Andreessen Horowitz（a16z）於 2026 年 8 月 28 日宣佈成立 Machine Age Fund，募資高達 11 億美元。這個新基金的目標是投資晶片、記憶體、網路、儲存、資料中心、機器人以及家用 AI 裝置等領域。
這期我們來談談，這項消息從表面上看，像是大型創投公司在加碼 AI 硬體，但其實這背後隱藏著一個更值得創業者思考的問題：在 AI 時代，金錢真的能買到技術時間嗎？
我們先來看看在 a16z 為該基金所撰寫的介紹中，使用一個很有意思的說法：「一千名工程師很難追趕競爭對手兩年的軟體領先優勢，但是大型 GPU 算力叢集，卻可能讓資本更直接地轉換成提升模型能力的工具。」；不過，即使是a16z 這樣說，這也不代表 AI 創業已經變成「有錢就能贏」。比較合適的看待是：「資金可以幫助創業者更快地追趕技術上的差距，但仍然買不到完整的創業優勢。」
因為，當大型算力叢集可以縮短部分模型差距時，AI 創業的競爭條件，已經從單純的工程人才，延伸到資本、算力、資料，以及基礎設施的效率等等方面。
傳統軟體無法靠增加人手壓縮時間
科技創業長久以來都面臨一個挑戰：投入十倍的資金或工程師，研發速度卻無法同步提升十倍。這主要是因為軟體開發牽涉到系統架構、知識傳遞和團隊協作等複雜因素，因此，隨著團隊規模擴大，溝通和整合的成本也會隨之增加。此外，競爭對手累積的失敗經驗、產品判斷和組織默契等等，這些寶貴的資產，並非單靠募資就能快速複製。
然而，現在 AI 模型的競爭方式卻已經有些不一樣。投入更多的算力可以支援更大規模的訓練、更多次實驗和更密集的模型調校。大量的推論資源也能用來產生合成資料、執行強化學習，以及反覆測試不同的解題路徑。當演算法方向大致確定後，資金購買的不再只是工程師的工時，還包括實驗次數和模型運算時間；這讓 AI 模型的研發速度有了顯著的提升，也為科技創業帶來了新的可能性。
資本能縮短差距，卻不能包辦創業
雖然這項新規則的效果很明顯，但其適用範圍仍有限制。雖然大型算力叢集能加速模型訓練和提升能力，但這並不會帶來獨特的資料、突破的演算法、清晰的產品定位、優質的使用者體驗、客戶信任和銷售通路。
即使團隊擁有大量的 GPU，也有可能訓練出，缺乏明確用途的模型。因為，模型在評測中表現出色，並不代表它就能順利融入企業的正式工作流程。從模型能力到可銷售的產品，這中間還需要解決需求理解、系統整合、資安、設計責任歸屬和商業模式等問題。畢竟資本可以加速部分 AI 能力的形成，但它並不能保證這些能力最終會轉化為客戶願意付費的價值。
每一次 AI 工作都可能增加成本
有一件事我們必需要先了解，AI 產品的成本結構，跟傳統 SaaS 軟體並不一樣，傳統 SaaS 的服務成本通常比較好預估，因為軟體複製和交付的邊際成本很低。但 AI 產品就不一樣了，每次回答、工具呼叫、內容生成或執行工作流程，都會產生推論費用，所以成本可能會隨著使用量增加而上升。
而任務愈長、模型愈大、工具呼叫次數也愈多，成本就可能愈高。使用者增加，收入當然會變多，但支出也可能同步增加，所以這需要有效管理成本。
Bessemer Venture Partners 在《The State of AI 2025》這份報告中分析了十家高速成長的「AI Supernova」新創，他們的平均毛利率大約是 25%；另一組成長比較穩健的「AI Shooting Star」公司，平均毛利率大約是 60%。
雖然這些數字並不能代表所有的 AI 公司，但可以從此看出營收高速增加，並不一定代表商業模式已經很健康。新創公司需要了解每項任務的 Token 消耗、推論成本占收入的比例，以及使用量增加後，毛利到底是變好還是變差。
由此可知，模型路由、快取、批次處理和使用較小模型，已經不再只是工程上的優化，而是商業模式的一部分。
