AI算力格局2026年中：Rubin架构、HBM4量产与推理市场三元博弈

2020年，全球AI芯片市场不足200亿美元，大多数人还在争论「GPU能否长期维持高毛利」。2025年这个数字越过800亿，进入2026年上半年，市场共识已经从「NVIDIA会不会被替代」变成了「NVIDIA之外，谁能吃到下一块蛋糕」。[4] 方向变了，问题也该重新表述。

2026年3月的GTC大会是一个分水岭。NVIDIA发布Rubin架构，不只是升级GPU核心，而是重新定义了「下一代AI算力系统」的设计语言——从芯片到互联、从封装到制冷，整个堆栈同步迭代。[1] 与此同时，HBM4开始量产，推理市场格局从单极走向三元。这三件事叠加，意味着2025年写的AI芯片分析，部分结论已经需要更新。

这篇文章的目的，就是做这次更新。

训练市场：Blackwell主导，但竞争边界已经移动

先说最确定的部分。2026年上半年训练市场，NVIDIA依然占据75-80%份额，这一点没有悬念。[4] Blackwell系列中，B200单卡FP8训练性能约是H100的4倍，GB200 NVL72机柜将72块GPU通过NVLink 5.0直连，峰值算力提升幅度更大。[1]

代价是功耗。GB200 NVL72单机柜满载功耗达到120kW，传统风冷数据中心直接排除在外，必须上液冷。这不是工程师的选择题，而是部署条件的硬门槛，把数据中心改造成本摊进了TCO（总拥有成本）。微软、谷歌、Meta的新建数据中心已经按液冷标准设计，但存量设施改造周期要以年计。[1]

AMD这一侧，MI300X已经在部分大模型训练任务中获得采购订单，份额估计在15%左右。[4] 更重要的信号是MI350：AMD承诺2026年下半年交付，HBM3E升级到HBM4，目标是在推理TCO上对比B200改善30%。[5] 训练市场AMD不是NVIDIA的对手，但推理市场正在变成另一场比赛。

Google的TPU v5p和Amazon的Trainium2是第三条线。它们的战略意义不在份额，而在于证明超大厂有能力通过自研芯片把训练成本锁在自己内部，不对外销售，但影响了外部算力租赁市场的定价天花板。Microsoft的Maia同样遵循这个逻辑。自研不是替代，是谈判筹码。

推理市场：三元格局出现

如果说训练市场格局清晰，推理市场才是2026年最有意思的博弈场。推理工作负载的特征与训练截然不同：延迟敏感、批处理规模小、对内存带宽的要求超过对原始算力的要求。这给了专用推理芯片商业落地的机会。

AI算力市场份额估计（2026年H1，来源：彭博/IDC行业报告[4]）
细分市场 NVIDIA AMD 其他（含自研）
训练市场 75-80% ~15% 5-10%
推理市场 ~65% ~20% ~15%（含Groq/Cerebras）

Groq的LPU（语言处理单元）在单token延迟上比H200快3-5倍，代价是批处理效率偏低，最适合实时对话场景。Cerebras的WSE-3用整个硅片做单芯片，内存带宽是H100的数十倍，在序列长度极长的推理任务中有独特优势。这两家公司合计占推理市场约5-8%，但增速显著快于市场整体。

NVIDIA在推理端的防御策略是H200和即将到来的B200。H200对H100最大的升级是HBM3E内存，带宽从H100的3.35TB/s跳到4.8TB/s，这正是推理瓶颈所在。B200推理吞吐比H200再提升2-3倍。[1] NVIDIA的护城河在于生态：CUDA库、NIM推理框架、TensorRT优化工具链，把迁移成本推到极高。

过去一年的观察显示，推理市场的竞争逻辑正在从「谁的芯片最快」转向「谁的TCO最低、谁的迁移成本最小」。这对NVIDIA有利，但也给了AMD和专用芯片商持续切入的理由。

内存瓶颈：HBM4如何重塑格局

一个容易被忽视的事实：过去两年，AI芯片的实际性能瓶颈经常不在GPU核心，而在内存带宽。HBM（高带宽内存）供应链的格局，几乎和GPU供应链一样关键。

HBM市场供应格局（2026年H1估计，来源：彭博/IDC[4]）
供应商 市场份额 HBM4进度
SK Hynix ~40% HBM4已量产，首批供应NVIDIA B200
Samsung ~40% HBM4 Q2 2026量产认证中
Micron ~20% HBM4 Q2 FY2026量产（已财报确认）[2]

Micron在2026年Q2财报中确认了HBM4的量产时间线，这是第三家HBM4量产厂商，对整个供应链是正面信号：HBM4的供应瓶颈在2026年下半年到2027年会显著缓解。[2] 供应扩张的直接受益方是GPU买家（大型云厂商的算力采购成本下降），潜在压力在于HBM厂商的单价和毛利率。

