如果AI吞噬手机内存，未来手机会变笨吗？

想象一下：你拿起下一代手机，它会更会说话、更会看图、更懂你，但内存可能比想象中“抠门”。AI正疯狂吞噬全球内存产能——高带宽内存一口气吃下了超过一半的DRAM“份额”，而能扩产的EUV光刻机一年也就几十台，这是一场从物理极限到钱包现实的连锁反应。问题来了：内存被AI抢走，手机会变笨吗？短期的直观感受不太友好。内存与闪存价格在过去几个季度快速抬升，部分移动级LPDDR价格接近三倍，上游把70%可调配资源倾斜给更赚钱的HBM，留给手机的“面包屑”自然变少。厂商要么涨价，要么降配，尤其中低端机最受挤压，12GB回撤到8GB、512GB溢价明显，后台“杀进程”更激进，大型游戏和重负载应用切换更容易重载，一些端侧大模型的上下文长度会被压缩，更多生成式功能改成“端云混跑”。这看起来像是“变笨”的前奏。但“变笨”不是宿命。智能的本质并不等于“堆内存”，而是把每一比特都用得更聪明。算法正在迅速瘦身：4bit甚至更低比特的量化、蒸馏与小模型专长化、滑动窗口与环形注意力、状态空间模型，把KV缓存打到以往的一小截；推理侧还有推测解码、重复模式压缩、分块KV分页到高速闪存等“省内存魔法”，让长文本、长视频不必全堆在RAM里。结果是，同样的体验，用更少的内存也能跑得动。硬件也在“抬杠”。LPDDR6带宽提升，NPU原生低比特算子与片上SRAM更大，存储近计算与稀疏加速把“存得多”转向“算得巧”。UFS 4.0/5.0把顺序读写与延迟拉起来，配合系统级内存压缩与更精细的调度，缓冲一部分容量焦虑。端云协同成为默认架构：隐私与低时延任务留在端侧，长上下文、重生成放到云端，既不牺牲体验，也绕开了“把整座图书馆塞进口袋”的不可能三角。市场会分层而非退化。高端机相对“免疫”，仍会提供更大内存、更强NPU与更稳定的端侧AI；中端机两条路，要么提价保体验，要么控制成本回归8GB这类“够用线”，同时通过系统优化与AI加速把体感做顺滑。折叠屏与AI手机的渗透率继续上行，厂商减少SKU、签长期内存合约，集中火力把少数机型打磨得更好。消费者侧，换机周期拉长到三年上下，“买上代旗舰代替新中端”的策略会更划算。对你我来说，务实的选择很多。看参数别只盯容量，更要看NPU算力、内存带宽、存储速度和厂商对端侧AI的长期更新承诺；若预算有限，挑两年前的旗舰常常比当季中端更“聪明”；用云相册与在线办公减轻本地存储压力，定期清理和优化应用，旧机也能精神抖擞再战两年。从更大的时间尺度看，这场“内存饥荒”像一次强制进化。当资源变贵，生态会自发朝效率演化：模型变小却更专长，系统更聪明地调度，硬件把带宽和延迟榨到极致。智能不是一味堆料，而是把有限做成无限的艺术。也许未来的手机不再炫耀“我有多大内存”，而是悄悄证明“我用更少，做得更多”。在稀缺中生长的技术，往往更有灵气——这恰恰是“更聪明”的另一种定义。

