Gate 上币周报速递：2026年5月11日 - 5月17日 🔹 现货：$HOOLI 🔹 合约：$CBRS (Cerebras) 、$SOXL（3 倍做多半导体 ETF）、$BRKB（伯克希尔・哈撒韦）、$DIS（迪士尼）、$RKLB（火箭实验室）等 🔹 ETF (3L/3S)：#VVV3L#/3S、#SKYAI3L#/3S、#CHIP3L#/3S、#RAVE3L#/3S 🔹 参与热门活动，更多奖励等待瓜分： Polymarket 预测打卡：每日预测，单人最高领 1,000 $USDT： TradFi CFD 签启好运：0 门槛抽三级黄金豪礼、20 克金条与 200 $TSLAON ： 股票合约交易嘉年华：每日打卡瓜分 120,000 $USDT ： TradFi CFD 福利季：开户领空投，瓜分 200 $SLVON 豪华奖池：

半导体封装的“隐形中枢”：inline检测与OSAT的再定价 半导体产业正在经历一次重心转移：性能提升不再只依赖晶体管缩小，而是越来越依赖封装。2.5D、3D、HBM、chiplet，本质上都在把“系统能力”搬到封装环节。这也直接抬高了OSAT（外包封装与测试）的战略地位。 封装重要性的提升，带来了inline检测的快速增长。 OSAT（Outsourced Semiconductor Assembly and Test）负责两件事： 把裸die封装成可用芯片（封装） 验证芯片是否可用（测试） 过去这是一个低技术、低毛利的环节。但在AI时代，情况变了： 多die集成（chiplet） HBM堆叠 nm级对准要求（hybrid bonding） 封装正在变成： 性能瓶颈 + 良率瓶颈 + 成本瓶颈 inline是一种生产方式：所有工序连续完成，并在生产过程中实时检测与反馈（闭环） 对应另外一个环节是offline：做完再测（开环） 先进封装中的inline检测主要分三类： 1）光学检测（主力） bump高度 overlay（对准） 表面缺陷 特点：速度快，可全量inline。 2）X-ray检测 焊点空洞 TSV缺陷 内部结构问题 特点：能看内部，但速度慢，多用于抽检。 3）电性测试 功能验证 性能分档 更接近最终测试，不属于核心inline控制体系。 inline检测的目标不是“最精确”，而是在不降低产线效率的前提下，实现足够精确的实时反馈 核心矛盾：精度 ↑ → 速度 ↓；速度 ↑ → 精度 ↓ 先进设备的价值，就是在这个矛盾中找到最优解。 inline检测的壁垒来自多维叠加： 1）物理极限 nm级对准 μm级结构 工业环境下接近科研精度 2）速度 vs 精度的工程平衡 高throughput + 高精度同时实现 3）算法与数据 缺陷识别、pattern分析 强依赖历史数据与持续训练 4）工艺耦合 测量 → 调整工艺 → 再测 形成闭环系统 5）客户验证 TSMC / Samsung Electronics / Intel 验证周期长（1–3年） 一旦导入，很难替换 所以门槛极高。inline设备不是工具，而是嵌入客户制造系统的一部分。因此这个市场高度集中： 系统级控制 KLA Corporation Applied Materials → 控制数据与闭环 关键测量节点（alpha来源） Camtek Ltd. Onto Innovation Nova Ltd. → 控制关键测量维度 三家核心玩家对比（Onto / Nova / Camtek） 这三家公司虽然同在inline赛道，但本质上卡的是不同位置。 一句话结论 Onto = 广度（平台） Nova = 深度（前道工艺） Camtek = 弹性（先进封装/HBM） 1️⃣ Onto Innovation 定位： 前道 + 封装双覆盖 optical metrology + inspection + litho 优势： 产品线最广 客户最分散 抗周期能力强 劣势： 单点技术不如Nova深 封装不如Camtek极致 2️⃣ Nova Ltd. 定位：前道metrology核心玩家 优势： 技术深度最强 工艺绑定最深 数据壁垒最强 劣势： 封装参与较少 弹性不如Camtek 3️⃣ Camtek Ltd. 定位： 先进封装（HBM / 3D） 优势： 聚焦3D检测 HBM需求直接驱动 使用频率极高 劣势： 产品线较窄 对周期敏感 竞争关系本质 KLA = 控制系统 Onto = 广覆盖 Nova = 深度测量 Camtek = 封装核心检测 这不是单一赢家市场，而是： 每个关键测量维度一个龙头 封装是制造能力，检测是控制能力。区别在于： 封装 → 可扩产、可竞争 检测 → 嵌入流程、难替代 inline检测具备三个核心特征： 高频使用（每一步都测） 强绑定（工艺耦合） 决定良率（直接影响利润） 在这个体系中：谁打通从设备到数据的全节点，掌握“反馈权”，谁就掌握利润分配权。 免责声明：本人持有文中提及的标的，观点必然偏颇，非投资建议dyor

