2021年的时候老黄说未来GPU会有大作为，Ai时代的真正接口，随后市场领先定价，甩了个-70%。最开始这个故事是智星讲给我听的，深以为然，但是感受不深，毕竟是过去发生的事情。今年6月份，陈立武接受采访的时候说道，过去14个月intel创造了约6倍回报，而未来5-10年的目标是实现10倍回报，这个采访我是全听完的，好嘛，从他采访到现在已经-55%了，似乎离着NV-70%还有差距，但是看过往发生的故事和自己见证确实感受不一样。

说回intel，上个周工程师在播客里提到了一个问题，说是虽然大家对GPU，CPU和HBM产能有预期，但是上游ASML的EUV供应是有限的，所以实际上就是芯片厂在博弈谁拿到更多的EUV谁就有更多可出售产能，然后再是fabless抢这些产能，也就是说实际上产能预期是有限的，不是砸钱就能堆起来的,2026年就是给10万亿的capax，EUV也得从头产，产线也得从头调试，不是钱多就能解决的事，泡泡马特可以半年让labubu月产能翻3倍，ASML的EUV可不能。这里就有一个很恐怖的领先定价问题了，也就是说即使ai发展的再快，27，28乃至29年，芯片产业链上的产能实际上是固定的？

基于这个推论，让gemini和grok帮我交叉验证和讨论了一下。

讨论AI算力时，我们习惯从订单、服务器和数据中心往回看，却很少继续追到晶圆制造更前面的环节。再往上走，就会遇到ASML的EUV光刻机。它的年产量并不大，交付节奏也很难在短期内改变。如果先进芯片都绕不开这道工序，那么下游再旺盛的需求，最终也要受到它的约束。

不过，这个判断还不能直接成立。一台AI服务器不只有GPU，还需要HBM、CPU和大量闪存。只有弄清楚这些芯片分别消耗什么设备、消耗多少晶圆，才能把“光刻机可能构成瓶颈”变成一项可以检验的测算。下面是我沿着这个问题做的一次推导。

先把一个前提弄清楚：存储也在这场竞争里

我最初也容易把光刻机和先进逻辑芯片直接画等号，觉得存储只是规则重复的阵列，对先进光刻的依赖应该低得多。但把DRAM和NAND分开看，情况并不一样。

在较早的DRAM节点上，厂商还能用浸没式DUV加多重曝光继续推进。进入1β、1γ以后，边缘放置误差逐渐逼近工艺能够容忍的范围，三星、SK海力士和美光才开始更多采用EUV。也就是说，HBM所依赖的先进DRAM，并不是游离于EUV供给之外的另一套体系。

HBM还有两个容易被忽略的特点。其一，它通过TSV把多层DRAM裸片叠在一起，硅通孔和冗余设计会占用额外面积，生产同样容量的内存，消耗的晶圆明显多于普通DRAM；其二，到了下一代产品，底部Base Die还会转向先进逻辑工艺，进一步分享原本用于GPU、CPU的制造资源。

所以，AI芯片的供给不能只看台积电能造多少GPU。逻辑和存储实际上在同一个先进设备池里竞争，而HBM的需求越大，这种竞争就越明显。

有了单机产能，才有讨论总量的基础

接下来需要回答一个更具体的问题：一台EUV光刻机一年究竟能支持多少芯片？这里不能简单拿设备标称吞吐量乘以小时数，还要考虑停机维护、工艺剂量和不同芯片的曝光层数。

我采用了一组偏量产场景的估算：全年稼动率82%，对应约7,183小时有效工时；高剂量曝光下平均每小时处理约125片晶圆。两者相乘，一台设备一年约完成90万次曝光。注意，这是“曝光次数”，还不是可以直接出货的晶圆数。

这组数字的意义，不在于给出一条精确到个位的产额定值，而在于建立量级关系：同样一台设备，用于逻辑和用于DRAM，能够支撑的晶圆量相差数倍；NAND则不应被算进EUV瓶颈。后面所有估算，都建立在这几个假设上。假设变化，结果也应跟着调整。

再看全球存量。按这条估算路径，EUV累计保有量从2022年的约175台，增加到2025年的约310台；如果交付计划顺利，2026年约380台，2027年约470台，2028年约585台。设备仍在持续增加，真正需要追问的是：其中有多少能够用于AI？

真正需要看的，不是380台，而是其中多少能为AI所用

把全部存量都算作AI产能，会明显高估供给。台积电的大量设备要服务苹果、手机SoC和PC芯片，也要留出先进节点调试的空间；英特尔的设备主要服务自有CPU和工艺研发；三星则还受到良率与利用率的影响。存储厂商同样要兼顾手机、PC和普通服务器内存。

