rickawsb

vip
币龄 3.2 年
最高 VIP 等级 0
用户暂无简介
巴菲特说,永远不要做空你的祖国
所以,从买入韩日半导体开始,
我已经成为了精神韩国人和神经日本人!
  • 赞赏
  • 评论
  • 转发
  • 分享
先进制程的瓶颈,你以为只有光刻机吗?
其实还有Photomask(光罩 / 掩膜版)。
如果说光刻机是印刷机,那么Photomask就是印刷模板 / 底片,wafer(晶圆)就是被印内容上去的纸。
AI带来的半导体复杂度增长,会直接传导到Photomask,甚至被进一步放大。
过去行业是wafer使用量 +10%,mask需求 +10%。
AI时代可能正变成:wafer +10%,mask value +20%~40%。
因为增长的不只是mask数量,还包括:
mask层数
EUV层数
multi-patterning复杂度
advanced packaging mask
RDL / interposer / HBM相关mask
inspection复杂度
repair难度
mask write时间
Photomask本质上已经不再只是“玻璃板”,而越来越像半导体工业里的“母版”。
mask面积远大于芯片,但精度要求反而更高。这点和euv镜头有点像:在A4纸大小区域上绘制整个城市地图,同时误差不能超过几纳米。
一套高端mask如果存在缺陷,后面可能是几万片wafer同时报废。
因此行业的核心,是缺陷控制能力。目前高端mask已经进入纳米级光学工程阶段。EUV mask、3nm/2nm logic mask、HBM相关mask、Advanced Packaging mask,都远超传
  • 赞赏
  • 评论
  • 转发
  • 分享
过去半年行业的一个显著变化就是,先进封装第一次开始从配套,变成核心。
HBM、CoWoS、ABF载板、高速互连、供电与先进封装能力越来越成为供应链的卡点。
因为AI芯片正在快速变化。Die越来越大,HBM越来越多,Chiplet越来越多,功耗越来越高,热密度越来越高。于是,每颗芯片的封装复杂度开始非线性上升。先进封装已经不再只是“封芯片”,而是高速互连、热管理、Power Delivery、HBM连接、大尺寸封装良率、多Die协同。制程越先进,这个趋势越明显。
先进制程越来越贵,Reticle limit越来越明显,单一超大Die越来越难。于是行业开始全面转向Chiplet、2.5D、3D Stacking、Heterogeneous Integration、Hybrid Bonding。本质上,就是在制程遇到物理瓶颈的时候,用封装继续推进性能增长。
因此,先进封装已经越来越像“后道晶圆厂”。因为RDL、TSV、micro-bump、interposer、wafer-level processing、Hybrid Bonding都需要曝光、显影、图形化。于是,尽管常不需要EUV,但先进封装开始成为DUV的新需求来源,尤其是KrF与ArFi。
因为封装追求的不是晶体管密度,而是高密度互连。即使最先进封装,feature size通常仍然是μm级,远大于逻辑前道。所以EUV成本太高,吞
post-image
  • 赞赏
  • 评论
  • 转发
  • 分享
整个市场屏住了呼吸
都在等这家公司的财报🧐
  • 赞赏
  • 评论
  • 转发
  • 分享
一文看懂AI数据中心大周期下的功率半导体
的下一场军备竞赛,不再只是GPU,而是Power
AI 数据中心正越来越大,一个数据中心耗能动辄相当于一座中型城市。
过去的数据中心是 10-20kW/rack,现在已经变成 80kW、120kW,甚至 600kW/rack。大型 AI Cluster 的耗电已进入 GW 级别。
瓶颈除了GPU、cpu和储存,也开始转向电流、热、配电、铜损、电力转换效率、电网接入和 HVDC。
AI 数据中心产业链:
电网 → 变压器 → UPS → HVDC → PSU → VRM → GPU。
传统服务器大量采用 48V,因为传统互联网时代机柜功率不高。但 AI 时代,低压系统的问题开始全面暴露。因为:
P = VI
同样 1MW 功率,48V 需要超过 20,000A 电流,400V 大约 2,500A,800V 进一步下降到约 1,250A。
电流下降意味着铜缆变细、铜损下降、发热下降、母排缩小、PSU 压力下降、液冷压力下降,建设难度下降,成本更低。
800V 是电动车已验证的高压平台,EV 为什么进入 800V?因为快充、高功率、降低线损和降低热损耗。
今天 AI 数据中心遇到的是同样的问题。于是 SiC、高压 MOSFET、高压 DC/DC、高压 PSU、HVDC、Busbar、固态变压器,这些原本偏新能源车的产业链,开始向 AIDC 外溢。
post-image
  • 赞赏
  • 评论
  • 转发
  • 分享
ai产业链的暴涨的需求,过去半年拉爆储存,把低端手机挤出市场
接下来这半年将拉爆cpu,把低端电脑挤出市场
现在正在拉爆电池,和功率半导体,再过半年还会把低端新能源车挤出市场
post-image
  • 赞赏
  • 评论
  • 转发
  • 分享
ai的尽头是光刻机,光刻机的尽头是镜头
--- 光刻机镜头为什么难?
