AI 的未来缺的从来不是电而是造芯片的能力。而这场制造能力的竞赛才刚刚开始。当所有人都在讨论 AI 数据中心的电力焦虑时半导体行业专家、SemiAnalysis 创始人 Dylan Patel 在最新播客中抛出了一个颠覆性观点AI 算力扩张的核心瓶颈从来不是电力而是先进半导体的制造能力。从 EUV 光刻机的产能桎梏到 HBM 内存的资源争夺战再到英伟达凭供应链布局筑起的护城河AI 产业的竞争正从云端的算法创新彻底下沉到物理世界的制造硬实力。2026 年英伟达 GTC 大会的芯片战略转向更是印证了这一趋势 ——CPU 重回舞台中心200 亿美元押注 Groq 推理芯片技术背后都是对制造瓶颈的精准应对。AI 的未来终究要受限于硅片的生产速度。电力焦虑是伪命题制造才是不可逾越的硬约束在过去的 AI 算力讨论中“缺电” 始终是高频词。动辄数万千瓦的 AI 数据中心电力需求让人们默认电力供应是制约算力扩张的第一要素。但 Dylan Patel 在播客中直言这是对 AI 产业瓶颈的根本性误判电力是价格问题而制造是可获得性问题二者有着本质区别。电力的短缺并非不可解。高 AI 回报率驱动下资本愿意为算力支付昂贵的供电成本。如今头部科技企业早已跳出公共电网的限制采用分布式发电、燃气轮机 储能备用系统甚至是临时高成本供电方案来保障数据中心运行。英伟达数据中心业务 75% 的年营收增长足以支撑企业为电力支付溢价 —— 只要能拿到芯片电力总有解决办法。但先进半导体制造能力的缺失是金钱无法在短期内填平的鸿沟。Dylan Patel 强调AI 算力的底层约束最终落在了EUV 光刻机这类关键设备上。一台最先进的 ASML High-NA EUV 光刻机售价超过 3 亿美元生产周期长达 18 个月以上全球年产能仅有数十台。这类设备的制造涉及精密光学、高端材料、超精密机械等数十个尖端领域并非单纯的资金投入就能快速扩产。更关键的是EUV 光刻机的供应链高度集中核心零部件的生产能力被少数企业垄断即便到 2030 年其产能缺口仍将是半导体行业的主要瓶颈。除了光刻机先进晶圆制造和封装技术的产能也同样紧张。2026 年的 CPU 市场正遭遇《Futurum Group》所称的 “安静的供应危机”AMD、英特尔已向中国客户发出供应短缺预警CPU 交付周期延长至 6 个月价格涨幅超 10%。芯片分析师 Ben Bajarin 的一句话道破本质“晶圆不会长在树上我们不可能凭空多收获 10% 的硅片整个行业都面临产能挤压。” 这种制造能力的短缺并非某一家企业的问题而是全球半导体产业的系统性瓶颈。AI 产业的发展终究要回归物理世界的基本规律。从逻辑芯片到存储芯片从先进制程到封装测试每一个环节的制造能力都决定了算力扩张的速度。当算法创新的速度远超硬件制造的速度时制造能力自然成为了 AI 算力的真正天花板。HBM 引发的全球制造资源零和博弈如果说 EUV 光刻机是 AI 制造瓶颈的 “地基问题”那么高带宽内存HBM就是当下最紧迫的 “承重墙危机”。Dylan Patel 在播客中预测未来 1-2 年全球将迎来一场 “巨大的内存危机”而这场危机的本质是 AI 对制造资源的虹吸效应引发了一场零和博弈。HBM 是 AI 芯片的核心组件其高带宽、低功耗的特性完美适配 AI 大模型的训练和推理需求。随着 agentic AI智能体 AI的兴起AI 对数据处理的需求呈指数级增长HBM 的需求也随之暴增。但 HBM 的制造难度极高良率偏低产能扩张速度远跟不上需求增长。目前全球 HBM 产能主要集中在三星、SK 海力士、美光三家企业而头部 AI 厂商为了保障算力供应纷纷开启了 HBM 产能锁定模式。英伟达就是这场产能争夺战的典型赢家。为了匹配其 GPU 的算力需求英伟达提前与内存厂商签订了长期 HBM 供应协议将大量产能收入囊中。