AI光互连正在进入“混合化时代” AI scaling真正撞墙的位置，已经越来越接近data movement。移动bit的成本，开始越来越接近，甚至超过计算bit本身。 massively parallel IO、power/bit、thermal density、reliability、optical packaging、chip-to-chip bandwidth这些问题越来越成为瓶颈。未来光互连越来越像系统工程问题。 AI光互连重要的趋势，是“光互连混合化”。行业正在从每模块独立激光、pluggable optics、板级光模块，逐渐走向 CPO、ELS（External Laser Source）、Optical IO、chiplet optics、MicroLED optical interconnect。核心原因很简单：激光器越来越难放在最热、最密集、最难维护的位置。于是行业开始把激光集中化、共享化、远程化。ELS路线背后的本质，也是把光源从局部模块变成系统级资源。 ai集群的网络功耗正在逼近计算功耗。GPU越来越像“被IO限制的计算器”。于是光开始越来越靠近封装。过去是 GPU → PCB → 铜 → 光模块 → 光纤。未来越来越像 GPU旁边直接就是光。而一旦光进入封装，热、良率、耦合、封装、可靠性，全部开始指数级变难。 于是MicroLED开始成为选项。传统激光路线更强调单通道极限速度、长距离、相干性、超低损耗。MicroLED路线更强调海量并行lane、超短距离、低功耗、CMOS-like scaling、低成本、超高密度。重要的是，它更接近“半导体+显示产业链”的制造逻辑。 很多人会把MicroLED理解成激光替代。更准确的理解是：它更接近“铜线升级方案”。尤其适合 chip-to-chip、package-to-package、board-level optics、rack内部互连这些超短距离场景。 这里真正重要的，是总IO数量能不能持续扩展。 现在这个方向最积极的推动者之一，其实是Microsoft。MediaTek已经和Microsoft Research联合开发基于MicroLED的AOC（Active Optical Cable）。路线很明确：重点放在AI scale-up网络里的超短距高并行光互连。核心思路是“slow-and-wide”。重要的是海量低速并行光通道，而不是少量超高速channel。这其实非常符合AI时代的网络特征，因为AI真正需要的，越来越像“无限并行IO”。 MTK具备完整的数据中心系统能力，包括高速IO、ASIC协同、SerDes、封装、power delivery、hyperscaler协同、大规模量产。而且它已经绑定Microsoft。这意味着它已经开始进入hyperscaler验证阶段。微软公开时间线是2027年前后开始商业化部署。 另一边，KOPN也已经正式进入这个赛道。它原来的核心能力是AR、military optics、MicroLED display，但现在已经开始向AI optical interconnect迁移。KOPN已经和Fabric. AI合作，推出MicroLED optical interconnect demo chipset，并签下初始订单和exclusive agreement。这意味着行业已经开始从“研究验证”进入“早期商业化验证”。 KOPN和MTK路线很接近，都在赌未来AI网络会从“few ultra-fast lanes”转向“many lower-power parallel optical lanes”。重要的是，两者定位不同。MTK更像系统路线定义者，KOPN更像底层光源和器件供应商。未来很可能形成：MTK负责系统方案，KOPN负责部分核心MicroLED器件，其他SiPho/CPO厂商提供不同层级补充。整个行业最终更像异构拼图。 这个赛道门槛是半导体、光学、显示、封装、数据中心系统五个产业叠加。难点是如何同时做到：超高良率、超高一致性、超低误码率、超低功耗、超长寿命、超高密度。这里最难的几个环节包括：III-V外延、GaN制造、MOCVD、mass transfer、wafer-level alignment、光学耦合、thermal engineering、光学封装。 MicroLED仍然高度依赖III-V GaN体系，尤其蓝光/绿光MicroLED，本质更接近显示产业链。其瓶颈是GaN外延、高端MOCVD、MicroLED mass transfer、wafer-level alignment、optical packaging、thermal management、高速驱动IC。 很多东西已经开始接近“TSMC CoWoS + 光学 + 显示制造”三者叠加的复杂度。所以这个行业最终很可能形成极少数核心玩家，而且一旦进入hyperscaler production，护城河会非常深。 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

