工程现实优先：叙事有没有工程地基
本节学什么
本节学 Asianometry 最基础的一层判断：一个产业叙事先不要问能涨多久，而要问它有没有工程地基。Jon Y 的强项不是实时订单，也不是卖方模型，而是把公开论文、公司史、产业访谈、技术文档和历史材料组织成因果链。对读者来说，这一节要学会把“热门词”还原成可检验问题：这件事发生在哪个工艺环节，依赖什么设备、材料、人才和客户导入，历史上为什么有人失败，今天是否只是换了一个更好听的名称。深研里对他的定位很清楚：研究分析师型 KOL、半导体产业史与工程机理解释者；适合做产业热点提前雷达和用户教育底座，不适合做分钟级事件交易信号。合规上，本课只谈研究方法与产业案例，不构成投资建议。
核心框架
“工程现实优先”不是反对叙事，而是要求叙事先过五个检查点。第一，定义工程对象：是晶圆制造、封装、存储、互连、材料、设备，还是供应链组织问题。第二，找硬约束：成本、良率、产能、客户愿付价格，哪一个没有被证明，哪一个可能拖住全局。第三，拉历史线：类似技术过去为什么成立或失败，失败发生在物理极限、商业回报、客户迁移还是组织执行。第四，拆护城河：设备能不能买到只是表层，真正难复制的可能是 recipe、调机经验、工程师训练、供应商协同和量产纪律。第五，写反证：什么事实出现会让原叙事不成立。这个顺序能把“技术名词”变成“验证清单”，也能防止读者被单点突破带偏。
他怎么用(具体案例+数据+原话)
深研列出的代表性回测说明，Jon 的“封神”不是喊中价格，而是提前讲清工程瓶颈。2020 年他讲 TSMC 起源和护城河，时间上早于全球缺芯、台积电地缘化和 AI 代工中心化；2021 年 ASML/EUV 系列早于 2022 年 10 月出口管制和《Chip War》把光刻大众化；2022 年 12 月《AI’s Hardware Problem》在 ChatGPT 爆发初期就把注意力放到内存墙；2023 年先进封装史之后，CoWoS 很快成为 H100 交付瓶颈；2025 年 CPO/带宽墙内容，则给后续光互连叙事打底。深研保留的原话是：“半导体的命运由工程现实、经济性和隐性知识决定，不由叙事或股价决定。”这句话正是本节的用法：先问工程现实，再谈商业含义。
常见误区
误区一，把解释力当成买卖信号。Jon 无持仓账本，不报目标价，也不做仓位或短线财报预测。误区二，把一个工程瓶颈说清楚，就等同于认为相关公司一定有投资机会；实际上价格、预期、供需和估值都需要另外验证。误区三，只记住结论，不复原推理链。比如“TSMC 强”“EUV 重要”“HBM 紧缺”都不是完整判断，完整判断要包含为什么难复制、哪一步卡住、什么条件会推翻。误区四，把缺席当结论。他的内容是脚本化研究，某个主题没讲不等于负面。
可迁移方法
读一个新产业故事时，先写一页“工程地基卡”。第一行写叙事名称，第二行写它落在哪个环节，第三行写成本、良率、产能、客户需求四项证据，第四行写历史类比，第五行写不可复制的隐性知识，第六行写最可能的反证。然后把工程判断和投资判断分成两张表：前者判断机制是否成立，后者再看订单、价格、库存、资本开支、估值和市场预期。这样做的好处是，即使最后不参与任何交易，也能更早识别哪些热点只是财经口号，哪些问题正在从工程圈进入产业主叙事。
小结
本节只讲一个总原则：叙事要先有工程地基。Asianometry 的可学价值，是把产业故事还原为历史、工艺、经济性和隐性知识共同作用的因果链。它能帮助读者建立研究雷达，但不能替代实时数据和投资纪律。
摩尔定律是经济问题不是物理问题
本节学什么
