AI Compute Cards Wiki Editorial

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。

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​

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：

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。

当机柜功率冲向 1 兆瓦，沿用二十年的 54V 直流配电体系彻底失灵。NVIDIA 把 800V 高压直流定为 Kyber 机柜的参考架构，超过 80 家供应链厂商已宣布跟进。这不是一次简单的升压，而是数据中心电力链路的整体重构。

为什么必须是 800V​

传统数据中心遵循"市电交流—变压器—UPS—配电柜—机架电源—54V 母线"的多级转换链路，每一级都带来损耗、发热与空间占用。在 10kW 机柜时代这套架构绰绰有余，但当 AI 机柜逼近 1 兆瓦，低电压配电意味着巨大电流：据 NAND Research 援引的工程测算，1 兆瓦机柜在 54V 直流体系下仅铜排就可能重达约 200 公斤，还要挤占宝贵的机柜空间。

升到 800V 直流后，同等功率下电流大幅下降。据英伟达公布的数据，相同截面积铜导体可传输的功率提升八成以上，铜用量减少约 45%，端到端效率提升最多 5 个百分点，全生命周期维护成本下降最多 70%，总拥有成本降低约 30%。功率半导体侧的验证也在推进：德州仪器已展示 800V 转 6V 的参考设计，峰值效率达 97.6%，证明供应链可以支撑兆瓦级机柜的供电需求。

生态与时间表​

据公开信息，NVIDIA 联合谷歌、微软通过开放计算项目（OCP）发布了 800V 架构规范，生态覆盖三个层次：

时间线上，2026 年下半年是关键节点：Vertiv、台达等厂商的首批 800V 产品与 NVIDIA MGX 兼容的 800V 电源机架同步交付，CoreWeave、Lambda、Oracle 云、Together AI 等算力运营商已在按 800V 标准设计新设施，富士康高雄一号 40MW 数据中心更已在 800V 直流架构下投入运行。2027 年，支撑每排 2 兆瓦的集中式行级电力中心将与 Kyber 机柜（约 600kW、最多 576 颗 Rubin Ultra 加速器）全面量产形成配套。

固态变压器与链路简化​

800V 架构的另一层革命在链路源头：中压交流通过固态变压器（SST）或整流单元直接转换为 800V 直流，省去中间多级变换环节，机房内实现液冷母排直供。机架电源被从计算机柜中移除后，可释放约 64U 的机柜空间用于计算负载——供电与算力的物理距离被压缩到极致，省下的每一瓦传输损耗都直接转化为可售算力。

这也意味着电力设备的价值量在数据中心资本开支中的占比显著上升。传统数据中心里电源是配角，而 AI 工厂里，从固态变压器到直流母排的整条电力链路，正在成为与 GPU 同等重要的投资标的。

结语：电力架构决定算力上限​

对规划 2027 年后新建数据中心的运营者而言，800V 不再是可选项，而是与 Rubin Ultra 绑定的"入场券"：今天按 415V 交流设计的机房，可能在下一代硬件到来时面临结构性返工。电力架构正在取代芯片参数，成为决定 AI 工厂算力上限的第一约束。谁先把 800V 写进设计规范，谁就掌握了下一轮扩容周期的主动权。

聊天机器人时代，衡量算力的单位是 FLOPS 和 token/s。2026 年，随着企业 Agent 从"回答问题"转向"完成任务"，一种新的计量单位开始流行——沙盒/秒。基础设施的每个环节，正在被这种新工作负载重新定价。

Agent 工作负载的"三高"​

Agent 与传统推理的本质区别在于它不是一次请求、一次回答，而是一个持续数十步的执行循环：每一步都要启动工具、运行代码、读写环境、反思结果。这给基础设施带来"三高"压力。

第一，高并发沙盒。Agent 执行任务需要隔离的代码执行环境，Daytona 在 2026 年 10 月 10 日发布的智能体基准显示：在 8×EPYC 9755 服务器上，基于 Vera CPU 的方案 10.8 秒即可上线 1000 个沙盒，峰值达 13.3 任务/秒，扩展到 2000 沙盒耗时 27.4 秒——沙盒的创建延迟，正在成为 Agent 平台的核心 SLO。第二，高频短请求。一个任务循环里包含大量短小的模型调用（工具选择、结果解析、路由判断），这类请求的 prefill 远大于 decode，与聊天场景的负载曲线完全不同。第三，大 KV Cache。Agent 会话动辄数十万 token，NVIDIA RTX Spark 甚至把 100 万 token 上下文作为桌面级卖点，长会话的 KV Cache 成了显存的最大消耗者。

