中美主導全球生成式AI早已成為不爭的事實，但其他國家也並非都是陪跑角色。瑞銀近期發佈一份研究報告，稱海灣地區憑藉低成本高韌性電力接入的適宜土地，以及支援推理設施建設的強力政策，正成為全球資料中心開發的核心優選區域。據瑞銀測算，在完全折舊的前提下，電力成本佔資料中心整體物料成本的5%-10%。海灣地區充裕的電力容量使其成為建設AI推理設施的低成本區域。此外，海灣地區發展動能正逐步積聚：與超大規模雲服務商、晶片製造商的數吉瓦級合作已逐步落地，貿易限制持續放寬，電網升級計畫與國家級戰略穩步推進，同時終端與企業側對AI推理的旺盛需求，共同構築了良好的產業發展環境。不過，鑑於地緣政治重要性與敏感性，瑞銀判斷用於預訓練的超大型資料中心園區仍大機率保留在美國。Part.01 AI縮放定律近年來，AI資本開支規模與投入強度的大幅增長，源於模型智能度與算力/資料規模的強相關性，這一規律被稱為AI縮放定律。在過去的深度學習時代，該定律發生了範式轉變：更大規模的資料集、高性能硬體及演算法最佳化共同推動算力需求激增。據EpochAI資料，2010-2024年，AI訓練所用算力呈指數級增長，每6個月便實現翻倍，遠高於20世紀50年代機器學習系統誕生初期超20個月的翻倍周期。與此同時，每一輪算力擴容都伴隨能耗的顯著攀升。新一代晶片的單GPU功耗持續走高：輝達晶片的最大功率需求已從安培架構的400瓦，提升至霍珀架構的700瓦、布萊克韋爾架構的1200瓦，預計魯賓架構將達到約1800瓦。除單晶片功耗外，算力叢集規模的擴大進一步推高整體能耗；儘管硬體能效提升可部分抵消算力增長帶來的電力需求，但綜合來看，EpochAI測算2010-2024年，前沿AI模型訓練的總電力需求年均增幅仍超100%。上述趨勢凸顯了電力成本對資料中心營運的關鍵意義——電力已成為資料中心最大的營運成本項。Part.02 合作驅動海灣地區AI基礎設施增長全球頭部生成式AI基礎設施建設方已與海灣地區達成多項合作，其中阿聯的合作項目最為典型：阿聯星門項目2025年5月，輝達、甲骨文與OpenAI宣佈在阿布扎比落地星門項目，複製其在美國的星門基礎設施建設模式。根據規劃，該項目將依託輝達最先進的GB300晶片打造1吉瓦算力容量，且是總投資規模預計達5000億美元的全球星門計畫的組成部分。同時，這也是“面向國家的OpenAI”全球倡議下的首份協議，該倡議隸屬於美國星門計畫，旨在幫助美國以外地區建構自主AI能力。1吉瓦算力叢集將由當地科技企業G42承建，甲骨文與OpenAI負責營運，輝達、思科及軟銀提供技術支援，叢集將落戶阿布扎比新建的美阿AI園區，該園區是整體AI基礎設施基地的一部分，未來總算力規劃達5吉瓦。微軟在阿聯的佈局微軟已承諾2023-2029年在阿聯投資152億美元，其中包括向G42注資15億美元，並近期宣佈在該區域建設200兆瓦資料中心園區。此外，微軟聯合貝萊德、MGX及全球基礎設施夥伴成立AI基礎設施合作聯盟，承諾總投資規模達1000億美元，輝達與xAI已於今年早些時候加入該聯盟。沙烏地阿拉伯的合作項目Google與沙烏地阿拉伯公共投資基金達成100億美元合作，將在沙烏地阿拉伯建設並營運全新的雲與AI樞紐，聚焦區域本土化AI應用。亞馬遜與沙烏地阿拉伯PIF旗下AI企業HUMAIN達成超50億美元投資協議，將打造開創性的“AI專區”，該區域基礎設施將配備約15萬顆晶片（含亞馬遜Trainium晶片及輝達GPU），此投資為亞馬遜此前宣佈的53億美元沙烏地阿拉伯基礎設施投資（2026年投用）的增量項目。高通與HUMAIN達成合作，計畫2026年採用高通加速器建設200兆瓦資料中心，但因細節尚未披露，該項目的確定性低於上述合作。Part.03 海灣地區AI應用落地進展如何？海灣地區是技術前瞻性極強的區域，擁有成熟的消費市場、創新技術資本及強力政策支援。例如，阿聯早在2017年便將AI列為國家戰略優先事項，目標2031年成為全球AI領導者，推動AI在醫療、能源、水務、教育等領域的跨行業融合，並以此提升政府治理效能。因此，海灣地區的終端與企業AI滲透率整體處於全球領先或持平水平：德勤資料顯示，阿聯及沙烏地阿拉伯58%的消費者會每日或每周使用AI工具，顯著高於英國的約20%。微軟AI滲透報告指出，阿聯的人均AI使用量位居全球第一，遠超全球均值。企業端方面，德勤調研顯示海灣合作委員會國家在AI應用意願、工具落地普及率及智能體部署進度上與全球企業基本持平，考慮到AI智能體整合的成本與時間投入，瑞銀預計海灣地區國家AI工具的普及將與全球趨勢同步。瑞銀認為，AI擴散規則的調整及AI縮放定律驅動的算力需求快速增長，為GCC國家成為領先AI基礎設施區域奠定了堅實基礎；疊加充裕電力、深厚資本市場及高技術接受度的消費群體，該區域AI相關基礎設施具備強勁增長潛力。 (智通財經APP)

第三財季Salesforce營收同比增9%、略低於預期，但EPS激增35%大超預期，AI和資料雲平台年化收入保持三位數增長。第四財季營收指引中值同比增近12%，七個季度以來首次單季增超10%；體現待確認合約收入的關鍵指標CRPO料增15%超預期，創三年多最高增速，收購的Informatica貢獻4個百分點增長；本財年二度上調全年營收指引。股價盤後一度漲8%。雲端運算和客戶關係管理（CRM）軟體巨頭Salesforce傳來人工智慧（AI）產品應用的好消息，雖然上一財季營收略低於預期，但本財季營收指引意外強勁，體現了公司說服客戶購買其AI產品的努力。Salesforce的指引意味著，本財季營收將實現將近兩年來首次兩位數增長，比華爾街預期更快回歸10%以上，這部分得益於收購資料整合軟體製造商Informatica。衡量已簽約但尚未履約待確認收入的關鍵財務指標——當前剩餘履約義務（CRPO）也保持兩位數增勢。