AI概念股有哪些?黃仁勳五層蛋糕拆解8檔能源股,台達電、光寶科出線
AI概念股有哪些?黃仁勳五層蛋糕拆解8檔能源股,台達電、光寶科出線

當你聽到「AI概念股」,第一個想到的多半是台積電、輝達這些晶片股。但輝達執行長黃仁勳自己畫的AI產業地圖裡,晶片不是地基,電才是。

本文重點

  • 全球資料中心用電量2025至2030年近倍增(AI專用約增至三倍)、累計資本支出上看6.7兆美元(約新台幣217兆元)。
  • 黃仁勳把AI基建分成「能源、晶片、基礎設施、模型、應用」五層蛋糕,能源是最底層;本文依AI資料中心的實際訂單、客戶或營收佐證,把台股能源概念股分成「直接受惠」與「間接受惠」。

本文目錄

AI五層蛋糕是什麼?為什麼能源在最底層?

「AI五層蛋糕」是黃仁勳在2026年提出的AI基建架構,能源是最底層的地基。整塊蛋糕由下至上的順序是:能源、晶片、基礎設施、模型、應用。

五層蛋糕3.0
輝達執行長黃仁勳提出AI五層蛋糕概念,《數位時代》整理出相對應的幾檔代表性個股。
圖/ AI生成

本系列就以這五層為軸線逐篇拆解,本篇是第一篇能源;晶片篇基礎設施篇模型篇應用篇將陸續推出,最後彙整成一張AI概念股全圖。

能源之所以擺在最底層,黃仁勳的說法是:能源是「AI基礎設施的第一性原理,也是限制系統能產生多少智慧的根本約束」,而且「在此之下不存在任何抽象層」。白話講,每個字、每張圖的即時生成,背後都是電子流動、能源轉換與熱管理;電不夠,上面四層再強都跑不動。

AI資料中心的電,跟一般資料中心差在哪?

差在「量級」和「密度」:AI把用電需求一次推高好幾倍,單一機櫃的功率密度也高到現有電網和機房都快撐不住。

先看量級。IEA估計,全球資料中心用電量會從2025年約485 TWh增至2030年約950 TWh、接近倍增,其中AI專用資料中心用電量更約增至三倍。麥肯錫則估算,到2030年全球資料中心累計資本支出需求上看6.7兆美元(約新台幣217兆元)。

再看密度,這是台灣讀者最有感的一塊。傳統機櫃功率約10kW,現行高密度AI機櫃已逾100kW(輝達GB200/GB300約130至140kW),施耐德電機(Schneider Electric)的模組化Pod整櫃架構更支援1MW以上,輝達也規劃自2027年以800VDC支援1MW級單機櫃。密度一路墊高,液冷跟著成為高密度AI機櫃的重要方案。

而這股壓力已反映在台灣電網管理:台電自2023年起暫緩桃園以北5MW以上大型資料中心供電,2026年7月才轉為有條件開放(限大潭、協和電廠約2公里內)。用電規模也不小,綠色和平依部分已公開資料中心合計93MW、假設全年滿載推估,年用電約相當於10座台北101。

比較項目 一般資料中心 AI資料中心
用電成長 逐年穩定成長 2025~2030近倍增;AI專用約增至三倍
單機櫃功率 約10kW 現行逾100kW(GB200/GB300約130–140kW);Pod整櫃達1MW以上
散熱角色 風冷為主、耗電有限 高密度機櫃導入液冷,散熱本身就是電力負擔
對電網影響 一般用電戶 密度過高,台電一度暫緩桃園以北5MW以上供電

從電網到晶片:AI的電要經過哪些設備?國際大廠誰出線?

從電網到晶片(grid-to-chip)是伊頓(Eaton)、施耐德等大廠主打的整合框架,AI供電可能涉及四類環節,賣這整套的正是這幾家國際重電與能源管理廠:

電網容量與現場發電:先要有夠大的電進得來。伊頓與西門子能源(Siemens Energy)合作,提供資料中心與現場發電並建的選項,並倡議彈性負載管理、盼釋放上看100GW的可用電網容量。

