第二章 芯片/硬件 — CPU、GPU 帝国、定制 ASIC 与台积电产能瓶颈

整个 AI 基础设施的底层,是一场关于算力的军备竞赛。而这场竞赛的赢家,早已不是秘密。

2.1 开篇:NVIDIA 的统治地位

如果你在 2023 年 1 月把 $10,000 分别投入 NVIDIA、Broadcom 和台积电,到 2026 年 6 月,你的投资将分别价值约 $80,000、$95,000 和 $55,000。这三家公司构成了 AI 芯片层的「铁三角」—— 设计、定制和制造。它们的股价表现不仅跑赢了大盘,更跑赢了几乎所有其他科技股。但过去的回报不代表未来。本章的目的不是让你追高,而是帮你理解芯片层的结构性逻辑—— 谁在赚钱、为什么在赚钱、能赚多久、什么会让它停下来。理解了这些,你才能在市场恐慌时有信心加仓,在市场疯狂时保持清醒。2026 年 5 月 20 日,NVIDIA 公布了 FY2027 Q1 财报(截至 2026 年 4 月 26 日)。数字令人窒息:

• 总营收:$816 亿,同比增长 85% ,环比增长 20% (来源:NVIDIA 官方财报,2026 年 5 月 20 日)
• 数据中心营收:$752 亿,同比增长 92% ,环比增长 21%
• 数据中心计算营收:$600 亿,同比增长 77%
• 数据中心网络营收:$150 亿,同比接近三倍增长
• GAAP 净利润率:持续维持在 50% 以上

市值突破 $5 万亿

"The buildout of AI factories is the largest infrastructure expansion in human history."

• 本季向股东返还约 $200 亿(回购+ 股息),创历史纪录一个季度的数据中心营收,就超过了许多科技巨头一整年的总收入。把 $752 亿年化,NVIDIA 数据中心业务的年化营收跑率已超过$3,000 亿。作为对比,2024 年整个全球半导体行业的总营收才 $5,270 亿。一家公司的一个业务板块,正在逼近整个行业的六成。而利润端同样惊人:2026 年 Q1 净利润达 $230 亿,全年预测逼近 $1,000 亿—— 验证其作为底层算力绝对垄断者的地位。(数据来源:Leverage Shares、MarketScreener 预测) 这个数字之所以震撼,是因为增速。从 2023 年 FY24 Q1 的 $42 亿到 2026 年 FY27 Q1 的 $752 亿,三年 18 倍。这不是正常的科技公司增长曲线,这是结构性需求爆发的特征—— 全球超大规模数据中心(Hyperscaler )几乎同时进入大规模 AI 基础设施建设周期。Blackwell 架构是本季增长的内核驱动力。管理层在电话会上确认, Blackwell 的需求「far exceeds supply (远超供给)」,目前的交付瓶颈不在设计端,而在台积电的 CoWoS 先进封装产能上—— 这一点我们在 2.5 节会详细展开。2026 年 4 月 25 日,NVIDIA 市值首次突破 $5 万亿大关。4 月 28 日,进一步攀升至 $5.26 万亿,创下人类上市公司历史最高纪录。5 月 13 日,更是冲上 $5.5 万亿—— 超过了地球上除美国和中国之外所有国家的 GDP。让这个数字沉淀一下:一家卖芯片的公司,价值超过了日本、德国、英国的 GDP。这在五年前是不可想像的。 (股价快照:2026 年 6 月 26 日,NVDA 收盘约 $194.79 ,52 周区间 $151.49-$236.54。来源:Motley Fool。注意:NVIDIA 在 2025 年进行了 10:1 拆股,调整前约相当于 $1,948 ) 市值暴涨的逻辑很简单:AI 工厂(AI Factory )是人类历史上最大的基础设施扩张。Jensen Huang 在财报电话会上的原话是: 当微软、Google、Meta、Amazon 每家每年砸下 $500 亿-$800 亿的资本开支建设 AI 数据中心时,这些钱的很大一部分,最终都流向了同一个地方——NVIDIA。

让我们拆解一下这个逻辑链:

• AI 模型越来越大:GPT-5、Gemini 2.0、Claude 4 等下一代模型的参数规模和训练计算量呈指数级增长
• 推理需求爆发:Agentic AI (代理式 AI )的兴起意味着每个 AI Agent 在完成一个任务时需要进行数十到数百次推理调用
• 超大规模厂商「不敢不投」:在 AI 军备竞赛中落后可能意味着丧失未来 10 年的竞争力,所以每家都在抢着花钱

CUDA 生态护城河

• 花的钱最终变成 NVIDIA 的营收:建一个 AI 数据中心, 40-60% 的资本开支是 GPU 和相关网络设备这就是为什么 NVIDIA 的增长看起来「不可能」,但又确实在发生。它不是在抢一个固定大小的市场蛋糕,而是在一个以每年翻倍速度扩张的市场中占据绝对份额。NVIDIA 的护城河不仅仅是硬件。真正的壁垒是CUDA 生态系统:
• 200 万+ 开发者社群,开发者数量在 2020-2025 年间增长了 150%
• 19 年积累的软件栈:cuDNN、cuBLAS、NCCL、TensorRT、Nsight 工具链
• 与 PyTorch/TensorFlow 的深度优化绑定
• 500M+ 已安装 GPU 的庞大基数 Mizuho Securities 估计,NVIDIA 在 2026 年占据数据中心 GPU 营收的86% 份额(2024 年约 90% )。份额略有下降,但绝对值仍在飙升。关键洞察:CUDA 不是一个产品,而是一个生态系统锁定 (ecosystem lock-in )。对于大规模部署来说,迁移到其他平台的沉没成本(开发者培训、代码重写、性能调优)几乎是不可承受的。这就是为什么即使 AMD 和定制 ASIC 在性能上逐渐逼近,NVIDIA 依然稳坐钓鱼台。从投资角度思考 CUDA 护城河:想像你是一家 AI 初创公司的 CTO ,你的团队在 CUDA 上积累了三年的训练代码、推理优化和部署流水线。现在有人告诉你,用 AMD 的 MI400 可以节省 30% 的硬件成本—— 但你需要投入 6-12 个月重写软件栈,期间产品迭代停滞。几乎没有理性的决策者会做出这个选择。这就是 NVIDIA 的定价权来源。Jensen Huang 可以把 B300 定价在 $50,000-$70,000 ,买家依然排队—— 因为替代方案的「总拥有成本」 (TCO )算上软件迁移后,反而更高。

2.2 GPU 的三代迭代：从 H100 到 B200 到 GB300

H100 :推理时代的开端

B200/B300 :Blackwell 架构的突破

下一代:Vera Rubin (2026 年 H2)

