32 篇博文 含有标签「AI Compute」

当所有人盯着 Rubin R200 的 50 PFLOPS FP4 时，真正决定这台机器推理经济性的，可能是一颗 CPU。Vera——NVIDIA 首次全面自研核心的数据中心 CPU，用 88 个 Olympus 核心、第二代 SCF 一致性结构和 1.5TB LPDDR5X，重新定义了"AI 工厂的主机处理器"。本文依据站内芯片数据库与智能体基准实测，拆解 NVIDIA 从外购 Arm 核到自研 SCF 的演进逻辑。

从 Grace 到 Vera：自研之路的三级跳​

NVIDIA 的 CPU 战略经历了三个阶段：GH200/GB200 时代的 Grace CPU 基于 72 核 Neoverse V2 公版 Arm 核心，本质是"外购核心 + 自研互联"；GB300 延续了这一代 Grace；而 2026 年 GTC 发布的 Vera 则完成质变——核心、片上互连、内存子系统全部自研。据站内芯片数据库，Vera 的核心规格如下：

规格	参数
CPU 架构	ARM 架构（自研 Olympus 核心）
指令集	ARMv9.2（完全兼容）
核心数量	88 个 Olympus 核心
线程数量	176 个线程（空间多线程）
单核性能	前代产品的 2 倍
最大内存容量	1.5 TB（LPDDR5X）
内存带宽	1.2 TB/s
互联技术	NVLink-C2C（1.8 TB/s）
片上互连	第二代 SCF（3.4 TB/s 对分带宽）
发布时间	2026 年 3 月 17 日
量产时间	2026 年下半年

SCF：88 核无延迟扩展的底座​

SCF（Scalable Coherency Fabric，可扩展一致性结构）是 Vera 最值得细看的技术。第二代 SCF 提供 3.4 TB/s 对分带宽，采用片上网格 + 统一缓存设计，可无延迟扩展 88 个核心。

对分带宽（bisection bandwidth）是衡量片上互连质量的关键指标：它表示把芯片切成两半时，两半之间的总通信带宽。88 核的大芯片如果对分带宽不足，核心越多内耗越大。第二代 SCF 用网格拓扑让任意核心间的通信路径趋于均匀，配合统一缓存避免一致性流量的长距离穿梭——这正是 Vera 敢于采用单体计算芯片设计（而非多小芯片拼接）的底气：避免跨小芯片通信延迟，在所有核心满载时保持稳定延迟和吞吐量，性能可预测性强。

1.5TB LPDDR5X：把内存子系统当主武器​

Vera 将 SCF 与高达 1.5TB 的 LPDDR5X 内存子系统结合。对比上一代 Grace 的规格变化一目了然：

指标	Grace（GB200/GB300）	Vera	提升
内存容量	480GB LPDDR5X	最高 1.5TB LPDDR5X	约 3 倍
内存带宽	512 GB/s	1.2 TB/s	约 2.3 倍
CPU-GPU 互联	NV-HBI 900 GB/s	NVLink-C2C 1.8 TB/s	2 倍
核心数	72 核 Neoverse V2	88 核 Olympus	+22%

更关键的是系统级设计：LPDDR5X 与 GPU 的 HBM4 可视为单一一致性内存池。这意味着数据不再需要在"CPU 内存"和"显存"之间显式搬运，两个物理上分离的内存子系统在软件视角下是一体的。对推理业务，这带来两个直接收益：KV 缓存卸载——不常用的注意力上下文可以下沉到 LPDDR5X 侧，把昂贵的 HBM4 带宽留给热点数据；多模型高效执行——多个模型实例共享同一内存池，切换与加载开销大幅降低。

Daytona 实测：智能体时代的 CPU 门槛​

2026 年 10 月 10 日公布的 Daytona 智能体基准测试，给 Vera 的实际能力提供了量化注脚。智能体负载的特点是海量并发沙盒的创建与销毁——恰恰考验 CPU 的内存容量、一致性与调度效率：

测试项	Vera	AMD EPYC 9755	差距
1000 沙盒上线	10.8 秒	88.4 秒	约 8 倍
峰值智能体任务吞吐	13.3 任务/秒	—	—
2000 沙盒上线	27.4 秒	—	—

8 倍的沙盒上线速度差距说明：智能体负载对 CPU 的要求已与通用计算分道扬镳——容量大（1.5TB 装下海量沙盒状态）、带宽高（1.2TB/s 喂饱并发）、一致性结构强（88 核高效协作）。站内芯片数据库同时记录，Vera 的软件环境运行速度相比传统架构 CPU 提升最高 50%，满负载下强化学习评估周期可缩短 50%。

与 Groq 3 LPX 的异构分工​

Vera 所在的 Rubin 平台还有一位非常规队友：NVIDIA 收购 Groq 后推出的 Groq 3 LPX。据站内芯片数据库，LPX 机架集成 256 颗 LPU，聚合 128GB 片上 SRAM，聚合带宽高达 40 PB/s，官方口径的能效优势显著（35× perf/W vs H100 推理）。在 Rubin 平台的分工中，GPU 承担训练与 prefill，Groq 3 LPX 专攻智能体解码阶段的低延迟输出——而 Vera 则是这一切的调度中枢。prefill 吃算力、decode 吃带宽、调度吃一致性与容量，三种负载由三种架构分别消化，这正是"每 token 经济学"推导出的异构架构必然性。

Vera vs EPYC Venice：服务器 CPU 的新战场​

Vera 的出现让 NVIDIA 与 AMD 在服务器 CPU 领域正面相遇。据站内芯片数据库，AMD EPYC Venice（2026 CES 发布）是全球首款 2nm 数据中心 CPU：

指标	NVIDIA Vera	AMD EPYC Venice（Zen 6C）
核心	88 个自研 Olympus	最多 256 个 Zen 6C
制程	未公开	台积电 2nm（N2）
内存	1.5TB LPDDR5X	16 通道 DDR5
单路带宽	1.2 TB/s	1.6 TB/s
L3 缓存	—	1GB
卖点	NVLink-C2C、CPU-GPU 一致性	通用性、x86 生态

两者的定位差异明显：EPYC Venice 是通用数据中心 CPU 的极致（256 核、x86 生态、Helios 机架中与 MI455X 组队），而 Vera 是 AI 专用 CPU——它不做通用服务器生意，只为 AI 工厂的主机负载优化。Vera 甚至支持硬件级 FP8 计算，是全球首款支持 FP8 精度的 CPU，并支持全机密计算的硬件级安全隔离。竞争的天平取决于一个问题：AI 工厂的 CPU 采购，会不会整体从通用服务器预算中剥离？如果会，Vera 绑定 Rubin GPU 的销售模式将是护城河；如果不会，EPYC 的生态广度仍难撼动。

