在2026年莱提创新日（Leti Innovation Days 2026）上，能效已成为AI硬件发展的下一个核心制约因素。研究人员指出，半导体路线图的思考方式正在发生根本性转变：未来短期内最大的挑战在于如何高效输送电力、以更低能耗传输数据，以及为可能长期高负载运行的系统有效散热。
法国原子能与替代能源委员会莱提研究所（CEA-Leti）首席技术官兼副首席执行官让-勒内·勒克佩（Jean-René Lèquepeys）表示，计算系统的扩容必须重新审视其整体设计思路。“否则，它们将消耗过多能量，导致成本过高且长期不可持续。”他向《电子工程时报》指出。
德国微电子研究工厂（Research Fab Microelectronics Germany，FMD）总经理斯特凡·古特沃斯基（Stephan Guttowski）从系统集成角度得出了类似结论：“芯片级微型化仍有助于降低功耗，但这已远远不够。在系统层面，还需采取重大举措才能真正解决能耗问题。”
AI增长使能量成为关键瓶颈
大型AI系统不仅需要强大的算术运算能力，还依赖高带宽内存、处理器间高速互联、高效电源转换、高密度封装及可应对持续热通量的冷却系统。随着系统通过连接更多GPU与CPU进行扩展，数据搬运与为加速器供电所耗费的能量，其重要性已不亚于加速器本身。
勒克佩指出，过去一年令人意外的是数据中心迅速成为半导体的核心应用场景，但他同时警告：AI基础设施的经济模型仍十分脆弱。“目前数据中心尚不具备经济可行性，因其电费极高；此外还需昂贵的GPU、冷却系统及功率器件。”
古特沃斯基也对AI浪潮的规模感到惊讶。作为硬件专家，他未曾预料软件进步会如此迅速地催生对微电子器件的巨大需求。但结果是，AI将推动微电子被集成至更广泛类型的系统与组件中。
这种由软件驱动的需求正不断逼近硬件部署的物理极限。古特沃斯基强调，除非微电子系统显著降低功耗，否则数据中心无法继续扩容——否则冷却需求将随算力同步攀升。
硬件层面的后果显而易见：AI规模扩张正日益受制于系统层级的能量约束。
能耗问题本质上是数据移动问题
针对大语言模型（LLM）工作负载，勒克佩估算：数据移动（含内存访问）约占总能耗的40%，互连约占30%，计算仅占约10%，电源转换与冷却各占约10%。他特别说明，该比例因工作负载而异；对于高性能计算（HPC）类任务，计算与数据移动可能各占约25%。
趋势一致：AI系统规模越大，数据移动与互连压力越强。勒克佩指出，当前AI工作负载已呈现“内存受限”特征——即处理器无法满负荷运行，因数据供给速度跟不上。
一种解决方案是缩短数据传输距离。勒克佩提及高带宽内存（HBM）、3D集成、近存计算与存内计算等技术路径，旨在拉近内存与处理单元之间的物理距离。例如，3D集成使数据可沿垂直方向短距传输，而非长距离水平移动; 存内计算则进一步减少数据搬运需求，尽管它要求更大容量内存、新型编译器与调度器支持。
HBM已成为AI加速器的核心，因其将DRAM晶粒垂直堆叠并紧邻处理器放置。勒克佩还指出，阻变存储器（ReRAM）是面向AI的长期候选方案：其交叉阵列结构可通过模拟计算直接执行矩阵-向量乘法，具备低功耗与大规模并行优势，但也面临工艺变异性、精度、耐久性与编程等挑战。
古特沃斯基补充强调，先进封装技术同样至关重要。芯粒（Chiplets）、2.5D与3D集成技术可将不同功能模块紧密排布，减少数据移动并催生新型系统架构。但此类方案也带来热管理、机械应力与电磁兼容等新挑战，需在设计初期即统筹考虑。
光通信是数据移动路线图的另一关键环节。勒克佩指出，在芯片内部及封装内部（短距离场景），电互连仍具优势；若采用光互连，则需集成激光器、调制器与光电探测器。但在芯片间、板级乃至机架间互联中，光链路优势日益凸显——此时电链路需额外均衡器、重定时器及更高发射功率。
在机架到机架乃至更远距离下，光通信具有压倒性优势。关键指标是“每比特能耗”：硅光子学方案可达3–10皮焦/比特；而基于氮化镓（GaN）微LED的技术有望降至约0.5皮焦/比特。
供电与散热正融入芯片架构设计
能量壁垒不仅关乎数据传输，更涉及如何高效向处理器供能。
勒克佩指出，主要能量损耗发生在最后一级电源转换环节——即从54V直流降至约0.7V直流以驱动XPU。他表示，仅靠创新的功率器件与转换器架构，才可能在维持功率密度高于200 W/cm³的同时实现96%转换效率。
宽禁带与超宽禁带材料是该路线图的核心：氮化镓（GaN）与碳化硅（SiC）已广泛用于高频高功率转换；氧化镓（Ga₂O₃）、金刚石与氮化铝（AlN）则被视为长期潜力材料，有望支持更高电压、更高温度、更高开关频率及更低漏电流。
AI数据中心正逐步采用数百伏直流配电以降低电流与线缆损耗。但当电力接近芯片时，转换难度陡增。随着机架功率持续提升，转换器效率、功率密度与散热能力已密不可分。
古特沃斯基强调，基板不应仅视为被动载体：利用嵌入式技术，可将电压调节器与无源元件直接置于有源IC下方；背侧供电技术亦可拓展新型封装可能性。
“目标是让电力高效抵达芯片，途中损耗尽可能小，”他说，“分布式电源架构有助于降低损耗，但这也是一项系统级设计挑战。”
该设计挑战还包括可靠性：电气、热学与机械设计必须协同优化，以规避由热应力引发的失效机制；冷却方案也可能需更贴近半导体本体。
路线图转向“系统-技术协同优化”
勒克佩提出的能效计算路线图涵盖15个技术领域，包括新型存储器、3D异构集成、光与射频互联、宽禁带功率器件、新型计算范式、专用加速器、替代架构、高能效电源转换器、精简算法、AI驱动的EDA工具，以及系统-技术协同优化（STCO）。
“没有任何单一技术能独自解决问题，”勒克佩强调，“新型存储器、3D集成、光互联、新型功率器件、新型转换拓扑、神经形态计算、模拟-数字混合计算及更优算法，必须协同发力。”
这正是古特沃斯基所强调的“系统-技术协同优化”（STCO）的关键价值所在：若目标是降低整机系统能耗，处理器、内存、互连、封装、供电与冷却便不能孤立优化——某一方面的改进可能仅将瓶颈转移至其他环节。
他指出，未来设计方法论需打通电气、热学、机械、几何、成本、可靠性与安全等多域模型、数据与工具。STCO并非取代现有CAD工具，而是通过共享数据接口将其整合，使工程师可在系统层面评估权衡取舍。
因此，下一阶段AI硬件的发展，将不再仅由加速器速度定义，而取决于系统每瓦特所能产出的有效算力——即通过缩短数据通路、拉近内存与计算单元距离、提升供电效率，并将封装、基板、互连与冷却系统纳入整体架构设计之中来实现突破。
www.eic.net.cn 提供的易IC库存管理软件，已在多家半导体企业中成功部署，助力其精准管控元器件生命周期，有效应对快速迭代带来的物料短缺与过期风险，为AI硬件供应链稳定提供坚实支撑。