NVIDIA 的 AI GPU 在三年内完成了三代迭代,每一代都是对前代的跨越式提升。理解这个迭代节奏,是理解 NVIDIA 定价权和竞争壁垒的关键。传统半导体行业的产品周期是 2-3 年。NVIDIA 把它压缩到了1 年。这意味着竞争对手永远在追赶上一代产品,而 NVIDIA 已经在卖下一代了。AMD 的 MI300X 刚开始量产对标 H100 ,NVIDIA 已经在卖 B300 了。等 MI400 出来对标 B300 时,Vera Rubin 已经上市。这种「永远领先一代」的节奏,是 NVIDIA 最强大的竞争武器之一。H100 定义了一个时代。ChatGPT、Claude、Gemini 的训练和推理,都是在 H100 集群上完成的。到 2026 年,H100 仍是全球部署量最大的 AI 加速器,但已逐渐过渡到推理为主的角色。有一个经常被忽略的事实:H100 的设计早在 2020 年就开始了,那时候 ChatGPT 还不存在。Jensen Huang 赌对了大模型时代的到来 ——H100 的 80GB HBM3、高带宽 NVLink、以及 FP8 Transformer Engine ,恰好是大语言模型训练所需的三大要素。这不是运气,是 NVIDIA 对 AI 趋势长达 10 年的前瞻性布局。二手市场价格已从 2023 年高峰的 $40,000+ 暴跌至 $6,000-$22,000 ,跌幅达 85% 。但这恰恰说明了需求已转向更新的 Blackwell 架构。对于云厂商来说,H100 正在成为「推理打工机」 —— 用来跑已经训练好的模型,性价比极高。B300 (Blackwell Ultra )于 2026 年 1 月出货,是目前 NVIDIA 最强大的单 GPU。相比 B200 ,FP4 性能提升 55.6% ,VRAM 增加 96GB。GB300 NVL72 是完整的机架级系统:72 颗 GPU 通过 NVLink 互连,组成一个统一的计算和内存池,如同一颗巨型 GPU。微软 Azure 的 GB300 NVL72 超级集群(4,608 颗 Blackwell Ultra GPU ) 可达约 92.1 exaFLOPS 推理性能。在 2026 年 6 月最新的 MLPerf Training 6.0 基准测试中,NVIDIA 同时提交了 GB200 NVL72 和 GB300 NVL72 的成绩,横扫所有 AI 训练任务。这不仅是硬件实力的展示,更是软件栈成熟度的证明—— NCCL 通信库、cuDNN 算子库和 NVLink 拓扑优化共同作用的结果。一个值得投资者关注的趋势:网络营收的爆发。数据中心网络营收同比接近三倍增长至 $150 亿,占数据中心总营收的 20% 。这包括 NVLink 交换芯片、InfiniBand/Ethernet 网卡、以及各种互连技术。随着 AI 集群规模从千卡扩展到万卡甚至十万卡,网络互连的价值占比只会越来越高。NVIDIA 不只是卖 GPU ,它在卖整个数据中心的神经系统。NVIDIA 已在 CES 2026 确认Vera Rubin 平台进入全面量产,计划 2026 年下半年开始对合作伙伴供货:

• 相比 Blackwell :10 倍 Agent 吞吐量提升
• 推理 Token 成本降低 10 倍
• 训练 MoE 模型所需 GPU 数量减少 4 倍
• 使用 HBM4 内存(由 SK Hynix、美光和 Samsung 供应)
• 制程:台积电 3nm (逻辑 die )+ CoWoS-L 先进封装
• 后续的Rubin Ultra NVL576 (2027 年 H2 )将在单机架中集成 576 颗 GPU ,搭载 1TB HBM4e 内存 Vera Rubin 不仅仅是一个更快的 GPU—— 它代表了 NVIDIA 从「卖芯片」到「卖 AI 工厂」的战略升级。Vera Rubin POD 集成了五个机架级系统、七种芯片,形成一个完整的 AI 超级计算机。客户不再需要自己设计系统架构,直接购买整套方案即可。多个国家级超算中心已宣布将基于 Vera Rubin 建设下一代系统,包括德国莱布尼兹超算中心、美国 NERSC 和洛斯阿拉莫斯国家实验室。再下一代Feynman 架构已在路线图上。NVIDIA 维持着一年一代的疯狂节奏。投资者需要理解的内核逻辑:NVIDIA 的每一代迭代都不仅仅是性能提升,更是TCO (总拥有成本)的大幅降低。Vera Rubin 的 10 倍推理 Token 成本降低意味着:同样的推理负载,客户只需要十分之一的 GPU—— 但这不会减少 NVIDIA 的收入,因为AI 推理的总需求量正以远超 10 倍的速度增长。模型越便宜,应用越多,应用越多,GPU 需求越大。这是一个正向飞轮。

从定价策略看代际迁移:

• H100 SXM5 :$25,000-$40,000/ 卡
• B200 SXM6 :$30,000-$50,000/ 卡
• B300 (Blackwell Ultra ):$50,000-$70,000/ 卡(预估)
• GB300 NVL72 完整机架:$300 万+ 每一代都在涨价,但每 TFLOPS 的成本在下降。这就是 NVIDIA 的魔法—— 让客户觉得新卡「更便宜」的同时,赚更多钱。

2.3 定制 ASIC :Broadcom 和 Marvell 的崛起

Broadcom (AVGO) :ASIC 之王

GPU 不是 AI 计算的唯一答案。对于超大规模云厂商(Hyperscaler ) 来说,定制 ASIC 正成为越来越重要的替代方案。Broadcom 的 FY2026 Q2 财报(截至 2026 年 5 月 3 日)堪称惊艳:

• 总营收:$222 亿,同比增长 48%
• AI 半导体营收:$108 亿,同比增长 143%
• 其中定制 ASIC (XPU )增长 140% ,AI 网络增长 60%
• FY2026 全年 AI 半导体营收指引:$560 亿,同比增长约 180%
• Q3 营收指引:$294 亿,同比增长 84% (来源:Broadcom 官方财报及 StockTitan ,2026 年 6 月) Broadcom 的三大旗舰 ASIC 客户:
• Google TPU v6 (代号 Trillium ):Google Cloud 和 DeepMind 的内核算力
• Meta MTIA :Meta 自研推理芯片
• 字节跳动:定制训练加速器 CEO Hock Tan 的原话透露了野心:全年 $560 亿的 AI 半导体营收意味着Broadcom 正以惊人速度逼近 NVIDIA 的规模。从利润体量看,Broadcom 2026 年 Q1 净利润达$53 亿,依托网络通信和定制 ASIC 业务保持稳健且庞大的利润规模。(数据来源: Leverage Shares、MarketScreener 预测) 值得深挖的是 Broadcom 的商业模式。与 NVIDIA 不同,Broadcom 不是在卖标准化产品,而是在做「芯片代设计」—— 为 Google、Meta 等超大规模厂商量身定制芯片。这意味着:
• 客户黏性极高:一旦开始合作,切换成本巨大(重新设计需要 2-3 年)
• ASP (平均售价)持续提升:每代芯片更复杂、更昂贵

