1| 2| 3| 4| 5| 6|AI 产业链全景 · 四条并行供应链 7| 161| 162| 163|
164| 179|
180| 181| 182|
183|

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。

185|
Wolf Soar Intelligence·2026 年 7 月
186|
187| 188| 189|
190|

产业链全景

191|
192|

A · 计算

193|
高纯石英砂 → 晶圆
194|
光刻胶 · 特种气体
195|
光刻机 · 刻蚀 · 检测
196|
EDA → Foundry (台积电)
197|
GPU / CPU / ASIC
198|
199|

B · 存储

200|
硅片 → DRAM 晶圆
201|
TSV 硅通孔工艺
202|
多层堆叠 → HBM
203|
NAND 闪存 (3D NAND)
204|
SK 海力士 · 三星 · 美光
205|
206|

C · 互联

207|
InP/GaAs 晶圆
208|
激光器 · 调制器
209|
光引擎 → 光模块
210|
交换机芯片 (博通)
211|
800G → CPO 共封装
212|
213|

D · 集成

214|
ABF 膜 (味之素垄断)
215|
IC 载板 → 硅中介层
216|
CoWoS 先进封装
217|
GPU + HBM 拼装
218|
台积电封装产能
219|
220|
221|
222|
223| ⟶ E · 数据中心汇合 ⟵ 224| 服务器集成 · 电力基础设施 · 液冷散热 225|
226|
227| ⟶ F · 软件生态 ⟵ 228| 基础大模型 → 中间件 → To B/To C 应用 229|
230|
231|
232| 233| 234| 235| 236|
237|
A · 计算

从设计到 GPU 成品

238|

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|
242|
243|① 设计 244|EDA 画电路 245|② 基底 246|石英→晶圆 247|③ 耗材 248|光刻胶·气体 249|④ 设备 250|光刻·刻蚀·检测 251|⑤ 制造 252|台积电 Foundry 253|⑥ 产品 254|GPU · 推理芯片 255|
256|
257| 258| 259|

① 设计 —— 在电脑上画出 800 亿晶体管

260| 261|
262|设计工具 263|

EDA —— 芯片设计的"编译器"

264|
它在链里的位置:一颗 GPU 含 800 亿晶体管——没有任何人类能手工画出 800 亿晶体管的布局。EDA(电子设计自动化)软件把设计师用 Verilog/VHDL 写出的电路行为逻辑,自动翻译成物理版图(晶体管怎么放、导线怎么走)。没有 EDA,芯片设计就停留在 1970 年代的手工画图水平。
265|
266|

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|
270|
271| 272| 273|

② 基底 —— 芯片的物理载体,从沙子到晶圆

274| 275|
276|核心原料 277|

高纯石英砂 —— 不是"沙子",是"坩埚"

278|
它在链里的位置:高纯石英砂(HPQ)→ 熔融石英坩埚 → 丘克拉斯基法拉单晶硅棒 → 切片成晶圆。坩埚在 1420°C 熔融硅中必须绝对稳定——不软化、不释放杂质、不产生气泡。普通石英在这个温度下会变形或污染硅液。HPQ 是芯片制造的第一道物理关卡。
279|
280|

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|
瓶颈:一个年收入约 5 亿美元的矿,掐着 5500 亿美元的半导体产业。2024 年飓风 Helene 导致停产两周。如果 Spruce Pine 长期停产,全球 3-6 个月内面临坩埚短缺→硅片断供→全线停产。世界没有备用矿。
283|
284|

③ 耗材 —— 每一步都要消耗的化学材料

285| 286|
287|工艺耗材 288|

光刻胶 —— 半导体的"胶片"

289|
它在链里的位置:光刻胶是涂在晶圆上的感光层——光刻机把电路图案投射到光刻胶上,被光照射的部分发生化学反应、在显影液中被洗掉,形成电路图案。每一代光刻机(KrF→ArF→EUV)需要完全不同的化学配方。
290|
291|