这种 “头部锁定” 形成了正向循环AI 厂商锁定产能→内存厂商将更多资源投向 HBM 生产→HBM 产能进一步向头部集中。但这一循环的背后是对消费电子产业的资源挤压 —— 手机、PC 等消费电子所需的普通 DRAM、NAND 闪存产能正被不断压缩。Dylan Patel 指出AI 的增长本质上是通过抢占其他行业的制造资源实现的。内存厂商出于利润考量会优先将产能分配给单价更高、利润更丰厚的 HBM而非消费电子内存。2025 年以来消费电子行业已经出现了内存供应紧张的迹象部分中低端手机、PC 产品因内存短缺被迫延迟发布。这种资源的重新分配正在重塑全球半导体供应链的格局AI 产业的繁荣正以消费电子产业的产能牺牲为代价。更值得警惕的是这种资源虹吸效应正在向整个半导体制造环节蔓延。除了 HBMAI 芯片所需的先进制程晶圆、特殊封装材料都在与其他行业争夺有限的制造资源。当 AI 成为半导体产业最主要的需求来源时整个行业的产能分配逻辑都将被改写而这种改写必然伴随着行业间的利益博弈和资源冲突。不是技术是提前锁定的制造产能提到 AI 芯片英伟达无疑是绕不开的名字。这家市值达 4.4 万亿美元的芯片巨头占据了全球 AI GPU 市场的绝对主导地位。人们往往将其成功归因于技术优势 ——CUDA 生态的壁垒、GPU 的并行计算能力但 Dylan Patel 在播客中揭开了英伟达真正的护城河不是技术领先而是对制造产能的提前锁定。半导体行业的竞争遵循着 “先到先得” 的底层法则。英伟达深谙这一点将现金流优先投入到供应链安全上而非单纯的研发。早在 2023 年英伟达就通过财报披露与台积电签订了先进制程的长期产能协议锁定了台积电 3nm、4nm 制程的大量产能为其 GPU 和 CPU 的生产提供了保障。这种 “早鸟效应”让英伟达在产能短缺的大背景下始终能保持稳定的芯片供应。2026 年英伟达数据中心业务单季度营收超 620 亿美元同比增长 75%稳定的产能供应是其业绩增长的核心支撑。相比之下谷歌、亚马逊等科技巨头即便拥有自研芯片的技术能力也难逃产能挤压的困境。谷歌的 TPU 虽然在 AI 训练和推理中表现出色但其产能受制于台积电的晶圆供应无法快速扩张亚马逊的 Trainium 芯片同样面临产能不足的问题难以满足自身云业务的算力需求。正如 Dylan Patel 所说在制造能力成为瓶颈的时代技术优势如果没有产能支撑终究只是纸上谈兵。英伟达的产能布局不仅局限于 GPU更延伸到了整个 AI 算力生态。2021 年英伟达发布首款数据中心 CPU Grace2026 年第二代 CPU Vera 已进入量产阶段并与 Meta 达成多年合作协议实现了 Grace CPU 的大规模独立部署计划 2027 年将 Vera CPU 落地 Meta 数据中心。为了保障 CPU 产能英伟达同样提前锁定了相关制造资源其 “稳健的供应链” 让其在 CPU 市场供应短缺的情况下仍能实现 “零交付延迟”。除了锁定自有芯片的产能英伟达还通过开放生态将更多制造资源纳入自己的体系。2025 年英伟达开放 NVLink 网络技术的第三方授权与英特尔、高通、Arm 等企业达成合作让第三方 CPU 能更好地与英伟达 GPU 集成。同时英伟达还支持 RISC-V 开放指令集与 SiFive 达成协议让 RISC-V 芯片能通过 NVLink 与英伟达 GPU 连接。这种 “平台无关” 的战略本质上是通过生态整合最大化利用全球有限的制造资源进一步巩固自己的算力优势。2025 年圣诞节前英伟达斥资 200 亿美元从 Groq 获得芯片技术授权并挖来其 CEO Jonathan Ross谷歌初代 TPU 开发者更是其应对制造瓶颈、完善算力生态的关键一步。Groq 的 LPU语言处理单元专为 AI 推理设计采用片上 SRAM 内存速度远超传统 GPU且能与英伟达 GPU 形成互补。