有没有一种AI，不靠“傻堆算力”也能取胜？

想象一台价值12亿美元的EUV光刻机，竟能撬动500亿美元的数据中心建设，却因全球年产不过七八十台而卡住全行业的脖子。再想象，为了做出1字节的AI高带宽内存，要“挤掉”4字节的消费级内存，连手机出货量都可能被拖下水。在这样一个“堆算力已到物理天花板”的时代，真正的胜负手，正在从加更多GPU，转向把每一焦耳、每一片晶圆用到刀刃上。那么，有没有不靠“傻堆算力”也能取胜的AI？答案是：有，而且路子还不少。关键在于让计算“按需点亮”。稀疏化与Mixture-of-Experts的思路，就是只激活少量最合适的参数和“专家”，把大模型变成“看起来很大、用起来很省”的结构。像Mixtral这类MoE家族正是如此：在保持质量的同时显著减少有效计算量，等于用聪明的路由，换来单位能耗更多的有效token。这和人脑只在必要的时候动用相关回路类似，节流而不降智。把数字再“压一压”，能更惊喜。量化与蒸馏是实战派：把权重从FP16降到FP8、INT8甚至INT4，在高端GPU上常见就能拿到2—4倍推理提速、显存与带宽压力同步下降；再用蒸馏把大模型的“知识温度”传给小模型，在特定任务上保持接近性能，实现“以小博大”的落地。DeepSeek等团队已经用这条路，显著降低了对重型算力的依赖。长上下文不是只能靠加显存。注意力的算法革命正在发生：从FlashAttention的工程极致，到SpargeAttn这类“无需训练、即插即用”的稀疏Attention，据报告在多模态任务上可较传统内核获得4—7倍加速；HyperAttention通过把重要信息“压到对角线”来稀疏计算；再配合KV Cache的分片、压缩与冷热淘汰，超长上下文的内存墙被一刀刀“削薄”，HBM占用与带宽开销同步下降。这种“让数据尽量不动、算力就近落地”的哲学，恰好对冲了HBM晶圆面积是DDR四倍、全行业被内存挤压的现实。模型架构也在寻找更省电的路径。线性注意力与状态空间模型把复杂度从“平方级”拉回到“线性级”，在超长序列上更像精打细算的长跑选手；面向任务的RAG与工具增强，把知识放到外部知识库与API里，让模型少背公式、多查资料，现实业务里往往“小模型+好检索+强工具链”胜过“巨兽硬怼”。这也契合Agentic AI的趋势：把复杂目标拆解、规划、调用工具与记忆系统，用系统工程的智慧替代算力的蛮力。硬件不一定非得更“猛”，更聪明也行。NPU与DSP的异构协同，是把“最合适的指令在最合适的引擎上跑”：当算力需求低于1 TOPS，带DSP扩展的CPU或矢量DSP就很划算；超过1 TOPS，专用NPU的能效开始碾压。再加上算子融合、编译器级优化、数据复用与在存内/近存计算上做文章，很多时候“系统级的一大步”，顶得上“硬件堆一仓库”。更前沿的类脑与脉冲神经网络采用事件驱动与稀疏计算，天然省电，像达尔文3、天机芯这样的探索，正在为特定场景提供数量级的能效改观。别忘了工程打法。把“训练全干成参数”转为“知识外部化”，把“显存当仓库”变成“缓存当流水”，把“单模态大一统”升级为“多模态按需融合”，再辅以数据蒸馏、LoRA这类微调与任务定制，你会发现：相同预算下，完全可以用“算法+系统+硬件协同”的三重奏，做出比“傻堆”更稳定、更可持续的产品曲线。更现实的好处是，它能避开EUV年产量上不去、HBM卡脖子、电力虽可解但不该浪费的多重瓶颈。所以，不靠“傻堆算力”取胜，不是拒绝算力，而是尊重物理与经济边界，在边界之内做更优的分配与设计。这是一种工程美学：少即是多，精即是强。也许未来AI行业的真正豪门，不是拥有最多GPU的人，而是让每一瓦、每一比特、每一台光刻机都产生最大“认知增量”的人。当资源稀缺成为常态，智慧将回归到智慧本身：理解、抽象、组合与自洽，这些人类数千年磨砺出的能力，正是AI下半场最硬的“算力”。

