2026年的AI行业，账面上的钱多得吓人：亚马逊、Meta、谷歌、微软四大巨头今年的资本支出合计6000亿美元，OpenAI刚融完1100亿，Anthropic官宣了300亿。按每GW数据中心年租金约130亿美元折算，6000亿大约对应50GW的算力容量。
钱到位了。但SemiAnalysis创始人Dylan Patel最近在Dwarkesh Patel的播客里，泼了一盆信息量极高的冷水：这些钱，未必能变成真正运转的芯片和数据中心。
他的核心判断只有一句话——AI算力扩张的瓶颈，已经不是电力，而是半导体供应链本身。逻辑晶圆、内存、晶圆厂产能，以及最上游那个所有人都绕不开的名字：ASML的EUV光刻机。
一、先纠正一个流行误判：电是价格问题，制造是可获得性问题
过去两年，"AI数据中心缺电"几乎成了行业共识。但Dylan直接把这件事定性为"伪命题"。
理由很硬：发电不是只有一种办法。除了大家盯着不放的联合循环燃气轮机，还有航改燃机、往复式发动机、船用发动机、燃料电池、太阳能加储能等十余种技术路线，每一种都能贡献几十GW，合计可达数百GW。更夸张的一个数字是：只要释放美国电网20%的峰值冗余容量，就能获得超过200GW的电力。
电力短缺的本质，是"你要多付钱"的问题。头部科技公司早就想明白了这一点，纷纷跳出公共电网，自建燃气轮机加储能的"表后电源"。电贵，可以花钱买；钱花到位，电总能解决。
但芯片不一样。先进半导体的制造能力，是金钱在短期内填不平的鸿沟。晶圆不会长在树上，你不可能凭空多收获10%的硅片。
这就是"价格问题"和"可获得性问题"的本质区别——前者难受，后者无解。
二、终极天花板在荷兰：一道关于EUV的算术题
顺着供应链往上追，所有路径最终都收拢到一家公司身上：ASML。
Dylan算了一笔非常具体的账。以英伟达Rubin架构为例，一座1GW容量的AI数据中心，大约需要：
- 5.5万片3纳米晶圆
- 6000片5纳米晶圆
- 17万片DRAM晶圆
这些晶圆合计需要约200万次EUV曝光，折算下来，约等于3.5台EUV光刻机的年产能。
再看ASML这边：EUV光刻机单台造价3到4亿美元，生产周期18个月以上，核心零部件来自蔡司的透镜、Cymer的光源——整条供应链极度复杂且高度手工化，根本不是砸钱就能快速扩产的东西。ASML目前年产约70台EUV，2026年计划提到80台，乐观估计到2030年也就100台上下。
把两头对上：到2030年底，全球EUV存量加增量约700台。对应AI算力的理论上限，大约200GW。
这就是那组最扎心的对比：12亿美元的光刻设备，卡住了500亿美元的数据中心投资。一道价值占比不到3%的工序，决定了整条万亿级产业链的扩张速度。而且这个瓶颈不是今年的事——按这个产能曲线，它会一直卡到2028、2029年。
三、内存危机已经在路上：AI正在吃掉消费电子的口粮
如果说EUV是2028年的天花板，内存就是2026年正在塌下来的墙。
先讲一个被严重低估的技术事实：大语言模型的瓶颈，很多时候不是算力，是内存。
传统聊天式推理，上下文只有几千个token，记录token之间关系的KV Cache占用很小。但推理模型和智能体（Agent）出现后，上下文长度动不动冲到10万token以上。关键在于：模型每生成一个新token，都要读取全部权重和全部上下文——权重的读取量不随上下文变化，但KV Cache随上下文线性膨胀。一千token和十万token，权重读取量一样，KV Cache却差了两个数量级。一个推理会话消耗的内存，可以达到普通聊天的10倍。
需求端爆炸，供给端却是僵的：全球内存产能每年只增长20%到30%，而AI侧的需求在"翻倍又翻倍"。内存厂商过去几年没建新厂，新产能最早也要2027年底才能上线。
更麻烦的是HBM。同样一片晶圆的面积，HBM产出的比特数只有普通DRAM的四分之一——但带宽高一个数量级，AI芯片还离不开它，没法用DDR替代。于是英伟达、谷歌、亚马逊这些大买家疯狂锁产能，内存厂商自然把资源优先切给利润更厚的HBM，普通DRAM被持续挤压。2026年，科技巨头资本支出里约三成正在流向存储。
