{"source":{"id":"2069877348653023627","title":"搞 AI，所有人都在盯着 NVIDIA 的 GPU。 你抢 H100，我抢 B200，好像只要拿到显卡，就能买到通往未来…","url":"https://mubeitech.com/p/2069877348653023627"},"method":"semantic-similarity","count":4,"items":[{"rank":1,"id":"rp_bb69fec92b61a8e1","account":"mubei","brand":"@mubei","title":"到 2026 年，光是卖内存的钱，就要超过 2025 年全世界所有芯片的总和。 2025 年全球半导体行业的总盘子，是…","summary":"到 2026 年，光是卖内存的钱，就要超过 2025 年全世界所有芯片的总和。 2025 年全球半导体行业的总盘子，是 8090 亿美元。 到了 2026 年，单是存储芯片这一项，预测收入就飙到了 8373 亿美元。 占了整个半导体行业的一半以上。 这是权威研究机构 Gartne…","body":"到 2026 年，光是卖内存的钱，就要超过 2025 年全世界所有芯片的总和。\n\n2025 年全球半导体行业的总盘子，是 8090 亿美元。\n到了 2026 年，单是存储芯片这一项，预测收入就飙到了 8373 亿美元。\n占了整个半导体行业的一半以上。\n这是权威研究机构 Gartner 刚拿出来的预测账本。\n一个过去在装机单里当配角的零件，凭什么一年之内比整个行业过去的总盘子还要大？\n\n这还不是最激进的数字。\n野村证券的模型算得更疯狂：到 2030 年，全球存储芯片市场会膨胀到 3.675 万亿美元。\n比起 2024 年的 1850 亿，六年翻了将近二十倍。\n\n很多人第一反应是：这又是哪家投行在凭空画饼？\n现在的智能手机出货量明明在放缓，笔记本电脑也没几个人年年换新。\n\n但就是怪事已经发生了，不是预测，是账单。\n八月份，全球笔记本电脑销量持续疲软，普通电脑内存的价格却逆势大涨 24%，直接创下历史新高。\n买电脑的人明明变少了，内存条怎么反而贵上天了？\n\n因为芯片工厂的流水线上，正在发生一场残酷的硅片大抢劫。\n源头就焊在人工智能显卡的旁边：高带宽内存 HBM。\n\n为了跑动上千亿参数的大语言模型，处理器的算力越来越高，普通内存的数据吞吐根本跟不上。\n这就是卡死整个算力世界的内存墙。\n怎么打破这个瓶颈？\n芯片厂只能把平房推倒，在硅片上盖摩天大楼。\n把八层、十二层甚至十六层内存芯片像千层饼一样垂直叠在一起，打穿几万个微米级的垂直导孔，直接焊在计算核心周围。\n数据传输速度确实飙上去了。\n但工厂里的制造账本彻底被掀翻了。\n\n生产同样容量的高带宽内存，消耗的晶圆面积，是普通电脑内存的整整三倍。\n而且由于多层芯片立体堆叠，只要其中一层存在微观瑕疵，整颗芯片立刻报废。\n报废掉的那些晶圆，同样是从产能里扣的。\n\n全世界顶级晶圆厂的无尘超净间就那么多，先进光刻机就那么多。\n建一座合格的晶圆厂，少说要花两到三年、砸进上百亿美元。\n面对高带宽内存好几倍的暴利，三星、SK海力士和美光能怎么选？\n把原本生产普通电脑、手机内存的产线一条条停下来，改切高带宽内存。\n\n每做出一份容量的高带宽内存，市场上就要凭空蒸发掉三份容量的普通内存。\n这就是半导体工业里最致命的晶圆挤压。\n\n这种抽血有多猛？\n2024 年，人工智能数据中心消耗的内存还微乎其微。\n到了 2026 年，这一个窟窿就要吞掉 1500 亿美元的内存。\n到了 2027 年蹿升到 3900 亿，到了 2030 年更会膨胀到 1.57 万亿美元。\n高带宽内存的出口单价史上第一次冲破 70 美元，现货市场的抢购价格甚至被炒到长期合约的四到五倍。\n\n哪怕你从来不碰人工智能，只想买台普通的笔记本办公，你也逃不掉这笔账。\n因为原本给你做内存的产线，早被数据中心抢去当劳工了。\n\n过去几十年，存储芯片被称为半导体行业里的周期之王。