{"source":{"id":"2043052190982639797","title":"英伟达换一次半导体工艺，迁移三千个标准单元库曾经需要8个人干10个月。 现在单张GPU跑一夜就能搞定。 最终产出的功耗和…","url":"https://mubeitech.com/p/2043052190982639797"},"method":"semantic-similarity","count":6,"items":[{"rank":1,"id":"raw_da9282e1e02b3197","account":"mubei","brand":"@mubei","title":"把四千多张芯片连成同一个大脑，最先顶不住的往往是机柜上的接头。 按照传统的机房布线方案，想让四千张顶级芯片无缝协同工作，…","summary":"把四千多张芯片连成同一个大脑，最先顶不住的往往是机柜上的接头。 按照传统的机房布线方案，想让四千张顶级芯片无缝协同工作，你得在机柜面板上密密麻麻插进四万八千个可插拔光模块。 光是伺候这几万个发热的小金属盒，每小时就要白白烧掉几百度电。 更让人头疼的是可靠性。 几万个光学元件塞进机…","body":"把四千多张芯片连成同一个大脑，最先顶不住的往往是机柜上的接头。\n按照传统的机房布线方案，想让四千张顶级芯片无缝协同工作，你得在机柜面板上密密麻麻插进四万八千个可插拔光模块。\n光是伺候这几万个发热的小金属盒，每小时就要白白烧掉几百度电。\n更让人头疼的是可靠性。\n几万个光学元件塞进机房，按照常规故障率推算，每隔几个小时就可能坏掉一个。\n但在大模型训练的世界里，只要有一根关键光纤掉线，四千张芯片就得全体停工。\n大家只能坐在那里，眼睁睁看着算力空转，等待系统排查、重启并重新加载数据。\n每天宝贵的时间，大半都浪费在停机和保存进度上了。\n\n既然这么麻烦，为什么非要把四千张甚至上万张芯片死死捆在一起？\n分散成一个个小集群慢慢算不行吗？\n不行。\n因为大模型的参数规模，已经一路狂飙到了万亿甚至十万亿级别。\n单张芯片哪怕性能再强，塞不下一整个模型，就必须把模型切碎，分摊到几千张卡上同时跑。\n这里面藏着一个非常现实的物理限制。\n受限于外部技术管制，国内代工厂无法获得最先进的极紫外光刻机（EUV）。\n单颗芯片在晶体管密度和原始计算性能上，客观上落后于英伟达最新的旗舰产品。\n单兵打不过，怎么办？\n那就只能靠兵团作战。\n如果单颗芯片的算力有差距，就用四千张、八千张，甚至一万五千张芯片组成庞大的集群，靠庞大的规模把总算力强行拉齐。\n\n但规模每扩大一倍，物理定律的惩罚就会猛烈一倍。\n这就是超大规模集群绕不开的物理死角：阿姆达尔定律与通信墙。\n当几千张芯片共同训练一个庞大模型时，芯片之间需要以极高的频率同步海量参数。\n这个时候，算力本身跑得飞快，数据在芯片之间来回传输的速度却成了致命瓶颈。\n如果在主板上用铜线传输信号，高频电信号只要跑出一两米，就会因为衰减而变成无法识别的噪音。\n跨机柜的长距离通信，必须把电信号转成光信号，通过光纤来传递。\n这就把整个系统重新推回了开头的死局：\n你必须插上整整四万八千个高功耗、易损坏的光模块。\n庞大的芯片集群，被通信线路硬生生卡住了脖子。\n\n这个死结到底该怎么解？\n在 2026 年 9 月的华为全联接大会上，华为副董事长兼轮值董事长汪涛公布了他们的工程拆招方案。\n他们拿出的核心武器叫 Atlas 960E 超节点。\n这台庞然大物把四千零九十六颗昇腾芯片紧密连接在一起，能够提供 8 EFLOPS 的 FP8 浮点算力。\n他们是怎么解决那四万八千个光模块的？\n做法非常激进：\n他们把笨重的独立光模块扔了，直接把激光光源和光学引擎贴到了芯片封装旁边。\n这就是业界前沿的近封装光学技术，英文缩写是 NPO。\n华为把自研的近封装光引擎命名为 Hi-ONE。\n过去高频电信号需要跑过漫长的电路板导线，再钻进机柜面板上的光模块；\n现在，芯片旁边的电路走线被压缩到了毫米级。\n电信号刚出芯片，一瞬间就被转换成光脉冲，顺着光纤直接发射出去。\n带来的改变非常直接。