{"source":{"id":"2057958877694677258","title":"剥开目前世界上最主导的两种AI芯片。 GPU的本质，其实是一堆微缩版TPU的集合。 来看看顶级芯片架构师眼里它们到底差在…","url":"https://mubeitech.com/p/2057958877694677258"},"method":"semantic-similarity","count":4,"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":"2043052190982639797","account":"mubei","brand":"@mubei","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…","summary":"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。 最终产出的功耗和延迟数据，直接盖过人类工程师的图纸。 这家公司把过去三十年历代GPU的底层源码和绝密文档全盘喂给AI。 练出了一个专供内部的超级大脑ChipNeMo。 新手遇到…","body":"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。\n现在单张GPU跑一夜就能搞定。\n最终产出的功耗和延迟数据，直接盖过人类工程师的图纸。\n\n这家公司把过去三十年历代GPU的底层源码和绝密文档全盘喂给AI。\n练出了一个专供内部的超级大脑ChipNeMo。\n新手遇到不懂的底层原理直接找大模型连环追问。\n资深老手彻底从基础答疑里解放出来。\n连抓Bug、分析错误源头、给具体模块指派责任人的活，全由AI一手包办。\n\n进位先行链是一个从上世纪五十年代就被反复研究的底层难题。\n英伟达让强化学习程序像打街机游戏一样疯狂试错。\n它只要勉强满足时序底线，就把体积和功耗往死里压。\n最终系统吐出的架构图纸诡异至极。\n人类设计师根本画不出那种走线。\n测试台上的硬性指标硬生生比人工精调的方案高出30%。\n\n如今英伟达内部的AI群体已经在接管新架构的参数探索。\n首席科学家Bill Dally描绘了硬件制造的终局。\n开局甩给系统一句指令：去把下一代GPU设计出来。\n人类工程师直接去度假滑雪。\n几天后回来，拿着跑完验证流程的完美图纸找台积电流片。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2043630500820984119","translated_status_id":"2043630500820984119","published_at":"2026-04-13 09:10:37","created_at":"2026-04-13T10:24:46.914463","url":"https://mubeitech.com/p/2043052190982639797","markdown_url":"https://mubeitech.com/p/2043052190982639797/markdown"},{"rank":3,"id":"raw_4a5df096b9f3d795","account":"mubei","brand":"@mubei","title":"Broadcom 刚交出了一份惊人的成绩单：单季 AI 芯片收入飙升到 167 亿美元。 但真正震动硅谷的，是财报里披露…","summary":"Broadcom 刚交出了一份惊人的成绩单：单季 AI 芯片收入飙升到 167 亿美元。 但真正震动硅谷的，是财报里披露的一连串客户名字与交付进度。 OpenAI 的第一代自研芯片 Jalapeño 已经在三季度开始出货。 Google 的新一代 TPU v8i 开始量产交付。…","body":"Broadcom 刚交出了一份惊人的成绩单：单季 AI 芯片收入飙升到 167 亿美元。\n但真正震动硅谷的，是财报里披露的一连串客户名字与交付进度。\nOpenAI 的第一代自研芯片 Jalapeño 已经在三季度开始出货。\nGoogle 的新一代 TPU v8i 开始量产交付。\nAnthropic 锁定了吉瓦级别的专用算力。\n它即将在 2027 年成为 Broadcom 最大的自研芯片客户。\n这几家在全球大模型竞赛里打得最凶的对手，正在做同一件事：\n集体把推理任务，从通用的 GPU 搬到定制的专用芯片上。\n为什么连最缺算力的头部实验室，都不再只买 NVIDIA 的显卡？\n是旗舰显卡算得不够快，还是底层的经济账已经彻底变了？