先进封装入门：AI算力瓶颈与良率经济学
文章指出AI建设真正短缺的不是晶圆产能而是封装良率，CoWoS分配已成为AI算力的配给机制。作者从光刻曝光场858mm²的物理上限讲起，解释Chiplet兴起的必然性，并纠正了良率分拆的错误理解——真正的收益来自KGD（已知合格裸片）分拣。文章分析利润从OSAT转移到代工厂再转移到设备与材料供应商的逻辑，探讨3D堆叠散热难题、HBM演进路径，以及面板级封装转型带来的设备重置机会，揭示先进封装背后隐藏的制造供应链投资机会。
相关文档
AI基础设施的牛鞭效应
文章分析AI基础设施供应链中的牛鞭效应：从2023年GPU短缺开始，压力依次传导至内存、服务器CPU，再到2026年的大容量存储短缺。HBM生产挤占传统DRAM产能导致SSD价格暴涨，Agent工作流推动CPU需求上升。同时数据中心建设成本高达每吉瓦200亿美元，变压器和涡轮机交付周期长达数年。作者警告，若终端软件收入无法匹配巨额资本支出，2027-2028年新增产能交付时或将面临产能过剩危机。
先进封装产业链全景：从 CoWoS 到 EMIB
本文详细拆解了 AI 时代先进封装（CoWoS/EMIB）的产业链现状与竞争格局。文章从底层概念出发，分析了台积电、英特尔、三星三条技术路线的差异，并深入探讨了硅中介层、ABF 载板、HBM 及上游设备与材料的供应瓶颈。随着 AI 芯片需求爆发，封装产能已成为制约出货的关键因素。
NVHBM改写HBM规则，三家内存厂何去何从？
文章解析英伟达8月26日发布的NVHBM技术：将自研内存控制器移入HBM底座，带宽最高提升30%、功耗降低15%，并推动多家内存厂商共同供货。作者对比三星zHBM（Memory-on-Logic垂直堆叠）与SK海力士的3D堆叠、混合铜键合路线图，拆解内存厂商的利润公式：出货量×份额×单位毛利，指出NVHBM可能压缩独有设计溢价、提升制造能力与良率的重要性。对三星的机会在于进入更多采购名单，海力士则需证明客户有得选时仍选自己。行业增长未必等于每家公司都受益。
Memory as a Service, 聪明钱已经开始暗中下注。耗时两周，深度拆解CXL，彻底搞懂打破内存墙的关键玩家
本文深入拆解了CXL技术在打破内存墙中的作用。文章回顾了内存墙的历史，分析了AI时代内存成本与容量的双重压力，指出CXL并非为取代NVLink而生，而是为了扩展内存容量和实现内存池化。通过Meta的Vistara项目案例，阐述了利用退役内存的经济效益，并分析了从控制器、交换机到光互连的投资机会，重点提及了Marvell的布局。
华为「韬定律」V2 版论文深度研究报告
本文深度解析了华为何庭波发布的「韬定律」（τ 定律）V2 版论文。V2 版本在 V1 的理论框架基础上，补充了工程落地细节、麒麟 2026 实测数据及未来产品路线图。核心思想是将芯片进步的驱动力从“晶体管几何缩微”转向“时间常数缩微”，通过逻辑折叠（3D Folding）、统一总线（Unified Bus）和光互连等技术，在不依赖先进光刻工艺的情况下实现性能代际提升。文章还分析了其战略意义及面临的产业生态挑战。
HBM全景研报：从训练到推理，主角不再是GPU
本文深入分析了AI推理时代HBM（高带宽内存）成为新主角的原因，指出推理过程中数据搬运的耗时往往超过计算。文章详细解释了HBM的3D堆叠技术优势、HBM4采用先进逻辑工艺带来的产业链变化，以及SK海力士、三星、美光三大厂商的市场份额与技术路线竞争，并探讨了内存厂商在AI基础设施中获取超高利润的商业逻辑。
