2026 AI概念股有哪些？大同、川湖、日月光⋯5大產業鏈受惠股一次看|數位時代 BusinessNext

說到引領台股的權值股，台積電、聯發科、鴻海⋯⋯投資人幾乎都知道它們是「AI概念股」。但再往下問一步：它們到底在AI產業鏈裡做什麼？很多人其實難以在第一時間描述清楚。

AI是一條龐大的產業鏈，《數位時代》AI概念股系列以輝達（NVIDIA）執行長黃仁勳提出的「AI五層蛋糕」為架構，逐篇拆解能源、晶片、基礎設施、模型、應用五層。（延伸參考：比黃仁勳5層蛋糕多長13層！華為首席科學家提「18層寶塔」，喊話：這類人才最稀缺）

本篇是系列收官的全地圖，帶你一次看懂：一家公司被稱為「AI概念股」，到底站在哪一層，又靠AI賺哪一筆錢。

本文重點

AI產業可以分成能源、晶片、基礎設施、模型、應用五層。GPU、HBM、CoWoS、液冷、CPO、Agent等熱門名詞，都能放回這五層理解。

台股在五層的受惠程度並不平均：能源、晶片、基礎設施是台廠強項；到了模型與應用軟體，代表公司明顯變少。

本文目錄

AI五層蛋糕是什麼？GPU、HBM、CoWoS、液冷怎麼串起來？
2026 AI概念股總表，晶片、基礎設施卡好卡滿
台股越靠近硬體，AI優勢越明顯

AI五層蛋糕是什麼？GPU、HBM、CoWoS、液冷怎麼串起來？

「AI五層蛋糕」是黃仁勳在2026年提出的AI架構，由下而上分成能源、晶片、基礎設施、模型、應用五層。

五層環環相扣，能源讓AI跑得動，晶片提供算力，基礎設施把算力組起來，模型把算力變成AI能力，應用再把AI能力做成產品。

市場常聽到的GPU、HBM、CoWoS、CPO、液冷，就分布在這五層之中：

	AI需要什麼	熱門名詞	這一環在做什麼？	屬於哪一層
1	電力	重電、變壓器、HVDC（高壓直流）、SMR／燃料電池	把電力穩定送進資料中心；沒有足夠電力，再多GPU也無法運轉	能源
2	運算	GPU、ASIC（客製晶片）	GPU與ASIC負責AI模型訓練與推論所需的大量運算	晶片
3	高速存取資料	HBM（高頻寬記憶體）	放在AI加速器旁，高速提供GPU運算所需的資料	晶片
4	晶片整合	CoWoS（先進封裝）	把GPU／ASIC與HBM整合在同一封裝系統中，縮短資料傳輸距離	晶片
5	大規模算力	AI伺服器、機櫃	把GPU、電源、散熱等零組件整合成伺服器與整櫃系統	基礎設施
6	高速傳輸	光通訊、矽光子、CPO	讓大量GPU與伺服器之間高速交換資料，避免網路成為算力瓶頸	基礎設施
7	散熱	液冷、CDU	把高功耗GPU產生的熱帶走，避免高密度AI機櫃過熱	基礎設施
8	機房供電	UPS、BBU、PSU、Power Shelf	把電穩定送進伺服器與機櫃，並在異常時提供備援	基礎設施
9	AI能力	LLM、GPT、Gemini、Claude	利用底層算力訓練、執行模型，提供理解、推理與生成等能力	模型
10	商業化	Agent、Copilot、AI終端、機器人	把AI模型做成使用者真正會接觸、企業願意付費的產品與服務	應用

從上表可以看出，同樣掛著「AI概念股」，每家公司吃到的紅利各不相同。台積電賺的是AI晶片製造與先進封裝；聯發科靠的是替雲端客戶設計客製AI晶片，並跨足終端AI模型；鴻海則是把GPU組成一整櫃AI伺服器，賺整櫃組裝的大單。

