#AI算力基礎設施
•

DeepSeek加速向華為靠攏

9月30日，DeepSeek宣佈開源面向華為昇騰的基礎設施元件，涵蓋TileLang算子程式語言及其編譯支援、計算庫和分佈式通訊庫，並強調：“所有元件與此前面向輝達平台的開源元件一一對應。” DeepSeek正將支撐自家模型研發的核心工具和算子能力，系統地擴展到昇騰平台。雙方的合作，由模型適配進一步深入訓練與推理所依賴的基礎軟體。 官方還披露，DeepSeek與華為共同推進基於昇騰950的128卡超節點方案，並對計算與通訊進行深度最佳化。 01 讓核心研發工具有另一條硬體路線
DeepSeek加速向華為靠攏
科技#DeepSeek#華為#昇騰
•

記憶體超級周期撕裂科技硬體! AI算力狂歡之下PC承擔記憶體繁榮代價，AI基建硬體鏈迎接訂單狂潮

瑞銀因此更加偏好AI服務器與高性能網絡基礎設施供應鏈，以及能夠提高單位產品價值的MLCC、銅箔以及電子布這類AI基建相關的核心零部件產品廠商，同時積極看待戴爾等傳統PC大型廠商們將業績增長中心遷移至AI算力基礎設施業務前景。 智通財經APP獲悉，國際金融巨頭瑞銀(UBS)最新發布的全球I/O科技硬體研究報告顯示，隨著Muse、Astra等最前沿AI智能體工作流顯著擴大能夠自動完成的商業任務範圍，全球AI計算需求持續井噴式擴張，正在大幅延長存儲晶片漲價週期，使得「存儲超級週期」邏輯愈發堅挺;然而，瑞銀分析師團隊表示，消費電子端預算增長難以同步跟上，使PC(個人電腦)行業面臨「售價上漲、出貨下降、盈利格局嚴重分化」的「撕裂式不利局面」。 瑞銀基本維持2026年全球PC出貨約2.41億台、同比下降11%的預測，但將2027年出貨增速由增長約2%下調至下降約4%，預計價格上漲只能部分抵消銷量損失。在Meta Muse以及OpenAI Astra等全球最前沿AI智能體/AI大模型推動智能體式AI代理工作流普及的大趨勢之下，新增計算需求將繼續擴散至服務器、網絡、內存與配套組件，而消費電子企業能否受益，則取決於產品吸引力、採購條件和成本轉嫁能力。 瑞銀測算數據顯示，2025年年中以來，動態隨機存取存儲器(即DRAM內存)和閃存NAND的成本分別飆升了766%和471%。這些成本上漲正推動個人電腦價格上揚。
記憶體超級周期撕裂科技硬體! AI算力狂歡之下PC承擔記憶體繁榮代價，AI基建硬體鏈迎接訂單狂潮
科技#AI算力基礎設施#瑞銀#消費電子
•

Fortune雜誌—誰在決定智能時代的上限？

當中國市場的單晶片性能與國際先進水平仍存在代差，一個根本性追問由此而生：智能時代的上限究竟由什麼決定？近期，四位分別來自國產GPU、量子計算、變壓器製造和算力中心領域的實踐者給出了各自的回答，而他們的共識是：AI底座從來不是單一維度的競賽，而是算力、電力、人與生態的系統協同。 9月15日和16日，《財富》中國科技50強·創新之夜以及2026年《財富》世界500強論壇在廣州先後舉行。分別於這兩場活動中進行的“迎接新算力”和“築牢AI底座：誰在決定智能時代的上限”圓桌討論，圍繞AI基礎設施駛入深水區之後的挑戰與機遇，描繪出AI時代更全面的圖景。 中國GPU與量子計算的突圍 在“迎接新算力”圓桌討論中，沐曦股份高級副總裁于明楊直面國產GPU的現實差距。他坦言：與輝達相比，國產GPU短板集中在兩個環節：一是EDA（電子設計自動化）工具，由於中國起步比較晚，因此在EDA的品質以及性能上有差距；二是製造環節，“由於製造方面的能力侷限，我們設計當中的能力不能表現出來”。但他認為這種代差可以通過其他手段解決，例如與產業鏈緊密合作、與客戶深度定製化和調優。
Fortune雜誌—誰在決定智能時代的上限？
科技#中國AI#算力基礎設施#GPU
•

