AI 產業趨勢AI 趨勢洞察

網路女王 Mary Meeker 重磅發表 340 頁 2025 年 AI 趨勢報告 (Trends – Artificial Intelligence)

  • 2025-05-31
Home » AI 趨勢洞察 » 網路女王 Mary Meeker 重磅發表 340 頁 2025 年 AI 趨勢報告 (Trends – Artificial Intelligence)
2025-05-BOND-Mary-Meeker-AI-Trends-Report-cover-image

前言

由 Mary Meeker 率領的 BOND 公司於 2025 年 5 月發布的《Trends – Artificial Intelligence》報告，內容多達 340 頁，彙整了全世界 AI 產業發展的現況，內容無所不包。這份報告象徵科技分析領域的一個重要里程碑。本文作為這份報告的增補，旨在為每張投影片提供詳細的敘述、根據外部數據驗證其內容，並為一般讀者提供更深入的見解。

Mary Meeker 長期以來享有「網路女王」(Queen of the Internet) 的美譽 ²，為本分析報告提供了相當大的權威性。她過往的年度報告，對於塑造矽谷乃至整個科技產業的理解與投資策略，扮演了關鍵角色。

值得注意的是，Mary Meeker 的關注焦點發生了轉變。她先前以涵蓋整個數位領域的綜合性《網路趨勢》報告聞名 ⁴，如今則撰寫了一份長達 340 頁、專門探討 AI 的文件。¹ 這一轉變意味著，AI 已不再僅僅是網路趨勢的一個組成部分，而是躍升為一股主導性的、獨立的科技力量。這也反映了更廣泛的產業趨勢：AI 日益成為創新和投資的核心引擎，而非邊緣技術。因此，像 Meeker 這樣的頂尖分析師，現在已將 AI 視為科技和經濟變革的主要驅動力，值得她給予如同以往對待整個網路般的深入、定期審視。

背景

由於 AI 產業變化實在太快了，編寫這份報告的任務被比喻成一頭「猛獸」，被形容為一場「打地鼠般的數據遊戲」。報告引用了 Vint Cerf 於 1999 年以「狗年」（dog year）比喻網路發展速度的說法，指出 AI 使用者和使用趨勢的「顯著加速」，甚至達到了「機器可能超越我們」的程度。推動此加速發展的關鍵因素包括：可供 55 億公民使用的全球網路基礎設施、三十年來累積的龐大數位資料集，以及 OpenAI 的 ChatGPT（2022 年 11 月推出）等突破性大型語言模型（LLM）。積極投入的人工智慧公司創辦人（他們推動創新、投資和快速的資本循環），以及將大量自由現金流轉向人工智慧的傳統科技公司，進一步塑造了此格局。最後，激烈的全球競爭，尤其是中美之間的競爭，是一項決定性的特徵。¹

人工智慧的變化速度，甚至超越了網路發展史上的快速演進。作者們坦率承認追蹤此活躍領域的挑戰。成熟的全球數位基礎設施、龐大的數據資料庫，以及 ChatGPT 這類變革性模型的整合，正共同推動著這前所未見的成長。在美中兩國激烈的科技競爭背景下，人工智慧新創公司和老牌科技巨擘的積極投資策略，更加劇了此趨勢。

Vint Cerf 的「狗年」： 雖然提供的資料中未詳細說明該 1999 年引言的確切背景，但身為「網路之父」的 Vint Cerf 經常評論網路的動態與持續發展的本質。¹² 「狗年」的比喻，貼切地描繪了當時網路相較於傳統產業的飛快發展步調。

全球網路使用者： 國際電信聯盟（ITU）與 DataReportal 的最新估計顯示，至 2025 年初，全球網路使用者將達到約 55 億人，此數據與 Meeker 的數字相符。¹⁴

ChatGPT 的推出： ChatGPT 於 2022 年 11 月公開發表，這是一個記載明確的里程碑。¹

投資趨勢： 2024 年與 2025 年的報告證實，人工智慧領域的創業投資達到歷史新高，現有科技公司也進行了大量以人工智慧為重點的投資。¹⁶

中美競爭： 美國與中國在人工智慧領域的科技競爭持續升級，這是一個廣受認可且日益加劇的地緣政治動態。¹⁸

用「打地鼠」來比喻更新人工智慧數據的過程尤其具啟發性。這顯示該領域的特徵是快速、不可預測且相互關聯的變化，解決一個數據點或理解一個趨勢，就需要立即重新評估其他趨勢。¹ 這不僅僅是新數據的出現，更意味著人工智慧領域的基礎指標、定義，甚至核心特徵本身都處於不斷變動的狀態。例如，何謂「領先模型」、如何最有效地衡量「使用者參與度」，甚至精確的「人工智慧市場規模」，都可能隨著新功能和新產品的發布而發生巨大變化。這與關鍵指標和定義相對穩定的成熟技術領域形成鮮明對比。因此，分析人工智慧不僅需要追蹤數量的變化，還需要不斷重新評估用於測量的框架和術語。該領域尚處於起步階段，其基本屬性正在即時被定義和重新定義，這使得長期預測極具挑戰性。

此外，Meeker 關於人工智慧發展「實質上比網路更快」，且「機器可能超越我們」的論斷，點出了人工智慧的發展已不僅是速度上的超越，更發生了質的轉變。¹ 網路的快速發展主要由人類在新的全球平台上的創新和採用所驅動。¹² 而人工智慧，特別是生成式人工智慧和大型語言模型，則引入了一個要素：機器能夠以一定的自主性進行學習和改進，其規模和速度是人類無法直接比擬的。「機器可能超越我們」這句話概括了這個根本差異。這不僅僅是開發週期更短，而是該技術本身具有以往通用技術（GPTs）所缺乏的自我進化能力。由於許多人工智慧工具在全球範圍內幾乎同步普及 ¹，不像網路是逐步、逐區域地推廣，情況因此更為複雜。這意味著「人工智慧時代」可能代表一個階段性的轉變，其中技術進步的速度不再僅由人類的創造週期決定，而是由人機共同進化決定，且機器正日益主導著發展的步伐。這對社會適應、監管以及創新本身的未來，都有著深遠的影響。

投影片 4：大綱 ¹

Meeker 的內容： 報告分為八個主要部分：

  • 變革似乎比以往更快？是的（第9-51頁）
  • AI 使用者 + 使用量 + 資本支出成長 = 前所未見（第52-128頁）
  • AI 模型運算成本高昂/持續上升 + 每詞元推理成本下降 = 效能趨同 + 開發者使用率上升（第129-152頁）
  • AI 使用量 + 成本 + 虧損成長 = 前所未見（第153-247頁）
  • AI 貨幣化威脅 = 競爭加劇 + 開源趨勢 + 中國崛起（第248-298頁）
  • AI 與實體世界整合 = 快速 + 數據驅動（第299-307頁）
  • 全球網路使用者在 AI 推動下從一開始就激增 = 前所未見的成長（第308-322頁）
  • AI 與工作演變 = 真實 + 快速（第323-336頁）

敘述： 此大綱為報告中對人工智慧趨勢的全面分析提供了藍圖，涵蓋了前所未見的變革速度、成長指標、成本動態、貨幣化挑戰、實體世界應用、對網路使用者成長的影響，以及工作的演變。

投影片 5：圖表勝過千言萬語…（摘要圖表 1） ¹

敘述： 這張投影片以視覺化的方式總結了報告後續將詳細介紹的關鍵趨勢，快速呈現了人工智慧的多面向影響。

圖表 1：領導晶片製造商生態系統中的開發者

Meeker 的內容： 顯示領導晶片製造商生態系統中的開發者數量，從 2005 年的 0 人成長到 2025 年的 600 萬人。資料來源：領導晶片製造商。（詳見第 38 頁）。¹

敘述： 人工智慧開發者社群正在迅速擴大，這對於創新和應用程式的建構至關重要。領導晶片製造商 NVIDIA 報告指出，其開發者計畫從 2005 年幾乎為零的規模，成長至 2021 年的 250 萬人，預計到 2025 年將達到 600 萬人，顯示圍繞著人工智慧賦能硬體，正湧現出強大的人才庫。¹ 這種成長是基礎性的，因為開發者是人工智慧解決方案的建構者。

驗證/增強： NVIDIA 的 CUDA 平台於 2007 年推出 ²¹，一直是 GPU 加速運算的核心。該公司的財務報告和執行長信函經常強調其開發者生態系統的成長，是人工智慧普及的關鍵優勢和指標。²² 600 萬這個數字與公司的發展軌跡和市場地位相符。

圖表 2：網路與美國領先大型語言模型比較：北美以外地區的現有使用者總數

Meeker 的內容： 比較網路（第 23 年，90% 使用者來自北美以外）與美國領先的大型語言模型（第 3 年，90% 使用者來自北美以外）。註：大型語言模型數據針對的是中國/俄羅斯每月活躍的行動應用程式使用者，以及應用程式在這些地區的不可用性。資料來源：聯合國/國際電信聯盟，Sensor Tower。（詳見第 55 頁）。¹

敘述： 領先的大型語言模型等人工智慧工具，其全球覆蓋速度遠比網際網路快得多，這意味著國際應用的迅速普及。

驗證/增強： 國際電信聯盟提供了網路普及的歷史數據。¹⁵ Sensor Tower 追蹤行動應用程式的使用情況。²⁵ 儘管 ChatGPT 在全球範圍內的傳播速度很快，但其使用者群中並未包括中國等主要市場（當地有較多替代品），這意味著與更普遍使用的「網際網路」進行比較時，需要謹慎解讀。Sensor Tower 的數據顯示，印度是人工智慧應用的主要下載市場，儘管北美在營收方面領先。²⁵

圖表 3：美國領先大型語言模型（LLM）的使用者

Meeker 的內容： 顯示一家美國領先大型語言模型（LLM）的每週活躍使用者，從 2022 年 10 月的 0 人成長到 2025 年 4 月的 8 億人。資料來源：公司揭露資訊。（詳見第 55 頁）。¹

敘述： ChatGPT 等旗艦級人工智慧產品的使用者採用率呈現爆炸性成長，在短時間內，每週活躍使用者數就達到數億規模。

驗證/增強： OpenAI 執行長 Sam Altman 確認，2025年4月 ChatGPT 的週活躍使用者數量達到 8 億人。¹ 這一數字被廣泛引用，作為人工智慧快速滲透主流市場的證據。²⁶

圖表 4：美國六大科技公司的資本支出

Meeker 的內容： 顯示 Apple、NVIDIA、Microsoft、Alphabet、Amazon (AWS) 及 Meta 的資本支出，從 2014 年的 330 億美元成長到 2024 年的 2120 億美元（最近一期年增率為 63%）。資料來源：Capital IQ、Morgan Stanley。（詳情請見第97頁）。¹

敘述： 各大科技公司正在大幅增加資本支出，其中很大一部分用於建構人工智慧基礎設施。

驗證/增強： Capital IQ 是財務數據的標準來源。²⁸ Morgan Stanley 研究部門經常分析科技資本支出趨勢，並指出人工智慧是此成長的主要驅動力。³⁰ 2024 年 的 2120 億美元這一數字，反映了對人工智慧硬體和資料中心的大量投入。

投影片 6：…圖表勝過千言萬語…（摘要圖表 2） ¹

敘述： 這張投影片延續了視覺化總結，重點在於成本動態、競爭格局和實體世界的人工智慧採用情況。

圖表 5：關鍵技術成本與推出年份的關係

Meeker 的內容： 比較電力、電腦記憶體和人工智慧推理的成本隨時間（以第0年為基準）的下降情況。人工智慧推理顯示其成本下降速度顯著加快。資料來源：Richard Hirsh、John McCallum、OpenAI。（詳見第 138 頁）。¹

敘述： 使用人工智慧（推理）的成本正以前所未見的速度下降，遠快於電力或電腦記憶體等其他基礎技術的歷史成本下降速度。

驗證/增強： 電力成本的歷史數據 ³² 以及電腦記憶體成本（John McCallum 的研究）³⁴ 呈現明顯的長期下降趨勢。OpenAI 和 Epoch AI 的數據證實了每詞元人工智慧推理成本的快速下降。³⁶ 成本的快速降低是人工智慧廣泛採用和實驗的關鍵因素。

圖表 6：美國領先 AI LLM 的營收與運算費用

Meeker 的內容： 顯示美國領先 AI LLM（OpenAI）的預估營收和運算費用。2022 年：營收/支出約為 0 美元。2023年：營收約5億美元，支出約5億美元。2024 年：營收增加 37 億美元，支出減少 50 億美元。資料來源：The Information。（詳見第 173 頁）。¹

敘述： 雖然領先的人工智慧模型供應商營收正在快速成長，但與訓練和運行這些模型相關的運算費用也相當高昂，導致早期出現重大的淨虧損。

驗證/增強： The Information 已廣泛報導 OpenAI 的財務狀況。³⁸ 這些數字凸顯了開發和擴展尖端人工智慧模型的資本密集特性。OpenAI 2024 年的營收預計為37億美元，淨虧損約 50 億美元。³⁸

圖表 7：美國領先 LLM 與中國 LLM 的桌面使用者市佔率比較

Meeker 的內容： 顯示美國 LLM #1（OpenAI 的 ChatGPT）的桌面使用者市佔率從約75%（2024年2月）下降至約 50%（2025年4月），美國 LLM #2（可能是 Google 的 Gemini 或 Anthropic 的 Claude）從約 10% 上升至約 21%，而中國的 LLM（可能是 DeepSeek）則從約 0% 上升至約 15%。來源：YipitData。（詳見第293頁）。¹

敘述： 大型語言模型的競爭格局充滿活力，包括來自中國在內的新參與者，正迅速搶佔桌面使用者市佔率。

驗證/增強： YipitData 提供關於使用者參與度的替代數據。雖然 OpenAI 的 ChatGPT 佔據領先地位，但來自中國的 DeepSeek 等競爭模型的崛起也是一個重要趨勢。⁴⁰ 全球人工智慧格局正變得更加多極化。

圖表 8：中國、美國及世界其他地區工業機器人安裝量比較

Meeker 的內容： 展示工業機器人安裝量。中國：約5萬台（2014年）至約29萬台（2023年）。世界其他地區（不包括中國和美國）：約15萬台至約20萬台。美國：約2萬台至4萬台。來源：國際機器人聯合會。（詳見第289頁）。¹

敘述： 中國已成為工業機器人應用領域的主導力量，遠遠超過美國和其他地區。這反映了自動化和製造業的更廣泛趨勢。

驗證/增強： 國際機器人聯合會（IFR）是全球機器人統計數據的主要來源。⁴² 他們2023年的數據證實了中國在工業機器人安裝方面的領先地位，2023年安裝了276,288台，佔全球安裝量的51%。⁴²

投影片 7：…圖表勝過千言萬語…（摘要圖表 3） ¹

敘述： 最後的總結投影片重點在於人工智慧對實體服務、全球使用者分佈和就業市場的影響。

圖表 9：共享乘車與自動駕駛計程車供應商，舊金山營運區市場份額

Meeker 的內容： 顯示舊金山自動駕駛計程車市場份額從0%（2023年8月）成長至27%（2025年4月），而傳統共享乘車服務的市場份額則分別為 34% 和 19%（兩家供應商）。來源：YipitData。（詳見第302頁）。¹

敘述： 自動駕駛汽車技術在實際應用中迅速受到關注，並開始在舊金山等早期採用該技術的城市佔據相當大的市場份額。

驗證/增強： YipitData 追蹤這個市場。Waymo（Google 的子公司）等公司一直在擴大其自動駕駛計程車服務。報告顯示，至2024年底，Waymo 在舊金山已佔據相當大的市場份額，與其營運區域內 Lyft 的份額相當。⁴⁴ 預計自動駕駛計程車市場將大幅成長。⁴⁶

圖表 10：美國 LLM App 主要使用者（按地區）

Meeker 的內容： 顯示2023年5月至2025年4月期間，美國領先 LLM 應用程式在全球各地區（撒哈拉以南非洲、南亞、北美、中東和北非、拉丁美洲、歐洲和中亞、東亞和太平洋地區）的月活躍使用者數（MAU）。資料來源：Sensor Tower。（詳見第315頁）。¹

敘述： 人工智慧應用程式在全球所有地區的使用都在成長，顯示其具有廣泛的國際吸引力和採用率。

驗證/增強： Sensor Tower 的數據顯示，ChatGPT 等應用程式在全球的使用情況多樣，其中印度是下載量最大的市場。²⁵ 然而，對於許多美國的 LLM 應用程式而言，中國是一個明顯的例外，當地由本土替代方案主導。⁴⁹