Onto Innovation最近入股 Rigaku Holdings 27% 股权，这是一次非常明确的战略转向：从“表面检测”走向“3D结构检测”，本质是在卡位先进封装时代的工艺控制入口。 Onto的业务核心是半导体制造中的process control，也就是检测（inspection）、计量（metrology）、封装光刻和软件系统。它决定良率，和klac一样，是典型的“复杂性收费者”。随着工艺从2D走向3D，这类公司的重要性正在系统性提升。 过去，检测主要依赖光学和电子束，解决的是“看得见”的问题。但在HBM、CoWoS、chiplet和混合键合等结构下，缺陷越来越隐藏在内部，传统方法开始失效。X-ray成为必需工具，这正是Onto入股Rigaku的核心逻辑——补齐内部检测能力，从而覆盖“表面+内部”的完整检测链条。 从市场结构看，Onto未来真正的机会不在大盘，而在结构性细分。 先进封装检测的增速高于行业平均，而涉及3D结构（如X-ray、混合键合检测）的细分领域可能更高。公司当前业务重心已经明显向先进封装倾斜，这使其增长弹性显著高于行业平均。 竞争格局上，行业由 KLA Corporation 主导，市占率超过一半，是标准制定者；Applied Materials 和 ASML 等大型设备商具备跨界能力，可以通过整线方案压制单点供应商；而Camtek、Nova等公司则在细分领域与Onto直接竞争。Onto本身处于中间位置：产品线不够全面，但在先进封装环节具备一定深度。 其优势在于提前卡位先进封装，产品结构向高增长区域集中，同时具备一定技术门槛和盈利能力；但劣势也很清晰，包括客户绑定较弱、系统能力不完整，以及在部分高端检测能力上仍落后于龙头。整体来看，护城河处于中等水平，尚未形成不可替代性。 决定公司未来地位的关键变量是混合键合。 随着互连从bump走向直接键合，对overlay精度和界面缺陷控制的要求大幅提升，检测和计量的重要性显著上升。Onto在overlay和先进封装检测上已有基础，并通过X-ray补齐能力，因此可以覆盖混合键合检测链的大部分环节。该技术有望在未来3–5年持续推动其相关业务高于行业增速。 Onto的投资逻辑并不完全跟随半导体周期，而在于是否能够从先进封装中的“参与者”，升级为3D结构检测中的“关键节点”。混合键合决定其能否获得稳定超额增长。如果能够在X-ray和3D检测上建立能力闭环，其护城河有望明显加宽；反之，则仍将处于被KLA压制、被大厂边缘化的中间位置。 本质上，这家公司正在从一个设备供应商，向“复杂性控制入口”转型。能否完成这一转型，决定了它未来5年的上限。 免责声明：本人持有文章提及股票，观点十分主观，非投资建议dyor

$AVGO 是AI芯片的龙头。但历史告诉你，真正暴富的人买的是龙二 $MRVL 先说一个关于半导体行业的反直觉规律： 在一个严重缺货的市场里，获利最大的往往不是龙头，而是那个追赶中的龙二。（Herman老师分析intel观点我觉得说的很好，也同样非常适用于 $MRVL) 理由很简单： 当产能严重不足，买家再也无法只依赖龙头一家供应商。他们开始把订单给原本觉得"不够好"的替代者。而这个替代者，突然发现自己的产品以前没有人要，现在成了香饽饽——价格可以谈，条款可以谈，一切都变了。晶圆缺货时，原本没有人愿意把订单给Intel的客户，开始认真研究18A了。 那么，在AI定制芯片这个正在快速缺货的赛道里，获利最大的龙二会是谁？ 我的答案是 $MRVL 。 1. 先理解结构 AI芯片市场分两层： 第一层：通用GPU Nvidia统治，没有任何人能挑战。H100、B200、Blackwell——超大规模云厂商需要它们，别无选择。 这层市场已经被充分定价了。Nvidia市值5.7万亿，没有人会漏掉这个机会。 第二层：定制ASIC（专用AI加速芯片） 这是一个完全不同的故事。 每一家超大规模云厂商都在开发自己的专用芯片： Google有TPU（张量处理器），Amazon有Trainium（AI训练）和Inferentia（推理），Meta有MTIA（AI推理加速），Microsoft有Maia（Azure AI加速）。 为什么要自己开发芯片？ 因为通用GPU虽然强大，但它服务所有人，没有为特定工作负载优化。自研芯片可以针对自己的模型架构和推理需求精确设计，功耗更低，成本更低，效率更高。 这是一个不可逆的趋势——超大规模云厂商越大，自研芯片的动力越强。但有一个关键问题：这些云厂商需要设计合作伙伴。芯片设计是极其复杂的工程，需要有人懂SerDes，懂先进封装，懂chiplet集成，懂供应链——不是随便一家公司能做到的。 全球有能力承接超大规模云厂商定制ASIC设计的公司，只有两家： $Broadcom，和 $Marvell。 2. AVGO vs MRVL：龙头和龙二的真实差距 先看数字： Broadcom在ASIC市场占约55-60%的份额，与Google的TPU合作锁定到2031年，客户包括Meta、OpenAI等顶级厂商。Marvell约占15%的份额，排名第二Broadcom领先是事实，毫无争议。 但有几个数字值得认真对比： AVGO MRVL 市值 $2万亿 $1,470亿 ASIC市占 55-60% 15% FY26AI营收 $200亿+ $96亿 Forward PE 31倍 36倍 Broadcom在定制ASIC市场记录了约$200亿的AI总营收，而Marvell的AI相关营收约$96亿。 从市值角度：AVGO的市值是MRVL的13.6倍，但ASIC市场份额只是MRVL的4倍，AI营收只是MRVL的2倍。这个不对称，是MRVL存在的核心机会。 3. MRVL独特的地方：两场战争同时押注 这是我认为最关键的一点，也是MRVL和所有其他AI芯片公司最本质的区别。 MRVL同时押注了两个互相独立的万亿级叙事： 叙事一：定制ASIC——去Nvidia化的最大受益者 Marvell的数据中心部门FY2026增长46%，超过$60亿，管理层指引FY2027同比再增约40%。定制芯片年化营收已达$15亿规模，两个AI加速器项目处于高产量阶段，第三个超大规模客户合作正在进行。 Nasdaq 最重要的一个进展： 2026年4月，Google被报道正在与Marvell进行深度谈判，共同开发内存处理单元和下一代TPU，这正是Google此前几乎完全交由Broadcom负责的工作。