Marvell (MRVL) :另一个 ASIC 赢家

• 营收可预见性强:大客户的路线图提前 3-5 年规划但风险也很明显:客户集中度。如果 Google 决定自建 ASIC 设计团队(事实上已经在做),或者 Meta 放弃 MTIA 回归 GPU , Broadcom 的增长引擎就会受到冲击。目前市场预估 Broadcom 前三大 AI 客户占其 ASIC 营收的 70% 以上—— 这是一个需要持续监控的风险因子。Marvell 的数据同样令人印象深刻:
• FY2026 全年营收:$82 亿,同比增长 42%
• 数据中心营收:$61 亿,同比增长 46%
• FY2027 营收指引:~$115 亿,同比增长约 40%
• FY2029 定制芯片营收目标:$100 亿+

ASIC vs GPU :什么场景用什么?

• 2026 年 YTD 股价涨幅:247% (来源:Marvell 官方财报,2026 年 3 月及 5 月;Reuters , 2026 年 5 月 27 日) Marvell 的客户群包括 Amazon (Trainium )、Microsoft 和其他超大规模厂商。CEO Matt Murphy 在财报电话会上形容 AI 需求为「exceptional (非同寻常)」。Marvell 与 Broadcom 的差异化:Broadcom 更偏重计算芯片 (XPU ),而 Marvell 的强项在光互连(Silicon Photonics )和数据处理单元(DPU )。随着 AI 集群对互连带宽的需求爆发,Marvell 的光互连技术(与 NVIDIA 合作)成为一个独特的增长引擎。Murphy 在电话会上提到 FY2029 定制芯片营收目标超过 $100 亿—— 这意味着未来 3 年的复合增长率在 50% 以上。

2.4 AMD 的追赶之路

MI300X :站稳脚跟

结论:ASIC 不会取代 GPU ,而是补充 GPU。超大规模厂商的典型做法是:用 GPU 做训练和快速迭代,用 ASIC 做大规模推理部署。两者共存,市场都在增长。从投资的角度,ASIC 的崛起对 NVIDIA 的影响是渐进式的,而非颠覆性的。原因有三: 第一,模型迭代速度太快。当你花 18 个月为 GPT-4 设计一颗定制芯片时,GPT-6 可能已经出来了。ASIC 适合已经稳定的、大规模部署的模型,而不适合仍在快速演进的前沿研究。第二,ASIC 的前期投入巨大。一颗定制芯片的设计费用在 $5 亿-$10 亿级别,只有年算力支出超过 $100 亿的超大规模厂商才玩得起。这天然限制了 ASIC 的市场渗透率。第三,GPU 和 ASIC 的分工是互补的。Google 在用 TPU v6 跑大规模推理的同时,依然大量采购 NVIDIA GPU 做前沿模型训练。两者不是零和博弈。Broadcom 的 $560 亿 AI 营收指引确实惊人,但注意:这包含了 AI 网络交换芯片(如 Tomahawk 系列),不全是定制 ASIC。纯 ASIC (XPU )部分大约占 60-70% 。即便如此,这仍然代表了一个高速增长的数百亿美元市场。AMD 是 NVIDIA 在通用 GPU 市场最主要的挑战者。2026 年,追赶在加速。为什么市场需要 AMD 成功?答案是:供应链多元化。没有任何理性的 CTO 愿意把 100% 的 AI 算力供应绑定在一家公司身上。NVIDIA 产能受限时不发货、定价不透明、优先级由 NVIDIA 决定—— 这些都是超大规模厂商切身感受到的「被垄断」的痛苦。培养 AMD 作为第二供应商,不仅是商业理性,更是供应链安全的战略需要。从历史经验看:在传统服务器 CPU 市场,AMD 的 EPYC 从 2017 年的接近 0% 份额增长到 2025 年的约 25% 。这证明了即使面对 Intel 这样的绝对垄断者,持续的产品改进加上客户的多元化需求,最终可以撬动可观的份额。AMD 在 AI GPU 市场正在重演这个剧本 —— 只是对手从 Intel 变成了更强大的 NVIDIA。从利润角度看,AMD 2026 年 Q1 净利润约$12 亿,虽在持续增长,但与 NVIDIA 的 $230 亿季度净利润相比不在同一量级—— 这恰恰反映了两者在 AI 算力市场地位的悬殊差距。(数据来源: Leverage Shares、MarketScreener 预测) AMD Instinct MI300X (2023 年底发布)是 AMD 首款真正有竞争力的 AI 加速器:

• 192GB HBM3 (比 H100 的 80GB 多 140% )
• 在大模型推理场景下,性能接近 H100
• 被 Microsoft Azure、Oracle Cloud 等采用

MI400 系列:2026 年的重头戏

• ROCm 7.2.x 版本持续优化,vLLM、SGLang 等推理框架已良好支持 MI300X 的成功证明了一个重要论点:在 AI 推理场景下,内存容量比计算性能更重要。一个 700 亿参数的模型在 FP16 精度下占用约 140GB 内存——H100 的 80GB 放不下需要模型并行,而 MI300X 的 192GB 可以单卡装载。这种「大内存」策略让 AMD 找到了差异化的切入点。2026 年,AMD 进一步推出MI355X (CDNA 4 架构),官方博客显示其在 DeepSeek 模型推理上「设立新标杆」,并且在不到一个月内通过系统性工程将性能提升超过 100 倍。这个数字听起来夸张,但背后的逻辑是合理的:最初的性能很差(ROCm 对新模型架构的优化不到位),经过密集的 kernel 工程后快速追上。这恰恰说明了 AMD 的软件短板—— 它需要大量人力投入才能达到 NVIDIA 开箱即用的性能水平。AMD 在 CES 2026 正式揭晓了完整的Instinct MI400 系列(CDNA 5 架构):

MI400 系列的亮点:

• 432GB HBM4 内存,带宽 19.6 TB/s
• FP4 性能 40 PFLOPS ,是 MI355X 的两倍
• Helios 机架级架构:AMD 的 NVL72 对标方案

ROCm 生态的进展

• 计划 2026 年出货 (来源:CRN、TechTimes、Tom's Hardware ,2026 年 1 月; AMD 官方博客,2026 年 5 月) ROCm (AMD 的 CUDA 对标软件栈)是 AMD 最大的短板,也是进

步最快的领域:

