如果結果理想，這將說明架構設計與系統整合可以在先進製造能力較弱的情況下，縮小部分差距。但這不代表華為已經取代 EUV 微影，也不代表電晶體微縮的經濟效益與物理規律就此消失。

「5層蛋糕」與「18層寶塔」：兩種觀看 AI 產業的方法

Nvidia 執行長黃仁勳提出的「AI 5層蛋糕」，是一幅相對精簡的產業全景圖：能源、晶片、運算基礎設施、雲端／AI 模型，以及應用。它著重說明 AI 如何由能源與硬體一路堆疊到能夠創造商業價值的應用層。

華為半導體首席科學家廖恆則以「18層寶塔」描述同一條價值鏈，但採取更偏工程與生產流程的拆解方式。底層包括理論、電力、礦產、原材料、矽、電晶體與製程設計、晶圓製造、微影和設備、先進封裝；中間延伸至晶片架構、編譯器、運行時、算子切分與量化；上層則包括訓練方法、基礎模型、推理、代理框架、產品能力和商業應用。

因此，兩個比喻並非一定互相矛盾。黃仁勳的模型適合用來理解 AI 基礎設施的產業分工與價值流向；廖恆的模型則刻意把「晶片」、「基礎設施」和「模型」等大類拆開，讓其中被掩蓋的依賴關係浮現出來。

為什麼最短的一層會決定上限？

廖恆所說的「最短板」或「最弱的一層」，本質上是一個端到端系統工程問題。一個再強大的 AI 模型，也無法完全彌補電力不足、記憶體頻寬不夠、封裝能力有限、製造良率偏低、軟體工具不成熟、互連效率不佳，或部署能力不足等問題。

在實際運算中，系統的吞吐量、成本與可靠性往往受最慢或最不穩定的依賴環節限制。若加速器很快，卻長時間等待資料；若晶片數量增加，卻因網路通訊而閒置；若模型需要大量低精度運算，但編譯器與運行時無法有效支援，硬體規格就未必能轉化為使用者看得到的效能。

「18層寶塔」因此不只是華為對產業的分類，也是對跨層協作的主張：不能只打造一顆更快的加速器，還要同步強化記憶體、封裝、網路、軟體與模型，讓每一層之間的介面更順暢。

用晶片叢集補足單顆硬體差距

這套思路的另一個策略含意，是以大量可取得、但單顆效能未必最頂尖的加速器，組成具備實用效能的運算叢集。華為及其合作夥伴需要共同設計晶片、記憶體、網路、編譯器與運行時、模型量化，以及分散式訓練軟體，盡量減少晶片彼此溝通或等待的時間。

對能夠高度平行化的 AI 工作負載而言，這種做法可能有效；但代價也可能包括更高的耗電量、更複雜的網路、更大的軟體開發負擔，以及資料中心營運與維護成本。使用更多較弱的處理器，也不必然能在所有任務上取代較少量的頂尖 GPU。

目前公開報道支持這是華為試圖推進的方向，但仍缺乏足夠的獨立測試，證明其整體系統已與 Nvidia 的領先方案達到同等水準。

中國本土 AI 晶片生態正在成形

Tau Scaling 與「18層寶塔」放在一起看，反映的是一項更廣泛的產業策略：建立涵蓋晶片設計、晶圓製造、記憶體、封裝、AI 框架與系統整合的本土供應鏈。原因很直接——如果任何一層受到進口限制，整個 AI 系統的上限都可能被那一層卡住。

路透社查閱的 IDC 數據顯示，2025年中國本土 GPU 與 AI 晶片供應商合計取得中國 AI 加速器伺服器市場約41% 的份額；Nvidia 仍是最大單一供應商，份額約55%。華為是本土供應商中的領先者。出口管制與國產化壓力，是這種市場轉變的重要推動因素。

華為真正想改變的是競爭規則

華為並沒有逃離半導體物理，而是嘗試把競爭從單一的製程微縮，轉移到訊號傳輸、晶片架構、3D 整合、先進封裝、軟體工具，以及叢集層級的協調效率。

這條路能否形成真正的技術斷層，仍要等待手機晶片上市後的實測與後續產品驗證。若 LogicFolding 能在功耗、散熱、良率與持續效能之間取得平衡，華為或許能以整體工程能力部分抵銷先進微影設備不足的劣勢；但若其中任何關鍵層成為瓶頸，「更快傳輸」仍可能只是另一種表述方式，而不是對傳統微縮競賽的全面取代。

