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。
相关文档
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。
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。
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。
Ben Thompson 谈 AI 竞争：从地缘博弈、铁路泡沫到 OpenAI 的 Dropbox 困境
宝玉推荐并梳理 Ben Thompson 在 Invest Like the Best 播客中的核心观点：美国在 AI 上压倒性胜利反而危险，中国博弈论最优解可能是炸掉台积电；AI 资本开支面临时间错配风险，类比铁路泡沫；AI 能力局限于可验证领域；推理成本两极分化挑战聚合理论。最精华部分是 Dropbox 教训：消费者不愿为软件付费、不在乎效率，OpenAI 正以百倍规模重演 Dropbox 故事，被迫转向广告。此外还讨论算力短缺的风险转移、台积电保守扩产救了英特尔、Amazon 护城河最深、英伟达真正的对手是云厂商等，观点独特，信息量大。
2026爆火的10支美股：看懂AI行情的完整产业链
作者介绍了10家值得关注的美股公司，串起AI行情的完整产业链：从芯片(NVDA、AVGO)、制造(TSM)、内存与存储(MU、SNDK)、AI云(NBIS、CRWV)、电力散热(VRT)，到AI软件(PLTR)和应用生态(GOOGL)。文章逐一分析各公司的商业模式、核心看点、护城河与风险，强调投资是理解商业和趋势的训练，并提醒高增长股票波动大，不构成投资建议。
从+13%到-14%：光模块两日过山车，光互连真正的主战场却刚开始
本文深入分析了CPO（共封装光学）正式量产后的产业格局，指出市场在短期波动中忽略了根本问题：CPO量产意味着什么被淘汰、什么被放大。文章从物理第一性原理出发，阐述了224G PAM4信号在铜线上的物理极限，解释了CPO/NPO降低功耗的底层逻辑。通过对比MZM与MRM调制器、EML/CW/TFLN光源的优劣，分析了技术路线的分岔。重点剖析了CPO量产的三大瓶颈：良率、产能和测试，并指出NPO作为近中期主力被市场低估。文章还讨论了可靠性验证、Foundry竞争、渗透率曲线以及DSP的价值迁移，最后给出了对投资者的启示。
Chris Lee 解构《AI 超级周期》：五层产业链投资方法论
本文为 Chris Lee（李书沸）关于《AI 超级周期》的深度访谈。他提出 AI 投资应基于能源、芯片、存储、光互连和云端“五层产业链加 Crypto”的框架。核心观点认为 AI 真正的瓶颈在电力而非算力，因此极度看好能源与 AI 硬件。同时，由于寡头垄断和长期合约锁定，HBM 存储正脱离传统周期股逻辑。在芯片格局上，英伟达凭借 CUDA 生态稳固训练市场，而 ASIC 将在超大客户推理端分羹，两者共存做大蛋糕。强调掌握产业链稀缺节点和资产配置远比单纯选股更重要。
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。
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。
英伟达（NVIDIA）AI 生态系统投资价值分析报告
本文分享了一份关于英伟达（NVIDIA）AI 生态系统的深度研报。作者指出该报告制作成本高昂且数据经过多次校准，认为是近期最具“钱途”的高质量研究。报告重点分析了英伟达在 AI 领域的生态布局，旨在为准备或已投资 AI 领域的投资者提供有价值的参考。
如何将 Opus 5.5 打造为你自己的彭博终端（完整课程）
本文是一篇实操教程，介绍如何利用 Claude Opus 5.5 构建个人化的市场分析终端。作者指出普通 AI 聊天机器人回答行情问题时数据陈旧、缺乏来源和时间戳，而解决之道在于为模型提供带来源和时间戳的实时数据。文章提供两条路线：一是通过 Minara 应用快速上手，选择 Opus 5.5 模型进行实时行情问答和每日自动化监控；二是使用 Claude Code 从零搭建本地终端，通过 CLAUDE.md、brief.md、state.md、log.md 四个文件建立规则与记忆，配置免费或付费数据源，并设置安全规则确保未经确认不执行任何交易。课程还涵盖持仓晨检、涨跌归因、历史回测、告警推送及四周进阶计划。
