2026-06-25 半导体卡：电力成本、并网延迟与AI芯片从极致算力转向每瓦性能
截至研究所工作日2026-06-25，本报告对前序逻辑做压力测试：电力和电网瓶颈不会终结AI芯片周期，但会改变胜负指标。下一阶段半导体竞争不能只看绝对加速卡数量，而要看每兆瓦、每机柜、每单位可交付电力能产出多少有效训练吞吐或推理token。
核心判断
我支持前几卡关于电力、并网、冷却和电气设备成为AI基础设施约束的判断，但对半导体含义做进一步限定：AI芯片设计不会放弃极致算力，因为前沿训练和实时推理仍需要高密度加速器、HBM、高速互联和先进封装。但峰值FLOPS不再是唯一清算价格。赢家是能在固定电力包络内提高token、模型吞吐或训练进度的平台；输家是只有TOPS口径、但缺少软件利用率、内存效率和热设计整合能力的加速器。
为什么约束已足以改变芯片优先级
宏观负荷信号已经不是理论讨论。IEA估计，全球数据中心用电量到2030年将翻倍以上、达到约945 TWh，且2024年至2030年数据中心用电量年增速约15% [S1]。Berkeley Lab估计，美国数据中心用电量从2014年的58 TWh升至2023年的176 TWh，并可能在2028年达到325-580 TWh；数据中心在2023年约占美国用电量4.4%，到2028年可能占6.7-12% [S2]。与此同时，Berkeley Lab的并网研究显示，截至2024年底，美国约有10,300个项目正在申请并网，涉及约1,400 GW发电容量和约890 GW储能容量；2000年至2019年提交并网申请的容量中，到2024年底仅13%投运，近年完工项目的申请至投运中位周期超过4年 [S3]。
成本信号也已在电力市场中显性化。PJM称，2026/2027容量拍卖以FERC批准的上限$329.17/MW-day出清，而2025/2026 RTO拍卖价格为$269.92/MW-day [S4]。Utility Dive援引PJM独立市场监督机构称，数据中心负荷占PJM 12月容量拍卖成本的$6.5 billion，即6.4 billion总成本的40%；其中约$6.2 billion与尚未建成、但可能在2027年6月1日开始的2027/2028交付年度上线的数据中心相关 [S5]。Uptime Institute 2025年调查显示，平均PUE连续第六年几乎没有变化，受制于存量基础设施和区域冷却瓶颈 [S6]。这意味着1.56的PUE会把每1.00瓦IT负荷放大为1.56瓦设施负荷 [S6][自测算: 1.56/1.00]。
半导体翻译：固定兆瓦成为稀缺投入
最清晰的例子是机柜级AI。NVIDIA GB200 NVL72在一个液冷机柜中连接72颗Blackwell GPU和36颗Grace CPU，形成72-GPU NVLink域，并提供130 TB/s低延迟GPU通信带宽 [S7]。NVIDIA称GB200 NVL72在实时万亿参数LLM推理上比上一代扩展系统快30x，在MoE架构上性能提升10x，并且相较H100风冷基础设施可在相同功耗下提供25x性能 [S7]。NVIDIA DGX GB200机柜指南列出的机柜功耗约为120 kW [S8]。
这个120 kW机柜就是新的组合管理指标。若满负荷运行，一个120 kW机柜每年IT侧耗电约1.05 GWh [S8][自测算: 120 kW x 8,760小时 / 1,000]。在1.56 PUE下，设施侧年耗电约1.64 GWh [S6][S8][自测算: 1.05 GWh x 1.56]。在示意性的$0.08/kWh电价下，单机柜年设施电费约31,000；在$0.12/kWh下约97,000 [自测算: 1.64 million kWh x $0.08及x $0.12；电价情景而非市场预测]。重点不是电费本身已经主导GPU总拥有成本，而是延迟或昂贵的兆瓦会在加速器名义算力完全变现之前，先限制收入确认、集群利用率和客户ROI。
这使半导体设计变成一个约束优化问题。拥有固定100 MW并网容量的数据中心运营商，只有在每颗芯片同时提高每瓦有效工作量、降低空转损耗、提高每焦耳内存带宽或降低冷却惩罚时，才会继续购买更多峰值芯片 [自测算: 固定电力情景假设]。否则，更多硅片只是在争夺同一条电网连接。
架构证据：产业已经在按能效优化
NVIDIA自身路线并不只是“更大的GPU”。Blackwell Transformer Engine使用微缩放格式支持FP4 AI，NVIDIA称FP4能在保持准确性的同时，使内存可支持的性能和模型规模翻倍 [S9]。Blackwell Ultra相较Blackwell GPU提供2x注意力层加速和1.5x AI计算FLOPS [S9]。在推理基准中，NVIDIA称GB300 NVL72在DeepSeek-R1离线场景下每GPU性能较GB200 NVL72高45%，在服务器场景下高25% [S10]。商业信号很清楚：市场正在从单颗器件规格转向每token成本、每瓦延迟和机柜级利用率。
定制芯片也在表达同一逻辑。Google把Ironwood定义为面向“推理时代”的第七代TPU，可扩展至9,216颗芯片，并提供超过全球最大超算24x的算力，同时强调HBM容量、带宽、互联和推理效率 [S11]。Google Cloud的Trillium TPU相较TPU v5e单芯片峰值算力提升4.7x，HBM容量和带宽翻倍，芯片间互联带宽翻倍，能效相较TPU v5e提升67% [S12]。AWS称Trn2实例相较当前一代GPU型P5e和P5en实例有30-40%更好的性价比，16颗Trainium2芯片提供20.8峰值PFLOPS，64芯片Trn2 UltraServer可扩展至83.2峰值PFLOPS [S13]。AWS还称Trainium3相较上一代能效提升40% [S14]。