誰是AI競賽大贏家？黃仁勳點名馬斯克：他有三大優勢

黃仁勳認為，採集真實世界數據成本極高，而特斯拉擁有全球規模最大的車輛車隊之一，持續產生海量駕駛數據；特斯拉的AI計算基礎設施部署了大量輝達硬體；再加上xAI、特斯拉自動駕駛和Optimus人形機器人三大業務共同推進，馬斯克已佔據AI時代的重要戰略高地。 輝達CEO黃仁勳最新一段採訪視頻近日在社交媒體廣泛傳播。視頻中，黃仁勳將特斯拉和SpaceX CEO埃隆·馬斯克稱為AI競賽中處於「絕佳位置」（phenomenal position）的玩家，並認為其優勢並非來自個人風格，而是建立在算力基礎設施、真實世界數據和三大AI業務佈局之上。 黃仁勳表示，採集真實世界數據成本極高，而特斯拉擁有全球規模最大的車輛車隊之一，持續產生海量駕駛數據；與此同時，特斯拉的AI計算基礎設施部署了大量輝達硬體。再加上xAI、特斯拉自動駕駛和Optimus人形機器人三大業務共同推進，馬斯克已佔據AI時代的重要戰略高地。 上述言論迅速在X等社交平台廣泛傳播，引發AI產業和投資圈熱議。隨著全球科技巨頭圍繞基礎模型、自動駕駛和機器人持續加碼，黃仁勳再次將市場關注點從單純的大模型競爭，轉向算力、數據和終端應用構成的完整AI生態。
美股#黃仁勳#馬斯克#AI競賽
•

AMD落地韓國AI研發中心 打造開放式AI基礎設施生態系統

據報導，AMD（AMD）確定落地韓國人工智慧研發載體，搭建全域開放型AI算力基礎設施生態。韓國科學技術資訊通訊部於27日對外披露，部門已於當月23日在舊金山與AMD簽署AI晶片生態合作諒解備忘錄。 根據合作協議內容，AMD將在韓國設立AI卓越中心，該中心將作為本土產學研協同創新平台，面向韓國本土企業、高等院校、專業科研機構提供技術對接、AI晶片配套軟件研發、算力性能實測驗證、聯合課題研發等全方位支撐，同步推進與韓國本土自研AI晶片廠商深度產業合作。本次合作核心佈局異構AI算力基礎設施，打通AMD自研CPU、GPU產品與韓國本土企業擅長推理場景的NPU晶片協同適配鏈路。雙方共同規劃搭建開放式AI計算產業生態，吸納韓國全產業鏈企業共同參與建設，生態覆蓋記憶體晶片、高速網絡、AI服務器、配套軟件等上下游全細分賽道，完善本土AI算力全鏈條配套能力。 (金吾資訊)
科技#AI算力基礎設施#AI生態系#AMD
•

102億，晶片大廠公佈重磅併購

一家“送電”的公司，賣身晶片大廠。 AI算力基礎設施，又迎來一起重磅併購。 芯東西5月20日報導，今日，美國模擬晶片巨頭ADI宣佈已與Empower Semiconductor達成最終協議，ADI將以15億美元（約合人民幣102億元）的全現金交易收購Empower。該交易預計將於今年下半年完成。 資料中心擴張帶動總用電需求飆漲。能源，已成為擴展下一代AI系統最持續、最核心的瓶頸之一。
102億，晶片大廠公佈重磅併購
科技#AI算力#基礎設施#ADI
•

