Taille et Part du Marché des HBM pour GPU IA - Analyse de la Croissance et Prévisions (2026 - 2031)

Tendances et Perspectives du Marché Mondial des HBM pour GPU IA

Goulots d'Étranglement de la Bande Passante Mémoire des GPU IA Augmentant les Taux d'Intégration des HBM

Le marché des HBM pour GPU IA progresse parce que l'inférence des grands modèles de langage modernes est souvent limitée par le déplacement de la mémoire plutôt que par le débit de calcul brut. NVIDIA a déclaré que le GB300 Blackwell Ultra intègre huit piles HBM3e à 12 couches, offrant 288 Go et 8 To/s par GPU, démontrant comment la capacité mémoire augmente à chaque nouvelle génération d'accélérateurs.^{[1]NVIDIA Corporation, "NVIDIA H200 GPU," NVIDIA, nvidia.com} Ce changement de conception est important car il est architectural plutôt que temporaire, ce qui signifie qu'un contenu HBM plus élevé reste lié à chaque nouveau cycle de produits, même si les schémas d'expédition unitaires évoluent sur le marché des HBM pour GPU IA. Des contextes de raisonnement plus longs augmentent également les besoins en cache clé-valeur, de sorte que les configurations à faible capacité deviennent moins adaptées à l'inférence en production à mesure que les fenêtres de contexte des modèles s'élargissent. Cela fait des limites de bande passante un moteur de revenus durable pour les fournisseurs, car les HBM deviennent un élément de conception requis plutôt qu'une option premium sur le marché des GPU IA. Il en résulte que la pile mémoire gagne continuellement en importance stratégique dans la nomenclature des accélérateurs, à mesure que le matériel IA évolue vers des configurations à plus haute capacité et à piles plus hautes.

Adoption Rapide des HBM3e dans les Clusters d'Entraînement de Nouvelle Génération

Les HBM3e se sont rapidement imposés en tête car ils offraient un avantage clair en termes de bande passante par rapport aux HBM3 et sont devenus la norme sur les plateformes d'entraînement les plus avancées. NVIDIA a présenté le H200 avec 141 Go de HBM3e et 4,8 To/s de bande passante mémoire, ce qui a contribué à définir le nouveau plancher de performance pour les déploiements d'entraînement à grande échelle. Google a également décrit le TPU Ironwood avec 192 Go de HBM3e et 7 300 Go/s, tandis qu'AWS a présenté le Trainium3 avec 144 Go de HBM3e et 4,9 To/s, montrant que les puces personnalisées des hyperscalers renforcent le même standard mémoire sur des plateformes concurrentes.^{[2]Amazon Web Services, "AI Accelerator, AWS Trainium," AWS, aws.amazon.com} Cela est important pour le marché des HBM pour GPU IA car la demande de HBM ne dépend plus uniquement des expéditions de NVIDIA et bénéficie désormais du soutien d'un ensemble plus large de programmes d'accélérateurs. SK hynix a indiqué que ses résultats records pour l'exercice 2025 ont été portés par la demande de mémoire IA, soulignant la rapidité avec laquelle le déploiement des clusters d'entraînement s'est traduit par une expansion des revenus HBM. L'implication plus large est que les HBM3e sont devenus la spécification pratique minimale pour l'infrastructure IA de pointe en un seul cycle, accélérant l'utilisation des fournisseurs et maintenant le marché des HBM pour GPU IA sur une trajectoire de croissance soutenue.

Expansion des Capacités d'Encapsulation Avancée Libérant la Production de HBM

Le marché des HBM pour GPU IA ne peut pas convertir la demande en revenus réalisés à moins que les piles HBM ne soient liées aux puces logiques via des flux d'encapsulation avancée. C'est pourquoi la disponibilité du CoWoS reste centrale : l'approvisionnement en mémoire seul ne rend pas un accélérateur commercialisable tant que la capacité d'encapsulation n'est pas sécurisée. Les données d'entrée montrent que l'expansion des capacités chez TSMC et ses partenaires OSAT élargit la base d'encapsulation, améliorant progressivement la conversion des expéditions et donnant au marché des HBM pour GPU IA plus de marge de croissance. Elles montrent également que les créneaux d'encapsulation sont réservés bien à l'avance, de sorte que le calendrier des ajouts de capacité détermine encore la rapidité avec laquelle l'approvisionnement en mémoire existant peut être intégré dans des systèmes déployés. Cette contrainte empêche l'encapsulation d'être un processus en arrière-plan, en faisant un levier de croissance direct pour les HBM sur le marché des GPU IA. En conséquence, chaque nouvelle ligne d'encapsulation ou voie externalisée qualifiée a un impact immédiat sur la réalisation des revenus, transformant les stocks de mémoire en matériel IA installable.

