TSMC 和 SK hynix 掌控 NVIDIA AI GPU 背后的供应链

尽管 NVIDIA 在 Google News 的 AI 芯片报道中占据主导地位，但它仍依赖两家亚洲供应商，才能将设计转化为可用的加速器。TSMC 负责制造和封装处理器，SK hynix 则为需要搬运海量模型数据的系统提供高带宽内存。

这种依赖关系让 NVIDIA 作为无可争议的人工智能之王这一常见叙事变得更为复杂。NVIDIA 掌握架构、软件平台和客户关系，但并不拥有制造其领先处理器的先进工厂。

该公司将自身模式描述为无晶圆厂制造战略：设计芯片，并与外部合作伙伴签约完成晶圆制造、组装、测试、内存和封装。这种安排让 NVIDIA 专注于设计，但也将关键生产约束转移给供应商。

因此，核心矛盾并非 NVIDIA 与 TSMC 或 SK hynix 的对立，而是 NVIDIA 的设计领导力与支撑这种领导力的供应链物理极限之间的张力。

一颗 Blackwell 加速器所需的不只是完成的图形处理器。它还需要先进制程逻辑、多组专用内存堆叠，以及以极高速度连接这些组件的先进封装。任何一层供应不足，都可能限制最终产品的出货。

这让 TSMC 和 SK hynix 不只是配套供应商。它们掌握着 NVIDIA 无法迅速复制、替代或纳入自身运营的制造能力。

Google News 的标题掩盖了由三家公司共同打造的产品

一款 NVIDIA AI 加速器并非单一公司的产品，即使成品系统冠以 NVIDIA 的名称。

NVIDIA 于 2024 年 3 月推出 Blackwell 平台。该公司表示，其旗舰处理器由两颗大型裸片组成，包含 2080 亿个晶体管。裸片是从加工完成的晶圆上切割下来的功能性硅片单元。

这些裸片采用定制的 TSMC 4NP 制程。根据最初公布的 Blackwell specifications，NVIDIA 通过一条每秒带宽达 10 TB 的芯片间互连将其连接起来。

生产这些裸片只是开始。处理器还必须与通常称为 HBM 的高带宽内存并置。HBM 将多颗内存裸片垂直堆叠并放置在靠近处理器的位置，从而缩短数据传输距离。

这之所以重要，是因为 AI 处理器会反复在内存与计算核心之间搬运模型参数和中间结果。即使处理器拥有极强的算术能力，只要内存无法足够快地提供数据，它仍可能处于闲置状态。

这些组件通过先进封装整合。TSMC 的 Chip-on-Wafer-on-Substrate 技术，即 CoWoS，通过一层高密度中介层连接大型处理器和 HBM 堆叠。

这一封装阶段更接近于构建一个紧凑的电子系统，而不只是将完成的芯片装入外壳。它必须处理数千个连接、高电负载、热量以及极其严苛的物理公差。

NVIDIA 在监管披露中承认了这种依赖关系。其 2025 财年文件描述了委托制造模式，并将 TSMC 和 Samsung 列为晶圆供应商，同时指出 CoWoS 是其产品使用的封装技术。

同一份 annual filing 警告称，第三方负责制造、组装、测试和封装 NVIDIA 的半导体。这一结构使公司面临供应商产能、组件可得性、质量和地理位置方面的风险。

从实际角度看，NVIDIA 为一台极其复杂的机器提供设计蓝图。TSMC 则提供在大规模生产中可靠制造它所需的工厂和制程控制。

SK hynix 则供应这台机器中另一项不可或缺的部件。这家内存公司于 2024 年 9 月开始量产 12 层 HBM3E。HBM3E 是面向数据密集型计算设计的增强一代高带宽内存。

该产品通过堆叠 12 颗内存裸片提供 36GB 容量。SK hynix 表示，每颗裸片都比上一代薄 40%。这使其在不增加完成后堆叠厚度的情况下，将容量提高了 50%。

