最近，Hot Chips 2026 正在如火如荼地举行。作为全球最具影响力的高性能芯片技术会议之一，Hot Chips 一直是观察下一代计算架构、AI 芯片以及数据中心技术演进的重要窗口。今年最值得关注的方向，莫过于内存。随着 AI 计算逐渐从单纯追求算力，转向更加重视带宽、容量、能效与数据搬运效率，内存正逐步成为决定整个 AI 系统性能上限的核心环节。毫不夸张地说，Hot Chips 2026 是一个非常具有标志性的时间节点。它从技术层面传递出的确定性信号是，内存正在从传统意义上只提供存储容量的大宗商品，逐渐演变为更加接近逻辑芯片的系统级组件。三星提出了 Custom HBM，也就是定制化 HBM。希望根据英伟达、AMD 等不同客户所使用的 GPU、NPU 特性，针对性强化速度、能效以及特定功能，而不是让所有 HBM 都采用完全相同的设计。更值得关注的是，三星电子正在思考让 Base Die 承担更多过去属于 GPU 的功能。其实，就是笔者过去一直在讲的近内存/村内计算。韩相旭介绍，可以将 GPU 内部的部分内存控制功能，甚至部分 AI 计算任务直接迁移到 HBM 的 Base Die 中。换句话说，HBM 未来也确定加入 ASIC 阵营。还记得前几天，笔者讲 SK 海力士是存储御三家里最着急的一家吗？如果没读过，去历史文看看原因吧。SK 海力士在 Hot Chips 26 上也算是正式半官宣全面拥抱台积电和 Intel 这些代工厂了。不只要拥抱，还要跑去美国拥抱才行，这是 SK 海力士破局唯一的路。不然未来的几年，退出与三星和美光的竞争，几乎是板上钉钉的事情。讲到这里，一定还会有人问，利好什么呢？答案其实已经比较清晰，就是整个先进封装产业链，包括混合键合、TSV、RDL、先进基板、封装设备、检测设备以及高导热材料等环节。其中，混合键合尤其值得关注。传统微凸点互连在间距、厚度、电气性能以及散热方面都存在一定的物理限制，而混合键合通过更直接的 Cu-Cu 与介质层键合，可以进一步缩小互连间距、降低堆叠高度、提高互连密度，并改善电气性能。随着 HBM 从 12 层继续向 16 层、20 层甚至更高层数发展，混合键合正在逐渐成为突破高层堆叠瓶颈的重要技术路径之一。其实，这些严格意义上都属于 AI 供给端的叙事。无论是 HBM、先进封装，还是混合键合，本质上讨论的都是在 AI 资本开支继续扩张的前提下，产业链内部下一阶段的技术升级与价值量迁移。但当下问题的关键，依然是《贝森特“三支箭”全面脱靶：市场该如何思考？》里所讲的，在“三支箭”脱靶之后，市场究竟应该如何重新思考 AI 的定价逻辑，这才是最重要的问题。在 AI 需求端尚未被充分发掘、商业化闭环尚未完全建立之前，笔者认为，“三支箭”背后的思考框架学习与研究几乎是不可绕过的。哪怕是贝森特和沃什的老师德鲁肯米勒，今天也不可避免地加入了这场大讨论，再次验证了笔者的思考。虽然 AI 需求端尚未充分释放，但对供给端的学习依然不能松懈。因为只有真正理解技术演进、产业瓶颈与价值量迁移的方向，才能在市场叙事发生急剧反转时，知道资金最可能重新回到哪里，也知道下一轮行情究竟应该去哪里寻找。前面讲到了 ASIC 阵营正在急剧扩充，甚至连存储厂商都已经迫不及待地想要加入其中。而谈到 ASIC 阵营，就不得不提 Google TPU。据 GFHK 最新估计，到 2028 年，Google TPU 的出货量甚至有望超过 NVIDIA GPU。从产业链来看，目前相对受益的方向包括 Marvell、联发科和 Intel。尤其是 Marvell，市场认为其仍在持续获得 Google 和 Amazon 定制芯片相关订单。Google 方面，Broadcom 所负责的 TPU 量相比此前预期有所下调，主要与封装设计调整有关。按照目前预测，到 2027 年，Google TPU 对应的 CoWoS 需求约为 46 万片。与此同时，联发科参与的新一代 TPU Humufish 预计将在今年 11 月左右流片，并可能于 2027 年第四季度推出。