AI 产业链深度研究

是什么

EDA 是把芯片设计从"手工画图"变成"软件自动生成"的工具。没有 EDA，800 亿晶体管的 GPU 设计不可能完成。在产业链中，EDA 是计算链的设计环节——所有芯片在物理制造之前，先在 EDA 软件中完成逻辑设计、物理布局和验证。

三位一体的护城河

EDA 的壁垒不在软件功能，在生态锁定：① EDA工具 + IP核库 + 验证套件三位一体，切换成本不是"装新软件"而是"重写所有设计脚本+IP+验证流程，6-12个月，10-20%性能退化"。② PDK（工艺设计套件）耦合——台积电 N2 PDK 深度集成到 Synopsys/Cadence 工具中，新 EDA 公司拿不到台积电的 PDK 数据。③ $35B Ansys 收购将 Synopsys 的 TAM 从 $18B 扩展到 $31B，吸收了一个原本可能成为独立竞争者的市场。

投资判断

EDA 是半导体产业链中进入壁垒最高的环节之一。不是设备（可反向工程）、不是材料（可化学分析），而是软件生态——30 年积累的组织知识、设计脚本、验证流程，无法用资本或政策快速复制。主要风险：中国出口管制进一步收紧（Synopsys 中国收入占比 15%），以及 AI-native EDA 工具可能改变竞争格局。

是什么

光刻机是芯片制造的"打印机"——把电路图案投射到硅片上，用紫外光把纳米级的晶体管结构"刻"出来。EUV（极紫外）光刻是 7nm 以下先进制程的唯一可行技术。在产业链中，光刻机是计算链的设备环节——没有光刻机，Foundry 就是一座空厂房。

为什么只有 ASML 能做

30 年研发、数百亿美元投入是基础，但真正的壁垒是供应链锁死：德国 TRUMPF 独家供应 CO2 激光器（轰击锡滴产生 EUV 光）、德国 Zeiss SMT 独家供应超高精度反射镜（ASML 持股 24.9%，Zeiss 不能卖给其他人）。一台 EUV 机含 10 万+ 零件、5000+ 供应商——这不是"ASML 垄断"，而是"ASML 领导了一个不可复制的欧洲精密制造生态"。

地缘武器

EUV 是中美科技战的核心武器——美国通过荷兰政府禁止 ASML 向中国出售 EUV 和先进 DUV。中国即使投入数千亿也未能突破 EUV 技术。ASML 的垄断不仅是商业壁垒，更是地缘政治壁垒——出口管制让中国无法获得先进制程能力。

投资判断

ASML 是全球科技产业中壁垒最高的公司之一。不是"最大份额"的垄断，是"唯一供应商"的垄断。每颗 AI 芯片都经过 ASML 的光刻机。风险：地缘政治（出口管制可能反噬——如果中国最终突破 EUV，ASML 将失去增长最快的市场）、下一代技术（High-NA EUV 之后，纳米压印或定向自组装可能在 2030+ 成为替代方案）、周期性（半导体设备是强周期行业）。

来源

Technology.org (Jul 2026) · Strange VC (Oct 2025) · MakeSureIKnowIt (Jul 2026) · LongYield (Mar 2026) · BigGo Finance (Jul 2026) · QuantumRun (May 2026)

是什么

刻蚀和薄膜沉积是芯片制造中重复次数最多的步骤——在硅片上交替"铺一层材料（沉积）"和"挖掉不需要的部分（刻蚀）"，循环数十次。与光刻机构成"光刻定义图案→刻蚀挖出结构→沉积填充材料"的循环。在产业链中，这两步是计算链的核心设备环节。

AI 驱动的增量

3D NAND 从 200 层向 400+ 层推进→高深宽比刻蚀需求爆发。GAA（全环绕栅极）晶体管→原子级沉积和选择性刻蚀成为必需。先进封装（CoWoS/混合键合）→全新的刻蚀和沉积应用场景。这些趋势意味着每片晶圆需要的刻蚀/沉积步骤数持续增加——设备密度是长期结构性增长驱动。

投资判断

刻蚀和沉积设备是半导体周期中弹性最大的细分。芯片制造商扩产→先下单光刻机（ASML），然后大量采购刻蚀和沉积设备。AI 驱动的 3D 架构趋势是结构性利好。地缘风险：Lam 43% 中国敞口最脆弱；中国国产替代在刻蚀领域进展最快（中微公司 5nm 刻蚀已进入台积电验证）。

