半导体行业过去有过无数次繁荣。资深分析师们早已学会对"超级周期"(supercycle)这个词打折扣——它在每一个顶部都会出现，又在每一个底部分崩离析。但这一次，覆盖芯片行业二十年的 Stacy Rasgon 认为，这个词真的成立了。
本文整理自 Celesta Capital 创始合伙人、传奇硬件人 Michael Marks 与伯恩斯坦（Bernstein）知名半导体分析师 Stacy Rasgon 的一场深度对谈。两人系统拆解了：AI 浪潮下的半导体营收激增、训练向推理的迁移、贯穿全产业链的产能瓶颈，以及行业未来十年的可持续性与风险。
"我整个职业生涯都在听'超级周期'这个词。也许，这是我第一次真正见到它。" — Stacy Rasgon, Bernstein Research
PART 01供给周期不等于需求周期
Rasgon 首先把两种常被混为一谈的模式区分开来。
供给周期是经典的存储模式：价格收紧 → 供应商扩产 → 客户因拿不到货而重复下单(double-order) → 新产能开出的同时重复订单反转 → 供给超过需求 → 市场跳水若干个季度。过去每一次所谓"超级周期"，都不过是这一模式在更大规模上的重演。
真正的超级周期则由真实、持续的需求把行业向前拉动。AI 基建恰好制造了这种模式——这一点直接反映在云厂商的资本开支上。2026 年规划支出中约 75% 被指定用于 AI 基础设施，而非传统云业务。剩下的瓶颈不再是定价权，而是物理产能：洁净室的建设速度有硬性上限，供给方想跟上却跟不上。
PART 02摩尔定律的终结，让行业四十年来第一次"理性"
Rasgon 引用了 Broadcom 联合创始人兼 CTO Henry Samueli 在 2012 年的一场分析师演讲。Samueli 把摩尔定律的瓦解，称为这个行业经济史上最重要的结构性事件。
过去四十年，客户是免费获得性能提升的：每两年，同样面积的硅片上集成两倍的晶体管，而成本基本不变。Samueli 的论点是——当摩尔定律走到尽头（大约在 28 纳米节点，每晶体管成本停止下降），行业将不得不开始为"性能"向客户收费。他称之为"行业四十年来第一次变得理性的时刻"。
"摩尔定律终结之后，这个行业即将四十年来第一次变得理性。" — 转述 Henry Samueli, 2012
结果显而易见：在单位出货量基本持平的情况下，全行业的平均售价(ASP)在 2024 年比 2019 年高出约 50%；英伟达数据中心毛利率稳定在 75% 附近；DRAM 已收敛为三家供应商——三星、SK 海力士、美光，合计掌控超过 80% 的市场。当 AI 需求撞进这样的市场结构，结果就是寡头定价。
PART 03存储超级周期与"转换比率"之谜
存储正处于历史上最强劲的超级周期之一，价格每个季度都在飙升。背后的核心驱动是 AI，尤其是 HBM（高带宽存储）。Rasgon 透露了一个关键的结构性细节：
- 在一颗 AI 芯片的"光罩预算"(wafer area)中，85% 以上的面积可能都被 HBM 占用。
- 更关键的是"转换比率"(trade ratio)：受堆叠和封装的几何约束，生产 1GB 的 HBM 所需的晶圆面积，大约是标准 DRAM 的 4 倍。
- 这意味着：即使晶圆产能不变，实际可供应的存储比特数也相当受限——存储侧的有效产能天然吃紧。
因此，存储的紧缺并不只是"涨价周期"，而是一种由 AI 几何结构决定的、难以靠简单扩产解决的硬约束。只要 AI 需求不崩，这一供应逻辑就不会改变。
PART 04钱在推理(inference)，不在训练
"你无法靠训练模型赚到任何钱。英伟达靠卖芯片赚钱，但用模型去推理——这才是真正赚钱的地方。" — Stacy Rasgon
Rasgon 直指要害：当前大模型训练的繁荣并非产业经济的终局。训练一个基础模型，是一个庞大而不规则的任务；而运行这个模型，是数百万个小而重复、形态可预测的任务——可预测的工作负载，正是定制 ASIC 的用武之地。
这种转型已经反映在头部 AI 公司的经济曲线上。以 Anthropic 为例，其年化收入呈现出近乎垂直的爬升态势：
英伟达收购 Groq，则给这场"推理转移"标上了价格。一家通用 GPU 厂商，付费买下一家只做一件事的公司——以亚秒级延迟运行推理。原因在于：AI 经济中最有价值的 token，来自那些"答案必须在一秒内到达"的推理负载。这类对延迟敏感的 token，售价是驱动平均定价的批量 token 的数倍。谁拥有服务它们的架构，谁就攫取了整个建设中最集中的收入层。
