AI硬體的競爭單位已經從單顆GPU變成整套可上電系統。HBM分層、CoWoS擴產、機櫃延期和38GW隱含功率，分別對應記憶體器、製造、工程和電力4道約束。
單顆GPU不再是正確的研究單位
過去常用“GPU出貨量×單價”估算AI硬體價值。現在這個公式少算了5個必要條件：HBM、CoWoS、測試、機櫃和電力。GPU完成量產，只代表理論算力形成；全部環節閉合後，算力才能上線。
六道門的先後關係很清楚：HBM決定可選規格，晶圓和CoWoS形成晶片，測試篩出合格品，PCB、互連與液冷把晶片裝成機櫃，資料中心最後完成上電。任一環節落後，前序產出都可能變成庫存、在製品或延遲收入。
此前Rubin機櫃研究已經說明，GPU之外的記憶體器、PCB、電源和液冷正在增加單櫃價值。本篇只向前推進一個問題：當頂配無法無限複製時，分層配置會怎樣改變各環節的數量、價格和利潤。相關背景參看Rubin機櫃重估：GPU佔比降到51%，AI硬體價值正在向記憶體、PCB與電源液冷遷移，誰在接住AI硬體新增量。
HBM分層配置：用更少記憶體器換更多可交付晶片
Rubin Ultra候選方案中，高端版本使用HBM4e 8Hi，較低版本使用HBM4 12Hi或8Hi。8Hi只表示堆疊層數，不能單獨代表整顆GPU等級；代際、介面速度、堆疊數量、總容量和系統設計共同決定最終性能。更先進的HBM4e服務高端版本，HBM4則覆蓋成本或容量要求較低的任務。
輝達考慮分層有兩個原因。其一，HBM必須與GPU封裝、訊號、電源、散熱和良率共同驗證，短缺時無法隨時換料。其二，不同任務對容量的敏感度不同。每顆低配GPU少用一部分HBM，同一批記憶體器就能支援更多晶片；高端HBM則留給訓練、長上下文和高服務等級推理。
性能代價主要出現在解碼。預填充可以平行處理輸入Token，解碼需要逐Token讀取權重與狀態，KV cache還會隨上下文長度和並行擴大。容量減少後，系統可能被迫降低批次、縮短上下文、增加跨卡通訊，或把狀態移到較慢層級，最終損失延遲、吞吐或能效。
軟體決定低配SKU能否成立。雲廠商需要按模型、上下文長度和服務等級分配硬體；KV cache壓縮、量化、分層記憶體和批處理則降低單位任務的HBM佔用。只有每美元、每瓦對應的有效Token增加，節省的HBM才真正轉化為更高供給。
因此，分層最先改變的可能是HBM4e與HBM4的產品組合，而不是HBM總需求方向。總量要同時看單顆容量下降幅度和晶片數量增幅。相關歷史框架參看記憶體稅來了：AI如何把HBM、DRAM和NAND擠成全球宏觀瓶頸。
266.4萬片CoWoS背後，不止是GPU擴產
報告對2027年的自下而上模型很激進：266.4萬片CoWoS配額，隱含3399.6萬顆GPU、CPU與ASIC，帶來486.18億Gb HBM需求；計算晶片本身消耗約211.9萬片晶圓，對應587.98億美元晶圓收入。四個數字對應計算晶圓、記憶體器和先進封裝同步擴張，AI供應鏈不再由GPU單線驅動。
但這組數字不能直接當成收入預測。首先，“配額”是客戶爭取與供應鏈核查後的配置意向，不等於最終全部投片。其次，晶片數取決於每片CoWoS晶圓可承載的封裝數量，不同產品的尺寸、良率與設計差異很大。再次，HBM需求由每顆晶片搭載的堆疊數與容量決定，Rubin Ultra若採用分層規格，實際總量就可能偏離當前統一規格假設。最後，計算晶圓完成後還要經過封裝、測試、機櫃整合和部署，收入確認時點與配額年份可能錯位。
