rickawsb

一文看懂AI數據中心大周期下的功率半導體
的下一場軍備競賽，不再只是GPU，而是Power
AI數據中心正越來越大，一個數據中心耗能動輒相當於一座中型城市。
過去的數據中心是10-20kW/rack，現在已經變成80kW、120kW，甚至600kW/rack。大型AI集群的耗電已進入GW級別。
瓶頸除了GPU、CPU和存儲，也開始轉向電流、熱、配電、銅損、电力轉換效率、电網接入和HVDC。
AI數據中心產業鏈：
電網 → 變壓器 → UPS → HVDC → PSU → VRM → GPU。
傳統伺服器大量採用48V，因為傳統互聯網時代機櫃功率不高。但AI時代，低壓系統的問題開始全面暴露。因為：
P = VI
同樣1MW功率，48V需要超過20,000A電流，400V大約2,500A，800V進一步下降到約1,250A。
電流下降意味著銅纜變細、銅損下降、發熱下降、母排縮小、PSU壓力下降、液冷壓力下降，建設難度降低，成本更低。
800V是電動車已驗證的高壓平台，EV為何進入800V？因為快充、高功率、降低線損和降低熱損耗。
今天AI數據中心遇到的是同樣的問題。於是SiC、高壓MOSFET、高壓DC/DC、高壓PSU、HVDC、母排、固態變壓器，這些原本偏新能源車的產業鏈，開始向AIDC外溢。
但800V可能只是開始，真正的大方向是HVDC（高壓直流化）。
這是為什麼傳統工業電力公

AI產業鏈的暴漲需求，過去半年拉爆儲存，把低端手機擠出市場
接下來這半年將拉爆CPU，把低端電腦擠出市場
現在正在拉爆電池，和功率半導體，再過半年還會把低端新能源車擠出市場

AI的盡頭是光刻機，光刻機的盡頭是鏡頭
--- 光刻機鏡頭為何困難？
EUV和高端DUV光學，是整個超精密工業體系的極限集合。它同時依賴材料、鍍膜、計量、裝調、熱控制、振動控制、算法、誤差建模和長期經驗積累。真正限制擴產的，往往不是單一零件，而是整個“精度閉環”。
這個閉環裡最核心是：你無法製造出比自己測量能力更精確的東西。
EUV的13.5nm波長幾乎會被所有材料吸收，所以EUV根本不能使用傳統透鏡，只能使用多層反射鏡。蔡司的EUV鏡面，本質上是一套原子級反射系統。鏡面表面誤差通常要求進入幾十皮米級別。
1 pm=10−12 米
原子直徑大約100pm，意味著很多EUV鏡面的允許誤差已經接近半個原子層。
比做這樣一面鏡子更難的，是如何穩定測量這種誤差。如何在熱漂移、空氣擾動、振動下完成測量。如何在大尺寸鏡面上保持一致性。如何形成長期穩定的工業化重複製造。因為這時候測量的已經不是長度，而是光波相位本身。
EUV測量系統本身，就是一套超高端產業鏈。裡面包括激光干涉儀、超穩定激光源、reference optics（參考鏡）、超低熱膨脹材料、主動隔振系統、超精密位移台、波前傳感器、真空系統和長期漂移補償算法。很多核心供應商，全球可能只有1-3家。
而這些計量系統也需要更高等級的計量系統來製造。於是形成一種遞歸（死循環）：先進的計量設備製造需要更先進的計量設備。
以其中瓶頸之一，refe

周末行研---AI拉動的電力電子系統大基建裡SiC、GaN 與硅MOSFET的份額淺析
AI數據中心瘋狂建設推動的電網大升級，正在讓另一個長期被低估的領域重新回到舞台中央：功率半導體。
電力系統核心在於高效地控制電流。而控制電流最核心的器件，就是MOSFET（Metal-Oxide-Semiconductor Field-Effect Transistor）金屬-氧化物-半導體場效應晶體管。
過去幾十年，全球功率器件幾乎都建立在硅MOSFET之上。硅便宜、成熟、產業鏈完整，因此長期統治整個行業。但隨著AI伺服器功率暴漲、EV進入800V時代、數據中心向高壓化演進、高頻電源需求提升，傳統硅開始逐漸碰到物理極限。於是，SiC（碳化硅）與GaN（氮化鎵）開始崛起。
SiC更像重工業路線。它的核心優勢，在於高壓與大功率。SiC擁有更高擊穿電壓、更強導熱能力，在高壓、高電流場景下效率明顯優於傳統硅IGBT。因此EV主驅逆變器、光伏逆變器、儲能、工業高壓驅動、電網、高壓UPS這些領域，正在快速SiC化。尤其特斯拉推動的800V平台，本質上是整個SiC產業爆發的重要轉折點。過去幾年，新能源車一直是SiC最大的驅動力。Wolfspeed、onsemi、STMicroelectronics、Infineon Technologies、ROHM、Mitsubishi Electric等