本节专讲“摩尔定律是经济问题不是物理问题”。在大众叙事里，先进节点常被讲成一条单纯的物理竞赛：线宽更小、晶体管更多、性能更强。但 Asianometry 的角度更冷静：下一代节点能不能推进，取决于物理可行性，也取决于有没有足够客户愿意为更贵的设计、更复杂的制造、更长的验证和更高的 wafer 成本买单。深研把这点列为他的第一条底层信念：摩尔定律不是纯物理问题，而是经济问题。学这一节，不是为了判断某个节点“好不好”，而是学会问：性能提升是否能转换成客户愿付的系统收益。
核心框架
节点经济账可以拆成四层。第一层是物理与工艺：晶体管继续缩小需要新材料、新结构、更复杂的图形化和更严格的缺陷控制。第二层是制造成本：EUV、沉积、刻蚀、量测、洁净室和良率爬坡都会推高固定投入与单片成本。第三层是设计成本：先进节点不只是 foundry 的问题，客户需要承担 EDA、IP、验证、版图、封装和软件适配成本，流片失败的代价也更大。第四层是客户收益：只有当手机 SoC、GPU、AI 加速器或高端 CPU 的性能、功耗、面积、供给稳定性足以覆盖成本，节点才会有经济生命。这个框架解释了为什么“能做出样品”和“有客户规模采用”是两回事。
他怎么用(具体案例+数据+原话)
深研提到 Jon 的代表性表达：“摩尔定律不是物理问题，是经济问题。”这句话在 TSMC 与 AI 代工的案例里最容易看懂。2020 年他讲 TSMC 起源和护城河，并不是只讲台湾买了哪些设备，而是讲代工模式如何把客户需求、制程迭代和制造执行绑定起来。后来 AI 热潮中，先进 GPU 与加速器需要最前沿制程来换取性能和能效，Apple、NVIDIA 等高端客户有能力为先进节点支付溢价，节点经济账才继续成立。深研的时间线也显示，这类讲法领先于 2021 全球缺芯、2023 AI 代工中心化这些大众叙事。这里的关键数据不是某个财务数字，而是时间差：2020 的制造史内容，在 2021-2023 的供给与 AI 周期里变成主叙事。
常见误区
误区一，把“摩尔定律放缓”理解为技术完全停滞。更准确的说法是，单位成本下降不再自动发生，推进节点需要更强的客户需求和更高的系统价值。误区二，只看 foundry 报价，不看客户端设计成本。先进节点的门票不只是晶圆价格，还包括团队、工具链、IP、封装和验证。误区三，以为所有产品都应该迁移到最先进节点。模拟、功率、射频、成熟 MCU、部分汽车芯片并不一定需要最小线宽。误区四，把“客户愿意买单”偷换成“投资一定正确”。需求强弱、估值、库存和市场预期仍然要独立判断。
可迁移方法
研究任何新节点或新工艺时，做一张“客户买单表”。第一栏写性能、功耗、面积或成本改善；第二栏写客户为了得到改善需要新增的设计和验证成本；第三栏写目标产品的 ASP、毛利空间和上市窗口；第四栏写替代方案，例如成熟节点加大芯片面积、chiplet、封装优化或软件调度；第五栏写反证，如客户推迟导入、成熟节点继续满足需求、先进节点良率迟迟无法爬坡。这个方法适用于 GAA、背面供电、先进封装、玻璃基板等所有“下一代”故事。
小结
本节的主题是节点推进取决于客户是否愿意为系统收益买单。Asianometry 的贡献，是把摩尔定律从一句技术口号改写成经济性问题：物理能不能做只是第一步，量产成本、设计负担、良率曲线和客户收益共同决定它是否成为产业现实。
设备能买·菜谱和厨师买不来
本节学什么
本节专讲“设备能买，菜谱和厨师买不来”。深研把这句话放在 Asianometry 的核心世界观里：TSMC、ASML、日本材料链等真正护城河，往往不是单台设备或单份蓝图，而是几十年隐性知识和执行体系。学这一节，要从“谁拥有机器”转向“谁能把机器稳定跑成产品”。半导体制造不是把设备采购清单凑齐就能复制的行业；同样的光刻机、刻蚀机、沉积设备和量测工具，放到不同团队手里，良率、节拍、缺陷密度、客户认证速度和成本曲线可能完全不同。
核心框架
