半导体

💬 小乌点评 💡 液态计算机虽出错率高，但为“非冯·诺依曼”架构提供了全新的物质载体。 📰 原文详情 Tom’s Hardware报道了一项来自物理学家的新奇计算范式：将400个3微米半径的二氧化硅小球悬浮在一种水-二甲基吡啶混合液体中，温度控制在28°C，每个小球的一侧覆盖80nm的碳层。通过施加外部势场，这些小球在液体中形成混沌轨道，系统的整体行为可以用于求解特定类型的计算问题（如优化和组合问题）。研究人员将这种系统比作“液态计算机”，每个小球充当一个振荡器。目前该系统的错误率比成熟的忆阻器（memristor）计算机高出约10倍，且扩展性有限。但研究团队认为，这种基于物理系统的计算方式在低功耗和并行运算方面具有独特优势，尤其在模拟物理过程时可能超越传统数字计算机。下一步目标是降低错误率和实现小规模集成。 💡 技术纵深 液态计算机本质上是一种模拟计算系统，其优势可能不在通用计算，而是在特定领域的物理仿真——例如模拟天气系统、流体力学或粒子碰撞。与忆阻器相比，它的错误率虽然高，但能耗可能更低且制造简单（无需半导体fab）。不过，要实现实用化必须解决两大问题：粒子间的精确控制和信号读出方式。这个方向很符合“物理计算”复兴的趋势，但距离工程应用仍有5-10年差距。 液态计算机虽出错率高，但为“非冯·诺依曼”架构提供了全新的物质载体。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：Tom’s Hardware 🤔 小乌的深度思考 🤔 液态计算机本质上是一种模拟计算系统，其优势可能不在通用计算，而是在特定领域的物理仿真——例如模拟天气系统、流体力学或粒子碰撞。与忆阻器相比，它的错误率虽然高，但能耗可能更低且制造简单（无需半导体fab）。不过，要实现实用化必须解决两大问题：粒子间的精确控制和信号读出方式。这个方向很符合“物理计算”复兴的趋势，但距离工程应用仍有5-10年差距。

💬 小乌点评 💡 AI狂热让内存涨价，连手机都得替数据中心买单。 📰 原文详情 Google设备和服务副总裁Shakil Barkat在接受9to5Google采访时，几乎确认了Pixel 11将比Pixel 10更贵。鉴于AI数据中心爆发导致持续的RAM供应紧张（这是全球半导体行业近期的普遍现象），传闻中的涨价并不令人意外。分析师指出，HBM和DDR5内存产能被AI训练芯片大量抢走，消费电子面临的DRAM成本上升将直接转嫁给消费者。Pixel 10的起售价已经接近900美元，Pixel 11突破千元大关的可能性很大。三星、小米等其他品牌可能也会跟进。 💡 技术纵深 这是AI算力需求外溢到消费电子的典型案例。如果内存短缺持续，智能手机均价上升将抑制换机周期，对整个行业产生连锁反应。 AI狂热让内存涨价，连手机都得替数据中心买单。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：The Verge 🤔 小乌的深度思考 🤔 这是AI算力需求外溢到消费电子的典型案例。如果内存短缺持续，智能手机均价上升将抑制换机周期，对整个行业产生连锁反应。

💬 小乌点评 💡 Intel正借助AI数据中心需求复苏，同时稳步推进最激进的技术路线图。 📰 原文详情 Intel公布2026年第二季度财报，营收增长25%超出指引，净利润大幅扭亏。CEO帕特·基辛格将此归功于AI服务器芯片和先进封装订单的强劲增长，尤其是来自超大规模云客户的采购。最受关注的14A工艺（等效1.4nm）确认将在2028年开始大规模量产。这是Intel从IDM 2.0转向“四年五个节点”战略的关键一步。与台积电的竞争格局看，Intel 14A将基于自研的High-NA EUV光刻工艺，预计在晶体管密度和能效上实现对台积电A16的反超。此外，Intel还披露了Clearwater Forest能效核至强处理器的进展，预计将大幅降低数据中心功耗。分析师认为Intel的转型正在步入正轨，但14A的量产挑战巨大——不仅是良率问题，还有来自AMD/ARM架构生态的竞争。 💡 技术纵深 Intel在工艺上大跃进的同时，生态和架构的短板仍需补课。14A成功量产只是第一步，能否获得足够的外部代工订单才是长期考验。 Intel正借助AI数据中心需求复苏，同时稳步推进最激进的技术路线图。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：Tom’s Hardware 🤔 小乌的深度思考 🤔 Intel在工艺上大跃进的同时，生态和架构的短板仍需补课。14A成功量产只是第一步，能否获得足够的外部代工订单才是长期考验。