EUV和高端DUV光学,是整个超精密工业体系的极限集合。它同时依赖材料、镀膜、计量、装调、热控制、振动控制、算法、误差建模和长期经验积累。真正限制扩产的,往往不是单一零件,而是整个“精度闭环”。
这个闭环里最核心是:你无法制造出比自己测量能力更精确的东西。
EUV的13.5nm波长几乎会被所有材料吸收,所以EUV根本不能使用传统透镜,只能使用多层反射镜。蔡司的EUV镜面,本质上是一套原子级反射系统。镜面表面误差通常要求进入几十皮米级别。
1 pm=10−12 米
原子直径大约100pm,意味着很多EUV镜面的允许误差已经接近半个原子层。
比做这样一面镜子更难的,是如何稳定测量这种误差。如何在热漂移、空气扰动、振动下完成测量。如何在大尺寸镜面上保持一致性。如何形成长期稳定的工业化重复制造。因为这时候测量的已经不是长度,而是光波相位本身。
EUV测量系统本身,就是一套超高端产业链。里面包括激光干涉仪、超稳定激光源、reference optics(参考镜)、超低热膨胀材料、主动隔振系统、超精密位移台、波前传感器、真空系统和长期漂移补偿算法。很多核心供应商,全球可能只有1-3家。
而这些计量系统也需要更高等级的计量系统来制造。于是形成一种递归(死循环):先进的计量设备制造需要更先进的计量设备。
以其中瓶颈之一,refe
post-image
  • 赞赏
  • 评论
  • 转发
  • 分享
加仓了储存,光
希望不会抄底抄在半山腰😅
  • 赞赏
  • 评论
  • 转发
  • 分享
周末行研---AI拉动的电力电子系统大基建里SiC、GaN 与硅MOSFET的份额浅析
AI数据中心疯狂建设推动的电网大升级,正在让另一个长期被低估的领域重新回到舞台中央:功率半导体。
电力系统核心在于高效地控制电流。而控制电流最核心的器件,就是MOSFET(Metal-Oxide-Semiconductor Field-Effect Transistor)金属-氧化物-半导体场效应晶体管。
过去几十年,全球功率器件几乎都建立在硅MOSFET之上。硅便宜、成熟、产业链完整,因此长期统治整个行业。但随着AI服务器功率暴涨、EV进入800V时代、数据中心向高压化演进、高频电源需求提升,传统硅开始逐渐碰到物理极限。于是,SiC(碳化硅)与GaN(氮化镓)开始崛起。
SiC更像重工业路线。它的核心优势,在于高压与大功率。SiC拥有更高击穿电压、更强导热能力,在高压、高电流场景下效率明显优于传统硅IGBT。因此EV主驱逆变器、光伏逆变器、储能、工业高压驱动、电网、高压UPS这些领域,正在快速SiC化。尤其特斯拉推动的800V平台,本质上是整个SiC产业爆发的重要转折点。过去几年,新能源车一直是SiC最大的驱动力。Wolfspeed、onsemi、STMicroelectronics、Infineon Technologies、ROHM、Mitsubishi Electric等公司,都在这一轮
post-image
  • 赞赏
  • 评论
  • 转发
  • 分享
KPMG 美国 AI Pulse 序列显示,大型企业 AI 投资预期在 2026 年初明显加速。
平均预计 AI 支出从 2025 年一季度约 1.14 亿美元,升至 2025 年三季度 1.30 亿美元,2025 年四季度为 1.24 亿美元,再到 2026 年一季度 2.07 亿美元。
这是大型企业群体的指标,而大型企业正是 hyperscaler 服务的主要消费方。
  • 赞赏
  • 评论
  • 转发
  • 分享
hyperscaler的aidc capex今年已经超过美国军费
而智能是终极的军事能力…
  • 赞赏
  • 评论
  • 转发
  • 分享
做空的老师们,你们要保重啊
千万慢点亏
你们要是亏光离场了,美股就只剩赤裸裸的赚钱
我们这些多头就会少了很多过程中的乐趣🤣
  • 赞赏
  • 评论
  • 转发
  • 分享
币圈玩家基本好像都退圈了?
