a16z 的逆向觀察：被所有人忽略的「無聊軟體」，和每個模型一顆客製晶片的未來

本文整理自《Latent Space》2026 年 2 月播出的單集。

{{< youtube p1k7TiAFqdE >}}

{{< spotify "episode/6JAES2xHRoqNUH8iqNAdkl" >}}

{{< apple-podcast "tw/podcast/latent-space-the-ai-engineer-podcast/id1674008350?i=1000750521188" >}}

---

最被低估的投資標的：不在 Token 路徑上的「無聊軟體」

當整個創投圈都在追 AI 超級成長的時候，什麼東西被忽略了？a16z 合夥人 Martin Casado 的答案出乎意料：傳統的企業軟體。資料庫、監控系統、日誌管理、開發者工具，這些在科技業已經存在了幾十年的東西。

Martin Casado 在 Latent Space Podcast 上直言，這是目前市場上「最被低估的投資領域」。原因不是這些公司有什麼問題。恰恰相反，它們在大市場中穩健成長，任何 LP（有限合夥人，基金的出資者）都會滿意。問題出在 AI 狂熱扭曲了整個產業對「好公司」的定義。現在幾乎變成一種迷因：你的公司如果不是在一年內從零衝到一億美元營收，就不值得關注。

這有多荒謬？Martin Casado 算了一筆帳。大多數創投基金的 LP 期望的回報是，在基金的生命週期內拿到大約三倍的淨回報。一家在大市場中年成長五倍的公司，從任何角度來看都是出色的投資。你把自己的個人積蓄放在股票市場，年化報酬率大約 7%。現在有一家公司每年成長五倍，你會覺得它不值得投資嗎？但這正是目前創投圈的荒謬現實：一家穩健成長五倍的企業軟體公司，因為不是在「Token 路徑」上，就被所有追逐 AI 超級成長的投資人忽視。

「Token 路徑」是 Martin Casado 用的一個概念：一家公司的核心價值主張是否直接依賴 AI 模型的 Token 流？在 Token 路徑上的公司，面臨前沿模型公司的直接競爭威脅；不在 Token 路徑上的公司，反而在一個更安全的位置。這些「無聊的」企業軟體公司當然也在用 AI，AI 也在把它們拉進新的應用場景，但它們的核心價值不建立在 Token 之上。它們靠的是深厚的技術護城河、龐大的安裝基礎、和客戶的高切換成本。

機器人投資：為什麼 a16z 還沒動手

機器人這個領域，a16z 花了大量時間研究，但還沒有大規模出手。Sarah Wang 的說法很直白：他們還沒看到機器人領域的「ChatGPT 時刻」。硬體方面的投資資金看似已經不少了，但實際的能力突破還沒有到那個臨界點，讓他們敢大規模押注。

Martin Casado 從更結構性的角度解釋了這個問題。a16z 過去在自動駕駛和無人機領域的投資經驗告訴他們一件事：機器人公司幾乎都會走向垂直化。投一家做農業機器人的公司，你本質上是在投一家農業公司，因為你需要理解的是農業市場的競爭格局、定價邏輯、供應鏈。投礦業機器人，那就是礦業公司。決定投資成敗的關鍵是機器人跟「被服務的人」之間的競爭均衡，不是底層的核心技術。

換句話說，像 a16z 這樣專注於水平型科技投資的團隊，在機器人的垂直領域不一定有優勢。他們更擅長評估 Scale AI 或 Applied Intuition 這類「機器人產業的水平型基礎設施」，對深入某一個垂直應用比較沒把握。a16z 內部有一個叫做 American Dynamism（AD）的投資團隊，專門處理涉及法規合規、政府客戶、硬體元件的投資，垂直機器人的盡職調查比較適合交給他們。

Martin Casado 也承認，馬斯克投入人形機器人這件事本身，可能就是整個產業能不能起來的關鍵變數。光是馬斯克的投入，就保證了這個領域會有大量資本和長期嘗試。這或許意味著投資機器人是對的，但 a16z 的核心團隊還是選擇等待一個更明確的信號。

每個模型一顆客製晶片：不是天方夜譚

Martin Casado 幾年前在一次 Podcast 中提過一個聽起來很瘋狂的預測：規模夠大的話，為每一次訓練任務量身打造一顆客製 ASIC（特殊應用積體電路），在經濟上是划算的。現在這個預測正在被驗證。