是什么

晶圆制造（Foundry）是把芯片设计变成物理芯片的工厂。台积电不做芯片设计、不做品牌——只做一件事：用客户的设计文件，在硅片上"打印"出数十亿个晶体管。在产业链中，晶圆制造是计算链的制造环节——EDA 设计的电路 + ASML 光刻机 + 光刻胶/气体 + 硅片，全部在这里汇聚成一颗物理芯片。

TSMC 为什么难以复制

三个护城河叠加：① 纯代工模式——不设计芯片、不卖品牌产品，客户不用担心自己的设计被代工厂"借鉴"。Samsung 和 Intel 都自己做芯片，与客户有利益冲突。② 规模执行——同时运营 20+ 座 fab、6+ 个先进节点，每年资本开支 $300B+。任何新进入者需要至少 5 年 + $100B 才能接近这个规模。③ 生态锁定——TSMC 的 PDK（工艺设计套件）深度集成到 Synopsys/Cadence 的 EDA 工具中，客户的设计流程围绕 TSMC 的工艺参数构建，迁移成本以年计。

竞争者追赶速度

Samsung 2nm 良率从 Q1 2025 的 30% 快速提升至年底的 55-60%，SF2P 已达 70% 量产门槛——追赶速度超出预期。Intel Foundry 获得 CHIPS Act 资金支持，但外部客户仍然寥寥。关键问题是：Samsung 能否在 2027-28 成为 NVIDIA/AMD 的可行第二供应商？如果能，TSMC 的定价权将被部分削弱。

投资判断

TSMC 的护城河来自"执行规模 × 客户信任 × 生态锁定"的三重叠加，短期（2-3 年）几乎不可复制。但地缘风险是真实且不可忽视的——台湾海峡的紧张局势是 TSMC 估值中最大的不确定性。Samsung 2nm 追赶速度超预期，如果 2027-28 年成为可替代选项，TSMC 的先进制程垄断溢价可能收窄。TSMC 本身也在分散地缘风险（美国 AZ fab、日本熊本 fab、德国 fab），但这些海外产能的成本显著高于台湾。

来源

PatentPC (Jun 2026) · SemiWiki (May 2026) · InvestmentCase (Jun 2026) · SemiAnalysis (Jan 2026) · The Economy (Jan 2026)

是什么

训练 GPU 是 AI 大模型的"发动机"——所有大语言模型（GPT、Claude、Gemini）的训练都依赖 GPU 的大规模并行计算能力。没有 GPU 就没有现代 AI。在产业链中，训练 GPU 是计算链的最终产品——上游所有环节（石英→晶圆→光刻→代工）最终都汇聚到这颗芯片上。

竞争格局

NVIDIA 占 AI 训练市场 80-90%。AMD MI400（H2 2026，TSMC 2nm，432GB HBM4，19.6TB/s 带宽）硬件差距缩小，MI455X 在显存容量和带宽上大幅超越 B200。但 AMD 在 MLPerf Training v5.0（2025.6）才首次提交训练 benchmark——软件生态落后 5 年以上。

自定义 ASIC 是更结构性的威胁：Google TPU v7、Amazon Trainium 3、Microsoft Maia 2、Meta MTIA 2 全部在 2025-2026 量产，CAGR 44.6%。Broadcom 占 ASIC 设计市场 60%（为 Google/Meta/Microsoft/OpenAI 设计芯片）。

CUDA 护城河

不是硬件壁垒，是软件生态锁定——19 年积累的库栈：cuBLAS（线性代数）、cuDNN（深度学习原语）、TensorRT（推理优化）、NCCL（多 GPU 通信）。2026 年实际部署的推理框架（vLLM/SGLang/TensorRT-LLM）全部基于 CUDA。迁移到 TPU 需要 JAX/MaxText，迁移到 Trainium 需要 Neuron SDK——数周到数月的工程重写，无移植保证。

AMD ROCm 7.0（预计 2026 年底）目标是 95% PyTorch 覆盖，但即使覆盖率达标，现有代码库、团队培训、生产环境验证周期的迁移成本仍然很高。PyTorch 2.0+ 的高层抽象在降低底层 CUDA 依赖，这是长期风险。