英伟达收购其技术并非单纯的技术升级而是通过整合专用芯片技术提升现有算力的利用效率在制造产能有限的情况下实现算力的 “内生增长”。正如 Jensen Huang 在财报电话会议中所说英伟达对 Groq 的布局与六年前收购 Mellanox 一脉相承 —— 通过整合细分领域的核心技术延伸自己的架构将制造资源的价值发挥到极致。2026 财年第四季度英伟达网络业务单季度营收达 110 亿美元与 AMD 整体营收相当这正是 Mellanox 技术整合的成果。而 Groq 技术的加入将让英伟达在 AI 推理市场占据更有利的位置在制造产能有限的情况下通过技术整合实现算力效率的提升。CPU 回归AI 算力生态的制造瓶颈新体现2026 年英伟达 GTC 大会的一大看点是CPU 的回归。在 GPU 称霸 AI 算力市场多年后英伟达宣布将推出针对 agentic AI 优化的 CPU甚至计划展示纯 CPU 机架。这一战略转向看似是算力生态的完善实则是 AI 制造瓶颈的又一重要体现。agentic AI 的兴起让 AI 算力的需求结构发生了根本性变化。与传统的问答式 Chatbot 不同agentic AI 是任务导向的智能体需要协调多个智能体协同工作移动大量数据进行复杂的逻辑调度。这一过程不仅需要 GPU 的并行计算能力更需要 CPU 的通用计算能力和串行处理能力 ——CPU 成为了 AI 工作流的 “调度中心”负责协调 GPU、加速器等硬件确保整个算力系统的高效运行。英伟达 AI 基础设施主管 Dion Harris 直言“在 AI 和 agentic 工作流的扩张中CPU 正成为新的瓶颈。” 而 CPU 的供应短缺正是制造能力不足的直接体现。目前全球数据中心 CPU 市场由英特尔60%和 AMD24.3%主导英伟达仅占 6.2%但随着 agentic AI 的需求激增CPU 的市场规模正快速扩大美银预测2025 年至 2030 年CPU 市场规模将从 270 亿美元增长至 600 亿美元翻一番还多。面对 CPU 的供应瓶颈英伟达的应对策略依然是 “定制化 产能锁定”。与英特尔、AMD 的通用型 CPU 不同英伟达的 Grace 和 Vera CPU 专为 AI 工作流设计放弃了核心数量的比拼Grace CPU 为 72 核远低于英特尔、AMD 的 128 核转而提升单线程性能确保 GPU 这一 “昂贵资源不会闲置等待”。这种定制化设计让英伟达 CPU 能更好地匹配 GPU 的算力需求提升整个算力系统的效率在制造产能有限的情况下实现算力利用效率的最大化。同时英伟达的 CPU 基于 Arm 架构而非英特尔、AMD 的 x86 架构。Arm 架构的低功耗特性更适合数据中心场景且制造工艺更灵活能更好地利用现有制造资源。英伟达选择 Arm 架构也是对制造瓶颈的适应 —— 在 x86 架构产能紧张的情况下通过 Arm 架构实现 CPU 产能的快速扩张。CPU 的回归也反映了 AI 算力生态的复杂化。过去AI 算力的核心是 GPU而现在AI 算力需要 GPU、CPU、加速器、网络芯片等多种硬件的协同工作。每一种硬件的制造能力都可能成为算力扩张的瓶颈。英伟达布局 CPU正是为了打通算力生态的各个环节消除供应链中的短板在制造能力有限的大背景下构建一个高效、完整的算力生态。从算法创新到制造能力的全链条竞争Dylan Patel 在播客中总结道AI 产业正在从虚拟概念向实体制造回归最终决定行业上限的将是物理世界的产能约束而非数字世界的算法创新。这一判断不仅揭示了当下 AI 算力的瓶颈更指明了未来 AI 产业的竞争方向 —— 从单一的技术竞争转向涵盖制造、供应链、生态的全链条竞争。在这场竞争中制造能力将成为最核心的竞争力。掌握 EUV 光刻机、先进晶圆制造、高端封装等核心制造技术的企业将占据产业链的顶端能提前锁定制造产能、构建稳定供应链的企业将在算力竞争中占据主动。