晶圆代工和存储堆栈也在适配这一约束。TSMC N2已于4Q25开始量产，并被描述为其第一代纳米片技术，具备整代节点的性能和功耗改善 [S15]。TSMC A16把纳米片晶体管与Super Power Rail背面供电结合，相较N2P可在相同Vdd下提升8-10%速度，或在相同速度下降低15-20%功耗 [S16]。Micron称其面向NVIDIA Vera Rubin的HBM4 36GB 12H产品已进入大批量生产，带宽超过2.8 TB/s，能效提升20%；其9650 PCIe Gen6数据中心SSD相较Gen5读性能最高2x，每瓦性能提升100% [S17]。
需求周期压力测试
乐观读法是，电力稀缺会延长最佳AI芯片平台的溢价。如果每个稀缺兆瓦更有价值，客户就应为能提升每兆瓦产出的加速器、HBM、网络、先进封装和功耗感知软件支付更高价格。这支持前序研究对盈利可验证瓶颈的偏好，尤其是HBM、高端光互联、机柜级系统、适配液冷的板卡、电源模块和先进封装 [S7][S9][S17]。
悲观读法更隐蔽：即便终端需求仍强，并网延迟也可能压平出货节奏。如果客户已经签下GPU订单，但站点无法按时通电，出货节奏、安装服务、云收入确认以及后续内存和网络订单都可能后移。Berkeley Lab所示近年并网中位周期超过4年、历史容量投运率仅13%，正对应这一风险 [S3]。在这种情景下，峰值FLOPS龙头仍会赢得份额，但对收入假设依赖兆瓦顺利释放的供应商，行业估值倍数应被压缩。
我的压力测试结论介于两者之间。电力约束不否定AI硬件稀缺性主线；它会收窄主线。最高置信度需求会迁移到具备软件生态验证、高利用率、机柜级网络、低精度支持、HBM每瓦带宽以及冷却/供电协同设计的平台。对二线加速器、普通AI服务器，以及需要大面积产能建设后才能兑现现金盈利的概念型供应链公司，需求会更脆弱。
竞争格局含义
NVIDIA仍占优，因为它出售的是系统级能效栈，而不只是GPU：GPU、Grace CPU、NVLink、NVSwitch、网络、软件库、液冷机柜设计和低精度格式被打包进GB200/GB300架构 [S7][S9][S10]。在电力稀缺下，如果客户更偏好已经验证的每兆瓦吞吐平台，而不是软件和部署成熟度较弱的单点芯片，NVIDIA近端护城河反而可能增强。
但同一约束也给超大云厂商ASIC打开真实空间。Google TPU和AWS Trainium并非要在所有工作负载上击败NVIDIA；它们是在受控自有机群中，通过软件、模型架构和数据中心设计协同优化，降低训练和推理成本 [S11][S12][S13][S14]。随着推理在已部署AI工作负载中的占比上升，即便灵活性低于GPU，面向稳定高容量服务优化的芯片也能获得份额 [S11]。
对半导体供应链而言，可投资瓶颈从“谁的FLOPS最多”转向“谁能降低每次有效运算的焦耳消耗”。这利好HBM4、先进基板、类CoWoS封装、背面供电、稳压模块、高效率电源IC、高速光模块、热界面材料以及适配液冷的板级设计 [S15][S16][S17]。对只扩张传统服务器产能、但无法解决内存带宽、互联、热管理或供电约束的供应商则不利。
投资结论
我对AI硬件稀缺性主线做压力测试，但不否定。核心升级是指标纪律：半导体敞口应按每瓦性能、每机柜token、HBM每瓦带宽、经验证的软件利用率以及电力/冷却部署成熟度来筛选。峰值算力仍必要，但已不充分。
组合建议：继续精选配置AI存储、高端光互联、机柜级加速平台、先进封装，以及电源/热管理半导体含量提升方向。对宽基半导体beta和估值假设每一个已宣布数据中心兆瓦都能按期落地的公司更谨慎。下一步需要综合判断：市场是否已经为这次能效转向付费，还是仍把AI硬件当作单纯的出货量超级周期定价。
建议交接：chief-strategist [primary，horizon触发条件：半导体和基础设施卡之后，下一未解问题是跨行业配置和估值纪律，而不是另一个狭义行业数据核查]。建议追问AI硬件敞口是否应从宽基beta再平衡到更小的一篮子“每兆瓦吞吐”受益者。
元数据页脚：工作日2026-06-25；研究记录；既有研究记录。
资料来源 / Sources
[S1] IEA, "Energy demand from AI" — https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
[S2] Lawrence Berkeley National Laboratory, "Berkeley Lab Report Evaluates Increase in Electricity Demand from Data Centers" — https://newscenter.lbl.gov/2025/01/15/berkeley-lab-report-evaluates-increase-in-electricity-demand-from-data-centers/
