AI 产业链全景图。从地下的稀土矿到手机里的 AI 芯片，每一层都有自己的规则、瓶颈和不可替代的玩家。这不是选股报告，而是产业链说明书——先看清结构，再找价值。
没有高纯石英砂就没有晶圆，没有稀土就没有光刻机的磁悬浮台，没有特种气体就刻不出电路。这层是整个 AI 产业的物质基础，也是最容易被忽视的地缘战略层——日本控制光刻胶，美国控制特种气体核心专利，中国垄断稀土冶炼。
纯度 99.998% 以上的石英砂是拉制单晶硅棒的唯一原料。一颗 12 寸硅晶圆的起点，是挪威或美国的一座石英矿。
钕（磁铁）、镧（镜头）、铈（抛光）、钇（激光）——每种稀土在半导体制造中都扮演特定角色。ASML 光刻机的磁悬浮晶圆台就依赖钕铁硼永磁体。
氟化氩（ArF）用于 DUV 光刻、三氟化氮（NF₃）清洗 CVD 腔体、硅烷（SiH₄）沉积多晶硅。芯片制造的每一步化学反应都需要特定的高纯气体。
光刻胶是芯片光刻过程的"胶片"——涂在晶圆上，经光照后选择性溶解，形成电路图案。ArF（193nm）和 EUV（13.5nm）光刻胶是化学工业的皇冠。
一座 3nm 晶圆厂日均耗电 ~10 万 kWh（相当于 3 万户家庭用电），一台 EUV 光刻机运行功耗 ~1MW。没有稳定、廉价的电力就没有芯片制造。
原材料层的核心特征是高度集中 + 极难替代。石英砂（美国）、稀土冶炼（中国）、光刻胶（日本）、特种气体（欧美日）——每一项都只有 2-4 家供应商，任何一家出问题都会传导到整条产业链。这一层不是 AI 产业链中利润率最高的环节，但它是整栋大厦的地基——地基裂了，上层再华丽也没用。
晶圆厂 70% 的资本开支花在设备上。这一层的集中度比原材料层还高——ASML 垄断 EUV，应材/Lam/TEL 三分沉积刻蚀，KLA 独步检测。一台先进光刻机的复杂度超过一架波音 787，供应链横跨 5000+ 供应商。
把电路图案"印"到晶圆上的机器。EUV 光刻机是人类制造的最复杂的机器之一——用激光轰击锡滴产生 13.5nm 极紫外光，经过蔡司镜头的反射，以纳米精度在晶圆上刻画。
光刻画出图案，刻蚀按照图案在硅上"挖"出结构，沉积在晶圆上"镀"上一层薄膜。这三个步骤反复循环几百次，共同构成芯片制造的"加法"与"减法"。
每一步工艺之后都要检查——缺陷检测、膜厚量测、套刻精度、CD-SEM 关键尺寸测量。先进制程的检测步骤已超 1000 道（28nm 时代约 500 道），检测设备数量占比持续上升。
芯片造出来了，能不能用？ATE（自动测试设备）在封装前后对芯片做功能和性能测试。一片晶圆上有几百颗芯片，每颗都要测试——测试时间直接影响出货量和成本。
半导体设备是整条 AI 产业链中护城河最深、集中度最高、最不可替代的一层。ASML 的 EUV 光刻机是单点瓶颈之王——没有它就没有 7nm 以下芯片，没有先进芯片就没有大模型训练。这一层的可投资标的集中（ASML、应材、Lam、TEL、KLA、Teradyne、Advantest），估值不低但基本面极为稳固——即使 AI 泡沫破裂，晶圆厂的长期资本开支不会因为短期叙事降温就砍掉。
有了设备和材料，接下来是造芯片。这层分两条线：设计（用什么 EDA 画电路，用谁的 IP 核）和制造（谁来做晶圆，谁来做封装）。一个 AI GPU 的诞生路径是：Synopsys EDA 画图 → Arm 提供 CPU 核 IP → 台积电 N3 工艺流片 → CoWoS 封装把 GPU + HBM 堆在一起。
芯片设计的"编译器"——EDA 是把电路架构翻译成物理版图的软件。没有 Synopsys 或 Cadence 的工具，你连一颗最简单的 MCU 都画不出来。
台积电是全球最先进的芯片代工厂。N3（3nm）是当前量产的最先进制程，N2（2nm，GAA 结构）预计 2025-2026 量产。全球 90% 以上的 7nm 以下芯片由台积电制造。
