AI 晶片供應鏈全景圖：GPU、HBM、CoWoS、EUV 誰最關鍵？

AI 晶片供應鏈的核心結論是：GPU 是需求入口，HBM 是效能放大器，CoWoS 是短期交付瓶頸，EUV 是長期製程上限。你不能只看 NVIDIA 股價或單顆 GPU 參數，而要同時觀察雲端廠商資本開支、資料中心收入、HBM 供應、先進封裝產能、晶圓代工排產和半導體設備訂單。若你關注 6–12 個月行情，HBM 與 CoWoS 更值得盯；若你關注 3–5 年產業護城河，EUV、先進製程和設備生態更重要。

核心要點

• GPU 是 AI 晶片需求入口，但不是唯一瓶頸。
• HBM 決定大模型訓練和推理的記憶體頻寬上限。
• CoWoS 影響高端 AI GPU 能否按時完成交付。
• EUV 是先進製程長期升級和良率改善的底座。
• 投資判斷要同時看訂單、產能、毛利率和 CAPEX。

AI 晶片供應鏈全景圖：從模型需求到伺服器交付

AI 晶片供應鏈不是一條簡單的「GPU 生產線」，而是一套從模型需求到資料中心交付的系統工程。最上游是大模型訓練和推理需求，中間是雲端廠商 CAPEX、AI 加速器設計、先進製程製造、HBM 供應、CoWoS 先進封裝，最下游才是伺服器、機櫃、網路、電源和散熱。只看 GPU 會低估封裝和儲存環節的約束，只看設備又容易忽略終端需求週期。

從國際市場的搜尋習慣看，用戶通常會把 AI chip supply chain、NVIDIA supply chain、HBM stocks、CoWoS bottleneck、ASML EUV AI chips、AI semiconductor stocks 放在一起搜尋。這說明真正的問題不是「哪家公司漲得快」，而是「AI 算力需求會通過哪些環節變成真實收入」。

供應鏈可以分成六層：

層級	關鍵環節	代表公司	核心觀察點
需求層	雲廠商、AI 模型、數據中心	Microsoft、Amazon、Google、Meta	CAPEX、GPU 租賃需求、推理增長
設計層	GPU、AI ASIC、網絡晶片	NVIDIA、AMD、Broadcom、Marvell	架構、軟件生態、客戶鎖定
製造層	先進製程晶圓代工	TSMC、Samsung、Intel Foundry	3nm/2nm 產能、良率、排產
儲存層	HBM、DRAM	SK hynix、Samsung、Micron	HBM3E、HBM4、頻寬、良率
封裝層	CoWoS、先進封裝	TSMC、ASE、Amkor	產能、交期、interposer、測試
設備層	EUV、刻蝕、沉積、檢測	ASML、Applied Materials、Lam Research、KLA	設備交付、出口限制、資本開支

AI 晶片需求首先來自資料中心。NVIDIA 在 2026 年 5 月披露的第一季度財報顯示，其季度收入達到 816 億美元，資料中心仍是最核心的成長來源，這說明 AI 算力需求已經從概念變成了雲端廠商和企業客戶的真實採購。

但需求不等於交付。高端 AI 晶片需要把 GPU die、HBM、interposer、基板、散熱和系統測試整合在一起。TSMC CoWoS強調的正是面向 AI 與超算的高密度互連和 HBM 整合能力，這也是為什麼先進封裝會從過去的後段配套環節，變成 AI 晶片供應鏈的核心變數。

小結：AI 晶片供應鏈的關鍵不是單點技術，而是多環節協同。GPU 決定需求入口，HBM 決定記憶體頻寬，CoWoS 決定高端晶片能否封裝成最終產品，EUV 與先進製程決定長期效能上限。你判斷 AI 半導體機會時，不應只問「誰做 GPU」，還要問「誰掌握 HBM 供應、誰有先進封裝產能、誰能支撐 2nm 以後繼續擴產」。這套全景圖能幫助你把 NVIDIA、TSMC、SK hynix、Micron、ASML、Broadcom 等公司放在同一條產業鏈裡比較。