初期良率预计不会太高，因此 Broadcom 短期内的供应链优势仍然存在，但 Google 定制芯片供应链正在变得更加多元。Marvell 则同时受益于 Google 和 Amazon 的 ASIC 扩张。Google 方面，CXL 和 DPU 业务的潜在市场空间分别约为 30 亿美元，采用 N2 制程的 MPU 业务收入到 2028 年也可能超过 30 亿美元。Amazon Trainium 方面，Marvell 相关收入预计从 2026 年 T3 的约 10 亿美元，上升至 2027 年的 20 亿美元，并在 2028 年 T4 放量后超过 30 亿美元。Intel 也可能成为这一趋势的受益者。市场预计其后端封装业务收入将从 2027 年的约 11 亿美元增长至 2028 年的约 70 亿美元，主要增量同样来自 Amazon 和 Google。最值得关注的，其实还是 Google TPU 的出货量预测。2024 年为 2760，2025 年为 2854，2026 年为 4504，2027 年达到 8840，后期增长主要来自 v8x 等新一代产品。抛开 8840 这个数字不说，如果这一趋势延续，2028 年 TPU 出货量超过 NVIDIA 并非完全没有可能。GPU 更像训练时代的“万金油”。它拥有更强的通用性和可编程性，不仅能够训练基于 Transformer 范式的大模型，也能够覆盖更加广泛的计算任务和模型架构。TPU 则更像针对特定 AI 工作负载深度优化的“特效药”，通过软硬件协同，在 Google 自身高度标准化的训练与推理场景中追求更高的性能、能效和成本效率。当下，基于 Transformer 范式的大模型架构已经逐步趋于稳定，短时间内出现全新主流范式的概率并不高。在这样的背景下，TPU 的劣势正在边际减弱，而规模、成本和效率优势反而越来越重要。从 Google 最近一系列动作来看，下一步很可能就是进一步向外开放 TPU 生态，将原本服务于自身的算力体系逐步变成面向整个市场的平台，建立属于自己的 AI 帝国。笔者相信，这或许也是 Google 能够打动老巴的重要逻辑之一。只有市场足够大，池塘里才会有足够多的鱼。虽然 Google 的商业模式远没有可口可乐那么简单，但放在复杂的 AI 世界里，它已经算是最容易理解的模式之一了。但是，NVIDIA 同样没有停留在单纯堆叠 GPU 算力的阶段，而是在围绕“算力、运力与存力”三维一体构建更深的系统级护城河。AI 芯片的竞争，归根结底是比较谁能够以更低的总体成本、更低的功耗和更短的时间生成更多有效 Token。换句话说，真正需要竞争的是 Token 经济学。谁能够持续降低每百万 Token 的成本，同时提升 Tokens/s 和 Tokens/W，谁才能真正掌握 AI 基础设施的定价权。此外，AI 训练未来的趋势依然会朝着更大规模演进，也会持续探索不同的模型范式。未来一旦 RSI 形成闭环，无论是在相同范式下持续进行自我迭代训练，还是跨越不同范式进行新的架构探索，本质上都会带来更多训练需求。也就是说，模型能力越强，反而越需要更大规模、更高频率的训练与实验，这又进一步强化了 GPU 在通用性、灵活性以及大规模训练中的价值。因此，笔者看好 Google，但并不看空 NVIDIA。相比于 TPU 取代 NVIDIA 的叙事，更现实的路径是随着 AI 市场继续扩大，NVIDIA GPU 与 Google TPU 等定制芯片实现同步大幅度增长。真正发生的变化，是 AI 芯片市场正在从过去相对单一的 GPU 主导，逐步走向 GPU 与 ASIC 五五开的格局。对于产业链而言，这可能比单纯讨论谁在 2028 年出货量第一更加重要。逻辑与技术，我们依然在路上！
作者声明： 本文转载自第三方，旨在提供资讯参考，并非证券推荐或投资建议。作者对内容的真实性、准确性不承担保证责任。本文不构成任何投资建议或证券推荐。截至发文日，作者与文中提及的标的不存在持仓关系。