{"source":{"id":"mb-20260901-76693c","title":"所有人的目光都盯在芯片制程、显存带宽和模型参数上","url":"https://mubeitech.com/p/mb-20260901-76693c"},"method":"semantic-similarity","count":6,"items":[{"rank":1,"id":"raw_b364f5abdb4c66e1","account":"mubei","brand":"@mubei","title":"一家做半导体芯片的高科技公司，最核心的监控指标是什么？ 是晶圆良率？先进制程的线宽？还是下一代架构的晶体管数量？ 换作任…","summary":"一家做半导体芯片的高科技公司，最核心的监控指标是什么？ 是晶圆良率？先进制程的线宽？还是下一代架构的晶体管数量？ 换作任何一个芯片工程师，答案大概都在这几样里。 但在高盛的技术大会上，黄仁勋讲了一句让在场投资人全部愣住的话。 他说：英伟达现在正在全球范围内，监控每一座变电站、每一…","body":"一家做半导体芯片的高科技公司，最核心的监控指标是什么？\n是晶圆良率？先进制程的线宽？还是下一代架构的晶体管数量？\n换作任何一个芯片工程师，答案大概都在这几样里。\n但在高盛的技术大会上，黄仁勋讲了一句让在场投资人全部愣住的话。\n他说：英伟达现在正在全球范围内，监控每一座变电站、每一片土地，以及每一座空壳机房。\n原话甚至更夸张：\n我们监控着地球上的每一个吉瓦，我们清楚每一处资源在哪里。\n\n一个卖显卡的半导体公司，怎么突然干起全球电网抄表员的活了？\n很多人的第一反应是：这老头是不是又在给资本市场吹泡泡？\n还真不是。\n因为眼下的 AI 算力军备竞赛，撞上了一堵极其冰冷、不可逾越的物理硬墙。\n\n过去两年，科技圈所有人都在盯着台积电的产能。\n大家天天查先进封装的配额够不够，高带宽内存的良率高不高。\n科技巨头们觉得，只要英伟达把芯片造出来，大模型就能无限扩张下去。\n但真正冲在最前线、替微软、谷歌、甲骨文建数据中心的开发者，现在最恐惧的早就不是芯片缺货了。\nThe Information 的记者菲比·刘在独家报道里，点出了一个让整个行业直冒冷汗的词：\n无电可用的芯片过剩。\n\n什么叫无电可用的芯片过剩？\n算力订单还在疯狂暴涨，各大公司的支票还在一张接一张地开。\n但买回来的显卡，很可能连电闸都拉不开。\n\n这背后是一场极其荒诞的时间尺度撕裂。\n台积电造一批顶尖 GPU 芯片，需要多久？\n几个月。\n工程队去平整土地、搭好一座现代数据中心的水泥外壳，需要多久？\n一年到一年半。\n但是，你要去找当地的公共电力公司，申请接入高压输电网，需要多久？\n在美国几大主要电网区域，并网排队的平均等待时间，是整整五到七年。\n\n更要命的是变电站的核心硬件：大型高压变压器。\n这玩意儿不是消费电子，不是多雇几个工人就能三班倒赶工出来的。\n造一台大型变电站变压器，需要高等级的取向硅钢，需要极其重型的卷铁芯设备，全球产能极度紧张。\n行业数据显示，现在一台大变压器的标准交付周期，已经排到了 128 周以上。\n也就是整整两年半，稍大一点的规格甚至要等三四年。\n\n两套完全不同维度的时钟，在这个节点上迎面撞毁了。\n一边是十八个月翻倍的摩尔定律，一边是五年起步的重工业电网改造。\n假设你是一家算力开发商，手里拿着上百亿资金，咬牙订了五万张顶级显卡。\n半年后，大卡车把密密麻麻的服务器机架送到了你的机房门口。\n结果当地电力局发来一封公函：\n扩容申请原则上批准，但新变电站正式通电预计要等到 2029 年。\n\n这时候会发生什么？\n芯片不是黄金，它是有技术半衰期的。\n显卡在技术上的黄金寿命，通常只有两到三年。\n三年之后，下一代新架构一出来，老芯片的计算效率直接腰斩。