小结​

Vera CPU 标志着 NVIDIA 完成了从"用别人的核心攒超级芯片"到"自研全套主机平台"的跃迁：SCF 的 3.4TB/s 对分带宽解决了 88 核扩展难题，1.5TB LPDDR5X 与 HBM4 构成的一致性内存池重构了推理数据流，Daytona 实测的 8 倍沙盒优势则证明智能体负载确实需要一颗不一样的 CPU。它的野心不在挑战 x86 的通用服务器王座，而是重新划定一条边界——AI 基础设施中，CPU 是 GPU 子系统的一部分，而不是独立采购的商品。这条边界能否成立，将决定未来五年服务器市场的版图。

文本生成的算力曲线尚未见顶，视频生成已经带着二次方的注意力复杂度闯入算力市场。当世界模型开始学习物理规律并支持实时交互，推理算力的需求边界将被重新定义——下一个算力黑洞，正在视野中成形。

单秒成本背后的算力真相​

2026 年，视频生成已形成清晰的商业化定价梯度。据公开资料整理：

模型	定价（每秒生成视频）	主要特性
Sora 2	约 0.10 至 0.15 美元	1080p、原生音频
Sora 2 Pro	0.30 至 0.50 美元	更长时长、更高分辨率
Veo 3.1	约 0.40 美元	原生音频、4K 上采样
可灵 3.0	0.10 至 0.75 美元	国产梯队代表，长时长可扩展
开源自托管（Wan 2.6 等）	硬件摊销后显著更低	需自行承担 GPU 与运维成本

低价表象之下是沉重的算力账单。按每秒 24 帧计算，一段 10 秒 1080p 视频意味着 240 帧高度关联的图像，时序注意力机制使显存需求随时长呈二次方增长——30 秒片段要处理的帧间关联对数以十万计。业界分析普遍估计，训练一个 Sora 2、Veo 3 级别的视频模型，仅算力投入就普遍在 5000 万美元以上，叠加数据授权、标注与安全评审，整体项目投入据估可达 1.5 亿至 4 亿美元。算一笔直观的账：一个每月生成百万秒级视频的消费级应用，即便采用较低价位档，月度 API 账单也能轻松超过 10 万美元。

自托管与开源的博弈​

开源模型正在改变成本结构。阿里的 Wan 系列与腾讯的 HunyuanVideo 已把"自己搭"变为可行选项：Wan 系列的 14B 生产级版本约需 48GB 到 80GB 显存才能流畅批量推理，HunyuanVideo 13B 版本官方推荐 H100 80GB 级别配置。对月产数十万条短视频的应用而言，API 计费与自建集群的成本平衡点，正成为技术路线的核心决策。而中国厂商在国产加速器与低电价环境下的成本优势，使国产视频模型在单位经济学上占据独特位置——可灵、海螺等产品的低价正是这一优势的直接体现。

世界模型：从生成到模拟​

比视频生成更重的，是世界模型。当模型不仅生成画面，还要内化物理规律、支持交互式探索时，算力需求呈台阶式跃迁：实时交互要求生成延迟低到毫秒级；世界一致性要求超长时序记忆与状态追踪；具身智能训练要求大规模仿真并行运行。视频生成考验的是"把序列算对"，世界模型考验的是"把世界算懂"——后者的状态空间与计算密度高出一个量级。业界普遍预期，一旦世界模型成为智能体与机器人训练的基础设施，其推理负载将远超今天的文本推理。

结语：为黑洞做好电力与芯片准备​

视频生成与世界模型对算力产业的意义，在于它们同时吃掉带宽、显存、互连这三样最贵的资源——这恰好解释了 HBM 扩产、超节点与液冷在 2026 年同步爆发的产业节奏。对芯片厂商而言，谁能把每瓦 tokens 产出做到极致、把视频推理流水线优化到物理极限，谁就能在下一个算力黑洞周围占据最有利的位置。而对整个行业，唯一确定的是：生成一秒钟的智能，永远比生成一个字贵得多，而且这个差距还会继续拉大。

在旧金山举行的微软 Windows AI 与 Surface 活动上，NVIDIA 一手开启 RTX Spark 笔记本预订，一手预览 DGX Station for Windows——从 1 PFLOP FP4 的笔记本到 20 PFLOPS FP4 的桌面工作站，AI 算力正在从数据中心一路铺到办公桌。

RTX Spark 笔记本正式开订​

在微软于旧金山举行的 Windows AI 与 Surface 活动上，NVIDIA 宣布 RTX Spark 笔记本正式开启预订，首批产品将于 10 月 16 日（周五）发货；紧凑型桌面产品则计划在 11 月跟进上市。

OEM 阵容覆盖了几乎所有主流 PC 品牌：Acer、ASUS、Dell、HP、Lenovo、Microsoft（Surface Laptop Ultra）、MSI、Gigabyte 全部在列。从发布即有如此完整的品牌背书来看，RTX Spark 显然不是一款演示性产品，而是要成长为一个完整的终端新品类。

Blackwell RTX + Grace CPU：数据中心架构下沉终端​

RTX Spark 的硬件方案可以概括为"把 Grace Blackwell 的思路压缩进 PC"：

• GPU：基于 Blackwell 架构的 RTX GPU，最高 6144 个 CUDA 核心；
• CPU：最多 20 核的 Grace CPU；
• 互联：CPU 与 GPU 之间提供 600 GB/s 高速链路；
• 算力：最高 1 PFLOP FP4；
• 内存：最高 128GB 统一内存，CPU 与 GPU 共享同一内存池；
• 软件：运行完整 CUDA 栈。

其中"统一内存 + 完整 CUDA 栈"是两个关键点：前者决定了本地能装下多大的模型，后者决定了云端训练的代码可以低成本迁移到本地调试，开发者不必为桌面场景另学一套工具链。

DGX Station for Windows 首次预览​

如果说 RTX Spark 面向个人开发者，那么同场预览的 DGX Station for Windows 则瞄准了更高一层的需求。它基于 GB300 Grace Blackwell Ultra Desktop Superchip，拥有 748GB 一致性内存，算力最高可达 20 PFLOPS FP4，目标是让用户在本地运行约 1 万亿参数的模型。

