AI产业价值迁移五讲 · 第1讲

一、AI革命的起点不是大模型，而是晶体管

1947年，贝尔实验室的约翰·巴丁和沃尔特·布拉顿制成点接触晶体管。它比真空管更小、更可靠、功耗更低，也不需要漫长预热。这个看似简单的三端器件，让电子信号可以被放大和开关，现代计算最基本的“0”和“1”由此获得了可大规模复制的物理载体。

1958年至1959年，杰克·基尔比和罗伯特·诺伊斯分别推动集成电路诞生。此前，晶体管、电阻、电容需要一个个焊接；集成电路把多个器件制作在同一块半导体材料上。计算能力第一次不再主要依靠组装更多独立元件，而是依靠在更小面积里集成更多功能。

这一步改变了整个产业的经济学。单个晶体管不断缩小，单位计算成本持续下降，可靠性反而提高。所谓摩尔定律，重要的从来不只是“晶体管数量定期翻倍”，而是它长期形成了一套产业预期：设计公司敢开发更复杂的软件，设备公司敢投入下一代制造工具，晶圆厂敢建设更昂贵的产线，因为所有人都相信下一代芯片会处理更多任务。

二、微处理器让硬件开始由软件定义

1971年，英特尔推出4004。它最初来自日本计算器公司的定制项目，却最终成为首款商业化通用微处理器之一。过去，要改变电子设备的功能，往往需要重新设计硬件；微处理器把计算逻辑集中到可编程芯片中，同一块硬件可以通过不同软件执行不同任务。

1970年代，MOS晶体管开始在DRAM和微处理器中大量应用；到1980年代，MOS成为数字芯片的主流基础。CPU、DRAM和操作系统共同推动个人电脑普及。此后的二十多年，产业主线十分清晰：CPU提高通用计算性能，存储器提供更大容量，软件把越来越多现实任务翻译成指令。

在这个阶段，价值主要围绕“通用计算”展开。英特尔与微软的组合成为典型：前者提供处理器架构和制造能力，后者提供操作系统与应用生态。硬件升级推动软件扩张，软件需求又反过来推动用户更新硬件。

但通用CPU擅长复杂控制，并不适合以最高效率执行海量、结构相似的并行计算。图形渲染恰好需要同时处理大量像素和顶点，GPU因此走上另一条路线：牺牲部分通用性，换取更强的并行吞吐。

三、专业分工让芯片创新摆脱建厂门槛

早期半导体公司往往同时负责设计、制造、封装和销售，这种模式后来被称为IDM。随着制程越来越复杂，一座先进晶圆厂需要投入数百亿美元，单个设计团队很难同时承担产品创新与制造投资。

1987年成立的台积电推动专业晶圆代工模式成熟：晶圆厂不与客户竞争终端芯片，专门负责制造；Fabless公司可以把资源集中在架构、产品和软件；EDA公司提供设计与验证工具；Arm等IP公司把处理器和接口模块授权给不同客户；封装测试公司承接后段工序。

专业分工降低了芯片创业的固定资产门槛，也让每个环节形成更深的技术积累。智能手机时代的SoC、通信芯片和GPU快速迭代，都受益于这套全球协作网络。与此同时，产业链也变得更集中：先进逻辑依赖少数晶圆厂，EUV依赖阿斯麦，EDA、关键材料和封装各有难以替代的供应商。效率提高与供应链脆弱性是同一套分工模式的两面。

AI进一步放大这种关系。加速器设计公司需要晶圆厂、HBM供应商和封装产能共同配合，云客户又必须提前给出需求计划。今天一款AI芯片能否按时上市，取决于跨公司协同，而不只是芯片设计是否完成。

四、GPU从游戏配件变成AI发动机

英伟达在1999年推出GPU概念，最初服务于3D游戏与图形。2006年推出CUDA后，开发者可以使用更通用的编程方式调用GPU，而不必把计算任务伪装成图形指令。GPU由专用图形设备逐步变成可编程并行计算平台。

CUDA的真正价值不只是让一块芯片跑得更快，而是把硬件、编译器、数学库、开发工具和工程师习惯连接成生态。竞争者即使设计出计算性能接近的芯片，也仍要面对软件迁移、开发工具、模型优化和已有代码库形成的转换成本。

2012年的AlexNet成为关键转折。研究团队使用两块英伟达 GTX 580 GPU训练深度卷积神经网络，在ImageNet图像识别中取得突破。数据、算法和GPU算力在这一刻形成闭环：互联网提供大规模数据，神经网络找到可扩展的学习方法，GPU让训练时间进入现实可接受范围。

2017年，《Attention Is All You Need》提出Transformer架构。与需要按顺序处理信息的传统循环网络相比，Transformer更适合并行计算。算法结构与GPU的吞吐优势互相匹配，模型规模、数据规模和计算规模开始共同扩张。

2022年11月，ChatGPT向公众开放。大模型第一次以低门槛对话产品进入大众市场，但产品背后并不是一台“会思考的电脑”，而是一整套数据中心系统：GPU或专用加速器负责矩阵计算，HBM不断喂入参数和中间数据，高速网络连接数千乃至更多芯片，CPU和内存承担调度，存储系统保存训练数据，电力和散热系统维持持续运行。

