最近我记下了一个还比较模糊的判断：未来除了关注 GPU、算力和大模型，也要开始关注一些现在看起来不那么热门的材料，比如碳化硅、氮化镓和玻璃基板。

我最初只是觉得，AI 继续发展以后，对芯片的需求一定会扩大。但查了一圈资料之后，我发现更准确的说法并不是“这些材料都要拿来做 AI 计算芯片”，而是 AI 的竞争正在从计算核心向整个物理系统扩散。

芯片算得更快以后，数据怎么在芯片之间传，电怎么高效地送进去，热怎么带出来，设备怎么在有限电池和有限空间里持续运行，都会变成新的瓶颈。玻璃基板、碳化硅和氮化镓恰好处在这些瓶颈的不同位置。

三种材料，其实是三条不同的逻辑

先说玻璃基板。

它离“AI 芯片”最近，但它不是拿来替代硅晶圆做晶体管的，而是用在先进封装的底层。现在一颗高性能 AI 芯片早已不只是单个芯片，它往往要把计算芯粒、存储和高速互连放进一个更大的封装里。封装越大、连接越密，传统有机基板就越容易遇到翘曲、尺寸稳定性和布线密度的问题。

Intel 对玻璃基板的介绍提到，玻璃具有更好的平整度、热稳定性和机械稳定性，可以支持更高密度的互连。美国国家标准与技术研究院后来又向 Absolics 的玻璃芯基板研发和制造生态投入了1 亿美元。这说明玻璃基板已经不只是实验室概念，产业正在为它建立工艺、设备和供应链。

但这仍然是一条偏早期的路线。Intel 给出的产业化时间指向“本十年后半段”，NIST 支持的项目也仍然强调研发、原型验证和低量制造。换句话说，玻璃基板值得长期观察，但“技术方向成立”和“大规模量产赚钱”之间，还有良率、成本、通孔加工、金属化、检测和客户认证等很多关要过。

碳化硅（SiC）和氮化镓（GaN）则是另一条逻辑。它们是宽禁带半导体，主要价值不是替代 GPU 里的硅逻辑电路，而是提高电能转换效率。美国能源部对这两种材料的概括很直接：与传统硅功率器件相比，它们可以承受更高温度，并在功率电子系统中获得更高效率。

这件事为什么和 AI 有关？因为 AI 不只消耗算力，也消耗大量电力。

国际能源署估算，全球数据中心在 2024 年使用了约 415 TWh 电力；在其基准情景中，这一数字到 2030 年会接近 945 TWh，其中 AI 加速服务器是增长的重要来源。与此同时，NVIDIA 正推动面向未来高密度 AI 机架的 800 V 直流供电架构，试图减少多级电能转换、铜排体积和传输损耗。

当一座数据中心或一台机器人内部的功率不断提高时，哪怕电源效率只改善一点，最后也会变成可观的电费、续航、散热和体积差异。SiC 更擅长处理高电压、高功率场景，GaN 的优势更多体现在高频开关和紧凑型电源。它们不是“新的 AI 大脑”，更像是让大脑稳定工作的血管和心脏。

机器人会把 AI 从信息世界带进物理世界

我觉得更大的变化还不是数据中心，而是 AI 开始进入机器人、汽车、无人机、工业设备和各种智能终端。

过去的物联网设备，很多只负责感知和上传：温度计采集温度，摄像头上传视频，传感器把数据送到云端。机器人则多了一步，它不仅要感知，还要判断并采取行动。

传感器采集 -> 理解环境 -> 做出判断 -> 控制执行器 -> 接收新的反馈
      ^                                             |
      +---------------------------------------------+

这个闭环一旦进入现实世界，就不能把所有事情都交给远端云服务。机械臂不能等网络稳定后再决定是否停止，汽车也不能把每一帧画面都上传后再转向。延迟、断网、隐私、带宽和安全，都要求一部分计算发生在设备旁边，甚至直接发生在设备内部。

这种变化已经可以从产品和市场两侧看到。国际机器人联合会的 World Robotics 2025 显示，2024 年全球新安装约 54.2 万台工业机器人，比十年前翻了一倍以上；在其供应商统计样本中，专业服务机器人销量接近 20 万台，运输和物流是其中最大的应用。它在 2026 年的趋势判断中，又把“AI 与机器人自主性”列为首要趋势。

计算平台也在向这个方向演进。NVIDIA 的 Jetson Thor 已经把视觉语言模型、传感器处理、规划和实时控制放到同一套边缘计算平台中。消费设备上也能看到类似方向：Apple 同时建设设备端和服务器端模型，并把设备端模型开放给应用开发者。这些变化共同说明，本地运行的 AI 正从过去的小型识别模型，走向更完整的理解、规划和工具调用。

不过，我不认为未来所有计算都会离开云端。更可能出现的是分层协作：

云端：训练、复杂推理、全局知识、设备群管理
  |
边缘：区域数据处理、任务协调、模型与策略下发
  |
设备：实时感知、即时判断、安全控制、隐私数据处理

云端负责“想得更深”和“看得更广”，设备端负责“反应得更快”和“在现实中可靠执行”。机器人越普及，这种云、边、端协同就越重要。

真正的趋势，是计算单位从芯片变成系统

过去谈 AI 芯片，我很容易只盯着制程、晶体管数量和单卡算力。但如果 AI 最终要驱动一个物理设备，真正参与竞争的就不再只是一颗芯片，而是一整套系统：

模型与软件
    |
计算 + 存储 + 高速互连
    |
先进封装 + 供电 + 散热
    |
传感器 + 电池 + 电机与执行器
    |
能够在现实世界持续工作的机器

从这个角度看，玻璃基板解决的是“更多芯片如何被更紧密地连在一起”；SiC 和 GaN 解决的是“更多电力如何被更高效地转换和使用”。到了机器人身上，还要继续考虑电池、电机、减速器、传感器、散热和可靠性。

所以我现在更愿意把“关注冷门材料”理解成一种寻找瓶颈的方法，而不是简单寻找下一个热门概念。当所有人都在看计算芯片时，系统的真正限制可能已经转移到了封装、供电或散热；当材料名称开始变热时，真正稀缺的又可能变成加工设备、工艺良率和客户认证。

这也意味着，不能只看到“需求会增长”就直接得出结论。以后再看一项材料技术，我会多问几个问题：

  1. 它解决的是当前瓶颈，还是只在实验室里性能更好？
  2. 它已经进入量产和客户认证，还是仍停留在原型阶段？
  3. 成本、良率和可靠性是否允许它替代现有方案？
  4. 机器人或 AI 机架每增加一台，实际会多使用多少这种材料？
  5. 最终价值会留在原材料厂商，还是被设备、工艺、封装和系统公司拿走？

我仍然认同最初的方向：机器人会成为 AI 和物联网非常重要的交汇点，设备端计算也会成为一个巨大的增量市场。但更准确地说，这不是“云端计算迁移到设备端”，而是现实世界新增了大量过去不存在的计算需求。

这些需求会让 AI 产业从一个以模型和芯片为中心的行业，逐渐变成一个同时受材料、能源、制造和机械系统约束的行业。届时，决定一台机器能不能真正工作起来的，可能不只是它的大模型有多聪明，还包括基板是否平整、电源是否高效、散热是否可靠，以及断网时它能不能安全地做出下一步动作。

这或许才是这些“冷门材料”值得关注的真正原因。

参考资料：