• ROCm 7.2.4 (2026 年 5 月):持续优化 MIGraphX 推理引擎
• 主流框架支持:PyTorch、vLLM、SGLang、Megatron-LM 均已适配

竞争格局

• Oracle MLPerf 成绩:512 颗 MI300X GPU 完成 FLUX.1 训练,10 次运行全部达标,run-to-run 变异率低于 8% 但现实是:CUDA 有 200 万开发者和 19 年积累,ROCm 仍处于追赶状态。对于大多数企业客户来说,「能用」和「好用」之间的差距, 就是选择 NVIDIA 还是 AMD 的关键。AMD 的策略很清晰:不追求取代 NVIDIA ,而是成为可靠的第二供应商(Second Source )。在 NVIDIA 产能受限、价格高企的环境下,超大规模厂商有强烈动力培养替代供应商。AMD 的目标是在 2027 年前将数据中心 GPU 份额从 ~8% 提升到 15%+ 。Lisa Su 的聪明之处在于:她不跟 Jensen 正面对撞。AMD 的定位是「性价比替代」和「特定场景最优」:
• 推理场景:MI300X 的 192GB 大内存在跑大参数模型推理时有天然优势(不需要模型并行)
• HPC/ 科学计算:MI430X 的 200+ TFLOPS 原生 FP64 瞄准的是 NVIDIA 相对薄弱的领域

2.5 Intel :被低估的「美国国家队」

Intel 的 AI 芯片布局

• 开源友好:ROCm 的开源策略吸引了一批不愿被 CUDA 锁定的客户但残酷的现实是:在 2026 年的数据中心 GPU 营收中,AMD 大约只占 8-10% 。差距仍然巨大。AMD 需要的不仅是更好的硬件,而是一个 CUDA 级别的软件生态系统。这需要时间—— 可能是 5-10 年。对投资者的启示:AMD 是一个「option value (期权价值)」标的。如果 AI 推理市场如预期般爆发到数千亿美元规模,AMD 只需吃到 15-20% 的份额,就意味着数百亿美元的营收增量。但这取决于 ROCm 生态能否突破临界质量。如果说 AMD 是 NVIDIA 在 GPU 市场的追赶者,那 Intel 就是一个更复杂的故事—— 它既是追赶者,又是「被国家选中的球员」。Intel 在 AI 芯片领域的产品线其实比大多数人想像的要完整:
• Gaudi 3 :Intel 的 AI 训练和推理加速器,由收购的 Habana Labs 开发。性能目标对标 NVIDIA H100 ,但市场份额极小 ——2025 年全年出货量估计不到 NVIDIA 数据中心 GPU 的 2%
• Ponte Vecchio (Max 系列):面向 HPC 和 AI 的 GPU ,用于美国 Aurora 超级电脑。技术上可行,但商业化推广失败
• Arrow Lake / Lunar Lake :客户端 CPU 集成 NPU (神经处理单元),进军 AI PC 市场。Intel 在 PC 端的 AI 推理仍占主导地位

Intel Foundry :一场豪赌

• Falcon Shores :下一代架构,计划将 x86 CPU 内核与 AI 加速器集成在同一封装中—— 这是 Intel 最后的翻盘筹码 2021 年,Intel 宣布「IDM 2.0」战略—— 不仅自己设计芯片,还要为外部客户代工。这是 Intel 历史上最激进的转型:从一个「什么都自己做」的 IDM ,变成一个同时与台积电和三星竞争的代工厂。截至撰稿时(2026 年 6 月),Intel Foundry 的真实处境:
• Intel 18A (相当于台积电 N2 级别):已进入小量产阶段,但良率仍未公开,业界估计低于 50%
• 外部客户:Microsoft 是唯一有规模的外部客户(部分 Maia 芯片订单),其他大客户(NVIDIA、AMD、Apple )均未下单
• 全球代工市占率:约 1% (外部代工口径),与台积电的 70% 相比几乎可以忽略

美国政府的「国家队」角色

投资定位：高赔率、低胜率

• 资本支出:2026 年约 $250-280 亿美元(含 IDM 部分),但分散在内存、逻辑制程等多条业务线 Intel 从 2015 年承诺「重返代工」到 2026 年,十一年过去,还没有一家有规模的外部 AI 芯片客户。CEO 换了三任,战略改了五次,市场份额依然在小数点后面打转。这会在接下来的第十三章细讲。2025 年 8 月,一件在美国商业史上几乎没有先例的事情发生了:美国政府以约 $89 亿直接入股 Intel ,取得约 9.9% 的股权。这笔交易把 CHIPS Act 补贴(约 $57 亿)和国防部「安全飞地」拨款 (约 $32 亿)从「补助金」转换为「股权投资」。这意味着 Intel 的最大股东之一是美国政府,而美国政府同时是 Intel 最大客户(国防部、情报机构)的掌控者。这种「裁判兼球员」的角色,让 Intel 的基本面分析变得更加复杂—— 你不能只看商业逻辑, 还要看国家战略逻辑。Intel 是一个典型的「转型型标的」:
• 上行空间:如果 18A 制程良率突破、获得 Apple 或其他大客户代工订单、政府持续加码——Intel 可能从 $20 级别翻倍甚至更多
• 下行风险:如果 18A 良率持续不达标、代工业务继续亏损、AMD 在服务器市场进一步蚕食——Intel 可能继续下跌 30-50%
• 我的判断:适合小仓位(2-3% )博弈,不适合重仓。这不是一个「护城河」标的,而是一个「期权」标的

2.6 台积电：整个产业链的卡脖子

财务表现:Q1 2026

如果说 NVIDIA 是 AI 芯片的设计之王,那台积电(TSMC )就是制造之王。没有台积电,就没有 AI 芯片。这句话不是夸张。让我先讲一个小故事:2024 年底,某超大规模厂商曾尝试将其定制 ASIC 的部分产能转移到 Samsung Foundry ,以减少对台积电的依赖。结果?良率比台积电低了近 20 个百分点,性能落后 15% ,最终不得不把订单搬回台积电。这个故事在半导体圈子里广为流传,它说明了一个残酷的事实:在最先进的制程节点上,台积电是唯一的选择。台积电 Q1 2026 财报(2026 年 4 月 16 日公布):

• 营收:$359 亿,同比增长 40.6% ,创历史新高
• 净利润:同比增长 58.3%
• 毛利率:66.2% ,超预期,环比提升 390 个基点

先进制程产能分配

• 营业利润率:58.1% (来源:TSMC 官方财报、VanEck、CNBC ,2026 年 4 月) Q1 2026 晶圆营收结构:
• N3 (3nm ):25%
• N5 (5nm ):36%
• N7 (7nm ):13%
• 先进制程(≤7nm )合计:74%

平台营收结构:

• HPC (高性能计算/AI ):61% ,环比增长 20%
• 智能手机:26%
• IoT :6%

3nm 产能：全部售罄

TSMC 3nm capacity is fully allocated for the next 18-24 months.

