Anthropic Q2 轉虧為盈，ARR 突破 500 億美元！SemiAnalysis 創辦人：AI 瓶頸在電力
人工智慧產業是否正在堆砌一場難以回收成本的基礎建設泡沫，仍是華爾街爭論最激烈的問題之一。然而，半導體與 AI 基礎設施研究機構 SemiAnalysis 創辦人 Dylan Patel 在最新一集《Next Big Thing》Podcast 中，提出了一個截然不同的觀察：Anthropic 不僅營收持續高速成長，甚至可能已在 2026 年第二季正式進入獲利階段。
Patel 在訪談中表示，Anthropic 已於第二季實現獲利與正自由現金流。根據他掌握的資訊，Anthropic 在帳務已結清的 4 月及5月均呈現獲利，且自由現金流為正；訪談錄製時，6 月帳務雖尚未完全結算，但營運趨勢仍朝相同方向發展。
廣告 - 內文未完請往下捲動
他進一步宣稱，Anthropic 的年化經常性收入，也就是 ARR，已突破 500 億美元，毛利率則高於 70%。Anthropic 在 2026 年 5月表示其年化營收已跨越 470 億美元。若成長趨勢延續，Patel 所稱的 500億 美元門檻並非不合理。
Claude Code 成為 Anthropic 營收引擎
Anthropic 營收快速成長的核心動力，來自企業客戶與程式開發工具 Claude Code。
Anthropic 在 2026 年 2 月表示，Claude Code 的年化收入已超過 25 億美元，較年初成長逾一倍；企業客戶採用速度也持續加快。
Patel 認為，Anthropic 能在企業市場領先 OpenAI，關鍵不一定是模型在所有基準測試上都更聰明，而是 Claude 在實際工作流程中的「Token 效率」更高。
他指出，OpenAI 的模型在尖端科學、數學或高難度程式問題上，有時能完成 Anthropic 模型無法完成的任務；但部分工作可能需要花費三倍時間、產生四倍 Token。對需要人類持續檢查、修改與回饋的企業工作而言，等待時間與 Token 消耗都會直接影響成本及使用體驗。
相較之下，Claude Code 往往能以較少 Token、更短時間完成工作，讓使用者更快進入下一輪修改。因此，SemiAnalysis 目前仍以 Anthropic 模型為主要工具；OpenAI Codex 則較常被用於可以放著隔夜執行、不需要頻繁人工介入的長時間任務。
企業選擇模型時，不能只比較每百萬 Token 的標價。真正重要的成本是：模型完成整項任務需要多少 Token、多少時間，以及多少次人工介入。
SemiAnalysis 公司 90 人，每年花 1,100 萬美元使用 AI
Patel 也以 SemiAnalysis 自身為例，說明企業的 AI 支出正在以驚人速度成長。
在 2025 年 11 月、Claude Code 尚未大規模普及前，SemiAnalysis 每年的 AI 經常性支出不到 10 萬美元。當時公司主要替每位員工購買每月 200 美元的 ChatGPT 方案，若員工有需求，也會提供 Claude 或 xAI 的服務。
但隨著 Claude Code 在 2025 年 12 月後迅速普及，SemiAnalysis 的年化 AI 支出在 2026 年 1 月底升至 400 萬美元，目前則約為 1,100 萬美元；支出最高的一週若乘以 52 週換算，相當於每年 1,400 萬美元。
對一家僅約 90 人的公司而言，這代表平均每位員工每年可能消耗超過 12 萬美元的 AI 資源。
Patel 坦言，這是一筆極其龐大的支出，但公司並未因此縮減 AI 預算。原因是 AI 讓團隊得以開發更多產品、提高銷售收入，並改善員工生產力。就 SemiAnalysis 而言，AI 支出已相當於人事成本的三分之一，他預估到年底甚至可能接近人事成本的一半。
