算力芯片是AI产业链的“发动机”，发动机需要安装在车架上，并通过油管、电路把动力传递到各个部件。在AI数据中心里，AI服务器就是那副“骨架”，光模块和互联网络就是输送数据的“血管” 。 没有服务器，芯片无处安放；没有高速互联，再强的算力也会卡在数据传输的瓶颈上。这一篇，我们聚焦AI服务器的内部构造、HBM内存、GPU互联技术，以及光模块这个被AI带火的“隐形冠军”。 一、AI服务器：算力集群的核心节点 1.1什么是AI服务器？ 普通服务器用来跑网站、数据库、办公系统，对算力要求不高，对稳定性要求高。AI服务器专门为深度学习训练和推理设计，里面插满了GPU（图形处理器）或ASIC（专用集成电路），并配有超大容量内存和超高速互联网络。 一个直观的区别 ：普通服务器像一辆小货车，拉点日常货物够用；AI服务器像一辆重型卡车，专门拉矿石和钢材，马力大、油耗高、造价贵。1.2 AI服务器的内部组成 一台典型的AI服务器（如英伟达DGX H100）包含： 8颗GPU（H100或A100），通过NVLink桥接器两两互联 2颗CPU（英特尔或AMD），负责调度和数据预处理 海量内存：系统内存约2TB，外加每颗GPU配备80GB HBM（高带宽内存） 本地存储：数TB的NVMe固态硬盘，用于缓存训练数据 高速互联：400G或800G网卡，用于服务器之间的通信 算力与存储的配比 ：一台AI服务器的GPU算力可以高达数十PFLOPS（每秒千万亿次浮点运算），而存储带宽必须匹配——HBM就是为这个目的设计的。1.3市场规模与出货量 群智咨询数据显示，2026年全球AI服务器出货量将达到约370万台，同比增长51.3% 。其中，ASIC AI Server的出货占比预计提升至27.8%，说明推理需求正在快速追赶训练需求。 AI服务器在整体服务器市场中的份额已从2023年的不足10%攀升至2026年的超过30%。驱动因素有两个：一是云厂商资本开支大幅向AI倾斜（微软、谷歌、亚马逊、Meta 2026年合计AI相关资本开支超过2000亿美元）；二是企业自建AI算力基础设施（大型银行、能源公司、科研机构）。 1.4主要厂商 英伟达DGX系列 ：AI服务器的“黄金标准”，软硬件一体化，价格昂贵（一台DGX H100售价约40万美元）。华为昇腾 ：国产AI服务器的主力，基于昇腾910/950芯片，搭配鲲鹏CPU，已大规模部署在国内智算中心。浪潮信息 ：全球最大的AI服务器代工厂，为英伟达、百度、阿里等提供定制化服务器。中科曙光 ：国产算力龙头，基于海光DCU的服务器在政府、科研领域份额高。二、HBM：AI芯片的“高速缓存” HBM（High Bandwidth Memory，高带宽内存）是贴在GPU旁边的极速内存，专门解决“数据搬运”瓶颈。我们用一个比喻来理解：GPU像一个高速运转的工厂，每秒能处理海量计算；HBM就是紧挨着工厂的“原材料仓库”，仓库的出货速度必须跟上工厂的消耗速度。传统内存（DDR）速度太慢，会饿死工厂；HBM采用3D堆叠技术，把多个DRAM芯片像盖楼一样垂直堆叠，并通过硅通孔（TSV）高速互连，提供TB/s级别的带宽。 2.1 HBM的代际演进 HBM3（2022-2024年主流）：带宽约819 GB/s（每堆栈），用于英伟达H100。 HBM3e（2024-2026年主流）：带宽提升至1.2 TB/s，用于英伟达H200、B200。 HBM4（预计2026年下半年量产）：带宽将超过2 TB/s，堆栈层数从8层增加到16层，单堆栈容量可达36GB。SK海力士、三星、美光均在2026年Computex上展示了HBM4样品，预计2027年大规模铺货。 2.2市场格局与供需缺口 SK海力士：市占率超过50%，HBM3e和HBM4进度领先，已向英伟达独家供应HBM3e。 三星电子：市占率约40%，HBM3e已通过英伟达认证，正在追赶。 美光：市占率约10%，主要供应AMD和部分云厂商。 