據韓國媒體《Herald Corp》報導，SK海力士計畫於2026年下半年正式啟動其下一代低功耗移動DRAM產品LPDDR6的量產及客戶交付。該產品已於今年3月完成內部開發認證，首批出貨對象為中國智慧型手機製造商小米，應用於其下一代旗艦移動終端。 此次產品投放預計將進一步激化三星電子、SK海力士與美光科技三大儲存原廠在SOCAMM（基於LPDDR架構、面向AI伺服器最佳化的低功耗儲存模組）細分市場的競爭格局。SOCAMM作為新興的AI伺服器儲存解決方案，正逐步成為後HBM時代的重要增長賽道。 據知情人士透露，SK海力士將於下半年進入LPDDR6的全面量產階段，小米作為首發客戶，其新一代旗艦機型將率先搭載該款儲存器。該產品基於SK海力士第六代10納米級（1c）製程工藝，相較於前代LPDDR5X，在資料傳輸頻寬與單位功耗能效比方面均有可量化提升。 今年3月，SK海力士宣佈完成其號稱全球首款LPDDR6產品的認證工作，並公開表示：“計畫於上半年完成量產準備，下半年啟動供貨。”但對於涉及小米的具體交易細節，公司方面以商業保密為由，表示不予置評。

OpenAI宣佈在愛爾蘭擴張業務，以滿足日益增長的人工智慧算力與AI應用需求。 智通財經APP獲悉，全球AI應用開發領軍者OpenAI正在擴建其位於都柏林的歐洲總部，並將新增250個工作崗位。這家ChatGPT開發商將在都柏林碼頭區的Tropical Fruit Warehouse辦公樓租賃高達88,000平方英呎的辦公空間，以滿足「歐洲地區用戶、客戶和開發者們迅速增長的強勁AI應用需求」，該公司在一份聲明中表示。OpenAI目前已在愛爾蘭僱用約100名員工。 有媒體此前援引知情人士透露的消息報導稱，該公司正在考慮擴大都柏林辦公室，這也全面凸顯出其加快提升人工智慧服務全球普及率的競爭格局。 愛爾蘭目前已是Facebook母公司Meta Platforms Inc.、蘋果公司以及Google母公司Alphabet Inc.等多家大型科技公司的歐洲總部所在地。Anthropic也正在擴大其都柏林團隊規模。

Google正在開發一款專為其Gemini AI模型量身定製的新型伺服器晶片，將模型架構直接固化於矽片之中，以大幅提升AI推理效率。Google正研發專為Gemini打造的AI推理晶片“Frozen v2”，將模型架構直接固化進矽片，推理效率預計較現有TPU提升6至10倍。這一設計瞄準AI算力瓶頸，以犧牲部分通用性換取更高性能和更低成本，凸顯AI晶片競爭正從“通用計算”轉向“專用推理”。 一、Google的"模型固化"晶片野心 據科技媒體The Information周一（7月20日）報導，Google正在研發一款代號為"Frozen v2"的新型伺服器晶片，其核心設計思路是將Gemini大模型的底層架構直接固化進晶片硬體。 消息發佈後，Alphabet（GOOGL）股價周一盤中上漲約3%。

可以說，大模型公司為什麼“造芯”、造那一種芯、怎麼造芯，且會帶來什麼樣的影響，是這一波“芯浪潮”之下最普遍的疑問。而中國頂級大模型公司深度求索，拋出了意料之外、情理之中的答案。 Deepseek進軍硬體了。 7月7日，據外媒報導，中國人工智慧初創公司深度求索正在開發AI推理晶片。消息傳出，當天輝達股價盤前下跌約2%。 媒體援引知情人士消息，該項目“始於一年前”，目前仍處於早期階段。深度求索近幾個月加大了晶片設計工程師的招聘力度，但招聘均在私下進行，未在公開平台發佈職位。

