<![endif]-->
錢永遠會有，但物理不會——論AI資本主義的四重硬約束與變壓器詛咒
一篇來自EveMissLab的結構性解剖
作者：Neo.K（許筌崴）× Theia
機構：EveMissLab（一言諾科技有限公司）
日期：2026年4月24日
前言｜二十一世紀的核心幻覺
有一個信念深深嵌在過去四十年的全球資本主義思想中，深到大多數參與者從未意識到它是個信念而非事實——錢是最終的約束。
這個信念的衍生論述有千百種版本：「只要錢夠多，什麼問題都能解決」、「市場會自動配置資源到最需要的地方」、「瓶頸是商業模式不成熟，不是物理限制」、「資本的流動速度就是創新的速度」。這些論述在1980年代的金融自由化浪潮中成形、在1990年代的網際網路革命中強化、在2008年金融危機後量化寬鬆的二十年中被推到極致。到了2020-2024年的AI資本盛宴，這個信念已經接近宗教——OpenAI一年燒掉數十億美元、Meta在Reality Labs累計虧損超過500億美元、Microsoft承諾採購OpenAI 2500億美元Azure算力、Alphabet與Amazon與Meta與Microsoft四家2026年聯合承諾AI基建支出6500億美元——沒有人在問「這些錢買得到嗎」，所有人在問「誰能籌到更多錢」。
然後2025-2026年，這個信念撞上了一堵牆。不是比喻的牆，是物理的牆。這堵牆由四個材料構成：人力、時間、材料、技術知識。它們的共同特徵是——它們不是資本的函數。你花十倍的錢，買不到十倍的熟練變壓器繞線工；你花百倍的錢，不能讓一塊定向矽鋼的生產週期從18個月壓縮到6週；你花千倍的錢，不能複製一個需要五代工程師積累的工藝默會知識。
2026年的AI泡沫洩氣，表面上看是估值修正、融資放緩、併購潮起。本質上它是一場關於「什麼是真實約束」的認識論校準。資本主義的宇宙觀告訴我們「錢是最終度量」；物理世界的回答是：「你要的東西需要變壓器，變壓器需要GOES鋼，GOES鋼需要熟練冶金工人，熟練冶金工人需要五年培訓，而美國從1980年代開始就不培訓這種工人了——所以，不，你不會在2027年之前拿到你要的變壓器，無論你付多少錢」。
這篇論文的目標是把這個認識論校準做徹底。它會展開四個約束各自的運作機制，然後展示為什麼變壓器——一個1831年就被發明、原理簡單到可以用高中物理解釋的工業設備——成為這四個約束的完美交會點，以及為什麼這個交會點會在未來十年定義誰能玩AI、誰不能。
這不是技術悲觀論，也不是反資本主義論述。它是一篇關於物質世界的邊界條件的論文。資本是很強大的工具，但它不是萬能的。當資本撞上物理時，物理贏。這是2026年我們正在目睹的戲劇，也是未來十年會持續展開的主戲。
第一章｜為什麼錢永遠會有：現代融資體系的無限供應性
金融化的徹底完成
要理解「錢永遠會有」，先要理解過去四十年全球金融體系的一個根本性演化——金融化的徹底完成。這個過程的核心是：幾乎所有可能產生未來現金流的事物，都被轉化成可交易的金融資產。
1980年以前，融資工具相對有限：銀行貸款、公司債、公開股權、私募股權的原始形式。企業要擴張，基本上得靠自己賺錢、跟銀行借、或上市發股。這個體系有一個重要特性——它有真實的容量限制。銀行能借出的錢受制於存款基數與監管資本比率，資本市場能吸收的新股發行受制於投資者的風險偏好。
1980年以後這個體系被系統性地放寬。金融衍生品讓風險可以被切片、打包、再售；證券化讓流動性可以從非流動資產中榨取出來；私募市場的爆炸性成長讓未上市公司可以在不對公眾披露的情況下籌集天量資金；主權財富基金、退休基金、大學捐贈基金、家族辦公室變成新的資本池，每一個都在尋找長期收益出口；央行的量化寬鬆實質上印出了十幾兆美元的新貨幣，這些貨幣必須找地方去。
結果是一個前所未見的景觀：全球資本池的規模遠遠超過可投資的機會。這不是一個資本稀缺的世界，是一個資本追逐標的的世界。一個有合理故事、有可信創辦人、有一定規模市場的AI新創，2020-2024年間可以輕鬆在種子輪拿到5000萬美元、A輪拿到2-5億美元、B輪拿到10-20億美元。這個規模在2010年前是幾乎不可能的，但在2024年已經是常態。
AI資本盛宴的極致
AI產業在2023-2025年把這個現象推到了極致。OpenAI從Microsoft拿到130億美元承諾，然後又從軟銀、Nvidia、Amazon、SoftBank拿到1100億美元融資。Anthropic從Amazon拿到80億美元，Amazon考慮追加到250億美元。xAI在Series E超額募到200億美元，投資者包括Nvidia、Cisco、卡達投資局、Fidelity。Mistral、Cohere、Perplexity、Scale AI、Character.AI、Inflection——每一家都在融資規模上持續破紀錄。
這個盛宴的邏輯是什麼？是風險投資的「power law」思維在AI領域的極端化應用。風險投資的核心假設是：在一個投資組合中，絕大多數標的會失敗或表現平庸，但少數標的會產生百倍甚至千倍回報，這些少數標的的回報足以覆蓋所有失敗成本並產生可觀總體收益。這個邏輯在過去幾十年的科技投資中被反覆驗證——Facebook、Google、Amazon、Apple、Microsoft的早期投資者都拿到了超級回報。
AI被認為是下一個「贏家通吃」的超級機會。投資者的心態是：「就算這家公司有80%機率失敗，但如果它有20%機率變成下一個Google，我的期望值還是極度正向。」於是錢如潮水般湧入，任何能說服投資者「我可能是下一個Google」的團隊都能拿到巨額融資。
這個機制在純軟體領域運作得很好。純軟體公司的擴張邊際成本極低——多一個用戶幾乎不需要額外成本，複製產品的邊際成本趨近於零。所以如果你押中了下一個Facebook，你的回報真的可以是千倍百倍。這個特性讓資本願意承擔極高的不確定性，因為贏面的上限真的可以極高。
資本的無限性幻覺
但有個問題被系統性忽略了：資本在金融帳面上的無限性，不等於資本在物質世界的無限性。
一家AI公司拿到100億美元融資，這100億美元在銀行帳戶裡是真實存在的數字。它可以用這100億美元去買GPU、買電力、租資料中心、雇工程師、做行銷。在很長一段時間內，它可以持續花錢而不撞到外部限制——因為AI的主要生產要素（算力、人才、雲端服務）都是可以透過市場買賣的，而且市場供應看起來似乎無限。
但這個看似無限的供應在2024年後開始顯露邊界。GPU供應受制於Nvidia的產能與台積電的代工週期；電力供應受制於電網容量與發電設施建設週期；頂尖AI工程師的數量是有限的——全世界真正能做前沿AI研究的人可能不超過幾千人，而且他們的培訓需要博士級的教育投入跟多年的實戰經驗。
到2025-2026年，這些邊界同時收緊。資料中心計劃延期或取消的比例達到50%（Bloomberg數據）、變壓器與電力設備的交貨週期拉長到2年以上、熟練電力工程師的薪資飆到前所未見的水平、GPU採購合約排隊到2028年。錢還在，供應不在。
這個落差就是整個論文要處理的核心現象。錢永遠會有——這是資本主義金融化完成後的結構性事實。但當錢撞上物理世界時，物理世界會給出它自己的答案，那個答案跟錢的數量無關。