他的算法非常直白。如果一次訓練花費十億美元，那麼這個模型的推論收入至少也要超過十億美元才能打平。如果一顆客製 ASIC 只是保守估計能節省 20% 的推論成本，那就是省了兩億美元。而為一顆晶片做 tape-out（流片）的成本大約也是兩億美元。數學上完全說得通。

實際上，效率提升很可能不只 20%。通用 GPU 在跑特定模型時，典型的 MFU（Model Flop Utilization，模型浮點運算利用率）大約只有 50%。也就是說，一半的運算能力被浪費在通用架構的開銷上。如果客製 ASIC 能把利用率提高到接近 100%，那節省的金額可能達到五億美元。而這個客製晶片的「保質期」跟模型的生命週期一樣長，模型退役了，晶片也完成了它的使命。

真正的障礙不在經濟學，而在時間。一顆客製 ASIC 從設計到量產需要一到兩年，AI 模型的迭代速度遠比這快。你今天開始為 Claude 4 設計一顆晶片，等晶片做好的時候，Claude 可能已經出到第六代了。但隨著 Broadcom 和其他客製晶片供應商的產能成熟，這個時間差正在縮小。Swyx 在節目中提到，OpenAI 已經確認了跟 Broadcom 等公司的客製晶片合作。

兩種未來：碎片化 vs. 寡頭壟斷

AI 產業的終局會是什麼樣？Martin Casado 提出了兩個截然不同的可能性。

第一種未來是碎片化。模型變成商品，不同的模型在不同的場景各有所長，整個產業像傳統軟體一樣百花齊放。在這個世界裡，有大量的創業機會，因為不同的垂直領域需要不同的解決方案，沒有任何一個通用模型能完美覆蓋所有場景。這是大多數新創公司和創投都希望看到的未來。

第二種未來是寡頭壟斷。前沿模型足夠通用、足夠強大，以至於它們能用三倍的資本「吞噬」建立在它們之上的一切。在這個世界裡，可能只剩下兩三家前沿模型公司主宰整個軟體產業。每一個曾經需要獨立軟體公司來解決的問題，都被一個夠強的通用模型直接處理了。

沒有人知道哪種未來會成真。但 Martin Casado 透露了一個很少被公開討論的財務真相：看這些前沿模型公司現在賺的錢和它們訓練「上一代模型」花的錢，毛利率是正的。但把它們正在訓練的「下一代模型」的成本算進去，毛利率就變成負的了。換句話說，它們的表面獲利是靠「借用未來」支撐的。

這個財務處境非常微妙。每一代新模型的訓練成本都比上一代高出數倍。如果某一代模型的能力提升不如預期，帶不來相應的營收成長，「借用未來」的邏輯就會斷裂。市場目前還沒有消化這個風險，因為每一次新模型的發布都帶來了夠大的能力提升，投資人願意繼續相信下一代會更好。但這個假設終究會在某個時間點被檢驗。

我的觀察：對臺灣半導體供應鏈的啟示

Martin Casado 對客製 ASIC 的分析，對臺灣半導體生態系來說是一個值得密切關注的趨勢信號。如果未來每一個十億美元級別的模型訓練都伴隨一顆客製晶片，這代表的不只是晶片設計公司的商機，更是台積電先進封裝（特別是 CoWoS）產能的長期需求保證。

目前 AI 晶片市場的格局是 NVIDIA 一家獨大，但客製 ASIC 趨勢的興起，意味著 Broadcom、Marvell 等晶片設計公司將承接越來越多來自 Google、Meta、Amazon、甚至 OpenAI 的客製訂單。這些客製晶片最終還是要在台積電的產線上生產，而且通常需要最先進的製程和封裝技術。對台積電來說，客戶從「只有 NVIDIA」變成「NVIDIA 加上一堆直接下單的超大規模客戶」，其實分散了客戶集中的風險。

另一方面，Martin Casado 提到的「無聊軟體被低估」觀點，對臺灣的 B2B SaaS 創業者也有啟發。臺灣在許多垂直產業（製造業、半導體供應鏈管理、醫療資訊系統）有深厚的領域知識，而這些領域恰好是「不在 Token 路徑上」的典型場景。如果你做的是幫半導體工廠管理產線排程的軟體，前沿模型公司短期內不會來搶你的生意，而這個市場的成長也不會因為 AI 狂熱而消失。在所有人都湧向 AI 超級成長標的的時候，這些「無聊但穩健」的機會反而可能提供更好的風險調整後回報。