AI 研發的複利，卡在算力與時間
先講結論： 複利要同時看斜率、本金與時間。遞迴自我改進（RSI）主要改變斜率，算力仍受資本與交期限制。公開資料尚不足以辨認研發迴路已跨過 R>1。
把複利公式放進 AI 產業
投資複利可用報酬率、本金與時間理解。套到 AI 研發時，這只是分析類比。它不是 RSI 的嚴格公式。
| 複利項 | AI 產業的對應 | 主要影響者 |
|---|---|---|
| 報酬率 | 能力成長斜率，以及每輪研發能否更有效 | 模型實驗室與研發流程 |
| 本金 | 加速器、電力、資料中心與網路 | 晶片、代工、雲端與記憶體供應商 |
| 時間 | 資本能否撐到設備上線並產生收入 | 現金流、融資條件與資產負債表 |
RSI 主要改變報酬率，也可能提高同一批算力的有效產出。模型若改良 kernel 與排程，本金和報酬率的界線就會重疊。
效率仍不是設備本身。斜率再陡，資料中心與電力跟不上，就只是在較小基數上成長。算力增加而每輪研發沒有更有效，資本支出也不會自動變成同幅度的能力成長。
斜率端：變快不等於迴路自我放大
METR 的任務時程 1.1 版估計，軟體任務時程的 50% 翻倍週期，全期間約 196.5 天。2023 年後約 130.8 天，信賴區間為 107 至 161 天。2024 年後約 88.6 天。這是特定任務與評測流程的趨勢擬合，不是研發速度的直接量測。
任務時程縮短值得追蹤，但不能單獨解釋原因。它可能來自更多算力、更好的演算法，也可能來自 AI 參與研發。METR 也提醒，新任務集與評測基礎設施會改變估計。長任務數量仍有限，信賴區間也寬。
Burtsev 等人把快速進步和遞迴自我放大分開。系統可能已跨過自我放大條件，但加速尚未顯現。能力進步很快，也可能主要由算力推動。現有資料無法分辨這些機制。因此較準確的說法是：公開資料尚不足以辨認已跨過 R>1，而不是已證明 R<1。
已有公司陳述顯示 AI 進入研發工作。OpenAI 稱 GPT-5.3-Codex 曾協助除錯自身訓練，也處理部署並診斷評測結果。這是公司自己的說法。它沒有量出迴路淨增益，不能推出 R>1。
Anthropic 的政策門檻提供另一種觀察。2026 年 2 月的責任縮放政策 3.0 版，把研發門檻第 4 級描述為壓縮整體能力進展所需時間。4 月的 v3.1 澄清，翻倍指整體能力進步速度，不是研究員生產力。Opus 4.6 的風險報告表示該模型尚未跨過當時門檻。公司後來已更新政策版本，這不能當作現行評估。
METR 在 2026 年 5 月的風險報告寫道，Anthropic 明確表示，截至 2026 年 4 月，尚未看到整體進展速度增加至 2 倍。這與當時的政策門檻使用相近定義，但仍是不同文件中的公司陳述與政策評估。METR 同時指出，其整體結論高度不確定。
這幾項觀察反映不同層級。METR 量任務時程。OpenAI 描述內部使用。Anthropic 公布政策門檻。它們不能直接互相印證，也不構成互相矛盾的證據。W6 已整理候選、驗證、篩選與部署機制。本篇只沿用一點：能否可靠驗證改動，決定效率改善能否累積。回看第 6 週：研發迭代機制
安全門檻是斜率的煞車。實驗室可能增加評估、限制部署或調整研發節奏。技術效率提高，不代表能力會以同速率變成可部署產品。
2026 年 9 月的白宮《前沿責任共同承諾》由六家業者代表簽署。文本列出內部控管、外部稽核與董事會監督，但沒有設定改變研發速度的技術機制，也屬自願承諾。Nvidia 同時位於算力供應端與簽署者之列。這顯示本金端和制度討論在同一張桌上，不代表各方利益一致。
本金端：算力是實體的
Epoch 估計，2025 年底全球已部署的人工智慧算力，約相當於 1,600 萬張 H100。前沿實驗室合計使用的份額可能不到一半。這是研究作者的粗略估算，不是完整普查。算力還用於推論、雲端服務與其他 AI 工作，不能全視為模型研發可立即調用的資源。
這個分布修正了一種常見想像。前沿實驗室雖然領先，卻只使用全球算力的一部分。雲端業者還要服務客戶與自家產品。非前沿模型、推薦系統及其他應用也在消耗計算資源。RSI 即使提升實驗效率，能否先取得晶片、電力或雲端容量，仍取決於合約、資本與供應排程。
