AI 會像電力與網際網路一樣，成為新的公共基礎設施嗎？

我們已經很習慣把 AI 當成一種產品：一個聊天視窗、一項訂閱服務、一個嵌進軟體裡的功能，或一套由少數公司提供的模型 API。

但如果把時間拉長到五年、十年，這個理解可能太窄。

當醫院用 AI 協助判讀資料、學校用它提供個別化學習、企業把它放進每一個工作流程、政府用它處理公共服務，AI 就不再只是「有人選擇購買的工具」。它開始接近一種所有組織都必須取得、所有制度都必須回應的通用能力。

這時真正重要的問題便不只是模型有多強，而是：誰能穩定取得這種能力？價格由誰決定？服務中斷時誰負責？偏遠地區、小型企業、研究者與一般公民，是否有合理的使用機會？當 AI 進入教育、醫療、司法與能源系統時，誰有權設定它的規則？

換句話說，AI 會不會像電力與網際網路一樣，從競爭激烈的新產品，逐漸變成社會無法離開的基礎設施？

這篇文章不預設答案。因為「成為基礎設施」不等於國有化，也不等於免費；它甚至不保證公平。基礎設施可以由政府建設、民間營運、社群共同維護，也可能被少數平台控制。真正需要辨認的，是 AI 正在哪些層次呈現基礎設施的特徵，以及哪些層次仍然會保持高度競爭。

先界定問題：AI 不是一條單一的管線

把 AI 比喻成電力很有吸引力：使用者不需要知道發電機如何運作，只要打開開關，就能取得標準化的能源。未來的企業也可能不需要自己訓練模型，只要按使用量購買智能。

但這個類比只說對了一部分。

電力是一種相對可替代、可量測的商品。來自不同電廠的電子進入電網後，不會因為發電者的價值觀而改變你家冰箱的決定。AI 的輸出卻受到模型設計、訓練資料、政策限制、語言文化與使用情境影響。同一個問題交給不同模型，可能得到不同答案；同一套模型進入不同機構，也可能造成完全不同的後果。

因此，討論 AI 基礎設施，至少要拆成五層：

1. 能源與土地：資料中心需要電力、水、網路、冷卻與可建設的地點。
2. 晶片與算力：先進處理器、記憶體、互連與大型運算叢集。
3. 模型與工具鏈：基礎模型、開源權重、訓練框架、評測與安全工具。
4. 存取與分配：API、雲端服務、公共算力、價格與使用資格。
5. 制度與信任：責任、隱私、透明度、申訴權與關鍵系統的備援。

有些層可能像公路，由公共投資建立；有些層可能像雲端，由大型企業提供；有些層則可能像 Linux，由開放社群維護、商業公司在上面提供服務。問「AI 是否會成為基礎設施」時，不能把這五層混成一個答案。

當前結構：越便宜的智能，建立在越昂貴的底座上

AI 有一個看似矛盾的發展方向：單次使用正在快速變便宜，但支撐全球使用量的總體建設卻愈來愈昂貴。

Stanford 2025 AI Index指出，在特定能力基準上，達到 GPT-3.5 水準的推論成本，從 2022 年 11 月到 2024 年 10 月下降超過 280 倍。更小的模型、更有效率的晶片與更成熟的軟體，會繼續壓低每次請求的成本。

但便宜會帶來更多使用。當 AI 從偶爾問答進入搜尋、客服、程式、設計、供應鏈與機器人，每個單位的成本下降，未必代表整個社會花在算力上的資源下降。

國際能源總署的《Energy and AI》估計，全球資料中心用電量可能在 2030 年增加到約 945 TWh，超過目前日本一年的用電規模；AI 是其中最重要的成長來源。這不是在證明 AI 一定會耗盡能源，而是在提醒我們：數位智能並不漂浮在雲端，它依賴電網、變電站、土地、礦物、晶片供應鏈與長期資本。

這個結構也解釋了為什麼公共部門開始介入。美國國家科學基金會主導的 NAIRR，把算力、資料、模型、軟體與專業支援組合成研究基礎設施；它不是建立一個國營聊天機器人，而是讓研究者與教育機構能取得原本難以負擔的資源。歐盟的 AI Factories則把超級電腦、資料、人才、研究單位、企業與資金連成區域生態系。

這些計畫還不能證明 AI 已經是公共基礎設施，卻顯示一個轉折：政府不再只把 AI 視為需要監管的產品，也開始把「是否具備足夠算力與存取能力」視為科研、產業與國家能力的一部分。

