小模型「搶走」雲端算力需求，萬億美元數據中心資本支出面臨考驗

AI應用持續擴張，但支撐這輪熱潮的超大規模數據中心投資，正面臨新的需求端挑戰。

杰富瑞報告指出，隨著小型語言模型效能提升、成本下降，企業AI部署可能從集中式雲端轉向本地化，由此對雲端算力需求以及鉅額數據中心資本開支形成壓力。

這一判斷的一個重要依據，是近期對AI伺服器實際使用情況的觀察。2026年9月，Swerve Research Technologies通過追蹤Anthropic伺服器請求隊列的等待時間建構「擁堵指數」，發現相關伺服器利用率較2026年1月至2月的高峰下滑26%。這一指標並不能直接對應公司收入，但若利用率持續走低，可能意味部分算力供給開始出現閒置。

與此同時，AI基礎設施投資仍在快速擴張。市場目前預計，Meta、Alphabet、亞馬遜和微軟四家美國科技巨頭2027年資本支出合計可能達到9900億美元。報告認為，如果AI算力需求增速最終無法配合如此龐大的投資規模，部分數據中心可能面臨回報不足甚至成為「閒置資產」的風險。

伺服器利用率下降，AI算力供給面臨考驗

Meta旗下個人AI產品Muse於9月8日上線後，推動Meta股價在數週內上漲21%，成為近期AI消費應用的亮點。但報告認為，單一應用的成功並不足以證明整個AI基礎設施投資週期能夠持續。

更值得關注的是，AI企業本身也釋放出一些不同於市場樂觀預期的訊號。Anthropic CEO、OpenAI CEO Sam Altman以及Elon Musk近期均曾公開討論放緩AI發展的必要性；Anthropic原計畫中的IPO則延後至11月。

同時，Anthropic先前已與SpaceX簽署價值450億美元、為期三年的算力合約，並與亞馬遜、Google Cloud達成數十億美元等級的算力合作。如果AI收入增速放緩，而先前簽訂的大規模算力合約仍需持續履行，企業的成本壓力可能進一步上升。

據報導，Meta還在7月與Anthropic談判，計畫在兩年內向其出租最高100億美元的數據中心算力。報告認為，大型科技公司開始積極尋找外部客戶消化算力，也反映出隨著基礎設施供給快速擴張，如何提升資產利用率正成為新課題。

小模型效能追趕，本地部署或分流雲端需求

相較伺服器利用率的短期變化，報告更關注AI模型架構正在發生的變化。

史丹佛大學與Together AI聯合發佈的《Intelligence per Watt》研究顯示，小型語言模型的效能正快速追趕大型語言模型，同時能耗與算力成本低50%至85%。若此趨勢延續，企業部署AI所需的算力規模與成本結構都可能隨之轉變。

過去，企業更多依賴集中式雲端大模型完成AI任務；隨著小模型能力提升，部分場景可能轉向本地部署。對於銀行等對資料安全要求較高的產業，本地化部署本身已有強烈需求；當小模型進一步降低部署成本後，此一模式的適用範圍可能持續擴大。

這意味著，AI應用增長並不必然對應雲端算力需求同比例增長。企業可能一邊擴大AI應用，一邊降低對超大模型API與集中式雲端算力的依賴。

這也是報告質疑近萬億美元資本支出的重點原因：如果未來更多AI應用由低成本、小規模、本地化模型承載，那麼目前圍繞超大規模數據中心形成的投資規模，可能與實際算力需求脫鉤。

在此情境下，真正需重新評估的並非AI需求是否存在，而是AI需求究竟需要多少集中式算力，以及這些數據中心能否獲得與其投資規模相稱的回報。