華為打造“最強超節點”，這項全球領先技術很關鍵

2025年以來，超節點（SuperPod）作為新的AI算力基礎設施，不斷成為行業焦點。觀察者網也曾深度報導過華為的昇騰384超節點，它通過高速互聯匯流排將384顆昇騰晶片連接起來，在超節點算力規模、網路互聯頻寬、記憶體總頻寬等多個指標上，趕超了國外廠商的旗艦超節點。但當時一些討論認為，華為是靠堆砌了384顆晶片，才超越了輝達72顆晶片，而後很多廠商也跟進了超節點的概念。一時間，算力行業掀起了建設超節點的熱潮。那回到最初的問題，超節點就是單純的堆晶片嗎？華為是通過暴力堆砌晶片趕超輝達的嗎？超節點和傳統的計算叢集區別在那？關於這些行業熱點話題，華為計算產品線行銷運作部部長張愛軍近日在一場媒體沙龍上對觀察者網等媒體做了詳解。他首先認為，今天的算力需求遠未被滿足，無論是大模型進入到生產系統中，還是在toC消費端，token消耗的數量都在指數級增長，未來中國每日token消耗量可能突破千兆。在一些觀點看來，算力缺口大可以通過大量建設伺服器叢集堆卡來解決。這麼說聽起來有一定道理，但真實情況遠沒有這麼簡單。根據Meta公佈的論文，萬卡叢集訓練時算力利用率僅約38%，粗暴堆卡可能會造成62%的算力浪費，並且模型訓練會3個小時中斷一次。這是因為，叢集網路通訊已成為當前大模型訓練和推理的最大挑戰。以DeepSeek這種混合專家模型（MoE）為例，每個“專家”如果不能有效溝通，NPU就會由於沒有足夠資料計算而閒置，進而形成1+1<2的結果。換句話說，如果384顆昇騰晶片簡單疊加，計算效果就會和普通伺服器叢集一樣效率低下。超節點就在這種情況下應運而生，它不是修補式改進，而是對傳統計算架構進行重構。張愛軍對觀察者網表示，超節點從傳統以CPU為中心的架構，變成了全平等互聯，無論是CPU、NPU還是記憶體單元，都不用再經過CPU，而是可以平等互聯，提高通訊效率，同時連接計算單元的“高速公路”也發生了變化，由全新的協議和匯流排能力來支撐裝置間互聯。現在市面上的超節點越來越多，但並沒有統一標準，而張愛軍認為，真正的超節點須具備三個關鍵特點：一是頻寬夠大，核心要讓計算不用等待通訊；二是有足夠低的時延，傳統叢集很難做到時延降低；三是形成有效的、邏輯上的單一系統，關鍵在於記憶體能不能統一編址。利用這些技術，超節點可以讓DeepSeek的256個“專家”分佈到每個計算單元上，提升吞吐效率。“為什麼要有統一記憶體編址的技術才能真正稱得上超節點？”他進一步對觀察者網解釋稱，傳統叢集的資訊傳遞，跟現實生活中寄快遞的方式比較像，需要做相應的轉換才能找到下單地址。而超節點希望像在圖書館裡檢索書籍一樣，提前進行書籍編址，能快速找到，而且可以變成資源池。如果沒有統一記憶體編址，就不能做到記憶體的池化。如果沒有記憶體池化，計算單元之間的資料快速交換很難做到。如果不能快速交換資料，計算效率是很難提升的。這是為什麼說做不到統一記憶體編址，超節點是很難真正高效地運行起來的原因之一。”一句話總結，超節點相比傳統叢集最大的優勢，是計算效率的顯著提升。以晶片製程為例，在摩爾定律放緩的情況下，7奈米到3奈米，可能每代性能提升不超過20%。而超節點可以將模型算力利用率從30%提升到45%，相當於提升了50%，通過資源的高效調度，在一定程度上可以彌補晶片工藝代差。但打造一個真正的超節點遠沒有那麼容易。關注技術細節的人可能會發現，華為的昇騰384超節點是由12個計算櫃和4個匯流排櫃構成，體積龐大，而輝達NVL72系統只有一個機櫃，為什麼輝達不連接更多機櫃，進而連接更多晶片？