存储、光互连、先进封装，未来三年 AI 瓶颈排序

让我们把时间拉长到未来三年，我觉得真正决定AI发展速度的，可能不只是模型本身，而是隐藏在背后的基础设施。
因为AI发展到最后，拼的不只是“谁拥有更强的智能”，还要看整个产业链能不能支撑这种智能持续扩大。
最近我重新梳理了一遍AI未来三年的核心瓶颈排序。
不是按照市场热度，也不是按照想象空间，而是按照一个更现实的标准：
哪些环节真正限制AI规模化发展，哪些技术决定下一代AI基础设施的演进方向。
排完之后，结论其实越来越清晰。
第一，是存储。
HBM、DRAM、eSSD，正在成为AI基础设施中最关键的环节之一。
我觉得过去大家关注GPU，因为它代表计算能力。但随着模型规模和数据处理需求不断提升，一个新的问题出现了：
计算能力提升之后，数据如何更快地被调用？
如果没有足够的高带宽存储，GPU再强，也无法持续释放性能。
所以存储已经不只是AI硬件体系中的配套环节，而是整个算力体系的重要底座。
谁能够提供更高效、更稳定的存储能力，将直接影响AI基础设施继续扩张的速度。
第二，是光互连。
800G、1.6T，以及Scale-Up和Scale-Across架构。
当单个芯片的算力不断提升，未来的限制就不一定来自计算本身，而可能来自芯片之间如何连接。
我认为AI的发展正在从“单芯片竞争”，进入“计算集群竞争”。
光模块、CPO、硅光等技术，也正在从过去的辅助技术，逐渐变成支撑大规模AI计算的重要基础设施。
未来三年，如何让越来越多的计算单元高速、稳定地协同工作，将成为AI继续发展的关键问题。
第三，是先进封装。
CoWoS、CoPoS，以及HBM封装。
很多人关注芯片设计，却容易忽略一个现实：当芯片集成度越来越高，如何把更多计算能力组合到一起，本身就是巨大的挑战。
没有先进封装，HBM和GPU的大规模应用就会受到限制。
封装已经不只是传统意义上的制造环节，而是在影响未来AI芯片的算力密度、能耗表现和系统扩展能力。
第四，是ASIC和Networking。
自研芯片、交换芯片、SerDes、DSP等方向，会随着AI基础设施发展越来越重要。
未来AI计算不会只依赖通用GPU，而会逐渐走向更加多样化的计算架构。
芯片之间如何高效协同，也会成为整个AI系统的重要组成部分。
第五，是电力和AI Factory。
变压器、电网、UPS、800V DC、BBU。
我觉得随着AI数据中心规模不断扩大，一个越来越现实的问题正在出现：
不是有没有计算需求，而是有没有足够的能源支撑计算规模继续增长。
没有稳定、高效的能源供应，算力扩张就会受到限制。
第六，是液冷。
随着AI服务器功耗不断提高，DLC、CDU、冷板等散热技术会逐渐成为高性能计算环境中的重要组成部分。
第七，是核能和发电。
长期来看，能源供给依然是AI持续发展的重要基础，但相比电力设备和基础设施建设，兑现周期会更长。
再往后，PCB、ABF、CCL，MLCC和被动元件，以及半导体设备，都是AI产业链中的支撑环节。
它们支撑着AI硬件体系不断升级，但相比前面的核心瓶颈，更偏向产业配套。
至于Physical AI、Agent、数据层，以及AI金融等方向，长期发展空间依然值得关注。
但在未来几年，它们更多处于生态建设和商业模式探索阶段，最终形态还需要时间验证。
所以，如果观察未来三年的AI发展路线，真正值得关注的并不仅仅是模型能力的提升，而是谁解决了整个产业继续扩张过程中遇到的关键限制。
我认为从存储，到光互连，再到先进封装、电力和散热。
这些看似隐藏在背后的底层支撑，可能才是决定下一阶段AI发展速度的重要因素。