对 Linux 生态的兼容也给出了务实答案：Linux 工具链可以通过 WSL（Windows Subsystem for Linux）访问。DGX Station for Windows 将于 Q4 上市，由 ASUS、Dell、HP、Lenovo 四家推出。

Surface Laptop Ultra 与内存挤压隐忧​

作为活动的另一主角，Surface Laptop Ultra 已于 10 月 7 日开启预订，最高配备 128GB 统一内存——这个容量已经接近入门级推理服务器的水平。

但 DIGITIMES 提出了一个不容忽视的问题：AI PC 的内存供给正在被服务器需求挤压。在内存厂商的优先级排序中，服务器 DRAM 需求被放在首位，AI PC 依赖的 LPDDR5X 供给承压。在存储供应紧张的背景下，128GB 统一内存的 AI PC 能否稳定供货，本身就是一个变数。

从云端到桌面的算力分层​

把 NVIDIA 目前的桌面产品线摆在一起，可以清晰看到一条算力分层路线：

产品	形态	关键规格	定位
DGX Spark	桌面 AI 超算	64GB 统一内存、1 PFLOP FP4	4,999 美元，个人与小团队原型验证
RTX Spark 笔记本	笔记本	最高 6144 CUDA 核心 + 最多 20 核 Grace CPU、最高 128GB 统一内存	随身开发与调试
DGX Station for Windows	桌面工作站	GB300 Grace Blackwell Ultra Desktop Superchip、748GB 一致性内存、最高 20 PFLOPS FP4	本地运行约 1 万亿参数模型

这条路线的逻辑是：云端负责大规模训练与生产推理，桌面负责原型验证、微调与敏感数据场景，笔记本负责日常开发与演示。当模型越做越大、数据合规要求越来越严，"把算力放在身边"的价值正在上升。

Windows CUDA 原生化与 WSL 的务实路线​

过去十几年，CUDA 的主战场在 Linux 服务器上，Windows 开发者在工具链上长期处于跟随位置。RTX Spark 与 DGX Station for Windows 意味着完整 CUDA 栈第一次以原生姿态大规模进入 Windows 桌面场景。

而 WSL 桥接 Linux 工具链的安排，则是一种典型的务实路线：既照顾 Windows 用户的使用习惯，又不要求现有 Linux 工作流推倒重来。对于在 Windows 环境中做模型开发和内部工具的企业开发者来说，迁移成本被明显降低；对 NVIDIA 而言，这等于把整个 CUDA 开发者生态延伸到了全球存量最大的桌面操作系统上。

小结​

RTX Spark 笔记本开订与 DGX Station for Windows 预览，标志着 NVIDIA 把 AI 算力的故事延伸到了最后一米：从数据中心，到桌面工作站，再到背包里的笔记本。1 PFLOP FP4 到 20 PFLOPS FP4 的分层算力、128GB 到 748GB 的统一内存、WSL 桥接的 Linux 工具链，共同构成了一条完整的桌面 AI 开发路径。剩下的悬念有两个：一是 LPDDR5X 供给紧张会不会卡住 AI PC 的出货节奏，二是 11 月的紧凑型桌面和 Q4 上市的 DGX Station 能否如期落地。

2026年第41周（9月28日—10月6日前后），AI芯片行业密集事件爆发：NVIDIA N1X冲击PC市场、Intel年内第三次涨价、AMD Helios量产、MLPerf新纪录、存储新范式、国产涨价与上市潮。本篇按国际、国产、存储与系统、资本与市场四节汇总。

国际动态​

NVIDIA N1X发布（10-04）：NVIDIA发布N1X PC处理器，直接竞争Intel与AMD的PC处理器市场，当日两家股价各下跌4.2%。N1X基于RTX Spark芯片、与微软合作打造，2026年秋季上市。

Intel CPU涨价10%（10-05生效）：这是Intel自2025年以来的第三次涨价，受AI需求和产能紧张驱动。

AMD Helios量产（9-18报道）：MI455X首批出货目标Q3末，OpenAI 6GW、Meta 6GW、Anthropic合作兑现中，微软为首批客户之一。

MLPerf Inference v6.1（9-16）：Vera Rubin NVL72首秀，跑Qwen3-VL较GB300最高提升3.7倍；AMD MI350以512卡创下575万tokens/秒的纪录。

事件	时间	要点
N1X发布	10-04	Intel/AMD股价各跌4.2%，2026秋季上市
Intel涨价10%	10-05生效	年内第三次涨价
Helios量产	9-18报道	MI455X首批Q3末出货
MLPerf v6.1	9-16	Rubin NVL72较GB300最高3.7倍

国产动态​

华为昇腾950：智算集群云服务9月30日国内商用，11月30日全球商用；昇腾960超节点引入NPO技术、支持4096卡、提供8E FP8算力。

平头哥真武V900（9-22云栖大会）：216GB显存、1200GB/s带宽，2027年Q1量产；同期发布倚天720/730 CPU路线图。

国产芯片涨价（路透）：寒武纪690与昇腾950DT涨价20%-50%，HBM成本上涨是主要驱动。

燧原科创板上市（9-11）：开盘上涨188.37%，市值达1764亿元。

摩尔线程"庐山"：年底亮相，3A渲染性能提升15倍、光追50倍、AI 64倍。

存储与系统​

SK海力士：9月17日发布HBF/PIM/eSSD/SALT-KV组合，9月18日成立SK hynix Ventures投资生态；美光9月15日发布超密度服务器内存模组；AWS Annapurna×NVIDIA推进NVHBM定制内存；长鑫存储据路透报道筹备进军NAND。

电网与能效：Emerald AI、Google、NVIDIA于9月16日成立AEMA（先进能源与算力联盟）；NVIDIA DSX MaxLPS助力Lambda实现同功率下token吞吐+24%、每瓦性能+23%。

存储玩家	动作
SK海力士	HBF/PIM/eSSD/SALT-KV + 设立Ventures
美光	超密度服务器内存模组
AWS×NVIDIA	NVHBM定制内存
长鑫存储	筹备进军NAND

