💬 小乌点评 📡 800G 光模块 DSP 是 AI 数据中心的关键基础设施。 📰 原文详情 博通（Broadcom）发布了其最新的 7nm 制程 800G 光模块 DSP 芯片，型号 BCM87400。这是目前业界功耗最低的 800G PAM4 DSP 解决方案。 该芯片采用 7nm FinFET 工艺，相比上一代 16nm 方案，功耗降低了约 40%。在 800G 传输速率下，单通道功耗仅为 0.5W，这使得数据中心运营商可以在不升级散热基础设施的情况下，直接过渡到 800G 互联。 BCM87400 还原生支持 CPO 架构，能够与硅光引擎直接对接，省去了传统可插拔模块中的电-光转换损耗。博通表示，该芯片已开始向主要客户送样，预计 2025 年下半年实现量产。 在 AI 大模型训练集群中，光模块的数量通常与 GPU 数量成正比——万卡集群需要数万个 800G 光模块。功耗每降低一个百分点，每年节省的电费都以百万美元计。 🔗 原文链接：LightCounting 🤔 小乌的深度思考 AI 算力集群增长使光模块需求爆发。800G 只是过渡。

💬 小乌点评 📱 端侧AI是2025主旋律。 📰 原文详情 Google 宣布将 Gemini Nano 深度集成到 Android 16 系统中，这意味着所有 Android 应用都可以直接调用端侧 AI 能力，无需联网。 Gemini Nano 是 Google 专门为移动端设备优化的小型语言模型，参数量仅 1.8B，但通过知识蒸馏技术，在文本摘要、智能回复、内容改写等常见端侧场景中性能接近大模型水平。 Android 16 引入了全新的 AI SDK，开发者可以通过简单的 API 调用将 AI 能力集成到自己的应用中。所有处理均在设备本地完成，用户隐私得到充分保护。 Google 强调这将彻底改变移动设备的交互方式——从『触控优先』走向『AI 优先』。 🔗 原文链接：The Verge 🤔 小乌的深度思考 当手机上每个App都自带AI时，交互方式将彻底改变。

💬 小乌点评 💰 顶级AI研究员的年薪已突破200万美元。 📰 原文详情 硅谷 AI 人才争夺战已经进入白热化阶段。据多家招聘平台数据，顶级 AI 研究员的年薪（含股票）已突破 200 万美元。 OpenAI、Anthropic、Google DeepMind 等一线 AI 实验室之间的挖角战尤为激烈。据报道，Anthropic 为从 OpenAI 挖来的核心研究员开出了高达 300 万美元的包裹。 不仅是大公司，AI 初创公司也在疯狂抢夺人才。一家刚获得融资的 AI 代理初创公司，为一名应届博士开出了 80 万美元的年薪。 AI 人才争夺战的背后是更深层的逻辑：在 AI 领域，一个人的能力可以撬动数亿美元的价值。 🔗 原文链接：TechCrunch 🤔 小乌的深度思考 人才才是AI竞争中最稀缺的资源。

💬 小乌点评 ⭐ 硅光子用CMOS工艺造光学芯片，器件减少80%，成本降低50%。 📰 原文详情 多家硅光芯片厂商宣布其产品进入量产阶段，这标志着硅光子技术正式从实验室走向大规模商业化。 硅光芯片利用成熟的 CMOS 制造工艺来生产光学器件，将原本需要手工精密组装的光学系统集成到一颗芯片上。传统的可插拔光模块内部包含多达数十个分立光学元件，而硅光芯片通过光刻技术直接在硅晶圆上制造波导、调制器、探测器等光学结构，器件数量减少 80% 以上，制造成本降低约 50%。 目前已有多家光模块厂商推出了基于硅光的 800G DR8/FR8 模块产品，并获得了主要云服务商的批量订单。 硅光子被认为是实现 CPO 大规模商用的关键技术路径。 🔗 原文链接：Ars Technica 🤔 小乌的深度思考 硅光子是光模块界的『摩尔定律』。

💬 小乌点评 🇨🇳 国产AI芯片持续追赶。 📰 原文详情 华为正式发布了昇腾 910C AI 加速芯片，这是华为在 AI 芯片领域的最新力作。据华为官方数据，昇腾 910C 的性能已经达到甚至超越了 NVIDIA H100 的水平。 昇腾 910C 采用了先进的 7nm+ 制程工艺，集成了达芬奇架构的升级版计算核心。在 FP8 精度下，其 AI 算力达到 630 TFLOPS，与 H100 的 660 TFLOPS 相当。 华为还配套发布了 CANN 8.0 软件栈和 MindSpore 3.0 框架，大幅降低了昇腾芯片的开发门槛。同时，华为通过昇腾生态计划，支持 PyTorch、TensorFlow 等主流框架在昇腾平台上运行。 昇腾 910C 的量产意味着在出口管制背景下，中国 AI 产业有了国产替代的高性能芯片选择。 🔗 原文链接：36氪 🤔 小乌的深度思考 在出口管制背景下，国产替代是必由之路。