机构口径显示，AI 推理的 token 消耗已达人类用户直接使用量的约 5 倍——机器与机器之间的对话，正在取代人与人之间的对话，成为算力的主要买家。

算力计量单位的变迁​

这个变迁的深层含义是：采购决策从"买算力"变成"买任务完成能力"。Meta 的 Hatch 以每月 199.99 美元的价格出售自主 Agent（接入 DoorDash、Etsy、Reddit、Outlook），Google Cloud 的 Gemini 企业 Agent 强调"做工作而非答题"，OpenAI 的 Presence 企业 Agent 进入有限 GA——定价单位都是"订阅/任务"，倒推回基础设施层，就是沙盒密度与任务吞吐。

decode 阶段专用硬件的兴起​

Agent 循环里最伤延迟的不是 prefill，而是 decode——每一步的生成速度直接决定用户等待时间。NVIDIA 在 Vera Rubin 平台的七芯片堆栈里塞进了一颗非典型成员：Groq 3 LPX，定位是"专为智能体解码阶段设计的低延迟推理加速器"。这是 NVIDIA 第一次在旗舰平台里为 decode 单独配一颗 ASIC，与 Rubin GPU（管 prefill 和训练）形成分工。

逻辑不难理解：prefill 是算力受限，GPU 的 FLOPS 越多越好；decode 是带宽与延迟受限，堆 FLOPS 无济于事，需要的是针对逐 token 生成的访存优化。当 Agent 流量的 decode 占比持续上升，专用 decode 硬件就有了独立存在的经济学基础——正如当年推理从训练中拆分出来催生了推理 ASIC 一样，decode 正在从推理中再拆分出来。

上下文内存成为新基建​

Agent 的长会话必须能"暂停、保存、恢复"——用户中午发起的任务，Agent 下午继续执行时，几十万 token 的上下文不能重算。这催生了一层新基础设施：上下文内存。NVIDIA 把 BlueField-4 DPU 升级为推理上下文内存存储平台，宣称 token 吞吐最高提升 5 倍；华为同步发布 OceanStor M900 上下文内存存储集群，通过灵衢总线一跳直连，为昇腾超节点提供 PB 级 KV Cache，并把 SSD 读写寿命延长 16 倍。

Vera CPU 的高密度机架同样服务于这个趋势：单机架最大 256 颗 Vera CPU、支持同时运行超过 2.25 万个并发环境——CPU 不再只是 GPU 的陪衬，而是沙盒编排与上下文管理的专职引擎。

企业级门槛与采购建议​

Agent 进入企业还多了一层合规门槛：agent 身份（每个 Agent 是谁、权限多大）、操作日志（每一步做了什么）、回滚能力（出错如何撤销）。这些要求把"执行层"变成了强粘性资产——模型可以随时换，但嵌入业务流程的执行层一旦部署就很难被替换。这也解释了为什么企业 Agent 的竞争焦点从"回答质量"迅速转向"任务完成"。

给采购与架构师三条建议：第一，评估 Agent 平台时先看沙盒指标——创建延迟、并发密度、任务/秒，而不是 GPU 型号；第二，规划推理集群时预留上下文存储层，BlueField-4 类平台和 PB 级 KV 存储应当进采购清单；第三，关注 decode 专用硬件的落地节奏，LPX 这类组件可能重新划分推理服务器的内部配比。

小结​

Agentic AI 把算力经济学从"每 token 多少钱"推进到"每任务多少钱"：高并发沙盒要求 CPU 密度，高频短请求要求 decode 专用硬件（Groq 3 LPX 是第一个信号），大 KV Cache 要求 PB 级上下文内存基建。Daytona 基准里 10.8 秒上线 1000 沙盒的成绩单，预示着"沙盒/秒"将成为下一轮基础设施比拼的通用语言。谁能把执行层做深、把上下文存好、把 decode 做快，谁就握住了 Agent 时代的入口。

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。

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。

2026年第42周（10月6日—10月10日），AI 芯片行业的关键词是"下沉"与"金融化"：AMD 把 192GB 内存塞进 AI PC，NVIDIA 承诺最高 1000 亿美元投资 OpenAI，三星单季利润预计暴增 8 倍，高盛统计年内 AI 财团融资约 5000 亿美元。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​