资本与市场​

份额格局：据Counterpoint口径，国产AI芯片从2022年的近乎零份额，到2025年已达41%；其中华为昇腾约占国产市场的62%。

股价与估值：同期美股芯片板块上涨，NVIDIA收涨2.54%、AMD涨超6%。

下周关注​

1. 昇腾950云服务全球商用倒计时：11月30日全球商用节点临近，海外部署进展值得跟踪；
2. Helios首批交付：MI455X能否兑现Q3末首批出货目标；
3. Q4国产新卡发布窗口：年底前后国产厂商新品密集期，摩尔线程"庐山"亮相在即。

小结​

第41周的主线是"三重加速"：算力侧（N1X、Helios、MLPerf新纪录）节奏空前，存储侧（HBF、NVHBM、SALT-KV）范式更新，供给侧（Intel涨价、国产涨价20%-50%）紧张加剧。国产份额41%的数据说明格局重塑已在发生，Q4将是验证兑现能力的关键窗口。

当算力的计量单位从"多少张卡"变成"多少吉瓦"，AI竞争的本质已经改变：大模型公司正在变成"能源公司+基建公司+模型公司"的三位一体。

5GW与10GW：新计量单位的诞生​

2026年9月的行业报道显示，AI算力竞赛进入了一个全新的量级：Anthropic的目标是在今年年底拥有约5GW的可用算力，而OpenAI明年的规划则是约10GW。

这两个数字意味着什么？5GW大致相当于数百万张高性能GPU同时满负荷运转所需的电力，而10GW已经接近一座大型核电站的装机容量。就在一年前，行业讨论的还是"十万卡集群"；如今，头部玩家谈论的是吉瓦级园区。算力竞赛的计量单位，已经从GPU的数量彻底转向了电力的功率。

从"买卡"到"买电厂"​

这种变迁背后，是AI产业价值链的整体上移：

• 能源成为第一约束。先进AI芯片供应在改善，但变电站、输电线路和发电容量的建设周期以年计。谁拿到电力指标，谁就拿到训练下一代模型的入场券。
• 基建能力成为核心竞争力。数据中心不再是租用IDC机房那么简单，而是涉及选址、并网、冷却系统乃至自有发电能力的系统工程。
• 模型公司与芯片公司深度绑定。OpenAI与博通合作开发Jalapeño自研芯片，并规划多吉瓦级部署，这已经不是"采购算力"，而是"定制算力供应链"。

20-30MW小数据中心为何成为抢手货​

一个耐人寻味的细节是：Anthropic和OpenAI两家还在争抢20-30MW级别的小型数据中心，Anthropic甚至向SpaceX租用算力。

原因很直接——大容量数据中心从规划到投运周期太长，而模型训练和推理需求等不起。20-30MW的小站点虽然容量有限，但胜在可快速拿容量：现有楼宇改造、电力接口现成、数月内即可上线。对于急需算力缺口的大模型公司，这批"小快灵"资源成了战略物资，甚至在二级市场上被反复转租、溢价争夺。向SpaceX租算力则更为激进——当地面电力不够快时，头部玩家已经开始评估包括星载算力在内的非常规选项。

算力军备竞赛的经济账​

这场竞赛的规模有多大？根据Bain 2026技术报告的口径，AI硬件市场2025年约为312.1亿美元，2026年预计达到384.9亿美元。而吉瓦级算力园区背后，是单笔动辄数十亿美元级别的芯片采购与多年期电力合约。

算力的本质正在从"IT设备"变成"重资产基础设施"——它的融资方式（项目融资、长期租约）、回报模型（算力利用率、每token成本）都越来越像电厂和通信网络，而不是服务器机房。

对AI芯片厂商意味着什么​

吉瓦级竞赛重塑了芯片厂商的客户结构，谁绑定大客户谁受益的格局愈发清晰：

厂商	核心绑定关系	算力绑定规模
NVIDIA	微软 / OpenAI	深度绑定OpenAI，吉瓦级部署主力供应商
AMD	OpenAI / Meta / Anthropic	OpenAI 6GW、Meta 6GW、Anthropic（多年期协议）
OpenAI（自研）	博通合作Jalapeño	多吉瓦级部署规划
云厂商自研	AWS Trainium、Google TPU等	服务自有平台负载

对芯片厂商而言，这带来两个深远影响：其一，订单变得极度集中，一张吉瓦级订单足以改变一家芯片公司的营收曲线，NVIDIA与AMD过去一年股价的分化某种程度上就是绑定关系的映射；其二，芯片设计开始围绕客户的电力预算优化，每瓦性能取代峰值算力成为核心指标——因为客户的稀缺资源不是芯片，而是那几吉瓦的电。

小结​

5GW和10GW不只是两个数字，它们标志着AI竞争进入了"基建时代"：电力取代芯片成为第一约束，20-30MW小数据中心成为快速补位的战略资源，大模型公司集能源、基建、模型三重身份于一身。对AI芯片产业来说，这意味着订单向深度绑定大客户的产品集中、设计向每瓦性能倾斜。算力军备竞赛的下半场，比的不是谁的芯片跑分更高，而是谁能先把电厂建起来、把电接进来。

本文基于 NVIDIA 官方产品页、2026 年 3 月 GTC 架构博客及第三方基准数据整理；性能口径为厂商架构对比，实际收益需以自测为准。

英伟达确认，Groq 3 LPX——Vera Rubin 平台的「第七颗芯片」——已进入全面量产，由三星平泽园区代工。这是继 2025 年 12 月英伟达斥资约 200 亿美元获得 Groq 非独占 IP 授权与核心工程团队之后，这笔交易第一次以量产硅的形式落地。

对推理硬件格局而言，这是一次范式级事件：英伟达第一次把「别家定义的专用推理架构」纳入自家旗舰平台，且不是外挂销售，而是深度协同设计。

一、Groq 3 LPU 芯片与 LPX 机架：规格速览​

单颗 Groq 3 LPU（4nm，三星代工）：

项目	数值
编译器管理的片上 SRAM	500 MB
SRAM 带宽	150 TB/s
片间 scale-up 带宽	2.5 TB/s（96 条 chip-to-chip 链路，每条 112 Gbps）

单个 LPX 机架（32 个 1U 液冷托盘，每托盘 8 颗 LPU）：

项目	数值
LPU 总数	256 颗
FP8 算力	315 PFLOPS
片上 SRAM 总量	128 GB
SRAM 聚合带宽	40 PB/s
机架内 scale-up 带宽	640 TB/s
DDR5 内存	12 TB（承载大模型权重）