\n整套系统用五千五百个集成的 Hi-ONE 光引擎，完全替代了过去所需的四万八千个传统 800G 光模块。\n光是这一项改动，就为互联系统省下了超过 550 千瓦的功耗。\n更关键的是可靠性。\n几万个高故障率的可插拔接头消失了，整个超节点系统的可用度提升到了 99.8%。\n\n光有高速的光缆还不够，四千张芯片怎么才能像单台电脑那样顺畅调度？\n这就需要底层协议来配合了。\n华为拿出了自研的灵衢统一互联总线，英文叫 UnifiedBus。\n以往的机房里，不同服务器访问彼此的内存，需要跨越繁琐的网络协议层层封装与中转。\n而在灵衢总线的架构下，四千多颗处理器、大容量的高带宽内存和固态硬盘，被整合成了一套统一的内存编址空间。\n整整 1 PB 的高带宽内存被完全打通，芯片跨节点读取数据就像在本地读写一样顺畅。\n在更长远的规划里，华为甚至公布了包含 15488 颗处理器的 Atlas 960 超节点蓝图。\n那套系统规划了 34 PB/s 的互联带宽和 4460 TB 的庞大内存，目标直指十万亿参数的大模型训练。\n按照汪涛公布的节奏，用于训练的昇腾 960DT 提前到了 2027 年一季度发布，用于推理的 960PR 紧随其后。\n未来两年，还将按每年一代的节奏推出昇腾 970 和 980。\n\n他在演讲中还提出了一个概念：陶（τ）缩放定律。\n这套说法的逻辑很明确：既然在物理晶体管几何尺寸上很难继续缩小，那就通过架构创新、降低时延和能效优化，在时空尺度上换取性能翻倍。\n把这个技术词汇翻译成人话，意思其实非常清楚：\n依赖单个晶体管变小变快的传统摩尔定律，在外部管控下已经很难走通了。\n未来的破局路径，必须全面转向系统工程。\n单张芯片工艺受限，就靠自研总线打通内存；\n机柜连线功耗爆炸，就靠近封装光学强行压缩通信损耗。\n\n那么，这套庞大的系统工程，真的能直接反超英伟达吗？\n如果冷静地看，前方的工程挑战依然严峻。\n英伟达手里捏着台积电成熟的先进工艺，拥有极高的单卡计算效率；\n它背后的 NVLink 铜缆背板和全球数百万开发者构筑的 CUDA 软件生态，更是一道极难逾越的护城河。\n把一万五千颗芯片连成一个集群，设计蓝图是一回事，在现实中稳定跑起来是完全不同的另一回事。\n近封装光学的制造良率极难把控，只要一颗光引擎在封装时出现微小瑕疵，整块昂贵的主板可能就要报废。\n几千颗高功耗处理器密密麻麻挤在一起，液冷散热系统的任何一次微小渗漏，都会带来灾难性的后果。\n更不用说数万颗芯片协同训练时，底层编译器如果无法完美平衡任务分配，海量算力依然会在互相等待中白白流失。\n\n但这件事展现出了一种极其真实的工程韧性。\n当最顺手的工艺升级路线被切断时，工程师们没有停留在口头争论上。\n他们选择把现有的物理条件压榨到极限。\n既然单张芯片做不到最小，他们就去解决四万八千个接头的发热与损坏；\n既然无法获得最先进的光刻机，他们就用光学与先进互联把整个机房拼接成一颗巨大的超级芯片。\n算力竞赛的真正战线，早已从微米级的晶圆表面，蔓延到了挤满光纤与冷却液的机柜内部。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2102276138399613331","translated_status_id":"2102276138399613331","published_at":"2026-09-22 06:17:41","created_at":"2026-09-22T06:17:41.282847","url":"https://mubeitech.com/p/raw_da9282e1e02b3197","markdown_url":"https://mubeitech.com/p/raw_da9282e1e02b3197/markdown"},{"rank":2,"id":"mb-20260831-98330a","account":"mubei","brand":"","title":"一家做大模型的软件公司，用 16 个月做出来的一块自研芯片，在推理能效上把 Nvidia 最强的 Blackwell 超","summary":"一家做大模型的软件公司，用 16 个月做出来的一块自研芯片，在推理能效上把 Nvidia 最强的 Blackwell 超","body":"一家做大模型的软件公司，用 16 个月做出来的一块自研芯片，在推理能效上把 Nvidia 最强的 Blackwell 超了。