分析師評論稱，CRPO的指引表明企業客戶支出疲軟，而Salesforce旗下AI平台Agentforce和資料平台Data 360的成功應用讓他們樂觀地預計，從2026年下半年開始，這兩款產品有望成為更大的銷售推手。財報公佈後，收漲1.7%的Salesforce股價本周三盤後跳漲，盤後漲幅一度達到約8%。截至周三收盤，Salesforce股價今年以來累跌28.6%。這顯示，作為軟體即服務（SaaS）的鼻祖，Salesforce非但沒有從AI轉型中受益，反而因近來的AI泡沫擔憂遭到打擊。美東時間12月3日周三美股盤後，Salesforce公佈截至2025年10月31日的公司2026財年第三財季（下稱三季度）財務資料，並提供第四財季（四季度）和全財年的業績指引。1）主要財務資料：營收：三季度營業收入102.6億美元，同比增長8.6%，公司指引為102.4億至102.9億美元，分析師預期102.8億美元，前一季度同比增長9.8%。EPS：非GAAP口徑下，稀釋後三季度每股收益（EPS）為3.25美元，同比增長近34.9%，公司指引為2.84至2.86美元，分析師預期2.86美元，前一季度同比增長13.7%。營業利潤率：三季度GAAP口徑下營業利潤率為21.3%，同比提高1.3個百分點，前一季度同比提高3.7個百分點；非GAAP口徑下營業利潤率為35.5%，同比提高2.4個百分點，前一季度同比提高0.6個百分點。2）業務資料和財務指標：訂閱與支援：三季度營收97.3億美元，同比增長逾9.5%，前一季度同比增10.6%。CRPO：當前剩餘履約義務（CRPO）為294億美元，同比增長11%，分析師預期291億美元，前一季度同比增長11%。3）業績指引：營收：三季度營收指引為111.3億至112.3億美元，同比增長11.3%至12.3%，分析預期109.1億美元，全財年指引為414.5億至415.5億美元，此前指引411億至413億美元，同比增長9%至10%。EPS：三季度非GAAP口徑下稀釋後EPS為3.02至3.04美元，分析師預期3.03美元，全財年EPS為11.75至11.77美元，此前指引為11.33至11.37美元。營業利潤率：全財年GAAP口徑下營業利潤率為20.3%，此前為21.2%，非GAAP口徑下營業利潤率為34.1%，持平此前的34.1%。三季度營收略低於預期但EPS大超預期財報顯示，Salesforce三季度營收同比增長近9%，較前一財季的將近10%的增速略為放緩，且略低於分析師預期。營收總額將近102.6億美元，大致處於公司自身指引區間的中端，略低於分析師預期。但三季度Salesforce的EPS盈利大超預期。非GAAP口徑下EPS同比激增近35%至3.25美元，較公司指引區間的中值高14%，較分析師預期高出13.6%。關鍵財務指標CRPO訂單規模同比增長11%至294億美元，略高於分析師預期，增速持平前一季。三季度Salesforce的AI相關業務表現亮眼。Salseforce的CEO Marc Benioff點評業績時特別提到，當季Agentforce和原名資料雲的Data 360平台業務年化經常性收入（ARR）將近14億美元，同比增長114%。這意味著，Saleseforce的AI和資料雲平台ARR環比增長將近17%，同比保持了進入2025年來三位數的翻倍增勢。四季度營收將近兩年來首次增超10% CRPO增速三年多來最高業績指引顯示，Salesforce四季度的營收將加速增長，而且增速超出分析師預期，將回歸兩位數大增。以指引區間中值計算，Salesforce預計四季度營收將增長11.8%，那將是七個季度以來首次單季營收增速超過10%，而分析師預期營收意味著將增長9.1%，只是較三季度略為加快。Salesforce財報還提到，四季度的CRPO預計將同比增長約15%。增速超過分析師預期的10%。若達到這一指引，就意味著Salesforce的CRPO將創2023財年第二財季以來三年多最高同比增速。而且，營收較華爾街預期更快達到兩位數增長。三個月前華爾街見聞提到，市場預期顯示Salesforce的營收增長可能要到2029財年才能重返兩位數。本次指引更強勁得到了Informatica業務的支援。Salesforce披露，三季度完成了對Informatica的收購，營收指引中，有3個百分點的增長來自Informatica，CRPO的相關指引中，Informatica貢獻了4個百分點增長。Salesforce還上調了年度營收指引區間，這是自公佈2026財年業績以來第二次調高這一指引。本次Salesforce將指引區間的低端提高3.5億美元、升幅0.85%，區間的高端提高2.5億美元、升幅0.6%。不過，按最新指引，本財年營收在最好的情況下也只增長約10%，遠未重現昔日榮光。Salesforce的收入增速在景氣年份曾接近20%。AI轉型與估值背離 泡沫擔憂蔓延至軟體層財報公佈前，媒體指出Salesforce的估值已跌入2004年上市以來最低谷，基於未來12個月預期收益的市盈率降至約19倍，遠低於其十年內的平均水平47倍，也低於標普500指數約22倍的市盈率，大幅低於許多大型軟體同行的估值水平。目前，Salesforce不再基於其AI未來被評判，而是基於其AI風險被打分。摩根士丹利追蹤的SaaS類股今年內已下跌12%，普遍受到AI顛覆擔憂的壓制。投資者越來越擔心，AI將衝擊這類按使用者對應用程式收費的公司，自動化將接管部分工作並減少企業客戶的員工數量。評論認為，Salesforce正經歷AI敘事與市場定價的嚴重脫節。公司管理層描繪的願景是：到2030年末，借助AI、資料和自動化將實現超過600億美元的年收入。但市場給出的現實是：股價持續流失價值，估值降至公司上市以來最低水平，因為現在越來越多投資者聽到AI時聯想的是“泡沫”，而不是“增長空間”。當前的宏觀環境使市場焦慮更顯合理。