32 篇博文 含有标签「AI Chip」

国产 GPU 厂商中，摩尔线程是 2026 年上半年财报最亮眼的一家。据其 2026 年半年度报告，MTT S5000 智算集群已实现规模化销售，营收 17.36 亿元、同比增长 147.42%，这一数字已超越 2025 年全年的 15.06 亿元。规模化的信号不是发布PPT，而是在无锡的智算中心投运两个多月就接近满载。

财务与出货：规模化销售的最硬证据​

据公开报道，摩尔线程 2026 年上半年实现营业收入 17.36 亿元，同比增长 147.42%；毛利总额 9.89 亿元，同比增长 103.78%，整体毛利率 56.95%；归属于上市公司股东的净利润为 -1156.31 万元，较上年同期 2.71 亿元的亏损大幅收窄 95.73%；扣非净利润 -1.51 亿元，亏损收窄 52.37%。

关键的一句话在半年报里：旗舰级 AI 训推一体智算卡 MTT S5000（PH100 芯片）智算集群已实现规模化销售，并在北京、无锡、杭州等多地完成部署与交付，且首批通过国家《安全可靠测评》。

指标	2026 年上半年	2025 年全年	同比
营业收入	17.36 亿元	15.06 亿元	+147.42%
毛利总额	9.89 亿元	—	+103.78%
整体毛利率	56.95%	—	—
归母净利润	-1156.31 万元	—	亏损收窄 95.73%
扣非净利润	-1.51 亿元	—	亏损收窄 52.37%

这组数字的含义需要放在国产算力的语境里理解：国产 GPU 长期被质疑"只能做政府试点、无法支撑生产负载"。营收超过上年全年、亏损收窄 95%，意味着 S5000 正在从验证走向可重复的集群交付。

无锡智算中心：两个多月接近满载​

最有说服力的单一案例来自无锡。据报道，摩尔线程在无锡惠山区建设的 AI 算算中心于 2026 年 6 月 11 日投运，一期运行 2000 张 MTT S5000，搭建在摩尔线程自研的夸娥（KUAE）智算集群系统之上，投运一个多月后利用率接近满载。

该中心已有 20 多家客户在测试或使用集群，包括中国头部高校、国家实验室、科研院所与 AI 初创企业，其中无锡本地用户占比近半。基于该中心算力资源落地的 AI 智能体应用已有六类，涵盖政务、医疗、教育、芯片设计等场景——医疗领域无锡惠山区人民医院与南京邮电大学合作部署了近 30 个临床辅助模型；教育领域华东师范大学启创平台集成了 300 多个教育 AI 智能体；EDA 领域芯华章利用该算力加速低功耗无线芯片的端到端设计。摩尔线程副总裁方朝霞表示，目标规模是迈向万卡级算力。

训练与生态：国芯训国模的成果​

据公开报道，在 2026 年 9 月 3 日的半年度业绩说明会上，摩尔线程董事长、总经理张建中表示，公司基于 MTT S5000 智算集群已完成 MoE-236B 超大参数基础大模型从零训练，并完成智源具身大脑模型 RoboBrain 2.5、5D 世界模型 EvoPhys-World 等前沿模型的全流程训练。

这一成果的量级需要留意：MoE-236B 的语料超过 25 万亿 Token，是从零起步完整训练的；北大 EvoPhys 团队则在 S5000 全功能 GPU 上完成了 5D 世界模型 EvoPhys-World 的全栈原生训练。摩尔线程联合创始人张钰勃进一步介绍，公司已打通具身智能从合成数据生成、大模型训练、仿真验证到端侧硬件部署的完整链路。

产品侧的三个动作值得关注：MTT C256 超节点架构规划采用计算与交换一体化的高密设计，服务万卡乃至十万卡级训练与推理集群；PD（Prefill-Decode）异构分离方案把高算力需求的 Prefill 计算池（S5000）与高带宽的 Decode 生成池分池部署，支持 KV Cache FP8 与 1M 超长上下文；此外摩尔线程联合中国移动研究院、之江实验室等产业伙伴，通过 OISA 协同创新平台正式发布了《OISA 高密超节点参考设计技术规范》。

需要注意的约束​

规模化的另一面是产能瓶颈。据公开报道的行业调研，S5000 在阿里仅有少量采购测试，字节做了小规模灰度测试（几百片），原因是客户担忧量产后供应；2026 年 4-5 万卡的出货目标仍可能有之江实验室、运营商及地方算力平台项目支撑。此外，高阶双带版本尚未量产，主要卡在双带性能和带间互联指标，需重新流片优化；S6000 目前未回片，预计 2026 年底提供小批量样品。

生态侧也有坦率之处：S5000 尚未发布足够多的独立复现基准，官方性能指标多为厂商声明。同时 PD 异构分离方案中的 Decode 池使用国际主流 GPU，这说明纯国产方案在长上下文解码环节仍有工程缺口。

研判​

摩尔线程 2026 年上半年交出的答卷，是国产 GPU 商业化进程中少见的硬数据：营收翻倍以上、集群接近满载、模型训练跑通闭环、拿到安全可靠测评。但从投资与采购视角看，仍有三个问题待解：营收集中度与复购比例尚未披露、产能是否支撑 4-5 万卡的年度目标、以及 S6000 回片后能否补上 HBM 容量短板。

《OISA 高密超节点参考设计技术规范》的发布是一个容易被忽视的信号——摩尔线程正在从卖卡转向输出系统标准，这与昇腾走超节点架构、百度走天池超节点是同一方向。国产算力的竞争维度，已经从单卡参数转向系统与标准的话语权争夺。

截至 2026 年 10 月，OpenAI 的算力采购版图已经扩展到接近 26 吉瓦，其中自研芯片项目在 10 月迎来两个实质性节点：硬件平台选型曝光，融资安排浮出水面。这不再是简单的「买卡」故事，而是一家模型公司在重写自己的算力供应链。

一张吉瓦级采购清单​

OpenAI 在过去一年里先后与三家芯片供应商签下多吉瓦级承诺。2025 年 10 月宣布的博通合作是自研芯片的起点：双方共同开发 10 吉瓦定制 AI 加速器系统，博通负责硅实现与以太网组网，OpenAI 负责架构设计，部署窗口为 2026 年下半年启动、2029 年底完成。几乎同一时间，OpenAI 与 AMD 达成 6 吉瓦 Instinct GPU 协议，首批采用 MI450，并附带最高 1.6 亿股 AMD 股票的认股权证，按容量交付情况分批归属。英伟达方面承诺至少 10 吉瓦系统，并拟按每个吉瓦的实际部署进度逐步投资不超过 1000 亿美元，首个吉瓦计划于 2026 年下半年在 Vera Rubin 平台上线。

