【AI 經濟學】 NVIDIA 點解愈來愈值錢?營收勁 107% 因為 Jevons Paradox?點解 AI 模型愈來愈平反而令上下游供不應求? #利世民 #實用經濟

利世民 · 發布於 2026/08/31 上午08:59 · 更新於 2026/11/06 下午11:00 · 台北時間 · 本頁的資料來源與計算方式 ⓘ

觀看數
2.55 萬次
喜歡
658次
YouTube 留言總數
26則
長度
—
字幕狀態未確認

觀看數觀測

目前僅一筆觀測 ·
25,544次

共同標籤

這支影片尚未比對共同詞彙

比對版本

youtube-quality-20261017-a

影片說明

AI 愈來愈平、模型愈來愈有效率,點解 NVIDIA 嘅 Data Center 生意反而愈做愈大?另一邊廂,AI 需要嘅運算成本一路下降,照計我哋應該需要少啲 GPU、少啲 Data Center、少啲電力,現實點解完全相反? 呢個現象令人諗起一個十九世紀嘅經濟學概念:Jevons Paradox。 由工業革命嘅煤炭開始,講到今日嘅 GPU、HBM、Data Center、AI Model、OpenRouter、Token Economy,再一路落到企業同個人層面。 ・Jevons Paradox 究竟係乜?點解效率提高,總需求反而可以增加? ・AI 今日嘅情況係咪真係符合 Jevons Paradox? ・AI 愈平之後,點解以前唔值得做嘅事情開始值得用 AI 做? ・Agentic AI 點解可以令一次簡單指令變成大量 compute demand? ・GPU、HBM、電力同 Data Center 點解會因為廉價 AI 而變得更加稀缺? ・Compute demand 急升,係咪代表 Microsoft、Amazon 呢類公司一定有高 Return on Capital? ・AI Model 如果愈來愈似 commodity,價值會流去邊一層? ・Stripe 買 OpenRouter,反映 Token Economy 可能向邊個方向發展? ・AI 對勞工市場嘅第一個影響,究竟係人工下降,定係企業需要嘅人數減少? ・點解 entry-level、standardised、low-context 工作可能最早受到影響? ・當廉價 intelligence 變得愈來愈普遍,judgment、context、trust、人際關係同 tacit knowledge 會唔會反而變得更稀缺、更有價值? 00:00 AI 愈平,點解 NVIDIA 愈賺? 02:20 Jevons Paradox 究竟係乜? 04:28 Jevons Paradox 成立嘅關鍵 06:47 AI 愈平,原本唔值得做嘅事開始值得做 09:55 AI 價格跌,需求究竟升幾多? 12:20 Compute Demand 點解愈來愈大? 14:41 Agentic AI 點解食多咁多 Compute? 17:17 智能愈平,邊啲嘢變得更稀缺? 21:31 Revenue Growth ≠ Return on Capital 24:32 AI Model 會唔會變成 Commodity? 26:05 OpenRouter、Stripe 同 Token Economy 29:53 AI 對工作同人工有咩影響? 33:59 Entry-level Jobs 點解首當其衝? 37:16 AI 最先影響邊一班打工仔? 39:59 Low Context vs High Context 42:48 智能愈廉價,下一個 Scarcity 喺邊? 44:01 我自己用 AI 之後,工作反而多咗 47:18 AI 最後嘅價值會流去邊? 【實用經濟學】 https://www.youtube.com/playlist?list=PL1brW0oZPkC9pxQnkdfBCzXlFdNvPJIwt 【日常政治學】 https://www.youtube.com/playlist?list=PL1brW0oZPkC-DwHEDxc62um_jS3jzkVK6 【時事短打】 https://www.youtube.com/playlist?list=PL1brW0oZPkC9Dg_Y8OIgPeiADbd58_zQN 如果你覺得我嘅分享畀到你唔同嘅睇法,希望你會願意加入成為會員支持我繼續發聲: https://www.youtube.com/channel/UCrQ2dUU2C_dtkbav78GoUEg/join 此頻道既為香港人而設,內容以粵語為本。 利世民,香港人,自媒體 unsubject 主筆,自由主義者,樂天知命,不問鬼神。形而上虛無主義者。角色屬性混沌中立;長期處於身份存在危機;總覺得三言兩語間未能介紹自己。過去四分一世紀,平均每半年有個新興趣;課題涵蓋物理心理、政治經濟、歷史、宗教、哲學。

