一句话总览
AI产业链的核心逻辑：把算力从沙子变成智能——从硅砂提纯到芯片制造，从芯片封装到服务器集群，从集群组网到数据中心供电散热，最终支撑大模型训练和推理。
第一层：基础材料与设备（最上游）
这是整个产业链的”原材料层”，决定了能造多先进的芯片。
1.1 半导体材料
| 材料 | 作用 | 代表公司 |
|---|---|---|
| 硅片 | 芯片衬底，一切的基础 | 信越化学（日）、胜高 SUMCO（日）、环球晶圆（台）、沪硅产业（中） |
| 光刻胶 | 芯片图案的”感光底片” | JSR（日）、东京应化（日）、信越化学（日）、南大光电（中） |
| 电子特气 | 刻蚀、掺杂用特种气体 | 空气液化（法）、林德（德）、华特气体（中） |
| 抛光液 CMP | 芯片各层打磨平整 | 卡博特（美）、富士磨料（日）、安集科技（中） |
| 靶材 | 芯片金属层溅射 | 日矿金属（日）、霍尼韦尔（美）、江丰电子（中） |
1.2 半导体设备（制造工具）
| 设备 | 作用 | 代表公司 |
|---|---|---|
| 光刻机 | 在硅片上”画”电路图案 | ASML（荷）—— EUV 唯一供应商，一台 €1.8-3.8 亿 |
| 刻蚀机 | 把图案刻进硅片 | 泛林 Lam（美）、东京电子 TEL（日）、中微公司（中） |
| 薄膜沉积 | 在硅片上铺各种材料层 | 应用材料 AMAT（美）、东京电子 TEL（日） |
| 离子注入 | 改变硅的电学特性 | 应用材料 AMAT（美）、Axcelis（美） |
| 检测量测 | 检查芯片质量 | 科磊 KLA（美）、应用材料 AMAT（美） |
关键瓶颈：ASML 的 EUV 光刻机是全球独一份，没有它就做不出 7nm 以下的先进制程。这是美国对华技术封锁的核心抓手。
第二层：芯片制造（代工 Foundry）
把设计图纸变成物理芯片。
| 环节 | 代表公司 | 市场地位 |
|---|---|---|
| 芯片设计 | NVIDIA、AMD、Google（TPU）、华为（昇腾） | NVIDIA 占 AI 加速器市场 ~80% |
| 晶圆代工 | TSMC（台）、三星（韩）、Intel（美）、中芯国际（中） | TSMC 占全球代工 ~64%，先进制程（<7nm）占比 ~74% |
| 先进封装 | TSMC CoWoS、ASE 日月光、Amkor | CoWoS 是当前 AI 芯片最大产能瓶颈 |
| 封装测试 | ASE、长电科技、京元电子 | 成熟制程封装竞争充分 |
关键概念
- 制程节点（3nm / 5nm / 7nm）：数字越小 = 晶体管越密 = 芯片越强越省电。高端 AI 芯片全用 3-5nm
- CoWoS 先进封装：把 GPU 和内存”贴”到同一块硅基板上，距离极近，数据传输极快。TSMC 月产能从 2023 底 ~1.5 万片扩到 2025 底 ~7-8 万片，仍供不应求
- NVIDIA B300 规格（2025 下半年）：288GB HBM3e，带宽 ~8TB/s，功耗 ~1400W/颗
第三层：存储与内存
AI 芯片再快，数据喂不上就是空转。HBM 是关键。
3.1 HBM（高带宽内存）
传统内存是”平铺”的，HBM 是”叠楼”——多层芯片垂直堆叠，通过硅通孔（TSV）连接，再以超宽接口接到 GPU。
| 类型 | 速度 | 状态 |
|---|---|---|
| HBM2e | ~460 GB/s | 上一代 |
| HBM3 | ~820 GB/s | 主流 |
| HBM3e | ~1-1.2 TB/s | 当前旗舰 |
| HBM4 | ~2 TB/s+ | 2026 量产中 |
三寡头格局：
- SK 海力士（韩）：~55% 份额，技术领先
- 三星（韩）：~20-22%，追赶中
- 美光 Micron（美）：~18-21%，增速最快
Micron 已公开表示其 2026 年 HBM4 产能全部售罄。
3.2 传统存储
| 类型 | 作用 | 代表公司 |
|---|---|---|
| DRAM | 主内存 | 三星、SK 海力士、美光 |
| NAND Flash | 固态硬盘 SSD | 三星、铠侠、西部数据、长江存储 |
| 企业级 SSD | AI 训练数据存储 | 三星、Solidigm（英特尔拆出）、忆恒创源 |
第四层：网络与互联
把成千上万张 GPU 连成一台超级计算机。
4.1 光模块
GPU 之间的数据传输距离一长、速度一高，铜线就扛不住了，必须走光纤。
| 世代 | 速率 | 状态 |
|---|---|---|
