1算力需求的爆炸性增长
Amazon、Meta、Google、Microsoft四大科技巨头2026年的资本开支预计达到6000亿美元。如果按照当前租用算力的市场价格计算，这相当于约50吉瓦的电力需求——大约相当于50个大型核电站的装机容量，或整个纽约市的电力消耗。
显然，这是一个在物理上几乎无法实现的数字。
为什么一块H100今天比三年前更值钱？不是因为它的性能提升了，而是因为供需关系的根本性失衡。 Dylan Patel, SemiAnalysis CEO
H100的价格在过去三年不仅没有下降，反而持续走高。这不是正常的科技产品生命周期，而是反映了AI算力市场的严重供给短缺。训练一个GPT-4级别的大模型需要数万块GPU，而推理部署所需的算力更是训练阶段的数倍。
2瓶颈一：逻辑
TSMC产能已被提前锁定
Nvidia成功的关键之一是提前锁定了TSMC的先进制程产能。当其他公司还在犹豫时，Nvidia已经预付了巨额定金，确保自己在3nm和更先进制程上的优先供应权。
ASML将成为2030年的最大瓶颈
Dylan Patel预测，到2030年，ASML将成为AI算力扩展的最大约束，而不是Nvidia或TSMC。原因如下：
- EUV光刻机的交付周期：一台High-NA EUV光刻机从下单到交付需要18-24个月
- ASML的产能限制：ASML每年只能生产约50台EUV光刻机，而全球需求远超这个数字
- 技术复杂度的指数增长：下一代High-NA EUV的价格将达到3.5亿美元/台，且维护成本极高
ASML光刻机 > HBM内存 > CoWoS封装 > 先进制程 > 电力供应
为什么不能使用旧制程？
一个常见的问题是：为什么不能使用TSMC的旧制程（如7nm或10nm）来扩大产能？答案是内存带宽瓶颈。AI芯片需要极高的内存带宽来喂饱计算单元，而旧制程的互连技术无法支持HBM的集成。
此外，能效比是另一个关键因素。使用旧制程制造的AI芯片，其功耗将是5nm芯片的3-5倍，这在数据中心规模部署时是不可接受的。
3瓶颈二：内存
Dylan Patel在访谈中警告，"巨大的内存紧缩即将到来"。HBM是AI芯片的关键组件，但全球仅有三家供应商：SK海力士、三星和美光。
HBM供应格局
| 供应商 | 市场份额 | HBM3E状态 | 关键客户 |
|---|---|---|---|
| SK海力士 | ~50% | 已量产，技术领先 | Nvidia（独家供应H200） |
| 三星 | ~40% | 2024年中量产 | Google TPU, AWS Trainium |
| 美光 | ~10% | 追赶中 | 次要供应商 |
为什么HBM如此重要？
HBM是一种3D堆叠内存技术，通过硅通孔垂直连接多层DRAM芯片，提供极高的带宽（每堆叠超过1TB/s）同时保持较低的功耗。对于AI工作负载，内存带宽往往比计算能力更受限制。
一块H100 GPU配备了6个HBM3堆叠，总容量80GB，带宽超过3TB/s。如果没有HBM，即使GPU计算能力再强，也会因等待数据而大部分时间处于空闲状态。
HBM的生产不仅需要先进的DRAM制造能力，还需要复杂的封装技术。这进一步限制了产能扩张的速度。
4瓶颈三：电力
令人惊讶的是，Dylan Patel认为在美国扩展电力不会成为问题。这似乎与"电力是瓶颈"的说法矛盾，但关键在于电力分布的不均衡。
电力供给的地理分布
美国整体电力供给充足，但输电基础设施是制约因素。数据中心需要建在离发电站较近的地方，或通过大规模电网升级来解决输电瓶颈：
- 德克萨斯州将成为数据中心建设的热点（独立的ERCOT电网，监管较少）
- 中西部的风能和太阳能资源将被大量利用
- 核能小型模块化反应堆可能成为长期解决方案，但短期内无法实现
"太空GPU"不会在本世纪发生
有人提议将数据中心建在太空以解决散热和电力问题。Dylan Patel认为这在本世纪内不会实现，原因包括发射成本过高、维护升级几乎不可能、数据传输延迟问题无法解决，以及抗辐射芯片的性能损失严重。
5供应链的权力博弈
云厂商的自研芯片战略
Google、Amazon、Microsoft都在开发自研AI芯片，试图摆脱对Nvidia的依赖。但Dylan Patel指出，这些努力面临巨大挑战：
- 软件生态：CUDA生态系统的护城河极深，迁移成本高昂
- 供应链：Nvidia已提前锁定关键产能，后来者难以获得
- 性能差距：自研芯片在多数工作负载上仍落后Nvidia 1-2代
为什么对冲基金没有做AGI交易？
Dylan Patel注意到一个有趣的现象：华尔街尚未充分定价AI算力短缺的风险。原因包括半导体供应链过于复杂，大多数分析师缺乏专业知识；对冲基金关注季度收益，而产能建设需要3-5年；台湾风险难以量化。
这为专业投资者提供了机会。理解供应链细节的人可以在市场意识到瓶颈之前建立头寸。
6中国的半导体突围
当被问及中国何时能在半导体领域超越西方时，Dylan Patel的回答是："如果一切顺利，2030年代中期可能达到接近水平"。但现实是：
- EUV禁运：中国无法获得ASML的EUV光刻机
- 技术差距：中芯国际目前只能大规模生产7nm芯片
- 良率问题：SMIC的7nm良率远低于TSMC
中国可以在成熟制程占据主导地位，但在先进AI芯片领域，差距实际上在扩大而非缩小。 Dylan Patel
中国的策略可能是绕过EUV，通过多层曝光技术在DUV设备上实现7nm及以下制程。但这会大幅降低良率、增加成本，且难以大规模量产。
7投资者的机会与风险
值得关注的标的
| 公司 | 投资逻辑 | 风险 |
|---|---|---|
| ASML | AI算力扩展的最大瓶颈，垄断地位 | 地缘政治风险 |
| SK海力士 | HBM市场领导者 | 三星追赶，周期性强 |
| 台积电 | 先进制程垄断者 | 地缘政治风险 |
| Nvidia | 软件生态护城河 | 估值过高 |
关键风险因素
- 台湾风险：任何地缘政治事件都可能导致全球芯片供应链瘫痪
- AI需求放缓：如果大模型训练需求见顶，当前的投资热潮可能逆转
- 技术范式转变：量子计算可能颠覆现有格局（但短期内不可能）
8结论
AI计算扩展不是一个单一的技术问题，而是一个涉及物理学、经济学和地缘政治的复杂系统。三大瓶颈——逻辑、内存、电力——相互交织，共同决定了AI发展的速度上限。
未来5年，AI算力扩展的最大约束是芯片制造产能；未来10年，电力和散热可能成为新的瓶颈；Nvidia的护城河不仅在于硬件，更在于提前锁定的供应链和CUDA生态系统。
对于技术从业者、投资者和政策制定者，理解这些瓶颈至关重要。AI不是魔法，它受制于物理定律和经济规律。在这个意义上，SemiAnalysis的工作——揭示供应链的真相——可能比任何技术突破都更有价值。