💬 小乌点评 💡 芯片涨价潮从先进制程蔓延到移动SoC，安卓阵营成本压力山大。 📰 原文详情 据Bloomberg报道，高通已向客户发送信函，警告将从9月1日起对已发货产品实行“两位数百分比”的价格上调。高通声称已“耗尽吸收供应商更高成本的能力”，持续组件短缺和原材料价格上涨是主因。此次涨价涵盖移动SoC、基带芯片和物联网产品。分析师指出，这意味着下一代安卓旗舰手机（如Galaxy S27、小米15等）成本将增加20-30美元，其他消费电子设备同样受影响。高通涨价时机敏感：正值其最大客户三星自研Exynos芯片取得进展，且联发科在性能上不断逼近。高通需要通过涨价维持利润，但可能促使客户加速自研或转单。台积电近期也提高了先进制程晶圆价格，整个半导体供应链成本向上游传导已不可避免。 💡 技术纵深 高通涨价实际上是台积电涨价、通胀及地缘政治成本叠加的必然结果。但移动芯片市场毕竟竞争激烈，高通的定价权并非无限。 芯片涨价潮从先进制程蔓延到移动SoC，安卓阵营成本压力山大。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：The Verge 🤔 小乌的深度思考 🤔 高通涨价实际上是台积电涨价、通胀及地缘政治成本叠加的必然结果。但移动芯片市场毕竟竞争激烈，高通的定价权并非无限。

💬 小乌点评 💡 AMD 正在挑战 NVIDIA 的 AI 芯片霸主地位，Anthropic 成了关键盟友。 📰 原文详情 AMD 宣布与 AI 公司 Anthropic 签署一项里程碑式协议，将提供总计 2 吉瓦（GW）的 Instinct MI450 GPU 算力，并计划投资高达 50 亿美元于 Anthropic。首波 1GW 算力预计于 2027 年上半年在 AMD 的 Helios 机架级系统中上线。Anthropic 目前已经在使用 AMD 的 MI355X GPU。这笔交易标志着 AMD 在 AI 芯片市场对 NVIDIA 的直接挑战，也表明 Anthropic 正在寻求多元化其硬件供应商，以减少对 NVIDIA 的依赖。AMD CEO Lisa Su 表示，此次合作将推动 AI 推理和训练的性能边界。 💡 技术纵深 算力军备竞赛升级，Anthropic 用 AMD 作为制衡 NVIDIA 的筹码。2GW 算力需求预示着 AI 模型规模仍将指数级增长。 AMD 正在挑战 NVIDIA 的 AI 芯片霸主地位，Anthropic 成了关键盟友。 ...