这一结果说明，AI GPU 的生产不能被简化为晶体管设计。NVIDIA 必须协调逻辑、内存、封装、板卡、网络、散热、供电和软件，客户才能收到可用的系统。

Google News 往往将这条链条压缩为关于 NVIDIA 需求的简单标题。而其底层硬件讲述的是一个更为分散的故事。

TSMC 将 NVIDIA 的设计转化为可制造的硅芯片

NVIDIA 可以设计更快的 GPU，但只有通过认证的晶圆代工厂才能以可接受的良率生产数百万颗这样的设计。

晶圆代工厂负责制造其他公司设计的芯片。TSMC 通过服务客户、且不以大规模自有消费级处理器产品组合与客户竞争，建立了自身地位。

这一模式让 NVIDIA 无需运营晶圆厂也能获得制造技术。半导体晶圆厂需要专用设备、制程知识、受训人员和持续的资本投入。

资金投入只是其中一道门槛。企业还需要多年的制造数据，才能控制数十亿个微观特征中的缺陷。设计专长并不会自动转化为这类生产知识。

Blackwell 展示了两家公司技术连接的深度。NVIDIA 围绕 TSMC 制程的定制版本设计架构，而不是将完成的蓝图交给一家可互换的工厂。

该处理器将两颗裸片结合在制造设备能够在晶圆上曝光的极限边缘。要让它们像一颗 GPU 一样工作，需要在硅芯片、互连、供电和封装之间进行协同设计。

TSMC 报告称，7 纳米及以下先进技术在 2024 年贡献了其 69% 的晶圆营收。根据其 2024 annual report，这一比例高于 2023 年的 58%。