圖表 11：美國 IT 工作 – AI 與非 AI

Meeker 的內容： 顯示美國 IT 職缺的變化（以2018年1月為基準）。AI 相關 IT 職位：+448%。非 AI 相關 IT 工作：至2025年4月下降9%。資料來源：馬里蘭大學 UMD-LinkUp AIMaps。（詳見第332頁）。¹

敘述： 就業市場正在發生重大轉變，對人工智慧相關技能的需求激增，而傳統 IT 職缺可能正在減少或停滯。

驗證/增強： UMD-LinkUp AIMaps 計畫追蹤人工智慧就業趨勢。⁵⁰ 他們的數據顯示，存在強烈的「ChatGPT 效應」，自2022年底以來，人工智慧職缺大幅增加，而一般 IT 職缺則呈現下降趨勢。⁵⁰ 其他報告也指出對人工智慧技能的需求日益增長。⁵⁴

第一部分：變革似乎比以往更快？是的

本節深入探討了由人工智慧主要推動的科技變革步伐，正以人類歷史上前所未見的速度加快這一總體主題。

1.1 小節：加速變革概述（Meeker 報告第8-9頁）¹

世界確實正以驚人的速度變化，快速的科技創新和應用是這些轉變的根本驅動力。這種演變也反映在全球大國領導地位的變化上。

回顧網路時代前幾大巨頭的創始使命，可以發現與當今由人工智慧驅動的環境形成鮮明對比。1998年，Google 的使命是「整合全球資訊，使人人皆可存取並從中受益」。⁵⁶ 阿里巴巴於1999年成立，目標是「讓天下沒有難做的生意」。⁵⁸ Facebook（現為 Meta）成立於2004年，最初的目標是「賦予人們分享的力量，讓世界更加開放、更加互聯」。⁶⁰ 如今，這些公司協助建構的、有組織的、互聯的、可存取的資訊庫，正被人工智慧、不斷加速的運算能力和日益流動的全球資本動態地重塑和放大，所有這些都促成了巨大的、持續的變革。

這些最初的使命與當前由人工智慧驅動的格局並置，揭示了根本性的轉變。Web 2.0 巨頭專注於仲介以人為本的活動（組織資訊、促進商業和連結人群），而人工智慧引進的技術不僅僅是一種仲介者，更是一種能夠創造、推理和行動，且自主性不斷增強的主動智慧代理。因此，這些最初的使命正在被深刻地重新詮釋，甚至被取代。「組織資訊」正在演變為「產生資訊並利用資訊進行推理」。「讓生意變得簡單」正在轉向「讓生意自動化」。「連結人群」正在擴展為「連結人群與智慧代理」。這意味著這些科技巨頭的業務本質正處於不斷變化之中。它們建立在網路效應和龐大資料儲存庫基礎上的既有護城河，如今正受到人工智慧從資料中創造新價值能力的增強或挑戰，這有可能催生新形式的平台力量或重大的市場顛覆。

從使用者、使用情況和貨幣化指標來看，OpenAI 的 ChatGPT 堪稱「史上最大的『一夕成名』（成立九年後）」。¹ 與網路革命的第一波浪潮不同（該浪潮首先始於美國，然後逐漸擴散至全球），ChatGPT 幾乎瞬間就在全球範圍內產生了影響，使用者成長同時發生在全球大多數地區。這種快速的全球傳播凸顯了人工智慧時代的關鍵特徵：新的突破可以利用現有的全球網路基礎設施進行即時、廣泛的傳播。

同時，老牌平台企業和新興挑戰者都在激烈競爭，以開發和部署下一代人工智慧基礎設施。這包括創建代理介面、企業副駕駛、現實世界自主系統和主權人工智慧模型。人工智慧的快速進步，加上運算基礎設施和全球連結性的進展，從根本上重塑了企業和國家的工作方式、資本分配方式以及領導力的定義方式。

科技和地緣政治力量日益交織。Meta Platforms 技術長 Andrew Bosworth 將當前的人工智慧發展格局描述為「我們的太空競賽」，並特別提到了中國的強大能力。⁶² 這凸顯了一個關鍵的理解：人工智慧領域的領導地位可以直接轉化為地緣政治領導地位，這種動態不同於過去的技術競賽——在過去的競賽中，地緣政治力量往往先於技術主導地位。這場競賽的影響是深遠的，因為在人工智慧領域處於領先地位的國家或集團可以制定全球標準、控制關鍵基礎設施並發揮重大的經濟和戰略影響力。¹⁸

儘管這種快速演變帶來了「巨大的不確定性」和「危險且不確定的時期」，但該報告仍然保持長期樂觀的立場。這一觀點源自於 T. Rowe Price 前董事長兼執行長 Brian Rogers 的一句話：「從統計數據來看，世界末日並不經常發生」。¹ 雖然確切的措辭是常見的投資智慧，但它與 Rogers 眾所周知的務實和具風險意識的樂觀主義相一致。⁶⁴ 對人工智慧未來的樂觀態度基於以下幾個因素：激烈的競爭推動創新、日益增強的運算能力、全球範圍內人工智慧技術的迅速普及，以及深思熟慮的領導力在培養一定程度的敬畏和尊重方面的潛力。這反過來可能導致人工智慧領域出現「相互確保威懾」的狀態。¹

人工智慧中的相互保證威懾（MAD）概念，有時被 Dan Hendrycks、Eric Schmidt 和 Alexandr Wang 等專家稱為相互保證人工智慧失靈（MAIM）⁶⁶，暗示未來不受控制的人工智慧發展或單一國家實現單方面人工智慧主導地位所帶來的災難性風險，可能會導致一種威懾態勢。然而，與核武時代的前例相比，將 MAD 框架應用於人工智慧具有獨特的複雜性。核武 MAD 依賴相對清晰的「紅線」、可驗證的能力以及基本上兩極化的全球秩序。相較之下，人工智慧的發展是分散的，往往不透明（尤其是在私人或國家主導的研究中），本質上具有雙重用途，並涉及眾多國家和非國家行為者。⁶⁶ 以演算法和模型形式出現的人工智慧「武器」很容易被複製或竊取，其破壞潛力不像實體武器那樣明顯，而且追究人工智慧驅動攻擊的責任也更為困難。因此，在人工智慧領域建立穩定的威懾力要複雜得多。誤判、意外升級或破壞性的「先發制人」突破的風險可以說更高。雖然 MAD 提供了穩定性的概念框架，但其在人工智慧領域的成功應用，需要在透明度、驗證和控制機制方面進行前所未有的國際合作——這些要素目前在激烈的地緣政治競爭中尚未得到充分發展。¹⁸ 因此，任何對 AI MAD 的樂觀態度都必須建立在對這些複雜挑戰的深刻理解之上。

「看著人工智慧為你完成工作的魔力」類似於早期電子郵件和網路搜尋的變革體驗，但人工智慧的影響被認為是「更好/更快/更便宜」並且「更快」地實現。¹ 資本主義和創造性破壞的投機和狂熱力量被描述為「結構性的」。不可否認的是，特別是對於美國和中國及其各自的科技強權而言，「賽局已經開始」。¹

1.2 小節：技術的複利效應－動能背後的數字（Meeker 報告第10-22頁）

本小節探討了科技進步隨著時間推移而不斷累積，從而推動重大進展和經濟成長的歷史模式，並將人工智慧定位為一系列變革性通用技術（GPT）中的最新技術。

全球 GDP 與科技飛躍（Meeker 報告第11-12頁） ¹

報告以一張圖表說明「Maddison Project 過去1000多年的全球GDP」。¹ 這張圖表採用對數尺度，描繪了全球國內生產毛額的成長，以及印刷術（約1440年代）、蒸汽機（1700年代）、電氣化（1880年代）、網際網路（1990年代）以及現在新興的人工智慧時代等關鍵技術創新。這些數據來自微軟的《人工智慧治理》報告（2023年5月），該報告又使用了 Maddison Project 和 Our World in Data 的數據 ⁶⁸，建立了一個長期的歷史背景：技術突破一直推動著經濟的指數級成長。

報告引入了「GKS（知識總值）」這個術語，將其定義為特定見解、想法或專有知識的潛在商業價值，反映了其有效應用的價值，即使尚未產生收入。¹ 這項定義似乎是針對引用的微軟報告而提出的，與 GDP 等標準經濟指標形成對比，後者追蹤已實現的經濟產出，或既有的資本存量概念（總額、淨額和生產性）。⁷⁴ GKS 的引入巧妙地改變了人工智慧的敘事，承認人工智慧當前感知的經濟影響很大一部分是基於未來的承諾，而不是普遍可衡量的當前產出。這是早期通用技術的特徵，普遍存在「生產力悖論」，即儘管投入很大，但可衡量的生產力在初期仍然滯後。⁷⁵ 雖然預計人工智慧的長期經濟影響將是巨大的，與以前的通用技術的歷史影響一致，但它對傳統 GDP 的當前貢獻可能不那麼明確，如果將「潛在」價值（GKS）與實際經濟產出相混淆，則很容易被高估。這強調了當前許多人工智慧估值和投資的內在投機性質。

下表提供了關鍵通用技術的採用和經濟影響時間表的背景，說明了發明和廣泛經濟轉型之間的典型滯後，儘管人工智慧最初被迅速採用，但它也可能遵循這種模式。

表1：關鍵通用技術及其預估的經濟影響時間

技術約發明/廣泛採用年份主要分銷方式對知識獲取/生產力的關鍵影響引入的關鍵社會挑戰預估產生重大經濟影響的滯後時間
印刷術約1440年實體大量傳播書面資訊，擴大識字率資訊控制、審查、宗教/政治動盪數十年至數百年
蒸汽機約1712年（Newcomen），約1776年（Watt）機械動力革命性的製造業、運輸業、農業（工業革命）都市化問題、勞動力流失、污染數十年
電力19世紀末網路化公用事業為工廠、家庭、新興產業（照明、馬達、通訊）供電基礎設施成本、安全標準、壟斷20-40年
內燃機/汽車19世紀末/20世紀初個人/商業運輸交通轉型、都市擴張、新興產業（石油、道路）污染、交通壅塞、基礎設施需求20-30年
電腦（大型主機至個人電腦）20世紀中期（大型主機）至約1980年代（個人電腦）數位計算、資料處理的自動化、資訊經濟的興起初始成本高、技能差距大、文書工作流失數十年（大型主機），10-20年（個人電腦）
網際網路約1990年代（商業/公共）數位互動全球資訊存取、電子商務、新的通訊平台假資訊、網路安全、數位落差、隱私問題10-15年
人工智慧（現代大型語言模型）約2020年代（生成式人工智慧廣為普及）數位生成/嵌入式認知任務、內容創建、進階分析的自動化（進行中）工作流失、偏見、大規模錯誤訊息、道德困境、AGI風險（進行中）進行中（快速採用，經濟影響待定）

資料來源：廣泛基於對通用技術政策的歷史經濟分析 ⁷⁵ 以及具體的技術時間表。

該表說明了人工智慧的當前階段。雖然人工智慧的採用速度引人注目，但其廣泛的經濟轉型可能仍會遵循通用技術的歷史模式，包括最初的混亂以及在整個經濟充分實現生產力效益之前的延遲。

隨時間推移的運算週期（Meeker 報告第13頁） ¹

該報告展示了 Morgan Stanley 的一張圖表 ¹，描繪了「1960年代至2020年代的運算週期變化」。它展示了不同的時代：大型主機（約100萬台以上）、迷你電腦（約1000萬台以上）、個人電腦（約3億台以上）、桌面網際網路（約10億台以上/使用者）、行動網際網路（約40億台以上）以及當前的人工智慧時代（預計「數百億台」）。支援基礎設施從 CPU 發展到大數據/雲端，現在又發展到人工智慧時代的 GPU。每個週期都大幅增加了連接設備和使用者的數量，為後續的創新奠定了基礎。預計人工智慧時代的規模將超過以往任何時期。這項進展與 Morgan Stanley 等公司的分析一致。⁷⁷

人工智慧時代預計規模達「數百億台」¹，顯示與先前主要計算個別使用者設備的週期有顯著不同。這個更大的數字可能不僅包括主要使用者設備（如個人電腦或智慧型手機），還包括龐大的物聯網感測器網路、日常電器、車輛、工業機器人以及無數其他系統中的嵌入式人工智慧晶片。每一個都成為一個能夠進行資料收集、本地化處理和人工智慧驅動行動的「智慧節點」。這意味著人工智慧時代不僅僅是更強大的使用者導向電腦，更代表著環境智慧深入分佈到我們的環境和機器的結構之中。這種普遍的整合為網路安全創造了更大的攻擊面，帶來了更複雜的資料隱私挑戰，並使人工智慧在日常生活中的存在比以往任何運算週期都更加深入。

人工智慧技術的複利效應（Meeker 報告第14-19頁）

這一系列投影片詳細介紹了人工智慧關鍵技術驅動因素的指數級成長趨勢。

訓練資料集大小（Meeker 報告第15頁） ¹： Epoch AI 的一張圖表顯示，從1950年到2025年，主要 AI 模型訓練資料集中的詞彙數量每年成長260%。¹ Epoch AI 是公認的 AI 趨勢資料來源，他們的研究證實了用於 AI 模型的訓練資料規模的快速擴大。⁷⁹ 數據的爆炸性成長是 AI 模型能力發展的根本驅動力。

訓練運算量（FLOPs）（Meeker 報告第16頁） ¹： 另一張 Epoch AI 圖表顯示，用於訓練關鍵 AI 模型的運算能力（以浮點運算次數或 FLOPs 衡量）從1950年到2025年每年成長360%。¹ FLOPs 是運算的基本單位，以十進制數表示一次算術運算；總 FLOPs 估計訓練或運行 AI 模型的運算成本。Epoch AI 的更廣泛數據表明，知名模型的訓練運算量大約每六個月翻一番，這與2010年以來每年4.4倍至4.6倍的成長率一致。⁷⁹ 運算能力的大幅提升對於處理更大的資料集和開發更複雜的模型架構至關重要。

演算法改進（Meeker 報告第17頁） ¹： 報告強調，根據2014年至2023年的 Epoch AI 數據，透過改進演算法，每年可實現200%的有效運算增益。¹ 這意味著更智慧的演算法正在使人工智慧更加高效，有效地增強現有硬體的功能。Epoch AI 的研究表明，由於演算法的進步，語言模型達到給定效能水準所需的運算量每年減少約3倍。⁸³ 區分演算法帶來的有效運算增益和實際原始運算量的使用至關重要。雖然演算法效率意味著對於特定任務可以用相同或更少的運算完成更多工作，但對人工智慧能力的整體需求如此之高，以至於這些效率提升通常會被重新投入到訓練更大、更強大的模型或解決更複雜的問題中。這種現象類似於傑文斯悖論 ⁸⁴，意味著演算法效率帶來的成本節省並不一定意味著人工智慧運算總體支出的減少。相反，它們使人工智慧領域能夠追求更宏大的專案，進一步刺激對硬體和能源的需求，帶來重大的經濟和環境後果。

AI 超級電腦效能（Meeker 報告第18頁） ¹： 根據 Epoch AI 的數據，領先的人工智慧超級電腦的效能（以 FLOPs/秒 為單位）從2019年到2025年將以每年150%的速度成長。¹ 這一成長歸因於每個叢集的晶片數量每年增加1.6倍，以及每個晶片的效能每年增加1.6倍。Epoch AI 的數據顯示，領先的人工智慧超級電腦效能的成長率更快，自2019年以來每年成長2.5倍（每九個月翻一番）。⁸⁵ 這種快速發展的硬體能力對於支援尖端人工智慧模型的訓練至關重要。

新的大規模人工智慧模型的數量（Meeker 報告第18頁，使用者查詢中誤植為第19頁） ¹： Epoch AI 表示，報告顯示，2017年至2024年間發布的新型大規模 AI 模型（定義為需要超過 10²³ FLOPs 進行訓練，但 Meeker 在第19頁的註釋表明截至2025年4月需要 10²⁴ FLOPs）的數量將以每年167%的速度成長。¹ Epoch AI 對「大規模」的定義已經發生了變化，但他們確認，超過重要運算閾值（例如 10²³ FLOPs 或 10²⁵ FLOPs）的模型的發布速度正在加快。⁸⁰ 這種擴散表明，人們獲取強大人工智慧系統的途徑和開發能力正在不斷擴大。

這些複利因素——更大的資料集、更多的原始運算、更高的演算法效率、更強大的超級電腦以及越來越多的複雜模型——並非各自獨立。它們創造了一個強大的、自我強化的飛輪。一個領域的進步會促進其他領域的進步，產生複利效應，推動人工智慧以「前所未有」的速度發展。這種相互關聯也意味著，任何一個領域的重大瓶頸，例如演算法改進的放緩、晶片供應的限制或資料中心能源可用性的限制，都可能對整個生態系統的發展軌跡產生重大影響。