先进封装的”耗材接棒”叙事最近很热，逻辑链也确实成立。但要理解为什么材料战场会从underfill转向CMP slurry，得先搞清楚一个更底层的技术拐点。 Micro bump方案同时撞上了三面墙。第一，bump pitch缩到25μm以下时solder bridging风险飙升，良率断崖。第二，JEDEC对HBM封装高度有硬限制，每层die加上micro bump加上underfill要吃掉40-50μm，堆到16层已经是物理极限，往20层走厚度预算根本不够。第三，underfill的thermal conductivity只有0.2-0.5 W/m·K，铜是401 W/m·K，差了三个数量级。每多堆一层die，中心层的junction temperature就更难控制。三个约束的共同解指向同一件事：取消solder和underfill，让copper直接做diffusion bonding。 Hybrid bonding解决了pitch、高度、散热三个问题，但代价是把容错率压到了atomic level。Micro bump时代表面粗糙度几十纳米就能工作，hybrid bonding要求Ra降到sub-0.5nm，任何一颗纳米级的particle都会在bonding interface形成void，后续thermal cycling会把void扩展成crack。这就是CMP slurry和Cu plating additives变成新咽喉的根本原因，配方质量直接等于bonding yield，bonding yield直接等于HBM产能。 但问题是，这条耗材链上谁真正有定价权。台厂的强项一直在设备和通路端。弘塑做ECP设备、辛耘做wet process清洗、中砂做pad和diamond disc，全部围绕化学品消耗量做文章，本身不掌握配方。崇越和华立是代理通路，帮信越、Fujimi把材料送进产线。真正自研CMP slurry配方的只有达兴和长兴，体量跟Fujimi、Entegris完全不在一个量级。化学配方的壁垒跟设备不一样，设备可以逆向工程迭代追赶，配方是几十年经验数据的堆叠，一款slurry打进台积电标准制程通常五到十年不会被替换。达兴说它的CMP slurry已经应用于N2并供货Arizona，如果属实，至少过了初步验证。但”应用于”和”规模化供货”之间的距离，有时候比技术本身还远。 资金从CoWoS设备capex转向耗材opex，方向没问题。但耗材链上真正有定价权的那一段在谁手里，市场似乎还没想清楚。

AI投资已经不只是 $NVDA：22只ETF把整条产业链拆开了 如果你还把AI行情理解成“买英伟达、买半导体”，可能已经低估了这一轮资本开支扩散的速度。 现在AI已经从GPU一路扩散到：HBM、晶圆、光通信、Neocloud、电源、MLCC、液冷、软件、网络安全，甚至OpenAI、Anthropic、Meta、DeepMind和xAI各自的生态链。 这份AI ETF地图，建议收藏： 一｜半导体 / GPU / 晶圆 $SMH VanEck半导体ETF 半导体核心组合，覆盖英伟达、台积电、AMD等龙头。 $SOXX iShares半导体ETF 同样覆盖整个半导体产业链，配置相对分散。 $AIFR Defiance Global Foundries ETF 专门聚焦晶圆制造，把AI投资进一步拆到“谁负责真正把芯片制造出来”。 二｜HBM / DRAM / 存储 $DRAM Roundhill Memory ETF 直接押注存储产业链，包括DRAM、NAND以及AI最重要的HBM方向。 AI算力越强，对高速存储的需求越高，所以HBM已经从普通零组件升级成AI基础设施的重要瓶颈之一。 三｜光通信 / 光模块 / 硅光 $LYTE Roundhill Photonics & Optics ETF 聚焦光通信、光学、光模块和相关产业链。 $FOTO Tuttle Capital Pure Play Photonics ETF 同样主打Photonics光子技术。 当AI集群从几千颗GPU扩展到几万甚至几十万颗芯片以后，最大的挑战之一，就是如何让这些芯片高速连接。 所以AI的下一轮预算，不只是“算得快”，还要“传得快”。 四｜Neocloud / GPU算力租赁 $NCLD Roundhill Neocloud ETF 重点押注GPU-as-a-Service、AI数据中心以及Neocloud算力租赁。 如果不想自己买GPU，就租算力。 这也是AI基础设施里过去两年迅速冒出来的一种新商业模式。 五｜传统云计算 $SKYY First Trust云计算ETF 聚焦成熟云生态。 相比Neocloud，这条线更多是传统云计算、软件和基础设施平台。 六｜MLCC / 电容 / AI电源 这一块可能是目前市场最容易忽略的AI基础设施分支之一。 $CCML Roundhill MLCC & Electronic Components ETF 聚焦MLCC以及电子元件。 $CAPA 电容 / MLCC ETF 主要覆盖被动元件、电容相关产业链。 $PSOX AI服务器电源相关ETF 聚焦AI服务器供电、电源转换及相关零组件。 为什么这些东西突然重要？ 因为GPU功耗越来越高，AI机架的电力密度也越来越高。 到了下一代AI数据中心，市场讨论的已经不是单纯“GPU够不够”，而是： 电送不送得到？电压稳不稳定？功率转换效率够不够？ 七｜液冷 / AI热管理 $COOL AI Thermal Management ETF 聚焦液冷、散热以及AI数据中心热管理。 