AI 产业链全景
四条并行供应链
184| 一个 AI 集群不是一堆 GPU 插在机柜里。
它是四条独立供应链的物理汇聚——计算、存储、互联、集成——每条都有自己的原材料、制造工艺和单点瓶颈。先看清各条线谁在控制、哪里会断，才能理解整条产业链。
产业链全景
191|A · 计算
193|B · 存储
200|C · 互联
207|D · 集成
214|从设计到 GPU 成品
这是一颗 AI GPU 的完整制造路径。它有六个阶段，每个阶段高度集中——从三家公司的设计软件，到一个美国小镇的石英矿，到一家荷兰公司的光刻机，到一家台湾公司的晶圆厂，再到一家美国公司的软件生态。
239| 240| 241|① 设计 —— 在电脑上画出 800 亿晶体管
260| 261|EDA —— 芯片设计的"编译器"
264|全球 EDA 市场由三家巨头控制：Synopsys（~31%，2025 年营收 $70.5 亿，市值 $754 亿）、Cadence（~30%，营收 $53 亿，市值 $811 亿）、Siemens EDA（原 Mentor Graphics，~13%）。合计约 74%。中国华大九天在模拟芯片 EDA 有局部份额，但在数字芯片 EDA 领域不到 1%。
267|EDA 的护城河不是软件功能，是一个三位一体的生态：EDA 工具 + IP 核库 + 验证套件。芯片设计公司在选定 Synopsys 的工具链后，整个设计环境围绕它构建——所有设计脚本、IP 调用、验证流程都锚定在这套工具上。切换到 Cadence 不是"装个新软件"，而是：所有已有 IP 和验证脚本需要重写、整个设计团队需要重新培训、设计周期延长 6-12 个月、10-20% 性能退化直到新流程优化成熟。几十个项目积累下来的组织知识和脚本资产，不是"新工具更好用"就能推翻的。
268|更深层的壁垒在晶圆厂的 PDK 耦合。台积电 N2 工艺的 PDK（工艺设计套件）包含成千上万个工艺参数和设计规则——某个位置线宽不能小于 X nm，两个晶体管间距不能小于 Y nm。这些规则是台积电十亿美元级研发投入的核心产出。Synopsys 和 Cadence 的工程师与台积电联合开发 3-4 年，把 PDK 集成到 EDA 工具中。一家新 EDA 公司想进入 N2 市场，首先要拿到台积电的 PDK——台积电不会把这些数据交给没有长期合作关系的公司。设计软件选定了，制造厂也就锁定了——反之亦然。这就是 30 年织成的一张"工具链 + 晶圆厂 + 设计公司"的三方信任网络。
269|② 基底 —— 芯片的物理载体，从沙子到晶圆
274| 275|高纯石英砂 —— 不是"沙子"，是"坩埚"
278|半导体级石英砂要求纯度 99.998% 以上。全球能满足坩埚级要求的矿脉几乎只有一个：美国北卡 Spruce Pine 矿区。Sibelco（比利时）和 The Quartz Corp（挪威-法国合资）合计供应全球约 80% 的半导体级 HPQ。
281|Spruce Pine 是地质偶然——约 3.8 亿年前板块撞击形成的伟晶岩矿脉，石英中的铝、锂、钠、钾、铁、钛、硼等杂质元素含量比普通石英低几个数量级。坩埚级石英的要求不只是"纯"，更是热稳定性——在 1420°C 下持续几十小时不能析出气泡。2024 年 Sibelco 宣布投资 7 亿美元 扩产。
282|③ 耗材 —— 每一步都要消耗的化学材料
285| 286|光刻胶 —— 半导体的"胶片"
289|光刻胶的本质是精密高分子化学。核心成分光致产酸剂（PAG）吸收光子释放质子，引发树脂脱保护反应——整个反应需在几个纳米精度内完成。日本企业占据全球光刻胶约 80%，EUV 级高达 95% 以上。JSR、信越化学、TOK、住友化学主导 ArF/EUV。这不是偶然——光刻胶与彩色胶片在技术上同源，日本胶片时代的化学基础完美迁移至此。韩国和中国砸十年补贴，至今 EUV 级为零。