ChatGPT 的快速擴展與 AI 作為複利引擎（Meeker 報告第20-22頁） ¹

該報告以 ChatGPT 作為人工智慧加速應用的典型例子。

使用者、訂閱者和營收成長（Meeker 報告第20頁） ¹： 一張圖表詳細展示了 ChatGPT 從2022年10月到2025年4月的成長情況，顯示使用者數量達到8億，訂閱使用者數量達到2000萬，預計到2024年年營收將接近40億美元。這種快速成長得到了 The Information 等外部報告的支持，該報告密切追蹤了 OpenAI 的財務和使用者指標。³⁸ Meeker 提到的到2025年4月每週活躍使用者數將達到8億 ¹，與 OpenAI 執行長的聲明一致，並得到市場分析師的認同。²⁶

年度搜尋量（Meeker 報告第21頁） ¹： 與 Google 搜尋的比較表明，ChatGPT 每年的搜尋量達到3650億次，比 Google 快5.5倍。雖然 ChatGPT 的「年度搜尋量」是根據每日查詢量估算的（根據一些估計，每天約為10億次）⁹⁰，儘管 Meeker 的報告指出，截至2024年12月，其每日處理的訊息數量約為10億條，週活躍使用者數量為3億 ²⁶，其每日查詢量相當可觀。總體而言，Google 搜尋處理的查詢仍然多得多（預計到2024年將超過5兆次，即每天約140億次）。⁹¹ 「5.5倍速度」的說法指的是達到特定搜尋量里程碑所花費的時間，強調了 ChatGPT 在資訊搜尋任務中快速吸引使用者參與的能力。

人工智慧作為複利引擎（Meeker 報告第22頁） ¹： 文章的結論是「人工智慧是網路基礎設施上的一個複利引擎，它允許快速採用易於使用的、具有廣泛興趣的服務。」因此，ChatGPT 的成功既可以被視為人工智慧的故事，也可以被視為網路基礎設施的故事。網路提供了全球影響力、既定的使用者行為（如搜尋和聊天）以及成熟的開發者生態系統，人工智慧工具可以立即利用這些。ChatGPT 不需要從頭開始建立這個基礎層；其「極其易於使用/快速的使用者介面」¹ 至關重要，但其在全球範圍內迅速傳播的能力從根本上取決於現有的網際網路軌道。這意味著，如果未來的人工智慧突破能夠有效地利用現有的數位基礎設施和根深蒂固的使用者行為，那麼它們可能會得到更快的採用。因此，對主流網路平台（如應用程式商店、搜尋引擎和社群網路）的控制，成為部署和貨幣化新人工智慧服務的日益重要的策略槓桿。

1.3 小節：知識傳播的演進（Meeker 報告第23-27頁）

本小節追溯知識傳播的演變，將人工智慧定位為繼印刷術和網際網路之後的最新典範轉移。

印刷術（靜態+實體）（Meeker 報告第24頁） ¹： 1440年左右印刷術的發明標誌著靜態、實體知識傳播時代（根據 Meeker 的說法，為1440-1992年）的到來。這項技術在當時具有革命性，使得書面材料的大規模生產和更廣泛傳播成為可能。

網際網路（動態+數位）（Meeker 報告第25頁） ¹： 1993年左右全球資訊網的公開發布開啟了動態數位知識傳播的時代（根據 Meeker 的說法，為1993-2021年）。網際網路允許動態內容、全球覆蓋和互動式資訊存取。

生成式人工智慧（動態+數位+生成）（Meeker 報告第26頁） ¹： ChatGPT 於2022年公開發布，預示著一個新階段（根據 Meeker 的說法，為2022年後），其特點是活躍、數位化和「生成式」的知識傳遞。人工智慧模型現在可以根據學習模式創建新內容——文字、圖像、音訊、程式碼。投影片提供了人工智慧影響的例子，例如2023年發表的7%的科學文章顯示出生成式人工智慧參與的跡象，以及2024年中期全球6.96%的新聞文章是由人工智慧產生的。

Martin H. Fischer 引言（Meeker 報告第27頁） ¹： 本小節最後引用了這樣一句話：「知識是積累事實的過程，而智慧則在於簡化事實。」

從網際網路的「動態+數位化」傳播，轉向以現代人工智慧為特徵的「動態+數位化+生成式」傳播，這一點尤其重要。印刷術和網際網路主要用於傳播「人造」的知識。儘管驗證和來源可能具有挑戰性，但基石是人類的創作。相反，生成式人工智慧創造的新內容，可能與人類的產出難以區分 ¹，並且有時會「產生幻覺」或捏造資訊。這從根本上模糊了作者身份、原創性和事實準確性之間的界限，這是前所未見的。人工智慧生成關於人工智慧生成內容的統計數據的例子 ¹ 本身就是這種遞迴潛力的例證。Fischer 關於「智慧在於簡化」的名言 ¹ 在這種背景下帶有諷刺意味。雖然人工智慧可以簡化複雜的主題，但它也能夠產生聽起來合理的錯誤訊息，這意味著實現真正的簡化（從而實現智慧）對於最終使用者來說是一項更複雜的任務。如今，社會面臨著一項重大挑戰，即開發新的讀寫能力形式和強大的驗證機制，以適應日益增長的「知識」由機器生成的世界。這對資訊信任、教育實踐、新聞業和科學研究的完整性有深遠的影響。在充滿生成內容的環境中，「真理」和「事實」的本質變得更加具爭議性。

下表對這些知識傳播技術進行了比較概述：

表2：知識傳播技術的演變

技術約影響年份主要分銷方式對知識獲取的關鍵影響引入的關鍵社會挑戰
印刷術約1440年靜態+實體文字的大規模生產、識字率的提高、知識的民主化（受印刷材料取得的限制）當局的資訊控制、審查制度、宗教/政治分裂
網際網路約1993年（公共全球資訊網）動態+數位即時全球存取大量資訊、互動交流、使用者生成內容資訊過載、錯誤訊息/虛假資訊、數位落差、隱私、網路安全威脅
生成式人工智慧約2022年（ChatGPT發布）動態+數位+生成式自動化內容創作、個人化資訊整合、人機協作新形式作者身份模糊、深度偽造、演算法偏見、大規模操縱的可能性、創意/知識產業的就業流失、認知危機

資料來源：根據 Meeker 的報告 ¹ 以及對這些技術的一般歷史理解。

1.4 小節：人工智慧里程碑與未來預測（Meeker 報告第28-36頁）

本小節回顧了人工智慧的歷史發展，並提出了由人工智慧生成的對其未來能力的預測。

**人工智慧里程碑時間表（1950-2022年及2023-2025年）（Meeker 報告第28-30頁）**¹：該報告詳細介紹了人工智慧關鍵發展的時間表。1950年至2022年的時間表 ¹ 包括一些奠基性時刻，例如 Alan Turing 的圖靈測試（1950年）、達特茅斯會議提出「人工智慧」一詞（1956年）、早期學習程式的創建，例如 Arthur Samuel 的西洋跳棋程式（1962年）、先驅機器人如 Shakey（1966年）、「人工智慧寒冬」（1967-1996年，進展緩慢時期）、IBM 的深藍擊敗 Garry Kasparov（1997年）、Roomba 的推出（2002年）、史丹佛大學的 Stanley 贏得 DARPA 大挑戰賽（2005年）、Apple 收購 Siri（2010年）、Goostman 聊天機器人通過某版本的圖靈測試（2014年），以及 OpenAI 發布的 GPT-1（2018年）、GPT-3（2020年）和 ChatGPT（2022年11月）。 2023-2025年的時間表 ¹ 重點介紹了最近的快速進展，包括 OpenAI 的 GPT-4（2023年3月）、Google 的 Bard（2023年3月）、Meta 的 Llama 3（2024年4月）、OpenAI 的 GPT-4o（2024年5月）、Apple Intelligence（2024年7月）、阿里巴巴的 Qwen2.5-Max（2025年1月）和 ChatGPT 每週使用者達到8億（2025年4月）。這些時間表共同展現了人工智慧發展的悠久歷史，其特點是快速進步的時期（「人工智慧之夏」）和相對停滯的時期（「人工智慧寒冬」），當前時期則代表著前所未有的加速。列出的里程碑通常是準確的，並且與人工智慧歷史上有據可查的事件一致。

人工智慧能力（根據 ChatGPT，預計現今、2030年、2035年）（Meeker 報告第31-36頁） ¹： 該報告包括由 ChatGPT 4o 產生的人工智慧能力清單——當前、5年展望（約2030年）和10年展望（約2035年）。¹

現今（2025年第二季） ¹： 功能包括寫作/編輯、總結複雜材料、輔導、腦力激盪、自動化重複性工作、角色扮演、連接工具（API）、提供治療/陪伴、協助尋找目標和組織生活。

約2030年（5年展望） ¹： 預測包括產生人類水準的文字/程式碼/邏輯、創作完整長度的電影/遊戲、像人類一樣理解/說話（具情感意識）、為進階個人助理提供動力、操作類人型機器人、運行自主客戶服務/銷售、個人化數位生活、建立/經營自主業務、推動自主科學發現以及進行創意合作。

約2035年（10年展望） ¹： 預測包括自主進行科學研究、設計先進技術（材料、生物技術）、模擬類人思維（具有記憶/情感的數位化身）、營運自主公司、執行複雜的實體任務、協調全球系統（物流、能源）、模擬完整的生物系統、提供專家級決策（法律、醫療）、塑造公共辯論/政策以及根據文字提示建構沉浸式虛擬世界。

這些由人工智慧產生的預測，讓我們得以一窺該技術的感知軌跡。許多5年預測都是活躍的研究和開發領域。10年預測更具推測性，但與長期通用人工智慧（AGI）的願望一致。

值得注意的是，儘管歷史時間線明確承認了「人工智慧寒冬」¹——資金減少和進展放緩的時期——ChatGPT 產生的未來預測本質上假設了持續且基本上不會減弱的進步。過去人工智慧的進展是週期性的，在狂熱炒作的時期之後，往往伴隨著幻滅，因為承諾的突破並沒有像預期的那樣迅速實現。目前人工智慧的進步嚴重依賴大量的運算資源和龐大的資料集，這些資源成本高昂，且對環境有重大影響。如果當前模型遭遇規模瓶頸、經濟狀況出現不利變化，或社會對人工智慧相關危害的反彈加劇，那麼可能出現另一次「人工智慧放緩」或更細微的「寒冬」。雖然由於目前採用的普及程度更高，可能不像過去的寒冬那樣嚴重，但這種可能性在純粹樂觀的、由人工智慧產生的預測中常常被忽視。一個平衡的觀點應該考慮到潛在的阻力，以及進展可能放緩或轉向不可預見方向的可能性。

此外，實現「人類水準」能力的預測 ¹ 值得仔細解讀。「人類水準」的表現通常以特定的、通常定義狹隘的任務為基準，例如通過學術考試或程式設計競賽。然而，人類智慧遠不止於此，它涵蓋了常識、情緒智商、細微的適應能力以及具體經驗——而這些特質正是當前人工智慧系統所缺乏的。隨著人工智慧在一系列基準上達到「人類水準」的表現，真正的、全面的人類水準智慧的定義往往會不斷發展，以納入這些難以量化的面向。因此，實現「人類水準」的人工智慧並不是一個固定的目標。雖然人工智慧無疑將在許多特定領域超越人類的表現，但實現通用人工智慧（AGI）以匹配人類智力的全部範圍的更廣泛願望，仍然是一個複雜且不斷發展的挑戰。我們應該從這個角度來看待人工智慧產生的預測：人工智慧的能力將大大增強，但創造「類似人類的思維」遠不止擅長完成離散任務。

1.5 小節：AI 發展趨勢 = 前所未見（Meeker 報告第37-49頁）

本小節詳細介紹了人工智慧發展的前所未見趨勢，重點關注研究領導地位的轉變、開發者生態系統的成長、專利活動和效能里程碑。

機器學習模型的起源（產業 vs. 學術界）（Meeker 報告第38頁） ¹： 史丹佛大學 HAI 人工智慧指數報告中的一張圖表顯示，2015年左右，產業取代學術界，成為著名機器學習模型的主要來源。2023年，產業產生了55個值得關注的模型，而學術界則沒有產生任何模型。¹ 這種轉變歸因於產業在大型資料集、大量運算資源和龐大金融資本方面的優越存取權。史丹佛大學 HAI 人工智慧指數報告是此類數據的主要來源，並證實了這一廣泛認可的趨勢。¹⁸

開發者生態系統的成長（Meeker 報告第39-40頁） ¹：

  • NVIDIA： 據報導，NVIDIA 生態系統中的開發者數量在七年內（隱含時間為2018-2025年）增加了6倍，達到600萬人。¹ NVIDIA 的 CUDA 平台自2007年推出以來一直是 GPU 加速運算的關鍵 ²¹，支撐了這一成長。該公司一直強調其不斷擴大的開發者基礎是人工智慧普及的關鍵指標。²²
  • Google Gemini： 據報導，至2025年5月，使用 Google Gemini 模型建構的開發者生態系統年增5倍，達到700萬人。¹ 這種快速擴張經常在 Google I/O 等開發者大會上宣布，顯示人們對新基礎模型的濃厚興趣。

圍繞 NVIDIA 和 Google 等主要平台的 AI 開發者生態系統的快速擴張是一個關鍵的領先指標。從歷史上看，成功吸引和留住最大、最活躍開發者社群的平台往往會成為主導標準（例如，個人電腦中的 Windows、行動裝置中的 iOS 和 Android）。開發者創建可產生網路效應的應用程式和工具，使得平台越來越有價值且難以取代。在人工智慧領域，這意味著開發者建構新穎的人工智慧服務、針對特定應用程式微調模型，以及在特定 API 或硬體堆疊上創建新工具。因此，人工智慧霸權的持續競爭不僅在於擁有最先進的模型，同樣也在於培育最具活力和生產力的開發者生態系統。追蹤開發者的採用率以及不同 AI 平台（NVIDIA、Google、OpenAI、Hugging Face 等）上工具的普及情況，為未來的市場領導地位提供了重要線索。

美國運算相關專利（Meeker 報告第41頁） ¹： 美國電腦相關發明的專利活動在 Netscape 首次公開募股（1995年）後出現了顯著成長，而最近，在 ChatGPT 公開發行（2022年）後，專利活動更是急劇增加。¹ 這表明重大技術突破及其商業驗證往往會引發創新和智慧財產權的浪潮。

AI 效能里程碑（Meeker 報告第42-44頁） ¹：

  • MMLU 基準： 2024年，人工智慧系統在大規模多任務語言理解（MMLU）基準上超越了人類基準（89.8%），準確率達到92.3%。¹ 史丹佛大學 HAI 人工智慧指數追蹤此類基準表現。¹⁸
  • 圖靈測試： 在 Cameron Jones 和 Benjamin Bergen 於2025年3月進行的一項研究中，73%的人類測試者在圖靈測試環境中將 GPT-4.5 的回答誤認為是人類產生的回答。¹ 一個範例對話說明了人工智慧互動日益增強的真實性。¹

雖然人工智慧在 MMLU 等基準上取得的成就以及通過類似圖靈測試的能力是令人印象深刻的進步指標，但重要的是將其與可靠地解決廣泛的人類問題區分開來。基準本質上是具體的、有時是狹隘的效能衡量標準。在基準測驗或對話測驗中表現出色並不等同於擁有一般智力、強大的常識或應對複雜、開放式現實世界挑戰而不產生意想不到負面後果的細緻能力。過度強調基準效能可能會導致「為考試而教」，即模型針對特定指標進行最佳化，而不是開發真正可推廣和強大的智慧。人工智慧「前所未有的發展」的真正衡量標準，最終將是其在各種現實世界應用中持續、安全地提供有形價值的能力，而不僅僅是其在標準化測試中的得分。在完成特定任務時表現出的「超人」表現與獲得「超人」智慧或實用性之間可能存在巨大差距。

逼真的多媒體生成（Meeker 報告第45-48頁） ¹：

  • 影像生成： Midjourney 模型的演進（2022年2月的v1與2025年4月的v7）顯示 AI 生成影像的真實感有了顯著的提高。¹ 2024年對 AI 生成的圖像（來自 StyleGAN2）與真實照片的比較進一步強調了這一進展。¹
  • 音訊生成與翻譯： ElevenLabs 是人工智慧語音生成領域的領導者，其全球網站訪問量大幅成長，至2025年4月將達到約2000萬次。¹ 他們的技術用於產生大量音訊內容，並被大多數財富500強公司採用。Spotify 正在利用人工智慧實現逼真的音訊翻譯，其執行長 Daniel Ek 強調了其為創作者和知識共享打破語言障礙的潛力。¹