该公司当年合并营收达到 900.8 亿美元，同比增长 30%。净利润达到 365.2 亿美元，同比增长 35.9%。

这些数字涵盖众多客户和产品类别，并不单独衡量 NVIDIA 的产量。不过，它们显示出先进计算所需制造技术周围累积的商业价值。

TSMC 的重要性不止于晶体管密度。AI 加速器正将封装推向系统性能的核心位置。

传统封装主要用于保护芯片并将其连接到电路板。CoWoS 则将处理器和内存置于中介层周围，通过中介层在二者之间提供高密度电连接。

这种结构提供现代加速器所需的带宽，但也带来另一项生产约束，因为先进封装产能无法即时扩张。

新的封装产线需要设备、洁净制造环境、材料、测试和经过验证的制程。若晶圆产量增加而封装产能未能同步匹配，可用裸片便可能等待最终集成。

TSMC 在 2025 年 4 月向投资者表示，公司正努力在当年将 CoWoS 产能翻倍。该公司还预计 AI 加速器营收将翻倍，反映出强劲的客户需求。

这一计划揭示了 NVIDIA 产品迭代节奏带来的真实压力。每一代新加速器都可能需要更多硅面积、更多 HBM 和更复杂的封装。

因此，NVIDIA 需要 TSMC 同时扩展多项能力。如果封装成为下一个瓶颈，更多先进制程晶圆的价值也会受到限制。

Samsung 和 Intel Foundry 等替代代工厂确实存在，但转换生产并不等同于从另一家分销商订购相同组件。

处理器必须适配新代工厂的设计规则、库、电气特性和封装选项。随后，工程师还需要验证性能和量产良率。

在 NVIDIA 的竞争对手持续开发自家产品之际，这项工作会消耗时间。备用供应商可以提升韧性，却很少能立即取代成熟的制造合作关系。

地理位置也带来另一层担忧。TSMC 大部分最先进的制造产能历来位于台湾，而 NVIDIA 服务于全球客户。

TSMC 已在台湾以外扩张，包括在 Arizona 建厂。不过，在整个生产路径实现本地化之前，地域多元化必须覆盖制造、封装、测试和配套材料。

转移一个制造环节，并不等于转移整条供应链。一片在某个国家生产的晶圆，仍可能需要在别处封装，才能成为完整的加速器。

这正是 TSMC 即使不直接争夺 NVIDIA 软件客户，仍拥有议价能力的原因。它控制着从架构到可出货产品之间的生产桥梁。

SK hynix 破解 AI 内存瓶颈

当内存带宽无法跟上时，即使最快的计算核心也无法交付其标称性能。

AI 模型带来了不同寻常的内存问题。训练和推理都要求处理器反复提取大量参数、激活值和缓存数据。

距离处理器更远的传统内存，未必能在可接受的功耗限制内提供足够带宽。HBM 通过垂直堆叠和宽接口解决了这一约束。

早在生成式 AI 让该技术广为人知之前，SK hynix 就已进入 HBM 市场。当加速计算将内存带宽推入关键路径时，这项早期投入显现出价值。

该公司表示，其开发并供应了覆盖 HBM1 至 HBM3E 每一代 HBM 的产品。它于 2024 年 3 月开始供应 8 层 HBM3E 产品，并于当年 9 月启动 12 层版本的量产。

其 12-layer HBM3E 的标称速率为每引脚每秒 9.6Gb。该公司表示，连接到一颗 GPU 的四组堆叠每秒可读取全部 700 亿个 Llama 3 参数 35 次。