台积电这份报告，把AI算力真正的底层逻辑讲透了
文章深入解读了台积电2026年技术研讨会报告，指出半导体行业已进入由AI驱动的超级周期，预计2030年市场规模将达1.5万亿美元。核心观点包括：先进制程从单纯的节点微缩转向平台优化（如A16、A12的背面供电技术）；竞争维度从“谁的晶体管更小”升级为“谁能把算力系统造出来”；以及算力增长的真实引擎在于CoWoS、SoIC等先进封装技术与HBM的系统级集成。
AI Semiconductor Endgame (IV)：开源模型对半导体的影响
文章探讨开源模型的崛起是否冲击半导体需求这一热门问题。作者指出市场担忧的核心在于开源是否会压低毛利，进而削弱模型公司购买GPU的能力。但通过动态均衡框架分析，token价格下降的同时，硬件与软件的效率提升（每十年各贡献千倍优化）使成本同步快速下降，毛利得以维持。以每GW算力测算，旗舰模型推理毛利率仍达75%-80%以上，开源模型约60%-70%，token收入是硬件摊销成本的十倍。结论是开源不会伤害半导体行业，动态均衡将持续推动AI基础设施扩张。
AI 繁荣的三张账单——电、芯片、推理
本文是硅谷101 Alignment 峰会 Day 2 上午的深度笔记，提出 AI 繁荣背后有三张物理账单：电、芯片、推理。 Session 1 指出美国输电网难以建设，行业转向表后发电，从签约到出 token 需 16-17 个月，电力成为算力交付的真正瓶颈；讨论了数据中心融资期限错配、neocloud 风险、云业务利用率本质及算力短缺将持续到 2030 年的预测。 Session 2 探讨半导体，揭示 2nm 只是名义数字、硅在 5nm 以下到物理极限，AI 进晶圆厂第一站是良率检测，价值最终流向制造端。 Session 3 讲述在买不到新卡的情况下，通过推理优化软件从现有 GPU 榨取更多性能。核心结论：三张账单的解法都是效率。
为什么看好ARM
文章分析ARM从技术授权转向直接销售芯片的战略逻辑。ARM与Meta联合开发AGI CPU，瞄准AI智能体对CPU的强劲需求——智能体需打开网页、运行代码、调度任务，CPU成为瓶颈。Meta为深度合作伙伴，甲骨文、字节跳动火山引擎、OpenAI均已采购，谷歌也在新AI系统中用ARM替代x86。客户需求半年内从10亿美元上调至20亿美元以上。直接卖芯片可让ARM每颗芯片贡献从50美元提升至500美元，扩大十倍。Jefferies预计2031财年销售额达180亿美元，ARM自定目标150亿美元，对应利润可达当前全公司水平的两倍多。
AIDC产业链真正的瓶颈：大幅回调后重新审视30家瓶颈公司
文章以供给稀缺、客户认证、竞争扩产与股价回撤四个维度，重新审视AIDC产业链30家瓶颈公司。结论是：真正具备产能、认证、交期或锁量证据的公司只占少数；瓶颈增强的同时竞争普遍加剧；回撤最大的小票往往瓶颈地位尚未验证。第一梯队包括AXT（InP衬底）、Tower（硅光代工）、联亚、AAOI、古河电工、Micron等，而Sivers、上诠等高热度小票仍属潜在瓶颈。回调提供了更便宜的价格，但没有自动提供更高的确定性。
英伟达算力演进与投资主线分析
本文梳理了英伟达2022至2028年从Hopper到Feynman的架构演进。指出存储曾是过去产品迭代的主线，但随着内存遇墙，互联已成为未来的核心解药与投资主线。文章拆解了GPU、CPU、组合系统与机架四条业务线，澄清了GB200、NVL72、NVL576等极易混淆的概念，详解了scale-up高速域的扩张，并深刻分析了内存容量与带宽如何推动AI算力系统的升级。