\n这意味着，那批总价上百亿的精密硅片，一次机都没开过，甚至还没通电发过热，就只能躺在库房的木头托盘上，每天以几十万美元的速度折旧贬值。\n在产业经济学里，这叫资产搁浅。\n\n如果买回来的卡只能在仓库里落灰，下一个季度谁还敢给英伟达下订单？\n那些向华尔街承诺无限增长的云巨头，现金流会当场被这批死资产卡死。\n\n黄仁勋看明白了这层致命危机。\n他知道，如果英伟达还像传统硬件厂商那样，只管把芯片卖出去、收钱走人，自己的增长曲线迟早要撞死在电网审批上。\n于是，英伟达在过去一年里，把自己的角色做了一次极其激进的重构：\n它直接跨过戴尔、超微这些服务器代工厂，把商业模式从单纯卖芯片，硬生生变成了一座全球电力与机房的超级清算所。\n\n它是怎么调度的？\n简单来说，就是把分配芯片的逻辑，从看谁钱多，改成了看谁先通电。\n黄仁勋要求生态圈里的所有伙伴：\n不管你是微软、甲骨文这样的超级巨头，还是 CoreWeave 这样的新兴算力云，或者是给他们组装服务器的代工厂。\n谁想拿到最新架构的算力配额，谁就必须把底层基建的家底彻底交代清楚。\n你的机房地皮在哪个州？\n你的水泥外壳封顶了没有？\n当地供电局批了多少兆瓦的负荷？\n变压器哪个月进场？哪一天正式合闸通电？\n\n英伟达拿到了这套全球独一无二的产业情报网。\n他们把全球每一个吉瓦的土地、机房和电力批文，实时标注在一张超级地图上。\n给谁供货、不给谁供货，全看你的通电时间表。\n你的机房下个月并网，芯片下个月直接从工厂送到你门口，开箱即点亮。\n你的电力审批还在排队？对不起，你的订单往后顺延，配额先让给通电更快的客户。\n通过这种对互补品资源的绝对摸底，英伟达硬生生把可能砸在库房里的天量存货，在物理世界上给熨平了。\n\n除了在外面找电，英伟达还在机房内部动起了手术。\n因为单台机柜的吃电速度，也已经把物理学逼到了极限。\n比如最新的 GB200 NVL72 机架，单机柜运行功耗直接冲上了 120 到 132 千瓦。\n这是个什么概念？\n一个普通三口之家的生活用电，峰值功率也就几千瓦。\n一台机柜的耗电量，相当于把上百个家庭的全部电器，压缩在一个两米高的大铁柜里。\n过去传统的风冷散热彻底失效了。\n如果还用风扇去吹，吹出来的热风足以把机房变成烤箱，单是空调电费就能把运营方吃破产。\n所以英伟达强制推行全液冷，用液体导管直接贴死芯片吸热。\n\n更绝的是电源架构的重造。\n机房外部送来的是几千伏的高压交流电，过去机柜内部普遍采用 48 伏甚至 12 伏直流电供电。\n物理学常识告诉我们：在功率固定的情况下，电压越低，电流就越大；而导线发热损耗，与电流的平方成正比。\n在 130 千瓦的恐怖功率下，如果继续跑低压直流，机柜背面的铜电缆得做得像人的大腿一样粗，大量的电能直接变成无用的废热。\n英伟达联合生态直接推行 800 伏高压直流架构。\n电压拉高十几倍，电流瞬间缩小，不仅甩掉了几百公斤昂贵的铜线，还省掉了多次交直流转换的能量损耗。\n\n他们甚至还在跟加州的公用事业电力公司合作，让数据中心变成电网的柔性负荷。\n居民白天开空调、电网负荷吃紧的时候，算法自动降低大模型训练的运行功率；\n等到深夜大家入睡、电网有多余负荷的时候，机房再全力拉满功率狂飙。\n\n当一项颠覆性技术跑得太快的时候，最先被扯住后腿的，从来不是最前沿的科学。\n卡住整个数字世界的，恰恰是那些人类用了一百年的重工基建。\n大家都在谈论超级智能的诞生，谈论数字世界的无限可能。\n但走到最后，决定这场革命推进速度的，依然是荒野上那一根根高压输电线、变电站里那个傻大黑粗的变压器，以及现实物理世界对能量守恒的冷酷裁决。