作者： qinbafrank
2月在《這場資本開支的戰爭意味著什麼？ 》裡有聊過算力產業鏈上關鍵環節依然能攫取最大的價值：晶片、封裝測試、儲存、光模組等，哪些產能不易快速擴張的，哪些是有極高護城河的，就會享受到龐大資本開支的紅利；
效率優化空間仍然很大：推理端的蒸餾、量化、MoE、專用晶片、液體冷卻、核融合（遠期）等可能把單位算力的能耗和成本再降10–100倍。要在這些環節上尋找機會。
最近多家投行大摩、摩根大通、美銀、高盛、瑞銀、花旗、伯恩斯坦、HSBC，發布AI/半導體/電力/存儲相關更新報告，AI硬體的瓶頸已經從"GPU 供應"單一維度擴散到電力、芯片、存儲、設備、材料五個維度的集體緊張，
AI 需求量級已經突破了傳統電力規劃、半導體設備產能、儲存價格模型、機器人裝置假設的所有預測區間。
大摩的全球主題研究複盤指出，全球每周大語言模型token 消耗量在3 個月內從6.4 萬億個飆升到22.7 萬億個，增幅達到2.5 倍，美國2025-28 年數據中心電力缺口55 吉瓦；摩根大通的數據中心高性能計算項目首次覆蓋數字吉瓦飆升到230 吉瓦，44% 的新項目併網等待時間超過4 年；美銀給Alphabet 的最新目標價報告裡，2026 年資本支出被直接上修到1815 億美元、同比翻倍，自由現金流同比下降62%。這三組數據不是同一套框架的輸出，而是三家獨立機構在不同研究路徑上的獨立畫像。
半導體產業鏈（尤其是AI算力領域）的瓶頸演變，正是從「計算（GPU）→儲存（HBM等）→光互連→電力/液冷」這一清晰的順序遞進的。 這是2025-2026年行業共識，隨著AI訓練/推理集群從單機櫃（幾十張GPU）向超大規模（數千至數十萬張GPU）擴展，每解決一個環節的瓶頸，下一個物理/供應鏈限制就會立即暴露出來，形成“Leontief式”互補約束（缺一個都無法出貨）。
有必要了解為什麼會出現這種演變、當前現狀以及背後的物理/工程原因：
1. 第一階段瓶頸：GPU運算（2022-2024年主導）核心限制：
高階GPU（如NVIDIA Hopper H100 → Blackwell B200 → Rubin）本身的晶圓產能+ 先進封裝。
為什麼是瓶頸：AI大模型需要海量平行計算，TSMC 4nm/3nm/2nm邏輯製程+ CoWoS（2.5D/3D封裝）產能一度成為最大卡點。就算前端晶圓夠，後端把邏輯晶片+ HBM堆疊封裝的能力跟不上，整張GPU就出不來。
緩解情況：TSMC大力擴CoWoS（2024-2025年產能翻倍），NVIDIA Blackwell已大規模出貨。但這只是「計算」環節解鎖，後面立刻暴露新問題。
2. 第二階段瓶頸：儲存（HBM高頻寬內存，2024-2025年成為最緊缺）
核心限制：HBM3/HBM3e/HBM4產能。
為什麼接力成為瓶頸：GPU算力上去了，但模型參數爆炸式增長（萬億甚至十萬億參數），數據搬運（memory bandwidth）成了“內存牆”。 HBM 每秒可傳輸數TB 數據，比常規DDR 記憶體快20 倍以上。由於HBM緊鄰邏輯晶片，數據無需傳輸太遠，因此節省了能耗。
一張B200 GPU需要192GB+ HBM3e，單機櫃（NVL72）HBM總量已達30-40TB，且頻寬需求遠超傳統DRAM。
供應鏈現況：僅SK海力士、三星、美光三家能規模化生產HBM，工藝複雜（矽通孔TSV + 堆疊），2025年已全部賣光，2026年仍供不應求，價格同比暴漲246%。即使GPU晶片ready，沒有HBM就無法組裝交付，導致整個AI叢集部署延期。
結果：儲存從「商品」變成策略級卡脖子環節，資本開支中儲存佔比可達30%。
3. 第三階段瓶頸：光互連（2025-2026年正在切換）
核心限制：銅纜（NVLink/NVSwitch）在頻寬、距離、功耗、重量上的物理極限。
為什麼必然轉向光：單機櫃內（72張GPU）還能靠銅纜，但要擴展到多機櫃、乃至數千張GPU互聯時，銅纜衰減嚴重（1.8TB/s帶寬下有效距離<1米）、重量爆炸（NVL72機櫃銅纜超5,000根、總功率為1.36噸）訊號完整性、延遲、散熱都無法支撐更大集群。
解決方案：轉向光互連（CPO共封裝光學+ 矽光子技術）。把光引擎直接封裝在GPU/ASIC旁邊，用光纖實現Scale-Out，頻寬密度更高、每位元功耗更低、距離更遠。
NVIDIA在2026年GTC大力押注，已投資光學公司，800G/1.6T光模組需求爆發式成長。 lite、Broadcom、Coherent、Ayar Labs等成為新贏家。
當前進度：銅纜已到極限，光互連正從“可選”變成“必選項”，正突破AI資料中心效能天花板。
4. 第四階段瓶頸（目前最前線）：電力+ 液冷（2026年起成為最終物理約束）核心限制：功耗牆+ 散熱牆+ 電網接入。
為什麼是終極瓶頸：每個GPU從300W→700-1200W，單機櫃從10-20kW（CPU時代）飆升到120-200kW+甚至更高。傳統風冷物理上限只有20-50kW，噪音、風量、耗能都不可接受。
電力側：資料中心需GW級供電，電網併網排隊可達數年，變壓器、固態變壓器等設備交付週期拉長至100週。微軟CEO曾直言「有GPU但沒電插」。
液冷側：必須切換到Direct-to-Chip（直接晶片液冷）或浸沒式液冷，結合微流控、冷板等技術。台積電已在CoWoS平台展示矽基液冷，支援>2.6kW TDP。 Vertiv（VRT）等液冷/熱管理廠商成為基礎設施新核心。
連鎖反應：PUE（電能利用效率）需求<1.2，餘熱回收、核電/新型能源併網都成為新議題。即使前面所有環節都解決，沒有電力和寒冷，機櫃也無法上架運作。
AI算力產業鏈瓶頸轉移的本質邏輯AI算力不是「單點」問題，而是系統級Leontief生產函數－GPU、HBM、互連、電力、冷卻必須按最低短板匹配。 hyperscaler（Google、微軟、Meta等）每解決一個，就立刻把資本和創新推向下個環節。
目前（2026年）正處於「光互連加速落地+ 電力/液冷大規模商用」的切換期，未來可能還會出現新瓶頸（如雷射、光纖材料或電網變壓器），但這個「計算→儲存→光→電/冷」的鏈條已成業界公認路徑。
這也解釋了為什麼投資邏輯從NVIDIA/TSMC轉向HBM三巨頭（SK海力士等）、光學廠商（Lumentum、Coherent）、液冷/電力基礎設施（Vertiv、相關電源公司）。
每一次瓶頸轉移，都在重塑整個半導體+資料中心產業鏈的價值分配。