供应商	承诺规模	芯片/平台形态	关键条款
英伟达	至少 10 吉瓦	Vera Rubin 系统	拟投资不超过 1000 亿美元，按吉瓦进度释放
博通	10 吉瓦	OpenAI 自研定制加速器	2026 下半年部署，2029 年底完成
AMD	6 吉瓦	Instinct GPU，首批 MI450	含最高 1.6 亿股 AMD 股票认股权证

三份协议加起来接近 26 吉瓦。据公开报道，多家机构把这个体量换算成用电规模——单吉瓦 AI 数据中心的芯片采购成本就可能达到数百亿美元级别，26 吉瓦对应的硬件投入接近万亿美元量级。需要说明的是，其中相当一部分「已承诺容量」是分期交付的框架额度，而非一次性交付的现货。

Jalapeño 主机平台选型曝光​

10 月 4 日披露的一组细节，首次让人看清 OpenAI 自研推理芯片的机架级形态。据报道，这款代号 Jalapeño 的推理 ASIC 放弃了英伟达 Vera Rubin 加速器作为主机平台，改用 AMD EPYC Turin 处理器，每台主机搭载两颗 Turin 级 CPU 与 1.5TB 内存，经八根 PCIe 线缆连接到加速器托盘；相邻机架容纳 128 颗 Jalapeño 芯片，最多可通过 scale-up 网络互联 2048 颗加速器。功耗分配上，主机甲架约 31 千瓦，加速器机架约 130 千瓦，配对合计约 160 千瓦。

这套设计的逻辑是让 CPU 侧承担分词、请求处理、编排调度工作，避免昂贵加速器空转等待。Jalapeño 从设计到流片仅用九个月，博通负责硅实现与网络，Celestica 负责板卡与系统设计。OpenAI 硬件负责人将选择成熟 x86 平台称为务实之举——加速器本身没有 CUDA 那样的生态，软件栈验证容错空间极小，因此主机侧更倾向使用已有大量使用经验的成熟平台。值得注意的是，该项目内部代号为 Nexus，第一代与第二代芯片分别叫 Jalapeño 与 Serrano。

融资：从「买设备」到「买资产」​

10 月 8 日的消息把这条线索补完了。据《华尔街日报》与彭博社报道，博通近几周一直在为 OpenAI 的定制 AI 芯片安排超 500 亿美元融资，已与阿波罗全球管理、黑石集团等私募信贷机构展开早期洽谈，谈判尚处初期，规模可能变化；彭博社同期称早期磋商显示双方可能寻求筹集约 300 亿美元债务，尚未启动正式流程。

这并非孤立事件。博通此前已为 Anthropic 安排大规模债务融资，据报道正为 Anthropic 及其他公司筹集 600 亿美元新 AI 芯片融资，其中 A 类优先担保贷款银团分销函金额达 420 亿美元，黑石牵头 180 亿美元 B 类次级债务，并承诺从旗下基金出资 90 亿美元。甲骨文则与阿波罗、高盛洽谈专门融资，用于为一座 1 吉瓦数据中心采购芯片，结构可能是私人投资者设立表外实体购入芯片再租回给甲骨文，以填补硬件付款与云收入之间的时间缺口。

研判​

算力采购的竞争已经从芯片规格转向融资能力。当芯片厂商能把「交付硬件」和「安排资金」打包成一份方案，它锁定的就不只是订单，而是客户未来数年的路线图依赖。OpenAI 三线并行的策略本质是风险对冲，但代价是资本结构的复杂度同步上升——26 吉瓦的承诺对应的是尚未完全验证的收入能力。

真正的观察点在 2026 年下半年：Jalapeño 能否按期点亮送样、Vera Rubin 首个吉瓦能否如期上线、私募信贷对 AI 算力资产的风险偏好是否延续。这三件事的答案，会决定自研 ASIC 是真的降低成本，还是只是把成本挪到了资产负债表上。

2026年即将收官，各大厂商的2027年路线图已经基本清晰：NVIDIA 的 Rubin Ultra、AMD 的 Helios 后继、华为的一年一代、平头哥的真武上云，四条主线同时压向2027。本文基于站内规格卡与公开排期信息，梳理2027年的关键时间节点、供给端风险与采购建议。

2027 四大主线时间线​

时间	NVIDIA	AMD	华为昇腾	阿里平头哥
2027 Q1	Rubin R200 规模爬坡	MI455X/MI430X 持续放量	960DT 提前就绪	真武 V900 量产上云
2027 Q2	—	—	960DT 上市（Atlas 860 风冷超节点）	倚天 720/730 路线推进
2027 H2	Rubin Ultra 目标量产	Helios II/MI500 级待公布	960PR 上市（Q3，Atlas 960 液冷）	J900 排期 2027 Q3
2028+	Feynman（2028 预告）	Verano CPU 预研	昇腾 970（官宣）	—

主线一：NVIDIA Rubin Ultra 与 Feynman​

站内规格卡记录了 Rubin Ultra（V300）的原版口径：GTC 2026 公布，原版 4 芯片 MCM 设计、单卡 576GB HBM4e、NVL144 机柜、FP4 算力推测约 100 PFLOPS、机柜 TDP 推测约 360kW、量产时间推测 2027 H2–2028。需要注意的是，2026 年 9 月 SemiAnalysis 与科创板日报报道该原版 4 芯片设计已取消、显存拟从 HBM4E 12-Hi（384GB 档）下调至 HBM4 8-Hi（192GB），省下的预算转向 Scale-up 纵向扩展网络。

补充素材口径则给出另一套机架级目标：Rubin Ultra VR300 NVL576 目标 2027 H2，单 GPU 100 PFLOPS FP4、1TB HBM4e、机架功耗约 600kW。两种口径并存——原版 NVL144/576GB 与修订后 NVL576/大机架路线——最终规格以 NVIDIA 官方确认为准，但无论哪个版本，2027 H2 都是多方面向的交付大考。更远处，Feynman 架构已预告 2028 年登场。