把這些限制放回模型，266.4萬片的意義仍然很大：它給出了供應鏈必須準備的“上限場景”。如果客戶擔心未來拿不到產能，往往會提前鎖定CoWoS、HBM和晶圓；而供應商面對高增長意向，也會擴產和採購裝置。即使最終出貨低於配額，產能爭奪本身也會影響價格、交期和資本開支。反過來，若配額增長遠快於機櫃交付與資料中心上電，庫存和產能利用率就會成為2027年下半年的主要警報。
更關鍵的是客戶結構。2027年輝達仍是最大CoWoS客戶，報告估算其需求從2026年的78萬片升至122.2萬片，但份額由56%降至45%。輝達絕對量仍在增長，份額下降來自AMD、博通、聯發科以及雲廠商自研ASIC擴張更快：AMD由13萬片升至53萬片，博通由30萬片升至48.4萬片，聯發科由4萬片升至18萬片。先進封裝的邊際需求正從一家GPU平台擴散到多種GPU和ASIC項目。
這會帶來兩個變化。第一，CoWoS供應商面對的產品組合更碎片化。GPU、CPU和ASIC的封裝尺寸、互連、HBM配置、測試程序與客戶認證都不同，名義產能相同，不代表可以無成本切換。第二，客戶議價結構會改變。輝達仍控制最大單一需求，但ASIC客戶合計規模上升，會給封裝、測試和設計服務廠商提供更多客戶來源，同時增加排產複雜度。
報告給出的全年客戶需求從2026年的139.4萬片升至2027年的269.4萬片，同比增長約93%；年末CoWoS供給能力則從約120kwpm升至200kwpm，增幅約67%。兩組數字一個是全年需求、一個是年末月產能，不能直接相減判斷缺口，但方向很清楚：產能在擴，需求池也在更快擴張。稀缺性取決於能否按產品要求達到高良率、通過認證並按期交貨的有效產能。
Kyber延期把超級節點從概念拉回工程現場
材料稱，Kyber機櫃因為PCB與散熱問題延後，目前沒有明確時間表；首代Rubin Ultra可能繼續使用Oberon NVL72機櫃，再通過CPO或NPO把規模擴展到NVL576級部署。這個細節的重要性遠高於“又一款機櫃延期”，因為它說明晶片路線圖與系統路線圖可以不同步。
超級節點追求在更大的計算域內保持高頻寬、低延遲通訊。節點越大，板級訊號完整性、連接器、線纜、交換晶片、供電與散熱的難度越高。PCB需要更高層數、更低損耗材料和更嚴格製造公差；機櫃功耗上升後，冷板、歧管、CDU和機房水系統必須共同工作；銅互連距離受限，光互連則要處理成本、功耗、可靠性與維護。任何一個環節不過關，理論上的NVL576就只能停留在架構圖上。
CPO與NPO的差別也不宜簡化成“誰更先進”。CPO把光引擎更靠近交換晶片，能降低高速電訊號傳輸距離與部分功耗，但封裝、散熱、可維護性和良率要求更高；NPO把光引擎放在封裝附近，工程靈活性與可替換性更好，卻可能犧牲部分功耗和密度。材料判斷輝達長期仍偏好機櫃間CPO，但首代系統可能採用更可落地的過渡路線。部署標準是能否在客戶要求的時間內，把成本和故障率控制在可接受範圍。
機櫃供應商的關鍵資產是系統准入權。高階PCB、低損耗材料、連接器、光引擎、液冷與電源廠商，必須依次通過平台設計、客戶認證和批次交付。路線圖訂單、認證訂單和實際機櫃出貨是3種不同強度的證據。
報告預計2026年Blackwell出貨約540萬顆；Rubin在2026年3季度爬坡、4季度啟動機櫃出貨，2027年Rubin與Rubin Ultra合計接近700萬顆，對應約9萬套Rubin NVL72機櫃。晶片爬坡、機櫃出貨、客戶驗收和現場上電之間存在數周到數月時差，因此季度收入不能只按晶片量產日推算。
38GW把晶片計畫拉回電力與園區建設