如果谈判成功，Marvell将成为AI行业最具战略意义的芯片项目之一的核心设计伙伴。 这是什么意思？ Broadcom和Google的TPU合作锁定到2031年——这是Broadcom的护城河，但不是MRVL的天花板。Google开始和MRVL谈，不是要取代Broadcom，而是要建立第二供应商。这正是"缺货时代，落后者获利"的经典逻辑。 当TPU的设计需求超过了Broadcom单独能服务的上限，Google开始把部分项目分给MRVL。 这一单谈成，MRVL同时拥有Amazon和Google双超大规模客户锚定——三个超大规模客户（Amazon、Microsoft、Google）大幅降低了单一客户集中的风险，给市场提供了更清晰的多年营收增长路线图。 叙事二：光互连DSP——AI集群神经系统的命门 MRVL是目前唯一同时覆盖定制ASIC设计、1.6T光学DSP、硅光子技术（通过Celestial AI收购）和CXL交换的全栈公司——这是任何单一竞争对手都无法复制的护城河。 光互连DSP是什么？ 当GPU和GPU之间需要通信，数据需要在光纤里传输。但光纤里走的是模拟光信号，计算机需要的是数字信号。DSP（数字信号处理器）就是这两个世界之间的翻译器——它把数字数据编码成光信号发出去，再把收到的光信号解码成数字数据。 MRVL的PAM4 DSP是全球800G和1.6T光模块的核心芯片之一。光互连业务的需求与AI集群的互连基础设施同步扩张——每一个上线的AI集群都需要完整的互连协议栈，不需要等待GPU的供应情况。 这是最关键的逻辑： GPU供应有时候是稀缺的，但光互连不等GPU——只要数据中心在建，只要AI集群在运行，光互连就需要。 MRVL的DSP是一个和GPU并行运行的独立需求，不是GPU需求的影子。 4. 我自己的判断：为什么MRVL的故事比AVGO更有弹性 AVGO是龙头，MRVL是追赶者。 但在这个特定的历史时刻，追赶者的弹性更大，原因有三： 原因一：基数效应 AVGO已经是$2万亿市值，要翻倍需要成为$4万亿的公司。MRVL只有$1,470亿，翻倍只需要$2,940亿——和AVGO现在市值的15%相当。同样的资金流入，对MRVL股价的推动效果是AVGO的13倍以上。 原因二：Google的变量 AVGO和Google的合作是锁定的，这是护城河，但也意味着它的上行惊喜已经被充分定价。MRVL和Google的谈判还没有正式宣布——这是一个尚未被市场定价的潜在催化剂。如果Google正式宣布，MRVL立刻拥有Amazon+Google双超大规模客户，ASIC市场份额从15%向25%+跳升的路径被打开。 原因三：两个叙事不相关 AVGO的核心护城河是ASIC和VMware软件。 MRVL的两个叙事——ASIC和光互连DSP——是完全独立的业务。 ASIC受益于去Nvidia化，光互连受益于AI集群扩张。两个独立的增长引擎，互相不依赖，互相不替代。 MRVL在多个AI基础设施顺风中同时暴露：定制芯片、光互连、数据中心网络和更广泛的超大规模资本支出周期。这种在AI主题内的多元化暴露，使它成为纯粹的GPU标的（如Nvidia）的有吸引力的补充。 5. 估值合理吗？ $MRVL：Forward PE 36.4倍，市值$1,470亿。 $AVGO：Forward PE 31倍，市值$2万亿。 $MRVL的Forward PE比 $AVGO略高，但增速也更快： $MRVL FY27营收预期：约$110亿，同比增速约40% $AVGO FY27增速约25-30%。PEG（PE/增速）： $MRVL：36.4 ÷ 40 = 0.91, $AVGO：31 ÷ 27 = 1.15 PEG低于1都算便宜。 用PEG来衡量，MRVL比AVGO便宜约20%。 而且MRVL有Google催化剂这个尚未被定价的变量，AVGO没有。如果Marvell股价涨到$400，需要数据中心营收FY27超过$90亿，Google ASIC合同正式宣布，自定义硅年化营收达到$30亿。在这些条件下，ASIC业务40倍Forward EV/EBITDA，光互连业务20倍EV/Sales。 我觉得2027年是很有可能达到的，这还是在理性的估值下，如果是ai融涨疯牛选择忽略估值的话，如果NVDA到360分析师预测最高，也就是8.8T, 我预测8-10T，那么AVGO会到3-4T, MRVL到500B-1T都问题不大。 6. 三个需要追踪的关键变量 变量一：Google ASIC合同的正式宣布 这是目前MRVL最大的潜在催化剂。谈判已经在进行，但没有正式宣布。每过一个季度没有宣布，市场会稍微失去耐心。但一旦宣布，估值逻辑发生质变。 变量二：1.6T DSP的市场份额 Marvell已经开始出货1.6T PAM DSP，基于5纳米工艺，并推出了下一代3纳米版本，将光模块功耗降低超过20%。 800G向1.6T的迭代是MRVL DSP业务的下一个量子跳跃。如果MRVL能在1.6T时代维持甚至提升市场份额，光互连业务的营收会非线性增长。 变量三：Celestial AI的硅光子整合 MRVL收购了Celestial AI，进入硅光子领域。这是CPO时代最关键的技术平台——把光学引擎直接集成进芯片封装。如果MRVL能在CPO时代把DSP和硅光子整合成一个完整的解决方案，它的价值会远超现在的定价。 7. 最终判断：MRVL是这轮AI牛市里最干净的不对称机会 AI芯片市场分三类公司： 第一类：Nvidia——已经被充分定价的龙头。故事最好，估值最贵，上行惊喜空间有限。 第二类：纯ASIC公司（AVGO）——护城河深厚，但增速放缓在定价中。Google TPU锁定到2031年是确定性，也是上行惊喜的天花板。 