AI需求拉緊晶片供應鏈，谷歌TPU一年回本，中國探索無EUV 3nm路線
nashnova research
谷歌雲CEO透露自研TPU伺服器不到一年收回投資，正在加速科技巨頭定制晶片軍備競賽；與此同時，半導體設備零部件交期翻倍、中科院披露無EUV的3nm早期路線，供應鏈的深層約束正在重塑AI算力擴張的節奏。
谷歌TPU不到一年回本，這筆賬怎麼算的？
谷歌雲CEO庫里安稱，AI伺服器整體投資回收期不足兩年，用自研TPU的伺服器更壓縮到一年以內。
這意味著→ 自研晶片的經濟賬已經跑通：回本越快，再投入的底氣越足，定制晶片的飛輪開始自我加速。
TPU訂單持續上升，應用已從AI實驗室擴展到金融、生物製藥、高性能計算等領域——簡單來說＝不再是實驗室玩具，而是真金白銀的生產力工具。
這反映出一個更大趨勢：科技巨頭正用回本速度證明「自己造晶片」比「買通用晶片」划算，博通和聯發科作為ASIC（幫客戶定制晶片的合作方）將直接受益。
2027年TPU封裝方案，為甚麼出現變數？
谷歌2027年TPU項目代號「Humufish」，原定採用英特爾EMIB-T封裝並與聯發科合作。
但市場傳聞稱，由於專用基板良率滯後——供應商Unimicron此前目標良率僅50%——谷歌已將台積電CoWoS（一種把多顆晶片拼在一起的先進封裝技術）列為備選。
多方消息仍預期EMIB-T維持主方案：距2027年量產尚有時間，而雙封裝路線會增加成本與複雜度。
簡單來說＝谷歌沒有換方案，但留了後手。真正的懸念是基板良率能否在量產前追上來。
設備零部件交期翻倍，卡在哪裏？
半導體設備的關鍵零部件交期大幅拉長：原本四個月的貨期延到十個月，部分日本零部件等待時間達40個月，本地零部件交期亦延長約50%。
背景是台積電、ASML、應用材料同步擴產，SEMI預測晶圓廠及DRAM設備銷售將創歷史紀錄。
這意味著→ 資本開支再多，產能釋放速度仍被零部件供應鏈「卡脖子」——錢到位了，機器的零件沒到位。
這反映出AI算力擴張的真正瓶頸正從「誰出錢」轉向「誰能交貨」。
中科院的無EUV 3nm路線，走到哪一步了？
中科院微電子所首席工程師葉甜春披露：在不使用EUV光刻機（用極紫外光刻電路的最先進設備）的前提下，用DUV光刻（上一代光刻技術）配合GAA工藝（柵極全環繞，一種讓晶體管四面被柵極包住以提高控制力的結構），建立了3nm以下器件的早期技術路徑。
工藝優化後關鍵性能指標Ion/Ioff比值超過5×10⁴，具體達到9.7×10⁴和7.6×10⁴。
但研究所自己明確定性：這是技術驗證，不是量產就緒，集成與良率仍面臨重大挑戰。
說白了＝實驗室裏證明了「這條路走得通」，但從實驗室到工廠的距離還很遠。它的意義在於：在EUV被限制的現實下，中國有了一個早期技術參照點。
閃迪在韓國搶人，釋放甚麼信號？
閃迪（Sandisk）正在韓國異常大規模招募工程師，崗位涵蓋NAND架構、VLSI設計、掩模設計，並要求具備HBM、LPDDR、GDDR經驗。
這與閃迪韓國業務歷來以銷售和市場為主的定位形成明顯轉變。
這意味著→ 閃迪正將研發重心向韓國延伸，直接進入三星和SK海力士的人才腹地爭奪AI存儲工程師。
台灣在Physical AI領域的機會，靠甚麼抓住？
德勤台灣研討會上，來自工研院、台灣AI學院、英偉達及達明機器人的與會者強調：台灣在Physical AI（讓AI控制物理世界的機械人、自動化等領域）的機遇取決於系統集成能力，而非單一零部件供應。
與會者呼籲構建可驗證、可擴展的工業應用場景。
簡單來說＝台灣的優勢不在於造出某一個零件，而在於把所有零件組裝成一套能用的系統——這才是Physical AI競賽中真正稀缺的能力。
市场有风险，内容仅供研究参考，不构成投资建议。