2nm 制程:2026 年量产启动

• 汽车:4% HPC/AI 已占台积电营收的六成以上,这就是 AI 对台积电的依赖度 —— 或者反过来说,台积电对 AI 的依赖度。根据 Silicon Analysts 的追踪数据(2026 年 4 月): 3nm 产能已被 NVIDIA (Blackwell/Rubin )、Apple (A19/M5 )、Qualcomm、AMD 等完全锁定。新客户根本排不上队。台积电的 2nm (N2 )正在按计划推进:
• 新竹宝山 F20 厂:P3 厂房设备搬入预计 2026 年中完成
• 高雄 F22 :P3 和 P4 厂房将同时使用 N2 和 A16 技术
• 产能增长目标:2026-2028 年 2nm 年增长率 70%

CoWoS 先进封装：真正的瓶颈

• 五座新厂同时建设:2026 年将有五座新晶圆厂投入运作 N2 的意义:相比 N3 ,N2 带来约 10-15% 的性能提升和 25-30% 的功耗降低。对于 AI 芯片来说,功耗降低尤其重要—— 因为现代 GPU 的 TDP 已经达到 1,000-1,200W ,接近空气冷却的物理极限。每一代制程的功耗优化,都直接转化为更高的算力密度。2nm 将首先用于 NVIDIA 的下下代 GPU (Feynman ?)和 Apple 的未来芯片。预计 2027 年才会有显著的产能放量。CoWoS (Chip-on-Wafer-on-Substrate )先进封装是整个 AI 芯

片供应链中最紧张的环节:

• 良率已突破 98% (2026 年 5 月,TSMC 北美技术论坛确认)
• 供需缺口:目前约 20% ,预计 2026 年底收窄至 10%
• 仅能满足 50-60% 的总需求
• 2027 年前 CoWoS 和 SoIC 产能年增长率 80%+

台积电的估值

• NVIDIA 已锁定优先产能:Rubin 和 Feynman 平台的 CoWoS 产能已提前预订 (来源:TrendForce ,2026 年 6 月 15 日;Winbuzzer ,2026 年 5 月 18 日;Silicon Analysts ) 为什么 CoWoS 是瓶颈?因为现代 AI 芯片不仅仅是一颗逻辑芯片 —— 它需要将 GPU die 与多颗 HBM 内存堆栈封装在同一基板上。一颗 B300 需要 12 颗 HBM3e 堆栈,而下一代 Rubin 可能需要更多 HBM4。封装的复杂度和面积需求远超传统芯片。用一个直观的比喻:传统芯片封装像是把一颗宝石镶嵌在戒指上; CoWoS 封装则像是在一块基板上搭建一座微型城市——GPU 是市中心的摩天大楼,12 颗 HBM 堆栈是环绕四周的住宅区,高速互连是连接它们的地铁系统。整个「城市」的面积可能超过一枚硬币,精度要求却在纳米级别。NVIDIA 已经提前锁定了台积电 CoWoS 产能的优先权。根据 RCR Tech 的报导,Rubin 和 Feynman 平台的封装产能已被预订,这给了 AMD 和 Broadcom 一个结构性劣势—— 即使它们的芯片设计优秀, 如果拿不到足够的 CoWoS 产能,就无法按计划出货。
• 股价:~$466 (TSM ADR ),2026 年 6 月(来源:StockAnalysis )
• 市值:~$2 万亿
• P/E :32.7x ,低于半导体行业平均 72.6x

台积电的不可替代性

• 12 个月目标价共识:$473.4 (19 位分析师,Strong Buy ) 台积电长期指引:AI 加速器营收长期 CAGR 从 50% 上修至 56%-59% 。这意味着 AI 将在未来 5 年持续驱动台积电高速增长。让我们做一个思想实验:如果台积电明天消失,AI 产业会怎样? 答案是:整个 AI 产业停摆。
• NVIDIA 的所有 GPU (H100、B200、B300、Vera Rubin )都由台积电代工
• AMD 的所有 AI 芯片都由台积电代工
• Broadcom 的定制 ASIC 大部分由台积电代工

资本开支:$380-400 亿

• 就连 Google 的 TPU 和 Amazon 的 Trainium ,也依赖台积电的先进制程全球只有台积电能量产 3nm 及以下的先进逻辑芯片。Samsung 的良率长期落后,Intel Foundry 仍在追赶。在 AI 芯片这个最高端的领域,台积电的市场份额接近90% 。这既是台积电的价值,也是整个 AI 产业的系统性风险。台海地缘政治、地震、甚至一场严重的停电,都可能对全球 AI 算力供应造成冲击。这也是为什么台积电在美国亚利桑那州、日本熊本、德国德累斯顿建设海外工厂—— 但这些工厂的产能规模和技术水平,短期内无法替代台湾本岛。台积电 2026 年资本开支指引在 $380-400 亿区间的高端,其中 80% 以上用于先进制程和先进封装。这个数字本身就说明了 AI 需求的强度—— 台积电正在以前所未有的速度扩张产能,但需求增长更快。

2.7 ASML :光刻机的垄断者

2025-2026 年财务数据

如果台积电是 AI 芯片的制造者,ASML 就是制造制造者的工具的公司。没有 ASML 的 EUV 光刻机,先进制程就不存在。半导体供应链有一个有趣的规律:越往上游走,垄断程度越高。在 GPU 层面,NVIDIA 占 86% ;在制造层面,台积电占 90%+ ;而在光刻设备层面,ASML 占100% 。地球上每一颗先进制程芯片—— 无论是 NVIDIA 的 GPU、Apple 的手机 SoC、还是高通的调制解调器芯片 —— 都必须经过 ASML 的 EUV 光刻机。这是人类工业文明中最极端的垄断之一。2025 全年:

• 总营收:€327 亿(历史新高)
• 年销售:300 台新系统 + 27 台翻新系统
• Q4 营收€97 亿(含两台 High-NA 系统营收确认),毛利率 52.2% Q1 2026 :
• 总营收:€88 亿
• EUV 营收:€41 亿(占总营收约 65% ),同比增长 28%
• 净利润:€28 亿
• 2026 全年营收指引:€360-400 亿(后上修)

EUV 光刻机的不可替代性

• 订单持续强劲 (来源:ASML 官方财报,2026 年 1 月及 4 月) ASML 的垄断地位是物理定律决定的:
• 全球唯一 EUV 光刻机供应商:佳能和 Nikon 无法生产 EUV
• 单台 EUV 系统价格:€1.5-2 亿
• 2026 年计划出货至少 60 台低 NA EUV 系统
• 2027 年产能提升至至少 80 台

