當前，我們正站在一場由人工智慧（AI）驅動的全球算力革命中心。這場革命的核心矛盾，已從單純追求晶片的峰值算力，轉向如何高效、可靠地連接與管理海量計算單元，建構真正的“AI超級電腦”。在此背景下，光互連技術，特別是共封裝光學（CPO，Co-packaged Optics），已從一項前沿探索迅速演變為決定算力基礎設施效能與規模的關鍵瓶頸與破局點。本文旨在深入剖析CPO行業的現狀、核心驅動力、正在發生的產業模式變革，並展望其與未來國家戰略的潛在共振點。

一、現狀審視——CPO從技術藍圖走向商業前夜

共封裝光學（CPO）並非對傳統可插拔光模組的簡單升級，而是一次光電融合的“架構革命”。其核心在於將光學引擎（光晶片、調製器等）與矽基計算晶片（如GPU、ASIC、交換晶片）在封裝層級進行高密度整合，從根本上重構了資料中心內部的資料傳輸路徑。這種整合將訊號傳輸距離從釐米級壓縮至毫米級，直接帶來了功耗、頻寬和延遲的性能飛躍。

（一）核心驅動力：AI算力洪流下的剛性需求

AI大模型的訓練與推理，催生了前所未有的資料交換需求。據行業分析，全球AI算力需求正以“每3.5個月翻一番”的速度增長。單個AI叢集內部，GPU間的通訊頻寬需求已從TB/s等級向PB/s等級邁進。例如，一個千卡GPU叢集在執行兆參數模型訓練時，內部互聯頻寬需達到幾十Tbps甚至上百Tbps，這對資料傳輸效率提出了極致要求。

傳統可插拔光模組依賴的“晶片-PCB走線-光模組”架構，在速率超過800G後，面臨訊號完整性惡化、功耗激增和物理空間緊張的巨大挑戰。可插拔光模組在800Gb/s高速傳輸下，電訊號需長距離傳輸後再轉換為光訊號，導致單連接埠功耗高達30W，訊號損耗達22分貝。這對於一個需要部署數萬甚至數十萬光模組的超大規模AI資料中心來說，電力消耗和散熱壓力已成為不可承受之重。

CPO技術通過架構革新實現了性能的跨越式提升。以輝達的CPO方案為例，其通過將光引擎與交換晶片ASIC整合封裝，使功耗降至9W/連接埠（降低70%），訊號損耗銳減至4分貝。下表對比了傳統可插拔光模組與CPO方案在關鍵性能指標上的差異：

圖表：CPO與傳統可插拔光模組性能對比

資料來源：市場公開資料、中投產業研究院

（二）行業拐點：2025年，從實驗室到量產的關鍵分水嶺

多方跡象表明，2025年已成為CPO技術商業化的關鍵轉折年。產業界從技術驗證、標準制定到產能佈局都已進入實質性階段，呈現出加速發展態勢。

巨頭產品落地方面，輝達已於2025年GTC大會上明確宣佈，將於下半年推出的GB300晶片及下一代Rubin平台將全面採用CPO技術。其Quantum-X InfiniBand Photonics平台（交換容量達115Tb/s）預計於2026年初上市，Spectrum-X乙太網路交換機（最高409.6Tb/s頻寬）則將於2026年下半年推出。這些產品具備了業界領先的頻寬性能，並配備高效的液冷系統，能夠應對高密度、高功耗的運行環境。

市場需求方面，2025年Q2全球TOP10的雲廠商（包括亞馬遜AWS、微軟Azure等）採購的AI伺服器中，已有62%選擇了CPO配置，而2024年同期這一比例還不到10%。這種“用錢投票”的趨勢明確顯示了市場對CPO技術的認可。國內產業鏈也在快速跟進，如華工科技在2025年美國OFC展會上發佈了全球首款適配下一代AI訓練叢集的3.2Tb/s液冷CPO超算光引擎，其能效低至5pJ/bit，較傳統可插拔模組功耗降低近70%。

技術成熟度方面，頭部企業的CPO良率已從早期的60%左右提升至90%以上，部分企業甚至達到95%，成本下降40%，為規模化應用掃除了障礙。

（三）市場規模與結構：一個高增長的細分賽道正在形成

儘管CPO總體市場規模仍處於起步階段，但增長曲線極為陡峭。據摩根士丹利預測，CPO市場規模在2023-2030年間年複合增長率將達172%，到2030年達到93億美元。這一增長速度在科技產業中極為罕見，反映了市場對CPO技術的強烈預期。以下為CPO市場規模的增長趨勢圖：

資料來源：摩根士丹利、中投產業研究院

從市場結構看，CPO產業價值正向核心環節集中。光引擎設計、先進封裝測試等上游環節的價值佔比從傳統光模組的35%提升至60%以上。這表明CPO不僅是一項技術創新，更在重構光通訊產業的價值分配格局。

區域市場方面，中國CPO產業鏈正在快速成長。中際旭創、新易盛等國內頭部光模組企業2025年三季度業績呈現“爆發式增長”，行業整體營收同比增長83%，淨利潤同比增長127%。這些企業已獲得輝達等國際巨頭的CPO訂單，預計2026年開始批次交付。同時，中國在“十五五”規劃中將“算力基礎設施升級”列為重點，CPO作為核心技術之一，相關項目可享受政策支援，這為國內CPO產業創造了有利的發展環境。

總的來說，CPO技術正從藍圖走向商業前夜，這是一場由AI算力需求驅動的、涉及材料、晶片、封裝、系統多層次的產業鏈協同革命。它不僅是一種新技術，更是未來AI基礎設施的核心支撐點，值得政府部門在政策制定和產業引導上給予高度重視。