当AI让手机变贵，我们该为谁的进步买单？

当你的手机突然贵了1000元，罪魁祸首可能不是更亮的屏幕或更强的相机，而是地球上最稀缺的几台机器——每年只有七八十台、价格高达数亿美元的EUV光刻机。它们像总闸门一样，卡住了全球先进芯片和高带宽内存的产出，也间接抬升了你口袋里那台手机的成本。 AI这两年的“打地鼠”式瓶颈迁移，正在回流至半导体制造的底层。过去困住扩张的是CoWoS封装、是电力、是数据中心，如今真正的长周期约束来自晶圆厂洁净室和设备，尤其是EUV。要让1GW的AI数据中心上线，大概要做200万次EUV曝光，吃掉约5.5万片3nm、6000片5nm和17万片DRAM晶圆——折算下来也就3.5台EUV能否到位的问题。上游的“闸门”，决定了下游所有人的节奏。与此同时，AI对内存的胃口是指数级的。长上下文模型巨大的KV Cache，把HBM和高规格DRAM推成“硬通货”：AI服务器对DRAM的需求是传统服务器的8至10倍，NAND也要多3到5倍。结果就是挤占消费电子的配额——生产1字节AI内存，往往要牺牲4字节手机用DDR的产能。到2025年数据中心已经吞下了全球约一半的DRAM，到2030年有望超过六成。价格信号也毫不含糊：近几个月LPDDR5X与UFS4.0现货价累计上涨超300%，DDR4 8Gb从3.2美元涨到15美元，行业报告里DRAM季度涨幅动辄40%到50%，旗舰机型单机BOM因此增加100至150美元，苹果iPhone的存储单项成本被估算多出约150美元。这笔账正在无情地传导到零售端。入门机在其他部件不变的前提下，BOM可能环比上涨25%，内存占比最高可达43%；中端机8GB+256GB的DRAM与NAND占比爬向20%与16%；旗舰机16GB+512GB组合里，内存与闪存的权重继续上行。难怪各大品牌启动普涨，OPPO官宣调价、部分新机起售价整体上调，个别系列两档存储之间的差价被拔高到600元。研究机构预计，2026年全球ASP仍将两位数增长，入门机密集依赖的厂商甚至面临“卖一台亏一台”的风险。那么，当AI让手机变贵，我们到底在为谁的进步买单？现实是，账面首先落在消费者头上，且对价格最敏感的低端用户承压最大；手机厂商的毛利被迅速吞噬，被迫减配内存或改用更廉价的QLC闪存；上游存储厂与锁定产能的巨头获得更厚的利润；而AI公司与云服务商凭借模型与生态，获取了最直接的收益。这是一次典型的“技术红利—产能瓶颈—价格传导—终端普涨”的链式反应。这笔账也不是非得这样分。谁受益，谁付费，应成为更公平的分摊逻辑。终端侧，AI功能应分层：基础AI免费，高阶生成与长上下文可订阅，把云侧算力成本与硬件溢价“配对”，而不是一把锁在统一机价里。运营商与大模型服务商可以通过“AI套餐+以旧换新”反向补贴硬件，现有单件最高500元的消费补贴，也应与AI服务联动，避免补贴只推高中高端销量而忽略入门群体。技术上，也有“给钱包减负”的路径。端云协同与小模型本地化，配合KV Cache压缩、稀疏MoE、SSM等新架构，能把对大容量内存的刚性需求降下来；在数据中心侧，CXL内存池化与更高能效的推理技术，会缓和对通用DRAM的挤压，间接让手机侧的供给喘口气。厂商的产品策略同样关键：提供更细颗粒度的内存选配、延长系统更新周期、强化二手回收与官方翻新，让“体验升级”不必等于“容量堆料”。对消费者，理性换机是种有效投票：选择长更新、好算法、少堆料的产品；优先关注“AI实际体验”而非“内存数字军备竞赛”；利用补贴与回收政策，别被价格的“棘轮效应”牵着走。对产业与政策制定者，扩大HBM与先进封装供给的同时，也别让成熟制程与传统存储的产线被“一边倒”地改造，长期合约可以有，但应设置价格上限与保供条款，留出消费电子的生存空间。技术进步从来不是免费的午餐，但也不必成为某一端的沉重税负。真正健康的创新，应该让价值创造者承担更多账单，让普惠用户以可承受的成本享有更好的体验。当AI把算力的天花板越推越高，我们也要学会给成本装上“地板”——让创新站在更稳固的民意之上，走得更远。