半導體產業鏈之上，數字孿生之前：良率提升的隱形冠軍分析
如果把半導體製造當成一個系統來看會發現一個被長期忽視的位置：在產業鏈之上、在數字孿生真正落地之前，存在一層尚未被完全定義的跨企業，全流程的“認知層”。PDF Solutions的價值，就來自這裡。
它處理的不是單點數據，而是貫穿設計、工藝、設備、測試的因果鏈：某個設計結構，在某個工藝步驟、某台設備上形成特定缺陷，最終映射為電性失效。單個晶圓廠或者檢測機構可以擁有某些環節的全部原始數據，但很難把這些數據穩定地連接成可重用的因果模型，這就是PDFS切入的本質。
為什麼EDA、晶圓廠、設備廠沒有把這件事自己做完？不是做不到，而是沒有動力做到那一步。
設計端如Synopsys、Cadence Design Systems只能做到前馈優化，缺乏製造後的反饋閉環；
晶圓廠如TSMC、Intel數據最全，但系統割裂、組織分散，跨流程整合成本極高；
設備廠如KLA Corporation、Applied Materials掌握檢測和控制，但視角局限在單工序。
每一層都在優化局部，跨邊界問題無人承接，于是在產業鏈之上，自然出現了一層“解釋系統”的空白，這正是PDFS所在的位置。
產業鏈使用PDFS，是因為數據之間的斷層——設計看設計，工藝看工藝，設備看缺陷，但沒有統一機制把這些信息串成一條可解釋的因果鏈。PDFS

最近提交IPO的AI芯片新宠Cerebras火遍硅谷。
其芯片在小模型场景下，其推理速度最高可达H100的20倍；而超大规模模型（如400B参数量级），Cerebras CS-3系统的单用户响应速度约为B200的2.4倍
那么Cerebras究竟是如何做到的呢？它是否会成为英伟达杀手呢？
我们需从算力演进的本质开始。
AI算力的演进，正在从“算力本身”转向“通信与系统结构”。在这条演进路径上，Cerebras Systems提供了一种完全不同的答案：不是优化分布式，而是尽可能消灭分布式。
一、两条路线：消灭通信 vs 优化通信
当前AI算力本质上分为两种架构哲学：一条是以NVIDIA为代表的路线：
多芯片（GPU），高速互连（NVLink / CPO），scale-out（横向扩展）
另一条是Cerebras路径：单芯片做到极限（wafer-scale）
片内网络替代跨节点通信，scale-up（纵向放大）
核心区别是：一条在解决“如何连接更多芯片”，另一条在解决“如何不需要连接”。
二、为什么这条路现在才成立
wafer-scale并不是新概念，80年代就有人尝试，90年代商业化失败。原因是：
良率无法承受
没有容错机制
软件无法支撑
行业因此形成共识：小die + 高良率 + 分布式。
Cerebras的突破在于三件事同时成立：
1）容错机制工程化
2）片上网络成熟
3）AI

周末深度：從CPO + ELS光源趨勢看獨立激光器玩家的位置、邊界與終局
AI算力的瓶頸正在從計算轉向帶寬。隨著GPU規模擴大，節點間通信接近N²增長，電互連在功耗與距離上觸頂，光互連從“可選項”變成“剛需”。
在這一過程中，CPO（Co-Packaged Optics）與ELS（External Laser Source）開始重構產業鏈：激光器從模組內部被剝離，成為系統級資源。
獨立激光器玩家SIVEF正處在這個變化的一個關鍵節點。
一、SIVEF做什麼
公司核心是基於InP平台的WDM DFB激光陣列。
簡單說：
DFB：穩定單波長激光器
WDM：多波長復用
array：多激光器一體化
本質不是賣“激光器”，而是提供多通道光帶寬能力。
在CPO + ELS架構下：
傳統：每個模組一個激光器
新架構：一個光源供多個通道
激光器從“分佈式元件”變成“集中資源”，這就是價值重分配的起點。
二、為什麼是WDM DFB array
AI數據中心的約束很清晰：單通道速率接近極限，電互連功耗不可擴展，帶寬必須靠“並行化”
唯一可擴展路徑是：
多波長（WDM）
而WDM的前提是：穩定、可控的單波長光源（DFB）
因此，WDM DFB array是當前工程上最優解。儘管不是最先進的理論方案，但它是唯一可規模化落地的方