Google新AI架構曝光！不靠堆GPU也能變聰明？台灣供應鏈迎新機會

上周美股出現明顯修正，表面上的導火線，是甲骨文、博通在財測中對未來需求釋出較保守的訊號，使市場開始質疑科技巨頭的資本支出是否過於超前。不過我們認為，市場真正開始動搖的另一個原因，來自 Google 發表的一篇 AI 論文。這篇論文不只是單點技術突破，而是挑戰了當前大語言模型的核心訓練邏輯，也因此動搖了整個 AI 算力投資敘事的根基。

這篇 Google 論文的關鍵，在於提出一種不同於現行主流大語言模型的學習邏輯，其中最受關注的概念之一，便是Nested Learning（巢狀式學習）。簡單說，現行 Transformer 架構的核心思維，是把模型做得越大、資料餵得越多，藉由龐大的參數空間來「逼近智慧」。但 Nested Learning 的想法不同，它試圖讓模型像人類學習一樣，先建立較小、可重複使用的知識結構，再在其之上逐層疊加更高階的理解與推理能力。

這樣的設計意味著，模型不再需要每一次學習都「從頭算到尾」，而是能在既有結構上進行更有效率的推論與泛化。若這條路徑成立，模型能力的提升，將不再與參數規模、算力消耗呈線性關係。更值得注意的是，Google 在論文發表後不久，便選擇收回後續研究的公開透明度。這通常代表技術已不再只是學術探索，而可能直接進入商業與戰略應用階段。市場普遍推測，Google 未來很可能會依循這套邏輯，自行研發更符合新學習架構的 TPU，而非完全依賴既有 GPU 訓練範式。

資料來源：https://research.google/blog/introducing-nested-learning-a-new-ml-paradigm-for-continual-learning/

假設這套理論最終被證實具備可行性，衝擊將不只是在模型層級，而是會一路往下傳導到整個硬體與資本支出結構。首先，現行以 Transformer 為核心的大語言模型架構，可能不再是唯一最優解。一旦模型設計邏輯改變，為其高度客製化的 GPU 訓練架構，自然也會面臨重新檢視的壓力。

這對市場而言，最大的風險不是需求消失，而是資產瞬間折舊的可能性。過去幾年，科技巨頭已投入大量資本在現行 GPU 與資料中心架構上，若新訓練邏輯對硬體需求不同，這些既有投資的回收期與效率，都可能被迫重新估算。此外，Google 收回研究透明度，也讓其他晶片設計與硬體廠商陷入一種「看不清新藍圖」的狀態：若未來架構尚未公開，依舊用舊有邏輯持續量產 GPU，反而可能面臨設計方向錯配的風險。

但必須強調的是，這一切仍屬可能性，而非定論。AI 發展史上，許多顛覆性理論最終仍需時間驗證，市場短期的劇烈反應，本質上是對「不確定性」的定價。

即便這條路最終被證實可行，也不代表 AI 產業走向泡沫破裂。更合理的解讀是：AI 正從「算力堆疊階段」，進入「效率與結構優化階段」，這反而更接近邁向 AGI（通用人工智慧）甚至 ASI（超人工智慧）的必經轉折。對所有參與 AI 競賽的科技巨頭而言，這代表策略必須調整，但終極目標並未改變。無論模型如何演進，AI 對運算的需求不會消失，只會轉化為不同形式的晶片與系統設計。 （相關報導： 00919除息日來了！7檔「年化配息率破10%」高股息ETF，最後買進日、配息哪時候入帳一次看 ｜ 更多文章 ）

而這背後，依然需要高度成熟、能快速配合架構轉換的半導體製造供應鏈。真正的受益者不是單一架構的押注者，而是具備製程、良率與規模優勢的製造端。從這個角度來看，台灣反而有機會在下一階段成為更關鍵的受益者。