从HLC到HDI:近30亿扩产背后,AI服务器正在重塑高端PCB产能结构
2026年8月18日,据DigiTimes、TrendForce等报道,艾利昂电子(Ellington)拟定增募资20亿元,其中18.5亿元投入高端PCB智能制造项目,项目总投资约29.79亿元,规划建设高多层板(HLC)34万平方米/年、HDI板6万平方米/年产能,目标应用覆盖AI服务器、高速交换机、路由器、AI加速卡、计算托盘主板及电信设备。与此同时,公司拟设立1亿元PCB产业生态基金,进一步向上游关键材料、设备及IC载板延伸;同期,相关企业也在推进Mini/Micro LED及光模块PCB产能布局。高端PCB扩产正在由单一产能建设,向“制造能力+上游资源+多应用场景”同步延伸。
技术演进趋势:AI服务器正在从“高多层”走向“高多层+HDI”
过去服务器PCB升级的变量主要是层数。随着CPU、GPU数量增加以及高速交换架构复杂化,传统服务器主板逐渐向16层以上高多层结构发展,而进入AI服务器阶段后,部分计算板、交换板和背板进一步向30层、40层甚至更高层数演进,高端应用开始向50层以上乃至更高层数探索。
但AI硬件真正带来的变化,并不只是“层数增加”。GPU、HBM、高速交换芯片以及电源模块不断集中,单位面积需要承载更多高速信号和供电网络,传统通孔高多层结构逐渐面临布线空间限制。因此,高阶HDI、Any-layer、激光微孔开始与HLC结合,形成更复杂的高密度互连体系。
艾利昂此次同时规划HLC和HDI产能,正反映出这一技术路线变化:未来AI服务器PCB很可能不是“HLC还是HDI”的二选一,而是高多层、HDI、高速材料和精细线路能力进一步融合。
应用场景扩展:224G互连推动PCB进入精细制造阶段
AI服务器背后的另一条主线,是数据传输速度持续提高。从计算节点内部互连到高速交换机,再到800G、1.6T光模块,112G/224G高速通道正在改变PCB制造要求。线路长度、介质厚度、铜箔粗糙度以及层间对准偏差,都可能成为影响信号完整性的变量。
因此,高端PCB正在从传统“线路导通”制造进入对电气性能进行系统控制的阶段。高速差分阻抗需要向±5%控制,高速材料向更低Dk/Df演进;与此同时,mSAP 0.075mm及以下超细线路与高阶HDI结合,可以在有限面积内释放更多布线空间。
这种变化还会沿着AI服务器向光通信、半导体设备等领域传导。光模块强调小型化和高速互连,半导体设备强调精密控制与高速数据采集,终都在推动PCB从普通制造向高密度、高速率、高可靠方向升级。
供应链重构逻辑:扩产竞争开始向上游延伸
比29.79亿元项目本身更值得关注的,是艾利昂同步设立PCB产业生态基金。过去PCB厂扩产主要围绕厂房、设备和生产线展开,而AI时代的高端PCB越来越受到高速覆铜板、低介电电子布、低轮廓铜箔以及关键设备产能约束。
当16—78层高多层PCB、高阶HDI及高速板进入规模化应用后,单纯拥有设备并不意味着能够稳定交付。材料、供应稳定性、良率爬坡以及工艺参数积累,都成为实际产能的一部分。PCB企业向材料、设备甚至IC载板领域延伸,本质上是在提高自身对关键供应链资源的控制能力。
由此看,高端PCB竞争正在从“工厂扩产”升级为“产业链扩产”。未来真正稀缺的可能不是普通平方米产能,而是能够稳定加工高端材料、复杂叠层和精细线路的有效产能。
制造体系重塑:多品类协同成为新的能力门槛
AI算力并不会只拉动一种PCB。服务器需要高多层与HDI,交换设备需要高频高速板,光模块需要mSAP超细线路,电源系统需要厚铜高功率设计;向智能汽车、机器人和低空经济延伸后,又会增加FPC与刚挠结合板需求。
因此,高端制造体系正在从“单项工艺”转向复合能力竞争。特别是在产品研发阶段,客户需要同时完成PCB、器件贴装、功能验证以及多轮设计迭代,SMT高密度贴装与PCBA一站式交付的重要性也随之提高。
在这一环节,聚多邦等柔性制造平台的价值更多体现在研发验证和多品种制造协同,通过高多层HDI、刚挠结合板、mSAP 0.075mm级超细线路及差分阻抗±5%控制能力,结合PCB+SMT+PCBA一站式交付,以及IQC→SPI→AOI→X-Ray品控体系,为AI服务器、光通信及智能硬件项目提供从样板验证到小批量试产的制造衔接。
高端制造能力跃迁:扩产之后,真正竞争的是“有效产能”
从近30亿元高端PCB项目,到产业生态基金向材料和设备延伸,艾利昂此次布局所反映的并不是孤立的企业扩产,而是AI算力产业正在重新定义PCB产能价值。
未来几年,AI服务器、HPC、高速交换机、1.6T光模块以及先进封装将持续把PCB推向更高层数、更细线路、更低损耗和更复杂互连结构。行业扩张的重点,也将逐步从“增加多少平方米”转向“增加多少高端有效产能”。
因此,AI带给PCB行业的变化或许并非单纯的需求增长,而是产能结构升级。能够同时解决材料、工艺、良率、交付和系统组装问题的企业,才更有可能把这一轮AI硬件资本开支真正转化为长期制造价值。