High-NA EUV :下一个飞跃

• 客户:台积电、Samsung、Intel、SK Hynix EUV 光刻机的制造需要集成超过 10 万个零件,来自全球超过 5,000 家供应商。这不是任何国家或公司能在短期内拷贝的。High-NA EUV (高数值孔径 EUV ,0.55 NA )是 ASML 的下一代

杀手鐗:

• 单台价格:约€3.5-4 亿(是普通 EUV 的 2 倍+ )
• 2025 年 Q4 已确认两台 High-NA 系统营收
• 2026 年开始商业出货
• 2027 年产能已被预订一空

重磅订单:SK Hynix 的 $79 亿

投资逻辑

• 用途:2nm 及以下制程的关键层 High-NA EUV 对于台积电的 N2 和 A16 制程至关重要,也是 Intel 18A 的关键设备。理解 High-NA 的重要性:「NA」指的是数值孔径(Numerical Aperture ),决定了光刻机能刻出的最小线宽。从 0.33 NA 升级到 0.55 NA ,相当于把光刻的「笔尖」精细度提升了 1.7 倍。这不是渐进式改良,而是量子飞跃—— 让之前物理上不可能的图形密度成为可能。但 High-NA 也带来了新的挑战:更窄的景深意味着对晶圆平整度的要求更高,每次只能曝光一半 reticle 面积需要拼接技术(Stitching )。这些都是需要时间解决的工程问题。ASML 预计 High-NA 的真正大规模部署将在 2028-2029 年。2026 年 3 月,SK Hynix 向 ASML 下达了$79 亿(约€72 亿)的创纪录订单,用于数十台 EUV 光刻机,交付期覆盖到 2027 年。这笔订单约相当于 ASML 2025 全年营收的四分之一,为 ASML 的 2030 年€600 亿营收目标铺平了道路。 (来源:247 Wall Street ,2026 年 3 月 24 日) 这笔订单背后的逻辑值得深思:SK Hynix 为什么需要这么多 EUV 光刻机?因为HBM4 需要更先进的制程。从 HBM3E 到 HBM4 , DRAM die 需要从 1αnm 升级到更先进的节点,每层 die 更薄、堆栈层数更多。这意味着 SK Hynix 需要大量投资先进光刻设备来扩充 HBM4 的产能—— 而全世界只有 ASML 能提供这些设备。ASML 的 2030 年目标——€600 亿营收—— 意味着从目前的 ~€360-400 亿基础上接近翻倍。支撑这个目标的是:AI 驱动的 EUV 需求增长(更多台积电、Samsung、SK Hynix 订单)加上 High-NA EUV 的放量(单台价格更高)。如果 AI 资本开支维持当前轨迹,这个目标是可实现的。ASML 的逻辑简单粗暴:只要人类需要更先进的芯片,就需要 ASML。没有替代品。唯一的风险是需求节奏(周期性)和地缘政治 (出口管制)。更深一层思考 ASML 的价值:这是一家坐在技术物理极限上的公司。制造一台 EUV 光刻机需要集成超过 10 万个零件,来自全球 5,000+ 供应商。光源由德国 Trumpf 提供,光学系统由德国 Zeiss 独家制造,精度达到原子级别。即使有无限资金,一个新进入者从零开始建造 EUV 能力至少需要 15-20 年。ASML 的商业模式还有一个被低估的维度:安装基数的服务收入。每台 EUV 光刻机每年需要大量维护和升级,服务合约收入占 ASML 总营收的 25-30% ,且利润率更高。随着安装基数增长,这部分收入将成为稳定的现金流来源。从估值角度:ASML 目前交易在 30-35x 前瞻 P/E ,考虑到其垄断地位和长期€600 亿营收目标(2030 年),估值合理。风险在于:如果 AI 资本开支周期放缓,EUV 订单的节奏可能低于预期—— 但长期结构性需求不变。

2.8 内存与封装:HBM 的供需失衡

HBM 市场格局（2026 年 Q1）

AI 芯片的性能瓶颈,正从计算转向内存带宽。HBM (High Bandwidth Memory )是解决这个瓶颈的关键技术,而它的供需关系, 比 GPU 还要紧张。一个反直觉的事实:在一颗现代 AI 加速器的制造成本中,HBM 内存占比已达 45% (B200 的数据,来源:Silicon Analysts )。GPU 的逻辑 die 反而只占不到 40% 。也就是说,AI 芯片本质上是一颗「被内存包围的计算内核」。如果 HBM 的供应跟不上,整个芯片就算设计好了也造不出来。这解释了为什么 HBM 供应商(特别是 SK Hynix )的股价涨幅甚至超过了 NVIDIA—— 它们掌握的是最稀缺的资源。根据 Counterpoint Research (2026 年 6 月 25 日数据):

SK Hynix 的主导地位依然稳固,但 Samsung 正在追赶(从 17% 升至 21% )。SK Hynix 的惊人财务表现(2026 年 Q1 ):

• 营收:KRW 52.58 万亿,同比增长 198.1%
• 营业利润:KRW 37.61 万亿,同比增长 405.5%
• 2026 年 YTD 股价涨幅:340%+

HBM3E → HBM4 技术路线

• 市值突破 $1 万亿,超越 Samsung 成为韩国最有价值上市公司 (来源:Seoul Economic Daily、Business Korea、Reuters ,2026 年 6 月)

• SK Hynix :HBM3E/HBM4 大规模出货中,锁定 NVIDIA 约 50-70% 供应份额,Vera Rubin 主力供应商。
• Samsung :HBM3E/HBM4 均已获 NVIDIA 认证并量产出货,积极争夺 Vera Rubin 份额。HBM4 先发优势(曾率先量产四个月卖出 $10 亿),但良率仍低于 SK Hynix。