\n过去十年，整个算力工业都把黄仁勋的 CUDA 生态当成不可撼动的物理定律。\n硬件架构容易画，但数以万计由顶尖工程师手写的底层算子库，能把所有挑战者活活耗死。\n没有任何一家芯片初创公司能活着跨过这条软件护城河。\n为什么 OpenAI 第一次下场造芯，就能在推理吞吐和能效上跑出将近两倍的优势？\n答案不在半导体制程，在一台被掩盖了十年的隐形机器：通用算力税与软件自举。\nNvidia 的 GPU 是一台什么都能算的通用机器。\n它要兼顾大模型训练、图形渲染、科学仿真、双精度浮点、光线追踪，还要兼容上百万种不同的历史算法。\n为了照顾这种通用性，芯片上大比例的硅片面积、控制逻辑和功耗，都在为那些你永远用不上的功能待命。\n但今天 AI 商业的核心战线，已经彻底从训练转向了推理。\n推理是一道纯粹的物理题。\n模型架构是固定的，矩阵乘法的尺寸是确定的，注意力机制的数据流是透明的。\n在推理的世界里，决定运营成本的不看纸面算力，看每焦耳能量能吐出多少个字符。\n当你在通用显卡上跑推理，买下的每一个核心，都在替那些闲置的通用电路交税。\nOpenAI 找博通合作自研的这块芯片，代号 Jalapeño，从第一天起就做了一件事：把通用包袱全部砍光。\n700 瓦功耗，单包封装塞进 15.4 TB/s 显存带宽的 HBM4，只保留专为大模型定制的矩阵引擎和权重静态脉动阵列。\n在 SemiAnalysis 的基准测试里，它的每瓦吞吐量做到了 Blackwell 的 1.5 到 1.9 倍，端到端延迟降低了数倍。\n如果只是在硬件上做减法，过去无数 ASIC 芯片公司也尝试过，全都撞得粉身碎骨。\n因为它们撞上了一堵无法逾越的高墙：底层软件库。\n想让一块新芯片跑出极致性能，需要数百名顶尖工程师花几年时间，一行一行手写汇编级内核。\nOpenAI 拆掉这堵高墙，靠的是两样核心工具。\n第一样叫 Triton 和 Gluon。\n他们自己搭建了编译器，用代数规则直接把张量映射到芯片寄存器，彻底绕开了 Nvidia 的闭源底层库。\n第二样更致命：让 AI 自己写驱动。\nOpenAI 直接调用内部的 Codex 模型，去生成并调优成千上万行繁重复杂、精细到寄存器的底层汇编算子。\n人类工程师需要耗费数月攻坚的代码调优，大模型在几天之内就能遍历出最优解。\n从 2024 年年中组建团队，到 2025 年 11 月流片，整个开发周期只用了 16 个月。\n真正瓦解旧垄断的，往往不是更先进的光刻机。\n是当你的业务规模大到可以直接定制硬件，同时用自己的软件编译器和 AI 工具链，抹平所有生态迁移成本。\n当制造顶级芯片的门槛，从数百名硬件专家的手艺沉淀，变成编译器加模型自举，旧霸主的护城河还能守住多久？","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-31 10:58:52","created_at":"2026-08-31 10:58:52","url":"https://mubeitech.com/p/mb-20260831-98330a","markdown_url":"https://mubeitech.com/p/mb-20260831-98330a/markdown"},{"rank":3,"id":"2090932881119981686","account":"mubei","brand":"@mubei","title":"十年前，把两张显卡连起来跑模型，就算巨大的技术突破。 现在呢？ xAI 联合创始人吉米·巴（Jimmy Ba）透露了一个…","summary":"十年前，把两张显卡连起来跑模型，就算巨大的技术突破。 现在呢？ xAI 联合创始人吉米·巴（Jimmy Ba）透露了一个关键细节。 他们内部每个工程师手里，正同时跑着 10 到 20 个 AI 代码代理。 