外貿協會董事長黃志芳在 2026 台灣人工智慧年會上說了一句讓很多人不太舒服的話：「台灣是硬體的巨人，應用的侏儒。」這句話在 PTT 科技版炸開，還被做成迷因——左邊是肌肉爆棚的晶片硬體，右邊是骨瘦如柴的軟體應用。很諷刺，但也很精準。

數據更直接。台灣人均 AI 使用強度從 2.29 跌到 2.08，全球排名從第 19 名退到第 23 名；同一時間，新加坡從 4.57 升到 5.81，我們大概只有人家的三分之一到二分之一之間。更尷尬的是，全球企業在生成式 AI 的投資達數百億美元、年增超過 2 倍，但台灣中小企業的實際導入率只有 7.4%(依據 2025 年中小企業 AI 運用現況研究調查),遠低於 OECD 國家平均的 39%。

這不是技術問題，是系統性的偏科。

3 個關鍵瓶頸：為什麼台灣 AI 應用跑不起來？

瓶頸一：84.5% 企業沒有 AI 人才，但真正的問題不在缺人

高達 84.5% 的企業未配置 AI 人才，但調查顯示，真正的癥結點在於63.9% 的企業表示「尚無明確應用需求」——這個比例遠高於「成本太高」(25.5%)或「找不到人才」(21.3%)的選項。

換句話說，不是找不到人，是根本不知道要拿 AI 做什麼。Threads 上有年輕工作者吐槽：「老闆天天喊要導入 AI,結果只是叫大家買 ChatGPT Plus 寫 Email。」這不是個案，是普遍現象。很多企業把 AI 當成一種「必須有」的東西，而不是「必須解決某個問題」的工具。

瓶頸二：硬體稱霸全球，軟體毫無獨角獸

台灣在 AI 硬體供應鏈舉足輕重，台積電、鴻海、廣達等巨頭掌握全球算力基礎設施的關鍵環節。但在軟體服務與 AI 應用端，台灣缺乏像 OpenAI、DeepMind、Anthropic 這類的獨角獸企業。

我們擅長「賣鏟子」，卻不知道如何「挖金礦」。這不是能力問題，是策略選擇的結果。過去幾十年，台灣產業習慣做代工、做供應鏈、做效率優化，但對於「從零到一」的應用創新，始終缺乏足夠的投資與容錯空間。

瓶頸三：電力瓶頸成為算力天花板

當政策構想中討論要興建「GW(十億瓦)等級」的國家級算力中心時，PTT 鄉民第一反應是：「台電撐得住嗎？」這不是杞人憂天——算力中心的用電需求極高,若能源與電網無法跟上,硬體優勢也可能被能源瓶頸限制。

美國紐約州曾對大型高能耗資料中心採取暫停批准與嚴格環評等措施,引發外界對台灣能源與鄰避效應的擔憂。台灣若要推動 GW 等級建設,勢必面臨更嚴峻的能源分配挑戰。這不是技術問題，是基礎設施的承載極限問題。

「第三條路」能否救台灣？答案藏在千億參數模型裡

在硬體優勢與應用落後的落差下,台灣政策與業界開始尋求「第三條路」：打造屬於台灣主權的「領域專用基礎模型」,聚焦醫療、製造等垂直領域。目前學研機構與政府計畫正在規劃或研發中,透過千億參數等級的模型掌握資料與技術自主權,但參數規模與實際落地程度仍在持續試驗階段。

這條路有沒有機會？有，但前提是必須務實面對幾個問題：

  • 這些模型要解決什麼具體問題？還是只是為了「有一個模型」？
  • 訓練與維護成本誰來承擔？企業願意買單嗎？
  • 資料從哪來？台灣有足夠的高品質領域資料嗎？

黃志芳也提出警示：「我們最大的敵人是自己,不是 AI。」他認為,過度依賴 AI 將導致人類智能退化,真正的損失不會是薪水,而是主體性的喪失。

這場 AI 文明競賽,台灣必須在「硬體優勢」與「應用深化」之間找到平衡點。不然，我們會繼續當全球供應鏈的「高級打工仔」——鏟子賣得好，但金礦永遠是別人的。