Webinar | How Rising Costs Are Reshaping the Conductive Inks Market: Join IDTechEx Principal Technology Analyst Dr Conor O'Brien on Thursday 18 June for the expert-led webinar, "The Silver Squeeze: How Rising Costs Are Reshaping the Conductive Inks… idtechex.com/en/research-art…
52
Emerging Med-Tech, #Wellness, and Wearables with IDTechEx ~ idtechex.com/en/research-art… via @IDTechEx
15
Jun 12
AI Data Centres & Wide Bandgap Rise
AI data centres are driving one of the fastest‑growing markets, with rapid innovation and increased uptake of wide bandgap semiconductors like SiC and GaN.
Read more: dqindia.com/semiconductors/h…
#Dataquest #Semiconductor #SiC #GaN
@IDTechEx
13
Car Part Prototyping and Robots - IDTechEx at TCT and Interplas: Automotives, medical, and defense are amongst the most common application sectors for 3D printing and injection molding, and the TCT and Interplas events hosted at the NEC during the first… idtechex.com/en/research-art…
26
Drone growth is getting more application-led. @IDTechEx forecasts the global market reaching $147.8B by 2036, as commercial deployments move from pilots to repeatable ops in ag, logistics, energy and security.
edge-ai-vision.com/2026/06/d…
#Drones #Robotics #EdgeAI
41
Data Centers Go Nuclear: Why AI Giants are Investing in SMRs: In this article, IDTechEx analyzes the potential of nuclear small modular reactors (SMRs) to satisfy the growing power demand of AI data centers. Tech hyperscalers like Amazon, Google, and… idtechex.com/en/research-art…
51
注目が集まる「ヒューマノイドロボット」。開発が進む中、材料・部品サプライヤーに新たな機会が生まれています。今回のIDTechExの無料ウェビナーではアクチュエータ向け材料動向取り上げます。 dreamnews.jp/press/000035180… @dreamnews_pressより
17
Emerging Med-Tech, Wellness, and Wearables with IDTechEx: From lymphatic drainage tools to insulin pumps, the latest medical and wearable devices were showcased at the Med Tech Expo 2026, where IDTechEx spoke with multiple companies making waves across… dlvr.it/TSz9V0
1
18
Emerging Med-Tech, Wellness, and Wearables with IDTechEx: From lymphatic drainage tools to insulin pumps, the latest medical and wearable devices were showcased at the Med Tech Expo 2026, where IDTechEx spoke with multiple companies making waves across… idtechex.com/en/research-art…
36
Jun 10
China Experiments with Humanoid Machines for Military Apps as Technology Matures | Story by @allysonpark01 | @csis_ai #HumanoidRobots @scsp_ai @IDTechEx @DARPA
Read now: nationaldefensemagazine.org/…
1
189
『先端半導体パッケージング』の技術トレンド、製造上の課題、有力企業、サプライチェーン動態、主要用途の重点的分析、市場予測などをまとめた最新版の調査レポートをIDTechExがリリースしました。 dreamnews.jp/press/000035181… @dreamnews_pressより
20
Jun 10
AIDC 광학 분야 여전히 주류는 플러거블?
시장 조사 기관(LightCounting, IDTechEx 등)의 최신 데이터에 따르면, 플러거블 모듈은 전체 데이터센터 광연결 시장의 90% 이상을 차지하고 있다고 합니다.
CPO는 이제 막 대규모 AI 클러스터를 중심으로 진입을 시작한 도입기 단계라고 봐야 할것 같습니다
현재 시장의 주류는 800G / 1.6T 플러거블 모듈로 26년 현재 신축되는 AI 데이터센터와 하이퍼스케일러의 백본 네트워크의 주력 표준은 800G 및 1.6T 플러거블 모듈입니다.
InnoLight, Coherent, Lumentum 등 다수의 벤더가 이미 대량 양산 체제를 갖추고 있어 단가 안정화 및 호환성 검증이 완전히 끝난 상태입니다.
CPO가 전력 효율면에서 압도적임에도 불구하고 플러거블이 주류를 유지하는 전동적인 이유는 유지보수 편의성과 공급망 안정성 때문입니다.