软件工程的最小单位，正在发生质变。 以前写代码，基本单位是“一个人”。 一…","body":"十年前，把两张显卡连起来跑模型，就算巨大的技术突破。\n现在呢？\nxAI 联合创始人吉米·巴（Jimmy Ba）透露了一个关键细节。\n他们内部每个工程师手里，正同时跑着 10 到 20 个 AI 代码代理。\n\n软件工程的最小单位，正在发生质变。\n以前写代码，基本单位是“一个人”。\n一个人对着一块屏幕，一行一行手敲。\n吉米·巴称，现在 xAI 有 90% 的工程师都在使用 AI 代理循环。\n这让他们的日常开发交付速度直接提升了 10 倍。\n\n十多年前，他跟着机器学习先驱辛顿做研究。\n熬一整个夏天写底层算子，只为了把模型塞进单张显卡里跑起来。\n后来成功把两张显卡连通，就成了轰动行业的技术跃迁。\n而今天，xAI 已经在用 11 万张英伟达 GB200 芯片协同训练下一代模型。\n\n但比算力膨胀更剧烈的，是人机协作方式的颠覆。\n按照吉米·巴的说法，日常琐碎的开发流程已经全部自动化。\n工程师不再是单兵作战的码农，而是同时指挥 10 到 20 个代码代理的现场调度官。\n软件工程的核心能力，变成了如何驾驭一支 AI 代理军团。\n\n既然算法和数据优化让模型效率提升了 10 倍，为什么还要疯狂堆 11 万张顶级芯片？\n吉米·巴给出的答案很直接。\n既然能做出聪明 10 倍的模型，为什么不去做？\n人类组织超过三层汇报就会产生严重的信息损耗，但指挥一组代理不会。\n软件工程的度量衡，彻底从“手写代码”变成了“调度代理”。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2091260490403983806","translated_status_id":"2091260490403983806","published_at":"2026-08-22 11:23:43","created_at":"2026-08-22T12:56:55+02:00","url":"https://mubeitech.com/p/2090932881119981686","markdown_url":"https://mubeitech.com/p/2090932881119981686/markdown"},{"rank":4,"id":"raw_15664e857d3b36ee","account":"mubei","brand":"@mubei","title":"Anthropic 一家做大模型的软件公司，正在把 15 个吉瓦（GW）的算力直接压给博通的专用芯片。 15 个吉瓦是什…","summary":"Anthropic 一家做大模型的软件公司，正在把 15 个吉瓦（GW）的算力直接压给博通的专用芯片。 15 个吉瓦是什么概念？ 相当于 15 座大型核电站机组的满负荷输出，或者整座纽约市在用电高峰时的全部电力负荷。 这家原本给谷歌和亚马逊做模型的软件实验室，2027 年要部署…","body":"Anthropic 一家做大模型的软件公司，正在把 15 个吉瓦（GW）的算力直接压给博通的专用芯片。\n15 个吉瓦是什么概念？\n相当于 15 座大型核电站机组的满负荷输出，或者整座纽约市在用电高峰时的全部电力负荷。\n这家原本给谷歌和亚马逊做模型的软件实验室，2027 年要部署 5 个吉瓦的 TPU v8i，2028 年还要再追加 10 个吉瓦。\n它将一举超过谷歌，变成博通全球最大的定制芯片客户。\n另一边的 OpenAI 也在干同一件事。\nOpenAI 自研的第一代推理专用芯片 Jalapeño 刚刚开始量产出货，2027 年要部署 1.3 个吉瓦，2028 年目标直接拉到 5 个吉瓦以上。\n华尔街大部分人还在盯着英伟达卖了多少张通用显卡。\n为什么两家最顶尖的模型公司，算力规模一旦冲到吉瓦级别，都不约而同绕开了英伟达？\n答案藏在半导体物理与电网配电的一条硬约束里：定制硅分流。\n算力扩张到了吉瓦这个量级，真正的瓶颈早就不是买芯片的预算，是变电站的审批和电网的物理承载力。