主线二：AMD Helios 需求超预期与 MI500 预研​

站内 MI500 规格卡显示：CDNA 6 架构、TSMC 2nm 制程、HBM4E 显存，预计 2027 年发布，由 AMD 与 OpenAI 联合定义开发，目标较 MI300X 实现四年千倍级 AI 性能跃升。补充素材方面，AMD 公开口径称 Helios 需求超出预期，未来 3-5 年有大幅增产计划；MI430X 将驱动 LUMI-AI 超算；Verano CPU 处于预研阶段。对 2027 年而言，AMD 的关键不是发布新品，而是把 MI455X/Helios 的量产爬坡走完，为 MI500 接棒铺路。

主线三：华为一年一代，970/980 已排期​

站内昇腾 960 规格卡给出的信息量很大：960DT 较原计划提前三个季度就绪（2027 Q1）、2027 Q2 上市；960PR 提前一个季度、2027 Q3 上市。配套的昇腾 960 超节点是全球首个 NPO（近封装光学）超节点，单节点 4096 卡、8 EFLOPS FP8、1PB HBM。华为同步确认一年一代节奏：2028 年昇腾 970、2029 年昇腾 980，访存带宽/容量/互联带宽同步大幅提升。960DT 提前三季就绪这一细节尤其值得注意——它说明国产供应链（自研 HBM、SMIC 产能）的排期确定性在增强。

主线四：真武量产元年与 OpenAI 自研芯片​

平头哥真武 V900 在 2026 云栖大会亮相后，排期 2027 Q1 量产并上云，216GB 显存、1200GB/s 带宽的配置让它成为国产推理芯片里最受关注的旗舰之一；倚天 720/730 CPU 路线同样指向 2027，J900 排期 2027 Q3。国际侧，OpenAI 的 Jalapeño 自研芯片计划推进多吉瓦（multi-gigawatt）部署，与博通的 10GW 协议仍在推进中。端侧方面，N1X/RTX Spark 生态在 2026 年秋季落地之后，2027 年大概率迎来第二代产品换代的窗口。

谁会最先卡在供给端​

2027 年最大的不确定性不在芯片设计，而在供给端三座大山：

约束	现状（公开口径）	影响对象
HBM 供给	头部厂商 HBM 产能已被预订至 2029	所有依赖外购 HBM 的厂商；华为以自研 HBM 对冲
电力	单机架功耗迈向 600kW，数据中心排队等电	Rubin Ultra NVL576 等大机架方案
出口管制	先进制程与高端芯片管制持续	国产厂商先进制程产能

HBM 是最紧的一环：内存占整机 TCO 比重已升至约 40%，Rubin Ultra 减配 HBM 的传闻正是这一矛盾的直接体现。电力则是第二约束——当单机架功耗从 GB300 的约 140kW 走向 Rubin Ultra 时代的 600kW，"有没有电"会取代"有没有卡"成为招标的第一问。出口管制的变量则决定了国产芯片的产能天花板与替代节奏。

对采购方的提前量建议​

基于上述排期，给计划在 2027 年部署算力的团队三条建议：

1. 提前 2-3 个季度锁货。HBM 售罄至 2029 的背景下，2027 H2 交付的 Rubin Ultra、MI500 级产品，其 2027 Q3-Q4 的配额大概率在 2026 年底至 2027 年初就被超大规模客户预订。等发布再下单，等于排在队尾。
2. 双轨评估。2027 年是国产芯片真正"全代际交付"的第一年（960DT/960PR、真武 V900 同时到位），预算充裕且受合规约束的团队应同时评估 NVIDIA/AMD 路线与昇腾/平头哥路线的交付确定性，而不是只看单卡性能表。
3. 把电力写进合同前置条件。机架功耗从 200kW 级迈向 600kW 级的过程中，供电改造周期往往比芯片交付周期更长，选址与电力协议应先于芯片采购启动。

小结​

2027 年的 AI 芯片市场将是"四线并进"的一年：NVIDIA 用 Rubin Ultra 冲击大机架时代、AMD 从 Helios 走向 MI500、华为兑现一年一代的承诺、平头哥迎来真武量产元年。所有路线图的共同瓶颈是 HBM、电力与出口管制三座大山——芯片厂商比拼的不再只是架构，而是供应链与能源的掌控力。对采购方而言，2027 年的胜负手在 2026 年底就已决定：提前锁货、双轨评估、电力先行。

一颗旗舰 AI 芯片价值数万美元，还要搭配数颗 HBM 一起封进昂贵的 CoWoS 封装——只要混进一颗坏 die，整颗封装报废。所以 AI 芯片的测试是一条比传统芯片严苛得多的流水线。本文按制造顺序拆解四道关卡，以及它对产业的影响。

第一关：晶圆 CP 测试——决不能封装坏 die​

晶圆切割之前，探针卡上数千根探针扎到每颗 die 的焊盘上，由 ATE 自动测试设备逐颗测电性，筛出 KGD（已知良好裸晶）。对 AI 芯片这一步是生死线：CoWoS 封装的成本远高于 die 本身，把坏 die 或坏 HBM 封进去等于把最贵的工序浪费在最差的料上。探针卡本身就是高技术壁垒耗材，单颗 die 的焊盘数量随着先进制程与 Chiplet 化持续膨胀。

测试关卡	所处阶段	核心设备	主要目的
CP（晶圆测试）	切割封装前	探针台、探针卡、ATE	筛出 KGD，避免无效封装
晶圆级老化（WLBI）	封装前	老化设备	高温高压逼出早期失效
FT（成品测试）	封装完成后	分选机、ATE、测试板	测功能、速度分档与功耗温度
SLT（系统级测试）	出货前	专用测试板与测试舱	真实固件与负载下抓 ATE 测不出的缺陷

第二到第四关：老化、终测与系统级测试​

老化（Burn-in）把芯片置于高温高压下运行一段时间——典型条件是 125 摄氏度左右、1.1 至 1.2 倍额定电压、24 至 168 小时——专门逼出可靠性曲线最左端的"婴儿死亡"失效。AI 服务器要求芯片连续数月满载运行，这一关的淘汰标准比消费芯片严得多，HBM 还要额外做堆叠级的 KGSD 测试。