CoWoS 封装与 HBM 的绑定关系

• Micron :HBM3E/HBM4 均已通过 NVIDIA 认证, Vera Rubin 份额约 20% 。Jensen Huang 公开称其为「Industry's fastest HBM4」。唯一美国本土 HBM 供应商,签有 NVIDIA 首个五年长约。这里有一个关键的供应链逻辑:HBM 和 CoWoS 封装是绑定的。
• 一颗 B300 GPU 需要 12 颗 HBM3e 堆栈 → 封装面积巨大
• 一个 GB300 NVL72 机架需要 72×12 = 864 颗 HBM 堆栈
• TSMC 的 CoWoS 产能同时受限于:基板面积、HBM 供应、良率这意味着:即使 NVIDIA 设计出了更强的芯片,即使台积电的逻辑晶圆产能充足,如果 HBM 供不上或 CoWoS 封装排不上,芯片就出不了货。这就是为什么 SK Hynix 的股价在 2026 年涨了 340% ,市值突破 $1 万亿的原因。HBM 不是普通的 DRAM—— 它的技术壁垒极高:
• 堆栈技术:HBM3E 需要将 8-12 层 DRAM die 垂直堆叠,通过数千个 TSV (硅通孔)互连
• 良率挑战:任何一层的缺陷都会导致整颗堆栈报废
• 散热设计:高密度堆栈带来的热管理问题极具挑战性
• 认证周期:通过 NVIDIA 的认证通常需要 6-12 个月 SK Hynix 之所以能保持 58% 的份额,内核原因是它比 Samsung 和 Micron 早 12-18 个月完成了 HBM3E 的量产和 NVIDIA 认证。在一个供不应求的市场中,先发优势就是一切。Samsung 正在加速追赶。2026 年 Q1 其 HBM 份额已从 2025 年的 17% 提升至 21%—— 但能否进一步缩小与 SK Hynix 的差距,取决于它的 HBM4 良率和认证进度。台积电在 2026 北美技术论坛披露的下一代 CoWoS 路线图:
• 2029 年前实现超过 14 倍 reticle 面积的封装
• 支持 24 颗 HBM5E 堆栈

HBM 供需展望

• 计算能力提升 48 倍 (来源:Tom's Hardware ,2026 年 4 月) 站在 2026 年中回望,HBM 市场正处于一个「甜蜜的痛苦」阶段 —— 对供应商来说是甜蜜(价格高、利润好),对客户来说是痛苦(供不应求、等待漫长)。

根据多方数据综合估计:

• 2026 年 HBM 总市场规模:约 $250-300 亿(是 2024 年的 3 倍+ )
• 2027 年预测:$400-500 亿
• 供需状态:需求持续超过供应,但缺口在收窄

2.9 投资 Playbook :芯片层

• ASP 趋势:HBM3E 的 ASP 是普通 DDR5 的 5-8 倍,利润率远高于传统 DRAM 对投资者的启示:HBM 是一个结构性转型故事,不是简单的周期性繁荣。即使 DRAM 整体市场未来可能面临周期性调整,HBM 的需求曲线是独立于传统 DRAM 周期的—— 因为它完全由 AI 驱动。只要 AI 基础设施投资持续增长,HBM 的需求就不会回落。但要注意一个风险:如果 HBM4 或 HBM4E 的良率问题导致交付延迟,可能反过来制约整个 AI 芯片的出货量。这是整个供应链中「最弱一环」的逻辑—— 任何单一环节的延迟都会波及整条链。

基于前面的分析,以下是芯片层的投资框架。在进入具体配置之前,先理解一个内核前提:我们投资的不是单一公司,而是一条供应链。在 AI 芯片供应链中,每个环节都是互相依存的——NVIDIA 的 GPU 需要台积电制造,需要 SK Hynix 的 HBM , 需要 ASML 的光刻机。投资整条链,比押注单一环节更稳健。另一个关键思考框架是「必要性」vs 「可选性」:

• 必要的(没有替代品):NVIDIA GPU (训练)、台积电 (制造)、ASML (设备)
• 可选但有价值的(有替代品但优势明显):Broadcom ASIC、SK Hynix HBM
• 追赶者(有潜力但份额待验证):AMD、Marvell

AI 芯片市场的整体规模

• 政府背书的期权(赔率高、不确定性大):Intel—— 美国政府持股 9.9% ,18A 制程若突破将重估整个代工业务你的组合应该重仓「必要的」,适量配置「可选但有价值的」,少量持有「追赶者」作为期权。Intel 的定位特殊—— 它不是靠市场竞争力赢得配置,而是靠「美国国家队」的战略地位和政府的地板保护。在深入个股之前,让我们先看全局数字。根据多家研究机构的预测:
• 2026 年全球 AI 芯片市场规模:$1,200-2,350 亿(各机构口径差异较大)
• 2026 年全球半导体市场总规模:接近 $1 万亿(WSTS 预测)
• AI 芯片占半导体总市场比例:15-25% (并持续提升)
• 2030 年 AI 芯片市场预测:$4,000-6,000 亿

何时买入、何时减仓?

• 逻辑芯片(含 AI 加速器)品类:2025 年增长 39.9% 至 $3,019 亿,是最大的半导体品类 (来源:Statista、Precedence Research、SIA、Axis Intelligence ,2026 年数据) 一个重要的趋势:AI 芯片正在从「半导体行业的一个细分市场」变成「半导体行业的主要增长引擎」。未来 5 年,全球半导体市场的增量中,可能有 50% 以上来自 AI 相关芯片和内存。这意味着:即使你投资的是「传统」半导体公司(如台积电、ASML ),你实际上也是在投资 AI。关于 SK Hynix 的补充分析:这家公司在 2026 年的表现堪称「半导体行业的 NVIDIA」—— 营收增长 198% 、利润增长 405% 、股价涨 340% 。驱动力单一而强大:HBM。但正因为驱动力太过单一,风险也很集中。如果 HBM 的 ASP 因为竞争加剧或需求放缓而下降 20- 30% ,SK Hynix 的利润弹性将非常大(向下的弹性)。Micron 作为美国本土唯一的 HBM 供应商,有一个独特的地缘政治价值。在中美科技脱钩的大背景下,美国政府有动力扶持 Micron 在 HBM 领域的份额,CHIPS 法案的补贴也在向 Micron 倾斜。这是一个不应忽视的非市场因素。

加仓信号:

• 大盘因非基本面因素(如关税恐慌、地缘政治紧张)下跌 10%+
• NVIDIA/ 台积电因短期供应链问题(而非需求问题)下调指引
• 新一代 GPU 发布前 3-6 个月(历史上每次发布都带来新一轮营收加速)

减仓信号:

• 超大规模厂商集体下调资本开支指引
• AI 模型效率突破导致算力需求增长明显放缓
• 多家公司同时上调产能指引,暗示即将进入过剩周期

可行配置

• NVIDIA 毛利率连续两季下滑(暗示竞争加剧或 ASP 压力) 保守型投资者(追求稳定性和确定性):
• NVDA 30% + TSM 30% + AVGO 20% + ASML 10% + 现金 10%
• 逻辑:重仓三大确定性龙头,ASML 作为上游保险,保留现金应对回撤成长型投资者(愿意承受波动换取更高回报):
• NVDA 25% + AVGO 20% + TSM 15% + MRVL 15% + AMD 10% + SK Hynix 10% + 现金 5%
• 逻辑:在内核持仓之外增加 MRVL 和 AMD 的期权价值,SK Hynix 捕捉 HBM 超级周期进取型投资者(高风险高回报偏好):
• NVDA 20% + AVGO 15% + MRVL 15% + SK Hynix 15% + AMD 10% + TSM 10% + AI 芯片初创 ETF 10% + 现金 5%
• 逻辑:加大卫星配置权重,博取 MRVL、SK Hynix 等高 Beta 标的的超额收益