如果結果理想，這將說明架構設計與系統整合可以在先進製造能力較弱的情況下，縮小部分差距。但這不代表華為已經取代 EUV 微影，也不代表電晶體微縮的經濟效益與物理規律就此消失。

「5層蛋糕」與「18層寶塔」：兩種觀看 AI 產業的方法

Nvidia 執行長黃仁勳提出的「AI 5層蛋糕」，是一幅相對精簡的產業全景圖：能源、晶片、運算基礎設施、雲端／AI 模型，以及應用。它著重說明 AI 如何由能源與硬體一路堆疊到能夠創造商業價值的應用層。

華為半導體首席科學家廖恆則以「18層寶塔」描述同一條價值鏈，但採取更偏工程與生產流程的拆解方式。底層包括理論、電力、礦產、原材料、矽、電晶體與製程設計、晶圓製造、微影和設備、先進封裝；中間延伸至晶片架構、編譯器、運行時、算子切分與量化；上層則包括訓練方法、基礎模型、推理、代理框架、產品能力和商業應用。

因此，兩個比喻並非一定互相矛盾。黃仁勳的模型適合用來理解 AI 基礎設施的產業分工與價值流向；廖恆的模型則刻意把「晶片」、「基礎設施」和「模型」等大類拆開，讓其中被掩蓋的依賴關係浮現出來。

為什麼最短的一層會決定上限？

廖恆所說的「最短板」或「最弱的一層」，本質上是一個端到端系統工程問題。一個再強大的 AI 模型，也無法完全彌補電力不足、記憶體頻寬不夠、封裝能力有限、製造良率偏低、軟體工具不成熟、互連效率不佳，或部署能力不足等問題。

在實際運算中，系統的吞吐量、成本與可靠性往往受最慢或最不穩定的依賴環節限制。若加速器很快，卻長時間等待資料；若晶片數量增加，卻因網路通訊而閒置；若模型需要大量低精度運算，但編譯器與運行時無法有效支援，硬體規格就未必能轉化為使用者看得到的效能。

「18層寶塔」因此不只是華為對產業的分類，也是對跨層協作的主張：不能只打造一顆更快的加速器，還要同步強化記憶體、封裝、網路、軟體與模型，讓每一層之間的介面更順暢。

用晶片叢集補足單顆硬體差距

這套思路的另一個策略含意，是以大量可取得、但單顆效能未必最頂尖的加速器，組成具備實用效能的運算叢集。華為及其合作夥伴需要共同設計晶片、記憶體、網路、編譯器與運行時、模型量化，以及分散式訓練軟體，盡量減少晶片彼此溝通或等待的時間。

對能夠高度平行化的 AI 工作負載而言，這種做法可能有效；但代價也可能包括更高的耗電量、更複雜的網路、更大的軟體開發負擔，以及資料中心營運與維護成本。使用更多較弱的處理器，也不必然能在所有任務上取代較少量的頂尖 GPU。

目前公開報道支持這是華為試圖推進的方向，但仍缺乏足夠的獨立測試，證明其整體系統已與 Nvidia 的領先方案達到同等水準。

中國本土 AI 晶片生態正在成形

Tau Scaling 與「18層寶塔」放在一起看，反映的是一項更廣泛的產業策略：建立涵蓋晶片設計、晶圓製造、記憶體、封裝、AI 框架與系統整合的本土供應鏈。原因很直接——如果任何一層受到進口限制，整個 AI 系統的上限都可能被那一層卡住。

路透社查閱的 IDC 數據顯示，2025年中國本土 GPU 與 AI 晶片供應商合計取得中國 AI 加速器伺服器市場約41% 的份額；Nvidia 仍是最大單一供應商，份額約55%。華為是本土供應商中的領先者。出口管制與國產化壓力，是這種市場轉變的重要推動因素。

華為真正想改變的是競爭規則

華為並沒有逃離半導體物理，而是嘗試把競爭從單一的製程微縮，轉移到訊號傳輸、晶片架構、3D 整合、先進封裝、軟體工具，以及叢集層級的協調效率。

這條路能否形成真正的技術斷層，仍要等待手機晶片上市後的實測與後續產品驗證。若 LogicFolding 能在功耗、散熱、良率與持續效能之間取得平衡，華為或許能以整體工程能力部分抵銷先進微影設備不足的劣勢；但若其中任何關鍵層成為瓶頸，「更快傳輸」仍可能只是另一種表述方式，而不是對傳統微縮競賽的全面取代。