Bernstein分析师：芯片超级周期真实存在，瓶颈环节是核心投资机会
Claire Weston
伯恩斯坦芯片分析师Stacy Rasgon判断，半导体行业正经历首个真正的超级周期——营收从去年8000亿美元向今年1.3万亿美元迈进，产能瓶颈沿供应链逐级蔓延，而电力可能是最终的硬约束。
凭什么说这是"超级周期"，而不只是一轮景气？
半导体行业去年总营收突破8000亿美元，今年正向1.3万亿美元迈进。这意味着→ 行业规模一年内要增长超过六成，远超正常周期波幅。
Rasgon说这是他从业以来见过的第一个真正的超级周期，核心依据不是情绪，而是需求端的物理约束——没有人的算力是够用的。
用大白话说＝ 以前芯片行业涨跌靠库存节奏，这次是因为AI把所有人的芯片都"吃光了"，供给侧怎么扩都追不上。
产能瓶颈在哪里，为什么会"打地鼠"？
瓶颈正沿供应链逐级蔓延：从GPU加速器→HBM高带宽存储→制造设备→网络与光学器件→功率半导体→CPU，全线被AI算力需求拖动。
一颗AI芯片所有部件的硅片面积中，HBM（一种把多层存储芯片堆叠在一起的高速内存）占比可能高达85%以上。这意味着→ AI芯片的产能天花板，其实卡在存储而不是逻辑芯片。
制造同等容量HBM所需硅片面积约为普通DRAM的四倍，即便晶圆厂大规模扩产，实际新增存储容量依然十分有限。
用大白话说＝ 这就像"打地鼠"——你刚解决GPU短缺，HBM又不够；HBM刚扩产，设备和电力又跟不上。瓶颈不消失，只是换了位置。
需求强到什么程度——连弱势企业都受益了？
Rasgon直言，英特尔服务器CPU业务意外受益：「他们甚至把以前注销过、像垃圾一样扔在仓库角落里的库存都卖掉了，客户的态度是——我们不在乎，我们要了。」
这反映出当前AI算力需求已不是"挑品牌"阶段，而是有什么买什么。
推理市场为什么才是商业化变现的真正战场？
Rasgon将超级周期的可持续性锚定在推理（Inference）上——大量资金此前用于大模型训练，但训练本身无法直接变现，「你必须能把模型用起来，这就是推理」。
Anthropic的年化收入运行速率呈垂直上升态势：去年12月90亿美元，今年1月140亿美元，4月已升至300亿美元。这意味着→ AI应用端的收入正在兑现，推理需求不是预期，是已经发生的事实。
定制ASIC（专门为某一种计算任务设计的芯片）与英伟达GPU并非零和竞争——大规模稳定工作负载适合ASIC降低成本，但模型结构一旦变化，GPU的可编程性不可替代。
云服务商执着于自研ASIC，部分原因是在英伟达高达75%毛利率面前拥有谈判筹码。用大白话说＝ 自研芯片未必要全面替代英伟达，但至少让你跟黄仁勋谈合同时"口袋里有底牌"。
博通为什么是最大受益者？
博通预计明年AI收入可达1000亿美元。这反映出定制ASIC赛道的爆发速度远超行业自身预期。
用大白话说＝ 就在这轮周期启动之前，博通自己还把半导体定性为"只有中等个位数增长的成熟行业"——现在它成了AI芯片浪潮里增长最快的公司之一。
电力会不会成为这轮超级周期的终极天花板？
Rasgon的测算模型显示，若AI基础设施支出按英伟达预期的每年3万亿至4万亿美元规模发展，美国电力容量需要在未来十年内每年增长约5%。
电力设备分析师认为这一增速"根本无法实现"。这意味着→ 电力不是一般意义上的"下一个瓶颈"，而是可能卡住整个超级周期的硬约束。
Rasgon的结论：只要AI需求不发生断崖式崩盘，超级周期仍将持续；下一波突破口将不可避免地落在能源生成、冷却与核电领域。
用大白话说＝ 谁能率先解决电力约束，谁就掌握了这轮超级周期的最终天花板——投资视角也必须跟着瓶颈走。
Content is for reference only, not financial advice.