OpenAI / Google / 雲端平台
模型訓練與推論需求擴大，帶動 GPU cloud、hyperscaler 與自建資料中心投資。
decision map
AI 供應鏈不是一條線，而是多個瓶頸同步擴張
算力訂單
NVIDIA GPU 與客製 ASIC
GPU 仍是主軸；Broadcom、Marvell 類 ASIC 則承接大型客戶自研晶片與網路晶片需求。
先進製程
高階 GPU / ASIC 需要先進節點、先進測試與良率管理。
HBM / DRAM
AI 加速器效能受記憶體頻寬限制，HBM 供給成為核心約束。
CoWoS / CoPoS
GPU、HBM 與基板要在同一封裝內高速互連，封裝產能決定可出貨量。
變成可部署系統
AI Server / Rack / Power shelf
伺服器 ODM、機櫃、背板、電源模組與液冷方案把晶片轉成可運作的 rack-scale 平台。
Switch / DSP / Optical
叢集規模越大，GPU 之間的資料搬移越關鍵，交換器與光模組需求同步上升。
UPS / PDU / Switchgear
AI rack 功耗上升，配電、備援電力、變壓器與電網接入成為後段瓶頸。
Liquid cooling / Thermal
高功耗 rack 需要液冷與熱管理，資料中心機房設計也要同步升級。
layers
六層供應鏈關係
需求與資本支出
OpenAI、Google、Microsoft、Meta、AWS、Oracle 等需求端決定總量。關鍵不是單一產品，而是訓練、推論、企業 AI 與 GPU cloud 的資本支出節奏。
GPU / ASIC / 網路晶片
NVIDIA 供應通用 GPU 平台；大型雲端客戶同時推動 ASIC，以改善成本、功耗與供應彈性。Broadcom、Marvell 等角色因此變重要。
製程、HBM、封裝
AI 晶片的真正限制常落在先進製程、HBM 與 CoWoS 類先進封裝。只要其中一段不足，最終 GPU 或 ASIC 出貨就會被卡住。
PCB / CCL / 電源訊號
高階 AI server 需要更高層數 PCB、低損耗 CCL、retimer、power management 與背板設計。這是白板上「technical」區塊的重要含義。
Server / Rack / ODM
廣達、緯創、緯穎、鴻海、Supermicro、Dell 等把晶片、板材、電源與冷卻組成可交付系統，交期與產能反映下游真需求。
資料中心基礎設施
AI rack 功耗密度上升後，電力、散熱、機電工程、備援電源與光通訊都會變成擴張限制。這也是供應鏈從半導體延伸到工業與公用事業的原因。
bottleneck signals
如何判斷哪一段正在變成投資主線
1. 需求端承諾是否具體
看大型雲端或 AI 平台是否給出多年資本支出、供應協議、資料中心租賃或 ASIC 專案。越具體，越能往上游追供應鏈。
2. 瓶頸是否不可快速替代
HBM、CoWoS、低損耗材料、電力接入、液冷與光通訊如果擴產週期長，就容易出現價格、稼動率與訂單能見度上修。
3. 規格是否改變了供應商排序
從單機 server 走向 rack-scale、從銅纜走向光互連、從氣冷走向液冷，通常會改變誰有議價能力。
4. 財務是否已經反映
先看營收與毛利率，再看庫存、交期、資本支出與客戶集中度。供應鏈敘事若沒有財務驗證，容易只是題材。
role map
白板關鍵名詞對應
NVIDIAGPU、rack-scale platform、networking
Google / OpenAI模型需求、雲端算力、ASIC 推動者
Broadcom客製 ASIC、switch silicon、SerDes
Qualcomm / MediaTek邊緣 AI、連接與部分 ASIC/IP 想像
台積電先進製程與先進封裝核心產能
HBM 供應鏈SK hynix、Samsung、Micron 等記憶體瓶頸
PCB / CCL高階板材、低損耗材料、高層數伺服器板
ODM / Rack廣達、緯創、緯穎、鴻海等系統整合
source board
原始白板對照
我如何解讀這張白板
左側像是在列出供應鏈分類：GPU、NPU、training、GPUs、network switch、PCIe、SSD、DDR、IO 等。中間把 NVIDIA、Qualcomm、Broadcom、Google、TSMC、CoWoS、CoPoS、HBM、SRAM/MRAM 與 power saving 串起來。右側則延伸到 OpenAI、軟銀、CMOS、laser、light、32 吋與光通訊等概念。
整理後的主線是：AI 需求不是只買晶片，而是迫使整個 data center stack 重新升級。越靠近瓶頸、越難被替代、越能在財報中驗證的節點，越值得深入研究。