欢迎收听雪球出品的财经有深度，雪球，国内领先的集投资交流交易一体的综合财富管理平台，聪明的投资者都在这里。今天分享的内容叫英特尔：躺赢是一种什么体验，来自falcon669。

八个月前，二零二五年8月，我和同事坐在办公室里嘲笑英特尔。

那个时候英特尔只剩1000亿美元市值，摇摇欲坠，C E O也换了人，美国政府想100亿抄10%的股份，但是没人看好他。C P U看上去在A I市场就是个喝汤的角色，代工业务更被认为是利润的超级累赘，封装这块几年来弄出的最大的动静是还在图纸上的玻璃基板。

从那以后，八个月翻了四倍，本月翻倍，每股价格创造了历史新高。

英特尔做了什么吗？说实话，和英伟达亚马逊甚至A M D相比，英特尔没有做什么。

是环境变了。

一、美国制造

英特尔的估值重塑，大家聊的比较多的是制造回流美国，然而个人觉得这是最无关紧要的一块。

英特尔并不是美芯国际，没了他，还有台积电亚利桑那，G F不是完全没有一战之力。所以即使在拿到政府背书，英特尔也只是暂时脱离了最难受的阶段，在陈立武的引导下慢慢恢复元气。英特尔大刀阔斧斩掉了不少旁支业务，比如贱卖了全球第二大F P G A厂商Altera，甚至一度传出要拆分代工业务。

只要活下去，总能等到一些好事发生。

二、E M I B的涅槃

英特尔的先进封装业务其实起步不算晚，二零一七年推出E M I B，二零一八年底推出Foveros，其实解释起来，就是另一个版本的2.5D水平拼多芯粒和3D垂直叠芯粒。所不同的是，E M I B是要在有机载板内做一个中空腔体，再在里面埋一个类似于interposer但小得多的硅桥，来实现关键的连接。

前几年乏人问津，原因也很好理解，一方面立体结构本来就是芯片制造中最难的一环，构建带腔体的有机封装基板，内装硅桥，还要控制好温度和压力从而满足平整度要求，用于后续chiplet键合，听起来过于复杂了，不符合工程学求简便的原则。另一方面硅桥毕竟还是小，互联密度不够，和扣沃斯比会亏一点性能。

但是时间走到二五年下半年的时候，发生了一些变化。

一方面，扣沃斯的扩产实在太慢了，完全跟不上需求的扩张。英伟达是最大客户，财大气粗，直接包圆了台积电的扣沃斯产能，其他家只能忍气吞声。但商场如战场，排队等待的每一分钟，都是商机的流失，所以小厂商，特别是各家自研A S I C，量不够大的厂商，就要另寻办法。

另一方面，就要讲到目前A I芯片业界的最大麻烦：芯片越来越大了。

原因也很简单，制程迭代下晶体管密度的增长显著放缓，已经跟不上摩尔定律了，但高端芯片就是个要堆晶体管的活，所以芯片只能做大来满足需求。更别提现在还需要H B M，H B M在旁边围一圈，这封装更是大到没边，更出现了Cerabas这种一张晶圆一个封装的怪胎。

听起来好像不是什么大问题，是吧？做大点怎么了，无非多费点料多费点工？

举个例子吧，某个封装基板厂的老板吃饭的时候和我聊过，做70乘以70毫米的基板，良率还能有九成往上，到80乘以80就掉了一成，再往大做，良率就指数级往下掉。

大家都懂，塑料这玩意，受热容易弯，有机基板其实也类似，为了不让他弯到报废，只能把板子越做越厚，这样出现的问题就是钻孔越来越难，钻针越来越不耐用，这也是钻针需求增长的核心逻辑。

另外，光刻每次会曝光一个格子的大小，一般叫一个reticle（光罩尺寸），在前道制程和先进封装中，这个尺寸会有差别，前道制程是26乘以33毫米，后道因为不用通过缩放追求先进制程，所以长和宽基本是前道的两倍。但一旦需要做的封装层面积超过这个数值，那就只能通过拼接的方法进行光刻，而极精细尺度的拼接会严重影响良率，这也是原本计划在Rubin Ultra上做的4die合封方案失败的直接原因。

关于这里的原理和带来的路线变化，后面哪次聊到光刻机的时候我们再提。只需知道，扣沃斯S仅能达到3.3倍光罩尺寸、扣沃斯L目前发展至3.5倍，预计在二零二七年达到9倍；E M I B-M已可提供6倍光罩尺寸，并预计二零二六到二零二七年可达到8倍至12倍，而且硅桥的成本比硅基中介层要低。

因此，美满、联发科、谷歌、Meta轮流找上了门，E M I B一下成了香饽饽。

三、C P U的蜕变

E M I B的涅槃提升了英特尔的行业重要性，但北美一向不喜欢重资产的叙事，所以，真正将英特尔推向新巅峰的，还是C P U在A I系统中角色的蜕变。

我们知道，C P U的特点是指挥、调度、控制，它擅长的事情是把你要让电脑做的事情整理成一连串的指令，然后按顺序执行，这种模式我们一般称为串行，就是把要做的事情排成串，按顺序执行。

而G P U的特点是内部有好多小的计算单元，我要做一个非常大的几千个数字相乘的任务，就可以把这个任务分解成几十个较短的算式，然后交给这些计算单元同时去算，得到的结果再相乘，可以大大节省用时，这种我们称为并行，把要做的事情分解成很多个同类任务然后同时执行。G P U在A I系统中之所以能战胜C P U，就是因为对A I输入的指令相对简单，但是背后要做大量的计算，对G P U这种并行计算的需求更大。

例如A I对话，我向A I系统发送一个问题：“某某公司过去一年的财务情况怎么样”，C P U接收了我的需求，让后面的G P U吭哧吭哧理解我的问题，搜索或者去存储中寻找对应问题的答案，然后再由C P U输出给我即可。

但进展到Agent时代，事情发生了变化。Agent虽然提出得早，但是之前大家对于他会是怎么样的一个结构和生态理解有限，直到龙虾出来，Agent框架初具雏形，各路大神开始花式整活，才发现人类的懒惰程度还是被低估了。

好家伙，你对着电脑里打一行字：“给我做个好玩的游戏”，就要等着A I给你把成品端上桌，甚至想着敲一行指令，就要电脑给你把钱赚了。更有意思的在于，这个事还真不是做不到。以做游戏为例子，A I能做游戏吗？当然能，拆解开来无非是策划玩法-写核心代码-生成美术音乐资源-拼盘-打包发布，每一项之前的A I推理都干过，为了防止出问题，还可以设定一个监督机制，检查每一个步骤，防止中间出错，你只要同时启动七八个A I，这个事是在可实现范围内的。

但是，懂行的会组织A I的毕竟是少数人，而财富是掌握在大众手中的。如何满足大众小白的需要？问题的关键，就从如何做计算，回到了如何组织、拆解、规划任务了。

四、C P U格局：谁是未来

从上面一段可以看出，C P U的变化，来自A I系统需求的重塑，简而言之，是行业的beta，而落到各个公司的Alpha，还要看C P U行业内部的格局变化。

指令集是C P U架构的核心，软件程序通过指令集编译为能被C P U理解执行的机器码，从而调度硬件系统的运行。指令集一般可分为复杂指令集和精简指令集。