東京大學的研究人員表示，他們已經展示了一種非易失性磁性開關裝置，該裝置能夠在短短 40 皮秒內翻轉狀態，同時消耗的功率異常低，產生的熱量也比許多以前的超快開關方法少得多——這有可能解決現代人工智慧硬體面臨的最大問題之一：移動和儲存資料所產生的巨大能源和冷卻需求。 研究人員利用一種名為錳錫（Mn₃Sn）的反鐵磁材料建構了該器件，並證明超短電脈衝可以可靠地切換其磁狀態，且斷電後仍能保持儲存的資訊。他們還演示了利用電信波段雷射器和光電二極體產生的超快光電流脈衝實現類似的磁狀態切換，有效地將光訊號直接轉換為用於寫入儲存器的電脈衝。 從最根本的層面來說，現代計算實際上是物理狀態轉換的科學。電腦內部的每一個操作——無論是運行遊戲、訓練人工智慧模型、打開瀏覽器標籤頁，還是從儲存裝置載入檔案——最終都涉及數十億甚至數兆次微小的物理狀態變化。電晶體的開關、儲存單元的充放電、快取狀態的更新、資料在互連線路中的傳輸，以及儲存單元對電子的捕獲和釋放。 這些狀態切換事件在物理層面上代表了二進制資訊。問題在於，狀態切換需要能量，而幾乎所有這些能量最終都會轉化為熱量。在人工智慧時代，這一現實正變得日益棘手。現代人工智慧加速器需要處理海量資料。但它們的大部分功耗不僅來自計算本身，還來自快取、記憶體、儲存和互連之間資訊的不斷移動和刷新。隨著GPU叢集擴展到數十萬個加速器，供電和散熱正成為行業最大的瓶頸之一。

下周一，全球AI圈最重要的一場大會，就要開始！3月16日到19日，輝達將在加州聖何塞召開GTC 2026。但這一次，如果你還只是盯著黃仁勳會不會再發佈一張更強的GPU，那你可能看錯了方向。因為對於資本市場來說，留給重新定價的時間窗口，其實已經不多了。華爾街眼裡，這次大會真正的份量，早就不是‘顯示卡參數提升了多少’。真正的博弈點在於，輝達能不能利用這四天，完成一次身份的跨越：從一家‘賣晶片’的硬體公司，正式轉變為一家‘定義 AI 基礎設施規則’的平台公司。從各大投行最新的前瞻報告來看，市場現在盯著的重點是輝達會不會在GTC上強化這幾件更關鍵的事：推理工作負載分解Token的成本和ROI網路互聯的重要性抬升以及下一代專用架構路徑。這意味著什麼？這意味著，從下周一到下周四，市場看的表面上是一場技術大會，實際上在交易的，可能是2026年AI美股下一階段的主線歸屬。如果輝達能把這個新敘事講通，那麼接下來被重估的，將不僅僅是輝達自己的股價。整條 AI 產業鏈的價值分配邏輯，都可能發生結構性的變化。錢會從那裡流出來？又會瘋狂湧入那個被低估的類股？那些公司可能會因為邏輯證偽而被拋棄？如果你想看懂下周資金真正的動向，今天你一定要耐心看到最後。本次GTC 要傳遞的核心資訊輝達這次 GTC 要傳遞的核心資訊是什麼呢？一句話總結：這次 GTC 不是來秀新品的，而是要重新定義整個 AI 基礎設施的遊戲規則。過去幾年，市場對輝達的理解非常簡單：誰的晶片算力最強，誰就是 AI 領域的王者。但瑞銀最新的報告帶來了一個重要訊號：單一處理器主導性能的時代要結束了。從這次 GTC 開始，輝達要做的，是把重點從“單晶片”轉向“系統級最佳化”。簡單來說，過去大家比的是誰的發動機更強，現在輝達要告訴你，真正的競爭力不光是發動機的馬力，而是整輛車的協同配合。黃仁勳的目標，不再是單個 GPU 多快，而是如何通過 “極限協同設計”，把晶片、網路、記憶體、軟體等部分整合成一個高效、標準化的 “AI 工廠”。