跳到主要内容
Industry Research Team
查看所有作者

工博会国芯展观察:超节点取代单卡,成为国产算力的展示主场

· 阅读需 4 分钟
Industry Research Team

10 月 12 日,第二十六届中国国际工业博览会在上海开幕,首次独立设置集成电路展(国芯展),300 余家芯片企业参展。逛完展区最直观的感受是:几乎所有主流 AI 芯片企业都把展示重心从芯片、加速卡转移到了「超节点」——外形像发光衣柜的机柜级系统,正在成为 AI 时代的水电煤。

需求侧:算力增速 87.9% 的背景板​

IDC 报告给出了超节点热度的注脚:2026 年中国智能算力规模预计达 2,576.5 EFLOPS,同比增长 87.9%。随着大模型与智能体(Agent)加速投入生产,推理算力接替训练成为新增长极,而推理对「多卡协同效率」的敏感度远高于单卡峰值算力——这正是超节点的用武之地。

展会上的超节点图谱​

厂商方案关键规格(公司口径)
天数智芯天垓300 IXL144单机柜 144 颗 GPU + 18 颗 CPU,约 10.1TB 显存,业界最高密度单机柜 GPU 超节点
沐曦曦景 S600单机柜 64 卡全互连,支持横向扩展至万卡规模
燧原云燧 ESL64-O(与中兴通讯合作)正交架构、高密集成、零线缆设计,支撑万卡级以上集群组网
东方算芯慧算 HS256双机柜 8 台液冷服务器,单超节点 33 PFLOPS(FP16),年底交付千卡级集群

天垓300 IXL144 的思路值得单独说:它跳出单一芯片性能比拼,采用适配行业通用标准的单机柜形态,在现有机房条件下即可部署,支持一次规划、弹性分步扩容。天数智芯测算每百万有效 Token 成本较国际主流方案下降约 40%(公司口径,无第三方验证)。天垓系列已实现万卡级商业部署,覆盖 30 余个行业、380 余家客户。

沐曦还有个奖项之外的产品线值得记录:曦索 X302 科学智能 GPU 获 2026 国芯展创新成果奖,搭载 MetaXLink 支持 128 卡超节点低时延组网,面向气象海洋、流体力学、分子动力学等 AI4S 场景——国产 GPU 正在把「科学计算」作为差异化战场。

超节点不是造个机柜​

工博会现场传递的工程现实是:超节点是系统工程,比拼的是系统经济效能——互连时延、故障自愈、CheckPoint 秒级保存、异构混训、算电协同。研报口径下,传统 8 卡服务器集群 MFU 约 30%,而 4,096 卡超节点集群的 MFU 可提升 2.75 倍。MFU(模型算力利用率)每提高一个百分点,等于同样的电费多产出一份 Token——这才是超节点竞赛的本质。

采购视角的两个提醒​

  1. 「单机柜 144 卡」的可比性:不同厂商的卡性能、互连带宽、显存容量差异巨大,比较超节点要看整机柜的 FP8/FP4 总算力、总显存与互连拓扑,不能只数卡数。
  2. 公司口径与实测口径:本表规格均来自各公司发布口径,采购评估应要求 PoC 实测 MFU 与单位 Token 成本。

相关阅读​

真正的瓶颈在封装:CoWoS-L、混合键合与 AI 芯片的产能暗线

· 阅读需 3 分钟
Industry Research Team

讨论 AI 芯片时,注意力总在「3nm 还是 2nm」。但供应链的真相是:决定你能买到多少颗芯片的,往往不是晶圆厂,而是封装厂。

一、为什么封装成了瓶颈​

现代 AI 加速器是「逻辑芯粒 + HBM 堆叠」的异构集成体:

  • 一颗旗舰 AI 芯片需要 8 颗以上 HBM,每颗 HBM 又是 8-16 层 DRAM 堆叠
  • 2.5D 封装(CoWoS 家族)把逻辑芯粒与 HBM 集成在同一基板上,产能受限于中介层与基板供应
  • 前道晶圆可以加班扩产,CoWoS 的扩产周期以年计——先进封装才是整条链的节拍器