第二章｜人力的不可壓縮性：熟練工匠的時間詛咒
兩種人力的分野
討論AI時代的人力限制，必須先做一個關鍵區分：可規模化人力跟不可規模化人力。
可規模化人力是指那些可以在相對短時間內大量培訓的勞動力類型。客服人員、外送員、Uber司機、倉庫揀貨工——這些工作的培訓週期通常是幾週到幾個月，而且可以透過標準化流程快速擴張。當一家公司需要擴張這類人力時，它的主要約束是薪資水平——只要願意付足夠高的薪水，市場可以快速提供足夠數量的勞動力。
不可規模化人力是另一回事。這類人力的培訓需要多年甚至十幾年，而且往往涉及大量默會知識（tacit knowledge）——無法透過書本或影片傳授、必須透過長期實踐才能習得的知識。頂尖外科醫師、戰鬥機飛行員、大型變壓器繞線師傅、高能粒子物理實驗員、半導體EUV光刻機操作工程師——這些角色共同的特徵是你不能透過花更多錢在短期內生產更多。
AI時代的瓶頸幾乎全部集中在第二類人力上。前沿AI研究員、電力系統工程師、機器人工程師、GPU架構設計師、具身AI研究員、變壓器製造技工——這些角色的全球總量是有限的，而且增長速度遠遠跟不上需求膨脹速度。
變壓器工廠的一個具體案例
讓我們具體看一下變壓器製造業的人力需求，因為這是一個被極度低估的瓶頸。
大型電力變壓器（LPT, Large Power Transformer，容量超過100 MVA）的製造過程包括：核心設計、鐵芯疊片、線圈繞製、絕緣處理、真空乾燥、油處理、組裝、高壓測試、運輸準備。每一個環節都需要專門訓練的技術工人。其中最關鍵也最難培訓的是線圈繞製工。
線圈繞製為什麼難？因為每台大型變壓器都是客製品——客戶要的電壓等級、容量、冷卻方式、接線配置都不一樣。沒有兩台大型變壓器的線圈是完全相同的。繞線工人必須根據工程圖紙，用大量銅線（一台大型變壓器的銅線重量可以達到幾噸）手工纏繞成精確的幾何形狀，確保每一圈的間距、張力、絕緣都達到標準。這個過程需要幾天甚至幾週，期間工人必須持續保持注意力——一個錯誤的纏繞可能意味著整個線圈必須廢掉重做，損失數十萬美元。
培訓一個合格的大型變壓器繞線師傅需要多久？行業估計是3-5年的密集實作訓練。這包括前兩年的學徒期（跟著資深師傅做輔助工作，觀察並學習細節）、之後兩年的獨立操作（在資深師傅監督下獨立繞製較簡單的線圈）、最後一年的高級實作（能獨立完成最複雜的客製線圈）。
這個培訓曲線不能被壓縮。你不能透過增加學生時數從5年壓到2年——因為其中大量的知識是默會性的，必須透過反覆的手工操作才能內化。一個只有2年經驗的繞線工人，在複雜客製任務上的失誤率會顯著高於5年經驗的師傅，而且這個失誤率可能要在最終高壓測試時才會暴露出來——到那時線圈已經完工，整台變壓器可能都要報廢。
美國的結構性斷代
美國變壓器產業的人力現狀極其悲慘。
從1970年代開始，美國變壓器製造業就開始萎縮。原因是複合的：海外（先是日本、德國，後是韓國、中國）廠商的成本優勢、美國國內電力需求成長放緩、環境法規對電力鋼廠的壓力、製造業整體的離岸外包潮。結果是到2010年代，美國境內能製造大型電力變壓器的工廠只剩幾家，總產能只能滿足國內需求的15%左右。
這個萎縮過程同時在摧毀人力基礎。當工廠關閉，熟練工人退休或轉行，新一代年輕人沒有進入這個行業的誘因（薪資不特別高、工作辛苦、工廠位置通常在工業衰退區）。結果是2020年代美國變壓器產業面對一個嚴重的人力斷代問題——資深師傅正在大量退休，但沒有足夠的中生代跟年輕世代接棒。
現在突然AI爆發、資料中心需求暴增、美國政府開始推動再工業化——需求在幾年內暴增數倍。美國想重建變壓器產能怎麼辦？錢可以撥（Biden時期的基建法案、Trump時期的製造業補貼都有相關項目），廠房可以蓋，設備可以買。但熟練工人在哪裡？
答案是：沒有。你可以從加拿大、墨西哥、歐洲挖一些，但這些地方自己也缺人。你可以從退休人員中重新雇用，但他們大多數已經六十多歲、體力跟精力都不允許回到高強度工作。你可以啟動大規模職業培訓計畫，但培訓週期是5年——也就是說，就算你今天開始，新生代師傅要在2030年後才能獨立操作。
更糟的是，培訓本身也需要資深師傅當教官。如果你的資深師傅池子已經萎縮到某個臨界點以下，你連培訓新人的教官都湊不齊。這是一個自我強化的衰退螺旋——越萎縮越難培訓，越難培訓越萎縮。
中國的對比
中國為什麼能做？因為中國沒有經歷過美國這種人力斷代。中國的電網過去30年一直在擴張——從1990年代的普及化、到2000年代的擴容、到2010年代的特高壓工程、到2020年代的再生能源整合跟農村電網升級。每一個階段都有龐大的內部需求，支撐製造業持續雇用和培訓工人。
結果是中國有一個完整的變壓器工業生態：從鋼廠、銅冶煉、絕緣材料、套管、分接開關、測試設備的上游供應商，到TBEA（特變電工）、中國西電、保變電氣、順特電氣、華東電氣等大型整機廠，到各級技工學校跟企業內部培訓體系。整個生態裡有數十萬人在專業從事變壓器相關工作，其中資深工程師跟技工的比例遠高於美國。
當AI資料中心的變壓器需求爆發時，中國可以迅速擴產——因為他們有人、有設備、有供應鏈、有國內市場支撐長期需求曲線。中國對美國的變壓器出口從2022年的不到1500台，暴增到2025年前10個月的8000台以上。這不是中國「搶」了美國的市場，是美國自己沒有能力滿足自己的需求。
AI工程師的平行危機
人力不可壓縮的問題不只在重工業，在AI產業本身也同樣存在。前沿AI研究是一個極度人才密集的領域，全世界真正能做前沿貢獻的人可能不超過幾千人。他們大多集中在極少數的頂尖實驗室——OpenAI、Anthropic、Google DeepMind、Meta FAIR、xAI、部分頂尖大學（Stanford、MIT、CMU、UC Berkeley、ETH、Oxford、Cambridge、清華、北大）。
培訓一個頂尖AI研究員需要什麼？需要頂尖大學的博士學位（5-7年）、加上在頂尖實驗室的實戰經驗（3-5年）。這是一個10年以上的培訓曲線，而且不是每個PhD都能成為頂尖研究員——大多數人在這個路徑上會被篩掉。
當AI產業的人才需求在2023-2026年爆炸性增長時，頂尖研究員的薪酬出現了歷史上沒看過的通貨膨脹。Meta 2024年給了幾位頂尖研究員超過1億美元的多年薪酬包；OpenAI、Anthropic、xAI給資深研究員的package也動輒數千萬美元。這不是因為這些公司發瘋，是因為真的沒有足夠的頂尖人才，而每一個頂尖人才的邊際價值對前沿AI的進展來說是決定性的。
這個瓶頸的結構跟變壓器繞線工的瓶頸是同構的。錢多不能加速人才生產——你不能把PhD從5年壓到2年、不能把實戰經驗從5年壓到1年。你只能在現有的有限人才池中競價，而競價的結果是把大部分人才集中到最有錢的少數公司（也就是七巨頭），中小AI公司永遠搶不到頂尖人才。
第三章｜24小時的暴政：物理時間的不可加速性
時間作為無法商品化的維度
