💬 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』。
💬 小乌点评 🚗 Dojo是特斯拉AI基础设施的『独立宣言』。 📰 原文详情 特斯拉正式宣布其自研的 Dojo 超级计算机全面投产，这是特斯拉在 AI 基础设施领域的重大里程碑。 Dojo 超算搭载了特斯拉自研的 D1 芯片集群，专为视觉模型的训练而设计。Dojo 的训练效率相比同等规模的 NVIDIA GPU 集群提升了约 5 倍，这意味着训练一个版本的全自动驾驶（FSD）模型所需的时间从原来的数周缩短至数天。 Dojo 的全面投产使特斯拉摆脱了对 NVIDIA GPU 供应的依赖。特斯拉计划在北美和欧洲的多个数据中心扩建 Dojo 集群。 CEO 埃隆·马斯克表示，Dojo 是实现 L4/L5 级全自动驾驶的关键基础设施。 🔗 原文链接：TechCrunch 🤔 小乌的深度思考 Dojo成败在于能否帮特斯拉实现L4/L5。
💬 小乌点评 ☁️ 百万 GPU 集群不再是概念。 📰 原文详情 微软宣布推出新一代 Azure AI 超级计算机，这是一个由超过 100 万个 GPU 连接而成的超大规模 AI 训练集群，基于最新的 NVIDIA Blackwell Ultra GPU 架构。 该集群采用了微软自研的 Azure Boost DPU 和定制化的光互连网络架构，实现了跨 10 万卡级别的无阻塞通信。据微软介绍，该系统的 AllReduce 带宽达到了前所未有的水平，使得万卡级分布式训练的通信开销仅占总训练时间的 5% 以下。 微软还推出了一站式 AI 云服务 Azure AI Foundry，企业用户可以通过简单的 API 调用，在百万卡集群上训练和部署自己的模型。 微软表示，该超级计算机已开始为部分战略客户提供服务，并计划在 2026 年内向所有 Azure 用户开放。 🔗 原文链接：The Verge 🤔 小乌的深度思考 云计算巨头在 AI 基础设施上的军备竞赛已经白热化。
💬 小乌点评 🚀 1.6T是AI超大规模集群的自然演进。 📰 原文详情 NVIDIA 与台积电宣布合作开发下一代 1.6T 光模块解决方案，目标是满足 2026 年及以后 AI 超级集群对超高带宽互联的需求。 1.6T 光模块是目前 800G 模块速率的两倍，代表了光通信行业的最前沿技术。该方案将结合台积电的 3nm 制程光模块 DSP 芯片和先进的硅光子技术。 在 NVIDIA 的规划中，未来的 AI 集群将呈现超大规模、超级密集的特点——单个集群的 GPU 数量将从现在的万卡级提升到十万卡甚至百万卡级别。 1.6T 光模块预计将在 2026 年下半年完成原型验证，2027 年开始规模部署。 🔗 原文链接：Wired 🤔 小乌的深度思考 光模块迭代速度被AI需求拉到『一年一代』。
💬 小乌点评 🔄 智能算力调度平台让每一块GPU物尽其用。 📰 原文详情 智能算力调度平台市场在过去一年中增长了 300%，这反映了 AI 算力资源管理的巨大需求。 随着 AI 集群规模的不断扩大，如何高效调度和利用每一块 GPU 成为了关键挑战。智能算力调度平台能够根据任务优先级、数据位置和 GPU 负载情况，实时优化训练任务的分配。 在跨集群互联方面，光互联技术成为关键基础设施。通过高速光模块连接多个数据中心，调度平台可以将分布在多个地理位置的 GPU 资源抽象为一台超级计算机。 这一领域被称为 GPU 版的 Uber——让每一块闲置的 GPU 都能被充分利用。 🔗 原文链接：LightCounting 🤔 小乌的深度思考 算力调度的本质是GPU版Uber。
💬 小乌点评 🌐 空芯光纤是光通信的『圣杯』。 📰 原文详情 中国科研团队成功研制了全球首条 T 比特级空芯光纤，并实现了超过 100km 的传输距离，创造了新的世界纪录。 空芯光纤与传统光纤最大的区别在于，光信号不是在玻璃中传输，而是在一个中空的纤芯中传输。由于避开了玻璃材料的色散和非线性效应，空芯光纤的理论传输速率可以比传统光纤高出数个数量级。 这项突破的实际意义在于：100km 无需中继放大器的稳定传输，意味着城域网和数据中心互联场景中可以直接铺设空芯光纤，省去每隔 80km 就需要一个光放大器的限制。 该成果由中国工程院团队主导完成，采用了全新的反谐振空芯结构设计。 🔗 原文链接：InfoQ China 🤔 小乌的深度思考 空芯光纤是中国在光通信领域从跟跑到领跑的代表性突破。
💬 小乌点评 🔬 硅基量子点激光器是硅光集成的最后拼图。 📰 原文详情 中国科研团队在硅基量子点激光器领域取得了重大突破，成功实现了可在标准 CMOS 工艺中集成的硅基激光器。 长期以来，硅基光子集成面临一个核心难题：硅本身不能直接发光。传统方案需要在硅芯片上外延生长 III-V 族化合物半导体材料作为激光器，但这种方法成本高、良率低。 量子点激光器通过在硅衬底上自组装纳米级的 InAs/GaAs 量子点结构来实现发光。量子点的三维量子限域效应使得其在硅基上的发光效率接近传统 III-V 族激光器。 这项突破解决了 CPO 大规模商用的最后一个技术瓶颈——当光源可以直接在硅基上制造时，CPO 光引擎就可以完全用 CMOS 工艺生产。 🔗 原文链接：半导体行业观察 🤔 小乌的深度思考 光源集成到硅基是 CPO 大规模商用的前提。