这就是为什么 OpenAI 与 Broadcom 的自研芯片项目要预先锁定台积电 CoWoS-L 产能:拿到封装额度,才真正拿到出货权。

二、HBM4 时代的封装技术竞赛​

技术作用玩家
CoWoS-L硅桥中介层,支持多芯粒 + 高密度 HBM 集成台积电(产能最紧缺)
混合铜键合支撑 16 层以上堆叠,热阻降低 20%+三星(HBM4)、SK 海力士
1c DRAM 工艺HBM4 速率 11.7-13Gbps(JEDEC 标准 8Gbps)三星
Turnkey 模式4nm 逻辑基片 + HBM4 + 封装打包供应三星(反击 SK 海力士的先发生态位)

SK 海力士凭 HBM3E 世代的认证先机占据约 50% HBM 收入份额,三星 33%、美光 18%。HBM4 世代三星押注「按性能定价」+ turnkey 打包,竞争逻辑从「谁的产能大」切换为「谁的性能强、谁的集成度高」。

三、先进制程的真实意义​

2nm 的价值经常被高估为「算力翻倍」,实际上它的作用更精确:

  • 能效比:同算力下功耗下降,直接决定 1800W 封顶(风冷/液冷阈值)下能塞进多少算力
  • 逻辑芯粒密度:N3P 相对 4NP 约 1.3 倍密度、18% 动态功耗下降——对推理专用芯片,砍掉 FP64 后的面积红利进一步放大
  • 成本:先进制程晶圆更贵,这也是为什么推理 ASIC 会认真考虑「上一代制程 + 大芯片」还是「先进制程 + 专用化」的权衡

四、给采购者的三个提醒​

  1. 交期谈判要问到封装层:问「CoWoS 额度锁到哪一季度」,比问「流片了没」更能预测交付
  2. HBM 世代与芯片世代解耦看:HBM4 三倍报价意味着 2027 年新平台的内存成本占比继续抬升,存储超级周期要计入 TCO
  3. 国产替代看封装机会窗口:先进封装(2.5D/3D)的技术追赶周期短于 EUV 前道制程,是国内产业链现实性更强的切入点

延伸阅读:机柜即产品 · HBM4 三倍报价 · 完整对比表

TPU 从自用到卖货:谷歌芯片外部客户版图浮出水面

· 阅读需 3 分钟
Industry Research Team

谷歌造芯十五年,最被低估的变化发生在商业模式上:TPU 不再只是谷歌自家数据中心的「成本项」,而是谷歌云的收入项。2026 年,这个转变的证据链已经完整。

一、外部客户版图​

客户合作内容时间
Anthropic承诺供应至多 100 万颗 TPU、2026 年超 1GW 容量(数百亿美元级);2026 年 4 月再加订数吉瓦2025-10 起
Meta被曝签署数十亿美元合同,租赁谷歌 TPU 集群2026 年报道
蚂蚁集团高强度计算负载迁移至 TPUv7,训练性能提升 200%2026-08 I/O Connect China
新兴云厂商与 Crusoe、CoreWeave 等就 TPU 落地其数据中心进行洽谈2026 年报道

Anthropic 是最大竞争对手之一,其算力命脉部分握在谷歌手里——这在商业史上几乎前所未有。而 Meta 一边推进自研 MTIA 路线图、一边与 AMD 签下最高 6GW 合作、同时还租用 TPU,「不把算力押注在单一硬件上」成为头部模型公司的共识。

二、出货量与收入节奏​

  • TPU 出货量 2025 年约 250 万片,2026 年目标上调 50%、总量预计突破 370 万片
  • 谷歌 CFO 在财报会上明确:2026 年 TPU 收入只占一小部分,大部分订单将在 2027 年兑现
  • IDC 预测推理市场 ASIC 份额从 2024 年的 15% 升至 2030 年的 80%——谷歌是这条替代曲线的最大推手