这一比较是公司提供的说明，并非独立工作负载基准。实际应用性能还取决于处理器、软件、网络、数值格式和模型行为。

不过，这个例子准确捕捉了 HBM 的作用。内存并非只是在处理器进行重要工作时存储模型；它的带宽有助于决定处理器有多少计算能力能够保持运行。

制造 HBM 的难点不止于普通 DRAM。多颗裸片必须被制得极薄、精确堆叠，并通过垂直通道连接。

这些通道被称为硅通孔。它们在单颗内存裸片中传输信号和电力，使整个堆叠能够作为一个高带宽组件运行。

更薄的裸片会带来机械问题。它们可能在制造过程中弯曲或翘曲，而高密度堆叠的层级会集中热量。

SK hynix 采用先进的模塑底部填充工艺，为层间连接提供支撑与保护。该公司表示，与上一代产品相比，这种方法将散热性能提升了 10%。

这些生产细节会影响最终能够交付给客户的可用堆叠数量。HBM 的供应取决于内存晶圆产能、堆叠吞吐量、封装良率、测试和散热性能。

需求也会影响更广泛的内存市场。制造商必须决定在 HBM、传统 DRAM 和其他产品之间分配多少设备与晶圆产能。

Samsung 和 Micron 带来了重要的竞争压力。两家公司都投资了先进 HBM，为加速器设计商提供了更多供应商选择，并降低了对单一公司的依赖。

不过，认证会带来阻力。一款内存产品必须满足速度、散热、功耗、可靠性以及与周边封装兼容性等严格要求。

供应商宣布推出 HBM 产品，并不意味着它能够立刻为每一种加速器无限量供应通过认证的产品。该产品必须先通过客户测试，然后以稳定良率实现规模化生产。

NVIDIA 可以与多家内存供应商合作，但这些供应商仍是一个高度集中的群体。具备生产领先 HBM 所需工厂、知识产权和封装经验的公司寥寥无几。

这种集中度赋予 SK hynix 的战略分量，远超其消费品牌的知名度。大多数 AI 用户通过云平台租用加速器时，从未见过它的名字。

他们会通过模型速度、容量、系统可用性和基础设施成本，间接感受到它的贡献。

该公司与 TSMC 的关系也表明，供应链正变得更加一体化。2024 年 4 月，SK hynix 宣布与 TSMC 合作开发 HBM4 和先进封装。

HBM4 代表新一代产品，在内存与处理器之间拥有更宽的接口。两家公司表示，将在基础芯片制造和封装优化方面展开合作。

基础芯片负责管理内存堆叠与周边系统之间的连接。利用先进逻辑工艺生产这一层，使内存设计与晶圆代工制造再次交汇。

这项合作削弱了 NVIDIA 可以将每家供应商作为独立厂商来管理的观点。这些组件越来越需要在成品系统出货前数年，就共同作出技术决策。

真正的产品是封装

Blackwell 的决定性制造挑战在于整合，而不只是生产一颗大型 GPU 裸片。

现代 AI 加速器类似一个高度紧密集成的计算系统。其逻辑裸片、内存堆叠、硅中介层、基板、供电组件和散热硬件必须协同运行。

NVIDIA 的架构决策提升了这种整合的价值。Blackwell 通过一条每秒 10 TB 的连接，组合两颗大型 GPU 裸片。

该公司还通过 NVLink——其用于在处理器之间传输数据的高速互连技术——连接众多加速器。根据 NVIDIA 的说法，第五代 NVLink 可为每颗 GPU 提供每秒 1.8 TB 的双向带宽。

在机架层面，GB200 NVL72 将 72 颗 Blackwell GPU 与 Grace 中央处理器及网络设备结合起来。这样的系统使制造协调成为产品架构的一部分。

