106 posts tagged with "Industry News"

国产GPU的资本化进程在2025年底到2026年初按下了快进键：三个月内，头部企业密集挂牌、递表、辅导，一笔接一笔的募资公告刷新纪录。这不是简单的上市潮，而是一次行业级的弹药补充——钱最终流向哪里，暴露的是各家对技术路线的终极判断。

三个月走完的资本梯队​

时间线值得逐条记录：2025年12月5日，摩尔线程登陆科创板，募资80亿元；12月17日，沐曦股份接棒上市，募资约42亿元。2026年1月2日，壁仞科技挂牌港交所，募资55.83亿港元，成为港股18C特专科技机制落地以来发行规模最大的新股；1月8日前后，天数智芯在港交所挂牌；1月下旬，燧原科技科创板IPO申请获受理，拟募资60亿元；百度旗下昆仑芯也于1月初向港交所递交上市申请。几家头部公司合计募资约237.8亿元，且截至2025年底，摩尔线程与沐曦的股价涨幅均超过500%。

公司	上市地与时间	募资规模	技术路线
摩尔线程	科创板，2025年12月	80亿元	GPGPU全功能路线
沐曦股份	科创板，2025年12月	约42亿元	GPGPU，全国产工艺
壁仞科技	港交所18C，2026年1月	55.83亿港元	GPGPU，押注推理
天数智芯	港交所，2026年1月	据公开招股信息	GPGPU
燧原科技	科创板受理，拟募资	60亿元	DSA专用架构

钱的流向：通用派与专精派的分野​

募资用途暴露了路线分歧。摩尔线程将约七成资金投向全功能GPU研发与生态建设，其MUSA架构对标CUDA生态、已完成数千个PyTorch算子兼容，走的是"让英伟达开发者无缝迁移"的重生态路线。沐曦更务实，重点之一是全国产供应链建设——基于国产工艺的曦云C600已量产，同时押注具身智能等场景芯片。壁仞把六到七成募资投向下一代BR20X系列，公开承认现有产品偏训练、推理优化不足，精准卡位大模型部署阶段的推理市场。燧原则是唯一的DSA路线坚守者，为AI推理做"极致手术刀"，代价是要从零构建自研软件生态。

资本市场的制度配套同样关键：2025年7月上交所推出科创板科创成长层，为暂未盈利的硬科技企业打开更包容的通道，这是整波IPO潮的制度前提。

上市只是起点：再融资与备货竞赛​

一级市场的钱烧得快，二级市场的补弹更凶。壁仞上市十个月内已累计募资近170亿港元：继2026年7月约70.69亿港元配股后，10月初再度以40.40亿港元配售，公告称因新一代BR20X产品进度快于预期，需提前采购、预留产能，约七成资金用于战略供应链采购。背后的行业背景是全链条涨价——据公开报道，台积电将于2027年起上调代工价格3%至6%，三星先进制程涨幅最高达15%，HBM则处于持续涨价周期。

备货数据印证了紧张程度：2026年上半年，寒武纪存货账面价值达82.48亿元，海光信息75.18亿元，摩尔线程从13.32亿元增至35.5亿元，天数智芯增至19.68亿元。在产能吃紧的市场里，资金实力直接决定能否抢到晶圆、HBM与先进封装产能。

研判：融资热度与商业化能力的赛跑​

这轮资本热潮的底层逻辑是AI算力缺口与国产替代的双重红利，但钱多不等于赢家。头部公司中，寒武纪曾用八年才实现单季扭亏，沐曦预计最早2026年盈亏平衡，摩尔线程指引2027年合并盈利——资本市场的耐心正在接受商业化的检验。接下来的看点有二：一是2026年第四季度起壁仞BR20X、摩尔线程与沐曦新一代产品的实际交付，检验募资是否转化为收入；二是若海外高端芯片供给政策进一步松动，国产GPU能否在"从能用到好用"的临界点上站稳。融资热图终会降温，最终留在牌桌上的，是能把晶圆变成万卡集群的公司。

从动工到全球首个吉瓦级训练集群投运，xAI 只用了不到一年。Colossus 2 不只是一座数据中心，它重新定义了前沿 AI 竞赛的入场券价格。

Colossus 2：吉瓦级集群的扩张节奏​

Colossus 2 位于田纳西州孟菲斯，2026 年 1 月 17 日由马斯克宣布投入运行。据其 9 月 25 日披露，集群现有 11 万颗 GB200 与 44 万颗 GB300 加速器，并计划在年底前分三批再各增加 22 万颗 GB300——若全部兑现，Colossus 2 单站加速器总数将达约 121 万颗，加上 Colossus 1 的约 23 万颗（15 万 H100、5 万 H200、3 万 GB200），整个孟菲斯园区将逼近 144 万颗英伟达加速器。

