盤後解讀｜《財經皓角》2026/7/16（四）盤前直播心得整理。以下轉述皆為當日盤前觀點，非發文當下的操作建議。
一句話重點
主講人游庭皓在 7/16 盤前引用了一個很好用的比喻：把 100 萬個 AI 權杖（token）比喻成「一桶 AI 智慧」，然後把各家的價格擺在一起看——差距大到讓人重新思考整個產業的競爭邏輯。
一桶 AI 智慧的價格表
他引用風險投資人帕里哈皮提亞的比較：
| 供應商 | 每桶（100 萬 token）約略價格 |
|---|---|
| Anthropic | 約 56 美元 |
| OpenAI | 約 26 美元 |
| Meta | 約 1.5 美元 |
| xAI | 約 1 美元 |
| Google（依 TPU 產量估） | 有機會壓到 1 美元 |
| 中國模型 | 約 0.5 美元 |
他的推論很直接：如果低價模型能達到頂尖模型八到九成的效果，企業就很難繼續為一般客服或文件整理這類流程自動化，支付數十倍的溢價。
他也舉了 Meta 最新推出的 Muse Spark 1.1 為例，該模型首度向企業開放付費 API，費用約僅對手的 25%，明顯是以低價快速擴大市占。
他當天的總結是：現在好像沒有人在比誰的模型更優秀，比的是誰的價格最便宜。
補充區隔：這跟 7/6 那集談的「AI Token 成本指數下跌」不是同一件事。7/6 講的是企業實際支出的統計數字，這裡講的是供應商的定價策略。前者是結果，後者是原因。
這集的另一條主線：硬數據強、軟數據弱
這個框架很值得記下來，因為它解釋了「為什麼經濟數據那麼好，大家卻覺得很慘」。
硬數據是指就業、消費、工業生產這類實際發生的經濟活動統計。
軟數據是指消費者信心指數、企業預期這類反映情緒與預期的調查數據。
他提到，美國的硬數據已回到 2022 年以來的最佳水準，但軟數據明顯落後。他的解讀是：這來自 AI 消費端與實體消費端之間的脫鉤——體感和實質經濟出現落差。
他也補了一組數據：與 2009 至 2019 年的長期趨勢相比，目前美國家庭持有的股票資產與現金水位多出 33%，債務成長 25%。資產累積速度比負債增加速度更快。
他的推論是：真正受害的是既沒有資產、也沒有負債，純粹靠現金過活的人。 有資產的人資產在漲，有負債的人債務在通膨中變輕。
債市這一端又進了一步
同一集他提到高盛 AI 債券指數的信用利差已擴大到 25 個基點，並列出巨頭的債務規模：甲骨文、Amazon、Meta、Google、微軟合計約 3,840 億美元的投資等級流通債務，占整體投資等級債約 3.9%。其中甲骨文 1,170 億排行第五，是投資等級債當中最大規模的非金融企業。
另外一個值得記的名字是阿波羅——這家私募機構今年春天完成史上最大的私人信貸交易，為博通與 Anthropic 提供 350 億美元融資。他的觀察是：跟銀行借不到錢，就來跟私募借，只是利息貴一點。
台灣的對照
他提到中研院將台灣今年經濟成長率上修到 10.16%，正式突破雙位數；上半年出口暴增 69%，對美順差正式突破千億美元，已連續 35 個月正成長。
但他同時點出副作用：中研院調查顯示，超過六成受訪者預估未來一年生活成本漲幅 8.7%、食物 12.54%，而官方通膨數據是 2.6%。體感與數據的落差非常大。
同一集也提到台灣 6 月違約交割金額突破 20 億新臺幣，是有統計以來的歷史新高，7 月已有四檔個股翻車。他的提醒是：股市即使沒有進入熊市，也會有一堆人被波動洗出去。
我的觀點
那張價格表我不同意它被使用的方式。
「低價模型能達到頂尖模型八到九成的效果」，這句話對客服和文件整理成立，對程式碼生成和複雜推理完全不成立。八成正確率和九九成正確率，在需要串接多步驟的任務裡，實務價值差的是數量級不是比例——因為錯誤會沿著鏈條放大。
所以我認為這張表真正告訴我們的不是「頂尖模型撐不住溢價」，而是 AI 市場正在裂成兩個：一個是拚單價的商品市場，一個是拚可靠度的專業市場。用同一張價格表去看兩個市場，會嚴重低估後者的定價空間。
該追蹤的是價差有沒有收斂。一年後價差還在，代表市場確實分層了；價差收斂，才代表溢價撐不住。
免責聲明：本文為個人聽後心得與觀點整理，非原節目官方內容，亦不構成任何投資建議。文中數據皆為節目口述引用，發佈前請自行查核原始出處。投資有風險，請自行評估並為自身決策負責。