"普通、批量的 token 没什么利润；但那些需要低延迟、要快速响应的 token，价格是普通 token 的数倍。谁能提供低延迟推理服务，谁就能获得最好的经济回报。"——这正是 Groq 聚焦的场景，也是英伟达愿意为之付费的原因。
PART 05ASIC 与 GPU 的真正分野
在需求爆发的背景下，定制芯片(ASIC)正在英伟达的 GPU 帝国边缘攻城略地。博通(Broadcom)成为这一趋势最大的受益者之一。
Rasgon 提及博通时表示：在这一切开始之前，市场视半导体为一个低增长行业，只给中等估值；如今这一切都炸开了——博通管理层甚至说，它的 AI 业务收入目标将达到 1000 亿美元。
但 Rasgon 强调，这并非"谁取代谁"的零和游戏。真正的关键不是 GPU 和 ASIC 谁赢谁输，而是：前面的护城河（市场空间）是否足够大，足以让两者都持续增长。
| 维度 | GPU（通用可编程） | ASIC（专用定制） |
|---|---|---|
| 适用场景 | 研究、探索性推理、训练 | 大规模、稳定、可预测的负载 |
| 核心优势 | 灵活性、可编程 | 更低的总拥有成本(TCO) |
| 风险 | — | 模型架构若变，需重做芯片 |
| 代表 | NVIDIA | Google TPU、Amazon Trainium |
| 市场份额 | 主体 | 约十几% → 或升至 25–30% |
值得注意的是超大规模云厂的垂直整合：谷歌的 TPU 已经迭代了 14 年，目前在第八、第九代之间；亚马逊有训练芯片 Trainium、推理芯片 Inferentia，以及自研 CPU Graviton。这些已经自己设计芯片、最清楚自己要算什么的云厂，正把越来越多的价值捕获拉进自家高墙之内。
PART 06设备与代工：最长的前瞻视野
被 AI 浪潮重新定价的名字，遍布整条半导体价值链——往往是因为今天根本不存在替代品。设备制造商的多年期订单积压，唯一受限于物理产能；存储供应商只要没有经济替代品就能保有定价权；绑定云厂工作负载的 ASIC 设计商有多年的收入可见度；而它们之下的代工厂，拥有所有人中最长的前瞻视野。
- Lam Research 的刻蚀设备价格已翻数倍，因为先进封装与存储扩产都离不开它。
- Applied Materials 数年翻了约 5 倍，ASML 亦大致同步。
- 设备行业本质上是一个"反约束"强的赛道：设备卖不出去往往不是没有需求，而是先要建好晶圆厂、装好洁净室，才能接收设备——而洁净室的建设速度是有硬性上限的。
PART 07最终瓶颈：电力
当被问到这一切最容易忽视的风险时，Rasgon 把目光从芯片本身，移向了支撑它的基础设施——电力。
"我们的电网没有足够的电力增长，来支撑这场建设。电力供给大约每年只增长约 0.5%，而 AI 所需要的是未来十年每年约 5%——以电力设备分析师的话说，这几乎是无法实现的。" — Stacy Rasgon
这意味着，下一个真正的瓶颈，可能不是芯片或洁净室，而是电力本身。算力可以靠资本堆出来，电力却滞后于资本数年——而且电力的瓶颈一旦出现，本地化的发电与地方电网将面临巨大压力。
PART 08底线与风险
这个行业的大多数周期，都因一个可预测的原因破裂：产能跑到需求前面，客户群只买当下用得到的，供应商和代工厂被迫背上无法消化的产出。
但这一轮的形态不同。AI 需求是提前数年、针对云厂已宣布并已承诺的工作负载锁定的；存储十多年前就整合为三家寡头，移除了击垮历次存储周期的"繁荣—萧条"机制；摩尔定律的终结，又拿走了让买家每两年用更少的钱买到更多算力的历史性价格缓冲。这四个条件中任何一个单独出现都不足以改变分析，但四者同时对齐，就是新的结构性转变。
设备制造商：多年期订单积压，仅受物理产能限制。
存储供应商：只要没有经济替代品，就保有定价权。
ASIC 设计商：绑定云厂负载，客户继续建设就有多年收入可见度。
代工厂：拥有所有人中最长的前瞻视野。
但风险也很明确：这一领域龙头的根本风险在于，公开数据比真实经营画面滞后数个季度。等到指标转向时，周期可能已经开始了潜在的下行。Rasgon 的判断是——只要 AI 需求不发生悬崖式崩塌，半导体产业链的"超级周期"就会延续；而资本市场，必须跟上每一个环节里不断移动的"产能瓶颈"。
一句话总结：这一次的不同，不在于增速有多快，而在于推动它的需求是真实的、锁定的，而供给侧的每一个环节都被物理与寡头结构卡死——从晶圆设备、先进封装、HBM 存储，到代工与电力。