扩张速度背后是一套非常规建设方法。据 SpaceX 证券文件，首个 Colossus 2 集群（约 11 万颗 GB200、210 兆瓦算力）从建成到上线仅用 91 天，第二个集群（11 万颗 GB300、约 220 兆瓦）只用了 64 天。独立研究机构 Epoch AI 估算，Colossus 2 已投入资本约 358 亿美元，若完成全部扩建可能高达 580 亿美元，其中仅 GPU 采购就超过 180 亿美元。

指标	Colossus 1	Colossus 2
上线时间	2024 年	2026 年 1 月
加速器构成	约 23 万颗 H100、H200、GB200	约 55 万颗 GB200、GB300（9 月）
年底目标	维持现有规模	约 121 万颗
电力负荷	数百兆瓦	初始 1 吉瓦，目标 2 吉瓦
建设节奏	122 天建成首个集群	91 天上线首个 11 万卡集群

电力、散热与环保争议​

吉瓦级集群的真正瓶颈不在芯片而在能源。Colossus 2 采用"电网加自备电厂加储能"的三重方案：邻近的密西西比州配套建设了总装机超过 100 万千瓦的天然气电厂（41 台涡轮机获监管批准），现场部署了大量特斯拉 Megapack 电池储能，媒体报道其储能规模约 2000 兆瓦功率、3.3 吉瓦时容量，被称为全球最大的电网级电池系统之一。散热方面，集群采用超微设计的端到端芯片级液冷，据报道可将 PUE 控制在 1.12 左右。

粗放扩张的代价是监管风险。美国环保署裁定 xAI 曾违规运行未获空气质量许可的天然气涡轮机；环保组织已在联邦法院提起诉讼；根据与州监管机构达成的协议，约 69 台临时涡轮机须在 2027 年年中前逐步退出，由永久性电厂替代。这套"先上车后补票"的供电模式，正在成为超大规模集群建设的争议焦点。

从自用训练到算力出租：商业模式的变化​

Colossus 2 的角色已从 xAI 专属训练设施转变为对外收费的算力平台。据彭博等媒体报道，谷歌以每月约 9.2 亿美元租用约 11 万颗 GPU（合同期至 2029 年，总额超过 300 亿美元）；Anthropic 的租约据报接近每月 12.5 亿美元；另有未具名客户自 12 月起每月支付约 11 亿美元。2026 年 2 月 SpaceX 完成对 xAI 的收购后，这套资产被并入上市公司体系，据其 IPO 路演材料披露，AI 板块 2025 年营收 32 亿美元、经营亏损 64 亿美元。

一个耐人寻味的技术细节是：据 2026 年 5 月的报道，xAI 集群的模型浮点运算利用率仅约 11%，内部备忘录称该数字"低得尴尬"，反映出血膨胀的加速器规模与软件调度效率之间的落差。

小结​

Colossus 2 证明了两件事：其一，吉瓦级训练集群可以在一年内从图纸变为现实，算力竞赛的节奏由能源与供应链而非技术能力决定；其二，超大规模集群的商业模式正在从"训练自家模型"转向"对外批发算力"，谷歌、Anthropic 租用竞争对手体系内的 GPU，说明前沿 AI 的算力短缺已经到了不讲阵营的地步。全球范围内，微软、Meta、谷歌与中国的万卡集群同步扩张，但论单点规模与建设速度，孟菲斯目前没有对手。

谈到 AI 芯片瓶颈，人们第一反应是 HBM 或先进制程，但真正的隐形关卡是封装。一台 3nm 光刻机不够可以排队再买，一条 CoWoS 产线从规划到爬坡却要以年计。2026 年 10 月，GlobalFoundries 与台积电这对代工对手签下互供协议，把封装产能的稀缺性暴露无遗。

AI 芯片封装"三件套"​

现代 AI 芯片的封装不再是把芯片装进外壳，而是构造一个微型系统。三个核心技术构件：

• 2.5D 中介层（interposer）：一块硅材质的"转接板"，放在 GPU die 与基板之间，上面布满密度远超 PCB 的走线，让 GPU 与 8-12 颗 HBM 之间以极短距离高速通信；
• 3D 堆叠（hybrid bonding）：用铜-铜混合键合把 die 直接面对面堆叠，不再靠凸点，互连密度提升一个数量级，主要用于 HBM 内部堆叠与缓存堆叠；
• RDL 重布线层：把 die 上的焊盘"重新布线"到合适位置，承担封装内的横向连接与信号引出。

三者组合，决定了 AI 芯片的集成形态。以 AMD MI455X 为例：8 个 N2 制程计算芯粒（XCD）、2 个 I/O die 与 2 个缓存/fabric die（N3），加上 12 颗 HBM4 堆栈，全部通过 CoWoS-L 封装整合在同一个封装内；NVIDIA Rubin R200 则是 2 颗计算 die + 2 颗 I/O die + 8 颗 HBM4 的 MCM 多芯片模块设计。没有先进封装，就没有现代 AI GPU。