💬 小乌点评 💡 当NVIDIA的下一代架构直接跑着OpenAI的负载，这不仅是技术展示，更是AI生态的终极绑定。 📰 原文详情 Tom’s Hardware获得了独家机会，探访了NVIDIA位于其总部附近、此前未公开的“工程超级实验室”。该实验室展示了其下一代AI计算平台Vera Rubin NVL72的实际运行情况。Vera Rubin NVL72是一个巨大的机架级系统，集成了72个GPU和CPU，专为训练和推理最复杂的大语言模型而设计。在演示中，该系统成功运行了OpenAI的工作负载，展示了其强大的计算能力和能效。一个亮点是实验室展示了800V直流配电系统，这是为了应对下一代GPU更高的功耗需求而设计的。NVIDIA工程师透露，该实验室不仅用于硬件验证，还用于与主要客户（如OpenAI、Microsoft和Meta）进行联合优化。这一设施的存在表明，NVIDIA正在从芯片制造商转型为AI基础设施的全栈解决方案提供商。 💡 技术纵深 这个“超级实验室”是NVIDIA最强大的护城河之一。它不仅是测试场，更是与OpenAI等巨头深度绑定的“共谋”空间。从芯片到机架再到配电系统，NVIDIA正在把AI计算变成一个几乎无法绕开的“黑盒”平台。竞争对手不仅要追上芯片，还要追上整个生态。 当NVIDIA的下一代架构直接跑着OpenAI的负载，这不仅是技术展示，更是AI生态的终极绑定。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：Tom’s Hardware 🤔 小乌的深度思考 🤔 这个“超级实验室”是NVIDIA最强大的护城河之一。它不仅是测试场，更是与OpenAI等巨头深度绑定的“共谋”空间。从芯片到机架再到配电系统，NVIDIA正在把AI计算变成一个几乎无法绕开的“黑盒”平台。竞争对手不仅要追上芯片，还要追上整个生态。

💬 小乌点评 💡 基辛格离开英特尔后立刻投身硅光子，看来他早就想好了“光速”超车的路线图。 📰 原文详情 前英特尔CEO帕特·基辛格在离职后迅速获得1000万美元投资，成立了一家专注于硅光子芯片的新公司。基辛格认为，传统电子芯片的互连带宽正成为性能瓶颈，而利用光信号进行数据传输可以大幅提升能效和速度，从而“重启摩尔定律”。这家新公司旨在开发基于硅光子的芯片间和芯片内互连技术，特别适用于AI数据中心和高性能计算场景。硅光子技术利用现有的CMOS制造工艺，将光学组件集成到硅芯片上，有望在功耗和带宽密度上实现数量级的提升。基辛格表示，他的目标是让光互连成为下一代AI计算基础设施的标准。这笔投资来自几家风险投资公司和战略投资者，其中包括一些大型云计算公司。基辛格的团队已经吸引了一些来自英特尔和光通信领域的顶尖工程师。 💡 技术纵深 基辛格在英特尔时就力推硅光子，现在自己创业，算是把个人信仰变成了公司使命。硅光子确实是解决AI芯片“内存墙”和“功耗墙”的关键技术，但从实验室到大规模量产还有很长的路。基辛格的品牌效应能帮他吸引资源和客户，但技术落地才是真正的考验。 基辛格离开英特尔后立刻投身硅光子，看来他早就想好了“光速”超车的路线图。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：Wired 🤔 小乌的深度思考 🤔 基辛格在英特尔时就力推硅光子，现在自己创业，算是把个人信仰变成了公司使命。硅光子确实是解决AI芯片“内存墙”和“功耗墙”的关键技术，但从实验室到大规模量产还有很长的路。基辛格的品牌效应能帮他吸引资源和客户，但技术落地才是真正的考验。

💬 小乌点评 💡 英特尔代工业务终于拿到一个像样的网络芯片客户，但Fortinet的量级能撑起其野心吗？ 📰 原文详情 英特尔宣布与网络安全公司Fortinet达成合作，将为其联合开发并代工下一代防火墙ASIC芯片，代号为SP6。这款芯片将采用英特尔的Intel 4制程工艺，这是该制程首次获得命名的外部客户。SP6芯片将采用分解式半导体设计和先进封装技术，以实现更高的性能和能效。Fortinet表示，与英特尔的合作将使其能够推出性能更强大的防火墙设备，以应对日益复杂的网络威胁。对于英特尔来说，这笔交易是其代工服务（IFS）业务的一个重要里程碑，表明其在先进制程上获得了外部客户的认可。尽管英特尔在CPU市场面临挑战，但其代工业务正在逐步赢得订单，包括与联发科和AWS的合作。分析师认为，网络和安全芯片是一个稳定增长的市场，对英特尔代工业务的长期发展有利。 💡 技术纵深 英特尔代工终于有了点起色，但Fortinet的体量远不如苹果或英伟达。这更像是一个“证明自己”的案例，表明Intel 4制程有能力服务外部客户。真正的考验是能否拿下更大体量的订单，比如高通或AMD的竞争对手。 英特尔代工业务终于拿到一个像样的网络芯片客户，但Fortinet的量级能撑起其野心吗？ 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：Tom’s Hardware 🤔 小乌的深度思考 🤔 英特尔代工终于有了点起色，但Fortinet的体量远不如苹果或英伟达。这更像是一个“证明自己”的案例，表明Intel 4制程有能力服务外部客户。真正的考验是能否拿下更大体量的订单，比如高通或AMD的竞争对手。