2026年HBM市场规模预计达到510亿美元，占DRAM市场近40% 。SK海力士2026年HBM产能在2025年底已全部售罄，美光同样被客户提前锁单。摩根大通预测2026至2028年HBM供需缺口将持续存在，2027年混合HBM均价同比将上涨32%。2.3为什么HBM如此紧缺？ HBM不是普通的存储芯片。如果说普通DDR5是平铺在地上的仓库，HBM就是把12个仓库垂直堆叠成一栋摩天大楼，中间靠极其精密的TSV垂直通道连接。这种“立体化”设计让HBM占据AI芯片物料清单（BOM）的30%-50% 。一台AI服务器里，HBM的成本几乎和GPU本身一样高。但高价值背后，是远超传统存储的制造难度。 制造HBM需要消耗大量先进DRAM产能。一片12英寸晶圆如果用来生产普通的DDR5，可以切出100颗芯片；如果用来生产HBM，由于需要集成底层逻辑裸片和复杂的TSV阵列，只能产出约20颗。每一片用于HBM4的晶圆，实际上是从全球DRAM供应中抽走了数倍于其本身的传统内存产能。 这种“抽血效应”体现在数据上：三大原厂超过20% 的DRAM产线已经从生产普通内存转向生产HBM。截至2026年1月，三大原厂HBM总产能已达到每月35.5万片晶圆，占全球DRAM总投片量的比例从两年前的8%飙升至23% 。同一片晶圆，用来做HBM，数量更少、良率更低，但每片的价值却高出数倍。对于存储厂商来说，这是一道不需要犹豫的选择题：把产能向高利润的HBM倾斜。结果是2026年全球DRAM供应缺口约8%，NAND缺口约5%，均为近15年来最高水平 。 晶圆产能只是第一道坎。HBM的生产比普通DRAM复杂得多，跨越TSV形成、微凸点制作、晶圆减薄、堆叠键合、芯片测试五大环节，每一步都藏着良率陷阱。 难点一：TSV良率 。HBM3E的一个12层堆叠结构包含数百万个TSV，一个TSV连接不良就意味着整颗芯片报废。供应商必须内置TSV修复方案来挽救部分故障，但良率控制难度仍远高于传统DRAM。难点二：堆叠键合 。把12层甚至16层芯片精确堆叠起来，需要用热压键合（TCB）或混合键合设备。HBM3/3E依赖TCB，但向HBM4过渡时，部分厂商正考虑转向混合键合以获得更高堆叠效率和散热性能。问题在于，目前TCB设备产能本身紧张，且设备能否满足下一代HBM的生产要求仍充满变数。在堆叠键合环节，目前主流HBM（如HBM3E 12层）采用热压键合（TCB）技术。可以把它理解为“砌砖”——每层芯片之间靠微小的铜凸块和焊料连接，中间填充绝缘材料，工艺相对成熟，良率可控 。但向HBM4（16层及以上）过渡时，TCB面临挑战：堆叠层数越多，整体厚度增加，散热变差，且凸点间距无法无限缩小 。因此，下一代混合键合技术开始进入视野。混合键合不需要凸块，而是将芯片表面打磨到原子级平整，让铜层直接对铜层贴合 。这种“拼图式”的连接能实现更薄的封装、更高的带宽密度和更低的功耗，但设备昂贵、工艺复杂，当前商业化良率远低于TCB。三星计划从16层HBM4E开始引入混合键合，SK海力士则在巩固MR-MUF技术的同时储备混合键合能力。短期内，TCB仍是主流；中长期看，混合键合将是突破更高堆叠层数的必由之路。 难点三：整体良率爬坡 。HBM晶圆尺寸比同容量DDR5大35%-45%，而良率要低20%-30%。即便新建生产线，从设备进场到工艺稳定再到良率爬坡，至少需要6个月到1年时间。延迟交付和更低产出的双重压力，使供应端承压严重。紧缺不仅来自技术，更来自时间错配。虽然三大原厂从2024年起就已提前规划扩产——SK海力士将韩国龙仁新晶圆厂提前至2027年2月投产，清州M15X工厂从2026年2月启动HBM量产；三星平泽P4工厂将原定扩产DDR5的产线全部转为HBM4专用线——但一座新晶圆厂从动工到满产需要3年以上。而AI芯片客户的下单节奏是按季度、按月计算的。供给端的决策周期和需求端的爆发周期严重错位，导致产能爬坡永远跑不赢订单增长速度。 