Rubin Ultra或采用分层HBM配置，AI算力扩张继续拉动CoWoS、晶圆、测试与光互连需求

概览

报告围绕AI GPU与ASIC供应链的架构调整、内存配置、服务器机架、光互连、先进封装、测试需求及电力约束展开。核心判断是，Rubin Ultra可能通过分层HBM规格缓解内存短缺和成本压力；Kyber机架因PCB与散热问题面临延迟，NVIDIA短期可能延续Oberon NVL72并以CPO/NPO支持更大规模互连。与此同时，Google TPU和CPU、Rubin系列以及其他定制ASIC的扩张将继续推动CoWoS、先进制程晶圆、HBM和测试需求。

核心观点

第一，Rubin Ultra可能形成多档HBM配置，高端产品采用HBM4e，较低端产品采用HBM4，以适配不同工作负载并缓解供给和成本压力。第二，降低内存规格可能削弱长上下文大模型的解码性能，但单颗内存减少也可能提升加速器总出货量。第三，Kyber机架尚无明确交付时间，首代Rubin Ultra系统可能继续使用Oberon NVL72架构，并通过CPO/NPO实现NVL576级连接。第四，中国AI GPU厂商因晶圆代工制程及SerDes速率限制，更倾向采用NPO构建超级节点，NVIDIA的CPO路线可能形成规模扩展差异化。第五，Google TPU、CPU及Rubin需求支持2026年至2027年AI半导体供应链继续增长，但电力供给可能成为比芯片产能更严格的约束。

分析框架

报告采用供应链渠道调研与自下而上测算相结合的方法：根据CoWoS晶圆分配、每片晶圆芯片数量和HBM配置推算加速器出货与内存需求；根据制程、芯粒数量、晶圆消耗和晶圆价格测算晶圆收入机会；将HGX服务器按九台等价于一套NVL72机架纳入芯片与机架匹配模型；并以单颗GPU或ASIC平均功耗估算整体电力容量需求。

方法论与常识提炼

• 供应链研究渠道调研

  通过内存、封装、服务器和测试产业链反馈判断产品规格及交付节奏。

  渠道反馈用于评估Rubin Ultra的HBM分层方案、Kyber机架延迟、CPO/NPO采用方向以及Google TPU和CPU测试需求。

• 产能与出货测算CoWoS自下而上模型

  使用CoWoS晶圆分配与每片晶圆可产芯片数推算加速器出货。

  模型进一步结合每颗芯片的HBM容量、堆叠数量与世代，估算HBM总需求，并按客户和芯片厂商拆分CoWoS需求。

• 系统出货匹配芯片与机架等价换算

  将HGX系统与NVL72机架转换为统一的GPU消耗口径。

  报告假设九台各含八颗GPU的HGX服务器等价于一套NVL72机架，据此重新匹配Blackwell芯片供给与服务器机架需求。

• 基础设施约束功耗容量换算

  以加速器数量乘以平均热设计功耗估算所需电力容量。

  报告以单颗GPU或ASIC平均约2千瓦为示意参数，将2027年约1900万颗加速器换算为约38吉瓦电力需求，用于检验芯片需求预测能否获得基础设施支撑。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• NVIDIA

