35 posts tagged with "Industry Review"

高盛的最新统计显示，今年至今投资者已向 AI 财团提供约 5000 亿美元融资，且云服务商的债务发行已经扩展到欧元、加元等多个市场。NVIDIA 投资 OpenAI、博通为 OpenAI 筹债、SpaceX 借钱买卡——供应商与客户之间的资金循环越来越复杂。这轮融资狂潮与 2000 年电信泡沫究竟有何异同？

5000 亿美元：融资全景​

据高盛（2026 年 10 月 10 日 AIGC 早报口径）统计，今年至今投资者已向 AI 财团提供约 5000 亿美元融资。更值得注意的是债务发行的货币多元化：云服务商已把债务发行从美元市场扩展到欧元、加元等市场，这说明融资需求大到单一市场难以承接，也说明全球固定收益投资者正在系统性接纳 AI 基础设施作为资产类别。

融资案例：钱从哪来，流向哪去​

几个案例值得展开。GMI Cloud 的结构是典型的"股债混合"：GPU 云公司同时拿到 NVIDIA 的股权背书和商业银行的信贷支持，NVIDIA 参股本身就成了债务融资的信用增强。Firmus 的 IPO 则展示了需求端的疯狂——投资者需求超过发行规模，以至于约 50% 的股份直接分配给现有持有人，成为澳洲最大 IPO 之一。SpaceX 的 400 亿美元融资完全用于购买 NVIDIA 芯片，由 Apollo 牵头，拆成 100 亿美元银行贷款加 300 亿美元投资级债务——一家航天公司为买芯片发行投资级债券，这在三年前不可想象。

循环交易结构图解​

把这些交易连起来看，会形成一个闭环：

NVIDIA ──1000亿投资──→ OpenAI
   ↑                      │
   │ 采购芯片             │ 定制芯片订单
   │                      ↓
SpaceX/云厂商 ←──博通筹资500亿（债务）
   │                      │
   │ 抵押/回租芯片        │ 债务发行
   ↓                      ↓
银行/私募信贷/公开市场投资者（5000亿总量）

循环的每一环都合理：NVIDIA 投资客户以锁定采购（1000 亿美元对应 10GW 承诺）；博通靠 OpenAI 定制芯片订单筹资扩产；SpaceX、GPU 云用债务买卡再靠租金还本付息；亚马逊用售后回租把沉淀在数据中心的芯片资产盘活成现金流。但闭环的风险也在于此——每一方的偿付能力都依赖于循环不中断。一旦 GPU 租金价格下行或 AI 收入不及预期，链条上最脆弱的一环会传导给所有人。

与 2000 年电信光纤泡沫的异同​

相同点是"基建先行、收入后置"的赌注结构，以及供应商给自己客户输血的循环感。不同点同样关键：本轮有真实收入——推理需求是实实在在的付费市场，这与当年"建好光纤等流量"的空想不同；但本轮集中度更高，少数几个财团互为最大客户和最大债权人，系统性关联风险远超当年。更麻烦的是债务主导：2000 年泡沫破裂主要由股东承担损失，而本轮大量融资是投资级债务和银行贷款，一旦违约将直接冲击信贷市场。

风险监测清单​

华尔街正把 AI 数据中心投资打包为公开市场产品——在政治与建设风险上升的背景下，普通投资者也将被卷入这个循环。以下是一份风险监测清单：

1. GPU 租赁价格曲线：租金下行是循环断裂的第一信号；
2. 债务展期条件：关注博通、SpaceX 类大额融资的再融资成本变化；
3. 供应商应收账款质量：NVIDIA 对客户的投资与销售绑定，收入质量需打折扣看待；
4. 资产证券化进度：芯片回租、资产转让产品化的规模与折价率；
5. 政策风险：出口管制变化对跨境算力租赁结构的影响；
6. 电力与建设进度：数据中心延期交付直接冲击按产能定价的债务模型。

小结​

5000 亿美元的 AI 财团融资规模已经超过多数国家级基建预算，其结构特征是债务主导、循环交易和高度集中。与 2000 年相比，本轮有真实收入支撑，这与光纤泡沫有本质区别；但集中度更高、债务占比更大、资产贬值更快，三点决定了风险一旦暴露会传导得更快。循环交易本身不是原罪——产业链上下游互相投资在重资产行业并不罕见——但它放大了周期。对参与者和观察者而言，重点不是预测泡沫何时破裂，而是盯住租金价格、债务展期和资产证券化折价这三个先行指标。

2022 年 8 月，成立仅三年的壁仞科技发布了 BR100：台积电 7nm、CoWoS 封装、双 Chiplet 设计，INT8 算力 2048 TOPS，宣称性能对标英伟达同代旗舰的三倍以上。这是当时中国通用 GPU 离世界最先进水平最近的一次。两个月后，一切被按下了暂停键。