二、產業深潛——技術路線、模式變革與價值鏈重塑

CPO的崛起絕非單一產品的勝利，它正在引發光通訊產業從技術路線、商業模式到價值鏈的連鎖反應，其影響深度和廣度遠超一般的技術迭代。這場變革的核心在於，CPO正推動產業從“模組級組裝”向“晶片級整合”躍遷，進而重塑競爭規則和利益分配格局。

（一）技術路徑：共存、融合與多元探索

當前產業界的一個關鍵共識是：CPO並非要完全取代可插拔光模組，而是形成一種“分工協同、長期共存”的格局。這種分工主要由應用場景的差異化需求驅動。在AI算力叢集內部，尤其是千卡級GPU之間的Scale-up互連場景，資料交換頻寬需求已突破TB/s等級，傳統可插拔光模組的功耗和密度瓶頸難以克服。例如，輝達GB200超算叢集中，CPO技術將GPU間互連功耗從傳統方案的30W/連接埠降至9W/連接埠，降幅達70%，同時將訊號損耗從22dB銳減至4dB，這是支撐兆參數模型訓練的基礎。而在資料中心機櫃外部互聯（Scale-out）和電信傳輸等距離較長、需靈活維護的場景，可插拔光模組仍具成本優勢。據Lightcounting預測，到2027年，800G和1.6T連接埠總數中CPO連接埠佔比將接近30%，同時可插拔光模組市場自身仍將保持增長，這充分說明了互補共存的趨勢。

技術路線的多元化競合態勢愈發明顯。矽光技術憑藉其與CMOS工藝的相容性，成為CPO的主流平台，博通、英特爾等巨頭均以此為基礎推出CPO交換機晶片。但其他材料體系也在特定細分領域展現潛力：例如，薄膜鈮酸鋰調製器憑藉高線性度、低損耗特性，在長距相干通訊場景受到關注；而面向未來更高整合度需求，OIO（光學I/O）技術試圖將光I/O以Chiplet形式與計算晶片直接整合，實現頻寬密度從當前的幾十Gbps/mm&sup2;向1Tbps/mm&sup2;邁進，這被業界視為更終級的解決方案。下表對比了三種主要光電互連技術的特性與適用場景：

圖表：主要光電互連技術路徑對比

（二）產業新模式：從供應鏈到“系統-生態”共同體

CPO的高整合度特性徹底改變了光模組行業傳統的“晶片-元件-模組”的線性供應鏈模式，推動產業向“系統-生態”共同體演進。這種轉變主要體現在三個方面：

首先是縱向整合加劇與競爭焦點上移。CPO要求光、電、機、熱等多領域知識的深度耦合，使得單一企業難以掌握全部核心技術。這促使企業通過戰略結盟或垂直整合來建構能力。例如，晶圓代工龍頭台積電推出COUPE（緊湊型通用光子引擎）平台，為CPO提供從矽光製造到3D封裝的完整解決方案，其路線圖明確規劃了從2026年OSFP光引擎向2028年處理器封裝內整合12.8Tb/s的演進路徑。這種整合使得產業價值重心顯著向上游轉移：光引擎設計和先進封裝測試的價值佔比，已從傳統光模組的約35%提升至CPO領域的60%以上。與此同時，無源器件如高密度光纖連接器（MPO/MTP）、光纖陣列單元（FAU）等，因需滿足CPO系統更高的密度和性能要求，其技術複雜度和價值量也隨之提升，成為新的增長點。

其次是系統級競爭與開放生態的博弈。以輝達、博通為代表的系統廠商，傾向於提供整合CPO的完整交換或計算系統，形成“黑盒”式解決方案。例如，輝達的Quantum-X InfiniBand交換機將CPO作為默認配置，降低了使用者整合難度，但也引發了大型雲服務商（如Google、Meta、微軟）對供應鏈鎖定和技術自主權的擔憂。作為應對，這些雲服務巨頭正積極倡導建立開放的CPO生態系統和行業標準，如參與OIF（光互聯論壇）、COBO等標準組織，推動介面規範化。未來的產業競爭，很大程度上將是封閉系統方案與開放生態標準之間的博弈。

圖表：CPO產業鏈各環節價值量分佈

（三）產業鏈地理格局：全球協作與區域化風險並存

CPO產業鏈天生具有高度全球化的特徵，但目前地緣政治因素正成為影響產業格局的關鍵變數。從現有分工看，美國在核心晶片設計（如輝達、博通）、系統架構與整合方面保持領先；中國在光模組製造、封裝測試及部分無源/有源器件領域具有顯著的成本和規模優勢，例如2025年上半年中國頭部光模組企業營收同比增長均超過80%；而台灣則在半導體製造（台積電）、矽光代工和精密光學元件方面佔據關鍵位置。

然而，這種全球化協作正面臨區域化風險的挑戰。美國BIS（工業和安全域）等機構已將部分先進光晶片製造裝置納入出口管制範圍，這直接影響到了國內CPO產業鏈在14nm以下光晶片領域的進階。這種風險一方面促使全球客戶考慮供應鏈多元化，另一方面也倒逼中國大陸產業鏈加速核心技術攻關。國內企業正通過多種方式尋求突破：一是加大研發投入，如光迅科技定增募資35億元，專項用於高速光互聯技術研發；二是加強產業鏈協同，例如華為與中際旭創聯合推出xPU-CPO原型系統，探索GPU直接出光。總體而言，地緣政治因素在短期內增加了產業鏈的不確定性，但中長期看也加速了國內CPO產業在核心技術領域的自主攻堅處理程序。