2026 AI概念股總表，晶片、基礎設施卡好卡滿

看懂五層架構與名詞之後，接下來把視角換成台股。下面這張地圖，一次呈現五層各自涵蓋哪些業務、對應的代表台廠，以及各層的深度解析。

表中列出的代表台廠，都是已有實際營收或訂單佐證的直接受惠股；唯一例外是模型層——台股在這一層沒有直接受惠股，僅聯發科、台智雲以利基角色間接受惠。

五層	涵蓋業務	代表台廠	深度解析
能源層	重電、變壓器、受電設備、資料中心與機櫃電源、HVDC	華城（1519）、大同（2371）、亞力（1514）、士電（1503）、台達電（2308）、光寶科（2301）、康舒（6282）	AI能源概念股有哪些？台達電、光寶科、華城、中興電，誰是直接受惠股？
晶片層	IC設計／ASIC、矽智財、高速介面、晶圓代工、CoWoS先進封裝、ABF載板、封測與半導體設備	台積電（2330）、聯發科（2454）、世芯-KY（3661）、創意（3443）、晶心科（6533）、譜瑞-KY（4966）、家登（3680）、中砂（1560）、辛耘（3583）、弘塑（3131）、萬潤（6187）、志聖（2467）、均華（6640）、日月光投控（3711）、欣興（3037）、南電（8046）、景碩（3189）、京元電（2449）、矽格（6257）、穎崴（6515）、精測（6510）、旺矽（6223）	AI晶片概念股有哪些？台積電之外，聯發科、世芯⋯26檔一次看
基礎設施層	伺服器與整櫃、網路交換器、光通訊／CPO、連接器、PCB／CCL、機構件、散熱、機房內部供電	緯穎（6669）、鴻海（2317）、廣達（2382）、緯創（3231）、智邦（2345）、華星光（4979）、眾達-KY（4977）、台光電（2383）、金像電（2368）、嘉澤（3533）、貿聯-KY（3665）、勤誠（8210）、川湖（2059）、雙鴻（3324）、奇鋐（3017）、台達電（2308）、光寶科（2301）、新盛力（4931）、順達（3211）	AI基建概念股怎麼挑？鴻海、廣達、緯穎⋯19檔全拆解
模型層	前沿大模型與各類AI模型的開發與訓練	台股沒有直接受惠股。但聯發科（2454，繁中終端Breeze模型）、台智雲（7735，主權AI／FFM），另闢利基戰場	AI模型概念股有哪些？盤點全球最強AI模型，台廠誰受惠？
應用層	軟體應用／代理式商務、實體AI／機器人	達明（4585）、和椿（6215）、所羅門（2359）、訊連（5203）；代理式商務目前尚無明確直接受惠股	AI應用概念股有哪些？達明、和椿、所羅門，誰是直接受惠股？

能源層｜AI先吃電，台達電、華城、大同受惠

AI資料中心的用電量與功率密度快速拉高，也帶動變壓器、受電設備與資料中心電源需求。IEA估計，全球資料中心用電量將從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。

台股直接受惠者，包括供應變壓器與受電設備的華城、大同、亞力、士電，以及切入資料中心與機櫃電源的台達電、光寶科、康舒。其中台達電從UPS、HVDC一路延伸到Power Shelf、PSU、BBU與液冷，實際橫跨能源與基礎設施兩層。

晶片層｜台積電、聯發科、日月光受矚目

AI晶片需求增加，受惠的不只是GPU或ASIC設計公司。HBM與CoWoS等先進封裝成為高階AI加速器的重要環節，也讓商機一路延伸到封測、載板與半導體設備。

因此，台股在晶片層的供應鏈相當完整：晶圓代工與先進封裝有台積電，晶片設計有聯發科、世芯，封測與載板有日月光、欣興，再往設備端延伸到家登、辛耘、弘塑等，都已有AI訂單或營收佐證。

