早安，今天是 2026 年 7 月 31 日。

今天三則 AI 消息，分別談到前沿模型開始進入更多學術研究、Amazon 再度擴大 AI 基礎設施投資，以及美國政府加碼先進半導體研發。

三件事放在一起顯示，AI 競爭不只在科技公司之間比較模型能力，也在爭奪研究人才、雲端客戶與下一代晶片技術。

第一則：OpenAI 將讓 10 萬名學術研究者免費使用前沿模型

OpenAI 推出 ChatGPT for Academic Researchers 計畫，準備向選定學術機構的研究者提供免費的前沿模型使用權。

計畫將先在今年夏天從約 1 萬名研究者開始，再逐步擴大，目標是在 2027 年前支援 10 萬名研究者。

適用領域包括：

  • 自然科學。
  • 數學。
  • 工程。
  • 生物與醫學研究。
  • 跨領域學術工作。

研究者可以使用 AI 協助：

  • 閱讀與比較大量論文。
  • 準備研究提案與補助申請。
  • 整理實驗資料。
  • 撰寫與檢查程式。
  • 提出可測試的研究假設。
  • 建立分析工具與研究工作流程。
當前沿模型免費進入更多學術機構後，AI 的影響將不只表現在聊天與辦公室工作，也可能逐步改變研究問題如何被提出、測試與驗證。

OpenAI 為什麼願意免費提供高階模型？

學術研究可以幫助 AI 公司建立幾種長期能力。

  • 讓模型接觸更複雜、更專業的問題。
  • 發現目前模型在科學推理上的不足。
  • 建立大學與研究機構的使用習慣。
  • 培養未來可能進入產業的研究人才。
  • 證明 AI 不只適合產生文字，也能支援實際研究工作。

OpenAI 表示，這項計畫屬於公司在 2027 年前投入超過 2.5 億美元支持外部科學研究與發現的一部分。

這些投入還包括與研究機構及美國國家實驗室合作的其他計畫。

免費使用不代表研究結果自動可靠

AI 可以快速整理資料、提出方向與產生程式，但科學研究仍要經過可重複的驗證程序。

研究者需要確認：

  • 引用的論文是否真的存在。
  • 模型是否誤解研究條件。
  • 程式與計算是否正確。
  • 資料是否存在偏差或缺漏。
  • 分析過程能否被其他人重現。
  • 研究結論是否超出證據支持的範圍。

AI 提出的假設可以成為研究起點，但不能因為回答完整，就被當成已經證明的科學結論。

科學研究使用 AI 的價值，是更快找到值得驗證的方向，而不是省略實驗、證據與同儕檢查。

這會不會拉大不同大學之間的差距？

有可能。

大型大學通常擁有較完整的資料、研究人員、運算設備與管理制度，更容易把 AI 轉換成可使用成果。

資源較少的學校即使取得免費帳號，仍可能缺少：

  • 高品質研究資料。
  • 懂得建立 AI 工作流程的人員。
  • 資料安全與倫理審查制度。
  • 驗證模型輸出的時間與人力。
  • 足以執行實驗的設備與經費。

因此，真正的公平不只是提供帳號，也要讓研究者知道怎麼安全、可靠地使用模型。

第二則：Amazon 把全年資本支出提高至 2,200 億美元

Amazon 公布第二季財報後，把 2026 年資本支出預估，從原先約 2,000 億美元提高至 2,200 億美元。

主要原因是雲端與 AI 需求持續增加，加上記憶體與其他資料中心零組件成本上升。

Amazon Web Services 第二季營收達到 422 億美元，年增 37%，高於市場原先預期。

這是 AWS 約四年半以來最快的成長速度。

AWS 為什麼成長這麼快？

企業開始透過雲端平台部署更多 AI 工作。

包括：

  • 訓練與使用生成式 AI 模型。
  • 建立企業知識搜尋。
  • 部署客服與工作型 AI Agent。
  • 分析大量公司資料。
  • 使用雲端晶片與模型服務。
  • 把原有系統改造成 AI 工作流程。