2026年HBM市场规模预计增长58%至546亿美元，占DRAM市场近四成。即便三大原厂已将70%的新增产能向HBM倾斜，产能缺口仍高达50%至60%。 摩根大通预计HBM供需缺口将贯穿整个2028年。SK海力士2026年HBM产能已全部售罄，三星和美光的产能同样被客户提前锁定。三、NVLink与InfiniBand：GPU互联技术 单个GPU的算力有限，训练大模型需要成百上千颗GPU协同工作。GPU之间的高速互联，决定了集群的整体效率。 3.1为什么GPU需要高速互联？ 大模型训练采用分布式并行计算，模型参数被切分到多个GPU上。每计算一步，GPU之间需要同步梯度（交换计算结果）。如果互联速度慢，GPU就会互相等待，造成算力闲置。 一个简单的数学 ：1000颗GPU组成的集群，如果互联带宽不足，实际有效算力可能只有峰值的30%-40%。而NVLink等高速互联技术可以将有效算力提升到80%以上。3.2 NVLink：英伟达的私有协议 NVLink是英伟达开发的GPU直连技术，绕过PCIe总线，实现GPU间点对点高速通信。DGX H100服务器中，8颗GPU通过NVLink桥接器组成一个全互联的“GPU大池”，带宽高达900 GB/s。NVLink Switch（NVLink交换机）进一步将多个DGX节点连接成超大规模集群，带宽达3.6 TB/s。 3.3 InfiniBand：数据中心网络 NVLink解决的是单个服务器内部GPU的互联；而多个服务器之间（跨机柜）的通信，需要InfiniBand或以太网。InfiniBand比普通以太网延迟更低（亚微秒级）、带宽更高（800G），是目前AI数据中心的主流选择。英伟达在2020年收购了InfiniBand龙头Mellanox，将其技术整合到自己的AI集群方案中。 3.4国产替代 华为HCCS：华为自研的GPU互联技术，用于昇腾集群，带宽对标NVLink。 中国互联网络：寒武纪、海光等也在开发类似的片间互联技术，但成熟度仍有差距。 以太网方案：Arista、锐捷等厂商正在推动基于以太网的RoCE（RDMA over Converged Ethernet）技术，试图打破InfiniBand的垄断。 四、光模块：数据传输的“光纤高速公路” 光模块的作用是把电信号转换成光信号，通过光纤传输，再在另一端把光信号转回电信号 。GPU之间、服务器之间的数据交换，最终都要通过光模块和光纤来完成。 4.1为什么光模块这么重要？ AI数据中心内部，GPU集群的数据交换量极其庞大。一个包含数千颗GPU的集群，每秒需要传输数十TB的中间结果和梯度。如果用铜缆传输，距离短、损耗大、带宽不足；而光纤传输 损耗低、带宽高、抗干扰能力强。光模块就是光纤通信的“收发器”。 4.2技术迭代：400G→800G→1.6T AI算力的提升，倒逼光模块速度越来越快。业内有一条经验规律：GPU算力每2年翻4倍，光模块速率每2年翻2倍 。当前主流是800G光模块（用于H100/B200集群），2026年下半年开始向1.6T过渡。预计2027年1.6T光模块将占据新增需求的30%以上。 4.3市场规模 2025年全球光模块市场规模约120亿美元，其中AI数据中心贡献超过60%。LightCounting预测，2026年市场规模将突破180亿美元，2027年达到250亿美元。 AI数据中心光模块的增速是传统电信和数通市场的3倍以上。4.4 供应缺口
AI 数据中心对高速光模块的需求激增，与 HBM 的紧缺逻辑高度一致，本质都是 AI 算力需求暴涨与供应链结构性瓶颈的深刻错配 。其中， 最前沿的 1.6T 光模块供不应求，其零售价已从 1200 美元飙升至 2000 美元以上，涨幅超 70% ，交付订单也已排至 2026 年三季度 。多个信源显示， 800G 和 1.6T 光模块在 2026 年仍将处于供不应求的状态。
与 HBM 的紧缺类似，光模块的短缺根源也在于 上游核心物料和高端产能不足 。
