與我們聯繫

AI 競爭重心從模型移向基礎設施：三大服務商的運算佈局與企業採用視角

Anthropic 於 5 月 6 日宣布將使用 SpaceX 的 Colossus 1 資料中心的完整運算容量，包含超過 300 MW 電力與超過 22 萬顆 NVIDIA GPU，預計一個月內取得使用權。就在同一則公告裡，Anthropic 同步宣布三項立即生效的用量改善：

  • Claude Code 五小時用量限制翻倍
  • 尖峰時段限制移除
  • Claude Opus API 的用量限制大幅提升

新增運算容量，用量限制隨之鬆綁。這個因果放在一起看，說明了 AI 工具的日常使用體驗，如服務穩不穩定、用量夠不夠用、哪個方案值得升級⋯⋯等，背後有一條更長的供應鏈在決定它：資料中心、晶片、電力與雲端架構，以及 AI 服務商如何把這些資源整合成可交付的服務能力。

本篇 Aiworks 將從 Anthropic、OpenAI 與 Google 的運算資源佈局出發，說明 AI 服務商的基礎設施策略如何影響服務穩定性、用量限制、方案設計與企業採用判斷。

本文重點速覽

  • 2026 年，AI 競爭已超越單純的模型能力比拚，進入一場以運算資源與基礎設施為核心的長期戰役。AI 產業當前最核心的瓶頸已是服務成本、運算資源、資本配置，以及雲端基礎設施的控制權。對使用者而言，用量限制、服務穩定性、方案分層、尖峰時段管制與計費模式，都是這場運算競賽在產品層面的外在症狀。
  • OpenAI 透過 Stargate、多雲合作、大規模網路基礎設施建設，試圖把爆炸性的需求轉化為更穩定的使用者體驗。
  • Anthropic 官方承認 Claude 的可靠性與使用限制在需求成長的壓力下受到影響，並正透過 AWS、Google 與 SpaceX 等合作夥伴補足中長期運算供給。
  • Google 透過 TPU、AI Hypercomputer、Google Cloud 與 Gemini 整合，同時扮演模型競爭者與主要 AI 基礎設施供應者兩個角色。

從邊際成本到產業競爭：運算資源為何決定 AI 用量限制？

用量限制背後牽涉的，是 AI 服務商如何管理高成本的運算資源。

AI 服務和傳統網路服務有一個根本差異：使用強度直接影響邊際成本。你的請求越複雜、越耗算力，服務商每多服務你一次的成本就越高。進行一次一般對話、分析一份長篇合約、執行複雜的程式碼調試、跑完一段多步驟的 Agent 工作流程，背後消耗的運算資源可能相差幾十倍。使用者數量及使用強度快速成長，帶來的是更難以線性預測的資源消耗。

且在 Agent 時代，AI 已從個人工具逐漸轉為工作流程基礎設施。個人使用者對於延遲的寬容度較高，但被嵌入企業自動化流程或多步驟 Agentic AI 的任務，通常帶有時序依賴，前一個環節的降速會傳遞到後續步驟，影響整段工作流程的完成品質。與此同時，多個團隊同步發出高強度請求，讓後端資源壓力以快過使用者數量成長的速度積累。

放大到整個產業來看，這個壓力的規模更為清楚。根據史丹佛大學 2026 年度 AI 指數報告，全球 AI 運算容量自 2022 年起每年成長 3.3 倍，到 2025 年底達到約 1,710 萬個 H100 equivalent（以 H100 GPU 為基準的等效運算單位）；AI 資料中心的總電力容量達到 29.6 GW，相當於紐約州的尖峰電力需求。

用量限制、尖峰管制與不同方案的額度差異，都是 AI 服務商在分配運算資源的工具，若在容量上受限，使用者就會最先感受到。因此誰能確保大規模穩定的運算供給，誰的服務就能繼續擴展用量、推進功能邊界。

