了：Google 卡住 Meta，AI 代理這週悄悄進了政府

今日漫畫 出演・水無瀨 澪

今天的新聞不是零散的事件，但幾條線湊在一起，指向同一件事：AI 正在從「展示能力」走向「爭奪資源」。不是比賽誰的模型更聰明，而是搶算力、搶人才、搶政府合約、搶記憶體供貨。爭的東西換了，比賽還沒停。

算力稀缺不是比喻了

Google 在今年三月告知 Meta，無法供應 Meta 想要的全部 Gemini 算力。Meta 部分內部 AI 專案因此延後，員工被要求提高 token 使用效率。這件事直到最近才透過媒體曝光，但影響一直沒解除。

有趣的是，受 Google 算力限制的不只 Meta。Google Cloud 還有其他企業客戶同樣在排隊等算力。換句話說，不是 Meta 特別大，而是 Google 自己的算力供給已經到達一個天花板，大客戶都在吃不到足量的狀況下想辦法。

Meta 一開始選 Gemini，是因為效能優於自家開放模型。現在的處境是：選了更好的東西，卻買不到足夠的量。

同一天，DeepSeek 宣布員工規模擴大逾兩倍。公司已取得約 500 億人民幣資金，招募方向集中在 AI 代理開發人員與模型訓練研究員。解讀很直接：DeepSeek 從強化基礎模型，轉向可落地的智慧體應用。

把這兩件事擺在一起，算力的稀缺已經不只是話題。一邊是最大的 AI 供應商告訴最大的科技客戶「不夠賣」，另一邊是資金充裕的新創在競相擴張。真正稀缺的不是模型能力，而是支撐模型運轉的基礎設施。

這個格局接下來可能走兩個方向：各家繼續投入自建算力，把基礎設施競爭從「雲端採購」拉到「自己建廠」；或者市場出現新的效率技術（如振盪器架構、CXL 記憶體壓縮），讓每一份算力能做到更多。今天這兩條路都有人在走。

AI 代理找到落點

Nvidia 與 Palantir 擴大合作，把 Nvidia Nemotron 開放模型與 Palantir AIP、Foundry、Ontology 等平台整合，鎖定美國政府機關與關鍵基礎設施的隔離、不連網安全環境。核心主張：政府可在自有基礎設施上客製化模型，保留資料、智慧財產與模型權重的所有權。

同一天，Anthropic Claude 在 Microsoft Azure Foundry 全面開放，採用 Nvidia GB300 Blackwell Ultra GPU。定位是企業打造自主型 AI 代理的基礎設施。

這兩個公告的共同點：AI 代理在落地，而且落點不是 demo，是實際的政府合約和企業採購。從「模型夠聰明了嗎」轉向「這個部署環境夠安全嗎、資料主權夠清楚嗎」，需要回答的問題已經不同了。

問題隨著落地一起來。TechOrange 今天的報導指出，AI 代理繼承了授予它的員工權限，但當員工離職或換角色時，這些權限不會自動消失。身分治理工具設計上針對人類帳號，不具備端到端監控 AI 代理身分的能力，代理數量在成長，對應的生命週期管理還沒到位。

資安方面的挑戰更直接：Google 在 Cloud Next ‘26 揭露的數據顯示，密碼破解已從 8 小時縮至 22 秒。攻擊者在用 AI 加速攻擊週期，而多數企業的防禦架構還沒跟上。Google 提出的框架是「以代理人對抗代理人」，核心邏輯是：你用 AI 部署業務，你也得用 AI 守護業務。

代理型商務的入場是另一個角度。亞馬遜 Rufus、momo 正在搶這條路，但市場分析指出，真正受益的可能是百貨業，因為百貨天生整合多品類（生鮮、家電、餐飲、美妝），一棟樓一次滿足四種需求，和 AI 代理「一站式處理複合任務」的能力高度吻合。

硬體層的答案也在出現

AI 基礎設施的稀缺有沒有解法？今天幾條硬體新聞，分別從不同角度回應這個問題。

記憶體牆問題，Marvell 推出 Structera CXL 加速器系列。兩款產品（Structera X 與 Structera A）透過資料壓縮技術，最高可將資料壓縮 3.64 倍，可擴充至數 TB 共享記憶體，動態分配頻寬與容量。CXL 的思路是讓現有記憶體資源發揮更大效益，不是更換硬體，而是讓舊硬體更有效用。

耗電問題，Unconventional AI 發表振盪器運算架構，宣稱可讓 AI 推論耗電量降低 1,000 倍。執行長是前 Databricks AI 負責人 Naveen Rao。公司 6 月 25 日發表首款影像生成模型 Un-0，效能與 Stable Diffusion 等擴散模型相當。電力被視為 AI 擴張的最大限制之一，如果這個架構的宣稱能在真實部署中驗證，影響可能會超過很多人預期。