歷史對照一：電力不是因為被發明，就自然普及

今天我們打開開關便有電，很容易誤以為電力從一開始就是普遍、穩定、價格可預期的服務。

實際上，早期電力是分散的城市系統與私人事業。不同區域有不同業者、設備與標準，人口稀少地區缺乏投資誘因。後來透過電網互連、公共建設、合作社、監管與普及政策，電力才逐步成為日常生活的底座。美國能源資訊署整理的歷史顯示，20 世紀初美國仍有超過四千個孤立電力系統；隨著需求成長，這些系統才逐漸互連，以共享大型電廠的經濟效益並提高可靠性。電網的形成不是單一技術勝利，而是工程、融資、標準與制度共同作用的結果。

AI 可能重演其中一部分：早期能力集中在能負擔巨大固定成本的公司，之後透過標準化介面、共享算力與區域設施擴散。然而電力類比也有明顯限制。電力的品質主要是頻率、電壓與可靠度；AI 的品質還涉及真實性、偏見、語言、目的與責任。你可以要求電網保持中立，卻很難要求一個參與醫療或教育判斷的模型完全沒有價值選擇。

因此，AI 的「普及服務」不會只是讓每個人都能連線，還包括能否知道系統如何影響決策、能否選擇其他提供者，以及錯誤發生時能否申訴。

歷史對照二：網際網路由公共研究網路走向商業化，但沒有失去公共問題

網際網路提供另一種路徑。它不是由一家公司一次建成，而是從政府資助的研究、開放協定、大學網路與民間投資逐步擴張。美國 NSF 對 NSFNET 與商業網際網路形成的回顧指出，隨著商業網路快速成長，NSF 在 1995 年關閉專用骨幹，讓民間服務承接更大規模的網路使用。

公共投資在這裡扮演的不是永久經營所有服務，而是承擔早期風險、建立研究能力與促成互通。商業化之後，創新速度大幅提高，網路也進入家庭與企業。但接下來的數位落差、平台權力、網路中立、內容治理與資安問題，證明「民間能提供服務」並不等於公共問題已經消失。

AI 也可能採取混合路徑：政府與大學提供研究算力、資料與測試環境，開放社群建立共享模型與工具，商業公司則負責大規模服務、產品整合與客戶支援。這比「全部國營」或「全部交給市場」更接近現實。

但網際網路的核心協定相對開放，使用者可以在共同網路上建立自己的網站與服務。AI 若缺乏足夠的可攜性與互通性，使用者的資料、工作流程、評測結果與安全設定可能被鎖在單一模型平台。那時我們擁有的不是像網際網路的基礎設施，而是幾座彼此封閉的私人城市。

誰投資、誰付費、誰取得價值？

基礎設施之所以困難，不是大家不同意它有用，而是建設成本、使用價格與社會價值往往落在不同的人身上。

AI 的投資者包括晶片公司、雲端平台、模型公司、電力業者、房地產與基礎建設基金，也包括以補助、採購與科研預算投入的政府。付費者可能是企業訂閱者、API 開發者、廣告主、納稅人或最後購買商品與服務的消費者。受益者則可能是完全不同的一群人，例如取得新藥研究成果的病患、使用翻譯服務的移民，或透過公共服務降低行政成本的社會。

如果收益可以被單一公司完整收回，市場自然願意投資。但基礎研究、小語言模型、偏遠地區服務、公共資料治理與高風險低報酬的社會應用，常常具有外部效益：社會得到的價值很大，單一投資者卻難以收費。

這正是公共投資可能合理的地方。不過公共投資不應只用來替私人公司吸收成本。真正的公共性至少應換回一些可驗證的條件：更廣的使用權、可攜性、研究成果的開放、透明的分配規則、公共利益用途的優先權，或在供應中斷時的備援能力。

同時，治理成本不能被忽略。當 AI 成為醫療、交通或能源的一部分，可靠度與安全不再只是產品特色。NIST AI Risk Management Framework把治理、風險辨認、衡量與管理視為持續流程，正說明基礎設施不能只追求使用率，也必須建立出錯時能運作的制度。