儘管CPO技術前景廣闊且發展迅猛，但其從實驗室走向大規模商業化部署的道路並非坦途，仍面臨著一系列嚴峻的技術瓶頸、成本困境和產業鏈協同挑戰。這些挑戰不僅關乎技術本身，更涉及製造工藝、經濟帳計算和標準制定等深層次問題，需要產業界共同破解。

（一）技術複雜性：奈米級精度與熱管理的極致挑戰

CPO的技術複雜性首先體現在異質材料整合的難度上。它需要將基於矽的光子積體電路（PIC）、基於CMOS的電子積體電路（EIC）以及可能使用的化合物半導體雷射器等多種材料體系整合進單一封裝內。這些材料的熱膨脹係數存在差異，在裝置運行的溫度波動下會產生熱應力，若處理不當可能導致介面開裂或性能漂移。例如，矽光子晶片與有機基板之間的熱膨脹係數差異可達2-3倍，對封裝結構的長期可靠性構成嚴峻考驗。

其次，奈米級的光纖與晶片對準是規模化生產的主要障礙。高效的光耦合要求單模光纖與晶片上尺寸僅幾百奈米的波導之間的對準精度須控制在亞微米等級（通常小於0.1&micro;m）。這好比要將一根頭髮絲精確地對準到另一根頭髮絲的特定剖面上，其難度可想而知。目前主流的主動對準工藝依賴精密裝置即時調整光纖位置至光功率最大，雖能保證精度，但效率較低且裝置昂貴。而無源對準（如V型槽結構）雖有利於降低成本和提高效率，但對加工精度要求極高，任何微小的偏差都會導致耦合損耗顯著增加。有分析指出，光耦合環節的良率損失是制約當前CPO整體製造良率提升的關鍵因素之一。

再者，熱管理是CPO系統可靠性的核心。光子器件，尤其是雷射器和微環諧振器，對溫度波動極其敏感。溫度每變化1°C，可能導致微環諧振器的波長漂移約0.1nm。在CPO封裝內，高功耗的計算晶片（如ASIC/GPU）是巨大的熱源，其產生的熱量會傳導至鄰近的光子晶片，引起溫度不穩定，從而導致光訊號波長漂移和性能劣化。為解決此問題，業界普遍採用外部雷射源（ELS）方案，將發熱的雷射器與對熱敏感的光子晶片物理分離，但這又增加了系統的複雜性和成本。同時，高效的散熱設計，如採用先進液冷技術（如輝達和博通在其CPO交換機中應用的技術）成為必然選擇，這無疑對資料中心基礎設施提出了更高要求。

（二）成本困境：高昂的前期投入與漫長的TCO回報周期

目前，CPO系統面臨的成本困境非常突出，其前期成本遠高於傳統可插拔光模組。一個1.6T CPO連接埠的初始成本估計可達2800美元，而同等速率可插拔光模組連接埠成本約為1200美元，CPO成本高出約133%。這主要源於幾方面：核心晶片（如矽光晶片、特定用途的DSP）成本高昂，其設計和製造涉及尖端工藝；先進封裝（如2.5D/3D整合）的費用可觀，測試流程因高度整合而複雜且耗時；此外，與之配套的專用交換機和液冷系統也推高了整體部署成本。

因此，CPO的推廣關鍵在於證明其總擁有成本（TCO）優勢。這意味著需要將初期投入與後續營運中的電費節省、空間資源最佳化以及算力效率提升所帶來的收益進行綜合權衡。有研究指出，在AI叢集等典型場景下，CPO的節能優勢可能需要系統持續運行2-3年才能抵消初期的溢價。這種回報周期對於許多資料中心營運商來說，決策壓力較大。特別是在當前技術迭代飛快的背景下，他們可能擔心裝置尚未收回投資就面臨技術過時的風險。

市場接受度也因此呈現明顯的場景分化。超大規模雲服務商（如Google、Meta）和頂尖AI算力提供商（如主導AI叢集的廠商）出於對極致性能和能效的追求，對CPO的接受度更高。然而，對成本更敏感或規模相對較小的企業使用者則可能持觀望態度，等待技術更成熟、成本進一步下降。

（三）標準化滯後與生態博弈：開放與封閉的路線之爭

當前CPO領域標準化工作嚴重滯後於技術發展，這已成為制約產業鏈健康發展的重要因素。在介面規範、封裝形式、管理協議（如是否相容CMIS標準）以及可維護性設計等方面，業界尚未形成廣泛認同的統一標準。這種局面導致初期產品大多基於廠商的專有設計，例如輝達的Quantum-X/Spectrum-X光子交換機和博通的Bailly CPO交換機都採用了不同的整合方案。這種碎片化狀態阻礙了第三方供應商的介入，限制了規模效應的形成和良性競爭，不利於成本下降和技術普及。

標準化滯後也引發了更深層次的產業鏈生態博弈。目前主要存在兩種模式：一是以輝達、博通為代表的系統廠商主導的“黑盒”模式，提供整合了CPO的完整解決方案，優點是交付便捷、性能最佳化，但缺點是使用者可能被單一供應商鎖定，缺乏靈活性。另一種是以Meta、微軟等大型雲服務商倡導的開放生態模式，旨在推動建立開放的介面和標準，允許不同廠商的裝置互操作，優點是給予使用者更多選擇權和供應鏈韌性，但需要複雜的產業協同。這場博弈的結果將深刻影響未來CPO產業的競爭格局和價值分配。