GPU 為什麼是 AI 晶片供應鏈的需求中心？

GPU 是 AI 晶片供應鏈的需求中心，因為大模型訓練和高併發推理首先需要可編程、可擴展、生態成熟的並行計算平台。NVIDIA 的優勢不只是 GPU 性能，而是 CUDA、網路、系統軟體、機櫃級方案和客戶生態共同形成的平台能力。AMD、Broadcom 和雲廠商自研晶片正在切入，但 GPU 仍是大多數 AI 基礎設施採購決策的核心參照。

GPU 的核心價值不是「晶片本身」，而是算力平台

AI 訓練需要大量矩陣運算，GPU 天然適合并行計算。更重要的是，高端 AI 叢集不是只買一顆晶片，而是購買一整套算力平台：GPU、NVLink 或高速網路、軟體庫、驅動、調度工具、模型優化框架、伺服器方案和運維生態。NVIDIA 能長期佔據優勢，核心原因是客戶遷移成本高，開發者和雲廠商已經圍繞 CUDA 與 NVIDIA 系統棧積累了大量工程經驗。

AMD 的價值在於提供替代選擇。AMD Instinct MI300強調高頻寬記憶體和 AI/HPC 工作負載能力，說明市場並不是沒有第二供應商，而是第二供應商需要同時解決硬體性能、軟體生態和客戶驗證週期。

GPU 與 AI ASIC 的分工：通用性與客製化競爭

GPU 更適合模型快速迭代、訓練任務複雜、客戶多樣化的場景；AI ASIC 更適合超大雲廠商在穩定工作負載下優化成本。Google TPU、AWS Trainium、Broadcom 客製 XPU 的邏輯，都是用客製化硬體降低長期單位推理成本。

判斷維度	GPU 更重要的場景	AI ASIC 更重要的場景
訓練任務	大模型訓練、模型快速迭代	少數超大客戶長期穩定訓練
推理任務	多模型、多客戶、多場景部署	單一模型、大規模推理降本
軟體生態	CUDA、開發者生態強	客戶自有軟體棧強
供應鏈依賴	HBM、CoWoS、伺服器系統	HBM、先進封裝、定製驗證
投資觀察	NVIDIA、AMD、伺服器鏈	Broadcom、Marvell、雲廠商自研晶片

Broadcom 的 AI 業務說明了這條分支的重要性。其2026 財年第一季度業績顯示，AI 半導體解決方案繼續帶動公司收入增長，定製 AI 加速器和 AI 網路正在成為 GPU 之外的另一條供應鏈主線。

GPU 需求如何傳導到 HBM、CoWoS 和伺服器鏈條？

一颗高端 AI GPU 的背後，至少會拉動四類需求：第一是 HBM，因為大模型需要極高記憶體頻寬；第二是 CoWoS，因為 GPU 與 HBM 需要在同一封裝內高密度互連；第三是伺服器和機櫃，因為功耗、散熱和網路決定叢集能否穩定運行；第四是雲廠商 CAPEX，因為最終買單方通常是大型雲平台、AI 實驗室和企業客戶。

這也是為什麼 GPU 公司收入上升，往往會同步帶動 HBM、先進封裝、ABF 基板、液冷、網路晶片和電源管理鏈條。你看 AI 晶片供應鏈時，不能把 GPU 當成孤立產品，而要把它看作一個「系統級訂單」的入口。

小結：GPU 是 AI 晶片供應鏈的需求發動機，尤其在訓練和通用推理場景中仍是最重要的算力平台。但 GPU 的領先並不等於供應鏈沒有瓶頸。越高端的 AI 加速器，越依賴 HBM、CoWoS、網路和散熱系統。若你關注 NVIDIA 或 AMD，不僅要看新晶片性能，還要看資料中心收入、雲廠商 CAPEX、客戶集中度、HBM 供給和先進封裝交付。GPU 決定需求能否爆發，供應鏈配套決定收入能否兌現。

HBM 為什麼成為 AI 晶片性能和供應的關鍵變數？

HBM 成為關鍵變數，是因為 AI 模型不只需要「算得快」，還需要「資料餵得上」。當 GPU 算力提升速度快於傳統記憶體頻寬提升速度，記憶體牆就會限制訓練和推理效率。HBM 透過高頻寬、低功耗、近距離堆疊，把記憶體放到更靠近計算晶片的位置，因此在高端 AI GPU 和 AI ASIC 中越來越像「性能門檻」。

