算力變貴，AI 應用必須重構

一、硬體資產化：算力路徑正在變窄

AI 應用的成本結構已經改變了。 過去兩年的競爭邏輯建立在對 Scaling Law 的無條件信念上：模型更大，參數更多，GPU 更多，上下文更長。 GPT、Claude 這類通用大模型證明了這條路徑在確立智慧底座時的有效性。

但這套邏輯進入應用層後，開始被硬體供給、推理成本和業務延遲卡住。

最明顯的壓力來自硬體的資產化。 高階 GPU 已經不再是普通的運算資源，而演變成了稀缺資產。 H100、H200 以及最新的 B300 系列核心硬件，價格相比年初大幅上漲。 目前市場報價漲幅接近 50%，部分機型甚至有價無市。 這背後是複雜的供應鏈瓶頸：HBM 儲存產能緊張、先進封裝受限、以及單機櫃功率對資料中心電力與散熱基礎設施的極端要求。 算力瓶頸已經不是買不買得起 GPU 的問題，它變成了一個涉及能源佈局和交付週期的供應鏈難題。

推理成本也逼近應用層的獲利紅線。 模型越強，單次推理就越貴；上下文越長，Token 消耗越大。 在低頻問答場景裡，這種支出尚可接受，但在高頻業務中，它會迅速吞掉利潤。 機器人每天執行數萬次動作，客服系統處理大量請求，企業 Agent 反覆調用工具——如果每一步判斷都走長上下文的強模型推理，商業模型很快就會跑不通。

延遲則是另一個硬約束。 倉儲機器人要跟上揀選節奏，製造產線要跟上節拍，金融系統要即時處理風險。 強模型可以在雲端進行深度推理，但物理世界等不了。 繼續堆算力或許能提升模型的能力上限，但很多產業需要的並不是「全面增強」。 倉庫機器人需要抓得更穩，金融 AI 需要風險判斷更準，企業 AI 需要流程執行更可靠。 這些具體問題很少能靠再調用一次更大的模型來直接解決。

當算力路徑變窄，應用層的問題已經從「模型夠不夠強」轉向了「強模型該放在哪裡」。 AI 應用必須重構。

二、邏輯斷層：一般模型無法直接取代產業系統

新一代通用大模型的能力很強，但它們天然不知道一個產業的動作成本、流程邊界和失敗後果。 模型具備的是靜態知識，而產業系統需要的是動態執行。

在倉儲現場，當機器人面對一堆形狀不同、擺放混亂的物體時，真正的問題不是辨識物體名稱。 任務邏輯在於：鞋盒是否被包裝紙卡住？ 應該從上方抓還是側邊抓？ 夾爪閉合後是否容易滑落？ 第一次失敗後要不要換路徑？ 通用模型知道「抓取」的定義，但它無法直接處理抓取過程中的即時實體回饋。

金融體系亦然。 面對波動，複述新聞沒有意義。 系統需要判斷：這則新聞是否已經被價格反映？ 風險敞口要不要即時調整？ 哪些波動只是演算法產生的雜訊？ 什麼時候應該強制停止交易介面？

企業內部系統也是如此。 模型可以產生完美的商務郵件，但它不理解企業內部的權限控制和流程銜接。 如果一個 AI 工具不知道誰有權批准預算、哪個動作會觸發後續財務流程，它就無法進入核心業務。 在工業製造領域，如果模型動作不穩、節拍亂了、撞了設備，系統就是失效的。

產業 AI 的瓶頸在於缺乏「執行結構」而非單純缺少智慧。 很多失敗的 AI 專案把大模型當作萬用接口，寄望透過 Prompt 解決一切。 這種做法在處理長任務、高風險場景時會迅速暴露其脆弱性：任務鏈條拉長會導致成本失控，步驟增加會導致延遲增加，且由於缺乏回饋機制，系統無法從執行失敗中自我修復。

三、 Sereact 樣本：縮短感知到動作的鏈條

2026 年 4 月，這家德國機器人 AI 公司完成 1.1 億美元 Series B 融資，由 Headline 領投，Bullhound Capital、Felix Capital 等機構跟投。 Sereact 揭露，這筆資金將用於其新一代機器人大腦 Cortex 2.0 的研發與北美市場擴張。 目前，Sereact 已有 200 多套系統在歐洲運行，累計完成超過 10 億次真實生產抓取，每 5.3 萬次抓取僅需一次遠端人工幹預。