媒體指出，各國央行和分析師正在公開對AI泡沫、資料中心過度建設以及過多槓桿追逐過多宏大構想表示擔憂。輝達和超大規模雲服務商（hyperscaler）仍被視為這輪AI基建浪潮的純粹贏家，而增長放緩、試圖即時轉型的大型SaaS公司則處於尷尬境地，它們既不夠火爆、無法搭上狂熱的順風車，也不夠沉悶，難以成為避風港，卻突然便宜到“歷史低點”。Salesforce確實擁有自己的AI產品，尤其是去年10月推出的Agentforce，它可以實現一些工作負載的自動化。但投資者目前並不指望這些產品能帶來多少財務貢獻，因此Salesforce在AI時代能否蓬勃發展仍存疑。華爾街的觀望態度也印證了這一點，過去12個月裡，市場對該公司明年盈利和營收的普遍預期一直沒有改變。花旗分析師Tyler Radke在上周的報告中寫道：“儘管Agentforce/Data Cloud擁有大量潛在客戶，Agentforce的實際應用仍然有限。我們期待看到更廣泛的推廣和商業化成果，然後再考慮（對Salesforce）採取更積極的態度。” (invest wallstreet)

根據Similarweb截至2025年11月21日的資料顯示，全球AI應用流量正在經歷顯著的分化。通用大模型（General AI）依然佔據統治地位並持續增長，而音樂生成與設計平台表現出強勁的生命力。相反，傳統的教育科技（EdTech）、純程式碼生成工具以及單一功能的圖像生成應用正面臨嚴峻的流量下滑。這種“通用吞噬垂直”的趨勢正在重塑全球算力需求的結構。一、 強勢崛起：通用模型與多模態創意1. 通用AI（General AI）：強者愈強，格局未定通用AI工具依然是流量的絕對核心，且保持增長態勢。GoogleGemini的爆發：在截至11月21日的12周內，Gemini的流量激增了 84%，顯示出其在生態整合後的強大爆發力。馬太效應：儘管OpenAI的ChatGPT增長放緩（+1%），但其體量依然巨大；與此同時，Grok也實現了 28% 的顯著增長 。搜尋型AI的崛起：Perplexity 繼續保持高增長，同期增長 32%，表明使用者越來越習慣使用AI進行搜尋而非傳統搜尋引擎。2. 音樂與視訊生成：多模態的高光時刻創意領域的AI應用表現出極高的使用者粘性與增長潛力。音樂生成（Music Generation）：該類股在過去12周內整體增長了 23%。其中，頭部應用 Suno 表現搶眼，增長了 32%。視訊生成（Video Generation）：儘管整體類股微跌（-4%），但頭部效應明顯。Heygen 逆勢大漲 37%，顯示出在商業視訊合成領域的剛需。Typecast 也錄得 51% 的驚人增長 ，證明了特定場景下的視訊/語音合成需求旺盛。3. 設計平台（Design Platforms）：工作流整合的勝利與單一的圖像生成工具不同，整合了AI功能的設計平台表現穩健。Canva 在同比（YoY）資料上保持了 26% 的增長 。Adobe Express 同比增長 11%。 這表明使用者更傾向於在完整的工作流中使用AI，而非單純為了生成圖片而使用孤立工具。二、 衰退與洗牌：被通用能力“吞噬”的賽道1. 教育科技（EdTech）：遭遇毀滅性打擊這是受通用AI衝擊最嚴重的領域。通用大模型（如ChatGPT、Gemini）解答問題的能力直接取代了傳統搜題與輔導工具。Chegg 的流量同比暴跌 68%。Coursehero 下跌 60%。Mathway 下跌 65%。 這一類股的整體流量呈現出不可逆轉的頹勢。2. 純程式碼生成與DevOps：泡沫破裂與整合程式碼生成工具正在經歷劇烈的洗牌，獨立的AI程式設計工具面臨挑戰。VO 在過去12周內流量暴跌 71%。Bolt 下跌 27%。Replit 下跌 17%。 這意味著開發者可能更傾向於整合在IDE中的外掛（如Copilot）或直接使用通用大模型，而非獨立的各種新興程式設計平台。3. 單一圖像生成（Image Generation）：新鮮感褪去隨著Midjourney等功能的商品化以及被整合到更大的設計軟體中，單一功能的圖像生成網站流量開始下滑。Midjourney 在過去12周內下跌 8%。Ideogram 下跌 28%。整個設計與圖像生成類股（Design & Image Generation Total）微跌 1%。4. 圖片素材庫（Stock Media）：被AI替代AI生成的普及直接打擊了傳統素材庫。Bigstockphoto 同比暴跌 63%。Picmonkey 同比下跌 31%。三、 應用趨勢對算力（Compute）格局的影響分析結合上述流量資料的變化，我們可以推匯出全球算力需求正在發生以下結構性轉變：1. 推理算力向頭部集中（Centralization of Inference Compute）隨著通用AI（Gemini, ChatGPT）和少數垂直頭部（Canva, Suno）的壟斷加劇，分散的小模型推理需求正在減少。現象：通用類AI流量持續增長（+11%），而大量長尾的“套殼”應用或單一功能垂直應用（如由AI驅動的獨立寫作工具，Copy.ai 下跌34% ）流量枯竭。算力影響：算力採購將進一步向Google、Microsoft（OpenAI）、Meta等巨頭集中。中小型AI初創企業的推理算力需求可能因使用者流失而萎縮，導致公有雲GPU租賃市場的長尾需求波動。2. 多模態算力密度提升（High-Density Compute Demand）儘管文字類寫作工具流量停滯（Writing & Content total +1% ），但高算力消耗的音樂與視訊應用正在崛起。現象：Suno（音樂）和Heygen（視訊）的增長代表了使用者互動從“文字輸入-文字輸出”向“文字/多模態輸入-音視訊輸出”的轉變。算力影響：生成一分鐘音訊或視訊所需的FLOPs（浮點運算次數）遠超生成文字。