詳細簡報文件：美國國債與 AI 發展
本簡報文件旨在回顧兩項主要議題：美國政府國債現況與潛在解決方案，以及 AI 產業的發展趨勢，特別是 NVIDIA 的護城河、AI 運算方式、主權 AI 概念以及台灣在 AI 浪潮中的發展策略。
一、 美國政府國債問題與潛在解決方案
(一) 美國國債現況與影響
美國政府目前每年支付高達 8000 億至 9000 億美元的國債利息，約佔其總預算的 13%，相當於每花 8 美元就有 1 美元用於支付利息而非償還本金。國債殖利率的高低直接影響政府的財政壓力，殖利率越高，政府支付的利息就越多。
短期國債殖利率與聯準會（FED）的聯邦基金利率直接相關，但長期國債（如 10 年期、20 年期）的殖利率則由市場供需決定。影響長期國債供需的兩大關鍵因素：
- 景氣前景的看法：當市場對未來經濟前景看壞時，投資人會將資金轉向相對穩定的國債，推高國債價格，降低殖利率。反之，若看好經濟，資金則會流向股市，導致國債需求下降，殖利率升高。
- 美國的債務信譽：當美國的債務與 GDP 比例（Debt-to-GDP ratio）過高，市場對其償債能力產生疑慮時，會要求更高的殖利率來吸引買家，形成惡性循環。儘管美國政府可以透過印鈔來償還美元債務，但這會稀釋美元的購買力，進而降低國債價值。
降低國債殖利率對美國政府和經濟都有益處。政府財政壓力減輕，且長期國債殖利率作為市場借貸利率的參考指標，其下降有助於降低企業融資成本，刺激經濟成長。
(二) 「賓州計畫」（Pennsylvania Plan）的潛在策略
由德意志銀行策略師 Gorgeosavelos 提出，此計畫旨在透過增加對美國國債的需求來降低其殖利率，主要包含以下三點：
- 利用穩定幣創造美國國債需求：
- 近期美國參議院通過的《Gensler Act》法案，要求穩定幣發行機構必須以 1:1 的比例，使用現金或美國短期公債（90-93 天期）作為儲備。
- 這將大幅增加對美國短期公債的需求，因為穩定幣在全球範圍內有巨大的需求，尤其是在貨幣不穩定的國家。
- 挑戰：目前該法案主要針對短期公債，對長期公債的需求幫助有限，而長期公債才是美國政府真正的財政壓力所在。
- 調整銀行補充槓桿率（Supplementary Leverage Ratio, SLR）標準：
- SLR 的公式為「銀行自有資本 / 總風險資產」。目前大型銀行要求 3%，全球系統重要性銀行要求 5%。較低的 SLR 意味著銀行可以運用更大的槓桿來經營業務。
- 賓州計畫建議：將銀行持有的美國政府國債從「總風險資產」的分母中扣除，不納入計算。
- 潛在影響：這將大幅增加銀行持有長期美債的誘因。因為在 SLR 計算上，持有的美債越多，其分母（總風險資產）就越小，使其能夠承擔更多其他類型的業務。例如，若原本 SLR 為 3%（1:33 槓桿），若其中 10 的風險資產是長期美債且被扣除，則槓桿立即變成 1:23，銀行可做的生意規模更大。
- 實施難度：修改 SLR 標準需要聯準會（FED）、通貨監理署（OCC）和聯邦存款保險公司（FDIC）三個單位聯合提案，或透過國會直接修訂。目前美國財政部長葉倫也呼籲對 SLR 計算進行調整，顯示這符合川普政府的執政方向。
- 針對長期國債投資稅賦減免：
- 無論是退休基金或個人投資者，若投資長期國債，其投資獲利可獲得稅賦減免。此舉旨在提升長期國債的吸引力。
(三) 總結與展望
「賓州計畫」雖由分析師提出，但其方向與川普政府的政策目標一致，實施機率很高。儘管此計畫無法完全解決美國政府赤字這一根本問題（就像「治標不治本」），但它能有效增加國債的買盤，提供「強心針」，有助於控制國債殖利率。就像為火災現場增加了更多的消防車和水柱，雖然沒有撲滅起火點，但對火勢的控制仍有幫助。
二、 AI 產業發展與台灣角色
本次專訪 Infinities 數位無限 CEO 陳文玉執行長，深入探討 AI 領域的多個面向。
(一) 企業 GPU 部署與雲端租用之抉擇
企業在 AI 運算方面，面臨自行建構（On-premise）GPU 伺服器或租用雲端服務的選擇。
- 成本考量：GPU 硬體成本高昂。若企業能夠持續高效率地利用自有 GPU 資源，長期而言，其總成本可能比雲端租用更划算（「在雲上付一年的錢，你大概可以買一台同樣付一年的錢在伺服器這邊買一台」）。然而，若利用率低，則自建成本效益不彰。
- 數據安全與主權：許多企業考慮在自有機房部署 GPU，是基於對數據安全和資料主權的顧慮，擔心數據在雲端可能遺失或被盜取。
- 效率與管理：無論是自建或雲端租用，提升 GPU 利用率都至關重要。數位無限的 ASStack 軟體平台即是為了解決這個問題，透過虛擬化和資源分配技術，讓多個部門或用戶共享 GPU 算力，避免資源浪費。