第三类：MRVL——两个叙事都在爆发，Google催化剂未定价，市值基数小。 这是不对称机会的经典形态， 下行有Amazon锚定，有光互连稳定收入，不会归零，上行有Google合同宣布+CPO爆发+ASIC市场份额提升，估值可能从$1,470亿走向$5,000亿+。 $MRVL也是我重仓持有的标的之一，短期technical角度今天收长上影线，日线级别调整要来，加仓机会在第一目标165，第二目标140。如果给机会到140补那个缺口，我仓位加满（图1）。 总结：回到那个反直觉的规律：缺货时代，落后者获利最大。 ASIC市场正在缺货——Broadcom一家根本无法满足所有超大规模客户的定制需求。光互连正在缺货——AI集群每季度都在扩张，DSP的需求只增不减。MRVL是这两个缺货赛道里，那个正在被需要的追赶者。 历史一次次证明：当产能不足、供应商只有一两家的时候，第二名是最好的弹性高的投资标的（Nvidia和Amd，TSMC和Intel。） 因为所有人都开始认真研究它了。 #MRVL# #Marvell# #AVGO# #Broadcom# #ASIC# #定制芯片# #光互连# #DSP# #Google# #Amazon# #Nvidia# #AI芯片# #半导体# #美股# #龙二补涨# #CPO# #硅光子# #AI基建# #USStocks# #AIStocks# #数据中心# #去Nvidia化#

Veeco：在GAA、HBM与CPO交汇点上的重要玩家 如果把半导体产业链的终点是材料。Veeco就是一家材料公司。 公司业务看起来分散：LSA、MOCVD、Ion Beam、Wet、Litho。但如果用一条主线去理解，其实很清晰——它做的是在原子尺度上控制材料。 Veeco当前收入约70%以上来自半导体相关业务，产品结构可以分为三层： 第一层是LSA（Laser Annealing）和先进封装（Wet + Litho），贡献大部分收入； 第二层是Ion Beam等高精度材料处理； 第三层是MOCVD等化合物半导体设备，当前占比不高，但决定未来空间。 LSA本质是一个“热控制工具”。但在先进制程里，“热”已经不是普通变量，而是最核心约束之一。 离子注入之后必须退火，这是所有晶体管都绕不开的步骤。传统路径是RTA或炉管，但问题在于，它们是“全局加热”，时间长、扩散大。节点进入7nm以下，这种扩散开始不可接受。 GAA把问题推到极限。沟道结构更精细、尺寸更小，任何多余的扩散都会直接影响器件性能。这时候，工艺需求发生了本质变化——不再是“加热”，而是“精确加热”。 LSA的价值就在这里：纳秒级、局部加热，几乎只作用在表层。 LSA的护城河不是设备本身，而是“工艺嵌入”。一旦进入产线，很难被替换。 再看先进封装（Wet + Litho）。 HBM和Chiplet的爆发，把封装从辅助环节变成核心环节。工艺数量增加、步骤复杂度上升，对清洗、刻蚀、光刻的需求同步放大。 Veeco不是技术绝对领先，而是“高吞吐 + 低成本”的参与者。 它已经进入TSMC、Samsung、Micron等客户体系，但这块的护城河明显弱于LSA。对手是Lam、TEL、Applied这些平台型公司。 再看Ion Beam / ALD / PVD。 ALD和PVD是典型的大厂战场，Applied Materials、Lam、TEL拥有绝对优势。Veeco在这里几乎没有存在感。 Ion Beam是一个典型的niche技术：慢、贵，但精度极高。在某些场景下，比如MRAM、光子器件、MEMS，它几乎不可替代。 这类业务的特点是：市场小，但稳定，毛利高，客户粘性强。 最后看MOCVD。 这是当前占比不高，但最值得关注的一块。 MOCVD用于生长GaAs、InP、GaN等材料，是光通信和功率器件的基础。随着CPO（共封装光学）推进，InP激光器的重要性在快速上升。 问题不在于设备数量，而在于“良率 + 工艺 + 材料体系”。这一层很可能成为真正瓶颈。 Veeco和Aixtron是唯二的核心玩家。 总的来说，Veeco很可能是一个“结构性机会”。 它的当前收入由半导体驱动，但未来估值空间取决于两件事： 第一，LSA是否进入更深的先进节点工艺； 第二，MOCVD是否成为CPO时代的关键瓶颈。 如果这两件事成立，这家公司会从一个“小众设备商”，变成“材料层定价权参与者”。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议dyor

$SIVE 的想象力空间挺大，跟lite和cohr同赛道，只有10亿市值又计划上市美股。 它在ib上能买的代码是 #2DG# 问gemini问题“Sive分析一下产品在amd，英伟达，等ai巨头的业务产线中的站位和其产品的全球市场规模”，下面上AI回答。 这家在 2026 年 AI 基础设施赛道中因“外部光源（ELS）”和“共封装光学（CPO）”技术备受瞩目的企业，以下是其在英伟达（NVIDIA）、AMD 等巨头业务线中的站位及全球市场规模分析。 一、 产品核心站位：AI 集群的“光引擎”驱动者 在英伟达与 AMD 的 AI 芯片演进中，**互连带宽（I/O）**已取代算力本身成为最大的系统瓶颈。Sive 的产品（主要是 CW-WDM 连续波激光器点阵和 RF 束成形芯片）处于以下关键环节： 1. 英伟达（NVIDIA）生态：Scale-up 网络的关键变量 • 站位： 英伟达从 Blackwell 架构向下一代（如 Rubin 或更高版本）演进时，传统的插拔式光模块（Pluggable Optics）因功耗和延迟瓶颈正向 CPO（共封装光学） 转型。 • 功能： Sive 的多波长激光器阵列作为 ELS（外部光源），被放置在计算模块之外，通过光纤为交换机或 GPU 旁的硅光引擎提供光源。 • 逻辑： 在 NVLink 的 Scale-up 网络中，Sivers 与 Jabil（捷普） 合作开发的 1.6T 及 3.2T 光收发模块，是实现万卡集群乃至十万卡集群低延迟通信的基础。 2. AMD 生态：Chiplet 互联与 Infinity Fabric 的光化 • 站位： AMD 在 Instinct 系列（如 MI350/MI400）中重度依赖 Chiplet（芯粒） 技术。 • 功能： 随着互联距离跨越板卡，光互连（Optical Interconnect）成为替代铜线传输 Infinity Fabric 信号的唯一手段。 • 逻辑： Sive 提供的激光阵列具备极高的波长稳定性，支持 WDM（波分复用）技术，这与 AMD 追求的低功耗、高密度的芯粒间光连接需求高度匹配。 二、 全球市场规模与需求空间 Sive 所处的细分赛道正经历从“边缘科研”到“主流基建”的跨越。 1. 硅光子（Silicon Photonics）核心市场 • 2026年预估值： 全球市场规模约 40.3 亿美元。 • 增长速度： 复合年增长率（CAGR）维持在 24%-25% 左右。 • Sive 份额： 在 ELS（外部光源）这一高壁垒细分环节，Sive 是全球少数能提供符合 CW-WDM MSA 标准的商业化供应商之一，与 Lumentum 和 Coherent 形成竞合关系。 2. AI 光互连总体有效市场 (TAM) • 根据高盛及相关行业报告预测，到 2026-2028 年，受 AI 集群扩容推动，全球 AI 光通信网络 TAM 将从 150 亿美元爆发式增长至 1500 亿美元 以上。 • Scale-up 占比： 其中用于芯片间、服务器间“纵向扩展（Scale-up）”的连接部分占据约 70% 的产值，这是 Sivers 激光器阵列最核心的应用场域。

最近提交ipo的ai芯片的新宠Cerebras火遍硅谷。 其芯片在小模型场景下，其推理速度最高可达 H100 的 20 倍；而超大规模模型（如 400B 参数量级），Cerebras CS-3 系统的单用户响应速度约为 B200 的 2.4 倍 那么cerebras究竟是如何做到的呢？ 它是否会成为英伟达杀手呢？ 我们需从算力演进的本质开始。 AI算力的演进，正在从“算力本身”转向“通信与系统结构”。在这条演进路径上，Cerebras Systems提供了一种完全不同的答案：不是优化分布式，而是尽可能消灭分布式。 一、两条路线：消灭通信 vs 优化通信 当前AI算力本质上分为两种架构哲学：一条是以NVIDIA为代表的路线： 多芯片（GPU），高速互连（NVLink / CPO），scale-out（横向扩展） 另一条是Cerebras路径：单芯片做到极限（wafer-scale） 片内网络替代跨节点通信，scale-up（纵向放大） 核心区别是：一条在解决“如何连接更多芯片”，另一条在解决“如何不需要连接”。 二、为什么这条路现在才成立 wafer-scale并不是新概念，80年代就有人尝试，90年代商业化失败。原因是： 良率无法承受 没有容错机制 软件无法支撑 行业因此形成共识：小die + 高良率 + 分布式。 Cerebras的突破在于三件事同时成立： 1）容错机制工程化 2）片上网络成熟 3）AI workload匹配（高并行，强同步，通信主导） 本质变化是：从“完美硬件”转向“可容错系统”。 三、性能对比：单点极限 vs 系统扩展 在通信层面，两条路线的优劣非常清晰： 1）片内通信 Cerebras：纯片内 → 延迟最低、能耗最低 CPO：仍有光电转换 → 单点效率：Cerebras更优 2）系统扩展 Cerebras：一旦跨芯片 → 回到通信问题 CPO：带宽可持续扩展 → 系统能力：CPO更优 3）功耗结构 Cerebras：单机功耗极高，但通信极省 GPU+CPO：单点功耗可控，系统效率更平衡 结论很明确： Cerebras赢“单机极限”， CPO赢“系统规模”。 四、适用场景：谁该用cerebras 判断标准可以简化为三个问题： 1）通信是否是瓶颈 2）任务是否可集中 3）结构是否规则 因此，高度适用于大模型训练（dense模型），超长上下文，及部分HPC（PDE、流体等） 这些任务的共性是强耦合 + 高同步 + 高带宽 部分适用于大模型推理（低并发），图计算（结构复杂时优势下降） 而不适用于CPU（通用计算），高并发推理，移动/边缘芯片，实时系统 这些系统的共性：不规则 / 高并发 / 低延迟 五、是否会变成主流 尽管Cerebras在特定场景极强，但主流不会走这条路，原因是： 1）物理约束：功耗密度；信号延迟→ 容错解决不了这些问题 2）经济性：小die良率更高；chiplet更灵活 3）产业路径：TSMC等体系优化方向是模块化，多客户复用而不是超大单体 4）需求侧变化：推理占比远高于训练，多任务、高并发成为主流 六、cerebras的意义 与其说wafer-scale尺寸是重要的趋势，不如说容错设计是会被广泛吸收的哲学 未来可能会出现chiplet级容错，封装级绕路 核心变化是单个硬件不再需要完美，系统负责兜底。 回到最初的问题：Cerebras会不会成为NVIDIA的“杀手”？ 答案其实已经很清楚。 它确实在一个关键点上击中了GPU体系的软肋——通信。但行业的选择，并不是非此即彼，而是多个技术突破同时采用：更强的互连、更低的通信能耗、更高的系统级效率。 因此，更准确的判断是Cerebras不是英伟达的杀手，而是英伟达及所有芯片公司可借鉴的最佳实践。 免责声明：本人持有文中提及的标的，观点必然偏颇，非投资建议，投资风险巨大，入场需极度谨慎 （图：一个cerebas芯片）

