【老王看产业】AI周期的半导体产业链迭代：从“芯片供给”走向“算力系统能力供给”

作者：爱集微 49分钟前

来源：爱集微 #老王看产业# #半导体#

1937

作者：老王

本轮AI周期对半导体产业的影响，并非一次简单的需求上行。模型厂商、互联网平台公司和车企进入芯片定义乃至自研环节，意味着算力、能效、软件适配和供应安全已经成为其核心产品能力。产业竞争的基本单位由“单颗芯片”上升为“模型—编译器—芯片—存储—互连—封装—系统”的整体。

核心判断

未来最重要的变化，不是所有下游企业都成为IDM，而是形成“无晶圆厂的垂直整合”：下游掌握工作负载、软件和架构定义，专业半导体企业提供IP、设计实现、制造、封装及量产能力。

AI周期正在同时产生三种力量：第一，训练与推理需求推动先进逻辑、HBM、先进封装和高速互连扩张；第二，定制芯片与半定制平台改变标准芯片的定价和客户关系；第三，AI进入EDA和晶圆制造，缩短设计收敛、良率爬坡和运营优化周期。三者叠加，使产业链从线性供应关系转向多方共同设计的数据闭环。

·需求端：算力采购指标从峰值性能转向每瓦性能、每美元有效算力、Token成本和集群可用率。

·供给端：稀缺资源由先进制程扩展至HBM、CoWoS/3D封装、SerDes、光互连、电源和散热。

·组织端：云平台、车企和模型厂商成为“系统型Fabless”，设计服务商则向共同产品开发升级。

·产品端：标准GPU不会消失，市场将分化为通用芯片、半定制平台和完全定制XPU三层。

·机会端：确定性较高的机会更多位于基础设施型瓶颈，而不是再次复制一颗通用GPU。

一、AI周期为何不同于传统半导体周期

1. 从终端景气循环转向“计算密度—能效—资本开支”循环

传统半导体周期通常由消费电子销量、库存和产能利用率主导。本轮AI周期的核心变量则是单位时间内可交付的有效计算量。模型能力提升带来更高的训练和推理需求；算力成本下降又扩大应用规模；应用规模反过来刺激新的模型和硬件投资。这一正反馈使AI基础设施在宏观需求波动中仍可能维持较高投资强度。

同时，AI并没有均匀拉动所有半导体品类。SEMI对2025年的预测显示，先进节点产能增速约16%，明显高于全行业6.6%的增速；晶圆代工产能预计增长10.9%，DRAM约增长7%，而成熟节点约增长5%。这意味着行业景气从“全面普涨”转向“结构性高景气”。

图1 2025年全球半导体产能增速呈明显结构分化

数据来源：SEMI，World Fab Forecast，2025年1月。数值为SEMI当时预测；先进节点指7nm及以下。

2. 先进制程需求与系统级集成同步增强

台积电2025年年报显示，7nm及以下先进制程占晶圆收入的比重由2024年的69%提高到2025年的74%，3nm收入占比由18%升至24%；2nm也于2025年第四季度进入量产。数据说明AI和高性能计算并未削弱先进制程的重要性，但性能提升越来越需要与先进封装、HBM和互连共同实现。

图2 台积电先进制程与3nm收入占比

数据来源：TSMC 2024、2025 Annual Report，口径为年度晶圆收入占比。

因此，摩尔定律并未被替代，而是从单一的晶体管缩放扩展为“制程缩放＋系统级缩放”。晶圆制造、芯片堆叠、封装基板、存储和散热之间的边界正在被重新定义。

二、自研芯片兴起：供应不足只是表象

平台公司和车企进入自研芯片环节，确实反映了通用芯片在产能、价格、技术支持和产品节奏上的不足。但更深层的原因是，芯片已成为决定其产品体验、单位经济性和战略安全的核心能力。自研的目标并不是拥有所有半导体技术，而是掌握关键定义权。

AWS披露，Trainium2相对第一代Trainium最高可实现4倍性能，Trn2实例相对其GPU型P5e/P5en实例具有30%—40%的价格性能优势。该数据属于厂商特定环境下的比较，不能直接外推至所有模型，但它揭示了自研芯片的商业逻辑：当工作负载足够大且稳定，TCO节省可能覆盖高昂的设计、流片和软件投入。

图3 Google Ironwood相对上一代TPU的系统指标提升

数据来源：Google，Ironwood产品发布资料，2025年4月。均为Google披露数据；并非第三方基准测试。

Google公布的Ironwood指标进一步说明，定制加速器的优化重点已不只是计算单元：相对上一代Trillium，其每瓦性能为2倍、HBM容量为6倍、HBM带宽为4.5倍，芯片间互连带宽约为1.5倍。系统瓶颈正从算术逻辑扩展至数据搬运、内存、互连和散热。