經濟學長期把時間當成一個可以用貨幣折現的維度——現在的一美元跟一年後的一美元之間存在一個折現率，透過這個折現率我們可以把不同時間點的價值放到同一個度量上。這個折現框架在金融分析中極度有用，但它隱含一個誤導性的假設：時間是可以被交易的。
實務上，時間只有在某些特定層面可以被「交易」——我可以提前給你錢換取你未來還更多、我可以付加班費換取工人今晚加班趕工。但在物理層面，時間是絕對的、不可壓縮的、不可加速的。你不能付費讓一株橡樹在一年內長到30年的高度，不能付費讓一個孩子在5年內長到18歲，不能付費讓一場混凝土澆築在3小時內達到28天的強度。
工業製造大量受制於這種絕對時間。一些具體例子：
水泥固化：混凝土結構的強度在澆築後需要28天才能達到標準設計強度。這個時間由水泥的水化反應速率決定，是一個物理化學過程。你可以用加速固化劑稍微縮短，但不能從28天壓到3天。資料中心的地基、核電站的反應爐圍護、輸電塔的基座——這些都要等水泥固化。
金屬退火：變壓器用的GOES鋼需要經過多輪退火處理才能形成特定的晶粒方向。每一輪退火需要數小時到數天的高溫持續，加上緩慢降溫。整個製程週期以週計。
半導體晶圓加工：一片5奈米晶圓從原始矽錠到成品，需要經過約1000個製程步驟、歷時約3個月。這個週期由物理化學反應速率決定，不能被加速。
電力設備測試認證：一台新型高壓變壓器出廠前需要經過完整的型式試驗（type test），包括衝擊電壓試驗、短路承受試驗、溫升試驗、部分放電測試等。整個測試週期至少3-6個月，期間每一項測試都有嚴格的物理條件要求。
核電廠建設：從規劃到併網發電，一個核電廠需要10-15年。這個時間大部分不是被技術限制，而是被監管審批、環境評估、公眾聽證、安全驗證等社會制度性程序所佔據。這些程序的每一步都有法定時程，不能被金錢加速。
Amdahl's Law的產業版
電腦科學中有一個Amdahl's Law，描述並行計算的加速上限：一個程式的總執行時間=可並行部分/並行度+序列部分。不管並行度多高，序列部分的時間是不能被壓縮的。一個程式如果序列部分佔10%，那麼即使有無限核心，最大加速也只有10倍。
這個定律有個產業版：任何產業建設過程都有不能並行化的序列環節。你可以同時招聘工人、同時採購設備、同時辦理許可、同時設計圖紙——這些可以並行。但有些步驟必須按序列執行：土地徵收完才能打地基、地基打完才能立柱、結構完成才能裝設備、設備裝好才能測試、測試通過才能併網。每一步都等前一步完成。
這個序列鏈條的總時間就是整個項目的下限時間。這個下限不因為你投入更多錢而縮短——你付10倍工資給工人，他們並不會施工速度快10倍（人類體能跟精確度的物理限制）；你雇10倍的工人並不會讓進度快10倍（工地空間有限、工序有先後、協調成本上升）。
變壓器製造是這個定律的極端案例。一台大型變壓器的製造週期通常在18-24個月之間，包括：
- 設計與工程核查：2-3個月
- 原材料採購（特別是GOES鋼）：3-6個月
- 鐵芯製造：1-2個月
- 線圈繞製：3-4個月
- 組裝：1-2個月
- 油浸與真空乾燥：1個月
- 測試：2-3個月
- 運輸準備：1個月
其中很多環節可以並行（設計的同時可以開始採購），但關鍵路徑（critical path）——從鐵芯完成到線圈完成到組裝到測試——是必須序列執行的。這個關鍵路徑的時間就是變壓器從下訂到交貨的下限，通常不少於14個月。
這也就是為什麼就算你付雙倍價格，變壓器廠商也不能讓你插隊——因為他們的產線上已經有其他客戶的訂單，而那些訂單的關鍵路徑不能被縮短，也不能被中斷。插隊給一個新客戶意味著延遲所有其他客戶，這在商業關係上是不可接受的。
信任與認證的時間成本
除了物理時間，工業體系還有一個被嚴重低估的時間維度——信任建立。
電力系統是一個對可靠性要求極高的系統。一台變壓器如果失效，可能導致區域性停電，影響數百萬人、造成數億美元的經濟損失。所以電力公司在採購變壓器時極度保守——他們傾向於選擇有長期合作歷史、有完整工程記錄、有可驗證品質控制的供應商。
一家新的變壓器廠商要進入主要電力公司的供應商名單，需要什麼？需要多年的品質驗證記錄。通常的路徑是：先從小型、低風險的專案開始供應（比如邊遠地區的配電變壓器），累積2-3年無故障記錄，然後才能進入中等專案，再累積幾年後才能接高價值的大型電力變壓器訂單。這個信任建立過程通常需要5-10年。
這也就是為什麼美國即使現在大舉補貼本土變壓器製造，也不能在3-5年內顯著緩解供應危機。就算新工廠今天開工，它的產品也要等幾年才能獲得主要客戶的認證。期間電力公司寧可繼續從中國、韓國、加拿大、墨西哥進口，因為這些供應商有已建立的信任關係。
信任建立的時間成本不是腐敗，是風險管理的必要成本。一個錯誤的變壓器採購可能導致災難性後果，所以保守是理性的。但這個理性保守的代價就是新進入者的門檻極高，產業的供應端在面對需求暴增時無法快速回應。
資料中心建設的全鏈條時間分析
讓我們把這些時間約束合起來，分析一個完整的AI資料中心建設週期：
- 選址與土地徵收：6-12個月（受電網接入可能性、水資源可得性、當地監管環境、社區反對等因素影響）
- 環境評估與許可：6-18個月（視各州與聯邦法規而定）
- 電網接入申請與批准：12-48個月（這是當前最大瓶頸，美國某些地區排隊超過4年）
- 主要設備採購（變壓器、開關櫃、冷卻系統等）：18-36個月
- 建築施工：12-18個月
- 設備安裝：6-12個月
- 系統測試與調試：3-6個月
- GPU採購與安裝：視Nvidia產能而定，通常12-24個月
- 最終投產：1-3個月
如果所有環節都順利並行化，一個大型AI資料中心從立項到投產的最短時間是3-4年。如果中間任何一個環節出問題（比如電網接入被拒、變壓器延期交貨、社區訴訟延長許可），總時間可能拉長到5-7年。
這個時間表對AI產業的戰略影響是根本性的。2026年立項的資料中心，最早也要2029-2030年才能投產。但AI模型迭代週期是6-18個月——意味著等到資料中心建好時，它規劃時針對的AI模型架構可能已經過時了。
七巨頭的優勢在於他們在2022-2023年就開始大規模佈局資料中心（當時大多數AI公司還不存在或還很小），現在那些資料中心正在陸續投產。中小AI公司2024-2025年才開始籌劃，2028-2029年才能有自己的資料中心——但到那時戰局已經決定了。
時間是一種無法被資本補償的資源。錢可以多給，但時間給不出來。早一年下注的人，可能永遠領先晚一年下注的人。
第四章｜材料的物質性：原子不能被印出來
資本主義的抽象化傾向
現代金融與管理理論有一個強烈的傾向——把一切實物抽象化為帳面數字。石油是「原油期貨價格」、鋼鐵是「每噸現貨報價」、銅是「LME電子交易合約」、稀土是「戰略金屬指數」。這種抽象化讓大規模金融交易成為可能，也讓全球供應鏈管理可以透過ERP系統統籌協調。
但這種抽象化有一個代價：它讓人忘記這些抽象符號對應的是實實在在的原子。當一家公司訂購10,000噸定向矽鋼時，他們訂購的不是一個帳面數字，而是真實存在於地球上某個礦山裡的鐵礦石、經過某個冶煉廠熔煉、經過某個軋鋼廠壓延、經過某個電氣鋼處理廠的多輪退火與塗層、最後透過某個物流系統運送的實體物質。這些物質的每一個階段都有實際的物理約束：礦山的開採能力、冶煉廠的熔爐容量、軋鋼廠的軋機產能、電氣鋼處理廠的爐子數量、物流系統的運輸能力。
