這裡所說的 GPU，主要指資料中心 GPU 和 AI 加速器，不是消費級圖形顯示卡。
當最先進製程仍受限制，我們國家的 GPU 靠什麼實現突破？
我的判斷是：
先進封裝是關鍵支點之一。
原因不複雜。
AI GPU 的性能已經不只取決於一顆裸片上有多少電晶體，還取決於一個封裝能容納多少計算面積，計算單元旁邊能放下多少高頻寬記憶體，不同裸片之間能以多低的代價交換資料。
先進製程決定單顆計算裸片的起點。先進封裝決定多顆裸片、HBM 和 I/O 能不能被組織成一個更大的計算系統。
當單顆裸片的計算密度暫時受限，Chiplet 可以擴大可組合的計算面積，2.5D 可以把多顆計算裸片和 HBM 放到同一個高頻寬封裝，3DIC 和混合鍵合可以繼續縮短計算與記憶體的距離。
這條路線可以壓成一條清晰的工程鏈：
多顆可獲得製程的計算 Chiplet → 2.5D/3DIC 整合 → HBM 或近存記憶體 → 板卡與超節點 → 軟體調度 → 可交付的 token。
這就是先進封裝對我們國家 GPU 突破的關鍵意義：它把有限的單顆晶片能力，轉化成可以擴展的系統吞吐。
但它能優先解決的是大模型推理、推薦、視訊分析等高度平行任務的總吞吐，不是讓一顆成熟製程晶片突然擁有最先進製程的單晶片性能。
先進光刻仍然重要。在高性能 GPU 裡，先進封裝也不再只是後道工序裡的補充選項。
它已經進入 GPU 架構的核心：把競爭單位從一顆裸片擴大到一個封裝、一塊板卡、一台伺服器和一個機櫃。
單顆性能暫時受限，就從架構階段協同設計更多計算裸片、更近的記憶體、更寬的互聯和更強的軟體調度，把可交付的 token 做出來。
聽上去像“堆數量”。
工程上遠比堆數量難。
它要求晶片設計、晶圓製造、先進封裝、HBM、基板、供電、散熱、互聯和軟體同時工作。任何一環失速，紙面算力都會消失在等待、通訊、降頻和故障裡。
所以，先進封裝是突破口，卻不是捷徑。它是一條產業機會巨大的路線，也是一場很容易被概念股講過頭的硬仗。
一、先進封裝為什麼進入了 GPU 的核心架構
過去評價處理器，習慣先看一顆晶片用了幾奈米、整合多少電晶體、主頻有多高。
到了 AI 時代，這套視角已經不夠用了。先進封裝之所以成為關鍵點，是因為它同時作用於 GPU 的三個核心瓶頸。
第一個瓶頸是計算面積。
單顆超大裸片受到光罩面積、良率和製造成本約束。多 Chiplet 配合高密度封裝，可以把更多計算裸片組織到同一個封裝內，擴大總計算規模。
第二個瓶頸是記憶體。
大模型推理最昂貴的動作，很多時候不是計算本身，而是把權重、啟動和 KV Cache 不斷搬到計算單元旁邊。
矩陣單元再強，資料供不上，它只能等。
視訊記憶體容量不夠，模型和並行請求裝不下。
視訊記憶體頻寬不夠，Decode 階段每生成一個 token，都可能堵在權重和 KV Cache 的讀取上。
第三個瓶頸是互聯。
多卡互聯不夠，MoE 專家路由和跨卡切分會把時間花在通訊上。2.5D、3DIC 和 Die-to-Die 互聯先在封裝內部縮短距離、提高頻寬，再由板卡和機櫃互聯繼續擴大系統。
軟體調度不夠，更多晶片只會製造更多空轉。
這也是為什麼全球領先 AI 晶片已經越來越像“封裝內系統”。
NVIDIA Blackwell 使用兩顆大 GPU 裸片和高速晶片間互聯。AMD MI300 把多個計算 Chiplet、I/O 裸片、3D 堆疊和 HBM 組合在一起。台積電 CoWoS 的核心用途，就是把邏輯晶片和多顆 HBM 放進同一個高頻寬封裝。