任何一个组件的缺陷或延误，都可能阻碍价值高得多的整套系统完成。因此，缺少一组内存堆叠的成本，并不局限于内存本身。

它可能导致处理器、板卡、散热设备和客户数据中心的容量一同等待。这种放大效应使供应可预测性几乎与理论性能同等重要。

这正是许多关于加速器短缺的 Google News 报道背后隐藏的机制。需求并非在争夺一条生产线，而是在争夺多个专业行业之间协调一致的产能。

处理器裸片需要足够的良率，即每片晶圆必须产出足够多的功能正常芯片。HBM 堆叠也需要在多层键合结构中实现可接受的良率。

封装作业必须在不损坏这些昂贵组件的情况下将其连接起来。随后，测试必须在模块进入服务器之前发现故障。

随着制造商组合更多组件，良率风险会叠加。某一个部件出现问题，可能会降低多个原本功能正常部件所能回收的价值。

公司通过测试、冗余设计、工艺改进和更紧密的供应商协调来应对这一问题。但这些方法都无法消除物理限制。

热特性带来了另一项约束。密集排列的处理器和内存会产生热量，必须经由封装传导至服务器的冷却系统。

更高的内存容量和带宽可能提高功率密度。更大的加速器系统因此需要更复杂的液冷、供电和机架设计。

NVIDIA 可以针对这些限制优化其架构和软件，但无法仅靠软件解决它们。

这解释了为何先进封装从一个鲜少受到关注的生产环节，转变为备受关注的产能指标。CoWoS 的可用性会影响 NVIDIA 能够交付多少高端加速器。

这也解释了为何 TSMC 和 SK hynix 已成为 NVIDIA 产品路线图的核心。它们的工艺选择会影响未来加速器可行的尺寸、带宽、热特性和交付时间表。

NVIDIA 仍然提供协调性的架构。其编程平台 CUDA 为开发者提供了成熟的环境，可在 NVIDIA 硬件上部署工作负载。

这种软件地位促使云服务商和 AI 公司订购 NVIDIA 系统。强劲需求进而加大了 TSMC 和内存供应商扩充产能的压力。

这种关系是双向的。更好的制造工艺和内存使 NVIDIA 系统具备更强能力，而 NVIDIA 的客户覆盖则将巨大的需求导向其供应商。

与其将一家公司描述为只是服务于另一家公司，不如说这种相互依赖更为准确。NVIDIA 拥有商业影响力，但 TSMC 和 SK hynix 掌握着稀缺的制造能力。

竞争对手面临同样的基本约束。AMD 的 Instinct 加速器同样需要领先制程的晶圆代工产能、HBM、先进封装、板卡和系统合作伙伴。

Google、Amazon、Microsoft 及其他云服务运营商设计的定制芯片，也依赖于相关的供应链。它们的架构不同，但仍在争夺先进制造资源。

NVIDIA 的规模有助于其争取更有利的供应承诺。它可以下达更大规模的订单，提供更长期的需求预测，并更早协调开发工作。

规模并不会创造无限产能。相反，它可能通过为最大买家预留更大份额的受限产能，加剧集中度。

这种结果会对规模较小的加速器公司施加压力。如果开发者无法获得足够的晶圆、内存或封装产能配额，即便设计在技术上可信，其商业价值也会受到限制。

因此，行业竞争的边界已经扩大。芯片公司如今不仅通过架构和软件竞争，也通过供应承诺和制造合作伙伴关系竞争。

多元化有所帮助，但无法消除风险

NVIDIA 可以降低供应商集中度，但迅速替代 TSMC 或 SK hynix 在技术和商业层面依然十分困难。

NVIDIA 在其文件中表示，公司已扩大供应商关系，以提高冗余性和韧性。这是对需求上升和地域集中作出的合理回应。

但“多家供应商”这一说法仍可能造成误导。具有相似规格的两个组件，并不一定能在经过认证的加速器封装中相互替换。

新供应商必须生产满足电气、物理、散热和可靠性要求的部件。NVIDIA 还可能需要修改设计、更新固件、开展新测试，或重新取得客户认证。

晶圆代工多元化也面临同样限制。Samsung 可以制造先进处理器，而 Intel 正在建设合同制造业务。

将一款领先加速器从一家晶圆代工厂转移至另一家，需要大量工程工作。每种制造工艺都提供不同的晶体管特性、密度、库和设计规则。

即使晶圆生产发生变化，封装产能仍可能构成约束。多元化的制造计划可能依然依赖于一小群封装供应商。

由于 Samsung 和 Micron 与 SK hynix 竞争，HBM 采购具有相对更大的灵活性。但加速认证和扩大产量可能带来新的良率或可靠性风险。

供应商同样面临财务不确定性。为异常旺盛的需求周期建设产能，需要制造商在尚不清楚需求将持续多久之前投入资本。

AI 基础设施买家目前正在大举投入，但其未来需求取决于模型经济性、客户采用情况、能源可用性和软件效率。

更高效的模型可能减少某些任务所需的计算量。反过来，较低的推理成本也可能充分提升使用量，从而推高总需求。

出口管制增加了另一层不确定性。政府可以限制先进加速器、制造设备或相关技术的销售地点。

NVIDIA 可以为特定市场调整产品，但在供应承诺作出后，监管变化可能改变需求预测。供应商必须以更长的时间跨度规划工厂。

地域多元化也伴随着取舍。新建晶圆厂可以提高韧性，并让生产更靠近客户。