在正常需求時期，這些物質約束是看不見的——市場運作讓供應跟需求平衡，價格穩定，沒有短缺。但當需求突然暴增時，物質約束會迅速顯露。原子的供應不能被印出來。
GOES鋼的案例深入
前面章節已經提到定向矽鋼（GOES, Grain-Oriented Electrical Steel）是變壓器的關鍵材料。讓我們把這個物質約束展開深入分析。
GOES鋼是一種特殊的電氣鋼，含矽量約3%，經過複雜的熱軋、冷軋、脫碳退火、塗層處理等工藝，形成高度定向的晶粒結構，使其在特定方向上的磁導率極高。這種材料對變壓器鐵芯是必需的——沒有GOES鋼，變壓器的能量損耗會高到實用性受影響。
全球GOES鋼的主要生產商極其集中：日本的JFE Steel與Nippon Steel、南韓的POSCO、德國的ThyssenKrupp、俄羅斯的NLMK、中國的寶武鋼鐵與首鋼、美國的Cleveland-Cliffs（透過收購AK Steel獲得能力）。這七家加起來佔全球產能的90%以上。
這個高度集中的生產結構有其原因：GOES鋼的生產技術極其複雜。從原料到成品的製程涉及20多個關鍵步驟，每一步都需要精確的溫度、時間、氣氛、壓力控制。任何一個步驟的微小偏差都會導致最終產品的磁性能不達標。掌握這個工藝需要數十年的經驗累積——為什麼JFE、POSCO、寶武能做而許多其他鋼廠做不到，不是因為他們有秘密配方，是因為他們有長期的工藝優化經驗跟熟練工人。
美國的GOES鋼產能極度有限。Cleveland-Cliffs是美國唯一的GOES生產商，年產能約50萬噸。作為對比，中國寶武鋼鐵一家的GOES年產能就超過80萬噸，首鋼加上其他中國生產商總產能超過200萬噸。當美國變壓器需求暴增時，Cleveland-Cliffs沒有能力提供足夠供應，變壓器廠商必須從日韓德中進口——但這些國家自己的產能也被國內需求與其他出口合同佔用了大部分。
能不能擴產？能，但時間極長。建一個新的GOES鋼生產線需要：
- 土地徵收與環境評估：1-2年
- 設計與工程：1-2年
- 建築施工：2-3年
- 設備採購與安裝：2-3年（軋機、退火爐、塗層設備等專用設備本身就有長交貨期）
- 工藝調試與工人培訓：1-2年
- 品質認證與客戶接受：2-3年
合起來，一個新GOES鋼生產線從決策到全面商業運營需要7-10年。這個時間表不能被資本縮短——你付兩倍價錢也不能讓建築施工從3年變1年、不能讓工藝調試從2年變半年。
更糟的是，建GOES鋼生產線本身也需要電力與變壓器。這形成一個雞生蛋的循環：你缺變壓器是因為缺GOES鋼，你擴GOES鋼產能需要先建電力基礎設施，建電力基礎設施又需要變壓器⋯⋯美國目前正卡在這個循環裡。
銅的稀缺
變壓器的另一個關鍵材料是銅。一台大型變壓器的銅用量可能達到幾噸——主要用於線圈繞製。銅的導電性僅次於銀，但銀太貴不實用，所以銅是標準選擇。
銅的供應現狀：全球最大銅生產國是智利、秘魯、中國、美國、剛果民主共和國。全球銅年產量約2200萬噸，其中相當大一部分已經被建築、電子、汽車等傳統產業消耗。
AI資料中心、電動車、再生能源三個新需求同時暴增，正在把銅推向歷史性的結構性短缺。根據S&P Global Market Intelligence 2024年的報告（注：此為引用性質的估算，非精確數字），到2035年全球銅需求可能達到5000萬噸級別，接近當前產量的兩倍。
擴產呢？銅礦的開採擴張時間更長。從發現礦藏到實際商業生產，一個新的銅礦通常需要10-15年。這包括探勘、可行性研究、環境評估、土地權談判、施工、調試。期間任何一個階段都可能因為地方反對、政治變化、法規調整而延期甚至取消。
結果是未來10年銅的供應幾乎是固定的——你能擴張的產量有限，而需求卻在數倍增長。價格上漲是必然的，但價格上漲不會立即帶來新供應（因為新礦的建設週期太長）。這意味著製造業將長期處於銅約束狀態，所有需要大量銅的產品（變壓器、電動機、電動車電池連接器、資料中心電力分配）都會在成本與供應上持續受壓。
稀土元素的地緣政治
材料約束還有一個更尖銳的維度——稀土元素的供應集中在中國。
稀土元素（鑭系元素加上釔、鈧）在現代高科技產業中無所不在：釹用於永磁體（電動機、風力發電機、硬碟）、鏑用於高溫磁體（電動車馬達、戰鬥機引擎）、銪跟鋱用於螢光粉（顯示器、LED）、鈧用於航空級鋁合金、鈰用於精密拋光、鑭用於鎳氫電池。AI資料中心本身不需要大量稀土，但支撐AI產業的整個電子產業鏈、機器人產業、電動車產業、再生能源產業都深度依賴稀土。
中國生產全球約60%的稀土原料、但加工（將礦物處理成實際可用的純氧化物或金屬）的份額超過85%。這個加工環節的技術壁壘極高——稀土元素化學性質相似，彼此分離需要多輪複雜的溶劑萃取，每一種元素的純度提升都需要專門的製程。中國過去40年投入了龐大的研究與產能建設，累積了世界最完整的稀土加工工業體系。
美國、澳大利亞、加拿大雖然有稀土礦，但加工能力極度有限。結果是即使這些國家能自己開採稀土原料，他們仍然要把原料運到中國加工，再從中國買回成品。這個依賴關係是美國國家安全戰略的長期關切，但20年來始終沒有根本性解決。
2024-2025年中國開始系統性收緊稀土出口管制，特別是對美國出口。2025年底中國要求稀土出口需要特別許可證，某些稀土對美國軍事相關用戶完全禁運。這個政策直接威脅美國的國防工業供應鏈，間接影響AI產業（因為AI產業依賴的伺服器、儲存設備、電力系統都需要某種程度的稀土元素）。
這裡的關鍵點是：錢買不到中國不賣的東西。當地緣政治凌駕於商業邏輯時，資本的購買力可能被直接否定——不是因為你出價不夠，是因為對方根本不在市場上交易。
材料約束的總和效應
當我們把GOES鋼、銅、稀土、鋰、鎳、鈷、高純度矽這些AI時代關鍵材料合起來看，會發現一個壓倒性的事實：幾乎所有關鍵材料的供應擴張週期都在5-15年，而且大多數都有高度集中的地理生產結構，許多還涉及跟美國關係緊張的國家或地區。
這意味著未來10年的AI產業擴張將持續在材料瓶頸中運行。錢可以多給，但原子給不出來。這個結構會對AI基建的實際部署速度設置一個物理天花板——一個比任何金融分析預測都更嚴厲的天花板。
第五章｜技術知識的默會性：為什麼工廠不能只靠圖紙複製
Polanyi的根本洞察
1958年，哲學家Michael Polanyi發表了一個至今仍被嚴重低估的洞察：人類知識中很大一部分是默會的（tacit）——它存在於實踐中，不能完整地被語言或圖紙捕捉。Polanyi用一句話概括：「We can know more than we can tell」（我們知道的比我們能說出的多）。
這個洞察對工業製造有深遠的含義。一個工廠不是圖紙+設備+工人的簡單組合，它是一個活的知識系統——裡面儲存著關於「如何實際讓事情運作」的大量默會知識。這些知識分散在：
- 資深工程師的直覺判斷（「這個焊縫看起來不對，雖然通過了測試但可能有問題」）
- 操作工的手感（「這個鋼板的回彈程度感覺偏大，要調整模具壓力」）