292|特种气体 —— 每一步的"化学配方"
299|光刻用准分子激光气体：ArF（氟化氩，193nm 波长，用于 DUV 浸没式光刻）和 KrF（氟化氪，248nm）。一瓶工业级 ArF 含 1% 杂质，但用于光刻时杂质必须控制在 ppb 甚至 ppt 级——任何一个杂质分子落到晶圆上就是一个"污点"，整片报废。林德和液化空气在这个品类上最强，因为 ArF 纯化依赖低温精馏——两家在工业气体低温分离技术上积累了上百年。
302|刻蚀用氟基气体：CF₄（四氟化碳）、CHF₃（三氟甲烷）、SF₆（六氟化硫）、NF₃（三氟化氮）。不同材料需要不同气体配方——刻硅用 SF₆/C₄F₈ 交替（Bosch 工艺），刻二氧化硅用 CF₄/CHF₃ 混合，刻氮化硅用 CH₃F/O₂。NF₃ 是清洗气体——每次刻蚀和沉积后，腔体内壁会堆积残留物，用 NF₃ 等离子体远程清洗腔体（不拆机）。NF₃ 是气体用量中最大的单品之一——因为每片晶圆要经历数百次刻蚀和沉积，每次都要清洗。空气化工（Air Products）和大阳日酸在这个品类领先。
303|沉积用硅基和氮基金属有机气体：SiH₄（硅烷，用于沉积多晶硅和二氧化硅）、NH₃（氨气，与 SiH₄ 反应生成氮化硅）、WF₆（六氟化钨，用于沉积钨插塞）、TMA（三甲基铝，ALD 沉积氧化铝的前驱体）。其中 WF₆ 的供应尤其集中——全球仅少数几家公司能生产半导体级 WF₆，因为氟化过程极度危险（氟气是化学性质最活泼的元素之一）。
304|气体品类的碎片化意味着市场并非高度集中——整体份额不像光刻胶那样 80%+ 在一国手里。但每个气体单品内部高度集中：ArF 纯化看林德/液空，NF₃ 看空气化工/大阳日酸，WF₆ 看少数专业氟化学公司。新供应商进入需要 2-3 年验证期——晶圆厂用你供应的气体造几百片晶圆逐一检测良率。一旦通过验证，几乎不会换——省下来的气体成本几美元/片，远低于换供应商导致良率波动的损失（数千美元/片）。现场制气（onsite generation）正在成为标配——气体公司在晶圆厂旁建纯化装置，管道直供，省 30% 成本并消除运输中的污染和中断风险。
305|稀土 —— 不直接进芯片，但进设备
312|美国唯一稀土矿 Mountain Pass（MP Materials），至今 70% 以上收入靠卖给中国分离加工。美国国防部拨款建本土冶炼厂，但全系分离厂需 5-10 年。2010 年中日争端期间中国限制出口，日本稀土价格暴涨 300%。
315|④ 设备 —— 人类最精密的制造工具
317| 318|光刻机 —— ASML，人类最复杂的机器
321|刻蚀与薄膜沉积 —— 芯片制造的"加减法"
331|壁垒不在专利，在工艺配方——气体配比（CF₄/CHF₃/O₂/Ar 各占多少）、射频功率、腔体压力、衬底温度、刻蚀时间的精确组合。这些参数不是"算出来"的，是几十年来为每个客户的每种芯片结构"试出来的"。
334|3D NAND 是刻蚀需求的终极驱动力。把存储单元在垂直方向堆叠 400 层乃至 1000 层，需要在硅基板上挖出深宽比 100:1 的垂直孔道——相当于在一张 A4 纸的平面上挖一个直径 1mm、深 10cm 的孔。传统反应离子刻蚀（RIE）有个致命问题：深宽比越大，反应物越难到达孔底，刻蚀速率随深度递减。解决方案是原子层刻蚀（ALE）——把刻蚀拆成"吸附+反应"两个自限制步骤，每一步只刻掉一个原子层。Lam Research 的 Cryo 3.0 在 10 微米深度下能做到 <0.1% 的线宽偏差。逻辑芯片在 FinFET 到 GAA（全环绕栅极）的转变中，ALE 同样关键——需要在纳米尺度多层结构中做选择性刻蚀（只刻掉某一种材料，不碰相邻的其他材料），对化学蚀刻气体和终点检测算法的要求达到了原子级。
