锚定日期：2026-06-03 复盘窗口：2026-05-21 至 2026-06-03 对象：AI Institute 关于 GPU、HBM、存储、CoWoS/先进封装、ABF/基板、CPO、ASIC 和 AI 硬件利润池扩散的研究。

本复盘延续“AI 另外两大基石是先进封装和存储”的判断，把 HBM 与封装从单纯供应链弹性，升级为 AI 资本开支兑现节奏的系统级约束。

1. 优先结论

1. HBM/先进封装已经是与 GPU 并列的 AI 基础设施基石。 Thesis tracker 给“GPU、HBM 与先进封装决定 AI 资本开支供给节奏”60分，方向为 conflicting，说明强需求与供给/估值反证同时存在。
2. HBM 不是普通 DRAM 周期。 它受到客户验证、容量 per accelerator、HBM4 路线、良率、CoWoS/interposer、基板和测试时长共同约束。
3. 先进封装决定 GPU 需求能否变成系统出货。 GPU 芯片到货只是第一步，封装、基板、测试、散热和网络互联才决定加速器实际交付。
4. 利润池正在从 GPU 单点扩散。 HBM、CoWoS、ABF、CPO、光电材料、ODM、电源和液冷都可能分走 AI capex 的稀缺租。
5. 最大风险不是需求消失，而是供给响应和价格周期。 当 HBM 供给扩张、客户 LTA 变化、良率改善或价格下行时，估值可能从瓶颈溢价切回存储周期。

2. 研究时间线

3. 观点如何变化

3.1 从“内存涨价”到“系统集成瓶颈”

HBM 的关键不是单纯涨价，而是每颗加速器需要多少 HBM、客户验证进度、HBM4 迁移、封装集成、基板排产和测试时间。AI 推理 scaling 和 test-time compute 可能提高 memory-per-token，这会让 HBM 的地位超越传统 DRAM 周期。

3.2 从“GPU 稀缺”到“封装稀缺”

即使 GPU die 产能充足，CoWoS、interposer、ABF/基板、散热、电源、网络和测试能力不足，也会限制系统出货。AI capex 的有效供给不由单一芯片决定，而由整机系统最慢环节决定。

3.3 从“CPO 出货量”到“光互联租金归属”

光模块和 CPO 不能只看 800G/1.6T 出货量。更重要的是 InP、EML、DSP、硅光、连接器、光学材料和封装耗材谁拥有定价权。模块价格下行可能提高出货，但压缩装配利润。

4. 做对了什么

1. 把 HBM 从存储周期里单独拎出来。
2. 把先进封装、材料和测试纳入 AI capex 兑现链。
3. 承认 NVIDIA 强需求不等于 NVIDIA 独占全部利润池。
4. 把 CPO/光互联放进带宽和封装约束，而不是只做主题 beta。

5. 需要修正的地方

1. 需要更细的供给曲线。 HBM4、CoWoS、ABF 和测试产能的扩张速度要分开建模。
2. 需要防止估值把稀缺持续时间拉得过长。 存储历史上具有强周期性，供给响应一旦出现，倍数会快速调整。
3. 需要跟踪客户锁量与取消风险。 LTA、预付款和客户结构是瓶颈溢价能否维持的核心。

6. 当前跟踪框架

7. 关键来源

• HBM 产能缺口与 AI 硬件供应链约束
• AI 硬件核心供应链：HBM/先进封装
• 先进封装材料瓶颈与 AI 算力周期
• STX/MU 存储悖论
• NVDA 业绩后资金是否转向 HBM、ASIC 与亚洲 ODM
• AI算力网络技术演进：800G/1.6T 到 CPO

8. 一句话复盘

HBM、存储和先进封装不是 GPU 旁边的附属品，而是 AI capex 能否变成可交付算力的系统级基石；下一步要从“瓶颈存在”转向“瓶颈租能维持多久、由谁捕获”。