💬 小乌点评 💡 技术脱钩从芯片延伸到无人机，大疆的“曲线救国”策略面临终结。 📰 原文详情 美国联邦通信委员会（FCC）正准备首次动用其去年获得的追溯性权力，禁止已获批准的设备进口和销售。此次打击的目标是疑似大疆（DJI）的“壳公司”。FCC怀疑这些公司通过伪装身份，将大疆的无人机和相机产品以其他品牌名义进口到美国市场。去年10月，FCC获得了追溯性禁止设备的权力，旨在加强对国家安全风险的管控。此次行动标志着FCC首次实际使用这一权力。大疆此前已被美国商务部列入实体清单，但其产品仍通过第三方渠道进入美国。FCC的新禁令将直接针对这些灰色渠道，预计将严重影响大疆在美国的市场份额。 💡 技术纵深 FCC的追溯性禁令是一把“回旋镖”，虽然针对大疆，但也为其他中国科技公司敲响警钟。技术出口管制正在从“前端审批”走向“后端追溯”，合规难度大增。对于依赖美国市场的中国硬件公司，本土化或第三国转口将是唯一出路。 技术脱钩从芯片延伸到无人机，大疆的“曲线救国”策略面临终结。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：The Verge 🤔 小乌的深度思考 🤔 FCC的追溯性禁令是一把“回旋镖”，虽然针对大疆，但也为其他中国科技公司敲响警钟。技术出口管制正在从“前端审批”走向“后端追溯”，合规难度大增。对于依赖美国市场的中国硬件公司，本土化或第三国转口将是唯一出路。

💬 小乌点评 💡 谷歌自研芯片的野心不止于TPU，这次是冲着端到端模型优化去的。 📰 原文详情 据知情人士透露，谷歌母公司Alphabet正在研发一款新的AI芯片，旨在使其Gemini大语言模型运行得更加高效。这款新芯片不同于谷歌现有的TPU系列，而是专门针对Gemini模型的架构和计算需求进行定制优化。消息称，新芯片将采用先进的制程工艺和创新的内存架构，以降低推理成本和能耗。谷歌希望通过自研芯片减少对外部供应商的依赖，同时提升Gemini在云服务和终端设备上的性能表现。该项目目前处于早期开发阶段，预计需要一到两年才能量产。此举反映了科技巨头在AI硬件领域的竞争日益激烈，微软、亚马逊和Meta也都在加速自研AI芯片。 💡 技术纵深 谷歌这步棋很聪明。Gemini作为旗舰模型，对算力的需求是无穷的。自研专用芯片不仅能降本增效，还能构建软硬一体的护城河。但挑战在于，专用芯片的研发周期长、风险高，能否赶上模型迭代的速度是最大变数。 谷歌自研芯片的野心不止于TPU，这次是冲着端到端模型优化去的。 这一趋势正在深刻影响整个行业的竞争格局和技术路线选择。 🔗 原文链接：TechCrunch 🤔 小乌的深度思考 🤔 谷歌这步棋很聪明。Gemini作为旗舰模型，对算力的需求是无穷的。自研专用芯片不仅能降本增效，还能构建软硬一体的护城河。但挑战在于，专用芯片的研发周期长、风险高，能否赶上模型迭代的速度是最大变数。