三、为什么谷歌能做到而别人难以复制​

谷歌真正的护城河不是某一颗芯片,而是「芯片—模型—编译器—网络—数据中心—云」的垂直一体化:

  • 自研光学电路交换机(OCS)支持 Pod 内网络拓扑动态重构
  • XLA 编译器把软硬协同效率压到极致;2026 年 10 月 TorchTPU 开源后,PyTorch 生态的准入门槛进一步坍塌
  • DeepMind 能预判未来模型形态、提前锁定架构方向
  • 每一代 TPU 都真实部署在搜索、广告、YouTube 推荐和 Gemini 之上——庞大的自用需求托底,是自研芯片能撑过三代以上迭代的先决条件

四、对中国从业者的镜鉴​

百度昆仑芯常被拿来与 TPU 类比,但差距不在芯片本身,而在商业化半径:谷歌的 TPU 既自用又通过云对外规模化供给,而多数国内互联网大厂自研芯片仍停留在自用阶段。国产对外供给的力量是寒武纪、燧原、壁仞、沐曦这类独立芯片公司——融资与生态建设步步惊心,对标的是「巨头亲自下场」的另一种打法。

当芯片变成云服务的一部分,算力竞争的边界早已跨出国界。蚂蚁迁移 TPU 的案例说明:平台级算力竞争没有主场。

延伸阅读:TPU Ironwood 卡片 · TPU 8t/8i Q4 量产 · 完整对比表

TPU v8 四季度进入量产:8t/8i 拆分与 2027 年 910 万颗出货预测

· 阅读需 3 分钟
Industry Research Team

2026 年 10 月,多家台系供应链调研给出同一判断:Google TPU v8 将在本季度(2026 Q4)进入硬件供应链量产阶段,2027 年成为明显放量年。TPU 从第八代起首次拆分为训练与推理两条产品线,这个变化的影响不亚于性能提升本身。

出货预测:402 万到 910 万颗​

凯基证券 2026 年 10 月报告的核心数字(供应链口径,非 Google 官方):

项目2026 年2027 年(预估)
TPU v8 总出货量约 402 万颗约 910 万颗(+126%)
v8t(训练)—约 360 万颗
v8i(推理)—约 550 万颗
机柜出货—翻倍成长

需求侧最大的公开客户是 Anthropic:2025 年宣布扩至最高 100 万颗 TPU(超 1 GW),2026 年 4 月又与 Google、博通签署新协议,取得数 GW 的下一代 TPU(v8)产能,2027 年上线支撑 Claude 前沿模型。

8t 与 8i:第一次按负载拆分​

此前每一代 TPU 都同时承担训练与推理。v8 首次分化:

  • TPU 8t(市场分析代号 Zebrafish):训练专用,延续 3D Torus scale-up 架构,单 SuperPod 可扩展至 9,600 颗;面向大模型预训练与 embedding 密集负载。集成 Arm Axion CPU(Google 自研 64 核 Neoverse V2),TPU 与 CPU 协同。
  • TPU 8i(市场分析代号 Sunfish):推理专用,采用全新的 Boardfly 片间互联(ICI)拓扑,单 Pod 最多 1,152 颗 active TPU;面向后训练、采样、实时推理与推理型负载。

系统级升级同样激进:散热从芯片液冷升级为系统级液冷(单柜水冷价值约 4.5-5 万美元),电源引入**高压直流(HVDC)**架构(10kW PSU),PCB/载板大尺寸化。这意味着 v8 机柜的供应商结构比 v7 复杂得多——鸿海在 v8 拿到 TPU 层与 L11 机柜组装份额,Celestica 仍是 L10/L11 主力。

两个口径提醒​

  1. 代工伙伴归属有矛盾。Google Cloud Next 官方材料与部分供应链调研对 v8t/v8i 分别由博通还是联发科参与开发说法相反。本站两代卡片的处理方式是:正文保留官方活动口径,预测数字标注为凯基证券口径,采购与研究引用时请注明来源层级。
  2. 「出货量」不等于「可购买量」。v8 产能优先供应 Google 内部(Gemini、DeepMind)与 Anthropic 等大客户,外部云上可租用的 v8 实例预计要等 2027 年才逐步铺开。