一颗 H200 GPU 不只是台积电 N4 工艺的芯片，还包括 6 颗 HBM3E 通过 CoWoS 封装堆叠在一起。CoWoS（Chip on Wafer on Substrate）是台积电的 2.5D 封装技术——在硅中介层上把 GPU 和 HBM 连在一起。
芯片制造层的核心矛盾是台积电一家独大 + CoWoS 成为新瓶颈。先进制程（3nm/2nm）的高昂成本正在把芯片创新逼向"不做最先进的制程，用先进封装拼性能"的方向——这也是 AMD MI300（用稍旧制程 + 先进封装挑战英伟达）和 Chiplet 架构兴起的逻辑。三星和 Intel 在制造端追赶但差距明显，短期内看不到打破台积电垄断的可能。
大模型训练不仅是 GPU 的事——HBM 内存（"GPU 旁边的燃料罐"）、光模块（"GPU 之间的高速公路"）、交换机芯片（"高速公路的收费站"）共同构成了算力基础设施。没有足够快的内存和网络，一万张 GPU 就是一万个孤岛。
HBM（High Bandwidth Memory）是把多层 DRAM 芯片垂直堆叠在一起，通过硅通孔（TSV）互连，紧贴 GPU 放置。H200 的 141GB HBM3E 带宽 ~4.8TB/s——没有 HBM，大模型训练寸步难行。
AI 集群内的 GPU 之间需要高速互联。短距离用电（铜缆/DAC），中长距离用光（光模块+光纤）。一个 10 万 GPU 集群需要上万个 800G 光模块，光互联成本可能超过 GPU 本身。
GPU 之间怎么通信？InfiniBand（英伟达 Mellanox 垄断）是传统 AI 集群标配——低延迟、无损传输。但以太网正在追赶——博通 Tomahawk 5、英伟达 Spectrum-4 都支持 RDMA over Converged Ethernet（RoCE v2）。
HBM 和网络是 AI 算力扩张的两个物理瓶颈。HBM 产能被 SK 海力士一家卡住（2024-2025 年供给持续紧张），光模块/交换机则面临功耗和带宽增长的赛跑。这一层中，博通（定制 ASIC + 交换机芯片）和 SK 海力士（HBM）是在 AI GPU 之外的"隐形赢家"——它们不造 GPU，但英伟达每卖一颗 GPU 都要给它们付费。
前面四层的所有东西最终汇聚成一颗颗具体的芯片——训练 GPU、推理 ASIC、端侧 NPU。这一层是产业链的"收费站"：上游所有环节的技术进步和成本压缩，都由这一层的芯片设计公司来整合和定价。
大模型训练需要海量算力——GPT-4 据传用了 25000 颗 A100 训练 90-100 天，Gemini Ultra 用了更多。英伟达是这一层的绝对王者，但自研 ASIC 浪潮正在到来。
训练是一次性的资本开支，推理是持续性的运营开支。当模型部署到生产环境，每个 token 的推理成本决定了商业模式是否能跑通。这是创业公司最活跃的芯片层。
大模型能不能在手机上跑？苹果 Neural Engine（A17 Pro 的 35 TOPS）、高通 Hexagon NPU、Intel Meteor Lake NPU 都在回答这个问题。端侧推理是解决大模型"隐私 + 延迟 + 成本"三角矛盾的终极方案。
芯片产品层是整条产业链的"价值汇聚点"——上游每一层的技术进步和成本压缩最终体现为芯片的性能和价格。英伟达在训练领域的统治地位短期内无法撼动（CUDA 生态锁定），但在推理和端侧这两个更大的市场，格局远未定型——定制 ASIC、创业公司、端侧芯片都可能在 3-5 年内改变格局。2027 年推理市场规模预计超过训练市场，这是芯片产业三十年来的第一次——过去三十年一直是"训练为王"，未来十年可能是"推理为王"。