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|
瓶颈:2019 年日韩贸易战,日本限制对韩出口光刻胶,三星/SK 海力士库存仅 1-3 个月。2025 年 10 月日本对 19 种半导体材料加征 25% 关税。全球能造 3nm 芯片的国家,光刻胶命脉捏在日本四家化学公司手里。
293|
294|
295| 296|
297|持续消耗 298|

特种气体 —— 每一步的"化学配方"

299|
它在链里的位置:芯片制造的每一步都有对应的特种气体——不是说"有一种气体",而是几十种气体各司其职,在不同工艺步骤中精准介入。
300|
301|

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|
增长逻辑:3D NAND 层数 128→400→1000,每一步沉积和刻蚀都要消耗气体。每加一层 = 多消耗一整套气体。AI 算力扩张 → 更多 HBM → 更多 3D NAND → 气体用量线性增长。NF₃ 是其中最受益的单品。
306|
307|
308| 309|
310|战略资源 311|

稀土 —— 不直接进芯片,但进设备

312|
它在链里的位置:ASML 光刻机的磁悬浮晶圆台靠钕铁硼永磁体,镜头含镧元素,抛光液含铈氧化物。稀土冶炼分离能力的 85-90% 在中国——这是从 1960 年代开始的主动战略布局。瓶颈不是矿,是分离:十几种元素化学性质几乎相同,靠上千级萃取槽分离每种元素的参数都是核心机密。
313|
314|

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|
316|

④ 设备 —— 人类最精密的制造工具

317| 318|
319|单点瓶颈 320|

光刻机 —— ASML,人类最复杂的机器

321|
它在链里的位置:光刻机把电路图案"印"到晶圆上。ASML 是唯一能造 EUV 光刻机的公司——30kW CO₂ 激光轰击每秒 5 万滴锡珠→等离子体发出 13.5nm 极紫外光→蔡司反射镜聚焦→投射到晶圆。95% 能量变热量,一台重 180 吨。年产能 ~55 台,需求超 100 台。
322|
323|ASML 靠 5000+ 供应商:蔡司(反射镜——研磨精度以原子计)、通快(CO₂ 激光器)、VDL(机械框架),合作超 20 年。2025 年 ASML 全年营收 €327 亿,Q4 单季新增订单 €132 亿(其中 EUV €74 亿),年末积压订单 €388 亿——超过很多国家 GDP。10-20 台 High-NA EUV 已被预订,Intel 最先接收 EXE:5200B 量产型号,台积电和三星紧随其后。EUV 单价 ~€2 亿,High-NA ~€3.8 亿。毛利率 51%。

324|
如果 ASML 停止交付 EUV:全球所有 7nm 以下芯片 6-12 个月内停产。台积电、三星、Intel 的 3nm/5nm 产线 100% 依赖 ASML。其 €388 亿积压订单说明需求远超产能——有钱也排队。
325|
326|
327| 328|
329|工艺核心 330|

刻蚀与薄膜沉积 —— 芯片制造的"加减法"

331|
它们在链里的位置:光刻机画出图案,刻蚀"刻出来"、沉积"镀上去"。一片晶圆经历数百次循环。两个工序占设备支出约 40%。Lam Research(刻蚀 ~50%)、TEL(~25%)、应用材料(沉积 ~50%),合计 ~85%。
332|
333|

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| 336| 337| 338| 339| 340|
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
341|
342|
343| 344|
345|良率守门人 346|

检测与量测 —— KLA,半导体业的"质检警察"

347|
它在链里的位置:芯片制造的每一步工序之后——沉积完了吗?膜厚对不对?刻蚀深度够不够?有没有颗粒污染?——都必须检测。28nm 时代一片晶圆约 500 道检测步骤,3nm 节点超过 1000 道。检测不是可有可无的"质检",而是决定良率的核心。漏掉一个缺陷,整批晶圆可能在最后测试才发现报废——损失数十万美元。KLA 占过程控制市场约 55-60%,在图案化晶圆检测上高达 75-80%。这个份额不是靠价格战赢来的——是从 2010 年的 ~50% 一路爬到 2024 年的 63%,而第二名应用材料从 ~13% 跌到 <8%。
348|
349|