플러거블 모듈은 운영 중 장애가 발생하면 해당 포트의 모듈만 뽑아서 새것으로 바꾸면 되는 반먄 반면 CPO는 스위치 칩/GPU와 광 모듈이 한 패키지에 묶여 있어서, 광학 부품 하나가 고장 나면 수천만 원짜리 메인 보드나 ASIC 칩 전체를 교체해야 하는 리스크가 있습니다.
플러거블은 수십 년간 폼팩터 표준이 정립되어 벤더 다변화가 쉽지만, CPO는 기계적 인터페이스나 방열 표준 등이 여전히 제조사별로 정립되는 단계입니다.
내용을 조금 더 찾아보면 대안 기술로 LPO(선형 구동 플러거블 모듈)가 강력한 절충안으로 급부상해 플러거블의 수명이 연장 되고 있는듯 합니다
엔비디아는 비싼 자사 GPU가 CPO를 적용해 광모듈의 수명과 연동되는것을 막기 위해 레이저 광원만 밖으로 빼내는 ELS(External Laser Source, 외부 광원) 방식을 채택하고 있습니다.
핵심 연산·모듈 칩은 패키지 내부에 단단히 묶되(CPO), 고장률이 가장 높은 레이저 소스(광원)는 장비 앞면에 플러그블 모듈(ELSFP 형태)처럼 꼽았다 뺐다 할 수 있게 분리하는 형태 입니다.
미래 기술은 언제 어떻게 기술트랜드나 주도권이 바뀔지 모르니 투자에 신중을 기해야 할것 같습니다.
📌LPO : 모듈 내부에서 전력을 가장 많이 먹는 고가 부품인 DSP(디지털 신호 처리기)를 제거하고, 플러거블 형태는 그대로 유지하여 전력은 CPO급으로 낮추는 기술
1
213
Jun 10
Would love to get @aleabitoreddit view. This isn’t a single “official” report but a consensus view from reputable analysts (Cignal AI, LightCounting, SemiAnalysis, IDTechEx, etc.).
1
404
Utilizing Carbon Dioxide: Emerging Products: Over the next 10 years, IDTechEx forecasts direct revenue from the sale of carbon dioxide utilization products to increase to 69 billion US dollars. idtechex.com/en/research-art…
26
KI-Begriffe einfach erklärt — Teil 15: Photonische Prozessoren
Wir haben Köche die nach Rezept kochen (CPU), 1.000 Hilfskräfte (GPU), einen Instinktkoch (neuromorphe Chips). Heute begegnen wir der radikalsten Idee der ganzen Reihe.
Was wenn man nicht mehr mit Feuer kocht — sondern mit Licht?
Zurück in die Küche:
Jede Küche die wir bisher kennengelernt haben funktioniert mit Feuer — also Strom. Elektronen fliessen durch Transistoren, erzeugen Wärme, benötigen Kühlung, verbrauchen massenhaft Energie.
Photonische Prozessoren kochen mit Licht statt Feuer.
Statt Elektronen durch Silizium zu schicken werden Lichtteilchen — Photonen — durch winzige Glaskanäle auf dem Chip geleitet. Berechnungen passieren durch Überlagerung, Ablenkung und Verstärkung von Lichtstrahlen.
Klingt nach Science Fiction. Ist es nicht.
Warum Licht so viel besser ist als Elektronen:
⚡ Licht reist mit Lichtgeschwindigkeit — Elektronen nicht.
In klassischen Chips werden Elektronen durch Kupferleitungen gedrängt. Je kleiner die Strukturen werden desto mehr Widerstand entsteht — und desto mehr Energie geht als Wärme verloren. Photonen haben keinen elektrischen Widerstand. Sie verlieren kaum Energie unterwegs.
🌡️ Kein Widerstand bedeutet kaum Wärme.
Einer der grössten Kostenpunkte moderner Rechenzentren ist Kühlung. Photonische Chips erzeugen einen Bruchteil der Wärme klassischer Chips. Das Thermomanagement-Problem löst sich weitgehend von selbst.
