目錄
本文資訊彙整自 2026 年 9 月國際報導。科技與 AI 產業資訊變化很快，相關公司數據與研究進展仍應以最新公告為準。
2026 年 9 月 7 日，Arm Holdings 執行長 Rene Haas 接受 BBC 訪問時，把 AI 晶片短缺和一個遠比資料中心更大的問題放在了一起：癌症。他認為，AI 有機會在人類有生之年協助找到目前無法完成的癌症解方，但要模擬細胞、人體，以及癌症如何影響 DNA 標記，現有電腦仍處理不了這種複雜度；同一時間，AI 資料中心需要的晶片又供不應求。於是，一則原本可以被讀成半導體供給問題的新聞，很快變成了「晶片不夠，正在拖慢 AI 攻克癌症」的敘事。
這種說法很容易抓住注意力，也很適合變成新聞標題，但兩件事放在同一句話裡，不代表中間的因果關係已經成立。Haas 對 AI 能否協助治療癌症提出的是預測；晶片與資料中心供應吃緊則是目前可以觀察的產業現象。至於「癌症研究之所以還沒走得更快，主要是因為算力不夠」，則是另一個需要證據支持的判斷。讀這類 AI 新聞時，這三件事最好不要一起接受。
Arm 執行長說 AI 能治癌？先把預言、現況與原因分開看
Haas 的發言裡，最強的一句當然是「AI 將協助找到癌症解方」。這是一項對未來的預測，目前沒有辦法驗證，也沒有明確時間表。他進一步描述，模擬一個細胞、人體，以及特定 DNA 標記如何受到癌症影響，對今天的人類與執行 AI 的電腦都太複雜；隨著更多模型進入運算系統、電腦能力繼續增加，他相信這些問題最後可以被處理。
真正需要另外檢查的是下一步：如果目前的電腦還不夠強，是否就能推導出「癌症研究的主要瓶頸是晶片供給」？兩句話聽起來可以接在一起，實際上中間還隔著資料品質、實驗設計、生物機制、模型方法、臨床驗證等很多環節。算力可能是其中一項限制，但從這場訪談本身還無法得出它是主要限制。
Haas 說的「太複雜」，不是指 AI 現在無法參與癌症研究
這裡也很容易產生另一個誤讀：既然完整模擬人體與癌症機制還做不到，是否代表 AI 在癌症研究裡仍停留在概念階段？並不是。美國國家癌症研究所目前列出的 AI 應用已涵蓋癌症機制研究、篩檢與診斷、藥物開發、治療反應預測與醫療決策。這些工作處理的是較明確、可以定義資料與驗證方式的任務，和「把癌症在人體裡的複雜因果關係完整跑一遍」不是同一個技術問題。
因此，Haas 所描述的限制比較接近極高複雜度的生物模型，而不是所有醫療 AI。若直接把這段話濃縮成「AI 還治不了癌症，因為缺晶片」，中間其實省略了太多步驟，也會讓已經存在的醫療 AI 應用一起消失在敘事裡。
AI 資料中心確實面臨供給壓力，但這是另一個可以單獨驗證的問題
Haas 對硬體供給的描述有比較明確的商業背景。Arm 在 2026 年 3 月推出 Arm AGI CPU，這是公司首款自行設計、面向 AI 資料中心的 CPU，Meta 是首要合作夥伴與共同開發者。Arm 之後公布，2027 與 2028 財年的客戶需求已超過 20 億美元，超過產品推出時預估的兩倍。到 7 月底，Arm 仍表示正在和製造及供應鏈合作夥伴擴充產能。
Haas 在 BBC 訪談中也提到法國與美國正在規劃多 GW 等級的 AI 資料中心，甚至談到把資料中心送進太空的構想。他的判斷是，目前產業仍受到供給限制，問題包括能不能取得足夠的晶片，以及能不能增加足以支撐下一波資料中心建設的晶圓廠產能。談到製造端時，他特別提到目前供應集中於台灣的 TSMC，也對英國自行建立先進晶圓製造能力持保留態度，理由包括晶圓廠成本、專業人力、資源與既有產業生態。
這部分至少能確認一件事：AI 基礎設施正在碰到很實際的物理限制。資料中心不是多買幾台伺服器就能立刻擴張，晶片製造、記憶體、電力與施工都有自己的速度。但「AI 產業缺算力」成立，仍然不代表「癌症研究目前最大的限制就是算力」，後者需要醫療研究端的證據。
癌症研究者給了另一個答案：問題可能是餵給 AI 的資料
BBC 同一篇報導找來倫敦癌症研究所教授、Sentinal4D 執行長 Chris Bakal 回應。Bakal 並沒有否定 AI 在癌症研究中的價值，他把問題移到了另一個地方：現在需要問的已經不是要不要使用 AI，而是模型究竟拿什麼資料來學。