算力瓶颈玩起“打地鼠”，下一个冒头的是谁？

想象一只永不停歇的地鼠在全球供应链里窜来窜去：你刚把电力搞定，它就躲进了数据中心；你加快了上架速度，它又钻回芯片工厂。AI算力的时代，真正的悬念不是“有没有需求”，而是“谁会成为下一个挡路的门闩”。答案正在从地表滑向更深的地层。过去两年，地鼠依次叫做CoWoS封装、电力、数据中心机房。如今，舞台灯光重新对准半导体制造。最先冒头的，是看不见却决定生死的“洁净室”。今年到明年，新增无尘空间成为晶圆厂扩产的硬约束：建设周期拉长、工程资源溢价、土地与公用设施配套慢一步，直接卡住3/5/3nm等先进节点的良率爬坡与产能释放。即便你有预算、有设备，没洁净室也只是纸上谈兵。与之并列的“同场双主角”是HBM内存。长上下文模型把KV Cache变成吞噬资源的黑洞，HBM对晶圆面积的占用是DDR的约四倍，1字节AI内存几乎“挤掉”4字节消费电子内存。结果就是资本流向重定向：到2026年，科技巨头约三成CapEx将砸向存储；手机和PC的物料成本上浮，旗舰还能消化溢价，中低端却会被“成本墙”挤压，全球出货量的下行风险被显著抬高。市场层面，这是一场由AI引发的“存储大挤压”。抬头看更远一些，真正的“终极地鼠”已经露出耳朵：EUV光刻机及其上游零部件。先进算力的长周期供给，不在电表而在光刻腔。全球每年EUV可交付大约70台，努力几年也不过80台，到了本十年末也难破100台。把账摊开更直观：建设1GW级AI数据中心可能要500亿美元，而支撑这套产能的EUV曝光约需200万次，折算不过3.5台EUV、价值约12亿美元。这种极端杠杆意味着，一条最复杂的人类机器链（镜头、光源、光罩、光刻胶、精密运动平台）会在2028—2029年前后，成为新增全球算力的物理上限。有人问，电力不是瓶颈吗？在模型经济学里，电力更像“价格变量”而非“可得性变量”。航改燃机、中速往复式、燃料电池、乃至“太阳能+电池”的表后方案，足以让数据中心把可用性问题换成成本问题；即便电价翻倍，摊到单颗H100每小时的TCO里，增加也只是几美分量级，远低于模型带来的边际收益。真正难以用“加钱解决”的，是设备、洁净室与材料协同的系统容量。别忽视一些“隐形卡点”：先进封装的熟练工程师缺口、CPU交付周期拉长至半年、超大规模集群的高速互联与光模块、液冷基础设施的制造与运维能力。这些不会取代EUV成为总闸门，却足以在局部时间窗口里，把项目进度按下暂停键。所以，回答“下一个冒头的是谁”：短期看，是洁净室与HBM的双重掣肘；中期看，是整套先进设备链条，核心是EUV光刻机及其脆弱上游；其他子系统会不时探头，但难夺“总瓶颈”的王座。对运营者，这意味着尽早锁定HBM与先进节点产能、前置洁净室与液冷投资、建立表后能源预案；对投资者，关注设备与材料的景气延长赛道；对政策制定者，则是补齐工程基础能力与关键零部件的国产化。每一次瓶颈，都是系统给出的优先级信号：你以为是在和地鼠赛跑，其实是在和复杂度博弈。当人类把最难造的机器变成算力的闸门，我们也被提醒——真正的创新，不是把墙推倒一次，而是把墙后面的墙，一层层设计得更可攀登。