核心在於超節點架構不同，輝達採用的全銅線架構，傳遞的是電訊號，而華為將光通訊技術應用於超節點，採用超高速光模組連接。“如果用電的方式，高速訊號基本只能在一個機櫃裡兩到五米傳送，這也是為什麼很多業界的超節點只能在一個機櫃裡面提供。為什麼華為可以跳出單個機櫃限制，規模商用384個晶片互聯，未來可以支援8192個晶片互聯，核心是我們用了光的技術。”張愛軍對觀察者網表示。但“光”並不好駕馭。光模組成本高，也比較嬌慣，如果有灰塵，有各種各樣的溫度變化，容易發生閃斷、系統不穩定，要做的像電一樣可靠，像光一樣長度，難度很大。“我們是怎麼做到的？一句話，系統化創新，華為可以做自己的晶片，有自己光的器件能力，有自己的底層協議，在過去光通訊上建構了工程能力，我們做到了借助全光互聯提供超節點。為什麼其它廠商做不到？就是因為他們或許掌握了某些單點技術，但很難像華為一樣有系統化能力，這也得益於過去華為一直在通訊領域深厚的積累。過去20年，我們在光上面是全球第一的技術積累。”張愛軍對觀察者網說道。華為不僅在做智算超節點，也在發展通算超節點。去年的華為全聯接大會上，華為輪值董事長徐直軍發佈了基於鯤鵬950處理器的TaiShan 950超節點，這是全球首個通用計算超節點，將在2026年一季度上市。他當時表示，TaiShan 950加上分佈式GaussDB資料庫，將徹底取代各種應用場景的大型機和小型機，以及Oracle的Exadata資料庫伺服器。“大家過去買伺服器，主要關注CPU的主頻和核數。但今天大量的場景通過調整主頻和核數是難以解決的，核心原因是因為摩爾定律已經走到頭了，物理的效能很難，堆再多的核、提升再高的主頻，很難把計算效能提升上去。有一條新路，通過通訊的能力把多核能夠連接起來，形成有效的業務系統，同樣給通用計算提供相應的能力。核心和智算是一樣的，提供超大頻寬、超低時延、進行統一記憶體編址。”張愛軍說道。在華為的思考中，無論是智算還是通算超節點，乃至像Atlas 950 SuperCluster這樣數十萬卡的巨型超節點叢集，核心是要讓大量伺服器像一台電腦一樣工作，由此華為建構了新型互聯協議靈衢UB（UnifiedBus），並將靈衢2.0規範開放。“靈衢是建構超節點的核心能力，華為把它完全開放出來，讓業界所有的人都可以獲取到這個技術。基礎協議有600頁，是所有廠商中提供的最詳細、最完整的能力。通過對靈衢2.0協議的開放，產業界夥伴能夠借助這個技術打造自己的超節點。我們希望與產業界共創，能夠形成一個繁榮的產業生態，希望這些新的能力、新的技術不僅僅華為在使用，而是整個產業鏈一起來建構。”張愛軍表示。超節點足夠火熱，但支撐其運行的不只有晶片、光模組等硬體，還有大量軟體生態，比如異構計算架構CANN、作業系統openEuler、資料庫openGauss、AI框架MindSpore等等。生態需要產業共建，華為一直堅持軟體開源開放。張愛軍表示，“目前鯤鵬註冊開發者有380萬，昇騰有將近400萬開發者。2025年8月，我們把CANN完全開源開放，openEuler也是業界第一個面向超節點的開源作業系統。特別是CANN，我們從最底層的營運時，到開發語言、範本庫\算子庫等，完整地開源給產業界，現在已經有很多開發者基於昇騰CANN的能力，自己開發算子，來面向它的業務場景進行創新。AI 時代的迭代速度遠超以往，單打獨鬥很難跟上節奏，協同共創、開放共生才能共贏未來。” (觀網財經)
華為打造“最強超節點”，這項全球領先技術很關鍵
科技#華為#超節點#AI算力
•