- 維修人員對設備特性的熟悉（「這台機床早上啟動時前10分鐘精度不穩，要等它暖機」）
- 品管人員對缺陷模式的識別（「這種紋路通常意味著原料批次問題，不是製程問題」）
- 採購人員對供應商可靠性的評估（「這家供應商的交期標準是6週但實際常拖到8週，要提前下單」）
- 現場管理者對團隊動態的敏感（「這個班次最近有人離職，其他人疲勞度上升，要調整工作節奏」）
這些知識絕大多數沒有寫在任何手冊裡。它們是透過多年的共同工作、問題解決、錯誤修復積累而成的。一個新工廠即使擁有所有圖紙、買了所有設備、雇了外部顧問，仍然需要時間來建立自己的默會知識庫——這個時間通常是5-10年。
工廠轉移的失敗案例
歷史上有大量案例證明工廠不能只靠資本與圖紙在新地方複製。
Foxconn在美國威斯康辛州的案例：2017年Foxconn宣布投資100億美元在威斯康辛州建造LCD面板廠，獲得威斯康辛州政府的巨額補貼。原計劃雇用13,000工人、2020年投產。實際結果：項目規模被大幅縮減、改成較小的封裝測試廠，雇用人數只有原計劃的幾分之一，實際產出遠低於預期。核心原因不是資本不足，是美國沒有LCD面板製造的技術人力與供應鏈生態——你不能把台灣或中國的工廠「移植」到威斯康辛州。
Intel的美國先進晶圓廠擴張：Intel 2021-2024年在亞利桑那州、俄亥俄州、紐約州大規模投資先進製程晶圓廠。結果是建設進度遠低於預期、工藝調試時間超過計劃、最終量產時程多次延後。Intel內部承認，美國本土的工程師培訓深度、供應商生態、跨組織協作文化都跟台灣比差距巨大，這些差距不是投資幾百億美元就能短期填補的。
TSMC的亞利桑那廠：台積電在亞利桑那的5奈米晶圓廠從2020年開工，原計劃2024年量產，實際延後到2025年後才開始有限量產。TSMC高管私下表示，亞利桑那的工程師要求符合台灣工程師工作強度的頻率遠低於預期，文化調適費時、許多默會知識必須從頭摸索、良率追趕比預期慢很多。
這些案例的共同教訓是：工廠的真實生產力不在設備，在組織。而組織的核心是人與人之間透過長期合作累積的默會知識。這種知識的轉移需要時間，而且很多時候根本無法完整轉移——因為它嵌入在特定的文化、工作方式、社會網絡中。
中國製造業的默會知識深度
中國過去30年的製造業崛起，表面上是「世界工廠」的經濟奇蹟，深層是一個巨型默會知識系統的建立。
深圳、東莞、蘇州、寧波、溫州、泉州——這些城市集中了中國製造業的核心生產力。每個城市都有特定的產業叢集：深圳是電子製造、東莞是玩具與小型電子、蘇州是電子與精密機械、寧波是汽車零部件與家電、溫州是鞋與服裝、泉州是運動用品與石材。每個叢集內部都有數千到數萬家企業，從原材料、零部件、整機組裝到物流、檢測、包裝形成完整生態。
這個生態的核心不是個別企業的能力，是企業之間快速協作的能力。當一個電子產品設計師在深圳畫出一個新的電路板設計，他可以在一週內找到板廠打樣、兩週內找到元件供應商提供樣品、一個月內做出第一批100台原型機、三個月內量產上市。這個速度在全世界其他地方不可能達到——因為沒有其他地方有同等密度的專業協作網絡。
這個網絡的建立不是靠政府規劃，是靠長期累積。深圳電子產業的起源可以追溯到1980年代末的來料加工，經過40年的持續演化、無數企業的興起與淘汰、工程師的跨公司流動、工藝知識的擴散，才形成今天的密度與韌性。這些是錢買不到的——你可以在印度或墨西哥投100億美元，也無法複製深圳的生態密度。
變壓器產業的默會知識斷代
回到變壓器案例。變壓器製造涉及大量默會知識：
設計知識：不同客戶、不同電網環境、不同負載特性需要不同的變壓器設計參數。資深變壓器工程師能憑經驗判斷某個客戶的真實需求跟他們的書面規格之間的差異，能預見某些設計在特定環境下可能出現的問題。這種經驗只能透過設計過幾十台、見過各種失效模式才能獲得。
工藝知識：鐵芯疊片的精確順序、線圈繞製的張力控制、絕緣紙的浸油時間、真空乾燥的溫度與時間曲線——每一個都有「教科書答案」跟「真實最佳答案」的差異。真實最佳答案是靠多年試錯跟經驗傳承累積的。
測試知識：高壓測試中的異常現象怎麼解讀？部分放電測試的信號模式怎麼分類？溫升測試的曲線怎麼跟設計預測比對？這些是需要看過大量真實變壓器、見過各種正常與異常模式才能建立的判斷力。
故障診斷知識：變壓器在運行中出現問題時怎麼判斷原因？是設計問題、製造問題、運輸問題、還是運行環境問題？這種診斷能力是整個產業最珍貴的默會知識，通常集中在少數資深工程師身上。
美國變壓器產業過去40年的萎縮，同時在摧毀這些默會知識。資深工程師退休後，他們的知識很大程度上隨他們離開——因為沒有被寫下來、沒有被系統化地傳授給下一代。2025-2026年美國試圖重建變壓器產業時，發現不只是缺工人、缺設備、缺材料，還缺知識。而知識的重建比前三者更難——因為它需要在真實生產中累積，而真實生產本身又被其他約束卡住。
默會知識跟AI訓練的有趣類比
有一個有趣的觀察：默會知識的結構跟當代AI模型的參數知識有某種同構性。
大型語言模型的「知識」不儲存在任何可被明文抽取的地方——它分散在數十億個神經網絡參數中，透過特定的激活模式體現。你不能直接從模型「讀出」它知道什麼，只能透過跟它互動、觀察它的輸出，間接推斷它內化了什麼。
人類組織的默會知識也是類似的結構——它分散在組織成員的互動模式、習慣做法、非正式溝通中，沒有單一的儲存位置。你不能從任何文件或資料庫完整「讀出」一個工廠的默會知識，只能透過跟這個工廠合作、觀察它如何運作，間接體會它的真實能力。
這個類比的含義是：當一個組織（比如一家變壓器廠）解散時，它的默會知識就永遠消失了。你不能像備份硬碟一樣備份一個組織的能力。美國過去40年失去了太多製造業組織，對應的默會知識大量消失，重建需要幾代人的時間。
第六章｜變壓器作為四個約束的完美交會點
為什麼變壓器
經過前面四章的分析，我們可以理解為什麼變壓器——這個1831年就被發明的低科技設備——會在2026年成為AI產業的致命瓶頸。變壓器同時被資本幻覺的四個反例（人力、時間、材料、技術知識）所約束，而且這四個約束在變壓器身上以最極端的方式交會。
人力約束：大型變壓器的製造嚴重依賴熟練技工，特別是線圈繞製師傅。培訓週期5年以上，美國過去40年累積了嚴重的人力斷代。
時間約束：一台大型變壓器從下訂到交貨需要18-24個月；擴張產能需要多年的新工廠建設；熟練工人的培訓需要5年；客戶信任建立需要另外5-10年。每一個環節都不能被資本壓縮。
材料約束：GOES鋼的生產高度集中在少數幾個國家，美國本土產能只能滿足需求的一小部分。銅、絕緣材料、套管、分接開關等其他關鍵零部件也都有類似的集中結構。擴張任何一個材料的產能都需要5-10年。
技術知識約束：變壓器製造涉及大量默會知識，分散在設計、工藝、測試、診斷等各個環節。這些知識的重建需要在真實生產中累積，不能透過文件或顧問快速複製。
這四個約束的交會，讓變壓器成為一個資本最無力的產業。你可以投入天文數字的資金，但五年內很難顯著增加產出；你可以付天價薪水，但找不到足夠的熟練工人；你可以搶購材料，但搶不到市場上本來就沒有的量。
歷史上的類似結構