CoWoS 技术梯队：S、R、L 的演进​

台积电的 CoWoS（Chip-on-Wafer-on-Substrate）家族按中介层技术分为三代：

方案	中介层技术	特点	典型应用
CoWoS-S	硅中介层（Si interposer）	成熟、成本最低，面积上限约 3 倍 reticle	H100、早期数据中心 GPU
CoWoS-R	RDL 中介层	用有机重布线层替代硅，面积更大、成本更低，带宽密度略降	H200 及部分 Blackwell 配置
CoWoS-L	局部硅互连（LSI）+ RDL	硅桥局部互连 + 大面积布线，面积上限突破 3.3 倍 reticle，互连密度最高	B200/GB200、MI455X、Rubin

演进的方向很明确：封装面积越来越大（从 1 倍 reticle 到 3 倍以上）、集成组件越来越多（GPU + HBM + 缓存 die + I/O die）、互连密度越来越高。CoWoS-L 已成为旗舰 AI 芯片的事实标准，也意味着单颗芯片占用的封装产能成倍增长。

为什么封装产能比晶圆产能更紧​

直觉上，先进制程更难、更稀缺，但封装恰恰是更紧的那一环，原因有四：

1. 产能基数小：全球先进制程晶圆厂有数十座，而具备大规模 CoWoS 产能的基地屈指可数，且全部集中在台积电体系内；
2. 扩产周期长：洁净厂房、无尘搬运、精度设备交付周期都以年计，CoWoS 月产能从规划到释放动辄 18-24 个月；
3. 需求端放大：HBM 堆栈数量从 6 颗涨到 12 颗、die 数量翻倍，单卡消耗的封装面积持续膨胀，产能需求指数级增长；
4. 良率敏感：中介层越大越贵，一片超大中介层的报废就是整封装报废，有效产能远低于名义产能。

AMD 在 2026 年明确指出，HBM 和先进封装（CoWoS）供给紧张是其增长的主要约束——注意，AMD 的瓶颈不在自家芯片设计，而在拿不到足够的封装配额。

GF-TSMC 互供：一个罕见的市场信号​

2026 年 10 月 8 日，DIGITIMES 报道 GlobalFoundries 与台积电签署多年期协议，金额约 20 亿美元：GF 将在美国纽约州 Malta 工厂为台积电的 CoWoS 生态生产硅中介层。

这个安排罕见在哪里？GF 与台积电在先进代工市场是直接竞争对手，让对手替自己生产关键耗材，只有一种解释——封装产能稀缺到连代工龙头都要向外借力。对台积电，这是快速扩大 interposer 供给的最短路径；对 GF，这是切入 AI 封装供应链的高价值订单。同时，地缘上它把 part of CoWoS 供应链锚在美国本土，呼应美国先进制造政策。

产业配套也在加速：应用材料（Applied Materials）与半导体封装设备龙头 Besi 于 2026 年 10 月 1 日宣布扩大 EPIC（Electronics Packaging Industry Consortium）中心合作，联合开发混合键合等下一代封装工艺；应用材料还与 Intel 扩大了下一代互连扩展与 Foveros 3D 技术的合作。设备商、代工厂、IDM 三方同时下注，印证封装已是 AI 算力的战略资源。

Foveros 与 CoWoS：两条路线之争​

台积电 CoWoS 并非唯一答案。Intel 的 Foveros 是另一条 3D 封装路线，两者定位有所不同：

维度	台积电 CoWoS-L	Intel Foveros
核心思路	2.5D 中介层承载多 die + 局部 3D 互连	3D 堆叠为基础逻辑 die 面对面互连
优势	生态成熟、HBM 集成经验深厚、大封装面积	互连密度与能效更高，垂直距离更短
主要客户	NVIDIA、AMD、Broadcom 等绝大多数 AI 芯片厂	Intel 自家产品为主，逐步开放代工
当前角色	AI GPU 封装事实标准	追赶者，重点在下一代互连扩展

短期内 CoWoS 地位难以撼动——AI GPU 的核心需求是把大量 HBM 和 compute die 拼在一张大封装里，CoWoS-L 正为此而生。Foveros 的机会在于 3D 堆叠密度与能效的长期演进，以及与 Intel 先进制程组合的代工吸引力。

对芯片厂商的启示：封装配额就是出货上限​

2026 年的 AI 芯片竞争已经形成一条铁律：你的出货量不取决于你能设计多少芯片，而取决于你能拿到多少封装配额。

• 对 NVIDIA、AMD：CoWoS 配额直接决定 Blackwell/Rubin 与 MI400 系列的交付节奏，封装扩产进度就是营收曲线；
• 对国产芯片：在台积电 CoWoS 体系之外建立自主先进封装能力，与自研 HBM 同等重要，是摆脱供应链约束的另一半拼图；
• 对云厂商与大买家：锁定芯片产能的同时必须锁定配套封装与 HBM，三者缺一即断供。