全球人工智慧競爭格局

近年來，全球人工智慧（AI）競爭日趨激烈。部分評估報告強調美國的領先地位，而另一些觀點則認為中國正在削弱美國的主導優勢。相比之下，其他發達經濟體的進展卻鮮少受到關注。現有跨國比較主要依賴綜合指數—這類指數雖具基準參考價值，但受權重設定與聚合偏差影響，可能模糊人工智慧能力的關鍵維度。更清晰地把握各國AI實力，有助於更準確地解讀全球AI競爭格局。本報告通過整合關鍵指標的國際對比，評估各國在AI領域的相對準備度與表現。分析表明：美國在基礎設施（除電力相關設施外）、算力資源和投資環境方面仍保持重要優勢；發達經濟體在擴展算力規模和吸引投資方面面臨更大挑戰；中國在科研產出與應用落地領域進展迅猛，但其基礎支撐設施的完善程度尚待明晰。實體與數字基礎設施實體與數字基礎設施構成人工智慧應用的基礎支撐。實體基礎設施包括資料中心與高性能計算硬體，需要穩定的能源、通訊與製造能力作為保障。數字基礎設施則涵蓋雲端運算、資料訪問及支撐大規模模型部署的相關工具。如圖1所示，美國在計算裝置、軟體與資料庫領域進行了超前的大規模投資—1995至2021年間，這些領域的實際年投資額增長超十倍，遠超其他發達經濟體2-4倍的增長幅度。這些早期投入建構的算力網路與硬體基礎，為美國引領人工智慧領域的創新研發與技術擴散奠定了先發優勢。圖1. AI相關實體與數字基礎設施投資規模算力—即用於人工智慧訓練和推理的處理能力及網路資源—是衡量國家AI研發與應用能力最直觀的指標。資料中心、處理器（CPU與GPU）及更廣泛的計算系統共同支撐著現代AI工作負載日益增長的需求。過去十年間美國資料中心建設迅猛增長。截至2024年，美國擁有約4,049座資料中心，數量遠超歐盟（約2,250座）、英國（484座）和中國（379座）。僅2024年全年，美國新增資料中心容量達5.8吉瓦，同期歐盟與英國分別新增1.6吉瓦和0.2吉瓦。若以人均標準衡量，美國每千人口伺服器保有量達99.9台，顯著領先其他發達經濟體與中國（圖2A）。圖2. 算力指標對比高端計算—特別是AI超級電腦—對大規模模型訓練及近年興起的推理任務尤為關鍵。美國在AI超算總容量方面佔據主導地位，掌控全球約74%的高端AI算力，中國與歐盟分別持有14%和4.8%（圖2B）。能源基礎設施風險AI工作負載的快速增長正推動資料中心電力需求大幅攀升，這使得發電與輸電能力對AI基礎設施的支撐作用日益凸顯。蘭德公司預估到2028年全球AI電力需求可能達117吉瓦，國際能源署則預測至2030年全球資料中心耗電量將翻倍以上，其中美中兩國將貢獻80%的增量。中國早在十餘年前發電裝機容量已超越美國（圖3），目前總裝機容量約3200吉瓦，遠超美國的1293吉瓦和歐盟的1125吉瓦。僅2024年一年，中國淨新增發電裝機容量達429吉瓦，超過美國同期淨增量的15倍。圖3. 發電裝機容量對比美國發電與輸電能力能否跟上資料中心需求的快速增長尚存疑問。當前已建資料中心約佔美國平均能耗的8.9%，顯著高於歐盟的4.8%與中國的2.3%，這凸顯出美國需要大幅增加電力供應以支撐AI基礎設施的持續擴張。私人投資與研發投入美國在AI領域的私人投資規模遠超其他發達經濟體。