隨著 AI 投資熱潮席捲全球科技業，一個關鍵問題正引發業界關注：在資本、技術、資源不斷湧入的背景下，真正限制 AI 算力擴張的環節究竟是什麼？半導體分析機構 SemiAnalysis 創辦人 Dylan Patel 在一場播客訪談中給出答案。
Patel 指出，限制因素一直在變動，而當前，它正重新回到晶片製造，特別是極紫外光刻機 (EUV) 產能上。
Patel 表示，過去數年，AI 算力擴張的瓶頸像「打地鼠」般不斷轉移。數年前，關鍵掣肘是台積電的 CoWoS 先進封裝技術，之後電力供給成為新障礙，後來又是資料中心建設速度跟不上需求，但隨著這些環節逐步擴產，新的限制點又浮現，這反映了 AI 需求成長遠快於整個產業鏈的反應能力。
如今，在資料中心、電力等基礎設施逐漸完善之際，算力擴張的重心重新落回半導體製造。
Patel 強調，算力的長期供應核心不是電力或建築，而是晶片製造能力，包括邏輯晶片產能、HBM 晶片及晶圓廠與設備建設週期，其中無塵室建設是今、明兩年最突出的瓶頸，而到 2028、2029 年，設備層將成為最大限制。
他進一步指出，若 AI 算力持續高速成長，未來限制可能來自最底層的設備供應鏈，尤其是 EUV 光刻機。這類由荷蘭 ASML 獨家生產的設備，是製造先進製程晶片不可或缺的核心工具。
根據 Patel 估算，目前全球 EUV 年產量約 70 台，2027 年可望增至 80 台，到 2030 年最多也只能達到 100 台。這種產能極限，將直接決定全球 AI 算力的擴張上限。
為說明 EUV 對整體產業的影響，Patel 估算後指出，若以輝達新一代 Rubin 晶片建設一座 1GW 算力的資料中心，必須耗用約 5.5 萬片 3 奈米晶圓、6000 片 5 奈米晶圓及 17 萬片 DRAM，共需進行約 200 萬次曝光機，而這樣一套系統，總資本支出高達 500 億美元，其中僅 12 億美元用於購買 3.5 台 EUV 設備，形成驚人的槓桿效應。
EUV 設備因技術極端複雜，關鍵零件如蔡司鏡頭組和 Cymer 光源的供應鏈高度集中，擴產困難。因此，從實體層面來看，全球每年可新增的 AI 算力總量已被牢牢鎖死。
除邏輯晶片外，記憶體晶片也將成未來一兩年關鍵瓶頸。Patel 預測，2026 年，科技巨頭約 30% 資本支出將投向記憶體晶片。原因在於長上下文推理模型對 KV Cache(鍵值快取) 的龐大需求，大幅提升了對記憶體頻寬與容量的依賴。以 HBM 為例，其占用晶圓面積為普通 DDR 的四倍，意味著每生產一單位組 AI 記憶體，就要犧牲四單位組消費電子記憶體產能。這將直接導致智慧手機與 PC 的成本上升。
根據 Patel 估算，iPhone 的儲存成本可能增加 150 美元。高端品牌也許能轉嫁壓力，但中低階智慧手機將面臨沉重打擊。他警告，記憶體價格上漲恐引發消費電子出貨暴跌，從年均 14 億支降至今年 8 億支，明年甚至可能只剩 5 至 6 億支。
在電力問題上，Patel 則持務實態度。他認為電力並非終極瓶頸，反而是投資機會。透過航改燃氣渦輪機、中速發動機、燃料電池與「太陽能 + 儲能」組合，可在不依賴主要電網的情況下為資料中心供電。即便電價翻倍，對單顆 H100 晶片每小時 1.4 美元的總成本影響甚微，遠低於 AI 模型帶來的效益。
Patel 還說，若配置足夠儲能，美國電網還可為資料中心釋放 20% 的額外容量。
至於馬斯克提出在太空中建造資料中心的設想，Patel 則明確反對。考慮到晶片在太空中約 15% 的故障率，以及高昂的雷射通訊成本，該計畫短期內缺乏經濟可行性。他斷言，至少在 2030 年代之內，太空資料中心不會實現。
整體來看，AI 算力的擴張正從表層設施轉移到深層設備，EUV 光刻機、記憶體晶片等基礎環節，正成為決定未來 AI 發展速度的關鍵隘口。