大多數企業不會自行購買大量 GPU、興建資料中心與管理高速網路。

它們會透過 AWS、Microsoft Azure 或 Google Cloud 租用所需運算能力。

因此，雲端營收是觀察企業 AI 是否真正進入付費使用的重要指標。

Amazon 的 AI 與晶片業務規模有多大？

Amazon 執行長 Andy Jassy 表示，公司的 AI 業務與晶片業務，都已超過 250 億美元的年化營收規模。

Amazon 除了提供 Nvidia 晶片，也發展自己的 Trainium 與 Inferentia 系列晶片，希望降低部分 AI 運算成本。

公司也透過 Amazon Bedrock 提供不同模型，讓企業可以依照價格、能力與資料需求選擇。

雲端公司的競爭，不再只是誰擁有最多伺服器，也包括誰能提供較便宜的晶片、更多模型選擇，以及能直接進入企業流程的服務。

為什麼市場這次沒有只擔心 Amazon 花太多錢？

最近大型科技公司公布龐大 AI 支出時，投資人常擔心資料中心建設速度快於收入成長。

Amazon 這次同時提出了較強的雲端營收與未來客戶需求。

公司表示，部分客戶對 AWS 未來容量的預約已延伸到 2028 年。

這讓市場認為，至少目前新增建設背後存在實際客戶需求，而不只是科技公司彼此追趕。

Amazon 財報公布後，股價在盤後一度上漲超過 9%。

但 2,200 億美元投資仍然沒有風險嗎？

仍然有。

Amazon 過去十二個月的自由現金流已轉為負 76 億美元，顯示巨額建設正在消耗現金。

未來還要觀察：

  • 新建資料中心能否快速投入使用。
  • 客戶是否長期維持 AI 用量。
  • 晶片與記憶體價格是否繼續上升。
  • 自研晶片能否降低成本。
  • 雲端收入增速能否高於資本支出。
  • 設備更新速度是否造成提前淘汰。

強勁營收可以支持投資，但不能保證每一座資料中心、每一批晶片都會產生理想回報。

Amazon 說仍然面臨容量不足，代表什麼？

即使公司已經投入巨額資金，部分雲端與 AI 服務仍可能受到晶片、記憶體、電力或資料中心建設限制。

這表示 AI 需求的瓶頸可能不是沒有客戶，而是供應端擴張不夠快。

可能限制供應的因素包括：

  • 先進晶片產能。
  • 高頻寬記憶體。
  • 高速網路設備。
  • 變壓器與電力接入。
  • 液冷與散熱設備。
  • 資料中心施工時間。

這也是為什麼各國和科技公司都在同時投資半導體及基礎設施。

第三則：美國以 8.74 億美元支持七家半導體公司研發

美國商務部宣布，已與七家公司簽署總額 8.74 億美元的投資意向書，支持半導體技術研究與開發。

這些計畫將服務於 AI、先進運算及其他重要科技系統。

資金來自美國《晶片與科學法案》相關計畫，目標是把更多關鍵技術的研發、製造與測試能力留在美國。

這筆錢要解決什麼問題？

AI 系統不只需要一顆高階 GPU。

完整供應鏈還包括：

  • 晶片設計與製造。
  • 先進封裝。
  • 高速資料傳輸。
  • 記憶體與儲存。
  • 電源管理。
  • 測試與品質控制。
  • 支援新材料與新製程的設備。

只要其中一個環節依賴單一國家或少數企業，整體 AI 供應鏈就可能受到出口管制、地緣政治或產能不足影響。

國家投資半導體研發，不只是為了多生產晶片，也是在降低關鍵科技被單一供應鏈卡住的風險。

美國為什麼連續兩天公布晶片資助？

前一天，美國才宣布提供 GlobalFoundries 3 億美元，發展矽光子與共同封裝光學技術。

今天再公布 8.74 億美元的七家公司研發意向書，顯示政策方向正在從單純增加晶圓製造，擴大到下一代 AI 系統所需的不同技術。

政策重點逐漸包括：

  • 讓大量 AI 晶片高速交換資料。
  • 降低資料傳輸與運算耗電。
  • 建立先進封裝能力。
  • 加快新材料進入量產。
  • 減少對海外關鍵技術的依賴。