這背後其實反映了一個本質變化：大家不再只關心算力峰值，而是關注系統能不能大規模落地，能不能算清楚功耗和成本的回報率（ROI）。就好像你不再只是關注車的發動機有多牛，還開始看油耗、保養成本，以及它帶來的經濟效益。輝達正是通過系統級的協同設計，把晶片、網路、記憶體和軟體打包成一個完整的解決方案，讓整個 AI 系統運行得更高效、更可持續。系統級統治力的背後是什麼？那既然我們已經進入了“系統時代”，接下來的問題是：輝達靠什麼支撐它的系統級統治力？在瑞銀的報告中，最大的預期差是：工作負載分解。這幾個字意味著，AI 系統的任務不再依賴一個“全能戰士”悶頭干，而是要根據不同的任務需求進行精細化分工。過去，市場對 AI 硬體的理解非常簡單：模型越大，需要越強的 GPU。但大家忽略了一個關鍵細節：AI 的不同任務有不同的需求。比如，訓練大模型需要“蠻力”，而推理（即我們調取 AI 時的過程）更注重“反應速度”；有些場景需要高吞吐量，而有些場景則要求極低的延遲。如果用最強、最貴的 GPU 去做所有任務，就像是讓一輛超級跑車去城市裡送外賣，雖然車速很快，但效率不高，成本也很大。瑞銀的報告提到，輝達正在從“單晶片性能”，轉向“系統級性價比”。黃仁勳通過“分解”和“極限協同設計”，把計算、網路和記憶體重新安排，給每個任務分配最合適的資源，從而最佳化整個系統。那很多人可能會問：把原本大一統的 GPU 任務拆了，難道不是在削弱自己的護城河？恰恰相反。這其實是在 強化輝達的“絕對控制權”。一旦 AI 系統變得 異構化，任務開始拆分，架構變得複雜，誰來決定任務的分配？誰來管理資料如何流動？誰掌握了這些“任務分配權”，誰就能主導 AI 時代的利潤。輝達現在的動作，實際上是在往 軟體棧和系統層 進行深度佈局，釋放出一個訊號：一旦華爾街接受了“工作負載分解”的邏輯，原本盯著 GPU 出貨量的估值模型將會被推翻。被忽視的王者——網路與互聯既然“工作負載”被拆解了，任務不再由一顆晶片單打獨鬥，那接下來的問題就非常現實：當晶片足夠多、足夠強的時候，最先卡脖子的會是什麼？摩根大通在報告中給出了答案：網路與互聯。邏輯其實很簡單：過去我們盯著 GPU 這台“發動機”猛不猛；但當 AI 進入成千上萬顆晶片協同的“機架時代”，真正決定效率的，已經不是單張卡跑多快，而是資料搬運的速度和延遲。一句話總結：GPU 決定算力上限，而網路和互聯，決定了你能不能觸達到那個上限。這就像你建了座頂級工廠，裝置全是世界一流，但如果傳送帶太慢、大門太窄，你空有頂級裝置，產量照樣上不去。現在的 AI 基礎設施，就面臨這種“工廠大塞車”。其實，這種從“算力”轉向“互聯”的趨勢，我們美股投資網的老朋友一定不陌生。我們早就提醒過：當算力達到飽和時，投資網路基礎設施是最具長期回報的機會。年初至今，我們提前佈局的“光電轉換”賽道已經全面爆發：我們在年初《美股2026年必買10隻股【中集】不為人知的潛力公司 》深度調研並提示的 GLW，當時價格僅 85 美元，本周二已經到了 139.36 美元，漲幅高達 64%。言歸正傳，黃仁勳現在瘋狂強化網路敘事，是因為他看準了一點：控制網路，就是控制整套系統的“調度權”。 一旦你用了輝達的通訊協議，你未來的擴展和遷移成本，就全部鎖死在他的生態裡了。這也解釋了為什麼華爾街現在的目光，已經穿過 GPU，直接盯上了最底層的光互連和矽光技術。