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|
355| 360|
361|

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|
365| 366|
367|制造之王 368|

台积电 —— 全球只有一个

369|
它在链里的位置:建一座 3nm 厂需 200-300 亿美元。十年前 20 多家能玩先进制程,现在基本只剩台积电。台积电 2025 年营收 $1,229 亿(+35.9%),资本支出 $409 亿,2026 年 capex 指引 $520-560 亿——相当于每天花 $1.5 亿建产能。全球 Foundry 市场份额约 70%,先进制程(7nm 以下)占晶圆收入 74%。2nm(N2)已于 2025 年 Q4 正式量产,为首代纳米片晶体管架构。HPC/AI 相关收入已占 58%。
370|
371|

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|
最大风险不是商业竞争,是地缘政治。台积电先进产能 90%+ 在台湾。台海冲突将导致全球 AI 产业链物理断裂。亚利桑那、熊本、德国建厂分散风险,但先进制程短期内不可能离开台湾。
373|
374|

⑥ 产品 —— 芯片设计公司的最终输出

375| 376|
377|芯片产品 378|

训练 GPU —— 英伟达的 CUDA 护城河

379|
它在链里的位置:英伟达 AI 训练芯片约 90%+。FY2026(截至 2026 年 1 月)全年营收 $2,159 亿(+65% YoY),其中数据中心 $1,937 亿(+68%),Q4 单季数据中心就达 $623 亿。不是硬件不可超越——AMD MI300X 算力已接近 H100——而是 CUDA 生态。2006 年起 15 年积累的算子库(cuDNN、cuBLAS、NCCL)和 PyTorch/TensorFlow 深度集成。最大威胁不是 AMD,是云计算巨头自研 ASIC:Google TPU、Amazon Trainium、Microsoft Maia,以及博通为超大规模客户定制的 XPU。
380|
381|

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。

382|

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| 385| 386| 387| 388| 389| 390| 391|
厂商产品定位
英伟达H200→B200→R100训练王者,第三方出售
AMDMI300X→MI400追赶者
GoogleTPU v5p/v6自用+云服务间接提供
AmazonTrainium2自用+通过 AWS 提供
MicrosoftMaia 100自用
392|
393|
394| 395|
396|推理与端侧 397|

推理与端侧 —— 两个新战场

398|
它们在链里的位置:训练是一次性资本开支(GPT-4 训练一次花几亿),推理是持续性运营成本(ChatGPT 每回答一个问题都在烧推理算力)。全球 AI 推理市场 2025 年已达 $1,061 亿(CAGR 19.2%),2030 年预计 $2,550 亿。推理负载在 2026 年占所有 AI 计算约 2/3——从 2023 年的 1/3 翻上来的。
399|
400|

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|
405| 406|
407|
计算链关键结论
408|

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|
410|
411| 412| 413|
B · 存储

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 晶圆 电容+晶体管阵列 ② 减薄+TSV 垂直打孔·填充金属 ③ 堆叠 8→12→16 层 ④ HBM 成品 汇入 CoWoS

① DRAM 基础 —— 存储链的地基

存储根基

DRAM —— 一个电容 + 一个晶体管

它在链里的位置:DRAM 是计算机的主内存——GPU 运算时需要的数据全部存放在 DRAM 中。跟逻辑芯片"计算"的功能不同,DRAM 只做一件事:记住 1 和 0。每个 DRAM 存储单元 = 一个晶体管(开关)+ 一个电容(储电)。电容充满电 = 1,放完电 = 0。这个 1T1C 结构决定了 DRAM 跟逻辑芯片是完全不同的半导体品类——不同的设计目标(密度和漏电率 vs 速度)、不同的制造工艺、不同的设备需求。