纸面规格：至今仍属激进的野心​

BR100 的规格即使放在今天看依然激进。它采用壁仞自研指令集与双 chiplet 架构，核心参数如下：

BR100 还率先采用 PCIe 5.0 接口，并通过自研 BLink 片间互联支持多卡扩展。在设计层面，它证明了国内团队完全有能力定义一流的大芯片。

两次制裁：供应链的釜底抽薪​

BR100 的参数恰好踩在美国出口管制红线之上。2022 年 10 月美国 BIS 新规生效，台积电随即停止为壁仞代工；2023 年 1 月，壁仞紧急推出被外界视为"降规"版本的 BR106 以绕开限制；2023 年 10 月，公司被正式列入实体清单，先进制程代工通道彻底关闭。两次打击之间，联合创始人先后离职，团队经历了极短时间内的产线切换与产品迭代，研发节奏被迫中断，新一代芯片开发一度搁浅。

这段经历揭示了国产大芯片最脆弱的一环：设计能力可以追赶，但流片通道、HBM 供应和先进封装一旦被切断，纸面性能再高也无法变成产品。

曲折后的重生：从参数竞赛到商业闭环​

转机出现在 2024 年之后。随着国内云厂商将算力预算硬性切给国产芯片，壁仞完成了向系统级方案的转型：2025 年 8 月双芯配置的 BR166 量产并成为收入主力；软件端通过 BIRENSUPA 平台实现 CUDA 兼容与大模型优化；2025 年世界人工智能大会上，又联合伙伴推出智算一体机与基于光互连交换的超节点方案。

财务数据也随之反转：2024 年公司营收仅 3.37 亿元，2025 年达 10.35 亿元，同比增长 207%，毛利率改善至 53.8%。2026 年 1 月 2 日，壁仞在港交所上市，成为"港股 GPU 第一股"，首日收涨约 76%；2026 年上半年预计收入 11.5 亿至 13 亿元，同比暴增约二十倍，亏损收窄约八成。

小结：纪录易破，交付难成​

BR100 的故事给行业留下三条启示：其一，芯片公司在地缘政治面前的抗风险能力，与技术领先性同等重要；其二，规格竞赛不等于商业成功，量产交付、软件生态与客户结构才是护城河；其三，国产替代的真实需求是"稳定可得"而非"极限参数"，这正是壁仞完成转型的市场逻辑。纪录可以被刷新，但只有走完从流片到集群交付的全流程，一颗 GPU 才算真正成立。

传统架构中，数据在内存与计算单元之间的搬运消耗了推理能耗的大头。存算一体（Compute-in-Memory）的答案是：既然搬不动，就把计算搬进内存里。

数字路线：d-Matrix 用 SRAM 做向量矩阵乘法​

d-Matrix 是数字存算一体路线的旗手。其 Corsair 推理加速卡的独特之处在于：把部分 SRAM 电路改造为直接执行向量矩阵乘法的计算单元——这是神经网络推理的核心运算。每颗芯片包含 1GB SRAM、RISC-V 控制核与 SIMD 单元，通过 DMX Link 互连，并配有 256GB LPDDR5 内存池存放溢出数据。

公司宣称，采用 MXINT4 块浮点格式时 Corsair 可提供每秒 9600 万亿次运算；在 Llama 70B 上实现每秒最高 3 万 token、单 token 约 2 毫秒延迟；单个 SquadRack 机架（与 Arista、博通、超微合作的开放标准参考架构）可在纯 SRAM 中运行千亿参数模型。2025 年 11 月，d-Matrix 完成 2.75 亿美元 C 轮融资，估值达 20 亿美元；下一代产品 Raptor 计划采用 4nm 工艺与 3D 内存堆叠。

模拟路线：EnCharge AI 与 EN100​

EnCharge AI 走得更远——用模拟电路直接做乘加运算。其技术源自普林斯顿大学 Naveen Verma 实验室多年的研究：神经网络权重被存为金属电容的物理属性，输入电压施加后，电荷累积的物理过程"天然完成"矩阵乘法，数据搬运的能耗几乎归零。

2025 年 5 月，公司发布首款商用模拟存算芯片 EN100：M.2 笔记本形态下功耗仅 8.25W 却可提供超过 200 TOPS 算力；PCIe 工作站配置（4 个 NPU、128GB LPDDR）算力约 1 PetaOPS。公司宣称同等功耗下每瓦性能约为数字方案的 20 倍。资本层面，2025 年 2 月完成 1 亿美元 B 轮，Tiger Global 领投，In-Q-Tel、RTX、三星风投与富士康参投，累计融资超过 1.44 亿美元。