📡 Licht kann viele Signale gleichzeitig tragen.
Durch Wellenmultiplexing — verschiedene Lichtfarben auf demselben Kanal — kann ein einziger Lichtleiter Hunderte von Datenströmen gleichzeitig transportieren. Wie wenn ein Koch gleichzeitig hundert verschiedene Gerichte auf demselben Herd zubereiten könnte — jedes auf einer anderen Flammenfarbe.
Wo photonische Chips heute schon eingesetzt werden:
Teilweise schon längst im Einsatz — nur nicht dort wo die meisten es erwarten.
Optical Transceivers sind bereits photonisch. Daten zwischen Servern und Rechenzentren werden schon heute per Licht übertragen.
Der nächste Schritt ist Photonik innerhalb des Chips — Berechnungen direkt mit Licht. Und hier explodiert gerade die Investitionsaktivität. NVIDIA hat im März 2026 allein vier Milliarden Dollar in zwei Silicon-Photonics-Unternehmen investiert. Marvell hat Celestial AI für bis zu 5,5 Milliarden Dollar übernommen.
Wer die Pioniere sind — entlang der Wertschöpfungskette:
🔵 Substrate & Materialien
Soitec (Frankreich) — liefert die spezialisierten Silizium-auf-Isolator-Wafer (SOI) die als Grundlage für Silicon Photonics dienen. Ohne das richtige Substrat kein photonischer Chip — Soitec ist der unsichtbare Enabler der gesamten Branche.
🔵 Laser & Lichtquellen
Sivers Semiconductors (Schweden) — liefert Laser-Arrays die als Lichtquelle für Co-Packaged Optics (CPO) dienen. Hat gerade eine Partnerschaft mit GlobalFoundries und O-Net angekündigt um externe Lichtquellen für KI-Rechenzentren zu entwickeln. Der CPO-Markt soll laut IDTechEx bis 2036 auf über 20 Mrd. USD wachsen.
🔵 Transceiver & Module
Applied Optoelectronics $AAOI (USA) — vertikal integrierter Hersteller der Laser, Transceiver und optische Module in-house baut. Direkt im Zentrum der Verschiebung von Kupfer zu Optik in KI-Rechenzentren.
Coherent & Lumentum — etablierte Marktführer mit NVIDIA-Rückenwind
🔵 Chip-Integration & CPO
Ayar Labs — optische Verbindungen innerhalb von Chip-Packages
Marvell $MRVL (nach Celestial AI-Übernahme) — architektonische Optionalität über CPO
🔵 Foundry & Fertigung
GlobalFoundries $GFS — einzige US-Foundry mit Silicon-Photonics-Plattform, wachsende Partnerschaft mit Sivers
Intel — investiert seit Jahren in Silicon Photonics, bereits mit kommerziellen Transceiver-Produkten
Kurz zusammengefasst:
🔦 Photonische Chips — Berechnungen mit Licht statt Elektronen
⚡ Lichtgeschwindigkeit, kein Widerstand, kaum Wärme — das Potenzial ist gewaltig
🧩 Ökosystem von Substrat bis Chip — Soitec, Sivers, AOI, Marvell, GlobalFoundries
KI-Begriffe einfach erklärt — Teil 14: Neuromorphe Chips
Wir haben unseren Chefkoch (CPU), die 1.000 Hilfskräfte (GPU), den Food Truck (Edge AI). Heute entscheiden wir uns dafür in einer völlig anderen Art zu kochen.
Einem Koch der nie ein Rezept gelesen hat — und trotzdem besser kocht als alle anderen.
Stell dir zwei Köche vor:
Koch A — der klassische Computer-Koch.
Er folgt einem Rezept Schritt für Schritt. Zutat 1 hinzufügen. Rühren. Temperatur prüfen. Nächster Schritt. Präzise, zuverlässig — aber er braucht das Rezept. Ohne Anweisung steht er still.
Koch B — der neuromorphe Koch.