正如英伟达的成功所证明的在制造能力成为瓶颈的时代供应链布局的重要性甚至超过了技术创新本身。同时AI 产业的资源争夺战还将继续升级。HBM 对消费电子内存的挤压只是一个开始。未来AI 还将与汽车、工业、航空航天等行业争夺半导体制造资源全球半导体供应链的格局将被不断改写。在这场零和博弈中只有那些能为半导体产业带来更高利润、更大需求的行业才能获得更多的制造资源。而 AI无疑是当下最具竞争力的那个。电力问题虽然不再是核心瓶颈但仍将是 AI 产业的重要考量。随着算力的不断扩张AI 数据中心的电力需求仍将持续增长资本驱动的非常规供电模式将成为主流。但与制造能力不同电力问题的解决更多依赖于企业的资金实力和运营能力而非技术壁垒。在制造能力成为核心瓶颈的情况下电力问题将成为筛选企业的 “门槛”而非决定行业上限的 “天花板”。对于中国 AI 产业而言这场制造瓶颈带来的挑战更为严峻。目前中国在 EUV 光刻机、先进制程晶圆制造、高端 HBM 内存等核心领域仍与国际先进水平存在较大差距制造能力的短缺成为了中国 AI 算力扩张的最大制约。要突破这一瓶颈需要从底层技术入手加大对半导体制造设备、材料、工艺的研发投入构建自主可控的半导体制造供应链。同时也需要借鉴英伟达的经验通过生态整合和产能布局最大化利用现有制造资源提升算力利用效率。2026 年的 AI 产业正站在一个关键的转折点上。算法创新的红利仍在释放但制造能力的约束已经显现。当人们不再讨论 “下一个大模型是什么”而是开始关注 “下一片硅片何时能生产出来” 时AI 产业才算真正走向成熟。毕竟再先进的算法终究要运行在实实在在的芯片上再宏大的 AI 愿景终究要受限于物理世界的制造能力。AI 的未来缺的从来不是电而是造芯片的能力。而这场制造能力的竞赛才刚刚开始。原文链接AI 算力大考缺电只是表象制造才是真正的天花板-36氪
AI 算力大考：缺电只是表象，制造才是真正的天花板
AI 的未来缺的从来不是电而是造芯片的能力。而这场制造能力的竞赛才刚刚开始。当所有人都在讨论 AI 数据中心的电力焦虑时半导体行业专家、SemiAnalysis 创始人 Dylan Patel 在最新播客中抛出了一个颠覆性观点AI 算力扩张的核心瓶颈从来不是电力而是先进半导体的制造能力。从 EUV 光刻机的产能桎梏到 HBM 内存的资源争夺战再到英伟达凭供应链布局筑起的护城河AI 产业的竞争正从云端的算法创新彻底下沉到物理世界的制造硬实力。2026 年英伟达 GTC 大会的芯片战略转向更是印证了这一趋势 ——CPU 重回舞台中心200 亿美元押注 Groq 推理芯片技术背后都是对制造瓶颈的精准应对。AI 的未来终究要受限于硅片的生产速度。电力焦虑是伪命题制造才是不可逾越的硬约束在过去的 AI 算力讨论中“缺电” 始终是高频词。动辄数万千瓦的 AI 数据中心电力需求让人们默认电力供应是制约算力扩张的第一要素。但 Dylan Patel 在播客中直言这是对 AI 产业瓶颈的根本性误判电力是价格问题而制造是可获得性问题二者有着本质区别。电力的短缺并非不可解。高 AI 回报率驱动下资本愿意为算力支付昂贵的供电成本。如今头部科技企业早已跳出公共电网的限制采用分布式发电、燃气轮机 储能备用系统甚至是临时高成本供电方案来保障数据中心运行。英伟达数据中心业务 75% 的年营收增长足以支撑企业为电力支付溢价 —— 只要能拿到芯片电力总有解决办法。但先进半导体制造能力的缺失是金钱无法在短期内填平的鸿沟。Dylan Patel 强调AI 算力的底层约束最终落在了EUV 光刻机这类关键设备上。一台最先进的 ASML High-NA EUV 光刻机售价超过 3 亿美元生产周期长达 18 个月以上全球年产能仅有数十台。这类设备的制造涉及精密光学、高端材料、超精密机械等数十个尖端领域并非单纯的资金投入就能快速扩产。