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2101801886315622587","translated_status_id":"2101801886315622587","published_at":"2026-09-20 23:47:41","created_at":"2026-09-20T23:47:41.141328","url":"https://mubeitech.com/p/raw_b364f5abdb4c66e1","markdown_url":"https://mubeitech.com/p/raw_b364f5abdb4c66e1/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_2c1f8fabbc51352c","account":"mubei","brand":"@mubei","title":"来看一组刚在 All-In 峰会上公开的数据。 光 Google 一家公司，一个月就要处理大约 3.2 万亿亿个 tok…","summary":"来看一组刚在 All-In 峰会上公开的数据。 光 Google 一家公司，一个月就要处理大约 3.2 万亿亿个 token。 如果按每个 token 消耗 10 焦耳能量计算，这已经算是极省电的模型了。 把这个数字乘出来，Google 光是跑 AI，就需要 12 吉瓦的持续供电…","body":"来看一组刚在 All-In 峰会上公开的数据。\n光 Google 一家公司，一个月就要处理大约 3.2 万亿亿个 token。\n如果按每个 token 消耗 10 焦耳能量计算，这已经算是极省电的模型了。\n把这个数字乘出来，Google 光是跑 AI，就需要 12 吉瓦的持续供电。\n\n12 吉瓦是什么概念？\n全美国所有数据中心的总用电容量，加起来也就 40 吉瓦出头。\n一家公司的 AI 业务，直接吞掉全美近三分之一的数据中心电力。\n现在去建数据中心，最值钱的早就不再是地皮或者机架。\n哪怕用户只是在对话框里敲下一句话，成本里整整 50% 纯粹是在交电费。\n照这个速度跑下去，业内估计最多三年，现有的电网就会被活活吸干。\n\n这时候悲观派跑出来喊了：\nAI 的扩张必然撞上物理电网的硬墙，我们很快就要无电可用了。\n\n真的吗？\n大自然可不这么认为。\n人类的大脑能写诗、能推理、能做复杂的科学研究。\n它满负荷运转需要多少功率？\n20 瓦。\n一盏普通床头灯的电量。\n\n动物就更离谱了。\n一只猴子的大脑功率大约 1 瓦，跟你兜里的智能手机差不多。\n一只松鼠在树枝之间闪转腾挪，跳一千次能准准落上一千次。\n控制这种精密身体动作的松鼠大脑，功率只有 8 毫瓦。\n把你手机里的电量分一分，足够同时驱动一百多只松鼠的大脑。\n\n一边是 20 瓦就能运转的人类智慧；\n一边是跑几个模型就恨不得吃掉几座核电站的数据中心。\n为什么差距能大到十个数量级？\n\n曾经创办过全球第一家 AI 芯片公司、后来又去读了神经科学博士的纳芬·拉奥（Naveen Rao），在峰会上把账算了一遍。\n从 1945 年第一台电子计算机 ENIAC 诞生开始，我们造计算机的方法就彻底搞错了。\n\n当年美军造 ENIAC，唯一的目的是为了快速计算火炮的弹道轨迹。\n设计者唯一关心的，就是它能不能比人工计算更快。\n至于耗多少电，当年根本没人考虑。\n于是约翰·冯·诺依曼定下了那套经典图纸：\n一边是负责计算的处理器，一边是负责存数据的内存，两边通过总线相连。\n这套存算分离的冯·诺依曼架构，统治了人类科技整整八十年。\n\n可这套架构跑别的东西还行，拿来跑现代 AI，简直就是一场灾难。\n在芯片内部，做一次微小的数学乘加，消耗的能量极其微弱。\n真正吃电的大老虎，是在处理器和内存之间来回搬运数据。\n现代 GPU 跑大模型，80% 以上的电量根本没有花在思考上。\n全是在导线上疯狂倒腾比特，白白把能量散成了废热。\n\n看一组对比就知道有多夸张：\n人类大脑皮层有 140 亿个神经元，每秒钟在神经元之间传递的信息，只有大约 160 亿个比特。\n而一块顶级的现代 GPU，每秒钟光是在芯片和内存之间搬运的数据，就高达近 30 万亿比特。