AI 晶片為什麼離不開 HBM？

大模型訓練和推理會頻繁讀取參數、激活值和 KV cache。如果記憶體頻寬不足，GPU 運算單元會等待資料，理論算力無法完全釋放。HBM 的價值在於用 3D 堆疊和超寬介面提高頻寬，同時降低單位傳輸能耗。對 AI 資料中心來說，這不僅影響速度，也影響功耗、機櫃密度和總擁有成本。

HBM 不是普通 DRAM 的簡單升級，而是更複雜的高端儲存產品。它需要堆疊多層 DRAM die，透過 TSV 連接，並與邏輯晶片在先進封裝中靠近整合。良率、功耗、散熱、客戶認證和封裝配合都會影響最終供應量。

HBM3E 到 HBM4：競爭焦點從容量轉向良率和認證

SK hynix 2026 市場展望把 HBM3E 視為 2026 年的核心產品，並把 HBM4 作為中長期增長軌跡，這反映出 HBM 競爭已經從單純擴產轉向客戶認證、良率、堆疊層數和下一代產品切換。

Micron 也在強化 AI 記憶體敘事。其 2026 財年第三季度材料顯示，資料中心收入超過 250 億美元，DRAM、NAND 與 HBM 受 AI 需求拉動明顯。同時，Micron 曾強調其HBM3E在功耗方面具備競爭賣點，這說明 HBM 競爭已經進入性能、功耗、交付和客戶綁定的綜合較量。

HBM 章節最值得跟蹤的指標包括：

• HBM3E / HBM4 客戶認證進度
• HBM 出貨量、平均售價和長期供貨協議
• 良率、堆疊層數、功耗和散熱表現
• NVIDIA、AMD、Google、雲廠商訂單綁定
• HBM 產能切換對普通 DRAM 和 NAND 價格的擠出效應

SK hynix、Samsung、Micron 誰更受益？

SK hynix 的優勢在於早期客戶綁定和 HBM 量產經驗；Samsung 的優勢在於龐大 DRAM 基礎和追趕彈性；Micron 的優勢在於美股市場關注度、資料中心收入彈性和產品結構改善。對投資者來說，不能只看誰說自己有 HBM，而要看誰進入主要客戶驗證、誰能穩定供貨、誰的毛利率改善能被財報確認。

小結：HBM 是 AI 晶片供應鏈中最容易被低估的環節。GPU 決定算力平台，HBM 決定資料能否持續餵給計算核心。未來 AI 推理規模擴大後，記憶體頻寬、容量、功耗和成本會更重要。若你判斷 AI 晶片週期，只看 GPU 訂單並不夠，還要看 HBM3E、HBM4、客戶認證、良率和價格週期。HBM 供應緊張時，AI 晶片公司可能有訂單卻無法充分交付；HBM 供給改善時，GPU 出貨和推理成本才可能進入下一階段。

CoWoS 先進封裝為什麼會成為短期交付瓶頸？

CoWoS 之所以容易成為短期瓶頸，是因為高端 AI GPU 不是把晶片生產出來就結束，而是必須把 GPU、HBM 和 interposer 組合成可運行的高效能封裝。晶圓製造解決「晶片能不能做出來」，先進封裝解決「晶片、記憶體和系統能不能高密度連接」。當 AI GPU 需求暴增時，CoWoS 產能、測試能力和基板供應就會直接影響交付節奏。

CoWoS 解決的是 GPU 與 HBM 如何連接的問題

CoWoS 可以理解為高端 AI 晶片的「系統整合底座」。GPU die 與 HBM 需要極短距離、高頻寬、低延遲互連，傳統封裝很難滿足這種需求。TSMC 的 CoWoS-S 使用 silicon interposer 承載邏輯晶片和 HBM 堆疊，讓 AI 加速器獲得更高頻寬和更好的系統整合能力。

這一點也解釋了為什麼先進封裝不再只是低附加價值後段工序。IBM 晶片封裝對封裝的解釋很直觀：封裝讓晶片與外部系統通訊，同時處理電源、散熱和可靠性。AI 晶片功耗更高、互連更複雜，封裝的重要性自然上升。

為什麼先進封裝比晶圓製造更容易卡交付？

高端 AI 晶片的交付流程中，晶圓製造、HBM、封裝、測試、伺服器整合都必須同步完成。某個環節落後，最終出貨就會被延遲。CoWoS 的難點在於大尺寸 interposer、複雜佈線、多顆 HBM 堆疊、高功耗散熱和長測試時間。它既需要製程能力，也需要工程經驗和產能投資。

