據 Woofun AI 消息，摩根士丹利通過亞洲供應鏈深度覈查，將 2027 年 AI 算力擴張轉化爲一個極具衝擊力的壓力測試指標：基於約 1900 萬顆 CoWoS 封裝的 GPU 與 ASIC 芯片，以及平均每顆 2kW TDP 的假設，這批芯片對應的隱含電力需求高達 38GW。

這一數字並非全球數據中心總用電量，而是對基礎設施承載能力的極限推演。它揭示了一個核心事實：AI 算力的瓶頸已從單純的芯片製造，全面蔓延至電力接入、先進封裝及配套系統的協同交付能力。若供應鏈模型如期兌現，現有電網與基建體系能否同步承接這一體量，將成爲決定算力落地的關鍵變量。

這 38GW 的電力需求背後，是各大科技巨頭在 AI 加速器領域的激烈角逐與產能分佈。Woofun AI 整理數據顯示，英偉達以 16GW 的佔比位居首位，谷歌緊隨其後貢獻約 9GW，AMD 約佔 7GW，AWS 約爲 2GW，而微軟、Meta 及其他廠商各貢獻約 1GW。

值得注意的是，該測算僅針對 AI 加速器本身，並未涵蓋 CPU、網絡交換、存儲系統及製冷設施等配套設備的額外能耗。這意味着實際數據中心的電力負荷將遠高於此數值。2kW 的平均 TDP 設定旨在估算總量，並不代表所有芯片功耗一致，且芯片在實際運行中並非始終滿載。

然而，這一由出貨量推導出的靜態壓力測試，清晰地勾勒出算力擴張對能源基礎設施提出的嚴峻挑戰：如果 2027 年 AI 芯片按此規模放量，電力基礎設施的滯後可能導致'芯片到位而機房空置'的嚴重錯配。

電力約束正在重塑數據中心的設計邏輯與英偉達的架構演進路徑。隨着電網接入、變電站建設、選址及長期購電安排成爲算力轉化的前置條件，基礎設施的建設速度直接決定了芯片能否轉化爲有效算力。芯片交付僅是起點，服務器、機架、散熱及運維繫統的配套同樣不可或缺。爲應對這一挑戰，英偉達持續提高單機架的 GPU 密度，試圖通過 scale-up 架構連接更多 GPU 以提升機架級計算效能。

然而，第一代 Rubin Ultra 機架採用的 Kyber 方案仍面臨 PCB 佈線與散熱的物理極限挑戰，因此可能繼續沿用 Oberon NVL72 設計，並通過 CPO 或 NPO 互聯技術擴展至 NVL576 規模。

這種高密度集成並未消除電力需求，反而將供電、散熱及互聯壓力集中至更高規格的數據中心設計中，進一步加劇了基礎設施的複雜性。

除電力外，HBM 與 CoWoS 產能仍是 2027 年前後 AI 芯片擴張的核心制約因素。根據摩根士丹利的供應鏈模型，2027 年 AI 芯片對應的 HBM 需求約爲 486.18 億 Gb。在封裝環節，Exhibit 3 列出的 CoWoS 配置量約爲 266.4 萬片晶圓，而 Exhibit 5 給出的全球 CoWoS 需求約爲 269.4 萬片，兩者因統計口徑差異略有不同。報告測算，2027 年 AI 計算芯片對應的晶圓收入市場規模至少達到 588 億美元。英偉達仍是 CoWoS 的最大需求方，預計消耗約 122.2 萬片；AMD 與博通分別約爲 53 萬片和 48.4 萬片。

然而，Rubin Ultra 的 HBM 配置尚未最終確定，存在重要變量：高配版本可能採用 HBM4e 8Hi，低配版本則可能採用 HBM4 12Hi 或 8Hi。摩根士丹利預計，英偉達可能在 2026 年第三季度末前作出最終決定。