因此，即便整體AI應用的使用者增長率在某些領域放緩，**人均消耗的推理算力（Compute per User）**將隨著多模態應用的普及而急劇上升。3. 即時性與互動性的算力挑戰現象：Perplexity（即時搜尋）的增長（+32%） 意味著使用者需要結合即時網路索引的AI推理。算力影響：這要求算力架構不僅要處理模型推理，還要具備極高的視訊記憶體頻寬和低延遲處理能力，以應對即時資訊的檢索增強生成（RAG）。4. 邊緣與整合算力的隱形需求現象：設計平台（Canva, Adobe）的增長優於單一生成工具（Midjourney）。算力影響：AI正在從“目的地網站”變為“功能外掛”。這預示著未來算力將更多地以API呼叫的形式嵌入到現有的SaaS軟體中（如Figma, Canva, Notion），而非單純依賴獨立的AI聊天機器人介面。結論2025年末的AI市場已告別了“百花齊放”的草莽階段，進入了“巨頭收割”與“垂類精品化”的深水區。對於算力市場而言，這意味著低端、同質化的推理需求將減少，而用於支撐超大參數通用模型和高保真多模態生成的高端算力需求將持續井噴。 (老王說事)

輝達將持有新思科技2.6%股份，成為第七大股東。黃仁勳表示，與新思科技的合作並非排他性協議，也不涉及採購輝達晶片的條款，“更像是一次技術升級”。合作將使輝達的技術覆蓋規模達兆美元的工業領域，"這是我們擴展到設計和工程領域的巨大機遇"，遠超消費端AI應用的市場空間。新思科技盤中曾漲近7%，輝達盤初跌近2%後轉漲。輝達又宣佈重磅合作，這次是不同於類似投資OpenAI的那種令華爾街擔憂的“AI閉環”交易。美東時間12月1日周一美股盤前，輝達與電子設計自動化（EDA）領域龍頭企業新思科技（Synopsys）宣佈達成戰略合作，輝達將斥資20億美元入股新思科技。雙方將通過多年合作，把輝達的人工智慧（AI）計算技術深度整合到工業設計與工程領域，重塑從晶片到系統的整個設計流程。合作公佈後，周一新思科技（SNPS）股價大漲，美股盤初一度漲超6.9%，午盤漲幅縮小至5%以內，收漲不足4.9%，連續三個交易日收漲，刷新11月3日以來收盤高位，將今年以來的累計跌幅縮小到10%以內。輝達股價盤初曾跌近1.9%，但隨後迅速轉漲並保持漲勢，午盤刷新日高時日內漲近1.9%，收漲不到1.7%。上述合作相關的投資將使輝達成為新思科技的第七大股東，持股比例為2.6%。在近期AI領域頻現內部循環性交易引發市場擔憂之際，輝達CEO黃仁勳明確表示，與新思科技的合作並非排他性協議，也不涉及採購輝達晶片的條款。換言之，即使輝達入股，性質也與此前輝達對OpenAI的投資不同。黃仁勳強調，這次合作將使輝達的技術覆蓋規模達兆美元的工業領域，"這是我們擴展到設計和工程領域的巨大機遇"，遠超消費端AI應用的市場空間。20億美元入股細節：折價配售與戰略意義根據兩家公司周一發佈的聲明，輝達以每股414.79美元的價格購買了新思科技約480萬股股票，較上周五收盤價折讓約0.8%。這些股票通過私募配售方式發行。交易公告顯示，新思科技"將使用輝達的開發者工具套件和程式碼庫，在晶片設計、物理驗證和其他EDA流程的應用上展開合作"。新思科技總部位於加州，是全球最大的晶片設計軟體和服務提供商之一。該公司的工具幫助設計現代晶片中數十億個電晶體和連接器的複雜佈局，並在生產階段之前驗證硬體能否按預期工作——這一過程是建構AI系統所需晶片的關鍵環節，包括輝達銷售的產品。彭博行業研究的分析師Niraj Patel指出，新思科技的技術被Alphabet和特斯拉等廣泛的半導體和系統公司使用。這筆交易將使新思科技能夠在汽車、航空航天、工業和能源領域的設計和模擬工具中使用更先進的晶片。多年期戰略合作：從EDA到數字孿生這項合作遠超單純的股權投資。根據輝達的公告，雙方的多年期合作夥伴關係包括以下核心內容：“使用輝達CUDA-X庫和AI物理技術，新思科技將進一步加速和最佳化其廣泛的計算密集型應用組合，涵蓋晶片設計、物理驗證、分子模擬、電磁分析、光學模擬等。”雙方還將"整合新思科技AgentEngineer技術與輝達代理AI技術堆疊——包括輝達NIM微服務、輝達NeMo Agent Toolkit軟體和輝達Nemotron模型——以實現EDA以及模擬和分析工作流程的自主設計能力"。在數字孿生（digital twins）領域，兩家公司將合作"通過使用高度精確和複雜的數字孿生，為半導體、機器人、航空航天、汽車、能源、工業、醫療等行業實現下一代虛擬設計、測試和驗證"。這些解決方案將利用輝達Omniverse、輝達Cosmos及其他技術。雙方還同意開發聯合市場推廣計畫，利用新思科技數千名直銷人員和管道合作夥伴的全球網路，推廣基於GPU加速的工程解決方案。值得注意的是，公告明確表示：“這一合作夥伴關係並非排他性的。輝達和新思科技繼續與更廣泛的半導體和EDA生態系統合作，為工程和設計的未來創造共同增長機會。”黃仁勳：從資料中心到兆美元工業市場在周一的媒體專訪中，黃仁勳詳細闡述了這筆交易對輝達的戰略意義。他將其描述為"革命性"的產業轉型，而非簡單的商業合作。黃仁勳表示：“這是一筆巨大的交易。我們今天宣佈的合作夥伴關係是關於徹底改變世界上計算密集程度最高的行業之一——設計和工程。新思科技正在讓公司轉型，將業界使用了約35年的軟體和所有工具轉變為在輝達上進行GPU加速。”黃仁勳特別強調了工業領域的市場規模。被問及為何投資者應關注企業級應用而非消費端AI競爭時，他回答：“如果你看看世界的百兆美元產業，主要是工業和企業對企業。這些現在正被平台轉變所改造的企業和嚴肅的工業企業應用。”他用具體資料說明潛在市場空間：“幾乎所有工業公司、製造產品的公司如輝達、通用汽車、波音，在工程軟體工具上的支出可能是數億美元，或許是非常低的數十億美元。然而，他們在所有這些產品的原型製作上的支出輕易就是這個的10到20倍。”