Bakal 表示，他所在的實驗室會從病患樣本自行產生訓練資料，而不是把網路上的大量內容抓進模型，這類系統也不一定需要巨型資料中心才能運行。Sentinal4D 本身研究的是細胞在 3D、4D 環境中的形態與動態，利用 AI 分析細胞形狀、訊號變化、藥物作用機制與病患反應。換句話說，這條研究路線先處理的是「能不能取得足以代表真實生物現象的測量」，再考慮模型如何使用這些資料。
兩種說法放在一起，差異其實很清楚。Haas 關注的是更大的模型、更複雜的系統與支撐它們的運算基礎設施；Bakal 關注的是資料到底有沒有測對，以及模型看到的東西是否真的對應到病患與活體生物學。如果短板在資料生成，再增加算力並不會自動產生缺少的生物實驗；如果未來研究真的要跑更完整的跨尺度模型，運算資源又可能重新成為限制。
目前沒有足夠證據把其中一邊直接判成正確答案。更合理的理解是，不同醫療 AI 任務的瓶頸可能根本不同。有些任務吃算力，有些先缺高品質標註資料，有些最大的難題仍然是能否在不同病患族群與臨床環境中重現結果。把所有問題都收斂成「需要更多 GPU 或 CPU」，反而會看不到真正卡住研究的地方。
為什麼 Haas 會把問題放在算力？先看 Arm 與 SoftBank 所在的位置
解讀產業領袖的技術預測時，除了論點本身，也得知道發言者正站在哪裡。Arm 長期以 CPU 架構與晶片 IP 授權為主要業務，技術已進入數千億顆晶片；2026 年又第一次把業務往自行設計的資料中心 CPU 延伸。AI 資料中心擴張得越快，對 Arm 而言就越接近直接的商業機會。
Haas 的角色也不只 Arm 執行長。2026 年 4 月 21 日，他同時接任 SoftBank Group International 執行長，負責協調 SoftBank 國際投資組合中聚焦半導體與 AI 的公司；同月底，他也因新增職務而卸下 AstraZeneca 非執行董事。SoftBank 本身則持續大額投資 OpenAI。
這些關係不能拿來證明 Haas 的技術判斷錯誤，但會影響這段話該怎麼讀。「AI 需求長期很強，現在缺的是更多運算基礎設施」本身就是 Arm 與 SoftBank 所處產業方向的一部分，所以它適合被視為一位高度相關產業參與者的判斷，而不是沒有利益位置的外部觀察。
同一場訪談裡，Haas 也預測人形機器人會在未來五年快速普及，並認為 AI 導致大量工作完全消失的估計有些被高估。Arm 在 2026 年已成立 Physical AI 業務單位，把汽車與機器人納入同一條業務線。把這些訊息放在一起，Haas 對 AI 的看法其實相當一致：長期需求仍會增加，更多 AI 會進入資料中心與實體設備，而目前最需要解決的是支撐這些運算的硬體供應。
這是一套有商業邏輯的判斷，也因此更需要拿醫療研究端的說法一起看。否則很容易把一家運算公司的世界觀，直接當成整個癌症研究領域的共同結論。
遇到「AI 即將解決 X」的新聞，可以怎麼判斷？
「AI 將治癒癌症」「AI 五年內取代某種工作」「下一代模型會解決某個科學問題」這類發言之後只會更多。與其每次判斷到底該相信還是不相信，不如先把新聞裡不同性質的句子拆開。
第一步是分清楚哪些是已經發生的事，哪些是對未來的預測，以及中間有沒有突然多出一個因果關係。這次可以確認的是 Arm AGI CPU 有超過 20 億美元的客戶需求、Arm 正在擴充製造能力，也可以確認 Haas 認為現有運算能力不足以處理他描述的複雜生物模型；但「增加晶片供應之後，癌症解方就會因此出現」並沒有被證明。
第二步是找真正處理該問題的人。科技公司執行長談癌症時，可以補看癌症研究機構；模型公司談教育時，可以再找教師與教育研究；AI 公司談法律工作時，也應該看看實際執業者遇到的限制。重點不是一定要找到一個反對者，而是確認不同領域的人是不是連「問題卡在哪裡」都有相同答案。這次 Haas 把焦點放在算力，Bakal 則把焦點放在病患樣本產生的生物資料，這個分歧本身就比「AI 能不能治癌」的標題更有資訊量。