更关键的是EUV 光刻机的供应链高度集中核心零部件的生产能力被少数企业垄断即便到 2030 年其产能缺口仍将是半导体行业的主要瓶颈。除了光刻机先进晶圆制造和封装技术的产能也同样紧张。2026 年的 CPU 市场正遭遇《Futurum Group》所称的 “安静的供应危机”AMD、英特尔已向中国客户发出供应短缺预警CPU 交付周期延长至 6 个月价格涨幅超 10%。芯片分析师 Ben Bajarin 的一句话道破本质“晶圆不会长在树上我们不可能凭空多收获 10% 的硅片整个行业都面临产能挤压。” 这种制造能力的短缺并非某一家企业的问题而是全球半导体产业的系统性瓶颈。AI 产业的发展终究要回归物理世界的基本规律。从逻辑芯片到存储芯片从先进制程到封装测试每一个环节的制造能力都决定了算力扩张的速度。当算法创新的速度远超硬件制造的速度时制造能力自然成为了 AI 算力的真正天花板。HBM 引发的全球制造资源零和博弈如果说 EUV 光刻机是 AI 制造瓶颈的 “地基问题”那么高带宽内存HBM就是当下最紧迫的 “承重墙危机”。Dylan Patel 在播客中预测未来 1-2 年全球将迎来一场 “巨大的内存危机”而这场危机的本质是 AI 对制造资源的虹吸效应引发了一场零和博弈。HBM 是 AI 芯片的核心组件其高带宽、低功耗的特性完美适配 AI 大模型的训练和推理需求。随着 agentic AI智能体 AI的兴起AI 对数据处理的需求呈指数级增长HBM 的需求也随之暴增。但 HBM 的制造难度极高良率偏低产能扩张速度远跟不上需求增长。目前全球 HBM 产能主要集中在三星、SK 海力士、美光三家企业而头部 AI 厂商为了保障算力供应纷纷开启了 HBM 产能锁定模式。英伟达就是这场产能争夺战的典型赢家。为了匹配其 GPU 的算力需求英伟达提前与内存厂商签订了长期 HBM 供应协议将大量产能收入囊中。这种 “头部锁定” 形成了正向循环AI 厂商锁定产能→内存厂商将更多资源投向 HBM 生产→HBM 产能进一步向头部集中。但这一循环的背后是对消费电子产业的资源挤压 —— 手机、PC 等消费电子所需的普通 DRAM、NAND 闪存产能正被不断压缩。Dylan Patel 指出AI 的增长本质上是通过抢占其他行业的制造资源实现的。内存厂商出于利润考量会优先将产能分配给单价更高、利润更丰厚的 HBM而非消费电子内存。2025 年以来消费电子行业已经出现了内存供应紧张的迹象部分中低端手机、PC 产品因内存短缺被迫延迟发布。这种资源的重新分配正在重塑全球半导体供应链的格局AI 产业的繁荣正以消费电子产业的产能牺牲为代价。更值得警惕的是这种资源虹吸效应正在向整个半导体制造环节蔓延。除了 HBMAI 芯片所需的先进制程晶圆、特殊封装材料都在与其他行业争夺有限的制造资源。当 AI 成为半导体产业最主要的需求来源时整个行业的产能分配逻辑都将被改写而这种改写必然伴随着行业间的利益博弈和资源冲突。不是技术是提前锁定的制造产能提到 AI 芯片英伟达无疑是绕不开的名字。这家市值达 4.4 万亿美元的芯片巨头占据了全球 AI GPU 市场的绝对主导地位。人们往往将其成功归因于技术优势 ——CUDA 生态的壁垒、GPU 的并行计算能力但 Dylan Patel 在播客中揭开了英伟达真正的护城河不是技术领先而是对制造产能的提前锁定。半导体行业的竞争遵循着 “先到先得” 的底层法则。英伟达深谙这一点将现金流优先投入到供应链安全上而非单纯的研发。早在 2023 年英伟达就通过财报披露与台积电签订了先进制程的长期产能协议锁定了台积电 3nm、4nm 制程的大量产能为其 GPU 和 CPU 的生产提供了保障。这种 “早鸟效应”让英伟达在产能短缺的大背景下始终能保持稳定的芯片供应。