Er hat tausende Gerichte probiert, gerochen, gespurt. Er kocht aus Erfahrung und Instinkt. Er erkennt sofort wenn eine Sauce zu säuerlich wird — und korrigiert ohne nachzudenken. Er verbraucht dabei kaum Energie. Und er lernt ständig dazu, einfach durch Beobachten.
Genau das ist der Unterschied zwischen klassischen Chips und neuromorphen Chips.
Was neuromorph bedeutet:
Neuromorph kommt vom griechischen „neuron“ (Nervenzelle) und „morphe“ (Form). Neuromorphe Chips sind nach dem Vorbild des menschlichen Gehirns gebaut — nicht nach dem klassischen Computers.
Das menschliche Gehirn hat rund 86 Milliarden Neuronen. Jedes Neuron ist mit tausenden anderen verbunden. Informationen fliessen nicht als präzise Binärzahlen (0 und 1) — sondern als Impulse, die nur dann ausgelöst werden wenn ein Schwellenwert überschritten wird.
Das hat zwei faszinierende Eigenschaften:
⚡ Extrem energieeffizient — das Gehirn verbraucht nur etwa 20 Watt. Ein NVIDIAs H100 verbraucht 700 Watt. Neuromorphe Chips kommen dem Gehirn hier näher als jeder klassische Chip.
🧠 Massiv parallel und adaptiv — das Gehirn verarbeitet Millionen von Signalen gleichzeitig, lernt durch Erfahrung und passt sich an — ohne explizit vorprogrammierte Regelen.
Wie neuromorphe Chips konkret funktionieren:
Statt Transistoren die ständig zwischen 0 und 1 schalten — was konstant Energie verbraucht — arbeiten neuromorphe Chips mit sogenannten Spiking Neural Networks (SNNs).
Wie Neuronen im Gehirn „feuern“ die künstlichen Neuronen nur dann wenn ein Signal stark genug ist. In der Zwischenzeit verbrauchen sie fast keine Energie. Ein riesiger Vorteil für Anwendungen wo Strom knapp ist — also genau für Edge AI.
Wer baut sie bereits:
🧠 Intel Loihi 2 — Intels $INTC neuromorpher Forschungschip, bereits in der zweiten Generation. Löst bestimmte Optimierungsprobleme 1.000x energieeffizienter als klassische Chips. Noch kein Massenmarkt — aber die Forschungsergebnisse sind bis dato stark.
🧠 IBM TrueNorth — IBMs $IBM neuromorpher Chip mit 1 Million künstlichen Neuronen. Verbraucht bei bestimmten Erkennungsaufgaben 10.000x weniger Energie als ein klassischer Prozessor.
🧠 BrainScaleS (Universität Heidelberg) — europäisches Forschungsprojekt, gefördert durch die EU.
🧠 SpiNNaker (Universität Manchester) — speziell für Echtzeit-Simulation neuronaler Netzwerke entwickelt.
Wo neuromorphe Chips heute schon eingesetzt werden:
Noch keine Massenprodukte — aber vielversprechende Anwendungen:
👁️ Bildverarbeitung in Echtzeit — Kameras die Bewegungen sofort erkennen, extrem energieeffizient
👃 Geruchssensoren — Intel hat einen neuromorphen Chip trainiert der Sprengstoff zuverlässiger riecht als Spezialausrüstung
🥼 Robotik — Roboter die Balance halten und auf unerwartete Hindernisse reagieren ohne vorprogrammierte Regeln
🏥 Medizintechnik — Prothesen die auf Nervensignale in Echtzeit reagieren.
Neuromorphe Chips sind noch kein Massenmarkt. Die Programmierung ist fundamental anders als klassische Chips — es gibt kaum Software, kaum Entwickler die das beherrschen. Der Übergang von Forschungslabor zu Serienprodukt wird noch einige Zeit dauern.
Aber: Je mehr KI auf Edge-Geräte wandert — und je mehr Energieeffizienz zählt — desto relevanter wird die neuromorphe Architektur. Nicht als Ersatz für GPU und CPU, sondern als hochspezialisiertes Werkzeug für bestimmte Aufgaben.
1
10
3,500