隐性知识可以拆成四类。第一类是 recipe：不同材料、温度、压力、曝光、清洗、刻蚀和沉积步骤如何组合，很多经验来自长期试错，不会完整写在公开资料里。第二类是人才训练：工程师知道异常信号意味着什么，资深人员如何带新人，产线如何形成纪律。第三类是供应链协同：材料、设备、零部件、维护、软件、客户设计规则必须一起迭代，任何一环变动都可能影响良率。第四类是组织执行：foundry 要在客户保密、快速导入、多产品排程和持续降本之间维持秩序。这个框架解释了为什么资本开支和设备进口可以快速发生，但良率爬坡和客户信任通常慢得多。
他怎么用(具体案例+数据+原话)
深研列出 TSMC 全球化复制难度作为 Jon 当前最强未来判断之一：设备和资本能买，但 recipe、人才、良率爬坡和供应链协调难以搬迁；验证信号是美国、日本、欧洲新 fab 的良率、成本、客户导入和爬坡速度；推翻信号是海外先进节点以接近台湾本土的成本和良率稳定量产。这是非常典型的“菜谱和厨师”分析。2020 年 TSMC 起源内容之所以重要，也不是因为它介绍了一个公司故事，而是把代工模式、客户关系、制造纪律和台湾产业集群放在一起解释。深研保留的原话是：“设备人人能买，菜谱和厨师买不来。”这里的“菜谱”就是工艺 recipe，“厨师”就是工程师、产线经理和供应商网络。
常见误区
误区一，以为补贴加设备等于产能可复制。补贴能降低资本门槛，但不能自动复制缺陷控制、客户认证和工程师默契。误区二，只看 fab 建成时间，不看爬坡曲线。厂房完工、设备 move-in、试产、量产、稳定良率和客户规模导入是不同阶段。误区三，把 ASML 或某台关键设备当作完整护城河。设备重要，但没有材料、维护、调参、量测和工艺整合，设备不会自动产出高良率芯片。误区四，把隐性知识说成玄学。它不是神秘主义，而是大量可观察的流程、人才、供应商和组织能力长期积累。
可迁移方法
研究一个制造能力迁移项目时，做“可买与不可买”清单。可买项包括土地、厂房、设备、部分软件、外部顾问和补贴；半可买项包括材料供应、设备服务、客户认证支持；不可快速买到的项包括本地工程文化、异常处理经验、recipe 迭代、产线纪律、供应商响应速度和客户信任。然后跟踪四个指标：良率是否接近成熟基地，单位成本是否可接受，客户是否把高价值产品导入，爬坡是否按计划发生。只要其中两项长期落后，就说明“设备复制”没有变成“能力复制”。
小结
本节的主题是隐性知识与执行体系。Asianometry 对 TSMC、ASML 和材料链的解释，提醒读者不要把半导体简化成采购清单。真正难复制的是人、流程、recipe、供应链和客户共同形成的能力系统。
技术可行 ≠ 量产经济性：三道门
本节学什么
本节专讲“技术可行不等于量产经济性”。深研把它概括成三道门：成本、良率、客户需求。很多半导体故事都能在实验室、会议论文或样品展示层面成立，但产业化必须回答更硬的问题：能不能稳定生产，成本是不是被客户接受，良率是否足以支撑规模出货，客户是否真的需要它而不是用旧方案绕过去。Asianometry 的方法价值就在这里：他会把无 EUV 做先进制程、先进封装、新材料、超导、玻璃基板等主题放进量产经济性的门槛里，而不是只看“技术上能否实现”。
核心框架
三道门的第一道是成本门。新技术可能提升性能，但如果设备、材料、工艺时间、报废率、封装和验证成本过高，商业上就很难扩大。第二道是良率门。半导体量产不是做出一颗样品，而是在大批量生产中持续控制缺陷；先进封装、chiplet、异构集成尤其容易被多芯片组合良率拖累。第三道是客户需求门。客户愿不愿意改设计、改供应链、承担认证风险，取决于收益是否足够大。三道门要同时过，单项突破不够。这个框架也要求研究者持续问替代路径：旧节点加大面积、软件优化、系统架构变化、供应商多元化，是否比新技术更便宜。
他怎么用(具体案例+数据+原话)