335|| 维度 | 数据 |
|---|---|
| 设备单价 | $500 万–$2,000 万/台 |
| 毛利率 | 45–48% |
| 核心驱动力 | 3D NAND 层数增加→ALE 设备需求线性增长 |
检测与量测 —— KLA，半导体业的"质检警察"
347|要理解 KLA 的垄断，先要理解检测的物理困境。检测技术分两种：光学检测和电子束检测。
350|光学检测是主力。KLA 的明场（Bright-Field）系统用宽带等离子光源直射晶圆表面——缺陷处会改变反射光的强度或方向——通过算法比对"应该长什么样"和"实际上长什么样"来发现异常。暗场（Dark-Field）检测则收集缺陷边缘的散射光，更适合发现颗粒污染。DUV 激光的 Surfscan 系列用于裸晶圆（还没光刻的），能检测到 40nm 以下的缺陷。但光学检测有物理天花板：可见光和紫外光波长 193-400nm，理论上分辨不出远小于波长的结构。3nm 制程的缺陷已经小到亚纳米级别——几个原子大小的空洞或桥接。光学的"灰色地带"在 10-20nm——小于这个尺寸的缺陷，光学检测开始大面积漏检。
351|电子束（E-beam）检测可以补救。KLA 的 eSL10 系统用聚焦电子束扫描晶圆表面，通过二次电子/背散射电子成像，分辨率可达 1-3nm——能在 3nm 工艺中发现亚纳米级缺陷。但电子束有个致命问题：极慢。一片晶圆全检需要几小时甚至几天，在产线上完全不现实。所以实际做法是"抽样"——电子束在关键位置抽查，光学做大面积快速扫描。如果光学漏了，电子束也不一定抽查到那个位置——这就是 3nm 以下良率管理的核心矛盾：在检测精度和检测速度之间永远有一个妥协。
352|KLA 真正的护城河不是一个设备，而是一套 30 年积累的缺陷分类算法。晶圆上的缺陷种类多达数百种——颗粒污染、刻蚀残留、CMP 划痕、光刻胶剥离、薄膜针孔……每种缺陷需要追溯到上游某一具体工序做工艺优化。KLA 的算法是用全球所有晶圆厂 30 年的实际缺陷数据训练出来的——涉及台积电、三星、Intel、SK 海力士等所有顶级厂商的产线。一台检测设备可以模仿（光学和电子束的物理原理是公开的），但 30 年的缺陷-"根因"配对数据库无法复制。新进入者拿不到这个数据库，因为它不存在于任何论文或专利里——它只存在于 KLA 部署在全球晶圆厂中每一台机器日复一日积累的检测结果中。
353|KLA 的毛利率约 60%，比刻蚀/沉积设备商（45-48%）高出一截——因为它的竞争更少。而且检测设备的支出占比在上升：光学检测工具单价过去六年涨了约 56%。在 EUV 光刻领域，KLA 跟日本 Lasertec 在掩模版（reticle）检测上有分工——Lasertec 做 EUV 波长的 actinic 检测（用真正的 13.5nm 光检查掩模），KLA 做光学的掩模检测加"打印检查"（把掩模图案先曝光到晶圆上再检查晶圆上的缺陷）。两者互补，不是替代。
354|全球 EDA 市场由三家巨头控制：Synopsys（~31%，2025 年营收 $70.5 亿，市值 $754 亿）、Cadence（~30%，营收 $53 亿，市值 $811 亿）、Siemens EDA（原 Mentor Graphics，~13%）。合计约 74%。中国华大九天在模拟芯片 EDA 有局部份额，但在数字芯片 EDA 领域不到 1%。
