OpenAI / Google / 雲端平台
模型變大、推論量增加、GPU cloud 與 hyperscaler 資本支出擴張。
AI infrastructure supply chain
AI 需求如何傳導成供應鏈瓶頸
從模型訓練與推論需求出發，算力訂單會依序推升 GPU / ASIC、先進製程、HBM、CoWoS、伺服器機櫃、光通訊、電力與散熱。研究重點不是只找供應商，而是找「下一個阻止 AI cluster 擴張的瓶頸」。
算力採購與自研晶片計畫
NVIDIA GPU / Broadcom ASIC
GPU 是通用算力主軸；ASIC 改善成本、功耗與供應彈性。
高階 GPU 與 ASIC 需要先進節點、良率與測試能力。
記憶體頻寬限制 AI accelerator 效能，供給緊張會卡住出貨。
GPU、HBM 與基板要在同一封裝中高速互連，封裝產能是核心瓶頸。
高層數 PCB、低損耗 CCL、PCIe / CXL / retimer 支撐高速訊號。
AI Server / Rack / Power shelf
ODM、機櫃、電源、背板與液冷把晶片轉成可交付的 rack-scale 平台。
網路Switch / DSP / Optical
電力UPS / PDU / Switchgear
散熱Liquid cooling / Thermal
判斷主線的 4 個訊號
需求具體化多年 capex、供應協議、資料中心租賃。
瓶頸難替代擴產週期長、規格門檻高、客戶認證慢。
規格升級rack-scale、液冷、光互連改變供應商排序。
財務驗證營收、毛利、稼動率、交期與庫存同步確認。