a16z 合夥人：90% 產能已預訂、十億人在用，AI 基礎建設不是泡沫

本文整理自 GTMnow Podcast 2026 年 5 月播出的單集，同步發布於 AI + a16z 頻道。

{{< apple-podcast "tw/podcast/ai-infrastructure-distribution-and-the-next/id1740178076?i=1000767360993" >}}

---

Andreessen Horowitz（a16z）在 2025 年募集了 150 億美元，其中 17 億美元專門押注基礎設施，與應用層並列為最大的垂直投資方向。為什麼一家頂級風投機構願意把這麼多錢放在聽起來不太性感的「基礎設施」上？

a16z 基礎設施基金合夥人 Jennifer Li 的答案是：因為所有跑 AI 工作負載的基礎設施，其實都不是為 AI 而生的。GPU 確實是為大規模推理和訓練特製的，但圍繞 GPU 的一切，從儲存、運算到工具鏈，全部都在即時翻修中。這不是升級換代，而是在飛行中換引擎。Jennifer Li 2018 年加入 a16z，2024 年升任普通合夥人，在企業基礎設施領域有超過八年的投資經驗，主導了 ElevenLabs、Cursor、Reducto 等明星投資案。

這不是 1998 年的重演

每次科技產業出現大規模資本支出，「泡沫」這個詞就會冒出來。AI 基礎設施的建設潮也不例外。但 GTMnow 的主持人在節目中提出了一組關鍵數據，直接挑戰了「AI = 網路泡沫」的類比。

第一個數字是使用者規模。網際網路在公開商用四年後，全球使用者約 7,000 萬人。而 ChatGPT 和各種 AI 應用在更短的時間內就已經達到了十億月活躍使用者，完全不在同一個量級。

第二個數字更有說服力：90% vs 3%。目前 AI 基礎建設的產能，包括資料中心和 GPU，有 90% 是預先承諾的，也就是說在蓋好之前就已經有買家了。相比之下，2000 年代初期的光纖網路建設潮，只有 3% 是預先承諾的。當年是「先蓋了再說，希望有人來用」，現在是「排隊等著用，蓋的速度跟不上需求」。

第三個差異在於物理限制。光纖相對便宜且容易鋪設，所以當年才會過度建設。但 AI 基礎建設面臨的是能源、土地和 GPU 供應三重瓶頸。NVIDIA 執行長黃仁勳（Jensen Huang）每季財報都在提醒市場，供應端的產能依然吃緊。這讓 AI 的建設潮天然受到節制，不太可能出現當年光纖式的產能過剩。

不是替換舊系統，而是在上面加新層

Jennifer Li 提出了一個重要的基礎設施演進觀點：AI 基礎設施不是要推翻現有的雲端架構，而是在它上面一層一層地疊加新功能。

「我們一直都有交易型資料庫，但用來儲存 embedding 的向量資料庫是新的。我們一直都有記憶體和檔案系統，現在 Agent 也在使用它們。MCP 是一個全新的層，但 API 本身存在很久了。」她用這些例子說明，每一次 AI 基礎設施的創新，都是在既有技術之上新增一個層，而不是從零開始。

這種「層疊式演進」的認知很重要，因為它意味著 AI 基礎設施公司不需要讓客戶放棄既有投資。以 Reducto 為例，這是 Jennifer Li 投資的一家公司，專門用視覺語言模型把 PDF 文件轉換成大型語言模型能直接處理的結構化資料。Reducto 不是要取代企業的文件管理系統，而是在現有流程和 AI Agent 之間架了一座橋。這類公司的價值主張很明確：讓你既有的東西能被 AI 使用，而不是要你全部換掉。

Agent 的崛起也催生了全新的基礎設施需求。Agent 需要工具來存取外部資料和服務，MCP（Model Context Protocol）就是為此而生的新標準。Agent 需要編排層來協調多步驟的任務流程，這也是傳統工作流引擎無法直接滿足的。Jennifer Li 觀察到，這些新需求才剛開始被市場認知，代表基礎設施的投資機會還在非常早期。