摩根士丹利估計，台積電CoWoS月產能將從2025年底約7萬片，增至2026年底逾12萬片，新增產能逾半被輝達鎖定。

基礎設施層｜台股最強主場，AI伺服器、網通、散熱全都包

如果說晶片提供算力，基礎設施就是把這些算力真正組成可以運作的AI資料中心，也是台廠卡位最密集的一層。

整櫃代工有緯穎、鴻海、廣達、緯創；交換器有智邦，光通訊有華星光、眾達，散熱則有雙鴻、奇鋐。從伺服器組裝、網路傳輸到散熱，幾乎都能找到台廠。

不過，同樣是AI基礎設施，商業模式差異很大。整櫃代工雖然營收龐大，但毛利率相對偏低，以緯穎為例，2025年毛利率為8.3%；散熱、電源、光通訊等零組件，則有不同的技術門檻與獲利結構。

模型層｜台股為何幾乎缺席？聯發科、台智雲走利基市場

到了模型層，台股的存在感明顯降低。全球主要前沿AI模型仍集中在美國、中國的大型科技公司與少數新創手上，台股目前沒有以全球前沿模型為主要營收來源的直接受惠公司。

聯發科推出繁體中文Breeze模型，主攻終端裝置並替自家天璣晶片建立AI生態，但模型以開放權重免費釋出，本身不是主要營收來源；華碩旗下台智雲則推出「福爾摩沙大模型（FFM）」，鎖定政府與企業的主權AI需求，並提供AI算力與模型服務。

因此，台股到了模型層，角色已經從全球AI供應鏈的主力，轉為終端與主權AI等利基市場。

應用層｜AI終極變現，台廠主要機會在機器人

應用層是AI真正做成產品、服務並向客戶收費的地方，大致可以分成軟體應用與實體AI。

軟體端目前仍以美國科技公司占優勢，例如Anthropic（Claude）2026年5月年化營收約470億美元（約新台幣1.5兆元）；Salesforce的Agentforce年度經常性收入（ARR）達12億美元（約新台幣384億元）、年增205%。

台股較明確的機會，反而集中在機器人等實體AI：達明做協作機器人本體、和椿做機器人系統整合、所羅門切入AI機器視覺；軟體端則以訊連已有較明確的AI產品營收。

至於代理式商務，台股目前仍沒有明確的直接受惠股。台灣大×Visa、富邦媒、91APP與金控導入的AI，多半仍屬試點、服務升級或內部效率應用。

台股越靠近硬體，AI優勢越明顯

把五層放在一起看，台股在AI產業鏈的位置其實很清楚：越靠近底層硬體，台廠的優勢越明顯；越往模型與應用軟體走，代表公司越少。

能源、晶片、基礎設施靠的是製造、供應鏈與工程能力，正好是台廠長年累積的強項；到了模型層，競爭條件轉為資本、算力、資料與AI人才，主導者集中在美中大型科技公司；再往應用軟體走，國際平台仍掌握大部分市場，台股目前較有機會的則是機器人等實體AI。

這也是為什麼「AI概念股」不能只當成一個籠統標籤來看。從一度電、一顆晶片、一台伺服器，到最後真正有人付費使用的AI服務，每家公司賺到的，其實是完全不同的一筆錢。

下一次市場再冒出新的「AI概念股」，與其先問它會不會漲，不如先看三件事：它站在AI產業鏈的哪一層？賣的是什麼？AI需求增加後，有沒有真的變成訂單與營收？

因為真正重要的，不是名字有沒有沾到AI，而是這家公司到底卡住了AI產業鏈的哪一個位置。

本文為產業與個股資訊整理，非投資建議。

延伸閱讀

AI能源概念股有哪些？台達電、光寶科、華城、中興電，誰是直接受惠股？

AI晶片概念股有哪些？台積電之外，聯發科、世芯⋯26檔一次看

AI基建概念股怎麼挑？鴻海、廣達、緯穎⋯19檔全拆解

AI模型概念股有哪些？盤點全球最強AI模型，台廠誰受惠？

AI應用概念股有哪些？達明、和椿、所羅門，誰是直接受惠股？

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）、台積電CoWoS技術頁、The 2026 AI Index Report（Stanford HAI）

本文初稿為AI編撰，整理．編輯／林育萱

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。

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。

「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

AI概念股滿街跑，誰是「純血」誰只「沾邊」？一表拆解2026台股AI供應鏈