参考文献与 OB 补充
这页把 SemiAnalysis、Stratechery、Citrini Research 三个 OB raw vault 中与半导体知识库最相关的材料筛成一个二级参考库。它不是主数据源；主数据源仍是 24 篇 xray、论点 JSON 和 DAG 边账本。
使用规则
| 层级 | 用法 |
|---|---|
| xray | 主引用，决定当前知识库的大部分论点和边 |
| OB 核心参考 | 补强背景、原文核对；其中 S26/S27/S28/S29 已提升为 DAG 节点 |
| current reference | 用来补最新事实和监控信号；只有直接支撑机制时才映射到 S-ID |
| OB 其他文章 | fallback，只在 xray 未覆盖时使用 |
判断标准：一篇 OB 文章只有在能强化“需求 → 工艺 → 架构 → 标的 → 电力 / 政策”链条时才进入核心参考。
OB lens 补强与已提升论点
L1-L7 仍是对既有 S01-S25 的 lens 补强；L8-L11 已提升为 S26-S29，进入
_input/thesis-extraction.json、DAG 和 panorama。郭明錤 2026-05-14 的 X 文章作为 current reference 映射到 S02/S08，不直接支撑 S28/S29。
速查映射：
| OB lens | 强化的 S-ID |
|---|---|
| L1. N3/HBM 硬分配 | S02, S03, S25 |
| L2. 自研芯片威胁 NVIDIA 利润 | S11, S13, S14 |
| L3. GPU → rack-level system | S17, S21, S22 |
| L4. 电力三件事（接入 / 可调度 / 负载质量） | S15, S19, S20 |
| L5. TPU 供应链是第二地图 | S13, S14, S23 |
| L6. 光互连生存路径 | S16, S17 |
| L7. Agentic 需求看 token + capex | S10, S12, S24 |
| L8. GPU-only → P/D 分离混合架构 | S10, S11, S18, S24, S26 |
| L9. TPU / ASIC 垂直整合 | S13, S14, S23, S27 |
| L10. AI 负载质量风险 | S15, S19, S22, S28 |
| L11. CPO / OCS 光互连分叉 | S16, S17, S23, S27, S29 |
L1. N3/HBM 是硬分配层，不只是零部件短缺
SemiAnalysis 和 Stratechery 都把 AI 需求落到同一个机制：TSMC N3 晶圆、HBM、先进封装和客户优先级构成一个联合分配系统。
这会强化 S02 / S03 / S25：2026-2027 的核心问题不是“有没有 GPU”，而是谁能拿到 N3 + HBM 组合。
L2. 自研芯片先威胁 NVIDIA 利润率和议价权，再威胁出货量
TPU / Trainium / XPU 不是立刻消灭 NVIDIA，而是给 hyperscaler 一个可谈判的 outside option。
CUDA / PyTorch、机架系统和部署节奏仍保护 NVIDIA 近期需求；但 Google TPU、AWS Trainium 和 OpenAI / Broadcom 这类路径会压缩长期利润率叙事。
L3. 产品边界从 GPU die 推到 rack-level system
Rubin / Vera / CPX、Blackwell NVL、CPO、800V、电力、CPU 控制平面和 BMC 不是散点。
它们共同说明竞争单位已经从单颗 GPU 变成“机架 + 网络 + 电力 + 冷却 + 软件部署节奏”。
L4. 电力瓶颈拆成三件事：接入、可调度发电、负载质量
AI 数据中心不只需要更多电。它还需要更快的电网接入、可调度的天然气 / 涡轮机 / 变电站，以及能承受训练负载波动的电力质量。
这强化 S15 / S19 / S20：电力已经从成本项变成政策和物理上线条件。
L5. TPU 供应链是第二张 AI infrastructure 地图
Citrini 的 TPU 供应链框架把 Google TPU 从“Google 是否打赢 NVIDIA”转成一张供应商地图：先进封装、HBM、高端 PCB、基板、光交换、功率管理、热管理。
这补强 S13 / S14 / S23，也避免把 TPU 论点写成单公司叙事。
L6. 光互连从优化项变成生存路径
当 scale-out 带宽继续上升，pluggable optics、电互连和传统交换路径会越来越受功耗 / 成本 / 距离约束。
CPO、OCS、silicon photonics、Active LSI 和先进封装会变成 S16 / S17 的下一组关键观察点。
L7. Agentic 需求要看 token 强度和基础设施承诺
用户数不是最好的 AI 半导体需求指标。更好的指标是 token throughput、agent per user、模型竞争强度、capex 锁定、N3/HBM 分配和电力预约。
这补强 S10 / S12 / S24。
L8. 技术路线会从 GPU-only 走向 P/D 分离混合架构
推理分叉之后，架构问题不再是“GPU 还是非 GPU”，而是 prefill / decode、计算 / 内存、accelerator / CPU 控制平面、rack / network 如何分工。
这新增 S26，并把 S10、S18、S24、S11 接成一条未来技术路线链。
L9. 垂直整合应从 Google TPU 扩展到 TPU / ASIC 类架构
Google TPU 是最清晰案例，但 Trainium、Meta MTIA、OpenAI / Broadcom XPU 说明 hyperscaler 垂直整合是一类架构，不是单公司特例。
这新增 S27，并把 S13 / S14 / S23 / S11 连接起来。
L10. AI 电力瓶颈要拆到负载质量和并网稳定性
AI 数据中心不是只买更多电。GW 级训练 / 推理负载的快速波动会把问题推进到 power quality、ramp-rate、变电站、BESS / UPS、电源转换和并网规则。