小结​

AI 芯片的瓶颈正在从"造出更小的晶体管"转向"把更多 die 更好地装在一起"。CoWoS-S/R/L 的技术梯队撑起了从 H100 到 Rubin 的每一次性能跨越，而 GF 与台积电的互供协议则宣告：封装产能已稀缺到让对手合作。下一个五年，谁掌握先进封装，谁就握有 AI 算力版图的划分权。

在 AI GPU 抢走所有头条的年代，服务器 CPU 的战争并未结束，而是换了一种打法。AMD 把 Zen 6 架构的 EPYC Venice 推上 2nm，堆到 256 核，并让它成为 Helios 机架的主机侧大脑——这是一份关于"AI 时代 CPU 该干什么"的答案。

全球首款 2nm 数据中心 CPU​

EPYC Venice 于 2026 年 1 月 6 日在 CES 发布，是第六代 EPYC 数据中心处理器，也是全球首款采用 2nm 工艺的高性能处理器。苹果会在消费级处理器上首发台积电 2nm，但数据中心 2nm 的头衔属于 AMD——在 x86 阵营中，这是自 Zen 架构崛起以来 AMD 第一次在制程节点上同时领先所有对手。

其核心规格如下：

规格	参数
CPU 架构	Zen 6 / Zen 6C
制程工艺	台积电 2nm（N2）
核心数量	最高 256 核（Zen 6C 版）
线程数量	最高 512 线程
L3 缓存	1024MB（1GB）
CCD 配置	8 个 Zen 6C CCD（每 CCD 32 核）
内存通道	16 通道，单路带宽 1.6TB/s
PCIe	6.0
封装接口	全新 SP7
发布时间	2026 年 1 月 6 日（CES 2026）
量产时间	2026 年 5 月（已投入量产）

Venice 系列包含两个版本：高密度 Zen 6C 版本最高 256 核（8 个 CCD、每 CCD 32 核、1GB L3），面向高密度数据中心；标准 Zen 6 版本最高 192 核（16 个 CCD、每 CCD 12 核、768MB L3），面向通用数据中心。单核性能提升达 70%。

256 核的密度哲学：AI 节点中 CPU 的角色重定义​

Zen 6C 的设计哲学浓缩在一个数字里：每 CCD 32 核，比上代 Zen 5C 的 16 核直接翻倍。这让 AMD 只用 8 颗 CCD 就实现了 256 核——更少的芯粒数量意味着更低的封装成本、更简化的互联拓扑与更好的良率控制。这是典型的 chiplet 时代密度打法：不追求单核极限，而是追求单位封装面积与单位成本下的核心密度。

为什么 AI 数据中心需要 256 核？答案藏在 CPU 角色的转变里。在传统数据中心，CPU 是绝对主角；而在 Helios 这样的 AI 机架中，每托盘 4 颗 MI455X GPU 配 1 颗 Venice，CPU 的职责变成了数据搬运、内存管理、系统控制编排——它不再是算力的提供者，而是算力的"交通调度员"。

这个角色对 CPU 的要求恰好与 256 核匹配：数据预处理、Tokenization、KV Cache 管理、网络协议栈、存储 I/O，这些工作高度并行且不依赖单核性能，核心数量就是吞吐量。16 通道内存提供的 1.6TB/s 带宽（Turin 的 2 倍）与升级的 PCIe 6.0、CPU-GPU 互联带宽翻倍，都是为了同一个目标：让 GPU 永远不缺数据。在 AI 工厂里，一颗喂不饱 GPU 的 CPU，就是最贵的瓶颈。

2nm 双厂布局：台湾与亚利桑那的地缘对冲​

Venice 的另一个关键进展是产能布局：它已在台积电 2nm 产线启动量产，并将延伸至台积电美国亚利桑那工厂。这使 AMD 成为首个实现美国本土 2nm 量产的 x86 服务器 CPU 厂商。

这步棋的价值在地缘层面。美国政府对本土先进制程产能的战略诉求日益强烈，超大规模云厂商的采购决策中"美国制造"的权重持续上升；亚利桑那产线让 AMD 在满足主权 AI 与政府订单时拥有对手难以复制的选项。与此同时，台湾产线保障了主力产能与成本效率——双厂并行既是对冲地缘风险，也是对冲单一产线的产能与意外风险。对于一款要装进 OpenAI、Meta、微软数 GW 级 AI 工厂的 CPU，供应链韧性本身就是产品力。

竞争格局：Intel 的份额流失与 Vera 的正面压力​

服务器 CPU 市场的竞争压力来自两个方向。

一个方向是传统对手 Intel。分析师普遍认为 Intel 在服务器 CPU 市场持续丢失份额，甚至出现"卖出 Intel"的分析口径。在 AI 数据中心的建设热潮中，每新建一个机架，主机侧 CPU 的采购决策就发生一次——而 Helios 这类 AMD 自家机架方案，天然把 Venice 带进了原本属于 Xeon 的领地。