\n导线里的电子在疯狂奔跑，能不把变电站给烧穿吗？\n\n那大自然的大脑又是怎么算的？\n脑子里可没有浮点数，也没有矩阵乘法。\n神经元本身既在存信息，又在做计算，完全没有内存总线这种中间商。\n大自然是用物理规律本身在做计算。\n\n拉奥的团队决定彻底掀桌子，造一台真正的物理动力学计算机。\n他们把这套逻辑做成了一个非常精巧的硅基系统。\n怎么理解这种机器？\n想象一下，把几个机械节拍器放在一块可以自由滑动的木板上。\n刚开始把它们拨动起来，每个摆锤晃动的节奏完全不一样，各摆各的。\n但因为它们都立在同一块木板上，每一次摆动都会给木板施加微弱的推力。\n不需要任何外力干涉，只要几十秒，所有节拍器就会全部步调一致，锁定在同一个相位里。\n\n这就是物理系统天然具备的耦合约振特性。\n它们不靠任何算法代码，光靠物理相互作用，自己就能找到系统的稳态。\n拉奥团队造出的芯片，就是由密集排列的硅基微型振荡器构成的网络。\n输入进去的数据不再是二进制的 0 和 1。\n数据变成了连续的波形。\n让电信号在振荡器网络里自发振荡、耦合、干涉。\n物理系统最终沉淀下来的相位状态，就是计算出来的答案。\n\n每一个振荡元件自身就是存储单元，彻底砍掉了外部内存接口。\n再加上三维晶圆堆叠技术与时间维度的连续演化，他们把这套架构称为四维计算。\n连矩阵乘法这个基础概念，在硬件底层都不存在了。\n\n听起来像科幻小说？\n今年 6 月 1 日，第一批芯片设计被送进晶圆厂。\n现在实物芯片已经回到了实验室，并且成功生成了第一批图像。\n实测功耗数据让整个行业为之一震：\n用这块芯片生成一张图片，只需要大约 500 纳焦耳的能量。\n传统顶级 GPU 跑同样的生成任务，耗能是在毫焦耳级别。\n纳焦耳是十亿分之一焦耳，毫焦耳是千分之一焦耳。\n能耗直接被砍掉了几千倍。\n\n如果算力的能耗门槛真能暴跌上千倍，未来的数据中心是不是就能少建了？\n历史给出的答案恰恰相反。\n早在 1865 年，英国经济学家杰文斯就记录过一个反直觉的现象：\n当瓦特改良了蒸汽机、让煤炭利用效率大幅飙升之后，英国的煤炭消耗量不仅没有减少，反而迎来了暴增。\n因为当核心资源的成本暴跌，全社会的需求会被指数级释放。\n这就是著名的杰文斯悖论。\n\n一旦能耗这堵高墙被物理动力学计算推倒，算力就会从昂贵的集中式变电站里解放出来。\n未来的 AI 不会把地球电网吸干。\n它们会像松鼠的大脑一样轻巧，钻进几十亿台机器人、传感器和便携设备里。\n这场看似窒息的能源危机，更像是大自然给出的一个提醒：\n八十年前那张给算盘提速的旧图纸，早就该翻篇了。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2102314307631333801","translated_status_id":"2102314307631333801","published_at":"2026-09-22 10:19:34","created_at":"2026-09-22T10:19:34.238314","url":"https://mubeitech.com/p/raw_2c1f8fabbc51352c","markdown_url":"https://mubeitech.com/p/raw_2c1f8fabbc51352c/markdown"},{"rank":4,"id":"2093820206074261626","account":"mubei","brand":"@mubei","title":"芯片造出来了，却通不上电。 马斯克披露了一个行业共识数据。 2027年造出来的AI算力，大约有15吉瓦当年根本无法开机。…","summary":"芯片造出来了，却通不上电。 马斯克披露了一个行业共识数据。 2027年造出来的AI算力，大约有15吉瓦当年根本无法开机。 15吉瓦是什么概念？ 相当于十几座大型核电反应堆的发电总和。 