行业分析：AI光互连全景：谁是下一个“HBM级瓶颈”？ AI算力的瓶颈正在从计算转向带宽。随着GPU规模扩大，节点间通信接近N²级增长，电互连在功耗与距离上逐步触顶，光互连从可选项变成刚需。这一变化不只是需求扩张，而是产业结构的重排：光开始从数据中心边缘进入系统核心，甚至进入封装内部。 从底层看，硅光（SiPho）是在硅基上做出一整套光通信器件：波导负责传光，调制器把电信号变成光，探测器再把光变回电。它解决的是带宽与能效问题。硅本身不能发光，激光器依赖InP、GaAs等III-V材料，因此整个体系天然是“硅 + III-V”的异构结构。 产业链可以拆成四层：上游材料（InP与激光材料）、中游核心器件（激光器、硅光芯片）、模块与封装（光模块、CPO）、以及系统与网络架构。价值分配并不均匀。最稀缺的是光源，也就是激光器及其背后的InP体系，这一层类似算力链中的HBM，是物理瓶颈；再往下是硅光与光芯片，决定光电融合是否可行；光模块更偏制造与组装，周期性更强；真正的高价值封装集中在系统级CPO。 在硅光制造这一层，Tower Semiconductor 和 GlobalFoundries 是典型代表。它们本质是foundry，把光子芯片从设计变成晶圆。器件公司是它们的客户，而不是供应商。两者路径不同：TSEM更像工艺专家，擅长定制和复杂结构，解决“别人做不出来”的问题；GF更像平台型foundry，提供标准化工艺和规模能力，让更多客户可以复制。 这也解释了近期股价的差异。TSEM的上涨几乎直接由AI光互连驱动，尤其是硅光需求进入订单兑现阶段；GF更多受益于AI整体需求扩散，硅光只是其中一部分。前者是主线变量，后者更像beta。 很多人会误以为竞争在晶圆尺寸，比如300mm。但在SiPho、模拟、RF这些领域，关键不在晶圆，而在工艺复杂度、良率和客户绑定。真正决定竞争力的是能否稳定量产复杂光电结构，而不是晶圆大小。 从全球格局看，中国在光模块层面占据优势，但在SiPho制造仍处于早期阶段。差距不在技术原理，而在量产能力和客户验证。短期内，由于订单和经验的正反馈，差距在拉大；中期随着下游需求反向驱动，上游有望追赶。这一结构和HBM不同，SiPho不属于天然寡头，更可能走向多极竞争。 真正改变产业结构的是CPO（co-packaged optics）。CPO不是一个器件，而是一种封装形态：把光芯片与算力芯片封在一起，使光从“外部模块”变成“系统内部的一部分”。实现路径是先在SiPho晶圆上完成器件制造，筛选良品（KGD），切割成die，再与GPU/ASIC、HBM等一起进行异构集成，通常采用平面并排而非堆叠。 这一变化的核心结果是：硅光从“独立产品”变成“系统中的一层”。功能重要性不变，但定价权下降。过去光模块可以独立定价；在CPO中，价值更多被系统整合者吸收。掌握先进封装能力的厂商更接近控制节点，这也是为什么TSMC和Intel在这一阶段具备更强话语权，而TSEM和GF更接近中游die供应商。 CPO对技术提出了三大硬约束：功耗、带宽密度和封装耦合。功耗决定系统是否可持续，带宽密度决定扩展能力，封装耦合决定良率和成本。这三点直接推动硅光工艺进入新阶段。 在这一过程中，低损耗波导成为关键基础。波导是芯片内部的“光通道”，损耗以dB/cm衡量。0.1 dB/cm与1 dB/cm的差异，会在封装内线性累积，直接决定系统功耗与成本。当前主流量产水平在0.3–1 dB/cm，先进工艺可到0.1 dB/cm，实验室中的氮化硅（SiN）接近0.01 dB/cm，但距离大规模量产仍有距离。材料路径也逐渐清晰：硅波导受限于粗糙度和折射率，长期趋势是向SiN迁移。 难点不在单点，而在多重极限叠加：侧壁粗糙度、PECVD氢吸收、SiN应力、弯曲损耗、光纤耦合等因素同时作用。这也是为什么真正的优势来自“全栈工艺控制”，而不是某个单一技术突破。 CPO不仅改变技术路径，也改变竞争结构。未来不会出现单一路线，而是分层共存： 核心AI集群：定制CPO，追求极致性能 大规模部署：标准化CPO或pluggable，追求成本与灵活性 即使在CPO内部，也会分化为“高性能CPO”和“标准化CPO”，类似HBM与DDR的关系：前者吃价值，后者吃规模。 对TSEM和GF来说，这种分化进一步强化各自路径。TSEM更靠近高性能CPO，承接定制需求，有机会成为局部瓶颈；GF更靠近标准化CPO，承担规模扩张，是产业的放大器。 整条链可以压缩成一句话：材料决定能不能做，芯片决定性能上限，封装决定系统价值，系统厂决定利润分配。对应到算力链，InP激光器类似HBM，CPO类似GPU封装，光模块类似服务器组装，而硅光晶圆厂更像中间层的chiplet供应商。 从投资角度看，最确定的机会在光源，这是物理瓶颈；最大弹性在硅光与CPO，一旦路径跑通会被放大；光模块是顺周期；封装稳定吃利润但不容易爆发；系统层存在潜在黑马，但取决于架构演进。硅光不会消失，但正在被“吞入系统”。未来真正的“HBM时刻”，更可能出现在光源层或系统级封装，而不是封装之前的中游晶圆环节。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议dyor

