Analityk Bernsteina: prawdziwy „supercykl” półprzewodników po 18 latach wreszcie nadszedł

21 czerwca 2026 roku Stacy Rasgon, starszy analityk Bernsteina, ogłosił tezę, która zelektryzowała cały przemysł półprzewodnikowy: po 18 latach śledzenia rynku jest świadkiem pierwszego prawdziwego „supercyklu” w swojej karierze . To nie jest tylko chwytliwy nagłówek – za stwierdzeniem stoją dane, które zmuszają do refleksji nawet najbardziej ostrożnych inwestorów.

Rasgon, inżynier z dyplomem MIT, który obserwował każdy cykl hossy od czasów bańki internetowej, szczegółowo przedstawił swoją tezę w obszernym wywiadzie. Jego główna teza: to nie jest kolejny boom napędzany podażą. To fala popytu o historycznej skali, napędzana inwestycjami w infrastrukturę AI, które sięgają już 4,4% amerykańskiego PKB .

Liczby stojące za supercyklem

Skala zjawiska trudno przecenić. Globalne przychody sektora półprzewodników przekroczyły w 2025 roku 800 miliardów dolarów i pędzą w kierunku 1,3 biliona dolarów w 2026 roku . Firma badawcza Gartner odnotowała 64-procentowy wzrost rok do roku tych samych przychodów .

Rasgon zwraca uwagę, że czterej najwięksi amerykańscy operatorzy chmur – Amazon, Microsoft, Google i Meta – planują w 2026 roku wydatki kapitałowe na poziomie około 725 miliardów dolarów, z czego większość trafi na infrastrukturę AI . Ceny pamięci poszybowały w górę: DRAM w pierwszym kwartale 2026 roku zdrożał o około 90% w porównaniu z poprzednim kwartałem .

Efekt „kreta”: niedobory w każdym ogniwie

Jedną z najbardziej uderzających obserwacji Rasgona jest tak zwany efekt „kreta” – wąskie gardła rozprzestrzeniające się po całym łańcuchu dostaw półprzewodników. „Wszystko jest ciągnięte przez nienasycony popyt na moc obliczeniową do AI. Nigdy w swojej karierze nie widziałem czegoś takiego w tej skali” – mówi Rasgon .

Opisuje, jak niedobory rozprzestrzeniały się: zaczęły od akceleratorów GPU, przeszły na pamięć HBM, potem na sprzęt do produkcji półprzewodników, następnie na sieci i optykę, na układy mocy, a teraz brakuje nawet procesorów CPU .

Konkretny przykład zasięgu popytu: nawet Intel, który miał „wcześniej zerową wartość zapasów”, wyprzedał je w całości . Klienci rzekomo mówili Intelowi: „Nie obchodzi nas, co to jest; po prostu nam to sprzedajcie” .

HBM: ukryty pożeracz krzemu

Krytycznym wąskim gardłem jest pamięć wysokiej przepustowości (HBM), która zajmuje ponad 85% powierzchni krzemowej w układzie AI . Ze względu na wydajność układania i narzut związany z logiką, wyprodukowanie 1 GB HBM wymaga około czterokrotnie większej powierzchni krzemowej niż standardowa pamięć DRAM . Ta matematyka wyjaśnia, dlaczego podaż pamięci nie nadąża za popytem na GPU i dlaczego ceny pamięci stały się dominującym czynnikiem kosztów układów scalonych.

Przychody Nvidii z CPU: jedna szafa mówi wszystko

Rasgon przytacza zaskakującą liczbę: w jednej szafie z 72 procesorami GPU, 36 procesorów CPU generuje około 20 miliardów dolarów przychodów Nvidii z samego CPU. To pokazuje, jak budowa infrastruktury AI tworzy ogromny popyt na układy scalone znacznie wykraczający poza same akceleratory GPU.

Od trenowania do wnioskowania: zwrot w stronę komercjalizacji

Rasgon podkreśla, że uwaga rynku przesuwa się z trenowania modeli na wnioskowanie AI – to kluczowa ścieżka do monetyzacji . Jako bezpośredni dowód tego przesunięcia podaje wzrost przychodów Anthropic z 9 miliardów do 30 miliardów dolarów . Gdy modele AI przechodzą z projektów badawczych do produkcji, moc obliczeniowa potrzebna do wnioskowania prawdopodobnie przewyższy obciążenia związane z trenowaniem.

ASIC kontra GPU: współistnienie, nie konkurencja

Częste pytanie inwestorów brzmi, czy niestandardowe układy ASIC (takie jak produkowane przez Broadcom) ostatecznie wyprą procesory GPU Nvidii. Rasgon uważa, że w rosnącym rynku będą one długoterminowo współistnieć . Jego ramowa ocena: programowalne układy GPU lepiej nadają się do badań i wnioskowania eksploracyjnego, podczas gdy ASIC sprawdzają się w przewidywalnych, masowych obciążeniach wnioskowania. Całkowity dostępny rynek jest wystarczająco duży, aby wchłonąć oba rodzaje układów.

Ostateczne wąskie gardło: energia

Rasgon kończy trzeźwą konstatacją: ostatecznym ograniczeniem nie są układy scalone, pamięć ani sieci – to energia. Infrastruktura AI wymaga około 5-procentowego rocznego wzrostu wydajności amerykańskiej sieci elektroenergetycznej, aby utrzymać dotychczasową trajektorię wzrostu . To ogromne obciążenie dla sieci, która przez dziesięciolecia notowała minimalny wzrost wydajności.

Jego zdaniem, następna fala innowacji i wąskich gardeł w AI nieuchronnie spadnie na wytwarzanie energii, chłodzenie i energetykę jądrową . Bez znacznych inwestycji w sieć energetyczną, sam supercykl może uderzyć w sufit mocy.

Co to oznacza dla inwestorów

Przesłanie Rasgona jest jasne: dopóki popyt na AI nie załamie się gwałtownie, supercykl w półprzewodnikach jest realny i zrównoważony. Ale charakter okazji się zmienia. Łatwe pieniądze na akcjach GPU mogą ustępować miejsca bardziej złożonemu krajobrazowi, w którym samo „wąskie gardło” – czy to w HBM, układach mocy, czy infrastrukturze energetycznej – staje się generatorem bogactwa .