實體建設需要時間。Epoch AI 估計，算力規模每再增加 10 倍，建置前置時間大約多一年。大型資料中心、電廠與晶圓廠都不是按下開關便會出現。訓練所用算力短期仍可能透過重新分配而快速成長，但整體算力存量受更長的建設週期限制。
資本支出已經很大。第三方彙整估計，六家超大型雲與專業雲端業者的 2026 年資本支出超過 7,600 億美元。2025 年約為 4,100 億美元。這不是純 AI 支出，也不能當作已投入模型研發的金額。
因此，RSI 可能提高一單位算力產出的研發進度，卻不會取消設備、電力與交期。效率改善若能換來融資或供給順位，斜率與本金才會更強地互相支援。供給跟不上時，改善可能先表現為同樣資源做更多工作。
時間端：支出流向不等於利潤落點
先分清兩件事。大筆支出流向哪一層，與哪一層最後保留較高利潤，不是同一個問題。晶片、封裝、記憶體、雲端與機櫃都可能收到大量訂單。議價能力、可替代性與資本負擔，會影響價值留在哪裡。
以下數字取自公開財報或第三方彙整，期間與口徑不同。它們展示供應鏈不同位置的經濟特性，不代表未來利潤會維持不變。
| 供應鏈位置 | 公開數字例子 | 讀法與限制 |
|---|---|---|
| 晶片設計 | Nvidia 財報年度 2026 毛利率 71.1%；次年第 1 季營收 816 億美元，年增 85% | 年度毛利率低於前一年度；季度營收不等於利潤 |
| 晶圓代工 | 台積電 2026 年第 1 季毛利率 66.2%，美元營收 359 億美元 | 需持續投入廠房與製程；毛利率不等於自由現金流 |
| 記憶體 | 第三方彙整列主要供應商毛利率約 70–85% | 高毛利受價格循環影響，不能當成長期常態 |
| 雲端服務 | AWS 分部營業利益率 37.7%；Microsoft 整體營業利益率 46.3% | 前者是分部，後者是公司整體，口徑不一 |
| 伺服器組裝 | Dell 基礎設施部門營益率約 10.5%；Supermicro 毛利率約 6–10% | 高營收不必然代表高利潤，產品組合會影響結果 |
| 專業雲端 | CoreWeave 營益率約 6%，資本支出高於營收 2.5 倍 | 第三方分析口徑；高建置支出與融資需求需一併看 |
利潤可能集中在難以複製的環節，但高毛利率不是沒有風險。Nvidia 的 2026 財報年度毛利率，低於前一年度。台積電需要資本密集的廠房。記憶體受到供需循環影響。雲端業者同時承擔大量建設支出。價值能否留下，要看供給能否被複製，也要看需求、資本成本與產能利用率。
模型實驗室的營收增加，也不等於能獨立負擔所有研發與算力。公開報導的損益口徑差異很大，本文不列未逐家核對的虧損額。收入、資金與算力合約，共同決定實驗室能否把時間買下來。
行銷仍重要，只是作用可能改變
在迴路尚未被證明能自我放大時，產品分發、定價與品牌會影響使用量及收入。現金流與融資能支撐持續採購算力。市場若願意為新能力付費，實驗室也較容易把技術進展轉成建置資源。行銷不是研發斜率，卻可能影響本金和時間。
如果效率提升讓實驗室用更少算力追上，或提高其取得算力的順位，斜率的相對重要性可能上升。行銷的相對重要性可能下降，但不會因此失去作用。成果仍須轉成成本優勢、收入或供給優先權。使用者取得服務的通路、定價與現金流，仍會影響擴張。R>1 也不會讓利潤自動流向模型實驗室。
什麼訊號會讓判斷翻轉？
要辨認迴路是否自我放大，應把直接訊號和間接訊號分開。直接訊號較貼近研發迴路，但單一觀察仍不足以證明 R>1。間接訊號顯示資金或供給改變，不能單獨證明 RSI。
直接訊號可以先看兩項。
- 實驗室公布可由第三方重現的研發效率變化，並交代衡量方式、對照組與算力投入。研究員自評生產力不算。
- 實驗室依明確版本宣布跨過自家研發能力門檻，並提供整體能力進步速度的定義與可檢驗資料。這仍是該實驗室依自家規則作出的判定。
間接訊號則看資源是否重新分配。
- 前沿實驗室可用算力占比持續提高，並同時公布可重現的研發效率變化。
- 推論成本下降速度快於相關基礎設施支出，且能排除需求結構與價格循環的影響。
- 模型在相近算力下產出更多經第三方驗證的有效實驗。若量測設計嚴謹，這項可能更接近直接證據。
不能只看成本下降或算力份額就推論 R>1。
