AI 算力正在變成新基礎建設：台灣為何要把 GPU 留在自己境內？

過去談一個國家的基礎建設，人們想到的是道路、港口、電網、電信與自來水。但進入生成式 AI 時代後，一種新的資源正逐漸取得類似地位：算力。

台灣數位發展部正在推動「AI 算力中心 BOO 案」，透過 Build-Own-Operate，也就是由民間自行興建、持有並營運的方式，引導企業投資大型 AI 運算設施。數發部長林宜敬表示，目標是在一年內透過民間投資增加至少 1 萬片 GPU 的本地運算能力；今年 6 月他也曾表示，若相關案件順利推動，2026 年底整體投資金額可能超過新台幣 1,000 億元，提供超過 2 萬片 GPU 的算力。

這代表台灣正在嘗試回答一個 AI 時代愈來愈重要的問題：一個大量製造全球 AI 晶片與伺服器的地方，是否也應該擁有足夠的 AI 算力留在自己境內？

台灣會做 AI 晶片，但不代表台灣擁有足夠 AI 算力

台灣是全球半導體與 AI 伺服器供應鏈的重要中心，但「製造 GPU」與「實際擁有可使用的 GPU 算力」是兩件不同的事情。

大型 AI 模型需要由數千甚至數萬顆 GPU 組成的叢集進行訓練與推論。晶片即使在台灣製造，如果最後被送往美國、日本、韓國或其他國家的資料中心，真正掌握模型訓練能力的仍然是資料中心所在地與使用這些設備的企業。

前數位發展部長黃彥男近期引用 Global AI Index 資料指出，台灣在相關排名中位居第 16 名；他也比較各國 GPU 建設規模，指出南韓規劃至 2030 年採購約 26 萬片 NVIDIA GPU，日本已有約 4 萬片，而台灣約為 3 萬片。

這些數字未必能直接代表一個國家的完整 AI 實力，因為 GPU 型號、互連架構、軟體效率與實際可用率都會影響有效算力，但它仍透露出一個訊號：全球 AI 競爭已經不只是誰能設計或製造晶片，也包含誰能把足夠多的晶片部署成真正可以使用的運算基礎設施。

為什麼政府不乾脆自己買 GPU？

值得注意的是，台灣這次並沒有選擇完全由政府大量採購 GPU，再免費提供企業使用。

林宜敬認為，如果所有算力都由政府購買並免費提供，可能扭曲市場，因此數發部採取 BOO 模式，希望由民間資本負責建設與營運，政府則利用政策與公共建設制度創造投資誘因。

BOO 的概念並不新。過去高速公路、能源、污水處理與大型公共設施，都可能利用類似的公私協力模式。但把「AI 算力中心」正式視為重大數位公共基礎設施，本身就是一個重要訊號。

它意味著 GPU 叢集的角色正在改變。

對一家企業而言，GPU 是生產設備；對整個國家而言，大規模 AI 算力則逐漸接近一種公共能力。沒有足夠算力，大學無法進行大型模型研究，新創公司難以訓練自己的模型，政府也很難建立具有本地語言、資料與政策需求的 AI 系統。

Sovereign AI：主權 AI 並不是「全部自己做」

這也帶出了近年快速升溫的 Sovereign AI，也就是「主權 AI」概念。

主權 AI 並不代表一個國家必須自己設計 GPU、自己製造晶片、自己開發所有模型。

林宜敬對此的描述更接近「關鍵能力必須掌握在自己可以控制的範圍內」。例如在台灣運作的重要 AI 系統，應該理解台灣的語言、文化、法律與社會背景；重要資料與模型也需要在可以受到台灣法律規範的環境中運行。

