{"source":{"id":"2077596060445549043","title":"英特尔差点自己长出一个英伟达。 然后，项目在帕特·基辛格离职一周后被砍掉了。 英特尔不是没看见显卡的未来。 它看见了。…","url":"https://mubeitech.com/p/2077596060445549043"},"method":"semantic-similarity","count":5,"items":[{"rank":1,"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"},{"rank":2,"id":"2039584909174460821","account":"mubei","brand":"@mubei","title":"AI 产业 85% 的利润去了哪？ 全进了一家公司的口袋。 那就是英伟达。 硅谷这帮老钱其实根本看不懂硅基硬件。 现在却…","summary":"AI 产业 85% 的利润去了哪？ 全进了一家公司的口袋。 那就是英伟达。 硅谷这帮老钱其实根本看不懂硅基硬件。 现在却只能对着显卡顶礼膜拜。 芯片行业的垄断怎么玩？ 想长久称霸，必须在下游死死绑定一家软件巨头。 英特尔当年就是靠着微软才横着走了几十年。 但在今天的 AI 牌桌上…","body":"AI 产业 85% 的利润去了哪？\n全进了一家公司的口袋。\n那就是英伟达。\n硅谷这帮老钱其实根本看不懂硅基硬件。\n现在却只能对着显卡顶礼膜拜。\n\n芯片行业的垄断怎么玩？\n想长久称霸，必须在下游死死绑定一家软件巨头。\n英特尔当年就是靠着微软才横着走了几十年。\n但在今天的 AI 牌桌上，英伟达孤立无援。\n\n下游客户全在偷偷搞小动作。\n各大云厂商都在疯狂砸钱自研芯片。\n大家都不傻。\n没有任何大厂愿意长期忍受 10 倍的硬件溢价。\n\n只要定制芯片铺开，高昂的算力税就收到头了。\nAI 的主战场很快会从训练转向推理。\n推理端根本不需要堆砌极品算力。\n它只需要便宜、碎片化、随处可见的算力模块。\n\nPeter Thiel 把终局剧透了。\nAI 芯片迟早会变成标准化的廉价商品。\n现在的英伟达只是站在了一个注定无法维持的高岗上。\n它的护城河，正在被它最大的客户亲手挖断。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2039728747973079278","translated_status_id":"2039728747973079278","published_at":"2026-04-02 15:36:23","created_at":"2026-04-02T17:31:57.883856","url":"https://mubeitech.com/p/2039584909174460821","markdown_url":"https://mubeitech.com/p/2039584909174460821/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":"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":5,"id":"2081394445682114906","account":"mubei","brand":"@mubei","title":"买最贵的 GPU，已经不再自动赢下推理局。 SemiAnalysis 的分析师 Dylan Patel 揭开了推理时代的…","summary":"买最贵的 GPU，已经不再自动赢下推理局。 SemiAnalysis 的分析师 Dylan Patel 揭开了推理时代的新逻辑。 现在的算力瓶颈，已经从单卡算力转移到了内存和存储。 一款算力稍弱、但内存和存储更好的芯片，能直接打败没有好内存的顶级芯片。 比如在某些场景下，内存更大…","body":"买最贵的 GPU，已经不再自动赢下推理局。\n\nSemiAnalysis 的分析师 Dylan Patel 揭开了推理时代的新逻辑。\n现在的算力瓶颈，已经从单卡算力转移到了内存和存储。\n一款算力稍弱、但内存和存储更好的芯片，能直接打败没有好内存的顶级芯片。\n比如在某些场景下，内存更大的 AMD 显卡，跑得比英伟达还要好。\n\n但英伟达的护城河崩了吗？\n根本没有。\n它现在的终极壁垒，是对系统供给和分发渠道的绝对统治。\n\n英伟达手里，攥着 100 多家新兴云厂商。\n怎么拿捏？\n你不听话，我直接抽走你的算力配额。\n你缺钱买卡，我亲自给你的贷款兜底。\n这 100 多家云厂商帮它卖算力，同时也是替它向全世界喊话的传声筒。\n\n别的硬件生态想进来分一杯羹？\n太难了。\n就算其他厂商（比如 SambaNova）造出了好芯片，如果没有这样一个庞大且忠诚的分发网络替你铺货，卡连机房都进不去。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2081494191515799995","translated_status_id":"2081494191515799995","published_at":"2026-07-26 19:37:08","created_at":"2026-07-26T21:28:03+02:00","url":"https://mubeitech.com/p/2081394445682114906","markdown_url":"https://mubeitech.com/p/2081394445682114906/markdown"}]}