花旗報告特別提到一個細節：今年的 GTC 和全球光通訊大會（OFC）幾乎是同期舉行，這絕非巧合！華爾街現在關注的焦點是：1.6T 光模組能否跑通，矽光技術是否成熟。如果說“工作負載分解”是推動 AI 系統重構的原因，那麼網路與互聯則決定了這個重構將會在那些領域首先釋放財富機會。一旦市場接受了這一邏輯，重新定價的將不僅僅是 GPU，更多的關注將集中在那些決定資料流動速度的交換機、光模組和互連技術上。記憶體之戰與代幣經濟學如果說網路解決了資料“怎麼走”的難題，那麼AI基礎設施最後的堡壘，便只剩下資料“存那兒”與“怎麼取”。瑞銀表示：輝達正引入類似Groq的架構，利用片上SRAM（靜態隨機存取儲存器）來實現超低延遲推理。那這是否意味著HBM（高頻寬記憶體）的末日將至？畢竟，在大眾的直覺裡，新技術的出現往往伴隨著舊技術的淘汰。當黃仁勳定為特定任務配備這種“極速工作台”時，投資者本能地擔心：這會不會切走HBM這塊最大的蛋糕？然而，這種“非此即彼”的擔憂，恰恰誤讀了輝達的真正意圖。深入剖析會發現，這並非一場你死我活的替代戰，而是一次精密的“工作負載分解”。SRAM雖快，快到幾乎零延遲，但它受限於晶片面積，容量天花板極低，根本無法承載千億參數模型的訓練與大規模通用推理；這就好比你手邊的辦公桌再順手，也塞不下整個圖書館的藏書。而HBM雖在延遲上略遜一籌，卻是維持AI系統規模的唯一“大動脈”，沒有它，大模型連跑都跑不起來。因此，輝達的策略絕非“二選一”，而是極致的“整合互補”：將最昂貴、最快的SRAM用於對延遲極度敏感的專用推理，打造極致體驗；同時讓耗時耗力的大規模訓練繼續深植於HBM的護城河中。這種架構設計的終極目的，是為瞭解決AI落地的最大痛點——如何在保證性能的前提下，把算力成本打下來。這就自然引出了本次 GTC 市場最關注的一道數學題：代幣經濟學Tokenomics。華爾街對 AI 最大的疑慮，已經不只是資本開支有多大，而是每一輪新增投入最終能不能轉化成更低的單位 token 成本和更高的商業回報。輝達近幾個月的官方表述也在持續轉向這一點：無論是 Blackwell 還是 Rubin，核心賣點都不再只是峰值性能，而是 cost per token、吞吐/每兆瓦，以及整套 AI 基礎設施的經濟可行性。技術上，這背後依賴的正是更複雜的記憶體層級與資料流最佳化——包括片上 SRAM/L1、L2、HBM 以及系統級互連的協同——把不同負載放到最合適的資源上處理，從而降低 token 生成成本、提升整個平台的 ROI。這套邏輯直接指向了一個被市場嚴重低估的財務事實。花旗在報告中給出了一個推演：得益於這種系統級的效率最佳化，預計輝達2028財年的每股收益（EPS）將達到15美元。按目前股價計算，這意味著輝達的遠期市盈率（PE）僅為12倍。試想一下，在一個兆規模的賽道里，核心霸主的市盈率竟然只有12倍？這在財務視角下極具吸引力，但也暴露了一個巨大的預期差：市場還在用傳統的“硬體製造商”眼光給輝達定價，卻尚未完全意識到它作為“系統定義者”的盈利爆發力。當我們將技術架構的互補性與商業模式的升維串聯起來，最終的圖景變得異常清晰：SRAM是製造市場興奮的“情緒點”，負責解決速度焦慮；HBM才是真正源源不斷的“利潤池”，負責鎖定長期規模；而Tokenomics則是連接兩者的橋樑，它用實實在在的ROI資料，打消了華爾街對AI泡沫的顧慮。