很多大v开始炒美股了?
币圈机会来了,一些非常切合趋势的标的,现在盈亏比其实相当高
iykyk
  • 赞赏
  • 评论
  • 转发
  • 分享
财报前瞻:
明天是美股的大日子,微软google亚马逊meta四大科技公司财报。这是ai板块的moment of truth 时刻
这轮大科技财报,核心只看一件事:AI投入,是否已经开始转化为可解释CapEx的现金流,且在快速增长。
财报恰逢美股回调,最近这波回调,本质就是涨多了,美股已经历史性的18连涨;指数高度集中,权重股波动被放大;预期已经被相对充分消化,任何新增变量都会触发获利了结。
但AI需求很强,而且还在加速,主要来自头部AI公司、大科技自身以及部分高价值客户;供给受GPU、电力、数据中心等物理约束,扩张明显滞后;供需缺口巨大,并且仍在继续扩大。
高端算力持续紧张,资源向高价值客户集中,AI相关收入能力在提升。
但市场已经多少了解这些信息,真正要看的,是需求能不能持续穿透供给约束,转化为收入,再转化为现金流。
判断需要基于三点
第一,收入有没有持续兑现,看云业务、AI收入、usage增长;
第二,增长有没有加速,看客户数、调用量、单位价值是否在提升;
第三,现金流有没有进入上升通道,而且斜率是否在变陡,这是最关键的一点。
这些是目前对市场来说,比CapEx重要的多的指标。
因为只有现金流增长,才能支持CapEx继续增长,才是正循环。反之市场又会陷入支出恐惧,参考昨天的amkr财报后股价表现。
免责声明:本人持有文中提及的标的,观点必然偏颇,文章内容非投资建议,股票投资风
  • 赞赏
  • 评论
  • 转发
  • 分享
今天 Amkor Technology 财报是一份大超预期的财报。
营收达到16.9亿美元,同比大幅增长,并明显高于市场一致预期;EPS同样大幅超出预期,背后是产能利用率从此前低位快速回升到70%区间。更关键的是,公司给出的下一季度指引继续大幅上修。
但市场却毫不给面子,盘后股价一度跌幅达8%。
到底哪里出了问题?
硬要找,只有一个:公司将全年资本开支从过去约7.5亿美元直接提高到25-30亿美元,增幅接近3倍。
这看起来像是之前市场对大科技的capex大幅增长,现金流担忧的复现。
但这个顾虑到底有没有道理?
要解答这个问题,需要先把先进封装这件事拆开来看。
本质上,封装在回答一个问题:算力如何被高效地“物理实现”。
围绕这个问题,产业链形成了清晰分工:TSMC负责前道制造,把电路刻进硅里;Amkor负责后道封装测试,把裸die变成可用芯片。从历史上看,两者几乎没有重叠。但在AI时代,封装开始直接影响带宽、功耗与系统性能,先进封装逐渐“前道化”,tsmc开始用cowos和amkr竞争,边界开始模糊,不过这种变化主要集中在最顶端的一小段。
Amkor的技术路径恰好位于另一侧。它的先进封装重心在Fan-Out体系,其中HDFO(高密度Fan-Out)是当前最关键的增长抓手,同时也在布局2.5D和3D。
CoWoS由TSMC主导,基于硅中介层(interposer),服务HBM与AI
  • 赞赏
  • 评论
  • 转发
  • 分享
财报速览:Rambus (RMBS)
Rambus 股价在财报后跌超 10%,核心数据显示:AI 存储市场正处于从规模扩张向技术代差驱动的转型期。
核心财务逻辑:增收不增利背后的“军备竞赛”
Rambus Q1 营收 1.802 亿美元,同比增长 8%。关键亮点在于产品营收(芯片)同比增长 15%,这抵消了授权业务的疲软。
现状: 市场对物理芯片(如 DDR5 接口芯片)的刚需远超专利授权。
代价: 为了保住技术领先,研发投入大幅攀升,导致运营利润率从 38% 压缩至 34%。这是典型的“拿利润换未来”的半导体竞赛阶段。
需求侧的移位:推理与智能体(Agentic AI)
