AI 集群核心并非 GPU 堆砌，而是带宽互联网络
上一回我们提到，GPU 面临两种结局：一是吃不饱（饿死），二是跑不动（堵车）。HBM 攻克了第一道难关。而第二种情况——即数万颗 GPU 之间“跑不动”的困境——必须依靠光互联来解决。但在深入探讨光技术之前，必须先厘清一个关键问题：这些 GPU 究竟是如何相互连接的？因为大众对于“AI 算力”的认知往往存在偏差。许多人误以为，AI 数据中心就是“海量 GPU 的简单堆叠”。芯片数量越多，算力便越强。这种认知，遗漏了最核心的一半真相。真实的 AI 集群，绝非一堆 GPU 的集合，而是一张网——一张让 GPU
韩国SK电讯与NVIDIA联手建设AI基础设施，驱动AI技术创新
韩国领先电信运营商将采用基于NVIDIA DSX AI工厂架构的AI云计算能力，以加快AI初创企业、机器人及工业物理AI的发展进程。NVIDIA与SK电讯共同宣布，SK电讯计划借助NVIDIA DSX™平台在韩国建设吉瓦级AI云，首座AI工厂预计2027年正式投入运营。AI云代表一种大规模AI基础设施形态，由多个"AI工厂"构成，能够从数据中"产出"称为Token的智能基础单元。不同于提供通用云服务的大型传统服务商，AI云专注于基于GPU的运算服务，专门针对模型训练、推理以及智能体AI等各类AI工作负载进
瑞银研报揭示：AI算力需求强劲增长，英伟达市占优势显著
瑞银(48.53, 1.24, 2.62%)分析师在最新研究报告中指出，上周闭幕的台北国际电脑展进一步验证，人工智能相关的计算能力需求持续攀升，英伟达在AI GPU出货量方面仍大幅领先其主要竞争对手AMD(488.74, -1.59, -0.32%)。由Timothy Arcuri带领的瑞银分析师团队认为，英伟达的Blackwell平台将在2026年的出货量中占据主导地位，而Rubin Ultra则将在2026年第四季度开始逐步加入。相比之下，AMD的下一代Helios平台虽然预计在2026年第四季度出货
AI浪潮下芯片版图重构
“人工智能正在颠覆行业规则。”AI不仅引发了算力需求的激增，更彻底改变了产业权力的版图。从芯片设计、封装存储，到服务器架构及云服务交付，控制权正不断向具备全栈整合能力的竞争者汇聚。未来的赢家，不再仅仅是算力最强劲者，而是那些掌握了系统协同与生态主导权的一方。过去十年间，数据中心的核心较量主要集中在算力规模与能效比上。然而，随着生成式AI的爆发，产业焦点迅速转移至“谁掌握AI算力主导权”。GPU厂商已非单纯的芯片供应商，云计算巨头也不再满足于采购通用处理器，整个价值链正朝着更强的控制力与整合能力演进。算力生
半导体元老Nicholas Donofrio入局Corvex，赋能AI业务腾飞
Corvex公司（纳斯达克(25929.6626, 220.23, 0.86%)代码：MOVE）近期宣布，半导体及计算领域的资深专家Nicholas M． Donofrio将在公司即将召开的年度股东大会上当选后正式加入董事会。Donofrio是IBM服务长达44年的资深元老及荣誉院士，曾担任IBM创新与技术执行副总裁，并在AMD董事会任职近十年。此次加入正值Corvex加速扩建AI工厂并筹备推出词元工厂平台的重要节点。 Donofrio在IBM的职业生涯起步于逻辑与内存芯片设计，曾先后主导公司从半导体、微
华尔街投行布局算力期货应对AI基础设施风险
市场消息人士透露，高盛集团与摩根大通正在研究围绕算力成本开展交易的可能性。其中包括推出与图形处理器租赁价格挂钩的期货合约——GPU作为人工智能热潮中最稀缺的资源，多家交易所计划于今年晚些时候推出此类合约。 双方的讨论表明，数千亿美元资金持续涌入数据中心与芯片领域，正在深刻重塑全球金融市场。对于为人工智能基础设施建设提供融资的银行而言，算力期货能够帮助机构应对未来算力供给过剩带来的风险，同时服务客户对冲自身算力采购成本波动。 目前两家银行的相关探索尚处于早期阶段，短期内未必落地；算力交易市场仍属初创领域，还
差异化路线：三星AI RAN的独特发展策略
据国外媒体Fierce Network报道，在AI RAN技术领域，爱立信与诺基亚采取了迥异的发展路径。诺基亚选择与英伟达深度合作，而爱立信则更偏向于采用专用的基带解决方案。三星则决定独辟蹊径。三星电子美国公司负责网络战略、业务拓展、市场营销及战略销售的副总裁Alok Shah表示，三星的策略别具一格。他在三星总部接受Fierce采访时指出："我们不会简单地把GPU等同于AI RAN。核心差异在于，要获取AI RAN的优势，并非一定要依赖GPU；但若确有需要，则必须构建能够灵活调用GPU的架构。"Shah
AI产业生态解析：能源至应用五层结构