然而，领先的半导体产业集群依赖于材料供应商、设备专家、工程师、封装供应商和物流运营商构成的网络。这些网络需要多年才能复制。

在美国制造的晶圆是一个重要里程碑，但并不自动意味着之后的每个制造步骤都在同一国家完成。

最大的风险并不是 NVIDIA 在正常运营期间突然失去对两大合作伙伴的接入。更持久的风险是，需求增长快于经过认证的产能。

在这种情况下，NVIDIA 可能拥有成功的架构、已承诺的客户，却没有足够的成品系统。届时，收入确认时点将取决于 NVIDIA 无法直接控制的生产改进。

质量问题也可能产生类似结果。复杂封装必须经受制造、运输、安装，以及高负载下持续运行的考验。

解决问题可能需要在设计和制造环节同时作出改变。当多家公司分别拥有技术栈的不同层级时，这一过程会变得更加困难。

这并不意味着 NVIDIA 毫无能力。其订单规模、工程资源和市场地位，使其能够对供应商投资施加重大影响。

该公司可以支持供应承诺、认证替代方案、重新设计组件，并协调路线图。其软件平台也为供应商提供了强烈动力，使其优先确保与 NVIDIA 产品的兼容性。

不过，影响力不同于所有权。TSMC 控制其制造工艺、产能分配和工厂执行。SK hynix 控制其内存开发、良率和产能扩张。

因此，投资者和企业买家应避免得出两个相反的结论。NVIDIA 既不是一个建立在其他公司技术之上的空壳品牌，也不是一家完全独立的制造商。

它是由稀缺能力构成的供应链的架构师和商业协调者。它的实力部分取决于，其管理这些依赖关系的能力是否优于竞争对手。

三个信号将揭示谁真正掌控 AI 供应

AI 硬件竞赛的下一阶段，将通过封装产能、通过认证的 HBM 供应，以及已交付系统来衡量。

第一个信号是 TSMC 扩大先进封装产能。投资者应关注 CoWoS 产能是否会随着 Blackwell 及未来几代加速器的需求同步增长。

仅有公告并不足够。真正有意义的证据将体现在生产产出、客户出货，以及管理层对产能紧张程度的评论中。

如果封装供应改善而需求并未减弱，NVIDIA 将获得更大空间，把订单转化为完整交付的系统。若限制持续存在，则会强化 TSMC 作为生产关口把守者的地位。

第二个信号是更新一代 HBM 的认证与量产进展。SK hynix、Samsung 和 Micron 正竞相提升带宽、容量与制造良率。

SK hynix 与 TSMC 的 HBM partnership 尤其值得关注，因为它将内存开发与逻辑芯片及封装工艺连接起来。

更多通过认证的供应商将给予 NVIDIA 更大的灵活性。不过，认证延迟或良率参差不齐，仍会维持最早实现可靠量产的厂商所拥有的优势。

第三个信号是 NVIDIA 报告的需求与实际系统交付之间的差距。云服务提供商需要的是已经安装并可运行的集群，而不是尚未组装的组件。

NVIDIA 的生态系统涵盖服务器制造商、网络供应商、散热公司和基础设施运营商。该公司的 systems partnership 名单说明，在核心芯片完成设计之后，仍有许多组织参与其中。

交付时间表将揭示供应链能否作为一个整体实现规模化。交付周期缩短将表明晶圆制造、HBM、封装和服务器组装之间的协同正在改善。

长期延迟则意味着约束只是发生了转移，而非消失。更多晶圆可能暴露内存短缺，更多 HBM 则可能揭示封装或供电方面的限制。

AMD 和云服务商自研加速器构成了重要的对比参照。它们的出货增长将显示，竞争对手能否在 NVIDIA 扩张之际获取同样稀缺的资源。

竞争对手并不需要在架构上超越 NVIDIA 才能影响市场。当客户无法获得足够的 NVIDIA 硬件时，能够提供现货系统的厂商就可能取得进展。

这种可能性让企业采购方有了关注半导体供应的现实理由。基础设施的可获得性会影响项目排期、云端容量，以及部署 AI 服务的成本。

开发者也应关注硬件供应与软件可移植性之间的关系。当产能变得紧张时，深度绑定单一加速器平台的团队可选方案会更少。

组织可以通过梳理工作负载需求、测试替代实例，并保留来自供应商和云服务提供商的可靠技术信息来做好准备。一个可搜索的 knowledge base 可以帮助工程团队比较这些不断变化的需求。

更大的启示不止于一则 Google News 标题。NVIDIA 的优势结合了架构、软件、市场准入与供应链协同能力。

TSMC 将设计转化为先进硅芯片，并通过稀缺的封装产能完成整合。SK hynix 则提供内存，持续为昂贵的计算核心输送数据。

每家公司控制着不同的层级，没有任何一家能够独自交付完整成果。这也是为什么“AI 之王”的比喻掩盖的问题多于它解释的问题。

更好的问题是，这三家公司能否同步扩张。应关注已交付的加速器，而不只是公布的性能。

应关注通过认证的内存，而不只是原型规格。应关注封装产出，而不只是已完成的晶圆。

如果这些指标同步上升，NVIDIA 就能维持当前节奏。如果其中一项落后，瓶颈将暴露出哪家默默无闻的供应商掌握着最直接的议价能力。

随着下一波 Google News 报道到来，请透过 NVIDIA 的标签继续观察。决定性的进展或许来自 TSMC 的一条封装生产线，或 SK hynix 的一组内存堆叠。