第三步再看收益方向。若某個診斷恰好會增加發言者公司產品的需求，不需要立刻把它判成宣傳，但佐證標準可以提高一點。Arm 說 AI 需要更多運算硬體，和癌症研究機構獨立得出「目前最大的限制就是算力」，證據強度並不相同。
最後，把預言換成幾個之後能回頭看的指標。這則新聞可以繼續觀察 Arm AGI CPU 的實際出貨與產能、大型 AI 資料中心是否按計畫落地，以及癌症 AI 研究有沒有出現經外部病患資料驗證、進一步進入臨床研究的成果。如果未來算力增加很多，但醫療研究仍然卡在資料取得、驗證與臨床轉譯，那麼今天「主要缺的是晶片」的說法就需要重新評估；反過來，如果高運算需求的生物模型真的因硬體擴充出現明顯突破，也會留下可以檢查的證據。
目前比較能確定的是，AI 基礎設施確實正在受到晶片與資料中心供應限制，而 AI 在癌症研究裡也已經有實際用途。至於「癌症解方現在就卡在晶片不夠」，證據還沒有走到這一步。Haas 提出的是一個很大的技術預測，Bakal 則提醒，生物醫療裡的進展未必由電腦大小決定。把這兩句話放在同一篇報導裡看，比單獨接受任何一邊都更接近目前真正知道的事情。
Ｑ：AI 晶片不足真的會拖慢癌症研究嗎？
目前可以確認的是，AI 基礎設施確實受到晶片、資料中心、電力與製造能力等供應限制，但這不等於癌症研究目前最大的瓶頸就是算力。癌症研究還涉及資料品質、實驗設計、生物機制、模型方法與臨床驗證，因此目前沒有足夠證據證明「晶片不足正在直接拖慢癌症解方」。
Ｑ：Rene Haas 對 AI 與癌症說了什麼？
Arm 執行長 Rene Haas 認為，AI 有機會在人類有生之年協助找到目前仍無法完成的癌症解方。他指出，要模擬細胞、人體，以及癌症如何影響特定 DNA 標記，目前的電腦仍不足以處理這種複雜度，因此他認為未來需要更強大的運算能力。
Ｑ：AI 現在已經如何用於癌症研究？
AI 已經實際應用於癌症機制研究、篩檢與診斷、藥物開發、治療反應預測，以及醫療決策。這些任務通常具有較明確的資料與驗證方式，和完整模擬人體內癌症所有複雜因果關係並不是同一個技術問題。
Ｑ：癌症 AI 最大瓶頸是算力還是資料？
目前沒有足夠證據可以把其中一個直接判定為所有癌症 AI 的最大瓶頸。不同任務可能面臨不同限制，有些需要大量算力，有些更缺高品質或能代表真實生物現象的資料，也有些主要卡在臨床驗證與跨病患族群重現結果。
Ｑ：Arm AGI CPU 是什麼？
Arm AGI CPU 是 Arm 在 2026 年 3 月推出、面向 AI 資料中心的首款自行設計 CPU，Meta 是主要合作夥伴與共同開發者。Arm 表示，2027 與 2028 財年的客戶需求已超過 20 億美元，超過產品推出時預估的兩倍。
Ｑ：Chris Bakal 為什麼認為資料更重要？
Chris Bakal 認為，醫療 AI 現在真正需要追問的，不只是要不要使用 AI，而是模型究竟拿什麼資料來學。他的研究團隊會直接從病患樣本產生訓練資料，並利用 AI 分析細胞形態、訊號變化、藥物作用機制與病患反應，因此他更關注資料是否真正代表活體生物學，而不是單純增加模型規模與算力。
常見FAQs
他的說法是 AI 將協助找出人類穷盡一生也找不到的解方，且相信發生在現代人的有生之年。這是預言性質的主張，未附帶具體時間表或可驗證的里程碑，阅讀時宜與他對現狀的描述分開看待。
不是。「太複雜」指的是完整模型化細胞、人體與 DNA 標記受癌症影響的因果鍵。影像判讀、病理分類、蛋白質折疊預測等應用已在實驗室與臨床使用多年，並不包含在這句話的範圍內。
這點存在專業分歧。倫敦癌症研究所的學者提出反方觀點，認為關鍵在於餵給模型的資料品質，並指出實驗室自行從病患樣本產生的資料並不需要巨型資料中心就能運行。兩種說法目前都未經驗證。
Arm 是晶片架構設計商，主要股東為日本軟銀，而軟銀在 AI 領域有包括 OpenAI 在內的多項投資。「進展卡在晶片不夠」這個談判恰好指向發言者所屬產業的需求側。標註立場不等於否定內容，而是提醒需要另外的佐證。
先把一句話拆成預言、現狀與歸因三層，接著找一個不在同一條供應鏈上的專家說法作對照，確認發言者的收益方向，最後把結論轉成三個月後可回頭檢查的指標，例如產能擴充進度或臨床試驗收件數。