台灣的傳導也不會只落在單一環節。算力擴張若延續，代工、封裝、記憶體、伺服器與電力設施會面對不同需求。訂單、交期與資本規模也可能分開變化。RSI 若提升每單位設備的有效產出，需求成長與新增供給之間也可能重新平衡。台灣供應鏈能否保留利潤，仍要看技術門檻、產能與客戶議價。AI 支出增加不能直接推定結果。
我們的判斷是
RSI 值得重視，因為它可能讓既有算力更有效率地產生下一輪改進。但目前公開證據混合了任務時程、公司自述、政策門檻與第三方估算。這些資料無法分離算力擴張和研發回饋各自的因果貢獻。
2026 年仍要同時看斜率是否改變、本金能否取得、資本能否續航。斜率重要，但不是全部。算力與現金流也不是背景板。若將來出現可重現的迴路效率數據，並證明成果能轉成算力優先權，資金排序才需要重估。更低的資源需求也是前提。
來源與資料界線
官方與一手資料
- METR，Time Horizon 1.1，2026-01-29。本文引用 TH1.1 的全期間、2023 年後與 2024 年後 50% 任務時程翻倍週期。任務集、模型樣本與基礎設施版本會影響估計。
- METR，Frontier Risk Report，2026-05-19，評估期間為 2026-02-16 至 2026-03-16。本文引用 Anthropic 截至 2026-04 未見整體進展速度增至 2 倍的公開陳述。報告同時指出結論高度不確定，本文不以自報生產力替代能力進步速度。
- OpenAI，Introducing GPT-5.3-Codex，2026-02。模型參與除錯訓練、部署與診斷評測的說法來自 OpenAI，未提供可推算自我放大倍數的量測。
- Anthropic，Responsible Scaling Policy v3.0，2026-02-24；版本更新紀錄，含 v3.1（2026-04-02）與後續版本；Opus 4.6 風險報告，2026-02-10。門檻與評估限於各版本所述範圍，不視為跨公司共同標準。
- 白宮《Joint Commitment on Frontier Responsibilities》，2026-09-29。簽署者與承諾內容依公開文本；文本沒有獨立執法或強制處罰機制。
- Nvidia Q1 FY2027 財報，2026-05-20；Nvidia FY2026 年報。年度毛利率與單季營收屬不同期間指標。
- 台積電 2026 年第 1 季財報資料，2026-04-16。美元營收及毛利率依公司財報與法說資料。
學術研究與第三方估計
- Burtsev，〈Recursive Criticality of AI Self-Improvement〉，2026。提出區分快速進步與遞迴自我放大的理論框架；現有公開資料仍難以分辨相關參數。
- Cunningham 等，〈The Economics of Recursive Self-Improvement〉，2026。探討研發自動化、算力與研究勞力的替代、遞減報酬與瓶頸；模型與估算含不確定性。
- Epoch AI，〈Frontier labs don’t use most AI compute (yet)〉，2026。全球部署算力及實驗室份額為作者估算，文章明示資料較不確定。
- Epoch AI，〈Compute scaling will slow down due to increasing lead times〉，2025-09-05。每增加 10 倍算力規模約多一年建置時間是作者估計，不是普遍工程定律。
- DataGravity，〈Who Captures Value in AI Infrastructure?〉，2026。毛利率、營益率及六家公司資本支出為第三方彙整；公司、期間及會計口徑不一，可能隨新財報修訂。
本文使用的公司說法、財報與第三方估計均非 KumoAlpha 自行測量。任務時程不等於整體 AI 進展。公司生產力自評不等於研發迴路增益。產業支出估算也不等於特定公司收入或利潤。資料僅涵蓋公開來源，內部研發與未揭露合約無法完整觀察。
非投資建議聲明： 本文討論 AI 產業的資金流向與能力成長假設，不構成任何投資建議，也不代表對特定公司或產品的評價與預測。