領先者沒有在先進製程和先進封裝之間二選一。
他們是兩條路線一起上。
這恰好給我們國家提供了一個現實啟示：GPU 的突破不必等待單顆裸片全面追平。前道製程繼續追，先進封裝可以先把現有的計算裸片、記憶體和互聯能力組合起來，把總吞吐往上推。
二、Chiplet、2.5D、3DIC，分別解決什麼
這三個詞經常被放在一起說，但它們承擔的任務不同。
Chiplet：把一顆超大晶片改成多個可組合模組
單顆超大裸片有兩個天然壓力。
面積越大，撞上缺陷的機率越高；設計、流片和製造成本也越難承受。
Chiplet 把計算、I/O、快取等功能分開。高性能計算部分可以使用更先進或更稀缺的製程，I/O 和部分控制模組則可以使用更成熟的製程。
它帶來的價值不只是“多放幾顆晶片”。
小裸片更容易提高良率，也允許不同功能選擇更合適的工藝。產品升級時，還可能只替換部分模組，不必把整個大晶片重新設計一遍。
代價是互聯。
原來在一顆裸片內部完成的通訊，現在要跨越裸片。連接密度、時延、功耗、一致性和測試難度全部上升。
這裡最容易出現一個誤解：Chiplet 不是樂高積木。
幾顆原本按獨立 GPU 設計的裸片，不能裝進同一個封裝就自動變成一顆更大的 GPU。Die-to-Die 互聯、統一地址空間、快取一致性、記憶體控制、故障隔離、RAS 和編譯器支援，都要從架構階段共同設計。
先進封裝提供物理連接，協同架構才讓多顆裸片表現為一個有效計算系統。
2.5D：把計算和 HBM 放到一張高密度“底座”上
2.5D 通常把多個計算裸片和 HBM 並排放置，再通過矽中介層、RDL 中介層或局部矽橋連接。
它特別適合高功耗 AI 加速器。
計算裸片可以橫向鋪開，散熱路徑相對直接；HBM 又能貼近計算單元，以遠高於傳統板級連接的頻寬供給資料。
因此，2.5D 解決的核心矛盾是：單顆裸片面積有限，但 AI 系統需要更大的計算面積和更寬的記憶體介面。
3DIC：把距離繼續壓短
3DIC 把裸片或晶圓垂直疊放，通過 TSV、微凸點或混合鍵合連接。
上下層距離更短，同樣面積可以容納更多互連，特別適合快取、記憶體和部分邏輯的垂直整合。
混合鍵合進一步取消傳統焊料凸點，直接連接介質和銅。互連間距可以做到更小，I/O 密度和能效也有機會繼續提高。
小米披露的玄戒 O100，就是一個很有代表性的方向：兩層 AI 專用 DRAM 晶圓與一層 NPU 計算晶圓進行 W2W 三維堆疊，使用混合鍵合、面對面連接和 TSV，計畫於 2027 年商用。
它說明國內產品設計已經開始從“外接更快記憶體”走向“把記憶體直接壓到計算旁邊”。
但 O100 還沒有公開量產裝置拆解、良率、產能和供應商。發佈會參數證明方向，不能替代規模製造成績。
三、為什麼先進封裝會成為我們國家 GPU 的關鍵突破口
因為它直接作用於當前最現實的矛盾：單顆計算密度和能效難以在短時間內全面追平，但大模型推理需要的總吞吐、視訊記憶體容量和記憶體頻寬正在快速增長。
GPU 產品不能等所有前道差距消失以後再進入市場。先進封裝提供了一種現階段可以推進的工程路徑。
第一，它能降低對單顆超大先進製程裸片的絕對依賴。
如果一顆超大 GPU 裸片受限於製程、光罩面積或良率，可以改用多個相對較小的計算 Chiplet，再通過高密度封裝組合。
成熟或可獲得製程的單顆性能仍然較弱，但總計算面積可以擴大。
