燒掉一輪募資只買到「租來的智能」:台灣AI新創為何煉不出自己的模型？

凌晨兩點，台北內湖一間新創辦公室還亮著燈。工程團隊盯著螢幕上的訓練曲線，租來的H100叢集每小時都在計費，loss曲線卻遲遲不肯下降。帳戶裡的現金，正在換算成別人機房裡的電費。

這不是個案，而是一種模式。

算力殖民:智能的上下游正在分離

從第一性原理看，AI新創的資產只有三種:數據、模型權重、推論基礎設施。台灣大多數新創握有的是第四種，prompt與套殼應用。訓練靠雲端、推論靠雲端、連微調都靠雲端，整條價值鏈中真正稀缺的部分，晶片與電力，台灣雖然製造了全球多數先進AI晶片，使用權卻依定價權在海外雲端巨頭手上。

這是典型的殖民結構:原料產地不等於加工地。歷史上，石油輸出國曾長期只賣原油，煉油與石化利潤全留給下游。今天算力就是原油，而煉油廠，模型訓練與部署平台，幾乎都不在台灣。

關鍵1:單位經濟學從第一天就是負的

以公開費率量級估算，訓練一個中大型模型的GPU時數成本，動輒是新創一輪募資的主要去向。更深層的問題在記憶體頻寬:模型推論的瓶頸不是算力TFLOPS，而是HBM頻寬，這決定了同樣一張卡能服務多少併發請求。新創若不掌握推論基礎設施，毛利率就被雲端帳單永久鎖死——你的API成本降不下來，你的售價就降不下來。

關鍵2:權重不落地，倒店時什麼都不剩

軟體新創至少留下程式碼與用戶。依賴閉源API的新創，倒閉那天留下的只有prompt。這在工程上等於把核心資產放在別人的檔案系統裡。Scale Act的舊教訓在AI時代重演:平台一改授權條款、一漲價、一斷供，數十家應用商同時歸零。

解方不是買卡，是選對戰場

值得慶幸的是，出路存在。台灣的強項向來是把不可能的硬體做出來，同樣的紀律可以移植到軟體:專注邊緣推論與模型壓縮（蒸餾、量化、稀疏化），在8B等級的小模型上做出全球競爭力，避開與巨頭的暴力 Scaling Law 軍備賽。此外，製造、醫療、半導體製程的私領域數據，才是台灣真正稀缺、雲端巨頭拿不到的原料。

問題只剩一個:當下一代運算革命再來一次，台灣還要繼續賣原油嗎？