文 / Cipher的財經解剖
隨著人工智慧從判別式模型跨入生成式模型（Generative AI）的新紀元，市場焦點往往過度集中於 GPU 的算力競賽。然而，若將視角深入至伺服器機櫃內部，會發現另一場更為嚴峻的「物理極限戰」正在上演。
當大型語言模型（LLM）的參數突破兆級，數據傳輸的頻寬需求呈現指數級暴增。這不僅改變了晶片設計，更迫使底層的互連載體——印刷電路板（PCB）與 IC 載板——必須進行材料與結構的徹底革新。PCB 已不再是傳統認知中的被動元件，而是決定 AI 伺服器訊號完整性（Signal Integrity, SI）、電源效率與散熱能力的關鍵主動角色。
本篇分析將從物理層面出發，剖析 AI 硬體架構中的材料革命、製程瓶頸，以及供應鏈中那些不易被取代的技術護城河。
一、訊號的「高速公路」：從銅箔到物理極限
在 NVIDIA 下世代運算平台（如 Rubin 架構）的技術藍圖中，NVLink 6 的互連頻寬預計將推升至單顆 GPU 3.6 TB/s（依據官方數據）。與此同時，SerDes（序列器/解序列器）速率正以 112Gbps 為主流，而下一代 224Gbps 規格預計將率先於特定高階平台或短距互連中逐步導入。
在如此高頻的傳輸環境下，傳統電子材料面臨了兩大物理殺手：
- 集膚效應（Skin Effect）：隨著頻率升高，電流傾向集中在導體表面流動。這意味著銅箔表面的粗糙度必須降至極低（Low Profile Copper），否則訊號將因「路面顛簸」而大幅衰減。
- 玻纖效應（Fiber Weave Effect）：當訊號傳輸速度極快時，線路若恰好跨越玻璃纖維束與樹脂的空隙，將產生傳輸速度不一致（Skew）。
為了克服上述障礙，產業趨勢明確指向**「材料升級」**。目前量產機種多採用 Low Loss 至 Very Low Loss（如 M7/M8 等級） 材料，而市場預期下一代高階設計將進一步導入 Ultra-Low Loss（M9 等級）。
值得留意的是，低膨脹係數（Low-CTE）玻璃纖維布（T-Glass） 已成為關鍵戰略物資。目前全球能穩定供應 T-Glass 原紗的廠商仍以日系大廠（如 Nittobo）為主導。台灣銅箔基板（CCL）廠的競爭優勢，在於誰能透過與日廠的策略合作或產能綁定，確保在這波缺料週期中維持穩定的供貨能力。
二、解剖 AI 伺服器：三大關鍵板材的技術分工
若將一台 AI 伺服器拆解，其 PCB 架構可細分為三大區塊，每一塊都代表著不同的技術門檻與供應鏈價值：
1. OAM（運算加速模組）：技術含金量最高
OAM 是承載 GPU 與 HBM（高頻寬記憶體）的核心區域。由於晶片接點密度極高，傳統通孔製程已無法滿足需求，設計上多採用高階 HDI（高密度互連），甚至達到 Any-layer 或類載板（SLP）等級。 此外，隨著高階 GPU 模組功耗逼近 1kW 大關（視散熱與模組形式而定），電源層必須導入厚銅技術以承載大電流，同時又要維持訊號層的細線路製作，這對製程良率是極大考驗。市場共識指出，具備 IC 載板與類載板量產經驗的廠商，在此領域擁有較深的技術護城河。
2. UBB（通用基板）：大尺寸的工藝挑戰
UBB 負責串聯 8 顆 GPU，是整台伺服器中尺寸最大、層數最多（常見設計落在 20 至 30 層以上區間）的電路板。 此類產品的核心挑戰在於「漲縮控制（Registration）」與「背鑽精度」。在經歷高溫回焊製程時，大尺寸板材極易發生板彎或板翹，導致連接失效。這類產品向來是專精於伺服器厚板領域廠商的主戰場，良率控制能力直接決定了毛利率表現。
3. Switch Board（交換機板）：800G 的前哨戰
隨著 AI 叢集對內網互連速度的要求提升，800G 交換機的導入速度正在加快。其 PCB 規格與 UBB 類似，同樣強調極低損耗材料與多層板製程的穩定性，且對訊號完整性（SI）的要求最為嚴苛。
下表總結了上述三大關鍵組件的技術規格差異與主要供應鏈觀察：
AI 伺服器關鍵 PCB 組件技術規格與供應鏈觀察
三、先進封裝的「翹曲壁壘」與玻璃基板的興起
除了 PCB，封裝載板（Substrate）亦是本次 AI 浪潮的瓶頸所在。目前的 AI 晶片高度依賴 CoWoS 等先進封裝技術，但隨著「封裝尺寸」不斷擴大，傳統技術正面臨物理極限。
1. 2.5D 封裝的大尺寸演進 (CoWoS-L)
為了容納更多 HBM 與更大的邏輯晶片，NVIDIA 正逐步從 CoWoS-S 轉向 CoWoS-L（利用 LSI 進行互連的大尺寸封裝），使封裝尺寸突破 100mm x 100mm。
然而，封裝尺寸放大後的副作用，即是「翹曲（Warpage）」問題加劇。傳統有機載板（ABF Substrate）因熱膨脹係數（CTE）與晶片不匹配，在大面積下容易產生結構變形，影響良率。
2. 3D 堆疊的垂直進擊 (SoIC)
不同於 2.5D 的平面擴展，SoIC 走的是垂直堆疊路線（如將運算晶片堆疊於 I/O 晶片之上）。這雖然解決了傳輸距離問題，卻帶來了更高的功率密度與散熱挑戰，對封裝材料的可靠度要求更上一層樓。
3. 下世代解方：玻璃基板 (Glass Core Substrate)
為了徹底解決大尺寸封裝的翹曲問題與細線路微縮瓶頸，玻璃基板被視為長線的終極解方。玻璃具備極佳的平整度與尺寸安定性，且支援 TGV（玻璃通孔）互連。
然而，依據 Intel 與相關供應鏈的公開時程研判，玻璃基板的大規模量產預計將落在本世紀後半（Late 2020s），甚至要到 2028 年後才會產生顯著的營收貢獻。目前的階段仍處於樣品驗證與良率爬坡期，相關設備商（如雷射改質、檢測）將比材料商更早反映此一趨勢。
先進封裝技術演進對應之載板/設備機會
結論：硬體升級的長線劇本
AI 基礎設施的建置是一場長跑。從投資研究的角度來看，未來的觀察重點可分為兩個時間維度：
- 短期（1-2年）：應密切追蹤 M8/M9 等級材料的滲透率，以及各家板廠在 OAM/UBB 高階料號的認證進度。這是最直接反映 AI 伺服器出貨放量的指標。
- 長期（3-5年）：關注 玻璃基板（GCS） 的生態系發展。雖然目前尚無營收貢獻，但這是延續摩爾定律的關鍵技術。誰能率先解決玻璃易碎與 TGV 金屬化製程的難題，誰就能定義下一個十年的封裝標準。
這場物理極限戰，才正要開始。
【免責聲明】 本文章內容僅為產業趨勢分析與技術研究分享，不構成任何形式之投資建議。文中提及之技術規格、公司與市場動態，皆基於公開資訊、供應鏈觀察與產業邏輯推演。投資人應獨立判斷市場風險，並自負投資盈虧責任。