\n赚两年，亏三年，一扩产就价格雪崩，一降价才勉强出清。\n但这一次，几十年的旧经验被物理结构强行砸碎了。\n高带宽内存不再是一个普通的配件，它变成了一台吞吃全球晶圆产能的机器。\n只要大模型的推理和智能体集群还在往上堆，这台机器就不会停。\n\n当所有人都在盯着英伟达卖了多少张显卡、台积电抢了多少先进制程的时候，真正卡住所有巨头喉咙的，是这几块立体堆叠的薄硅片。\n它在暗处，把全球硅片产能吃干抹净。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2097794699968885215","translated_status_id":"2097794699968885215","published_at":"2026-09-09 21:06:49","created_at":"2026-09-09T21:06:49.253701","url":"https://mubeitech.com/p/rp_bb69fec92b61a8e1","markdown_url":"https://mubeitech.com/p/rp_bb69fec92b61a8e1/markdown"},{"rank":2,"id":"raw_4d3d95dcad8e466a","account":"mubei","brand":"@mubei","title":"所有人都在盯着 3 纳米、2 纳米的光刻机和芯片禁运。 媒体每天都在争论谁造出了算力最强的新一代芯片。 但决定下一阶段…","summary":"所有人都在盯着 3 纳米、2 纳米的光刻机和芯片禁运。 媒体每天都在争论谁造出了算力最强的新一代芯片。 但决定下一阶段 AI 竞赛胜负的，可能根本不在晶圆厂里。 而在变电站的开关上。 纳米很重要。 但吉瓦正在变得更致命。 买下一万张顶配芯片，插上电就能立刻运转吗？ 如果电网连不上…","body":"所有人都在盯着 3 纳米、2 纳米的光刻机和芯片禁运。\n媒体每天都在争论谁造出了算力最强的新一代芯片。\n但决定下一阶段 AI 竞赛胜负的，可能根本不在晶圆厂里。\n而在变电站的开关上。\n纳米很重要。\n但吉瓦正在变得更致命。\n买下一万张顶配芯片，插上电就能立刻运转吗？\n如果电网连不上，再先进的芯片，也只是一堆通不上电的冷硅片。\n这台卡住整个产业的物理机器，叫基础设施耦合时滞。\n经济史学家保罗·大卫（Paul David）在 1990 年写过一篇经典论文。\n题目叫《发电机与计算机》。\n1880 年代，高效电动机就已经发明出来了。\n可在此后整整四十年里，全美工厂的生产率几乎没有任何跃升。\n为什么？\n因为光有更快的电动机没用。\n工厂必须把沿用百年的蒸汽动力主轴彻底拆掉。\n重新围绕分布式电网改造车间、流程和制度。\n从一项突破性技术诞生，到它真正嵌入整个文明的生产体系。\n中间隔着一整个基础设施的重构周期。\n今天的 AI 正在撞上同一堵高墙。\n芯片制程每十八个月就迭代一代。\n而变电站、高压输电线路和发电厂的建设，是以五年甚至十年为周期计算的。\n看看劳伦斯伯克利国家实验室（Lawrence Berkeley National Laboratory）公布的最新排队数据。\n全美正在排队申请接入电网的发电与储能项目，总容量已经超过 2061 吉瓦（GW）。\n一个项目从递交并网申请到真正通电投产。\n平均等待时间已经从 2008 年的 22 个月，一路飙升到 2025 年的 61 个月。\n整整五年零一个月。\n在 2000 年到 2020 年间递交申请的所有项目中，到 2025 年底真正通电落地的，只有区区 13%。\n麦肯锡预测，到 2030 年，仅美国数据中心的电力需求就要从 30 吉瓦暴涨到 90 吉瓦以上。\n国际能源署测算，全球数据中心的用电量将从 2024 年的 415 太瓦时翻倍到 945 太瓦时。\n一边是算力需求的垂直起飞。\n一边是审批流程与电网扩容的漫长泥潭。\n北京正是看准了这道物理缝隙。\n宣布投入约 2 万亿人民币建设全国算力一张网。\n试图靠自上而下的行政指令调配电网，在芯片受限的情况下抢先完成基建铺设。