关键威胁

• 推理端侵蚀：推理已占 AI 计算 2/3，自定义 ASIC 的 TCO 优势明显。NVIDIA 在推理端份额可能从 80% 系统性下降
• OpenAI Titan 计划：与 Broadcom 合作开发自研芯片，6GW 数据中心规模——最大客户变竞争对手
• AMD 硬件追平：2nm 抢先（MI400 是首个 2nm GPU），显存优势明显。如果 ROCm 成熟度在 2027 年达到生产级别，训练端双寡头格局可能出现

投资判断

训练端 —— 护城河深且宽。未来 2-3 年 NVIDIA 训练市场份额难以被显著侵蚀。CUDA 的锁定效应在训练工作负载中最强（研究团队不愿冒险切换平台）。推理端 —— 护城河正在被绕过。当客户的主要 workload 从训练转向推理，自定义 ASIC 的 TCO 优势会推动份额转移。NVIDIA 的应对策略是向上整合（DGX Cloud、自建云）和系统级锁定（NVLink Switch、整机柜方案），但这些策略与 hyperscaler 客户形成直接竞争。

来源

Silicon Analysts (Feb 2026) · EpochAI (Dec 2025) · Tech-Insider (Jun 2026) · Introl (Jan/Feb 2026) · PitchGrade (Feb 2026) · Oplexa (May 2026) · Forbes (Jul 2026) · orchestrator.dev (May 2026)

是什么

训练 GPU 负责"学习"（一次训练耗费数亿美元），推理芯片负责"使用"（每次 ChatGPT 对话都是一次推理）。随着大模型部署规模爆发，推理已经占据 AI 计算总量的 2/3——且还在增长。训练是一次性的巨额投入，推理是持续性的运营成本。

竞争逻辑

训练需要通用性（支持各种模型架构）→ NVIDIA CUDA 锁定最强。推理只需要跑一个已经训练好的模型 → 专用芯片可以用更低的成本做到更高效率。这就是为什么 Groq 的 LPU（语言处理单元）和 Cerebras 的晶圆级芯片（整片晶圆做一颗芯片）能在特定推理任务上超越 NVIDIA。自定义 ASIC（TPU/Trainium/Maia）的逻辑相同——hyperscaler 自己用的推理工作负载，用自研芯片比买 NVIDIA GPU 便宜得多。

投资判断

推理芯片是 NVIDIA 垄断中最薄弱的环节。CUDA 锁定在训练端几乎无解，但在推理端——当客户只需要跑一个固定模型时——专用硬件的 TCO 优势可以压倒软件生态的惯性。但推理芯片市场极度碎片化：Groq、Cerebras、d-Matrix、SambaNova、Graphcore...没有一家能与 NVIDIA 的规模匹敌。投资推理芯片的正确方式不是押注某家创业公司，而是观察 hyperscaler 自研 ASIC 的进展——如果 Google TPU 或 Amazon Trainium 开始大规模替代 NVIDIA 用于内部推理，那才是结构性转变的信号。

是什么

DRAM 是计算机的主内存——CPU 和 GPU 运行时数据暂存的地方。在 AI 系统中，DRAM 是 HBM 的基础层——HBM 本质上是把 DRAM 芯片 3D 堆叠后封装在一起。DRAM 市场的供需直接影响 HBM 的成本和产能。

竞争格局

三寡头格局稳定，但 AI 正在改变竞争态势。SK Hynix 凭借 HBM 先发优势，2025 年运营利润首次超越 Samsung（KRW 47.21 万亿）。AI 对 HBM 的旺盛需求正在挤压传统 DRAM 产能——当晶圆厂把产能分配给 HBM（利润更高），DDR5 等传统 DRAM 会供不应求、价格上升。这对 Samsung 和 Micron 反而是好事——它们的 HBM 份额虽低，但传统 DRAM 市场份额大。

投资判断

DRAM 是典型的周期性行业，但 AI 带来的结构性需求可能改变周期特征。传统 DRAM 受 PC/手机周期驱动，但 AI 服务器对内存的需求量级不同（单台 AI 服务器内存容量是传统服务器的 5-10 倍）。三寡头格局本身就是护城河——没有新进入者能在资本密集度如此高的行业挑战现有格局。

