（来源：可遥笔记）

一块H100显卡，2023年出厂价约2.5万美元。三年过去，它没有贬值——反而更值钱了。

原因不复杂。三年前跑在H100上的模型，能力有限，商业价值有限。今天的前沿模型，同样一块卡，每小时能创造的经济价值翻了好几倍。硬件在折旧，用途在升值。升值跑赢了折旧。

这是SemiAnalysis创始人Dylan Patel在最近一次深度访谈中提出的观点。他在这次对话中系统拆解了AI算力扩张面临的三重瓶颈——逻辑芯片、内存、电力——以及围绕这三道坎展开的万亿美元军备竞赛。

数字触目惊心。亚马逊年度资本支出2000亿美元，谷歌1800亿，全球大厂合计超过6000亿美元。这不是泡沫式的烧钱——各家都在抢的，是一张通往AGI的入场券。而这张入场券的供给，最终取决于三样东西的产能。

第一道坎：逻辑芯片

AI芯片的心脏是逻辑芯片，逻辑芯片的命脉在台积电。

台积电生产了全球80%以上的先进制程芯片。一座1GW级AI数据中心，大约需要5.5万片3纳米晶圆和6000片5纳米晶圆。英伟达早早锁定了台积电3纳米产能的70%以上，签约到2027年。苹果正被挤出3纳米，转向2纳米。谷歌的TPU时间表一度推迟，把产能让给了英伟达。

产能争夺战已经白热化。但这还不是终极瓶颈。

真正的天花板，是台积电上游的阿斯麦。

EUV光刻机，单台造价3至4亿美元。阿斯麦目前年产约70台，2026年计划提升到80台，乐观情景下到2030年或许能达到100台以上。

Dylan Patel算了一笔账：3.5台EUV光刻机，支撑1GW的AI芯片产能。1GW数据中心的总投资约500亿美元，供应链上下游产生的AI经济价值可能达1000亿美元。而这1000亿美元的价值，锁在3.5台光刻机上——价值12亿美元的设备。

12亿卡住1000亿。杠杆率惊人。

阿斯麦的供应链有上万家供应商。光源来自圣地亚哥的Cymer，把锡滴用激光电离产生极紫外光，正在从500瓦升级到1000瓦。光学系统来自蔡司，每台光刻机需要18面多层反射镜，全球能做这项工作的高级技工不到1000人，背后是250年积累的供应链。

这不是工业制造，是手工艺。产能无法快速扩张。

到2030年，全球累计约700台EUV光刻机，理论上支撑约200GW的AI算力。听起来不少——但Sam Altman的OpenAI一家就提出过每年52GW的需求。半导体产业还没有真正意识到AGI级别的需求意味着什么。

第二道坎：内存

大语言模型有一个被低估的事实：它们的瓶颈不是算力，是内存带宽。

HBM（高带宽内存）是AI芯片的"秘密武器"。但HBM的生产效率远低于普通DRAM——同样面积的晶圆，HBM只能产出普通DRAM三分之一到四分之一的容量。堆叠工艺、硅通孔互联、更低的良率，都在吃产能。

供给掌握在SK海力士和三星手中。价格已经翻了两到三倍，新签的两三年期合同都在高位锁定。英伟达为确保供应，签下了总额约900亿美元的长期内存采购合同。

900亿美元，只为锁住内存供应。这个数字本身就说明了稀缺的程度。

2023年H100的主要瓶颈是CoWoS先进封装——把芯片和HBM封装在一起的工艺。台积电的封装产能跟不上。到2027-2028年，随着逻辑芯片产能释放，HBM可能成为整条供应链上最紧的一环。

业界正在探索替代方案。对于不要求极低延迟的推理任务——批处理、后台agent、异步服务——普通DDR5内存或许够用。这能分流一部分HBM压力，把稀缺的高带宽内存留给真正需要的场景。

第三道坎：电力

AI目前消耗西方约1%的发电量，却占用了50%以上的先进制程芯片产能。

这个不对称说明：短期内，电力不是最紧的瓶颈。芯片是。但电力的天花板正在逼近。

美国电网每年增长约2%。GW级数据中心2026-2027年开始落地。到2030年，AI数据中心可能消耗美国电网的10%。

大厂各显神通。谷歌在疯狂买燃气轮机和土地，为2027-2029年储备电力。微软通过CoreWeave、Oracle和软银能源扩展产能。马斯克最早打破常规，用非传统发电方式解决算力中心的供电问题。