两家公司的不同结局​

这组对照恰好展示了行业的残酷分化：同样押注存算一体，d-Matrix 靠数据中心推理的精准定位站稳脚跟；EnCharge 选择从功耗敏感的边缘市场切入避开正面战场；而 Untether AI 虽然技术路线领先，却在融资寒冬中把工程团队整体卖给了 AMD——成为独立芯片公司难以为继的标志性事件。

小结与展望​

存算一体的技术光谱比大多数人想象的宽：从"改 SRAM 电路"的保守改良，到"用物理定律做乘法"的激进重构，各自对应不同的市场与容错空间。目前的共识正在形成——数据中心推理对成本与能效的极度敏感，让存算一体第一次拥有了真实的商业引力。但对投资者与采购方而言，Untether 的结局提醒我们：在这个被 CUDA 与巨额资本开支主导的市场里，架构创新只是入场券，活下去靠的是找到正确的细分场景与现金流。

当亚马逊把十余座数据中心的 Grace Blackwell 芯片售后回租、GMI Cloud 拿到 4.45 亿美元银行信贷、腾讯通过 Oracle 租用 10 万颗芯片时，GPU 已经不只是计算设备，而是一种可融资、可抵押、可证券化的金融资产。"卡本位"融资正在重塑 AI 行业的资产负债表。

芯片成为金融资产的三种形态​

传统观念里，服务器芯片是快速贬值的 IT 设备，进入资产负债表后只会计提折旧。2026 年的资本市场上，算力资产正在以三种形态被金融化：

这三种形态的共同前提是：GPU 的租金现金流足够稳定，可以被当作信贷的还款来源。这正是 GPU 云行业与传统 IT 采购最本质的区别——芯片变成了会持续产生租金的收入型资产。

案例拆解：从回租到租赁通道​

亚马逊：售后回租与资产转让​

亚马逊正在推进两条并行的资产盘活路径：其一，对旗下十余座数据中心的 Grace Blackwell 高端芯片做售后回租——"出让资产 + 长期租回"，用一次性回款缓解算力基建的现金流压力，代价是支付长期租金；其二，据 The Gist/FT 口径（2026 年 10 月 8 日），亚马逊另拟向投资者转让约 80 亿美元 NVIDIA 芯片资产。作为手握约 2200 亿美元 2026 年 capex 的最大买家，亚马逊把沉淀的芯片资产重新变成流动性，本质上是在为下一轮采购腾出资产负债表空间。

GMI Cloud：GPU 抵押信贷的样板​

GMI Cloud 的 6.68 亿美元融资拆成了两层：NVIDIA 参与的 2.23 亿美元股权，加上台湾中国信托商业银行领投的 4.45 亿美元信贷。银行愿意给一家 GPU 云公司放贷，看中的是其 GPU 资产和租赁合同现金流——NVIDIA 的股权参与又进一步增强了信用。这是"卡本位"信贷的完整样板：芯片做抵押物，租金做还款来源，厂商背书做信用增强。

腾讯：租赁通道与合规灰区​

腾讯租用 Oracle 10 万颗芯片的案例（2026 年 10 月 2 日 Slicast 报道）展示了第三种形态：不购买芯片所有权，而是采购算力使用权。这种模式被广泛解读为绕开出口管制的租赁安排——管制限制的是芯片出口，而云端算力的跨境租用处于监管的模糊地带。需要强调的是，这类结构的合规边界并不清晰，各国出口管制规则仍在动态调整，"租赁即合规"的假设存在政策风险。

SpaceX 与博通：债务买卡的资金源头​

SpaceX 拟以 400 亿美元融资购买 NVIDIA 芯片（Apollo 牵头：100 亿美元银行贷款 + 300 亿美元投资级债务）；博通则为 OpenAI/Anthropic 的定制芯片安排数百亿美元债务。加上 NVIDIA 1000 亿美元投资 OpenAI，债务买卡的资金池已经大到足以改变芯片行业的商业模式——从"客户付钱买卡"变成"资本市场付钱买卡，客户用租金还钱"。

"卡本位"估值的关键假设​

把 GPU 当作可融资资产，估值模型建立在几个关键假设之上，而这些假设恰恰是最脆弱的环节：

假设一：残值率。 信贷方给 GPU 估值时必须假设芯片几年后的残余价值。传统服务器的残值模型在 GPU 上未必成立——B300 当前租金可达 9.50 美元/GPU 小时（Nebius 口径），但三年后的租金和残值高度不确定。