報告用約1900萬顆2027年GPU/ASIC、平均每顆2kW，估算出38GW晶片隱含功率。其中輝達約16GW、Google約9GW、AMD約7GW、AWS約2GW，微軟、Meta和其他需求各約1GW。這個模型把晶片訂單換算成了必須由現實世界承接的電力容量，方向判斷比個位數精度更重要。
38GW不是已建成的資料中心容量。晶片TDP之外還有網路、記憶體、供電損耗、冷卻與冗餘，裝置也不會全年100%滿載；項目標稱電力還要經過電網接入、變電站、備用電源、冷卻水和施工。它只說明晶片模型若兌現，園區需要承接多大壓力。
材料還給了一個很直觀的壓力測試：若某大型算力項目從2GW擴到接近10GW，額外8GW粗略相當於約400萬顆Rubin GPU，約佔台積電2027年AI加速器潛在產能的20%。這說明一個超大項目就可能明顯改變CoWoS、HBM和晶圓分配。但項目宣佈、資本開支、裝置進場、上電和高利用率運行是五個不同階段，越靠後，事實強度越高。市場若只看宣佈容量，容易把遠期工程目標提前計入當期供應鏈收入。
此前Vera Rubin 1GW成本研究給出約470億美元/GW的全端資本開支框架。按這個思路，雲廠商不僅要拿到晶片，還要證明融資、並網、建設、利用率和AI收入可以覆蓋這批資產。相關分析參看Vera Rubin 1GW成本總帳：470億美元AI工廠如何重排GPU、記憶體、網路、電源與基板價值。
電力緊張會把任務進一步分層：訓練、長上下文和高價值推理優先使用高端GPU，穩定且可批處理的任務更適合較低規格GPU或ASIC。判斷部署優先順序時，每瓦有效Token比單顆峰值性能更接近真實約束。
ASIC擴張，讓測試環節從配角變成吞吐閘門
報告預計GoogleTPU出貨從2026年的370萬顆升至2027年的超過700萬顆，GoogleCPU從150萬顆升至300萬顆。聯發科預計自己在2027年ASIC市場佔有15%至20%，並在TPU項目中取得約20%的收入份額；若後續2nm TPU放量，份額還有繼續提高的可能。ASIC正在GPU之外形成第二條大規模需求曲線。
ASIC擴張對供應鏈最容易被低估的影響是測試。先進節點晶片價值高、封裝複雜，客戶更難接受早期失效。報告預計3nm AI ASIC會匯入老化測試，而且測試周期可能延長；CPU還需要老化測試和系統級測試。測試廠的收入不只由晶片顆數決定，還取決於每顆晶片佔用裝置的時間、測試項目數量、平行度、良率複測和系統級驗證強度。
報告據此估算，TPU業務可能貢獻京元電子2026年收入的7%至8%，2027年超過10%；CPU測試在2027年可能再貢獻3%至4%，Google相關收入合計由2026年的8%至10%升至2027年的10%至15%。這裡要特別區分“出貨增長”與“測試收入彈性”：若測試時長增加，收入增幅可能高於顆數；若裝置平行效率提升、測試程序成熟或客戶轉移訂單，收入也可能低於模型。
測試還是整個交付鏈的節拍器。晶圓廠和封裝廠可以用月產能描述規模，測試廠卻要面對產品切換、程序偵錯、裝置轉換和良率反饋。GPU與ASIC客戶同時擴張時，測試資源必須在不同晶片、不同客戶和不同認證規則之間切換。高端測試裝置、探針卡、測試座與老化板若準備不足，前面完成的晶圓和封裝會在最後一道量產門前排隊。
因此，2027年的供應鏈不能只按晶圓廠收入排序。設計服務、封裝、測試、探針卡、測試介面和系統驗證可能擁有更高的數量彈性，但它們的兌現取決於客戶份額和利用率。有效驗證變數包括新程序匯入、測試時長、裝置利用率和客戶收入佔比。 (404K)