延伸閱讀 ▶︎ 2026 AI 指數報告關鍵洞察：Agentic AI 已成新基準，企業三道缺口同步擴大

全球 AI 晶片運算容量從 2022 年第一季的 0.05M H100e，成長至 2025 年底的 17.07M，三年間每年平均成長 3.3 倍。 (source: Epoch AI, 2026｜Chart: figure 4.3.1, 2026 AI Index report)
全球 AI 晶片運算容量從 2022 年第一季的 0.05M H100e，成長至 2025 年底的 17.07M，三年間每年平均成長 3.3 倍。
(source: Epoch AI, 2026｜Chart: figure 4.3.1, 2026 AI Index report)
AI 資料中心電力容量在 2025 年底達到 29.56 GW，接近紐約州尖峰電力需求。晶片熱功耗之外，冷卻與網路等輔助設施佔了同等比例，AI 算力的擴張需要電力、土地與資本同步到位。 (source: Epoch AI, 2026｜Chart: figure 4.3.1, 2026 AI Index report)
AI 資料中心電力容量在 2025 年底達到 29.56 GW，接近紐約州尖峰電力需求。晶片熱功耗之外，冷卻與網路等輔助設施佔了同等比例，AI 算力的擴張需要電力、土地與資本同步到位。
(source: Epoch AI, 2026｜Chart: figure 4.3.1, 2026 AI Index report)

Anthropic：從用量限制爭議，到多供應商補容量

2026 年 3 月，Claude Code 使用者集中反映用量限制變得更難預測。部分 Pro、Max 使用者回報，原本應該支撐數小時的額度，在相同工作負載下更快耗盡，也有使用者懷疑 Anthropic 是否調整了計量方式，以致於更容易提前碰到限制。這波反應讓 Anthropic 面臨的問題變得很具體：Claude 的需求成長速度，已經快到需要調整使用者可用量與尖峰時段規則。

因此 Anthropic 除了與 SpaceX 合作，解決短期容量壓力，同時也持續透過多供應商合作，補上中長期的用量供應能力：

  • AWS：主要訓練與雲端合作夥伴，包含 Project Rainier、Trainium2、Trainium3，並承諾最高 5 GW 容量。
  • Google 與 Broadcom：提供下一代 TPU 容量，預計自 2027 年起陸續上線，用於支援 frontier Claude models。
  • Microsoft 與 NVIDIA：讓 Claude 進入 Azure 與 Microsoft Foundry，並取得 300 億美元 Azure 容量承諾。
  • Fluidstack：協助 Anthropic 建設專用資料中心，強化自有基礎設施掌控。

Anthropic 的策略可以總結為：先透過 SpaceX 運算資源，回應短期容量壓力，再透過 AWS、Google、Broadcom、Microsoft、NVIDIA、Fluidstack 等多供應商合作，降低單一供應商依賴，追上 Claude 快速成長帶來的運算資源缺口。

OpenAI：從 Sora 停止服務，到 Stargate 基礎設施整合

OpenAI 在 2026 年 3 月 25 日宣布 Sora 網頁版和 App 於 2026 年 4 月 26 日停止服務。從影片生成等高成本 AI 功能的發展策略，可以看出 OpenAI 正在調整高需求功能的產品配置、資源分配、使用方式與計費模式。

然而 OpenAI 的競爭重心不只停留於模型與軟體，而是往更上游的 AI 基礎設施控制權移動。

Stargate 是 OpenAI 自 2025 年啟動，為了取得長期 AI 運算資源而推動的美國大型基礎設施計畫。在 2026 年 4 月的官方說明中也提到，Stargate 不是單純的資料中心建設案，而是一個以運算資源為核心的 AI 基礎設施生態系，這種規模的基礎設施不可能由單一公司獨自完成，必須協調地方社群、公用事業、能源供應商、晶片商、雲端供應商、資料中心業者、建設公司、投資人、技術工人與公部門。不只是取得更多晶片，而是把電力、土地、資料中心、雲端、晶片、資金與建設能力整合成可持續擴張的 AI 供給系統。

OpenAI 表示，AI 使用需求正在快速成長，而滿足這個需求的方式，是更快建設更多運算資源，以訓練更好的模型、更可靠地提供服務、改善效能、長期降低成本，並把更強大的工具帶給更多使用者與企業。