這不僅是金額競賽。 Sereact 避開了聊天機器人的路徑，直接切入物理執行：讓機械手臂在光線昏暗、包裝變形、嚴重遮擋的工業現場實現穩定抓取。

其核心技術 VLA（Vision-Language-Action） 將視覺輸入、語言指令和機器人狀態壓進同一個執行結構，大幅縮短了從感知到動作的鏈條。

傳統機器人系統通常是分模組運作的：先辨識物體，再理解任務，最後規劃路徑。 在這種鍊式結構裡，視覺辨識的一點偏差——例如深度判斷偏了 1 公分——都會導致後續規劃失敗。 在複雜的倉庫現場，每一步都靠獨立模組傳遞結果，中間極易斷裂。

Sereact 的做法是把現場畫面、指令和機器人狀態放進同一個框架訓練。 模型輸出不再是文字解釋，而是直接傳遞給控制棧的動作決策：

• 機械手臂移動的座標；
• 夾爪轉動的角度與閉合時刻；
• 動作失敗後如何即時補救。

當機器人面對一個鞋盒，它並不會標記“這是鞋盒”，而是在決策任務：包裝紙是否擋住了路徑？ 側向抓取是否比上方抓取更穩？ 這種短路徑架構降低了資訊傳遞過程中的損耗。

但動作有物理後果，因此也需要 World Model（世界模型）。 但這並不意味著每一步都進行完整的實體模擬，而是針對關鍵動作的低成本預演層（Look-ahead Layer）。 系統會預判：這樣抓會滑落嗎？ 側向切入會撞車嗎？ 先撥開包裝紙是否能提高成功率？

這種結構只關心與任務相關的變數變化，從而判斷「何時值得多花算力思考」：

• 底層控制器： 處理高頻、穩定的微調動作；
• 中層模型： 處理抓取策略；
• 高階規劃： 只在風險高、動作成本大的節點，再呼叫預測模型多算幾步。

通用 AI 進入產業後，必須重新組織成這種分層的執行結構。

四、 可落地 AI 的五層結構

真實業務包含輸入、理解、決策、執行和回饋。 把所有步驟交給一個大模型，系統會快速變重。 可落地 AI 最後都會拆成五層：

昂貴的強推理只用在真正的決策節點上。 普通動作直接執行，高風險任務加驗證，重複成功的流程固化為規則。

五、 產業案例：任務重構的邊界

各行業都在透過結構化設計來對沖算力成本。

• 倉儲與物流：從「辨識」到「動作成功率」重構 在物流現場，競爭不再只是看誰能辨識出更多種類的貨物。 這種架構的目標，就是讓同樣的算力涵蓋更多有效動作，而​​不是把每一次抓取交給強模型。 系統將 AI 嵌入驅動層，大模型只在遇到未見過的新包裝或複雜遮蔽時才介入。
• 金融交易：從「行情預測」向「分層風控」重建 金融 AI 不再每秒鐘都透過大模型預測走勢。 重構後的系統分為三層：小模型處理訊號過濾，規則引擎執行停損，只有在面臨跨市場連動等複雜波動時，才啟動大規模參數模型進行全局風險評估。
• 企業 Agent：從「文案產生」向「權限流轉」重構 企業 AI 的重心是解決事務的完整性。 大模型負責分析需求並拆解任務，但每一個寫入操作（如修改資料庫或發送轉帳指令）必須經過狀態機的硬性校驗。 這確保了 AI 的行為是可審計、可回滾、可追蹤的。
• 軟體開發：從「程式碼產生」向「自動化工程」重構 GPT 雖然能寫出複雜的程式碼片段，但真正的效率瓶頸在於調試和部署。 新一代開發工具將 AI 放進 CI/CD 流程中，模型不僅產生程式碼，還要分析運行日誌並自動重寫，減少人工 Debug 的頻次。

六、 下一階段：架構效率決定勝負

AI 還會繼續變強，算力也會繼續投入。 但應用層的競爭重點已經改變：過去公司關一昧追求接取最強模型，現在則著重於用有限算力做出穩定的業務結果。

接入強模型只是獲得了能力，把能力變成業務結果才是落地。 從Sereact 的例子我們可以得到啟發：昂貴推理留給關鍵決策，高頻動作交給快模組，低價值任務交給便宜系統，真實結果持續沉澱成回饋。

算力繼續漲價後，粗放呼叫模型的空間會變小。 應用層的競爭會回到架構效率：

• 少呼叫一次強模型，就少付一次成本。
• 把失敗結果寫回系統，就多一次改進機會。
• 把規則和模型融合得更好，系統就更穩定。

產業 AI 的瓶頸不在於缺乏智能，而是缺乏執行結構。 大模型給了能力的上限，而應用系統的分層設計、回饋迴路和風險控制，決定了單位算力到底能產生多少真實的商業結果。 未來模型需要被更聰明地組織。