【2026】AI 垂直整合會決定贏家嗎？從算力、晶片到產品的真正護城河

2026 年 AI 市場最誘人的故事，已不只是誰的模型分數最高，而是誰能把資料、分發、模型、資料中心、晶片、能源，甚至發射能力收進同一套系統。這套AI 垂直整合敘事很有力量：少掉供應商協調與排隊，工程團隊就能更快把瓶頸逐一清掉，最後用更低成本、更快迭代壓過只買標準零件的對手。

但投資人最容易把三件不同的事混在一起：部署很快、競爭優勢持久、股東拿到回報。最新官方申報確實證明超大型 AI 叢集可以用驚人速度上線；同一份申報也顯示，目前新增收入的主要動力是把算力賣給外部客戶，AI 部門仍在虧損。這不是看空，而是一個更有用的判準：資產所有權本身不是護城河，資產轉成可交付任務、付費產品與現金流的效率才是。

AI 垂直整合不是一條供應鏈，而是一個回報閉環

垂直整合常被畫成由下往上的階梯：能源供應晶片、晶片供應算力、算力訓練模型、模型進入產品。真正決定價值的卻是最後一段：產品收入能否回頭填滿資產，再支撐下一輪投資。少了這個閉環，企業只是把原本由供應商承擔的固定成本、良率、折舊與技術換代風險搬進自己的資產負債表。

可以把它寫成一條簡化公式：整合淨價值＝協同設計＋排程速度＋供應保障－折舊與換代－利用率缺口－執行與資本成本。前面三項很容易出現在發表會，後面三項通常要等財報才看得到。只要瓶頸在資產完工前移走、內部需求填不滿，或每次硬體換代都要重做整套系統，整合就會從優勢變成昂貴承諾。

這也解釋了為什麼「快速換優先順序」不能單靠結果倒推成天才管理。若轉向後，從決策到可用算力的時間持續縮短、同一團隊的返工率下降，而且單位任務成本改善，轉向就是組織能力；若里程碑延誤、人員反覆重組、專案取消與資產閒置增加，那只是把混亂重新命名。判斷必須靠事前里程碑，而不是替每次結果補一個漂亮故事。

最新財報的雙面答案：算力可以賣，但模型勝負仍未揭曉

截至 2026 年 6 月 30 日，SpaceX 第二季 10-Q顯示，AI 部門季度營收由去年同期 7.37 億美元升到 25.61 億美元，年增 247.5%；營業虧損由 15.24 億縮至 12.57 億美元。成長很快，但還不能把營收成長等同獲利模型成立。

更重要的是增量來源。公司說本季 AI solutions and infrastructure 收入比去年同期增加 18.83 億美元，主要包括新開始提供雲端服務帶來的 AI 基礎設施收入增加 16 億美元，以及 Grok 與 X 訂閱收入增加 2.58 億美元；廣告收入則減少 5,900 萬美元。這些是「年增額」，不是本季收入占比，也不是完整橋接，不能反推完整產品組合。不過方向很清楚：目前最先被財報驗證的，是把實體算力對外變現的能力，而不是自家模型已經贏得市場。

這反而顯示整合的真實價值之一：選擇權。若自家模型暫時用不滿，容量仍可租給第三方；若外部價格下降，也能把資源重新配置給內部產品。問題是，對外出租證明的是基礎設施有市場，不等於模型層擁有定價權。投資人應把「算力平台報酬」與「自家模型護城河」分開估，而不是讓同一個宏大故事同時替兩者背書。

部署速度則有更直接的證據。公司最終公開說明書稱，第一個 Colossus 叢集在 122 天上線，Colossus II 第一個叢集縮到 91 天。這是重要執行成果；但第一案利用既有工廠外殼，公司拿來比較的約兩年業界基準則是 100MW 綠地資料中心，口徑不完全相同，也沒有公開足夠資料驗證完整生命週期成本。因此可下的結論是「速度已證明」，不是「全成本領先已證明」。