另一个方向来自 NVIDIA。AI 工厂正在重新定义 CPU 的形态：NVIDIA 为 Rubin 平台配套了自研的 Vera ARM CPU（88 核），试图用"GPU 加自家 CPU"的整合方案替代独立服务器 CPU。竞争压力已经有数字化的呈现——根据 Daytona 的 Vera CPU 智能体基准测试，Vera 在千个沙盒场景中耗时 10.8 秒，而 EPYC 9755 需要 88.4 秒。这一测试虽不能代表所有负载，但它揭示了一个真实趋势：NVIDIA 正在用专为 AI Agent 工作负载设计的 CPU 架构，向"AI 工厂该用什么 CPU"的话语权发起冲击。

AMD 的应对是把 Venice 做成开放生态的一部分：它不只服务 Helios，也通过 Dell、HPE、Supermicro、Lenovo 的 OEM 渠道进入各种第三方 AI 服务器。与 Vera 的封闭整合路线不同，Venice 的卖点是 x86 软件兼容性与部署灵活性——存量数据中心不需要重写一行代码。

小结​

EPYC Venice 的故事不是"更多核心、更先进制程"的常规升级，而是一次角色转型的样板：CPU 从数据中心的主角变成 AI 工厂的调度中枢，256 核与 1.6TB/s 内存带宽是为"数据搬运工"这个新岗位定制的装备。2nm 双厂布局提供了地缘对冲，x86 兼容性守住了开放生态的基本盘。它面对的挑战同样明确——向上要顶住 Vera 这类 AI 原生 CPU 架构的挤压，向下要继续收割 Intel 丢失的份额。AI 时代的 CPU 战争，才刚刚进入下半场。

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。

印度主权算力关键指标	数据（截至 2026 年）
IndiaAI 使命预算	约 10372 亿卢比（五年）
共享算力池 GPU	超过 4.5 万张
获批使用算力的项目	237 个，9318 万 GPU 小时
本土基础模型提案	20 个（12 个多模态、8 个小模型）
半导体项目	12 个，投资承诺超 1.64 万亿卢比
数据中心装机容量	从 2020 年 375 兆瓦增至约 1575 兆瓦

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。

10 月 8 日，The Information 披露了一则耐人寻味的消息：NVIDIA 计划投资推理芯片初创公司 d-Matrix——一家不折不扣的直接竞争对手。与此同时，光子推理系统 Volantis、光互连加速器 CScale、数据流架构 Efficient Computer 相继完成大额融资，快速推理硬件公司 Taalas 则被 AMD 收入囊中。推理芯片，这个曾经被视为"巨头夹缝"的细分市场，正在成为 AI 硬件创业与资本最密集的战场。

融资全景：一个月内的资本密度​

将 2026 年 10 月初的融资与合作动态汇总成表：

公司	技术方向	资本动态	金额
d-Matrix	数字 SRAM 推理芯片	NVIDIA 计划投资（条款未披露）	未披露
Volantis	光子推理系统	A 轮	8,800 万美元
CScale	加速器光互连	C 轮	1.45 亿美元
Efficient Computer	数据流架构	B 轮（估值 6.5 亿美元）	9,700 万美元
Taalas	快速推理硬件	被 AMD 收购	未披露

Volantis 的目标是 20 万亿参数级别的模型推理，主打成本与功耗效率，采用类 Face ID 的垂直腔面发射激光器连接 AI 芯片与内存；CScale 则押注光互连，试图从数据搬运环节重构加速器系统；Efficient Computer 的数据流架构彻底摒弃传统指令驱动的冯·诺依曼范式。技术路线百花齐放，但共同指向同一个市场：LLM 推理。

推理层为何成为创业富矿​

推理芯片创业热潮不是资本泡沫的偶然，而是三个结构性因素叠加的必然：

第一，LLM serving 是成本敏感型生意。 模型厂商与云厂商的推理成本以每百万 token 计价，规模效应下，哪怕 20% 的每 token 成本改善都意味着数亿美元的利润差异。训练市场拼的是"能不能训出来"，推理市场拼的是"谁更便宜更快"——后者为架构创新提供了清晰的回报公式。

第二，负载稳定，架构可固化。 训练负载随模型结构演进不断变化，通用 GPU 的灵活性不可替代；而推理负载（注意力、解码循环）高度稳定，专用架构可以针对固定计算模式做到极致优化——把模型结构"烧进"硬件，正是 Taalas"快速推理硬件"的立意所在。

第三，生态门槛相对最低。 训练深度绑定框架与算子生态，CUDA 护城河难以逾越；推理则可以通过 OpenAI 兼容 API 层屏蔽底层差异，客户迁移成本极低。创业公司在推理市场面对的是"性能与成本"的公平竞争，而非生态垄断。