環節	作用	可能卡住交付的原因
CoWoS	整合 GPU 與 HBM	高端封裝產能有限
Interposer	實現高密度互連	面積大、良率要求高
ABF 基板	連接晶片與伺服器主板	高層數、大尺寸需求增加
測試	驗證封裝後效能	高端 AI 晶片測試時間長
散熱	支撐高功耗運行	機櫃級功耗持續上升

TSMC 擴產能否緩解 CoWoS 緊張？

TSMC 正在加大先進封裝投資。Reuters 報道稱，TSMC 將在嘉義科學園區增加兩座先進封裝廠，使該區域成為先進封裝能力的重要基地，背後的驅動力正是 AI 晶片需求。

但擴產不等於立即緩解。先進封裝廠建設、設備安裝、良率爬坡和客戶驗證都需要時間。短期內，CoWoS 仍會決定 NVIDIA、AMD、Broadcom 以及雲端廠商自研 AI 晶片的實際交付節奏。

小結：CoWoS 是 2026 年 AI 晶片供應鏈中最貼近交付的關鍵瓶頸之一。GPU 架構領先、HBM 訂單充足，並不代表最終產品能快速交付。只有當先進封裝、interposer、基板、測試和散熱能力同步跟上，高端 AI GPU 才能進入伺服器和資料中心。因此你判斷 AI 晶片行情時，要把 TSMC 先進封裝擴產、CoWoS 交期、HBM 供應和客戶需求放在一起看。短期誰最關鍵，答案往往不是 GPU，而是 CoWoS 與 HBM 的組合。

EUV 和先進製程：為什麼它們決定長期上限？

EUV 決定的是 AI 晶片長期性能和能效上限，而不是每個季度 GPU 能否出貨的唯一變數。短期交付可能卡在 HBM 和 CoWoS，但未來 3nm、2nm 以及更先進節點能否繼續提升電晶體密度、功耗表現和良率，離不開 EUV 設備、微影製程、材料、檢測和客戶資本開支。它更像 AI 晶片供應鏈的長期地基。

EUV 是先進製程繼續縮小的關鍵設備

先進 AI 晶片需要更高算力、更低功耗和更高整合度。隨著製程進入 3nm、2nm 甚至更先進節點，傳統微影技術難度上升，EUV 成為先進邏輯晶片製造的關鍵工具。EUV 本身不直接生產 GPU 成品，但它影響晶圓廠能否穩定製造先進節點，也影響下一代 AI 晶片的性能、良率和成本結構。

ASML 為什麼是 AI 晶片供應鏈中的設備底座？

ASML 的定位在於為先進晶圓製造提供 EUV 微影設備。它並不直接賣 GPU，也不直接生產 HBM，但下游 NVIDIA、AMD、Apple、雲廠商 ASIC 都依賴先進製程能力，先進製程又依賴 EUV 生態。ASML 2026 年展望因 AI 晶片需求而上調，也說明設備端正在感受到 AI 基礎設施擴張的傳導。

TSMC 的收入表現也能驗證這條傳導鏈。Reuters 報導稱，TSMC 第二季營收同比成長 36%，創下紀錄，AI 應用需求是重要驅動因素。當代工廠收入和 CAPEX 持續擴大，設備公司、材料公司和檢測公司才會獲得更強的訂單支撐。

EUV 與 CoWoS 誰更關鍵？

答案取決於時間維度。若你看未來 6–12 個月，CoWoS、HBM 和伺服器系統更接近交付瓶頸；若你看 2–3 年，先進製程、HBM4、chiplet 設計和封裝擴產共同決定產品迭代；若你看 3–5 年，EUV、High-NA EUV、材料和工藝能力才是長期護城河。

維度	EUV	CoWoS
所屬環節	前道製造	後道先進封裝
影響週期	長期製程升級	短中期交付能力
代表公司	ASML、TSMC、Samsung、Intel	TSMC、ASE、Amkor
投資含義	看先進節點資本開支	看 AI GPU 出貨節奏
風險因素	設備交付、出口限制、客戶 CAPEX	產能、良率、基板、測試瓶頸