这新增 S28，并把 S15 / S19 / S22 串成“物理电力瓶颈 → 负载质量风险 → 政策和电源 BOM”的链条。
L11. 光互连不应写成单一路线：CPO 与 OCS 是两种架构假设
NVIDIA 式 CPO 和 Google / TPU 语境下的 OCS / 光交换，不是同一个供应链故事。前者更贴近机架级 GPU 系统扩展，后者更贴近 hyperscaler 垂直整合和第二张供应商地图。
这新增 S29，并把 S16 / S17 / S27 / S23 接成“带宽瓶颈 → 光互连分叉 → 架构路线 / 标的地图”的链条。
核心参考清单
SemiAnalysis
| 文章 | 日期 | 主要用途 | 支撑论点 |
|---|---|---|---|
| The Great AI Silicon Shortage | 2026-03-12 | N3 + HBM 双瓶颈、AI 对 N3 分配的挤占 | S02, S03, S25 |
| Scaling the Memory Wall: The Rise and Roadmap of HBM | 2025-08-12 | HBM 路线图、memory wall、DRAM 挤出 | S03, S04, S25 |
| Co Packaged Optics (CPO) | 2026-01-02 | CPO TCO、scale-out interconnect、功耗约束 | S16, S17, S29 |
| Vera Rubin: Extreme Co-Design | 2026-02-26 | Rubin / Vera / NVLink 机架级协同设计 | S17 |
| Another Giant Leap: Rubin CPX | 2025-09-11 | 推理专用化、rack 架构升级 | S10, S17 |
| Google TPUv7 | 2025-11-28 | TPU 外部化、Anthropic / Google 需求、N3 压力 | S13, S14, S25 |
| AWS Trainium3 Deep Dive | 2025-12-05 | AWS 自研芯片路线、custom silicon 比较 | S14, S25 |
| How Much Do GPU Clusters Really Cost? | 2026-04-20 | GPU cluster 成本结构、电力和网络物理约束 | S15, S17 |
| AI Training Load Fluctuations at Gigawatt-scale | 2025-06-26 | 训练负载波动与电网风险 | S15, S28, S19 |
| Energizing AI | 2023-08-01 | 电源交付、VRM、48V / 800V 迁移背景 | S05, S22, S06 |
Stratechery
| 文章 | 日期 | 主要用途 | 支撑论点 |
|---|---|---|---|
| TSMC Earnings, The TSMC Brake Revisited | 2026-01-21 | TSMC 投资不足、foundry 竞争必要性 | S01, S02, S08 |
| TSMC Earnings, New N3 Fabs, The Nvidia Ramp | 2026-04-20 | 新 N3 fab、NVIDIA ramp、TSMC 确认边 | S01, S02 |
| Anthropic’s New TPU Deal | 2026-04-07 | Anthropic 算力短缺、Google TPU 联盟 | S13, S14, S25 |
| Building Power for AI | 2026-01-08 | AI labs 如何用需求反向建设电力基础设施 | S15, S19 |
| Nvidia Earnings; Power, Scarcity, and Marginal Costs | 2025-11-24 | 电力稀缺、边际成本、OpenAI 资本开支压力 | S12, S15 |
| OpenAI Buys TBPN, Tech and the Token Tsunami | 2026-04-06 | token tsunami 需求框架 | S10, S12 |
Citrini Research
| 文章 | 日期 | 主要用途 | 支撑论点 |
|---|---|---|---|
| Carving Up the TPU | 2025-11-27 | TPU vs NVIDIA、切换成本、TPU 供应商地图 | S13, S14, S23 |
| Semis Memo: Muscle Memory | 2026-01-26 | memory、optics、ASIC、testing 的供应链记忆 | S03, S16, S23 |
| Let There Be Light | 2026-03-12 | photonics / CPO 入门与供应链 | S16, S17, S29 |
| Stargate: A Citrini Field Trip | 2025-09-29 | gas turbine、substation、MEP、fiber、现场建设 | S15, S19 |
| Agentic Utilities | 2026-03-25 | agentic demand 与 utility / grid 约束 | S12, S15, S19 |
| Power Struggle: Natural Gas | 2025-10-18 | 天然气作为可调度电力瓶颈 | S15, S20 |
Current References
| 来源 | 日期 | 主要用途 | 支撑论点 |
|---|---|---|---|
| 郭明錤 / Ming-Chi Kuo: AI 重分配先进制程资源：Apple、Intel 与台积电的三方变局 | 2026-05-14 | Apple 启动 Intel 18A-P + Foveros 低阶 / 旧款 iPhone、iPad、Mac 处理器项目；2026 小规模测试、2027 放量、2028 增加、2029 下降；核心含义是 AI/HPC 挤占 TSMC 先进制程资源，Apple 系统性培养 Intel second source。 | S02, S08 |
