{"source":{"id":"2079190811829576075","title":"AI芯片的下一步不再是单纯堆算力，直接把模型结构“刻”进硅片成了新方向。 谷歌正在开发一款内部代号为“Frozen v2…","url":"https://mubeitech.com/p/2079190811829576075"},"method":"semantic-similarity","count":6,"items":[{"rank":1,"id":"2057958877694677258","account":"mubei","brand":"@mubei","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…","summary":"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哪。 把芯片当成一块地皮。 GPU的建法，是盖一排排几乎一模一样的小隔间。 每个隔间叫SM（流式多处理器）。 中间留一条主干道，也就是L2缓存。 整个芯片就像一…","body":"剥开目前世界上最主导的两种AI芯片。\nGPU的本质，其实是一堆微缩版TPU的集合。\n\n来看看顶级芯片架构师眼里它们到底差在哪。\n把芯片当成一块地皮。\nGPU的建法，是盖一排排几乎一模一样的小隔间。\n每个隔间叫SM（流式多处理器）。\n中间留一条主干道，也就是L2缓存。\n整个芯片就像一个密密麻麻的格子铺。\n\n再看TPU。\n它的颗粒度粗犷得多。\n地皮上只建几座巨大的工厂，这就是矩阵单元（也就是巨大的脉动阵列）。\n中间夹着一长条向量单元。\n没有那么多小隔间，大开大合。\n\n如果你把一整块TPU无限缩小。\n缩小到一个超微型的矩阵加向量单元。\n这就是GPU里的一个SM。\nGPU芯片上，其实平铺了无数个微缩版的“TPU”。\n\n为什么分化出两种走法？\nTPU的逻辑是均摊成本。\n既然大模型都在算海量的矩阵乘法，干脆建几个超大的脉动阵列。\n这样就能避免给无数个小隔间单独配置寄存器和调度器，把开销直接摊薄。\n\n但巨型建筑有致命的物理代价。\n数据要搬运。\n在TPU的粗粒度设计里，海量数据只能在巨大的矩阵厂房和向量区之间，通过仅有的两条边界线进出。\n像极了春运期间只有两个闸口的高速收费站。\n\n而在GPU的格子铺里，到处都是出入口。\n数据不需要挤两根粗管子，它们可以通过16条以上的网状线路同时穿梭。\n这让GPU在向量和矩阵单元之间移动数据的能力，实际上远高于TPU。\n\n在AI算力的底层法则里。\nTPU在面积和调度成本上选择了极端的规模效率。\n而GPU用化整为零的通信网络，换取了适应所有复杂模型的通用性。","category":"其它","score":100,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-05-24 10:34:48","created_at":"2026-05-24T12:32:37.859017","url":"https://mubeitech.com/p/2057958877694677258","markdown_url":"https://mubeitech.com/p/2057958877694677258/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":"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":4,"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":5,"id":"2084741987702624595","account":"mubei","brand":"@mubei","title":"AI 的核心计量单位，变了。 不再是囤了多少张 GPU，而是“吉瓦”（GW）。 马斯克交了底。 今年年底，他的算力规模要…","summary":"AI 的核心计量单位，变了。 不再是囤了多少张 GPU，而是“吉瓦”（GW）。 马斯克交了底。 今年年底，他的算力规模要突破 2 GW。 到了明年年底，这个数字会直接逼近 10 GW。 这早就不是什么硬件采购清单了。 这是直接在搞大基建。 AI 竞争，已经彻头彻尾地变成了能源和供…","body":"AI 的核心计量单位，变了。\n不再是囤了多少张 GPU，而是“吉瓦”（GW）。\n\n马斯克交了底。\n今年年底，他的算力规模要突破 2 GW。\n到了明年年底，这个数字会直接逼近 10 GW。\n\n这早就不是什么硬件采购清单了。\n这是直接在搞大基建。\nAI 竞争，已经彻头彻尾地变成了能源和供应链的较量。\n\n怎么建？\n路线直接拍板：独家押注英伟达。\n底牌，就是新一代的 Vera Rubin 架构。\n\n看看这台算力怪兽的硬指标。\n3360 亿个晶体管。\n推理性能飙到 50 PFLOPS，直接是上一代 Blackwell 的 5 倍。\n训练性能达到 3.5 倍。\n内存带宽拉到了夸张的每秒 22 TB。\n\n想让这种吞电巨兽全速运转，就得拿发电站的规模来喂。\n以后在 AI 牌桌上，手里没有几个吉瓦的电网，根本连入局的资格都没有。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2084795300439294089","translated_status_id":"2084795300439294089","published_at":"2026-08-04 20:50:17","created_at":"2026-08-04T22:43:17+02:00","url":"https://mubeitech.com/p/2084741987702624595","markdown_url":"https://mubeitech.com/p/2084741987702624595/markdown"},{"rank":6,"id":"2084996304099291210","account":"mubei","brand":"@mubei","title":"光抢GPU已经满足不了AI大厂了。 他们开始自己下场造底座。 Claude背后的开发商Anthropic正式确认，正在组…","summary":"光抢GPU已经满足不了AI大厂了。 他们开始自己下场造底座。 Claude背后的开发商Anthropic正式确认，正在组建自研硅芯片团队。 直接开出了32万到48.5万美元的年薪，狂挖底层芯片工程师。 算力的竞争逻辑变了。 以前，是英伟达造什么卡，AI公司就买什么卡去跑模型。 现…","body":"光抢GPU已经满足不了AI大厂了。\n他们开始自己下场造底座。\n\nClaude背后的开发商Anthropic正式确认，正在组建自研硅芯片团队。\n直接开出了32万到48.5万美元的年薪，狂挖底层芯片工程师。\n\n算力的竞争逻辑变了。\n以前，是英伟达造什么卡，AI公司就买什么卡去跑模型。\n现在，Anthropic要把模型、训练负载和底层硬件，放在自己公司内部协同设计。\n软件想怎么算，芯片就怎么改。\n大脑和骨架必须一块长，算力竞争直接卷到了改造物理底座。\n\n至于谁来把这些图纸变成实体？\n据称，他们目前正拉着三星在谈判桌上谈。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2084997080532001022","translated_status_id":"2084997080532001022","published_at":"2026-08-05 13:36:52","created_at":"2026-08-05T15:33:50+02:00","url":"https://mubeitech.com/p/2084996304099291210","markdown_url":"https://mubeitech.com/p/2084996304099291210/markdown"}]}