362|EDA 的护城河不是软件功能，是一个三位一体的生态：EDA 工具 + IP 核库 + 验证套件。芯片设计公司在选定 Synopsys 的工具链后，整个设计环境围绕它构建——所有设计脚本、IP 调用、验证流程都锚定在这套工具上。切换到 Cadence 不是"装个新软件"，而是：所有已有 IP 和验证脚本需要重写、整个设计团队需要重新培训、设计周期延长 6-12 个月、10-20% 性能退化直到新流程优化成熟。几十个项目积累下来的组织知识和脚本资产，不是"新工具更好用"就能推翻的。
363|更深层的壁垒在晶圆厂的 PDK 耦合。台积电 N2 工艺的 PDK（工艺设计套件）包含成千上万个工艺参数和设计规则——某个位置线宽不能小于 X nm，两个晶体管间距不能小于 Y nm。这些规则是台积电十亿美元级研发投入的核心产出。Synopsys 和 Cadence 的工程师与台积电联合开发 3-4 年，把 PDK 集成到 EDA 工具中。一家新 EDA 公司想进入 N2 市场，首先要拿到台积电的 PDK——台积电不会把这些数据交给没有长期合作关系的公司。这就是为什么三巨头在 1980-1990 年代成长起来后，再没有第四家能够挑战——不只是技术壁垒，是 30 年织成的一张"工具链 + 晶圆厂 + 设计公司"的三方信任网络。
364|台积电 —— 全球只有一个
369|台积电的壁垒 = 技术 + 良率 + 信任。N3 良率 80%+ vs 三星 GAA ~50%。"只制造不设计"的商业模式让客户敢把最核心的设计交过来——服务 534 家客户、12,682 种产品。三星和 Intel 也做自己的芯片，客户自然会想：我的设计交给你们，你们会不会拿去改进自己的产品？台积电花了 30 年建立的这个信任资产，不是钱能买来的。
372|⑥ 产品 —— 芯片设计公司的最终输出
375| 376|训练 GPU —— 英伟达的 CUDA 护城河
379|CUDA 的护城河本质是网络效应——就像 Windows 在 PC 时代的统治地位，不是因为 Windows 技术最好，而是所有软件都运行在 Windows 上。AI 研究者写一行 model.to('cuda')，背后是英伟达 15 年持续投入的算子库：cuDNN（深度学习卷积/矩阵运算）、cuBLAS（线性代数）、NCCL（多 GPU 通信）。从 PyTorch 到 TensorFlow 到 JAX，所有主流框架的 GPU 后端都是为 CUDA 写的。
AMD 的 ROCm 从 2016 年就开始了——九年投资仍未缩小生态差距。Stack Overflow 上 CUDA 相关问题数量是 ROCm 的约 50 倍。迁移的实际代价：6-12 个月的重写周期（CUDA kernel 改写为 HIP）、cuDNN→MIOpen 替换、Nsight 调试工具放弃、初期 10-20% 性能退化。这意味着即使 MI300X 理论算力超过 H100，AI 团队也不会换——因为"省下的 GPU 钱"远不够填"重写软件的钱"。
383|加上跟台积电 15 年的供应链关系——英伟达能优先拿到最新制程产能——构成了一个 "芯片设计 + 软件生态 + 制造产能" 的三重护城河。
384|| 厂商 | 产品 | 定位 |
|---|---|---|
| 英伟达 | H200→B200→R100 | 训练王者，第三方出售 |
| AMD | MI300X→MI400 | 追赶者 |
| TPU v5p/v6 | 自用+云服务间接提供 | |
| Amazon | Trainium2 | 自用+通过 AWS 提供 |
| Microsoft | Maia 100 | 自用 |
推理与端侧 —— 两个新战场