瑞銀的資料證實了這一點：儘管SRAM概念火熱，但投行對美光等廠商的HBM收入預測卻在2028年飆升至270億美元，且短缺預期延續至數年之後。這說明在主流資本視野中，SRAM並未將HBM踢出盈利模型，反而通過分層架構進一步固化了HBM作為主存核心的地位。歸根結底，這場關於記憶體技術的博弈，實則是輝達重構AI價值鏈的“陽謀”。通過引入SRAM解決延遲痛點，通過Tokenomics說服客戶買單並重塑估值邏輯，再通過HBM鎖定長期利潤，輝達成功地將原本單純的硬體買賣，進化成了AI時代不可或缺的“系統入場稅”。無論未來的推理場景如何千變萬化，只要這套“SRAM提速、HBM擴容、Tokenomics算帳”的混合架構成為行業標準，那麼無論技術風向吹向那一邊，最大的贏家始終只有那個制定規則的莊家。輝達下一代產品路線圖該怎麼看？既然工作負載分解和記憶體分層已成定局，投資者面臨的最後一個問題是：輝達下一代產品路線圖該怎麼看？很多人被Kyber、Rubin Ultra、Feynman這些代號所迷惑，以為它們只是更強的GPU，但如果只盯著晶片，你就錯過了輝達真正的戰略佈局。過去，市場看重單卡算力；但進入下一階段，決勝點在於：一個機架能容納多少計算、頻寬、記憶體，同時如何處理功耗、散熱和互聯。Rubin Ultra最關鍵的地方，不是“Ultra”這個字，而是它代表了輝達推動系統密度到極限，四大維度你同時提升，迫使競爭對手在系統級能力上追趕，形成輝達的深厚護城河。最終，輝達不再單純發佈新品，而是在推動 “基礎設施標準化、系統化、平台化”。對投資者是明白輝達的估值邏輯正在從“賣最好的晶片”轉向“賣唯一的 AI 系統”。產業鏈的投資機會也將外溢到網路架構、光互連、CPO、矽光等領域。 (美股投資網)

輝達斥資200億美元取得Groq的LPU（Language Processing Unit）技術授權，意外讓SRAM躍上舞台。在AI、伺服器與高效能運算（HPC）時代，「記憶體」早已不只是容量的比拚，而是速度、延遲與能耗的全面競賽，其中SRAM（靜態隨機存取記憶體）與HBM（高頻寬記憶體），正是兩種扮演關鍵但角色完全不同的核心技術。 SRAM是什麼？和HBM有何不同？在SRAM成為市場新焦點之際，那些台廠將迎結構性機會。SRAM是什麼？和HBM有何不同？SRAM（Static Random Access Memory靜態隨機存取記憶體）是一種「高速、低延遲」的記憶體，最常被用在CPU、GPU、AI晶片內部。 SRAM是隨機存取記憶體的一種，「靜態」的意思是指，只要保持通電，SRAM中的資料就能持續保存，然而，一旦電力供應停止，資料將會消失，因此屬於揮發性記憶體（Volatile Memory），這點不同於斷電後仍能保存資料的唯讀記憶體（ROM）或快閃記憶體（Flash Memory）。SRAM的特點包括速度極快、延遲極低（奈秒等級）；不需刷新（refresh），資料可穩定保存；功耗低（相對DRAM）；面積大、成本高（每bit成本遠高於DRAM）不適合做大容量記憶體。因此SRAM的角色是「讓晶片能即時運算、不必等待資料」的高速暫存區。HBM（High Bandwidth Memory，高頻寬記憶體）則是一種進階型DRAM，透過「3D堆疊+矽穿孔（TSV）」技術，把多層記憶體堆疊在一起，再與邏輯晶片以超寬匯流排連接。HBM的特點則是頻寬極高（可達上TB/s）；功耗比傳統DRAM更低；容量比SRAM大得多；延遲高於SRAM、低於一般DRAM；成本高、製程難度高。 