變壓器不是第一個出現這種結構的產業。歷史上有幾個類似案例值得對照：
二戰時期美國的橡膠危機：二戰爆發後，日本佔領了東南亞的天然橡膠產區，美國的橡膠供應被切斷。美國緊急啟動合成橡膠計畫，投入巨額資金、徵用大量工程師、建立多個大型合成橡膠廠。結果：整個計畫執行超過預期，幾年內建立了世界上最大的合成橡膠產業。這個案例顯示在國家戰爭動員的條件下，資本可以繞過一些平時難以克服的障礙——但需要政府全面介入、暫停部分市場機制、動用軍事級別的資源調度。
1970年代的石油危機：OPEC禁運引發石油價格暴漲，全球經濟受到重擊。但這個危機在10-20年內通過多個途徑緩解：北海、阿拉斯加、墨西哥灣的新油田開發、石油勘探技術進步、替代能源（核能、天然氣、再生能源）的擴張、能源效率提升。這個案例顯示資源瓶頸可以透過多元化跟技術進步在長期解決——但「長期」意味著10-20年，期間要承受高成本跟地緣政治動盪。
1990年代的DRAM產業波動：DRAM（動態記憶體）產業經歷多次嚴重的供應過剩與短缺週期。每次週期都會有大量廠商進入或退出。這個案例顯示在資本密集型製造業中，產能擴張跟收縮的時滯會導致系統性週期——短缺期價格飆升吸引投資，投資完成後供應暴增導致過剩，過剩導致虧損跟廠商退出，然後下一輪短缺又開始。
變壓器產業的當前危機跟上述三個案例各有部分相似，但也有獨特之處。它沒有戰爭動員帶來的跨部門協調能力、它的替代方案遠比石油危機有限、它的週期波動比DRAM長得多（因為建設週期更長）。最貼近的類比可能是：如果二戰時期的美國沒有動員能力，面對橡膠危機會發生什麼。答案是：戰爭輸了。
七巨頭繞過的策略分析
面對這個結構，七巨頭各自採取了不同的繞過策略：
Musk的策略：垂直整合+自建電廠。xAI在Memphis的Colossus資料中心使用了自建的天然氣發電機組，繞過公共電網的變壓器瓶頸。Tesla的超級充電網絡、SpaceX的Starlink地面站、Starbase的太空發射基地都有類似的自建電力基礎設施邏輯。這個策略的核心是把變壓器需求內部化——不需要跟公共電網打交道，也就繞過了公共電網的供應瓶頸。
Microsoft的策略：鎖死核電。微軟2024年簽了跟Constellation Energy的協議重啟三哩島核電廠、2025年跟Helion簽了聚變能源採購協議（雖然這個協議的實際執行仍不確定）、投入多個小型模組化反應爐（SMR）開發案。核心邏輯是用長期PPA（Power Purchase Agreement）鎖死未來20-30年的電力供應，不與其他客戶在公共電網裡排隊。
Amazon的策略：分散式多點佈局。AWS在全球多個區域建資料中心，每個區域獨立規劃電力供應。2024年Amazon收購了Talen Energy旗下的一個核電資料中心園區、跟X-energy合作SMR開發、在多個州跟當地電力公司簽長期合約。核心邏輯是不把所有雞蛋放在一個電網籃子裡——如果某個區域的變壓器或電力供應出問題，其他區域可以承擔負載。
Google的策略：可再生能源+核能混合。Google 2024年宣布跟Kairos Power合作發展SMR，同時持續擴張太陽能、風能的採購合約。Google的技術優勢讓它可以透過AI調度優化資料中心的負載分佈，把AI訓練工作安排在可再生能源供應高峰期，降低對穩定電力的依賴。
Meta的策略：地點選擇+核能。Meta把新資料中心集中在電力供應相對充裕的地區（德州、猶他州、俄亥俄州）、跟Constellation Energy簽長期核能合約、投入SMR開發。
Nvidia的策略：不擁有資料中心但賣給所有人。Nvidia本身不需要大量自有資料中心，它的策略是讓所有客戶都能順利部署GPU——包括協助客戶優化電力使用、推出低功耗的新架構（Blackwell Ultra的能效比Hopper顯著提升）、跟電力設備廠商合作推動產業標準。
Apple的策略：相對低強度。Apple的AI戰略偏向端側運算（device-side inference），所以它的資料中心需求相對小於其他六家。這個策略讓Apple受變壓器瓶頸的影響小，但也意味著它的AI能力受制於手機硬體限制。
這七個策略共同的特徵是——它們都在繞過而非解決變壓器瓶頸。沒有一家七巨頭真的在大規模投資變壓器製造產業本身。原因簡單：投資變壓器製造的回報週期太長、回報率太低、風險太高，遠不如把錢投在繞過瓶頸的方案上。
這個選擇是理性的，但它的結果是：美國的變壓器瓶頸在可預見的未來不會被真正解決。七巨頭各自找到了繞過的路，中小AI公司沒有資源繞過只能被卡死，整個產業的結構性集中度會持續加深。
中小AI公司的絕境
讓我們具體看一下中小AI公司面對這個結構的處境。
假設一家中型AI新創（比如D輪融資後估值50億美元的公司），它需要擴張訓練算力。它的選擇有：
- 用大型雲服務商的算力（AWS、Azure、GCP）：這是最常見的路徑，但成本極高（AWS的大規模GPU租賃價格可能是購買後自持的3-5倍），而且依賴雲服務商的配額分配。當雲服務商優先滿足七巨頭自己的需求後，中小客戶經常被放在次要位置。
- 自建資料中心：技術上可行，但需要面對前面章節分析的全鏈條時間跟物資約束。實際上，一家50億美元估值的公司，現金流通常不夠支撐一個大型資料中心（50-100億美元量級），即使能籌到錢，建設週期3-5年意味著等資料中心建好時，公司本身可能都已經不存在了（融資輪週期、人才流失、技術過時）。
- 跟其他玩家合作：比如跟CoreWeave這類GPU雲提供商合作、跟主權基金合作、跟產業夥伴分享基礎設施。這是2024-2026年最常見的模式，但它意味著把議價權讓給基礎設施提供方——中小AI公司變成基礎設施資本的從屬，失去戰略自主性。
- 被併購：接受被七巨頭或其他大型戰略收購方併購，成為更大實體的一部分。這是很多中小AI公司的最終出路，也正在大規模發生。
結構上看，中小AI公司在這場戰爭裡幾乎沒有獨立生存空間。只有極少數能夠在特定垂直領域（專業法律AI、醫療AI、金融AI等）找到不需要前沿算力的市場定位，或者有極其獨特的技術護城河讓七巨頭願意支付高價併購。大多數會在未來3-5年內逐步被吃掉或倒閉。
這個整併不是市場失靈，是市場運作的必然結果——當基礎設施（電力+變壓器+算力+人才）高度集中時，應用層的玩家也必然向中心集中。變壓器的供應結構，決定了AI應用層的競爭結構。
第七章｜AI泡沫的物理落地：2026年的實況
泡沫是什麼
先澄清一個術語。一般對「AI泡沫」的理解有兩種：第一種是純金融意義上的泡沫——估值過高、脫離基本面，類似2000年的dot-com泡沫、2008年的房地產泡沫。第二種是能力兌現意義上的泡沫——AI技術實際能創造的經濟價值遠低於當前投資規模，導致大量投資血本無歸。
這兩種理解都有道理，但我認為2026年的AI「泡沫」有第三種意義，而且是最本質的：物理落地的泡沫。意思是：大量AI投資假設某種物理基礎設施（算力、電力、資料中心、變壓器）會按計劃就緒，但實際上這些基礎設施的就緒速度遠低於投資計劃的假設，導致投資要麼延期、要麼取消、要麼產出遠低於預期。
這第三種泡沫的特徵：
- 它不是估值層面的，而是產能兌現層面的