AI军备竞赛，会催生出“硅幕”铁幕吗？

当一台价值约12亿美元的EUV光刻机，能“卡住”约500亿美元的AI数据中心扩张，全球科技版图突然有了新的边界线。算力的地平线，不只是芯片的频率和功耗，更是设备、资本与地缘政治共同编织的“新地形图”。问题来了：AI军备竞赛，会不会把世界推向一幕由硅基芯片与代码构成的“硅幕”铁幕？先看“墙”的物理学。过去几年，AI供应链的瓶颈像打地鼠一样不断迁移：从先进封装到电力，再到数据中心，如今又回到半导体制造本身。Dylan Patel的核心判断是，随着基础设施扩张，真正长期的约束在芯片产线与设备底座，尤其是EUV光刻机。全球每年仅能产出约70台EUV，明后年或至80台，本十年末也难超100台。这意味着新增前沿算力的“天花板”被写进了物理产能里。以1GW的Rubin时代AI数据中心为例，约需200万次EUV曝光，相当于3.5台EUV全年产出；上游一旦吃紧，下游500亿美元的投资就可能被这几台机器“掐喉”。这不是抽象的地缘政治，而是螺丝与镜头的现实学。再看“墙”的经济学。AI对存储的饥渴把供需天平推向极端。长上下文推理放大了HBM的带宽与容量刚需，代工厂为了1B的AI内存要牺牲4B的消费级DDR产能。Patel甚至预计，到2026年，科技巨头约30%的资本开支将流向存储；iPhone单机存储成本或抬升约150美元；全球手机出货量可能从14亿部掉到8亿部，甚至进一步下探。当HBM与CoWoS被大客户用长期合约牢牢锁定，产业链的分配机制天然带着“抢占制高点”的基因。AI从“烧钱的成本中心”转为“按Token产出计价的工厂”后，资本的指挥棒会更坚定地指向高算力、强带宽、重网络的一体化体系。英伟达从芯片到NVLink、液冷、软件栈的全栈锁定，加速了这种“生态壁垒即地缘边界”的形成。第三道“墙”来自制度与联盟结构。面向前沿模型训练的关键投入品被纳入更严格的管制框架，全球被分层：少数“可信”国家获得顶级算力与设备的直通车，其余经济体被迫在性能、成本与时间上付出溢价。一些地区开始权衡，如果传统供应链不再可预期，是否要转向替代性伙伴以维持竞争力。配合上游的物理稀缺和下游的生态锁定，“硅幕”的轮廓在某些高端赛道确实清晰起来了。但故事并非走向一堵密不透风的高墙。首先，半导体是全球化分工的极致产物：一台EUV背后是光学、光源、材料的跨国协奏；HBM主要来自韩美厂商；先进代工集中在台湾；任何单边“完全内生”的设想都会遭遇成本与时间的双重惩罚。其次，算力并非只靠堆晶体管前进。稀疏化、MoE、量化、激活检查点、分布式调度与内存管理的系统性优化，正在把“每瓦、每GB、每比特”的效率抬上新台阶；推理侧的架构创新和场景约束，也在降低“非前沿制程”参与竞争的门槛。再次，电力并非决定性枷锁。以航改燃机、中速往复式、燃料电池或“光伏+储能”的电表后方案，哪怕千瓦时成本翻倍，摊到每小时约1.40美元的高端GPU TCO里也只是几美分，在AI的边际收益面前几乎可忽略。至于“太空数据中心”的浪漫想象，在当前高故障率与昂贵链路面前并不经济可行。更重要的是，世界正进入一种“双轨并行”的均衡：高端训练和前沿推理由握有先进制程、EUV与HBM话语权的生态主导；另一条轨道则以本土化、合规场景、推理优化与新型计算范式为支点，追求可负担、可落地、可规模化的产业路线。中国在政务、能源、金融和制造场景的本土迭代，叠加存算一体、光计算等异构路径的突破，未必需要穿越同一片“硅幕”，也能抵达不同的创新前沿。开源智能体的爆发式试验，虽伴随安全与治理挑战，却在应用层打开了新的窗口。所以，AI军备竞赛确实在高端环节上投下了一道长长的“硅幕”阴影，但这幕布并非钢铁，而是由原子、算法与激励编织的多孔材料。它会限制最尖端能力的扩散速度，却挡不住效率创新、场景创新与组织创新的渗透。对企业与政策而言，更明智的选择不是盯着墙的高度，而是经营自己的“通道”：前瞻锁定存储与封装产能，构建多元供应链；把投入从“峰值算力崇拜”转向“系统效率与单位Token经济学”；在安全、互联与标准上维持最低限度的全球合作。也许，真正值得警惕的不是墙本身，而是我们因墙而放弃的想象力。技术史一再表明，封锁能改变路线，却很难终止涌动。当下一次瓶颈像地鼠般从供应链另一端冒头时，我们选择筑更高的墙，还是搭一座更长的桥？答案将决定这场AI大航海最终驶向哪里。

新知 - 大圆镜｜AI算力狂飙，却被一台光刻机锁死天花板

大圆镜

内容由AI生成，思考得你完成

App Store 下载 Android 下载

当你为ChatGPT生成的万字报告惊叹，或是刷着AI生成的高清视频时，可能不会想到：支撑这些智能体验的算力扩张，正被一台重180吨、售价3亿美元的机器死死卡住。这台名为极紫外光刻机（EUV）的设备，全球每年仅能产出70台左右，2030年前产能也难破百台。更夸张的是，建一个能支撑500亿美元产值的AI算力中心，只需要3.5台这样的机器——但就是这12亿美元的设备，决定了未来几年全球AI能跑多快。为什么一台机器能有这么大的能量？这背后是整个半导体产业链追不上AI需求的窘迫。

打地鼠式瓶颈：从封装到电力再到芯片制造

几年前，AI公司还在为CoWoS封装产能发愁——这种把芯片和高速内存粘在一起的工艺，曾是AI芯片量产的最大障碍；去年，数据中心的电力供应突然告急，一个AI训练集群的功耗顶得上半个小县城；再后来，新建数据中心的速度跟不上算力需求，很多云厂商拿着钱却找不到地方装服务器。

就像打地鼠游戏，解决一个瓶颈，另一个立刻冒出来。半导体研究机构SemiAnalysis创始人Dylan Patel把这称为“移动的瓶颈”，而背后的本质只有一个：AI需求的增长速度，比产业链任何环节的扩产速度都快。