重要原则:

• 不要 all-in 单一标的。即使 NVIDIA 看起来无懈可击,地缘政治风险、估值压缩、客户自研分流都可能带来 30-50% 的回撤。
• 跨层配置。同时持有设计(NVDA/AVGO )、制造 (TSM )、设备(ASML )、内存(SK Hynix )可以对冲单一环节的风险。
• 尊重周期。半导体是周期性行业。即使 AI 结构性需求不变,短期供需错配也可能导致剧烈波动。在极度乐观时保留现金, 在恐慌时加仓。

风险提示

• 关注估值锚。当 NVIDIA 的前瞻 P/E 超过 40x ,或者 SK Hynix 的 P/B 超过 5x 时,适度减仓是理性的。
• 估值风险:整个 AI 芯片板块都在历史高位,任何需求低于预期的信号都可能引发大幅回撤。以 NVIDIA 为例:如果下一季度数据中心营收环比增长放缓到 10% 以下(vs 本季 21% ), 股价可能在一天内跌 10-15% 。
• 地缘政治:台海局势是整个 AI 芯片供应链最大的尾部风险。此外,对华出口管制的持续升级可能影响 NVIDIA 约 15- 20% 的潜在市场。关税政策的不确定性也增加了供应链成本。
• 技术路线风险:如果模型架构发生根本转变(例如:出现不依赖大规模 GPU 集群的新型计算范式),整个投资逻辑可能被颠覆。DeepSeek-V3 展示的「用更少 GPU 训练更好模型」趋势值得警惕。
• 客户自研加速:Google、Amazon、Meta、Microsoft 都在加码自研芯片。长期来看,如果前五大客户的自研芯片满足了 50%+ 的计算需求,NVIDIA 的可触达市场(TAM )将被压缩。
• 产能过剩的突然切换:如果超大规模厂商因为宏观经济放缓而同时放缓资本开支,产能从不足变为过剩的转换可能在 1-2 个季度内发生。2022 年的加密/元宇宙 GPU 过剩就是前车之鉴。
• 利率环境:高利率环境下,高估值成长股面临更大的折现压力。如果 10 年期美债收益率持续在 4.5% 以上,AI 芯片股的目标 P/E 需要下修。

2.10 本章小结

AI 的军备竞赛,本质上是算力的军备竞赛。而算力的供应链,卡在三个关键节点:NVIDIA 的设计、台积电的制造、以及 HBM/CoWoS 的封装。

• 反垄断监管:NVIDIA 的市场支配地位(86% 份额)可能引发反垄断审查。虽然短期风险有限,但长期不可忽视。芯片层的内核逻辑可以用一句话概括:

回顾本章的内核论点: 第一,NVIDIA 的垄断地位短期内不可动摇。86% 的数据中心 GPU 份额、$752 亿的单季营收、$5 万亿+ 的市值—— 这些数字背后是 CUDA 生态的 19 年积累和一年一代的产品迭代节奏。挑战者存在, 但短期内无法改变格局。第二,定制 ASIC 是增量市场,不是替代市场。Broadcom 和 Marvell 的高速增长代表着超大规模厂商对芯片自主化的追求,但这并未减少 GPU 的需求—— 因为 AI 算力的总需求增长速度远超自研芯片的产能增速。第三,供应链瓶颈从逻辑芯片转向封装和内存。台积电的逻辑晶圆产能相对充裕,但 CoWoS 先进封装和 HBM 内存的供需缺口才是真正限制 AI 芯片出货量的因素。这个瓶颈正在缓解(2026 年底缺口从 20% 收窄至 10% ),但不会完全消除。第四,投资 AI 芯片层需要跨环节配置。不要把所有鸡蛋放在 NVIDIA 一个篮子里。台积电、ASML、SK Hynix 各自代表了供应链的不同环节,风险/回报特征互补。三个关键数字记住:

• $752 亿:NVIDIA 单季数据中心营收(FY27Q1 )
• 66.2% :台积电毛利率(先进制程溢价的体现)
• 20%→10% :CoWoS 供需缺口的收窄趋势(2026 年底) 投资者应该如何理解芯片层?把它想像成一座金字塔:
• 顶层是 NVIDIA (设计)和 Broadcom/Marvell (定制设计)—— 它们离 AI 应用最近,毛利率最高,也最受市场关注
• 中层是台积电(制造)—— 它是整个金字塔的地基,没有它顶层就不存在
• 底层是 ASML (设备)和 SK Hynix/Samsung/Micron (内存)—— 它们是「卖铲子的人」,受益于整个行业的增长但周期性更强每一层都有投资机会,但风险/回报特征不同。顶层估值最高、Beta 最大;底层相对便宜、周期性更强。智能的做法是跨层分散配置,而非把所有筹码压在单一环节。但算力只是故事的一半。AI 工厂不仅需要计算,还需要存储—— 训练数据的存放、模型参数的持久化、推理过程中的高速缓存。下一章,我们将进入 AI 基础设施的第三层:存储与数据基础设施。从企业级 SSD 到 AI-optimized 存储系统,看看谁在为 AI 的「记忆」提供物理载体。一个预告:如果说芯片是 AI 的「大脑」,存储就是 AI 的「记忆」。训练一个万亿参数模型需要 PB (拍字节)级别的存储空间,而推理服务每秒需要从存储中加载和缓存大量模型权重。存储的带宽和延迟,正在成为影响 AI 应用性能的又一个关键瓶颈。Pure Storage、NetApp、Western Digital—— 这些「老派」存储公司,正在 AI 浪潮中焕发第二春。本书内容仅供教育及信息参考之用途,并不构成投资建议、财务建议或交易建议。本书提及的任何公司、代币、股票、基金或投资工具,均不构成作者买入、卖出或持有的建议。所有投资均涉及风险,包括可能损失本金。读者应根据自身的财务状况、风险承受能力和投资目标作出独立判断,并在作出任何投资决定前咨询持牌专业顾问。加密货币及相关数字资产波动极大,未必适合所有投资者。各地对加密货币的监管政策不同,读者有责任了解并遵守其所在地区的相关法律法规。本书中的数据及市场信息以撰稿时为准,出版后可能出现重大变化。尽管已尽一切努力确保信息的准确性,但作者对其完整性或准确性不作任何保证,亦不对因依赖本书内容而导致的任何直接或间接损失承担责任。过往表现并不代表未来结果。