黃仁勳指出，通過數字孿生技術在虛擬環境中完成原型設計，"市場機會增長了10到100倍"。關於平台轉變，黃仁勳提供了一個關鍵資料點：“2016年，世界科學超級電腦90%是CPU，10%是GPU。今年，90%是GPU，10%是CPU。平台轉變已經發生。現在，我們正在為工程設計這個行業進行這一轉變。”新思科技CEO Sassine Ghazi補充說："你接受一個可能需要運行兩三周的工作負載，將其縮短到幾小時。這就是我們通過這一合作夥伴關係，在輝達的GPU上加速軟體，向客戶交付的價值。"與OpenAI投資的本質區別從承諾對OpenAI投資多達1000億美元到50億美元入股英特爾，輝達近期的投資活動頻繁，引發了市場對AI領域循環交易和泡沫的擔憂。不過，黃仁勳周一的講話顯示，前述被視為AI閉環交易的投資同輝達與新思科技的交易性質截然不同。黃仁勳告訴媒體：“這一合作夥伴關係並非排他性的，意味著新思科技的其他晶片製造商客戶將能夠從中受益。而且該交易與購買輝達晶片的協議無關。”他將這次合作描述為“更像是一次技術升級”。黃仁勳表示，自動設計行業仍有太多基於通用晶片的舊電腦在使用。"與新思科技建立更緊密的聯絡將加速該領域AI和加速計算的採用，也可以更快地在新市場推廣這項技術。"同在周一，OpenAI宣佈將持有Thrive Holdings的股權，後者是主要OpenAI投資者Thrive Capital今年早些時候設立的投資工具。這種安排加劇了市場對相互關聯交易將危及AI產業的擔憂。相比之下，雖然新思科技與輝達的交易也加深了行業聯絡，但並非循環性質。D.A. Davidson分析師Gil Luria指出："輝達對誰能在AI驅動的計算市場中獲勝有很大控制權，它希望從這種影響中獲益。通過與新思科技更緊密的合作，它貢獻了動力和可信度，反過來將從新思科技股價的升值中獲益。"新思科技是一家客戶名單包括AMD的公司，而輝達也與新思科技的競爭對手Cadence Design合作。這種非排他性安排表明，這次合作更多是技術生態系統的擴展，而非封閉的商業閉環。對於輝達而言，掌握EDA這一晶片設計核心工具鏈市場的關鍵地位，意味著其GPU加速計算平台可以滲透到從晶片設計到工業製造的全產業鏈，這一戰略價值遠超單純的客戶採購關係。 (invest wallstreet)

AI應用進入下半場：從模型的入口到真正的超級入口1AI應用的戰爭正在進入下半場。在最近密集的模型更新中，無論是逆天的 Google Gemini3，還是 OpenAI 的“小更新”GPT-5.1，都在發佈模型的時候重點強調了模型在應用裡的整合。與此同時，一直以開源模型打天下的阿里，也以千問之名集合了全部資源，開始發力 C 端應用，而已經悄悄建立起了全端能力的螞蟻，也扔出獨立的靈光 App——一款基於程式碼能力的全模態通用AI助手，它瞄準C端市場，提供全程式碼生成多模態內容的能力，可以用自然語言在30秒內就生成一個小應用。最新的資料顯示，靈光上線一天下載量就破了20萬。所有人來勢洶洶，都要搶奪一個入口的位置。於是一個很有趣的問題出現：明明 AI 應用已經被講了很久，各家也都一直有動作，甚至明星應用創業公司也不停出現，但怎麼最近才有了入口之爭的味道？其實，過去雖然也曾討論“入口”，實則有很大不同。上一個階段，其實一切 AI 應用的起點和源頭一直是ChatGPT。但要知道，ChatGPT 是一個歪打正著的“應用”，它從第一天就是模型的出口，而不是一整個新的使用者市場的需求入口。DeepSeek 和 Kimi也是如此，一個從來就是弱化應用建設，一個則在權衡後把重心移回模型。最直接的體現，就是這些使用者不少的產品，至今都沒有多模態。而使用者？使用者顯然是非常需要多模態的。這些產品還有另一個共同點，就是他們一定會主打深度思考。這是因為這是體現模型能力最好的方式。但它其實並不是最普遍的大眾需要的功能。說到底，這些應用都是在給模型提供出口，而不是給使用者的需求提供入口。2於是，在應用已經層出不窮很久後，今天最大的落差居然還是在於 AI 應用產品和使用者需求之間。這些被巨額投資供養的 token，能不能被用在普通使用者一直存在的真實需求上，是今天最重要的主題。而這才是今天 AI 入口的爭奪點。這也是為什麼那些已經有大量使用者的國民級平台產品，紛紛在此刻出手的原因之一。顯然他們的思路和做法都和模型廠商完全不同。一個最值得研究的產品就是新鮮出爐的螞蟻靈光。它已經展現出和支付寶龐大生態聯動的巨大潛質，而這背後所蘊藏的想像空間，有可能重塑使用者與AI、使用者與網際網路入口的連接形態，開啟服務互動的新方式，這背後想像力巨大。而更有意思的是，它與 Gemini3 對 Gemini 和 Google 此次帶來的最大改造居然有點不謀而合——主打一個把程式碼生成藏在後面，利用程式碼和多模態能力一起給使用者交付他們需要的可互動的結果，甚至靈光的兩個主要功能，靈光對話，對應 Gemini 的視覺佈局（Visual layout），閃應用對應動態檢視（Dynamic View），一個是“像雜誌一樣”的富媒體加可互動結果，另一個是快速給你建構 App。本質上它們都在面向普通使用者提供“功能生成”級通用 AI 能力。這個路線也迅速得到了正向反饋。作為首個全程式碼生成AI助手，30秒生成可互動應用的獨特功能的確夠新鮮也夠搶手，上線後快速達到20萬的下載量就是一個印證。大量使用者碎片化的工具需求在這種模式裡找到瞭解決方案。在此前一個階段的AI應用產品熱潮裡，諸多產品因為更多在扮演“模型能力出口”的角色，導致它們很多時候陷入了“演示級應用”的陷阱。如何讓普通使用者也能通過AI形成自己的生產力，是這一波爭搶入口的應用的共性。千問的產品裡已經看到整合淘寶天貓等阿里系產品的雛形，想要用AI解決實際需求，而靈光的策略也很明顯，它在往“日常實用化”的方向傾斜。當你使用靈光時，它給人的第一感覺就很不同。