398|推理和训练对芯片的要求截然不同。训练需要的是"算力密度"——在最短时间内完成海量矩阵运算，追求 FP16/BF16 精度下的 TFLOPS。推理需要的是"每瓦能处理多少 token"和"每美元能服务多少用户"——精度可以降到 INT8 甚至 INT4，关键是把延迟控制在人的感知阈值以内（<200ms）的同时把功耗和成本压到最低。
401|这个差异化给了创业公司结构性机会——因为推理不需要 CUDA 生态。训练依赖 PyTorch → CUDA 这条复杂软件栈，但推理只需要跑一个已训练好的模型文件——底层可以用任何硬件、任何框架。Groq 的 LPU（语言处理单元）用 SRAM 代替 HBM 做推理缓存——SRAM 延迟极低，所以推理速度极快（毫秒级），但 SRAM 极贵，一片卡只有几百 MB 内存，跑大模型需要几十张卡拼在一起。所以 Groq 在低延迟实时对话场景有优势，在大吞吐量批处理场景反而不如 GPU 经济。
402|端侧 AI 的逻辑不同——数据不出设备（隐私）、不需要等网络往返（延迟）、不需要为每次推理付费（成本）。苹果是这个赛道上最被低估的玩家——A/M 系列的 Neural Engine 提供 35 TOPS（每秒 35 万亿次 INT8 运算），是当前端侧最强 NPU 之一。但端侧面临一个核心物理约束：内存带宽。手机 LPDDR5 带宽约 50 GB/s，而 H200 的 HBM 带宽约 4,800 GB/s——差近 100 倍。一个 7B 参数的模型（FP16 权重约 14GB），即使量化为 4-bit（约 3.5GB），在手机内存带宽下每秒只能生成十几个 token——远低于人类阅读舒适速度（30-50 token/s）。所以端侧短期内不可能替代云端大模型——它更可能作为"第一道关"处理简单任务（摘要、翻译、语音识别），复杂任务上传云端。
403|真正令人兴奋的不是"在手机上跑 ChatGPT"，而是端侧 AI 可能催生全新的交互范式——实时语音翻译让两个说不同语言的人自然对话、环境感知的 AR 助手看懂你在看什么并主动提供信息、读懂屏幕上下文帮你自动填表、预订、导航。这些新交互需要的不只是算力，还需要芯片、传感器、操作系统和应用生态的深度整合——这正是苹果控制"芯片+OS+应用商店"三位一体的优势所在。
404|计算链是整个 AI 产业链中最成熟、资本最密集、地缘风险最大的一条。核心特征是层层单点瓶颈：Spruce Pine 石英→ASML EUV→台积电 Foundry→英伟达 CUDA，每一环只有 1-2 家供应商。任何一环断裂，整条链停摆。这也是为什么这条链上的公司利润率极高——卖的不是商品，是不可替代性。
409|从 DRAM 晶圆到 HBM
大模型训练时，GPU 需要海量数据以极高速度喂进来。存储链跟计算链并行制造——用完全不同的 DRAM 工艺、设备和供应商体系——在 CoWoS 封装中汇合。这条链有三个层次：底层的 NAND 持久存储、中层的 DRAM 工作内存、顶层的 HBM 高带宽堆叠。
① DRAM 基础 —— 存储链的地基
DRAM —— 一个电容 + 一个晶体管
DRAM 的制造是一场密度战争。当前最先进的 DRAM 属于"10nm 级"（D1α、D1β 代），单元半间距从 19nm 往下缩。核心挑战是电容——电容要够大才能稳定存储电荷（否则漏电太快数据丢失），但随着单元缩小，电容越来越难塞进去。业界方案是把电容竖起来——从平面电容进化为柱状电容，在垂直方向上争取空间。电容介质也从单层高 K 材料进化为多层介质叠层。每一个制程换代，都是在"缩小的面积"和"不缩小的电容需求"之间做极限平衡。
全球 DRAM 市场由三家寡头垄断：三星 ~40%、SK 海力士 ~30%、美光 ~25%——合计 ~95%。DRAM 是典型的周期性大宗商品：供过于求时全行业亏损，供不应求时价格暴涨。三十年来每 3-4 年循环一次，每次低谷都有厂商被淘汰（日本尔必达、台湾茂德……）。三强寡头格局不是天然形成的，是"大逃杀"的幸存者名单。
