01：三星電子：HBM的散熱趨勢 近日，全球頂級晶片與電腦體系結構會議 Hot Chips 2026 召開，三星在會上分享了題為 “Evolving HBM Base Die” 的下一代HBM技術路線，首次從Base Die演進的角度系統討論了HBM4、HBM5乃至未來3D堆疊記憶體面臨的功耗與散熱挑戰。隨著HBM Base Die開始採用先進邏輯製程，並逐步整合PHY、Memory Controller、SRAM乃至Processing Elements等更多主動邏輯功能，HBM正在從過去相對單純的高頻寬記憶體器，演變為新的高功率密度熱源。 三星在 Hot Chips 2026 公佈的這套 HBM Base Die 路線，最值得關注的其實不是HBM容量，而是一個很明確的趨勢：未來HBM正在從GPU旁邊相對低功耗的記憶體器，逐漸變成一個新的高熱流密度熱點，AI晶片液冷的重點也可能從“只壓GPU/XPU”進一步擴展到“GPU+HBM整體封裝散熱”。 HBM散熱出現一個反直覺的問題：製程越先進，局部熱點反而越嚴重

RSI（Recursive Self-Improvement，遞迴自我改進）正在成為人工智慧領域最受矚目的前沿方向。 當模型可以自主生成任務、自動驗證結果、並把每一次試錯沉澱為能力，智能的增長第一次擺脫了對人類資料的依賴，進入自我複利的軌道。 AI進入自進化時代，整個行業都在等一個答案——RSI的方法論會在那些場景率先落地。 而晶片設計，一直被認為是現代工業體系中最複雜的工程任務之一。

昨天，OpenAI 公佈了 Jalapeño 的首批性能測試結果。 這是 OpenAI 的第一顆定製推理晶片，由 OpenAI 負責核心架構設計，Broadcom 參與晶片實現和網路連線，Celestica 負責電路板、機架和系統整合。 OpenAI 計畫在 2026 年年底前開始部署 Jalapeño。Gen 2 已經進入深度開發階段，Gen 3 也開始成形。 這不是一塊用來秀肌肉的樣品，而是 OpenAI 準備長期投入的一條晶片產品線。

AI Agent 的下一步是什麼？ 史丹佛的答案是：讓 AI 學會自己改進自己。 這門課是 CS329A《Self-Improving AI Agents（自改進 AI 智能體）》，於 2025 年秋季學期開設。課程不再只討論如何把 Agent 做出來，而是追問一個更難的問題：模型訓完以後，能不能通過搜尋、驗證和環境反饋，繼續變強？ 現在，課程首頁、論文閱讀清單和官方錄影都已經線上公開！

AI公司沒錢買GPU？輝達說：拿未來的利潤來換。21萬張GPU作為第一批抵押物——晶片，正在變成金融產品 1848年，加利福尼亞發現金礦。第二年，近十萬人湧入內華達山脈腳下。絕大多數人沒有淘到金子，但賣帆布褲子的利維·斯特勞斯成了最大的贏家——“金礦裡最賺錢的不是金子，是牛仔褲。” 2026年7月，輝達宣佈了一項新業務。它沒有起花哨的技術名字，但本質上一目瞭然：用算力換利潤。 一、什麼是“算力貸”？——AI公司的“分期付款”

一、AI 實驗室的算力與收入拐點 主持人： 今天再次請到 SemiAnalysis 創始人 Dylan Patel。我們所謂的“家庭感恩節聚餐”，其實就是每年錄一期播客。當然，我們並沒有親屬關係，別讓大家知道，否則這個傳說就破滅了。 全球經濟的走向，正越來越取決於 AI 實驗室的經濟模型、算力市場的演變，以及與之相關的一切。我想理解幾年之後，這個瘋狂的未來會走向何方。不過先從當下說起。請介紹一下目前 AI 實驗室的算力和收入情況，並展望未來一兩年。 Dylan： 回看去年，即使到了年末，美國 GDP 增長中的很大一部分也來自 AI 基礎設施。

HBM5大戰提前打響：SK海力士押注混合鍵合，三星把GPU功能“下沉”到HBM 三星：矽通孔（TSV）和物理層（PHY）輸入輸出介面，是制約記憶體頻寬（每秒傳輸的資料量）進一步提升的主要瓶頸。 AI晶片的競爭，正在從GPU算力一路延伸到HBM。 在Hot Chips 2026大會上，三星電子與SK海力士分別給出了下一代HBM的技術路線：三星重點推進定製化HBM和基底裸片，讓部分記憶體控制與AI計算功能向HBM內部遷移；SK海力士則將重點放在20層以上堆疊、iHBM散熱以及混合鍵合技術上。

OpenAI憋了許久的第一顆自研推理晶片Jalapeño，終於把真實跑分甩出來了。 戰績非常炸裂。以前做AI硬體總要在吞吐量大和響應速度快之間二選一，Jalapeño一套架構直接全拿下，不僅每度電能處理更多的任務，吐字速度也大幅躍升。 實測推理跑分：全面壓制輝達，通測三個開源大模型 為了驗證實際表現，OpenAI在SemiAnalysis的公開基準測試InferenceX上對Jalapeño進行了全面評估。測試覆蓋了從高吞吐量到超低延遲的高互動場景，並以每單位功耗所能完成的AI有效工作量作為核心對比標準。