1GW AI 工廠產能測算：從一座電廠的功率，到 23.22 億個可售 GPU 小時

先看結論：這是金融結構的變化，不只是科技新聞

這個產能模型最大的價值不是結論，而是可複製性：五個假設（總功率、PUE、每櫃功率、每櫃 GPU 數、利用率）一路相乘，就能從電力容量推出可售算力。掌握這條算式，任何新聞裡的「X GW 資料中心」都能被你即時換算成 GPU 數量與潛在營收。

報告的測算步驟：假設園區總功率 1GW、PUE 1.44（電源使用效率＝資料中心總能耗除以 IT 設備能耗），得出 IT 可用容量約 694MW；以每櫃 132kW 的部署密度計算，可部署約 5,260 櫃 GB200 NVL72；每櫃 72 顆 GPU，合計 378,720 顆；再以 70% 的可售利用率計算，年度可售產能約 23.22 億 GPU 小時。電費另以每櫃 120kW、85% 平均功率係數的口徑估算。

這份報告最重要的提醒，是 2026 年讀 AI 基建新聞時，不能只看「又有多少錢投入」，要看「錢用什麼結構進來」。同樣一億美元，走公司債、走專案融資、走租賃或走證券化，債務落點、風險承擔者與下行時的傳導路徑完全不同。結構決定了樂觀時誰賺走報酬，也決定了悲觀時誰接住損失。

運作機制：把金融名詞拆回現金流

模型的巧妙在「兩套功率口徑」：部署密度用 132kW 每櫃（決定塞得下幾櫃），電費用 120kW 每櫃搭配 85% 功率係數（反映實際用電低於銘牌值）。PUE 1.44 則把冷卻、供電損耗等非 IT 能耗攤進來——每 1 度 IT 用電，整個園區實際要買 1.44 度。這些工程細節決定了同樣 1GW 的園區，在不同氣候、不同冷卻技術下，可售算力可以差出兩成以上。

專案財務模型的價值不在結論，而在假設清單。這份測算假設園區總功率 1GW、PUE 1.44、以 132kW 每櫃估算可部署機櫃、以 120kW 每櫃與 85% 平均功率係數估算電費、GPU 可售利用率 70%、整櫃採購價 300 萬美元、IT 設備折舊 5 年、基礎設施折舊 15 年、綜合電價每度 0.09 美元。改動其中任何一項，盈虧平衡價都會跟著移動。

我檢查這類結構的方法是四個問題：第一，現金流從哪裡來——是簽了約的租金，還是假設中的需求；第二，債務掛在誰的帳上——母公司、專案公司，還是證券化載體；第三，出事時誰先賠——股權、中間級、優先級的順序是否與報酬對稱；第四，退出機制是什麼——長期資本能不能在不砸盤的情況下轉手。四題都答得出來，才算看懂一個融資結構。

商業與財務：先分口徑，再談多空

把產能翻成商業語言：23.22 億 GPU 小時是這座工廠一年的「庫存」，每一小時沒賣掉就永遠消失——算力和機位、電力一樣是不可儲存的商品。以報告引述的市場均價每 GPU 小時 5.09 美元計，滿載可售產能對應年營收上限約 118 億美元（XMY 交叉計算）；70% 利用率的假設則已經替「賣不完」預留了三成緩衝。利用率假設每動一個百分點，營收就動約 1.7 億美元——這是整個模型最敏感的旋鈕。

本系列把所有數字分成四種口徑：「事實／已公告」是已發生的事件或官方揭露；「報告推估」是研究機構基於假設的測算；「XMY 交叉計算」是我用報告假設重新推導或延伸的數字；「XMY 質化評分」則是我的主觀相對排序。四種口徑在每張圖表中分開標示，因為把推估讀成事實，是這類題材最常見的誤判來源。

台灣視角：供應鏈的位置，投資人的距離

台灣讀者可以拿這個模型對照本地條件：台灣整體電網的尖峰供電能力約 40GW 上下，一座 1GW 的 AI 園區等於單點吃掉全國尖峰供電的四十分之一——這解釋了為何台灣的 AI 資料中心多以數十 MW 為單位，也解釋了台電電力開發計畫與資料中心選址的緊張關係。對台灣而言，參與這波建設的現實路徑是輸出設備與工程能力，而非在島內複製 1GW 園區。

對台灣讀者來說，這個平台有兩層意義。第一層是產業鏈：AI 資本支出的資金來源若被拓寬，晶圓代工、伺服器代工、散熱、電源、機殼與網通的訂單能見度就多一分支撐，但同時也多一分對金融結構穩定性的依賴。第二層是投資：台灣投資人透過美股、ETF 或壽險保單間接暴露在這條信用鏈上，理解結構比追逐消息更能保護自己。

反方論證：樂觀情境的失效條件

模型的每個假設都有現實摩擦：PUE 1.44 需要穩定氣候與成熟冷卻設計，熱帶或舊改機房會更差；70% 可售利用率隱含客戶排程幾乎無縫接軌，實務上新工廠爬坡期的利用率遠低於此；而 132kW 每櫃的高密度部署對供電與液冷是工程極限操作，任何降規都直接砍櫃數。把模型當上限看，而不是當基準看，是使用這類測算的正確姿勢。

會計口徑的盈虧平衡價刻意排除了所得稅、融資成本與設備殘值，這讓它適合當「地板」而不是「門檻」。真實專案要付利息、要繳稅、要面對 GPU 殘值波動，實際能讓股權投資人滿意的租賃價格必然高於會計平衡點。把 2.03 美元讀成「跌到這裡才有事」，會系統性低估風險出現的時點。

報告本身也列出四項風險提示：期限錯配與流動性風險、AI 技術發展與終端需求不及預期、算力價格及設備利用率波動、關鍵參數假設變化。這四項不是免責套話，而是模型最脆弱的四個接縫；本系列每一篇的測算與判讀，都應該放在這四個前提下閱讀。

下一步追蹤：用可驗證的里程碑更新判斷

針對這個題目，接下來值得固定追蹤：1、實際落地專案披露的 PUE 與部署密度；2、新建 AI 資料中心的爬坡期利用率數據；3、GB200／下一代平台的每櫃功率變化；4、液冷滲透率與冷卻技術演進；5、大型園區的電力購售合約條款。這些指標橫跨公告執行、財報揭露、市場價格與監管動態，因為融資平台的成敗不會由單一新聞決定，而是由一連串可驗證的小事實累積而成。

我的更新方法，是把每季新出現的事實填回這篇文章的框架：已兌現的里程碑提高可信度，反覆延期或口徑變動則降低權重。合作備忘錄與最終協議之間、目標金額與實際出資之間、測算模型與真實帳本之間，永遠留有距離；1GW AI 工廠產能測算值得持續關注，正因為這段距離就是風險與報酬同時藏身的地方。