Yole：AI重塑數(shù)據(jù)中心 2030年半導體價值或達5000億美元

  ICC訊  人工智能（AI）正強勁驅動數(shù)據(jù)中心服務器內半導體價值的增長，預計到2030年，這一價值將達到約5000億美元。服務器半導體含量的增加，主要源于存儲、處理和互連對更多硅芯片的需求激增，而這在很大程度上是由AI、機器學習（ML）和前沿模型（Frontier Models）所推動。

  采用AI的服務器數(shù)量正在快速增長，從2020年僅占全部計算服務器的幾個百分點，上升到2024年的10%以上。這一增長遵循S型曲線模式：初期增長緩慢，隨后快速攀升，預計在2026年后趨于穩(wěn)定，并持續(xù)到2030年。數(shù)據(jù)中心半導體加速器市場預計將在2024年開始規(guī)?；l(fā)展，到2030年估計達到4930億美元。屆時，數(shù)據(jù)中心半導體預計將占整個半導體市場的50%以上，這反映了在AI、云計算和超大規(guī)?；A設施需求的推動下，市場格局發(fā)生了巨大轉變。該細分市場（2025-2030）的年復合增長率（CAGR）幾乎是整個半導體行業(yè)的兩倍。

  在構成上，邏輯半導體將繼續(xù)占據(jù)主導地位，并且由于AI密集型工作負載日益增加的復雜性和處理需求，其增長最為迅速。內存，尤其是高帶寬內存（HBM），是第二大細分市場，正經歷快速增長，以滿足AI和高效能運算（HPC）的高吞吐量需求。光子學和共封裝光學（CPO）的擴展——由Nvidia和Broadcom等公司推動——也正在改變服務器架構。僅光子學領域，預計到2030年收入將達到數(shù)十億美元。

  在電源方面，數(shù)據(jù)中心設計的未來正被重新構想以實現(xiàn)最高效率。此前長期目標如直流（DC）配電，如今已成為積極優(yōu)先事項。對能效要求極高的顛覆性AI數(shù)據(jù)中心，正在加速向液冷技術的轉變，使其從可選變?yōu)楸匦?。該市場預計到2030年將超過10億美元。同時，AI和GPU密集型操作正推動整個服務器基礎設施對嵌入式傳感器智能的需求。隨著熱力和環(huán)境約束的增加，片上溫度傳感器正成為標準配置。此外，液冷系統(tǒng)將需要先進的傳感器來有效監(jiān)測壓力、流速和冷卻劑質量。

  最后，預計到2030年，用于服務器的半導體晶圓數(shù)量將超過2000萬片，其中大部分將在28納米以下節(jié)點制造，以滿足先進AI芯片的需求。

  云巨頭自研AI芯片挑戰(zhàn)Nvidia主導地位

  數(shù)據(jù)中心日益被視為關鍵基礎設施，因為它們同時支持民用和軍用系統(tǒng)，并存儲高度敏感的數(shù)據(jù)。這促使各國政府更加關注國家安全，并通過支持本土技術供應商、收緊出口規(guī)則以及推廣“主權云”系統(tǒng)（如歐洲的GAIA-X）來確保數(shù)據(jù)保留在本國或本地區(qū)域內。數(shù)據(jù)中心運營商現(xiàn)在需要強大且靈活的供應鏈，以應對制裁、短缺或政治沖突等問題。但在許多地方，所需的基礎設施尚未完全本地化可用。與此同時，企業(yè)IT系統(tǒng)正朝著更具成本效益的托管（colocation）和混合云架構發(fā)展。托管有助于降低投資成本，同時仍讓公司保持控制權；混合云則融合了私有云、公有云和本地資源，以實現(xiàn)更好的性能、擴展性和控制力。

  AI是一個巨大的變革者。2024年，AI資本支出（CapEx）已超過非AI資本支出，AI如今占據(jù)了數(shù)據(jù)中心投資的近75%——這主要受基礎模型訓練、推理和定制硅芯片創(chuàng)新的驅動（2025年投資額將超過4500億美元）。隨著Microsoft、Google和Meta等科技巨頭引領每年500億美元的算力競賽，規(guī)模較小的參與者也在快速擴張，這表明競爭優(yōu)勢將取決于基礎設施規(guī)模和芯片級別的差異化。各公司也在適應不斷變化的世界調整其業(yè)務。Nvidia正從傳統(tǒng)的無晶圓廠（fabless）芯片制造商演變?yōu)橐粋€全棧AI和數(shù)據(jù)中心平臺提供商。雖然它繼續(xù)設計GPU，但Nvidia現(xiàn)在也提供集成的系統(tǒng)，如DGX超級計算機、網絡硬件（通過Mellanox）和數(shù)據(jù)處理單元（DPU），所有這些都通過其專有的CUDA軟件和AI框架進行了優(yōu)化。通過DGX Cloud和AI Enterprise等產品，Nvidia正在向云服務、開發(fā)者工具和垂直行業(yè)AI解決方案領域擴展。

  因此，為了應對Nvidia的主導地位，大型云服務提供商正在創(chuàng)建自己的芯片（如AWS Graviton）、定制存儲和網絡硬件——并通過將服務器部署在更靠近用戶的位置來支持低延遲需求。在中國，阿里巴巴、百度、騰訊和字節(jié)跳動等大型科技公司正在快速擴展其AI計算能力。

  AI驅動數(shù)據(jù)中心成為創(chuàng)新引擎，多元技術重塑性能、效率與架構

  自2024年以來，AI——尤其是生成式AI——重塑了數(shù)據(jù)中心計算，影響了處理器設計，并加速了Google、AWS和Meta等主要云公司采用AI專用集成電路（ASIC）。Nvidia憑借其在臺積電（TSMC）4納米工藝上基于小芯片（chiplet）的Blackwell GPU保持主導地位，但用于推理的AI ASIC正日益受到關注。網絡架構也在發(fā)展，數(shù)據(jù)處理單元（DPU）和網絡ASIC被用于改進流量管理?？焖?、寫入密集型的固態(tài)硬盤（SSD）對于AI訓練至關重要，以避免GPU停機；而高帶寬內存（HBM）正快速增長以滿足不斷上升的內存帶寬需求。

  基于絕緣體上硅（SOI）的硅光子學提供了光學組件的靈活集成，但缺乏原生光源。鈮酸鋰薄膜（TFLN）和石墨烯等新材料正被探索用于增強調制器。共封裝光學（CPO）正在改變數(shù)據(jù)中心設計，由Nvidia和Intel等公司推動，它們的目標是將光子學與交換機ASIC共同集成。數(shù)據(jù)中心正轉向直流（DC）電源、液冷和機架級電源配置（例如，到2026年實現(xiàn)600千瓦的“Ultra-Rubin”機架）。使用氮化鎵（GaN）和碳化硅（SiC）的混合電源方案滿足效率需求。具有片上智能的傳感器激增，以管理熱力和環(huán)境負載。先進封裝（3D/2.5D）對于集成高性能和AI系統(tǒng)的組件至關重要。未來的方向包括用于超高效設備端學習的神經形態(tài)系統(tǒng)、用于帶寬密集型處理的光子計算，以及量子計算——盡管仍處于早期階段——提供潛在的性能和能源收益。