一份AI产业架构认知指南声明：本内容为AI产业生态客观分析，用于构建行业理解体系。文中涉及的企业仅作为产业格局参考，不提供任何投资导向。投资选择请依据个人独立分析判断。近年来，AI逐渐成为热门话题，从技术领域延伸至大众生活各个层面。然而，当前AI相关信息存在一个显著特征：分散性。今日或许看到"算力激增"的资讯，明日可能读到"大模型竞争"的动态，后天又听闻"数据中心高耗电"的消息——每条信息单独分析合理，但综合来看，它们的关联性如何？哪些属于关键环节，哪些属于辅助描述？这便需要一套结构化视角。AI并非单一企
AI 新瓶颈：MLCC 崛起
周一，探讨些硬核话题。近两年，AI 产业链中利润最丰厚的两个环节当属 GPU 与 HBM。前者造就了英伟达的辉煌。后者成就了海力士的传奇。然而资本市场有个有趣的现象：当某个逻辑充斥在所有人的 PPT 中时，新的机遇往往已在别处酝酿。近半年来，我观察到越来越多的卖方分析师聚焦于同一领域。并非 GPU。也非 HBM。而是一种许多投资者闻所未闻的电子元件——MLCC。若拆解一台 AI 服务器，你会看到 GPU 周边密集分布着大量米粒般的元件。它们不参与计算。也不负责存储。却直接决定了价值数万美元的 GPU 能否
深度学习觉醒：2012年那场颠覆AI命运的巅峰对决
不少人感到困惑：人工智能如今能够精准识别图像、辨认万物，为何直到2012年才迎来爆发式增长？在AI发展历程中，2012年10月被视为里程碑式的转折时刻。若将人工智能数十年的演进拍成一部电影，此前的漫长岁月不过是序章铺垫，而AlexNet的横空出世，才是全片最具冲击力的高潮时刻。在此之前，机器视觉进展迟缓、笨拙不堪；在此之后，AI一路高歌猛进，从人工编写规则的时代，彻底跃入深度学习的新纪元。这场传奇的起点，源自一场被称为「AI奥运会」的国际顶级赛事——ImageNet图像识别竞赛。01 回望过去：人工智能的
英伟达携手LG集团打造AI工厂,加速机器人、自动驾驶与自主智能发展
6月8日，芯片巨头英伟达与韩国LG集团联合宣布，双方将共同建设人工智能工厂，旨在为LG集团旗下的机器人、自动驾驶、数据中心及GPU云服务等关键业务板块提供强大的加速计算支撑平台。在机器人业务方面，LG电子将融合英伟达Isaac Sim、GR00T等技术框架，对家用智能机器人CLoiD进行深度训练，同时构建物理AI数据中心，向外部市场提供专业的机器人训练数据集；LG CNS则将英伟达的前沿机器人技术整合至其PhysicalWorks工业平台中。在AI工厂基础设施建设层面，LG Uplus和LG CNS将依托
算力投资版图扩展：GPU 周边产业崛起
AI 计算领域的下一份支出清单，已经不再只盯着 GPU 那一项。过去两年，业内谈 AI 基础设施，大家首先想到的几乎都是 GPU、HBM、先进封装。这些当然关键，也依然是核心焦点。但当 AI 集群规模持续扩大，另一个问题会迅速凸显：芯片计算再快，数据能否及时送达？服务器部署再多，网络能否承受？本文要剖析的，正是 GPU 周边那张日益膨胀的账单：光互联、以太网交换、SerDes、SiPho、定制计算。它们不如 GPU 抢眼，却越来越像是 AI 数据中心的根基。先看一组数据。Marvell 披露的 AI 营收
算力危机：AI爆发前夕巨头预购未来五年芯片
你已置身于AI革命的门槛，却茫然不知。许多人仅视ChatGPT为高端聊天工具，而马斯克等巨头却在签署数千亿美元的巨额订单。AI真的无人问津？非也，只是大众尚未掌握用法，然而供给端早已难以为继。次代GPU被提前数年预订，HBM内存颗粒比黄金更为稀缺。这场短缺状况将一直持续至2030年。英伟达下半年才交付Blackwell GPU，但大客户们早已瓜分了未来两年的份额。微软、Meta、亚马逊纷纷签署数十亿美元的长期协议。台积电的CoWoS封装线即便满负荷运转也无法满足需求。产能缺口近50%，预计2025年产量2
对AI无需客气，直接指令更省电
近期，联合国大学发布报告强调，为降低AI能耗及碳足迹，用户在操作ChatGPT等智能工具时应精简指令，剔除“谢谢”等客套话及无效闲聊，此举预计可减少25%的能耗。初看“不道谢能节电两成五”，似显荒诞，甚至令人怀疑AI是否过于机械。然而，若深入底层逻辑剖析，这实则是一个严谨的科学命题。不妨从三个维度厘清其内在逻辑：1. AI非“人”，缺乏“情绪过滤机制”人类沟通时，大脑会自动忽略“你好、谢谢、请”等背景词汇，仅提取核心语义。但大语言模型（LLM）本质是概率数学模型。当你对AI说“请帮我写段代码，谢谢”时，它
从能源到应用：AI技术栈全解析
算力=能源、芯片、基础设施你每天都在使用AI，但你可能根本不了解——你每提一个问题，背后都在启动一整套"工业体系"。从你按下回车键的那一瞬间，一场跨越物理世界的资源调配就开始了。先说结论AI并非单一技术，而是一套从能源到应用的多层体系，理解它才能真正用好它。01实时计算让AI成为"现场答题"而非"查资料"，这使电力消耗达到惊人规模。从查资料到现场答题传统软件是"查资料"——答案早已计算好存储在数据库中。而现在的AI是"现场答题"——先通过离线计算训练模型，在你提问的那刻，实时生成答案。这就是实时计算和离线