新興人工智慧應用（Meeker 報告第49頁） ¹： 報告引用 Morgan Stanley（2024年11月）的資料，列出了幾種正在加速發展的人工智慧應用：蛋白質折疊（DeepMind 的 AlphaFold）、癌症檢測（Microsoft 和 Paige）、機器人技術（Google 的 LLM 指導機器人）、代理式 AI（Amazon 的任務完成工具）、通用翻譯（Meta 的多模式模型）和數位影片創作（Channel 1 AI 的生成式新聞廣播）。¹ 這些例子說明了人工智慧已經從文字和圖像處理擴展到解決不同科學和工業領域的複雜問題。

1.6 小節：人工智慧的益處與風險（Meeker 報告第50-52頁）

本小節討論了人工智慧的雙重性質，承認其巨大的潛在利益以及重大的固有風險。

益處與風險概述（Meeker 報告第51頁） ¹： 該報告引用了 Stuart Russell 和 Peter Norvig 的開創性著作《人工智慧：一種現代方法》，概述了人工智慧的潛在優勢：將人類從繁重的工作中解放出來，大幅提高產量，加速科學研究，從而可能治癒疾病並解決氣候變遷問題。Google DeepMind 執行長 Demis Hassabis 表示：「我們先解決人工智慧問題，然後用人工智慧解決其他一切問題」。¹ 然而，同一來源也強調了並存的風險，包括致命的自主武器、監視和說服能力、有偏見的決策、對就業的不利影響、關鍵應用中的安全問題以及網路安全威脅。

Demis Hassabis 的名言「我們先解決人工智慧問題，然後用人工智慧解決其他一切問題」概括了一種特殊的技術樂觀主義。然而，這種觀點存在著一個潛在的悖論。「解決人工智慧」通常被解釋為實現通用人工智慧（AGI）或至少是高效能、通用的人工智慧，是一項長期的努力。正如 Russell 和 Norvig 所詳述的，嘗試解決人工智慧問題的過程本身，已經釋放出強大的、專業的人工智慧工具，這些工具對現實世界具有重大而直接的影響和風險。¹ 社會不能等到 AGI 問題「解決」之後，才去解決當前和近期人工智慧系統所帶來的倫理、社會和安全挑戰。這些風險不僅是後 AGI 時代人們所擔心的問題，它們與開發過程本身是同時發生的。對 AGI 的追求本質上會產生中級 AI 能力，這需要立即制定治理框架和緩解策略。在利用人工智慧的優勢解決其他全球問題之前，孤立地「解決人工智慧」的想法是一種過於簡單化的想法，它忽略了人工智慧發展的連續性、迭代性及其持續的、普遍的社會影響。

此外，人工智慧的益處與風險在部署時間表上存在明顯的不對稱性。許多最具變革性的益處，例如發現複雜疾病的治療方法或全面應對氣候變化，可能依賴仍處於研究或假設階段的 AGI 或近 AGI 能力。相反，許多風險——例如金融或司法系統中的演算法偏見、濫用臉部辨識進行監視或產生複雜的假資訊——都與部署「目前世代」的人工智慧系統有關。這意味著，在人工智慧開發和部署週期中，一些風險比一些最深遠和最受廣泛期待的好處更早顯現出來。因此，社會在大力追求人工智慧的長期變革潛力的同時，也必須積極管理當今人工智慧帶來的直接和實際風險。如果無法有效解決當前的危害，可能會破壞公眾對人工智慧持續發展的信任和支持，可能會延遲甚至破壞未來重大利益的實現。

Stephen Hawking 引言（Meeker 報告第52頁） ¹： 本節以 Stephen Hawking 的深刻警告作為結尾：「成功創造人工智慧可能是我們文明史上最重大的事件。但它也可能是最後一次——除非我們學會如何規避風險。」¹ 這強調了負責任地推動人工智慧發展的重要性。

第二部分：AI 使用者 + 使用量 + 資本支出成長 = 前所未見

本節詳細介紹了在 AI 使用者採用率、平台使用率，以及用於 AI 開發和基礎設施的資本支出方面，所觀察到的非凡且歷史上無可比擬的成長率。

2.1 小節：消費者/使用者對 AI 的採用程度前所未見（Meeker 報告第55-60頁）

消費者和一般使用者採用人工智慧的速度和規模，超過了以往的技術革命。

**ChatGPT 使用者成長（Meeker 報告第55和56頁）**¹： OpenAI 的 ChatGPT 是這一趨勢的主要指標。該平台的每週活躍使用者數（WAU）從2022年10月公開發佈時的幾乎為零，成長到2025年4月的驚人8億，在短短17個月內成長了8倍。¹ OpenAI 執行長 Sam Altman 在2025年4月的 TED 演講中證實了這個數字。¹ 來自 DemandSage 和 ExplodingTopics 等來源的外部市場分析證實了 WAU 快速成長的軌跡，雖然具體月數略有不同，但證實了整體趨勢和幅度。²⁶ 例如，ExplodingTopics 報告稱，至2025年2月，WAU 已達4億。²⁶

ChatGPT 對 WAU 的重視程度非常高。雖然每月活躍使用者數（MAU）是衡量平台規模和使用者黏性的標準指標，但 WAU 通常表示更高的參與頻率，這是融入日常或每週例行工作的工具的特徵。對於像生成式人工智慧這樣的新技術來說，如此快速地實現如此高的 WAU ¹，顯示使用者最初表現出強烈的興趣和廣泛的探索。然而，早期 WAU 確實會比 MAU 表現出更大的波動性。最初的熱潮可以推動頻繁使用，但如果該技術不能維持其對所有使用者廣泛日常任務的實用性，則使用量可能會隨之下降。因此，雖然8億週活躍使用者是一個了不起的數字，但持續監測 MAU/WAU 比率和使用者留存率（稍後討論，請參閱第85頁）¹，對於確定這種高頻參與是可持續趨勢，還是由好奇心驅動的初始高峰至關重要。長期價值最終將取決於將這些活躍的試用使用者轉變為該技術的深度嵌入的常規消費者。

**AI 全球採用（ChatGPT 與網際網路 – 北美以外使用者百分比）（Meeker 報告第57頁）**¹： ChatGPT 等人工智慧工具的全球傳播，尤其是在北美以外地區，速度明顯快於網際網路最初的國際擴張。報告顯示，網際網路花了大約23年的時間才達到90%使用者位於北美以外的程度。與之形成鮮明對比的是，ChatGPT 應用程式僅用3年就實現了同樣90%的國際使用者份額。¹ 此數據來自聯合國/國際電信聯盟的網際網路統計資料 ¹⁵ 和 Sensor Tower 的 ChatGPT 應用程式資料 ¹，突顯了人工智慧對全球的直接影響。

然而，ChatGPT 的這種快速「全球」採用數據需要仔細的背景化。正如 Meeker 的報告所指出的，截至2025年5月，ChatGPT 應用程式尚未在中國和俄羅斯等主要市場推出。¹ 這種排除嚴重影響了用於計算「全球」使用者份額的分母。尤其是中國，擁有蓬勃發展的本地人工智慧聊天機器人生態系統（例如第5節中詳述的 DeepSeek、Ernie Bot），這些聊天機器人正在國內迅速獲得使用者。如果將這些本地替代方案納入真正全面的「全球 LLM 使用者」指標中，那麼北美以外的「美國 LLM」使用者比例可能會有所不同，或者整體的「全球 AI 使用者」分佈肯定會更加多樣化。因此，如果將關鍵的人工智慧市場排除在比較的一方之外，那麼與最終實現了包括中國在內的近乎普遍普及的「網際網路」進行直接比較並不完全類似。儘管 ChatGPT 的國際影響力無疑非常迅速，但其「全球採用」的敘述必須承認這些重大的地緣政治和市場准入細分。人工智慧領域明顯呈現區域分化趨勢，不同的科技生態系統正在湧現，其中最明顯的是中國。這使得與開放網際網路等過去更普遍可存取的技術進行直接的全球比較變得越來越複雜。 Sensor Tower 的2024年人工智慧應用市場洞察報告進一步細化了這一情況，強調印度是全球最大的人工智慧應用下載市場，而北美在創造收入方面繼續佔據主導地位。²⁵ ExplodingTopics ²⁶ 和 FirstPageSage ⁴⁸ 關於 ChatGPT 的網路和應用程式綜合使用情況的數據也列出了美國和印度是用戶份額排名前兩位的國家，其次是一個龐大的、未分化的「其他」類別，這支持了廣泛國際使用的觀點，但也表明了集中在特定的大型市場。

下表對採用速度進行了量化比較，進一步說明了人工智慧工具的加速步伐。

表3：全球採用速度比較：網際網路與領先的人工智慧聊天機器人及其他技術平台

平台/技術達到1億使用者所需的時間北美以外使用者百分比（網際網路@23年 vs. ChatGPT@3年）使用者份額排名前3的國家（AI聊天機器人大概如此）
ChatGPT0.2年 ¹約90% @ 第三年（應用程式）¹1. 美國（約15-16%），2. 印度（約9-16%），3. 巴西/肯亞/德國（約3-6%）
TikTok0.9年 ¹不適用中國（抖音）、美國、印尼（因來源/時間而異）
Instagram2.5年 ¹不適用印度、美國、巴西（因來源/時間而異）
WhatsApp3.5年 ¹不適用印度、巴西、印尼（因來源/時間而異）
網際網路多年約90% @ 23年 ¹全球性，早期在北美佔據主導地位
DeepSeek（應用程式）快速（2025年推出）不適用1. 中國 (約34%), 2. 俄羅斯 (約9%), 3. 印度 (約7%)

註：N/A 表示資料無法直接比較或與來源資料中的資料格式不同。人工智慧聊天機器人的國家份額是根據現有數據估算的，可能會有所不同。ChatGPT 應用程式在中國/俄羅斯不可用。

**達到1億使用者所需的年數（Meeker 報告第58頁）**¹： 報告強調了 ChatGPT 在獲取使用者方面的出色速度，僅用0.2年就達到了1億使用者。這比其他知名科技平台的速度要快得多：TikTok 花了0.9年，Instagram 花了2.5年，Netflix（串流媒體）花了10.3年才達到同樣的里程碑。¹ 這個快速擴展是一個一致的主題，並且有據可查，ChatGPT 至2023年1月的月活躍使用者數就達到了1億。²⁶

**達到100萬客戶/使用者所需的天數（Meeker 報告第59頁）**¹： 從最初的100萬使用者大關來看，ChatGPT 的加速發展更是引人注目。僅花了5天就達到了100萬使用者，而 iPhone 需要74天，TiVo 需要1,680天，福特 T 型車需要大約2,500天。¹ 報告指出，ChatGPT 作為免費研究預覽版推出，這無疑降低了試用門檻，並促成了這一前所未有的初始採用速度。

**美國家庭普及率達到50%所需的年數（Meeker 報告第60頁）**¹： 展望未來，報告指出，「人工智慧時代」可能會延續美國家庭主要技術採用週期日益縮短的趨勢。參考 Morgan Stanley 的數據，比較了達到50%家庭普及率所需的時間：第二次工業革命（42年）、個人電腦時代（25年）、桌面網際網路時代（20年）、行動網際網路時代（12年）。該報告推測人工智慧時代可能在短短3年內實現這一目標，將上一個週期的持續時間縮短一半。¹ Morgan Stanley 確實發表了關於人工智慧採用曲線的研究，支持加速採用的概念。⁷⁷

ChatGPT 首次推出的「免費」存取模式是其快速獲得早期使用者的重要催化劑。¹ 然而，這個快速試用階段並不會自動轉換為所有使用者的深度、持續性或貨幣化的採用。此外，「人工智慧採用」的概念預計家庭普及率為50% ¹，與以前的技術相比，它是多方面的，而且定義不太明確。這是否意味著50%的家庭每天都會積極使用特定的 AI 聊天機器人，與現有產品（如搜尋引擎或智慧型裝置）中嵌入的 AI 功能進行互動，或擁有專用的 AI 硬體？與「個人電腦採用」（擁有個人電腦）或「網際網路採用」（訂閱網際網路服務）不同，人工智慧正日益成為各種技術中的嵌入層，而不是始終是獨特的獨立產品。因此，雖然速度指標無疑令人印象深刻，但實現50%有意義且持續的家庭與人工智慧互動的途徑，可能比簡單地將先前的技術採用週期減半更為複雜，特別是考慮到長期貨幣化策略以及人工智慧在消費者生活中體現的多種方式。

2.2 小節：技術生態系 AI 採用率 = 令人印象深刻（Meeker 報告第61-62頁）

人工智慧的成長不僅限於終端使用者應用；支撐人工智慧發展和部署的底層技術生態系統也以驚人的速度擴張。

**NVIDIA 運算生態系統的成長（Meeker 報告第62頁）**¹： NVIDIA 的數據顯示，2021年至2025年期間其運算生態系統中將出現此趨勢。利用 NVIDIA 平台的 AI 新創公司數量增加了3.9倍，從7,000家增加到27,000家。使用 NVIDIA GPU 的應用程式數量增加了2.4倍，從1,700個增加到4,000個。最值得注意的是，NVIDIA 生態系統中的開發者數量擴大了2.4倍，從250萬增加到了600萬。¹ Meeker 報告中的一張早期圖表（投影片5）也強調了到2025年開發者數量將達到600萬這一數字。¹ 這種快速擴張顯示建構和利用 AI 工具的活動十分活躍。NVIDIA 在其財務通訊中不斷強調其開發者計畫和 AI 新創參與度的成長，強調其在提供 AI 開發所必需的硬體和軟體堆疊方面發揮的核心作用。²²

開發者、專注於人工智慧的新創公司和 GPU 加速應用程式的成長，標誌著人工智慧解決方案的「供應方」日趨成熟。雖然消費者採用代表了需求方，但 NVIDIA 等生態系統的擴張（以及類似的 Google Gemini 開發者社群，正如 Meeker 在第40頁所指出的那樣 ¹）表明，建置和部署複雜的人工智慧解決方案的能力也正在迅速擴展。這會形成一個良性循環：可用工具和熟練人才的增加會促進更多創新人工智慧應用的開發，進而推動消費者和企業的進一步採用。這個強大的供應方基礎設施對於將人工智慧的理論潛力轉化為有形的現實世界產品和服務至關重要。

2.3 小節：科技巨頭採用 AI 是首要任務（Meeker 報告第63-67頁）

主要成熟科技公司不僅參與人工智慧革命，也將人工智慧的應用和領導力視為首要策略重點。

**財報電話會議中提及「AI」（Meeker 報告第64頁）**¹： Uptrends 對2020年第一季至2024年第一季的企業財報電話會議記錄進行分析，發現領先的科技公司大量提及「人工智慧」。NVIDIA（提及1,061次）、C3.ai（1,057次）、Google（568次）、百度（995次）和 Meta（475次）是經常討論人工智慧的公司，顯示其具有很高的策略重要性。¹ 在財務溝通中使用關鍵字追蹤是衡量策略重點領域的常用代理。

**CEO 對 AI 焦點的評價（Meeker 報告第65-67頁）**¹： 該報告匯集了知名科技公司執行長的聲明，均強調了人工智慧的變革性影響及其在公司策略中的核心作用：

  • Amazon 執行長 Andy Jassy（2025年4月）： 設想生成式人工智慧將重塑客戶體驗並改變從程式設計和搜尋到醫療保健和機器人等眾多領域。¹
  • Google 執行長 Sundar Pichai（2025年4月）： 將人工智慧描述為推進 Google 使命的最重要方式，並認為人工智慧帶來的機會巨大。¹
  • Duolingo 共同創辦人兼執行長 Luis von Ahn（2025年5月）： 強調了生成式 AI 在數據創建、新功能開發和全公司效率方面的作用，並引用了 Duolingo Chess 的 AI 驅動課程開發。¹
  • xAI 創辦人兼執行長 Elon Musk（2025年5月）： 強調使用「求真價值」對人工智慧進行程式設計對於人工智慧安全的重要性，並致力於透過 Grok 實現「最大限度求真」的人工智慧。¹
  • Roblox 共同創辦人兼執行長 David Baszucki（2025年5月）： 將人工智慧視為「人類加速工具」，其中人類和他們所使用的人工智慧的結合將決定整體產出。¹
  • NVIDIA 共同創辦人兼執行長 Jensen Huang（2025年5月）： 預測十年內人工智慧將融入「一切」，並將人工智慧資料中心描述為生產有價值情報的「人工智慧工廠」。¹