AMD 发布 Ryzen AI Max 400 "Gorgon Halo"：最高 192GB 统一内存，覆盖 Pro 495/490/485 三个型号，单机可离线运行 1000 亿参数级大模型（官方口径支持 300B 级量化部署），在 NVIDIA RTX Spark 新品活动前两天发布，正面竞争意图明显。

NVIDIA 承诺最高 1000 亿美元投资 OpenAI：双方协议锚定 10GW 部署规模，首个 1GW 基于 Rubin 平台，计划 2026 H2 上线。芯片厂商向客户注资、客户用投资采购芯片的"循环"结构，成为本周算力金融化的标志性样本。

微软双线出击：Surface Laptop Ultra 发布（$2,599，10 月 16 日发货），同期 DGX Station for Windows 开启预览——GB300 平台、748GB 统一内存、20 PFLOPS FP4。RTX Spark 笔记本预订同步开启，联想 YOGA Pro 15 RTX Spark 定档 10 月 16 日开售。

Daytona 基准新纪录：基于 Vera 平台的系统以 8×EPYC 9755 配置实现 10.8 秒创建千级沙盒，Agent 基础设施的启动时延被压缩到秒级。

国产动态​

徐直军 HC2026 访谈给出三个关键口径：昇腾 950DT 年底实现规模供货；按华为口径昇腾在中国市场份额已超英伟达；当前第一约束是产能而非需求。结合站内 950 规格卡的市场报价数据（950DT 指示性报价超 25 万元、两月涨幅最高 50%），供给紧张可见一斑。

壁仞科技拟配售 1.3 亿股 H 股：配售价 31.08 港元，较市价折让 9.76%，国产 GPU 上市公司密集利用窗口期补充研发弹药。

奕行智能完成近 20 亿元融资：估值接近 150 亿元，边缘与推理芯片赛道持续吸金。

存储与系统​

三星 Q3 业绩预告炸裂：利润预计超 100 万亿韩元、同比增约 8 倍；12 层 HBM4E 已通过 NVIDIA 验证；同步公布 zHBM 与 400 层 V10 NAND 路线图。HBM 验证通过意味着 Rubin 后续代的存储供应格局进一步固化。

DRAM 价格创 15 年新高：本季度最高涨幅达 89%，内存占整机 TCO 比重持续攀升——站内 Rubin Ultra 卡记录的"内存已占 TCO 约 40%"正在被进一步刷新。

GlobalFoundries 与 TSMC 签订 20 亿美元 interposer 协议：先进封装产能成为继 HBM 之后又一个被提前锁定的环节。

Oracle 燃气卡车运电：据 Bloomberg 确认，Oracle 用卡车运送天然气维持多座数据中心运转，电力短缺已从预测变为运营现实。

资本与市场​

高盛统计：年内 AI 财团融资约 5000 亿美元。算力投资已形成"芯片商注资-客户采购-算力转售"的金融化闭环。

GMI Cloud 融资 6.68 亿美元，其中含 NVIDIA 2.23 亿美元股权投资——NVIDIA 的注资版图从中大型云厂商延伸到新兴算力运营商。

Super Micro 出口管制案同谋认罪，供应链合规风险开始向整机厂传导。

TSMC Q3 营收创纪录：9 月营收同比 +54.6%，全年 CAPEX 顶格至 560 亿美元，先进制程与先进封装双线扩产。

NVIDIA 计划投资 d-Matrix，推理 ASIC 新贵获得巨头背书；Upscale AI 发布 Token Fabric 网络方案；Gemini 4 "Argon" 即将发布，模型侧的新一代旗舰同样在倒计时。

下周关注​

1. RTX Spark 笔记本 10 月 16 日首发：Surface Laptop Ultra 与联想 YOGA Pro 15 同日开售，首发实测数据与终端定价即将揭晓；
2. 昇腾 950DT 规模供货节奏：徐直军"年底规模供货"承诺进入兑现观察期；
3. Q3 财报季开启：TSMC 已开 SCE 头炮，存储三巨头与 GPU 供应链财报将密集落地；
4. Rubin NVL72 出货爬坡：首个 1GW Rubin 部署能否如期在 2026 H2 上线。

小结​

第 42 周的主线是"算力金融化"：NVIDIA 千亿美元投资 OpenAI、高盛统计的 5000 亿财团融资、三星 8 倍利润，共同指向一个事实——AI 算力已经从技术生意变成资本生意。与此同时，Gorgon Halo 与 Surface Laptop Ultra 的发布说明竞争正在向端侧下沉，而 DRAM 创 15 年新高、Oracle 运气运电则提醒所有人：上游的存储与电力约束，比任何发布会都更真实地决定着 2027 年的算力供给。