2026 年英伟达数据中心业务单季度营收超 620 亿美元同比增长 75%稳定的产能供应是其业绩增长的核心支撑。相比之下谷歌、亚马逊等科技巨头即便拥有自研芯片的技术能力也难逃产能挤压的困境。谷歌的 TPU 虽然在 AI 训练和推理中表现出色但其产能受制于台积电的晶圆供应无法快速扩张亚马逊的 Trainium 芯片同样面临产能不足的问题难以满足自身云业务的算力需求。正如 Dylan Patel 所说在制造能力成为瓶颈的时代技术优势如果没有产能支撑终究只是纸上谈兵。英伟达的产能布局不仅局限于 GPU更延伸到了整个 AI 算力生态。2021 年英伟达发布首款数据中心 CPU Grace2026 年第二代 CPU Vera 已进入量产阶段并与 Meta 达成多年合作协议实现了 Grace CPU 的大规模独立部署计划 2027 年将 Vera CPU 落地 Meta 数据中心。为了保障 CPU 产能英伟达同样提前锁定了相关制造资源其 “稳健的供应链” 让其在 CPU 市场供应短缺的情况下仍能实现 “零交付延迟”。除了锁定自有芯片的产能英伟达还通过开放生态将更多制造资源纳入自己的体系。2025 年英伟达开放 NVLink 网络技术的第三方授权与英特尔、高通、Arm 等企业达成合作让第三方 CPU 能更好地与英伟达 GPU 集成。同时英伟达还支持 RISC-V 开放指令集与 SiFive 达成协议让 RISC-V 芯片能通过 NVLink 与英伟达 GPU 连接。这种 “平台无关” 的战略本质上是通过生态整合最大化利用全球有限的制造资源进一步巩固自己的算力优势。2025 年圣诞节前英伟达斥资 200 亿美元从 Groq 获得芯片技术授权并挖来其 CEO Jonathan Ross谷歌初代 TPU 开发者更是其应对制造瓶颈、完善算力生态的关键一步。Groq 的 LPU语言处理单元专为 AI 推理设计采用片上 SRAM 内存速度远超传统 GPU且能与英伟达 GPU 形成互补。英伟达收购其技术并非单纯的技术升级而是通过整合专用芯片技术提升现有算力的利用效率在制造产能有限的情况下实现算力的 “内生增长”。正如 Jensen Huang 在财报电话会议中所说英伟达对 Groq 的布局与六年前收购 Mellanox 一脉相承 —— 通过整合细分领域的核心技术延伸自己的架构将制造资源的价值发挥到极致。2026 财年第四季度英伟达网络业务单季度营收达 110 亿美元与 AMD 整体营收相当这正是 Mellanox 技术整合的成果。而 Groq 技术的加入将让英伟达在 AI 推理市场占据更有利的位置在制造产能有限的情况下通过技术整合实现算力效率的提升。CPU 回归AI 算力生态的制造瓶颈新体现2026 年英伟达 GTC 大会的一大看点是CPU 的回归。在 GPU 称霸 AI 算力市场多年后英伟达宣布将推出针对 agentic AI 优化的 CPU甚至计划展示纯 CPU 机架。这一战略转向看似是算力生态的完善实则是 AI 制造瓶颈的又一重要体现。agentic AI 的兴起让 AI 算力的需求结构发生了根本性变化。与传统的问答式 Chatbot 不同agentic AI 是任务导向的智能体需要协调多个智能体协同工作移动大量数据进行复杂的逻辑调度。这一过程不仅需要 GPU 的并行计算能力更需要 CPU 的通用计算能力和串行处理能力 ——CPU 成为了 AI 工作流的 “调度中心”负责协调 GPU、加速器等硬件确保整个算力系统的高效运行。英伟达 AI 基础设施主管 Dion Harris 直言“在 AI 和 agentic 工作流的扩张中CPU 正成为新的瓶颈。” 而 CPU 的供应短缺正是制造能力不足的直接体现。目前全球数据中心 CPU 市场由英特尔60%和 AMD24.3%主导英伟达仅占 6.2%但随着 agentic AI 的需求激增CPU 的市场规模正快速扩大美银预测2025 年至 2030 年CPU 市场规模将从 270 亿美元增长至 600 亿美元翻一番还多。