這些引言可以透過上市公司揭露的資訊進行驗證，一致反映了整個科技產業轉向人工智慧的策略重心。

這些現有企業對人工智慧的高度關注，反映了進攻和防禦的戰略需求。從進攻角度來看，人工智慧提供了創造新產品、進入新細分市場和顯著增強現有服務的途徑。從防禦角度來看，大力採用人工智慧至關重要，這樣可以避免受到敏捷的、以人工智慧為核心的新創公司或更有效地利用人工智慧功能的競爭對手的顛覆。在財報電話會議中「人工智慧」被頻繁提及 ¹ 以及執行長的強調聲明 ¹，向投資者和更廣泛的市場發出強烈信號，表明這些公司致力於引領人工智慧轉型，或至少不會落後。這種環境在這些組織內創造了一種「人工智慧授權」，迫使大量資源配置，影響併購策略，並加劇了對人工智慧人才的激烈競爭。這種「人工智慧軍備競賽」不僅限於單純的技術開發，還涵蓋策略性訊息傳遞和人才獲取，可能會推高營運成本，並營造一種高風險的氛圍，在這種氛圍中，落後被視為一種生存威脅。

2.4 小節：「傳統」企業 AI 採用 = 優先順序不斷上升（Meeker 報告第68-75頁）

人工智慧的戰略重要性已經超越了技術領域，傳統企業越來越認識到人工智慧是其營運和成長的優先事項。

**標準普爾500指數公司在財報電話會議上提及的人工智慧（Meeker 報告第69頁）**¹： 高盛研究的數據顯示，2024年第四季度，約有50%的標準普爾500指數公司在季度財報電話會議上提到了「人工智慧」。¹ 這一數字較前幾年有顯著增長，顯示主流企業對人工智慧能力的關注和投資日益增加。

**全球企業瞄準的生成式 AI 改進（Meeker 報告第70頁）**¹： Morgan Stanley 2024年對全球企業的調查顯示，未來兩年內，企業對生成式人工智慧改善的主要目標主要是以收入為中心。關鍵領域包括提高生產/產量、客戶服務和銷售效率，而不是只專注於降低成本。¹ 這顯示企業從策略上將人工智慧視為核心業務功能成長和營運效率的工具。Morgan Stanley 的 AlphaWise 調查始終如一地提供有關企業採用 AI 驅動因素的見解。³⁰

**全球 CMO 生成式 AI 採用情況調查（Meeker 報告第71頁）**¹： 行銷部門是傳統企業中最早採用人工智慧的部門之一。Morgan Stanley 2024年對全球首席行銷長（CMO）的一項調查發現，大約75%的 CMO 已經在使用或積極測試生成式 AI 工具進行行銷活動。¹

**企業案例研究（Meeker 報告第72-75頁）**¹： 該報告提供了幾個案例研究，說明了人工智慧在各個非技術領域的實際應用和影響：

  • **美國銀行 – Erica 虛擬助理（2018年6月推出）**¹： 截至2025年2月，Erica 已處理了25億次客戶互動，提供了即時財務洞察和協助。
  • **摩根大通－端對端人工智慧現代化（2020年啟動）**¹： 該公司正在利用 AI/ML 透過創造收入以及提高成本和風險效率來推動價值。
  • **Kaiser Permanente－多模態環境人工智慧抄寫員（2023年10月推出）**¹： 至2024年12月，約有7,000名醫生正在使用 AI 抄寫員，該抄寫員已處理了超過250萬份患者就診記錄，減輕了行政負擔。
  • **Yum! Brands – Byte by Yum!（2025年2月推出）**¹： 第一個月內，Yum! 旗下25,000家餐廳（包括肯德基、塔可鐘、必勝客）都至少使用了 Byte by Yum! 人工智慧驅動的餐廳技術平台的產品，該平台旨在優化商店營運。

傳統企業專注於生成式 AI 的改進，以獲得實際成果，例如提高生產效率、優化客戶服務和提高銷售效率 ¹，顯示了一種務實的態度。與一些可能在基礎人工智慧研究上投入巨資的科技公司不同，傳統企業通常更專注於應用現有的人工智慧技術來解決特定的業務問題並實現可衡量的投資報酬率（ROI）。所提出的案例研究 ¹ 持續強調那些能夠明顯提高效率或增強客戶體驗的應用程式。明顯強調「以收入為中心」的改進，而不是純粹「以成本為中心」的改進 ¹，顯示了將人工智慧視為成長引擎的戰略眼光，儘管必須嚴格證明其價值。因此，對於針對這些傳統企業領域的人工智慧解決方案供應商來說，能夠展示明確的投資報酬率並提供與核心業務目標（如生產力、客戶參與度和收入成長）直接相關的用例至關重要。這些產業的採用週期可能更取決於已證實的、可量化的價值，而不僅僅是技術新穎性。

2.5 節：教育/政府/研究領域 AI 的採用 = 優先順序不斷上升（Meeker 報告第76-80頁）

公共部門實體，包括教育機構、政府機構和研究組織，越來越重視人工智慧的採用和整合。

**教育與政府 AI 整合（Meeker 報告第77頁）**¹： 有幾項舉措凸顯了這一趨勢：亞利桑那州立大學的「人工智慧加速」計畫（2023年8月）、牛津大學和 OpenAI 之間的五年人工智慧研究和素養合作夥伴關係（2025年3月）、密西根大學與 OpenAI 之間的類似合作夥伴關係（2025年3月）、針對美國聯邦機構推出的 ChatGPT Gov（2025年1月），以及美國國家實驗室在核能、網路安全和科學突破方面建立的以人工智慧為重點的合作夥伴關係（2025年1月）。¹ 這些例子顯示了利用人工智慧促進公共和學術領域的研究進步、教育提升和營運改善的承諾。

**主權 AI 政策和 NVIDIA 合作夥伴（Meeker 報告第78頁）**¹： 各國紛紛制定「主權人工智慧」政策，旨在建立國內人工智慧能力和基礎設施。報告重點介紹了 NVIDIA 與多個國家（包括法國（Scaleway）、西班牙（巴塞隆納超級運算中心）、厄瓜多（Telconet）、瑞士（Swisscom Group）、日本（AIST）、越南（FPT Smart Cloud）和新加坡（Singtel））合作，以支持這些國家 AI 目標所發揮的作用。¹ 據報導，NVIDIA 執行長 Jensen Huang 將國家對 AI 基礎設施的投資比作歷史上對電力和網路的投資。

「自主人工智慧」倡議的興起反映了地緣政治競爭的新維度和技術脫鉤的潛在趨勢。受科技依賴策略風險的驅動，正如中美科技競爭所強調的那樣 ¹，各國越來越多地將人工智慧視為關鍵的國家基礎設施。這些措施旨在確保國家對人工智慧開發、資料治理和部署的控制，其動機是經濟競爭力、國家安全需求和資料隱私問題。然而，全球對人工智慧主權的推動可能會導致全球人工智慧格局的分裂，可能為人工智慧帶來「分裂網路」效應，不同國家或地區的人工智慧生態系統將在不同的標準、法規和技術優先順序下發展。雖然這可能會阻礙無縫的國際合作，但它也為 NVIDIA 等技術供應商提供了重大機遇，它們可以為各國提供建立自己的人工智慧能力所需的工具和專業知識。¹

**FDA 核准的 AI 醫療設備和 NIH AI 預算（Meeker 報告第79頁）**¹： 儘管受到嚴格監管，醫療保健產業仍見證著人工智慧應用的顯著成長。美國食品藥物管理局（FDA）核准的支援人工智慧的新型醫療設備的數量從21世紀初每年個位數成長到2023年的223個。¹ 這一趨勢得到了政府資金的支持；美國聯邦2021-2025財政年度人工智慧預算為147億美元，其中國立衛生研究院（NIH）要求為2025財政年度撥款34%。此外，2025年5月宣布的一項新的 FDA AI 政策旨在擴大所有 FDA 中心對 AI 的內部使用。¹

**人工智慧驅動的藥物發現（縮短研發時間）（Meeker 報告第80頁）**¹： 人工智慧正在展示其顯著加速醫學等關鍵領域研究和開發的潛力。例如，據報道，與傳統方法相比，Insilico Medicine 和 Cradle 等公司的人工智慧驅動的藥物發現平台將達到臨床前候選狀態的時間縮短了30%至80%。¹ 傳統方法可能需要2.5至4年，而對於特定的治療目標，人工智慧輔助方法已將這一時間縮短至10-18個月。

人工智慧在醫療保健和國防等受到嚴格監管和高風險領域的快速發展和應用，凸顯了監管機構面臨的關鍵「節奏問題」。雖然人工智慧具有巨大的潛在優勢，但其發展速度往往超出了現有監管框架建立和執行適當的安全性、有效性和道德準則的能力。FDA 對 AI 醫療器材的核准率不斷提高，並主動在內部採用 AI ¹ 都是積極的舉措。然而，確保這些強大的工具長期安全、公正和有效仍然是一個複雜而持續的挑戰，特別是考慮到某些人工智慧模型的「黑箱」性質，這可能會使驗證和監督變得困難。我們迫切需要建立一個靈活、適應性強的監管框架，以跟上這些敏感領域的人工智慧創新步伐。如果無法開發這樣的框架，可能會扼殺有益的創新，或導致不安全或不公平的人工智慧系統的過早部署。FDA 的新 AI 政策承認了這個挑戰，但這個問題是全球性的和持續存在的。

2.6 小節：人工智慧的使用情況（重點在於使用情況指標）（Meeker 報告第81-88頁）

本小節將深入探討體現人工智慧工具使用深度和廣度的具體指標，特別關注 ChatGPT 作為更廣泛的人工智慧參與的代理。

**ChatGPT 各年齡層使用情況（美國）（Meeker 報告第82頁）**¹： 皮尤研究中心（2023年7月）和伊隆大學（2025年1月）的調查顯示，美國所有成年人年齡層對 ChatGPT 的使用率都在增加。2025年1月，44%的美國成年人表示曾使用 ChatGPT。採用率最高的是18-29歲族群（55%），其次是30-49歲（44%）、50-64歲（21%）和65歲以上（13%）。¹ OpenAI 執行長 Sam Altman 指出，老年使用者傾向於將 ChatGPT 用作 Google 的替代品，而年輕使用者則更多地將其用作生活顧問。¹

**ChatGPT 應用程式參與度（美國）（Meeker 報告第83和84頁）**¹： Sensor Tower 的數據顯示，美國使用者對 ChatGPT 行動應用程式的參與度顯著上升。

  • 每日花費時間： 從2023年7月到2025年4月，美國活躍使用者在 ChatGPT 應用程式上花費的平均每日分鐘數增加了202%。¹
  • 會話和持續時間： 同期，每位使用者的平均每日會話數成長了106%，平均會話時間增加了47%。¹ 這些指標表明使用者不僅僅是嘗試該應用程式，而是將其更深入地融入他們的日常生活中，花費更多的時間並更頻繁地參與。

**ChatGPT 與 Google 搜尋桌面使用者留存率比較（Meeker 報告第85頁）**¹： 根據 YipitData 的數據，2023年1月至2025年4月期間，消費者 ChatGPT 的全球桌面使用者留存率（80%）明顯高於 Google 搜尋（58%）。¹ ChatGPT 的更高留存率表明，對於桌面上的某些任務或使用者群，它正在提供引人注目的持續價值。使用者留存率是產品持續滿足使用者需求能力的有力指標。ChatGPT 在這個特定指標上的表現優於 Google 搜尋等根深蒂固的實用工具，意味著它為特定用例提供了更優質或更具吸引力的體驗，這可能是因為它的對話介面、資訊整合能力或超越傳統搜尋功能的內容生成任務中的實用性。這種高留存率，與不斷增加的參與度指標 ¹ 相結合，表明人工智慧聊天機器人正在從新奇事物轉變為擁有大量使用者的整合工具，對傳統資訊檢索範式構成真正的長期挑戰。

**AI 聊天機器人@工作協助（美國）（Meeker 報告第86頁）**¹： 皮尤研究中心2024年10月的一項調查發現，超過72%使用人工智慧聊天機器人的美國就業成年人認為它們有助於提高速度和/或改善工作品質。¹ 具體來說，37%的人認為它們對速度「極其/非常」有幫助，21%的人認為它們對品質「極其/非常」有幫助。這表明人工智慧聊天機器人正在被視為專業環境中有價值的生產力工具。

**ChatGPT 使用情況調查 – 美國學生（18-24歲）（Meeker 報告第87頁）**¹： OpenAI 在2024年12月至2025年1月期間進行的一項調查顯示，18-24歲的美國學生大量利用 ChatGPT 進行教育。主要用途包括學術研究（45%）、主題探索（40%）和啟動論文/計畫（37%）。¹

**AI 使用擴展 – 深度研究能力（Meeker 報告第88頁）**¹： 報告指出，人工智慧工具正在從簡單的問答發展到執行複雜、多步驟的研究任務，從而實現專業知識工作的自動化。例如正在為 Google Gemini、OpenAI ChatGPT 和 xAI Grok 開發或宣布的「深度研究」功能。¹

這種向「深度研究」的演變標誌著從資訊檢索到知識生成的潛在範式轉移。傳統搜尋引擎擅長尋找現有文件和網頁。相較之下，這些先進的人工智慧功能旨在整合來自眾多來源的資訊，對整理的數據進行推理，並產生新穎的摘要或報告。這其實意味著人工智慧可以執行最初的、通常很費力的分析和整合階段，從而提升知識工作的價值鏈。這種發展可能會對嚴重依賴資訊整合和分析的職業產生深遠影響，例如研究人員、分析師、顧問和記者。雖然它可以使複雜研究能力的獲取變得民主化，但它也引發了人們對人工智慧生成整合的可靠性、訓練資料中存在偏見的可能性以及降低人類分析能力的風險的擔憂。

2.7 小節：AI 代理進化 = 聊天回應 -> 執行工作（Meeker 報告第89-92頁）

本小節探討了人工智慧從簡單的對話介面到能夠自主執行任務的更複雜「代理人」（agent）的進展。

**解釋 AI 代理進化的文本（Meeker 報告第90頁）**¹： 人工智慧正在從被動聊天機器人（在狹窄的流程內響應使用者提示）發展為主動人工智慧代理人。這些代理人被描述為智慧的、長期運作的進程，可以代表使用者推理、行動並完成多步驟任務。例如預訂會議、提交報告或跨平台協調工作流程，通常使用自然語言命令。這種轉變類似於網路從靜態頁面到動態應用程式（例如 Gmail、Google Maps）的演進。據報道，企業正在主導這些代理人的部署。¹

**Google 搜尋「AI 代理」（Meeker 報告第91頁）**¹： 2024年1月至2025年5月期間，全球 Google 對「AI 代理」一詞的搜尋熱度激增1088%。¹ 2025年3月11日左右，當 OpenAI 推出 AI 代理人開發工具時，搜尋量出現顯著激增，顯示大眾和開發者對這項新興技術的興趣日益濃厚。我們可以使用 Google Trends 資料來驗證這一趨勢。⁹³

**AI 現任代理啟動（Meeker 報告第92頁）**¹： 各大科技公司都在積極開發和發布 AI 代理能力。範例包括：

  • Salesforce Agentforce（2024年10月正式發布）： 用於自動化客戶支援、案例解決和潛在客戶資格認定。
  • Anthropic Claude 3.5 電腦使用（2024年10月研究預覽）： 支援直接透過電腦螢幕控制執行從網站提取資料等任務。
  • OpenAI Operator（2025年1月研究預覽）： 直接電腦控制和任務執行的類似能力。
  • Amazon Nova Act（2025年3月研究預覽）： 專注於家庭自動化、資訊收集、採購和調度。

這些產品公告可透過公司通訊進行驗證，顯示該產業正在推動更自主的人工智慧系統。

人工智慧代理人的發展可以看作是底層基礎模型的「應用層」的出現。大型語言模型提供核心智慧（推理、語言理解），而聊天機器人是這種智慧最初被廣泛採用的介面。人工智慧代理人代表著一種更複雜的介面，允許這種核心智慧與其他軟體、API 和數位系統互動以執行複雜的任務。這類似於以前的運算時代作業系統為軟體應用程式提供平台的方式。強大的人工智慧代理人的成功開發和廣泛應用可以開啟大量新的人工智慧服務和自動化。成功建構和控制這些代理平台的公司可以有效地成為人工智慧時代的新「作業系統」，仲介使用者、人工智慧模型和更廣泛的數位生態系統之間的互動。這代表著未來價值創造和激烈競爭的重要領域。