Google：從自有 TPU 到 Gemini Enterprise，把基礎設施變成平台能力

Google 在 AI 競爭格局裡同時具備兩個身份：模型層上的競爭者，基礎設施層上的供應者。和 OpenAI、Anthropic 相比，Google 的特殊性在於它長期擁有自家資料中心、Google Cloud、TPU 晶片、Gemini 模型與企業應用入口，這讓 Google 可以把 AI 供應鏈從底層算力，一路整合到企業實際使用 AI 的平台。如 2026 Google Cloud Next 大會宣布的一系列創新技術，更印證了這一點。

例如 AI Hypercomputer 可以理解為這套平台的底層架構：它把 TPU、GPU、資料中心網路、運算叢集與軟體管理工具整合在一起，支撐大型模型訓練、低成本推論與企業 AI 應用，讓 Google 自家的 Gemini 服務和 Google Cloud 客戶都能建立在同一套基礎設施上。

在這套架構中，TPU 是最關鍵的底層能力。Google 在 2026 Cloud Next 大會推出第八代 TPU，分成兩種用途：

  • TPU 8t：負責大型模型訓練，目標是把前沿模型的開發時間從數月縮短到數週。
  • TPU 8i：負責推論、reasoning 與 Agentic AI 工作負載，目標是讓使用者在即時互動、多步驟任務與高併發情境下更快得到回應，Google 官方稱每元推論效能比上一代提升 80%。

Google 的策略重點，在於它把自有基礎設施、Gemini 模型與企業平台放在同一條供應鏈上。底層的 TPU 和 AI Hypercomputer 支撐模型訓練與推論，上層如 Gemini Enterprise Agent Platform 等平台則把這些能力轉成企業可以使用、治理與擴張的 AI agent 系統。

穩定性成為新分水嶺：運算資源與基礎設施佈局如何影響企業長期採用？

過去幾年，企業評估 AI 工具時，看的是模型排行榜、功能清單，以及哪家服務商的 API 串接更廣。在各家模型能力尚有明顯差距時，聰不聰明、能做的任務多不多，確實是關鍵判斷依據。

但如同史丹佛大學 2026 年度 AI 指數報告在總論中直接點出：

“At the technical frontier, leading models are now nearly indistinguishable from one another.”

「在技術前沿，各家頂尖模型之間的差距已幾乎難以分辨。」

—— Yolanda Gil and Raymond Perrault, Co-chairs, AI Index Report

各家主要模型的能力已跨過多數企業場景的可行門檻，競爭的分水嶺正在移動，穩定性成為下一道關卡。

在試點階段，這些差異通常不會馬上浮現。一旦 AI 真正進入客服、法務、產品、財務、工程或管理流程，用量限制的影響就從個人使用體驗擴大到工作流程的連續性，服務穩定性就會從使用體驗問題變成流程設計問題。

AI 競爭的主戰場從模型移向基礎設施控制權，這影響了一個更上游的問題：哪些 AI 能力能趨於成熟、哪些技術路線有資源繼續推進。服務商的基礎設施佈局，是觀察整個 AI 能力走向的上游線索，也是評估長期採用風險時，需要被納入的維度。

想像一下，如果 AI 工具在尖峰時段降速、限量或出現錯誤，工作流程因此停滯或終止，你的組織該如何應對？

📩 想為你的組織打造 AI 協作能力？

Aiworks 提供企業內訓、客製化培訓與實作工作坊，協助各產業團隊規劃生成式 AI 的導入與應用策略。

▼ 聯絡我們｜規劃你的 AI 實戰課程，讓轉型真正落地 ▼

（若表單未正常顯示，請點擊此連結進入表單填寫頁面）

推薦延伸閱讀

▶︎ AI 在說真話嗎？揭示 AI 討好行為如何影響人的決策判斷

▶︎ Tokenmaxxing：當燒 token 變成競賽，企業衡量的是 AI 生產力還是幻覺？

▶︎ Agent 時代的新型資安威脅：Prompt Injection 如何讓 AI 工具變成攻擊者的入口

▶︎ 當 AI Agent 開始替你談判：從 Anthropic 實驗看企業導入前必須釐清的三個關鍵問題

▶︎ 什麼是 Harness？從 Anthropic 事後檢討報告看 AI Agent 背後的企業駕馭責任

參考來源