FT（终测）在封装完成后进行，除了功能验证还要做速度分档：同一批晶圆的芯片体质不同，按最高稳定频率与功耗归入不同档位。封装工序本身也可能引入损伤，所以 FT 是出厂前最后一道功能闸门。SLT（系统级测试）则是 AI 时代的标配增量：把芯片装进接近真实环境的主板，运行真实固件与大模型负载，单颗测试时间可达 30 至 300 秒。ATE 的标准向量测不出的问题——多 die 协同、高速接口的边际缺陷、热与功耗的真实表现——都靠 SLT 兜底。测试成本方面，行业经验值是测试占芯片制造成本的 5% 到 15%，AI 大芯片正在把这个比例推向区间上限。

为什么测试产能成了新瓶颈​

需求端在多重放大：AI 芯片 die 面积大、测试项目多、时间长，直接吃掉测试机产能；先进封装让封装前后测试都成为必需；每一个新的定制 ASIC 项目都要重开一套测试程序，博通与谷歌、迈威尔与 Meta、AWS Trainium 这类项目越多，需求乘数式放大。据公开报道，SoC 测试机市场从 2025 年约 69 亿美元增长到 2026 年约 87 至 95 亿美元，头部厂商扩产仍供不应求。供给端则是双寡头格局：爱德万与泰瑞达合计占全球八成以上份额，探针卡、探针台与分选机同样高度集中。

对采购方的含义很直接：AI 芯片的交付周期里，测试与封装产能是和晶圆产能同等重要的变量，签约时要问清 SLT 与老化的排产情况。

写在最后​

三条建议：第一，评估芯片供应商时把测试体系纳入尽调——有没有自建或锁定的 SLT 产能，直接决定交付确定性；第二，数据中心侧对到货芯片建立抽检与老化流程，服务器上架前先跑压力与显存基准，把"婴儿死亡"挡在集群之外；第三，关注国产测试设备与第三方独立测试产能的进展，测试环节的国产化进度，往往先于设计端。用户看到的每一颗稳定运行的芯片，背后都是四道关卡层层淘汰的结果。

当一家市值不足 NVIDIA 五分之一的公司，面对一个 2200 亿美元的市场机会，它该怎么做？AMD 在 2026 年的答案是：不买对手，买能力。MEXT、Taalas、World Labs 三笔收购，拼出的是一幅关于内存、推理与物理智能的算力版图。

三笔收购，三条战线​

2026 年，AMD 连续完成了三笔方向明确但标的各异的收购：

收购标的	核心能力	战略指向
MEXT	内存访问优化	显存子系统效率，HBM4 时代的带宽经济学
Taalas	快速推理硬件	推理专用架构，压缩模型部署成本
World Labs	空间智能 / 物理 AI	世界模型、机器人与具身智能的芯片入口

三笔收购覆盖了三个看似不相关、实则环环相扣的方向。MEXT 解决的是"数据怎么更快喂进计算单元"——在 HBM4 带宽成为推理瓶颈的年代，内存访问效率的提升直接转化为单位 token 成本的下降；Taalas 解决的是"推理硬件怎么更专"——MI455X 是通用型大芯片，但推理市场的长尾需求需要更极致的专用架构；World Labs 解决的则是"下一代计算场景在哪"——当 AI 从理解文本走向理解物理世界，空间智能就是新的算力需求源。

从"跟随 NVIDIA"到"差异化拼图"​

回看 AMD 过去几年的数据中心路线，主旋律是跟随：MI300X 对标 H100，MI355X 对标 B200，Helios 对标 NVL72——用更大的显存和更低的成本切入市场。这条路线有效，但天花板明显：只要产品定义的坐标系由对手划定，就只能做"性价比版本"。

2026 年的收购组合拳标志着路线切换。三线并购不再是补某个单点参数，而是在构建对手没有的差异化栈：

• 内存线：MEXT 的内存访问优化能力，叠加 MI400 系列本就领先的 432GB HBM4 与 23.3TB/s 带宽，把"大显存"从规格优势深化为系统级优势；
• 推理线：Taalas 的快速推理硬件，与 MI455X 的 MXFP4 算力、Wave32 原生执行形成互补，覆盖从旗舰通用到专用推理的完整谱系；
• 物理智能线：World Labs 的空间智能，为 AMD 打开了机器人、自动驾驶、世界模型这些尚未定型的市场。

值得注意的是 World Labs 的背景——这家由李飞飞创立的空间智能公司，代表的是"AI 理解物理世界"的技术路线。当行业热议物理 AI 与世界模型时，拥有空间智能的芯片化能力，意味着 AMD 在下一个计算周期里有了自己的牌。

千亿美元合作的背景板​

收购需要放在更大的商业版图中理解。2025 年 10 月以来，AMD 先后与 OpenAI 达成 6GW 级合作，与 Meta 达成最高 6GW 的部署计划，两者合计 12GW 以上，且均为 1000 亿美元级的合作体量；Anthropic 将部署最高 2GW 的 MI450 系列并获得 AMD 最高 50 亿美元战略投资；微软在 Azure 大规模部署 Helios 机架，Oracle 则是早期采用者。

这些合作定义了 AMD 的基本盘：数据中心训练与推理。而管理层看到的市场远不止于此——AMD 估算推理与数据中心 CPU 合计存在 2200 亿美元的机会。即便如此，AMD 的市值仍不足 NVIDIA 的五分之一，分析师普遍认为这一差距本身就是追赶空间：只要兑现一部分订单，估值就有结构性修复的动力。

三笔收购正是为兑现服务的：OpenAI 与 Meta 的 GW 级部署需要极致的单位 token 成本（Taalas、MEXT），而真正拉开长期差距的，可能是现在还没人给出定价的物理 AI 市场（World Labs）。

多线并进的两端战场​

拼图不只在数据中心。在端侧，AMD 推出了 Gorgon Halo（Ryzen AI Max 400）——面向 AI PC 与边缘场景的 192GB 统一内存方案，让单机跑下超大参数模型成为可能，这是数据中心 HBM4 大显存战略在端侧的镜像。在生态侧，Cerebras 与 AMD 达成合作开发分离式推理系统，声称每瓦 token 吞吐量提升 5 倍——用对手生态里的创新者补自己的推理短板。