2.8 小節：人工智慧的下一個前沿 = 通用人工智慧（Meeker 報告第93-94頁）

本小節討論了通用人工智慧（AGI），這是人工智慧發展的理想未來，儘管目前仍不確定。

**解釋 AGI 的文本（Meeker 報告第94頁）**¹： AGI 被定義為能夠執行所有人類智力任務的人工智慧系統，包括推理、規劃、從有限數據中學習以及跨不同領域的知識概括——與目前在特定範圍內表現出色的人工智慧不同。AGI 的時間表尚不確定，但專家的預期已經提前。OpenAI 執行長 Sam Altman 在2025年1月表示，「我們現在有信心，我們知道如何以傳統方式建立 AGI」。¹ 該報告表明，AGI 將重新定義軟體，使系統能夠理解目標、制定計劃並自我修正。雖然潛在的生產力上升空間巨大，但該文件也承認其深遠的地緣政治、道德和經濟後果，值得我們慎重看待。¹

Sam Altman 的聲明表達了對知道如何建構 AGI 的信心，這非常重要。然而，擁有理論路徑或藍圖，與實際建構、嚴格測試、充分理解所有新興特性並確保此類系統的安全性和可控性之間，存在著關鍵的差異。目前 AGI 的發展軌跡似乎涉及擴展現有架構（如 Transformers），並使其資料和運算能力呈指數級增長。這種方法確實可以使系統在廣泛的任務中表現出類似 AGI 的能力。然而，這些大規模系統是否具有真正的理解力、類似於人類經驗的意識，或者是否本質上可靠地與人類價值觀保持一致，這些都是深刻的問題，在很大程度上仍未得到解決，也是科學界激烈爭論的主題。Altman 的信心可能反映了 AGI 潛在道路上的工程進步，但有關 AGI 的本質、其不可預測的突發行為的能力，以及確保其安全性和一致性的方法等基本科學和哲學挑戰，還遠未解決。因此，「下一個前沿」不僅要實現新的能力，還要確保對所創造內容的理解和控制。

2.9 小節：AI 使用者 + 使用量 + 資本支出成長 = 前所未見（重點在於資本支出）（Meeker 報告第95-129頁）

本小節詳細介紹了投入人工智慧領域的前所未有的資本支出（CapEx），這得益於訓練和部署人工智慧模型的龐大運算需求，以及專用資料中心基礎設施的同步建置。

**技術資本支出的演進（Meeker 報告第96頁）**¹： 幾十年來，科技資本支出的重點不斷演變：從最初強調儲存和存取，到分發和規模，再到現在，明確地轉向運算和智慧，主要用於人工智慧。超大規模企業正在引領這一潮流，大力投資專用晶片（GPU、TPU、AI 加速器）和液體冷卻等先進的資料中心技術。Microsoft 副董事長兼總裁 Brad Smith 將人工智慧和資料中心比作「工業化的下一階段」，其影響與電力類似。¹ Microsoft 關於人工智慧治理的官方報告中也表達了同樣的觀點。⁷²

**六大科技公司的資本支出與全球資料產生（Meeker 報告第98頁）**¹： 圖表顯示，2014年至2024年間，美國「六大」科技公司（Apple、NVIDIA、Microsoft、Alphabet、Amazon AWS、Meta）的資本支出每年成長21%，而全球數據生成量每年成長28%。¹ 這種關聯是合乎邏輯的：更多的資料需要更多的基礎設施來儲存、處理和分析。數據來源於 Capital IQ 和 Hinrich Foundation。

**全球超大規模雲端運算收入（Meeker 報告第99頁）**¹： 2014年至2024年，全球超大規模雲端供應商（包括 Amazon AWS、Microsoft Intelligent Cloud、Google Cloud、Oracle Cloud、IBM Cloud、Alibaba Cloud 和 Tencent Cloud）的營收年增率為37%。¹ 這一收入成長反映了對運算資源的激增需求，而運算資源是人工智慧開發和部署的基礎。數據是基於公司揭露和 Morgan Stanley 的估計。³⁰

**AI 模型訓練資料集大小（詞元）（Meeker 報告第101頁）**¹： 根據 Epoch AI 的數據，從2010年6月到2025年5月，用於訓練人工智慧模型的數據集的大小（以詞元衡量）每年成長250%。¹ 更大、更多樣化的資料集對於訓練更強大的人工智慧模型至關重要，這直接推動了對更廣泛的運算和基礎設施的需求。Epoch AI 的研究始終支持訓練資料量快速擴大的趨勢。⁷⁹

**六大資本支出 vs. ChatGPT 週活躍使用者（Meeker 報告第102頁）**¹： 近期人工智慧應用的加速，以 ChatGPT 的週活躍使用者數成長（2023年至2024年間成長200%）為代表，與六大科技公司的資本支出加速成長（同期成長63%）相關。¹ 這顯示人工智慧應用的成功與基礎設施投資之間存在直接關聯。資料來源為 Capital IQ 的資本支出 ²⁸ 和 OpenAI 揭露的週活躍使用者數量 ²⁶。

**六大資本支出佔收入的百分比（Meeker 報告第103頁）**¹： 科技巨頭們正在將越來越多的收入用於資本投資。六大公司資本支出佔收入的百分比從2014年的約8%上升到2024年的15%。¹ 根據 Capital IQ 和 Morgan Stanley 的數據 ³⁰，這一趨勢凸顯了人工智慧的戰略重要性和資本密集度。

**Amazon AWS 資本支出佔營收的百分比（雲端運算與人工智慧模式）（Meeker 報告第105頁）**¹： Amazon AWS 提供了這些投資週期的案例研究。在最初的雲端運算建置期間，其資本支出佔收入的百分比很高（2013年為27%），但隨著該階段的成熟而下降（2018年為4%）。然而，隨著人工智慧/機器學習的興起，AWS 開啟了新一輪大規模基礎設施投資週期，將這項指標在2024年推高至49%。¹ Morgan Stanley 的研究分析了這種模式。³⁰

**NVIDIA GPU 效能改進（Meeker 報告第107頁）**¹： GPU 技術的進步是人工智慧繁榮的關鍵推動因素。對於一個理論上價值10億美元的資料中心，NVIDIA GPU 在2016年（Pascal）和2024年（Blackwell）之間的改進已導致 AI FLOPS 效能提高225倍，年度推理詞元容量提高27,500倍（意味著理論詞元收入提高30,000倍），同時資料中心功耗降低43%，從而使能源效率（每百萬瓦年詞元數）提高了50,000倍。¹ 這些數據是基於 NVIDIA 自己的效能聲明 ²²，並強調了硬體創新如何使 AI 運算更加強大和高效，從而推動更大的需求和更廣泛的應用，這種動態在某種程度上讓人想起摩爾定律對運算的歷史影響。⁹⁵

**NVIDIA GPU 運算能力全球存量（Meeker 報告第108頁）**¹： 根據 Epoch AI 的數據，從2019年第一季到2024年第四季，全球 NVIDIA GPU 的總安裝 AI 運算能力每年成長130%。¹ 可用運算的這種指數級增長是 AI 工作負載需求的直接結果。

**NVIDIA 在資料中心資本支出的份額（Meeker 報告第110頁）**¹： NVIDIA 已成為此次人工智慧驅動的資本支出激增的主要受益者。其在全球資料中心資本支出中的份額（基於 NVIDIA 的資料中心收入）從2022年的10%左右上升到2024年的25%。¹ 資料來自 Dell'Oro Research 和 NVIDIA。

**六大研發支出（Meeker 報告第112頁）**¹： 除資本支出外，六大科技公司的研發支出也在上升，佔收入的比例從2014年的9%上升到2024年的13%，絕對研發支出每年成長20%。¹ 這反映出對人工智慧創新本身的持續投資，而不僅僅是基礎設施。數據來自 Capital IQ。

**六大現金儲備（Meeker 報告第114和115頁）**¹： 這些科技巨頭擁有龐大的財力資源來推動他們的人工智慧雄心。他們的總自由現金流在十年內成長了263%，至2024年將達到3890億美元。¹ 同樣，至2024年，他們資產負債表上的總現金（包括等價物和有價證券）成長了103%，達到4430億美元。¹ 數據來自 Capital IQ。

**運算訓練和運行模型的支出（文本）（Meeker 報告第116-117頁）**¹： 這筆巨額資本支出的核心驅動力是對訓練和部署人工智慧模型所需的運算能力的巨大且不斷增長的需求。前沿大型語言模型（LLM）的訓練成本極高且持續上升，每個模型的成本通常超過1億美元，預計將達到數十億美元。¹ Anthropic 執行長 Dario Amodei 在2024年中期指出，價值100億美元的模型訓練可能在2025年開始。¹ 訓練是偶發性的，而推理（即時運行模型）是連續的，並且正在成為 AI 運算成本的主要部分，正如 Amazon 執行長 Andy Jassy 和 NVIDIA 執行長 Jensen Huang 所說。¹ 儘管由於硬體和演算法效率的提高，每單位推理成本（每詞元成本）正在急劇下降 ³⁶，但 AI 使用量的爆炸式增長意味著總體推理運算需求正在飆升。這就形成了一種動態，即較低的單位成本推動了較高的總體支出，給雲端供應商、晶片製造商和企業 IT 預算帶來了壓力。目前，人工智慧的經濟特徵仍是資本密集度高以及競相滿足指數級擴張的使用需求。¹

**資料中心作為主要受益者（Meeker 報告第118-124頁）**¹： 人工智慧驅動的需求激增推動資料中心支出達到歷史最高水準。2024年，全球 IT 公司資料中心資本支出達到4550億美元，並且持續加速成長。¹ 超大規模企業和 AI 優先公司正在投資數十億美元用於專為即時推理和模型訓練而設計的運算就緒容量。NVIDIA 的 Jensen Huang 將這些 AI 資料中心稱為「AI 工廠」。¹ 施工進度也在加速。位於田納西州孟菲斯的 xAI Colossus 設施是一個佔地750,000平方英尺的資料中心，僅用122天就建成，僅為美國普通住宅建造時間的一半。¹ 由於預製模組和簡化許可等創新，這種快速部署變得越來越普遍。¹ 2022年至2024年間，美國私人資料中心建設的年化價值實現了49%的年增長率，較2014年至2022年期間28%的年增長率顯著加快。¹ 就美國主要市場的容量而言，2020年至2024年，新資料中心容量（預租或正在建造）成長了16倍，而新填充的現有容量成長了5倍。¹ 以 xAI Colossus 設施為例，它在短短七個月內（2024年4月至11月）就從0擴展到20萬個 GPU，並計劃使用100萬個 GPU。¹ 然而，這種快速建設面臨挑戰。資本支出由土地、電力、晶片和冷卻驅動，而營運支出則由能源和維護主導。電力供應日益成為一項限制因素，因為變壓器和渦輪機等零件並非一夕之間就能生產出來的商品。¹

**資料中心 = 耗電大戶（Meeker 報告第125-129頁）**¹： 人工智慧不斷增長的運算需求給能源資源帶來了巨大的壓力。該文件引用了國際能源總署（IEA）2025年的報告《能源與人工智慧》，指出以人工智慧為重點的資料中心正在成為主要的電力消耗者。¹ 2024年，資料中心約佔全球電力消耗的1.5%，自2017年以來每年增長約12%，是總電力消耗成長速度的四倍多。¹ 美國佔全球資料中心電力消耗的45%，其次是中國（25%）和歐洲（15%）。¹ 雖然人工智慧本身可以提高能源效率，但其當前的電力需求巨大且不斷增長。¹ 國際能源總署報告強調，這一軌跡將需要在能源生產和電網基礎設施方面進行大量投資。全球資料中心的電力消耗在十九年間（2005-2024年）成長了兩倍。¹ 從地區來看，美國的資料中心電力消耗處於領先地位。¹ 最終，模型建構者要維持這種運算和能源消耗水平，就需要獲利。¹

第三部分：AI 模型運算成本高昂/持續上升 + 每詞元推理成本下降 = 效能趨同 + 開發者使用率上升（Meeker 報告第129-152頁）

本節探討人工智慧模型的複雜經濟學，其特點是前沿模型的訓練成本飆升，而利用這些模型（推理）的成本卻迅速下降，導致頂級模型之間的效能趨同和開發者採用率激增。

最強大的大型語言模型（LLM）的開發已成為一項極其耗資的事業。隨著對更高效能的追求推動模型走向更大的參數數量和更複雜的架構，與訓練這些模型相關的成本也在上升，現在每個模型的成本通常達到數億甚至數十億美元。¹ 這種創建最強大的通用模型的激烈競爭，可能會自相矛盾地導致商品化效應和收益遞減，因為領先模型之間的輸出品質開始趨同，使得持續的差異化變得越來越具有挑戰性。

同時，應用和使用這些訓練模型的相關成本（稱為推理的過程）正在以驚人的速度下降。這種下降是由於硬體效率的不斷提高所致。例如，據稱 NVIDIA 的2024年 Blackwell GPU 與其2014年 Kepler GPU 前身相比，每個詞元消耗的能量減少了105,000倍。¹ 當模型本身的演算法效率取得突破時，推理的單位成本就會大幅下降。這為人工智慧利用創造了一條新的成本曲線，該曲線呈現急劇下降趨勢，與訓練成本的上升軌跡形成鮮明對比。

隨著推理變得更便宜、更有效率，大型語言模型供應商之間的競爭格局正在改變。重點不再僅僅放在模型準確性上，而是越來越多地放在延遲（反應速度）、正常運行時間（可靠性）和每詞元成本等因素上。因此，利用人工智慧完成原本可能需要花費數美元的任務，現在只需花費幾美分就能完成，而原本需要花費幾美分的任務可能很快就能以幾分之一美分的價格完成。

這些不斷發展的經濟動態具有重大影響。對於終端使用者和開發者來說，這一趨勢非常有利，可以大幅降低獲得強大 AI 功能的單位成本。隨著這些成本的下降，新的人工智慧產品和服務的創造正在蓬勃發展，從而導致使用者採用率上升和參與度擴大。然而，對於這些基礎模型的供應商來說，這種情況對貨幣化和長期獲利提出了相當大的挑戰。當模型服務成本快速下降、定價能力逐漸減弱時，前期高額的訓練投資很難收回。這使得大型語言模型的現行商業模式處於不斷變化的狀態。此外，隨著專門針對自訂用例進行訓練的較小、更具成本效益的模型（例如作為範例提到的 OpenEvidence）開始受到關注，關於「一體適用」大型語言模型方法的普遍適用性的新問題也開始出現。人工智慧供應商是否能夠成功建構廣泛的橫向平台，還是需要專注於專業化的高價值應用，這個根本問題仍懸而未決。從短期來看，通用大型語言模型的經濟狀況通常類似商品企業的經濟狀況，其特徵是營運成本高、資本消耗大。

每詞元成本 是此上下文中的關鍵指標，表示在語言模型運行期間處理或產生單個標記（可以是單字、子詞或字元）所產生的費用。它對於評估部署人工智慧模型的運算效率和成本效益至關重要，尤其是在自然語言處理應用中。

3.1 小節：AI 模型訓練運算成本 = 高昂/持續上升（Meeker 報告第132頁）

訓練最先進的人工智慧模型所需的財務和運算資源急劇增加。

圖表：2016年至2024年前沿人工智慧模型的訓練成本預估（來自 Epoch AI 和史丹佛大學）： 此圖表使用對數刻度表示以美元為單位的訓練成本，顯示2016年至2024年間，前沿 AI 模型的預期訓練成本增加了約2,400倍。對於一些近期模型，成本已從相對適中的數字上升到1億美元以上。

引自 Dario Amodei（Anthropic 執行長，2024年6月）： Amodei 表示：「目前，（人工智慧模型訓練的成本）為1億美元。目前訓練中的模型數量可能超過10億…我認為，100億美元模型的訓練可能會在2025年左右開始。」這句話強調了維持人工智慧模型開發前沿所需的資本投資需要快速增加。

驗證/增強： Epoch AI 和史丹佛大學 HAI AI 指數是追蹤 AI 模型訓練成本和運算的主要來源。¹⁸ 前沿模型成本不斷上升的趨勢已得到充分證實，這是由於人們追求在更廣泛的資料集上訓練更大的模型以實現更高的效能。

3.2 小節：每詞元推理成本下降（Meeker 報告第134-138頁）

雖然訓練成本飆升，但實際「使用」或「運行」這些針對特定任務（推理）的人工智慧模型正處於急劇下降的趨勢中。這是塑造人工智慧的可及性和廣泛應用的關鍵動力。

Microsoft 前技術長 Nathan Myhrvold 在1997年提出的「軟體是一種氣體…它會膨脹以填滿容器」的觀察，似乎特別適用於當今的人工智慧。隨著人工智慧模型功能越來越強大，其在各種應用中的使用也越來越廣泛。這種使用量的增加（更多的查詢、運行更多的模型、每個任務處理的更多詞元）自然會增加對運算資源的需求。對人工智慧運算的需求並沒有減少；相反，它正在擴張並消耗所有可用資源，就像桌面和雲端運算時代的軟體一樣。