第二，AI 推理給了系統更多換算空間。
線上服務面對大量彼此獨立的請求，離線推理可以批處理，推薦和視訊分析也具有很強的平行性。只要互聯、記憶體和軟體效率足夠高，增加晶片數量就有機會換來更高總吞吐。
在供電、冷卻和機房空間允許的部署中，國產系統可以用更大的機櫃和更高的總功耗，先滿足“每秒穩定交付多少 token”，再逐步改善能效。
第三，我們國家具備完整的系統工程需求場景。
網際網路平台、營運商、政企雲、汽車、工業和城市計算都有大規模本地算力需求。國產晶片不必一開始覆蓋全球所有軟體和所有工作負載，可以先圍繞有限模型、固定算子和明確行業場景做深度最佳化。
第四，封裝把一部分競爭焦點轉移到了我們國家具備產業基礎的環節。
晶圓級加工、封裝測試、裝置、材料、基板、散熱、伺服器和網路，是一條比單點先進光刻更長的價值鏈。國內廠商已經在多個環節形成量產能力，追趕不再只有一條獨木橋。
可以用一個簡化關係理解這條路線：
其中，單顆裸片能力決定起點，晶片數量擴大理論上限，記憶體、互聯和軟體效率決定最後能留下多少有效吞吐。
國產路線能夠重點改善後四項，卻不能把第一項從公式裡刪掉。
華為提出的“韜定律”，正是在嘗試把最佳化目標從電晶體線寬擴展到電路、封裝和整個系統。其 LogicFolding 方案使用超細間距混合鍵合，把邏輯、模擬和記憶體功能分佈到垂直有源層，目標是縮短關鍵路徑和資料搬運距離。
它是一套工程路線和方法，還不是已經被全行業長期驗證的物理定律。它的啟發在於：製程節點不再是唯一的縮放坐標，完成一次任務需要多少時間、多少能量，也可以從封裝和系統層繼續最佳化。
黃仁勳在 2026 年 4 月談出口限制時，討論的是連接更多晶片、擴巨量資料中心和系統規模；5 月評論韜定律時，才明確談到晶片堆疊、3D 封裝和混合鍵合。前一段屬於系統級 scale-up/scale-out，後一段屬於封裝內整合。
兩段話共同支援“更多晶片和更強整合能夠部分補償單顆限制”，卻都沒有推出“先進封裝可以讓先進光刻退出舞台”。
如果沿著黃仁勳近年的“AI 工廠”框架繼續追問，封裝甚至不是最終產品。
最終產品是一套持續生產 token 的資料中心：計算、記憶體、網路、軟體、電力和冷卻共同決定產量。先進封裝只是把第一次 scale-up 做到封裝內部，NVLink 一類高速互聯再把 scale-up 延伸到板卡和機櫃，網路把系統繼續擴展到整個資料中心。
衡量這條路線贏沒贏，也不能看一個封裝裡塞了多少裸片。如果晶片數量和功耗增加得比有效吞吐更快，每 token 成本、每焦耳 token 和系統可用率反而惡化，那只是做出了更大的機器，沒有做出更好的 AI 工廠。
四、關鍵突破口，不等於先進製程的替代品
市場上最危險的說法，是“國產光刻機暫時不到位，靠封裝堆疊就能繞過去”。
封裝確實可以緩解製程限制，卻繞不開製程。
每一顆計算 Chiplet 仍要製造。RDL、TSV、鍵合焊盤和中介層也需要光刻、沉積、刻蝕、CMP、清洗和檢測。
更多晶片還會帶來五筆新帳。
一是通訊帳。
跨裸片訪問一定比片內訪問更貴。任務無法充分平行時，增加晶片不會帶來同比例性能。
二是功耗帳。
總功耗不只來自計算，還包括裸片間通訊、HBM、網路、供電損耗和冷卻。功耗增加一倍，吞吐未必增加一倍。
三是散熱帳。
2.5D 可以把高功耗裸片橫向鋪開。3D 垂直疊高功耗邏輯，則容易把熱量困在堆疊內部。溫度升高以後，漏電、降頻和可靠性都會惡化。