（四）產業節奏風險：理性看待技術炒作與業績兌現

市場對CPO等新技術的迭代節奏有時會表現出過於激進的預期。光通訊產業本身有其客觀發展規律，從800G到1.6T，再到未來的3.2T，每一代技術的成熟和規模化應用都需要時間，通常遵循著2-3年一代的迭代周期。這個周期涵蓋了技術研發、標準制定、產品化、規模化量產和生態建構等多個環節，難以一蹴而就。

因此，需要理性看待CPO的業績兌現節奏。一方面要認識到CPO是滿足未來AI算力洪流下高速互連需求的關鍵方向，具有長期戰略價值；另一方面也要意識到，從技術突破到穩定量產，再到產生顯著的經濟效益，需要一個過程。短期內，避免因過度炒作導致資本市場預期與產業實際發展脫節至關重要。對政府部門而言，尊重技術發展規律，引導產業穩健投入，攻克核心關鍵技術，完善產業鏈配套，比單純追求短期市場規模擴張更具長遠意義。

綜上所述，CPO技術雖然前景可期，但其大規模普及仍面臨來自技術、成本、標準和市場節奏的多重挑戰。應對這些挑戰，不僅需要產業鏈上下游企業持續的技術創新和協同合作，也需要政府部門在產業政策、標準引導和基礎研究方面提供支援，共同推動CPO技術走向成熟，賦能數字經濟的可持續發展。

四、未來展望——與“十五五”國家戰略的同頻共振

展望“十五五”時期（2026-2030年），CPO技術的發展路徑與中國國家戰略的多項重點方向存在深刻契合。它不僅是單純的技術升級，更有可能成為賦能新質生產力、驅動產業鏈升級、促進綠色低碳發展的關鍵支點，與國家戰略形成強有力的“同頻共振”。

（一）賦能新質生產力，築牢算力基礎設施底座

“十五五”時期，以AI為代表的新質生產力發展，以及全國一體化算力體系的建構，將對底層算力基礎設施的效率、密度和能耗提出極致要求。CPO技術通過其顛覆性的架構創新，直接服務於這一核心國家戰略。具體而言，CPO所能實現的功耗降低50%-70%、延遲減少50%以上、頻寬密度提升數倍的特性，正是突破當前超大規模智算中心性能和能效瓶頸的關鍵。例如，在建構類似於“東數西算”工程所需的跨區域高速互聯骨幹網時，採用CPO技術有望將端到端傳輸延遲控制在微秒等級，這對於高性能計算和即時AI推理至關重要。根據行業預測，到2030年，中國CPO市場規模有望佔據全球份額的40%以上，這背後正是國家算力基礎設施巨大需求的驅動。因此，大力發展CPO技術，本質上是在為國家的數字經濟發展和智能化轉型鋪設高品質、高效率、低能耗的“資訊高速公路”和算力動脈。

（二）驅動產業鏈升級，搶佔光電融合戰略制高點

CPO的興起絕非單一產品突破，它代表著資訊技術領域最前沿的光電融合趨勢，其技術和產業影響外溢效應極強。對CPO技術的戰略性佈局，將強力牽引國內在矽光晶片、先進封裝、高端光學材料、精密儀器等基礎環節和短板領域的進步。這完全符合“十四五”規劃中強調的“打好關鍵核心技術攻堅戰”精神的延續，並有望在“十五五”期間成為積體電路產業之外，又一個國家級的高科技戰略支點。目前，中國企業在光模組封裝整合等中游環節已具備全球競爭力，中際旭創、新易盛、天孚通訊三家企業全球市佔率合計已超過40%。但在上游核心晶片和材料領域，例如高端矽光晶片和薄膜鈮酸鋰調製器，仍需加速突破。政策層面，國家積體電路產業投資基金二期已明確將矽光晶片和先進封裝列為重點扶持領域。“十五五”期間，通過集中資源攻關，有望實現CPO產業鏈關鍵環節的自主可控，帶動整個電子資訊製造業向高附加值環節攀升，形成類似在太陽能、新能源車領域的叢集優勢。工信部在《光通訊產業高品質發展指導意見》中設定的目標，即到2025年實現1.6T CPO規模化應用，正是這一戰略意圖的清晰體現。

圖表：CPO產業鏈核心環節發展態勢與國產化前景

（三）促進綠色計算，服務“雙碳”戰略目標

在“雙碳”戰略目標背景下，資訊技術產業的綠色低碳轉型至關重要。資料顯示，近五年中國資料中心耗電量保持15%以上的平均增長率，2020年耗電量已佔全國總用電量的2.7%。CPO技術最直觀的優勢之一便是大幅降低資料傳輸功耗，這使成為實現綠色資料中心目標的關鍵技術路徑。推廣CPO等節能技術，不僅能直接降低超大規模資料中心營運商的巨額電費成本，更能產生顯著的節能減排社會效益。一個典型的案例是，微軟Azure在部署採用CPO技術的交換機後，其資料中心能源使用效率（PUE）值降至了1.05的極低水平。這為中國資料中心實現“十四五”規劃中提出的PUE≤1.5的能效標準乃至更嚴格的目標提供了技術可行性。可以預見，在“十五五”期間，CPO技術將與液冷散熱等其它綠色技術深度融合，共同推動資料中心PUE向1.1-1.2甚至更低的水平邁進，從而使中國的“東數西算”等國家工程不僅是算力佈局的最佳化，更是綠色算力的典範，為國家中長期綠色發展戰略做出實質性貢獻。