晶片設計速度問題，普林斯頓大學在 IEEE 發表研究：用強化學習、逆向設計與擴散模型結合，讓 AI 自動設計射頻晶片（RFIC），將原本耗時數月的設計流程壓縮至 6 分鐘，電磁模擬從分鐘/小時等級加速到毫秒級。射頻晶片是 5G/6G 基地台、自駕車、衛星的核心元件。傳統射頻設計被業界稱為「黑色藝術」；6 分鐘設計出可製造的電路，意思是這個黑色藝術的部分工序正在被量化。

台灣這邊，工研院促成瑞峰半導體與法國新創 NcodiN 合作奈米雷射光電共封裝（NPO）技術。TrendForce 估計 CPO/NPO 市場規模將從 2025 年約 1 億美元，成長至 2030 年逾 390 億美元。對台廠來說，這是 AI 資料中心封裝競賽中值得卡位的位置。

OpenAI 預告 7 月 15 日將發表 Codex 相關硬體裝置，與 Work Louder（可程式按鍵盤廠商）合作，標語「你最喜愛的 Codex 快捷鍵將迎來升級」。這不是與 Jony Ive 合作的神祕 AI 裝置，但作為 Codex 工作流的實體延伸，是 OpenAI 開始在軟體以外嘗試硬體入口的信號。

職涯在重新校準

Google 前全球副總裁 Mo Gawdat 的說法被廣泛引用：白領知識工作者是 AI 海嘯第一批犧牲者。客服、助理、旅行代辦等例行性工作「在極短時間內消失」。反而是木匠、黑手等需要精細手藝的藍領，因機器人技術尚無法複製手藝而有護城河。護理師、心理諮商師等重人際連結的職業同樣穩定。

同樣值得看的是他說的另一件事：職場階梯底層被砍斷了。剛畢業的年輕人進不了行，因為初階職位在消失；但沒有初階經驗，晉升路徑也斷了。這是比「未來哪些工作消失」更直接的問題。

OpenAI Codex 產品負責人 Ambrosino 在 Lenny’s Podcast 給了一組數字：OpenAI 有 90% 的人在用 Codex，不是 90% 的工程師，是整間公司 90% 的人。截至今年 6 月，全球每週活躍用戶超過 500 萬。

他的論點是：「實作已經不是昂貴的部分了。」過去「原型比程式碼便宜」的開發邏輯不成立了。當建東西的門檻降到接近零，稀缺的東西變成判斷：知道什麼值得建，而不只是能建什麼。他稱這個能力為「深度品味」（deep taste）。

企業端的數據也在說同一件事，但角度不同。英美菸草宣布推動 AI 轉型，裁減 5,500 個職位，另將 3,500 個職位轉移至埃森哲等第三方，共 9,000 人受影響，目標 2027 年前每年節省 5 億英鎊。福斯集團考慮裁 10 萬人（占全體 15%），停產四座德國工廠，預計 7 月 9 日由監事會討論。

但福特的路徑是另一個答案。福特在過去三年回聘或新聘約 350 名資深工程師，任務是帶領年輕員工、重新調校「無法做好工作」的 AI 與自動化工具。結果：JD Power 最新新車品質調查，福特拿下主流品牌第一（每百輛 152 個問題）。

這三條線放在一起，不是說 AI 好或不好，而是不同公司在回應同一個問題，如何在 AI 部署的壓力下維持輸出品質，走出了完全不同的路徑。

計費邏輯的重組

亞馬遜與 Anthropic 自 2027 年起將付費模式從算力時數計費改為 token 計費。外界解讀是可能推高亞馬遜的使用成本，亞馬遜否認這個說法。不管如何，計費基準從「用了多少算力時間」轉為「讀寫了多少文字」，這是把 AI 使用量的計算方式重新錨定到輸出上。

中國市場的競爭方式不一樣。Z.ai 的 GLM-5.2 定位為企業 AI 代理基礎設施，成本約為 Anthropic 的五分之一。業界稱之為另一個「DeepSeek 時刻」。主要論點是：當模型能力差距縮小，控制權（資料主權、部署自主）與成本優勢比品牌光環更能影響企業選擇。

記憶體供應鏈的長期合約化在繼續。長鑫存儲與騰訊簽署超過 200 億人民幣（約 29.4 億美元）、為期三至五年的長期供貨協議，時間點是長鑫 IPO 前夕。此前市場傳出蘋果考慮採用長鑫存儲，原因是三大主流記憶體廠無法完全滿足需求。長鑫先鎖定騰訊，蘋果替代方案的空間就窄了一些。

韓國政府另外宣示攻物理 AI 全球第一，設定三年窗口期，目標製造業生產力提升 20%。核心挑戰是資料稀缺：物理 AI 依賴真實互動資料，公開真實互動資料不到數千小時，與文本/影像 AI 靠網路大規模資料的訓練條件差距很大。韓國政府計劃建立國家製造 AI 資料庫，並把即將退休的熟練工人隱性知識轉為可訓練資料。這條路能不能走通，接下來三年是觀察期。