四是良率帳。
多個裸片、中介層、HBM 和基板中，任何一個環節出問題，整套高價值封裝都可能報廢。已知良品篩選、鍵合良率、封裝測試和返修能力決定成本能否收斂。
五是軟體帳。
模型如何切分、算子如何調度、通訊如何重疊、故障如何恢復，都影響系統利用率。封裝把晶片接起來，軟體才決定這些晶片會不會一起幹活。
所以，“功耗高一點也能做出高性能 GPU”只在特定目標下成立。
如果目標是高吞吐 AI 推理加速器，答案偏積極。先進封裝能夠擴大計算規模、提高記憶體頻寬，並為系統吞吐提供新的設計空間。
如果目標是在圖形渲染、通用計算、單卡能效、低延遲和軟體生態上全面追平全球最先進 GPU，僅靠封裝不夠。
五、國內到底走到那一步：平台過關，完整產品閉環待驗證
國內先進封裝已經不能再用“會不會做”概括。
2026 年上半年公開財報顯示，量產平台已經出現。
盛合晶微披露，SmartPoser-Si 2.5D 平台已經大規模量產，可以支援約 3 倍光罩尺寸的矽中介層、10 顆以上功能晶片和大尺寸 FCBGA。微凸點 3DIC-BP 也處於大規模量產階段。
長電科技披露，XDFOI 已實現規模量產，大尺寸 FCBGA 已量產。2026 年上半年，其計算電子收入同比增長 40.4%。
華天科技也把 2.5D 的表述推進到“規模化量產”。通富微電則已經覆蓋倒裝、SiP、Chiplet、大尺寸多晶片 FCBGA 等高端封裝。
這組證據足以支援一個明確判斷：
國內 2.5D 和部分微凸點 3DIC 工藝平台，已經跨過了從實驗室到量產的門檻。
但另一條證據鏈還沒有公開合攏：
具名國產 GPU，交給具名國內封裝廠，整合確定數量的 HBM，並披露穩定良率、可靠性、月產能和持續出貨。
封裝廠通常把客戶匿名化，GPU 廠商也很少公開封裝供應商和良率。工程上可能已經有產品供貨，但公開研究不能把“平台能做”繼續推成“某款國產高端 GPU 已經完全打通”。
混合鍵合的距離更遠一些。
盛合晶微 3DIC-HB 已完成全流程驗證，公開能力為 10 微米及以下互連間距；小米 O100 公佈的是 1.4 微米 W2W 方案。前者是平台驗證，後者是計畫於 2027 年商用的產品披露，兩者都還缺規模收入、良率和獨立拆解。
所以國內現狀可以壓成三句話：
國內 2.5D 工藝平台的量產關，已經跨過。
國產 GPU 與 HBM 的具名量產閉環，還沒有被公開證據證明。
超細間距混合鍵合，已經進入工程攻堅，但距離穩定經濟量產還有資料缺口。
六、國產機會不只在封測廠，而在五個稀缺環節
如果這條路線繼續成立，產業價值不會平均分配。
1. 高性能 2.5D/3DIC 平台
這是最直接的受益環節。
盛合晶微的業務純度較高。2026 年上半年，芯粒多晶片整合封裝收入為 18.28 億元，佔總收入 53.66%。SmartPoser-Si 和 3DIC-BP 都直接對應 AI/HPC 多晶片整合。
它的彈性也有另一面。
同期公司總收入增長 7.20%，歸母淨利潤增長 3.33%，芯粒多晶片整合封裝收入只增長 2.61%。技術平台跑在前面，國產 GPU 放量帶來的財務拐點還沒有出現。
高資本開支、高固定成本的封裝廠，一旦新增訂單推高利用率，利潤可能比收入增長更快；訂單不足時，折舊、存貨減值和價格競爭也會放大下行壓力。
長電科技的優勢則是綜合平台、客戶基礎和當前經營兌現。華天科技、通富微電也有各自的規模、客戶和高端封裝積累。