AI推理浪潮正把存儲器行業推入前所未有的「超級周期」。野村認爲，KV緩存與Agentic AI將推動未來五年存儲需求增長數千倍，而供給僅增5至6倍，長期供不應求格局基本確立。受此驅動，野村大幅上調三星與SK 海力士目標價逾一倍，認爲兩家公司當前約6倍遠期PE嚴重低估，其估值邏輯應逐步向$台積電 (TSM.US)$靠攏，而非繼續被視爲傳統周期股。 AI驅動的存儲器需求正在進入指數級擴張階段，而供給增速遠遠無法跟上。野村證券認爲，這一次的存儲器超級周期與歷史上任何一次都截然不同——結構性供需失衡、長期協議（LTA）鎖定盈利能見度，以及AI自我強化的投資循環，正在從根本上重塑存儲器行業的估值邏輯。 野村於5月15日大幅上調$三星電子 (005930.KR)$和$SK海力士 (000660.KR)$目標價，分別從34萬韓元和234萬韓元提升至59萬韓元和400萬韓元，兩者均維持買入評級，隱含上漲空間均超過118%。 野村認爲，當前兩家公司約6倍的12個月遠期市盈率嚴重低估了其盈利的持續性與穩定性，其風險溢價應向台積電靠攏，而非繼續維持歷史上周期性行業的高折價。

很多人說：儲存見頂了。 但我研究後發現—— 儲存，根本不是一個東西。 AI時代的儲存分四層，每一層的供需邏輯完全不同。

上一會還在沉浸在機器人，車機在 CES 的震撼（見當科技停止講故事，開始拼執行力：從 CES 2026，看全球科技進入“現即時代”），下一秒拉斯維加斯的CES展會剛結束，那個永遠穿黑色皮衣的老黃——黃仁勳，又讓整個科技圈坐不住了。這次他沒有再站在台上喊"我們的算力有多強"，而是拋出了一個更實在的問題："用AI太貴了，得降價。"聽起來有點像淘寶商家的思路？但這次不一樣。當大家還在為搶到NVIDIA上一代晶片擠破頭時，他直接甩出了下一代平台——Rubin。更關鍵的是，他喊出了一句話：訓練AI的戰爭結束了，接下來打的是推理戰爭。（圖片來源@dotey）01 什麼是"推理戰爭"？先說個簡單的例子。想像你在學開車。"訓練"就是駕校教練一遍遍教你的過程，需要時間和教練的精力。AI公司這幾年就是這麼幹的——砸錢買幾萬塊GPU，沒日沒夜地訓練模型。"推理"就是你自己開車上路，每次看到紅綠燈做判斷、遇到行人踩剎車。這才是AI真正被使用的時候。過去三年，科技巨頭們瘋狂干的事就是"訓練"——花大錢、用成千上萬塊GPU，把ChatGPT、Claude這些模型訓練得越來越聰明。但問題來了：模型是聰明了，真正用的時候太貴了。就像你花100萬請了個世界冠軍教你開車，結果每次出門還得再付100塊"使用費"。出門一趟兩趟還好，天天誰受得了？這就是黃仁勳要解決的問題：讓AI真正用得起。這次CES上，他沒再吹"我們的晶片有多牛"，而是一直在講"怎麼把成本打下來"。Rubin平台這次能做到什麼程度？同樣的AI任務，成本只要原來的十分之一。以前花1美元能做的事，現在10美分就夠了。什麼概念？就像你原來打一次車要100塊，現在降到10塊，原本偶爾打打車，現在可能天天打都無所謂。只有算力便宜到這個份上，AI應用才能真正爆發。02 Rubin是怎麼做到的？NVIDIA這次玩了個新花樣。以前顯示卡時代，大家都想著怎麼把單塊顯示卡做更強。有點像小時候搭積木，總想著搭個最高的塔。但黃仁勳說：單塊積木再高也有限制，不如搭個"團隊"。