HBM 正在打破这个周期。HBM 使用比标准 DRAM 多 2-3 倍的晶圆面积（堆叠层数多、TSV 占用面积大），挤占了标准 DRAM 产能。当 AI 需求把 HBM 产线塞满，标准 DRAM 产能被压缩→标准 DRAM 价格上升→整个行业从"周期性过剩"转为"结构性紧缺"。2024-2025 年 DRAM 价格持续走强的原因不是手机和 PC 需求好，是 HBM 把产能吃掉了。
② HBM —— DRAM 的 AI 特化版
HBM —— GPU 旁边的"快充站"
HBM 制造：多层 DRAM 芯片磨到几十微米厚→垂直堆叠→硅通孔（TSV）垂直打穿→填充金属。堆叠 12 层需在比纸薄的芯片上对准几百个 TSV 孔。HBM4 向 16 层发展，散热是核心瓶颈。全球 HBM 市场 2025 年约 $380 亿，2026 年预计达 $580 亿。HBM3E ~$300/颗，HBM3 ~$200/颗，HBM4 预计 ~$500/颗。
SK 海力士是 HBM 的绝对王者——Q2 2025 份额 62%（美光 21%、三星 17%）。最早量产 HBM2（2016），HBM3E 是英伟达 H200 的独家供应商。HBM3E 在 2026 年预计占 HBM 总出货量约 2/3，HBM4 逐步起量。三星虽是全球最大 DRAM 制造商（38% 份额），但在 HBM 良率和客户认证进度上严重落后——这也是三星半导体史上少有的"被技术卡住"的局面。
| 维度 | 数据 |
|---|---|
| HBM 市场 2025→2026 | $380 亿 → $580 亿 |
| SK 海力士 HBM 份额 | 62%（Q2 2025） |
| HBM3E 单颗价格 | ~$300（DDR5 ~$2-3/GB） |
| HBM 毛利率 | 50%+ |
③ 3D NAND —— AI 训练的"数据仓库"
3D NAND —— 垂直堆叠的"数据摩天楼"
3D NAND 的原理是把存储单元在垂直方向一层层堆叠起来——像盖摩天楼。当前主流是 200-300 层，三星在往 400 层走。每增加一层，单 GB 成本就下降——但制造复杂度上升：需要挖极深极细的垂直孔道（深宽比 100:1），在孔道内壁精确沉积几十层材料（电荷陷阱层、阻挡层、沟道层……）。
全球 NAND 市场 2025 年约 $520 亿。格局：三星 30.4%、SK 海力士 16%、铠侠（原东芝）15.9%、美光 13.3%、YMTC 长江存储 11.8%。NAND 比 DRAM 更分散，因为 NAND 的技术壁垒较低、有更多二线玩家。
中国长江存储（YMTC）是 NAND 领域最值得关注的新玩家。面对美国设备出口管制，YMTC 仍然在推进 Xtacking 4.0 架构——267 层 3D NAND 已量产，300+ 层在研发中。Xtacking 的核心思想是把存储单元和逻辑控制电路分别制造在不同的晶圆上，再通过金属键合"拼"在一起——这样存储单元可以全力追求密度，逻辑电路可以独立升级制程。这个架构在理论上比传统方案更高效，但受限于无法获取最先进设备，YMTC 的扩产速度被严重压制。
HBM 是 AI 算力扩张的物理约束之一。供应链比 GPU 更集中——SK 海力士一家卡住了 AI 存储的脖子。HBM 产能扩张不像逻辑芯片可以多建厂——TSV、堆叠、散热每增一层良率指数级下降。存储链最有价值的不是最大的 DRAM 制造商（三星），是坐在 HBM 瓶颈上的 SK 海力士。3D NAND 层的 YMTC 是中国在存储领域最有希望的突破点，但设备制裁是天花板。
