真正的瓶頸不是 GPU,是電
AI 瘋狂擴廠,但真正的瓶頸是電。GPU 買得到(NV 有產能),但電網併網要 5 年、變壓器要 5 年。2026 年宣布 12 GW、實際在建只有 5 GW(約三分之一)。瘋狂擴廠有一部分是紙上沸騰。
技術文章與評鑑筆記,每個論點都附上一手來源。
AI 瘋狂擴廠,但真正的瓶頸是電。GPU 買得到(NV 有產能),但電網併網要 5 年、變壓器要 5 年。2026 年宣布 12 GW、實際在建只有 5 GW(約三分之一)。瘋狂擴廠有一部分是紙上沸騰。
雲端商的擴廠論預設企業會用雲端 AI,但資料敏感的企業(IP、國防、受監管)傾向自建 local AI 防資料外流。公共雲主力推理 56%→41%、私有雲 56%。雲端商的擴廠論對「多數企業」對,對「資料敏感的企業」錯。
AI 現況真正解決的是軟體:驗證成本低的領域,AI 的效應可測且為真,但幅度依任務複雜度而變。得利的是用 AI 做例行軟體工作的公司,受損的是軟體工程師例行工作的單位價值。
AI 省下的成本不是消失,是搬到共享記憶體元件的價格上,再傳到消費電子:2026 年手機貴 13%、PC 貴 17%。這是累退式轉移——享受不到 AI 好處的人,最付不起 AI 的副作用。
AI 投資循環靠 B2B/基礎設施 capture 養(記憶體租金、NV 定價權、超大型雲端收入),不是 B2C。目前是賭:超大型把營收的 31–83% 拿去 capex、2025–2027 要發 $1.5 兆債。買家沒 ROI 就砍 capex,循環就斷。
以囚徒困境說明賽局理論的核心:每人選自己的最佳回應,系統停在納許均衡——穩定但不一定對雙方最好;重複互動與制度是逃離困境的兩條路。
空間光調變器(SLM)是逐像素改變光束振幅、相位或偏振的程式化光學元件。本文說明 LCOS 與 DMD 兩種主流技術的結構與規格,並整理它的六大功用:光束整形、適應性光學、全光顯示、光鑷、脈衝整形、光學計算。
FAU(光纖陣列單元)是光纖陣列與光子晶片的邊緣耦合標準介面。本文說明它的 V-groove 結構與製造流程,並拆解耦合誤差的三大來源:製造公差、組裝錯位(橫向/角度/軸向/模場)、長期漂移(熱膨脹、膠體、波長)。
以相位編碼誘騙態 BB84 串起雙時間槽、干涉偵測與經驗證的金鑰蒸餾,分清偵測率、QBER、理想 11% 界限與有限金鑰。
區分 EOM 物理機制、MZ/微環讀出結構與材料平台;比較研究速率時,對齊格式、偏壓、BER/FEC 判準與能耗範圍。
先分開 bit/s、baud 與 Hz,再用脈衝整形、PAM4 準位及 Shannon 容量說明限制;區分 Ethernet 標稱速率、編碼線速與實際鏈路條件。
看懂共同時鐘基準的疊圖,分開比較雜訊、抖動與 ISI;依指定取樣窗、門檻與統計準則讀取眼高及眼寬,並區分眼圖外觀與 BER。
用四組圖讀特殊光纖的結構、保偏對準、雙包層泵浦與有效模式面積;區分幾何纖芯、MFD、注入通道及 M²,並用型號示範規格的測試條件。
光學尺如何把光柵的相對位移轉成正交訊號,再用週期計數與相位插值取得細步進?用連續透射光路、光柵重疊及正弦/餘弦圖解,區分訊號週期、刻線週期、解析度與精度。
螺桿驅動平台用馬達旋轉經螺桿變線性移動。梯形螺桿摩擦驅動、有背隙、便宜;滾珠螺桿滾珠循環、近無背隙、精度高。步進馬達開迴路、由步級角換算;直流伺服編碼器閉迴路、較快較緊。馬達軸角度、平台定位、加工件公差是三種不同的量。
壓電堆疊直接推動小行程柔性平台,walking 馬達以交替接觸累積長行程。圖示區分低靜態耗電與機械自夾持,並說明滯後、蠕變與載台實際位置回授。
用四組圖讀功率衰減、色散展寬、單模條件與 MFD 耦合;比較不同波長及型號的場寬,區分產品規格和教學算例。
移動平台依驅動原理(螺桿、線馬、壓電、音圈)與軸配置(單軸、多軸、hexapod)兩個維度分類;選型由精度、行程、速度、負載四個需求決定。先分清五個規格量,再對號入座。
音圈如何產生軸向推力、載台為何仍需導引、線圈與磁場重疊如何決定有效行程,以及持續負載與發熱的關係。
線性馬達把力直接加在載台,中間沒有螺桿,省去導程誤差與背隙,定位精度改由光學尺與導軌決定,所以能到次微米。無鐵芯動子避免齒槽力、最平順;鐵芯出力大但有齒槽。代價是成本高、動子重量影響加速、磁場要屏蔽。