\n但行政指令能凭空造出生产力吗？\n算力不是水泥和沥青。\n如果没有前沿的模型突破、没有自由竞争的市场生态、没有真实的商业应用落地。\n强行堆出来的兆瓦数，只会变成空置机房和昂贵的电力黑洞。\n光刻机划定了单点技术的上限。\n电网容量与制度摩擦，决定了技术落地的广度。\n当所有人还在为几张芯片的出口管制争论不休时。\n真正决定未来走向的较量，早就在审批窗口与电网变电站前打响了。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2095985226887381500","translated_status_id":"2095985226887381500","published_at":"2026-09-04 22:54:42","created_at":"2026-09-04T22:54:42.022435","url":"https://mubeitech.com/p/raw_4d3d95dcad8e466a","markdown_url":"https://mubeitech.com/p/raw_4d3d95dcad8e466a/markdown"},{"rank":3,"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":4,"id":"raw_9593494ecccdfa96","account":"mubei","brand":"@mubei","title":"给一台人形机器人配 128 GB 的大显存， 里面有 118 GB 都是花高价买来的摆设。 只要机器人想在现实世界里实时…","summary":"给一台人形机器人配 128 GB 的大显存， 里面有 118 GB 都是花高价买来的摆设。 只要机器人想在现实世界里实时保持平衡， 它身上的控制模型，最多只能用到 10 GB。 谁要是把这 128 GB 显存全部塞满， 机器人迈出一步就得在原地卡顿半秒，当场摔倒。 这笔反常识的物…","body":"给一台人形机器人配 128 GB 的大显存，\n里面有 118 GB 都是花高价买来的摆设。\n只要机器人想在现实世界里实时保持平衡，\n它身上的控制模型，最多只能用到 10 GB。\n谁要是把这 128 GB 显存全部塞满，\n机器人迈出一步就得在原地卡顿半秒，当场摔倒。\n\n这笔反常识的物理账，\n被传奇程序员约翰·卡马克直接摆上了台面。\n英伟达面向人形机器人推出的旗舰芯片 Jetson Thor，配了整整 128 GB 内存。\n但这颗芯片的内存带宽，每秒只有 273 GB。\n很多人挑选硬件习惯先看容量，\n却忽略了一个最底层的物理常识：\n容量只决定你能装进多少参数，\n带宽才决定你能以多快的速度把参数读进计算核心。\n\n人在现实世界里活动，\n需要机器人的大脑以多快的频率做决策？\n至少要达到每秒 20 到 30 次，也就是接近 30 帧的控制频率。\n每一次感知到动作的闭环延迟，必须压在 33 毫秒以内。\n一旦反应速度慢过这个时间，\n地面稍微出现一块凸起的石头，\n在身体还没来得及调整脚踝扭矩之前，\n整台几十公斤重的金属骨架就已经砸在水泥地上了。\n\n那机器人能不能像云端大模型那样，\n把几十个用户的请求攒在一起批量处理？\n完全不能。\n机房里的服务器可以靠大批次推理，\n让成百上千个提问共享同一遍模型读取，把带宽压力分摊掉。\n但现实中的机器人只有一具肉身。\n它的双目摄像头和关节传感器送进来的信号，永远是单样本输入。\n这种实时控制属于严格的单批次推理。\n机器人每做出一次动作决策，\n芯片就必须把整个模型的权重参数，顺着内存通道完整地搬运进计算核心一遍。\n\n把两个硬指标放在一起算一笔账：\n芯片每秒最多只能搬运 273 GB 数据。\n如果要满足每秒 27 到 30 次的动作推演，\n留给每次推演搬运的模型数据上限是多少？\n273 除以 27，结果刚好是 10 GB。\n哪怕把频率降低到勉强能维持防跌倒的 20 帧，\n能调用的模型权重极限，也只有 13 GB。