電力瓶頸是真的，需求落點卻仍有 322 TWh 的差距

AI 垂直整合之所以在 2026 年變得合理，是因為瓶頸已從單一 GPU 供應擴散到電力、變壓器、渦輪、冷卻與併網排隊。Lawrence Berkeley National Laboratory 於 2026 年 6 月更新的模型，把 2030 年美國資料中心用電參考情境估在 649 TWh、占全美 11.8%；低高情境則是 521～843 TWh、占 9.5%～15.3%。

這組數字支持「電力會是大問題」，也同時提醒我們預測誤差很大。低高情境相差 322 TWh，約等於參考情境的一半；而且這是由設備出貨、利用率、晶片壽命與冷卻假設推導的模型，不是已接電、已裝機或已售出的容量。自建發電與資料中心，等於把對這個需求落點的判斷鎖進長年資產；晶片與模型的技術週期，卻可能比電力設施短得多。

因此，真正的問題不是「要不要搶電」，而是電力變成可用算力後，有多少時間被有效工作負載填滿。宣布 1GW、簽到 1GW、通電 1GW、設備實際吸收 1GW，以及最後產出使用者願意付費的任務，是五個不同狀態。只看最大數字，會把排隊中的選擇權誤認成正在產生現金流的資產。想把大型平台的資本承諾與現金流拆開，可搭配 AlphaLab 的大型科技公司資本支出與現金流分析。

歷史鏡子：IBM 為何付錢退出晶片製造？

半導體產業本身，就是「整條供應鏈自己做一定最好」最直接的歷史校準。美國國會研究處整理指出，在非記憶體晶片的製程演進中，全球於 130nm 節點有 22 家 IDM 自營晶圓廠，到 22nm 為 3 家。這不是所有晶片公司的倒閉率，也不適用於記憶體；它反映的是製造成本與複雜度上升後，設計與製造逐漸專業分工。

IBM 是最鮮明的一頁。2014 年交易文件顯示，被出售的 Microelectronics OEM 業務在 2013 年營收約 14 億美元，稅前虧損卻達 7 億美元。IBM 為退出認列 47 億美元稅前費用，其中包含預計支付 GlobalFoundries 的 15 億美元現金對價；該對價另預估按 2 億美元營運資金調整。IBM 同時保留半導體研究、晶片與系統設計，轉移製造相關 IP，改以長期供應協議取得製造。

教訓不是「製造沒有價值」。恰好相反，價值集中到能跨客戶填滿產能、持續提高良率並負擔下一節點投資的規模領導者。對單一下游客戶，自有工廠可能提高供應保障；若內部需求不足，它也會把外購價格變成更僵硬的折舊與閒置成本。AI 晶片同樣如此：自研加速器必須用大量、穩定、適合它的工作負載填滿，且完整成本低於可替換的外部方案，才算創造價值。

這個歷史案例也給出反方邊界。大型雲端平台擁有龐大 captive workload，能把晶片、編譯器、模型與資料中心共同最佳化，未必重演 IBM；專業代工本身更是高度整合、規模極大的製造系統。正確問題從來不是「整合或分工哪個必勝」，而是哪一層需要跨客戶規模，哪一層需要內部協調速度。

太空算力與 Terafab：把願景翻成可驗證里程碑

最容易讓 AI 垂直整合敘事失真的，是把遠期工程目標當成今天的成本曲線。SpaceX 公開說明書把 Terafab 定義為晶片製造倡議，長期目標是每年生產以運算功率計 1TW 的硬體；這不是發電量，也不是現有裝機容量。文件同時寫明，具體專案、時程、里程碑與資本支出尚未確定，公司預期仍會從第三方取得大量運算硬體。更完整的四道驗證門檻，可讀 AlphaLab 的Terafab 從願景到量產的四道關卡。

