AI 推論符元經濟飛輪將拉動半導體需求

主張

AI 從訓練轉向推論後，推論 token 若能帶來生產力、價值創造與收入，會形成 Token Economics Flywheel，持續拉動先進製程、HBM、先進封裝、矽光子與資料中心基礎設施需求。

支持論點（來源主張）

• 推論應用比訓練更貼近收入與 productivity ROI。
• AI accelerator 規模化後，瓶頸同時出現在 compute、memory bandwidth 與 interconnect。
• 若 token 產生效率提高、應用增加，需求會反向拉動 AI三層蛋糕 的三個技術層。

反方與限制

• 應用層 monetization 尚未全面驗證。
• Token volume 增長不必然等於所有供應鏈環節獲利增加。
• 來源未附台積電正式資料，2030 市場規模與 AI 貢獻比例需核驗。

Token generation bottleneck 補充

新來源補充 token economics 的硬體機制：每個生成 token 都需要 decode step；若 decode 受 memory bandwidth/KV Cache 限制，降低推論成本需要同時改善記憶體、cache 管理與 serving 軟體。

成本下降與需求彈性

新來源補充 token economics 的反身性：LLM 推論優化降低單 token 成本，但若需求彈性高，總 token 數可能上升，半導體與雲端需求未必下降。

2026-2027 成本下降主張

新來源主張推論成本於 2026-2027 年可再降 40-50%，上下文突破百萬 token。若成立，可能加速 token demand；若 demand elasticity 高，上游半導體需求仍可能增加。