\n电力成了限制智能扩张的硬天花板。\n英伟达的通用显卡为了兼顾各种科学计算、图形渲染和前沿算法探索，芯片上留了大量冗余电路、复杂的通用调度模块和高精度计算单元。\n这些通用设计，每分每秒都在耗电。\n但当模型架构在工业级推理场景下固定下来，每天要处理几十亿次请求时，那些为了通用性保留的电路就变成了纯粹的电力浪费。\n专用芯片做的事情，是把所有多余的电路全部砍掉。\n它把模型最核心的矩阵乘法和数据传输通道直接固化在硅片上。\n在固定的电力预算下，专用芯片的能效比可以达到通用显卡的 2 到 3 倍。\n同样是一座 5 吉瓦的数据中心，用专用芯片能跑出来的推理吞吐量，能翻上一倍到两倍。\n省下几十亿美元电费只是附带结果，更关键的是直接突破了电网给每个数据中心划定的功率死线。\n很多人会问：既然是自研芯片，为什么它们都要找博通？\n因为把数十万颗芯片连在一起，算力只占一半，另一半全在高速互联。\n芯片算得再快，数据如果卡在传输通道上，芯片就会在空转中白白烧电。\n博通手里握着全球顶级的 SerDes 高速接口技术、Tomahawk 交换机芯片和先进封装连接专利。\n模型公司负责出算法架构，博通负责把这些计算核心用极低延迟的高速通道绑成一个庞大的算力集群。\n这条路径让模型公司同时甩掉了两道枷锁：一道是第三方通用芯片 70% 以上的毛利溢价，另一道是公有云厂商层层加价的租赁成本。\n算力竞赛的底层规则已经变了。\n探索期买通用显卡找方向，规模化部署就必须走专用芯片抢电网。\n未来的顶级人工智能竞争，不看谁囤了更多显卡。\n看谁能把变电站输进来的每一瓦电力，以最高的效率换成智能。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2095429617913930059","translated_status_id":"2095429617913930059","published_at":"2026-09-03 10:27:47","created_at":"2026-09-03T10:27:47.421982","url":"https://mubeitech.com/p/raw_15664e857d3b36ee","markdown_url":"https://mubeitech.com/p/raw_15664e857d3b36ee/markdown"},{"rank":5,"id":"16965160","account":"mubei","brand":"@mubei","title":"OpenAI 自己造的芯片，把英伟达打懵了。 功耗只有英伟达旗舰的一半，极限能效却拉出了上百倍差距。 这是 OpenAI…","summary":"OpenAI 自己造的芯片，把英伟达打懵了。 功耗只有英伟达旗舰的一半，极限能效却拉出了上百倍差距。 这是 OpenAI 首次公布自研推理芯片 Jalapeño 的实测战绩。 对比的对象不是老架构，而是英伟达当家旗舰 GB200 与 GB300。 两边差距有多夸张？ 单看功耗，J…","body":"OpenAI 自己造的芯片，把英伟达打懵了。\n\n功耗只有英伟达旗舰的一半，极限能效却拉出了上百倍差距。\n这是 OpenAI 首次公布自研推理芯片 Jalapeño 的实测战绩。\n对比的对象不是老架构，而是英伟达当家旗舰 GB200 与 GB300。\n\n两边差距有多夸张？\n单看功耗，Jalapeño 封装功耗 700 瓦，GB300 则是 1400 瓦。\n刚一通电，功耗先砍掉一半。\n\n再看跑大模型的真实能效。\n跑 6700 亿参数的 DeepSeek R1，在普通峰值下，Jalapeño 每千瓦吞吐是 GB300 的 1.7 倍。\n可一旦把用户需要的生成速度拉高，差距瞬间拉开。\n当速度要求达到每秒 169 个词时，GB300 的能效跌到 118，Jalapeño 依然能跑出 12258。\n能效整整差了 104 倍！\n\n跑开源的 120B 模型也是一样。\n高交互速度下，Jalapeño 的能效是 GB200 的 53.7 倍。\n跑万亿参数的 Kimi K2.5，端到端延迟降低了 2.2 倍，生成速度一路顶到每秒近 700 词。