芯片日夜赶工造出来了。 结果电网根本接不进去。 AI竞争的真正瓶颈彻底变了。 以前大家在抢芯片、…","body":"芯片造出来了，却通不上电。\n马斯克披露了一个行业共识数据。\n2027年造出来的AI算力，大约有15吉瓦当年根本无法开机。\n\n15吉瓦是什么概念？\n相当于十几座大型核电反应堆的发电总和。\n芯片日夜赶工造出来了。\n结果电网根本接不进去。\n\nAI竞争的真正瓶颈彻底变了。\n以前大家在抢芯片、抢先进制程。\n现在的硬约束，直接撞上了最传统的基建：电力。\n\n找地方搭机房不难。\n难的是去哪里凭空接入这么庞大的稳定电力。\n高压变压器要排队，电网审批要排期，发电厂扩建得以年为单位算。\n\n算力进化是以月计算的。\n电网基建是以十年计算的。\n造得出芯片却通不上电，算力就只是一堆昂贵的硅片。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2093836265107951828","translated_status_id":"2093836265107951828","published_at":"2026-08-29 22:01:04","created_at":"2026-08-29T23:56:53+02:00","url":"https://mubeitech.com/p/2093820206074261626","markdown_url":"https://mubeitech.com/p/2093820206074261626/markdown"},{"rank":5,"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":6,"id":"17148736","account":"mubei","brand":"@mubei","title":"全硅谷都在疯抢英伟达的算力芯片。 但巴菲特的接班人格雷格·阿贝尔，盯上的是另一张底牌。 AI 繁荣的终极物理瓶颈，根本不…","summary":"全硅谷都在疯抢英伟达的算力芯片。 但巴菲特的接班人格雷格·阿贝尔，盯上的是另一张底牌。 AI 繁荣的终极物理瓶颈，根本不是算法，也不是算力。 是电。 建一座顶级的 AI 数据中心，最缺的是什么？ 不是买芯片的钱。 而是向电网接入几百兆瓦稳定负荷的能力。 算力跑得再快，电网供不上，…","body":"全硅谷都在疯抢英伟达的算力芯片。\n但巴菲特的接班人格雷格·阿贝尔，盯上的是另一张底牌。\nAI 繁荣的终极物理瓶颈，根本不是算法，也不是算力。\n是电。\n\n建一座顶级的 AI 数据中心，最缺的是什么？\n不是买芯片的钱。\n而是向电网接入几百兆瓦稳定负荷的能力。\n算力跑得再快，电网供不上，上万张芯片就是一堆通不了电的废铁。\n\n阿贝尔执掌伯克希尔旗下能源业务多年，手里压着庞大的电网和发电资产。\n硅谷巨头要让下一代模型跑起来，最后都得排队去找能源公用事业公司敲门。\n这是重资产的物理基础设施卡位。\n\n华尔街还在盯着芯片的交付周期。\n老派资本巨头已经把战壕挖到了变电站和高压输电线上。\n谁掌握了稳定的电力供应，谁就掐住了整个算力扩张的命门。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2097113432516391175","translated_status_id":"2097113432516391175","published_at":"2026-09-07 21:19:33","created_at":"2026-09-07T22:50:23+02:00","url":"https://mubeitech.com/p/17148736","markdown_url":"https://mubeitech.com/p/17148736/markdown"}]}