霸主的收编模式：投资、收购与平台吸纳​

面对创业公司的围攻，NVIDIA 的应对不是封锁而是收编。梳理时间线可以看到一套完整的组合拳：

事件	方式	战略意图
收购 Groq（2026-Q1，约 200 亿美元）	全资收购	将 LPU 纳入 Rubin 平台，补全超低延迟推理
Groq 3 LPU 进入 Rubin 平台	产品整合	GPU 管 prefill、LPU 管 decode 的异构分工
计划投资 d-Matrix	少数股权	挑战者选择与 NVIDIA 合作而非独立竞争
OpenAI Jalapeño（博通代工）	客户自研	顶级客户自研 ASIC 分流需求
Meta MTIA（博通代工）	客户自研	同上

Groq 3 LPU 机架的参数体现了收编后的技术红利：256 颗 LPU、128GB 聚合 SRAM、40 PB/s 片上带宽，每兆瓦吞吐较 Blackwell 高 35 倍。NVIDIA 用一张 GPU 订单之外的"补充产品"回应了所有 SRAM 推理挑战者——既然你们证明了这个方向的价值，那就把它变成自己产品矩阵的一部分。

而投资 d-Matrix 是更精妙的一手：不收购、不控股，用少数股权把最具威胁的独立竞争者转化为生态内的合作者。对 d-Matrix 而言，接受 NVIDIA 入股意味着获得渠道、客户与供应保障；代价是独立叙事的终结。

出路分化：被收购、被投资、硬刚​

推理芯片创业公司的终局正在呈现三种模式：

模式一：被收购，融入巨头。 Taalas 被 AMD 收购，为其推理产品线注入 SRAM 架构能力；Groq 被 NVIDIA 收购后成为 Rubin 平台的第七颗芯片。创始人与投资人获得退出，技术获得最大规模的分发渠道，但品牌消失。

模式二：被投资，保持名义独立。 d-Matrix 接受 NVIDIA 入股，介于独立与融合之间——产品仍独立销售，但战略上已与霸主绑定。这类公司保留了差异化叙事，却让后续的客户中立性打了折扣。

模式三：硬刚，独立竞争。 Cerebras 是最典型的代表——晶圆级架构 + OpenAI 100 亿美元电力协议 + AMD 生态合作，坚持独立路线。风险是持续的高额研发投入与生态孤岛，回报则是在某一细分市场（如极致推理速度）建立不可替代的地位。光子路线的 Volantis、CScale 暂时也走在这条路上，资本尚在为他们输血。

独立生存空间的挤压与再定义​

必须指出，"收编"不等于"垄断"。巨头的吸纳行为恰恰验证了推理专用架构的价值，而自研 ASIC（OpenAI Jalapeño、Meta MTIA）与国内推理芯片的崛起也在持续分流需求。独立推理芯片公司的真实生存空间在于：巨头投资组合之外的客户中立性、特定场景的极致优化（超低延迟、超大模型、光子能效），以及地缘市场（如国产替代）的本土化需求。AI 推理市场的体量足以容纳多条技术路线——真正的问题是，独立公司能否在霸主收编完成之前，建立起自己的规模化客户基本盘。

小结​

d-Matrix 获 NVIDIA 入股是这个赛道的标志性事件：当最强挑战者选择与霸主合作，说明推理芯片战争的竞争逻辑已经从"技术对垒"转向"生态收编"。Volantis、CScale、Efficient Computer 的大额融资证明资本仍在押注架构创新，而 Taalas、Groq 的归宿则揭示了行业整合的大势。对创业者，出路分化为被收购、被投资、硬刚三条路，各有代价；对客户，短期利好是技术加速成熟与价格竞争，长期需警惕的是推理算力供应集中于少数巨头生态。这场浪潮的下一幕，取决于 Cerebras 们能否用独立叙事跑通商业闭环。

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。

项目节点	时间与指标
试验线运行	2025 年 4 月，北海道千岁 IIM-1
2nm GAA 晶体管点亮	2025 年 7 月
客户测试芯片	2026 年底前
大规模量产	2027 财年下半年
初期月产能	6000 片，2028 年目标约 2.5 万片
晶圆定价	每片 300 万至 350 万日元
政府累计支持	约 2.35 万亿日元以上

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。

一个供应着全球大部分 HBM 内存的国家，却长期缺少自己的 AI 芯片设计力量。Rebellions 正试图补上这块拼图——用并购、融资与一条清晰的产品路线。

从合并到独角兽：韩国 AI 芯片业的首次整合​

2024 年 12 月 2 日，Rebellions 与 SK 电信旗下芯片公司 Sapeon Korea 完成合并，这是韩国本土 AI 芯片公司之间的首次整合，合并后实体估值约 1.3 万亿韩元，保留 Rebellions 品牌与管理层，SK 电信与 SK 海力士随之成为战略股东。这次合并让韩国第一次拥有了 AI 芯片独角兽，也把三星、SK 海力士与 Arm 同时拉进了股东名单。