綜上所述，CPO技術的發展與“十五五”國家戰略的契合度極高。它既是提升國家算力競爭力的關鍵技術武器，也是驅動產業鏈向高端躍遷的重要牽引力，同時還是落實“雙碳”目標的有效實踐路徑。前瞻性地進行戰略佈局，加大研發支援力度，完善產業生態，對於中國在未來全球數字經濟競爭中佔據有利位置具有深遠意義。

總而言之，光模組（CPO）行業正處在一個激動人心的歷史性拐點。AI的迫切需求將其從幕後推至台前，一場由架構創新引領的產業變革已然啟動。短期內，CPO將與可插拔模組分工共存，率先在頂級AI資料中心開闢市場。中長期看，其發展將遵循從專用到相對開放、從系統整合到生態建構的路徑。這個過程充滿了技術、成本和生態博弈的挑戰，但也蘊藏著重塑全球光通訊產業格局的巨大機遇。

對於中國而言，CPO既是一個必須跟上的技術賽點，也是一個依託龐大市場和應用場景實現產業鏈向上突破的窗口。其發展脈絡，與未來國家在算力基建、科技自立自強和綠色發展等方面的戰略方向高度同頻。站在“十五五”的門檻上，客觀、理性地認識和佈局CPO這一關鍵領域，對於建構自主可控、高效綠色的數字未來，具有至關重要的意義。  (中投未來產業研究中心)

最近，我們看到獨立開發大神、Nomad List創始人Pieter Levels發了一張圖——

除了被紅藍條紋覆蓋的美國和被鮮紅色覆蓋的中國，

世界其他地方是一片死寂的灰色。

“我才意識到，現在只剩下兩個國家擁有‘實質性’的創業活動：美國和中國。世界其他地方基本上做不了初創企業，沒有資金，無法增長。它們更像是為了取悅政府而進行的‘表演性’業餘項目（Performative hobby projects）。這張圖或許告訴了我們，未來的世界財富將集中在那裡。”

這條推文瞬間引爆了矽谷、中關村以及班加羅爾的輿論場。

如果說 2015 年我們還相信“世界是平的”，相信下一個 Facebook 可能誕生在奈及利亞，下一個Google可能出現在柏林；那麼在 2025 年的今天：

世界不僅不是平的，而且正在極速陡峭化。全球創新的版圖，已經不可逆轉地坍縮為“中美雙寡頭”（G2）格局。

有人憤怒，懟天懟地，但更多身處一線的投資人和創業者默默點了個贊——因為，這些人知道他說的是對的。

首先，我們需要界定 Pieter Levels 口中的“實質性”（Substantial）究竟指什麼。

他指的不是你在社區樓下開的面包店，也不是一個年入幾萬美金的獨立 SaaS 外掛。他指的是那些能夠重新定義行業、創造數十億美金產值、甚至改變人類生活方式的“範式轉移”級企業——比如 OpenAI，比如 SpaceX，比如字節跳動，比如大疆。

矽谷教父Paul Graham也早就說了，

並非所有新成立的公司都是創業公司（Startup），但Startup的本質是為了實現指數級增長。

但這個“指數級增長”需要什麼？

在零利率政策（ZIRP）時代，資金氾濫，全世界都在講故事。軟銀曾試圖用美元把印度和東南亞催熟成下一個矽谷。但當聯準會加息、資本退潮、AI 技術奇點來臨這三股力量匯合時，潮水逐漸褪去，我們發現只有中美兩國穿了底褲。

根據 PitchBook 和 Crunchbase 的 2025 年最新資料，全球上半年超過 1 億美元的“超級融資”事件中，90%發生在美國和中國。

也就是說，全球的頂級風險資本，只敢下注這兩個市場。

資本是最聰明的，它們用腳投票。

當需要投入數億美金去訓練一個大模型，或者建設一條衛星生產線時，投資人環顧四周，發現除了中美，其他地方根本沒有承接這種量級資金的能力。

再看獨角獸企業的數量與規模——

在 2024-2025 年誕生的 AI 獨角獸中，幾乎清一色是美國公司（OpenAI 生態系、Anthropic 等）或中國公司（月之暗面、DeepSeek、智譜等）。歐洲雖然有 Mistral AI，但這更像是一個孤勇的特例，而非生態的勝利。

如果看看過去兩年的 IPO 市場，納斯達克依然活躍，中國的科創板和港股儘管波折但依然有流動性。反觀倫敦、多倫多、孟買或聖保羅的交易所，科技股的流動性幾乎乾涸。

沒有退出，就沒有資本循環，創業生態就成了一潭死水。

美國依然佔據半壁江山，這不令人意外，但令人恐懼的是，

它在 AI 時代的統治力比網際網路時代更強了。

Levels 在爭論中反駁道：“並不是說印度人或歐洲人不行，而是最頂級的印度人和歐洲人，都在美國。”

它是一個建立在移民基礎上的全球精英俱樂部。

看看矽谷各大 AI 實驗室的名單，首席科學家們來自世界各地，但他們的肉身、IP 和納稅記錄都在加州。美國依然掌握著全球最高的“人才轉化率”。

Meta的AI超級實驗室中，有中國背景的員工佔據了一半

在歐洲，如果你說要造一個火箭回收系統，銀行家會讓你先寫一份 500 頁的合規報告；在中國，你需要論證它的商業閉環和政策導向。

而在美國，資本願意為“非共識”的瘋狂買單。從 SpaceX 到 OpenAI，最初看起來都像是騙局。美國風投生態對“歸零”的容忍度，以及對“萬倍回報”的極度渴望，構成了創新的燃料。

文化咱們提過很多次了，這裡單說一個監管文化，美國監管文化比較寬鬆，甚至可以用”滯後“來形容，但這對創新是極大的保護，比起歐洲，美國的大模型、Crypto、無人駕駛等技術能在灰色地帶野蠻生長，直到形成既定事實。