于是我们看到一个三端结构：MI455X 与 Helios 守数据中心高端，Gorgon Halo 占端侧大内存位，收购来的能力填充中间的推理与物理智能空隙。

与 NVIDIA 买法的对比：买能力，而非买对手​

把 AMD 的并购路线放进行业坐标系，差异立刻显现。NVIDIA 近年的资本运作以"买竞品、堵路线"为主：收购推理芯片公司 Groq，投资推理芯片新贵 d-Matrix——目标是消灭或收编可能的挑战者，巩固现有垄断。

AMD 的买法几乎相反。MEXT、Taalas、World Labs 没有一家是 NVIDIA 的直接竞品，它们买的是三种能力：内存效率、推理架构、空间智能。这种"买能力而非买对手"的策略，反映的是追赶者的理性：与其在 NVIDIA 已经筑墙的领域正面攻城，不如把资源投到墙还没砌起来的地方。追赶者买未来，领先者买保险——两种策略没有绝对优劣，但后者需要垄断者的现金流，前者是 AMD 这样的市值体量唯一可行的选择。

风险同样要直言：三线并购意味着三线整合。World Labs 的空间智能如何产品化、Taalas 的推理硬件如何与 MI400 平台协同、MEXT 的技术如何下沉到 ROCm 软件栈，每一条线都需要时间验证。并购成功的从来不是买下公司那一刻，而是能力长进产品那一刻。

小结​

MEXT、Taalas、World Labs 三笔收购，配上 OpenAI、Meta 的千亿美元级合作、Gorgon Halo 的端侧战线与 Cerebras 的生态合作，AMD 在 2026 年完成的不是一次采购行为，而是一次战略定位的切换：从跟随 NVIDIA 的性价比挑战者，转向用"内存-推理-物理智能"三线拼图定义自己的差异化玩家。2200 亿美元的市场机会、不足 NVIDIA 五分之一的市值、尚未定型的物理 AI 市场——对追赶者而言，最好的出手时机就是格局未定之时。这三笔收购能否拼出完整版图，2027 年 MI430X 出货与 World Labs 的首个产品化成果，将是两个关键的验收节点。

2022 年 8 月，成立仅三年的壁仞科技发布了 BR100：台积电 7nm、CoWoS 封装、双 Chiplet 设计，INT8 算力 2048 TOPS，宣称性能对标英伟达同代旗舰的三倍以上。这是当时中国通用 GPU 离世界最先进水平最近的一次。两个月后，一切被按下了暂停键。

纸面规格：至今仍属激进的野心​

BR100 的规格即使放在今天看依然激进。它采用壁仞自研指令集与双 chiplet 架构，核心参数如下：

参数	BR100	BR104（同代次旗舰）
FP16 算力	1024 TFLOPS	512 TFLOPS
INT8 算力	2048 TOPS	1024 TOPS
FP32 算力	256 TFLOPS	128 TFLOPS
显存	64GB HBM2e	32GB HBM2e
显存带宽	约 2.3 TB/s	约 2.3 TB/s
制程封装	台积电 7nm，2.5D CoWoS，双 Chiplet	台积电 7nm
整卡功耗	550W	300W

BR100 还率先采用 PCIe 5.0 接口，并通过自研 BLink 片间互联支持多卡扩展。在设计层面，它证明了国内团队完全有能力定义一流的大芯片。

两次制裁：供应链的釜底抽薪​

BR100 的参数恰好踩在美国出口管制红线之上。2022 年 10 月美国 BIS 新规生效，台积电随即停止为壁仞代工；2023 年 1 月，壁仞紧急推出被外界视为"降规"版本的 BR106 以绕开限制；2023 年 10 月，公司被正式列入实体清单，先进制程代工通道彻底关闭。两次打击之间，联合创始人先后离职，团队经历了极短时间内的产线切换与产品迭代，研发节奏被迫中断，新一代芯片开发一度搁浅。

这段经历揭示了国产大芯片最脆弱的一环：设计能力可以追赶，但流片通道、HBM 供应和先进封装一旦被切断，纸面性能再高也无法变成产品。

曲折后的重生：从参数竞赛到商业闭环​

转机出现在 2024 年之后。随着国内云厂商将算力预算硬性切给国产芯片，壁仞完成了向系统级方案的转型：2025 年 8 月双芯配置的 BR166 量产并成为收入主力；软件端通过 BIRENSUPA 平台实现 CUDA 兼容与大模型优化；2025 年世界人工智能大会上，又联合伙伴推出智算一体机与基于光互连交换的超节点方案。

财务数据也随之反转：2024 年公司营收仅 3.37 亿元，2025 年达 10.35 亿元，同比增长 207%，毛利率改善至 53.8%。2026 年 1 月 2 日，壁仞在港交所上市，成为"港股 GPU 第一股"，首日收涨约 76%；2026 年上半年预计收入 11.5 亿至 13 亿元，同比暴增约二十倍，亏损收窄约八成。

小结：纪录易破，交付难成​

BR100 的故事给行业留下三条启示：其一，芯片公司在地缘政治面前的抗风险能力，与技术领先性同等重要；其二，规格竞赛不等于商业成功，量产交付、软件生态与客户结构才是护城河；其三，国产替代的真实需求是"稳定可得"而非"极限参数"，这正是壁仞完成转型的市场逻辑。纪录可以被刷新，但只有走完从流片到集群交付的全流程，一颗 GPU 才算真正成立。

2025 年寒武纪交出了营收 64.97 亿元、同比增长超过四倍、上市以来首次年度盈利的成绩单，背后的功臣正是思元 590。作为公司第三代云端训练与推理一体芯片，它既收割了出口管制带来的历史性窗口，也为新一代旗舰思元 690 铺平了道路。

规格速览：7nm Chiplet 的诚意之作​

思元 590 采用全新 MLUarch05 架构与 7nm Chiplet 封装技术，核心规格综合官方披露与公开报道整理如下：

参数	思元 590	思元 690（新一代，对照）
制程	7nm，Chiplet 封装	更先进制程，双 die 设计
FP16 算力	256 TFLOPS（部分来源标注 345 TFLOPS）	700 TFLOPS 以上
INT8 算力	512 TOPS	未完整公开
显存	96GB HBM2e（另有 80GB 版本报道）	196GB HBM3
显存带宽	约 2 TB/s	约 3.35 TB/s
标称功耗	350W	400 至 500W
状态	2026 年全场景规模出货	2026 年量产

