集邦咨询：人工智能将在2026年重塑全球科技格局

TrendForce 确定了 2026 年科技行业发展的 10 个关键技术趋势。这些发现的要点概述如下：

随着液体冷却在数据中心的广泛采用，人工智能芯片的竞争加剧
2026年，在北美主要通信服务提供商资本支出增加和全球主权云项目兴起的推动下，人工智能数据中心建设的高需求预计将使人工智能服务器出货量同比增长20%以上。

NVIDIA 作为当今人工智能领域的领军企业，未来将面临更激烈的竞争。 AMD 计划推出 MI400 全机架解决方案来挑战 NVIDIA，该解决方案反映了 NVIDIA 的 GB/VR 系统，面向 CSP 客户。与此同时，北美主要 CSP 正在增加其内部 ASIC 开发。在中国，地缘政治紧张局势加速了技术自给自足的步伐，字节跳动、百度、阿里巴巴、腾讯、华为和寒武纪等公司都在加大力度打造自己的人工智能芯片。这将加剧全球竞争。

随着 AI 处理器变得更加强大，每个芯片的热设计功耗 (TDP) 正在迅速增加，从 NVIDIA H100 和 H200 的 700W 跃升至即将推出的 B200 和 B300 的 1,000W 以上。热量输出的增加导致服务器机架中广泛采用液冷系统，预计到 2026 年使用率将达到 47%。

微软引入了先进的芯片级微流控冷却技术来提高热效率。在近期到中期，冷板液体冷却仍将是主要解决方案，CDU 将从液-空气设置过渡到液-液设置。从长远来看，市场可能会转向更详细的芯片级热管理。

打破带宽障碍：HBM和光通信重新定义AI集群架构
由于人工智能工作负载从训练到推理不断扩大，数据量和内存带宽需求迅速增加，暴露了传输速度和功效的瓶颈，对系统设计提出了挑战。为了解决这些限制，HBM 和光互连技术正在成为下一代人工智能架构的关键推动者。

当前几代 HBM 利用 3D 堆叠和硅通孔显着缩短处理器和内存之间的距离，从而实现更高的带宽和效率。即将推出的 HBM4 一代将引入更大的通道密度和更宽的 I/O 带宽，以进一步支持 AI GPU 和加速器的海量计算需求。

然而，随着模型参数超过万亿级，GPU集群呈指数级扩展，内存带宽再次成为主要的性能瓶颈。内存制造商正在通过优化 HBM 堆栈架构、创新封装和接口设计以及与逻辑芯片共同设计来增强 AI 处理器的片上带宽来解决这一问题。

虽然这些进步缓解了与内存相关的瓶颈，但跨芯片和模块的数据传输已成为系统性能的下一个关键限制。为了克服这些限制，共封装光学 (CPO) 和硅光子 (SiPh) 的兴起成为 GPU 制造商和 CSP 的战略重点领域。

目前，800G和1.6T可插拔光模块已经进入量产，从2026年开始，更高带宽的SiPh/CPO平台预计将部署在AI交换机中。这些下一代光通信技术将实现高带宽、低功耗数据互连，优化整体系统带宽密度和能源效率，以满足人工智能基础设施不断升级的性能需求。

总体而言，存储器行业正在迅速发展，将带宽效率作为其核心竞争优势。光通信的进步——旨在处理跨芯片和模块的数据传输——正在成为克服传统电气接口在长距离、高密度数据传输中的局限性的最有效的解决方案。因此，高速传输技术将成为人工智能基础设施演进的关键支柱。