La Feuille de Route HBM4 Accélérant les Accords de Qualification et d'Approvisionnement

La transition vers HBM4 progresse plus rapidement que les changements de génération précédents car la qualification et la planification de l'approvisionnement ont commencé bien avant le lancement commercial à grande échelle. NVIDIA a annoncé en juin 2026 un partenariat technologique pluriannuel avec SK hynix couvrant les supercalculateurs IA Vera Rubin, les CPU NVIDIA Vera, les PC RTX Spark et les systèmes Jetson Thor, indiquant que les relations mémoire deviennent plus profondes et plus durables. Les données indiquent également que les 3 principaux fournisseurs ont été qualifiés pour la plateforme Vera Rubin en 2026, marquant la première fois qu'une certification simultanée a eu lieu pour une seule plateforme de nouvelle génération NVIDIA. Cet événement est important car il a comprimé les délais d'approvisionnement et poussé les clients vers une planification pluriannuelle anticipée sur le marché des HBM pour GPU IA. Il a également souligné la valeur d'un alignement technique précoce, car les fournisseurs qui se qualifient plus tôt peuvent obtenir une meilleure visibilité sur les programmes futurs et un rôle plus fort dans les décisions de conception des plateformes. L'effet net est que la feuille de route HBM4 n'est pas seulement un changement de produit ; c'est aussi un changement commercial vers un co-développement plus étroit, une planification d'allocation plus précoce et des accords d'approvisionnement plus structurés sur l'ensemble du marché des HBM pour GPU IA.

Coût Élevé des Piles HBM et de l'Intégration des Interposeurs

Le marché des HBM pour GPU IA est encore confronté à un frein significatif lié au coût de la mémoire empilée et de l'encapsulation avancée nécessaire pour la rendre utilisable dans les accélérateurs haut de gamme. Les données d'entrée indiquent clairement que les HBM restent bien plus coûteux que les DRAM conventionnelles, et que le coût augmente encore lorsque plusieurs piles et une encapsulation complexe avec interposeur sont ajoutées à une seule puce. Cela a un effet inégal sur le marché des HBM pour GPU IA car les hyperscalers peuvent absorber des coûts d'approvisionnement plus élevés plus facilement que les petites entreprises, les acheteurs académiques et les programmes du secteur public avec des budgets fixes. La pression se répercute également dans la chaîne d'approvisionnement, car des coûts de mémoire et d'encapsulation plus élevés affectent la tarification des accélérateurs avant que les systèmes n'atteignent les utilisateurs finaux. Cela ralentit l'adoption en dehors des charges de travail à plus haute valeur ajoutée, même lorsque la demande technique est claire et que les gains de performance sont importants. Tant que les courbes de coûts ne s'améliorent pas, le marché des HBM pour GPU IA restera le plus accessible aux acheteurs qui peuvent justifier des systèmes premium par des économies d'entraînement à grande échelle ou d'inférence en production.

Capacité Limitée de CoWoS et Autres Capacités d'Encapsulation Avancée

La capacité d'encapsulation limitée reste un frein direct car les HBM ne peuvent pas générer de revenus tant qu'ils ne sont pas assemblés dans un accélérateur IA qualifié. Les données montrent que la demande de CoWoS a continué de dépasser la disponibilité à court terme en 2025 et 2026, indiquant que l'approvisionnement en mémoire et la production finale d'accélérateurs n'augmentent pas toujours au même rythme. Cela est important pour le marché des HBM pour GPU IA car une pénurie au stade de l'encapsulation peut retarder le déploiement même lorsque les démarrages de tranches DRAM, la production de piles est déjà en cours et la demande des clients est en place. Cela signifie également que les allocations de capacité sont souvent décidées bien à l'avance, réduisant la flexibilité pour les acheteurs tardifs et maintenant les délais de livraison élevés. La conformité aux contrôles à l'exportation ajoute une autre couche car les modules encapsulés avancés peuvent être soumis à des contrôles plus stricts dans les destinations restreintes, allongeant la planification pour les expéditions concernées.^{[3]Bureau of Industry and Security, "Guidance Regarding Enforcement of License Requirements for Advanced Computing Items," U.S. Department of Commerce, bis.gov} Tant que l'encapsulation reste le principal goulot d'étranglement de conversion, le marché des HBM pour GPU IA continuera de croître en deçà de son plafond de demande maximal à court terme.