假设二：技术迭代贬值速度。 NVIDIA 已进入 Rubin 一年一代的节奏。当新一代芯片的性能/瓦优势足够大时，旧卡租金会加速下滑，残值假设被击穿，抵押物价值缩水会直接触发信贷条款重估。一年一代的迭代周期，本质上是在加速抵押品的贬值曲线——这是"卡本位"融资与房产抵押贷最根本的不同。

假设三：需求连续性。 租金现金流的稳定性依赖 AI 推理需求的持续增长。算力供给的大规模释放（各家 AI 工厂 2027-2028 年集中交付）可能改变供需平衡。

对 GPU 云创业公司资产负债表的重塑​

算力金融化对 GPU 云创业公司是双刃剑。好的一面：融资渠道从股权扩展到债务，GMI Cloud 证明了银行信贷可以成为股权之外的第二资金来源，创始人稀释更少、扩张更快。坏的一面：资产负债表上堆积了大量以 GPU 为抵押的债务，让本就重资产的模式更加脆弱——租金价格下行 20%，可能同时冲击收入端和抵押物估值端，形成双重挤压。

对比之下，Oracle、亚马逊等巨头通过回租和资产转让把风险向投资者转移，创业公司反而更依赖抵押信贷。融资结构的分化，将在下一轮周期波动中重新洗牌 GPU 云行业的座次。至于 Oracle 用燃气卡车运电维持数据中心运转所暴露的高运营成本，则提醒所有信贷方：GPU 资产的"持有成本"里，电费可能是比折旧更凶猛的现金流出。

小结​

算力资产金融化已经形成三种成熟形态：亚马逊式的售后回租释放现金流、GMI Cloud 式的抵押信贷打开债务融资渠道、腾讯式的租赁通道解决跨境采购。支撑"卡本位"估值的是残值率、贬值速度和需求连续性三大假设，而 Rubin 一年一代的迭代节奏正在持续考验第一和第二个假设。对 GPU 云创业公司而言，债务杠杆放大了扩张速度，也放大了周期风险；对信贷方而言，给会快速贬值的芯片做抵押，风控逻辑必须区别于传统资产。算力金融化让行业跑得更快，也让下一轮回调来得更有杠杆——这是所有参与者在享受低息资金红利时，必须同步想清楚的问题。

2026 年，国产 AI 芯片行业迎来资本化的集中兑现期：燧原科技登陆科创板、壁仞科技折价配售 H 股、奕行智能完成近 20 亿元融资。从寒武纪到燧原，一条"融资—流片—上市—再投入"的资本飞轮正在成形，而配售折价与估值落差背后，是市场对国产算力的长期信心与短期博弈的交织。

燧原科技上市：科创板 AI 芯片又一个标杆样本​

2026 年 9 月 11 日，燧原科技（688801.SH）正式登陆科创板，首日表现堪称惊艳：

开盘即上涨 188%，盘中一度冲到 468 元的高点，最终以 1764.44 亿元市值收官——这个定价水平说明二级市场愿意为"国产 AI 算力第二梯队龙头"支付相当高的溢价。作为燧原多轮融次的核心投资方，腾讯在这笔长期投资上获得的浮盈超过 300 亿元，也成为产业资本陪跑 AI 芯片公司最成功的案例之一。

从产品侧看，燧原此前已在站点卡片中沉淀了完整的云端训练与推理产品线，此次上市为其后续的大规模流片与集群交付提供了资本弹药。

已上市公司版图：从寒武纪到天数智芯​

燧原并非孤例。目前国产 AI 芯片上市公司已经覆盖了 A 股和港股两个市场：

A 股科创板聚集了寒武纪、摩尔线程、沐曦、燧原四家，港股则有天数智芯。这种"A 股为主、港股为辅"的上市结构，反映了两地市场对硬科技资产的定价能力差异：科创板对国产 AI 芯片的估值容忍度明显更高，而港股为部分公司提供了更快的上市通道。

一级市场仍在加速：壁仞配售与奕行智能融资​

资本化不止 IPO 一条路。最近两周还有两个标志性事件：

壁仞科技：折价配售 1.3 亿股新 H 股​

据 2026 年 10 月 8 日 AI 日报披露，壁仞科技拟配售 1.3 亿股新 H 股：

• 配售价：每股 31.08 港元，较当日收盘价折让 9.76%
• 配售代理：中金公司 + 瑞银（UBS）

配售是港股上市科技公司最常见的再融资方式，但接近 10% 的折价幅度值得玩味——它说明即便在国产 AI 芯片热度高企的当下，承销方对短期市场承接力仍有顾虑，需要用价格换确定性。

