GA（General Availability）：云服务的正式商用可用状态，此前为预览/内测

谷歌云账号批发后段制造（back-end）：晶圆制造之后的环节，包括封装、测试、老化筛选

测试产能：芯片出货前的电性能与可靠性筛选环节，产能不足会直接卡住整条供应链

洁净室：芯片制造与测试的无尘环境，扩产周期受建设与认证双重限制

TPU（Ironwood 等）：谷歌自研 AI 加速芯片，TorchTPU 已支持原生 PyTorch

---

引子：96 万块背后的隐藏瓶颈

10 月 21 日英伟达 GTC 柏林同一天，云侧也同步落地：

谷歌云宣布 Vera Rubin 基础设施全面可用，计划多站点合计部署 96 万块 Rubin GPU。

同期，AWS 发布 TorchNeuron，把原生 PyTorch 带上 Trainium（对标谷歌此前的 TorchTPU），进一步松动 NVIDIA 在软件栈上的锁定。

产能端，英伟达预计 2026—2027 年半导体测试总产能翻倍，新加坡扩建测试产线预计 2027 年 2 月大规模投产。

⚠️ 必须明确：96 万块为谷歌云计划部署量，非已交付或已上架；测试产能翻倍与新加坡产线时间为英伟达预计。谷歌云账号批发

把这三个数字放一起，一个隐藏的瓶颈就浮出来了：96 万块是需求侧的规划，而测试产能翻倍是供给侧的应对，中间隔了整整一年多。

一、96 万块是什么概念

给个量级参照：此前业内公开的最大单体 AI 集群规模是十万卡级别（如中科曙光 8000 的十万卡集群）。

谷歌云这一个"计划部署"的数字，是十万卡级的近 10 倍。

⚠️ 需注意：96 万块是"多站点合计"，不是一个站点。跨站点意味着这不是单一大集群，而是多个中等规模集群的总和。这个区别很重要——分布式训练的性能损耗会小得多，但供应链压力反而更大。

为什么谷歌要一次性铺这么多？

因为当前一代模型（尤其是万亿参数级）的训练和推理需求，已经超出了单集群的能力边界。过去是"造一个更大的集群"，现在是"铺更多集群"——因为单个数据中心受电力和场地限制，堆不下了。

这和 AWS 的困境是同一枚硬币的两面：AWS 有地方放机架但没电，谷歌有电的规划但需要一年内拿到 96 万块能用的芯片。

二、真正的瓶颈在后段，不在前段

英伟达自己给出的两个数字点出了关键：

谷歌云账号批发2026-2027 年半导体测试总产能翻倍

新加坡扩建测试产线 2027 年 2 月大规模投产

注意这两句话隐含的时间差。 谷歌云 Rubin 基础设施"全面可用"是 2026 年 10 月，而新加坡测试产线大规模投产是 2027 年 2 月。

这意味着：2027 年 2 月之前，Rubin 的供给瓶颈在后段制造，而非芯片设计。

为什么测试会成为瓶颈？

一、测试产能是"良率守门人"。 一颗芯片流片出来不等于能用，必须经过电性能测试、可靠性老化、最终筛选。这个环节的产能决定了"设计产能"能兑现多少。

二、测试设备交期长。 测试机台（ATE）的采购周期通常 12-18 个月，且高度依赖少数几家供应商（如爱德万、泰瑞达）。这不是有钱就能立刻扩的。

三、洁净室建设周期长。 美光在财报会上明确提到，洁净室空间不足是扩产速度匹配不上需求增速的原因——即便行业在扩产，洁净室的建设与认证周期是物理约束。

四、Rubin 的封装更复杂。 同期宣布的三星电机加入封装基板供应链，预计 2028 年其订单将占据三星电机基板产能相当份额——封装基板也是后段。

结论很清楚：这一代 AI 芯片的瓶颈，已经从前段的晶圆制造，转移到了后段的封装、基板、测试。 这和"缺 GPU"是两回事——GPU 设计没问题，卡在最后一步把它变成可交付产品。

三、【AI 服务器产业链全景】

AI 服务器产业链大致分 4 个环节：

上游芯片：GPU（英伟达/AMD）、AI ASIC（谷歌 TPU、AWS Trainium、微软 Maia、Meta MTIA）、HBM 存储

中游制造与后段：晶圆代工（台积电）、先进封装（CoWoS、三星电机基板）、测试（爱德万、泰瑞达）、整机组装（工业富联、浪潮信息等 ODM）

下游云与部署：谷歌云、AWS、Azure、Meta 等；国内三大运营商 + 智算中心

配套：电源（800V高压直流）、液冷、变压器与配电、光互联（CPO/LPO）

上游 GPU 设计毛利率 70-75%（英伟达垄断地位）；先进封装与测试毛利率 25-40%（当前最紧俏）；ODM 整机组装毛利率 8-15%（规模大但议价弱）；液冷与供配电毛利率 30-40%（受 AI 需求直接拉动）。

这条链上，中国企业的卡点非常明确：在 HBM 与先进封装（CoWoS 类）环节仍高度依赖台积电与日韩厂商，而在测试环节（爱德万、泰瑞达）同样缺乏自主能力。芯片造出来之后的这几步，是国产替代最薄弱的区域。

四、【商业模式与价值链】

投入：晶圆厂（数千亿级，回收期 10 年+）、先进封装产线、测试产线与设备（测试机台单台数亿元）、洁净室建设。

计费：芯片按颗出售（Rubin 单价未披露）；云按实例小时或 Token 计费。

回报期：晶圆厂 8-10 年；先进封装 3-5 年；测试产线 2-3 年，是 AI 服务器链里回报最快的重资产环节。

客户绑定度：测试与封装环节的客户就是芯片原厂，绑定极强；ODM 环节绑定在整机订单上，随芯片平台迭代而重新洗牌。

当前这门生意的矛盾在于：最赚钱的设计环节不缺，缺的是把设计变成产品的后段。

五、三点判断谷歌云账号批发

第一，"缺 GPU"的叙事正在过时。 当 96 万块的规划遇上测试产能翻倍的节奏，真正的约束已经不是芯片设计能力，而是后段产能与洁净室。这个转变会重塑未来 18 个月的投资关注点。

第二，96 万块是"计划"不是"已交付"，两者差距就是供应链的真实缺口。 判断谷歌云 Rubin 进度，不要看发布公告，要看新加坡测试产线是否在2027 年 2 月真的投产。

第三，AWS 的 TorchNeuron 与谷歌的 TorchTPU 是同一件事的两面：软件栈正在被解耦。 当原生 PyTorch 能跑在 Trainium 上，NVIDIA 的锁定就从"硬件+软件"变成"硬件+生态"。这个解耦的进度，比任何单点性能指标都更能决定长期格局。

当前的判断很清楚：AI 算力的下一个瓶颈不在设计台，而在后段产线。谁把封装、测试、洁净室的产能跑通，谁就真正拿到这轮交付的钥匙。

---

⚠️ 96 万块 Rubin GPU 为谷歌云计划多站点部署量，非已交付/已上架；英伟达测试产能翻倍（2026-2027）与新加坡产线 2027 年 2 月投产为英伟达预计；三星电机 2028 年订单占比为英伟达预计。毛利率区间为行业一般估算，仅供理解量级。本文不含任何投资建议。