留意：呢筆係整體科技開支，唔係純 AI 預算。但正正反映一件事——對大銀行嚟講，AI 唔係一個 app，而係整套技術平台、流程同人手安排的一部分。

摩根大通而家點樣用 AI？

戴蒙多次強調，摩根大通做 AI 唔係近年先起步。他在 Bloomberg 訪問中說，銀行自 2012 年已經開始相關工作，約有 2,000 人參與，每年花約 20 億美元，應用範圍包括風險、詐騙、營銷、構思新點子和客戶服務。

另一段 Bloomberg 片段報道，戴蒙稱摩根大通每年從 AI 投資節省的金額，與投入差不多相若；他亦說公司已經有數百個 AI 使用案例。

換句話講，摩根大通的 AI 不是單一產品，而係一籃子工具：

• 後勤流程自動化；
• 風險監控和防詐騙；
• 客戶服務支援；
• 員工內部工具；
• 營銷、想法生成和決策輔助。

在達沃斯，戴蒙亦提到，管理層會在不同業務檢視中問團隊：「你哋在科技同 AI 上做緊咩？」範圍可以由財務、人力資源到營運。 摩根大通的公司更新亦指，其科技平台繼續推動全公司的創新和效率。

好處：效率、節省同更快決策

短期最清楚的好處，是生產力和效率。

戴蒙曾經表示，摩根大通每年 AI 開支已經配對到差不多同等規模的年度節省，並形容更大的成本節省機會只是「冰山一角」。

有關戴蒙股東信訊息的報道亦指，他預期 AI 會影響銀行幾乎每一個營運部分，提升生產力，同時亦會令部分職位消失。 另一份摘要指，AI 將影響客戶服務以及內部員工系統。

所以，戴蒙的語氣其實比較務實：AI 可以令銀行工作更快、更平、更有效率，但成果唔會憑空出現，而係要透過重砌任務、團隊和工作流程先落到地。

職位衝擊：重點係再調配，但唔代表無痛

戴蒙並無將 AI 描述成一個只會「幫到所有人」而完全無代價的工具。

2026 年 2 月有報道指，摩根大通已經為受自動化影響的員工推出「大型再調配計劃」，同時將整體員工人數維持在約 318,500 人，並削減 4% 營運職位及 2% 支援職能。

在達沃斯，戴蒙亦警告 AI 可能發展得太快，令社會未必追得上；他說政府和企業需要合作，找方法為人們再培訓。

可以肯定的是：戴蒙預期 AI 會改變工作、消除部分任務或職位，亦會帶來大規模再培訓需要。不過，現有資料未有證實摩根大通因 AI 會裁減幾多個特定職位；任何精確數字都不應該由現有來源推斷出來。

AI 熱潮下一個樽頸：唔只係晶片，而係實體基建

AI 發展到而家，最大限制愈來愈唔只係模型夠唔夠好，或者 GPU 夠唔夠多，而係背後的電力、數據中心、散熱、連線同供應鏈。

高盛估計，AI 基建開支到 2026 年可達約 7,650 億美元，到 2031 年升至 1.6 萬億美元；2026 至 2031 年之間，在運算、數據中心和能源方面的累計投資接近 7.6 萬億美元。

1. 電力同電網接駁

最直接的樽頸係電。

高盛報告估計，約需要新增 47 GW（吉瓦）的發電容量，並指出新項目接入電網的長時間排隊仍然係挑戰。 德勤則估計，美國 AI 數據中心用電需求可能由 2024 年的 4 GW，升至 2035 年的 123 GW；在其對美國電力公司及數據中心高管的調查中，電網壓力是數據中心基建發展的首要挑戰。

講白啲：AI 唔係只在雲端發生。每一次模型訓練、每一次大規模推理，背後都要有真實電力供應、電網批准和輸配電能力。

2. 數據中心已經變成工業級系統

AI 數據中心唔再只係「一排排伺服器房」。高盛形容，AI 數據中心應該被視為圍繞超高密度伺服器而建的整合電力及熱管理系統；麥肯錫亦指出，AI 正在將數據中心重塑成緊密整合的電力與熱管理系統，以支援高密度工作負載。