小結：EUV 不一定是短期 AI 晶片交付的最大瓶頸，但它決定長期先進製程能走多遠。CoWoS 像是當下把 GPU 和 HBM 封裝成可交付產品的關鍵閘門，EUV 則是未來先進節點繼續提升性能和能效的基礎。你若關注季度財報和短期交付，要盯 CoWoS、HBM、雲廠商訂單；你若關注 3–5 年產業格局，要關注 ASML、TSMC、先進製程路線和設備週期。兩者不是替代關係，而是不同時間維度上的關鍵變量。

投資者如何判斷 GPU、HBM、CoWoS、EUV 誰最關鍵？

判斷誰最關鍵，不能用單一答案，而要按時間、產業位置和股票類型拆開看。短期看交付瓶頸，HBM 與 CoWoS 權重更高；中期看平台利潤，GPU 和 AI ASIC 更重要；長期看製程護城河，EUV、先進設備和晶圓代工能力更關鍵。真正有效的判斷方法，是把需求、供給、毛利率和資本開支放在同一張表裡比較。

按時間維度判斷：短期看瓶頸，長期看護城河

6–12 個月內，市場最關心的是 AI GPU 能不能出貨、HBM 能不能供上、CoWoS 能不能擴出來。1–3 年內，競爭會轉向 GPU 平台、AI ASIC、HBM4、網路互連和機櫃級系統。3–5 年內，EUV、先進製程、High-NA、先進封裝材料和全球半導體設備週期才會決定誰能持續升級。

按產業位置判斷：利潤中心與瓶頸中心不一定相同

GPU 公司可能拿到最高利潤，但瓶頸可能在 HBM、CoWoS 或基板。HBM 公司收入彈性大，但也會受到擴產、客戶認證和價格週期影響。設備公司具有長期護城河，但訂單會受晶圓廠 CAPEX 和出口限制影響。投資者如果只看「誰最熱」，容易忽略某些環節已經反映在估值裡。

投資問題	應重點觀察	代表指標
AI GPU 需求是否仍強？	雲廠商 CAPEX、NVIDIA 資料中心收入	訂單、RPO、客戶集中度
HBM 是否仍短缺？	HBM3E/HBM4 出貨與價格	良率、ASP、客戶認證
CoWoS 是否緩解？	TSMC 先進封裝擴產	月產能、交期、資本開支
EUV 是否受益？	先進節點投資	ASML 訂單、出貨、指引
AI 投資是否過熱？	雲廠商折舊與回報	利潤率、現金流、利用率

交易觀察還要納入真實成本

當你把供應鏈判斷落實到美股或港股交易時，除了判斷 NVIDIA、AMD、Micron、TSMC、ASML、Broadcom、Marvell 等標的基本面，也要看訂單成交後的真實成本。美股交易成本通常不只包括佣金，還可能涉及平台費、外部機構費、交易活動費和碎股費用等。

如果你所在地區符合相關服務適用條件，可以透過 Biya 關注 AI 晶片相關美股與港股標的，並結合 美股資訊查詢 建立觀察清單。Biya 美股交易佣金為 0 美元，平台費、外部機構費及其他費用以 美股交易費用 和訂單頁面展示為準。公開市場資訊、費用結構和交易規則只能作為決策參考，不構成投資建議；相關服務是否可用，取決於用戶所在地、身分驗證結果、平台規則及適用法律法規。

小結：GPU、HBM、CoWoS、EUV 誰最關鍵，取決於你的觀察週期。短期交易和財報預期看 HBM 與 CoWoS，因為它們更直接影響出貨；中期產業競爭看 GPU、AI ASIC 和客戶訂單，因為它們決定收入與利潤；長期格局看 EUV、先進製程和設備生態，因為它們決定下一代晶片能否繼續提升效能。對普通投資者來說，更穩妥的方法不是押單一環節，而是建立「需求—產能—良率—毛利率—CAPEX—估值」的連續觀察框架。

AI 晶片供應鏈的關鍵判斷

AI 晶片供應鏈真正的主線不是「GPU、HBM、CoWoS、EUV 誰永遠第一」，而是不同環節在不同階段輪流成為關鍵。GPU 是利潤和需求中心，HBM 是效能和供應約束，CoWoS 是短期交付閘門，EUV 是長期製程底座。若雲廠商 CAPEX 繼續擴張，GPU 平台公司和上游供應鏈都會受益；若 HBM 或 CoWoS 擴產不及預期，高端 AI 晶片交付可能繼續緊張；若先進製程投資放緩，設備和代工鏈條的長期預期也會被重新定價。