每颗 LPU 500MB 的 SRAM 看起来不大，但乘上 256 颗、再叠加 40PB/s 的聚合带宽，构成了「确定性低延迟解码」的物理基础——LPU 的设计哲学正是用编译器静态调度片上 SRAM，彻底消除推理解码阶段的内存取数停顿，而这恰恰是 GPU 推理最典型的瓶颈。

二、AFD：注意力与 FFN 分家，GPU 和 LPU 各干各的​

LPX 不是替代 GPU，而是与 Vera Rubin NVL72 组成异构系统，核心是 AFD（Attention-FFN Disaggregation，注意力-前馈解耦）：

1. Rubin GPU 负责 prefill 与 attention——在大上下文上构建 KV cache、执行注意力层，吃 HBM 容量与高吞吐；
2. Groq 3 LPU 负责 FFN / MoE 专家层解码——延迟敏感、模式可预测，恰好是 SRAM 确定性调度的主场；
3. 中间激活在两个引擎间逐 token 交换，由 NVIDIA Dynamo 编排路由，GPU 算每一层注意力，LPU 算每一层前馈，协同完成每个输出 token。

这套分工的逻辑很清晰：智能体应用消耗的 token 量可达传统 AI 应用的 15 倍，瓶颈从「能不能算完」变成「能不能以稳定低延迟持续吐 token」。让 HBM 大容器去跑 attention、让 SRAM 确定性引擎去跑 decode，各取所长。

三、实测与官方口径​

• 第三方实测（Artificial Analysis）：Gemma 4 31B、100K token 上下文下，LPX 输出约 3400 tokens/s——单 token 间隔低于 1 毫秒，长上下文智能体场景的交互感质变
• 官方架构对比：与 LPX 组合后，Vera Rubin NVL72 对万亿参数模型的每兆瓦吞吐最高提升 35 倍；「高价值 token」场景下每瓦收入机会最高 10 倍
• 首发客户：Nebius 率先部署 LPX 机架扩展其 token 产能；CoreWeave 已在生产环境用 Spectrum-X Multiplane 连接 Vera Rubin 机架

需要强调：35 倍/10 倍是特定高交互工作点的架构对比数字，不是普适结论。训练、大吞吐批量推理、需要 CUDA 生态灵活性的负载，GPU 仍是正解；LPX 的主场是「单用户交互延迟即产品」的场景——智能体循环、实时编码助手、长上下文对话。

四、三个行业信号​

1. 专用推理芯片被收编，而非对抗。 过去 LPU 是「GPU 挑战者」的叙事，现在变成了 Vera Rubin 的组成部分。推理硬件的终局可能不是一种架构赢，而是「GPU + 专用解码引擎」的异构组合成为标配。对其他推理芯片创业公司（Cerebras、Etched 等），这既是天花板抬高的证明，也是「要么被集成、要么找差异化」的警示。

2. 三星代工拿到高端 AI 订单。 在台积电几乎垄断 AI 主芯片的背景下，三星 4nm 承接 LPX 量产意义重大——叠加此前特斯拉 AI6 的 2nm 订单，三星代工有望在 2027 年重回全年盈利。

3. 推理经济性进入「按 MW 定价」时代。 当厂商开始用 tokens/MW 和每瓦收入讲故事，算力选型的核心 KPI 已经从峰值算力（TFLOPS）彻底转向单位能耗的 token 产出。这与我们在 TCO 计算器 里内置的功耗-电费模型逻辑一致：峰值参数好看的芯片，未必是每 token 成本最低的芯片。

小结​

Groq 3 LPX 量产标志着推理硬件进入「GPU 管吞吐、LPU 管延迟」的异构时代。对于正在选型推理集群的团队，建议把工作负载拆开评估：批量离线推理留在 GPU，交互式长上下文智能体值得单独测算 LPX 类方案的单位成本。拿不准的话，先用 TCO 计算器 跑一遍两种架构的 3 年持有成本再拍板。

（本文性能数据来自 NVIDIA 官方架构对比与 Artificial Analysis 第三方实测，实际部署请以自测为准。）

据芯智讯 9 月下旬报道，Nebius 宣布10 月 1 日起 H100 / H200 / B200 随需（on-demand）租金平均上调约 20%。同月，财联社报道 CoreWeave 截至 8 月 11 日已签约电力增至 4.2 GW，并将"继续以更高价格签约新算力"。这是本轮 AI 周期里租赁市场连续第 N 次提价——对采购方来说，自建与租用的 TCO 天平正在移动。本文用站内 TCO 计算器的口径拆解这笔账。

---

1. 涨价的三个推手​

• agentic 推理需求爆发：从 MLPerf v6.1 到 SemiAnalysis AgentX，agentic 负载成为推理增长主引擎——token 消耗量级远超聊天场景，推理算力从"够用"变成"永远不够"；
• 新一代平台的供给溢价：Vera Rubin NVL72 已在 CoreWeave 首发上线，新平台早期产能爬坡期定价天然偏高，同时抬高上一代卡（H100/H200/B200）的续租价格锚点；
• 电力成为硬约束：CoreWeave 4.2GW 签约电力的表述说明——数据中心供给瓶颈已从 GPU 转向电力与机架，电力在手的企业没有理由降价。

2. 租金上涨 20% 对 TCO 意味着什么​

站内 TCO 计算器把总拥有成本拆成采购 + 能耗 + 运维 + 网络 + 折现五段。租金上涨不直接进入这个模型，但它改变了"租用基准线"——即自建方案要击败的机会成本：

场景	租金涨 20% 前	涨 20% 后
短期弹性负载（不足 1 年）	租用占优	租用仍占优（自建部署周期追不上）
稳定推理负载（2-3 年）	临界区	自建开始占优（机会成本抬高）
训练集群（3 年+）	自建占优	自建优势扩大

直觉化判断：

• 24/7 满载跑 2 年以上的负载，租金上调 20% 通常足以让自建（哪怕按 1.5 倍采购溢价、含 PUE 1.3 能耗模型）在 30 个月内反超；
• 潮汐型负载（白天高峰、夜间空闲）仍应租用——自建方案按 15% 空闲功耗持续付费的假设下，利用率低于约 50% 时自建几乎不可能回本；
• 混合策略（自建基线 + 租用峰值）对租金上涨的敏感度最低，是当前利率与电价环境下的稳健解。

上述结论可在 TCO 计算器中自行复算：把"云租用单价"按 +20% 输入，对比采购价、电价与 PUE 两个情景。折现率默认 8%，采购成本不折现、逐年电费按 1.08^-y 折现。