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

算力燃料

HBM —— GPU 旁边的"快充站"

它在链里的位置:传统 DDR5 带宽 50-100 GB/s,H200 的 6 颗 HBM3E 提供约 4.8 TB/s——快 50-100 倍。没有 HBM,GPU 空转等数据,算力利用率跌到个位数。HBM 占 H200 模组成本约 40%($2,000-3,000)。

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%+
瓶颈:英伟达能卖多少 GPU,不仅取决于 CoWoS 产能,还取决于 SK 海力士能供多少 HBM3E。HBM 供需缺口决定 AI 芯片供需缺口。

③ 3D NAND —— AI 训练的"数据仓库"

持久存储

3D NAND —— 垂直堆叠的"数据摩天楼"

它在链里的位置:AI 训练的超大规模数据集(数 TB 级)在计算前需要先存储在某个地方——SSD 固态硬盘。SSD 的核心是 3D NAND 闪存芯片。3D NAND 跟 DRAM 不同——DRAM 断电丢数据(易失性)、但速度极快;NAND 断电不丢数据(非易失性)、但速度慢。两者分工:NAND 存数据→DRAM 做缓存→HBM 喂 GPU。

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。

存储链关键结论

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。

C · 互联

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 化合物晶圆 InP/GaAs 外延 ② 激光器+探测器 电光/光电转换 ③ 光模块封装 800G→1.6T 端口 ④ 交换机 博通 Tomahawk 路由

① 光模块 —— 从磷化铟晶圆到 800G 端口

光纤核心

光模块 —— 为什么跟硅基芯片是完全不同的赛道

它在链里的位置:光模块 = 激光器芯片(InP 晶圆)+ 调制器 + 探测器 + 光路封装。不是"电子元件",是光电器件——需要化合物半导体工艺。InP/GaAs 晶圆→外延生长→制成激光器和探测器→跟硅光调制器封装→光模块。跟硅基 CMOS 供应链完全没有交集——它有自己的晶圆厂(化合物半导体代工)、自己的材料供应商、自己的封装工艺。

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。

瓶颈:InP/GaAs 晶圆的供应集中在少数化合物半导体代工厂(IQE、Landmark、住友电工等)。光引擎封装需要亚微米级的光路对准——一台 800G 光模块里,激光器到光纤的对准精度要求 <1μm。产能扩张不像 CMOS 晶圆厂那样可以靠砸钱建新厂——化合物半导体的制造规模小得多,扩产周期更长。

② 交换机芯片 —— 数据包的"空中交通管制"

网络大脑

交换机芯片 —— 博通的隐秘帝国

它在链里的位置:光模块"传输",交换机芯片"路由"——纳秒级决策每个数据包路径。博通 Tomahawk 系列约 70% 份额,Tomahawk 5 单芯片交换容量达 51.2 Tbps。博通 FY2025 半导体业务营收 $370 亿,其中 AI 相关 $200 亿(AI 网络同比 +170%)。Q1 FY2026 AI 收入指引 $82 亿(同比翻倍)。英伟达 InfiniBand 或以太网谁赢,博通都是赢家——英伟达 Spectrum-X 也要用博通的 Tomahawk 芯片。博通的策略不是跟英伟达正面竞争 GPU,而是给超大规模客户定制 XPU——Google TPU 的部分设计外包给了博通。这条路径让它同时吃到了"AI 训练"和"AI 网络"两块增长。
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%
互联链关键结论

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。

D · 集成

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。

① 硅中介层 TSV+RDL 制造 ② 贴片 GPU+HBM 精准放置 ③ ABF 基板 味之素绝缘堆积膜 ④ 成品模组 装到电路板
当前最大瓶颈

CoWoS —— "不是造芯片,是拼芯片"