所以Rubin平台一口氣放出了6塊不同的晶片：Rubin GPU：負責"計算"的大腦Vera CPU：負責調度的管家NVLink 6：連接所有晶片的高速公路還有其他幾塊專門負責網路、資料流動的晶片這6塊晶片不是隨便湊一起，而是像一支配合默契的足球隊——前鋒、中場、後衛、守門員各司其職，比一個人單打獨鬥強多了。最終結果呢？整個平台的推理性能達到上一代的5倍。成本反而降到了1/10。這就是"團隊作戰"的威力。特別要說一下NVLink 6。精準地說：NVLink 6是連接多塊GPU的"高速公路"，頻寬達到3.6TB/s。它讓多塊GPU能像一塊一樣協同工作，是實現相較於上一代有"5倍性能提升"的關鍵一環，但不是唯一因素。整個5倍提升是6塊晶片一起發力的結果。有點像裝修房子：NVLink 6是寬敞的走廊，讓各房間連接順暢但房子好不好用，還得看客廳、臥室、廚房怎麼配合03 讓AI學會"思考"光有便宜的算力還不夠，AI還得"聰明"。之前很多自動駕駛AI像什麼？像只會條件反射的蟲子。看到紅燈停，看到綠燈行，遇到沒見過的情況就懵了。NVIDIA這次開放原始碼的Alpamayo模型，想教AI學會"思考"。什麼意思？想像你在開車，突然遇到一個壞掉的紅綠燈——既不紅也不綠，就那麼黃燈閃啊閃的。條件反射式的AI會怎麼做？可能直接卡住，因為"題庫"裡沒這題。但真正會"思考"的AI會琢磨：周圍的車在幹嘛？大家都在慢慢通過，看來可以走。但要小心點，隨時準備剎車。這種"琢磨"的過程，就是Alpamayo想教給AI的能力。它加入了"思維鏈"功能，讓AI不再是死記硬背，而是學會像人一樣推理。有人說得挺形象：以前的AI是背題庫，Alpamayo是教機器解題的方法。更關鍵的是，NVIDIA把這個模型開源了——相當於把解題思路免費公開，讓誰都能拿去用。為何這麼做？用黃仁勳的話說：軟體都免費了，開發者想用好，自然就得買NVIDIA的硬體來跑它。這招挺聰明的。就像印表機廠家把印表機賣得很便宜，靠賣墨盒賺錢。NVIDIA是把"墨盒"免費了，但你要用還得買它的"印表機"。04 這對普通人意味著什麼？說了這麼多，跟普通人有啥關係？如果你是個使用者：以後你用的AI應用可能會更便宜。因為算力成本降了，那些靠AI生成的圖片、視訊、客服聊天，價格都可能跟著降。如果你是個開發者：搭AI應用的成本會大幅降低。以前可能因為太貴不敢做的項目，現在可以試試了。而且NVIDIA開源了Alpamayo，你可以直接拿去用，不用從零開始。如果你是投資者：NVIDIA在賭下一個大方向：AI從"實驗室"走向"真實世界"。你看它這次和奔馳合作，直接把整套自動駕駛系統裝到2026年上市的CLA車型上。還在往人形機器人領域使勁。ChatGPT只是AI的開始，真正的大市場是那些能跑、能跳、能幹活的機器。總之，AI可能真的要從"昂貴的高科技玩具"變成"像水電一樣的基礎設施"了。至於這一天什麼時候真正到來？那就看Rubin平台2026年下半年正式出貨後的表現了。05 摩爾定律慢下來了，黃仁勳沒有摩爾定律說的是晶片性能每18個月翻一番。但現在這個定律已經明顯慢下來了——物理快到極限了。但黃仁勳沒有等。從Hopper到Blackwell，再到現在的Rubin，NVIDIA的節奏從來不是等摩爾定律來推自己，而是自己去推摩爾定律。這次CES傳達的訊號很明確：造更聰明的AI時代過去了，接下來要讓AI用得起。這才是AI真正走進千家萬戶的開始。 (白羊武士弗拉明戈)