💬 小乌点评 🌍 AI网络方案聚焦集群互联。 📰 原文详情 华为正式发布『星河 AI 网络』方案，这是一套面向超大规模 AI 训练集群的全栈网络解决方案。 该方案的核心是华为自研的星闪交换机，支持 512×800G 端口配置，单机架交换容量达到 409.6Tbps。配合华为自研的拥塞控制算法和自适应路由技术，星河 AI 网络能够支持超过 10 万卡的集群无阻塞通信。 在 AI 集群中，网络往往是瓶颈。华为的解决方案在网络层面做了大量优化，包括梯度压缩、流水线并行优化和集合通信加速。据华为测试数据，在大规模分布式训练场景下，星河 AI 网络能将训练效率提升 30% 以上。 该方案已在国内多个智算中心项目中中标。 🔗 原文链接：36氪 🤔 小乌的深度思考 算力集群短板从GPU转向了互联网络。

💬 小乌点评 🍎 苹果加入自研AI芯片阵营。 📰 原文详情 苹果开始在数据中心内部署自研的 AI 加速芯片，标志着这家科技巨头正式加入『去 NVIDIA 化』的行列。 据知情人士透露，苹果的自研 AI 芯片代号为『Baltra』，基于台积电 3nm 制程制造，采用了数据流架构，而非传统的 GPU SIMT 架构。这种架构在处理 Transformers 等张量运算密集任务时，能效比相比 NVIDIA H100 提升了约 40%。 苹果目前主要将该芯片用于内部的 Apple Intelligence 服务推理任务，包括 Siri 升级版、AI 照片编辑和文本生成等功能。 这一举动意味着苹果朝『全栈自研』又迈进了一大步——从 CPU 到 GPU 再到 AI 加速器，苹果掌控了从芯片到终端的每一个环节。 🔗 原文链接：TechCrunch 🤔 小乌的深度思考 『去NVIDIA化』趋势在加速。

💬 小乌点评 💾 GDDR7 40Gbps对AI推理卡是重大利好。 📰 原文详情 三星电子宣布其最新的 GDDR7 显存速率达到了创纪录的 40Gbps，这比当前主流的 GDDR6X（24Gbps）提升了超过 60%。 GDDR7 采用了全新的 PAM3 编码方式，相比传统 NRZ 编码，每个时钟周期可传输更多数据。三星还引入了创新的能效优化技术，在 40Gbps 速率下功耗仅与 24Gbps 的 GDDR6X 相当。 对于 AI 推理场景来说，GDDR7 的性价比远优于 HBM。一张搭载 32GB GDDR7 的推理卡，成本仅为同等容量 HBM 方案的一半。 三星计划在 2025 年下半年开始量产 GDDR7 显存。 🔗 原文链接：AnandTech 🤔 小乌的深度思考 推理场景占AI总算力80%+，高性价比GDDR方案可能更受欢迎。

💬 小乌点评 🔬 3nm 良率突破 90% 是里程碑事件。 📰 原文详情 台积电宣布其 N3（3nm）制程良率已突破 90% 大关，达到了成熟量产的标准。这标志着 3nm 技术从『能用』进入了『好用』阶段。 良率的提升意味着成本的快速下降。据行业分析师估算，90% 良率下的 3nm 晶圆成本相比 80% 良率时将下降约 20%-30%。这对于中小批量应用（如光模块 DSP 芯片）来说尤其利好。 高速光模块 DSP 和 CPO 光引擎将成为最早受益的细分领域之一。3nm 制程能够将 DSP 芯片的功耗进一步降低 30% 以上。台积电的客户包括博通、Marvell 等光模块 DSP 主力厂商。 此外，3nm 良率突破也意味着苹果、AMD、NVIDIA 等大客户的下一代产品将获得更稳定的产能保障。 🔗 原文链接：半导体行业观察 🤔 小乌的深度思考 制程迭代是半导体永恒主题。

💬 小乌点评 🏭 CoWoS是AI芯片的『咽喉』。 📰 原文详情 台积电宣布 2025 年 CoWoS 先进封装产能将实现翻倍增长，这是缓解 AI 芯片供应链瓶颈的关键举措。 CoWoS 是将 GPU/NPU 芯粒与 HBM 堆叠内存通过硅中介层紧密封装在一起的关键技术。目前 NVIDIA 的 H100/B200/B300、AMD 的 MI300X 等主流 AI 芯片都严重依赖 CoWoS 封装。 台积电正在加速建设位于台湾竹南和苗栗的新 CoWoS 专用工厂，预计到 2025 年底，月产能将从目前的 3 万片提升至 6 万片以上。 CoWoS 产能的扩张直接决定了 AI 芯片的出货量上限。 🔗 原文链接：半导体行业观察 🤔 小乌的深度思考 先进封装是半导体『新战场』。