面对 CPU 的供应瓶颈英伟达的应对策略依然是 “定制化 产能锁定”。与英特尔、AMD 的通用型 CPU 不同英伟达的 Grace 和 Vera CPU 专为 AI 工作流设计放弃了核心数量的比拼Grace CPU 为 72 核远低于英特尔、AMD 的 128 核转而提升单线程性能确保 GPU 这一 “昂贵资源不会闲置等待”。这种定制化设计让英伟达 CPU 能更好地匹配 GPU 的算力需求提升整个算力系统的效率在制造产能有限的情况下实现算力利用效率的最大化。同时英伟达的 CPU 基于 Arm 架构而非英特尔、AMD 的 x86 架构。Arm 架构的低功耗特性更适合数据中心场景且制造工艺更灵活能更好地利用现有制造资源。英伟达选择 Arm 架构也是对制造瓶颈的适应 —— 在 x86 架构产能紧张的情况下通过 Arm 架构实现 CPU 产能的快速扩张。CPU 的回归也反映了 AI 算力生态的复杂化。过去AI 算力的核心是 GPU而现在AI 算力需要 GPU、CPU、加速器、网络芯片等多种硬件的协同工作。每一种硬件的制造能力都可能成为算力扩张的瓶颈。英伟达布局 CPU正是为了打通算力生态的各个环节消除供应链中的短板在制造能力有限的大背景下构建一个高效、完整的算力生态。从算法创新到制造能力的全链条竞争Dylan Patel 在播客中总结道AI 产业正在从虚拟概念向实体制造回归最终决定行业上限的将是物理世界的产能约束而非数字世界的算法创新。这一判断不仅揭示了当下 AI 算力的瓶颈更指明了未来 AI 产业的竞争方向 —— 从单一的技术竞争转向涵盖制造、供应链、生态的全链条竞争。在这场竞争中制造能力将成为最核心的竞争力。掌握 EUV 光刻机、先进晶圆制造、高端封装等核心制造技术的企业将占据产业链的顶端能提前锁定制造产能、构建稳定供应链的企业将在算力竞争中占据主动。正如英伟达的成功所证明的在制造能力成为瓶颈的时代供应链布局的重要性甚至超过了技术创新本身。同时AI 产业的资源争夺战还将继续升级。HBM 对消费电子内存的挤压只是一个开始。未来AI 还将与汽车、工业、航空航天等行业争夺半导体制造资源全球半导体供应链的格局将被不断改写。在这场零和博弈中只有那些能为半导体产业带来更高利润、更大需求的行业才能获得更多的制造资源。而 AI无疑是当下最具竞争力的那个。电力问题虽然不再是核心瓶颈但仍将是 AI 产业的重要考量。随着算力的不断扩张AI 数据中心的电力需求仍将持续增长资本驱动的非常规供电模式将成为主流。但与制造能力不同电力问题的解决更多依赖于企业的资金实力和运营能力而非技术壁垒。在制造能力成为核心瓶颈的情况下电力问题将成为筛选企业的 “门槛”而非决定行业上限的 “天花板”。对于中国 AI 产业而言这场制造瓶颈带来的挑战更为严峻。目前中国在 EUV 光刻机、先进制程晶圆制造、高端 HBM 内存等核心领域仍与国际先进水平存在较大差距制造能力的短缺成为了中国 AI 算力扩张的最大制约。要突破这一瓶颈需要从底层技术入手加大对半导体制造设备、材料、工艺的研发投入构建自主可控的半导体制造供应链。同时也需要借鉴英伟达的经验通过生态整合和产能布局最大化利用现有制造资源提升算力利用效率。2026 年的 AI 产业正站在一个关键的转折点上。算法创新的红利仍在释放但制造能力的约束已经显现。当人们不再讨论 “下一个大模型是什么”而是开始关注 “下一片硅片何时能生产出来” 时AI 产业才算真正走向成熟。毕竟再先进的算法终究要运行在实实在在的芯片上再宏大的 AI 愿景终究要受限于物理世界的制造能力。AI 的未来缺的从来不是电而是造芯片的能力。而这场制造能力的竞赛才刚刚开始。原文链接AI 算力大考缺电只是表象制造才是真正的天花板-36氪