簽署意向書就代表資金已經全部發放嗎？

不代表。

意向書通常表示政府與企業已就預計支持方向及金額達成初步安排。

最終獎勵仍可能受到：

  • 後續談判。
  • 技術與財務審查。
  • 投資里程碑。
  • 企業自籌資金。
  • 環境與建設許可。
  • 正式合約條件。

因此，8.74 億美元是目前簽署意向書的總額，不應直接理解為所有資金已經支付或所有計畫都已開始量產。

這對台灣半導體產業有什麼影響？

美國增加本土研發，不代表短期內能取代台灣完整的半導體供應鏈。

台灣仍在以下領域具有重要位置：

  • 先進製程。
  • 先進封裝。
  • 伺服器製造。
  • 主機板與零組件。
  • 散熱與電源設備。

但長期來看，客戶與政府會要求供應鏈更加分散。

台灣企業可能需要：

  • 在美國建立更多製造與服務能力。
  • 與當地研究機構及企業合作。
  • 發展更難取代的製程與設備技術。
  • 降低單一地區生產中斷的風險。

未來的競爭不只是成本與良率，也包含能否符合各國的供應鏈安全政策。

今天三則消息放在一起代表什麼？

  • 研究端：OpenAI 讓更多研究者取得前沿模型，希望 AI 更深入科學與工程工作。
  • 商業端：Amazon 用強勁雲端收入支持更龐大的資料中心投資。
  • 供應端：美國政府加速投資下一代半導體技術，降低關鍵供應鏈風險。

這三個環節彼此相連。

研究者使用更強模型，會產生更多運算需求。

雲端公司需要更多資料中心與晶片，才能提供這些服務。

政府則希望晶片、封裝與關鍵零組件不要完全依賴外部供應。

AI 生態系的成長，不只需要更聰明的模型，也需要有人提出值得解決的問題、有人提供算力，還要有人製造支撐算力的晶片。

對一般企業有什麼提醒？

  • AI 雲端供應增加，不代表使用成本一定下降。
  • 企業要比較模型效果，也要比較每項成果的完整成本。
  • 不要因為服務商持續投資，就假設所有 AI 專案都會成功。
  • 需要大量雲端算力的流程，要準備成本與供應替代方案。
  • 重要資料與工作流程不應完全綁定單一供應商。

企業最需要回答的，不是哪一家雲端公司投資最多，而是哪一種服務真正適合自己的資料、工作與預算。

對學生與研究者有什麼提醒？

  • AI 可以協助研究，但不能代替資料驗證。
  • 引用論文前必須查看原始來源。
  • 程式與統計結果要重新執行及檢查。
  • 敏感或未公開資料要符合學校規範。
  • 研究報告應清楚說明 AI 參與的方式。

未來會使用 AI 的研究者可能比完全不用的人更有效率。

但真正具有價值的能力，仍然是提出好問題、設計可靠方法，以及判斷結果是否真的成立。

今天最重要的判斷

OpenAI 把前沿模型開放給更多學術研究者，代表 AI 正從一般生產力工具進入更專業的科學工作。

Amazon 把資本支出提高至 2,200 億美元，則顯示企業對 AI 雲端服務的需求仍在增加，但巨額投資也正在消耗現金。

美國再投入 8.74 億美元支持半導體研發，說明各國不願只依靠市場自行解決晶片與供應鏈問題。

AI 下一階段的競爭，不只看誰推出最強模型，而是誰能讓研究者真正使用、讓雲端服務產生收入，並建立足以長期支撐運算需求的晶片與基礎設施。

今天，和 AI 一起進步一點。

每天學會一個 AI 技巧。

每天節省一點時間。

每天提升一點能力。

SasaDaily，陪你一起成長。

推薦閱讀