一、台股資本集中的歷史鏡鑑：從「製造代工」到「運算集中」的資本演進
2026年4月，台北股市單月上漲7,203點，創下台灣證券交易所自1962年成立以來最大的單月點數漲幅紀錄。若以漲幅計算，22.7% 的單月報酬率亦位居歷史第三高。同一期間，台灣股市總市值超越英國，躍升為全球第七大股票市場；至 5月初，市值進一步達到4.36兆美元，超越加拿大，躋身全球第六位。
若將時間拉長，市場很自然會聯想到另一段熟悉的歷史：1980 年代末期「台灣錢淹腳目」的年代。當時，出口擴張帶來大量外匯累積，在台幣升值與資產價格上揚的交互作用下，台股曾於1987年1月創下單月 29.7% 的歷史第二大漲幅。
然而，這兩波資本擴張背後所對應的產業結構，存在本質上的差異。1980年代的台灣，仍是全球出口導向工業化體系中的大型加工與組裝基地。從鞋類、傘具到後期電子代工，台灣的競爭優勢主要來自成本效率與製造能力，資本擴張的基礎，是出口規模持續放大所帶動的製造循環。而這一波AI浪潮所驅動的出口集中，則呈現截然不同的性質：少數高階技術與關鍵運算能力，開始快速吸納全球需求與資本配置。
自2023年生成式AI崛起後，台灣出口結構明顯向高階電子零組件與資通訊產品集中。根據統計，作為AI供應鏈核心的「電子零組件」與「資通與視聽產品」，合計出口規模已由2019年的1,551億美元，大幅增加至2025年的4,740億美元，占總出口比重超過七成。資本市場的變化同樣鮮明：近兩年全球大型科技公司的資本支出，開始快速向GPU、資料中心、高速網路與 AI 伺服器集中; 半導體供應鏈的戰略地位也因此獲得重新評價。
這種變化與過去典型景氣循環最大的不同，在於它所反映的未必只是終端需求的增加，而更像是企業開始重新配置未來生產能力的判斷。市場關注的焦點，也逐漸從消費性電子產品的銷售週期，轉向運算能力、模型訓練與資料基礎設施本身。
二、創造性破壞：AI如何從「效率輔助」躍升為「核心生產力」
經濟學家熊彼得（Joseph Schumpeter）提出「創造性破壞」（Creative Destruction）的概念：經濟成長並非來自均衡狀態下的穩定累積，而是來自創新對既有生產結構的持續重組。新的技術與商業模式，不斷取代舊有模式，並重新定義市場競爭。
AI 的特殊之處，在於它所改變的可能不局限於某項產品，而是整體生產方式。過去一年，AI 已開始大量進入文件整理、翻譯、客服、初級程式撰寫、資料搜尋、插畫生成與內容產出等工作流程。許多企業最初將 AI 視為效率輔助工具，但隨著模型能力快速提升，AI 開始逐步進入更核心的生產流程。過去企業導入資訊系統，通常只是將既有工作數位化；AI的出現，則開始讓部分流程本身重新被定義——這是層次上的躍遷，而非程度上的延伸。
三、蒸汽機、電力、網際網路——AI 能排進這份名單嗎？
史丹佛大學經濟學家 Timothy Bresnahan 與同僚曾指出，真正能長期改變世界經濟的技術，往往不是單一產品，而是能滲透幾乎所有產業、重新改變生產方式的基礎技術，即所謂「通用技術」（General Purpose Technology）。歷史上的蒸汽機與電力，近代的內燃機與網際網路，以及當代的半導體與資訊科技，都具備此一特徵。
「通用技術」須符合三項嚴謹標準：第一是廣泛的滲透性：技術能夠跨產業應用，如電力同時影響照明、建築、運輸乃至所有生產部門。第二是持續的改良性：技術效率會隨時間不斷提升，例如蒸汽機效率長期增長、半導體發展中著名的摩爾定律。第三，也最為關鍵的是創新的互補性：通用技術會刺激其他產業同步創新，如電力取代
內燃機，成為高速鐵路的主流動力；網際網路催生了電子商務、雲端運算與社群平台等全新產業型態。
若以這三項標準衡量，AI 確實已開始呈現出通用技術的早期特徵。其應用已不再局限於科技產業，而開始進入金融、醫療、教育、法律、製造與服務業。從客服互動、文件檢索，到程式撰寫與醫療影像判讀，AI 正逐漸成為眾多產業的基礎能力。
與此同時，AI 的進步速度呈現近乎指數成長：短短數年間，生成式 AI 已從處理短篇文句，演進至理解長篇文本並整理歸納、撰寫複雜程式、生成影像，甚至協助研究與決策。
真正值得注意的，則是 AI 對其他產業所產生的外溢效果。當 AI 大幅降低生物科技、材料科學、金融服務和創意產業的研發成本時，這些產業便有條件迎來百花齊放的互補創新。這正是 AI 作為當代通用技術最核心的「成長引擎」特質：當模型能力本身持續進步時，它同時會顯著提升下游應用產業進行研發與創新的投資報酬率。
四、技術革命初期：資本為何總是走在生產力之前？
正如哈佛大學經濟學家 Elhanan Helpman 所言，通用技術真正的重要性，不只是技術本身，而在於它能與其他產業形成持續性的互補創新循環。新的技術平台出現後，往往進一步刺激基礎設施、組織管理與商業模式同步演進，最終形成整體經濟體系的深層重組。
然而須特別注意的是，這種重組通常不會帶來立即的生產力爆發。反而如Helpman 所描述的，通用技術在導入初期，經濟甚至可能短暫出現「生產力悖論」（Productivity Paradox）：企業大量投資新技術，但總體生產力統計卻未見立刻改善。原因在於，真正的生產力提升，往往必須等待整個經濟體完成配套的組織與流程重組後，才得以充分顯現。
歷史提供了清晰的先例。19 世紀末電力剛導入工廠時，早期業者只是將蒸汽機替換成電動馬達，生產效率並未立即大幅提升。直到工廠重新設計生產流程、調整空間配置與分工模式後，電力的真正威力才得以彰顯。從技術引入到生產力全面提升，往往歷時數十年。當前的 AI 大致處於類似的轉型階段。
企業已開始大規模投入 AI 基礎設施與運算能力，但整體經濟體系仍處於生產方式重組的過渡期。從企業角度來看，真正困難的部分，可能並不是導入 AI 工具本身，而是如何重新調整既有組織架構、工作流程與決策模式。這解釋了為何 AI 對總體生產力的影響，目前尚未完全反映在統計數據之中。
五、結語：資本已經就位，重組仍在進行
因此，當前市場出現的大規模資本集中，未必只是一次單純的科技題材循環。更可能反映的是：全球企業正在逐漸調整對未來生產方式的理解。大型科技公司持續擴張資料中心與 AI 基礎設施，不只是因為短期需求增加，更因為整個產業開始意識到：未來的競爭力將愈來愈建立在運算能力、模型整合與資料處理效率之上。這解釋了市場資金與企業投資何以高度集中於半導體、高速運算與雲端基礎設施等領域。
然而，這種調整通常不會在短時間內完成。回顧歷次重大通用技術革命，市場的挑戰往往不在於辨識技術本身是否重要，而在於預判處於深層重組中的經濟體系，究竟需要多久時間，才能完成與新技術相匹配的深度蛻變。AI 在未來將在何時、以何種方式、催生嶄新的經濟體系型態，令人拭目以待。