是什么

HBM（High Bandwidth Memory）是堆叠在 GPU 旁边的高带宽内存——把多层 DRAM 芯片垂直堆叠，用 TSV（硅通孔）互连，提供远超传统 DDR 内存的带宽。大模型推理时，每一 token 都需要从内存中读取模型权重——HBM 的带宽直接决定了推理速度。在产业链中，HBM 是存储链的最终产品，也是 GPU 的"燃料供给系统"——没有足够快的内存，再强的 GPU 算力也是空转。

技术壁垒：堆叠的艺术

HBM 的制造核心是 3D 堆叠——把 8-12 层 DRAM 芯片研磨到发丝厚度（~30μm），用 TSV 垂直互连，封装在一个 720μm 厚的 cube 内。当前 HBM3E 12-Hi 已逼近物理极限。SK Hynix 的专有 MR-MUF（Mass Reflow-Molded Underfill）工艺是核心壁垒——热压键合 + 底部填充一步完成，12-Hi 良率 >80%，竞对良率显著更低。HBM4 将引入 2048-bit 接口（翻倍）和逻辑 base die，带宽目标 3.3 TB/s。

竞争格局

三寡头格局，但 SK Hynix 一家独大。Micron（21%）跳过 HBM3 直攻 HBM3E，2026 产能爬坡中；Samsung（17%）在 HBM3E 资格认证上延迟了一年，但在 HBM4 上押注定制逻辑层方案，可能缩小差距。SK Hynix 于 2026 年 3 月向 NVIDIA 交付首批 HBM4 12-Hi 样品，领先竞对 6-9 个月——这个窗口期意味着 NVIDIA Rubin 平台的首批 HBM4 供应商大概率仍是 SK Hynix。

投资判断

HBM 是 AI 算力链中供需最紧张的环节之一。GPU 可以换供应商（AMD/ASIC），但 HBM 的供应商集中度更高（三寡头 + SK 一家独大）。SK Hynix 同时拥有市场份额（62%）、技术壁垒（MR-MUF 专利）、先发优势（HBM4 领先 6-9 月）和客户绑定（NVIDIA 90% 供应）。短期内最大的风险不是竞争，而是产能扩张后 2027-2028 年的供需反转。

来源

Introl (Jan/Feb 2026) · Silicon Analysts (Jul 2026) · Astute Group (Sep 2025) · Wing VC (May 2026) · SemiAnalysis (Oct 2025) · Patsnap (Mar 2026)

是什么

ABF（Ajinomoto Build-up Film）是 IC 载板的核心绝缘材料——芯片和 PCB 之间的"转接板"。它把 GPU 芯片上微米级的焊点转接到 PCB 上毫米级的走线。没有 ABF 膜，先进封装就无法实现高密度互连。在产业链中，ABF 是集成链的原材料环节——往上连着 CoWoS 封装，往下连着 PCB。

最极端的隐形垄断

味之素是一家日本食品公司——主营味精、调味料、冷冻食品。ABF 膜是 1970 年代 MSG 研究的意外副产品。这个背景意味着：覆盖味之素的股票分析师是消费品分析师，不是半导体分析师——ABF 膜作为半导体关键材料的价值可能被系统性低估。味之素不对 ABF 膜的化学配方申请专利（以避免披露），而是作为商业秘密保护——竞争对手无法通过专利文献逆向工程。

为什么无法替代

ABF 膜仅占芯片成本 0.5%——但这 0.5% 如果出问题，整颗数万美元的芯片报废。基板制造商（Ibiden、Shinko、Unimicron）需要 2-3 年来验证任何新材料。没有客户愿意为了节省 0.5% 的成本去冒整颗芯片报废的风险。这种"低成本 + 零缺陷要求 + 极长验证周期"的组合是商业史上最坚固的护城河类型。

投资判断

ABF 膜是 AI 产业链中被最严重低估的瓶颈环节。市场只关注 GPU、HBM、CoWoS——很少有人意识到，所有这些环节都依赖一家日本味精公司的绝缘膜。Sekisui Chemical 等竞争对手正在开发替代品，但验证周期意味着味之素的垄断至少在未来 2-3 年内不会松动。风险：替代材料最终通过验证、味之素产能扩张节奏不及 AI 需求增长。

来源

Nikhs Substack (Apr 2026) · TechTimes (Jul 2026) · AtlasPCB (May 2026) · DataIntelo (Apr 2026) · SemiconductorInsight (Dec 2025)

