讓我們把時間拉長到未來三年，我覺得真正決定AI發展速度的，可能不只是模型本身，而是隱藏在背後的基礎設施。
因為AI發展到最後，拼的不只是“誰擁有更強的智能”，還要看整個產業鏈能不能支撐這種智能持續擴大。
最近我重新梳理了一遍AI未來三年的核心瓶頸排序。
不是按照市場熱度，也不是按照想像空間，而是按照一個更現實的標準：
那些環節真正限制AI規模化發展，那些技術決定下一代AI基礎設施的演進方向。
排完之後，結論其實越來越清晰。
第一，是記憶體。
HBM、DRAM、eSSD，正在成為AI基礎設施中最關鍵的環節之一。
我覺得過去大家關注GPU，因為它代表計算能力。但隨著模型規模和資料處理需求不斷提升，一個新的問題出現了：
計算能力提升之後，資料如何更快地被呼叫？
如果沒有足夠的高頻寬記憶體，GPU再強，也無法持續釋放性能。
所以記憶體已經不只是AI硬體體系中的配套環節，而是整個算力體系的重要底座。
誰能夠提供更高效、更穩定的記憶體能力，將直接影響AI基礎設施繼續擴張的速度。
第二，是光互連。
800G、1.6T，以及Scale-Up和Scale-Across架構。
當單個晶片的算力不斷提升，未來的限制就不一定來自計算本身，而可能來自晶片之間如何連接。
我認為AI的發展正在從“單晶片競爭”，進入“計算叢集競爭”。
光模組、CPO、矽光等技術，也正在從過去的輔助技術，逐漸變成支撐大規模AI計算的重要基礎設施。
未來三年，如何讓越來越多的計算單元高速、穩定地協同工作，將成為AI繼續發展的關鍵問題。
第三，是先進封裝。
CoWoS、CoPoS，以及HBM封裝。
很多人關注晶片設計，卻容易忽略一個現實：當晶片整合度越來越高，如何把更多計算能力組合到一起，本身就是巨大的挑戰。
沒有先進封裝，HBM和GPU的大規模應用就會受到限制。
封裝已經不只是傳統意義上的製造環節，而是在影響未來AI晶片的算力密度、能耗表現和系統擴展能力。
第四，是ASIC和Networking。
自研晶片、交換晶片、SerDes、DSP等方向，會隨著AI基礎設施發展越來越重要。
未來AI計算不會只依賴通用GPU，而會逐漸走向更加多樣化的計算架構。
晶片之間如何高效協同，也會成為整個AI系統的重要組成部分。
第五，是電力和AI Factory。
變壓器、電網、UPS、800V DC、BBU。
我覺得隨著AI資料中心規模不斷擴大，一個越來越現實的問題正在出現：
不是有沒有計算需求，而是有沒有足夠的能源支撐計算規模繼續增長。
沒有穩定、高效的能源供應，算力擴張就會受到限制。
第六，是液冷。
隨著AI伺服器功耗不斷提高，DLC、CDU、冷板等散熱技術會逐漸成為高性能計算環境中的重要組成部分。
第七，是核能和發電。
長期來看，能源供給依然是AI持續發展的重要基礎，但相比電力裝置和基礎設施建設，兌現周期會更長。
再往後，PCB、ABF、CCL，MLCC和被動元件，以及半導體裝置，都是AI產業鏈中的支撐環節。
它們支撐著AI硬體體系不斷升級，但相比前面的核心瓶頸，更偏向產業配套。
至於Physical AI、Agent、資料層，以及AI金融等方向，長期發展空間依然值得關注。
但在未來幾年，它們更多處於生態建設和商業模式探索階段，最終形態還需要時間驗證。
所以，如果觀察未來三年的AI發展路線，真正值得關注的並不僅僅是模型能力的提升，而是誰解決了整個產業繼續擴張過程中遇到的關鍵限制。
我認為從記憶體，到光互連，再到先進封裝、電力和散熱。
這些看似隱藏在背後的底層支撐，可能才是決定下一階段AI發展速度的重要因素。(智明了智明)