AI 預算提前燒完，企業開始砍掉其他軟體
這種變化也開始出現在其他企業。
Patel 表示，不少公司原本編列一整年的AI預算，卻在第一季或第二季便全部用完。企業因而面臨兩種選擇：限制員工使用 AI，或削減其他支出，讓更多資源流向 AI。
他觀察到，一部分公司開始取消傳統 SaaS 產品，因為員工可以直接利用 AI 建立內部工具，取代既有軟體；另一些公司則選擇減少聘僱，甚至削減人力支出，而不是限制 AI 使用量。
Patel警告，選擇壓低 AI 使用量的企業，短期內或許能控制成本，但可能在生產力及產品開發速度上逐漸落後。
在他的觀察中，AI 成本並未單純下降或上升，而是呈現「模型效率提高、使用範圍隨後擴大」的循環。當新模型推出時，完成相同任務所需的 Token 會下降，因此公司支出可能短暫減少；但員工很快會利用新增能力承擔更多工作，總支出隨後再次升高。
最便宜的模型，不一定是成本最低的模型
Patel 將企業 AI 工作負載分成兩類。
第一類是已整合進固定流程的自動化工作。例如，企業收到客戶文件後，交由模型檢查特定欄位或進行分類。只要模型品質達到要求，企業便可以逐步改用更便宜的模型，在維持準確度的前提下降低推論成本。
Patel 估計，在相同能力水準下，AI 模型的成本效益每年可能提升約 60 倍。他以 DeepSeek V3 與 GPT-4 為例，認為兩者相隔約兩年，但相近能力的推論成本差距一度達數百倍。
第二類則是 AI 助理型工作，例如程式設計、研究、資料分析與複雜決策。這類任務的成本最佳化方式，往往不是改用較弱、較便宜的模型，而是使用最新、最聰明且 Token 效率最高的模型。
舊模型可能需要 10 萬個 Token 與多輪溝通才能完成任務，新模型可能只需 2.5 萬個 Token 及一次指令。即使新模型單位 Token 價格較高，整體成本及員工時間成本仍可能更低。
因此 Patel 認為，對知識工作者而言，「最聰明的模型」經常也是實際成本最低的模型。
推理模型推高記憶體需求，短缺可能持續數年
除了模型公司營收，Patel 也對 AI 硬體供應鏈提出強烈看多觀點，尤其是記憶體市場。
過去記憶體產業通常被視為 18 至 24 個月一輪的景氣循環：供給不足推升價格、廠商擴產，隨後產能過剩又導致價格下跌。但 Patel 認為，生成式 AI 已讓這一輪記憶體上升週期出現結構性變化。
關鍵轉折來自推理模型與 AI 代理。
傳統聊天機器人的輸入與輸出通常較短，但推理模型需要保存大量中間推理過程；AI 代理則可能長時間閱讀文件、呼叫工具、執行程式並維持上下文。這些內容會被儲存在 KV Cache 之中，使推論工作所需的記憶體容量急遽增加。
Patel 表示，當上下文長度由 1,000 個 Token 增加至 10 萬個 Token 時，模型權重本身可能沒有改變，但 KV Cache 需要讀取和保存的資料量會大幅成長。因此，即使運算量沒有同比例增加，記憶體需求仍可能急升。
SemiAnalysis 估計，未來三年全球記憶體產能每年僅能增加約 20% 至 30%，但 AI 帶來的需求可能接近翻倍。在供給無法迅速跟上的情況下，記憶體價格可能持續上漲，直到智慧型手機、筆電及其他消費電子產品被迫減少用量，將更多產能讓給 AI 資料中心。
Patel甚至預測，未來 iPhone 與 MacBook 可能因記憶體成本增加而漲價數百美元，而不只是象徵性調高100美元。
不過，他並未否認記憶體市場最終仍會出現下行週期。當供給追上需求，記憶體廠商目前快速擴張的毛利率仍可能劇烈下滑。差別在於，這次供需失衡可能不是幾季就能修復，而是持續數年的結構性短缺。
AI Agent 讓 CPU 從配角變成新瓶頸