奕行智能：近 20 亿元新融资，投后估值近 150 亿元​

RISC-V 云端 AI 算力芯片独角兽奕行智能完成近 20 亿元新融资，投后估值接近 150 亿元，投资方阵容包括华泰创新、钟鼎资本和中芯聚源。RISC-V 路线切入云端 AI 算力，意味着国产芯片的指令集架构选择也在多元化。

需求侧的真实支撑：份额从 0 到 41%​

资本故事能讲通的前提是需求真实存在。Counterpoint 数据显示，国产 AI 芯片的市场份额变化是一条陡峭的曲线：

在国产市场中，华为昇腾占据了约 62% 的份额，是绝对的龙头。华为轮值董事长徐直军此前"能产多少供多少"的表态，也从侧面印证了国产算力的供需缺口——这不是营销话术，而是产能爬坡速度追不上需求增长的行业现实。

出口管制持续收紧的背景下，英伟达对华供应受限，国产替代的需求被进一步锁定。这也是二级市场愿意给出高溢价的底层逻辑：份额替代的斜率，决定了这些公司的收入曲线。

分析：估值飞轮、落差修复与配售折价的博弈​

"融资—流片—上市—再投入"的飞轮​

国产 AI 芯片行业的资本化路径已经清晰：

1. 一级市场融资：产业资本（腾讯、中芯聚源）+ 财务资本（钟鼎）+ 政府基金共同注资
2. 流片与产品迭代：资金转化为芯片产品与集群交付能力
3. 上市退出与定价：科创板/港股为早期股东提供退出通道，同时完成公开市场定价
4. 再投入：募集资金用于下一代芯片研发，飞轮进入下一圈

燧原上市让腾讯浮盈超 300 亿元，这种示范效应会反过来刺激更多产业资本投入尚未上市的 AI 芯片公司——奕行智能此轮融资的顺畅程度，某种程度上就受益于这个正反馈。

一级市场估值 vs 二级市场定价的落差与修复​

一级市场和二级市场对 AI 芯片公司的定价逻辑并不相同：一级市场看赛道和团队，估值往往基于融资轮次间的比价；二级市场则要面对真实财报、产能兑现和竞争格局的检验。上市首日 +188% 的涨幅，本质上是一级市场定价与二级市场定价之间落差的集中修复。这种落差修复能持续多久，取决于公司能否把估值转化为持续的营收增长。

配售折价说明的短期博弈​

壁仞 9.76% 的配售折价是另一个信号：即便行业景气度高，大额再融资仍需要向短期资金让利。一级市场火热、二级市场"热中有谨慎"，这种温差正是当前国产 AI 芯片资本化最真实的写照——长期逻辑没有分歧，分歧在于节奏。

小结​

2026 年的国产 AI 芯片资本化呈现三条并行主线：燧原等公司通过 IPO 完成"一级到二级"的价值兑现；壁仞等已上市公司通过配售补充弹药但接受折价博弈；奕行智能等新势力在一级市场继续拿到大额融资。份额从 0 到 41% 的替代曲线是所有故事的共同底层支撑，而华为昇腾 62% 的国产市场统治力则框定了竞争格局。对投资者而言，需要同时关注两个变量：替代斜率的持续性，以及高估值与盈利兑现之间的时间差。飞轮已经转起来，但每一圈对资金消耗和技术迭代的要求都更高。

在国产 AI 芯片的版图里，燧原科技是一个特立独行的存在：它没有走英伟达确立的 GPGPU 路线，而是基于自研指令集的领域专用架构（DSA），从驱动、编译器到算子库全栈自研。这条路风险极高，但 S60 单款 16 万片的出货量证明，它至少在推理市场跑通了。

四代五芯：一条完整的产品时间线​

燧原成立于 2018 年，创始团队来自 AMD 与腾讯体系。七年间迭代了四代架构共 5 款云端 AI 芯片，且全部一次流片成功：

支撑这一体系的是三大自研技术：GCU-CARE 计算单元、面向训练集群的 GCU-LARE 片间互联，以及全栈自研的"驭算 TopsRider"软件平台。

S60：把推理成本打到极致​

S60 基于第三代 GCU320 芯片，据官方产品手册，单卡配备 48GB 显存、672 GB/s 显存带宽，最大功耗 300W。它的成功不在单点参数，而在系统级组合：2024 年发布后迅速部署于甘肃庆阳智算中心，建成国内首个国产万卡推理集群；截至 2026 年，累计出货达 16 万片，支撑超过 300 个应用场景，覆盖大语言模型、多模态、搜索广告推荐等负载，落地规模跻身国产 AI 加速卡第一梯队。

软件侧，燧原将 vllm-gcu 等大模型推理软件栈项目在 Gitee 开源，模型适配周期从早期的一两个月缩短到数天甚至数小时，并支持 DeepSeek-V4 等主流开源模型的极速适配。