HBM4相比HBM3E的核心升级：带宽再提升约50%，堆叠层数从12层到16层，Die-to-Die互联采用混合键合（Hybrid Bonding）工艺。这意味着HBM4的封装难度显著上升，也是为什么BESI等混合键合设备商在这个周期受到关注。详细技术路径可参考 Micron HBM4量产深度分析。

制造端：ASML High-NA EUV与台积电CoWoS

芯片格局的底层，是光刻机。ASML在2026年Q1财报中确认：High-NA EUV（型号EXE:5000）已完成首批机器交付。[3] High-NA将数值孔径从0.33提升到0.55，理论分辨率极限从13nm降至8nm，是EUV技术自2018年量产以来最大的代差跨越。

ASML High-NA EUV关键节点（来源：ASML Q1 2026财报[3]）
节点 状态
首台机器交付 已完成（2026年Q1前）
客户验证阶段 进行中（台积电、三星、英特尔）
量产导入 预计2027年

High-NA EUV对AI芯片的直接影响不在当下，而在2027-2028年。台积电的N2工艺用的还是标准EUV，High-NA主要对应N2P及以后节点。但ASML交付进度是产业领先指标——第一批机器进驻意味着工程开发正式启动，量产时间表更加可信。

更近期的制造端关键词是CoWoS（Chip on Wafer on Substrate）封装，台积电的CoWoS-S和CoWoS-L分别对应不同GPU封装规格。2025年CoWoS产能是AI芯片供应链最大瓶颈，台积电2026年持续扩产，缓解程度将影响NVIDIA和AMD的出货节奏。关于ASML技术路线的完整分析，参见 ASML High-NA EUV深度。

定制芯片：大厂自研已成第四极

Google、Amazon、Microsoft、Meta这四家超级云厂商，都在不同程度上自研AI加速芯片，逻辑一致：用自研把算力成本的定价权从外部采购拉回内部。

Google TPU v5p是目前自研阵营中商业化程度最高的，通过GCP对外提供Cloud TPU服务，部分大模型训练客户已经形成稳定使用习惯。Amazon Trainium2主要用于AWS内部工作负载和部分Bedrock客户，尚未对外独立销售算力。Microsoft Maia目前主要支撑Azure OpenAI服务，公开的性能指标极少。

自研芯片的局限性也很明确：软件生态从零积累，CUDA的护城河短期内不会因为硬件迭代而消失。从产业影响看，自研最重要的意义是抑制了NVIDIA和AMD对超大厂的定价谈判能力，而非真正形成规模替代。未来三年，自研份额可能从5-10%升至15-20%，但这是渐进过程。

为什么今天还值得重读这篇文章（2026年中更新结论）

这篇文章最早完成于2026年初，当时的三个核心判断需要更新。

第一，Rubin架构的公布（GTC 2026）重新定义了「下一代NVIDIA」的竞争维度。Rubin不只是Blackwell的升级，而是引入了CPO（共封装光学）和Spectrum-X 2.0网络，把系统级整合程度推到了新高度。AMD、Groq等竞争对手需要回应的不只是GPU核心性能差距，还有整个堆栈的耦合优势。[1] 详见 NVIDIA Rubin完整解析。

第二，HBM4量产改变了内存瓶颈的时间表。原有判断是「HBM供应紧张持续到2026年底」，但Micron提前量产、SK Hynix产能爬坡顺利，供给缺口在2026年下半年有望明显收窄。这对云厂商的算力采购成本是利好，但会压缩HBM供应商的溢价空间。[2]

第三，推理市场的格局比2025年判断的更分散。Groq和Cerebras的客户数量在2026年上半年均有显著增长，虽然规模仍小，但方向性信号很清楚：推理市场不会像训练市场那样形成NVIDIA的绝对垄断。

综合来看，2026年AI芯片的核心矛盾已经从「有没有竞争对手」变成了「在哪个维度上竞争、竞争的边界在哪里」。这是一个更复杂、也更有趣的格局。关于NVIDIA系统级地位的完整分析，参见 NVIDIA FY2026深度。

投资启示：从「买NVDA」到生态配置

2023-2024年AI芯片投资的最简单框架是「买NVIDIA」，这个框架在当时有效，但2026年需要升级。

NVIDIA仍是核心配置。 Blackwell超周期的营收兑现正在进行，FY2027（截至2027年1月）的业绩能见度高。数据中心业务占比超过85%，估值锚点要用EV/EBITDA而非PE，因为大规模折旧使PE失真。风险点是出口管制升级——若对华芯片限制进一步收紧，H20等降规产品的销售受阻会影响10-15%的营收预测。[4]