| The Information / Readwise: Cerebras IPO Winners Include Foundation, Benchmark—and OpenAI | 2026-05-14 | Cerebras IPO 把非 NVIDIA accelerator 路线放进资本市场定价；OpenAI 的潜在股权与未来 compute capacity 采购绑定，说明 AI 算力需求正在通过长期容量合约进入公司估值。 | S12, S21, S11 |
| Sohn Conference Foundation / YouTube: Inside the Mind of a Tech Investor with Gavin Baker | 2026-05-15 | Gavin Baker 把 AI 约束压缩成 watts and wafers：TSMC 作为 rate limiter、HBM/内存可能处于真实 capacity cycle、token maxing 与 usage-based pricing 推高需求、Trainium3 可能成为 2026 被低估的 ASIC 路线、neocloud 的 cluster 运维是耐久能力，orbital compute 是 2030 前后观察项。Local transcript: /Users/mac26ai/notes/sources/gavin_baker_sohn_2026/Inside the Mind of a Tech Investor with Gavin Baker [2Ryr95iiYNk] transcript.md。 | S02, S03, S10, S12, S15, S17, S21, S27 |
| Eugene Ng / X: Memory Jevons can flip + DeepSeek: V4-Pro model card | 2026-05-19 | 内存短缺的张力：便宜内存会触发 Jevons demand，但太贵太久会迫使最强工程团队用软件 / 硬件绕开内存约束。DeepSeek-V4-Pro 作为技术例证：model card 称 1M context 下 KV cache 只需 DeepSeek-V3.2 的 10%。 | S03, S04, S10, S18, S25 |
分层补强位置
| 层级 | OB 最有价值的补强 |
|---|---|
| 物理层 | GPU cluster 成本、电网接入、training load fluctuation、watts and wafers、power quality、Stargate 实体建设 |
| 工艺层 | N3/HBM、HBM roadmap、memory Jevons flip、CPO / OCS、power delivery、photonic packaging |
| 架构层 | Rubin / Vera rack-level co-design、P/D 分离、TPU externalization、Trainium3 / switched scale-up network、agentic inference |
| 标的层 | TPU supplier basket、Cerebras / wafer-scale accelerator、neocloud cluster operations、advanced packaging、HBM、PCB/substrate、optics / OCS、power / thermal suppliers |
| 需求层 | token tsunami、token maxing、usage-based pricing、Anthropic compute crunch、OpenAI compute capacity deal、agentic utilities、capex persistence |
| 政策层 | foundry competition、power fast-track、dispatchable gas、grid stability |
后续论点候选
| 候选论点 | 建议层级 | 触发条件 |
|---|---|---|
| Google TPU merchant / franchise model | 架构 / 标的 | Google 更明确地向 Meta、Anthropic、neocloud、sovereign AI 输出 TPU |
| 可调度电力溢价 | 物理 / 政策 | hyperscaler 继续锁定天然气、涡轮机、substation 和 behind-the-meter power |
| AWS Trainium lane | 架构 | Trainium3 / 4 被外部客户或 AWS 内部规模化采用；尤其是 switched scale-up network 在 MoE inference 中被验证 |
| Intel 18A-P second source 兑现 | 物理 / 政策 / 标的 | Apple 在 2027-2028 出现可验证量产 Intel 18A-P 产品，且不止低阶 / 旧款芯片 |
| Cerebras / wafer-scale accelerator 定价 | 架构 / 标的 | IPO 后收入质量、OpenAI capacity 采购兑现、以及 wafer-scale inference 是否能形成独立于 GPU 的稳定需求池 |
| Orbital compute | 物理 / 政策 / 标的 | 未来 2 年证明经济可行，2030 前后开始影响 terrestrial data center 新建、power / cooling 设备和地面机房需求曲线 |
| Memory Jevons flip | 工艺 / 架构 / 需求 | 内存价格长期高企且扩产慢，促使模型架构、KV cache、attention、inference serving 系统显著降低 memory per token |