3. 国产算力的定价含义​

租金上涨对国产 AI 芯片的采购决策有一层容易被忽略的影响：

• 国产卡的租用市场尚未成熟：昇腾 / 寒武纪 / 摩尔线程的算力主要以一体机、整机柜和智算中心配额形式交付，公开随需租价稀缺——采购对比天然偏向"自建/整机"模型；
• 相对 TCO 变化：NVIDIA 租金上涨 20% 等于抬高了所有国产替代方案的"相对吸引力"，尤其是推理负载（910C / 950PR / P800 一级市场的实际成交价未公开，但整机报价对美元卡的价格差在扩大）；
• 供给节奏：DeepSeek 押注昇腾训练、16 万颗 950DT 采购传闻——头部需求先吃掉产能，后来者的排队周期在拉长，早决策本身有价值。

4. 小结​

• Nebius 10 月起 H100/H200/B200 随需租金 +20%；CoreWeave 签约电力 4.2GW 且继续高价锁量——租赁市场供需仍紧；
• agentic 推理 + Rubin 供给溢价 + 电力约束，三力推高租金，且短期难回头；
• 决策口径：稳定负载 2 年+ → 自建窗口打开；潮汐负载 → 继续租用；混合策略最抗涨价；
• 看什么：其他云厂商是否跟进调价、Rubin 租赁的正式定价、国产算力是否出现公开租用市场。

---

相关阅读​

• TCO 计算器（本站交互工具，支持采购/能耗/折现全参数）
• Vera Rubin NVL72 MLPerf v6.1 首秀
• DeepSeek 确认押注华为芯片训练大模型

参考资料​

• 芯智讯：Nebius 上调 AI 芯片租用价格，10 月 1 日起 H100/H200/B200 随需租金平均上涨约 20%（2026-09-21）
• 财联社 / 东方财富：CoreWeave 推出多机架 Vera Rubin NVL72 集群，已签约电力增至 4.2 吉瓦（2026-09）

本文基于公开报道整理；TCO 结论依赖利用率、电价、折现率等假设，请以 TCO 计算器按自身参数复算为准。

本文基于 2026 京东全球科技探索者大会（9 月 9 日）官方发布及公开市场信息整理；订单金额与收入预测为券商/媒体口径，非公司公告。

9 月 9 日，2026 京东全球科技探索者大会上，京东云宣布了一个里程碑式的决定：与摩尔线程共建十万卡全功能 GPU 集群，打造超大规模国产智算基础设施。

这句话有两个关键词值得放大：「全功能 GPU」和「十万卡级核心集群」。前者意味着它要跑的不只是推理，而是大模型训练、推理与具身智能的正面战场；后者意味着国产 GPU 第一次被头部 AI 云企业放进了算力底座的核心位置——不是试点、不是适配、不是一体机，而是十万卡。

一、合作细节：从万卡到十万卡，订单规模多大？​

• 此前基础：京东云已与摩尔线程等伙伴建成国产万卡集群，本次是从万卡到十万卡的量级跃迁
• 订单规模：据市场与券商信息，GPU 模组由摩尔线程独家供应，订单总价值约 200-300 亿元，按交付节奏明年即可确认收入；部分券商将摩尔线程明年收入预期上修至 150-200 亿元（该口径非公司公告，请以官方披露为准）
• 合作深度：从芯片、云平台到模型训练的全栈协同，支撑京东 JoyAI 模型族迭代，形成「数据 → 训练 → 仿真 → 部署」闭环
• 开放性：算力面向全行业开放，聚焦大模型训练、推理及具身智能

摩尔线程创始人张建中在会上的表态很直接：「Scaling Law 仍然成立——十万卡集群是必然趋势。」京东云总裁曹鹏则把国产算力定义为京东物理 AI 战略的核心支柱。

二、为什么是摩尔线程？采购逻辑的三笔账​

科技公司买卡没有情怀，京东选择摩尔线程，本质是三笔账都算得过来：

1. 稳定性账：摩尔线程已在单一网络下完成千卡、万卡级大集群的商业部署，并在基础模型、具身大脑、世界模型等核心训练场景取得突破——万卡集群的工程验证是十万卡的前提，这不是冷启动。

2. 集成账：全功能 GPU 可以接入现有 IT 体系与云平台调度，MUSA 软件栈对大模型框架的适配已跑通训练级负载。

3. ROI 账：这是最关键的转变。过去国产 GPU 的买家多是「政策友好型」项目，而京东把十万卡集群写进资本开支，意味着产品回报率开始经得起投资者测算——买家结构从「敢用」变成「抢着用」，才是国产 GPU 商业成熟的标志。

三、S6000：下一代芯片已回片，供应链双保险​

据市场信息，摩尔线程下一代芯片 S6000 已顺利回片并分发厂商测试，FAB 与内存供给保障充足。需要说明的是：S6000 尚未正式发布，规格未公开，本文不作猜测；当前在售旗舰 MTT S5000 的站内数据为 FP16 400 TFLOPS、80GB 显存（1.6TB/s 带宽为 HBM 级）。

对 HBM 供给约束，摩尔线程的应对策略据称是「下一代产品迭代 + 供应链多源保障」——在国产 HBM 产能爬坡完成前，这是所有国产 GPU 厂商必须解的同一道题。

四、「十万卡」不是一家的事：国产 GPU 集群竞争格局​

值得把视野拉开——十万卡已是国产算力的集体目标：

玩家	十万卡动作	算力底座
京东云	9 月 9 日宣布共建十万卡集群	摩尔线程全功能 GPU
曙光 8000	7 月 WAIC 发布，郑州落成，全国产十万卡 AI 算力集群	海光 DCU（深算 BW1000 一系）
华为	Atlas 950 SuperPoD 超节点（8192 卡），2027 年十万卡超节点	昇腾 950/960

两家芯片路线（全功能 GPU vs DCU vs NPU）、两条路径（商业云 vs 国家超算），指向同一个验证命题：国产算力能不能在十万卡规模上稳定跑通真实训练负载。 值得强调的是，目前摩尔线程×京东集群尚无公开的第三方基准对比，没有完工时间表——十万卡的「可用」到「跑好」，仍需工程验证。

五、资本市场视角​

摩尔线程 2025 年 12 月登陆科创板：发行价 114.28 元，首日收于 600.5 元；2025 年营收 15.05 亿元（同比 +243.37%），净亏损约 10.01 亿元。若券商上修的 150-200 亿元收入预期兑现，2027 年将是从「高成长亏损」转向「规模盈利」的关键节点——这也将成为国产 GPU 商业模式的第一份完整答卷。