*Nos prévisions considèrent les impacts des moteurs et des contraintes comme directionnels et non additifs. Les prévisions d'impact reflètent la croissance de référence, les effets de composition et les interactions entre variables.

Analyse des Segments

Par Génération HBM : HBM3e Ancre les Revenus Tandis que HBM4 Remodèle le Prochain Cycle d'Approvisionnement

HBM3e représentait 58,67 % des revenus en 2025, ce qui en fait la génération la plus importante sur le marché des HBM pour GPU IA au cours du cycle de plateforme actuel. Sa position dominante était soutenue par un déploiement large sur le NVIDIA H200, le Blackwell B200 et le TPU Google Ironwood, qui ont tous établi un seuil mémoire plus élevé pour le matériel IA compétitif. HBM3 conservait encore une demande résiduelle grâce à la production continue du H100, tandis que HBM2e restait lié aux charges de travail HPC plus anciennes et aux applications de calcul scientifique sensibles aux coûts qui ne définissent plus le centre du secteur des HBM pour GPU IA. La structure de ce segment est également façonnée par les règles de qualification car les normes d'interopérabilité JEDEC créent un décalage entre les échantillons d'ingénierie et les revenus de volume significatifs. Ce décalage apporte plus de prévisibilité aux transitions générationnelles que dans de nombreuses autres catégories de semi-conducteurs, car les clients s'engagent plus tôt et les fournisseurs ont besoin d'une fenêtre de validation plus longue. Dans ce schéma, HBM3e a bénéficié d'être la première génération largement disponible qui correspondait aux besoins mémoire à la fois des grands clusters d'entraînement et des systèmes d'inférence plus exigeants. Il a donc servi à la fois d'ancre de revenus pour 2025 et de pont entre les déploiements HBM3 existants et les premières montées en puissance commerciales de HBM4. Il en résulte que HBM3e n'a pas simplement remplacé HBM3, mais a réinitialisé la spécification de référence sur l'ensemble du marché des HBM pour GPU IA.

HBM4 devrait être la génération à la croissance la plus rapide jusqu'en 2031, ce qui en fait le moteur prospectif le plus important au sein de ce segment. Les données indiquent que HBM4 est entré dans le mix de revenus en 2026 avec des expéditions en volume liées à NVIDIA Vera Rubin, après que les 3 principaux fournisseurs se soient qualifiés pour la plateforme la même année. SK hynix a également indiqué avoir expédié des échantillons HBM4E à 12 couches en juin 2026 avant son calendrier initial, tandis que Samsung a fourni des échantillons HBM4E fin mai 2026, ce qui montre à quelle vitesse les cycles de développement se compriment. Cette rapidité est importante car la taille du marché des HBM pour GPU IA pour la mémoire de nouvelle génération est façonnée par des fenêtres de récupération plus courtes pour les coûts de qualification de chaque génération et par une migration plus rapide vers des produits premium. Le segment reflète également un schéma de tarification dans lequel les nouvelles générations de mémoire maintiennent des prix de vente moyens élevés avant que l'apprentissage des coûts ne se répande dans la fabrication. HBM4 offre donc à la fois un potentiel de croissance en volume et d'amélioration du mix pour les fournisseurs qui se qualifient tôt et montent en puissance efficacement. Cela maintient le marché des HBM pour GPU IA centré sur une échelle générationnelle rapide, où le leadership dépend autant du calendrier de qualification que de la capacité de fabrication brute. Cela signifie également que les clients planifient de plus en plus leurs achats autour des feuilles de route futures plutôt que des seuls cycles de déploiement actuels.

