ai产业链
非常重要，行业大佬的观点，值得仔细看看！
Hock Tan 2026 年 9 月 8 日在 Goldman Sachs Communacopia + Technology Conference 的最新讲话核心内容。
过去三年，市场理解 AI 基础设施的方式非常简单：模型越大，需要的 GPU 越多，因此 AI 产业链最核心的变量就是先进制程、HBM 和先进封装。但在 Broadcom CEO Hock Tan 最新一次高盛科技会议上的讲话里，一个更重要的变化已经变得清晰：AI 基础设施的瓶颈正在继续向外迁移。
芯片仍然重要，但它已经不再是唯一、甚至未必是最难解决的约束。对于 2027 年甚至部分 2028 年的先进晶圆、HBM、基板和封装能力，大型半导体公司已经可以通过提前锁定供应来提高确定性。真正越来越难预测的，是一个 AI 数据中心能否按时获得土地、电力、变压器、燃气轮机、建设能力和并网许可。
这意味着 AI 正在从一个典型的半导体扩产周期，逐渐演化成一个真正的工业基础设施周期。
过去几年的瓶颈迁移其实已经出现了清晰轨迹。2023 年市场首先意识到 GPU 不够，随后问题迅速转移到 HBM 和先进封装；当计算芯片供给开始提升，新的约束又出现在高速网络和光互联；而现在，当单个集群开始向数百兆瓦甚至 GW 级扩张后，问题进一步进入电力系统和数据中心建设本身。
这不是原有瓶颈消失，而是系统不断扩张之后，最短板持续向更外层移动。
AI 数据中心正在从“服务器”变成“工业设施”
传统互联网时代，一个数据中心本质上是一栋装满服务器的建筑。但在 AI 时代，这个定义已经越来越不准确。
当单个 AI 集群进入 GW 级，它首先是一个巨型能源系统，其次才是计算系统。
1GW 的持续用电量，已经接近大型工业园区甚至城市级负荷。这个规模下，问题不再只是买多少 GPU，而是有没有足够的输电容量、变电设施、备用电源以及长期稳定能源。如果电力不能按时接入，即使芯片已经交付，算力也无法上线。
这解释了为什么 Hock Tan 特别提到了 transformer 和 gas turbine。
变压器、燃气轮机过去被视为传统电力设备，它们与最前沿 AI 的距离似乎很远。但当 AI 基础设施进入 GW 时代，这些设备正在进入数据中心建设的关键路径。芯片可以通过先进制程持续提高性能，但一座新的变电站、一条输电线路或者一套大型燃机系统，并不能按照摩尔定律的速度复制。
AI 开始真正撞上物理世界。
而物理世界最大的特点就是：建设周期长、供给弹性低、审批复杂。
因此未来几年 AI CapEx 的决定因素，很可能不只是“企业愿意花多少钱”，而是“全球工业体系到底能以多快的速度把这些钱转化成真实基础设施”。
第二个变化：网络正在从配套设备变成计算系统的一部分
AI 基础设施另一条非常重要的趋势，是 networking 的价值正在快速提高。
传统计算架构里，服务器是计算主体，网络主要负责不同服务器之间的数据传输。但大型 AI 模型完全不同。训练和推理越来越依赖数万甚至数十万颗 accelerator 协同完成一个任务，因此单颗芯片的性能越来越无法独立定义系统性能。
GPU 或 XPU 很快，但如果数据无法在芯片之间高速移动，计算资源就会大量闲置。
因此 AI 系统真正追求的指标，开始从单颗芯片 FLOPS 转向 cluster-level throughput。
这也是为什么 Broadcom 判断，未来几年 AI networking 的增长速度可能接近 XPU 本身。
这背后存在一个重要的产业逻辑：计算规模越大，通信复杂度往往增长得更快。
当 AI 集群从几千颗芯片扩展到几万颗、几十万颗之后，Scale-out 网络首先承受压力；随后 Scale-up 互联开始进入 Ethernet 的竞争范围；如果集群继续扩大，光通信还会进一步从机架之间向机架内部靠近。
于是整个互联体系可能经历一条连续演化路径：
电互联 → 高速 SerDes → 800G/1.6T 光模块 → Scale-up optical → NPO → 更靠近芯片的光互联。
真正重要的并不是某一代光模块的速率，而是“光”不断向计算核心移动。
过去光通信主要解决长距离数据传输问题，未来它越来越可能承担 AI 计算系统内部的数据搬运功能。一旦这个变化持续发生，光互联的产业属性也会发生变化：它不再只是数据中心的网络设备，而开始成为计算系统自身的一部分。
第三个变化：Custom ASIC 正在从补充方案变成第二条主流算力路线
Hock Tan 讲话里另一个值得重视的信息，是 Broadcom 与多家 frontier model developer 的定制芯片合作已经进入长期 roadmap。
这意味着 AI compute 正在逐渐形成两种并行架构。
第一种是 NVIDIA 所代表的通用 GPU。这条路线的优势是生态成熟、通用性强、软件栈完整，模型开发者可以快速迭代。