| 400G | 400 Gbps | 上一代 |
| 800G | 800 Gbps | 当前主流，2024-2025 AI 数据中心标配 |
| 1.6T | 1.6 Tbps | 2025-2027 量产爬坡中 |
代表公司：中际旭创（中）、新易盛（中）、Coherent（美）、Fabrinet（泰/台）、II-VI（美）
4.2 硅光与 CPO（共封装光学）
- 硅光技术：用硅基工艺做光通信芯片，和 CMOS 工艺兼容，成本可降
- CPO（Co-packaged Optics）：把光引擎和交换芯片封装到一起，省电 ~50%（每端口从 ~30W 降到 ~9W）
- NVIDIA 的 CPO 交换机已发布，将硅光技术直接集成到交换 ASIC 上
4.3 交换机与网络
| 组件 | 作用 | 代表公司 |
|---|---|---|
| 交换芯片 | 数据包路由转发 | Broadcom（美）、NVIDIA（Mellanox）、华为 |
| 交换机整机 | 网络枢纽 | Arista（美）、思科（美）、华为、新华三 |
| InfiniBand | AI 专用高速网络 | NVIDIA（几乎垄断） |
| 以太网 RoCE | AI 网络的另一条路线 | Broadcom、Arista、华为 |
4.4 铜缆与连接器
短距离仍用铜缆，代表：安费诺 Amphenol（美）、立讯精密（中）、兆龙互连（中）
第五层：服务器与散热
5.1 AI 服务器
把 GPU + CPU + 内存 + 网卡打包成一台机器。
| 角色 | 代表公司 |
|---|---|
| 整机组装 | 广达（台）、纬创（台）、富士康/鸿海（台）、超微电脑 Supermicro（美）、浪潮（中） |
| 服务器主板 | 技嘉（台）、华硕（台）、超微 |
| AI 服务器整机 | Dell、HPE、联想、浪潮、宁畅 |
一台 NVIDIA Vera Rubin NVL72 机架功耗 ~190-230kW，相当于 200 多台家用空调同时运转。
5.2 散热与液冷
传统风冷每个机柜能扛 5-10kW，AI 机柜动辄 30-120kW，液冷已经不是可选项，而是必选项。
| 方案 | 原理 | 适用场景 |
|---|---|---|
| 冷板式液冷 | 冷却液通过贴在芯片上的冷板带走热量 | 当前主流，成熟度最高 |
| 浸没式液冷 | 整个服务器泡在绝缘液体里 | 极高密度，成本高 |
| 喷淋式液冷 | 冷却液直接喷淋到芯片表面 | 新兴方案 |
产业链代表：
- 冷板/CDU（冷量分配单元）：Vertiv（美）、台达电（台）、曙光（中）
- 冷却液：3M（美）、Chemours（美）
- 泵阀管路：各种工业流体公司
第六层：数据中心与能源（基础设施）
AI 的终极瓶颈正在从”算力”转向”电力”。
6.1 数据中心供配电
一个大型 AI 数据中心 = 一个中型城市的用电量。
电网 → 变电站 → 变压器 → 高压配电 → UPS/后备电源 → PDU → 机柜
| 组件 | 作用 | 代表公司 |
|---|---|---|
| 变压器 | 电压变换，占供配电投资 ~15% | 金盘科技（中）、ABB、西门子、伊顿 |
| UPS 不间断电源 | 断电保护 | Vertiv（美）、施耐德（法）、华为 |
| HVDC 高压直流 | 新一代供电架构，效率更高 | 台达电、华为、中恒电气 |
| PDU 机柜配电 | 给每个机柜分配电力 | Vertiv、施耐德、Raritan |
| 柴发/燃气发电 | 后备电力 | 卡特彼勒、康明斯、潍柴 |
| SST 固态变压器 | 未来方向，电力电子变换器 | 仍在研发阶段 |
NVIDIA 800V DC 架构：正在推动数据中心从传统交流供电转向高压直流，减少转换损耗。禾望电气等中国企业在供应链中。
6.2 能源来源
| 能源形式 | 现状 | 代表 |
|---|---|---|
| 电网购电 | 当前主力 | 各国电网公司 |
| 可再生能源 | 大规模绿电 PPA | NextEra、Iberdrola |
| 核电 | 基荷电力，24h 不断 | Constellation、Vistra |
| SMR 小型模块化反应堆 | 2030 后可能商用 | NuScale、Oklo、X-energy（Amazon 合作） |
2026 年五大云厂商（Amazon、Microsoft、Google、Meta、Oracle）合计资本开支约 $6000-6900 亿，同比增长 ~30%。其中大部分转化为 GPU、数据中心和电力基础设施。
6.3 数据中心建设