GPU越强，产生的热量越大。 所以AI资本开支最终会形成一条非常清晰的链条： 芯片 → 电力 → 散热 → 互联。 少任何一环，整个AI数据中心都跑不起来。 八｜AI软件 / SaaS $IGV iShares Expanded Tech-Software Sector ETF 覆盖软件、SaaS以及云软件。 $WCLD WisdomTree Cloud Computing Fund 更集中在云计算软件方向。 AI基础设施建设完成以后，最终还是需要应用层去产生收入。 所以AI交易的后半场，很可能会逐渐从“卖铲子”向“谁真正把AI变成软件收入”扩散。 九｜网络安全 $CIBR First Trust Nasdaq Cybersecurity ETF $HACK 网络安全ETF $BUG Global X Cybersecurity ETF AI Agent越来越多、企业数据越来越多、模型访问权限越来越复杂，网络安全本身也可能成为AI时代另一笔刚性IT预算。 十｜最特别的一组：直接押注五大AI实验室生态 这可能是整张ETF地图里最有意思的一组。 $OAIW OpenAI Lab Ecosystem ETF 押注OpenAI产业链合作伙伴。 $ANTW Anthropic AI Lab Ecosystem ETF 押注Claude / Anthropic生态。 $MTAW Meta AI Lab Ecosystem ETF 押注Meta AI生态。 $DEPW Google DeepMind AI Lab Ecosystem ETF 押注Gemini / DeepMind生态。 $XAIW SpaceXAI Lab Ecosystem ETF 押注xAI / Grok生态。 这类ETF的逻辑已经不再只是： “AI会不会增长？” 而是进一步变成： 你认为未来哪一个AI生态系统会跑出来？ 把这22只ETF放在一起，其实就能看清AI行情正在发生什么变化： 第一阶段，市场买GPU。 第二阶段，市场买HBM、晶圆和服务器。 第三阶段，市场开始买光通信、电源、MLCC和液冷。 再往后，则是云、软件、网络安全和AI应用生态。 所以AI并不是一个板块。 它正在变成一整套新的科技基础设施。 真正值得研究的，已经不是“AI行情什么时候结束”，而是： 下一笔AI资本开支，会流向产业链的哪一层。

$VICR 受到利好消息刺激，盘后股价涨幅达到11% VICOR 官宣一家领先的AI OEM厂商获得其VPD专利产品的授权。这对VICOR而言，是重大突破。（尤其考虑到VICOR目前正挥舞专利大棒，向诸多竞争对手发起了新一轮诉讼） ============================= Vicor licenses VPD to a leading AI OEM Sep 16, 2026 at 4:00 PM EDT ANDOVER, Mass., Sept. 16, 2026 (GLOBE NEWSWIRE) -- Vicor has granted a non-exclusive license to a new OEM licensee with the right to procure Vertical Power Delivery (VPD) modules covered by Vicor patents from unlicensed suppliers. VPD enables high-performance AI compute and network processors fueled at a high current density from a low voltage source. VPD systems, consisting of a “multi-cell converter” and a VPD network, enable breakthrough performance by avoiding the “the last inch problem” of Lateral Power Delivery (LPD). VPD systems are protected by foundational patents to innovations conceived during a decade of pioneering research conducted by Vicor in the U.S. VPD licensees can source VPD solutions from unlicensed global suppliers, whose multi-cell Voltage Regulators (VR) or Integrated Voltage Regulators (IVRs) are stacked in a multi-layer system. VPD solutions using high current density and high gain MCM™ current multipliers manufactured as ChiPs™ (Converters housed in Package™) in a Vicor fab are also available