高盛的最新统计显示，今年至今投资者已向 AI 财团提供约 5000 亿美元融资，且云服务商的债务发行已经扩展到欧元、加元等多个市场。NVIDIA 投资 OpenAI、博通为 OpenAI 筹债、SpaceX 借钱买卡——供应商与客户之间的资金循环越来越复杂。这轮融资狂潮与 2000 年电信泡沫究竟有何异同？

5000 亿美元：融资全景​

据高盛（2026 年 10 月 10 日 AIGC 早报口径）统计，今年至今投资者已向 AI 财团提供约 5000 亿美元融资。更值得注意的是债务发行的货币多元化：云服务商已把债务发行从美元市场扩展到欧元、加元等市场，这说明融资需求大到单一市场难以承接，也说明全球固定收益投资者正在系统性接纳 AI 基础设施作为资产类别。

融资案例：钱从哪来，流向哪去​

几个案例值得展开。GMI Cloud 的结构是典型的"股债混合"：GPU 云公司同时拿到 NVIDIA 的股权背书和商业银行的信贷支持，NVIDIA 参股本身就成了债务融资的信用增强。Firmus 的 IPO 则展示了需求端的疯狂——投资者需求超过发行规模，以至于约 50% 的股份直接分配给现有持有人，成为澳洲最大 IPO 之一。SpaceX 的 400 亿美元融资完全用于购买 NVIDIA 芯片，由 Apollo 牵头，拆成 100 亿美元银行贷款加 300 亿美元投资级债务——一家航天公司为买芯片发行投资级债券，这在三年前不可想象。

循环交易结构图解​

把这些交易连起来看，会形成一个闭环：

NVIDIA ──1000亿投资──→ OpenAI
   ↑                      │
   │ 采购芯片             │ 定制芯片订单
   │                      ↓
SpaceX/云厂商 ←──博通筹资500亿（债务）
   │                      │
   │ 抵押/回租芯片        │ 债务发行
   ↓                      ↓
银行/私募信贷/公开市场投资者（5000亿总量）

循环的每一环都合理：NVIDIA 投资客户以锁定采购（1000 亿美元对应 10GW 承诺）；博通靠 OpenAI 定制芯片订单筹资扩产；SpaceX、GPU 云用债务买卡再靠租金还本付息；亚马逊用售后回租把沉淀在数据中心的芯片资产盘活成现金流。但闭环的风险也在于此——每一方的偿付能力都依赖于循环不中断。一旦 GPU 租金价格下行或 AI 收入不及预期，链条上最脆弱的一环会传导给所有人。

与 2000 年电信光纤泡沫的异同​

相同点是"基建先行、收入后置"的赌注结构，以及供应商给自己客户输血的循环感。不同点同样关键：本轮有真实收入——推理需求是实实在在的付费市场，这与当年"建好光纤等流量"的空想不同；但本轮集中度更高，少数几个财团互为最大客户和最大债权人，系统性关联风险远超当年。更麻烦的是债务主导：2000 年泡沫破裂主要由股东承担损失，而本轮大量融资是投资级债务和银行贷款，一旦违约将直接冲击信贷市场。

风险监测清单​

华尔街正把 AI 数据中心投资打包为公开市场产品——在政治与建设风险上升的背景下，普通投资者也将被卷入这个循环。以下是一份风险监测清单：

1. GPU 租赁价格曲线：租金下行是循环断裂的第一信号；
2. 债务展期条件：关注博通、SpaceX 类大额融资的再融资成本变化；
3. 供应商应收账款质量：NVIDIA 对客户的投资与销售绑定，收入质量需打折扣看待；
4. 资产证券化进度：芯片回租、资产转让产品化的规模与折价率；
5. 政策风险：出口管制变化对跨境算力租赁结构的影响；
6. 电力与建设进度：数据中心延期交付直接冲击按产能定价的债务模型。

小结​

5000 亿美元的 AI 财团融资规模已经超过多数国家级基建预算，其结构特征是债务主导、循环交易和高度集中。与 2000 年相比，本轮有真实收入支撑，这与光纤泡沫有本质区别；但集中度更高、债务占比更大、资产贬值更快，三点决定了风险一旦暴露会传导得更快。循环交易本身不是原罪——产业链上下游互相投资在重资产行业并不罕见——但它放大了周期。对参与者和观察者而言，重点不是预测泡沫何时破裂，而是盯住租金价格、债务展期和资产证券化折价这三个先行指标。