能效比方面，公开资料显示思元 590 达到约 5 TOPS/W；其实测训练性能约为英伟达 A100 的八成水平，且功耗更低。

三年长跑：从送样到放量​

思元 590 的商业化时间线值得细看。2022 年 9 月世界人工智能大会上，董事长陈天石首次披露这款芯片的研发信息；2023 年，百度成为首批尝鲜者并完成内部测试；2024 年芯片问世并通过互联网大客户测试；2025 年起批量进入字节跳动、百度等公司的智算集群，切入大模型推理与训练供应链；2026 年初实现全场景规模出货。

这条路径的关键转折是 2025 年：在英伟达高端芯片对华供应持续受限的背景下，互联网大厂将算力预算切给国产供应商，寒武纪凭借第三方中立的厂商身份与相对完善的软件栈成为最大受益者之一。公开数据显示其 2025 年出货约 11.6 万颗，同比增长约三倍半，字节跳动一度成为占比超过四分之一的第一大客户。其间也出现过波折，2025 年 12 月寒武纪官方否认了"将推出约 50 万张含思元 590 加速卡"的市场传闻，提醒投资者以公告为准。

与思元 690：两代人的分工​

需要强调的是，思元 590 与思元 690 是两代产品，规格不可混为一谈。590 是 2025 年的营收主力，7nm 制程、HBM2e 显存、350W 功耗，定位于大规模推理与中等规模训练；690 则是 2026 年 7 月正式亮相的新旗舰，采用更先进制程与双 die Chiplet 设计，FP16 算力跃升至 700 TFLOPS 以上，显存升级到 196GB HBM3，带宽约 3.35 TB/s，对标的性能目标直指更高世代的国际旗舰。软件层面，两代产品共享 NeuWare 全栈与 MLU-Link 互联体系，客户从 590 迁移到 690 的成本相对可控。

小结：一代产品改变一家公司的命运​

思元 590 的意义超越了规格表本身：它证明了国产云端训练芯片可以在真实大客户的大模型负载中规模化商用，也让寒武纪从"八年亏损王"变成盈利标的。对于计划建设国产智算集群的团队，590 仍是当前供应稳定、生态验证充分的选择，而追求更高算力密度的用户则可以关注已经量产的思元 690。承前启后，正是这一代芯片最好的注脚。

当整个行业还在围绕 GPU 的 HBM 容量与机柜规模做文章时，Cerebras Systems 走了一条从根上不同的路：把整片晶圆做成一颗"芯片"。这家公司宣称其晶圆级引擎比 GPU 快 30 倍，并与 OpenAI 签署了一份高达 100 亿美元的电力协议（有效期至 2028 年）。在分析师将 Cerebras 与 AMD 并列为"未来十年可能跑赢 NVIDIA"的两家公司的当下，替代架构赛道正在从概念验证走向商业兑现。

晶圆级架构：从站内卡看 WSE-3 的底子​

根据站内 Cerebras WSE-3 芯片卡，晶圆级引擎的硬件基础如下：

项目	WSE-3（CS-3 系统）
发布	2024 年 3 月
制程	TSMC 5nm
晶体管数	4 万亿
核心数	900,000
片上 SRAM	44 GB
FP16 稀疏算力	125 PFLOPS
TDP（系统）	15 kW
形式	CS-3 整机系统（液冷）

作为对比，一颗常规旗舰 GPU 的晶体管数量在千亿级——WSE-3 的 4 万亿晶体管相当于数十颗 GPU 被熔铸在同一片晶圆上。900,000 个核心之间通过片上网络直连，配合 Weight Streaming 技术，从架构上消除了大模型训练的两大痛点：内存墙与通信开销。传统集群训练中，跨芯片的梯度同步消耗大量时间；而在晶圆级引擎上，这些"通信"变成了片上走线。

为什么晶圆级能做到快 30 倍​

晶圆级架构的原理优势集中在两点：

第一，无 reticle 限制。 传统芯片的尺寸受光刻机 reticle（曝光区域）约束，单 die 面积存在物理上限，算力扩展只能靠多芯片组网。Cerebras 通过晶圆拼接技术在整片 300mm 晶圆上制造出统一的计算平面，绕开了这个物理天花板。

第二，内存贴近计算。 44GB 片上 SRAM 与计算核心同晶圆集成，SRAM 延迟是纳秒级，带宽远超 HBM。对照行业趋势——NVIDIA 收购 Groq 后主推 SRAM-only LPU、d-Matrix 主推数字 SRAM 推理芯片——"内存贴近计算"正在成为推理架构的共同信仰，而 Cerebras 在这条路上已经走了三代。

代价同样清晰：散热与良率。15 kW 液冷整机只是单系统功耗；晶圆上任何一个缺陷区域都必须被冗余设计屏蔽，良率管理难度远超常规 die。这也解释了为什么晶圆级引擎至今仍是高投入机构的选择，而非大众市场商品。

100 亿美元电力协议：新的合作计量单位​

Cerebras 与 OpenAI 的协议核心不是芯片采购，而是电力——至 2028 年提供 100 亿美元规模的电力保障。AI 算力产业的稀缺资源排序已经悄然变化：芯片可以加急生产，数据中心可以快速搭建，但电网接入与发电能力是按年计的硬约束。"电力协议"正在取代"芯片订单"成为巨头间合作的计量单位，这与近期 Anthropic、OpenAI 动辄以吉瓦（GW）为单位锁定算力的趋势一脉相承。

配套动作同样值得注意：Cerebras 与 AMD 合作降低成本，借力 AMD 的封装与系统生态摊薄晶圆级方案的高昂制造成本。而 2026 年 10 月 2 日，Cerebras 又演示了解耦（disaggregated）芯片架构，实现推理吞吐 5 倍增益——将计算与内存功能在系统层面分离编排，为晶圆级架构打开了推理场景的新增长空间。

替代架构赛道全景：融资密度陡增​

Cerebras 不是孤军。2026 年以来，GPU 之外的架构创新密集获得资本加持：

公司	架构方向	融资/合作动态
Volantis	光子推理系统	8,800 万美元 A 轮
CScale	加速器光互连	1.45 亿美元 C 轮
Efficient Computer	数据流架构	9,700 万美元 B 轮，估值 6.5 亿美元
Q/C Technologies	纳米光子 OPU	与 Sandia 国家实验室合作
Cerebras	晶圆级引擎	OpenAI 100 亿美元电力协议