  Rubin、Rubin Ultra、Blackwell及超级节点架构的核心推动者

  优势

  具备从GPU、NVLink到机架级系统的完整生态，CPO路线有望强化大规模互连性能，Rubin系列预计于2026年下半年进入放量周期。

  劣势

  Rubin Ultra面临HBM供给与成本权衡，Kyber机架存在PCB、散热和交付时间不确定性。

  对比

  相较采用NPO的中国超级节点方案，NVIDIA更偏向以CPO提升跨机架扩展性能。

  风险

  HBM规格调整影响性能、机架延迟、电力不足、供应链缓冲库存消化不及预期及监管限制。

• TSMC

  AI GPU和ASIC先进制程晶圆及CoWoS封装的关键产能提供者

  优势

  受益于GPU、TPU和定制ASIC同步增长，报告预计其AI相关收入2024年至2029年CAGR可达约60%。

  劣势

  需求高度依赖客户资本开支、先进封装扩产和数据中心基础设施配套。

  对比

  CoWoS产能是报告衡量全球AI芯片供给和客户分配的核心基准。

  风险

  电力瓶颈导致终端部署低于芯片产能、客户分配变化、先进制程与封装扩产执行风险。

• SK hynix、Micron、Samsung

  HBM3e、HBM4及HBM4e的主要潜在供应商

  优势

  AI HBM总消耗预计由2026年最高约300亿Gb增至2027年最高约500亿Gb。

  劣势

  Rubin Ultra分层配置可能降低部分产品的单颗HBM含量，供应商还需满足不同堆叠和世代规格。

  对比

  各供应商在不同GPU和ASIC产品中的认证与分配并不一致，Samsung在部分定制ASIC和低档配置中的参与度可能提高。

  风险

  规格降级、认证延迟、良率、价格压力及新增产能释放速度快于需求。

• MediaTek

  Google TPU定制ASIC设计合作方及潜在2纳米产品供应链受益者

  优势

  公司指引2027年ASIC市场份额可达15%至20%，并预计2028年随2纳米TPU放量进一步提升收入份额。

  劣势

  收入增长依赖Google项目节奏、先进制程量产和后端测试能力。

  对比

  与Broadcom现有TPU项目并行，MediaTek预计在TPU v8t、v9及后续世代中扩大参与。

  风险

  项目推迟、客户集中、2纳米量产风险及ASIC竞争加剧。

• King Yuan Electronics Co Ltd

  Google TPU与CPU晶圆测试、终测和系统级测试需求的受益者

  优势

  Google相关需求预计占其收入比重由2026年的8%至10%升至2027年的10%至15%，测试时长和复杂度提升有利于测试价值量。

  劣势

  相关收入对单一客户项目放量节奏较敏感，部分收入已推迟至2026年第四季度及2027年。

  对比

  相较仅受益于芯片数量的供应商，KYEC还受益于老化测试和系统级测试渗透率提升。

  风险

  TPU或CPU出货不及预期、测试产能配置失误、客户集中及项目递延。

• GUC

  定制ASIC设计服务商及潜在TPU后端设计参与者

  优势

  公司表示有意为未来TPU世代提供计算芯粒后端设计服务，且报告预计其相关CoWoS需求快速增长。

  劣势

  项目获取和收入确认依赖客户决策及产品量产时间。

  对比

  与MediaTek、Broadcom等完整ASIC合作方相比，GUC更侧重设计服务和客户定制项目。

  风险

  项目未落地、设计复杂度、先进封装产能和客户集中风险。

• 中国AI GPU厂商

  面向超大模型训练与推理建设本土超级节点架构

  优势

  通过NPO连接多个机架，可在本土供应链约束下扩展至支持超过2万亿参数的大模型。

  劣势

  受晶圆代工制程限制，本土GPU的SerDes单通道速率可能仍约为100Gb/s，限制互连效率。

  对比

  相较NVIDIA偏好的跨机架CPO方向，中国厂商当前更倾向采用近封装光学NPO方案。

  风险

  制程、互连带宽、功耗、软件生态、出口管制及量产执行风险。

关键数据

• Google TPU出货2026年370万颗；2027年超过700万颗表格总量显示2027年约735万颗，主要由TPU v8i与v8t贡献。
• Google CPU出货2026年150万颗；2027年300万颗相关项目需要老化测试和系统级测试。
• Google相关业务占KYEC收入2026年8%至10%；2027年10%至15%包括TPU、CPU、终测及部分晶圆测试收入。
• MediaTek的ASIC市场份额指引2027年15%至20%公司认为随着2纳米TPU产品放量，2028年收入份额仍可能提高。
• Blackwell出货预测2026年540万颗报告认为芯片供给足以在2026年下半年满足Grace Blackwell NVL72需求。
• Rubin及Rubin Ultra出货预测2027年接近700万颗Rubin预计于2026年第三季度开始放量，机架出货于第四季度启动。
• Rubin NVL72机架出货2027年约9万套预测基于芯片与机架消耗匹配模型。
• 2027年CoWoS隐含AI芯片量约1900万颗按单颗平均2千瓦计算，对应约38吉瓦电力需求。
• AI HBM消耗2026年最高约300亿Gb；2027年最高约500亿Gb测算覆盖AI GPU及主要云厂商ASIC配置。
• AI晶圆消耗金额2026年至少US$26bn；2027年至少US$59bn根据加速器出货、芯粒数量、制程和晶圆价格测算。
• 全球CoWoS总需求同比增速2026年102%；2027年93%NVIDIA、Broadcom、AMD、GUC等客户共同驱动需求增长。
• TSMC的AI相关收入增速2024年至2029年预计CAGR约60%覆盖通用AI芯片、定制ASIC、CoWoS与晶圆测试及AI服务器CPU。

影响与含义

产业链影响并非单向。HBM分层配置可缓解高端内存供给压力并降低系统成本，但单颗HBM容量下降可能压制内存含量价值，同时通过提高芯片出货量利好晶圆、封装、测试和其他量驱动型供应商。Kyber延迟短期不利于新机架导入，却可能延长Oberon NVL72及相关PCB、散热和系统供应链的生命周期。更大规模超级节点将提高CPO/NPO、高速互连和光学组件的重要性。Google TPU与CPU需求上修则直接提升MediaTek、GUC、KYEC及相关先进封装和测试环节的机会。长期最大约束可能从芯片产能逐步转向电力、数据中心建设与系统级散热能力。

风险

• HBM持续短缺或认证延迟，导致Rubin Ultra最终规格和放量节奏变化。
• 降低HBM规格可能对长上下文大模型的解码性能产生较明显影响。
• Kyber服务器机架受PCB、散热及系统工程问题影响，交付时间仍不明确。
• 全球电力、数据中心建设和并网能力可能无法支撑预测的AI加速器安装规模。
• CoWoS、先进制程晶圆或测试产能扩张与实际需求错配。
• 云厂商资本开支、Google TPU与CPU或Rubin项目出货低于预期。
• CPO/NPO技术路线、良率、成本和量产时间存在不确定性。
• 美国行政命令、出口管制及相关交易限制可能影响部分公司和证券。
• Morgan Stanley与多家覆盖公司存在持股、投行或其他业务关系，可能形成潜在利益冲突。

后续跟踪

• NVIDIA在2026年第三季度末前对Rubin Ultra HBM规格作出的最终决定。
• 不同HBM配置对解码、预填充和长上下文大模型性能的实际影响。
• Kyber机架的明确量产时间、PCB与散热问题解决进度。
• Oberon NVL72向NVL576规模扩展时CPO与NPO的采用比例。
• Rubin在2026年第三季度放量及第四季度机架出货的执行情况。
• 2027年Google TPU超过700万颗及CPU 300万颗预测的兑现程度。
• MediaTek在TPU项目中的收入份额及2纳米产品进展。
• KYEC的老化测试、系统级测试产能利用率和Google相关收入占比。
• TSMC CoWoS客户分配、扩产节奏及AI相关收入增长。
• 全球AI数据中心电力容量、并网进度和散热基础设施建设。