从化合物半导体到光模块
上万颗 GPU 同时工作、不断交换数据。互联链走的是完全不同的材料体系——化合物半导体（InP/GaAs），不经硅基晶圆厂，有独立制造工艺和供应商。这条链上光模块负责"传输"、交换机芯片负责"路由"。
① 光模块 —— 从磷化铟晶圆到 800G 端口
光模块 —— 为什么跟硅基芯片是完全不同的赛道
800G 光模块 2024 年 $800-1,000/个，年降价 20-30%。AI 集群互联需求爆发式增长——10 万 GPU 需数万个光模块。网络带宽增速（2 年翻倍）落后 GPU 算力增速（1 年翻倍），大规模集群算力利用率因此只有 40-50%。
一个 800G 光模块功耗约 15W，一万个 = 150kW——光互联本身正在成为数据中心的主要耗电来源之一。解决方案是 CPO（共封装光学）——把光引擎直接集成到交换机芯片封装里，省掉中间的电光转换环节，功耗预计降低 30-50%。但 CPO 涉及芯片和光学的精密共封装，量产还需 2-3 年。
② 交换机芯片 —— 数据包的"空中交通管制"
交换机芯片 —— 博通的隐秘帝国
| 维度 | 数据 |
|---|---|
| 交换机芯片格局 | 博通 ~70%，英伟达 ~15% |
| InfiniBand 网络毛利率 | ~70% |
| 网络占集群成本 | 15–20% |
互联链是 AI 产业链中最被忽视的一条——材料和制造完全独立于硅基芯片，有自己的瓶颈和垄断者。博通的位置类似计算链中的英伟达——不造 GPU，但每卖一颗 GPU、每建一个集群都要给博通付费。InP/GaAs 供应和光引擎封装产能是 800G→1.6T 升级路径上的核心约束。
封装：把四条链拼在一起
封装曾是芯片产业最"低端"的环节。现在它是 AI 芯片供应的最大瓶颈。英伟达卖多少 GPU，不由 GPU 产能决定，由台积电能封多少 CoWoS 决定。
CoWoS —— "不是造芯片，是拼芯片"
CoWoS 的制造流程：先在一片硅晶圆上做出中介层（TSV 硅通孔 + 多层 RDL 重布线）→ 把 GPU 和 HBM 芯片精确贴到中介层上 → 整个模组贴到封装基板。中介层制造类似于前道晶圆工艺（光刻、刻蚀、沉积），而非传统后道封装——这就是为什么只有台积电（同时拥有前道晶圆厂和后道封装厂）能把 CoWoS 做到这个规模。
瓶颈在中介层面积。一颗 H200 的 CoWoS-S 中介层面积约 858mm²——恰好是光刻机一次曝光的物理极限（reticle limit）。GPU 和 HBM 越堆越多，中介层就要越大。超过极限后，台积电推出了 CoWoS-L（局部硅桥）——用多块小硅桥拼成一个大中介层，但拼接的良率远低于单块方案，工艺复杂度剧增。CoWoS-L 的良率爬坡是当前 AI 芯片供应最隐蔽的瓶颈之一。2024 年产能翻倍至月产 3 万片晶圆仍供不应求，2025 年继续翻倍。
ABF 基板 —— 味精公司的隐秘垄断
这个故事听起来像都市传说，但它是真实的。1970 年代，味之素在生产味精（谷氨酸钠）时，发现生产过程中的一种副产物——氨基酸衍生物——可以用作电子元件的绝缘涂层。经过几十年研发，这种材料被发展为 ABF 膜——一种热固性树脂薄膜，可以在封装基板上层层堆积，形成微米级精度的绝缘层和导线通道。在 CPU/GPU 封装基板中，ABF 膜是构建多层导线的核心材料——没有它，芯片和电路板之间的电气连接就无法实现。
ABF 的壁垒不在专利——很多公司知道配方。壁垒在一致性。一片 AI 模组的基板上如果有任何一处 ABF 膜不均匀——哪怕只有一个微米级的空洞——整颗芯片在热循环中就会因热膨胀系数不匹配而开裂。味之素在这个工艺精度上积累了几十年，没有第二家公司能复制这种良率水平。味之素正在扩产，但建设周期 2-3 年。在此期间，AI 芯片的爆发式增长 + 每颗芯片基板面积增大 = ABF 需求指数级增长。一家年收入约 100 亿美元的食品公司，用氨基酸副产物卡住了全球 AI 芯片封装的脖子。