关键物料被上游 “ 卡脖子 ” ： 核心瓶颈集中在制造高速光芯片所需的 磷化铟（ InP ）衬底 和 外延设备（ MOCVD ） 。 磷化铟（ InP ）衬底极度短缺 ：它是制造高速光模块里那些核心光芯片的 “ 地基 ” 。据 Omdia 数据， 2026 年全球对 InP 衬底的需求约 260 万至 300 万片，但有效供给仅约 75 万片，供需缺口高达 70% 以上。它高度依赖 Lumentum 、 Coherent 等少数几家海外供应商。 核心外延设备（ MOCVD ）供应不足 ：有了 “ 地基 ” （ InP 衬底）后，还需要一台 “ 造楼机 ” 在上面搭建出芯片复杂的功能层，这台关键设备就是 MOCVD 。 MOCVD 是生产高速光芯片的关键设备，被 德国 AIXTRON 和 美国 Veeco 垄断。该设备采购价格高昂且交付周期长，在全球扩产潮下成为另一大产能瓶颈。 技术方案转换带来转机 ：为应对传统方案的瓶颈，行业正加速转向 硅光技术方案 。据 LightCounting 预测， 2026 年光模块销售额超一半将来自基于硅光调制器的模块。硅光方案与传统 InP 方案的根本区别在于： InP 靠自己发光，硅光必须借光，但它可以把整个光路管理集成到一颗硅芯片上。 InP （磷化铟）是天生会发光的 “ 原厂顶配 ” ，硅光用的是和电脑 CPU 同款的硅材料，成本低但自己发不了光。在传统 800G 模块中，激光器芯片成本占比高达 21% ； 而 在硅光模块中，这一比例降至 9% 。此外，硅光模块的功耗显著低于传统方案。英伟达已开始量产 Spectrum-X 硅光技术平台，推动了国内 CPO 产业链的快速发展。 银河证券预测， 2026 年 800G 光模块中硅光方案占比将超过 50% ，而在 1.6T 光模块中占比更是高达 70%-80% 。 高端产能分化，交付周期拉长 ：行业呈现两极分化，低端产能已过剩，高端产能却 “ 一芯难求 ” 。 AI 数据中心的主流 800G 模块是交付主力，而采用 InfiniBand 架构的 AI 集群对光模块需求最为迫切，相关模块交期已拉长至 8 到 9 个月 。 AI 基础设施对光模块的需求仍是决定性的。最新预测显示， 2026 年 800G 光模块出货量将达 3800 万只 ， 1.6T 光模块出货量更将飙升至 1400 万只 ，远超此前预期。虽然部分上游物料紧缺有望缓解，但 AI 爆发式增长的速度可能仍会快于产能爬坡的速度。
4.4国内主要厂商 中际旭创 ：全球光模块龙头，800G市场份额第一，深度绑定英伟达、谷歌。新易盛： 400G/800G模块主要供应商，客户包括亚马逊、微软。天孚通信 ：专注于光模块上游器件（透镜、陶瓷插芯），受益于行业扩产。光迅科技 ：国内电信光模块龙头，正在向数通市场转型。五、供需关系与投资逻辑 5.1 AI服务器供不应求 英伟达H100/B200的交付周期仍长达12-18个月，订单排到2027年。国产昇腾服务器同样面临产能不足——华为昇腾950PR的产能被国内智算中心抢购一空。AI服务器代工厂（工业富联、浪潮信息）的订单能见度已到2027年。 5.2光模块景气度持续走高 800G光模块在2025-2026年处于“量价齐升”阶段，2026年下半年1.6T光模块开始小批量出货，2027年放量。国内光模块厂商（中际旭创、新易盛）凭借成本优势，全球份额持续提升。 5.3国产替代机会 GPU互联：华为昇腾生态链（拓维信息、神州数码）。 5.4风险提示 技术迭代过快：光模块产品每2年换代，研发跟不上就可能掉队。 客户集中度风险：光模块厂商严重依赖少数云厂商订单。 地缘政治：美国可能进一步限制对中国出口高端光模块芯片（DSP、激光器）。 AI服务器和光模块是AI基础设施的“骨架”和“血管”，它们不像算力芯片那样引人注目，但价值量巨大，且确定性高。对于不想在高估值GPU板块博弈的资金来说，这两个环节提供了更稳健的配置选择。
夜雨聆风