财报中 CEO 提到的关键词是 “Agentic workloads”。这标志着 AI 需求已发生结构性变化:
从“训练”到“部署”: 早期增长靠买 GPU 练模型,现在的增长靠成千上万的 AI 智能体在线运行。
带宽即生命: 推理和智能体任务需要极高的数据交换频率,存储不再只是“仓库”,而是“高速公路”。
技术迭代的“深水区”:HBM4E 与 SOCAMM2
Rambus 的技术路线图目标是 AI 数据中心的两大痛点:
速度瓶颈: HBM4E 内存控制器 IP 预示着下一代 AI 显存标准的到来,带宽竞争没有上限。
电力瓶颈: LPDDR5X SOCAMM2 模块将移动端的低功耗特性引入服务器。在电力受限的当下
  • 赞赏
  • 评论
  • 转发
  • 分享
半导体产业链之上,数字孪生之前:良率提升的隐形冠军分析
如果把半导体制造当成一个系统来看,会发现一个被长期忽视的位置:在产业链之上、在数字孪生真正落地之前,存在一层尚未被完全定义的跨企业,全流程的“认知层”。PDF Solutions的价值,就来自这里。
它处理的不是单点数据,而是贯穿设计、工艺、设备、测试的因果链:某个设计结构,在某个工艺步骤、某台设备上形成特定缺陷,最终映射为电性失效。单个fab或者检测机构可以拥有某些环节的全部原始数据,但很难把这些数据稳定地连接成可复用的因果模型,这就是PDFS切入的本质。
为什么EDA、fab、设备厂没有把这件事自己做完?不是做不到,而是没有动力做到那一步。
设计端如Synopsys、Cadence Design Systems只能做到前馈优化,缺乏制造后的反馈闭环;
fab如TSMC、Intel数据最全,但系统割裂、组织分散,跨流程整合成本极高;
设备厂如KLA Corporation、Applied Materials掌握检测和控制,但视角局限在单工序。
每一层都在优化局部,跨边界问题无人承接,于是在产业链之上,自然出现了一层“解释系统”的空白,这正是PDFS所在的位置。
产业链使用PDFS,是因为数据之间的断层——设计看设计,工艺看工艺,设备看缺陷,但没有统一机制把这些信息串成一条可解释的因果链。PDFS的作用,本质上是提供一种跨环节
post-image
  • 赞赏
  • 评论
  • 转发
  • 分享
美股现在是彻底进入山寨季了吗?
这剧本我熟啊🤣
  • 赞赏
  • 评论
  • 转发
  • 分享
最近提交ipo的ai芯片的新宠Cerebras火遍硅谷。
其芯片在小模型场景下,其推理速度最高可达 H100 的 20 倍;而超大规模模型(如 400B 参数量级),Cerebras CS-3 系统的单用户响应速度约为 B200 的 2.4 倍
那么cerebras究竟是如何做到的呢? 它是否会成为英伟达杀手呢?
我们需从算力演进的本质开始。
AI算力的演进,正在从“算力本身”转向“通信与系统结构”。在这条演进路径上,Cerebras Systems提供了一种完全不同的答案:不是优化分布式,而是尽可能消灭分布式。
一、两条路线:消灭通信 vs 优化通信
当前AI算力本质上分为两种架构哲学:一条是以NVIDIA为代表的路线:
多芯片(GPU),高速互连(NVLink / CPO),scale-out(横向扩展)
另一条是Cerebras路径:单芯片做到极限(wafer-scale)
片内网络替代跨节点通信,scale-up(纵向放大)
核心区别是:一条在解决“如何连接更多芯片”,另一条在解决“如何不需要连接”。
二、为什么这条路现在才成立
wafer-scale并不是新概念,80年代就有人尝试,90年代商业化失败。原因是:
良率无法承受
没有容错机制
软件无法支撑
行业因此形成共识:小die + 高良率 + 分布式。
Cerebras的突破在于三件事同时成立:
1)容错机制工程化
post-image
  • 赞赏
  • 评论
  • 转发
  • 分享