這一調整反映了 HBM 產能短缺、內存成本上升及不同工作負載需求的綜合壓力。儘管 Exhibit 3 仍按 Rubin Ultra 配置 HBM4e 12Hi、單顆總容量 384GB 進行測算，但若最終配置下調，單顆芯片 HBM 用量雖減少，更低的內存成本也可能推動芯片出貨增加，部分抵消用量下降的影響。美光公開信息顯示，其 HBM4 已進入大批量出貨階段，HBM4E 預計於 2027 年量產，供應端的新品推進與英偉達的性能、成本權衡將共同決定最終格局。

英偉達 Rubin 系列的出貨節奏依然激進，供應鏈面臨多重任務疊加的壓力。報告預計，2027 年 Rubin 和 Rubin Ultra 合計出貨接近 700 萬顆，其中 Rubin 約 592 萬顆，Rubin Ultra 約 104 萬顆；Rubin NVL72 機架出貨可能達到約 9 萬臺。Rubin 預計從 2026 年第三季度開始爬坡，第四季度啓動機架出貨。此前市場擔憂的 Blackwell'庫存'更多被視爲供應鏈緩衝庫存，預計將在 2026 年被完全消化。

這意味着，從 2026 年下半年到 2027 年，英偉達供應鏈需同時完成 Blackwell 庫存消化、Rubin 爬坡、HBM 規格切換及機架交付。任何一個環節的放緩，都可能影響最終可交付的算力規模，使得供應鏈的協同效率成爲關鍵考驗。

谷歌 TPU 的放量是另一條顯著的增長主線，其測試複雜度的提升也帶來了新的產業影響。摩根士丹利預測，谷歌 TPU 出貨量將從 2026 年的 370 萬顆增加至 2027 年的 735 萬顆。其中，由博通參與的 v8i 預計出貨 400 萬顆，由聯發科參與的 v8t 預計出貨 300 萬顆，v9 預計約 15 萬顆，其餘約 20 萬顆來自 v7。TPU 放量將訂單傳導至芯片設計、晶圓製造、先進封裝及測試環節。報告預計，TPU 相關業務可能佔 KYEC 2026 年收入的 7% 至 8%，2027 年佔比略高於 10%，包括最終測試和部分晶圓探測收入。

若將谷歌 CPU、TPU、最終測試及部分晶圓探測業務全部納入，谷歌相關需求預計將佔 KYEC 2027 年收入的 10% 至 15%，高於 2026 年的 8% 至 10%。測試需求正變得更加複雜，聯發科參與的 3nm TPU 預計採用 Burn-in 測試以提高性能穩定性，谷歌 CPU 項目也需要 Burn-in 和系統級測試。更復雜的測試流程和更長的週期將增加測試廠訂單，但測試產能是否成爲瓶頸，還取決於單顆芯片測試時間與整體出貨量的共同變化。部分測試時間的縮短可能緩解近期產能壓力，因此不能簡單將測試需求增長等同於產能必然短缺。

綜合來看，2027 年的 AI 擴張約束已被置於同一套模型中進行審視：英偉達提高 GPU 密度，谷歌 TPU 快速放量，HBM 與 CoWoS 需求同步上升，芯片隱含電力需求推高至 38GW。這些數字依賴多個前提，包括 Rubin Ultra 分層 HBM 方案的確定、CoWoS 與 HBM 產能的按計劃擴張，以及服務器、機架、電力和散熱建設的同步跟進。互聯方案的差異同樣值得關注。

由於本土代工工藝限制，中國 AI GPU 廠商的 SerDes 速度可能仍停留在每通道 100Gb/s，因此其超節點架構更多采用 NPO 互聯，而英偉達長期更看重 CPO。不同路線將影響超節點設計、部署成本及系統效率。38GW 並非對 2027 年實際用電量的精確預測，而是一個從芯片出貨側推導出的壓力測試，它提醒市場：決定 AI 算力能否兌現的，已不再僅是 GPU 排產，而是 HBM、CoWoS、測試、機架和電力能否在同一時間到位。