今天芯片圈最大的新闻，莫过于Gerard在创立Nuvia CPU被高通收购五年之后，重新出发，新创立了ARM CPU公司，名字也跟之前非常像，叫Nuvacore 现在这个时间点做数据中心CPU，确实是赶上了CPU十年来最好的时代: AI agent带来CPU短缺潮已经经隐隐浮现，AWS多个客户都提出要包揽所有Graviton ARM CPU产能 ------------ 这个消息对硅谷的芯片打工人吸引力是巨大的，Nuvacore这次的阵容都是功成名就的明星阵容，以前Nuvia创始团队重新集合，拿了红衫的投资，做面向 AI 基础设施/agentic computing 的通用ARM CPU。当年还是一个尚未完全被验证的大方向都能大获成功，而现在ARM CPU服务器正在风口浪尖上，前景和想象力和2019年Nuvia比起来大了太多了 上一次Gerard把Google，苹果platform architecture组的架构大佬挖了好多过去，这次的号召力只会强得多，240m的融资，已经验证过的路径和创始团队，肉眼可见的下一个增长风口，一定会让Nuvacore成为湾区最热门最受追捧的芯片startup，没有之一。毕竟这是一个肉眼可见能财富自由而且风险收益比极好的机会 ---------- 遥想当年Nuvia第一代CPU的发布赶上苹果M2时代，还是挺震撼的，Nuvia让高通在一年的时间CPU跑分进步了整整三代，单核跑分从2300变成3200，竟然超过了苹果M2 max一大截 可惜Nuvia Phoenix core从发布到最后上市拖了太久太久，中间苹果把牙膏挤爆了连着上市了M3/M4，于是Nuvia CPU上市之后从跟M2比较变成了跟M4比较，从期待中的C位变成背景板了 当年Nuvia的眼光非常超前，在2019年ARM CPU服务器市场占有率几乎为零的情况下，就是想从零开始打通这个市场，2021年被高通14亿美元收购之后，高通也给了无限的资源支持，扩招力度很大，给的薪水都是市面上最高一档的。 可惜大环境在2022年恶化的很快，加上高通的管理层战略眼光实在太差太短视，在业界ARM服务器生态都开始有起色的时候，为了股价节约开支，竟然再一次把自家的Nuvia CPU 服务器团队解散了（算上2015年已经解散过一次ARM服务器团队） 直到2025年，Nvidia的Grace ARM CPU都已经发布四年了，Vera ARM CPU都已经自研好久了，Amazon的ARM CPU Graviton都快占据CPU服务器新出货的50%了，高通才后知后觉谨慎的重启ARM服务器项目 所以这次Gerard从高通的高管位置把之前的创始团队拉出来自己干，可能是因为高通高层战略眼光实在太差屡屡错过机会，上次Nuvia想做ARM服务器，高通的承诺也因为大环境恶化没做数，结果被收购之后被高通取消了项目直接改做了laptop芯片和手机芯片 加上高通今年在手机销量上因为内存和存储历史级的巨额涨价，可以预见要受到重创(市场萎缩30%)，能拿出的扩张预算有限，在高通能拿到的资源是受到掣肘的 而在创业公司里比在 Qualcomm 这种大平台里更容易拿到足够快的决策速度、团队纯度、产品定义权和资本叙事，于是选择在窗口已经被验证时重新集结老班底 但更可能因为，AI时代的CPU前景想象力真的太广阔了，完全值得重新投入一次，不是Gerard变了，而是外部市场变了 ------------------------ 进入2025年之后，AI agent的出现，隐隐让CPU重新变成了瓶颈 CPU服务器重新步入增长轨道，而且潜力巨大，有好几个因素： 1. 随着推理时代的到来，GPU演化到针对推理的系统级新架构，CPU 是永远在忙的总指挥orchestrator, 因为要追求token throughput，所以异构计算阶段变多 + 批处理数量batch越来越大，scheduling/routing/data flow复杂度变高，对orchestration要求也变高 所以在系统级异构推理架构里，AI加速器和GPU在CPU：GPU的配比上，也变得更为激进，从以前的1：4到Grace Blackwell的1：2，以后是很有希望达到1：1的比例的。Google TPU配Axion，Amazon Tranium配Graviton，Nvidia Rubin配自家Vera CPU 这条在我的去年11月半导体年终回顾写过，基本上在2026年成为了共识，虽然这部分主要是各家AI 芯片自研，并不是纯粹的CPU服务器，其实不算是外部CPU服务器的机会 2. 也是同一篇年终回顾里写到的： 从CPU视角去看agentic workload，routing和工具处理都在CPU上，如果把常用的agentic框架做profiling，比如SWE-Agent, LangChain, Toolformer，CPU最长可以占到90%的E2E端到端延迟，throughput瓶颈也更多的卡在CPU，CPU甚至能耗也超过了总能耗的40% Agentic AI目前是一个CPU瓶颈更多的事情，Agent管理很多个CPU，再加上agent经常要开sandbox，很可能会成就CPU需求的新一波回暖 现在回看去年写的这个逻辑，潜力是非常大的。但其实年初可能并没有很大规模发生，年初的CPU增长和各家渲染的CPU短缺潮和这个逻辑暂时关系不大，更多可能是前几年的capex投入GPU的比例太大，造成传统CPU服务器投入不够，所以需求上升是一个回补之前传统服务器投入不够的部分。 但到了下半年甚至2027，agent会开始更广泛的铺开，比如智能导购和客服，已经占到了Amazon去年年底100万CPU采购的相当部分比例，这部分的增长是很快的 前两个逻辑，基本上是今年主流叙事在讲CPU潜力的共识，但是我的感悟是，还有另外两个逻辑被低估了： 3. 