根據 Financial Times，OpenAI 已敲定超過一兆美元的運算合約，鞏固 Sam Altman 從晶片到雲端再到電力的 AI 供應鏈布局。合作夥伴包括 Nvidia、AMD 和 Oracle，凸顯資本承諾，而非僅僅演算法，現已成為人工智慧領域的競爭護城河。
這個頭條數字代表了一種從機會式 GPU 撿漏轉向長期、大規模採購的轉變。公司正綁定矽晶片、網路、資料中心與雲端服務的產能，以訓練並運行越來越巨大的模型。這套作法始於數年前微軟在 2019 年的 10 億美元合作，讓 OpenAI 獲得對 Azure 基礎設施的優先存取。如今它擴展成一張預付款、take-or-pay 合約與客製化建置安排的網絡，旨在保證下一代模型到訓練時有穩定吞吐。方向很清楚：運算即是貨幣，而 OpenAI 意圖控制其匯率。
Nvidia (NVDA) 與 AMD (AMD) 被定位為主要受益者。Nvidia 的加速運算棧仍是尖端訓練的預設選擇，而 AMD 的 MI300 級晶片正打入重視價格效能與供應多元化的部署。Oracle (ORCL) 作為 GPU 密集型工作負載的核心雲端夥伴，投入專用叢集、高頻寬網路與資料重力，使其在多雲策略中成為對 Microsoft (MSFT) Azure 的實務補充。這些供應商賣的不只是晶片或機櫃空間；他們賣的是訓練時間與以吉瓦計量的可靠性。對 OpenAI 來說，過度承諾勝過錯過一個採購週期。對供應商而言，這意味著訂單積壓、更強的定價權以及更緊密的整合。
支出走勢吻合產業的資本曲線。財務分析估算，至 2032 年為止，領先基礎模型的訓練成本約為 6,460 億美元，推論成本約為 4,870 億美元，合計負載輕易支持跨整個堆疊的兆級承諾。支出並不止於 GPU，還流向光學互連、網路結構、HBM 記憶體、液冷，以及維持叢集運轉的土地與電力合約。每一個新模型類別都會放大需求：訓練為集中但劇烈的事件，而推論則像節拍器般永不停歇。這種雙重壓力解釋了 OpenAI 合約的規模與結構，以及為何供應商偏好具有實質預付款的長期產能保留協議。
這一兆美元的統計與 2025 年 1 月所宣布的 Stargate 超級電腦計畫相呼應：一個 1,000 億美元的專案，可能到 2029 年擴張至 5,000 億美元。Stargate 與其說是一台單一機器，不如說是分散式 AI 公用事業的藍圖——為特定用途打造的園區、強化的供應鏈以及類似超大規模雲端與晶圓代工廠的能源合約。OpenAI 在 2025 年 3 月的基礎設施動作——以五年、119 億美元的交易收購雲端供應商 CoreWeave 以擴充產能——符合相同模式：鎖定運算、抽象化複雜性，然後擴大。CoreWeave 同月的 IPO 募得 15 億美元，凸顯當使用率可見度高時，公開市場願意為 AI 的物理骨幹提供資金。
OpenAI 也透過次級流動性強化其資產負債表。允許員工在 5,000 億美元估值下賣出約 103 億美元的股票，顯示出投資者信心並給公司靈活性，以應對資本支出密集的週期。這種紙面價值，配合已承諾的支出與供應商融資，成為談判工具。供應商希望有保證燒料的錨定客戶，而 OpenAI 希望在受限供應節點取得優先權——HBM 的可得性、次世代 GPU 的分配，以及加速模組的交付期。結合產能保留、價格鎖定與共同開發作業流程的合約，使得激勵一致，並在下一個模型檢查點到來時減少訓練延遲風險。
對 Oracle 而言，持續的 AI 需求驗證了其差異化的雲端策略。高密度 GPU 區域、低延遲網路以及客戶願意將資料與模型同地共置，轉化為更具黏性的平臺與不斷膨脹的訂單積壓。Microsoft 的早期持股使其在作為 OpenAI 優先超大規模雲端供應商方面具有持久優勢，將 AI 工作負載導入 Azure 並在 Microsoft 生態中播種產品整合。與 Oracle 的共存具有戰略意義：多雲降低了 OpenAI 單一供應商風險，並在談判中製造價格緊張。對投資者而言，觀察指標將是前瞻性資本支出指引、AI 相關訂單積壓的揭露，以及 2025–2027 年產能上線的節奏。
風險在於執行與物理限制。晶片供應仍然吃緊，HBM 封裝是瓶頸，尖端加速器的良率可能波動。電力是更難以克服的限制：在有可用發電與電網連接的區域設置新園區越來越具挑戰性，且 AI 的熱設計促使液冷快速採用，而液冷本身帶來成本與營運複雜性。競爭風險亦相當真實。Google、Amazon 與 Meta 都在擴展客製化矽晶與調校過的推論堆疊。如果模型擴張出現報酬遞減或變現延滯，長期的 take-or-pay 義務可能變成負擔。關於供應商集中度與能源使用的監管審查，也可能重塑部署速度。
短期回報是可預測性。OpenAI 降低了在訓練中途撞上運算瓶頸的風險，供應商以溢價鎖定數年的需求，生態系圍繞已知的交付時程構建。中期獎勵是更快的模型節奏與功能速度，隨著推論效率提升，應該會改善 AI 產品的單位經濟。如果每一步能力提升的訓練成本下降速度低於預期，利益將轉向那些掌控完整堆疊——矽晶、系統、資料與分發者。這正是 Altman 賭注的邏輯：在規模上確保投入、拉低學習曲線，並讓競爭者為追趕付出代價。
一個數字不會重新定價一個產業，但它會重新聚焦。兆美元的運算合約將 AI 具像化為一個基礎設施週期，而非一時的軟體潮流。對晶片製造商而言，關注分配優先順序與次世代加速器的爬坡速度。對 Oracle 與 Microsoft 而言，追蹤 AI 訂單積壓的轉化與新區域公告。對能源與資料中心營運商而言，預期會有更多以 AI 為專案核心、並由模型訓練時程支撐之的固定售出與融資專案。OpenAI 的承諾抬高了任何宣稱在前沿模型領域領導地位的門檻。溢價將給予那些能證明他們在需要時、以他們路線圖要求的規模擁有運算能力的業者。