深研点名的案例包括无 EUV 做先进制程、先进封装、新材料、超导、玻璃基板。以无 EUV 先进制程为例，DUV 多重图形化理论上可以把图形做得更细，但步骤增加会带来套刻误差、工艺复杂度、周期时间和成本压力；所以问题不是“能不能做出”，而是能否以接近全球领先厂的经济性稳定量产。以先进封装为例，2023 年 Jon 讲封装史，随后 CoWoS 成为 H100 交付瓶颈，这说明后段技术已经不是低价值配角，而是系统交付门槛。深研的原话是：“技术可行不等于量产经济性可行。”它要求读者在看到样品、论文或发布会时，马上追问三道门，而不是把技术展示当成产业胜利。
常见误区
误区一，把 demo 当量产。样品、试产、客户认证和稳定出货之间隔着很长路径。误区二，把“国产替代”“新材料”“先进封装”等词当成统一变量。不同环节的成本结构、良率问题和客户导入难度完全不同。误区三，只看性能指标，不看总拥有成本。例如更高带宽、更小尺寸或更低功耗，如果需要复杂封装和更低良率，客户未必愿意迁移。误区四，把失败归因过于简单。技术没有放量，可能不是物理不行，而是经济性、供应链或客户时点不合适。
可迁移方法
看到任何新技术，按“三道门”写判断。成本门：新增设备、材料、工艺步骤、封装、测试和报废成本分别是什么，是否有规模下降路径。良率门：缺陷来源在哪里，良率爬坡需要多长，组合良率是否被多个 die 或多个制程步骤放大。需求门：谁是第一批客户，客户为什么现在必须采用，替代方案是什么，认证周期多长。最后写“从样品到量产的里程碑”：论文、demo、小批量、客户验证、规模订单、稳定成本。只有跨过这些里程碑，技术叙事才算变成产业现实。
小结
本节的主题是成本、良率、客户需求三道门。Asianometry 的方法不是否定新技术，而是防止研究者把“可做出来”误读成“可赚钱地大规模做出来”。在半导体里，工程胜利最终必须接受量产经济性的审判。
AI 的真瓶颈：内存墙与带宽墙
本节学什么
本节专讲 AI 硬件的内存墙与带宽墙。大众讨论 AI 芯片时很容易只看算力、TOPS、GPU 数量或训练集群规模，但 Asianometry 的判断更接近系统工程：AI 的硬件瓶颈常在数据搬运、内存容量、内存带宽、封装互连和节点间通信，而不只是计算单元本身。深研把这点列为他的第四条底层信念，并把 2022 年 12 月《AI’s Hardware Problem》列为代表作：在 ChatGPT 爆发初期，他已经从访存能耗和数据搬运成本解释 AI 为什么会撞上内存墙。
核心框架
内存墙的核心是计算越来越快，但把数据送到计算单元越来越贵。模型参数、激活值、KV cache、训练中间状态都需要在片上 SRAM、HBM、封装互连、PCIe/NVLink、以太网或光互连之间移动。片外访问通常比片上计算更耗能、更慢，也更容易形成系统瓶颈。带宽墙则进一步发生在多 GPU、多机柜、多数据中心扩展时：单颗芯片再强，如果 HBM 不够、封装连不上、网络延迟太高、电力和散热跟不上，系统吞吐仍然受限。这个框架把 AI 基建从“买更多算力”改写为“平衡计算、内存、封装、网络和能耗”。
他怎么用(具体案例+数据+原话)
深研给出的时间线非常具体：2022 年 12 月《AI’s Hardware Problem》在 ChatGPT 爆发初期解释内存墙，领先 2023-2024 HBM 超级周期；2023 年先进封装史之后，CoWoS 成为 H100 交付瓶颈；2025 年 CPO/带宽墙内容提前为 2026 年光互连叙事打底。这里的案例链条是独有的：先是模型规模让数据搬运成为瓶颈，再是 HBM 用堆叠内存和宽接口缓解 GPU 附近的带宽问题，接着 CoWoS 等先进封装成为把 GPU 与 HBM 放到同一封装里的交付门槛，最后 CPO/光互连试图缓解机柜与集群层面的带宽、功耗和距离问题。深研保留的原话是：“数据搬出片外比算它贵得多，瓶颈是内存。”
常见误区
