AI亲手打造算力基石：Jalapeño芯片背后的范式转变
AI 曾主要用于辅助写代码、生成内容与处理任务。如今，OpenAI 与 Broadcom 联合推出的 Jalapeño 芯片，标志着这一进程迈出了关键一步：AI 开始直接参与设计自身运行所需的硬件。本文从 Jalapeño 仅用 9 个月完成 tape-out 的突破说起，揭示“AI 设计 AI 芯片”并非空谈，而是 AI 竞争从模型与产品，深入至芯片、推理成本与数据中心的明确信号。过去几年，人们常问：AI 会重塑软件开发吗？如今答案已清晰可见。写代码、修复 Bug、自动化测试、生成文档，AI 已深度融入
梁文锋力作DSpark：掌握这十大核心即可通关
出处：量子位 梁文锋挂名的DeepSeek最新论文DSpark或许你已看过—— 单用户速率拔高85%、高并发环境下有效吞吐暴增4倍。 然而你确实领悟了吗？ 莫慌，已有行家帮你剖析完毕。 Fireworks AI的联合创始人兼CTO、PyTorch核心开发者Dmytro Dzhulgakov把全篇论文归纳成10大要点，从最底层的GPU显存访问特征聊到最顶层的在线自适应调度。 他指出： DeepSeek此番架构的真正核心在于系统工程与模型协同设计。 相关基础理念前人虽已提出，难能可贵的是其将多种技术整合为一套
东吴证券：全球流动性转向，科技硬件机遇与挑战
来源：东吴证券(7.770, -0.36, -4.43%) 4月以来，受景气信号驱动的AI算力硬件行情表现火热，按照“终端→制造→设备→材料”的需求和订单传导顺序，5-6月国内外市场的算力硬件上游设备和材料标的已明显受益。然而，6月起行情波动加剧，我们在6月7日报告《如何理解和应对本次科技行情的波动》中已分析过这一现象，本周市场波动依旧显著，除了加息预期反复、季末资金再平衡带来的流动性波动外，产业层面也出现新争议。除了去年四季度讨论的海外大型云厂激进CAPEX可能导致现金流恶化外，还有对CSP竞争格局和利
AI硬件的困境是否已解？
上周五市场大幅下挫，两市大单净流出达872亿，全周呈现三日流入两日流出的态势，净流入额仅约200亿，资金面略显平衡。不过，半导体等AI硬件及存储板块震荡剧烈，走势紊乱。美股同样波动明显。随着“AI牛市终结”的说法从美国传开，相关龙头股也经历了暴涨暴跌，并蔓延至国内。尽管AI牛市尚未结束，但获利难度加大，投资者不仅需要信仰，还需精准调整仓位，应对震荡行情中的小波段操作。本周五资金流入排名前五的板块为：军工43亿，光电子33亿，建筑装饰与房地产均为12亿，通用设备9亿。这些流入规模相较于空方力量而言并不算大。
AI硬件产业链的利润传导路径
第一层，超级云巨头将资金输送给英伟达。 微软、Meta、亚马逊、谷歌为搭建AI数据中心，大批量购置GPU、整机、网络设施及AI系统。由此英伟达率先攫取最丰厚的收入增量与利润弹性，这也构成了过去两年AI牛市最为核心的定价逻辑。 第二层，英伟达的扩张使存储环节演变为新瓶颈。 GPU销量攀升，AI服务器规模扩容，对HBM、高端DRAM、NAND以及先进封装的需求随之膨胀。此时，利润池由"算力芯片"向"存储供给"扩散转移。美光、海力士、三星的股价上涨并非源于单纯的周期复苏，而是由于它们已成为AI工厂不可或缺的关键
AI价格战打响：强而廉的时代来临
OpenAI新模型、价格分层、行业变化与下一轮机会这次最值得关注的，不只是OpenAI发布了新模型，而是它将价格、能力与产品形态一体化重构。行业竞争已不再仅看‘谁更强’，而是转向‘谁更强、更便宜、更稳定、更易落地’。长远来看，价格战只是表象，真正的胜负关键在于芯片、应用与AI硬件入口。一、OpenAI这次放出的，不只是新模型最近AI圈最具冲击力的消息，不是某模型榜单再创新高，而是OpenAI直接将新一代模型家族与定价体系全面公开。官方公告显示，GPT-5.6系列分为三档：Sol为旗舰模型，Terra为日常
AI硬件链深度拆解
2.20开始突然想写…深夜刚复习完期末（法学生真的累…）…又忍不住看了一下🥁票（图书馆学累了就喜欢看🥁😅，看哪些k线量能都不错，题材怎么样，突破震荡区间走得怎么样……）。趁着脑子状态活跃，又过了一遍当下AI产业链，给大家分享一下。做场内的朋友可以稍微看一下，都是近期热点，核心大科技基本上在这几个方向反复轮动。从大家熟悉光模板倒推∶1️⃣光模块必须使用PCB电路板，这是光模块的内置基本材料。作用是∶承载光电的元器件，可以传输高速电信号，是整个光模块的电路载体。（具体标的问豆老师）2️⃣PCB电路板的上游就是
施密特焦虑背后：中美AI路线之争实为霸权之争
谷歌前首席执行官埃里克・施密特近日的一番言论，在网络上引发了巨大震动。今年5月，在美国智库“特别竞争研究计划”的研讨会上，他谈及中美人工智能竞赛时直言不讳：“我并不欣赏中国的AI，因其完全开源，处于他人掌控，难以被管控。”这番话出自谷歌前掌门人、美国人工智能国家安全委员会成员之口，直接揭露了美方真正的担忧：并非中国AI技术超越美国，而是超越之后无法再置于其掌控之中。【芯片封锁，已然失效】施密特本人曾是当年推动对华芯片管制的核心人物。他坦言，出于对高端AI芯片出口可能影响我国发展的顾虑，他在委员会任职期间便