\n这是一道由物理电路锁死的算术铁壁。\n没有任何提示词工程或代码魔改能逾越过去。\n\n如果开发者完全照着宣传买单，\n真给机器人灌进去一个 70 GB 的具身大模型，会发生什么？\n在这根每秒 273 GB 的数据吸管里，\n光是把这 70 GB 的参数完整读进计算单元，\n就要耗去整整 256 毫秒。\n机器人的反应频率会瞬间跌破每秒 4 次。\n就如同一个人在悬崖边单腿站立，\n眼睛明明看见重心已经偏了，\n肢体神经却要等上四分之一秒才开始发力。\n在动态运动控制里，这种延迟只会带来彻底的机体失稳。\n\n既然实时控制只能吃下 10 GB 权重，\n英伟达为什么还要给这颗芯片焊上昂贵的 128 GB 内存？\n答案藏在功耗预算与商业复用的妥协里。\n作为装在机器人躯干里的芯片，\n它的散热和电池空间被卡得极死。\nJetson Thor 的整卡功耗被硬性限制在 40 瓦到 130 瓦之间。\n在这个严苛的能耗区间里，\n它根本装不下数据中心里那些带宽动辄数千 GB 的高带宽内存。\n高带宽内存价格高昂，发热量惊人，\n机器人小巧的冷却风扇和锂电池组根本无法承受。\n工程师只能退回移动设备成熟的低功耗 LPDDR5X 颗粒。\n而在 256 位的位宽物理限制下，\n这种颗粒能挤出来的带宽上限，就是每秒 273 GB。\n\n更深层的原因在于芯片的商业复用。\n英伟达造这颗代号为 GB10 的硅片，并不是单独卖给机器人厂商的。\n它还要被装进微型工作站，卖给桌面端做本地 AI 开发的程序员。\n在办公桌前写代码或者做文档总结，\n用户根本不在意模型是每秒吐出 30 个字还是 8 个字。\n屏幕前的文字每秒蹦出来几个，使用体验就已经足够流畅。\n开发者最渴求的，是显存越大越好，\n好把整整几百亿参数的模型完整放进本地硬件。\n为了迎合这个庞大的桌面开发市场，\n英伟达顺理成章地把容量拉到了满血的 128 GB。\n同一块硅片，兼顾两套完全不同的商业叙事。\n对于坐在桌子前的开发者来说，128 GB 是实打实的资产；\n但只要把同一颗芯片塞进需要实时平衡的人形机器人肚子里，\n这就变成了一场荒谬的硬件错配。\n昂贵的大内存真金白银地买了单，\n狭窄的带宽却在物理上判了它死刑，\n让其中 90% 以上的显存空间在实时控制中彻底沦为空转。\n\n有人也许会设想：把多出来的显存用来跑双脑架构行不行？\n让 10 GB 的小模型负责手脚平衡，\n剩下的一百多 GB 显存装进一个庞大的视觉模型，\n让它以每秒一次的慢速度负责看路和规划？\n这个架构在理论上很自洽，\n但一旦落实到物理硅片上，立刻会撞上带宽争抢。\n芯片的总带宽就只有每秒 273 GB。\n那个庞大的慢思考模型一旦开始读取数据，\n就会瞬间把数据通道挤爆。\n负责毫秒级平衡的快思考模型就会遭遇严重的延迟抖动。\n在物理机械的控制闭环里，\n哪怕出现十几毫秒的信号延迟，\n传导到几十个伺服电机上，就是足以导致摔倒的剧烈机械震颤。\n\n在物理世界里运行具身智能，\n模型规模从来不是想做多大就能做多大。\n决定机器人行动上限的，\n从来不是规格表上印着的显存容量有多惊人。\n真正卡死动作边界的，\n是控制频率与物理带宽之间那道冷酷的除法。\n把云端机房堆参数的惯性照搬到钢铁骨架身上，\n换不来更灵巧的肢体反应，\n只会让昂贵的高速内存，\n变成一堆在现实世界里永远无法被调用的沉默晶体管。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2098346259492827160","translated_status_id":"2098346259492827160","published_at":"2026-09-11 10:57:50","created_at":"2026-09-11T10:57:50.054414","url":"https://mubeitech.com/p/raw_9593494ecccdfa96","markdown_url":"https://mubeitech.com/p/raw_9593494ecccdfa96/markdown"}]}