另外，英伟达、AMD和博通本身并不持有光刻机。真正需要拆分的，是台积电、三星、英特尔，以及三家存储原厂的设备用途。按2026年约380台存量做一项分配估算，可以得到下面这张表。这里的“有效机队”不是厂商披露值，而是为了测算而扣除消费类产品、研发和良率折损后的假设。

这里最值得讨论的，也许不是某一家到底分到几台，而是“产能能否随时搬过去”。短期看并不容易。GPU设计绑定特定代工厂的工艺库，跨厂迁移通常需要较长周期；消费端订单也不能无条件取消。因此，这张表更适合被理解为当前供给结构的一张快照，而不是固定不变的配给方案。

注：刚看到这个数据有点懵，英特尔用于生产数据中心用cpu的EUV竟然只有3台？也难怪PC业务萎缩结果股价跳空大跌，似乎很合理，毕竟副业没起来，主业先崩了

把光刻机折算成数据中心，短板才显现出来

有了设备端和分配端的估算，还需要一个需求单位。我选择1GW数据中心，因为它可以把GPU、HBM、CPU、网络和存储放到同一个物理模型里。按约6,500个全液冷机柜估算，一座这样的数据中心大致需要：

算到这里，最出乎我意料的是晶圆结构：DRAM占65%，远高于逻辑芯片的12%。舆论关注GPU，是因为单颗GPU价值高、供给紧张；但从晶圆消耗看，AI数据中心同时也是一座巨大的内存工厂。

把需求端和设备端放在一起，逻辑端的55台有效EUV，理论上可以支撑约67.1GW；存储端的35台，却只能支撑约25.7GW。真正的短板因此落在HBM及先进DRAM，而不是GPU晶圆本身。

25.7GW不是一个保证能够实现的产量目标，而是在既定配比、稼动率和设备分配假设下得到的边界估算。没有HBM配套，额外生产的GPU也无法组成可交付的AI服务器，所以不能用逻辑端的67.1GW来代表整个系统的能力。

如果进一步从手机和PC端挤压产能，这个边界当然会移动。按同一模型，较激进的再分配可以把上限推到约36.8GW，极端情况下约45.6GW。但这只是设备端的算术，CoWoS先进封装、TSV刻蚀与键合等环节还要同步扩张，往往需要额外时间。把消费端产能看作随时可以调用的余量，同样会高估短期供给。

最后，再谈资本开支和公司收入

做到这一步，才适合把投资金额放进来。按前面的物料配比估算，一座1GW数据中心的IT设备采购约288.1亿美元，加上电力和土建后，总投入约423.1亿美元。

于是可以用423.1亿美元/GW，把设备端边界换算成投资端边界，再与现实中的AI基建支出对照。严格说，云厂商资本开支和全球全口径AI基建并不是完全相同的统计口径，所以这里更适合观察量级和趋势，不宜机械地计算一个“产能利用率”。

作为参照，美国五大云巨头2026年资本开支估算约为7,940亿~8,000亿美元，2027年的市场预期大致落在1.1万亿~1.4万亿美元。把这些数字和设备模型放在一起，我更愿意得出的结论是：行业正在接近某些硬约束，而不是所有开支都会无摩擦地转化为算力。

收入测算则应该更谨慎。每1GW数据中心的IT采购中，扣除机柜、光模块和存储模组等部分，真正流向芯片设计公司的金额约226.4亿美元。再按各家公司占用的代工与HBM资源做分配，可以得到一个“上限压力测试”：

这些区间不是盈利预测，更不是目标市值。它们假设设备供给能够被充分利用，却没有完整计入封装、电力、建设进度和客户需求变化，因此更适合作为营收上沿的参照。实际结果完全可能低于表中的数字。

回到最初的问题

绕了一圈，对“光刻机能否决定AI算力上限”的答案，反而比开始时更克制。它不是唯一的瓶颈，也无法单独决定某家公司下一年的收入；但它提供了一条相对清晰、可以持续校验的供给边界。

这套测算真正有帮助的地方，是把几个原本分开讨论的环节连了起来：ASML交付多少设备，设备如何分配，一座数据中心消耗多少逻辑与DRAM晶圆，最后再对照资本开支和公司收入。哪一项假设发生变化，结论就应当重新计算。

因此，后续值得跟踪的并不只是云厂商又增加了多少预算，还包括EUV实际交付、存储厂先进DRAM的设备分配、HBM与先进封装的同步扩产，以及数据中心能否拿到电。比起一个看似精确的上限数字，这些变量之间的关系，可能更接近AI算力供给的真实情况。

说明：文中设备数量、产能配比、投资金额和营收区间均整理自一组产业模型估算，部分为约数或情景假设，并非厂商指引；文章用于研究讨论，不构成投资建议。