2026 年，全球四大科技巨头亚马逊、Meta、谷歌和微软的资本支出预测总额达到 6,000 亿美元。换算成数据中心的年租赁价格，大约对应 50 GW（吉瓦）的算力容量半导体研究机构 SemiAnalysis 创始人兼 CEO Dylan Patel 近日做客 Dwarkesh Patel 的播客节目，就 AI 算力扩展的核心瓶颈进行了一次信息量极高的深度对话。

www.youtube.com/watch?v=mDG_Hx3BSUE

市场普遍担忧的“缺电”只是表象，真正的硬约束在于半导体供应链的物理产能。别只盯着电表转得快不快，真正的卡脖子是那几台光刻机忙不忙，毕竟电好买，芯难造；线好铺，封难包。

电力可以通过新建电厂和电网升级在中期解决（虽然慢但有路径），但先进半导体的制造涉及极度复杂的全球分工和垄断性技术，扩产周期更长、难度更大。

SemiAnalysis CEO Dylan Patel指出，“最大的瓶颈其实是算力本身，而算力最长期的供应链并不是电力或数据中心，而是半导体供应链” 。

这是自循环卡脖子论证了。。。

目前存在三大关键供应链瓶颈：

A. 先进封装产能（CoWoS）—— 最直接的堵点

现代AI芯片（如NVIDIA H100/B200）必须使用2.5D/3D先进封装技术（主要是台积电的CoWoS）将GPU和高带宽内存（HBM）整合在一起。没有封装，造出裸片也无法使用。

当前AI芯片供应的主要瓶颈在于先进封装技术CoWOs的产能，尽管台积电大幅扩产，但仍无法满足爆炸性需求 Omdia。报告指出，先进封装产能不足是扼制生产的首要因素，台积电CoWoS产能扩增仍难满足需求 。

B. EUV光刻机与逻辑芯片制造 —— 源头的物理极限

制造先进逻辑芯片需要ASML的EUV光刻机，这台机器本身产能有限，且建厂周期极长（3-5年）。这是整个链条的最上游“总阀门”。

算力瓶颈正从CoWoS转移到更上游的EUV光刻机产能桎梏 。行业竞争已下沉到物理世界的制造硬实力，EUV光刻机的产能是核心限制之一 。

C. 高带宽内存（HBM）—— 被忽视的“吞金兽”

AI训练对内存带宽要求极高，HBM成为刚需。但HBM生产良率低、占用晶圆厂大量产能，导致存储芯片挤占了逻辑芯片的制造资源。

存储芯片正在吃掉约30%的资本开支，导致其他环节资源紧张 。全球专业封装技能稀缺以及存储短缺是扼制生产的另外两大瓶颈 。存储芯片短缺问题预计将持续到2027年

3. 深层逻辑：为什么“电”不是现在的瓶颈？

电力属于基础设施，虽然建设慢，但属于“可再生资源”和“通用工程”，各国政府都在加速审批，且可以通过购买绿电、核能等方式多渠道解决。

半导体：属于“精密制造”和“垄断技术”。全球能生产先进AI芯片的只有台积电等极少数厂商，能生产EUV的只有ASML，能做大规模CoWoS封装的也只有几家。这种寡头垄断和技术壁垒使得供给弹性极低。

未来AI将与汽车、工业等行业争夺半导体制造资源，这种物理制造的稀缺性比电力更难在短时间内缓解 。无论供应链如何扩容，模型训练和推理都会把新增产能瞬间吃光，因为“算力永远不够”

4. 结论与启示投资与产业视角，AI产业的竞争焦点已从云端的算法创新，彻底下沉到物理世界的制造硬实力 。

风险提示：如果半导体供应链（特别是台积电的封装和ASML的光刻机）不能及时跟上，即便有再多的电力预算，AI算力也无法落地。这不仅是商业问题，更可能演变为地缘政治博弈下的国家安全问题。