它的首頁上寫著它的目標，讓複雜資訊變簡單。它不強調幫你做長篇報告，也不是把 coding 能力做成開發工具，而是把最複雜的 coding 能力用在了提供最簡單結果上，使用者不需要看那些程式碼，但使用者需要程式碼帶來的新體驗。這是解決普通使用者需求的思路。比如，經常出差的我一直希望有一個應用可以提醒我在要飛的航線上能夠看到的風景，我用靈光一句話做了一個閃應用，30秒不到，就有了這個功能。在這個過程裡，可以看出來它非常強調互動。無論在對話方塊裡，還是閃應用的功能裡，你的問題有互動，你的應用也必然可互動。這種思路顯然有很大部分來自於螞蟻在服務上的基因，支付寶的服務是系統化和複雜的，各種各樣的需求必須通過多模態的互動來解決，螞蟻通過靈光，正在嘗試建構起“需求-工具-服務”的閉環，而這對於下一階段AI入口競爭來說，會尤為關鍵。3在這種閉環背後，服務分發邏輯也重構了。過去，只有高頻、標準化的頭部需求值得被做成獨立的 App；而海量的長尾需求因為開發維護成本過高，只能被摺疊在複雜的菜單深處。但當通用大模型的能力介入後，這些曾經因為過於瑣碎而被視為“累贅”的需求，突然擁有了被低成本、即時生成解決的可能。在經典的“長尾理論”裡，絕大多數超級平台其實佔據的是曲線左側高高聳立的頭部——比如搜尋、比如社交，它們用標準化的產品滿足了人類最共性的需求。而螞蟻所在的領域，恰恰是曲線右側那條漫長而平緩的尾巴：交水電費、查社保、買票、分帳……這些需求極其碎片、非標準化，難以像搜尋那樣用一個簡單的框就解決所有問題。因此，過去二十年，網際網路解決長尾的方式只能是“堆砌”：用成百上千個入口去覆蓋，導致 App 越來越重。因為需求是平鋪的，平台不得不把戰線拉得無限長。但 AI 的出現，尤其是大模型帶來的通用性，提供了一種全新的解法：它把這張平鋪的長尾圖表，“立”了起來。當模型的能力足夠通用，它就能用一套邏輯去動態生成千萬種解決方案。原本分散在右側、被認為無法形成“超級入口”的瑣碎需求，現在可以通過“功能生成”的方式被集中滿足。這就好比把右側漫長的尾巴摺疊、累積，在 AI 的賦能下，變成了一座和左側頭部需求一樣高聳的新塔。滿足這些需求的新方式，就是“靈光”這類產品在嘗試的“功能生成”。當使用者在靈光裡提出一個諸如“做一個家庭出遊分攤帳本”這種極度個性化的長尾需求時，系統不再是去長尾裡翻找一個現成的 App 推薦給你，而是利用“閃應用”的能力，即時生成一個可互動的工具。當長尾需求被技術“立”起來成為新的高地，入口的定義也就此被改寫。如果說上半場大家是在給模型配一個對話方塊，爭奪的是通往模型的“流量入口”；那麼下半場，大家爭奪的則是通往真實生活的“需求入口”。在這樣的下半場裡，當那些深諳需求的平台也擁有了模型能力，或許他們比任何人都更接近那個真正的超級入口。 (矽星人Pro)

當AI應用以“周”為單位迭代進化，當千億、兆參數的大模型成為競爭的基石，全球科技競爭的焦點，已從單純的“算力競賽”，悄然蔓延至一片更為底層的戰場——儲存。如果說算力是引擎，資料是燃料，那麼儲存就是容納燃料並確保其能高速、穩定輸送至引擎的“智能油箱”與“高速輸油管”。如果儲存跟不上時代的需求，即便有再強大的算力，也只是“巧婦難為無米之炊”，空轉的引擎無法驅動AI這艘巨輪前行。AI重構儲存行業AI 技術的爆發式增長正在重構儲存需求的底層邏輯。《2025存力發展報告》顯示，全球資料總量將在2025年突破200ZB，其中AI訓練資料年增速達67%，這種增長不僅體現在容量維度，更催生了性能、架構、協同的全方位變革。首先就是節點的增加，曙光儲存營運總監石靜告訴筆者，當前大模型訓練需要千卡叢集，甚至萬卡叢集，多計算節點同時儲存的過程中，對儲存的壓力要比通算時代增加了很多。另一方面，AI時代，企業資料集規模越來越大，且資料來源和種類的豐富多樣性也“不可同日而語”。“當前，企業建構一個儲存體系，動輒就是幾十PB，甚至上百PB。同時，大模型時代之後，原先傳統意義上的‘冷資料’，已經變成了‘溫資料’，甚至是‘熱資料’。這也對儲存的架構提出了很多新的需求。”石靜強調。此外，在AI時代，最大的不同是——對高性能儲存的需求愈發強烈。大模型訓練對儲存頻寬的渴求呈現指數級增長，當前，AI訓練所用頻寬需求已經進入“TB級紀元”。益企研究院《AI時代的儲存基石》白皮書指出，2025年AI訓練叢集的平均儲存頻寬需求較2023年提升300%，傳統HDD儲存150MB/s的頻寬已成為明顯瓶頸。而對於頻寬的要求也不僅侷限於模型訓練階段，石靜表示，在推理過程中，企業也需要具備千萬等級IOPS低時延的頻寬支撐高並行的推理場景，“比如現在大家都在講提升訓練和推理效率，但在這個過程中，也需要儲存能夠‘跟得上’GPU的速度，不至於出現GPU等待資料IO的情況。”石靜指出。而這點在以往的通算時代卻並不是絕大多數企業對於儲存的需求。在AI重構儲存行業的過程中，隨著需求的裂變式增長，儲存行業面臨前所未有的挑戰。首先是架構瓶頸。傳統儲存與計算分離的架構導致資料搬運成本激增，中國移動呼市資料中心早期採用的集中式儲存系統，在支撐“九天大模型”訓練時，GPU利用率僅能達到40%。北京大學孫廣宇教授曾指出，資料在記憶體與儲存間的搬運能耗佔系統總能耗的50%以上，這種“資料搬運困境”成為AI效率提升的主要障礙。即使採用RDMA網路加速技術，傳統架構仍難以突破頻寬與延遲的物理極限。其次是成本壓力。性能與投入的失衡困境。全快閃記憶體儲是滿足AI性能需求的核心選擇，但成本始終是規模化應用的障礙。2025年QLCSSD單位容量成本雖較2023年下降40%，但仍比HDD高出2.3倍。第三是管理難題，多模態資料的治理困境。AI時代的資料呈現“4V”特徵——體量巨大、種類多樣、價值密集、即時性強，給儲存管理帶來嚴峻挑戰。高性能、綠色化，儲存行業未來路在何方？