(二) NVIDIA GPU 與 ASIC 的競爭格局
黃仁勳曾預言 ASIC（特定應用積體電路）將死，但事實上兩者各有定位。
GPU 的優勢：
- 通用性：GPU 屬於通用型運算單元，在 AI 發展早期階段（「我們現在還在研究 AI 是什麼，AI 能帶來什麼的時代」），模型演變快速，通用型 GPU 能適應多變的模型和演算法。
- 生態系統：NVIDIA 以 CUDA 為核心建立了強大的軟體生態系統，這是其最大的「護城河」之一。「很多軟體都已經基於 CUDA 最底層來去跟 GPU 做溝通」。這使得 AI 開發者能快速將服務和應用推向市場。
- 技術領先：NVIDIA 的 NVLink 傳輸技術，不僅在 GPU 之間，甚至在 GPU 伺服器和跨機櫃之間都實現了超前的通訊能力，使其在硬體設計上難以被追趕。
- 難以打破的護城河：CUDA 生態系統的龐大和快速迭代，使得其他競爭者難以在短時間內追上。即使有相容方案，也多從上層生態系統切入，而非底層 CUDA。
ASIC 的定位：
- 專用性：ASIC 是針對特定應用而設計，效率高且成本相對低廉。當某一類 AI 模型（如 Transformer）或應用（如語音助理、影像辨識特定功能）成熟且需求量大時，ASIC 將逐漸取代 GPU。
- 推論部署：目前許多 ASIC 或 NPU（神經網路處理單元）主要用於 AI 模型推論部署階段，而非訓練階段。
未來趨勢： 陳執行長認為，AI 發展仍處於早期階段（「我認為是賺早期，我比較習慣把 AI 的這個發展對比成互聯網」），但其成長速度比網際網路時代更快。 GPU 在未來幾年仍將是主流，但隨著 AI 應用的特化和普及，ASIC 和 NPU 將在特定領域扮演更重要的角色。
(三) 主權 AI 的發展
- 概念演變：早期（一兩年前）主權 AI 的討論主要集中於各國應開發自己的大型語言模型。然而，這需要巨大的人才、算力和政策支持，實施複雜。
- 現今焦點：目前主權 AI 的重點已轉向「建算力的基礎設施」，即各國政府自行建立和掌控超大型的 GPU 運算中心。
- 重要性：擁有主權算力，國家才能確保其模型運算不受外部控制，進而掌控國民生活和產業發展。若未來所有生活互動都與 AI 相關，而 AI 運算卻掌握在其他國家手中，將對國家主權構成巨大隱患。
- 地方政府與企業集團的趨勢：主權 AI 的概念也延伸至地方政府和企業集團，他們也開始規劃和投入預算自建 AI 算力，以確保數據安全和業務發展。
- 台灣規模展望：台灣若要建立主權 AI 雲，以滿足應用需求，陳執行長預估至少需要「一萬顆以上」的 GPU 規模。隨著新應用的加入和規模擴大，GPU 數量將呈現爆炸性成長。
(四) 台灣在 AI 浪潮中的發展策略
政府角色：
- 硬體優勢：台灣在電子製造和硬體供應鏈方面具備完整且成熟的優勢，可以持續在 AI 硬體領域扮演關鍵角色。政府應鼓勵更多硬體廠商投入 AI，並提供相應補助，降低其前期投入成本。
- 軟體與人才：台灣的軟體人才質量高，但流失嚴重。政府應塑造良好的生態機制，吸引並留住軟體人才。
- 擁抱開源：政府應更重視開源（Open Source）策略，並制定相關政策。開源模型（如 Llama, Mistral）有助於產業站在巨人肩膀上進行加值開發，加速 AI 發展。
- 產業鏈串聯：政府可扮演角色，將 AI 產業鏈中的軟硬體廠商串聯起來，而非各自為政。
- 導入 AI 補助：提供企業導入 AI 的相關補助，降低其嘗試和驗證的風險，鼓勵各行各業擁抱 AI 提升競爭力。
企業角色：
- 成為 AI 使用者：對於非 AI 硬體或軟體開發商的傳統企業（如汽車零組件製造商），應將重心放在「導入 AI」以提升自身競爭力。「你透過 AI 幫你把生意做得更好，或者是把這個成本結構可以分析的更清晰，這都是你可以使用 AI 來導入。」
- 尋找「懂 AI 又懂產業」的人才：未來職場上，最需要的人才將是那些既了解企業運作和競爭方式，又懂 AI 能力與應用的人，他們能將 AI 價值與企業深度結合。
(五) 分散式算力平台的未來
- 用途限制：目前分散式算力平台主要用於 AI 模型「推論」部署，而非訓練。大型模型訓練需要更強大的 GPU 集群和更穩定的算力。
- 適用場景：適用於對服務水準要求不高的終端消費者應用或驗證性場景，因為其算力來源（如個人電腦的閒置 GPU）的可控性較低，服務可能隨時中斷。
- 市場定位：可能作為輔助性角色，或是由本來就有大量 GPU 資源的供應商（如礦場轉型）構成，提供小規模但仍可控的市場。