燃气轮机是电力供应链的另一个咽喉。重型工业燃气轮机交付周期3到4年，到2028年的产能基本售罄。限制因素是涡轮叶片的铸造——全球只有3家铸造厂能做，产能都排满了。

替代方案在涌现：航改型燃机、联合循环反应堆、往复式柴油发电机。但每一种都有局限。电力不会在短期内成为致命瓶颈，但它是一个缓慢收紧的绳套。

瓶颈在移动

Dylan Patel最有洞察力的判断，不是哪个瓶颈最重要，而是瓶颈一直在移动。

2023年，卡在CoWoS封装——H100交不出货。2024到2025年，卡在电力和数据中心建设。2026年，回到半导体制造——3纳米晶圆产能。2027到2028年，轮到HBM内存。2028到2030年，最终落到供应链的最底层——阿斯麦的EUV光刻机。

每解决一个瓶颈，下一个就浮出水面。这不是某一个环节的问题，是整条供应链在同时被拉到极限。

军备竞赛的经济学

谁在花这些钱？怎么花的？

英伟达处于食物链顶端。在供不应求的环境下，毛利率80%到90%。Blackwell架构的整机柜系统功率超过120千瓦，重新定义了数据中心的基础设施。英伟达还在分化产品线——专门用于上下文预填充的CPX、标准GPU、专用工作负载的GR芯片。

GPU租赁市场同样火热。H100的租赁价格在每小时1.4到2.4美元之间。早期签下5年长约的公司，锁定了巨大的成本优势。后来者只能按现货价格接盘——而现货价格已经充分反映了AI模型的经济价值。

先手优势在算力军备竞赛中被放大到极致。谁早签约、早囤货、早锁定产能，谁就赢在起跑线上。这不是技术问题，是供应链博弈。

大厂的资本支出规模前所未有。亚马逊2000亿美元，谷歌1800亿，Meta在2026年新增的算力相当于2022年整个机群的总量。这些钱不是一年花完的——相当一部分用于未来几年的设备定金、土地储备和电力采购协议。

OpenAI的目标是2026年底达到5到6GW的算力。Anthropic同样在5到6GW的量级，年化收入预计超过600亿美元，但毛利率不到50%，还需要约500亿美元的资本支出来维持增长。

投入之大，令人咋舌。但反过来想——如果AGI真的到来，这些投入的回报将是天文数字。军备竞赛的逻辑就是：不投的风险，远大于投错的风险。

中国的位置

Dylan Patel对中国的判断很直接：取决于时间线。

如果AI的关键突破在2026到2030年之间发生——快时间线——美国赢。基础设施领先优势和算力规模差距太大，中国来不及追。

如果时间线拉长到2035年以后——慢时间线——中国有机会。中国正在纵向整合整条供应链。DUV光刻机有望在2030年前实现国产化，年产约100台。EUV光刻机可能在2030年前后出现可工作的原型，但量产还需要很长时间。

华为的昇腾芯片正在通过先进封装而非制程突破来扩展算力——和上一篇文章讨论的中国AI芯片路径如出一辙。

一个值得关注的变量：随着出口管制收紧，中国AI模型越来越难从美国前沿模型中进行知识蒸馏。自研能力的重要性在上升。

12亿美元的咽喉

退一步看全局。

万亿美元在涌入AI。大厂在抢芯片、囤内存、买电力、签长约。整个产业链被拉到极限——从光刻机到涡轮叶片，从硅通孔到燃气轮机。

但所有这些投资、所有这些竞争，最终都要通过几个极窄的咽喉。阿斯麦年产不到100台光刻机。全球能铸造涡轮叶片的工厂只有3家。能做HBM堆叠封装的产线屈指可数。

万亿美元的产业，悬在十亿美元的瓶颈上。

这就是AI军备竞赛最深层的矛盾：需求在指数级增长，供给在线性增长。每一个瓶颈被突破，下一个就在等着。这场竞赛的终点不取决于谁最有钱，而取决于谁最能解决供应链上最窄的那个环节。

算力是AI时代的石油。但石油有替代品，光刻机没有。

本文基于SemiAnalysis创始人Dylan Patel在Dwarkesh Podcast的深度访谈，仅供信息参考，不构成投资建议。