當AI 圈還在爭論有沒有泡沫，黃仁勳已經在算“推理（Reasoning）”能賺多少錢。2026 年 1 月 8 日，播客 No Priors 上，他這樣說：就算 ChatGPT 沒出現，NVIDIA也會贏。這份自信，源於對計算產業的真實判斷。過去十年，摩爾定律逐漸失效，算力不再自動變便宜。所以加速計算從高端選項變成了“產業標配”。當主持人問起 “2025 年 AI 最讓你驚訝”的進展，黃仁勳沒講多模態、也沒講大模型，答案是：模型推理能力的進化，和它如何成為一門可以定價、可以收費的生意。這意味著，AI 的戰場已經從做大模型轉向了賣推理能力。推理到底怎麼賺錢？誰在為推理付費？這個窗口還能開多久？第一節｜推理開始能定價，OpenEvidence毛利率90%過去，AI 的強，主要指兩個方向：會寫、會說。從 ChatGPT 到各種聊天機器人，只要能輸出連貫、像人寫的內容，就算是好模型。但到了企業場景，標準變了。他們不在乎會不會聊天，在乎的是：這個 AI 能給我省多少錢、賺多少錢？要讓 AI 輸出值錢，黃仁勳的回答是：推理能力。這個能力不是模型參數再翻幾倍，而是：根據上下文找準問題，在資料不全時推出合理結論，給出能被醫生、律師、工程師放心使用的答案。有了這種能力，AI 給出的結果就能明碼標價了。他舉了幾個例子：OpenEvidence 做醫療搜尋，推理Token的毛利率達到了90%；Harvey 為律師事務所服務，已經在多個大型律所落地使用；甚至 Claude 企業版，企業也願意為它付費。這說明什麼？過去 AI 輸出不穩定，企業不敢付高價；現在推理讓答案可控，按結果收費成為可能。這個變化有兩個訊號值得特別注意：模型本身不再是唯一賣點。會寫文章、會對話只是起點，能推理、能接任務、能給出可驗證的答案，才是企業考慮是否付費的關鍵。企業願意為推理質量付更高的價。OpenEvidence的高毛利率不是靠壓低成本，而是因為醫生真的把它當可信賴資源在用。當AI從助手變成專業工具，定價邏輯就變了。在這個過程中，最早跑出來的不是消費級產品，而是高度專業場景。醫療、法律、科研、工程……這些地方對答案質量要求極高，恰好讓推理有了明確價格。我們第一次看到，推理從模型的一個小能力，變成了能單獨收費的產品。第二節｜真正賺錢的是AI工廠，電工工資翻倍了推理能收費了，但這些能賣錢的Token，是怎麼產出來的？黃仁勳把這個生產場所叫作：AI 工廠。這些工廠 24 小時不停地運算、生成推理結果。但要讓 Token 持續產出，背後得有三樣東西支撐：晶片廠：造出最關鍵的計算晶片超級計算中心：搭建大模型運行需要的硬體AI資料中心：一天24小時不停地產生推理結果這三類工廠，正在美國各地大量建設。而建設這些工廠，需要的不只是技術，更是人。黃仁勳說，他第一次看到電工、技術員、水管工的需求漲得這麼快。電工資格證成了熱門證書。有人專門接 AI 工廠的活，一出差就是一個月。建築工人也被拉到這些新工地，很多州開始出現搶人的現象。這是實實在在的變化： 不是模型參數增長，不是論文數量增長， 而是資料中心大量開工、光纜加速鋪設、電費暴漲、崗位激增。AI 不再只是程式碼和演算法，而是開始像傳統工業一樣，有產線、有工人、有產能指標。這場基礎設施建設確實在創造大量就業。但隨之而來的問題是：當AI真正投入使用後，會不會反過來取代人的工作？黃仁勳認為恰恰相反。他舉了放射科醫生的例子：“八年前，AI 教父 Hinton 預言 AI 會徹底改變放射學，放射科醫生將不再被需要。他說對了一半，現在 100% 的放射學應用都是 AI 驅動的。但放射科醫生的數量不減反增。”原因在於：AI 接管的是任務（研究掃描片），但放射科醫生的目的是診斷疾病、做研究、服務更多病人。