造成CPU服务器潜力更大，更长线的主逻辑，可能和agent本身没有直接关系，而是code agent带来的副产物： coding门槛和速度的大幅优化，让“构建软件 + 连接软件 + 调用软件 + 自动化软件”这整件事便宜了一个数量级，Jevons 悖论在software供给端的展开，最终把世界推向更高的软件密度和 API 密度，这直接带来了CPU传统workload的线性上升 从2025年年底开始，coding agent迎来了质变，Claude code迎来了爆发式增长，三个月的token营收增长了三倍，那么导致的下一步必然是Code量的十倍增长,以及App数量的巨量增长 即便是在大厂，每天1m token消耗只能算是个平均水平，人均coding量必然是翻倍的（小厂就是翻十倍了），code供给量暴增，不会只停留在 repo 里，而会逐步变成更多长期运行的软件资产，长期存活的feature变多，product变多，microservice变多，API变多 长线来看，App/API所有的生产成本和生产周期会变成原来的10%，API实现极大富足。那么API的Usage就会大量的上升,这就会造成传统CPU Workload或者说CPU Seconds大量的上升，这甚至和agentic没有直接关系 时间维度上，这个逻辑并不是短期性质，Claude code的爆炸是这几个月刚发生的事情，那么产品上线，microservice，api上线，可能都要向后延迟。当软件变便宜，社会不会少用软件，只会把更多事情软件化 所以也许到下半年甚至更久才会看到，传统cpu云的需求又莫名其妙增加了，表面上看，甚至和AI agent没有直接关系 4. CPU是一个技术上很难通缩的东西，不像内存/存储有很多压缩算法会降低单任务对存储的用量，CPU workload增长转化成硬件需求增长是实打实的 比如说kvcache其实每年都有各种压缩技术出现，老的压缩技术比如kvcache的multi-head它会share一个head（GQV），这个大概会相当于4倍的压缩，再比如说去年turboquant这个技术也会新带来几倍的压缩。然后加上数据精度从FP16到现在的下一步要到FP4，精度的下降都会带来kvcache的压缩，从而带来存储方面的技术通缩。 但CPU是一个技术层面上通缩量很小的事情，目前任何的agentic的cpu workload（CPU seconds）增长都是硬件需求增长，它通缩的方面只有每年每一代跑分提高的10%到15%。如果说另外通缩因素，比如云的五倍六倍的超卖会不会影响？不会，因为它一直是超卖的，所以说超卖/利用率低这个CPU技术通缩的因素不会继续扩大了，每个增长的CPU seconds都是不怎么带打折的硬件线性增长 ARM的指引是CPU的供需缺口可能会到30%以上，这几个原因的叠加，加上AI服务器对CPU服务器产能和订单的挤压，可能会让缺口更大，各个hyperscaler的反应可能是会滞后的 ------------------ CPU整体需求潜力增长的同时，ARM服务器CPU也赶上了历史上最好的时代： Hyperscaler为了节省成本，接近50%的新增传统server CPU都是ARM，Google的Axion，Amazon的Graviton，Microsoft的Cobolt，Graviton甚至2026年的产能已经全部卖完，瓶颈成了产能 Google TPU配Axion，Amazon Tranium配Graviton，Nvidia Rubin配自家Vera CPU，这部分CPU为什么会集体转向ARM，除了成本因素之外，也因为推理系统为了追求token throughput，batch越来越高越做越复杂，自研ARM CPU以及系统性软件硬件的co-design会更方便，比如Nvidia是Dynamo去控制Vera和Rubin之间的协同 Nuvacore的规划上来看，不仅仅满足于做IP，也要做成品，因为在招聘网站上出现了validation engineer的职位 但是这次Nuvacore面临的挑战也不小：起步太晚了，无论是市场上，还是技术上，竞争都激烈了很多。CPU服务器和七年前比，已经复杂了很多，已经不再是单片CPU的竞争，而是rack系统级别的复杂度 现在开始做2028~2029年上市的CPU，要做到rack级别有竞争力，规模要大很多，基本上要几十个chiplet，500+个core拼起来，还要考虑如何适配AI agentic workload，工作量比以前明显要大的多，对一个startup的挑战比七年前也大得多 ---------------- 上次Nuvia在成立两年之后成功的以14亿美元出售，这次市场热度比五年前高了一个数量级，Nuvacore之后的路会怎么走呢？ 如果是被收购路线，其实买家可能比五年前比并没有更多，这五年里，Google有了Axion，微软有了Cobalt，Amazon有了Graviton，Nvidia自研的Vera CPU已经成型，连ARM也打破了35年来只做IP的常规，开始做自己的AGI CPU芯片 最有可能的是Softbank系，softbank已经在ARM CPU服务器生态上布局深耕了多年，65亿美元收购了Ampere，再收购Nuvacore是很正常的事情，这个市场想象力足够大 其他的选择也可能是Meta，因为几家互联网公司里，只有Meta的silicon house没有稳定可靠的CPU服务器，有限的资源在MTIA都做AI加速器去了 但是Meta的问题在于稳定性极低，决策每个月都在变化，注意力非常短期化，项目随时取消，对Nuvacore来说完全无法兑现潜力，是一个非常糟糕的买家 但总体来说，Nuvacore的选择肯定比五年前宽了太多了，对ARM CPU服务器的潜力大家的共识都很明确，融资的难度要小很多，自己运营扩张起来，阻力比以前小很多，合作伙伴的配合程度上也因为未来预期，会容易很多 完全可以自己做大到比Nuvia当年更大的规模再考虑出路，根本不着急卖