先进封装是整个产业链中最紧的瓶颈。它是三条链（计算、存储、互联）的物理汇聚点——CoWoS 产能决定英伟达出货量，ABF 膜决定基板产能。供应商高度集中（台积电、味之素），扩张周期长（2-3 年），是 AI 算力供应最直接的物理约束。
四条链的物理汇聚点
GPU 模组造好了，但一万个模组需要空间——服务器机柜、供电、散热、网络。这部分不创造芯片，但定义算力能力的天花板。
服务器集成 —— 把 GPU 装进机柜
电力与散热 —— 算力增长碰到物理天花板
比总量更关键的是密度。一台 8×H200 服务器功耗 10-15kW——传统风冷机柜设计上限 20-30kW，根本装不下。B200 一代单机柜可达 40-50kW——超出风冷极限一倍。唯一的解是液冷。
液冷分两路：冷板液冷——在 GPU/CPU 上贴金属冷板，内部通冷却液直接带走热量，可处理 50-100kW/机柜，是当前主流。浸没式液冷——把整台服务器泡在绝缘冷却液（介电流体）里。其中的两相浸没式尤为激进：冷却液在 49°C 就会沸腾，气泡上升带走热量，遇冷凝器变回液体落下——形成一个不耗电的自循环"沸腾-冷凝"系统。但 3M 在 2025 年宣布退出 Novec 氟化液生产，给浸没式液冷行业造成巨大供应缺口——替代品（如 Solvay 等）正在赶工但产能远未填补。
美国弗吉尼亚北部（全球最大数据中心集群）电网排队 2 年+。微软重启三里岛核电站剩余机组，Google 和 Amazon 签约核电——不是喜欢核，是光伏风能间歇性无法满足 24×7 需求。电力决定了 AI 未来在哪里发生：不是地价便宜的地方，是电网还有剩余容量的地方。
GPU 云 —— 从挖矿到 $230 亿，然后呢？
但 GPU 云的本质是重资产租赁生意，不是技术平台。风险很明显：当 GPU 供应从"缺货"变成"过剩"时，租金可能从 $5-8/小时跌到 $1-2/小时甚至更低——而 CoreWeave 签的长期采购承诺和建数据中心借的债不会消失。超大规模云厂商（AWS/Azure/GCP）有客户关系、有全球网络、有混合云生态——可以在 AI 业务不赚钱时用其他业务养着。而纯 GPU 云公司只有 GPU。这也是为什么微软/Oracle 愿意一次性签 CoreWeave 上百亿合同——它们需要 CoreWeave 现在有 GPU，但不需要 CoreWeave 永远存在。
数据中心是算力扩张的物理约束层——供电、散热、空间跟不上，GPU 只是仓库里的芯片。液冷是最确定的结构性增长方向。GPU 云公司赚供需缺口，长期护城河存疑。
从基础模型到应用
物理基础设施就位后，软件生态把算力转化为价值。这一层竞争最激烈、商业模式最不确定——模型本身未必捕获商业回报，但建立在模型之上的产品和关系可以。
561| 562|基础大模型 —— 闭源 vs 开源
565|开发中间件 —— 有价值但可能被吃掉
572|To B 应用 —— AI 最先跑通的商业场景
578|To C 应用 —— 用户付费但不留
584|软件层是 AI 创造价值最终兑现的地方——但竞争最惨烈、护城河最薄。模型层定价权被开源侵蚀，中间件可能被吸收，To C 粘性远低于上一代互联网。To B 是变现路径最确定的——企业为可量化 ROI 买单。Copilot 已跑通，下一个可能是企业搜索或客服 AI。
590|贯穿全链：电力 · 地缘 · 安全 · 监管
这四个主题不属于任何一条供应链——但穿透每一层。
599| 600|