物理AI：人工智能的终极形态

MLCC

根据TrendForce最新研究，强劲的AI芯片需求正加剧高端MLCC的供需紧张状况，同时消费级MLCC的供应也面临压力。

📦 受此影响，部分分销商已开始进行预防性备货，供应商则相应上调报价。

📊 近期ODM厂商与供应商的价格谈判显示，整体MLCC价格的平均跌幅已触及近3年最低水平。

🔍 TrendForce分析认为，这标志着MLCC定价周期已进入价格反弹前的关键阶段。

PCB检测设备

英伟达链强制需求，需求驱动因素是224G高速场景的新增需求，M8以上必配检测设备，M7暂不需要。新增检测环节会增加生产周期3天，成本上升但产品一致性和良率控制上升。一致性不达标交付后会整批报废甚至大幅丢单。

近期台达SST获谷歌明确订单指引、华为公布SST三步走落地战略。Meta、AWS的SST也在验证中。

玻璃TGV与陶瓷基板加速推进

T-glass与ABF膜供应紧张，玻璃载板有望加速导入。传统ABF载板由T-glass与ABF增层构成，随着算力芯片爆发式增长，性能要求不断提高，玻璃以更低损耗/更低翘曲/更低成本进入大家视野，叠加ABF膜与T-glass紧缺，产业有望加速导入玻璃基材料。在玻璃载板领域，玻璃载板glass core有望逐渐替代T-glass，并减少ABF膜的用量，缓解供应紧张的情况。

台积电CoPoS加速推进，玻璃基板加速验证。受限于光罩面积限制，随着算力芯片面积增长，硅中介层对于晶圆利用率持续下降，台积电推动大尺寸矩形面板的导入。台积电26H1将完成中试线建设，未来几年实现量产，玻璃基板将加速产业验证。

玻璃TGV与高功耗领域陶瓷基板，均需超快激光设备进行加工，存量市场空间在2700e+。玻璃TGV将采用超快激光诱导改性+湿法刻蚀进行打孔，#2026年高端ABF载板面积需求达50万m²，20%面积需打孔密度4e个/m²（20μm孔径，50μm孔间距），80%需打孔密度1.5e个/平方米（40μm孔径，80μm孔间距），超快激光打孔5k/min，20h/天，300天/年，需5.5万台设备，单设备500w，存量设备市场空间达2700e左右。若考虑玻璃中介层及陶瓷基板，市场空间有望更高！

CPU

2027年CPU算力增长预计至少40%，2026年底或迎来Agentic AI带动的需求释放；但对x86 CPU需求不必比30%-40%更乐观，因2027年ARM架构CPU占比或突破15%，2026年该占比尚不足5%。

ARM CPU本轮增长核心驱动力是2027年英伟达B系列、Rubin系列产品配套需求，英伟达Rubin系列CPU以机架式出货，需大量搭载自家Rubin ARM处理器；同时AWS等互联网公司在GPU服务器中采用ARM架构，进一步推动ARM出货量提升。

ABF基板成为CPO整合的关键战场

在AI数据中心对超高速传输需求爆发式增长的背景下，台积电（TSMC）的共封装光学（CPO）战略也正迈上新台阶。

🔍台积电近期披露，其整合了紧凑型通用光子引擎（COUPE）的"基板上COUPE"方案，有望于2026年下半年进入量产。

📊业内将此解读为不仅仅是光通信升级，更标志着AI供应链竞争正从先进制程和先进封装，进一步扩展到ABF基板与CPO整合领域。

🔧随着NVIDIA下一代Vera Rubin平台不断提升AI GPU、HBM与超高速网络互连之间的整合水平，高端基板的重要性势必迅速攀升。

⚠️尤其是，半导体行业人士指出，如果CPO未来确立其AI服务器主流架构的地位，NVIDIA可能会通过长期协议（LTA）、预付款和战略合作等方式，抢先锁定高端ABF基板产能。

🛡️这将是一项战略举措，旨在避免重蹈此前CoWoS和HBM供应短缺的覆辙。

📊此外，与传统CPU基板相比，AI GPU和ASIC所用基板面积明显更大、层数显著更高，使ABF材料消耗量扩大5至10倍。

🔎随着AI GPU、ASIC及高端网络芯片需求持续增长，高端ABF基板的供需结构预计将在较长时间内保持紧张。

物理AI

1、2026年5月18日盘前，网传孙宇晨近期重提物理AI概念，指其为下一个十年超级风口。

2、NVIDIA中国开发者日2025将于11月14日在苏州举行主题涉及物理AI。

3、2025年7月17日第三届链博会先进制造链主题活动现场，黄仁勋表示，物理AI是人工智能的下一波浪潮，标志着机器人领域的'ChatGPT时刻'即将到来，人形机器人50年的发展路径将缩短至5年。

相较数字世界AI，#物理AI=物理规律（机理模型）+AI，核心特征为：处理物理世界真实数据、输出物理系统控制指令、作用于物理实体的运行状态。TPT基于Transformer框架+海量真实工况数据预训练，直接作用于工业装置的参数预测、优化、自动化控制等场景，带来#安全生产、节能减排、降本增效等真实效益，是物理AI在流程工业的最佳载体。

物理AI是AI应用的终局，代表了智能体拥有理解物理世界规律和改变物理环境的能力，这一能力本质源自模型，尤其是世界模型的落地应用。而模型的突破，核心是训练数据，即大规模且高质量的具身数据终将提升具身模型的泛化能力，进而推动物理AI应用。#只有数据和模型实现突破、物理AI才能最终落地。

更简单来说，正如我们在周报以及过去2个月反复提及：#"具身基建"是具身智能落地的底层驱动，也是26-27年最重要的板块主线。

对应到产业链投资视角，下游模型的迭代需求，自26年初正加速推动上游基础设施的建设需求，#而按照目前数据采集方式的配比来看（数据金字塔）、真机+视频+仿真这三大形式分别催生对应的基础设施需求。

‼️具体而言，真机+视频数据对应数采硬件设备（UMI、Ego以及相应的数采手套、相机和力觉等），仿真对应仿真平台和资产。