Par Capacité Mémoire : Les Configurations Haute Capacité Deviennent le Nouveau Centre Concurrentiel

Le segment 64-128 Go détenait une part de revenus de 48,34 % en 2025, ce qui le plaçait au centre de la taille du marché des HBM pour GPU IA au cours de l'année de référence. Cette position était soutenue par des systèmes tels que le H200 à 141 Go et par des plateformes proches de la limite de la prochaine tranche de capacité, ce qui a maintenu cette plage commercialement large. Le segment jusqu'à 32 Go a continué de perdre de l'importance à mesure que les anciens designs HBM2e cédaient la place à des successeurs plus denses, tandis que la plage 32-64 Go restait pertinente pour les cas d'utilisation d'inférence de milieu de gamme et de HPC en périphérie qui ne nécessitaient pas encore de pools mémoire haut de gamme. La principale force dans ce segment est que les exigences d'hébergement et d'entraînement des modèles poussent régulièrement les acheteurs vers des configurations plus grandes. En pratique, une capacité mémoire plus élevée n'est plus seulement une fonctionnalité premium ; elle devient une exigence de base pour de bonnes performances sur des modèles plus grands. Ce changement a déjà influencé les cycles de remplacement, car les opérateurs cloud ont utilisé les mises à niveau H200 pour améliorer la latence d'inférence et la capacité par rapport aux nœuds basés sur H100. Il a également modifié le profil de demande sur le marché des HBM pour GPU IA, car la capacité mémoire suit désormais directement l'utilité commerciale du calcul déployé. Pour cette raison, la segmentation par capacité reflète de plus en plus la complexité des charges de travail plutôt que les seules tranches de prix.

Le segment supérieur à 128 Go devrait enregistrer la croissance la plus rapide jusqu'en 2031 et devient le segment de capacité le plus stratégique sur le marché des HBM pour GPU IA. NVIDIA a décrit le GB300 Blackwell Ultra avec 288 Go par GPU, tandis que Google a présenté le TPU 8t autour de la même classe de 288 Go, confirmant que les principaux fournisseurs convergent vers la même tranche de haute capacité. NVIDIA a également mis en avant le GB300 NVL72 avec 37 To de HBM3e total sur 72 GPU, ce qui montre comment la conception à l'échelle du rack est désormais construite autour de très grands pools de mémoire agrégée. Cela est important car la part de marché des HBM pour GPU IA se déplace vers des configurations plus denses qui portent un contenu mémoire par système plus élevé et un pouvoir de tarification plus fort. Le passage aux piles à 12 couches soutient également ce changement de mix car ces constructions sont plus complexes et maintiennent la valeur concentrée dans le matériel à plus haute capacité. Les revenus croissent donc plus vite que le volume unitaire lorsque la demande migre vers le haut de l'échelle de capacité. Cela renforce l'extrémité premium du marché des HBM pour GPU IA et augmente l'importance des fournisseurs capables de maintenir les rendements sur des piles plus hautes. Cela soutient également une piste plus longue pour la tarification premium à mesure que la base installée évolue vers des systèmes d'inférence et d'entraînement à forte intensité mémoire.

Par Application : L'Entraînement Mène Encore les Revenus Tandis que l'Inférence Élargit la Base Adressable

Les GPU d'entraînement représentaient 74,28 % des revenus en 2025, ce qui en fait le plus grand groupe d'applications sur le marché des HBM pour GPU IA. Leur avance reflétait la demande de calcul lourde et soutenue du pré-entraînement des modèles de pointe, où la bande passante mémoire affecte fortement l'utilisation et l'efficacité totale de l'entraînement. Les HBM restent particulièrement importants dans ce segment car les charges de travail d'entraînement fonctionnent pendant de longues périodes à haute intensité et récompensent toute réduction des goulots d'étranglement mémoire. Le HPC et l'IA scientifique ont également maintenu un rôle stable grâce aux programmes de supercalcul où des exigences de bande passante similaires s'appliquent, tandis que l'IA en périphérie est restée faible car les coûts et les besoins en énergie des HBM restent difficiles à justifier en dehors des environnements centraux de centres de données. Ce mix d'applications montre que le secteur des HBM pour GPU IA dépend encore fortement d'une infrastructure centralisée et à forte intensité de capital plutôt que d'un déploiement large à faible coût. Cela explique également pourquoi les clusters d'entraînement ont généré des schémas de commandes stables et visibles pour les fournisseurs en 2025. Le segment a donc ancré le marché des HBM pour GPU IA même si d'autres types d'applications ont commencé à gagner du terrain. En termes de revenus, l'entraînement est resté l'expression la plus claire de la raison pour laquelle les HBM sont devenus une architecture mémoire nécessaire pour les systèmes IA de premier rang.