\n把这笔账算到底，会看到一台支配着整个算力世界的冰冷机器。\n通用计算税。\n通用的图形处理器是按全能标准设计的。\n为了应付图形渲染和各种复杂的算法分支，\n芯片里塞满了调度单元与冗余电路。\n在模型训练阶段，算法天天改，代码随时变。\n这种万能的灵活性是必需品。\n可一旦模型训练完成，进入全天候的推理服务，情况就彻底变了。\n大模型推理做的事情高度固定：\n海量的矩阵乘法，加上高带宽的数据搬运。\n在通用 GPU 上跑推理，就像雇了一整支交响乐团，天天在路口吹哨指挥交通。\n那些用不上的庞大电路依然占着昂贵的晶圆面积，每一毫秒都在空耗电费。\n这就是通用计算税：\n你为用不上的万能灵活性，付出了几倍的硬件溢价与电力成本。\n当算力规模还在几千张卡的时候，没人计较这点损耗。\n但当部署规模冲到吉瓦级别，电力成了整个数据中心最硬的物理天花板。\nOpenAI 规划在 2027 年部署 1.3 吉瓦的 Jalapeño。\n到 2028 年，这个数字要扩张到 5 吉瓦以上。\nAnthropic 给出的规划更激进：2028 年要部署 10 吉瓦的专用算力。\n在吉瓦级的电网约束面前，算力的较量不再是谁能堆出多高的理论峰值。\n核心指标只剩下一个：每一瓦电力，到底能产出多少个标记。\n把所有无关的电路全部剥离，只留下最贴合模型结构的计算核与高带宽互联。\n这就是 Broadcom 这类芯片设计伙伴搭建的专用机器。\n它不负责通用世界里的所有可能性。\n它只负责用最低的功耗和成本，把模型推向几亿用户的终端。\nAI 行业过去信奉一套军备竞赛叙事，以为护城河全在通用的软硬件生态里。\n可当技术从实验室走向工业化量产，\n通用的全能，往往会变成最沉重的商业负担。\n万能的工具适合探索边界。\n但当工业化降临，胜负只取决于谁能把每一度电的浪费剥离到极限。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2095443533926637941","translated_status_id":"2095443533926637941","published_at":"2026-09-03 10:27:49","created_at":"2026-09-03T10:27:49.460930","url":"https://mubeitech.com/p/raw_4a5df096b9f3d795","markdown_url":"https://mubeitech.com/p/raw_4a5df096b9f3d795/markdown"},{"rank":4,"id":"2029936664429183319","account":"mubei","brand":"@mubei","title":"几千亿美元砸进硅谷，只为了抢 GPU。 这些天价显卡 99% 的时间和电费，到底耗在了哪里？ 算矩阵乘法。 说白了就是把…","summary":"几千亿美元砸进硅谷，只为了抢 GPU。 这些天价显卡 99% 的时间和电费，到底耗在了哪里？ 算矩阵乘法。 说白了就是把一堆数字排成方阵，然后互相乘。 这就是现代 AI 神经网络的全部底座。 现在的解法极其暴力。 普通的电脑 CPU 顶多 16 到 32 个核心。 GPU 直接塞…","body":"几千亿美元砸进硅谷，只为了抢 GPU。\n这些天价显卡 99% 的时间和电费，到底耗在了哪里？\n\n算矩阵乘法。\n说白了就是把一堆数字排成方阵，然后互相乘。\n这就是现代 AI 神经网络的全部底座。\n\n现在的解法极其暴力。\n普通的电脑 CPU 顶多 16 到 32 个核心。\nGPU 直接塞进去成千上万个算力单元。\n\n单拎出来比，GPU 的单个核心根本跑不过 CPU。\n它完全是靠人海战术，用极度密集的并行计算把整体速度堆上去。\n但这套用电信号硬算的模式，越来越吃力。\n\n华尔街最近盯上了一个新东西。\n光子计算。\n\n与其用电流在硅片里苦苦排队，不如直接用光学硬件来跑算法。\nAI 硬件的下一次大洗牌，才刚刚起步。","category":"其它","score":100,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-05-05 05:25:30","created_at":"2026-05-05T07:24:27.543138","url":"https://mubeitech.com/p/2029936664429183319","markdown_url":"https://mubeitech.com/p/2029936664429183319/markdown"}]}