是什么

CoWoS（Chip-on-Wafer-on-Substrate）是台积电的 2.5D 先进封装技术——把 GPU 芯片和 HBM 内存通过硅中介层连接在一起，封装成一个"超级芯片"。没有 CoWoS，NVIDIA 的 GPU 和 SK Hynix 的 HBM 就是两块独立的芯片，无法以足够高的带宽协同工作。在产业链中，CoWoS 是集成链的最后一步——GPU 造出来了、HBM 也造出来了，但只有通过先进封装把它们"拼"在一起，才能组成一个可用的 AI 加速器。

产能危机

CoWoS 产能以 80% CAGR 扩张，仍无法满足需求。TSMC 2026 年先进封装产能完全售罄。NVIDIA 一家就锁定了 50-60%，剩下的由 AMD、Google、Amazon、Intel 争抢。2026 年全产业链涨价——TSMC CoWoS +30%、ASE 封装 +20%、部分产品 +30%。

TSMC 的双重垄断

先进制程 Foundry + 先进封装 = TSMC 控制了两个最稀缺的环节。客户可以换 GPU 供应商（买 AMD 代替 NVIDIA），但 AMD 的芯片也在 TSMC 封装——换不了。Samsung I-Cube 封装至今只有一个大客户（百度），良率远不及 TSMC。Intel EMIB/Foveros 技术先进但客户寥寥。OSAT（ASE/Amkor）在成本端有优势，但精度不如 Foundry 级封装。

下一代：CoPoS 玻璃基板

CoWoS 的物理极限正在逼近：硅中介层受限于光刻机曝光视场（~858mm²），晶圆利用率损失大。CoPoS 用方形玻璃基板替代圆形硅中介层——成本降 30%、晶圆利用率 >90%、翘曲改善 16%。TSMC 已启动试产线，与 Ibiden 三方验证中，大规模量产预计 2028 年。Samsung/Rapidus 也在开发玻璃方案。这轮技术迭代不是颠覆 TSMC——恰恰相反，玻璃基板的材料科学壁垒更高，TSMC 的领先地位可能进一步拉大。

投资判断

CoWoS 是 AI 产业链中最紧的单一瓶颈。GPU 有替代（AMD/ASIC），Foundry 有替代（Samsung/Intel 虽落后但存在），但先进封装——所有高性能 AI 芯片都必须经过这一步，而这一步几乎只有 TSMC 能做。在 CoPoS 大规模量产（2028+）之前，这个瓶颈不会松动。对投资者来说：如果相信 AI 算力需求持续增长，封装环节的定价权和稀缺性可能比 GPU 本身更强。但需警惕：一旦 2028 年 CoPoS 产能释放，供需可能反转。

来源

Silicon Analysts (Jun 2026) · Digitimes (Apr/Dec 2025) · Oplexa (Apr 2026) · WCCFTech (Jun 2026) · TrendForce (May 2026) · BigGo Finance (Jun 2026) · SemiAnalysis (Oct 2025) · EconMarketResearch (Jul 2026)

是什么

数据中心电力是 AI 产业链的物理基础——所有 GPU、服务器、冷却系统都依赖持续稳定的电力供应。在产业链中，电力是横向贯穿约束，影响整个中游数据中心的选址、规模和成本结构。

电网 vs 算力：谁先到极限

NVIDIA GPU 的性能每代翻倍，但电网扩容需要十年。2026 年 hyperscaler $660-725B capex 中相当部分投向电力基础设施。IEA 数据：数据中心+SMR 签约量从 25GW 飙升至 45GW。"Tokens-per-Watt"已成为比 "FLOPs-per-dollar" 更重要的效率指标。

投资判断

电力是 AI 产业链中最被低估的瓶颈。每瓦电力背后是真实的物理基础设施——发电厂、输电线路、变电站，这些无法通过"软件优化"来解决。SMR 核电势在必行但商业化仍需 5-10 年。短期内，现场天然气发电 + 电网扩容是主要方案。电力基础设施（如 GE Vernova、Siemens Energy、Quanta Services）是确定性最高的 AI 衍生投资。

来源

TechPlusTrends (Apr 2026) · GPU Insights (Jul 2026) · IEA · IAEA · LBNL Berkeley Lab