小型團隊更需要選擇戰場
現在，模型已經變得越來越複雜，需要投入大量的資源，新創公司可以搭載現有的模型，把有限的資源投入到，整合垂直產業的資料、特定的工作流程、維護客戶關係、建立人機協作，或是專注於具有可靠性的資安與治理。這些領域雖然沒有大型模型訓練那麼引人注目，但卻更貼近企業願意付錢解決的實際問題。
新創公司需要思考的是：「能不能自行建立難以複製的優勢能力」。如果客戶想要更快完成理賠、更準確地檢查合約，或是更有效率地安排生產作業，團隊需要證明的是，如何透過 AI 改善這些結果，而不是只展示模型能回答問題，但在實作方面卻還沒有可佐證的解決方案。如果能夠做到，就能真正為客戶帶來價值，並在競爭激烈的市場中脫穎而出。
模型下方也有新的創業市場
另外從 Machine Age Fund 的投資範圍也顯示，AI 基礎設施的競爭已經從 GPU 延伸到整套的實體系統。根據 a16z 官方資料指出，從 NVIDIA H100 到 Rubin 世代，單一機架的運算密度增加了約 28 倍，機架耗電也從傳統資料中心的 5 至 10 kW，提高到目前高階 AI 系統的 100 至 250 kW，a16z 更預期未來三年可能出現 1 MW 機架。
隨著算力密度的提升，記憶體、網路、電源、散熱、材料與資料中心設計都需要跟著調整。經濟合作暨發展組織（OECD）也指出，AI 的訓練與部署，都仰賴一條高度複雜、資本密集的實體供應鏈。
而這正是台灣可以重新思考的機會。AI 創業的可能性不只在於開發另一個聊天機器人，也可能來自伺服器、電源管理、散熱、光通訊、邊緣裝置、機器人零組件，以及管理這些設備的系統軟體。
然而，硬體能力必須被整合到完整系統、服務或可重複銷售的產品中，才能成為新創的優勢。如果只停留在零組件供應，最有價值的部分，仍被平台與品牌業者掌握。
市場短缺不保證一定能賺錢
雖然 a16z 對 AI 基礎設施的未來發展充滿信心，但基於這是一家積極投資這類公司的創投機構，我們建議大家在聆聽他們的說法時，仍需保持謹慎的態度。a16z 最近的基金官方文章中提到，硬體新創在他們案源中的比重已從少量增加到超過 20%。在受訪節目的對談中，他們也曾提到這個比重已經從「約 3%至 5%」提升到「20%至30%」。但是，我們仍建議大家先將這個數據視為合夥人對自家案源的個人觀察，而非全球創投機構的統計數據。
此外，對於部分設備供應已排到 2028 年，以及 Ben Horowitz 所預測的 Token 需求可能每年增長約十倍，這些都是基於有限的公開資料，所進行的預測，建議只能作為參考，並不能直接視為事實，如有需要，還是需要自行做查驗。
最後，在討論 AI 基礎設施的挑戰時，我們需要先了解幾個關鍵點：即使是在需求持續成長期，硬體新創仍需面對高額的前期資本投入、漫長的驗證與量產週期，以及 NVIDIA、雲端業者與大型系統商，對於整個市場的即有垂直整合。雖然基礎設施短缺確實帶來了創業機會，但並非投入開發每個解決方案都能獲得合理的報酬。
AI 是讓資本比過去能更快的追趕技術發展，也促使新創重新思考幾個基本問題：公司的優勢究竟來自於算力規模，資料、工作流程，還是對於客戶的需求理解？隨著使用量增加，產品毛利是會改善，還是惡化？如果大型公司都取得相同的模型，那新創團隊還能擁有什麼獨特優勢？與既有的硬體、製造與供應鏈合作，能否發展出完整的系統，與可重複銷售的產品？
最後，這期要分享觀點就是：資金可以購買 GPU、實驗次數與模型追趕速度，卻無法直接購買正確的市場選擇。而 AI 創業的長期優勢，最終仍取決於團隊能否將昂貴的算力，轉化為客戶願意付費的成果、合理的毛利，以及構建不容易被下一版模型升級後所取代的能力。
本文依 CC 創用姓名標示 - 非商業性 - 相同方式分享 4.0 國際釋出