其中光计算路线尤其活跃。Volantis 的光子推理系统采用类 Face ID 的垂直腔面发射激光器（VCSEL）连接 AI 芯片与内存，用光替代电信号突破互连带宽瓶颈；Q/C Technologies 与 Sandia 国家实验室的纳米光子 OPU 则把光学计算单元推向更深的技术腹地。光互连解决的是"数据搬运"这个所有非 GPU 架构的公共瓶颈——当计算本身已经足够快，通信才是真正的墙。

GPU 之外的第三条路：先在推理落地​

训练市场的替代架构尝试屡屡受挫，但推理市场正在成为新架构的温床，原因有三：

1. 成本敏感。LLM serving 的成本结构决定了每 token 推理成本的微小改善会被海量请求放大为巨大商业价值，架构创新有了明确的回报标尺。
2. 架构可固化。训练需要灵活支持不断演进的模型结构，而推理负载相对稳定，SRAM 密集、流水线化的专用架构可以"固化"模型结构换取极致效率——这正是 LPU、数据流架构的共同打法。
3. 无生态包袱。推理可以通过 OpenAI 兼容 API 层屏蔽底层差异，绕开 CUDA 的护城河；训练则深度依赖框架与算子生态，迁移成本极高。

分析师将 Cerebras 与 AMD 并列为未来十年可能跑赢 NVIDIA 的两家，逻辑正在于此：AMD 靠性价比与开放生态蚕食存量市场，Cerebras 靠架构范式在增量市场（极致推理速度）开疆拓土。

小结​

Cerebras 的 30 倍速度宣称与 100 亿美元电力协议，共同标记了 AI 算力竞争的第二曲线：当 GPU 路线的边际改善趋缓，晶圆级、光计算、数据流架构正在从实验室走向商业化。晶圆级架构用"无 reticle 限制 + 内存贴近计算"换取极致速度，代价是散热与良率的持续攻坚；"电力协议"则揭示算力竞争的底层已是能源竞争。对行业而言，最现实的判断是：GPU 之外的第三条路会先在推理场景落地——那里成本敏感、负载稳定、生态门槛最低，也是 Cerebras、Volantis、Efficient Computer 们共同的战场。

传统架构中，数据在内存与计算单元之间的搬运消耗了推理能耗的大头。存算一体（Compute-in-Memory）的答案是：既然搬不动，就把计算搬进内存里。

数字路线：d-Matrix 用 SRAM 做向量矩阵乘法​

d-Matrix 是数字存算一体路线的旗手。其 Corsair 推理加速卡的独特之处在于：把部分 SRAM 电路改造为直接执行向量矩阵乘法的计算单元——这是神经网络推理的核心运算。每颗芯片包含 1GB SRAM、RISC-V 控制核与 SIMD 单元，通过 DMX Link 互连，并配有 256GB LPDDR5 内存池存放溢出数据。

公司宣称，采用 MXINT4 块浮点格式时 Corsair 可提供每秒 9600 万亿次运算；在 Llama 70B 上实现每秒最高 3 万 token、单 token 约 2 毫秒延迟；单个 SquadRack 机架（与 Arista、博通、超微合作的开放标准参考架构）可在纯 SRAM 中运行千亿参数模型。2025 年 11 月，d-Matrix 完成 2.75 亿美元 C 轮融资，估值达 20 亿美元；下一代产品 Raptor 计划采用 4nm 工艺与 3D 内存堆叠。

模拟路线：EnCharge AI 与 EN100​

EnCharge AI 走得更远——用模拟电路直接做乘加运算。其技术源自普林斯顿大学 Naveen Verma 实验室多年的研究：神经网络权重被存为金属电容的物理属性，输入电压施加后，电荷累积的物理过程"天然完成"矩阵乘法，数据搬运的能耗几乎归零。

2025 年 5 月，公司发布首款商用模拟存算芯片 EN100：M.2 笔记本形态下功耗仅 8.25W 却可提供超过 200 TOPS 算力；PCIe 工作站配置（4 个 NPU、128GB LPDDR）算力约 1 PetaOPS。公司宣称同等功耗下每瓦性能约为数字方案的 20 倍。资本层面，2025 年 2 月完成 1 亿美元 B 轮，Tiger Global 领投，In-Q-Tel、RTX、三星风投与富士康参投，累计融资超过 1.44 亿美元。

两家公司的不同结局​

公司	路线	关键产品	最新动态
d-Matrix	数字存算（SRAM）	Corsair 加速卡	2025 年 11 月 C 轮 2.75 亿美元，估值 20 亿美元
EnCharge AI	模拟存算（电容）	EN100 边缘芯片	2025 年 5 月发布，聚焦端侧与客户端
Untether AI	存算加速（at-memory）	speedAI 系列	2025 年 6 月团队整体加入 AMD，独立运营终止
Fractile	基于标准 DRAM 的存算	在研（据公开报道）	英国初创，2024 年获种子轮融资

这组对照恰好展示了行业的残酷分化：同样押注存算一体，d-Matrix 靠数据中心推理的精准定位站稳脚跟；EnCharge 选择从功耗敏感的边缘市场切入避开正面战场；而 Untether AI 虽然技术路线领先，却在融资寒冬中把工程团队整体卖给了 AMD——成为独立芯片公司难以为继的标志性事件。

小结与展望​

存算一体的技术光谱比大多数人想象的宽：从"改 SRAM 电路"的保守改良，到"用物理定律做乘法"的激进重构，各自对应不同的市场与容错空间。目前的共识正在形成——数据中心推理对成本与能效的极度敏感，让存算一体第一次拥有了真实的商业引力。但对投资者与采购方而言，Untether 的结局提醒我们：在这个被 CUDA 与巨额资本开支主导的市场里，架构创新只是入场券，活下去靠的是找到正确的细分场景与现金流。

2026年10月，边缘 AI 迎来了标志性的一周：NVIDIA DGX Spark 正式发布、RTX Spark 笔记本预订开启、AMD Gorgon Halo 亮出 192GB 统一内存、微软与联想的新机同日开售。算力正在从数据中心向 PC、桌面和机器人急剧下沉。本文梳理边缘算力金字塔的完整版图。