资本层面的推进在 2026 年明显提速。2026 年 3 月 30 日，Rebellions 宣布完成 4 亿美元 Pre-IPO 轮融资，由未来资产金融集团与韩国国家增长基金共同领投，其中国家增长基金出资约 2500 亿韩元，成为该基金成立以来对 AI 芯片的最大单笔直接投资，也是韩国政府打造"K-NVIDIA"战略的核心落子。本轮融资将公司估值推升至约 23.4 亿美元，较 2025 年 9 月 C 轮的 14 亿美元估值上涨近七成，累计融资约 8.5 亿美元。公司已将韩国交易所 IPO 目标锁定在 2026 年底或 2027 年初。

发展节点	时间	关键数据
与 Sapeon Korea 合并完成	2024 年 12 月	合并估值约 1.3 万亿韩元
C 轮融资	2025 年 9 月	2.5 亿美元，估值 14 亿美元
Pre-IPO 轮	2026 年 3 月	4 亿美元，估值 23.4 亿美元
收购 SqueezeBits	2026 年 6 月	补齐推理优化软件能力
IPO 目标	2026 年底至 2027 年初	韩国交易所

产品路线：从 ATOM 到 Rebel100 机架级方案​

Rebellions 的产品线专注推理。第一代 ATOM 基于三星 5 纳米工艺与 GDDR6 显存，2023 年 5 月交付 KT 云并商用，FP16 峰值算力 32 TFLOPS；第二代转向 UCIe 芯粒架构，REBEL-Quad 采用三星 4 纳米工艺并集成 144GB HBM3E 显存，在 Hot Chips 2025 亮相后现已归入 Rebel100 产品体系。公司在 ISSCC 2026 公布的技术细节中声称，该设计能以更低功耗逼近英伟达 H200 的性能表现。

伴随 Pre-IPO 轮融资，公司同步发布了 RebelRack 机架与 RebelPOD 集群级产品，从卖芯片升级为卖整套基础设施。2026 年 6 月 30 日，Rebellions 又宣布收购 AI 推理优化公司 SqueezeBits，后者与英特尔、英伟达均有深度合作，此次收购让 Rebellions 把从硬件、软件优化到推理服务的全栈能力收入囊中。海外扩张同样在推进：日本子公司于 2025 年 2 月设立，沙特阿拉伯子公司于同年 8 月落地，北美业务也已展开。

小结​

Rebellions 的路径揭示了中等体量半导体国家发展 AI 芯片的现实打法：不与英伟达在训练市场正面交锋，而是锁定推理这一确定性最高的负载；用政府基金与产业资本（三星、SK 海力士既是供应商又是股东）构筑护城河；用并购快速补齐软件短板。若 IPO 与 Rebel100 量产如期落地，韩国将在亚洲 AI 推理芯片市场拥有第一个真正意义上的全国产替代选项。

当同行还在讨论要不要自研芯片时，Meta 已经给出了激进的答案：在 2027 年底之前连续部署四代自研加速器。九月进入量产的 MTIA v3，是这条快车道上最新的里程碑。

Iris 亮相：从单片走向芯粒​

据多家媒体报道，Meta 第三代自研芯片 MTIA v3 由博通担任设计伙伴、台积电负责制造，代号 Iris，产品序列上称为 MTIA 300，已于 2026 年 9 月启动量产。与 2024 年问世的 MTIA v2 采用单片架构不同，v3 转向拆解式芯粒设计，将计算与内存接口拆分为独立硅片，可在不重做计算核心的前提下更换网络或内存模块，灵活应对不同模型对内存与算力配比的要求。

新芯片基于台积电 N3P 级 3 纳米工艺，封装内集成扩展互联结构，用于支撑跨数千节点的分布式推理。在关键指标上，Meta 称其稀疏计算性能较前代提升 7 倍，推荐类模型吞吐量为上代的 3.5 倍，能效提升 2.8 倍。据分析师估算，v3 的内部生产成本比采购同级商用 GPU 低约 40%。

维度	MTIA v2	MTIA v3
制程	台积电 5 纳米	台积电 N3P（3纳米级）
架构	单片	拆解式芯粒
推荐模型吞吐	基准	3.5 倍
能效	基准	2.8 倍
稀疏计算性能	基准	提升最多 7 倍

砍掉训练用途：只做推理的理由​

MTIA 路线图上有一个耐人寻味的转折。据彭博社等报道，Meta 取消了原定兼顾训练与推理的 Olympus 项目，理由是双用途芯片成本要高出约 30%，在吉瓦级部署规模下这笔溢价无法接受。Meta 工程副总裁 Yee Jiun Song 公开解释过这一取舍：推理负载占 Meta 计算消耗的大头，专用设计在每瓦与每美元性能上远比通用设计划算。

后续产品也已排定：第三代 MTIA 450（代号 Arke）于 2026 年 9 月收到台积电交付的 12 颗工程样片，实测性能与仿真结果偏差在 2% 到 3% 之间，计划 2027 年上半年进入数据中心；第四代 MTIA 500（代号 Astrid）设计收尾在即，目标 2027 年底部署。Meta 承诺未来任何 12 个月内投入服务超过 1 吉瓦的自研芯片。

