2030年，数据中心服务器半导体价值将达5000亿美元

本文由半导体产业纵横（ID：ICVIEWS）转载自iCCSZ

数据中心半导体加速器市场预计将在2024年开始规模化发展，到2030年估计达到4930亿美元。

人工智能（AI）正强劲驱动数据中心服务器内半导体价值的增长，预计到2030年，这一价值将达到约5000亿美元。服务器半导体含量的增加，主要源于存储、处理和互连对更多硅芯片的需求激增，而这在很大程度上是由AI、机器学习（ML）和前沿模型（Frontier Models）所推动。

采用AI的服务器数量正在快速增长，从2020年仅占全部计算服务器的几个百分点，上升到2024年的10%以上。这一增长遵循S型曲线模式：初期增长缓慢，随后快速攀升，预计在2026年后趋于稳定，并持续到2030年。数据中心半导体加速器市场预计将在2024年开始规模化发展，到2030年估计达到4930亿美元。届时，数据中心半导体预计将占整个半导体市场的50%以上，这反映了在AI、云计算和超大规模基础设施需求的推动下，市场格局发生了巨大转变。该细分市场（2025-2030）的年复合增长率（CAGR）几乎是整个半导体行业的两倍。

在构成上，逻辑半导体将继续占据主导地位，并且由于AI密集型工作负载日益增加的复杂性和处理需求，其增长最为迅速。内存，尤其是高带宽内存（HBM），是第二大细分市场，正经历快速增长，以满足AI和高效能运算（HPC）的高吞吐量需求。光子学和共封装光学（CPO）的扩展——由Nvidia和Broadcom等公司推动——也正在改变服务器架构。仅光子学领域，预计到2030年收入将达到数十亿美元。

在电源方面，数据中心设计的未来正被重新构想以实现最高效率。此前长期目标如直流（DC）配电，如今已成为积极优先事项。对能效要求极高的颠覆性AI数据中心，正在加速向液冷技术的转变，使其从可选变为必需。该市场预计到2030年将超过10亿美元。同时，AI和GPU密集型操作正推动整个服务器基础设施对嵌入式传感器智能的需求。随着热力和环境约束的增加，片上温度传感器正成为标准配置。此外，液冷系统将需要先进的传感器来有效监测压力、流速和冷却剂质量。

最后，预计到2030年，用于服务器的半导体晶圆数量将超过2000万片，其中大部分将在28纳米以下节点制造，以满足先进AI芯片的需求。

云巨头自研AI芯片挑战Nvidia主导地位

数据中心日益被视为关键基础设施，因为它们同时支持民用和军用系统，并存储高度敏感的数据。这促使各国政府更加关注国家安全，并通过支持本土技术供应商、收紧出口规则以及推广“主权云”系统（如欧洲的GAIA-X）来确保数据保留在本国或本地区域内。数据中心运营商现在需要强大且灵活的供应链，以应对制裁、短缺等问题。但在许多地方，所需的基础设施尚未完全本地化可用。与此同时，企业IT系统正朝着更具成本效益的托管（colocation）和混合云架构发展。托管有助于降低投资成本，同时仍让公司保持控制权；混合云则融合了私有云、公有云和本地资源，以实现更好的性能、扩展性和控制力。

AI是一个巨大的变革者。2024年，AI资本支出（CapEx）已超过非AI资本支出，AI如今占据了数据中心投资的近75%——这主要受基础模型训练、推理和定制硅芯片创新的驱动（2025年投资额将超过4500亿美元）。随着Microsoft、Google和Meta等科技巨头引领每年500亿美元的算力竞赛，规模较小的参与者也在快速扩张，这表明竞争优势将取决于基础设施规模和芯片级别的差异化。各公司也在适应不断变化的世界调整其业务。Nvidia正从传统的无晶圆厂（fabless）芯片制造商演变为一个全栈AI和数据中心平台提供商。虽然它继续设计GPU，但Nvidia现在也提供集成的系统，如DGX超级计算机、网络硬件（通过Mellanox）和数据处理单元（DPU），所有这些都通过其专有的CUDA软件和AI框架进行了优化。通过DGX Cloud和AI Enterprise等产品，Nvidia正在向云服务、开发者工具和垂直行业AI解决方案领域扩展。

因此，为了应对Nvidia的主导地位，大型云服务提供商正在创建自己的芯片（如AWS Graviton）、定制存储和网络硬件——并通过将服务器部署在更靠近用户的位置来支持低延迟需求。在中国，阿里巴巴、百度、腾讯和字节跳动等大型科技公司正在快速扩展其AI计算能力。

AI驱动数据中心成为创新引擎，多元技术重塑性能、效率与架构

自2024年以来，AI，尤其是生成式AI重塑了数据中心计算，影响了处理器设计，并加速了Google、AWS和Meta等主要云公司采用AI专用集成电路（ASIC）。Nvidia凭借其在台积电（TSMC）4纳米工艺上基于小芯片（chiplet）的Blackwell GPU保持主导地位，但用于推理的AI ASIC正日益受到关注。网络架构也在发展，数据处理单元（DPU）和网络ASIC被用于改进流量管理。快速、写入密集型的固态硬盘（SSD）对于AI训练至关重要，以避免GPU停机；而高带宽内存（HBM）正快速增长以满足不断上升的内存带宽需求。

基于绝缘体上硅（SOI）的硅光子学提供了光学组件的灵活集成，但缺乏原生光源。铌酸锂薄膜（TFLN）和石墨烯等新材料正被探索用于增强调制器。共封装光学（CPO）正在改变数据中心设计，由Nvidia和Intel等公司推动，它们的目标是将光子学与交换机ASIC共同集成。数据中心正转向直流（DC）电源、液冷和机架级电源配置（例如，到2026年实现600千瓦的“Ultra-Rubin”机架）。使用氮化镓（GaN）和碳化硅（SiC）的混合电源方案满足效率需求。

具有片上智能的传感器激增，以管理热力和环境负载。先进封装（3D/2.5D）对于集成高性能和AI系统的组件至关重要。未来的方向包括用于超高效设备端学习的神经形态系统、用于带宽密集型处理的光子计算，以及量子计算。

*声明：本文系原作者创作。文章内容系其个人观点，我方转载仅为分享与讨论，不代表我方赞成或认同，如有异议，请联系后台。