它在链里的位置:GPU 和 HBM 通过一块硅中介层(Silicon Interposer)互联成一个模组。这块中介层不是一个简单的"转接板"——它内部有多层金属导线(RDL),线宽微米级,相当于在 GPU 和 HBM 之间修了一条超宽数据高速公路。台积电 CoWoS 占全球先进封装约 90%。

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。

这意味着什么:英伟达的出货量不由"能造多少 GPU 芯片"决定,由"台积电能封多少 CoWoS"决定。先进封装正在从配角变成主角——当制程微缩越来越贵,把多颗芯片拼在一起(而非把一颗芯片做得更小)是延续摩尔定律最现实的路。
封装地基

ABF 基板 —— 味精公司的隐秘垄断

它在链里的位置:CoWoS 封装完成后,GPU+HBM 模组需要装到一个封装基板上才能焊接到电路板。这个基板的核心材料是 ABF(Ajinomoto Build-up Film)——一种绝缘堆积膜。全球 ABF 膜 99%+ 由日本味之素供应。是的,就是做味精的那家公司。

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。

如果味之素的工厂停产会怎样:所有高端芯片的封装基板生产将在 1-2 个月内停滞。没有 ABF 膜→没有封装基板→GPU 和 HBM 无法装到电路板上→英伟达的模组出不了货。世界没有备用供应商。
集成链关键结论

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。

E · 数据中心

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

① 服务器集成 GPU 模组→机柜 ② 供电 电网+备用+核电 ③ 散热 风冷→液冷→浸没式 ④ 商业化 GPU 云租赁
物理整合

服务器集成 —— 把 GPU 装进机柜

它在链里的位置:英伟达卖 HGX 基板(装好 8 颗 GPU),Supermicro/Dell/联想装进机箱+CPU+内存+网卡+电源。一台 8×H200 功耗 10-15kW,传统机柜设计标准 5-10kW。Supermicro 跟英伟达合作最紧密。毛利 15-20% 但市场年增 50%+。差异化在散热设计——谁能塞进 8 颗 GPU 不过热谁赢。
物理上限

电力与散热 —— 算力增长碰到物理天花板

穿透力:晶圆厂 EUV 1MW → 台积电 255.5 亿度/年(台湾 9%)→ 10 万 GPU 集群 100-150MW。IEA 数据显示,全球数据中心电力消耗从 2024 年 415 TWh 预计增至 2030 年约 945 TWh——如果数据中心是一个国家,它们已经是全球第五大电力消费体,排在日俄之间。AI 数据中心用电 2025 年同比增长 50%。

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。

商业模式

GPU 云 —— 从挖矿到 $230 亿,然后呢?

它在链里的位置:CoreWeave 是这个模式的缩影——2017 年还只是一个三人加密货币挖矿小团队,靠收购矿难中抛售的廉价 GPU 起家。2023-2024 年在英伟达支持下获得大量 H100 优先供货,签下 $120 亿的长期算力合同,估值一度突破 $230 亿。核心逻辑:GPU 本身就是稀缺资产——在 H100 一卡难求时,拥有 GPU 等于拥有印钞机(H100 每小时租金一度达 $5-8)。

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。

数据中心关键结论

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。

557| 558|
559|
F · 软件生态

从基础模型到应用

560|

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|
563|引擎层 564|

基础大模型 —— 闭源 vs 开源

565|
它在链里的位置:"三闭源"(OpenAI/GPT、Google/Gemini、Anthropic/Claude)+ "多开源"(Meta/Llama、Mistral、DeepSeek、阿里 Qwen)。开源威胁来自定价——Llama 3 与 GPT-4 差距从"碾压"缩小到"略好",推理成本却远低。能力差距 5-10% 时,多付 10 倍 API 费值不值?基础模型可能 3-5 家共存——谁也拿不到英伟达那样的定价权。
566|
关键矛盾:基础模型创造巨大价值,但不见得能捕获它。OpenAI 和 Anthropic 都在向应用层延伸——模型本身不是护城河,用户关系和产品体验才是。
567|
568| 569|
570|中间件 571|