HBM主要用於AI GPU（如輝達H100、B100）、高效能運算（HPC）、AI訓練、推論加速器。 HBM的角色是「讓大量資料能高速喂給運算核心」的記憶體倉庫。用一句白話來說，意即SRAM負責「快」，HBM負責「多」，兩者共同決定AI晶片能跑多快、跑多遠。SRAM為何突然躍上舞台?過去幾年，AI發展的核心在於「算力規模」，誰能堆更多GPU、跑更大的模型，誰就領先，這使得HBM成為焦點。但現在風向正在改變，隨著生成式AI進入商業化階段，市場需求從「訓練能力」轉向「即時推論能力」，包括即時語音助理；即時翻譯、客服；自駕與機器人反應系統；金融交易、風控決策，這類應用最怕的不是算力不夠，而是「延遲太高」，而這正是HBM的罩門。此外，輝達斥資200億美元取得Groq的LPU（Language Processing Unit）技術授權，表面看是AI加速器戰爭的一環，但其實與SRAM的關聯非常深，主要在於LPU的性能關鍵不在算力，而在「極端高速、低延遲的記憶體存取」，而這正是SRAM最擅長、也是不可替代的領域。那麼為何輝達要買Groq的「技術」而非晶片？因為輝達已經掌握GPU架構、CUDA生態系、HBM封裝與供應鏈，但它「缺」的是極致低延遲推論架構的設計，Groq的價值在於如何用大量SRAM +簡化控制邏輯，換取比GPU更可預測、更即時的AI回應，特別適用於AI Agent、即時語音、交易、機器人控制，這使得SRAM從「配角」升級為「主角」。 (半導體芯聞)

隨著記憶體技術的不斷進步，3D DRAM堆疊、高kDRAM電容和SRAM輔助技術等創新，不斷拓展這兩種記憶體類型的邊界，新興的替代方案如MRAM、ReRAM和eDRAM也取得了一些進展，但SRAM和DRAM依然是當今高性能計算系統的基石。SRAM（靜態隨機存取儲存器）依賴六電晶體（6T）雙穩態鎖存器，只要供電，資料即可不更新保存。其主要優勢包括極低的延遲、高讀寫穩定性和可預測的性能，但代價是密度。每個位單元有多個電晶體，SRAM佔用的面積顯著增加，因此適合更小、高性能的記憶體塊。DRAM（動態隨機存取儲存器）採用1電晶體+1電容（1T1C）結構，實現更高的位元密度和更低的位元成本。這使得DRAM成為大容量系統記憶體的首選技術。其侷限在於電容器本身的電荷洩漏，需要持續刷新。刷新周期會帶來延遲、增加功耗，並使系統級時序管理更加複雜。從上面的對比圖可以看出，SRAM位於金字塔上層（暫存器、L1-L3 快取），特點是延遲低、性能高，但容量小、單位成本高；DRAM位於金字塔中層（主存），容量更大、單位成本更低，但延遲高於 SRAM。 (銳芯聞)

儲存技術發展更迭50年，逐漸形成了SRAM、DRAM及Flash這三大主要領域。但隨著半導體製造技術持續朝向更小的技術節點邁進，傳統的DRAM和NAND Flash開始面臨越來越嚴峻的微縮挑戰；再加上由於這些儲存技術與邏輯運算單元之間發展速度的失配，嚴重限制了計算性能和能效的進一步提升。 因此，業界開始對新型儲存技術寄予厚望，越來越多的新型技術迅速湧現。 目前主流的新型記憶體主要包括四種：阻變記憶體（ReRAM/RRAM），相變記憶體（PCRAM），鐵電記憶體（FeRAM/FRAM），磁性記憶體（MRAM）。其中MRAM正成為當下主流的新型儲存技術，並且有專家預言，MRAM將帶來下一波的儲存浪潮。 01 MRAM的特點