麥肯錫同時指出，一個關鍵增長限制，是工業設備供應商能否生產數據中心價值鏈中交貨期長的關鍵部件。

換言之，AI 擴張唔只考驗科技公司，亦考驗電力設備、冷卻設備、機電工程和供應鏈管理。

3. 散熱：由配角變主角

AI 加速器密度愈來愈高，熱量就成為核心問題。

世界經濟論壇指出，過去用數百個 GPU 運行的 AI 集群，現在可能需要數以萬計 GPU；拖慢轉變的樽頸已不再只是晶片，還包括熱力、電力、連接性和記憶體。

同一分析亦指出，在 GPU 滿載時，傳統風冷已難以處理熱密度；液冷、浸沒式冷卻和新型熱管理架構，已由實驗性技術變成基本要求。

4. 高速連線、網絡同光纖

大型 AI 集群需要大量加速器和系統之間高速、穩定連接。現有來源最穩陣的結論是：AI 正面對一個更廣義的「連線能力」樽頸。

世界經濟論壇將連接性列為拖慢 AI 集群擴張的限制之一；另一份報道亦指，投資樽頸正由晶片轉向高速連線及原始能源供應。

至於「光纖」本身，現有資料未有量化一個獨立的光纖短缺。因此，比較嚴謹的講法係：光纖屬於更大範圍的高速連線問題，但暫時未能證實它係單獨、可量化的最大樽頸。

5. 原材料、零件同長交期供應鏈

原材料可能會透過硬件供應鏈影響 AI 基建，但現有證據更清楚指向設備和部件限制，而唔係某一種商品已經被證實成為最大限制。

麥肯錫強調，數據中心價值鏈中交貨期長的關鍵部件，可能成為增長限制；世界經濟論壇亦指出，估計中大量數據中心投資會落在散熱、發電和相關硬件上。

所以，談銅、鋰、稀土或其他物料前，要分清楚：現有來源支持「硬件和供應鏈可能拖慢 AI」，但未有足夠資料為個別原材料排嚴重程度。

講到尾：AI 已經落地，但速度可能由電力同工程決定

戴蒙的 AI 訊息，重點唔係「AI 將來有一日會嚟」，而係「AI 已經喺銀行日常運作入面」。摩根大通正將 AI 應用到核心銀行功能，配合龐大科技預算，並準備在自動化改變職位時重新調配員工。

但另一邊廂，AI 下一階段未必只由軟件進步決定，而會由實體世界的容量決定：電力、電網接駁、高密度數據中心、散熱、高速連線和長交期設備。

換句話講，就算 AI 模型繼續進步，真正決定落地速度的，可能係一啲更慢、更重、更難即刻擴張的東西：電廠、電網、機房、冷卻系統同供應鏈。

留意：呢筆係整體科技開支，唔係純 AI 預算。但正正反映一件事——對大銀行嚟講，AI 唔係一個 app，而係整套技術平台、流程同人手安排的一部分。

摩根大通而家點樣用 AI？

戴蒙多次強調，摩根大通做 AI 唔係近年先起步。他在 Bloomberg 訪問中說，銀行自 2012 年已經開始相關工作，約有 2,000 人參與，每年花約 20 億美元，應用範圍包括風險、詐騙、營銷、構思新點子和客戶服務。

另一段 Bloomberg 片段報道，戴蒙稱摩根大通每年從 AI 投資節省的金額，與投入差不多相若；他亦說公司已經有數百個 AI 使用案例。

換句話講，摩根大通的 AI 不是單一產品，而係一籃子工具：

• 後勤流程自動化；
• 風險監控和防詐騙；
• 客戶服務支援；
• 員工內部工具；
• 營銷、想法生成和決策輔助。

在達沃斯，戴蒙亦提到，管理層會在不同業務檢視中問團隊：「你哋在科技同 AI 上做緊咩？」範圍可以由財務、人力資源到營運。 摩根大通的公司更新亦指，其科技平台繼續推動全公司的創新和效率。

好處：效率、節省同更快決策

短期最清楚的好處，是生產力和效率。

戴蒙曾經表示，摩根大通每年 AI 開支已經配對到差不多同等規模的年度節省，並形容更大的成本節省機會只是「冰山一角」。

有關戴蒙股東信訊息的報道亦指，他預期 AI 會影響銀行幾乎每一個營運部分，提升生產力，同時亦會令部分職位消失。 另一份摘要指，AI 將影響客戶服務以及內部員工系統。

所以，戴蒙的語氣其實比較務實：AI 可以令銀行工作更快、更平、更有效率，但成果唔會憑空出現，而係要透過重砌任務、團隊和工作流程先落到地。

職位衝擊：重點係再調配，但唔代表無痛

戴蒙並無將 AI 描述成一個只會「幫到所有人」而完全無代價的工具。

2026 年 2 月有報道指，摩根大通已經為受自動化影響的員工推出「大型再調配計劃」，同時將整體員工人數維持在約 318,500 人，並削減 4% 營運職位及 2% 支援職能。