如今，随着数据中心和电力设施逐步扩容，瓶颈又绕回了起点——芯片制造。其中最核心的卡脖子环节，就是那台180吨的EUV光刻机。

你可以把EUV光刻想象成用极细的毛笔在头发丝上刻字：它用波长仅13.5纳米的极紫外光，把芯片电路图“印”在硅片上，是7纳米及更先进制程芯片的唯一可行方案。但真实的技术比这复杂得多：它需要用激光轰击锡滴产生等离子体来发光，整个光路要在真空中靠10多块精度达原子级的反射镜引导，光是校准这些镜子就要花几个月时间。

全球只有荷兰ASML公司能造EUV光刻机，它的供应链遍布全球，光是光学镜头就由德国蔡司独家供应，每一片镜片的加工误差不能超过0.3纳米——相当于人类头发丝直径的1/300000。

存储战：AI正在抢走你的手机内存

如果说EUV光刻机是AI算力的“心脏起搏器”，那高带宽内存（HBM）就是“血管”——它负责把数据快速喂给AI芯片，是大模型训练的必需品。但HBM的生产，正在直接挤压消费电子的生存空间。

HBM是把多颗内存芯片叠在一起的“立体内存”，能提供比普通DDR内存高10倍以上的带宽，但它占用的晶圆面积是普通DDR的4倍。这意味着，代工厂每生产1字节的AI专用HBM，就要砍掉4字节的手机、PC用普通内存产能。

2026年，科技巨头30%的资本开支将流向存储芯片，其中大部分是HBM。SK海力士、三星、美光这些存储厂商，自然会把产能优先分给利润更高的AI客户——毕竟HBM的毛利率是普通DDR的3倍以上。

直接的后果就是：你的下一部手机可能更贵，甚至更“差”。苹果iPhone的存储成本预计上涨150美元，中低端安卓手机厂商要么涨价，要么只能削减内存配置。2026年全球智能手机出货量可能降至11亿台以下，比2025年减少近2亿台。

这不是周期性的缺货，而是结构性的“零和博弈”：AI的算力需求正在吃掉消费电子的生存空间，就像一辆重型卡车抢了自行车道，普通人的日常数码体验，正在为AI的狂飙买单。

电力不是终极难题，地缘政治才是

很多人担心AI会把全球电网拖垮，但在Patel看来，电力反而最容易解决——数据中心可以自己建电厂。比如用航改燃气轮机、燃料电池，甚至“太阳能+储能”的组合，在“电表后”解决供电问题。哪怕电价翻倍，分摊到每颗AI芯片的成本里也不过几美分，和AI带来的收益比完全可以忽略。

真正的长期风险，是地缘政治带来的供应链断裂。全球75%的半导体制造产能集中在东亚，其中台湾占据92%的先进制程产能；EUV光刻机的核心部件依赖全球数十个国家的供应商，任何一个环节的贸易限制，都可能引发连锁反应。

美国对中国的半导体出口限制，已经让Nvidia不得不推出“阉割版”AI芯片，华为则靠自研芯片艰难突围。而欧洲、美国、日本纷纷出台产业政策，试图把产能搬回本土——但建一座先进晶圆厂需要3-4年时间，投资上百亿美元，远水解不了近渴。

更棘手的是，半导体产业的利润高度集中：2024年全球只有5%的顶尖企业（比如Nvidia、TSMC、ASML）赚到了钱，其余95%的企业要么利润下滑，要么亏损。这种“赢者通吃”的格局，让中小企业很难有动力投入研发，整个产业链的创新活力正在被削弱。

当我们谈论AI的未来时，往往聚焦于算法的突破、模型的大小，却很少关注那些藏在产业链深处的“小零件”——一台180吨的光刻机，一块指甲盖大的内存芯片，甚至是一片精度达原子级的反射镜。

这些看似微小的节点，正在定义AI的边界。AI算力的狂飙，本质上是人类制造业极限的比拼：我们能把光的波长缩到多短？能把芯片叠到多密？能在全球范围内把供应链拧成多结实的绳子？

算力的天花板，从来不是算法，是制造的极限。 未来几年，AI能走多远，或许不取决于OpenAI又发布了什么模型，而是取决于ASML的工厂里，又多产出了几台EUV光刻机。

打地鼠式瓶颈：从封装到电力再到芯片制造

存储战：AI正在抢走你的手机内存

电力不是终极难题，地缘政治才是

评论