戴蒙談 AI：摩根大通的導入、職位變動與基建瓶頸

眼前收益：效率、節省與更快的營運判斷

短期最明顯的效益，是效率與生產力。戴蒙曾表示，摩根大通的 AI 支出已經對應到大致相同規模的年度節省，並稱更大的成本節省機會仍只是「冰山一角」。

近期對戴蒙股東信內容的報導稱，他預期 AI 將影響銀行幾乎每一個營運環節，提高生產力，同時也會消除部分工作。 另一份年度信摘要則指出，AI 將影響客戶服務與內部員工系統。

因此，戴蒙的立場比較像是務實派：AI 能改善銀行工作的成本結構與速度，但這些好處不是憑空出現，而是透過任務、團隊與流程的實際改造取得。

工作衝擊：是再配置，不是無痛升級

戴蒙並未把 AI 描述成只會幫助每位員工、完全沒有代價的工具。2026 年 2 月一則報導稱，摩根大通已為因自動化而受影響的員工啟動「大規模再配置計畫」，同時維持整體員工數約 318,500 人，並削減營運職位 4%、支援職能 2%。

在達沃斯，戴蒙也警告 AI 的發展速度可能快到社會難以消化，並表示政府與企業需要合作，建立重新培訓人才的方法。

就現有資料來看，可以下的結論是：戴蒙預期 AI 會改變工作、消除部分任務或角色，並迫使企業進行大規模再培訓。不過，這些來源並沒有證實摩根大通會因 AI 裁撤多少個確切職位。

可能拖慢 AI 熱潮的，不只是演算法

AI 熱潮接下來的限制，越來越像是物理世界的問題，而不只是模型能力或晶片供應。

高盛估計，AI 基礎設施支出到 2026 年可能達到約 7,650 億美元，到 2031 年升至 1.6 兆美元；2026 年至 2031 年間，運算、資料中心與能源的累計投資可能接近 7.6 兆美元。

電力與電網併網

電力是最直觀的瓶頸。高盛一份報告估計，AI 資料中心相關需求可能需要約 47 吉瓦（GW）的新增發電容量，並指出漫長的電網併網排隊仍是新專案接入電網的挑戰。

德勤另估計，美國 AI 資料中心的電力需求可能從 2024 年的 4 吉瓦，升至 2035 年的 123 吉瓦；其針對美國電力公司與資料中心高層的調查也指出，電網壓力是基礎設施開發面臨的首要挑戰。

資料中心正在變成工業系統

AI 資料中心已不只是「放很多伺服器的房間」。高盛把 AI 資料中心描述為一套圍繞超高密度伺服器打造的整合式電力與熱管理系統；麥肯錫也指出，AI 正把資料中心重塑為支援高密度工作負載的電力與熱管理整合系統。

麥肯錫還提醒，資料中心價值鏈中許多關鍵零組件交期很長，工業設備供應商能否擴產，正成為成長限制之一。

冷卻與散熱

散熱正在從配角變成主角。世界經濟論壇指出，過去 AI 叢集可能由數百顆 GPU 運作，如今需求已擴大到數萬顆；限制因素也不再只是矽晶片，還包括熱、電力、連線與記憶體。

同一份分析也指出，在 GPU 滿載運作的熱密度下，傳統氣冷愈來愈吃力，液冷、浸沒式冷卻與新的熱架構已從實驗性方案變成基本需求。

連線、網路與光纖

大型 AI 叢集需要大量加速器與系統之間高速、穩定地互連。現有來源中，較可靠的說法是「連線能力」正在成為更廣泛的瓶頸：世界經濟論壇把 connectivity 列為拖慢 AI 叢集擴張的限制之一，另一份報導也指出瓶頸正從矽晶片轉向高速連線與原始能源供應。

至於光纖是否已經形成可量化的獨立短缺，本文所據來源並未提供明確數字。因此較謹慎的說法是：光纖屬於更大的連線瓶頸之一，但目前資料不足以證明它本身就是單一、可量化的最大瓶頸。

原物料、零組件與供應鏈

同樣地，現有證據對「設備與零組件限制」的支持，比對「特定原物料短缺」的量化證據更強。麥肯錫指出，資料中心價值鏈中的長交期關鍵零組件可能限制成長；世界經濟論壇則表示，估計中的資料中心投資有很大一部分會流向冷卻、發電與周邊硬體。

原物料當然可能透過硬體供應鏈產生影響，但目前來源沒有替特定大宗商品排序，也沒有證明哪一種材料是最主要限制。

結論：AI 軟體跑得快，現實世界未必跟得上

戴蒙的 AI 訊息可以濃縮成一句話：導入已經發生，不是在等下一個未來突破。摩根大通正在把 AI 用到核心銀行功能中，以大規模科技預算支撐導入，並在自動化改變職位時準備再配置員工。

但這波熱潮的反作用力也很清楚：AI 下一階段取決於電力、電網連接、高密度資料中心、冷卻、網路連線與長交期設備。換句話說，即使 AI 軟體持續進步，真正決定部署速度的，可能是那些更難快速擴張的實體基礎設施。