现在一块顶级AI芯片，在很多实际部署场景里，利用率只有30%到50%。大量时间都在等内存把数据送过来。这就是常说的内存墙。 算力可以一直堆，但内存的带宽、容量、散热跟不上，再贵的GPU也是闲着，AI基建的真实成本比账面高得多。 这一年开始出现一个我关注的变化：内存解耦。过去主流方案都是把HBM通过2.5D先进封装紧贴GPU放在一起，因为传统电互连距离一拉长，带宽、延迟和功耗都会迅速恶化。 而现在，越来越多厂商开始尝试用光互连代替部分传统电互连，把内存从GPU附近扩展到更远的位置，同时依然保持高速数据传输。 如果这条路线成熟，同样数量的GPU就有机会完成更多计算任务，在部分场景下，有效算力甚至有望接近翻倍，而不需要增加更多GPU。 真正值得关注的是，这意味着未来产业价值，可能不再只集中在HBM本身和先进封装，而会逐渐向GPU与内存之间高速互连这一层迁移。 沿着这条产业链，我整理了9家公司，分成4层： 一、内存层 1️⃣ 美光 MU｜HBM内存龙头之一 HBM4今年一季度已量产、产能卖断到2026 光互连层（数据改用光、不用铜，这是价值迁移的那一侧） 二、光互连层 2️⃣ Credo ｜AI连接芯片＋铜缆 OmniConnect方案直接冲着内存墙做 3️⃣ Lumentum｜光学与激光器件 3月底英伟达注资约20亿美元 4️⃣ Coherent｜光收发器＋激光器 同期英伟达也注资约20亿 三、定制芯片层 5️⃣ Marvell ｜定制ASIC＋光DSP＋互连 与博通合占ASIC协同设计约95% 6️⃣ 博通｜定制AI芯片＋交换芯片 AI积压订单超730亿美元 四、整机与加速器层 7️⃣ 英伟达｜卖的是AI整机 Blackwell和Rubin都已量产 8️⃣ AMD ｜第二大加速器 新平台MI400塞了432GB的HBM4 五、制造层 9️⃣ 台积电 ｜所有芯片的代工厂 CoWoS先进封装是绕不开的卡口 ❤️一点想法： AI第一阶段，比的是谁能买到更多GPU。 第二阶段，比的是谁能拿到更多电力、散热和网络资源 第三阶段比的则是别让GPU闲着。 内存墙，就是第三阶段最值得关注的方向之一 把这条链当一个整体看，光互连那一侧，英伟达最近给Lumentum和Coherent各注资，还签了激光器长约，真金白银投了票，这个信号比任何分析都直接。 #美股