Les GPU d'inférence devraient être le segment d'application à la croissance la plus rapide jusqu'en 2031, ce qui modifie de manière importante le profil de demande du marché des HBM pour GPU IA. Broadcom a rapporté dans ses Perspectives Cloud Privé 2026 que 56 % des entreprises exploitent ou planifient une inférence IA en production sur cloud privé, contre 41 % sur cloud public, suggérant une base d'acheteurs matériels plus large au-delà des hyperscalers. Google a également introduit le TPU 8i comme conception orientée inférence avec 288 Go de HBM et 8 601 Go/s par puce, ce qui montre que les puces d'inférence évoluent vers des spécifications mémoire autrefois associées principalement au matériel d'entraînement. Cela signifie que l'écart historique en contenu mémoire entre l'entraînement et l'inférence se réduit sur le marché des HBM pour GPU IA. Le raisonnement à contexte plus long et le déploiement en production à grande échelle poussent tous deux l'inférence vers une intensité de bande passante similaire à celle de l'entraînement. À mesure que cela se produit, la demande de HBM se répand sur un ensemble plus large de cas d'utilisation opérationnels et de modèles d'approvisionnement. Le segment élargit donc le marché adressable plutôt que de simplement redistribuer la demande parmi les acheteurs existants. Il ajoute également un flux de revenus plus durable, car les systèmes d'inférence en production ont tendance à croître avec l'utilisation plutôt que de se terminer après un seul cycle d'entraînement de modèle.

Par Utilisateur Final : Les Dépenses des Hyperscalers Dominent Aujourd'hui Tandis que l'Adoption par les Entreprises Approfondit la Demande Future

Les hyperscalers et les fournisseurs de services cloud détenaient une part de revenus de 68-73 % en 2025, ce qui en faisait l'ancre de revenus claire du marché des HBM pour GPU IA. Leurs dépenses reflétaient l'ampleur des programmes d'infrastructure IA chez Amazon, Microsoft, Alphabet et Meta, où de grands clusters GPU restent essentiels à la fois pour l'entraînement des modèles et les services en production. Les centres de recherche et de supercalcul ont également maintenu une position stable car les programmes de calcul nationaux continuent de favoriser les systèmes d'accélérateurs riches en mémoire pour les charges de travail scientifiques et IA. Les acheteurs gouvernementaux et de défense sont restés plus faibles en part, mais ils représentent une partie stable de la demande car les priorités d'approvisionnement s'étendent souvent sur plusieurs cycles et s'alignent sur les objectifs de calcul domestique. Cette structure d'utilisateurs finaux montre pourquoi le marché des HBM pour GPU IA a été initialement façonné par un petit nombre de très grands acheteurs avec des besoins techniques clairs et de longs horizons de planification. Cela explique également pourquoi la qualification et l'allocation des fournisseurs importaient tant, car remporter quelques programmes d'hyperscalers pouvait modifier matériellement le mix de revenus. Dans la phase actuelle, la demande des hyperscalers fournit encore la charge de base la plus forte pour les expéditions et la tarification sur le marché des HBM pour GPU IA. Cette concentration donne aux fournisseurs de la visibilité, mais elle maintient également le marché sensible au calendrier des plateformes et des budgets d'un nombre restreint de comptes.

Les déploiements d'IA d'entreprise devraient être le segment d'utilisateurs finaux à la croissance la plus rapide jusqu'en 2031, ce qui élargit progressivement la base commerciale du marché des HBM pour GPU IA. Broadcom a cité des données de Deloitte montrant une augmentation de 50 % d'une année sur l'autre de l'accès des travailleurs aux outils IA en 2025, ce qui signale que l'utilisation en entreprise passe des activités pilotes vers l'infrastructure de production. La même enquête de Broadcom a également pointé vers un changement plus fort vers l'inférence sur cloud privé, ce qui soutient l'approvisionnement direct de systèmes équipés de HBM par les entreprises plutôt qu'une dépendance exclusive à la capacité de cloud public. C'est important car cela ajoute une demande d'acheteurs plus petits que les hyperscalers mais bien plus nombreux. À mesure que l'inférence d'entreprise croît, le marché des HBM pour GPU IA devient moins exposé à un seul cycle de dépenses d'investissement et gagne une base installée plus large dans tous les secteurs. Cela ne supprime pas l'importance des hyperscalers, mais cela rend la demande plus équilibrée dans le temps. Le segment suggère également que l'infrastructure riche en mémoire devient pertinente pour le déploiement commercial grand public plutôt que de rester limitée aux laboratoires IA de pointe. En ce sens, la croissance des entreprises élargit à la fois la base de demande et la résilience à long terme du marché des HBM pour GPU IA.

