回顧人類歷史，幾乎每一場科技革命背後，都有一種主導時代的能源。 

第一次工業革命仰賴的是煤炭。煤燃燒產生蒸氣，推動機械運轉，讓手工走向機械化。隨後，世界進入石油時代，汽車、飛機與軍事裝備都依賴石油驅動。在那個階段，誰掌握了石油，誰就擁有更大的國力與國際影響力。隨著發電機與電網普及，人類進一步進入電力時代，能源轉換成電力，供應城市、工廠與家庭使用。 

但在數位化的今天，國力的衡量標準似乎悄然翻篇。前英特爾執行長季辛格（Pat Gelsinger）曾表示，對人類而言，半導體比石油在哪裡更重要。《晶片戰爭》作者克里斯．米勒（Chris Miller）也指出，掌握晶片的人，就更有機會主導科技發展，甚至是未來的全球競爭。與此同時，總統賴清德也強調：「算力就是國力。」 

這顆微小的晶片究竟是如何在短短數十年間，從無到有地架構起現代社會呢？ 

最早的電子電腦，靠的是真空管（Vacuum Tube）來充當電子開關。它體積龐大、耗電驚人，穩定性也很差，因此難以普及。直到 1947 年，美國貝爾實驗室（Bell Labs）的科學家約翰・巴丁（John Bardeen）、華特・布拉頓（Walter Brattain）與威廉・肖克利（William Shockley），利用半導體（Semiconductor）材料發明了電晶體（Transistor）。和真空管相比，電晶體更小、更省電，也更可靠，很快就被用在助聽器與收音機等消費電子產品上。 

但新的問題很快又出現了。當一臺設備需要的電晶體越來越多，若要靠人工把它們一個個焊接起來，不只麻煩，也很容易出錯。於是到了 1958 年，德州儀器（Texas Instruments）的傑克・基爾比（Jack Kilby）做出第一個積體電路（Integrated Circuit, IC）；隔年，快捷半導體（Fairchild Semiconductor）的羅伯特・諾伊斯（Robert Noyce）提出更適合量產的方法，把原本分散的電子元件，整合進同一塊半導體材料裡，這就是晶片。 

接下來，微影技術（Photolithography）又把這件事往前推了一大步。工程師終於能像「印刷」一樣，把越來越細小的電路圖案刻在矽晶圓（Silicon Wafer）上，讓晶片能大量生產，使晶片從實驗室走向工廠。 

起初，這些昂貴而尖端的技術，主要仍服務於軍事與太空計畫。直到羅伯特・諾伊斯透過大幅降價的策略，逐步打開民用市場；而英特爾（Intel）在 1971 年推出的 4004 微處理器（Intel 4004 Microprocessor），則首次把原本需要許多元件才能完成的運算功能，濃縮進一小塊晶片之中。從那之後，晶片的應用一路擴展，從個人電腦、家電、手機到網路設備，再到今天的雲端運算與人工智慧，成為數位世界運作的底層基礎。 

國立中央大學電機工程學系李進福教授指出，半導體是材料，晶片是以這種材料製成的元件，算力則是晶片所展現出的運算能力。若放在同一個脈絡下理解，半導體像金屬，晶片像用金屬打造的汽車，算力則像汽車能輸出的馬力。也因此，當前各國競逐的焦點，已經從晶片本身延伸到晶片所承載的算力。 

在李進福教授看來，算力並非天然存在的能源，反而更接近一種高度精煉的組合式資源。它的生成牽涉許多環節：電力來自石油、天然氣、太陽能或風力等能源轉換；晶片仰賴設計與半導體製造，背後還需要人才、設備與完整產業鏈支撐；到了系統端，還得進一步整合電源供應、資料傳輸、散熱與封裝等能力。換句話說，算力是跨國產業鏈協作與系統整合後，才能形成的結果，並非單一技術的產物。 

也正因如此，在這個時代，擁有能源或技術固然重要，但誰能在這條組合式、跨國供應鏈中佔有一席之地，也同樣關鍵。這也解釋了，為什麼缺乏天然資源的臺灣，仍可能在算力時代扮演重要角色。

李進福教授指出，過去的電腦或手機，大多是照著既定規則執行任務，所以需要的運算量相對有限；但人工智慧不一樣，它不是照規則做事，而是要從大量資料中學會怎麼判斷。也因此，人工智慧要處理的內容越多，模型裡需要調整的參數就越多。 

大語言模型的運算基礎，主要是不斷重複的乘法與加法，也就是乘積累加運算（Multiply Accumulate Operations, MAC）。例如你對 AI 說一句「幫我寫一封請假信」，AI 並不是一次就把整段答案想好，而是把回覆拆成一個一個詞，逐步算出下一個最可能出現的詞。以 GPT-3 為例，這類大型語言模型的參數規模可達約 1,750 億個。這意味著，模型每生成一個詞，都需要調動大量參數進行運算，計算量往往落在數百億到數千億次等級。若是一句約 20 個詞的短回覆，整體所需的運算量就可能上看數兆次浮點運算（FLOPs）。這也是為什麼，今天大家看到的不只是人工智慧的發展，還有背後對算力、晶片和電力的競爭。

不過，當全球都在加快興建資料中心、搶晶片、搶電力時，市場也開始出現另一種疑問：AI 帶動的算力需求，究竟會一路成長下去，還是只是短期熱潮堆出的泡沫？對此，李進福教授表示，無論是外界擔心的「算力荒」，或是相反的「算力過剩」，目前都還沒有出現足夠明確的訊號。 

如果從「算力荒」來看，未來確實可能遇到一些限制，例如：物理極限、能源消耗，或晶片製造能力不足。不過，這並不代表算力成長已經走到盡頭。像是太空資料中心、小型核反應爐等新方案，雖然目前多半還在研究、驗證或評估階段，但若未來逐步成熟，仍有機會緩解能源壓力，進一步提升算力供給。 

至於「算力過剩」，前提則是 AI 應用需求開始停滯，甚至不再成長。但就目前來看，這樣的情況也還沒有出現。無論是自駕車、智慧製造與自動化，還是智慧機器人，都還在快速發展，代表對 AI 的需求仍在擴大。另一個變數則是模型本身的演進方向：未來 AI 是否能很快走向更高效率的路線，用更少運算達到同樣、甚至更高的準確度，現在也還沒有明確答案。 

不過，李進福教授也提醒，臺灣雖然在晶片製造與系統整合上具備優勢，但這場算力競逐的關鍵，還包括電力供應。隨著資料中心快速擴張，如何提供充足、穩定且具韌性的電力，支撐算力持續成長，已成為全球共同面對的挑戰。 

此外，算力並不是沒有代價。無論是發電，還是晶片製造，本身都要付出相應成本。晶片製造需要大量的水與電；而電力生產則取決於發電方式，可能伴隨污染、碳排，甚至核廢料等問題。換句話說，當各國都在追求更強算力時，真正的挑戰不只是把算力做大，還包括如何在發展、能源與環境之間，找到一個能兼顧永續與國力的平衡點。