特別是在西方媒體普遍唱衰中國的當下，將中國列為唯一的“另一極”，顯得格外扎眼。

中國擁有美國無論如何都無法複製的護城河。

供應鏈、超大規模市場與人才紅利。

在這個星球上，軟體世界也許美國領先，但只要人類還需要生活在原子世界，唯一的供應鏈霸主就是中國了，不管是電動汽車、無人機、機器人，還是未來可能爆發的具身智能，這些需要“軟硬結合”的賽道，中國擁有無與倫比的優勢。

在深圳，一個硬體原型從設計到落地只需要 3 天，成本是矽谷的 1/10。

這種迭代速度本身就是一種技術壁壘。

而且咱們有十億級的單一市場。

歐盟雖然人口眾多，但語言、法律、支付習慣破碎不堪。印度雖然人口第一，但人均消費力（ARPU）過低，難以支撐高科技產品的初始研發成本。中國是世界上唯一一個擁有 10 億級使用者、統一語言、統一基礎設施（5G、移動支付、物流）、且對新技術接受度極高的單一市場。

在這裡，那怕一個細分賽道的“內卷”，都能通過”養蠱式“的卷，捲出世界級的競爭力。比如TikTok的成功，不是因為出海，而是在國內經歷了千播大戰的殘酷洗禮後，帶著降維打擊的產品力橫掃了全球。

是，咱們的人口紅利在消退，但“工程師紅利”正走向巔峰。

每年千萬級的 STEM 畢業生，加上獨特的“舉國體制”對硬科技（半導體、能源、航天）的不計成本投入，讓中國在被封鎖的狀態下，依然強行建構出了另一套獨立的技術堆疊。比如，DeepSeek 能夠在算力受限的情況下，通過演算法最佳化和工程化能力逼近頂級大模型，正是中國工程師能力的極致體現。

那，為什麼歐洲、日本、印度、拉美，

正在失去建構“實質性”初創企業的能力？

歐洲已經變成了一個巨大的露天博物館和監管機構。GDPR（通用資料保護條例）、AI Act（人工智慧法案）、DMA（數字市場法案）…… 歐洲在沒有誕生任何一家世界級 AI 公司之前，先制定了世界上最嚴格的 AI 法律。這種“防禦性思維”嚇跑了創業者。

而且歐洲的資金傾向於避險，社會文化傾向於“工作與生活的平衡”。這沒有錯，但這在這個“暴力創新”的時代，意味著出局。許多歐洲創業項目更像是為了騙取政府補貼而存在的“表演藝術”，只有 PPT，沒有 MVP（最小可行性產品）。

我們其實在之前的文章中也講到了印度的困境，特別是在當下的AI時代。

印度擁有偉大的 CEO（在微軟、Google），但缺乏偉大的本土初創公司。原因在於“外包思維”的路徑依賴。印度最聰明的頭腦習慣於為美國公司解決問題，而不是為印度市場定義產品。

此外，薄弱的基礎設施和較低的支付意願，使得本土消費網際網路難以通過“規模效應”盈利。

印度目前更多是作為美資企業的“後台辦公室”，

東南亞、拉美、中東，它們有獨角獸，但大多是“時光機模式”的產物——即複製中美已經驗證的模式（如東南亞的 Grab 復刻 Uber，拉美的 Nubank 復刻 Fintech）。

這當然能賺錢，但這屬於“生意”，不屬於“定義未來的創新”。

它們依賴中美的底層技術（AWS/阿里雲）、依賴中美的資本，本質上是中美技術生態的下游分銷商。

所以，如果創新只在中美發生，

那麼財富的分配將呈現極度恐怖的K 型走勢：

中美兩國。它們掌握著“作業系統”等級的權力——AI 模型、算力基礎設施、太空軌道、生物技術平台。它們將向全世界收取“技術租金”。就像現在的蘋果和Google向全球開發者收稅一樣，未來中美的 AI 公司將向全球企業收取“智力接入費”。

世界其他國家。它們將淪為“應用層”市場、“資料原材料”產地和“高端服務業”提供者。它們或許能維持不錯的生活水平（如歐洲的旅遊業、澳洲的礦產），但在全球價值鏈的分配中，將永遠處於被收割的地位。

這是一種新型的“科技殖民主義”。

而武器就是API介面和算力封鎖。

“雨露均霑”的全球化時代已結束，

“贏家通吃”的智能時代已開幕。

不是所有國家都能上桌，創新的門票已經變得極其昂貴——它需要兆級的算力、億級的使用者資料和極度飢渴的人才密度。

對於我們而言，好消息是：我們身處紅色的版圖之中，我們依然坐在牌桌上。

但壞消息是：這場遊戲的節奏正在加快，任何形式的懈怠、封閉或自嗨，都可能讓我們從紅色的實線，滑落成灰色的背景。

一種是編寫演算法的，一種是被演算法編寫的。

"AI可能毀滅人類，而中國正在引領全球應對這場危機——其他國家必須加入！"

你是否知道，全球AI發展正面臨一個致命悖論：我們正在以火箭般的速度開發AI，卻沒有建立相應的安全機制？Nature最新 editorial 發出震撼警告：中國提出的"世界人工智慧合作組織"(WAICO)可能是阻止AI毀滅人類的唯一希望，而美國等國家的不作為將使全球陷入危險境地！