| 环节 | 代表公司 |
|---|---|
| 选址/建设 | Equinix、Digital Realty、万国数据、世纪互联 |
| 机柜/机架 | Vertiv、威图 Rittal |
| 消防 | 气体灭火系统（FM-200、Novec） |
| 安防/监控 | 海康威视、大华 |
| DCIM 管理 | Schneider EcoStruxure、Vertiv Trellis |
第七层：云计算平台（算力交付层）
把数据中心变成可调用的服务。
| 公司 | 自研芯片 | AI 平台 |
|---|---|---|
| Amazon AWS | Trainium/Inferentia | SageMaker、Bedrock |
| Microsoft Azure | Maia | Azure OpenAI、Copilot |
| Google Cloud | TPU (Ironwood) | Vertex AI、Gemini |
| Meta | MTIA | LLaMA 系列 |
| Oracle Cloud | — | OCI AI |
| 国内：阿里云 | 含光 | 通义千问 |
| 国内：华为云 | 昇腾 | 盘古大模型 |
第八层：大模型与 AI 应用（最终产出）
这是普通人感知到的 AI——ChatGPT、Claude、Copilot 等。
8.1 基础大模型
| 层级 | 代表 |
|---|---|
| 闭源模型 | GPT-4o/5、Claude、Gemini、文心一言 |
| 开源模型 | LLaMA、Qwen、DeepSeek、Mistral |
| 模型训练框架 | PyTorch（Meta）、JAX（Google）、Megatron（NVIDIA） |
| 推理优化 | vLLM、TensorRT-LLM、ONNX Runtime |
8.2 AI 应用层
| 领域 | 示例 |
|---|---|
| 对话/助手 | ChatGPT、Claude、Kimi |
| 代码生成 | GitHub Copilot、Cursor、Claude Code |
| 图像生成 | Midjourney、DALL-E、Stable Diffusion |
| 视频生成 | Sora、Runway、Pika |
| AI Agent | AutoGPT、各类垂直 Agent |
| 行业应用 | AI 医疗、自动驾驶、工业质检、金融风控 |
全景一图：从沙子到智能
硅砂 → 硅片 → 芯片设计 → 晶圆代工（光刻/刻蚀/沉积）→ 先进封装（CoWoS + HBM）
↓
AI 芯片（GPU/TPU/NPU）
↓
服务器组装（+ 主板 + 散热 + 电源）
↓
光互联（光模块/硅光/CPO）+ 网络设备（交换机/InfiniBand）
↓
数据中心（机柜 + 供配电 + 液冷 + 安防）
↓
电力（电网/绿电/核电）← 这是新瓶颈
↓
云计算平台 → 大模型训练/推理 → AI 应用
四大核心瓶颈（2025-2026）
| 瓶颈 | 原因 | 集中地 |
|---|---|---|
| 先进制程代工（<7nm） | 全球高端芯片几乎全靠一条产线 | TSMC（台湾） |
| 先进封装 CoWoS | 产能严重不足，决定 GPU 出货量 | TSMC（台湾） |
| HBM 内存 | 三寡头，产能全被预订 | SK 海力士（韩国）领先 |
| EUV 光刻机 | 做先进制程的唯一门票 | ASML（荷兰）垄断 |
下一个瓶颈是电力：AI 的算力天花板正在从”芯片不够”转向”电不够”。一个 200kW 的 AI 机柜 ≈ 传统机柜 20-40 倍的功耗。电网容量、土地、散热成为新的约束。
中国在产业链中的位置
| 环节 | 中国实力 | 代表公司 |
|---|---|---|
| 芯片设计 | 有能力但受制于制造 | 华为昇腾、寒武纪 |
| 晶圆代工 | 成熟制程强，先进制程受限 | 中芯国际（7nm 良率爬坡中） |
| 光刻设备 | 中低端自给，EUV 空白 | 上海微电子（28nm DUV） |
| HBM | 早期阶段 | 长江存储、长鑫存储 |
| 光模块 | 全球领先 | 中际旭创、新易盛（800G/1.6T 出货全球前列） |
| 服务器 | 世界级 | 浪潮、联想、宁畅 |
| 液冷散热 | 快速追赶 | 曙光、英维克 |
| 电力设备 | 优势领域 | 金盘科技（变压器出口）、禾望电气 |
| 数据中心 | 规模大但能耗高 | 万国数据、世纪互联 |
| 大模型 | 第一梯队追赶 | DeepSeek、通义千问、文心、Kimi |