台灣砸千億補助 AI 卻生不出獨角獸——問題不是技術，是三十年代工 DNA 的詛咒

上週一位在竹科做了二十年的朋友跟我說了一句話，我到現在還在想。他說:「我們公司花了三年做 AI，最後做出來的東西，客戶拿去貼自己的牌子賣。」

這句話，某種程度上就是整個台灣 AI 產業的縮影。

🔥 60 秒速覽 (What)

台灣行政院自 2018 年推出「台灣 AI 行動計畫」以來，歷經多次加碼，2024 年再端出「晶創台灣計畫」匡列十年 3,000 億元預算（其中 AI 相關約佔 40%），2025 年國科會 AI 專案預算再增至約 180 億元。到了 2026 年 5 月，七年過去了。台灣的 AI 硬體供應鏈——從台積電 3 奈米先進製程到廣達、緯創的 AI 伺服器——在全球市場吃下超過 80% 的 AI 伺服器組裝份額。但在軟體與應用端？CB Insights 的全球 AI 獨角獸榜單上，台灣掛零。美國有超過 120 家，中國約 40 家，連以色列都有 15 家以上。

零。這個數字刺眼到不需要任何修辭。

💡 為什麼你該在乎 (So What)

你可能會說:台積電市值都破 8,000 億美元了，台灣幹嘛要 AI 獨角獸？

這個問題本身就暴露了病灶。

台積電的成功建立在一個前提上:全世界的 AI 公司（OpenAI、Google、Meta、xAI）設計晶片，台積電負責製造。價值鏈的分配大約是這樣——設計端拿走 60-70% 的毛利，製造端拿 30-40%。台積電靠極致的製程技術把製造端的毛利拉到 55% 以上，這是特例中的特例。但其他台灣代工廠？廣達 AI 伺服器的毛利率大約 6-8%，鴻海的數字也差不多。

坦白講，這就是「賣鏟子」的宿命。1849 年加州淘金熱裡賣鏟子的人確實賺了錢，但最後蓋起舊金山的，是那些找到金礦的人。

台灣在 AI 時代的處境是:我們造了全世界最好的鏟子，但從來沒有自己去挖過礦。

⚙️ 技術/商業解析 (Deep Dive)

問題到底出在哪？我認為有三層結構性障礙，每一層都跟「代工思維」有關。

第一層:人才虹吸效應。 台灣最頂尖的電機、資工畢業生，第一志願是台積電、聯發科、瑞昱。2025 年台積電碩士起薪約 200 萬新台幣，AI 新創能開多少？80-120 萬頂天了。（而且新創還不一定活得過 A 輪。）當你的硬體產業像黑洞一樣把最好的工程人才全部吸走，軟體端能用的人就是被挑剩的。這不是歧視，是經濟現實。

第二層:資本結構錯配。 台灣的創投生態長期偏好「看得到營收」的硬體題目。國發基金的投資組合裡，半導體和電子硬體佔比超過 60%。一個做 LLM 應用的團隊去跟台灣 VC 募資，對方第一個問題往往是:「你的硬體在哪裡？」「你有跟哪家大廠簽代工合約？」——整個投資框架還停留在「有沒有訂單」的代工邏輯，而不是「這個模型能不能吃下一個市場」的平台邏輯。

美國 AI 獨角獸的典型路徑是:技術突破 → 開源社群 → 開發者生態 → 企業客戶 → 巨額營收。台灣 VC 對這條路徑極度不安，因為前三個階段都沒有「訂單」。

第三層:市場規模的天花板——以及不敢打破它的心態。 台灣內需市場 2,300 萬人。一個 AI SaaS 產品如果只做台灣市場，天花板大概就是年營收 3-5 億新台幣，撐不起獨角獸估值。所以必須出海。但台灣軟體公司出海的成功案例屈指可數——Appier（沛星互動）2021 年在東京上市時估值約 16 億美元，勉強算是最接近 AI 獨角獸的一家，但它的成功恰恰是因為創辦人游直翰從第一天就把公司定位為「亞太區域公司」而非「台灣公司」。

這裡有個諷刺的對比:以色列人口 950 萬，比台灣少很多，但以色列的軟體新創從 Day 1 就瞄準美國市場，因為希伯來文市場根本不存在。台灣的悲劇在於，中文市場「剛好夠大」——大到讓你覺得可以先做本地，小到讓你永遠長不大。

⚠️ 風險與質疑 (Skeptic's View)

說到這裡我必須對自己的論述提出質疑。

有人會反駁:代工思維是「病灶」嗎？還是它其實是台灣的「最適解」？畢竟，NVIDIA 的 H100/B200 全靠台積電生產，AI 伺服器八成在台灣組裝，光是 2025 年台灣 AI 相關硬體出口估計就超過 500 億美元。你管它是代工還是品牌，錢進口袋就是贏了。

這個反駁有道理——但只在短期成立。

風險在於:AI 模型的訓練成本正在急速下降。DeepSeek-V3 用不到 600 萬美元就訓出了接近 GPT-4 等級的模型，這意味著未來對頂級算力的需求增長曲線可能不如預期陡峭。如果推理端逐漸轉向邊緣運算和更小的模型，台灣引以為傲的先進製程產能利用率會怎樣？這不是危言聳聽——2024 年底台積電 CoWoS 先進封裝產能利用率已經從滿載微幅下滑。

把所有雞蛋放在「硬體代工」這個籃子裡，賭的是全世界永遠需要更多更貴的晶片。這個賭注目前看起來還行，但歷史告訴我們，科技產業裡「永遠」這個詞的保質期大概是五到十年。

🎯 台灣機會 (Taiwan Angle)

說了這麼多批判，給一個建設性的方向。

台灣真正的 AI 機會，可能不在「通用大模型」——那個戰場已經被 OpenAI、Google、Anthropic、Meta 和中國的幾家巨頭瓜分了。台灣的機會在「垂直產業 AI」，特別是跟硬體結合的場景。

具體來說:半導體製程的 AI 良率預測（台積電已經在內部大量使用，但這個能力可以產品化）、工業 AI 視覺檢測（所羅門、擴博智能等已有佈局）、醫療影像 AI（台灣健保資料庫是全球最完整的單一付費者資料集之一，約 2,500 萬人 30 年的就醫紀錄）。

但要走這條路，政府補助的邏輯必須改變。別再撒錢給學校買 GPU 叢集，然後寫幾篇論文交差。把錢花在「讓 AI 團隊能在海外市場存活三年」的出海基金上。以色列的經驗證明，政府最有效的角色不是「指導產業方向」，而是「降低新創出海的早期風險」。

說到底，台灣 AI 產業的問題不是技術問題，甚至不是錢的問題——一千多億砸下去，錢是夠的。問題是我們用「建晶圓廠」的思維在做「建生態系」的事。前者需要紀律、精密、服從規格；後者需要混亂、冒險、容忍失敗。

這兩種 DNA，住在同一個身體裡，彼此打架打了三十年。而到目前為止，代工的那一邊一直在贏。

---