然而，支援人工智慧的基礎設施並不是一成不變的；它正以前所未有的速度前進。正如 Meeker 在第136頁所強調的那樣，與2014年的 Kepler 前身相比，NVIDIA 的2024年 Blackwell GPU 生成語言模型詞元所消耗的能量減少了105,000倍。硬體效率的驚人提升證明了架構和材料科學的創新從根本上重塑了硬體層面的可能性。這些效率的提高對於減輕不斷增長的人工智慧和網路使用對電網帶來的壓力至關重要。

然而，這些效率的提高往往會導致整體消費的增加，這種現象與1865年首次提出的傑文斯悖論相符。該悖論指出，提高資源效率的技術進步實際上可以提高這些資源的整體使用率，因為有效成本降低且新應用變得可行。這促使人們重新關注擴大能源生產能力，並對電網管理人工智慧資料中心日益增長的需求的能力提出了新的質疑。再一次，科技的一個永恆模式顯而易見：成本下降，效能上升，使用量成長，所有一切都同步進行。這一循環顯然正在人工智慧上重演。

AI 推理「貨幣」 = 詞元（Meeker 報告第135頁）： 報告明確指出，「詞元」（單字、子單字或字元）是衡量人工智慧推理的基本單位。就上下文而言，100萬個詞元相當於大約750,000個單字或大約5,000個典型的 ChatGPT 回應（假設每次互動200個詞元）。本單位對於理解推理定價至關重要。

AI 推理成本 – NVIDIA GPU（Meeker 報告第136頁）： 基於 NVIDIA 數據的圖表顯示，2014年（Kepler）至2024年（Blackwell）期間，使用 NVIDIA GPU 產生大型語言模型詞元所需的能量（焦耳）下降了105,000倍。每個詞元的能源效率的顯著提高是推理成本下降的關鍵驅動因素。

AI 推理成本 – 服務模型（Meeker 報告第137頁）： 史丹佛大學 HAI 的數據顯示，2022年11月至2024年12月期間，用於人工智慧推理的每100萬個詞元的客戶價格下降了99.7%。價格的快速下降使得更廣泛的使用者和開發者能夠使用人工智慧功能。Epoch AI 的研究也證實了大型語言模型推理價格快速下降的趨勢，在實現特定效能里程碑時，價格每年下降9倍到900倍不等，在各種基準和效能水平中，價格平均每年下降50倍。³⁶ OpenAI 執行長 Sam Altman 也指出，使用一定程度的人工智慧的成本每12個月下降約10倍，並以從 GPT-4 到 GPT-4o 的價格下降為例。³⁷

人工智慧成本效率提升與先前技術相比（Meeker 報告第138頁）： 比較圖表顯示，人工智慧推理（具體來說，75字的 ChatGPT 回應）的成本相對於其推出年份的下降速度，比電力或電腦記憶體在其各自的歷史採用階段的成本下降速度要快得多。電力成本數據是基於 Richard Hirsh 的研究 ³² 以及電腦記憶體儲存成本來自 John C. McCallum 的研究。³⁴ 這凸顯了人工智慧經濟演進的獨特速度。

3.3 小節：科技的永恆頓悟 = 成本下降 + 效能提升 → 採用率上升…（Meeker 報告第139-140頁）

本小節將人工智慧成本的下降和效能的提高與成熟的技術模式聯繫起來，這種動態會導致採用率的提高。

美國網路使用者與相對 IT 成本（Meeker 報告第139頁）： 使用來自 FRED（聯邦儲備經濟數據）和國際電信聯盟的數據的圖表顯示，隨著資訊技術（硬體和服務，以1989年1月1日=100為指數）的相對成本從1989年到2023年大幅下降，美國網路使用者數量大幅增長。這說明了 IT 成本下降和網路普及率上升之間的歷史關係。

AI 模型訓練運算與相對 IT 成本（Meeker 報告第140頁）： 這張圖表將 AI 模型訓練運算量的成長（每個 Epoch AI 的 FLOPs，顯示每年360%的成長）與美國 IT 消費者物價指數的下降進行了疊加。雖然 IT 成本整體下降，但用於訓練 AI 模型的運算成本卻飆升。這表明，雖然「單位」運算成本可能會減少，或者人工智慧發展的「效率」正在改善（根據演算法的改進），但由於人們認識到更強大模型的價值和潛力，用於推動人工智慧能力（即訓練運算）的「總」投資和資源正在大幅增加。底層 IT 元件成本的下降使得更宏大的 AI 專案成為可能，而這反過來又會消耗更多的總運算量。

3.4 小節：AI 模型表現 = 快速趨同（Meeker 報告第142頁）

儘管方法和投資各不相同，但頂級人工智慧模型的效能正在顯示出趨同的跡象。

圖表：LMSYS Chatbot Arena 上頂級 AI 模型的表現 – 2024年1月-2025年2月，數據來自史丹佛大學 HAI： 該圖表顯示了任何給定月份中得分最高的模型的 LMSYS Arena 分數（基於一對一聊天機器人比較中的人類偏好的衡量標準）。2024年1月至2025年2月的趨勢線顯示，整體模型品質呈上升趨勢，但隨著多個模型獲得非常高的分數，不同領先模型之間的效能差距也在縮小。這表明，儘管人工智慧能力的前沿不斷進步，但任何單一模型都越來越難以保持決定性和持久的效能領先優勢。

驗證/增強： 史丹佛大學 HAI 人工智慧指數報告 ¹⁸ 是追蹤基準效能的主要來源，包括 LMSYS Chatbot Arena 結果。這種整合意味著，取得尖端人工智慧效能不再依賴單一供應商，這對競爭和商品化具有重要意義。

3.5 小節：開發者使用率上升（Meeker 報告第144-151頁）

推理成本的下降和模型效能的整合，推動了開發者對人工智慧的採用和實驗的激增。

推理成本的大幅下降（運行語言模型的成本在2022年至2024年間下降了99.7%）使得強大的人工智慧工具的使用變得民主化。曾經，只有大型企業才能負擔得起的東西，現在個人開發者、小型新創公司、學術研究人員，甚至小型企業員工都可以負擔得起。成本的下降使得實驗成本更低、迭代週期更快，而人工智慧理念的產品化對於更廣泛的受眾來說變得可行。

同時，頂級前沿模型與更小、更有效率的替代品之間的效能差距不斷縮小，正在改變開發者選擇模型的方式。對於許多常見用例（例如文字摘要、內容分類、資料提取或路由查詢），絕對最佳模型與功能強大但成本較低的替代方案之間的實際效能差異可以忽略不計。開發者越來越發現，他們不再需要為旗艦機型支付高價來獲得可靠的輸出。相反，他們可以選擇在本地運行或透過低成本 API 供應商存取的更便宜的模型，並且仍然可以獲得功能相似的結果，特別是當這些模型針對特定任務的資料進行微調時。這一趨勢正在削弱現有模型供應商的定價槓桿，並為人工智慧發展創造公平的競爭環境。

在平台層面，基礎模型的激增創造了前所未有的靈活性。開發者現在可以從數十種模型中進行選擇——OpenAI 的 GPT 系列、Meta 的 Llama 系列、Mistral 的 Mixtral、Anthropic 的 Claude、Google 的 Gemini、Microsoft 的 Phi 等等——每種模型都有不同的優勢，例如推理、速度或程式碼生成。這種豐富的選擇正在推動人們擺脫供應商鎖定。開發者不再將業務集中在一個可以控制存取權或規定價格的單一供應商旗下，而是將他們的努力分散到多個生態系統中。這種多元化的選擇使建構者能夠根據其特定的技術要求或財務限制選擇最合適的模型。

正在形成的是一個由開發者主導的基礎設施成長的強大飛輪。隨著越來越多的開發者建構 AI 原生應用程式，他們也透過創建工具、包裝器和函式庫為生態系統做出貢獻，使其他人更容易遵循。新的前端框架、嵌入管道、模型路由器、向量資料庫和服務層正在以加速的速度增加。每一波開發活動都會減少下一波的摩擦，從而壓縮從想法到原型、從原型到產品的時間。在這個過程中，利用人工智慧進行建構的障礙正在逐漸消失——不僅在成本方面，而且在複雜性方面。這不僅僅是一個平台的轉變，更是創造力和可及性的爆發。正如整個技術發展史所觀察到的一樣，例如 Microsoft 前總裁 Steve Ballmer 的著名口號「開發者！開發者！開發者！」，能夠持續吸引和維持開發者勢頭，並且能夠有效擴展和穩步改進的平台往往會成為贏家。

開發者採用的 AI 工具（Meeker 報告第147頁）： Stack Overflow 開發者調查顯示，在開發過程中使用人工智慧的專業開發者比例從2023年的44%成長到2024年的63%。對於學習程式設計的人來說，同期採用率從25%躍升至50%。這顯示人工智慧工具已快速融入軟體開發工作流程。

AI 開發者儲存庫 – GitHub（Meeker 報告第148頁）： 根據 Chip Huyen 的數據，從2022年11月到2024年3月的十六個月內，GitHub 上的 AI 開發者儲存庫（擁有500多個星號）的數量增加了約175%。這種成長涵蓋了基礎設施工具、模型開發框架和人工智慧應用程式，標誌著一個充滿活力的開源協作人工智慧開發社群。

人工智慧開發者生態系統——Google（Meeker 報告第149頁）： Google 報告稱，其產品和 API 每月處理的詞元數量年增了50倍，從2024年5月的9.7兆增加到2025年5月的480多萬億。同期，使用 Gemini 進行開發的開發者數量也增加了5倍，達到700萬。這顯示開發者對 Google 人工智慧平台的使用規模正在大幅擴大。

AI 開發者生態系統 – Microsoft Azure AI Foundry（Meeker 報告第150頁）： Microsoft 的 Azure AI Foundry 每季處理的詞元數量年增了5倍，至2025年第一季達到了100兆個詞元（光是該季度的最後一個月就處理了50兆個詞元）。超過70,000家企業和數位原生代正在使用該平台來設計、客製化和管理 AI 應用程式和代理人。

AI 開發人員用例（Meeker 報告第151頁）： IBM（2024年）的一張圖表展示了人工智慧在軟體開發中的廣泛而多樣的用例。這些包括程式碼生成、錯誤檢測和修復、測試自動化、專案/工作流程管理、文件、重構和最佳化、安全性增強、DevOps 和 CI/CD 管道、使用者體驗設計和架構設計。這種廣度顯示了人工智慧對整個軟體開發生命週期的廣泛影響。

3.6 小節：…（可能）距離獲利還有很長的路要走（Meeker 報告第152頁）

儘管人工智慧的採用、使用和開發者活動快速成長，推理成本下降，但許多人工智慧模型供應商實現持續獲利的道路仍然充滿挑戰。訓練前沿模型的高成本、激烈的競爭以及效能融合和開源替代品的商品化效應，創造了複雜的金融格局。雖然人工智慧無疑正在改變產業並創造巨大的價值，但為基礎模型建構者本身獲取持續利潤的形式獲取這種價值是一項持續的努力，可能需要相當長的時間和進一步的商業模式創新。

第四部分：人工智慧的使用+成本+虧損成長=前所未有（Meeker 報告第153-247頁）

本節深入探討了當前人工智慧熱潮的財務現實，強調在使用量空前增長的同時，也存在著空前的成本，並且對許多人來說，還造成了重大的財務損失。即使該技術的採用正在加速，但實現貨幣化和獲利的道路仍然複雜且充滿挑戰。

報告在本節開頭承認，「這次不同」、「我們將在數量上彌補」、「我們將在未來找到如何將使用者貨幣化的方法」等言論往往是商業中的危險信號。然而，它也承認，在技術投資中，這些理念偶爾會帶來巨大的成功，例如 Amazon、Alphabet (Google)、Meta (Facebook)、Tesla、騰訊、阿里巴巴和 Palantir。當前的人工智慧週期可能確實有所不同，領先的公司最終可以透過純粹的數量和未來的貨幣化策略來實現獲利。

不過，「這次不一樣」也意味著競爭水平將達到前所未有的程度。以前從未有這麼多由創辦人驅動或創辦人協助的公司（如 NVIDIA、Microsoft、Amazon、Alphabet、Meta 和 Tesla，其中許多公司的市值超過1兆美元，毛利率通常超過50%）同時搶佔同一個巨大機會。這一現象發生在相對透明的全球環境中，並因全球大國（尤其是中國和美國）之間的高風險競爭而進一步加劇。

技術臨界點的概念，通常用 Ernest Hemingway 的一句話來描述「逐漸地，然後突然地」，具有高度的現實意義。對個人電腦而言，關鍵的轉捩點是 Apple 的 Macintosh（1984年）和 Microsoft 的 Windows 3.0（1990年）。對網路來說，那是 Netscape 的 IPO（1995年）。對於行動網際網路來說，Apple iPhone App Store 的推出（2008年）至關重要。對於雲端運算而言，基礎 AWS 產品的推出（2006-2009年）標誌著一個轉捩點。在人工智慧領域，NVIDIA 的 A100 GPU 晶片（2020年）和 OpenAI 的 ChatGPT 公開版本（2022年）的推出被視為這樣的關鍵節點。報告指出，隨著中國推出 DeepSeek（2025年1月）以及馬雲出席與中國國家主席習近平的座談會（2025年2月），全球人工智慧領域的競爭顯著加劇，顯示國家對人工智慧的支持力度強勁。

推動人工智慧成長（及其相關虧損）的資本來自擁有大量自由現金流和穩健資產負債表的大公司，以及全球富有且雄心勃勃的資本提供者。激烈的競爭、雄厚的資本和創業精神的動態組合無疑將迅速推動人工智慧的發展。然而，核心謎題在於確定哪些商業模式最終將被證明是可持續的並且能夠長期獲利。

4.1 小節：技術中斷模式辨識（Meeker 報告第155頁）

該報告引用了 Alasdair Nairn 的著作《推動市場的引擎》一書，將當前的人工智慧熱潮與歷史上的技術顛覆模式進行了比較。這些歷史週期往往呈現出一種重複的節奏：

  • 早期興奮： 最初對新技術的潛力感到興奮並充滿樂觀。
  • 極速資本形成： 迅速且往往過多的投資湧入該行業。
  • 慘烈競爭： 眾多參與者之間的激烈競爭，導致價格戰、高現金消耗和市場整合。
  • 明顯的贏家和輸家： 最終，少數佔據主導地位的企業出現，而許多其他企業則失敗或被收購。

正如報告中所強調的那樣，Nairn 的觀察為當今的人工智慧格局提供了警示性見解：

  • 需要巨額資本支出的技術進步即使最終成功，也常常會在早期面臨回報令人失望的風險。
  • 龐大的資本支出和較長的回報期使得此類投資具有高風險，尤其是在沒有競爭保護的情況下。
  • 贏家並不總是那些擁有最優秀技術的人，而是那些最能預測產業和市場發展的人。
  • 如果沒有進入壁壘，先發優勢很快就會喪失。
  • 在技術變革中識別失敗者往往比挑選贏家更簡單。

這些歷史模式表明，儘管人工智慧前景廣闊，但通往市場領導地位和持續獲利的道路可能會面臨重大挑戰，對某些人來說將是資本損失，最終將是市場整合。

4.2 小節：人工智慧相關的貨幣化 = 非常強勁的成長（Meeker 報告第156-171頁）

儘管成本高昂且競爭激烈，但人工智慧生態系統的各個部分仍經歷著強勁的收入成長，顯示早期貨幣化程度很高。

AI 硬體策略的演進正在顯著轉變。多年來，NVIDIA 憑藉其強大的 GPU 一直處於 AI 硬體堆疊的核心地位，並因其平行運算能力和規模而成為訓練和推理的預設選擇。儘管 NVIDIA 做出了令人印象深刻的擴大規模的努力，但這種依賴加上需求的突然激增，仍然造成了供應限制。超大規模企業和雲端供應商目前正在積極致力於實現供應鏈多樣化並管理較長的交貨時間。

這種動態正在加速客製化晶片，特別是專用積體電路（ASIC）的崛起。與通用 GPU 不同，ASIC 專為特定運算任務而設計，為矩陣乘法和推理加速等 AI 工作負載提供最高效率。Google 的張量處理單元（TPU）和 Amazon 的 Trainium 晶片現在是各自 AI 堆疊的核心。例如，Amazon 聲稱其 Trainium2 晶片在某些工作負載下的性價比比標準 GPU 執行個體高出30-40%，從而能夠以更實惠的價格進行大規模推理。這些客製化晶片計畫不是外圍專案，而是對效能、成本效益和架構控制的基礎策略押注。