小结​

从 2025 年跟 DeepSeek 一体机「出道」，到 2026 年进入十万卡核心集群，国产 GPU 用了不到两年走完从「能用」到「规模化商用」的认知跃迁。京东云这张订单的价值不在金额，而在样本意义：当互联网头部买家开始用 ROI 逻辑采购国产 GPU，替代就不再是政策叙事，而是商业事实。

（订单金额、收入预测与供应链状态来自公开市场信息与券商研报口径，请以公司公告为准；芯片规格数据见站内完整对比表。）

2026 年 9 月初，供应链信息确认：英伟达 Vera Rubin 平台已于 8 月正式量产、9 月启动批量出货，无延期、无卡顿。与 Blackwell 迭代初期的产能波折不同，这次量产节奏异常平稳——谷歌云、微软 Azure、CoreWeave、甲骨文云等头部云厂商已启动机架部署。但真正值得产业记住的，不是"又一代 GPU 量产了"，而是 Rubin 把液冷从"可选配置"变成了"硬性前置条件"。

---

1. 量产节奏：史上最平稳的一次平台切换​

根据产业链调研与券商跟踪信息：

• 2026 年 8 月：Vera Rubin 正式量产；
• 2026 年 9 月：批量出货启动；
• 2026 下半年：CoreWeave、谷歌云、微软 Azure、甲骨文云机架部署落地；
• 2026 年：上代 GB 架构机柜出货量有望达 6 万台（同比翻倍）；
• 2027 年：GB 与 Rubin 两代平台合计出货体量有望接近 10 万台，Rubin 新机柜远期产能目标为每天 1000 个 NVL72 机柜。

需求侧同样在加码：华尔街报告披露，英伟达管理层表示 FY28 同比增长 70% 的目标并非需求上限——若供应不受限，增速可能超过 100%。当前主要约束已从需求端转向先进晶圆与 HBM 供应。

2. 单卡 2300W：风冷时代的终结​

Rubin 平台与前代最根本的差异不在算力，而在功耗密度：

指标	H100	GB300	Rubin
单 GPU TDP	700W	~1400W	2300W
机柜功耗	~40kW	~140kW	190–230kW
散热方案	风冷为主	风液混合	100% 全液冷
供电架构	48V	48V	800V 高压直流

单芯片 TDP 从 700W 升至 2300W、单机柜功率密度突破风冷物理极限——这意味着 液冷不再是高端算力的选配升级，而是运行 Rubin 服务器的先决条件。英伟达官方将 Rubin 全液冷架构定义为"数据中心历史上最重要的能效突破之一"，并已写入 DSX AI 工厂参考设计：所有跟随英伟达技术路线的云厂商和数据中心运营商，都必须采用全面液冷方案。

三个关键架构变化：

1. 无风扇整机：GPU、CPU、交换机、DPU 全部器件强制采用直接冷板式液冷，45℃ 温水冷板成为出厂标配；
2. 液冷边界延伸：散热覆盖范围从 GPU 冷板延伸至 CPU、DPU、交换机乃至光模块（液冷 Cage/鼠笼开始从"可选"变"刚需"），整套液冷系统价值量较 GB300 提升约 40%；
3. 800VDC 供电：替代传统 48V 机架配电，整机电源 BOM 价值增长 30% 以上，PSU 电源模块从 5.5kW 向 18.3kW 迭代，固态变压器、高压直流 CDU 成为数据中心新增核心设备。

3. 对产业链的三重传导​

第一重：液冷从"配套"变"主角"。 2026 下半年以小规模部署验证为主，真正的放量窗口在 2027 年——Rubin 机架大规模铺货后，冷板、快速接头、CDU、液冷泵进入业绩兑现期。台系供应链 7 月数据已率先验证：AVC 奇鋐 7 月营收 185.9 亿新台币创历史新高（同比 +57.4%），双鸿、健策 7 月同比分别 +116.7%、+91.0%。

第二重：国产液冷供应链进入核心 BOM。 国内厂商由外围冷源和代工环节逐步进入芯片平台、服务器 ODM 和海外云厂商供应体系，替代路径从 Manifold、管路推进至高可靠快接头和冷板。英维克 26H1 海外收入占比 71.4%，飞龙股份液冷泵小功率平台订单超 5 万台——液冷全核心零部件自主可控正在成为现实。

第三重：供电与散热边界融合。 800VDC 架构下，电源模块、PDB 配电单元、高速交换芯片自身发热也达到很高水平，部分电源组件同样需要液冷辅助散热——电源与温控两条产业链正在合并成一条。

4. 需求矩阵扩容：云厂商之外，太空算力入场​

Rubin 的客户矩阵已从传统云厂商扩展至三个层次：

• 全球云厂商：谷歌云、Azure、甲骨文云、CoreWeave；
• AI 科技巨头：马斯克公开披露 2027 年 8GW 超大规模 IDC 建设规划；SpaceX 将 Vera Rubin 架构定义为"最优 AI 计算架构"，计划地面与太空双向部署，支撑 "Starmind" 卫星算力项目；
• 主权与边缘：远期 Rubin Ultra 及 2027 年后更高功耗机型单机柜有望冲击 600kW+。

普华永道预计全球数据中心累计投资到 2035 年将达 31.6 万亿美元。AI 基础设施建设的确定性，已经从"是否建设"变成"多快建设"。

5. 对采购方的启示​

• 机房规划前置：2027 年起采购 Rubin 级算力，液冷改造（单千瓦改造成本较高）或按全液冷标准新建，必须在预算周期一开始就纳入；
• 看 PUE 也看水温：45℃ 温水直冷允许更高进水温度，可利用自然冷源压低 PUE——选址时人工冷源依赖度成为新的评估维度；
• 供应商组合即风险对冲：HBM 与先进封装供应是当前核心瓶颈（详见本站 HBM4 竞速分析），供应链多元化比单点性能更重要。

---

相关链接​

• NVIDIA Rubin 规格页
• NVIDIA Rubin Ultra 规格页
• NVIDIA Rubin CPX 规格页

参考资料​

• 英伟达官方博客：Rubin 全液冷架构解析
• 财联社：Rubin 全面量产，看好液冷二次侧放量（2026-09-04）
• 东方财富研报：Vera Rubin 开启量产周期，AI 算力硬件环节迎来量价齐升（2026-08-27）
• 雪球：Vera Rubin 量产交付落地，全液冷 800V 高压架构重构（2026-09-03）

