2030年，數據中心服務器半導體價值將達5000億美元_風聞

本文由半導體產業縱橫（ID：ICVIEWS）轉載自iCCSZ

數據中心半導體加速器市場預計將在2024年開始規模化發展，到2030年估計達到4930億美元。

人工智能（AI）正強勁驅動數據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，主要源於存儲、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。

採用AI的服務器數量正在快速增長，從2020年僅佔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，隨後快速攀升，預計在2026年後趨於穩定，並持續到2030年。數據中心半導體加速器市場預計將在2024年開始規模化發展，到2030年估計達到4930億美元。屆時，數據中心半導體預計將佔整個半導體市場的50%以上，這反映了在AI、雲計算和超大規模基礎設施需求的推動下，市場格局發生了巨大轉變。該細分市場（2025-2030）的年複合增長率（CAGR）幾乎是整個半導體行業的兩倍。

在構成上，邏輯半導體將繼續佔據主導地位，並且由於AI密集型工作負載日益增加的複雜性和處理需求，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年收入將達到數十億美元。

在電源方面，數據中心設計的未來正被重新構想以實現最高效率。此前長期目標如直流（DC）配電，如今已成為積極優先事項。對能效要求極高的顛覆性AI數據中心，正在加速向液冷技術的轉變，使其從可選變為必需。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。隨着熱力和環境約束的增加，片上温度傳感器正成為標準配置。此外，液冷系統將需要先進的傳感器來有效監測壓力、流速和冷卻劑質量。

最後，預計到2030年，用於服務器的半導體晶圓數量將超過2000萬片，其中大部分將在28納米以下節點製造，以滿足先進AI芯片的需求。

雲巨頭自研AI芯片挑戰Nvidia主導地位

數據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，並存儲高度敏感的數據。這促使各國政府更加關注國家安全，並通過支持本土技術供應商、收緊出口規則以及推廣“主權雲”系統（如歐洲的GAIA-X）來確保數據保留在本國或本地區域內。數據中心運營商現在需要強大且靈活的供應鏈，以應對制裁、短缺等問題。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IT系統正朝着更具成本效益的託管（colocation）和混合雲架構發展。託管有助於降低投資成本，同時仍讓公司保持控制權；混合雲則融合了私有云、公有云和本地資源，以實現更好的性能、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如今佔據了數據中心投資的近75%——這主要受基礎模型訓練、推理和定製硅芯片創新的驅動（2025年投資額將超過4500億美元）。隨着Microsoft、Google和Meta等科技巨頭引領每年500億美元的算力競賽，規模較小的參與者也在快速擴張，這表明競爭優勢將取決於基礎設施規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務。Nvidia正從傳統的無晶圓廠（fabless）芯片製造商演變為一個全棧AI和數據中心平台提供商。雖然它繼續設計GPU，但Nvidia現在也提供集成的系統，如DGX超級計算機、網絡硬件（通過Mellanox）和數據處理單元（DPU），所有這些都通過其專有的CUDA軟件和AI框架進行了優化。通過DGX Cloud和AI Enterprise等產品，Nvidia正在向雲服務、開發者工具和垂直行業AI解決方案領域擴展。

因此，為了應對Nvidia的主導地位，大型雲服務提供商正在創建自己的芯片（如AWS Graviton）、定製存儲和網絡硬件——並通過將服務器部署在更靠近用户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驅動數據中心成為創新引擎，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重塑了數據中心計算，影響了處理器設計，並加速了Google、AWS和Meta等主要雲公司採用AI專用集成電路（ASIC）。Nvidia憑藉其在台積電（TSMC）4納米工藝上基於小芯片（chiplet）的Blackwell GPU保持主導地位，但用於推理的AI ASIC正日益受到關注。網絡架構也在發展，數據處理單元（DPU）和網絡ASIC被用於改進流量管理。快速、寫入密集型的固態硬盤（SSD）對於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。

基於絕緣體上硅（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於增強調製器。共封裝光學（CPO）正在改變數據中心設計，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。數據中心正轉向直流（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，以管理熱力和環境負載。先進封裝（3D/2.5D）對於集成高性能和AI系統的組件至關重要。未來的方向包括用於超高效設備端學習的神經形態系統、用於帶寬密集型處理的光子計算，以及量子計算。

*聲明：本文系原作者創作。文章內容系其個人觀點，我方轉載僅為分享與討論，不代表我方贊成或認同，如有異議，請聯繫後台。