配電與備援:把電穩定分配到機房,含變壓、開關、不斷電系統。

機房內配電與高壓直流(800VDC):在機房內把電送到每一排機櫃。800VDC是輝達推動、預計自2027年導入的架構,用更高電壓降低傳輸損耗、支撐MW級機櫃。

晶片級液冷:屬熱管理環節,電在晶片旁化為熱、要靠液冷即時帶走。

國際大廠就是在賣這一整套「鏟子」。伊頓推出Beam Rubin DSX平台,把電力與冷卻整套打進輝達Vera Rubin DSX AI Factory的參考設計,主打把AI工廠的建置時程從數年縮短到數月。施耐德電機則與輝達締結全球策略合作,是輝達認可的冷卻分配裝置(CDU)供應商,推出的機櫃方案支援輝達GB200 NVL72系統。這兩家都被輝達具名納入設計藍圖,是這條電力鏈上位置最直接的國際玩家。

台股AI能源概念股,「直接受惠者」有誰?

《數位時代》以有沒有AI資料中心的實際訂單或營收佐證。有的算直接受惠股;只是隨電網、整體用電成長而沾上光的,算間接受惠。

照這個標準把台股AI電力概念股拆開:電源三雄台達電、光寶科、康舒,加上重電的華城、亞力、士電、大同,都有AI資料中心相關接單或營收,屬直接受惠;同屬重電四雄的中興電偏間接,AI曝險集中在資料中心機房空調與發電機、尚無具名的AIDC(AI模組化資料中心)訂單,大單仍來自台電強韌電網。

至於東元(1504,馬達與重電機電)雖宣布AI資料中心訂單倍增,但產品偏機電、馬達與電力管理,《數位時代》將其歸類在五層蛋糕的基礎設施層;全漢(3015,電源)、AI伺服器備援電池(BBU)的AES-KY(6781)與順達(3211)、電網電纜的華新(1605)、大亞(1609)也沾AI電力題材,但AI資料中心訂單金額多未單獨拆分,故不逐一列入分級。

分級 公司(代號) 電力鏈環節 訂單/營收佐證
直接受惠 台達電(2308) 機房電源、高壓直流配電、液冷 2025年AI電源占營收逾20%、液冷約9%、合計約三成(2026/2法說會);供應AI伺服器電源,GB200 NVL72機櫃CDU獲認證
直接受惠 光寶科(2301) 機房電源(AI伺服器PSU、Power Shelf、800VDC電源架) 已供應多家美系大型雲端業者;800VDC電源架下半年完成驗證、2027年放量;AI營收占比可望突破三成(2026展望)
直接受惠 康舒(6282) 機房電源、1MW HVDC、燃料電池 推400V/800V、1MW HVDC AI電源並整合BBU;為Bloom Energy燃料電池關鍵模組供應商;2026/4企業用電源占營收約49%
直接受惠 華城(1519) 變電/受電端變壓器 AI資料中心變壓器在手訂單逾200億元、能見度到2029年(2026/6);管理層表示拿下OpenAI星際之門德州首期變壓器約20億元
直接受惠 亞力(1514) 配電盤、受電設備 接獲輝達子公司訂單,在手訂單逾110億元、能見度4–5年(AI資料中心+台電強韌電網)
直接受惠 士電(1503) 變壓器、重電設備 AI資料中心+半導體擴廠+北美電網接單火熱、能見度到2029–2030年(AIDC與電網訂單混合、未單獨拆分)
直接受惠 大同(2371) 變壓器、電纜、重電統包 拿下Meta路易斯安那Hyperion資料中心綠能變電器大單;電力事業在手訂單約200億元、能見度到2027年
間接受惠 中興電(1513) GIS氣體絕緣開關/變電(客戶以台電為主) 在手訂單431億元(2026/3底),主體來自台電強韌電網與配電升級;AI曝險在機房空調與發電機,尚無具名AIDC訂單(2026/9簽的是半導體廠GIS案)

另外,能源層還有發電端題材(核能、小型模組化反應爐SMR、天然氣、燃料電池等),公開資料還不足以逐一對應到具體個股,本篇暫不討論。

AI五層蛋糕的最底層拆到這裡。接下來AI概念股系列會往上走,《數位時代》將一層一層拆晶片、基礎設施、模型與應用,最後連成一張完整的AI概念股全圖。

延伸閱讀

資料來源:黃仁勳「AI五層蛋糕」架構(輝達官方部落格)Key Questions on Energy and AI(IEA,2026)The cost of compute(McKinsey)伊頓 Beam Rubin DSX 平台新聞稿施耐德電機與輝達策略合作新聞稿

本文初稿為 AI 編撰,整理・編輯/林育萱

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