\n\n为什么全能的通用 GPU 会被拉开这么大距离？\n英伟达要兼顾训练和各类通用计算，芯片上堆了大量通用冗余。\nOpenAI 的专用芯片只干一件事：把所有晶体管和供电，死死焊在推理访存和生成上。\n\n大模型规模化落地，核心死穴就是每瓦功耗和电费成本。\n自研定制芯片把特定模型的推理能效拉高上百倍，直接砸穿了成本底线。\n英伟达靠通用 GPU 垄断推理市场的格局，正在被巨头们亲手撕开。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2092404347732660632","translated_status_id":"2092404347732660632","published_at":"2026-08-25 22:39:59","created_at":"2026-08-26T00:19:05+02:00","url":"https://mubeitech.com/p/16965160","markdown_url":"https://mubeitech.com/p/16965160/markdown"},{"rank":6,"id":"2044468295957635392","account":"mubei","brand":"@mubei","title":"全球最强的三个AI大模型，有两个已经不用英伟达的芯片了。 Claude和Gemini的底层算力，全跑在谷歌的TPU上。…","summary":"全球最强的三个AI大模型，有两个已经不用英伟达的芯片了。 Claude和Gemini的底层算力，全跑在谷歌的TPU上。 英伟达的铁王座要塌？ 面对当面质疑，黄仁勋的回应狂到了极点。 “我不介意别人去试其他芯片。” “如果不去试，他们怎么会知道英伟达有多好？” 硬核的对决从来都靠数…","body":"全球最强的三个AI大模型，有两个已经不用英伟达的芯片了。\nClaude和Gemini的底层算力，全跑在谷歌的TPU上。\n\n英伟达的铁王座要塌？\n\n面对当面质疑，黄仁勋的回应狂到了极点。\n“我不介意别人去试其他芯片。”\n“如果不去试，他们怎么会知道英伟达有多好？”\n\n硬核的对决从来都靠数据说话。\n黄仁勋直接甩出战书。\n针对推理成本的基准测试工具全网开源。\n结果非常尴尬。\n谷歌的TPU不敢来跑分。\n亚马逊的Trainium不敢接战。\n对手在宣发时动辄吹嘘几十倍的性能优势。\n真到了比拼总体拥有成本（TCO）的公开场子，连个人影都看不见。\n\n近日Anthropic签下了博通和谷歌的巨额算力大单。\n外界惊呼大模型公司要摆脱英伟达的控制了。\n老黄直接泼下一盆冷水。\nAnthropic的转向是一个彻头彻尾的孤例。\n除开这单一客户，TPU和Trainium的市占率增长约等于零。\n连整天谋划自研芯片的OpenAI，基本盘依然被英伟达死死捏在手里。\n\n半导体行业最不缺的就是豪言壮语。\n每年都有无数个声称要推翻英伟达的项目胎死腹中。\n自研一款专用的ASIC芯片很容易。\n难的是性能真能打。\n最绝望的是挑战者面对着一家每年都在进行跨越式迭代的庞然大物。\n\n只要英伟达自己不犯下致命失误，现有的护城河根本跨不过去。\n算力霸权之争没有捷径。\n所有的颠覆者最后都得乖乖站到公开测试场上交答卷。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2044531593625178206","translated_status_id":"2044531593625178206","published_at":"2026-04-15 21:40:57","created_at":"2026-04-15T23:07:43.445918","url":"https://mubeitech.com/p/2044468295957635392","markdown_url":"https://mubeitech.com/p/2044468295957635392/markdown"}]}