腾讯样本：股东即客户的深度协同​

燧原与腾讯的关系是理解其商业模式的钥匙。腾讯既是第一大股东，也是第一大客户：2025 年前三季度，对腾讯销售（含指定最终客户模式）占比达七成以上，双方已签订单可执行至 2027 年。更深一层的是"芯模协同"——腾讯混元新一代开源模型在设计阶段就充分考虑燧原硬件特性，反向定制模型结构，让芯片与模型互相成就。这种把协同前置到模型设计阶段的模式，在国产芯片公司中相当罕见。

2025 年燧原营收近 10 亿元，三年复合增长率约八成；2026 年上半年营收已达 11.2 亿元。公司于 2026 年 9 月登陆科创板，拟募资的 60 亿元将投向第五代、第六代芯片研发。第四代训推一体产品 L600 预计出货量将大幅超越 S60。

小结：DSA 路线的阶段性胜利​

燧原的复盘说明：在推理这个对成本和能效极度敏感的市场，专用架构加上全栈自研完全可能打赢通用路线。风险同样存在——客户高度集中、训练侧仍需突破、生态规模与 CUDA 相去甚远。但对于建设国产万卡级推理集群的智算中心而言，S60 已经是经过大规模验证的成熟选项，而 L600 能否把这套打法复制到训推一体市场，是燧原的下一场考试。

Graphcore 是过去十年最值得研究的 AI 芯片公司之一——不是因为它的成功，而是因为它几乎预见了正确的未来，却倒在了黎明之前。

IPU：为机器智能重新设计的计算机​

Graphcore 2016 年成立于英国布里斯托，核心主张是：机器智能需要一种不同于 GPU 的计算机。其智能处理器（IPU）抛弃了显存分层，把所有计算组织成 1216 个独立处理器核心，全部依赖片上 SRAM 工作，通过大规模并行图计算模型处理神经网络。

Bow IPU 是被严重低估的技术成果：通过在计算晶圆上方直接叠一片供电晶圆，Graphcore 在不换工艺的情况下解决了 SRAM 密度与供电问题——这套思路比后来行业热捧的 3D 堆叠整整早了几年。配套的 Poplar 软件栈支持 PyTorch、飞桨等主流框架，公司一度进入腾讯云、金山云等中国平台。

为什么没跑出来​

Graphcore 的困境是生态竞争的经典案例。它面对的不是一颗英伟达芯片，而是 CUDA、软件库、云平台、服务器供应链与客户习惯的完整体系。2020 年其估值达到 27.7 亿美元的峰值，但商业化始终未能起量；2023 年起公司被迫收缩，关闭中国业务（受美国出口管制影响），寻找新融资屡屡受挫。2024 年 7 月 11 日，软银宣布收购 Graphcore，官方未披露价格，据当时媒体报道交易金额约在 5 亿至 6 亿美元之间——低于公司此前从投资人手中募得的总额。

并入软银后的现状​

收购之后，IPU 没有迭代出新一代产品，但公司本身获得了新生。软银的棋局很清晰：手握 Arm（架构）、2025 年 11 月收购的 Ampere（服务器 CPU）与 Graphcore（AI 加速器），组成所谓"硅三位一体"，为其在美国与日本的 AI 数据中心（包括星际之门项目）供应算力。

Graphcore 保留品牌、布里斯托总部与工程团队，公开定位转向"为软银打造下一代完整 AI 技术栈"，涵盖芯片、系统、编译器与基础设施。2025 年，公司宣布十年内在印度投资约 10 亿英镑，在班加罗尔新建工程中心并招聘约 500 名工程师；同年 8 月，联合创始人 Simon Knowles 离职。另据公开报道，2026 年 Meta 从 Graphcore 挖走了部分核心工程师，侧面印证了其人才价值。

小结与启示​

IPU 的故事有三点启示：第一，技术判断正确不等于商业成功，"比 GPU 更适合 AI"的论证打不过"比 CUDA 生态更差"的现实；第二，创业公司融资高企的估值若不能转化为收入，终局往往残酷；第三，被收购不是终点——IPU 的架构遗产与工程团队正以另一种方式参与 AI 基础设施的竞争。对关注 AI 芯片格局的读者来说，Graphcore 值得持续观察：它在软银体系内的下一步产品，可能决定这次收购是抄底还是止损。

AI 让数据中心从"用电大户"变成"用电黑洞"，也让能耗指标从后台运维参数变成项目生死线。PUE、水效、绿电比例——这本越来越厚的碳账本，正在改写全球算力的地理分布。