---

本文基于 2026 年 9 月初供应链调研、券商研报与英伟达官方披露整理。出货量与功耗数据为产业链预估口径，实际以英伟达及客户正式披露为准。

如果说 2025 年是 HBM3E 的产能爬坡年，那么 2026 年就是 HBM4 的量产元年。NVIDIA Vera Rubin 与 AMD MI400 两代旗舰同时押注 HBM4，让这块"AI 芯片上的内存"第一次成为决定整机柜交付节奏的战略物资。而 8 月密集披露的良率与认证数据，正在重写全球 HBM 供应版图。

---

1. 黄金良率突破：三星六个月从不足六成冲上 80%​

据韩国《首尔经济日报》8 月 9 日披露，三星电子 HBM4 良率已于 8 月初正式跨过 80% 的"黄金良率"门槛——较其原定年底达成的目标提前了四个多月。

时间节点	三星 HBM4 良率	备注
2026 年 2 月（量产启动）	不足 60%	产线爬坡期
2026 年 8 月初	约 80%	跨过规模量产 / 稳定盈利分水岭

半导体行业素有"80% 良率为黄金良率"之说——它既是晶圆厂竞争力的标尺，也被视为大规模商业化供给的财务转正点。推动这一跃迁的关键，是三星在 热压非导电薄膜（TC-NCF）键合工艺 上的突破，以及底层 1c DRAM 良率早已站上 80% 所提供的稳定基底。同期，三星 HBM4E 可靠性测试良率也已突破 70%。

业界评估，SK 海力士的 HBM4 良率同样迈入 80% 区间。两大巨头在量产品质上的差距正被快速抹平。

---

2. 供应版图：SK 海力士握有 Rubin 六至七成分配​

黄仁勋 6 月 5 日在首尔公开确认：三星、SK 海力士、美光三家均已通过 Vera Rubin 的 HBM4 认证——这是三大存储厂首次同时获得同一平台的公开认证。

但认证只是"进门券"，分配份额才是话语权：

厂商	2026 年 Rubin HBM4 分配（估算）	备注
SK 海力士	60%–70%	凭借 HBM3/3E 世代积累的客户关系与 MR-MUF 封装工艺
三星	25%–30%	良率跃迁后份额快速提升
美光	剩余部分	HBM4 曝光有限，份额相对稳定

Counterpoint Research 预测 2026 年 HBM4 市场格局为 SK 海力士 54% / 三星 28% / 美光 18%。三星已设定阶梯式追赶目标：Q3 HBM4 营收环比三倍增长、下半年 HBM4 占 HBM 总营收超 60%、年底 HBM 整体市占率向 38% 靠拢。

---

3. 真正的瓶颈：从晶圆转向"后端堆叠"​

随着前端良率企稳，AI 加速器供应链的节奏，不再取决于"能产多少晶圆"，而取决于后端堆叠、键合、测试、出货的速度。

• 行业分析师将 HBM 堆叠列为 AI 芯片供应链第二严重的瓶颈，仅次于 TSMC 的 CoWoS 先进封装产能。
• HBM 占 2026 年 DRAM 晶圆产量的约 25%；每片 HBM 晶圆消耗约 3–4 倍于普通 DRAM 晶圆的资源（额外 TSV 与堆叠步骤），每redirect一片晶圆就等于从现货市场抽走 3–4 单位商品内存。
• 三星正考虑将部分传统内存后端产线（天安、温阳）迁往越南以释放 HBM 后端产能——侧面印证后端吞吐已是整条链最紧的环节。

---

4. HBM4 规格速览：带宽与能效的代际跃迁​

规格	HBM4（12-Hi / 16-Hi）	HBM4E
单栈容量	36 GB / 48 GB	—
引脚速率	11.7–13.0 Gbps	16 Gbps
单栈带宽	最高 3.3 TB/s	最高 3.6 TB/s
总线位宽	2048-bit	—
能效	较 HBM3E 提升 40%	—
热阻 / 散热	改善 10% / 提升 30%	—

三星 HBM4 于 2026 年 2 月量产，11.7 Gbps 的引脚速率已超出 Vera Rubin 兼容所需的 8 Gbps 行业基线；HBM4E 样品则于 5 月 29 日率先发往主要客户。

---

5. 价格权力延续至 2027：供给仍将是紧平衡​

TrendForce 判断，HBM 供应商的定价权将贯穿 2027 年，原因是供给持续受限：

• 2027 年 HBM bit 出货量预计年增 50%–60%，但仍跟不上需求增速，市场维持紧缺；
• 行业已预期显著涨价；
• 对 NVIDIA 与 AMD 而言，一个更强的三星意味着更多供货选择与更从容的交期——在内存成为 AI 服务器最紧一环的市场里，第二、第三供应商的存在本身就是缓冲。

对整机柜而言，HBM 成本已是最大推手：Rubin Ultra 机柜预估售价高达 2100 万美元，HBM 占其中相当比重。

---

6. 对中国的启示：HBM 出口管制加速国产迭代​

HBM 是当前 AI 芯片管制的核心环节之一。在海外 HBM4 军备竞赛白热化的同时，国产 HBM 技术迭代被同步推快——华为昇腾路线图已明确将"推动国产 HBM 技术迭代"写入产品节奏（950 系列推进国产 HBM 配套，960/970 系列规划于 2027–2028 年陆续推出）。

短期看，HBM4 的紧缺会直接传导到 Rubin / MI400 的交付节奏；长期看，谁能锁定稳定的 HBM4 供给，谁就握住了 2027 年 AI 算力扩张的阀门。

相关链接​

• NVIDIA Rubin 规格页
• AMD MI455X 规格页
• Hot Chips 2026 全景总结

参考资料​

• Samsung's HBM4 Yield Hits 80% as HBM Race Heats Up - TrendForce
• Samsung HBM4 Yield Hits 80%, Boosting AI Memory Supply - PC Central
• Samsung Weighs Shipping Legacy Memory Backend to Vietnam to Unlock HBM Capacity - TechTimes
• 芯闻|六个月良率跃迁：三星HBM4突破80%黄金门槛 - 今日头条

---

本文基于 TrendForce、Seoul Economic Daily、TechTimes 等 2026 年 8 月公开报道整理。HBM 分配份额与市占率为第三方机构估算，非厂商官方确认数据。