AI 投資的另一項變化，是 CPU 重新回到市場焦點。
生成式 AI 第一階段主要依賴 GPU 進行模型訓練與短上下文推論，CPU 的重要性相對較低。但當模型訓練由預訓練轉向強化學習，並且推論由聊天轉向 AI 代理，CPU 需求也開始急升。
強化學習需要模型在各種環境中驗證答案，例如執行程式單元測試、編譯程式碼、操作模擬網站或檢查工程系統。這些工作大量依賴 CPU，而不是 GPU。
AI 代理在實際工作中也會不斷搜尋網路、查詢資料庫、呼叫 Python、編譯程式及部署服務。GPU 負責模型推理，但模型與外部世界互動的過程，往往需要 CPU 處理。
Patel 指出，OpenAI 與 Anthropic 已開始向 Amazon、Google 及 Microsoft 大量租用既有 CPU 資源，Intel、AMD、Arm、Amazon Graviton 及 NVIDIA Vera 等產品因而受惠。
不過，他也提醒，CPU 需求目前包含一部分「補庫存效應」。過去三年資料中心部署大量AI加速器，卻沒有配置足夠 CPU；隨著 AI 代理興起，雲端業者正在補足歷史缺口。當這批積壓需求完成後，CPU 成長率可能回到較穩定水準。
即使 CPU 與 GPU 數量比例接近，兩者的市場價值仍有巨大差距。一顆高階 AI 加速器可能價值約 5 萬美元，而 CPU 約為 5,000 美元。因此，AI 資料中心的大部分資本支出，仍將流向 GPU、AI ASIC 與記憶體，而不是 CPU。
CPO 大規模商用恐延至 2029 年，銅纜壽命比預期更長
在資料中心網路方面，Patel 同樣認為需求將持續成長。隨著模型規模及 AI 叢集擴大，網路設備占 AI 系統總成本的比例，可能從不到 10% 上升至 10% 以上；進入共封裝光學元件，也就是 CPO 時代後，甚至可能達到 20% 至 30%。
但市場可能高估了 CPO 的導入速度。
Patel 認為，CPO 不太可能在 2027 年全面部署，真正大規模放量可能要等到 2028 年底至 2029 年。主要原因並非技術概念不可行，而是製造良率、封裝成本、產能與晶片設計仍未成熟。
NVIDIA 未來數代 GPU 仍會盡可能使用銅連接。業者只有在電訊號無法支援所需距離與頻寬時，才會轉向更昂貴的光學方案。
這也意味著，傳統光收發模組、主動式電纜、背板連接器及高速銅纜的需求壽命，可能比市場原先預期更長。Patel 表示，SemiAnalysis 過去也曾預估 CPO 會更早普及，但在觀察下游晶片進度後，已將時間點向後推遲。
資料中心年增五成，電力成為 AI 擴張最大限制
AI 基礎設施最終仍必須回到電力問題。
Patel 估計，2026 年全球將新增約 20GW 資料中心容量，2027 年可能增加至 30GW，2028 年則可能達到 50GW。如此高速的擴張，讓發電、輸電、電力轉換、建築施工與政治許可同時成為瓶頸。
其中最難解決的是輸電。大型輸電線路涉及地方政府、監管機構、公用事業與居民利益，審批及建設時間可能長達多年。
因此，越來越多資料中心開始採取「表後發電」，直接在園區內建設電廠。Patel 預測，數年後新增資料中心電力需求中，可能有一半由現場發電供應。
除了大型複循環天然氣電廠，業者也開始採用往復式引擎、工業燃氣渦輪、柴油引擎，甚至將火車、船舶或卡車引擎改造成發電設備。
這些方案不一定最環保、最便宜或最容易維護，但在電網無法及時供電的情況下，企業可能願意採取任何可行方法，以搶先讓 GPU 上線。
Patel 形容，AI 產業正在形成一條從「把卡車引擎改造成現場發電機」，一路延伸到「將資料中心送上太空」的能源解決方案光譜。
風險提示
加密貨幣投資具有高度風險，其價格可能波動劇烈，您可能損失全部本金。請謹慎評估風險。