客製化晶片也反映了管理人工智慧基礎設施實質經濟的更廣泛策略。正如 Amazon 執行長 Andy Jassy 在2025年初指出的那樣，「人工智慧不必像今天這樣昂貴，未來也不會如此」。客製化晶片是控制這些不斷上升的費用的關鍵槓桿。

同時，一個由專業人工智慧基礎設施供應商組成的新生態系統正在出現。CoreWeave 作為雲端 GPU 供應商迅速擴張，重新利用遊戲和加密貨幣挖礦的硬體供應鏈來服務企業 AI 客戶。Oracle 已將自己重新定位為具有 AI 專用產品的 GPU 豐富的雲端平台。Astera Labs 是一家不太引人注目但至關重要的參與者，它開發了高速互連技術，對於最大限度地減少 GPU 和記憶體系統之間的資料移動延遲至關重要——這是一個日益重要的效能瓶頸。這些公司本身並沒有建構基礎模型，而是提供這些模型所依賴的基本基礎設施。隨著運算需求的增加，這些專家在速度、可用性和效率是關鍵差異因素的市場中變得不可或缺。

參考資料

  1. Trends – Artificial Intelligence (AI), May 30, 2025, Mary Meeker / Jay Simons / Daegwon Chae / Alexander Krey, BOND, Trends_Artificial_Intelligence.pdf
  2. Mary Meeker – Wikipedia, https://en.wikipedia.org/wiki/Mary_Meeker
  3. The AI 'space race' could reshape the world order, Mary Meeker warns – PitchBook, https://pitchbook.com/news/articles/mary-meeker-report-ai-race-2025
  4. Our History — Morgan Stanley, https://ourhistory.morganstanley.com/stories/surviving-the-crisis/story-1995-internet-report
  5. Mary Meeker's Internet Trends Report Reverts To Historical Patterns Of Slide Count Growth, https://news.crunchbase.com/venture/mary-meekers-internet-trends-report-reverts-to-historical-patterns-of-slide-count-growth/
  6. Jay Simons | Profile – Stage2 Capital, https://www.stage2.capital/team/jay-simons
  7. Jay Simons – The Network, https://www.thenetwork.com/profile/jay-simons-448f9dde
  8. Daegwon Chae – Partner at BOND – The Org, https://theorg.com/org/bondcap/org-chart/daegwon-chae
  9. Daegwon Chae Profile: Contact Information & Network – PitchBook, https://pitchbook.com/profiles/person/159606-73P
  10. Alexander Krey | BOND – Bondcap, https://www.bondcap.com/team/alexander-krey/
  11. Alexander Krey – Facebook, LinkedIn – Clay.earth, https://clay.earth/profile/alexander-krey
  12. 30 Best Vint Cerf Quotes With Image – Bookey, https://www.bookey.app/quote-author/vint-cerf
  13. Vint Cerf Quotes – BrainyQuote, https://www.brainyquote.com/authors/vint-cerf-quotes
  14. Digital 2025: Global Overview Report – DataReportal, https://datareportal.com/reports/digital-2025-global-overview-report
  15. Facts and Figures 2024 – Internet use – ITU, https://www.itu.int/itu-d/reports/statistics/2024/11/10/ff24-internet-use/
  16. AI Investment Trends 2025: VC Funding, IPOs, and Regulatory Chall, https://natlawreview.com/article/state-funding-market-ai-companies-2024-2025-outlook
  17. 2025 Startup Insights – AI number one for US venture investment – Global Shares, https://www.globalshares.com/insights/2025-startup-insights-ai-number-one-for-us-venture-investment/
  18. The 2025 AI Index Report | Stanford HAI, https://hai.stanford.edu/ai-index/2025-ai-index-report
  19. A Costly Illusion of Control: No Winners, Many Losers in U.S.-China AI Race, https://www.thecairoreview.com/essays/a-costly-illusion-of-control/
  20. AI Rivalries: Redefining Global Power Dynamics – TRENDS Research & Advisory, https://trendsresearch.org/insight/ai-rivalries-redefining-global-power-dynamics/
  21. CUDA – Wikipedia, https://en.wikipedia.org/wiki/CUDA
  22. 2025 NVIDIA Corporation Annual Review, https://images.nvidia.com/pdf/Annual-NVIDIA-CEO-Letter-2025.pdf?linkId=100000365055773
  23. 2025 NVIDIA Corporation Annual Review, https://s201.q4cdn.com/141608511/files/doc_financials/2025/annual/NVIDIA-2025-Annual-Report.pdf
  24. Global Internet usage – Wikipedia, https://en.wikipedia.org/wiki/Global_Internet_usage
  25. 2024 AI Apps Market Insights – Sensor Tower, https://sensortower.com/blog/state-of-ai-apps-2024
  26. Number of ChatGPT Users (March 2025) – Exploding Topics, https://explodingtopics.com/blog/chatgpt-users
  27. ChatGPT Statistics 2025 – DAU &MAU Data (Worldwide) – Demand Sage, https://www.demandsage.com/chatgpt-statistics/
  28. Big tech earnings preview: Microsoft, Meta, Amazon & Apple | S&P Global, https://www.spglobal.com/market-intelligence/en/news-insights/research/big-tech-earnings-preview-microsoft-meta-amazon-n-apple
  29. U.S. Tech Earnings: AI Spending Keeps Surging Despite DeepSeek's Efficiency Breakthrough | S&P Global Ratings, https://www.spglobal.com/ratings/en/research/articles/250212-u-s-tech-earnings-ai-spending-keeps-surging-despite-deepseek-s-efficiency-breakthrough-13414142
  30. This Is What AI Commitment Looks Like: $392 Billion and Rising | WisdomTree, https://www.wisdomtree.com/investments/blog/2025/05/21/this-is-what-ai-commitment-looks-like-392-billion-and-rising
  31. Funding the Next Phase of AI Development | Morgan Stanley, https://www.morganstanley.com/insights/podcasts/thoughts-on-the-market/ai-capex-funding-ai-development-lindsay-tyler-michelle-wang
  32. Utility monopolies still reign in the South – Southern Environmental Law Center, https://www.selc.org/news/utility-monopolies-still-reign-in-the-south/
  33. The Rise and Fall of the American Electrical Grid, https://americanaffairsjournal.org/2022/08/the-rise-and-fall-of-the-american-electrical-grid/
  34. The Year That the Entire Computer Industry Ran Out of Memory – VICE, https://www.vice.com/en/article/the-year-that-the-entire-computer-industry-ran-out-of-memory/
  35. The price of computer storage has fallen exponentially since the 1950s – Our World in Data, https://ourworldindata.org/data-insights/the-price-of-computer-storage-has-fallen-exponentially-since-the-1950s
  36. LLM inference prices have fallen rapidly but unequally across tasks – Epoch AI, https://epoch.ai/data-insights/llm-inference-price-trends
  37. AI Usage Cost Falls 10x Every 12 Months, Says OpenAI CEO Sam Altman, https://www.outlookbusiness.com/start-up/news/ai-usage-cost-falls-10x-every-12-months-says-openai-ceo-sam-altman
  38. OpenAI – Wikipedia, https://en.wikipedia.org/wiki/OpenAI
  39. OpenAI Is A Systemic Risk To The Tech Industry, https://www.wheresyoured.at/openai-is-a-systemic-risk-to-the-tech-industry-2/
  40. Comparing U.S. vs. Chinese AI Model Performance – Voronoi, https://www.voronoiapp.com/technology/Comparing-US-vs-Chinese-AI-Model-Performance–4819
  41. Trends – Artificial Intelligence | Policy Commons, https://policycommons.net/artifacts/21019554/trends_artificial_intelligence-1/21919986/
  42. Record of 4 Million Robots in Factories Worldwide – International Federation of Robotics, https://ifr.org/ifr-press-releases/news/record-of-4-million-robots-working-in-factories-worldwide
  43. IFR World Robotics report says 4M robots are operating in factories globally, https://www.therobotreport.com/ifr-4-million-robots-operating-globally-world-robotics-report/
  44. Waymo's Quickly Taking More Market Share Than I Expected – CleanTechnica, https://cleantechnica.com/2025/04/13/waymos-quickly-taking-more-market-share-than-i-expected/
  45. Waymo Robotaxis Make Up 20% of Uber Rides in Austin, Data Shows – Reddit, https://www.reddit.com/r/waymo/comments/1jwrevq/waymo_robotaxis_make_up_20_of_uber_rides_in/
  46. Robotaxis in 2025-2030: Global Expansion and Adoption Trends (Latest Numbers), https://patentpc.com/blog/robotaxis-in-2025-2030-global-expansion-and-adoption-trends-latest-numbers
  47. Robotaxi Market Size & Share | Industry Growth [2032] – SkyQuest Technology, https://www.skyquestt.com/report/robotaxi-market
  48. ChatGPT Usage Statistics: May 2025 – First Page Sage, https://firstpagesage.com/seo-blog/chatgpt-usage-statistics/
  49. Gaming Industry Report 2025: Market Size & Trends – Udonis Blog, https://www.blog.udonis.co/mobile-marketing/mobile-games/gaming-industry
  50. Diffusion of AI Jobs Across Economic Sectors – UMD-LinkUp AI Maps, https://aimaps.ai/download/whitepaper-sheets/UMD-LinkUp-AI-Maps-AI-JOBS-CREATION_SECTOR-LEVEL-ANALYSIS-(Q1-2018-through-Q4-2024)-January-27-2025.pdf
  51. AI Job Growth includes ChatGPT-Fueled Surge Amid Overall Employment Slowdowns – PR Newswire, https://www.prnewswire.com/news-releases/ai-job-growth-includes-chatgpt-fueled-surge-amid-overall-employment-slowdowns-302366586.html
  52. UMD-LinkUp AI Maps_FROM WEST TO THE REST (White Paper #1) – FINAL, https://cdn2.assets-servd.host/link-up/production/images/Research/UMD-LinkUp-AI-Maps_FROM-WEST-TO-THE-REST-White-Paper-1-FINAL.pdf?dm=1705503751
  53. Mapping the Spread of Artificial Intelligence Jobs | LinkUp, https://www.linkup.com/insights/blog/mapping-the-spread-of-ai-jobs-part1
  54. AI Skills Demand Vs Degree Requirements: 2025 Statistics and Data – Software Oasis, https://softwareoasis.com/ai-skills-demand/
  55. 50 NEW Artificial Intelligence Statistics (May 2025) – Exploding Topics, https://explodingtopics.com/blog/ai-statistics
  56. about.google, https://about.google/company-info/our-story/#:~:text=The%20name%20was%20a%20play,it%20universally%20accessible%20and%20useful.%E2%80%9D
  57. Our Approach – How Google Search Works, https://www.google.com/intl/en_us/search/howsearchworks/our-approach
  58. FAQs – Alibaba Group, https://www.alibabagroup.com/faqs-corporate-information
  59. Mission Statement, Vision, & Core Values of Alibaba Group Holding Limited (BABA), https://dcfmodeling.com/blogs/vision/baba-mission-vision
  60. Facebook Mission and Vision Statement Analysis | EdrawMind, https://www.edrawmind.com/article/facebook-mission-and-vision-statement-analysis.html
  61. A brief history of Facebook – ResearchGate, https://www.researchgate.net/publication/283986172_A_brief_history_of_Facebook
  62. Meta's CTO on AI Development: A New Space Race – News and Statistics – IndexBox, https://www.indexbox.io/blog/metas-cto-compares-ai-development-to-the-space-race/
  63. What Comes After Mobile? Meta's Andrew Bosworth on AI and Consumer Tech, https://a16z.com/after-mobile-consumer-tech-andrew-bosworth/
  64. AN EXCLUSIVE WITH T. ROWE PRICE'S BRIAN ROGERS ON THE LESSONS LEARNED FOR SUCCESSFUL INVESTING – WealthTrack, https://wealthtrack.com/exclusive-t-rowe-prices-brian-rogers-lessons-learned-successful-investing/
  65. T. Rowe Price Veteran Shares Lessons in Investment Management – Fordham Now, https://now.fordham.edu/business-and-economics/former-t-rowe-price-chairman-shares-lessons-investment-management/
  66. Superintelligence Strategy, https://www.nationalsecurity.ai/
  67. Mutual Assured AI Malfunction: A New Cold War Strategy for AI Superpowers – Maginative, https://www.maginative.com/article/mutual-assured-ai-malfunction-a-new-cold-war-strategy-for-ai-superpowers/
  68. Historical Economic Growth and Income Dataset – Kaggle, https://www.kaggle.com/datasets/mozturkmen/historical-economic-growth-and-income-dataset
  69. Maddison Project – Wikipedia, https://en.wikipedia.org/wiki/Maddison_Project
  70. Our World in Data, https://ourworldindata.org/
  71. Economic Growth – Our World in Data, https://ourworldindata.org/economic-growth
  72. Governing AI – Microsoft, https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/final/en-us/microsoft-brand/documents/RW1hAdp.pdf
  73. Governing AI: A Blueprint for the Future – Microsoft, https://www.microsoft.com/cms/api/am/binary/RW14Gtw
  74. Consumption of fixed capital | Australian Bureau of Statistics, https://www.abs.gov.au/book/export/26750/print
  75. General-purpose technology – Wikipedia, https://en.wikipedia.org/wiki/General-purpose_technology
  76. Understanding General Purpose Technology(GPT) and Its Impact – EMB Global, https://blog.emb.global/general-purpose-technology-gpt/
  77. Wealth Management Perspectives – Morgan Stanley, https://advisor.morganstanley.com/john.howard/documents/field/j/jo/john-howard/Artificial_Intelligence_deep_dive_2025.pdf
  78. Thematics: Uncovering Alpha in AI's Rate of Change – Morgan Stanley, https://www.morganstanley.com/content/dam/msdotcom/what-we-do/wealth-management-images/uit/AI-Enablers-Adopters-research-report.pdf
  79. Data on Notable AI Models – Epoch AI, https://epoch.ai/data/notable-ai-models
  80. Data on Large-Scale AI Models – Epoch AI, https://epoch.ai/data/large-scale-ai-models
  81. How Many AI Models Will Exceed Compute Thresholds? – Epoch AI, https://epoch.ai/blog/model-counts-compute-thresholds
  82. At least 20 AI models have been trained at the scale of GPT-4, https://epoch.ai/data-insights/models-over-1e25-flop
  83. Machine Learning Trends – Epoch AI, https://epoch.ai/trends
  84. Algorithmic progress likely spurs more spending on compute, not less | Epoch AI, https://epoch.ai/gradient-updates/algorithmic-progress-likely-spurs-more-spending-on-compute-not-less
  85. AI Supercomputers May Run Into Power Constraints by 2030 – PYMNTS.com, https://www.pymnts.com/artificial-intelligence-2/2025/ai-supercomputers-may-run-into-power-constraints-by-2030/
  86. The computational performance of leading AI supercomputers has doubled every nine months | Epoch AI, https://epoch.ai/data-insights/ai-supercomputers-performance-trend
  87. Tracking Large-Scale AI Models | 81 models across 18 countries – Epoch AI, https://epoch.ai/blog/tracking-large-scale-ai-models
  88. ChatGPT Paid Users Surge to 20 Million, Driving 30% Annual Revenue Growth – AIbase, https://www.aibase.com/news/16802
  89. ChatGPT's Skyrocketing Subscriber Base Drives Major Revenue Surge | Brand Vision, https://www.brandvm.com/post/chatgpts-skyrocketing-subscriber-base
  90. From SEO to GEO: How AI Tools Like ChatGPT Are Disrupting Google Search and Redefining Digital Visibility – Outlook Business, https://www.outlookbusiness.com/artificial-intelligence/from-seo-to-geo-how-ai-tools-like-chatgpt-are-disrupting-google-search-and-redefining-digital-visibility
  91. Google Search is 373x bigger than ChatGPT search – Search Engine Land, https://searchengineland.com/google-search-bigger-chatgpt-search-453142
  92. Statistics – ITU, https://www.itu.int/en/itu-d/statistics/pages/stat/default.aspx
  93. Google Trends, https://trends.google.com/trends/
  94. Trending Now – Google Trends, https://trends.google.com/trending
  95. newsroom.intel.com, https://newsroom.intel.com/tech101/understanding-moores-law#:~:text=Moore's%20Law%20is%20the%20prediction,industry%20since%20its%201965%20publication.
  96. What Is Moore's Law and Is It Still True? – Investopedia, https://www.investopedia.com/terms/m/mooreslaw.asp