純度、規模、客戶和財務質量，是四個不同維度。不能把“技術最直接”自動翻譯成“投資回報最好”。
2. HBM、近存記憶體和記憶體控製器
高吞吐 AI 加速器首先撞上的往往是記憶體牆。
沒有足夠容量和頻寬的 HBM，多 Chiplet 只會一起等資料。
國產機會不只在複製 HBM 產品，還包括近存計算、分層記憶體、記憶體控製器、低精度資料格式，以及把 HBM、DRAM 和 SSD 組織成一條高效資料通路。
這裡也是當前約束最強的環節之一。看到“全國產工藝”時，仍要追問 HBM 來源、容量、頻寬、認證和穩定供貨，不能從一個標籤推出整條供應鏈已經國產化。
3. 鍵合、CMP、減薄、清洗、檢測和測試裝置
混合鍵合不是一台裝置解決的問題。
銅面必須足夠平，表面缺陷必須足夠少，對準必須足夠準，鍵合後的空洞、強度和電連接還要被檢測出來。
拓荊科技已經把三維整合裝置擴展到 W2W、C2W、預處理、量測、檢測、解鍵合和修復。華海清科披露 CMP 裝備已在先進封裝批次落地，減薄業務也在推進。
這說明國產裝置開始從單機突破走向流程協同。
但兩家公司都沒有單獨披露先進封裝裝置收入。裝置矩陣形成，不等於利潤已經由先進封裝貢獻。後續要看重複訂單、客戶驗收和收入確認。
4. 先進基板、材料、散熱與供電
封裝尺寸越大，翹曲越難控制；I/O 越多，基板、銅互連和供電完整性要求越高；功耗越高，熱介面材料、均熱、液冷和電源模組越重要。
這些環節沒有 GPU 那麼耀眼，卻可能決定一個封裝能不能長期滿載。
國產化機會往往出現在“不出問題時沒人注意，一出問題整套產品停住”的部位。
5. 互聯、編譯器和系統軟體
封裝解決釐米以內的連接，板卡、機櫃和叢集還要繼續連接。
多卡系統需要高速互聯、集合通訊、拓撲調度、故障隔離和恢復。模型還要有算子庫、編譯器、量化工具和推理框架支援。
這部分決定峰值算力能留下多少，也決定國產硬體能不能從項目交付走向標準化產品。
七、為什麼突破更可能先出現在推理，而不是前沿訓練
國產晶片廠商沒有放棄訓練。
但訓練和推理的難度結構不同。
推理主要執行前向計算。它可以圍繞有限模型做低精度最佳化，也可以把獨立請求、批次或專家模組分配給更多晶片。某個請求失敗，還可以重試、遷移或降級。
“推理更容易率先商業化”不等於“推理很輕”。長上下文、MoE、Agent 持續執行和推理時計算正在快速增加單次請求的算力、記憶體和通訊需求，一個複雜請求同樣可能跨越多顆 GPU。
推理更適合率先兌現，主要因為獨立請求可以平行調度，模型和算子範圍可以相對收斂，失敗後的恢復成本也通常低於長周期同步訓練，不是因為它天然只需要小晶片。
先進封裝對推理的幫助很直接。
Prefill 偏計算密集，多 Chiplet 可以擴大總矩陣計算面積。
Decode 更容易受權重和 KV Cache 頻寬限制，HBM、近存計算和 3D 堆疊可以縮短資料搬運距離。
MoE 依賴專家之間的資料交換，2.5D 高密度互聯和板級 scale-up 可以改善通訊。
前沿訓練則要同時處理前向、反向、梯度和最佳化器狀態。每一步都需要大量同步通訊，長時間運行中一張卡、一條鏈路或一個節點變慢，整個任務都可能等待。
封裝能改善單個封裝內部的互聯，解決不了跨伺服器集合通訊、萬卡網路擁塞、編譯器、訓練算子、故障恢復和最終收斂。
因此，國產算力更可能沿著這樣的商業順序擴大：
固定模型與行業推理，大模型推理與量化，微調和中小規模訓練，再進入大規模基礎模型訓練。