當 AI 幫他們更快看完掃描片，他們就能接更多病例、做更深入的研究，醫院效率提高了，反而需要雇更多放射科醫生。這個邏輯不只適用於醫生，也適用於所有使用 AI 推理能力的行業：律師用 AI 處理合同，能接更多案子；工程師用 AI 寫程式碼，能開發更多產品；企業用 AI 做決策，能拓展更多業務。所以 AI 提高了效率，但也釋放了需求。不是 AI 取代人，而是 AI 讓人能做更多以前做不了的事。這也是為什麼基礎設施建設本身，就是 2026 年最確定的商業機會之一。而對於那些想用 AI 做應用的人來說，真正的問題是：推理能收費了，接下來該怎麼做？第三節｜成本每年降10倍，小公司也有機會既然推理能賣錢，那誰能抓住這個機會？這聽起來像只有大公司才做得到的事。但黃仁勳指出：“生成推理的成本，每年下降10倍。”“落後 6 個月也不怕，成本降了就能趕上。”於是出現了兩種玩法：一方面，大公司還在籌建下一批超算叢集，爭奪供應鏈；另一方面，小公司已經在開源模型上搭建出垂直服務，開始接單賺錢。比如：生物領域有公司在做端到端分子設計工業領域有公司在做機器人抓取放置系統材料科學有公司在做化學構象預測這些小公司都不做萬能助手，而是只解決一類人的剛需問題。黃仁勳形容這是“在一個小池塘裡先做到極致”。這種專注一個場景做到能收錢的方式，才是接下來五年裡，大多數AI創業者最現實的路徑。而讓這條路徑成為可能的，是開源。黃仁勳說：“沒有開源，初創公司、教育、研究都沒法做。傳統企業也做不了AI 轉型。”他甚至說，中國 AI 公司 DeepSeek 去年開放原始碼的訓練方法，是“對美國AI最大的單一貢獻”。因為它讓矽谷所有初創公司都能學到最前沿的技術，大幅降低了進入門檻。降低門檻意味著：不需要從頭訓練大模型，在開源基礎上做垂直最佳化就夠了；不需要燒掉幾億美元，用更小的成本就能驗證需求。但能做，不等於能做成。關鍵在於：你得知道推理在你的場景裡值多少錢，你得願意去一個小市場快速驗證、快速迭代。不是沒模型就做不了AI，而是你得想清楚：你要解決誰的問題？你怎麼把推理包裝成一個值得付費、值得信賴的數字員工？如果還不確定方向，黃仁勳提到了 2026 年三個值得關注的領域：第一，數字生物學將迎來它的 ChatGPT 時刻。蛋白質理解、多蛋白質生成、化學構象……這些領域正在匯聚合成資料、多模態、推理三大能力。Nvidia 最近開放原始碼的模型就是為多蛋白質理解設計的。第二，汽車不再只是感知加規劃，而是會變成推理汽車。當車遇到從未見過的情況時，它能把複雜場景分解成已知情況，通過推理系統導航通過。Nvidia的自動駕駛堆疊剛剛拿到安全評級第一名。第三，人形機器人或多具身機器人將有巨大突破。黃仁勳說“我們開始得太早了”，自動駕駛經歷了四個時代，而機器人正在用現成的端到端模型加推理系統起步，可能不需要10年就能落地。這三個方向的共同點是：推理能力已經成熟，接下來就是誰先把它變成產品。你不需要幾億美元，但你需要找對一個細分場景，一個真實的痛點。窗口期很短，但機會還在。結語｜模型再強，不如結果能賣過去講 AI，是講性能、講模型、講誰更像人。現在講 AI，有個很清楚的衡量標準：能不能讓人願意付錢？推理開始值錢，標誌著三個轉變：模型不再只是看起來厲害，而是能落地、能計價；企業不再只問能不能用，而是問值不值錢；創業者不能再幻想做通用助手，得先做個實用工具。AI 行業的競爭重點變了。模型再強，不如結果好賣。 (AI深度研究員)