🔥 AI的雙面性：天使還是魔鬼？

AI模型擁有令人驚嘆的能力，既能加速科學發現、推動經濟增長，也可能在不經意間造成災難性後果：

• 加劇社會不平等：AI演算法可能強化現有的社會偏見

• 助力犯罪活動：深度偽造技術已用於詐騙和政治操縱

• 傳播虛假資訊：AI生成內容難以分辨真偽

• 最可怕的威脅：部分頂尖研究者警告，超級智能AI可能在未來"毀滅人類"

"它們不完全理解世界，可能會以不可預測的方式失敗。" ——Nature editorial

更令人擔憂的是，在AI開發的"百米衝刺"中，安全問題被嚴重忽視。許多專家擔心，當前的AI熱潮正在形成一個即將破裂的經濟泡沫，而全球卻缺乏統一的監管框架！

🌐 全球AI治理：三國演義的現狀

🇺🇸 美國：自由放任的"野蠻生長"

美國作為全球AI技術的領導者，卻沒有國家層面的AI法規，僅靠各州零散的法律和企業自律。最新發佈的"AI安全指數"顯示，沒有一家美國公司得分高於C+。

更令人擔憂的是，美國政府不僅沒有加強監管，反而在推動"創世任務"(Genesis Mission)，為AI開發者提供前所未有的政府資料存取權，被比作"登月計畫"。

"美國公司期望自己監管自己，同時又在無休止的競爭中。" ——Nature

🇪🇺 歐盟：謹慎前行的"AI法案"

歐盟去年推出的《AI法案》要求最強大的AI系統加強威脅分析，但實施效果尚不明確。媒體報導稱，企業正在向歐盟施壓，要求放寬法律限制。

儘管有巨額罰款的威脅，但法案實施仍處於初級階段，實際效果有待觀察。

🇨🇳 中國：快速行動的"監管先鋒"

與美歐不同，中國自2022年以來已推出一系列AI法規和技術標準：

• 要求AI開發者提交生成式AI模型進行部署前安全評估

• 強制在AI生成內容上加入可見、不可磨滅的水印

• 2025年上半年發佈的AI國家標準數量等於過去三年總和

"中國在2025年上半年發佈的AI國家標準數量等於過去三年總和。" ——Concordia AI

中國AI監管的核心理念是：既要推動AI廣泛應用，又要確保可追溯性和企業責任。儘管中國AI企業在"AI安全指數"上的得分低於西方同行（部分原因是未能充分應對災難性濫用風險），但其監管速度和系統性令人矚目。

🌐 WAICO：中國提出的"AI聯合國"

中國提出建立"世界人工智慧合作組織"(WAICO)，旨在協調全球AI監管規則，同時"充分尊重各國政策和實踐的差異"，並特別關注全球南方國家。

WAICO的總部計畫設在上海，雖然細節尚未明確，但Nature認為：

"建立這樣一個機構符合所有國家的利益，全球各國政府都應該加入。"

WAICO不會直接強制執行AI規則（中國也表示支援聯合國主導的全球AI治理），但它可能成為各國逐漸凝聚共識的平台。

🤝 為什麼中國方案值得關注？

中國推行"開放權重"政策，使全球公司越來越多地基於中國AI建構服務。中國AI模型的可獲取性和低成本正在重塑全球AI生態。

"中國'開放權重'模型政策意味著全球公司越來越多地基於中國AI建構服務。" ——Nature

現有全球AI治理努力——如經濟合作與發展組織的AI原則和歐洲委員會的《人工智慧框架公約》——要麼不具約束力，要麼未得到有效執行。

Nature建議，WAICO可以借鑑國際原子能機構(IAEA)的模式：各國同意限制AI開發並開放系統接受檢查，使各國能夠驗證彼此是否遵守規則。

🌍 科學啟示：AI治理不是零和遊戲

"AI治理不應被視為地緣政治競賽，認為一個國家的安全可以通過技術主導來保證。'獲勝'對大多數國家來說不是選項，AI軍備競賽不會保證人們更安全或更富裕。"

相反，全球應共同合作，就什麼是安全的AI以及世界希望如何利用AI達成共識。

中國學者Angela Zhang指出，儘管中國監管有其政治考量，但其基本動機與他國"相當相似"：

💡 科研人員和企業的行動指南

隨著中國AI影響力的擴大，瞭解中國的AI標準對全球研究人員和企業至關重要。忽視這一趨勢可能導致技術落後或合規風險。

科研人員應積極參與多邊對話，幫助評估什麼樣的全球治理既有效又現實。AI安全需要全球智慧，而非單一國家的解決方案。

企業和研究機構需要在追求創新的同時，主動加強內部AI安全機制，而不是等待監管強制要求。   (聖不可知)

Rubin 是多少張 GPU 互聯？比現在最強的資料中心性能強多少？——本報告的分析結論如下：

互聯規模的代際跨越：Rubin 架構引入了 Vera Rubin NVL144 平台，在一個機架內實現了 144 個 GPU 計算核心（Die） 的全互聯 1。這不僅在物理數量上是前代 Blackwell NVL72（72 個 GPU）的兩倍，更重要的是，通過第六代 NVLink（NVLink 6）技術，這 144 個核心建構了一個單一的、記憶體一致的邏輯計算域。這意味著模型可以像在一個巨大的 GPU 上運行一樣，在 144 個核心之間無縫共用記憶體和資料，徹底消除了節點間通訊的延遲瓶頸。