三、产业链组织方式：从线性交付走向协同闭环

图4 半导体产业链由串行交付转向工作负载驱动的协同闭环

传统模式中，应用企业采购标准芯片，芯片公司组织设计，晶圆厂和封测厂按工序交付。AI周期下，模型、软件和硬件必须反复协同：模型结构决定精度和内存访问，编译器决定芯片利用率，封装和互连决定集群扩展效率，制造及运行数据又反馈下一代架构。

新的产业角色：未来会出现更多“系统型Fabless”：企业不拥有晶圆厂，却掌握模型、数据、软件栈、架构和芯片路线，并通过IP、ASIC设计服务、晶圆代工和先进封装完成产品。

四、未来产业链与供应链的八项变化

1. 芯片定义权向下游迁移

模型厂商、云平台和车企将更多掌握算子、指令扩展、存储层次、互连接口和软件路线。传统芯片公司的竞争力将从“提供标准器件”转向“参与客户早期架构定义”。

2. 通用、半定制和完全定制三层并存

通用GPU适合多变负载和生态优先的客户；预验证计算子系统加自定义NPU/I/O适合大多数车企与行业平台；完全定制XPU只对规模足够大、负载稳定、软件能力强的企业成立。

3. ASIC服务升级为共同产品开发

客户提供工作负载和关键架构，服务商提供SerDes、HBM控制器、CPU子系统、物理实现、封装和量产工程。商业模式将更多采用NRE、IP授权、制造费用和长期产能承诺的组合。

4. 产品单位由芯片上升为系统

竞争指标由芯片峰值算力转向机柜级吞吐、功耗、可用率和Token经济性。服务器、交换、光互连、电源和液冷将与计算芯片共同决定客户价值。

5. Chiplet推动模块化供应链

UCIe 3.0把速率提升至48/64 GT/s，并强化管理和可靠性机制。未来可能形成CPU、NPU、I/O、安全、模拟和光互连芯粒，但开放市场首先会在稳定联盟和垂直生态内成熟。

6. 晶圆代工升级为Foundry 2.0

先进制程、特色工艺、3D堆叠、封装、光电集成和测试将被组织成统一平台。头部客户通过预付款、长期采购和共同规划锁定晶圆、HBM与封装能力。

7. 软件栈成为供应链组成部分

编译器、算子库、Kernel工具、量化、硬件抽象和运行时决定芯片能否真正产生有效算力。芯片供应商的服务周期将延伸到持续的软件优化和生命周期维护。

8. 集中化与多元化同时发生

先进制程、HBM、EDA和先进封装进一步集中；终端架构和产品种类则更加多元。企业会增加第二供应源和区域备份，并通过不同节点的Chiplet组合平衡成本与风险。

五、价值重新分配：哪些环节可能获得更高议价权

AI周期的价值并不会平均分配。能在多个客户体系中复用、同时又受技术或产能约束的能力，通常更容易获得议价权。相比再造一颗通用计算芯片，围绕系统瓶颈建设的基础设施型能力具有更高确定性。

图5 AI周期半导体机会地图

来源：作者分析框架。横纵轴为1-10分的定性评估，不代表市场规模预测；气泡大小表示产业链影响范围。

六、汽车产业：自研芯片不会消灭Tier 1，而会重写分工

汽车企业自研芯片的直接动因是软件定义汽车：自动驾驶、座舱和车控需要共享数据与算力，传统分布式ECU难以支撑持续升级。车企希望掌握中央计算架构、软件接口和数据闭环，但汽车芯片还必须满足功能安全、可靠性、认证和十年以上供货要求，因此很难完全脱离成熟的半导体与Tier 1体系。

未来较可能的分工是：车企控制E/E架构、操作系统、算法和芯片需求；IP厂商提供预验证计算子系统；芯片公司或设计服务商完成SoC实现；晶圆厂和封测厂负责车规制造；Tier 1转向系统集成、传感器执行器、功能安全和全球交付。Arm披露的Zena CSS即体现了这种半定制方向：通过预集成、预验证平台，厂商称可把开发周期缩短最多12个月并减少约20%的芯片工程工作。该数字同样属于厂商估算，但说明“复用非差异化模块、把资源集中在自定义部分”将成为主流。

七、企业应如何选择自研、合作或采购

是否自研不能由“战略重要性”单一决定，而应同时评估规模、稳定性、软件能力和供应链承诺。以下框架可用于内部讨论。