- 它不會透過市場波動一次性爆破，而是透過緩慢的時程延後逐步顯現
- 它的受害者不是一般散戶投資人，而是依賴基礎設施按計劃就緒的AI應用
- 它最終會強化現有大玩家的優勢，因為他們有基礎設施的優先取得權
2026年發生的事件符合這個圖像：
- Bloomberg報告美國2026年計劃的12 GW資料中心容量中只有5 GW在實際施工，57%延期或取消
- 變壓器交貨週期延長到128週（大型電力變壓器）到144週（發電機升壓變壓器）——超過2年
- 數個大型AI基建項目暫停：Oracle的某些資料中心擴張延期、Meta某些高容量園區重新規劃、Anthropic某些新訓練叢集時程後移
- 電力公司紛紛發出警告：維吉尼亞州的Dominion Energy申請緊急電費上漲、喬治亞州的Georgia Power預警資料中心負載可能超出電網承載力
- Goldman Sachs預測到2030年美國資料中心電力消耗將達到全國總電力的8%
- Gartner預測到2027年40%的AI資料中心將受到電力供應限制
錢還在流入
有趣的是，雖然基礎設施瓶頸明顯，AI領域的資本流入並沒有停止，反而在加速。2026年上半年的融資數據顯示：
- OpenAI在4月完成1220億美元新融資（這是一個極大的數字，幾乎前所未見）
- Anthropic跟Amazon的追加250億美元投資接近最終確認
- xAI的Series E超額募集到200億美元
- 多個AI基礎設施新創（CoreWeave、Lambda Labs、Together AI等）完成數十億美元輪次
- 美國政府透過各種補貼與稅收激勵向AI產業注入更多資金
這個現象看起來矛盾——基礎設施跟不上，為什麼錢還在湧入？
有幾個解釋：
解釋一：路徑依賴的金融承諾。大量資金的流向是在2022-2024年決定的，當時基礎設施瓶頸尚未明顯。這些資金現在在履行既定承諾，即使它們的回報預期可能無法完全實現。
解釋二：贏家越輸越好的邏輯。當基礎設施瓶頸凸顯時，能夠通過瓶頸（或繞過瓶頸）的少數贏家變得更有價值——因為他們的稀缺性增加了。資本因此更集中地流向這些贏家（主要是七巨頭及其核心合作夥伴）。
解釋三：替代品不存在。全球資本必須找投資出口，而AI仍然是敘事最強的領域。即使回報預期下調，投資機會仍然相對優於許多其他選項（低利率環境下的債券、成長放緩的傳統科技股、地緣政治風險上升的新興市場等）。
解釋四：等待下一代突破。很多投資在押注下一個技術突破（AGI、具身AI、因果推理、新型架構）會改變遊戲規則，讓當前的基礎設施瓶頸變得不重要。這個押注可能對，也可能錯，但它是持續投入的心理支撐。
無論哪個解釋，結果是相同的——錢持續流入，但產能跟不上。這個落差在未來幾年會以各種方式顯現：部分AI公司無法實現承諾的技術進展、部分專案延期成為常態、部分估值需要下修、部分公司被併購或倒閉。但整體AI產業不會崩盤——因為七巨頭有足夠實力穿越這個調整期，而他們本身就是整個產業的核心。
選擇性的繁榮
2026-2028年期間，AI產業的圖像會是選擇性繁榮：
- 七巨頭繼續擴張，不管是自建資料中心、獨家電力合約、還是核心技術投資都在持續加碼
- 七巨頭的核心合作夥伴（主要AI實驗室、GPU雲提供商、特定基礎設施服務商）跟著受益
- 中小AI公司面臨嚴峻挑戰，生存率低，大量被併購或倒閉
- AI應用層繁榮，但主要受益者是能整合七巨頭基礎設施的企業（包括大型傳統企業透過AI服務提升效率）
- 一般消費者感受到AI產品的持續改進，但這些產品的背後是越來越集中的基礎設施控制
這個結構在歷史上有明顯的對照——1990年代末到2010年代的雲端運算產業演化。雲端運算剛興起時有很多廠商（Amazon、Microsoft、Google、IBM、Oracle、Salesforce、各種小型雲服務商）。經過多年演化，到2020年代，公有雲市場實質上由AWS、Azure、GCP三家主導（加上中國的阿里雲、騰訊雲、華為雲在中國市場），其他廠商要麼被併購、要麼轉型為垂直應用、要麼退出。
AI基礎設施的演化路徑跟雲端運算極為相似，但集中度可能更高——因為AI基礎設施同時受到晶片、電力、資料、人才多重約束，每一個約束都偏好大型玩家。到2030年代，AI基礎設施可能只剩下五到七家真正獨立的玩家。這就是我們前面章節分析的七巨頭格局的必然結局。
泡沫破掉的非對稱後果
如果「泡沫」這個詞用物理落地版本的定義，那麼這個泡沫破掉的方式不是一次性崩盤，而是非對稱的調整：
- 中小AI公司受衝擊最重：融資輪凍結、估值下修、人才流失、產品延期、最終被併購或倒閉。這個調整可能在2027-2029年達到高峰
- 七巨頭基本無恙：雖然某些項目延期、某些戰略調整，但整體市場地位更強化（因為競爭者被淘汰）
- AI應用層有選擇性痛苦：過度依賴基礎設施快速擴張假設的應用會受挫，但整合良好的應用會受益
- 基礎設施供應商受益：變壓器廠商、電力公司、GPU廠商、熟練工人、電氣工程師這些稀缺資源持有者會看到持續的需求跟定價能力提升
- 一般經濟體面承擔外溢成本：電費上漲、水資源壓力、監管摩擦、地方政治衝突——這些成本會擴散到非AI產業的一般人
這個非對稱性意味著「泡沫破掉」對不同群體的含義完全不同。對投資中小AI公司的創投來說是災難；對七巨頭股東來說是市場地位強化；對一般消費者來說是電費上漲但AI產品更好用；對熟練變壓器技工來說是職業生涯黃金期；對中國的變壓器出口商來說是創紀錄利潤。
第八章｜戰略含義：誰該做什麼
對投資者：重新理解約束
如果錢永遠會有但物理不會，那麼投資的核心判斷應該從「哪裡有最好的故事」轉向「哪裡有最稀缺的物理資源」。
2026年值得關注的投資機會：
電力基礎設施：核電（包括傳統核電跟SMR）、天然氣發電（美國頁岩氣充足）、電網升級服務、儲能系統。這些領域有清晰的長期需求曲線、高資本進入門檻、穩定的政府支持。
電氣設備製造：變壓器、開關櫃、高壓電纜、電力電子器件。這些領域正在從「被忽視的低成長產業」轉變為「戰略性瓶頸產業」，有定價權跟產能緊張共同支撐的長期利潤。
關鍵材料：GOES鋼生產商、銅礦、稀土（特別是非中國來源）、鋰、鎳、鈷。這些材料在未來10-20年都會處於結構性短缺，有長期的通脹保護特性。
熟練勞工培訓：職業技術教育、製造業學徒制度、認證體系。這個領域長期被投資者忽視（因為直接商業模式不夠性感），但它是整個實體經濟擴張的關鍵瓶頸。
反面：任何純粹依賴「AI會快速改變一切」假設的應用層公司，在沒有基礎設施穩定支撐的情況下，估值風險都相對較高。不是這些公司不會成功，而是它們的時程會比預期晚、成本會比預期高、競爭壓力會比預期大。
對政府：產業政策的必要性
美國政府在2024-2026年的表現是矛盾的——一方面CHIPS法案、IRA法案都在推動本土製造業，另一方面關稅戰、貿易壁壘又在破壞供應鏈穩定性。這種矛盾讓產業界無法形成長期規劃預期，結果是投資者觀望、廠商遲疑、瓶頸持續。
更理性的產業政策應該包括：
長期穩定的需求承諾：政府承諾未來10-15年持續採購國內生產的電力設備、補貼熟練工人培訓、協助產業標準化（降低客製化成本、讓自動化可行）。這種長期承諾能讓廠商有信心投資擴產。