误区一，只比较峰值算力，不看有效利用率。算力闲置往往不是芯片不会算，而是数据没及时到位。误区二，把 HBM 当成单独的存储周期。HBM 需求和 GPU 架构、先进封装产能、客户训练与推理需求密切耦合。误区三，以为 CPO 只是网络概念。它本质上是带宽、功耗、封装、可靠性和数据中心架构的共同问题。误区四，把内存墙直接变成荐股逻辑。某个瓶颈存在，不代表相关公司的价格、供给扩张和市场预期没有反映。
可迁移方法
分析 AI 硬件时，画一张“数据路径图”。从模型数据开始，标出它在 HBM、片上缓存、GPU、封装基板、交换芯片、网卡、光模块、机柜和数据中心网络之间如何移动。每一段写三个数或证据：带宽、延迟、功耗。再写产能约束：HBM 供应、CoWoS 或其他先进封装能力、交换芯片和光互连交付。最后写反证：模型结构是否减少访存压力，推理是否比训练更改写瓶颈，存储供给是否快速过剩，网络架构是否绕开当前方案。
小结
本节的主题是 AI 硬件瓶颈从算力扩展到内存、带宽、封装和互连。Asianometry 的领先之处，是在财经叙事追逐 GPU 数量之前，先把数据搬运成本讲清楚。研究 AI 基建时，算力只是起点，数据如何流动才决定系统上限。
设备全栈：别只看 ASML 神话
本节学什么
本节专讲“设备全栈：别只看 ASML 神话”。ASML 和 EUV 极其关键，但 Asianometry 的方法会提醒读者：先进制程不是一台光刻机单独完成的奇迹。光刻之后还要刻蚀、沉积、清洗、离子注入、CMP、量测、检测、材料供应、工艺控制和良率管理。深研明确写到，市场谈 ASML 时容易神化 EUV，他会把光刻放回刻蚀、沉积、量测、材料、良率的全栈里。这一节要学会把“关键设备”从单点神话还原为工艺系统。
核心框架
设备全栈分析有三层。第一层是工艺链条：光刻负责定义图形，但图形要通过刻蚀转移到材料层，通过沉积形成薄膜，通过清洗减少污染，通过 CMP 平坦化，通过量测和检测发现偏差。第二层是误差传递：先进节点中每一步的微小偏差都会影响下一步，套刻、线边粗糙、薄膜均匀性、缺陷密度和材料纯度共同决定良率。第三层是产业结构：ASML、AMAT、Lam Research、KLA、日本材料与设备供应商各自卡住不同环节，没有哪一个单点可以独立解释节点推进。这个框架让研究者不再问“有没有 EUV 就够不够”，而是问“全栈控制能力能不能一起跟上”。
他怎么用(具体案例+数据+原话)
深研列出的代表性判断是：半导体设备投资不能只看 ASML 神话；EUV 是关键，但全栈工艺控制、材料、刻蚀、沉积、量测的复合瓶颈会决定先进节点推进。验证信号包括设备公司订单结构、先进封装设备、量测与检测需求；推翻信号则是单点光刻突破显著降低其他工艺复杂度。2021 年 Jon 的 ASML/EUV 系列领先 2022 年 10 月出口管制和《Chip War》带来的大众叙事，但他的解释重点不是把 EUV 神化，而是说明为什么光刻处在更大的制造系统中。深研里的原话可概括为：“EUV 重要但不能神化，刻蚀/沉积/量测/材料同样关键。”
常见误区
误区一，把出口管制或设备禁运简化为“有没有光刻机”。实际受限可能发生在量测、刻蚀、沉积、EDA、材料、零部件和服务维护多个层面。误区二，把设备公司看成同质化供应商。光刻、刻蚀、沉积、检测的技术门槛、周期位置和客户需求不同。误区三，只看前道制造，不看先进封装设备。AI 加速器时代，封装、测试和基板也可能成为交付瓶颈。误区四，把单点突破当成全局胜利。即使某个环节改善，下一环节也可能成为新的限制。
可迁移方法
研究设备链时，画“工艺步骤地图”，不要只列公司名单。把目标制程拆成图形化、薄膜、刻蚀、清洗、量测、缺陷检测、封装、测试，每一步写主要供应商、技术难点、客户验证周期和替代方案。再做“瓶颈迁移”判断：如果光刻改善，刻蚀是否跟得上；如果封装扩产，基板和测试是否跟得上；如果材料替换，量测方法是否足够。最后结合订单结构和客户资本开支看时点，但不要把任何单家公司案例写成投资建议。