to licensees. MCMs enable substantially higher total system efficiency, are much thinner and mechanically and thermally adept. By procuring VPD modules for high-performance AI accelerators from Vicor, licensees may earn substantial discounts on licensing royalties for commodity VPD modules from unlicensed suppliers. The Vicor licensing practice provides OEMs and hyperscalers with multi-source flexibility, supply chain redundancy, and scalability, including from U.S. based Vicor fabs. As high-performance compute and network processors migrate to VPD, unlicensed OEMs and hyperscalers may need a license to secure their supply chain. Potential licensees may expect a structured licensing practice providing much lower royalty rates for early adopters. Supply agreements with infringing suppliers may contain indemnification provisions for recovery of royalties and monetary damages, but cannot overcome importation bans.

韩国半导体设备链正在重估：从配套环节到AI基础设施 韩国半导体设备链，在AI时代，对全球半导体产业正变得越来越重要。 半导体制造复杂度正在快速提高，于是很多过去只是“配套环节”的设备，开始变成真正的瓶颈。 包括： HBM Bonding Burn-in Test Handler 高温测试 高速互连 Hybrid Bonding 热管理 先进封装 后处理 这些环节的重要性都在明显提升。 Hanmi Semiconductor就是典型案例。 过去很多人把Hanmi当普通封装设备公司，但AI时代之后，它已经逐渐变成HBM设备链的重要玩家。公司的核心产品包括TC Bonder、HBM Bonding、EMC、Vision Placement。 过去先进封装很多时候只是后道配套。但现在先进封装已经不只是“封芯片”，而是承担HBM连接、多Die协同、高速互连、热管理、Power Delivery、大尺寸封装良率等功能。 于是先进封装第一次开始脱离“低技术、低估值、低成长”的传统定位。 PSK Holdings也是类似逻辑。 PSK做Ashing、Descum、Dry Strip，本质上属于去胶和后处理设备。过去市场关注度不高，但随着先进制程、存储、先进封装复杂度提升，后处理的重要性也在提升。 Jusung Engineering则是韩国重要的CVD、ALD设备厂商。AI时代之后，高层堆叠、高深宽比结构、更复杂材料体系，都在提高沉积工艺的重要性。 TES同样类似。它做Cleaning、Etch、Gas Process。随着HBM、先进封装、先进存储复杂度提升，清洗与后处理的重要性也在提高。 就连Mirae Corporation这样的在生产过程中“搬运”芯片的设备公司，也开始形成行业壁垒。 Mirae的核心业务包括Test Handler、Burn-in Sorter、SMT Mounter，其中真正核心的是半导体测试Handler。 简单来说，芯片测试时，需要自动搬运、对位、温控、分类。Handler负责这些自动化动作。Mirae不做ATE Tester本身，而是做“如何让芯片高效率接入Tester”的自动化系统。 由于先进芯片越来越薄、越来越大、越来越贵、越来越脆弱，尤其HBM更明显。于是Handler已经越来越像“高精度运动控制 + 热管理 + 自动化”的复杂系统。 难的是，既要高吞吐、高并行、温度均匀、快速切换，同时又不能影响测试精度。很多公司能做Demo，但做不到长期高稼动率、thermal drift控制、socket alignment稳定、长时间稳定量产。 所以Handler原来并不是高壁垒行业，但AI时代后，HBM、高功耗GPU、advanced packaging、三温测试、burn-in，都在明显提高Handler难度。 从这些例子我们可以看出，AI时代最大的变化之一，就是后道测试复杂度正在非线性提升。 而整个韩国半导体设备产业链，也正在从传统周期设备行业，逐渐转向AI基础设施产业链。 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