据 Woofun AI 消息，摩根士丹利通过亚洲供应链深度核查，将 2027 年 AI 算力扩张转化为一个极具冲击力的压力测试指标：基于约 1900 万颗 CoWoS 封装的 GPU 与 ASIC 芯片，以及平均每颗 2kW TDP 的假设，这批芯片对应的隐含电力需求高达 38GW。

这一数字并非全球数据中心总用电量，而是对基础设施承载能力的极限推演。它揭示了一个核心事实：AI 算力的瓶颈已从单纯的芯片制造，全面蔓延至电力接入、先进封装及配套系统的协同交付能力。若供应链模型如期兑现，现有电网与基建体系能否同步承接这一体量，将成为决定算力落地的关键变量。

这 38GW 的电力需求背后，是各大科技巨头在 AI 加速器领域的激烈角逐与产能分布。Woofun AI 整理数据显示，英伟达以 16GW 的占比位居首位，谷歌紧随其后贡献约 9GW，AMD 约占 7GW，AWS 约为 2GW，而微软、Meta 及其他厂商各贡献约 1GW。

值得注意的是，该测算仅针对 AI 加速器本身，并未涵盖 CPU、网络交换、存储系统及制冷设施等配套设备的额外能耗。这意味着实际数据中心的电力负荷将远高于此数值。2kW 的平均 TDP 设定旨在估算总量，并不代表所有芯片功耗一致，且芯片在实际运行中并非始终满载。

然而，这一由出货量推导出的静态压力测试，清晰地勾勒出算力扩张对能源基础设施提出的严峻挑战：如果 2027 年 AI 芯片按此规模放量，电力基础设施的滞后可能导致'芯片到位而机房空置'的严重错配。

电力约束正在重塑数据中心的设计逻辑与英伟达的架构演进路径。随着电网接入、变电站建设、选址及长期购电安排成为算力转化的前置条件，基础设施的建设速度直接决定了芯片能否转化为有效算力。芯片交付仅是起点，服务器、机架、散热及运维系统的配套同样不可或缺。为应对这一挑战，英伟达持续提高单机架的 GPU 密度，试图通过 scale-up 架构连接更多 GPU 以提升机架级计算效能。

然而，第一代 Rubin Ultra 机架采用的 Kyber 方案仍面临 PCB 布线与散热的物理极限挑战，因此可能继续沿用 Oberon NVL72 设计，并通过 CPO 或 NPO 互联技术扩展至 NVL576 规模。

这种高密度集成并未消除电力需求，反而将供电、散热及互联压力集中至更高规格的数据中心设计中，进一步加剧了基础设施的复杂性。

除电力外，HBM 与 CoWoS 产能仍是 2027 年前后 AI 芯片扩张的核心制约因素。根据摩根士丹利的供应链模型，2027 年 AI 芯片对应的 HBM 需求约为 486.18 亿 Gb。在封装环节，Exhibit 3 列出的 CoWoS 配置量约为 266.4 万片晶圆，而 Exhibit 5 给出的全球 CoWoS 需求约为 269.4 万片，两者因统计口径差异略有不同。报告测算，2027 年 AI 计算芯片对应的晶圆收入市场规模至少达到 588 亿美元。英伟达仍是 CoWoS 的最大需求方，预计消耗约 122.2 万片；AMD 与博通分别约为 53 万片和 48.4 万片。

然而，Rubin Ultra 的 HBM 配置尚未最终确定，存在重要变量：高配版本可能采用 HBM4e 8Hi，低配版本则可能采用 HBM4 12Hi 或 8Hi。摩根士丹利预计，英伟达可能在 2026 年第三季度末前作出最终决定。

这一调整反映了 HBM 产能短缺、内存成本上升及不同工作负载需求的综合压力。尽管 Exhibit 3 仍按 Rubin Ultra 配置 HBM4e 12Hi、单颗总容量 384GB 进行测算，但若最终配置下调，单颗芯片 HBM 用量虽减少，更低的内存成本也可能推动芯片出货增加，部分抵消用量下降的影响。美光公开信息显示，其 HBM4 已进入大批量出货阶段，HBM4E 预计于 2027 年量产，供应端的新品推进与英伟达的性能、成本权衡将共同决定最终格局。

英伟达 Rubin 系列的出货节奏依然激进，供应链面临多重任务叠加的压力。报告预计，2027 年 Rubin 和 Rubin Ultra 合计出货接近 700 万颗，其中 Rubin 约 592 万颗，Rubin Ultra 约 104 万颗；Rubin NVL72 机架出货可能达到约 9 万台。Rubin 预计从 2026 年第三季度开始爬坡，第四季度启动机架出货。此前市场担忧的 Blackwell'库存'更多被视为供应链缓冲库存，预计将在 2026 年被完全消化。

这意味着，从 2026 年下半年到 2027 年，英伟达供应链需同时完成 Blackwell 库存消化、Rubin 爬坡、HBM 规格切换及机架交付。任何一个环节的放缓，都可能影响最终可交付的算力规模，使得供应链的协同效率成为关键考验。

谷歌 TPU 的放量是另一条显著的增长主线，其测试复杂度的提升也带来了新的产业影响。摩根士丹利预测，谷歌 TPU 出货量将从 2026 年的 370 万颗增加至 2027 年的 735 万颗。其中，由博通参与的 v8i 预计出货 400 万颗，由联发科参与的 v8t 预计出货 300 万颗，v9 预计约 15 万颗，其余约 20 万颗来自 v7。TPU 放量将订单传导至芯片设计、晶圆制造、先进封装及测试环节。报告预计，TPU 相关业务可能占 KYEC 2026 年收入的 7% 至 8%，2027 年占比略高于 10%，包括最终测试和部分晶圆探测收入。

若将谷歌 CPU、TPU、最终测试及部分晶圆探测业务全部纳入，谷歌相关需求预计将占 KYEC 2027 年收入的 10% 至 15%，高于 2026 年的 8% 至 10%。测试需求正变得更加复杂，联发科参与的 3nm TPU 预计采用 Burn-in 测试以提高性能稳定性，谷歌 CPU 项目也需要 Burn-in 和系统级测试。更复杂的测试流程和更长的周期将增加测试厂订单，但测试产能是否成为瓶颈，还取决于单颗芯片测试时间与整体出货量的共同变化。部分测试时间的缩短可能缓解近期产能压力，因此不能简单将测试需求增长等同于产能必然短缺。

综合来看，2027 年的 AI 扩张约束已被置于同一套模型中进行审视：英伟达提高 GPU 密度，谷歌 TPU 快速放量，HBM 与 CoWoS 需求同步上升，芯片隐含电力需求推高至 38GW。这些数字依赖多个前提，包括 Rubin Ultra 分层 HBM 方案的确定、CoWoS 与 HBM 产能的按计划扩张，以及服务器、机架、电力和散热建设的同步跟进。互联方案的差异同样值得关注。

由于本土代工工艺限制，中国 AI GPU 厂商的 SerDes 速度可能仍停留在每通道 100Gb/s，因此其超节点架构更多采用 NPO 互联，而英伟达长期更看重 CPO。不同路线将影响超节点设计、部署成本及系统效率。38GW 并非对 2027 年实际用电量的精确预测，而是一个从芯片出货侧推导出的压力测试，它提醒市场：决定 AI 算力能否兑现的，已不再仅是 GPU 排产，而是 HBM、CoWoS、测试、机架和电力能否在同一时间到位。