PUE 红线：全球趋严的硬约束​

能效指标 PUE（数据中心总能耗与 IT 设备能耗之比，越接近 1 越高效）已经从推荐值变成准入门槛：

欧盟正在从"报数据"走向"定门槛"：2026 年 9 月，欧委会启动数据中心能效评级，未来最低性能标准预计将为行业留出数年达标期，避免在建项目迅速过时。中国则是少数把能耗作为项目审批前置条件并写入强制性国标的国家——2021 年实施的《数据中心能效限定值及能效等级》将 PUE 1.5 设为能效限定值，2026 年"算电协同"更被写入政府工作报告，绿电直供与源网荷储一体化成为新基建的明确方向。

从 PUE 到全维度碳账本​

单一 PUE 已不足以刻画 AI 数据中心的资源足迹。ISO/IEC 30134 系列标准建立起了多维评价体系：

• WUE（水利用效率）：中国进一步按水源类型加权折算出评价值，最严的一级标准要求不高于 0.8 升每千瓦时；
• REF（可再生能源系数）与 CUE（碳利用效率）：把绿电消纳与碳排放纳入统一框架；
• 绿电硬约束：据公开报道，中国八大"东数西算"枢纽节点新建与扩建数据中心的绿电消费比例须达到八成，以绿证核算并实行一票否决，未达标项目不予能耗审批。

技术上，液冷是压低 PUE 的主力：冷板式方案可将 PUE 降至约 1.15，浸没式可压到 1.05 以下，国内厂商的相变浸没方案据称最低可达 1.035。英伟达 GB 系列及之后的产品已全面采用液冷架构——当 PUE 的分子端（制冷开销）被压缩到一成以内，单靠设施侧优化能做的已经不多。

绿电与选址：碳账本决定算力地图​

设施侧逼近极限之后，碳账本的下一页翻向电力来源。国际市场上，谷歌、微软等巨头与核电、水电、燃料电池供应商签订大规模长期购电协议，把电力保障前置为战略资源。中国西部枢纽节点的绿电直供电价据报低至每度 0.28 至 0.36 元，叠加"东数西算"的土地与能耗指标优势，构成东部需求与西部绿电的双赢闭环，同时也消化了风电光伏的弃电难题。选址逻辑由此彻底改写：算力跟着便宜且干净的电走，而不是反过来。

结语：把碳算清楚，才能把算力建起来​

绿色算力的本质，是给每一枚 token 定价时不回避其能耗与排放成本。对从业者而言，三个趋势已经确定：PUE 优化将逼近 1.1 的工程极限，此后竞争转向电力来源与余热利用；能耗与水耗指标将深度嵌入项目审批与融资定价；跨国部署必须同时满足多套监管口径。算力建设的竞争，正在从"建得快"转向"建得绿、建得起、批得下"——碳账本上的每一行，都是下一座 AI 工厂的选址依据。

作为全球 AI 生态活力第三的国家，印度正试图回答一个问题：一个拥有庞大开发者群体却几乎没有先进芯片制造能力的国家，如何建立自己的主权算力体系。

IndiaAI 使命：算力、模型与数据三条线并进​

IndiaAI 使命于 2024 年 3 月获批，五年总预算约 10372 亿卢比（约 12 亿美元量级），算力是其第一根支柱。据印度政府向议会提交的说明，共享算力设施接入的 GPU 数量从 2026 年 3 月的超过 3.8 万张增长到 6 月的超过 4.5 万张，通过算力门户以补贴价格向初创公司与学术界开放；截至 2026 年 8 月，已有 237 个项目获批使用补贴算力，累计核销超过 9318 万 GPU 小时。政府还为新德里 NIC 数据中心下单了一套约 1.1 EFLOPS 的高性能 AI 计算系统。

模型侧，官方从 506 份申请中遴选出 20 个本土基础模型提案，包括 12 个大型多模态模型与 8 个小型语言模型。已发布的成果包括 Sarvam AI 的 300 亿与 1050 亿参数模型、BharatGen 的多语言模型系列等。数据平台 AI Kosh 已汇聚超过 1.4 万个数据集与 331 个 AI 模型。据斯坦福 2025 年全球 AI 活力报告，印度 AI 竞争力与生态活力位列全球第三，GitHub AI 项目贡献量全球第二。

Semicon 2.0：从政策框架走向制造落地​

芯片制造是印度算力主权的另一半拼图。Semicon 1.0 以 7600 亿卢比构建生态，已批准 10 个半导体制造单元，其中 1 个实现商业量产、3 个进入试产；塔塔电子在古吉拉特邦的晶圆厂投资达 91526 亿卢比量级，目标产能每月 5 万片，覆盖 28 纳米至 110 纳米节点。2026 年 7 月获批的 Semicon 2.0 将投入提升至 127500 亿卢比，重点扩展芯片设计、设备材料、先进封装与人才培养。