性能增益的多維躍遷：相比當前最強的資料中心基準——Blackwell GB200 NVL72，Rubin 展現了多維度的性能提升：

AI 推理性能（FP4）：提升幅度約為 3.3 倍，達到 3.6 Exaflops 1。

海量上下文處理（CPX）：針對百萬級 token 的長上下文任務，Rubin CPX 平台的性能是 Blackwell 的 7.5 倍2。

記憶體頻寬：整機架聚合頻寬從 NVL72 的 576 TB/s 激增至 1.7 PB/s，約為 3 倍 的提升 2。

本報告將深入探討驅動這些數字背後的技術邏輯，包括 3nm 工藝製程、HBM4 記憶體革命、銅纜互聯物理學以及 600kW 功率密度帶來的熱力學挑戰。

2. 宏觀背景：計算通膨與推理時代的黎明

要理解 Rubin 架構的設計初衷，必須首先審視當前 AI 產業面臨的根本性矛盾：計算通膨（Computation Inflation） 與 記憶牆（Memory Wall） 的雙重擠壓 4。隨著大語言模型（LLM）從單純的文字生成轉向具備多步邏輯推理能力的“Agentic AI”（代理智能），計算範式正在發生深刻的轉移。

在 Hopper（H100）時代，資料中心的主要任務是模型訓練，這要求極高的浮點運算能力。然而，隨著模型部署的普及，推理（Inference）——尤其是長上下文、高並行的推理——成為了算力消耗的主體。Blackwell 架構通過引入 FP4 精度初步應對了這一挑戰，但 Rubin 則是為**“推理原生”**時代徹底設計的 2。

Rubin 的出現不僅僅是為了更快的訓練，更是為瞭解決“百萬 Token 級”上下文的即時處理問題。在這一場景下，瓶頸不再是計算核心的速度，而是資料搬運的速度。因此，Rubin 架構的核心哲學可以概括為：以頻寬換算力，以互聯換延遲。

2.2 摩爾定律的終結與系統級擴展

隨著電晶體微縮逼近物理極限，單晶片性能的提升日益艱難。輝達 CEO 黃仁勳明確指出，未來的性能提升將不再依賴單一晶片，而是依賴“資料中心即晶片”的系統級設計 4。Rubin 架構正是這一理念的極致體現：它不再試圖製造一個超強的 GPU，而是試圖製造一個超強的機架（Rack），並讓這個機架在軟體層面表現為一個單一的邏輯單元。

3. 矽基架構：Vera Rubin 超級晶片的技術解構

Rubin 平台的核心建構模組是 Vera Rubin Superchip。這一異構計算模組整合了定製化的 Vera CPU 和下一代 Rubin GPU，通過 NVLink-C2C 實現晶片級的高速互聯。

3.1 Rubin GPU 微架構：3nm 與雙芯封裝

Rubin GPU 將採用台積電（TSMC）的 3nm 工藝（預計為 N3P 或後續最佳化版本）製造 6。相比 Blackwell 使用的 4NP 工藝，3nm 節點提供了顯著的電晶體密度提升和能效最佳化，這是在有限的功耗預算下實現性能翻倍的物理基礎。

3.1.1 封裝策略：Die 與 GPU 的定義重構

在分析 Rubin 的規格時，必須澄清輝達術語體系的變化。在 Blackwell B200 中，一個封裝（Package）包含兩個計算裸片（Compute Die）。在 Rubin 這一代，這種設計得到了延續並擴展：

標準 Rubin GPU：包含 2 個全光罩尺寸（Reticle-sized）的計算裸片7。

Rubin Ultra（2027年）：預計將包含 4 個計算裸片1。

因此，當我們討論 NVL144 時，我們指的是 72 個物理封裝，每個封裝內含 2 個裸片，總計 144 個計算核心1。這種設計使得輝達能夠在不突破光刻機掩膜版尺寸限制（Reticle Limit）的前提下，持續擴大單晶片的有效面積。

Rubin 架構最關鍵的技術躍遷在於首發搭載 HBM4（High Bandwidth Memory 4） 記憶體 6。相比 Blackwell 使用的 HBM3e，HBM4 帶來了質的飛躍：

位寬翻倍：HBM4 將記憶體介面位寬從 1024-bit 擴展至 2048-bit8。這使得在同等時脈頻率下，頻寬直接翻倍。

堆疊工藝：HBM4 採用了邏輯裸片與記憶體裸片的混合鍵合（Hybrid Bonding）技術，甚至可能直接堆疊在 GPU 邏輯晶片之上（3D 堆疊），從而大幅降低訊號傳輸的功耗（pJ/bit）。

容量與頻寬：每個 Rubin GPU 封裝配備了 288GB HBM4 記憶體，頻寬高達 13 TB/s7。作為對比，Blackwell B200 的頻寬僅為 8 TB/s。這額外增加的 5 TB/s 頻寬，是 Rubin 能夠在推理任務中大幅領先 Blackwell 的核心物理原因。

與 Grace CPU 採用 ARM 標準 Neoverse 核心不同，Vera CPU 採用了輝達完全自訂的 ARM 架構核心 9。

核心規格：單顆 Vera CPU 擁有 88 個物理核心，支援 176 個線程（SMT）11。

戰略意義：Vera 的出現標誌著輝達在計算全端上的進一步收束。通過自訂核心，輝達可以針對 AI 資料預處理、CUDA 核心調度以及網路協議棧進行指令集等級的最佳化，進一步降低 CPU-GPU 之間的通訊延遲。Vera 與 Rubin 之間通過 1.8 TB/s 的 NVLink-C2C 互聯 1，確保了 CPU 記憶體與 GPU 視訊記憶體處於統一的定址空間。

3.3 Rubin CPX：為“百萬上下文”而生

在標準版 Rubin 之外，輝達還規劃了 Rubin CPX 變體。這是一個專為處理極長上下文（Massive Context）設計的 SKU 2。