在達沃斯，戴蒙亦警告 AI 可能發展得太快，令社會未必追得上；他說政府和企業需要合作，找方法為人們再培訓。

可以肯定的是：戴蒙預期 AI 會改變工作、消除部分任務或職位，亦會帶來大規模再培訓需要。不過，現有資料未有證實摩根大通因 AI 會裁減幾多個特定職位；任何精確數字都不應該由現有來源推斷出來。

AI 熱潮下一個樽頸：唔只係晶片，而係實體基建

AI 發展到而家，最大限制愈來愈唔只係模型夠唔夠好，或者 GPU 夠唔夠多，而係背後的電力、數據中心、散熱、連線同供應鏈。

高盛估計，AI 基建開支到 2026 年可達約 7,650 億美元，到 2031 年升至 1.6 萬億美元；2026 至 2031 年之間，在運算、數據中心和能源方面的累計投資接近 7.6 萬億美元。

1. 電力同電網接駁

最直接的樽頸係電。

高盛報告估計，約需要新增 47 GW（吉瓦）的發電容量，並指出新項目接入電網的長時間排隊仍然係挑戰。 德勤則估計，美國 AI 數據中心用電需求可能由 2024 年的 4 GW，升至 2035 年的 123 GW；在其對美國電力公司及數據中心高管的調查中，電網壓力是數據中心基建發展的首要挑戰。

講白啲：AI 唔係只在雲端發生。每一次模型訓練、每一次大規模推理，背後都要有真實電力供應、電網批准和輸配電能力。

2. 數據中心已經變成工業級系統

AI 數據中心唔再只係「一排排伺服器房」。高盛形容，AI 數據中心應該被視為圍繞超高密度伺服器而建的整合電力及熱管理系統；麥肯錫亦指出，AI 正在將數據中心重塑成緊密整合的電力與熱管理系統，以支援高密度工作負載。

麥肯錫同時指出，一個關鍵增長限制，是工業設備供應商能否生產數據中心價值鏈中交貨期長的關鍵部件。

換言之，AI 擴張唔只考驗科技公司，亦考驗電力設備、冷卻設備、機電工程和供應鏈管理。

3. 散熱：由配角變主角

AI 加速器密度愈來愈高，熱量就成為核心問題。

世界經濟論壇指出，過去用數百個 GPU 運行的 AI 集群，現在可能需要數以萬計 GPU；拖慢轉變的樽頸已不再只是晶片，還包括熱力、電力、連接性和記憶體。

同一分析亦指出，在 GPU 滿載時，傳統風冷已難以處理熱密度；液冷、浸沒式冷卻和新型熱管理架構，已由實驗性技術變成基本要求。

4. 高速連線、網絡同光纖

大型 AI 集群需要大量加速器和系統之間高速、穩定連接。現有來源最穩陣的結論是：AI 正面對一個更廣義的「連線能力」樽頸。

世界經濟論壇將連接性列為拖慢 AI 集群擴張的限制之一；另一份報道亦指，投資樽頸正由晶片轉向高速連線及原始能源供應。

至於「光纖」本身，現有資料未有量化一個獨立的光纖短缺。因此，比較嚴謹的講法係：光纖屬於更大範圍的高速連線問題，但暫時未能證實它係單獨、可量化的最大樽頸。

5. 原材料、零件同長交期供應鏈

原材料可能會透過硬件供應鏈影響 AI 基建，但現有證據更清楚指向設備和部件限制，而唔係某一種商品已經被證實成為最大限制。

麥肯錫強調，數據中心價值鏈中交貨期長的關鍵部件，可能成為增長限制；世界經濟論壇亦指出，估計中大量數據中心投資會落在散熱、發電和相關硬件上。

所以，談銅、鋰、稀土或其他物料前，要分清楚：現有來源支持「硬件和供應鏈可能拖慢 AI」，但未有足夠資料為個別原材料排嚴重程度。

講到尾：AI 已經落地，但速度可能由電力同工程決定

戴蒙的 AI 訊息，重點唔係「AI 將來有一日會嚟」，而係「AI 已經喺銀行日常運作入面」。摩根大通正將 AI 應用到核心銀行功能，配合龐大科技預算，並準備在自動化改變職位時重新調配員工。

但另一邊廂，AI 下一階段未必只由軟件進步決定，而會由實體世界的容量決定：電力、電網接駁、高密度數據中心、散熱、高速連線和長交期設備。

換句話講，就算 AI 模型繼續進步，真正決定落地速度的，可能係一啲更慢、更重、更難即刻擴張的東西：電廠、電網、機房、冷卻系統同供應鏈。