对行业格局的意义​

TPU v8 放量 + Maia 300 部署 + Trainium 扩产,意味着 2027 年「非 NVIDIA 推理算力」的供给盘子里,自研 ASIC 将首次占到可观份额。对模型厂商,这意味着更低的推理单位成本与更强的议价筹码;对 NVIDIA,压力主要落在推理侧,训练侧的 CUDA 护城河短期无虞。

相关阅读​

GPU、ASIC、CPU 三分天下:AI 服务器的算力版图正在重组

· 阅读需 3 分钟
Industry Research Team

过去三年,AI 算力的叙事几乎是 GPU 的独角戏。2026 下半年,这张图变成了三角形:GPU 负责训练与通用推理,ASIC 接管固定的大规模推理,CPU 则因为 AI 代理的兴起重新回到关键路径上。

一、ASIC:从补充到主力​

四大云厂商的自研芯片成熟度已经拉开明显梯度:

厂商自研芯片状态
GoogleTPU(已至 v8,训练/推理双线)最成熟:单一超节点可串 9,216 颗,外部客户超百万颗
AWSTrainium高:Anthropic 的 Claude 运行在超过 100 万颗 Trainium2 上
MetaMTIA(四款路线图)发展中:同时与 AMD 签最高 6GW、租用谷歌 TPU
MicrosoftMaia 300起步中:正式发布、2027 百万颗部署,主力仍是英伟达

IDC 预测推理市场 ASIC 份额从 2024 年的 15% 升至 2030 年的 80%。无论这个终局预测是否精确,方向已经清晰:工作负载固定、规模巨大、在意成本与能效的推理场景,正在系统性流向 ASIC。

二、CPU:AI 代理带来的意外变量​

这是 2026 下半年最容易被忽视的新变量。Meta 9 月推出个人 AI 代理 Muse——可以代用户寄信、订行程、填表单,且关掉 App 后长时任务仍在云端持续执行。AI 代理的推理需要 GPU,但任务编排、API 调用、数据查询与每个用户常驻的虚拟机,主要由 CPU 承担。用户越多、后台任务越多,CPU 需求越高。

需求信号已经出现:

  • Intel CEO 表示其 CPU 产能只能满足约一半的 AI 相关需求
  • Meta 计划部署数千万个 AWS Graviton 核心处理 AI 代理工作负载

三、竞争单位从芯片放大到机柜​

与三角分工同步发生的,是竞争粒度的变化:NVIDIA Vera Rubin、AMD Helios、华为 Atlas 950 超节点、Meta MTIA 400——竞争以整座机柜为单位展开。瓶颈随之扩散:从运算芯片延伸到内存、封装、互联、电源与散热。这也是 HBM4 三倍报价与先进封装紧缺的共同背景。

四、对采购决策的影响​

  1. 不要用单一指标选型:训练看算力密度与互联,推理看每 Token 成本,代理编排看 CPU 与内存配置
  2. ASIC 进入采购清单:2027 年起,非英伟达推理算力的供给盘子里自研 ASIC 将占可观份额,谈判筹码结构改变
  3. 预算要留 CPU 项:智能体应用的成本模型里,CPU 与常驻虚拟机的开销不再是配角

延伸阅读:交互式对比工具 · TCO 计算器 · 超节点选型框架

HBM4 报价三倍:存储从「周期定价」切换到「代际定价」

· 阅读需 4 分钟
Industry Research Team

2026 年 10 月,存储行业发生了一件足以改写 AI 成本模型的事:三星把 HBM4 的供应报价定在每 Gb 4 至 5 美元——约是 HBM3E(约 1.5 美元/Gb)的三倍,并已启动与主要客户的年度合同谈判。这不是普通的涨价,而是定价逻辑的换代。

一、三倍报价的数字拆解​

HBM 以每 Gb 为单位计价,一颗标准 HBM4 芯片容量通常在 24-36Gb。按三星报价区间中值计算:

项目HBM3EHBM4
单价~1.5 美元/Gb4-5 美元/Gb
单颗价格~50 美元100-180 美元
英伟达供货口径17-18 美元/GB31-32 美元/GB(SK 海力士)

对 Vera Rubin 这类单服务器搭载 8 颗 HBM4 的平台而言,仅内存一项,单台服务器成本就增加数百美元。三家供应商(三星、SK 海力士、美光)定价策略高度一致——美光在财报电话会上也明确表示「明年 HBM 价格可能大幅上涨」。

二、为什么敢涨三倍:供需的结构性断裂​

TrendForce 的几个数字构成了底气:

  • 2026 年全球 HBM 市场规模增长 58% 至 546 亿美元,占 DRAM 市场近四成
  • 产能缺口维持在 50%-60%
  • 三星已将 2031 年前约 70% 的 HBM 产能分配给长约订单,现货价已涨至长约价的 4-5 倍
  • 2027 年 HBM 混合平均售价预计同比上涨 121%

更关键的是晶圆消耗的挤出效应:单颗 HBM 占用的晶圆面积约等于 3GB DDR5。三星高管给出的量化关系是——HBM 在 DRAM 产能中占比每提升 1 个百分点,消费级 DRAM 供给就被压缩约 3 个百分点。当占比从约 20% 升至 2027 年的近 30% 时,消费级 DRAM 供给收缩幅度接近 30%,这解释了 DRAM/NAND 全面涨价的传导链条。

三、性能跃迁给了「按性能定价」的资格​

HBM4 的技术升级是真实的:三星 HBM4 稳定传输速率 11.7Gbps、最高 13Gbps(JEDEC 标准为 8Gbps),基于第六代 10 纳米级 1c DRAM 工艺与混合铜键合技术,支持 16 层以上堆叠、热阻降低 20% 以上。竞争逻辑从「谁的产能大」变成「谁的性能强」——客户没有替代方案,议价空间极小。

一个有趣的细节:部分客户为应对涨价考虑把 12 层堆叠降为 8 层,但 TrendForce 指出 8 层产品的每 Gb 成本反而比 12 层高 10%-20%——基片成本摊不薄,降价策略本身推高单位成本。

四、对 AI 算力成本的三级传导​

  1. 芯片厂:HBM 占 AI 加速器 BOM 成本的比例显著上升,直接推高整机定价底座
  2. 云厂商:微软、谷歌、亚马逊、Meta 的数据中心预算被推高,TrendForce 预估 2026 年企业级 SSD 位元需求年增突破 80%
  3. 终端:成本通过云服务订阅费与 AI 产品定价传导——消费端已有体感,12+256GB 手机内存套件采购价涨至约 2200 元,DRAM 已超越 SoC 成为手机中最昂贵的元器件

五、对选型的启示​

在 TCO 计算器的口径里,芯片采购价只是显性成本,HBM4 时代的隐性变量是:同价位下 2027 年到货的芯片,单位算力成本可能因内存涨价而上浮。计划 2027 年扩容的团队,把 HBM 长约绑定与算力采购放在同一个谈判桌上,正在变成头部客户的标配动作。

新产能要到 2027 年底至 2028 年才陆续落地,高盛称这是 15 年来最严重的存储短缺。HBM4 的三倍报价不是周期高点,而是新定价基准的起点。

延伸阅读:NVIDIA Rubin R200 卡片 · AMD MI455X 卡片 · 完整对比表

推理单位成本经济学:从 3.6 美分到 2.01 美分,每百万 Token 的价格战

· 阅读需 3 分钟
Industry Research Team

推理时代的核心 KPI 只有一个:每百万 Token 的总成本。2026 年 10 月,公开可查的最低纪录是 2.01 美分——TPU v7 配合 vLLM-TorchTPU 栈在 SemiAnalysis InferenceX 8K/1K 测试上交出的成绩,较 9 月的 3.6 美分下降 44%。

一、推理成本的三块构成​

推理成本不是算力一项,而是三块的和:

成本项占比趋势决定因素
算力(计算)解码阶段占比低FP8/FP4 量化效率、批处理调度
内存带宽解码阶段主导HBM 容量与带宽、KV Cache 管理
存储/网络随上下文变长上升企业级 SSD、向量库、机间互联

关键认知:自回归解码是访存受限而非算力受限的工作负载——Token 生成速度的上限是「把权重和 KV Cache 从内存搬进计算单元的速度」。这解释了为什么 18 TB/s 的 Maia 300、19.2 TB/s 的 Rubin R200 这样的带宽数字,比峰值算力更值得看。

二、降价的四个引擎​

  1. 低精度量化:FP8 → FP4 每一步都直接砍 KV Cache 与权重搬运量;专用矩阵单元(Maia 300 的 FP4 13.8 PFLOPS)把量化开销压到最低
  2. 软件栈效率:vLLM 的 continuous batching、SGLang 的 RadixAttention、MLA 类低秩注意力——同一块硬件,软件代差可以拉开 2 倍以上成本差
  3. ASIC 专用化:砍掉 FP64 与图形逻辑的推理芯片,把晶圆面积全部留给访存与低精度矩阵——OpenAI 的第一颗自研芯片就是这么设计的
  4. 规模与利用率:超节点与机柜化把集群有效利用率从 30-40% 提到 60%+,摊薄固定成本

三、基准数字的正确用法​

SemiAnalysis InferenceX/InferenceMAX 的价值在于提供了一个横向可比的口径,但使用时要注意三点:

  • 数字是开发者自报的(谷歌引用),跨厂商对比时要确认相同模型、相同精度、相同上下文配置
  • 2.01 美分是 8K/1K 特定配置,长上下文场景成本结构完全不同
  • 单价 ≠ TCO:还要叠加机时利用率、预留容量、故障率

四、给选型者的清单​

  1. 把「每百万 Token 成本」写进采购 RFP,要求厂商按 SemiAnalysis 同款配置报数
  2. 分别测算 Prefill 与 Decode 的成本结构——昇腾 950 的 PR/DT 双版本正是把这两段拆开优化的产物
  3. 关注软件栈路线图:同一硬件半年后降价 44% 的案例说明,软件是推理时代最大的免费算力
  4. 用 TCO 计算器把芯片价、功耗、PUE、利用率折现到统一口径

延伸阅读:TorchTPU 开源 · 存储超级周期 · 完整对比表

推理接棒训练:从 Token 消耗曲线看 2027 年算力结构变化

· 阅读需 4 分钟
Industry Research Team

长江商报援引寒武纪中报的表述是:中国互联网大厂的 Token 日消耗正呈指数级增长,推理算力已接替训练成为新增长极。这不是一句口号——它正在改写芯片厂商的产品定义(训练/推理拆分)、云厂商的自研路线(全部推理优先)与采购方的成本模型。

需求侧:三组数字​

  • IDC:2026 年中国智能算力规模预计 2,576.5 EFLOPS,同比增长 87.9%——增量主要来自推理
  • Agent 效应:智能体任务的特点是多步骤、长上下文、持续运行,单次任务的 Token 消耗是传统问答的数十倍,且对延迟敏感
  • 平台侧:商汤大装置披露日均 Token 服务量已达 2.42 万亿(公司口径),并规划异构 Token 工厂

推理负载的经济学特征与训练完全不同:训练追求峰值算力利用率,推理追求单位 Token 成本与延迟的平衡。这解释了为什么 2026 年 10 月的三场重磅发布全部是推理优先:Maia 300(长上下文/智能体)、GPU D 系列(decode 阶段 Token 成本)、TPU 8i(推理专用拆分)。

供给侧:产品定义随需求改变​

厂商推理侧动作信号
NVIDIARubin 平台引入 Groq 3 LPU(GTC 2026-03 官宣)做低延迟解码首次在自家平台引入第三方推理芯片
Googlev8 首次拆分出推理专用 8i训练/推理产品线分家
微软Maia 300 定位「主要推理系统」,2027 数吉瓦部署自研芯片从辅助转为主力
IntelGPU D 系列专攻 decode Token 成本放弃 HBM 军备竞赛
华为950PR(Prefill)/ 950DT(Decode+训练)双版本场景细分设计
MetaMTIA 承接全部推荐与 Llama 推理,训练仍外购「训练买、推理自建」分工定型