面對AI需求的倒逼與可持續發展的要求，儲存行業正形成 “高性能突破”與“綠色化轉型”雙輪驅動的發展格局。在高性能方面，高性能儲存技術的演進正從單點最佳化轉向體系性突破，涵蓋介質、架構、協議等全鏈條創新。介質方面，全閃成為“必選項”。快閃記憶體技術的成熟使全快閃記憶體儲從高端場景走向普及，《2025存力發展報告》顯示，全國外接快閃記憶體佔比已超過28%，金融、製造、網際網路行業滲透率超45%；架構方面，分佈式架構主導規模化部署。集中式儲存的擴展瓶頸在AI時代愈發明顯，分佈式儲存憑藉彈性擴展能力成為主流；協議層面，協議與硬體的協同加速。NVMe-oF與RDMA技術的結合，正在打破儲存與計算間的通訊壁壘。比如，在中國移動呼市資料中心中，就採用了曙光儲存的“NVMe-oF+RDMA”組合方案，使儲存網路頻寬提升2倍，延遲降低3倍。中國移動呼市資料中心的實踐表明，千億參數模型單次訓練需讀取超10PB樣本資料，持續頻寬需求達TB級。據悉，曙光儲存為該中心配置的總量逾60PB的儲存資源（包括全閃、混產品），通過高密與資料節能的技術，在400G網路下實現單節點190GB/s頻寬的同時，降低了整體儲存建設成本，提升性價比。從長遠發展上看，儲存行業光有高性能遠遠不夠。作為高載能的資料中心，這幾年一直致力於推動全生命周期的碳中和，在“雙碳”目標與能源成本壓力下，綠色儲存已從可選配置變為必選項，形成“技術節能+結構最佳化+政策引導”的發展路徑。硬體層面，中國移動呼市資料中心規模化應用液冷與間接蒸發技術，使智算中心PUE降至1.15。軟體層面，智能調度演算法成效顯著，曙光儲存的動態電壓調節技術根據負載調整能耗，《綠色儲存技術研究》報告顯示，採用智能節能技術的儲存系統，能效比可提升45%以上。結構最佳化層面，綠電替代成為資料中心綠色轉型的核心舉措，中國移動呼和浩特資料中心總經理王科峰介紹，中國移動呼市資料中心2025年綠電佔比將達100%，較2024年的69%實現跨越式提升。綠電的應用不僅有中國移動呼市資料中心這一個個例，《2025存力發展報告》顯示，西部資料中心綠電佔比平均達58%，較東部高出23個百分點，成為綠色儲存的主戰場。政策層面，國家層面的政策引導正在加速綠色儲存落地，“東數西算”工程明確要求樞紐節點資料中心PUE低於1.25，推動儲存系統向低能耗方向發展。行業標準也不斷完善，IEEE提出的儲存級能效比（SER）指標，通過量化每GB資料的年能耗，為綠色儲存提供了評價依據。除了高性能與綠色化的需求之外，在各行業降本增效的當下，成本也是絕大多數IDC使用者考慮重要因素之一。在成本方面，為了更具“性價比”，中國移動呼市資料中心採用“全閃+混閃”的配置，正是平衡性能與成本的折中方案，這種模式已成為國內智算中心的主流選擇。愛集微諮詢資料顯示，AI儲存的單位TB建設成本是傳統儲存的3.7倍，某網際網路巨頭2025年儲存投入同比增長52%，仍難以完全匹配算力擴張速度。在管理層面，還是以中國移動呼市資料中心為例，其支撐的40余個行業大模型中，既有結構化的政務資料，也有非結構化的醫療影像，傳統儲存管理系統難以實現精準的冷熱資料分層。面對此，曙光儲存拿出了StorInsight智能分析工具，通過即時採集IO特徵，自動將熱資料遷移至全閃層，使儲存資源利用率提升35%，但這種智能化管理能力在行業內的普及率不足20%。通過儲存架構的最佳化與管理系統的智能化，在確保高性能的前提下，將成本降到最低，這點直擊了絕大多數使用者的痛點。存算融合是趨勢除了確保高性能儲存與綠色化需求之外，未來的資料中心，尤其是像中國移動呼和浩特這樣的國家樞紐節點，其定位將不再是簡單的“算力中心”，而是“存力與算力融合的中心”。在融合的過程中，存算一體的架構瓶頸是最大挑戰。北京大學孫廣宇教授指出，未來將形成“層次化的異構存算一體架構”，針對AI訓練、推理等不同場景採用差異化融合方案。為解決“記憶體牆”問題，存算一體技術將計算單元與儲存單元深度融合，曙光儲存正在研發的存算合封解決方案，通過先進封裝技術拉近資料與計算的距離，預計能效提升300倍。與此同時，在“東數西算”政策推動下，建構跨域協同存力網路也成為關鍵，儲存資源正形成跨區域協同格局。中國移動依託 “4+N+31+X”體系，以呼市資料中心為核心節點，通過400G算力專網實現儲存資源的全國調度。曙光儲存正在建構跨區域資料授權與安全機制，解決資料流動中的信任問題。《2025存力發展報告》顯示，東部與西部存力協同調度可使整體儲存成本降低22%，算力利用率提升18%。未來，隨著存算一體、AI原生等技術的成熟，存力將成為數字經濟的核心生產力，為大模型創新、產業智能化轉型提供堅實支撐。 (鈦媒體AGI)

今日A股早盤震盪調整，深成指、創業板指翻紅後再度回落。滬深兩市半日成交額1.28兆，較上個交易日放量166億。盤面上熱點較為雜亂，全市場超4000隻個股下跌。從類股來看，AI應用概念大漲，榕基軟體、浪潮軟體2連板，宣亞國際等10余股漲停。半導體概念表現活躍，同益股份20cm漲停，龍迅股份漲停。機器人概念股局部走強，首開股份5天3板。下跌方面，福建、鋰電池等熱門類股集體下挫。其中福建類股重挫，福建金森、福建水泥等多股跌停。鋰電池類股震盪走弱，石大勝華跌停。類股方面，AI應用、半導體等類股漲幅居前，煤炭、電池、鋼鐵等類股跌幅居前。截至收盤，滬指跌0.56%，深成指跌0.43%，創業板指跌0.43%。 財聯社)