五、为什么AI把半导体从“芯片竞争”变成“系统竞争”

传统个人电脑时代，用户关心CPU主频、内存容量和硬盘大小。AI时代，单颗芯片的峰值算力仍然重要，但系统能否持续交付有效算力，取决于多个环节同时工作。

第一，模型参数和上下文不断增加，计算单元等待数据的时间可能比计算本身更昂贵。HBM的带宽、容量和良率因此成为核心约束。

第二，单颗芯片无法独立完成超大模型训练。GPU之间、服务器之间必须高速交换数据，网络交换芯片、光模块、铜互连和光互连的重要性随集群规模上升。

第三，先进制程只能解决部分问题。为了把计算芯片、HBM和不同功能芯粒连接起来，CoWoS、SoIC等先进封装逐渐成为系统性能的一部分。封装从芯片制造完成后的“外壳”，变成共同决定带宽、功耗和良率的关键工艺。

第四，算力最终受电力约束。AI服务器功率密度提升后，供电、液冷、备用电源和数据中心选址都会影响芯片能否真正上线。买到GPU不等于形成可出售的Token，能够稳定运行、被软件调度并获得付费需求，才形成经济回报。

所以，AI半导体的竞争单位正在由一颗芯片变成一个计算系统，再由计算系统扩展到整个数据中心。芯片设计仍然是价值最高的环节之一，但内存、封装、网络和能源会在不同阶段轮流成为最稀缺的瓶颈。

六、五家公司如何接力推动产业演进：阶段史与未来展望

如果只按发明排序，容易把产业史写成一串技术名词。换成公司发展阶段，可以看到每一代龙头都先解决一个关键瓶颈，再把优势扩展成平台。

这五条路线说明，领先地位很少只来自一次产品成功。英特尔与英伟达证明架构需要软件生态，台积电与阿斯麦证明工艺需要数十年设备和客户协同，美光则说明产品升级若不能改变供给纪律，利润仍会回到周期。未来的赢家要同时完成技术升级、规模制造和商业模式升级。

七、从七十年历史中能得到什么投资线索

第一，硬件与软件从来不是彼此替代。4004需要软件才能成为通用处理器，GPU需要CUDA才能成为计算平台，大模型也需要云、工具调用和应用入口才能形成收入。只研究晶体管数量而忽略软件生态，会低估平台壁垒；只研究用户增长而忽略硬件成本，也会高估商业化速度。

第二，每一次性能跃升都会把瓶颈推向下一个环节。CPU更快后，内存和硬盘变慢；GPU更快后，HBM、先进封装和互连成为约束；集群继续扩大后，电力、冷却和推理成本又会限制部署。产业链机会常常出现在“原来不起眼、现在卡住全系统”的位置。

第三，技术需求具有结构性，利润却仍有周期。存储器、设备和晶圆制造需要提前投入巨额资本。当供给不足时，价格和利润会急升；企业集体扩产后，供需可能再次反转。AI可以抬高长期需求中枢，却不会自动消灭半导体周期。

第四，最终价值取决于有效使用，而不是采购数量。云厂商资本开支、芯片出货和数据中心开工是领先指标；推理调用、客户续费、单位Token成本和自由现金流，才决定AI基础设施能否形成长期回报。

从晶体管到生成式AI，产业并不是沿一条直线前进，而是在计算、存储、互连、制造和软件之间反复寻找新的平衡。下一篇将把这套系统完整拆开：从EDA、设备、材料和晶圆厂，一直走到HBM、先进封装、光通信、电力与智能体应用，判断2026年AI半导体产业链的利润究竟流向哪里。

资料与来源

本讲引用的公开资料如下，数据与事实均来自公司公告、监管文件或官方机构发布。

诺贝尔奖教育资料：晶体管与集成电路历史

英特尔：4004微处理器历史

IEEE固态电路学会：集成电路与MOS历史

台积电公司历史与专业晶圆代工模式

阿斯麦公司发展史：从步进式光刻到High-NA EUV

英伟达公司技术时间线

英伟达 CUDA编程指南

AlexNet论文资料

Transformer原始论文

OpenAI：ChatGPT于2022年11月发布

台积电2025年年报：3DFabric、CoWoS与AI制造

美光公司发展时间线

这是《AI产业价值迁移五讲》第1讲。下一讲，我们把2026年的AI工厂拆开，看利润到底留在哪一环。

这个系列会持续更新，把AI时代的产业逻辑一层层拆给你看。关注「用心小站」，不错过下一讲。

想聊聊半导体和AI产业链的机会和风险？加微信 yxxz798，说说你的看法。

关注用心小站，获取更多深度分析

风险提示：本文用于产业研究与投资教育，所引数据来自公司公告与公开资料，市值与利润随市场变化，不构成证券买卖建议。股市有风险，入市需谨慎。

扫码添加企业微信 · 加入读者交流群

每天一篇深度财经文章 · 了解基金、量化基金选择，欢迎入群交流

扫码添加企业微信

添加微信扫码

（添加企业微信后自动发送入群链接）