推荐系统是主场，模型生态在扩圈​

MTIA v3 的第一个主战场依然是 Facebook 与 Instagram 的排序推荐系统——这是 Meta 广告业务的算力底座。2026 年 9 月，Meta 确认已将 Muse 系列模型优化适配 MTIA 300，用于推荐基础设施；芯片同时具备运行 Llama 4 等生成式模型的能力，Meta 内部也测试过 DeepSeek 等第三方模型。大规模预训练则继续交给英伟达 GPU。

资本与电力为这条路线提供了后盾。Meta 预计 2026 年资本开支在 1150 亿至 1450 亿美元之间，较 2025 年的 720 亿美元大幅跃升，并计划在 2026 年上半年签约超过 5 吉瓦的数据中心容量。2026 年 7 月成立的 Meta Compute 部门还计划将富余算力对外出售，自研芯片由此从成本工具升级为潜在收入来源。

小结​

MTIA v3 的意义不在于单点性能对标英伟达，而在于验证了一条"专用化加快速迭代"的自研路线：用芯粒架构对冲制程风险，用推荐推理的确定性负载摊薄成本，用四代连发的节奏压榨学习曲线。对于所有承载海量推理负载的平台而言，Meta 的这份答卷值得细读。

传统数据中心为百万种应用服务，Fairwater 只为一件事而生：把数十万颗 GPU 拧成一台跨越州界的巨型计算机。这代表微软对 AI 基础设施的全新定义。

两座站点，一座超级工厂​

Fairwater 系列首站位于威斯康星州芒特普莱森特，2025 年 9 月对外公布，初始投资 33 亿美元，后续微软又追加 40 亿美元，威斯康星总投入超过 70 亿美元。据微软官方信息，该园区占地 315 英亩，三座建筑屋顶面积合计约 120 万平方英尺，采用双层高密度架构；设备于 2026 年 4 月启动上线调试，首座设施于 2026 年 6 月 23 日宣布全面投运。第二座 Fairwater 站点位于佐治亚州亚特兰大，已于 2025 年 10 月率先运营。

真正的巧思在于联网。两座站点通过专用光纤 AI 广域网直连，构成微软首座跨州"AI 超级工厂"：大型训练任务可拆分到两地协同执行，微软称此举可将部分训练周期从数月压缩到数周。威斯康星园区还规划了第二座设施，预计 2028 年建成，微软并计划在美国其他地区复制这一模式。

Fairwater 关键事实	数据
威斯康星首站投运	2026 年 6 月 23 日
亚特兰大站点投运	2025 年 10 月
威斯康星园区规模	315 英亩，约 120 万平方英尺
威斯康星投资	初始 33 亿美元，总计超过 70 亿美元
加速器规模	数十万颗英伟达 GB200 与 GB300
单机架 GPU 数量	72 颗 Blackwell GPU（NVLink 域）

工程细节：密度、液冷与扁平网络​

Fairwater 与传统云数据中心的差异体现在三个维度。计算密度上，每个机架在单一 NVLink 域内封装 72 颗英伟达 Blackwell GPU，为当时云平台最高机架吞吐水平；散热上，园区采用设施级闭环液冷，冷却液初次灌注后循环使用，微软宣称该设计将数据中心对当地水资源的消耗降到极低水平；网络架构上，单一扁平的高速网络让数十万颗加速器可以像一台机器一样协同工作。

这种设计的本质是把云数据中心的"多租户、多应用"模型彻底翻转为"单一巨型任务"模型：传统机房同时运行数百万个互不相关的工作负载，而 Fairwater 让一个前沿模型训练任务横跨百万级硬件部件。微软将其纳入更宏大的 Azure AI 超级工厂架构，与早期 AI 超算及 Azure 全球算力池互连，目标是让每吉瓦电力产出最大数量的有效 AI token。公司提出的路线图是每 18 到 24 个月将 AI 训练能力提升 10 倍。

电力与竞争背景​

支撑这一切的底层约束是电力。据公开报道，微软已签署多项天然气发电协议（总规模接近 5 吉瓦），并通过建设太阳能电厂与预付电网费用锁定供电，以分散跨州选址带来的电力需求压力。竞争对手的动向同样激进：xAI 的 Colossus 2 已成为全球首个吉瓦级训练集群，Meta、谷歌、亚马逊均在以吉瓦为单位扩张。UBS 等机构追踪 Fairwater 部署节奏并将其纳入 Azure 增长预测，显示资本市场已把 AI 数据中心建设视为云厂商竞争的核心变量。

小结​

Fairwater 的意义超出了一座数据中心：它验证了"分布式超级工厂"这一全新基建形态——训练任务不再受限于单一园区的电力与空间，而是可以在数百英里外的站点间自由调度。当 AI 竞赛的胜负手从芯片数量转向电力、散热与互联的系统工程，微软用 Fairwater 给出了自己的答案模板。