2026 年，"本地跑大模型"从极客玩具变成了正经生产力工具：128GB 统一内存进入万元级笔记本，192GB 桌面平台宣称能装下 300B 模型，748GB 的 DGX Station 把数据中心级算力搬上了办公桌。

一、按需求分档​

选型的第一步是诚实评估自己的需求档位：

• 轻量本地推理：跑 7B–35B 量化模型做日常问答、写作辅助，16–32GB 内存即可，任何 Copilot+ PC 都够用。
• 严肃 Agent 开发：本地跑 70B–120B 模型、多 Agent 并行调试、数据不出本机的隐私场景，需要 96GB 以上可分配显存。
• 创作者：Stable Diffusion 出图、视频剪辑 + AI 加速、本地语音转写，看重 GPU 性能与软件适配。
• 桌面训练超算：微调大模型、跑严肃的 Agent 集群实验，需要 TB 级统一内存与数据中心级带宽。

二、核心产品对比表​

三、统一内存容量 vs 带宽：真实体验的差异​

统一内存架构下，容量和带宽管的是两件完全不同的事：

• 容量决定"能不能跑"。70B 模型 4bit 量化约需 40GB+，这解释了为什么 96GB 可分配 VRAM 的 Ryzen AI Max+ 395 能完整装下 70B（Q4）而 48GB 的 M4 Pro 要靠 swap、实测只有约 2 tok/s；192GB 的 Gorgon Halo 平台宣称可本地运行 300B 模型，160GB VGM 单机离线跑 1000 亿参数级模型是 Pro 495 的核心卖点。
• 带宽决定"跑多快"。Decode 阶段每个 token 都要把权重读一遍，带宽几乎线性决定生成速度。同样是 128GB：M4 Max 的 546 GB/s 对比 Ryzen AI Max+ 395 的 256 GB/s，LLM 生成速度差距可以直接从带宽比例预估——395 跑 70B Q4 实测约 5 tok/s，属于"能用但不快"的水平。
• ** 两台 DGX Spark 可通过 ConnectX-7 直连把内存池化到 128GB，模型上限提升至 2000 亿参数级，双机跑 Qwen3.8 27B 较单台 128GB 系统峰值最高提升 70%**——这是"容量不够、机器来凑"的官方示范。

一句话经验：容量买"资格"，带宽买"体验"。预算有限先保容量门槛，再在同级里挑带宽。

四、x86 vs Arm：兼容性权衡​

RTX Spark 与 Gorgon Halo 的对决，本质是 Arm 与 x86 两条路线的对决：

• RTX Spark（Arm）：优势在 CUDA——6,144 个 Blackwell CUDA 核心原生兼容整个 NVIDIA 软件栈，本地跑 PyTorch、vLLM、Ollama 零适配成本；代价是 Windows 生态绕不开微软 Prism 模拟层运行部分 x86 应用，功耗损失与兼容性问题依然存在。
• Ryzen AI Max Pro 495（x86）：原生 Windows + Linux 直接运行、无模拟层，这是 AMD 对标 RTX Spark 时反复强调的卖点；GPU 侧走 ROCm / DirectML / ONNX Runtime 路线，AI 软件生态成熟度不及 CUDA，llama.cpp、Vulkan 后端等社区方案补位。
• Mac：原生生态最封闭也最省心，MLX 与 Core ML 体验完整，但 CUDA 专属工具链（多数研究代码、部分训练框架特性）无法使用。

选型建议：深度学习研究者和 CUDA 生态重度用户等 RTX Spark；Windows 企业环境、x86 软件依赖重的选 Gorgon Halo / Pro 495；全苹果生态的创作与轻推理用户留在 Mac。

五、价格与供货风险​

• 内存涨价正在挤压这一档位：DGX Spark 128GB 创始版价格上调至 $6,950（官方归因于 AI 内存紧缺），而 64GB 版维持 $4,999。DRAM 价格处于 15 年新高，大内存配额紧张可能让 192GB 级产品首发溢价，刚需建议早锁货。
• 首发参考价：微软 Surface Laptop Ultra $2,599 起（官方宣称 AI 任务速度达 Mac 的 2 倍、视频处理 6 倍）；联想 YOGA Pro 15（RTX Spark）80W 功耗、约 1.75kg，天禧 AI 支持 35B 本地模型，参照价 16,999 元档。
• DGX Station 等等再看：748GB 统一内存 + 20 PFLOPS FP4 的桌面超算 2026 Q4 上市，定价未公布——考虑到其 GB300 血统，预计不会便宜，但它可能是唯一能单机微调千亿级模型的桌面方案。