Analyse Géographique

L'Amérique du Nord représentait 52,43 % du marché des HBM pour GPU IA en 2025, ce qui en fait le plus grand contributeur régional par revenus. La région bénéficie de la concentration des plus grands hyperscalers, du principal concepteur de GPU IA et de nombreux des développeurs de modèles les plus avancés aux États-Unis. Cette combinaison crée un lien étroit entre la conception matérielle, le déploiement cloud et la demande finale, ce qui maintient la base régionale forte sur le marché des GPU IA basés sur HBM. La politique d'exportation américaine a également façonné les schémas de demande régionale en 2026, car le Bureau de l'Industrie et de la Sécurité a confirmé que les exigences de licence pour les articles de calcul avancé s'étendent aux entités dont le siège est dans le Groupe de Pays D:5, même lorsqu'elles sont situées en dehors de la Chine. Cela a réduit le pool de clients accessibles pour les systèmes les plus avancés et a orienté davantage d'opportunités d'expédition conformes vers la demande domestique et des pays alliés. NVIDIA a également indiqué que Microsoft, Oracle Cloud Infrastructure et CoreWeave déploient des systèmes GB300 NVL72, ce qui soutient la visibilité des expéditions à court terme liée aux plateformes Blackwell Ultra. La région reste donc centrale non seulement parce qu'elle achète de grands volumes, mais aussi parce qu'elle façonne le calendrier d'adoption des plateformes dans le reste du marché des HBM pour GPU IA.

L'Asie-Pacifique devrait être la région à la croissance la plus rapide sur la période 2026-2031, portée par un mix de leadership en approvisionnement et d'investissements croissants dans le calcul régional. La région se situe déjà près du cœur de production du marché des HBM pour GPU IA car la Corée du Sud reste la principale base de fabrication de HBM, et Taïwan reste essentiel dans les flux d'encapsulation avancée. Cette position d'approvisionnement est importante car les entreprises régionales influencent le rythme de qualification, les décisions d'allocation et le calendrier de montée en puissance générationnelle sur l'ensemble du marché. Dans le même temps, les données montrent une activité croissante d'infrastructure IA souveraine et soutenue par les hyperscalers en Corée du Sud, au Japon et en Inde, ce qui ajoute une demande locale en plus de l'approvisionnement orienté vers l'exportation. Cette combinaison rend l'Asie-Pacifique différente de l'Amérique du Nord car elle participe fortement des deux ctés du marché des HBM pour GPU IA, en tant qu'ancre de fabrication et en tant que destination de déploiement en hausse. Cela signifie également que la politique régionale, les dépenses en capital et les feuilles de route technologiques peuvent simultanément affecter à la fois la disponibilité des volumes et l'absorption du marché final. Pour cette raison, le profil de croissance de l'Asie-Pacifique est plus large qu'une simple histoire de rattrapage et reflète son rôle de base opérationnelle centrale pour la chaîne mondiale des HBM.

L'Europe détenait une part significative mais plus faible en 2025, avec l'Allemagne, le Royaume-Uni et la France servant de principaux centres régionaux pour le déploiement d'infrastructure IA dans les données d'entrée. La région a progressé plus lentement car les cycles d'approvisionnement sont plus longs et les priorités de conformité ont souvent précédé les grandes montées en puissance matérielles, ce qui a maintenu la croissance en dessous de l'Amérique du Nord et de l'Asie-Pacifique sur le marché des HBM pour GPU IA. L'Amérique du Sud, le Moyen-Orient et l'Afrique sont restés des contributeurs en phase précoce, bien que les programmes de calcul souverain au Moyen-Orient suggèrent que ces marchés pourraient prendre plus d'importance plus tard dans la période de prévision. Le mix géographique reste donc inégal, avec la taille du marché des HBM pour GPU IA encore concentrée dans les régions qui combinent une demande de calcul haut de gamme, un accès aux plateformes et des liens forts avec la chaîne d'approvisionnement des semi-conducteurs.