第二种则是 hyperscaler 和 frontier lab 推动的 Custom XPU。
定制芯片真正的优势并不只是成本，而是软硬件协同。
当一个模型公司的 workload 足够稳定、规模足够巨大，它就可以从算法层开始重新设计硬件：模型结构决定计算模式，计算模式决定 memory hierarchy、interconnect 和芯片架构，最终形成针对特定 workload 优化的 silicon。
这实际上意味着 AI 产业正在出现一个非常重要的变化：
过去是模型适应硬件，未来越来越可能变成硬件适应模型。
Google TPU 是最早的大规模案例，现在越来越多 frontier lab 正在进入类似路线。
如果这一趋势持续，AI 芯片行业的竞争边界会发生变化。未来最有竞争力的系统可能并不是拥有“最快单芯片”的公司，而是能够同时优化模型、计算、内存、网络和封装的一整套体系。
这也会进一步强化一个趋势：AI 的竞争越来越不是 chip-level competition，而是 system-level competition。
摩尔定律之后，封装正在成为“下一块主板”
芯片架构本身也正在发生变化。
随着先进制程越来越接近物理极限，仅依靠 transistor scaling 已经很难继续获得过去那种稳定的性能提升。于是 AI accelerator 开始从单 die 转向 multi-die，从 2 die 逐渐向 4 die、8 die 发展。
这看起来像是先进封装问题，本质上却是计算架构的重新组织。
当一个 accelerator package 内部包含多颗 compute die、多组 HBM、die-to-die interconnect 以及复杂的 power delivery 时，它已经不再是一颗传统意义上的芯片，而更像一个被压缩进封装内部的小型计算系统。
因此先进封装的价值正在发生根本变化。
过去封装主要负责把芯片连接到 PCB；未来封装本身开始承担过去主板和网络的一部分功能。
Compute、Memory、Interconnect 三者正在被逐渐压缩到同一个 package 内。
这意味着未来先进 AI 芯片的性能提升，很大一部分可能不再来自晶体管密度，而来自：
更大的 silicon area、更高速的 die-to-die communication、更高的 HBM bandwidth、更复杂的封装结构以及更高效的散热和供电。
摩尔定律并没有简单终结，它正在从 transistor scaling 演变成 system scaling。
最深层的变化，是 AI 正在成为一种能源密集型工业
Hock Tan 还给出了一个非常有意思的经济学框架：1GW 的 frontier AI compute，有可能对应约 300 亿美元级别的年化收入。
这个数字是否最终完全成立并不是最重要的。
真正重要的是，它揭示了一种新的经济结构：
电力 → 算力 → Token → AI 服务 → 收入。
过去数字经济的重要特点，是软件收入与物理资源消耗之间的关系相对弱。软件复制成本接近于零，因此互联网公司可以在很少增加物理投入的情况下扩大收入。
AI 改变了这种结构。
每一次大模型推理都需要真实的芯片运行、真实的内存访问、真实的数据传输和真实的电力消耗。
AI 因此可能成为数字经济历史上最“工业化”的软件产业。
软件需求越高，背后的物理资本投入也越大。
这也是为什么 AI CapEx 可能持续比过去互联网周期更长。它并不是简单建设一批服务器，而是在全球范围重新构建一套计算、电力和网络基础设施。
AI 产业的核心问题，正在从“芯片性能”变成“系统扩张速度”
如果把过去三年的变化串起来，会看到一条非常清晰的路径：
缺 GPU→ 缺 HBM 和先进封装→ 缺高速网络和光互联→ 缺电力和数据中心基础设施。
未来还可能继续出现新的瓶颈，例如散热、水资源、天然气供应、输电线路以及施工能力。
这实际上是 AI 工业化最核心的规律：
每解决一层瓶颈，系统就会扩大，随后暴露下一层瓶颈。
因此理解未来 AI 产业，不能只看某一颗 GPU、某一种 HBM 或某一代光模块，而应该把 AI 数据中心看成一个完整系统：
Compute × Memory × Network × Optical × Packaging × Power × Cooling × Data Center。
任何一项能力跟不上，整个系统的算力利用率都会下降。
这也是 Hock Tan 这次讲话最重要的意义。
它提醒市场，AI 已经走过了单纯讨论“模型有多聪明”和“GPU 有多快”的阶段。
接下来真正决定 AI 扩张速度的，将越来越多是工业世界的问题：
我们能够制造多少芯片，传输多少数据，提供多少电力，建设多少数据中心，以及能否让这些基础设施在同一个时间点同时上线。
AI 的下一阶段，表面上仍然是算力竞赛。
但本质上，它正在成为一场全球工业能力的竞赛。