因此，數發部除了推動算力中心，也正在建立台灣主權 AI 訓練語料，開放部分政府資料給研究機構與 AI 開發者使用。

這背後其實是一個很現實的問題。

如果一家醫院、政府機關或關鍵企業所有 AI 推論都依賴海外雲端服務，一旦國際網路中斷、服務被限制，甚至供應商政策發生改變，這些系統是否還能正常運作？

對一般消費者而言，這可能只是「AI 暫時不能用」；但如果 AI 已經進入醫療、能源、交通、國防或政府決策系統，算力所在地就會開始具有戰略意義。

AI 資料中心的真正瓶頸可能不是 GPU，而是電

不過，建造 1 萬片或 2 萬片 GPU 的算力中心，並不是買到晶片後插上電就完成。

高階 AI GPU 的功耗可以達到數百瓦甚至超過 1,000 瓦，而一個大型 GPU 叢集還需要 CPU、記憶體、網路交換器、儲存設備與冷卻系統。當規模進入數萬顆 GPU，資料中心的總耗電量可能達到數十甚至數百 MW 等級。

因此，AI 算力政策最後一定會與能源政策碰撞。

林宜敬表示，根據目前評估，供電能力應該不會成為問題，數發部也會與經濟部及台電協調。不過從全球 AI 資料中心發展來看，電力取得、電網容量、變電設施、土地與冷卻能力，都正在成為 GPU 之外的重要限制。

換句話說，未來各國競爭 AI 算力，看的可能不只是「我有多少 NVIDIA GPU」，而是「我能不能持續供應這些 GPU 所需要的電」。

台灣真正的機會：從製造 AI 硬體，走向使用 AI 基礎設施

台灣目前最大的優勢仍然是硬體。

晶圓代工、先進封裝、伺服器、電源供應器、散熱、PCB 與網路設備，台灣供應鏈幾乎參與了 AI 資料中心的每一個環節。

但這也形成一個有趣的落差：全球很多 AI 基礎設施由台灣企業製造，最後真正訓練模型、建立平台並創造軟體收入的地方，卻常常在海外。

如果 BOO 算力中心能建立足夠規模，本地新創、大學與研究單位取得大型 AI 運算資源的門檻就可能下降。政府也表示，部分算力可能保留給政府與學研單位，以免費或優惠方式使用。

這可能是台灣 AI 政策真正值得觀察的地方。

台灣不需要複製美國所有大型模型公司，也不可能單純靠堆 GPU 就建立完整 AI 產業。但如果能把晶片製造、伺服器供應鏈、本地算力、資料、人才與軟體公司串起來，就有機會讓台灣從「替全球製造 AI 基礎設施」，向「自己也擁有並使用 AI 基礎設施」前進。

在工業時代，一個國家的競爭力取決於電力、鐵路、公路與港口。

到了 AI 時代，也許我們正在看到另一項基礎設施加入這張清單。

它不是一條看得見的高速公路，而是一座座裝滿 GPU、消耗大量電力、持續處理資料的運算中心。

而誰能控制這些算力，可能逐漸決定誰有能力訓練、部署，以及最終掌握自己的 AI。

Tech English 專有名詞

1. Sovereign AI（主權 AI）：指一個國家或地區能依照自身語言、文化、法律與資料治理需求建立及運行 AI 系統的能力，重點不一定是所有技術都國產，而是關鍵能力具有自主性。

2. BOO, Build-Own-Operate（興建－擁有－營運）：由民間企業自行投資興建基礎設施、持有資產並負責長期營運的一種公私協力模式。

3. AI Compute Infrastructure（AI 算力基礎設施）：由 GPU、CPU、高速網路、儲存系統、電力與冷卻設備等組成，用於 AI 模型訓練與推論的大型運算環境。

4. GPU Cluster（GPU 叢集）：將大量 GPU 透過高速互連組成共同運算系統，可把大型 AI 模型的工作分散到數百、數千甚至更多 GPU 上執行。

5. Inference（推論）：完成訓練的 AI 模型接收新的輸入資料並產生回答、分類或預測結果的過程。隨著 AI 應用普及，推論正在成為資料中心算力需求的重要來源。

6. Data Sovereignty（資料主權）：強調資料的儲存、處理與使用應符合特定國家或司法管轄區的法律與治理要求，資料實際存放的位置因此具有法律與戰略意義。