ASML是上游确定性最高的标的。 不管GPU的品牌竞争如何演变，先进制造都要经过ASML的光刻机。High-NA EUV交付带来的是2027-2028年的远期估值支撑，而非立即的营收增量，适合长周期持有逻辑。[3]

AMD是高弹性但高风险的配置。 MI350的推理TCO改善如果能兑现，将是AMD重新获得份额的关键。但AMD的风险点也在这里：若MI350量产延迟或实际TCO改善不及预期，估值将明显回调。AMD在AI芯片的战略执行质量，是2026年下半年最值得跟踪的变量之一。[5]

HBM供应商（Micron为主）的逻辑已经从「供不应求溢价」转向「供给扩张后的利润率管理」。 这对股价的含义是：上行空间收窄，但下行风险取决于需求端能否持续扩张消化新增产能。[2]

台积电（TSM）横跨所有主线，是AI芯片产业链中除NVIDIA外受益最广的标的，CoWoS产能和N2/N2P节点进度是两个核心观察指标。

风险与失效条件

  • DeepSeek类效率突破：若模型训练效率出现量级提升（如GPT-4级别性能所需算力下降80%以上），算力需求增长预测需要大幅下修，AI芯片所有公司估值承压。
  • AMD MI350推迟或量产良率不足：若MI350 2026年下半年无法按时出货，推理市场三元格局将推迟形成，NVIDIA的市占率可能回升至70%以上。
  • ASML High-NA EUV交付延迟：若台积电的High-NA EUV验证进展不顺，N2P及以后节点时间表后移，将影响2027年以后整个先进制程路线图。
  • 中国市场出口管制升级：若美国对华AI芯片限制进一步收紧（如将H20纳入禁售清单），NVIDIA 10-15%的营收面临直接冲击，同时加速国产替代的时间表。
  • 大型云厂商Capex收缩：若微软、谷歌、Meta等超级买家在2026年下半年以后削减AI基础设施投入，整个算力链会面临需求侧拐点，当前高估值体系的基础会动摇。

常见问题

NVIDIA算力垄断会被打破吗？

训练市场的格局在3-5年内不会根本改变。CUDA生态的护城河不是技术，而是数以百万计的工程师已经在用CUDA写代码，迁移成本极高。推理市场的格局分散程度更高，已经有竞争者在特定场景取得立足点，但「打破垄断」是一个被过度使用的框架——更准确的描述是「市场在细分，不同场景正在选择不同的最优解」。

AMD MI300X/MI350在推理场景有竞争力吗？

有条件地有竞争力。AMD ROCm软件栈的成熟度已经显著提升，在PyTorch原生模型上的部署难度大幅下降。MI350若能兑现推理TCO改善30%的承诺，对大规模推理集群的买家（尤其是开源模型部署商）有实质吸引力。关键变量是2026年下半年MI350的实际量产和客户验证结果。

HBM4对AI芯片格局有什么影响？

HBM4量产有两层含义：一是GPU性能瓶颈从算力转移向内存的趋势得到缓解，下一代GPU可以充分释放算力；二是HBM供给扩张会在2026年下半年到2027年逐步改善AI芯片的供应紧张状况。对Micron、SK Hynix的影响是双向的：需求扩张是利好，供给竞争加剧是压力，净效应取决于AI需求的增长速度。

投资AI芯片，选NVDA还是选上游（ASML/台积电）？

这不是二选一的问题，两者的风险收益特征不同。NVDA是高弹性、高波动，直接受益于AI需求，但估值已经定价了较多的乐观预期；ASML/台积电是确定性更高、弹性更低，更接近「基础设施」逻辑。如果对AI长期需求有信心但对某家公司的执行有疑虑，上游配置是降低单一公司风险的方式。从资产配置角度，两者并不互斥。

By m8 康哥. 跨市场投资研究者，长期跟踪美股、A股、港股与加密资产，重点覆盖 AI 产业链、宏观利率与核心公司研究。

相关文章

数据来源

  1. NVIDIA GTC 2026 官方公告——Rubin架构、GB200 NVL72规格、NVLink 5.0技术参数（2026年3月）
  2. Micron Technology Q2 FY2026财报电话会议——HBM4量产时间线与产能爬坡节点（2026年3月）
  3. ASML Q1 2026财报——High-NA EUV（EXE:5000）交付数量及客户验证进度（2026年4月）
  4. 彭博/IDC《2026年AI芯片市场份额报告》——训练/推理市场格局估算，HBM供应商份额分布（2026年Q1）
  5. AMD Advancing AI 2025技术日——MI350规格披露、推理TCO改善目标（2025年12月）

延伸阅读：继续沿着这条研究链往下读

这篇文章不应该孤立阅读。下面这些页面把同一市场、同一产业链或同一研究框架串起来，适合作为下一步阅读路径。