圖4顯示，2013至2024年間美國AI私人累計投資額突破4700億美元，而歐盟國家總額約500億美元，英國280億美元，加拿大150億美元，日本僅60億美元。在AI基礎設施、基礎研究及資料管理處理領域，美國與其他發達經濟體的投資差距尤為顯著。此外，美國還吸納了全球AI資料類初創企業的大部分風險投資，以及生成式AI領域超75%的公開融資規模。圖4. AI私人投資對比企業層面對AI關聯領域的研發投入進一步鞏固了美國的領先地位。以研發支出佔銷售額比重衡量的研發強度顯示，美國企業在ICT硬體與軟體領域均保持最高水平（圖5）。歐盟在硬體領域稍遜一籌，軟體研發則遠落後於美國—儘管其過去十年增長顯著。中國企業硬體研發規模較十年前有所提升，但軟體研發強度不升反降，兩項指標均與美國存在較大差距。這一態勢與經濟合作發展組織最新發現相符：美國企業開展商用AI專項研發的比例顯著高於其他發達經濟體同行。圖5. 企業研發投入佔銷售收入比重人工智慧國內應用現狀跨國比較AI應用程度面臨多重挑戰。來自私營機構、企業和大學的調查資料顯示的AI應用率通常遠高於國家統計資料，這主要源於樣本中AI密集型行業的大型企業佔比過高（縱觀各國調查，大型企業的AI應用率普遍較高）。因此美國在史丹佛大學AI指數等調查中位居榜首並不意外。國家統計機構採用更具代表性的抽樣方法，覆蓋了更多因各種原因尚未採用AI的中小企業（詳見附錄C）。定義差異使跨國比較更趨複雜。例如美國人口普查局的雙周BTO調查統計過去兩周內的持續AI使用情況，而歐盟統計局年度報告的應用統計則未明確使用強度。正如Crane、Green和Soto（2025）指出，若在調查中納入就業權重考量，美國AI應用率將顯著提升，這表明僅依靠企業層面反饋可能低估AI技術的實際滲透程度。表2：AI應用率重點調查結果對比其他衡量擴散程度的指標—例如關注職場中AI相關技能的指標—顯示美國顯著領先於其他發達經濟體。以促進非AI崗位向AI崗位轉型（反映勞動力向AI技能提升與再培訓的指標，見圖6a）為例，僅法國在此項上超越美國。而在製造業生產流程的AI融合程度方面（圖6b），美國遠超發達經濟體同行，同時在教育、金融及科技服務領域的AI應用也保持領先（見表A3）。隨著企業和個人AI應用度量標準的持續完善與標準化，各發達經濟體在全經濟領域AI滲透程度方面的定位將愈發清晰。圖6. 勞動力市場AI滲透度重點指標結論本報告闡明，美國在AI能力的關鍵領域大多領先於其他發達經濟體，而中國的最大優勢在於能源基礎設施。附錄A：附加資料二、投資格局美國吸納了全球AI與資料類初創企業的大部分風險資本，在生成式AI初創企業已披露的私人風投中佔比超75%（見表A2）。截至目前，美國風投資金集中於資訊技術、媒體/行銷、醫療保健及金融領域，在這些方面相對中國及其他發達經濟體保持絕對優勢。中國在教育培訓類初創企業的私人風投方面略勝美國，同時在AI算力類初創企業的投資力度也大幅領先，是唯一在該領域風投規模接近美國水平的國家。相比之下，歐洲與日本在各領域的風投規模均與美國和中國存在顯著差距。 (Rick筆記)
全球人工智慧競爭格局
科技#人工智慧#投資格局#AI算力