90% 的程式碼由 Agent 撰寫：開發者角色正在質變

「現在超過 90% 的程式碼是由 Agent 撰寫的。」Jennifer Li 丟出了這個數字，然後話鋒一轉：這代表整個軟體開發的工具鏈都需要重新設計。

想想看，傳統的 CI/CD（持續整合/持續部署）流程、程式碼審查工具、安全掃描機制，都是為人類開發者設計的。它們假設寫程式碼的是一個理解上下文、能夠被問責的人。但當九成以上的程式碼來自 Agent，這些假設全部失效。誰來審查 Agent 寫的程式碼？用什麼標準？如何確保安全性？

a16z 投資的 Cursor 正是回應這個變化的典型案例。Cursor 是一個 AI 原生的程式碼編輯器，把 AI 模型直接整合到開發環境中，讓開發者能更有效率地和 AI 協作寫程式。但 Jennifer Li 認為 Cursor 只是開始。整個軟體開發生命週期，從需求分析、程式撰寫到測試和部署，都需要為「Agent 是主要寫作者」這個新現實重新設計工具。

安全層面的挑戰同樣巨大。Jennifer Li 提到，AI 既帶來了攻擊威脅（AI 驅動的資安攻擊），也帶來了防禦能力。現在有更強大的 coding Agent，寫出來的軟體理論上可以更安全，因為 Agent 不會犯人類常犯的安全漏洞。但同時，Agent 撰寫的程式碼如果沒有被適當審查，也可能引入新的風險。這是一個雙面刃，而 a16z 正在投資解決兩端問題的公司。

傳統 B2B SaaS 正面臨生存考驗

AI 不只是在創造新價值，也在摧毀舊價值。GTMnow 的主持人舉了 Toma Bravo 完全減記 Medallia 收購案的例子。這家以「買入、優化、轉賣」策略聞名的私募基金，過去可以在幾年內把企業軟體公司翻兩三倍。但傳統 B2B SaaS 的急速貶值，讓這套玩法徹底失靈。

不過也有逆勢突圍的案例。Intercom 是客服軟體的老牌公司，在 AI 浪潮來襲時果斷推出了 AI 原生產品 FIN。更有趣的是，FIN 不只是為 Intercom 創造了新的營收來源，還讓 Intercom 原本已經趨緩的傳統軟體產品重新加速成長。AI 產品帶動了整個公司的動能，這在傳統 B2B 公司中極為罕見。Intercom 的例子說明，AI 轉型做得好，不只能救命，還能讓老產品煥發新生。

但主持人也坦言，能成功跨越這道鴻溝的公司是少數。「科技投資和創新的歷史中，正在被創造的價值可能是前所未見的。但硬幣的另一面是價值毀滅。」對多數傳統軟體公司而言，十八個月前做的產品決策，現在已經被重新評估了，而且是以每週、每月、甚至每次模型更新為單位在被重新評估。

開源模型正在追上來

Jennifer Li 對未來展望時，特別強調了開源模型的快速進步。她認為這對整個生態系來說是最大的利好。

為什麼？因為開源模型讓新創公司可以組合不同層級的智慧和成本效率，建構複合式工作流程。你不需要所有任務都用最貴、最慢的前沿模型來跑。簡單的任務用輕量模型，複雜的任務用強力模型，在一個系統中靈活搭配。這種「組合式智慧」的架構，比起「一個大模型解決所有問題」的做法，更經濟也更實際。

她也點名了兩個即將爆發的新方向。第一個是視覺語言模型（VLM），能讓 AI 同時理解圖像和文字。第二個是工作模型（work models），針對特定工作場景優化的模型。這兩個方向將在機器人和即時智慧等領域開啟全新的應用場景，而這些場景在幾年前因為模型能力不足或運行成本太高，根本不可能實現。

我的觀察：真正該關注的風險在應用層

「90% 預先承諾」這個數字，是我最近聽過最有力的反泡沫論述。泡沫的本質是供給跑在需求前面，而這次 AI 基礎建設的供給明顯跟不上需求。物理限制（能源、土地、GPU）進一步壓制了過度建設的可能。

但這不代表沒有風險。真正該關注的訊號不在基礎設施層，而在應用層。如果建立在這些基礎設施上的 AI 應用無法產生足夠的商業價值，那些預先承諾最終也可能變成沉沒成本。Intercom 的例子說明了「跨越鴻溝」的困難程度，而對多數傳統軟體公司而言，價值毀滅將遠多於價值創造。

對臺灣的軟體業者來說，「90% 程式碼由 Agent 撰寫」這個趨勢可能是最直接的衝擊。當開發工具鏈正在為 Agent 重新設計時，還在用傳統方式開發軟體的團隊，可能會發現自己的生產力與競爭對手的差距正在以月為單位拉開。