结果已经开始传导到你我身边：
- 内存价格过去几年已涨约4倍，Dylan判断还会再涨2到3倍，内存厂商毛利率正在冲向85%到90%；
- 小米等中国手机厂商的中低端机型出货量已下降40%；
- 全球智能手机出货量可能从11亿部骤降到5至6亿部，中低端首当其冲；
- 明年iPhone和MacBook要涨价——不是涨100美元，是涨几百美元。
一句话总结：AI的增长，本质上是通过抢占其他行业的制造资源实现的。内存要一直涨到AI拿够了它需要的量，才会停下来。
四、连锁反应：旧卡升值、Anthropic两难、英伟达真正的护城河
制造瓶颈像一块石头砸进水里，涟漪正在改变整个行业的经济模型。
第一圈涟漪：H100比三年前更值钱了。H100的五年部署成本大约是每小时1.4美元，而现在有AI实验室在签每小时2.4美元、为期两到三年的合约。逻辑在于：GPT-5.4这样的新模型，比GPT-4更便宜、活跃参数更少，但质量远超——同一颗H100，今天能产出更多、更值钱的token。GPT-4的token市场总规模也许只有几十亿美元，GPT-5.4可能超过1000亿。芯片的定价逻辑，从"能买到什么替代品"变成了"这颗芯片今天能产生多少价值"。硬件在折旧，用途在升值，升值跑赢了折旧。
第二圈涟漪：Anthropic的算力两难。Anthropic的收入在飞——1月新增约40亿美元ARR，2月这个短月居然新增约60亿。按这个速度，光支撑推理增长，年底就需要远超5GW的算力。但它此前采购太保守，现在只剩两个选择：要么去现货市场加价抢算力，要么通过Bedrock、Vertex、Foundry让云厂商供算力、自己交出高比例收入分成。反观OpenAI，一路签下CoreWeave、Oracle甚至软银能源这种"从来没建过数据中心"的供应商——去年市场还在恐慌"OpenAI根本没钱付"，现在它融到钱了，算力先发优势已经到手。
第三圈涟漪：英伟达真正的护城河，不是CUDA，是产能锁定。它已经签了约900亿美元的长期供应合约，正在跟内存厂商谈三年期协议。谷歌TPU、亚马逊Trainium技术上不差，但产能被台积电的晶圆供应卡着，扩不出来。在制造能力成为瓶颈的时代，技术优势没有产能支撑，就是纸上谈兵。
还有一个微妙的经济学效应值得记住：算力越贵，大家越倾向用最好的模型。反正GPU一小时已经3美元了，Opus和Sonnet之间那点token价差就被摊薄了——所有用量和收入都在向头部模型集中。算力受限的世界，正在变成一个赢家通吃的世界。
五、这笔账，对不同的人意味着什么
对企业：token降价的红利，正在被上游制造瓶颈悄悄吃掉。内存、晶圆、EUV产能都是刚性约束，算力成本短期看不到大幅下降的理由。有长期需求的公司，现在锁定算力合约，可能比等"明年更便宜"更理性。
对普通消费者：准备好为这轮内存超级周期买单。手机、PC的涨价不是厂商黑心，是AI数据中心在跟你抢同一片晶圆。
对关注行业格局的人：Dylan给了一个很有分量的判断——快时间线美国赢，慢时间线中国赢。如果AI收入和能力快速起飞，美国的基础设施和模型优势会持续扩大；但如果AGI要到2035年前后才成熟，中国就有足够时间建成完全自主、垂直整合的半导体供应链。200GW的EUV天花板，对依赖进口设备的一方是枷锁，对必须自力更生的一方，反而意味着所有人的天花板都一样低。
结语
过去两年，AI行业的叙事一直飘在天上：参数、榜单、AGI、超级应用。Dylan Patel这场访谈的价值，在于把所有人拽回了地面——拽回晶圆厂、光刻机和内存颗粒的物理世界。
再先进的算法，终究要跑在一片硅上；再宏大的AI愿景，终究要等ASML一年70台光刻机一台一台地下线。
当人们不再讨论"下一个大模型是什么"，而是开始讨论"下一片晶圆什么时候能造出来"，这个行业才算真正看见了自己的天花板。而那个天花板，不在加州的机房里，不在德州的数据中心里——它在荷兰费尔德霍芬的洁净室里，一年，只能抬高一点点。