AI 熱潮最容易被簡化成一個問題：誰最賺錢？但更準確的問題是：價值在哪一層被創造，又在哪一層被鎖住？矽谷科技企業家、《All-In Podcast》主持人 David Friedberg 提出的估算指出，輝達每投入 1 美元生產成本，經過晶片銷售、算力叢集與模型服務層層加值，最終可在 Anthropic 形成約 18 美元收入。這組數字並非嚴格的會計結論，卻清楚描繪出 AI 商業模式的關鍵結構：硬體、算力與模型能力，分別出售不同產品，也因此取得不同議價權。

「1 美元變 18 美元」怎麼來

Friedberg 的推算將 AI 產業鏈分為三層。第一層是輝達：每投入 1 美元生產晶片與運算設備，約可取得 4 美元銷售收入，對應約 75% 的毛利率。

第二層是資料中心與雲端算力營運商。它們購買 GPU、建置機房、電力、網路與散熱系統，再把設備轉化為可租用的運算能力。這一層的商業本質不是「賣晶片」，而是把高資本支出的基礎設施，轉換成按小時、按 token 或按合約計費的服務。

第三層是 Anthropic 等模型公司。它們向雲端供應商取得晶片與算力，用於訓練 Claude 模型、處理企業與個人用戶的推理需求，再加入模型架構、訓練技術、演算法優化、安全機制與軟體介面，最後透過企業合約、訂閱與 API 出售「智能服務」。Friedberg 估算，Anthropic 的增量毛利率約為 85%；按各層毛利率推算，輝達端每 1 美元生產成本，最終可支持 Anthropic 約 18 美元收入。

三層賣的不是同一種東西

這也解釋了為何「輝達賺得多」與「模型公司營收高」可以同時成立。輝達出售的是運算平台；資料中心出售的是算力；Anthropic 出售的是能分析、編程、寫作與自動執行任務的模型能力。每一層都對前一層的產品進行加工，並以更高的單價出售。

Anthropic 的財報數字：高毛利，低淨利

Anthropic 的最新財務資料讓這套產業鏈敘事有了更具體的驗證。其 S-1 文件顯示，2026 年上半年營收約 163 億美元，營收成本約 23.8 億美元，隱含毛利率約 85%；文件並指出，營收成本中「絕大部分」與算力及基礎設施有關。

但高毛利不等於高淨利。Anthropic 2026 年第二季的算力與基礎設施支出約 55.6 億美元，同期營收約 116 億美元；以「每 1 美元算力支出產生多少營收」衡量，其效率已從 2025 年第一季的約 0.40 美元，提升至 2026 年第二季的約 2.08 美元。

問題在於，模型公司的算力通常是提前 12 至 18 個月採購與承諾的。Anthropic 的文件顯示，其未來最低付款義務約達 4,170 億美元，另有預估 1,250 億至 1,500 億美元的額外產能訂單。這代表算力支出已被鎖定，但未來營收並未同樣被鎖定；一旦大量算力集中交付，而客戶需求或定價未能同步成長，毛利便可能快速壓縮。

誰真正掌握議價權？

短期來看，輝達與少數先進晶片、網路及系統供應商掌握最稀缺的供給端。AI 訓練與推理所需的效能、互連頻寬與軟體生態，使買方難以迅速替換供應商；這也是輝達能維持高毛利的原因之一。Anthropic 最新財務資料亦顯示，其最近一季毛利率約 75%，高於多數傳統硬體公司。

中期來看，雲端與資料中心業者的權力來自規模、電力、土地、網路與資本成本。它們能把昂貴的 GPU 轉為可分配的算力池，但同時也承擔折舊與產能閒置風險。若 AI 需求放緩，最先感受到壓力的往往不是晶片設計公司，而是已投入數百億美元建置資料中心的營運商。

長期來看，模型層若能持續提高「每美元算力產生的營收」，就能取得更強的價值分配能力。Anthropic 將其改善歸因於演算法進步、更高利用率，以及跨輝達 GPU、Google TPU、AWS Trainium 與 AMD GPU 的多晶片優化；這說明模型公司並非只是算力的「轉售者」，而是試圖透過軟體與工程效率，把固定算力變成更多可銷售的智能服務。

應用層才是最終考驗

目前市場焦點多放在晶片、資料中心與基礎模型，但 AI 產業能否持續成立，最終取決於應用層是否願意為結果付費。企業不會永遠為「模型很聰明」買單；它們會問：這項服務是否降低人力成本、縮短開發週期、提高轉換率，或創造原本做不到的產品？

這正是 Anthropic 等模型公司面臨的轉折。其 2026 年上半年約 80% 營收來自按用量計費，顯示商業模式越來越依賴實際 token 使用量，而非單純訂閱費。 換言之，模型公司必須把算力轉換成企業可量化的工作成果，才能把上游的資本支出，轉化為穩定、可預測的經常性收入。

給投資人與從業者的三個判斷

• 看毛利，更要看算力承諾。 高毛利率可能反映當期效率，但若未來算力合約龐大且交付集中，獲利能力可能被延後成本侵蝕。
• 看營收成長，更要看「每美元算力營收」。 這項指標比單純營收更能反映模型公司是否真的把基礎設施轉化為商業價值。
• 看模型能力，更要看應用黏性。 API 呼叫量、企業合約續約率、工作流程嵌入深度與客戶留存，才是判斷 AI 價值能否從模型層傳導到應用層的關鍵。

AI 產業鏈的價值並不固定落在某一層。當算力稀缺時，晶片與基礎設施掌握議價權；當模型能力成為差異化來源時，模型公司能提高毛利；但只有當應用層願意長期付費，這條從「1 美元成本」到「18 美元收入」的價值鏈，才不會只是資本支出與敘事推高的短期循環。