文章核心观点 - AI算力增长正遭遇物理限制，计算能力与数据供给、传输能力之间失衡，“内存墙”与“互连墙”矛盾加深，产业优化方式从各环节独立优化转向系统级协同设计 [5] - 全球AI相关PCB与封装载板产值预计从2025年91.77亿美元增长至2030年484.05亿美元，五年复合增长率达39.5%，高阶HDI与超高层板增长尤为突出 [7] - 产业竞争关键从单一环节规格升级转向系统级交付能力，高端PCB竞争取决于低损耗材料、高层数制造、精密加工、可靠性控制及设计协同、工艺适配、客户认证与稳定交付的综合能力 [7][31] - PCB贯穿算力基础设施各环节，既承担高速信号传输与电源分配任务，也需与芯片、存储、封装及整机架构共同设计，其产业价值随连接成为决定算力效率、可靠性与成本的重要因素而提升 [31] 算力升级与硬件投资新机遇 - 摩元智库半导体产业资深分析师顾正书指出，GPU计算能力持续提升，但数据传输速度、存储带宽与互联效率未必同步跟上，过去各环节相对独立的优化方式正向系统级协同设计转变 [4][5] - 高端PCB和封装载板制造难度体现在材料、设备、工艺与良率的综合约束上，高层板需占用更多积层资源，大尺寸板件面临更严苛平整度和贴合要求，高频材料对钻孔、加工和信号完整性提出更高要求，厂房建成与设备到位并不等于能稳定交付符合客户标准的产品 [7] - PCB、存储与先进封装之间边界更加紧密，HBM高带宽需求推动封装互联向更精细线宽线距发展，CXL等技术对板级高速信号传输提出更严格要求，大尺寸芯片与封装增加热应力、翘曲控制和供电设计难度 [7] - 对国产企业而言，只有让材料、制造、封装与客户设计形成更紧密协作，才能把技术进步真正转化为稳定的量产能力 [7] 板载存储支撑高算力发展 - 佰维存储产品总监陈逸君指出，工业场景正经历由数据采集、机器视觉向生成式AI、智能体决策等应用形态演进，设备传感器、视觉系统、工业仿真和多设备协同产生的数据持续增加，存储系统承担的任务随之改变 [10] - 传统工业存储更关注容量、寿命与稳定性，边缘AI、机器视觉和智能控制普及后，存储还需满足更高数据吞吐、并发访问和实时响应要求，模型参数、推理缓存与实时采集数据同时运行对存储带宽和时延提出新要求，数据无法及时供给计算单元则芯片算力无法充分发挥 [12] - 板载存储正朝高密度、紧凑化方向发展，器件选型、接口设计、信号完整性和系统布局需共同考虑，高算力工业设备存储方案不能只看单个器件峰值参数，还要关注全盘写入性能、宽温循环后性能变化及异常掉电时数据完整性 [12] - 佰维持续布局存储主控、固件、封装制造与测试验证能力，推出面向工业和汽车电子场景的佰维特存解决方案，通过自研固件、介质研究、主动防护和可靠性测试提升存储产品对复杂工况的适应能力，工车规产品覆盖嵌入式存储、SSD、内存模组及存储卡等类型 [12] - 工业存储价值正从单一器件供应延伸到系统级适配，存储介质决定数据承载能力，主控与固件影响访问效率，封装与PCB关系到器件如何融入整机 [13] AI服务器的硬件设计挑战 - 百度智能云泛科技业务解决方案总监张东锦指出，十几张卡的集群与万卡级计算矩阵面临完全不同运维挑战，规模扩大后硬件数量和系统耦合程度同步上升，静默数据错误、网络抖动、任务阻塞等影响被放大，万卡集群核心要求超越单个器件性能指标，延伸至系统稳定性、故障感知能力和恢复效率 [14] - 百度智能云以昆仑芯、AI基础设施和百舸AI计算平台构成算力底座，通过调度、通信优化、故障感知与自动容错等软件能力支撑大规模集群运行，相关万卡集群有效训练时长占比达到99.5% [16] - 高负载云机房需长期连续运行，面临高温、大电流冲击、高密度部署和复杂散热条件，PCB必须兼顾高速信号完整性、低损耗与热循环可靠性，存储模组需保障数据读写和长期耐久，封测成品要控制良率、批次一致性与互联可靠性 [16] - 