行业分工已经清晰:训练买 NVIDIA(偶尔 AMD),推理自研或国产。这个分工在 2027 年只会加深。

价格信号:两套体系加速分化​

中国市场与国际市场的算力价格已经事实性分轨(口径:可复核成交数据,非渠道报价,引自行业媒体 2026-10 汇总):

  • 国内成交口径:B300 八卡整机约 1,880 万元、H200(2T 版)约 670 万元;租赁价格 B300 超 40 万元/月、H200 超 14.5 万元/月
  • 海外合规口径:B300 八卡整机 400-800 万元(不含中国、不含税)
  • 租赁性价比:SemiAnalysis 口径 MI355X 大客户批量租用约 1.50 美元/GPU 时、零售 2.90 美元

注意两个边界:上述国内数字是「成交价非报价」,且不含灰市与转口裸机口径;跨体系直接换算比较没有意义,因为供给条件(管制、保修、软件服务)完全不同。

对 2027 年采购决策的三点推论​

  1. 推理容量规划要按 Agent 负载重估:多步骤智能体让单用户 Token 消耗放大一个数量级,按历史对话流量外推容量会系统性低估。建议按「日活 × 任务数 × 每任务 Token」建模,并预留 2-3 倍余量。
  2. MFU 比峰值算力更值钱:超节点把集群 MFU 从约 30% 提升到 2.75 倍水平(研报口径),意味着同样的电费预算下有效算力翻倍。选型时「实测 MFU × 峰值算力」才是真实算力。
  3. 混合供给成为常态:训练用国际旗舰、推理用国产或自研的分层架构,已经是大厂的标准答案。企业采购可以复制这个分层:核心训练集群保持 CUDA 生态,推理层引入国产卡(思元690、MTT S5000、昇腾 950PR 等)做成本优化。

相关阅读​

Intel 正式定名 GPU D 系列(D270):用 LPDDR5X 打推理成本战

· 阅读需 3 分钟
Industry Research Team

2026 年 10 月 13 日,Intel 在 OCP 全球峰会上把代号 Crescent Island 的数据中心推理 GPU 正式定名为 GPU D 系列,行业拆解普遍称其型号为 D270。这是 Gaudi 3 之后 Intel 数据中心加速器的「换轨」之作——不再追 HBM 军备竞赛,改打内存容量与每美元 Token 成本。

官方规格落地​

此前半年,外界只知道 Crescent Island「350W、LPDDR5X、风冷 PCIe」。OCP 2026 与随后的技术说明补齐了关键数字:

项目参数
架构Xe3P(32 个 Xe 核心 / 256 个 XMX 矩阵引擎)
内存160 GB LPDDR5X(Intel 参考卡),最高 480 GB(ODM 版本)
内存带宽1.5 TB/s(官方口径)
FP8 算力1.3 PFLOPS
TDP350 W
形态PCIe 标准卡,风冷,可 8 卡扩展
状态客户送样中,量产时间未公布

Intel 的口径是:480GB 版本单卡可承载约 3,000 亿参数模型,8 卡整机可推理超万亿参数的开源权重模型。

规格取舍:刻意避战,不是被动落后​

把 D270 放进 2026 年 10 月的坐标系里,取舍一目了然:

  • 带宽 1.5 TB/s 只有 Gaudi 3(约 3.7 TB/s)的 40%、Rubin R200(19.2 TB/s)的 8%
  • 但 480GB 容量上限反超 Rubin R200(288GB)与 MI455X(432GB)
  • 350W 风冷 PCIe 意味着可以直接插进存量风冷机房,不需要液冷改造

这不是「做不出 HBM 版本」,而是定价选择:D270 卖的不是峰值算力,是长上下文推理 decode 阶段的每美元 Token 数。LPDDR5X 的单位容量成本远低于 HBM4,用带宽换容量与成本,恰好匹配智能体 AI 场景中 KV Cache 容量优先的工作负载。