智伴生活AI硬件：AI+IP+汽车后装如何引爆智能消费新风口？
各位好，今天探讨下近期科技圈热议的赛道——AI+消费电子+汽车后装。如果你关注AI消费领域，定见过江苏的极核智算（南京）科技有限公司及其【智伴生活AI硬件】。本文不谈官宣，只剖析公司为何选此赛道、谁在买单，以及如何靠商业逻辑赢取合作、实现增长并占据渠道。该企业定位十分明确：这折射出用户认知的变迁：「过去汽车后装、玩具、IP、AI各自为战，如今通过“AI唤醒+内容+硬件外观+场景深运营”，便诞生了新故事和新消费群。」很多人误以为“AI情感陪伴玩具”只是遥控玩偶的升级版，“车载智能机器人”只会说话动弹？这是外
中国AI洗碗机风靡日本：出海成功的关键，或许并非AI本身
点击上方蓝字加入我们近期，一款中国AI洗碗机品牌在日本众筹中斩获超1.3亿日元佳绩，再次印证了这一观点。中国AI厨房设备品牌LISSOME近日完成数千万元A轮融资。同时，其针对日本市场发布的桌面洗碗机J1，也在日本众筹平台Makuake赢得逾1.3亿日元支持，荣登该平台桌面洗碗机品类榜首。初看之下，这似乎是AI硬件出海的典范。但深入探究便会发现，真正驱动销量攀升的核心，是对用户场景的精确把握。许多中国企业出海时，往往侧重于产品规格。功率更强。功能更丰富。技术更前沿。然而用户选购产品时，首要考虑的是生活难题
算力指数级跃升如何通向超级智能：DeepMind发展路径新解读
一、算力飙升与智能跃迁：量变引发质变过去十年间，人工智能的演进速度远超大多数人的预判。算力效能的提升源于三大要素的叠加效应：硬件性能价格比持续六十年的优化，年均提升约1.5倍；资本投入规模的扩大，年均增长约2.5倍；算法优化带来的算力利用率提升，即实现同等效果所需的计算资源持续缩减，年均改进约3倍。最新研究显示算法优化速率可能高达年均6倍。三项因素叠加，有效算力年均增长约十倍，这还只是保守估计的底线。若此增长态势延续，五年后有效算力将是当前的十万倍。假设AGI诞生之初成本高昂，全球仅能承载1000个AGI
AI硬件创新者招募：下一个全球品牌等你来造
品类创新者从来不是追随者2006年，当扫地机器人还只是实验室里的原型机时，科沃斯做出了一个选择：放弃代工，创立自有品牌。这个选择在当时被视为“不务正业”。那时苏州有无数家小家电工厂，都在为海外品牌代工，订单稳定，利润可观。为什么要自己投入资金做品牌？为什么要从零开始建设渠道、组建团队、开拓市场？但品类创新者的特点，就是在别人看到风险的地方看到机遇。科沃斯不是第一个做扫地机器人的，但它是第一个把“家用服务机器人”打造成一个品类的。2018年，科沃斯在A股上市，成为国内服务机器人第一股。这不是运气，而是品类创
2026转型AI产品？先看这些真实落地场景
2026年已过半。若此刻问你：AI产品的下一个突破口在哪？很多人会犹豫。不是因为忽视AI，恰恰相反——我们每天都在接触AI：AI编程、智能体、具身智能、一人创业、多模态、AI硬件、AI增长……这些词你肯定不陌生。但问题在于，信息太零散。今天看到工具更新，明天听说融资消息，后天又刷到爆款案例。热闹是热闹，可看完之后，你依然难回答：AI产品究竟进展到哪了？哪些方向已从概念落地到真实业务？产品人、创业者、研发负责人，下一步该盯住什么？因此，今年的AI产品大会，我们用两天时间，把AI领域正在发生的实质变化，直接呈
人工智能资金三大流向
世界资金的水量走向与快慢，直接左右着金融市场的起伏兴衰。目前赛道的拥挤状况，令人触目惊心。人工智能，确切讲是其底层硬件，获取了超额利润，乃至连苹果这般巨头也只能屈尊俯首。然而AI大模型及实体智能（落地），距离盈利闭环尚有漫长路途。AI的终极蓝图，的确极具吸引力，智能体，明日世界，但距当下也依然十分遥远。其间不仅存有技术阻碍，收益切分难题，更含国家间及企业间的安全博弈。如今美国凭借自身的领先红利（科技，资金，话语权等）将AI板块估值推至仰仗信仰的巅峰，当然，国内亦不乏大批追随者，AI乃未来的基建底座，人人皆
OpenAI九个月造芯：AI自驱设计刷新半导体纪录
传统芯片研发，从绘制草图到交付代工厂，往往耗时两至三年。OpenAI仅用九个月便完成。大幅压缩这一周期的关键，正是ChatGPT——它参与设计的芯片，最终将由它自身驱动运行。2026年6月24日，OpenAI携手博通正式推出名为Jalapeño（哈拉贝诺辣椒）的芯片。这不仅是OpenAI首款自主研发的AI推理芯片，更标志着“AI参与设计其运行硬件”首次从概念走向实物。首先需厘清一个常被忽视的差异。大语言模型的运作分为两大阶段：训练与推理。训练属一次性任务——模型吞噬海量文本与数据，习得“表达”能力，此过程