百度在整机柜服务器、供电、散热和接口等方面持续推进标准化，以X-MAN等AI服务器平台为例，标准化设计为不同硬件配置提供更统一集成基础，有助于适配多样化AI芯片，PCB、存储和封测厂商需更早对接整机架构和客户标准 [17] - 算力基础设施竞争已进入系统工程阶段，芯片决定计算能力基础，PCB、存储与封装影响硬件协同效率，软件平台负责调度和管理资源，底层硬件稳定性与标准化程度越来越直接影响算力资源利用效率和整体运营成本 [18] 先进封装与高速互联演进 - 齐力半导体TPM总监汤尔昌指出，AI产业挑战不仅来自算力需求增长，也来自数据搬运消耗的时间和能量，存储带宽和互联能力增长相对滞后使数据传输成为系统效率重要约束，AI芯片功耗不断提高使热量集中、供电路径损耗和散热难度增加 [19] - Chiplet通过将不同功能芯粒集成在同一封装中，突破单一芯片在面积、工艺和功能集成上的部分限制，并结合HBM等高带宽存储提升数据交换效率，但随着芯粒数量增加、互连密度提高，封装面临热应力、翘曲、信号完整性和电源完整性问题更加复杂，先进封装直接参与系统性能设计 [21] - 光互联方向从可插拔光模块到板上光学、近封装光学再到共封装光学（CPO）演进，将光引擎进一步靠近计算或交换芯片成为提升带宽密度、降低互联能耗的探索方向，CPO通过缩短芯片与光学器件之间电气链路为更高带宽系统设计提供新可能 [22] - 齐力半导体815 mm²超大GPU 3D-Chiplet封装项目采用第二代高算力GPU封装方案，集成1962颗高密度微型Bump，将封装设计提前至芯片设计阶段，通过芯片、封装与系统协同设计对近2000个Bump的电源分布和热应力进行预判，结合Die区域及整体封装翘曲仿真与实测结果验证，最终实现规模化量产 [22] - 齐力建立全物理域仿真能力，从芯片、封装到系统的热仿真，到信号与电源完整性分析、应力翘曲预测，再到模流、光学和可靠性仿真，将多种物理因素纳入统一工程验证流程，仿真结果与实测相互校验 [23] - 对PCB产业而言，板级互联与封装载板需更早参与系统协同设计，材料、线宽线距、热膨胀特性与制造精度都将成为影响最终性能的重要因素 [23] 从硬件性能到集群稳定性 - 中国联通国际有限公司销售总监杨程指出，AI大模型训练与推理对算力、数据和网络提出更高要求，应用从模型调用向智能体执行演进，基础设施需保障数据在不同节点之间高效流动并支持算力、网络和云平台协同调度，网络角色从基础连接延伸至算力资源组织与服务交付 [25] - 中国联通持续推进高速光网、5G-A及面向未来的6G技术布局，建设覆盖国家、区域、省级及边缘节点的智算体系，通过“4+4+31+X+O”智算体系组织算力资源，布局AINet算力智联网探索应用、网络与算力之间的全域感知和智能调度 [27] - 中国联通通过“九天”AI平台与“元景”大模型矩阵覆盖数据治理、模型训练、应用开发与部署等环节，探索模型即服务和智能体平台，降低企业调用和部署AI能力门槛，推动模型能力向制造、医疗、政务等场景延伸 [27] - 中国联通在工业互联网、智慧医疗和智慧城市等领域探索AI应用，通过5G与AI视觉质检提升制造环节检测效率，利用网络和智能诊断能力支持设备预测性维护 [28] - 算力资源跨越单机、机柜和数据中心后，服务器内部需要PCB承载高速信号和稳定供电，节点之间需要高速网络实现数据交换，跨区域算力调度依赖更广泛通信基础设施，算力基础设施要真正释放价值必须让每一层连接适应整体系统需求 [28] 行业演进方向总结 - 算力升级正在改变硬件之间关系，存储需跟上数据吞吐与实时性要求，先进封装需处理更高密度互联带来的热、电、力耦合问题，云平台需保障大规模集群稳定运行，通信网络需让分散计算资源高效协同 [31] - 市场需求可以迅速升温，真正形成竞争壁垒的是持续满足复杂算力系统要求的能力 [31] - 对国产产业链而言，AI算力带来的机会不止于市场规模扩大，更在于通过与存储、先进封装、服务器及云平台深度协作，逐步建立系统级设计和交付能力 [31]