本頁的資料來源與計算方式

影片的數字

公開統計
觀看、喜歡與留言總數是取得當時的 YouTube 公開統計,不是即時數值;各項統計的觀測時間可能不同。「資料最後記錄」是影片資料的記錄時間,不代表觀看、喜歡或留言都在那時重新觀測。
觀看歷史
圖上每個點是實際儲存的觀測,連線只為方便閱讀,不代表中間時間的測量值;沒有歷史觀測時不建立時間序列。
喜歡占互動
喜歡 ÷(喜歡+不喜歡+顯示留言),任一來源缺值時不估算。
字幕
只記錄來源是否提供字幕,尚未擷取逐字稿,因此字幕不列入標籤比對。
觀測分析
直播逐時/逐日最高同時在線取自所讀直播紀錄;讀取上限、略過與解析失敗的筆數列在「資料涵蓋範圍與解析限制」。

共同標籤

標籤來源:新文易數(tag.observe.tw)。共同標籤以文字比對影片標題與說明,不是 AI 判讀;命中不代表事件歸屬或立場,與頻道分類分開。標題或說明出現標籤,不代表影片主題;可能來自固定宣傳或版權文字。字幕尚未取得,不列入比對。

比對範圍
僅列出目前詞彙版本與影片標題、說明仍相符的比對結果;待比對或來源文字已變動的影片不列入,數量見「收錄與比對範圍」。
期間
「往前 N 日」包含今天與前 N 天,共 N+1 個台北日曆日(往前 7 日為 8 個日曆日);指定起訖日期時以實際起訖日為準。日數、日期與小時條件同時套用。
命中片段
每支影片最多顯示 3 段,標示來自標題、說明或字幕;沒有片段時顯示「沒有命中片段」,來源文字缺漏時顯示「來源文字未提供」,不另行補寫。完整比對依據在影片頁的「共同標籤與比對依據」。
顯示排除
符合標籤顯示規則的詞(上游排除詞、雜訊、純數字或日期、長度不符,以及核定的來源或平台名稱、雙字通用詞、國家城市政黨詞、少數 YouTube 平台或宣傳用語)整詞不列入排行,但仍保留在原始詞彙池與比對證據中;原始詞彙池列出排除原因。雙字通用詞只依核定清單判定,包含它們的人名、事件或具體議題不會因此被排除。管理員也可以在排行上直接排除個別標籤,同樣只影響排行顯示,每次排除與恢復都留有紀錄。
說明欄樣板
同一頻道說明欄反覆出現的宣傳段落不列入比對。「24小時」這類詞只在這種重複宣傳段落中略過,出現在一般新聞內容時照常計入;這不同於整詞的顯示排除。
示例
列表與片段只是符合條件的影片例子,不能用來推算整體比例或全站失真程度;有效比對的影片比例只代表比對完成度。
觀看
累計觀看是取得當時的公開觀測值,不是期間增量;無觀看值的影片不當作 0。

本頁資料範圍

觀看數與互動數為取得當時的公開觀測值。

時間序列只有一筆有效觀測時,只列出該值與觀測時間,不畫走勢圖;累積兩筆以上才畫圖。

資料來源

本站以納入名單的 YouTube 頻道與影片為範圍(名單見頻道觀測),數據來自 YouTube 公開資料與定時觀測:直播約每分鐘輪詢一次,頻道統計、新影片與影片統計則分批輪流更新,所以同一頁的數字不一定在同一時間取得。不涵蓋全 YouTube;缺漏、尚未收錄或資料服務中斷都不等於零,尚未取得的數值顯示「—」。

頁面使用台北時間(UTC+8)。「更新於」是來源已記錄的觀測時間;來源沒有記錄時顯示「未記錄」,不以開啟網頁的時間代替。

共同標籤詞彙的標籤來源:新文易數(tag.observe.tw),保留來源、版本與比對依據;本站的頻道分類沿用有影儀表板的來源組織方式,與內容標籤是不同維度。影片數、觀看數與直播同時在線人數分開計算,不代表 YouTube 全站流量,也不表示因果關係。

完整的資料來源與計算方式 →