三種可能的未來

未來十年不太可能只有一條路。以下三種情境可能同時存在於不同國家與產業。

情境一：AI 成為少數全球平台提供的公用服務

模型推論價格持續下降，大多數企業不再自建模型，而是向少數平台按量購買。平台提供穩定介面、安全、全球部署與完整工具鏈，就像今天的雲端服務。

這條路效率最高，也最容易普及。問題是控制權集中：平台可以調整價格、功能、政策與可用地區，使用者很難知道服務何時改變。監管的重點將轉向可攜性、互通、競爭與關鍵服務的連續性。

情境二：AI 被視為主權與公共能力

更多國家建立公共算力、國家模型、安全評測與在地資料設施，確保研究、政府與關鍵產業不完全依賴外部供應商。公共採購與補助成為維持本地生態系的重要力量。

這條路能照顧語言、文化、安全與科研需求，也可能降低小型組織的進入門檻。但如果分配缺乏透明度，公共算力也可能變成昂貴、低使用率或偏向特定機構的象徵工程。主權不自動等於公共利益。

情境三：形成開放、商業與公共層共存的混合體系

開放模型與標準提供共同底座，商業公司在上面競爭效能、服務與產業整合，政府則投資市場不足的研究、教育、語言與關鍵備援。使用者可以在不同模型與部署方式之間轉移，類似網際網路、Linux 與雲端長期共存的結構。

這是最有韌性的情境，也是協調成本最高的情境。它需要技術標準、可攜評測、責任分工與長期治理，不能只靠「開源」兩個字自然形成。

我目前認為第三種情境最可能，但這不是結論。不同層會有不同答案：尖端模型可能維持寡占，推論與小型模型可能高度商品化，公共部門則在科研、關鍵服務與主權需求上擴大投入。

決定方向的五個變數

接下來真正值得看的，不是哪一個模型在本週排名第一，而是以下結構是否改變：

1. 推論成本下降能否快過需求成長。 如果需求成長更快，總體算力與能源壓力仍會上升。
2. 模型與工作流程能否自由移轉。 開放介面、資料可攜與跨模型評測，決定市場是網路還是封閉平台。
3. 公共算力是否產生公共成果。 不能只看裝了多少晶片，還要看誰取得資源、產出是否公開、科研與中小企業是否真正受益。
4. 關鍵領域能否建立責任制度。 醫療、教育與政府採用 AI 的速度，會受到可靠度、申訴權、隱私與責任歸屬影響。
5. 能源與晶片供應能否跟上。 電網排隊、建設週期、先進晶片與關鍵材料，可能比模型演算法更早形成瓶頸。

未來兩年應該觀察什麼？

要判斷 AI 是否正走向基礎設施，可以持續追蹤幾個訊號：

• 公共算力計畫實際服務的研究團隊、中小企業與學生數量，而不只是宣布的預算。
• 同等能力的推論價格、能源效率與在地部署成本是否繼續下降。
• 模型之間的資料、代理工具、安全設定與評測結果是否開始可攜。
• 政府採購是否要求互通、稽核、服務連續性與退出機制。
• 資料中心是否因電網、水資源、地方反對或供應鏈而延遲。
• 教育、醫療與公共服務是否出現「沒有 AI 就無法提供基本服務」的依賴。

最後一個訊號尤其重要。當一項技術從提升效率，變成拒絕使用便無法參與社會，它就跨過了產品與基礎設施之間的界線。那時，存取權、價格、責任與治理便不能只由供應商決定。

我們現在知道什麼，又還不知道什麼？

我們已經知道，AI 的單位成本會持續下降，使用範圍會擴大，算力與能源會成為國家及企業的長期投資。公共部門也已經從監管者走向投資者、採購者與基礎設施協調者。

我們還不知道的是，AI 能否產生足夠且可持續的經濟價值，支撐目前的資本規模；開放模型能否長期提供可信賴的共同底座；以及公共投資能否真正擴大能力，而不是強化既有平台。

如果未來推論成本停止下降、AI 的生產力價值無法廣泛實現，或能源與供應鏈限制大幅提高建設成本，「普遍公用服務」的情境就會減弱。反過來，如果模型能力商品化、互通標準成熟，並且醫療、教育、科研與政府形成穩定需求，AI 將愈來愈像一種新的社會底座。

所以，更準確的問題也許不是「AI 會不會成為基礎設施」，而是：AI 的哪些層會成為共同底座，哪些層仍由市場競爭，以及我們要用什麼制度確保共同依賴不會變成共同失去選擇。

這個問題不會由下一次模型發布回答。它將由未來十年的電網、晶片、標準、投資、公共政策與每一次採用決定共同回答。