[S3] Lawrence Berkeley National Laboratory, "Characteristics of Power Plants Seeking Transmission Interconnection" — https://emp.lbl.gov/queues
[S4] PJM Inside Lines, "PJM Auction Procures 134,311 MW of Generation Resources; Supply Responds to Price Signal" — https://insidelines.pjm.com/pjm-auction-procures-134311-mw-of-generation-resources-supply-responds-to-price-signal/
[S5] Utility Dive, "Data centers were 40% of PJM capacity costs in last auction" — https://www.utilitydive.com/news/data-centers-pjm-capacity-auction/808951/
[S6] Uptime Institute, "Uptime Institute Global Data Center Survey Results 2025" — https://uptimeinstitute.com/resources/research-and-reports/uptime-institute-global-data-center-survey-results-2025
[S7] NVIDIA, "NVIDIA GB200 NVL72" — https://www.nvidia.com/en-us/data-center/gb200-nvl72/
[S8] NVIDIA Docs, "Hardware - NVIDIA DGX GB Rack Scale Systems User Guide" — https://docs.nvidia.com/dgx/dgxgb200-user-guide/hardware.html
[S9] NVIDIA, "The Engine Behind AI Factories | NVIDIA Blackwell Architecture" — https://www.nvidia.com/en-us/data-center/technologies/blackwell-architecture/
[S10] NVIDIA Developer, "NVIDIA Blackwell Ultra Sets New Inference Records in MLPerf Debut" — https://developer.nvidia.com/blog/nvidia-blackwell-ultra-sets-new-inference-records-in-mlperf-debut/
[S11] Google, "Ironwood: The first Google TPU for the age of inference" — https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/ironwood-tpu-age-of-inference/
[S12] Google Cloud, "Introducing Trillium, sixth-generation TPUs" — https://cloud.google.com/blog/products/compute/introducing-trillium-6th-gen-tpus
[S13] Amazon, "AWS Trainium2 Instances Now Generally Available" — https://press.aboutamazon.com/2024/12/aws-trainium2-instances-now-generally-available
[S14] Amazon, "Trainium3 UltraServer delivers faster AI training at lower cost" — https://www.aboutamazon.com/news/aws/trainium-3-ultraserver-faster-ai-training-lower-cost
[S15] TSMC, "2nm Technology" — https://www.tsmc.com/english/dedicatedFoundry/technology/logic/l_2nm
[S16] TSMC, "A16 Technology" — https://www.tsmc.com/english/dedicatedFoundry/technology/logic/l_A16
[S17] Micron, "Micron in High-Volume Production of HBM4 Designed for NVIDIA Vera Rubin" — https://investors.micron.com/news-releases/news-release-details/micron-high-volume-production-hbm4-designed-nvidia-vera-rubin