设计生态的积累同样值得注意：根据设计挂钩激励计划，24 个芯片设计项目获资助，103 家无厂设计公司获得 EDA 工具支持；截至 2026 年 4 月，75 家机构已完成 211 款芯片流片，其中 7 款成功制造，涵盖包括台积电 12 纳米在内的多个工艺节点。国家超算任务下，基于 RISC-V 开源指令集的本土处理器、GPGPU 与加速器研发也在推进。此外，印度在 2026 年印度 AI 影响力峰会上加入了 Pax Silica 联盟，与美国等伙伴共同维护硅供应链安全。

小结​

印度的算力自主战略呈现清晰的双层结构：短期用共享算力池和补贴模式满足爆发性的训练需求，长期则通过半导体制造与设计激励培育本土供应链。考虑到其 GPU 目前几乎全部依赖进口，真正的主权算力仍需多年建设，但从流片数量、产能落地到基础模型涌现，这条路径的每一步都在提速。对于观察全球 AI 芯片格局的产业人士而言，印度是继中日韩之后最值得跟踪的变量。

由丰田、索尼、软银等八家日本产业巨头共同筹办，累计获得近 3 万亿日元资金支持——Rapidus 正在北海道千岁为日本重夺先进逻辑芯片制造权发起最后一搏。

2nm 量产时间表：2027 财年下半年​

Rapidus 成立于 2022 年 8 月，目标是基于 2 纳米 GAA（全环绕栅极）工艺打造世界最先进的逻辑芯片制造能力。其位于北海道千岁市的 IIM-1 试验线自 2025 年 4 月起投入运行，2025 年 7 月成功实现 2 纳米 GAA 晶体管的首次点亮，并已完成试制流片与基本电气特性验证。按照既定计划，Rapidus 将在 2026 年底前开始为客户生产 2 纳米测试芯片，2027 财年下半年启动大规模量产。

产能规划采取渐进策略：初期月产能 6000 片晶圆，目标到 2028 年提升至约 2.5 万片。公司同时启用了 Rapidus Chiplet Solutions 先进封装设施，采用 600 毫米乘 600 毫米玻璃基板，单块基板可产出的中介层数量达到以往 10 倍，并正在开发连接 2 纳米逻辑芯片与 HBM 内存的 2.5D 封装方案。

价格战与差异化：RUMS 模式​

定价是 Rapidus 最锋利的武器。社长小池淳义 2026 年 7 月公开表示，2 纳米晶圆定价将为每片 300 万至 350 万日元，作为后来者"不能输给台积电"——而台积电同级先进制程 300 毫米晶圆报价约 3 万美元且传出涨价消息，Rapidus 定价折算后具备明显价格竞争力。

更深层的差异化在于商业模式。Rapidus 提出的 RUMS（快速统一制造服务）模式强调极短的生产周期与小批量快速迭代，瞄准的正是 AI 芯片客户"先流片、快速试错"的需求，与传统代工厂动辄排队长龙的大宗订单模式形成区隔。客户拓展已有实质进展：富士通成为首家商业客户，计划委托生产 2 纳米 AI 神经网络处理器；日本 IBM 被视为第二大锚定客户；加拿大 AI 芯片公司 Tenstorrent 获得早期产能承诺。小池淳义透露，2026 年以来已与超过 60 家潜在客户接洽。

资金、人才与尚未跨过的门槛​

资金端，日本政府的支持持续加码：2026 财年追加 6315 亿日元研发补助后，累计研发支持金额已达约 2.35 万亿日元，叠加民间企业出资，到 2027 年度累计投入预计接近 3 万亿日元。技术端，Rapidus 延续与 IBM 的深度合作，一半工程师驻扎纽约州参与联合研发，下一代 1.4 纳米工艺研发计划 2026 年内全面启动、目标 2029 年量产，更远期的 1 纳米节点目标是把落后台积电的时间差压缩到半年左右。

挑战同样清晰：量产良率尚待验证，先进制程的客户数量仍少，设计生态与巨额资本的持续投入都是长期考验。业界普遍认为，Rapidus 更现实的定位是服务日本本土及盟友体系的 AI 芯片供应链，而非在成熟大客户市场上正面争夺。

小结​

在全球先进制程被三家代工厂主导的格局下，Rapidus 承载着日本重返第一梯队的国家意志。2027 年 2 纳米量产若如期兑现，全球 AI 芯片设计公司将第一次拥有一个价格激进、迭代迅速的新代工选项。这场豪赌的答案，将在未来两年内揭晓。