六、分人群推荐​

• 轻量本地推理 / 学生：Ryzen AI Max+ 395 笔记本（$1,499 起），96GB VRAM 的容量优势同价位无解。
• 严肃 Agent 开发：DGX Spark $4,999 入门，双机池化到 128GB 覆盖 2000 亿参数级实验；CUDA 生态原生。
• 创作者：Mac（M4 Max 带宽高、创作软件适配好）或等 RTX Spark（Adobe 全家桶 100% GPU 加速是 NVIDIA 官方合作项）。
• 桌面训练超算 / 企业工作站：预算充足等 DGX Station for Windows；预算敏感选 Ryzen AI Max Pro 495（192GB）+ Linux，先把 100B 级推理与 LoRA 微调跑起来。

小结​

2026 年的 AI PC 市场第一次出现了完整的四档产品线：万元级 128GB 笔记本、$4,999 的 DGX Spark、192GB 的 x86 旗舰平台和 748GB 的桌面超算。选购逻辑可以浓缩为一句话：先用模型规模定容量门槛，再用体验预期挑带宽，然后按软件生态选 x86 / Arm / Mac 路线，最后在 DRAM 涨价周期里尽早锁定配额。各芯片的完整规格请查阅站内对应芯片卡页面与完整对比表。

2025 年 12 月 2 日，AWS 在 re:Invent 大会上正式发布 Trainium3。作为 AWS 首款采用台积电 3nm 工艺的 AI 芯片，它承载着亚马逊从"给 Anthropic 建算力"走向"对外开放推理服务"的野心。

单芯片：3nm 与更大更快的内存​

Trainium3 单芯片提供 2.52 PFLOPS 的 FP8 峰值算力，支持 FP32、BF16、MXFP8 以及新增的 MXFP4 等多种精度格式，并强化了结构化稀疏与微缩放硬件支持。内存规格的提升同样显著：HBM3e 容量提升至 144GB（为上一代的 1.5 倍），带宽提升至 4.9 TB/s（提升 1.7 倍）。

架构上，Trainium3 针对密集计算与专家并行做了深度优化，明确面向强化学习、混合专家（MoE）与长上下文推理这些前沿负载。AWS 透露，部署 GPT-OSS 等主流开源模型时，单芯片吞吐量提升约 3 倍，响应延迟缩短至原来的约四分之一。

系统层面：144 颗芯片的 UltraServer 与百万芯片集群​

Trainium3 的系统设计延续了 AWS 一贯的"纵向整合"路线：

互连是这一代的关键升级：新的 NeuronSwitch-v1 把 UltraServer 内部带宽翻倍，芯片间通信延迟降至 10 微秒以内；通过 EC2 UltraClusters 3.0，最多可扩展至 100 万颗芯片的超级集群，规模为上一代的 10 倍。软件侧，Neuron SDK 原生支持 PyTorch 与 JAX，开发者无需重写代码即可迁移，也可以通过 Neuron Kernel Interface 做底层优化。

Project Rainier 之后的算力版图​

Trainium3 的发布建立在 Trainium2 的成功之上。为 Anthropic 打造的 Project Rainier 项目部署了超过 50 万颗 Trainium2 芯片，是全球最大的自研芯片 AI 集群之一；AWS 披露 Trainium 系列全球部署量已突破 100 万颗，业务规模达数十亿美元，2025 年第三季度增长 150%，且 Trainium2 供不应求。Karakuri、Ricoh 等客户反馈，迁移到 Trainium 后训练与推理成本最高降低 50%。

小结与建议​

Trainium3 展示了自研芯片的正循环：规模部署带来真实负载反馈，反馈驱动架构迭代，迭代再扩大规模。与前代相比，这一代最大的变化是从"服务 Anthropic"走向"服务所有企业"——Amazon Bedrock 已在 Trainium3 上运行生产负载。对于正在评估大模型训练与推理平台的团队，Trainium3 UltraServer 提供了 GPU 集群之外的一个高性价比选项，尤其适合 MoE 与长上下文场景；需要留意的是其软件生态仍以 AWS 工具链为中心，迁移前应充分验证自己的模型与框架组合。

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：

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。