小结
本节的主题是设备全栈协同。Asianometry 对 ASML/EUV 的价值，不是重复“光刻很重要”，而是把光刻放回复杂制造系统里。先进节点的推进由光刻、刻蚀、沉积、量测、材料、软件和良率控制共同决定；单点神话越流行，越需要全栈拆解。
把选题当雷达：解释 vs 交易
本节学什么
本节专讲“把选题当雷达：解释 vs 交易”。深研反复强调，Asianometry 的信息优势是公开资料整合优势，而不是一手订单或分钟级事件信号。他的价值在于更稳地识别哪些工程问题可能从技术圈进入产业叙事，不能直接替代财报、订单、供需、估值和市场预期。学这一节，是为了建立正确使用方式：当 Jon 连续解释某个工程瓶颈，把它加入观察池；之后再用更实时的数据源确认商业化时点。合规上，本节尤其要明确：解释成立不等于建议买卖。
核心框架
雷达用法分三步。第一步是主题捕捉：记录新视频、Newsletter、Stratechery/Passport 更新、访谈主题，尤其关注 TSMC、ASML、HBM、CPO、先进封装、中国半导体、日本材料与设备等出现频率。第二步是工程归类：判断它对应的是成本下降、良率爬坡、产能瓶颈、客户导入、设备限制、材料瓶颈还是架构变化。第三步是实时验证：用 Dylan Patel、卖方报告、公司财报、订单、库存、价格、资本开支和供应链数据确认时点。这个框架把 Jon 的内容定位为“解释层”和“早期主题层”，而不是“交易执行层”。
他怎么用(具体案例+数据+原话)
深研第 9 节给了典型雷达回测：2020 年讲 TSMC，领先全球缺芯、台积电地缘化和 AI 代工中心化；2021 年讲 ASML/EUV，领先出口管制和《Chip War》大众化；2022 年 12 月讲 AI 硬件问题，领先 2023-2024 HBM 周期；2023 年讲先进封装史，随后 CoWoS 成为 H100 交付瓶颈；2025 年讲 CPO/带宽墙，为后续光互连叙事打底。深研对他的“卖出纪律”也做了适配：当一个技术叙事已经从小众工程问题变成大众财经口号，且没有新的工程瓶颈增量，Asianometry 的领先优势就下降；此时应从他的解释转向更实时的数据源。这一段就是雷达和交易的边界。
常见误区
误区一，把视频发布时间当交易时点。一个主题被讲清楚，只说明它值得观察，不说明价格没有反映。误区二，把公开资料整合优势看低。半导体知识高度碎片化，能把公司史、工程机理和商业现实压缩成因果链，本身就是重要研究入口。误区三，忽略平台化变化。2025 年 Asianometry newsletter 与 podcast 纳入 Stratechery Plus / Passport 体系，影响力扩大，但也需要继续观察选题激励是否变化。误区四，拿他去回答不属于他的题：某客户本季度下了多少单、某产线今天良率多少、某公司短期财报是否超预期，这些需要其他数据源。
可迁移方法
建立一个“选题雷达表”。字段包括发布时间、主题、对应工程瓶颈、关联公司或产业环节、历史类比、商业化阶段、需要补充的数据源、验证信号、推翻信号、是否已成为大众财经口号。每周更新主题频率，每月检查是否有多个来源共同指向同一瓶颈。使用时保持两层分离：第一层写机制解释是否成立，第二层才写订单、价格、库存、估值和市场预期。若一个主题已经被广泛传播，就把研究重点从“发现主题”转到“验证增量”。
小结
本节的主题是正确使用 Asianometry：把选题当产业雷达，把解释当研究底座，而不是当交易指令。Jon 的领先优势来自脚本化公开研究和工程机理压缩；真正落到投资或商业判断时，还必须补实时数据、供需、财务和风险边界。
本页整理 Asianometry 公开材料中的方法论，用于投研学习，不构成证券买卖建议；个人观点；提及不等于持仓；引用以原文为准。