边缘算力金字塔​

边缘 AI 不是一个市场，而是四层结构分明的金字塔：

层级	典型芯片	算力区间	典型场景
手机 NPU	骁龙/天玑/麒麟 NPU	数十 TOPS	拍照增强、语音助手、实时翻译
AI PC	RTX Spark、Ryzen AI Max、Core Ultra 2	100-1000+ TOPS（AI 总算力）	本地大模型、创作 Copilot
桌面超算	DGX Spark/Station、GB300	1-20 PFLOPS FP4	百亿至万亿参数本地推理
数据中心	Rubin R200、MI455X、昇腾950	EFLOPS 级	前沿模型训练与超大规模推理

站内规格卡可以精确刻画中间两层。AI PC 层：NVIDIA RTX Spark 采用 Arm CPU + Blackwell GPU 统一内存架构，最多 20 核 Arm、6144 CUDA 核心、128GB LPDDR5X、带宽 300GB/s，AI 算力 1 PFLOPS FP4（稀疏，官方口径），可运行 1200 亿参数模型与 100 万 token 上下文；AMD Ryzen AI Max+ 395（Strix Halo）为 16 核 Zen 5 + 40 CU RDNA 3.5 + XDNA 2 NPU 50 TOPS，128GB UMA 中 96GB 可分配给 GPU，端侧可跑 70B 模型；Intel Core Ultra Series 2（Lunar Lake）NPU 4.0 达 48 TOPS，是全球首款满足 Copilot+ PC 标准的 x86 芯片。

桌面超算层：DGX Spark 64GB 售价 $4,999，2026 年 10 月 23 日起经宏碁、华硕、戴尔等 OEM 开售，单机可流畅运行千亿参数模型；两台 Spark 通过 ConnectX-7 直连后内存池化至 128GB，模型上限提升至 2000 亿参数级，双机集群实测较单台 128GB 系统峰值最高提升 70%。更上层的 DGX Station for Windows 搭载 GB300、748GB 统一内存（252GB HBM3e + 496GB LPDDR5X）、20 PFLOPS FP4，2026 Q4 上市，把桌面推到了接近数据中心的量级。

新机潮：一周之内的三家对决​

2026 年 10 月上旬，边缘 AI 设备密集落地。微软 Surface Laptop Ultra 定价 $2,599，官方口径 AI 性能达竞品 Mac 的 2 倍、视频场景 6 倍，10 月 16 日发货；联想 YOGA Pro 15 RTX Spark 同日开售，预装天禧 AI 35B 本地模型，已有 100 余款软件完成适配；NVIDIA RTX Spark 笔记本预订同步开启，首发 OEM 覆盖 Dell、HP、Lenovo、Asus、MSI 等 8 家厂商，形态包括 30 余款笔记本与约 10 款桌面。

AMD 的回应是 Gorgon Halo：Ryzen AI Max 400 系列（Pro 495/490/485）最高 192GB 统一内存，通过 VGM 可变显存最多将 160GB 划给 GPU，单机离线运行 1000 亿参数级大模型——按官方口径可支持 300B 级模型的本地量化部署。它的差异化卖点是原生 x86、无模拟层，避开 Arm 方案在 Windows 上的 Prism 转译开销。

本地大模型的隐私经济学​

边缘算力下沉的驱动力不只是性能，还有隐私与成本的双重账本。站内 Ryzen AI Max Pro 495 规格卡记录了一个典型案例：艾美奖获奖 VR 工作室 LightSail VR 在锐龙 AI Max 桌面机上搭建"制作协调员" AI Agent，同时管理 6-9 个制作项目，相当于过去 2 个人力的工作量；由于全部本地运行，云费用为零，同样的工作量放云端每月 token 费用要数千美元。

这笔账可以推广：当一台 $4,999 的 DGX Spark 或一台 Pro 495 工作站能够离线承载千亿参数模型，敏感数据（报税文件、医疗记录、未发布的设计稿）不再需要上传云端，企业同时获得隐私合规与可预测的成本结构。本地 Agent 的边际成本趋近于零，这是云 API 定价模型无法做到的。

具身智能：边缘算力的第二战场​

机器人是 2026 年边缘 AI 最陡峭的增长曲线。国内动态方面，江苏昆山张浦一次性发布 12 款具身智能产品，覆盖轮足巡检、重载作业等场景，具身智能正从展会样机走向批量交付。海外方面，通用机器人大脑公司 FieldAI 完成 7 亿美元融资，估值达 100 亿美元，资本对"机器人的 GPT 时刻"下注明显。

NVIDIA 自己也在用机器人造机器人：其西雅图机器人实验室以 Flexiv Rizon 4S 协作臂搭配 UR10e，配合视觉-语言-动作（VLA）管线，实现了 GB300 测试托盘装配的自动化，官方口径成功率 95%。这个案例的意义在于示范了完整的机器人技能习得闭环——感知、决策、执行全部在端侧算力上运行。

具身智能对边缘芯片提出了 AI PC 完全不同的需求：低时延控制回路（毫秒级）、多模态感知融合、以及抗震动宽温的工业可靠性。这将是未来 2-3 年边缘芯片的第二增长极。

边缘-云协同架构​

金字塔的各层不是替代关系，而是协同关系。当前主流的分工模式是：云端完成模型训练与大规模推理（Rubin R200、MI455X 的主场），桌面超算承担本地 Agent 的常驻推理（DGX Spark/Station），AI PC 处理隐私敏感的个性化任务（RTX Spark、Ryzen AI Max），手机 NPU 兜底最高频的轻量推理。数据在层间按敏感度与时效性分流：原始数据尽量不出端，模型权重与更新从云端向下推送。

对开发者而言，这意味着一套模型需要在四层硬件上都有高效的运行时——从 CUDA 到 ROCm、从 ONNX 到各厂商 NPU SDK，跨平台部署能力正在取代单点性能成为边缘 AI 工程的核心竞争力。

小结​

2026 年 10 月的这波新品潮，标志着边缘 AI 完成了从"能跑 demo"到"能干活"的跨越：DGX Spark 把千亿美元参数级推理装进机顶盒大小的机身，Gorgon Halo 用 192GB 内存重新定义 AI PC 的上限，具身智能则把边缘算力推向了物理世界。边缘算力金字塔的四层结构已经成型，接下来的竞争焦点将从单机性能转向边缘-云协同的系统能力——谁能把算力放到离数据最近的地方，谁就赢得下一代 AI 交互的入口。