你可以把 AI 晶片產業鏈分成三條觀察線：第一條是算力平台線，看 NVIDIA、AMD、Broadcom、Marvell 和雲端廠商自研晶片；第二條是儲存與封裝線，看 SK hynix、Micron、Samsung、TSMC、ASE、Amkor；第三條是設備與製造線，看 ASML、Applied Materials、Lam Research、KLA、TSMC、Samsung、Intel Foundry。三條線同時驗證，才能避免只被單一熱門概念帶著走。

觀察線	代表環節	適合解決的問題
算力平台線	GPU、AI ASIC、網路晶片	AI 需求是否還在擴張
儲存封裝線	HBM、CoWoS、基板、測試	高階晶片能否按時交付
設備製造線	EUV、先進製程、檢測設備	長期護城河是否穩固

小結：AI 晶片供應鏈的核心判斷應從「單點龍頭」轉向「系統交付」。當模型繼續變大、推理需求繼續增長、雲端廠商繼續擴大資料中心資本支出時，GPU 會繼續占據需求中心；但如果 HBM、CoWoS、基板、電源或散熱跟不上，供應鏈收入兌現會慢於需求想像。長期看，EUV 和先進製程決定下一代晶片能否繼續降低單位算力成本。真正值得追蹤的不是某一個熱詞，而是每個環節能否在財報、訂單、產能和毛利率中互相驗證。

如果你正在追蹤 AI 晶片產業鏈，可以把 Biya App 作為美股、港股和數位貨幣多資產行情觀察工具之一，重點關注 NVIDIA、AMD、Micron、TSMC、ASML、Broadcom、Marvell，以及港股半導體和伺服器相關公司。Biya 支援美股與港股交易，也提供多資產交易錢包能力；如果你同時關注美元、港幣和 USDT 等資金形態，需要結合平台規則、費用明細、身分驗證要求和所在地適用法規進行判斷。熱門 AI 股票波動較大，交易前應充分了解訂單類型、費用結構、財報日期、估值風險和流動性，不應把供應鏈景氣度直接等同於個股收益。

FAQ

AI 晶片供應鏈中 GPU 和 HBM 哪個更關鍵？

GPU 是需求入口，HBM 是性能和供給約束。若看平台利潤和生態壁壘，GPU 更關鍵；若看訓練、推理效率和短期交付瓶頸，HBM 更關鍵。兩者不是替代關係，高端 AI 晶片必須同時依賴強 GPU 與高頻寬記憶體。

CoWoS 先進封裝為什麼影響 NVIDIA AI GPU 交付？

CoWoS 影響 NVIDIA AI GPU 交付，是因為高端 GPU 需要把邏輯晶片與 HBM 放在同一高密度封裝中。即使晶圓製造完成，如果先進封裝、interposer、基板或測試產能不足，最終伺服器出貨仍可能延遲。

EUV 微影設備在 AI 晶片供應鏈中負責什麼？

EUV 微影設備主要負責支撐先進製程製造，影響 3nm、2nm 等節點的長期良率、性能和產能。它不是短期 GPU 出貨的唯一瓶頸，但決定下一代 AI 晶片能否繼續提升電晶體密度和能效。

普通投資者如何追蹤 AI 晶片供應鏈景氣度？

一般投資者應同時追蹤雲廠商 CAPEX、NVIDIA 資料中心收入、HBM 出貨和價格、TSMC CoWoS 擴產、ASML 訂單以及半導體公司指引。單看股價或單條新聞容易誤判，最好用多個環節交叉驗證。

AI 晶片供應鏈投資有哪些主要風險？

主要風險包括雲廠商資本開支放緩、AI 投資回報不及預期、HBM 價格波動、CoWoS 擴產慢於需求、出口限制、客戶集中度過高和估值過熱。相關交易應以平台規則、帳單明細和當地監管要求為準。

AI 推理增長會改變 GPU、HBM 和 CoWoS 的重要性嗎？

AI 推理增長會提高成本、功耗和記憶體頻寬的重要性。GPU 仍是核心算力平台，但 ASIC、HBM、網路晶片和先進封裝的重要性會繼續上升。推理越大规模部署，單位算力成本和系統效率越關鍵。