這不是技術能力的絕對排序，而是達到同等成本、穩定性和效率的相對難度。
第一批兌現，很可能來自“功耗更高一點，但單位機架能夠穩定生產足夠多 token”的系統。
八、後面怎麼觀察：別再數發佈會參數，盯住六條證據鏈
第一條：具名產品
有沒有一款具名國產 GPU 或 AI 晶片，確認由國內平台完成 2.5D/3DIC 封裝？
它用了幾顆計算 Chiplet、幾顆 HBM，封裝多大，採用微凸點還是混合鍵合？
“適用於 GPU/AI”是平台能力，具名產品才是客戶驗證。
第二條：量產質量
月產能、利用率、鍵合良率、封裝總良率、熱循環和長期可靠性有沒有披露？
樣片點亮證明能做，穩定良率決定能不能賺錢。
第三條：收入結構
先進封裝收入能否連續兩個季度保持兩位數增長？新增 GPU/AI 客戶能否形成可識別貢獻？
盛合晶微還要觀察第一大客戶和前五大客戶佔比是否下降。客戶集中度高，既放大訂單彈性，也放大單一客戶波動。
截至 2025 年上半年，公司第一大客戶收入佔比為 74.40%，前五大客戶合計佔比為 90.87%。現有客戶沒有被公開對應到具名國產 GPU，不能拿高集中度反向猜測客戶身份。
第四條：資本效率
在建工程轉固以後，利用率和毛利率是否同步提高？扣非利潤和經營現金流能否覆蓋新增折舊、研發和減值？
產線建成只是供給，訂單、良率和回款才是生意。
第五條：關鍵供應
HBM、先進基板、關鍵材料和裝置能否穩定重複採購？
一款晶片宣佈量產，不代表每一個高價值部件都能按同樣速度供應。
第六條：有效性能
推理要看相同模型、精度、批次、上下文長度和服務目標下的首 token 延遲、逐 token 延遲、每秒 token、每焦耳 token 和每 token 成本。
訓練要看 MFU、跨節點擴展效率、故障率、恢復時間、訓練總時長和最終收斂。
峰值 TOPS 或 FLOPS 只能證明理論上限。客戶付錢買的是持續負載下的結果。
九、先進封裝決定現有晶片能否變成有效算力
國產算力過去最容易陷入一種二元判斷：
要麼單顆晶片追平全球最先進 GPU，要麼整個路線沒有價值。
AI 計算正在打破這種判斷。
客戶需要的不是一顆參數漂亮的裸片，而是按時、穩定、經濟地完成任務。
在製程受限時，從架構階段共同設計更多計算 Chiplet，用 2.5D 把 HBM 拉近，用 3DIC 縮短互連，用超節點擴大規模，再用軟體把這些資源組織起來，完全可能做出有競爭力的高吞吐 AI 系統。
它會更耗電，系統更複雜，部分任務延遲更高，訓練難度也更大。
這些代價不會消失。
但產業競爭從來不是等所有短板補齊後才開始。
先在推理、推薦、視訊分析和行業模型裡把吞吐、交付和成本做成閉環，就能產生收入、客戶、資料和下一輪研發資金。
這就是為什麼先進封裝是我們國家 GPU 突破的關鍵支點：
它不能替我們國家跳過半導體製造，卻能把現階段可以製造的晶片，組織成更大的計算系統。
製程決定單顆晶片有多強。
先進封裝決定這些晶片能否與 HBM、I/O 和其他計算裸片高效組合。
系統軟體決定組合後的硬體能否持續輸出有效吞吐。
這三層缺一不可。對我們國家 GPU 而言，先進封裝正是連接晶片製造能力與 AI 系統性能的中間支點。
前道繼續追。
封裝向上攻。
系統把可用的每一顆晶片組織起來。
國產 GPU 的突破，未必從一顆全面追平的晶片開始。
它可能先從一個能持續生產 token 的系統開始。 (菜子聞風)