算力淘金熱：誰在重塑全球AI基礎設施的底層邏輯？當ChatGPT和各類生成式AI應用以前所未有的速度席捲全球，我們似乎正站在一場新的技術革命的起點。這場革命的核心，不在於光鮮亮麗的應用層，而在於支撐這些“智能”的底層基石——AI晶片。與其說這是一場單純的科技升級，不如說是一次對全球算力基礎設施的根本性重塑。所有人都衝進了這場新的“淘金熱”，但地圖和指南針已然不同。如果我們從資料來看，這場狂熱並非空穴來風。一、市場規模的十年狂飆：AI硬體邁向兆時代AI硬體市場已成為半導體工業中增長最快、最具戰略意義的類股。它不再是傳統的IT裝置迭代，而是由對極限計算效率和資料吞吐量的渴望所驅動。【圖表一：全球AI硬體市場規模及預測 (2024-2034)】來源：Global Market Insights 行業報告這一驚人的增長速度，證明了AI加速器硬體是實現下一代通用人工智慧（AGI）的必要基礎。無論是微軟資助的“星際之門”（Stargate）超級計算項目，還是科技巨頭們對AI模型的追逐，都將天量的資金和戰略投入吸引至此。然而，市場內部的結構性變化比總量增長更值得關注。二、競爭格局“三極分化”：雲巨頭“造芯”掀起內戰當前的AI晶片競爭格局，絕非一家獨大，而是呈現出微妙的“三極”結構。頂級玩家的集體市場份額高達65%，表明市場集中度極高。1.生態系統的主導者：NVIDIA。NVIDIA憑藉其尖端的GPU和無可匹敵的CUDA軟體生態系統，依然佔據領導地位。雖然其在整個AI硬體市場的直接份額被量化為15%，但通過CUDA形成的強大技術鎖定（Vendor Lock-in），使其擁有遠超純硬體銷售份額的市場控制力。NVIDIA的優勢在於其通用性和生態壟斷。2.定製化晶片的崛起：Hyperscalers的垂直整合。以Google、AWS、微軟為代表的超大規模雲服務商，正在走一條完全不同的道路：自己造芯。Google TPU：極致的LLM最佳化。Google Cloud TPU是專為神經網路設計的應用專用積體電路（ASIC）。它們特別適合訓練需要大量矩陣計算的大型複雜深度學習模型，如建構大型語言模型（LLM）。通過矩陣乘法單元（MXU）和專有的互連拓撲，TPU實現了極致的能效比，最佳化了成本。Google的Trillium（第六代）和Ironwood（迄今最強大）等版本迭代，正是對極限性能和成本效率的雙重追求。AWS Inferentia/Trainium：雲內AI的效率標竿。AWS通過自訂晶片（如Trainium用於訓練，Inferentia用於推理）提供可擴展的雲內化AI硬體。Inferentia2晶片的吞吐量比前代提高了4倍，延遲降低至1/10。Inferentia和Trainium的部署，旨在為客戶提供成本效率最高的訓練和推理服務。雲服務商部署ASIC的根本驅動力在於 營運成本。大型LLM訓練消耗巨大能源，定製ASIC是他們對能源效率和營運成本進行戰略控制的必然結果。這些定製晶片主要用於內部消耗，這意味著雲巨頭們正在爭奪“AI計算服務”的份額，持續推動AI叢集的去NVIDIA化。【表格一：全球AI晶片競爭戰略矩陣】來源：AI晶片競爭戰略矩陣3.挑戰者聯盟：邊緣與通用計算。以Intel和高通為代表的挑戰者，則側重於通用計算和日益重要的邊緣AI。高通的Snapdragon平台在低功率AI處理技術方面佔據優異定位，滿足了工業4.0、國防和消費電子等領域對低延遲、高安全性和低功耗的需求。三、技術瓶頸的轉移：“儲存牆”取代“計算牆”在AI晶片競賽中，性能提升的關鍵瓶頸已經悄然轉移。過去我們談論CPU或GPU的計算能力，而現在，核心挑戰已轉移至 資料訪問速度和頻寬。高頻寬記憶體（HBM） 的爆發性增長證實了這一點，即“儲存牆”正在取代傳統的計算瓶頸，成為AI算力擴展的首要障礙。【圖表二：AI晶片核心部件增長率對比 (CAGR 2025-2034)】來源：行業報告細分資料HBM的增長速度（超過19%）甚至略高於GPU的增長率（高於18%），這反映了現代LLMs對記憶體頻寬的極高要求。為了喂飽巨大的計算核心，整個儲存堆疊的創新和擴張速度必須加快。未來，決定競爭優勢的關鍵將不再是堆砌更多的計算核心，而是誰能更好地確保HBM的供應、最佳化HBM整合，並設計出有效減輕資料移動延遲的架構（例如近記憶體計算）。四、地緣政治下的區域角力：自給自足的迫切需求AI晶片競賽被深刻地嵌入了地緣政治和國家戰略之中。區域市場正在根據監管、安全和技術自主要求進行定製化發展。【表格二：區域AI硬體市場增長動態及驅動力 (2025–2034)】來源：行業報告區域增長動態亞太地區：預計將成為增長最快的區域，復合年增長率約為20%。其爆發式增長的驅動力，源自國家層面的AI戰略、半導體自給自足方案以及邊緣計算的快速發展。在中國， 科技巨頭們對AI大模型的追逐戰正在愈演愈烈。百度、華為、阿里巴巴等紛紛推出或宣佈其大模型。阿里巴巴宣佈未來所有產品將接入“通義千問”大模型進行全面升級。這種激進的本土LLM競賽直接轉化為對國產高性能AI晶片的強制性需求。本土晶片設計的成功，首先必須用於滿足這些國內大模型的算力需求，以確保國家AI戰略的成功。這種“大模型+大算力”的發展戰略，對本土供應鏈構成了系統性的壓力測試。歐洲市場的增長則側重於“主權AI基礎設施”和“資料本地化”需求。例如，德國正通過工業革命戰略4.0和政府投資，在AI半導體硬體工業中保持領先地位。這種由“價值觀驅動”的分化，要求晶片製造商必鬚根據區域的監管和資料主權要求定製硬體和部署模式。AI晶片競賽的本質，已經超越了單純的硬體性能比拚，演變成一場圍繞能效比、軟體生態和供應鏈控制的全面戰略博弈。對於企業決策者而言，未來成功的關鍵在於：1.成本效率優先：面對“AI能耗危機”，定製ASIC（如TPU/Inferentia）在大型模型推理和稀疏計算上的極致最佳化，是確保長期競爭力的唯一途徑。2.克服儲存瓶頸：關注高頻寬記憶體（HBM）的整合和供應，以及近記憶體計算等突破性架構創新。3.實現技術自主：政策制定者在主權AI方面的投資，必須涵蓋本土晶片設計、自主可控的軟體框架開發，才能真正打破現有生態系統的技術鎖定。AI晶片，就像是一場現代版的“軍備競賽”，但這次比拚的不是武器的威力，而是誰能以最快的速度、最低的能耗，處理最龐大的資訊流，以贏得下一個十年的智能主動權。 (共識流通處)