軌道運算也不是科幻，但目前仍是工程計畫，而非成立的商業經濟。Google Project Suncatcher 的研究估計，如果發射價格能在 2030 年代中期降到每公斤 200 美元以下，攤提後的發射成本才可能降到與公開地面資料中心能源支出相近的量級；這不是完整 TCO 比較。團隊仍把熱管理、高頻寬地面通訊與在軌可靠度列為重大挑戰。真空沒有對流散熱，免費日照也不等於免費太陽能板、散熱器、發射、替換與退役。想看六張完整成本帳，可延伸閱讀太空算力與地面資料中心經濟比較。

三種情境：同一套資產，可能長成三種市場

以下是 AlphaLab 用來追蹤論點的情境框架，不是公司指引，也不是對單一股票的目標價。

建設性情境：整合形成複利閉環

地面叢集交付時間繼續縮短，自研硬體在同等品質任務下明顯降低成本，內部產品與外部雲端需求共同維持高利用率；AI 部門轉為營業獲利，新增產品毛利跑贏新增折舊與資本支出。此時整合會把低成本、資料與分發回饋成更快迭代，護城河成立。

基準情境：部署護城河成立，模型仍是開放競爭

這是本文目前採用的基準。實體算力的建設速度與對外變現已被初步證明，但自家模型與產品尚未顯示足以覆蓋整套上游資本的持久毛利。整合平台會同時自用、出租並採購第三方硬體；市場價值更多來自靈活調度，而不是每一層都必須自己壟斷。這也呼應開放與封閉 AI 生態的市場分析：模型可替換時，分發、資料與工作流程可能比單一模型排名更耐久。

保守情境：瓶頸移走，固定成本留下

若模型效率提升使需求低於高情境、外部算力價格快速下跌、專用晶片落後新架構，或電力與製造專案延誤，整合者會同時承擔設備閒置、折舊、減損與產品競爭。這正是 IBM 歷史鏡子的回歸：不是技術沒有用，而是單一體系無法在每一層都達到最低有效規模。

AI 垂直整合儀表板：四組數字取代「一定會贏」

以下數值是 AlphaLab 為了讓論點可被推翻而設定的觀察門檻，不是公司指引，也不是經回測的交易訊號；若公開資料沒有同口徑數字，就應標成「尚無法驗證」，不能自行補值。

1. 交付速度：把 announced、contracted、energized、loaded capacity 分開。觀察門檻是已通電可用負載占宣布或簽約負載超過 70%，且連續兩個大型部署的 time-to-useful-compute 縮短。
2. 品質校正後的單位經濟：比較相同成功率、延遲與任務品質下的美元／成功任務與瓦特／任務。自研方案若比可比外購方案低至少 20%，且差距維持兩代硬體，整合優勢才較可信；只公布 token 總量不夠。
3. 利用率與變現：追蹤內部產品、訂閱、廣告改善與外部算力收入，不把 MAU、GPU 顆數或 GW 當營收。若 AI 部門連兩季營業獲利，且產品收入增量不再長期落後基礎設施轉售，產品閉環開始被確認。
4. 資本品質：把新增營業利益、折舊、營運現金流、設備投資、取消合約與減損放在一起。若資本支出持續快於收入、毛利與現金流，整合只是擴張；若增量回報上升，才是護城河。

Terafab 另有一道最簡單的可證偽門檻：正式、有約束力的合作協議、選址與資本預算，接著是 tape-out、良率與商業量產。軌道運算則要看實際送達軌道的每公斤成本、持續功率密度、散熱、輻射錯誤率、跨衛星運算效率，以及包含替換與退役的完整每 orbital MW-year 成本。在這些數字出現以前，應把兩者估為選擇權，不是基準現金流。

最後回到最簡單的判斷：能控制一切，確實可能比等待別人更快；但每多控制一層，也多承擔一層最低規模與技術換代。2026 年的 AI 垂直整合競賽，真正稀缺的不是「故事裡有幾層」，而是每一美元實體資產能多快變成可用任務、付費產品與可重複現金流。下一次看到 1GW、1TW 或「全棧」時，先問這四組數字，會比先猜誰是最後贏家更接近答案。