AI芯片最大瓶颈，可能不是内存

随着AI芯片需求持续增长，产业链的短板正在从先进制程、HBM等备受关注的领域，进一步延伸到封装基板、PCB材料等看似不起眼的环节。

SemiAnalysis创始人Dylan Patel近日谈及AI基础设施供应链时，提出了一个颇为鲜明的判断：基板可能是当前半导体产业链所有瓶颈中最大的一个，甚至超过电力、土地、厂房、半导体制造设备等因素。 在他看来，内存紧随其后，而CPO（共封装光学）和NPO（近封装光学）等新型互连技术的大规模部署，同样面临严峻的供应链挑战。

过去几年，围绕AI算力基础设施的讨论，焦点大多集中在GPU、HBM、先进封装以及数据中心的电力供应上。但随着AI加速器和服务器CPU需求不断增长，供应链中一些此前关注度相对较低的材料和零部件，正逐渐显现出其重要性。

Dylan Patel指出，除了内存之外，半导体产业链面临的最大约束之一，就是基板、PCB材料以及封装基板材料。这些环节此前投资不足，产能扩张相对滞后，难以迅速匹配当前的需求增长。

他特别提到了日本材料供应链的特点。许多相关企业采取相对保守的经营策略，对于大规模扩产并不积极，导致材料供应能力难以在短时间内显著提升。

这意味着，即便芯片设计企业拥有足够的订单，晶圆制造和先进封装产能也在持续扩张，最终能够交付多少芯片，仍然可能受到基板及相关材料供应的限制。

而且，这一问题并不局限于GPU。按照Patel的说法，未来两年，无论是AI加速器、服务器CPU，还是供应链中的其他芯片产品，都可能受到这一瓶颈的影响。

从这个角度看，AI芯片产业链的竞争，已经不仅是计算架构、制程节点和芯片性能的竞争，也越来越取决于整个供应体系能否同步扩张。某个环节的产能不足，就可能限制其他环节的投入转化为实际出货。

在Patel的判断中，内存是仅次于基板的另一项重要瓶颈。

这并不难理解。随着AI模型规模扩大、推理任务增加，GPU对高带宽内存的需求持续增长，HBM已经成为AI加速器供应链中的关键组成部分。但他的排序也提醒产业界，不能因为HBM受到广泛关注，就忽略其他同样可能制约芯片交付的环节。

更值得关注的是光互连技术的量产问题。

随着AI集群规模不断扩大，传统电互连在带宽、功耗和传输距离等方面面临越来越大的压力，CPO和NPO等方案因此受到关注。它们试图通过调整光学器件与计算芯片、交换芯片之间的集成方式，满足更高带宽的互连需求。

不过，技术路线受到关注，并不意味着供应链已经具备大规模交付能力。

Patel认为，CPO和NPO面临着巨大的产能爬坡挑战。即便所有企业都希望在2028年采用CPO，或者只有一家大型企业决定在当年大规模部署，也无法保证供应链能够满足其需求。

问题不仅在于光学器件本身，还涉及激光器、光纤耦合，以及其他配套组件。CPO要实现规模化部署，需要多个环节同时具备足够的供应能力，任何一项关键组件不足，都可能影响整套系统的交付。

这也说明，光互连技术的产业化不只是芯片设计或封装工艺的问题，更是一场涉及材料、器件、制造和组装的系统性扩产。

Patel的观点指向一个值得重视的变化：AI基础设施建设的约束，正在从少数核心芯片和算力资源，扩展到更广泛的供应链体系。

过去，产业界习惯于围绕GPU性能、先进制程和HBM容量衡量AI硬件的发展速度。但当需求增长速度超过多个供应环节的扩产速度时，决定最终交付能力的，往往不再是最受关注的技术，而是那些难以快速增加产能的环节。

基板、PCB材料和光学组件就是典型例子。它们未必直接决定芯片的计算性能，却可能决定芯片能否按计划完成制造、封装并进入系统。

这对产业链企业也提出了新的要求。面对AI带来的长期需求，单纯扩大某一个环节的产能并不一定足够，材料供应商、基板厂商、封装企业和芯片设计公司之间，需要更早地协调产能规划与投资节奏。尤其是扩产周期较长、供应商相对集中的材料领域，如果等到需求充分释放后才开始投资，可能已经错过了最佳窗口。

当然，Patel给出的瓶颈排序属于他的行业判断，并不意味着所有企业、产品和时间节点都会面临完全相同的约束。但其核心提醒值得关注：AI产业链的短板不一定出现在技术最复杂、讨论最热烈的地方，也可能藏在那些长期投资不足、却无法被轻易替代的基础材料和关键零部件之中。

当AI算力竞争进入规模化建设阶段，谁能更快提升整体供应链的协同能力，谁才更有可能把技术优势转化为真正的交付能力。

（来源：内容来自半导体行业观察综合）