开发中间件 —— 有价值但可能被吃掉

572|
它在链里的位置:HuggingFace = 开源 AI 的 GitHub。Together AI/Fireworks = 一键部署推理。LangChain/LlamaIndex = Agent 编排。Pinecone/Weaviate = RAG 记忆。中间件的困境:夹在模型商和应用之间,毛利低(20-30%),可能被上游(OpenAI Assistants)或云平台吸收。HuggingFace 例外——社区护城河不是靠价格。
573|
574| 575|
576|变现出口 577|

To B 应用 —— AI 最先跑通的商业场景

578|
它在链里的位置:GitHub Copilot 180 万+付费用户,年收入 30 亿+美元。核心逻辑:企业为可量化 ROI 买单。1000 人公司年省 $4500 万,Copilot 企业版年费 $47 万——ROI 近 100 倍。Glean(企业搜索,估值 40 亿+)用大模型把全公司文档变可对话知识库——越用越好、迁移成本极高。客服 AI 替代 30-50% 重复问题。法律 AI(Harvey)和药物发现天花板更高但验证周期长。
579|
580| 581|
582|消费级 583|

To C 应用 —— 用户付费但不留

584|
它在链里的位置:ChatGPT 最快速增长的消费产品(2 亿+周活)。但 AI To C 致命问题:切换成本几乎为零。底层模型通用——这周 ChatGPT 好用,下周 Gemini 新版本可能反超。能建护城河的不是"更好用的 AI 助手",是"AI + 特定情感需求":创作(Midjourney)、陪伴(Character.AI 日均 >120 分钟)、教育(Khanmigo)。Perplexity(1500 万月活)正把"搜索"从"找网页"变成"回答问题",Google 的广告模式因此面临困境。
585|
586| 587|
588|
软件生态关键结论
589|

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|
591|
592| 593| 594| 595| 596|
597|
横向

贯穿全链:电力 · 地缘 · 安全 · 监管

598|

这四个主题不属于任何一条供应链——但穿透每一层。

599| 600|
601|物理上限 602|

电力 —— 从晶圆厂到数据中心的统一约束

603|
穿透力:EUV 1MW → 台积电 255.5 亿度/年(台湾 9%)→ 10 万 GPU 集群 100-150MW → GPT-5 训练 >100GWh。美国电网 50-70 年历史,新建高压线 5-10 年审批。微软重启三里岛核电站、Google/Amazon 签约核电——不是喜欢核,是光伏风能无法 24×7 稳定供电。电力决定了 AI 未来在哪里发生:不是地价便宜,是电网还有剩余容量。
604|
605| 606|
607|链断风险 608|

地缘政治 —— 每条链都有它的脆弱点

609|
穿透力:计算链在台湾(台积电 90%+ 先进产能);存储链在韩国(HBM);互联链在美国(博通芯片)+日本(InP 晶圆);集成链在台湾(CoWoS)+日本(ABF);稀土冶炼在中国(85-90%)。每条链各有脆弱点,但计算链集中风险远超其他——台海冲突将导致全球 AI 产业链不可逆断裂。美国/欧盟/日本芯片法案新建产能需 3-5 年,远水不解近渴。
610|
611| 612|
613|信任前提 614|

安全与监管 —— AI 产业化的前置条件

615|
穿透力:没有安全,企业不敢用(律师用 ChatGPT 编造判例是真实事件)。没有监管,保险公司不敢承保。EU AI Act 按风险分级禁止/严管/自由。监管既是成本也是壁垒——创业公司被合规压垮,大公司反而少竞争者。Sam Altman 一边呼吁监管一边推商业化——不是自限,是用监管建护城河。
616|
617|
618| 619| 620| 621|
622|
623| 624| 641| 642| 643|