供應鏈完整性投資：不只投資整機廠，也要投資上游（GOES鋼、銅冶煉、絕緣材料）與下游（運輸能力、認證體系）。供應鏈是系統性問題，不能只解決一個環節。
國際協調：跟盟友國家（加拿大、墨西哥、韓國、日本、歐盟）建立關鍵物資的互助機制，在極端情況下（戰爭、自然災害、地緣危機）可以互相支援。這種互助不能臨時建立，必須平時就有制度安排。
教育系統改造：從小學到大學強化STEM教育，特別是跟實體製造業相關的技能（電機工程、機械工程、材料科學）。美國過去40年的教育體系過度偏向知識工作者、忽視熟練技工培訓，這個失衡必須矯正。
這些政策都需要10-20年的持續執行才能看到效果。問題是美國的政治制度本質上是4年一個週期，很難執行10-20年的連貫政策。這是一個制度性挑戰，沒有簡單答案。
對新玩家：在資本過剩時代，物理優勢最值錢
如果你在2026年是一個想進入AI或科技產業的新玩家，什麼是最有價值的資源？
不是：純金融資本、軟體開發能力、前沿模型訓練能力、資料科學人才。這些在當前環境下都不稀缺——不是因為它們不重要，而是因為追求它們的人太多，邊際收益極低。
是：
- 實體資產的控制權：土地、電力合約、物理基礎設施、工業場地。這些東西有長期的稀缺性保護
- 特定技能的深度：變壓器設計、電力系統工程、機器人機械設計、半導體先進製程、先進材料學。這些領域的專家相對稀缺，薪資溢價會持續擴大
- 跨領域整合能力：能同時理解物理世界限制跟數位世界可能性的人極度稀缺。大多數工程師只懂一邊，大多數金融人士只理解帳面數字
- 長期關係：跟地方政府、電力公司、監管者、熟練工人的長期信任關係。這些關係不能用錢買，只能靠時間建立
- 理論突破：如果你能在基礎科學或工程理論上做出真正的突破（新型材料、新型架構、新型算法），這種突破可以繞過現有基礎設施的限制
對中國：製造業優勢的再定位
中國在這個結構中的位置有意思。前面章節已經分析過中國在AI模型能力上面對的結構性限制（威權治理與因果推理的互斥），但中國在實體製造業上的優勢反而在這場AI危機中被強化。
當美國需要從中國進口變壓器、電池、稀土、電力設備時，中國就獲得了對美國產業的真實戰略槓桿。這個槓桿不是理論上的，而是實質的——如果中國限制某類關鍵設備的出口，美國的AI基建會立即受影響。
這個結構給中國帶來幾個戰略可能性：
可能性一：有限談判槓桿。中國可以在台海、貿易、科技管制等議題上使用變壓器等關鍵物資的供應作為談判籌碼。這不需要真的切斷供應，只需要威脅供應不確定性就能產生效果。
可能性二：結構性依賴鎖定。中國可以故意讓某些產業對中國供應的依賴加深，形成難以脫鉤的結構。一旦形成深度依賴，任何脫鉤嘗試的成本都會極高。
可能性三：技術轉移壓力。中國可以要求外國公司在中國建廠時轉移關鍵技術，利用中國市場的吸引力強制技術擴散。
但中國也面臨風險：過度使用這些槓桿會加速美國跟其他西方國家的脫鉤決心，長期反而降低中國的槓桿力。這是一個兩難——用得太少沒有短期效果，用得太多損害長期戰略位置。
中國在具身AGI時代的真實機會，可能不在於挑戰美國在前沿模型上的地位（這條路有結構性障礙），而在於成為全球實體AI基礎設施的主要供應方。變壓器、電池、電動機、機器人零件、稀土磁體——這些領域中國有實質優勢。如果中國能把這些優勢制度化、長期化，它會在具身AGI時代佔據一個不可替代的供應者位置。這不是世界領導者的位置，但是一個結構性重要的位置。
結語｜物理會贏
這篇論文的核心論點可以用一句話濃縮：錢永遠會有，但人力、時間、材料、技術知識不會有。當錢撞上物理時，物理贏。
這個論點聽起來像常識，但它違反過去四十年全球資本主義思想的核心敘事。那個敘事告訴我們：市場會自動配置資源、資本會自動找到最有效率的用途、瓶頸都可以透過創新解決、人類社會的進步沒有物理天花板。這個敘事讓很多決策被做錯——從美國放任製造業外包、到歐洲低估能源獨立、到全世界低估熟練工人斷代的長期後果。
2026年的AI資本盛宴跟變壓器瓶頸的對撞，是這個敘事正在被檢驗的戲劇性時刻。它不會是最後一個——未來我們會看到更多類似的對撞：再生能源擴張撞上銅跟稀土約束、電動車產業撞上鋰跟鎳約束、具身AI撞上高精密感測器跟致動器約束、半導體產業撞上EUV光刻機產能約束。每一次對撞都會重複同樣的教訓：物質世界有自己的節奏，錢不能強迫它加速。
對EveMissLab這樣的新玩家來說，這個結構有一個有趣的含義。當現有玩家都在資本密集路線上競爭時，真正的差異化機會反而在認識論層面——誰能更準確地理解物理世界的真實約束、誰能更深入地挖掘默會知識的結構、誰能提出繞過而不是對抗這些約束的新範式，誰就有可能在一片擁擠的戰場上找到新的空間。
Neo.K的DCO理論跟O~Ω框架在這個脈絡下有它的戰略意義——它們不是在跟七巨頭競爭誰的模型benchmark高，而是在提供一個對存在、約束、閉合的本體論重新描述。如果這個描述在工程層面能夠落地（變成可被驗證、被複製、被擴展的系統），它會是一個繞過現有資本與物理雙重約束的新路徑。這條路的成功概率極低，但在資本過剩時代，低概率的理論突破反而是最有價值的投資——因為大多數資本都不會這樣分配。
最後給這篇論文留一個哲學註記。
變壓器是一個極其優雅的物理設備。它利用法拉第電磁感應定律——一個1831年被發現的普遍真理——把電能從一個電壓等級轉換到另一個電壓等級，幾乎沒有能量損失。這個轉換依賴的是物質世界的基本規律，不是任何人的意志或決定。你可以建或不建變壓器，但你改變不了電磁感應定律。
AI時代的資本主義告訴我們，只要有足夠的錢跟足夠強的算法，我們可以重新定義世界的運作規則。變壓器這個1831年的老設備反過來告訴我們：你能定義的，永遠只是抽象層；底下還有一層物理層，它按自己的規則運作，誰都不能改變。
這個提醒在AI過度興奮的時代是及時的。我們可能正在建立一個前所未有的智能系統，但這個系統必須透過電線、變壓器、發電機、銅、鋼、矽這些最平凡的物質運作。這些平凡物質背後的製造業、供應鏈、熟練工人、默會知識，才是決定這個系統能否實際存在的真實基礎。
錢永遠會有——這是人類社會的金融建構的事實。但鋼永遠需要有人冶煉、銅永遠需要有人開採、變壓器永遠需要有人繞線、電力永遠需要有人輸送、時間永遠會以每秒一秒的速度流逝。這些不是資本主義的事實，是物質世界的事實。
在物質世界的事實面前，任何試圖純粹透過資本跳過這些現實的野心，最終都會被提醒：你沒有被金融體系賦予的魔法可以繞過物理。你可以延後面對這個事實幾年，你可以用各種創意的融資結構遮掩這個事實一段時間，但最終——在某個具體的時間點，某個具體的變壓器工廠、某個具體的熟練工人、某個具體的材料供應合約——物理會交還帳單。
2026年，帳單正在被遞出。
_反者道之動。資本的擴張總是遇到物質的回歸。原子不被印出來，時間不被加速，知識不被速成，熟練不被抄捷徑。這不是限制，是世界的基礎構造。懂得這個基礎構造的，才能在未來十年走到別人走不到的地方。變壓器是2026年這個認識的象徵物——一個1831年的設備，在2026年決定了誰能做AI__、誰不能。歷史的幽默感就在這裡。_