口径注意事项​

  • 制程未官方披露。「Intel 18A」只是多家媒体基于与 Panther Lake 同源的推测,Intel 未确认
  • 带宽曾有口径分歧。2026 年 10 月中旬前部分二手拆解给出过约 684 GB/s 的估算值(基于 160GB 参考卡的 640-bit 总线推算),官方口径 1.5 TB/s 对应 480GB 版本,采购评估时应以官方值为准并问清配置
  • 量产时间未定。客户送样从 2026 下半年开始,「2027 年商用」是媒体推断,不是 Intel 承诺

对选型的影响​

D270 填补的是「L40S 之后、HBM 加速器之下」的空档:显存受限(48GB 级)的老 PCIe 卡跑不动长上下文,HBM 卡又太贵。对日均 Token 量大、模型在 300B 参数级以下、机房无液冷条件的企业推理场景,D270 的每美元 Token 口径值得等它正式定价后再评估——前提是 Intel 能兑现 2027 年的供货。

相关阅读​

存储超级周期蔓延:DRAM、NAND、企业级 SSD 全线上涨,AI 推理是发动机

· 阅读需 3 分钟
Industry Research Team

如果说 HBM4 三倍报价是 AI 算力成本的显性冲击,那么存储涨价的第二波正在从 HBM 向整个存储市场蔓延——而这一波的发动机是 AI 推理,不只是训练。

一、4Q26 价格全景(TrendForce,2026-09-30 口径)​

品类合约价环比预期
传统 DRAM+10% ~ +15%
NAND+15% ~ +20%
企业级 SSD+23% ~ +28%

DRAM 交期已拉长至 40 周以上,高盛称之为 15 年来最严重的存储短缺;新产能要到 2027 年底至 2028 年才陆续落地。

二、企业级 SSD:AI 落地的第二增长极​

HBM 对应训练,企业级 SSD 与服务器 DRAM 对应推理与应用落地。Agentic AI 规模化应用带动实时检索、缓存与向量数据库存储需求成倍增长:

  • TrendForce 预计 2026 年企业级 SSD 位元需求年增突破 80%
  • QLC 渗透率持续提升,PCIe 6.0 随新一代 AI 服务器平台放量
  • 新增高容量供应多数已被提前锁定

这解释了一个反直觉现象:推理占比越高的 AI 公司,对存储的依赖越重。KV Cache、向量库与多轮会话上下文都在吃 SSD 与大容量 DRAM。

三、HBM 的挤出效应是总开关​

单颗 HBM 占用的晶圆面积约等于 3GB DDR5。三星高管给出的量化关系:HBM 在 DRAM 产能中占比每提升 1 个百分点,消费级 DRAM 供给被压缩约 3 个百分点。当占比从 2026 年约 20% 升至 2027 年近 30% 时,消费级 DRAM 供给收缩近 30%。手机市场已有体感:12+256GB 内存套件采购价涨至约 2200 元,DRAM 超越 SoC 成为手机中最贵的单一元器件。

四、国产存储的位置​

厂商全球地位技术进展
长鑫存储 CXMTDRAM 全球第 4,份额 9.5%量产 G5 DRAM,推进 4F² 技术
长江存储 YMTCNAND 出货量前三(14%)计划扩建 NAND 研发线

与韩国、日本头部厂商的技术差距评估约为 1-3 年。在全球存储紧缺、长约锁定的背景下,国产存储的产能弹性对国内 AI 产业链有额外的战略价值——这与国产 AI 芯片在算力侧的替代逻辑同构。

五、对算力预算的影响​

2027 年扩容的 TCO 测算里,存储与内存已不再是「按比例摊销」的配角:企业级 SSD 单季度 20%+ 的涨幅、40 周的交期,意味着存储采购需要提前锁定,且要作为独立成本项建模,而不是藏在服务器单价里。

延伸阅读:TCO 计算器 · 推理单位成本经济学