OpenAI與博通（AVGO.US）傳聞已久的合作終於擺上桌面。兩家公司於10月13日聯合官宣了這一合作關係：OpenAI將與博通合作建設10吉瓦定製AI加速器項目，其中OpenAI將負責加速器與系統的設計，而博通則共同參與開發部署。OpenAI表示，通過自研晶片與系統，其將可把前沿模型與產品研發經驗直接植入硬體，釋放更高階的智能能力。在OpenAI自有設施及合作夥伴資料中心部署博通乙太網路及其他連接解決方案的機架，將可滿足全球對AI算力需求激增。雙方已就AI加速器的共同開發與供應達成長期協議，並簽署包含AI加速器及博通網路解決方案的機架部署條款清單。博通擬於2026年下半年啟動AI加速器及網路系統機架的部署工作，預計於2029年底前完成全部部署。博通成為最大得益者？博通致力於設計、開發及供應涵蓋半導體、企業軟體及安全解決方案的廣泛產品，其優勢是以定製晶片和乙太網路技術為基石，通過全端解決方案繫結頭部客戶，在AI時代將計算、網路、軟體深度整合，也因此成為生成式AI浪潮的最大得益者之一，超大規模雲服務商爭相採購其企業級定製AI晶片（即XPU）。早前，博通曾在財報電話會議中確認獲得某客戶百億美元訂單，引發其股價的大漲，傳聞這名客戶為OpenAI，但博通高管否認了這一說法。博通與OpenAI官宣的這項交易並沒有公佈財務細節，但博通的股價仍大漲9.88%，今年以來的股價累計漲幅高達54.95%，市值突破1.68兆美元。OpenAI的攤子越鋪越大自9月下旬以來，OpenAI持續與全球頂尖的科技巨頭達成巨額交易。今年年初，OpenAI與甲骨文（ORCL.US）和軟銀在川普的見證下組建“星際之門”朋友圈，承諾投資5,000億美元建設10吉瓦算力。今年7月，OpenAI與甲骨文達成協議，將為“星際之門”新增4.5吉瓦算力，雙方未來五年合作規模將突破3,000億美元。而在9月23日，OpenAI與甲骨文和軟銀共同宣佈在“星際之門”計畫框架下新增五處美國AI資料中心基地，將與德州的阿比林旗艦基地及CoreWeave（CRWV.US）合作項目發揮協同效應，使“星際之門”計畫未來三年的規劃容量突破7吉瓦，投資總額超4,000億美元，並有望趕在2025年底前達成5,000億美元、10吉瓦總投資承諾的目標。10月1日，OpenAI與三星和SK海力士建立新的戰略合作夥伴關係，作為OpenAI“星際之門”計畫的延伸，三星電子與SK海力士將加速擴產先進儲存晶片，目標是實現每月90萬片DRAM晶圓的產量，以支撐OpenAI先進AI模型的運行。不過最受矚目的，還是OpenAI與當前AI晶片兩大供應商的交易。2025年9月22日，OpenAI宣佈與輝達（NVDA.US）達成戰略合作夥伴關係，輝達向其投資千億美元，而OpenAI則通過輝達建構並部署10吉瓦的AI資料中心，為OpenAI的新一代AI基礎設施投入數以百萬計的GPU，其中首個吉瓦的輝達系統將在2026年下半年通過輝達的Vera Rubin平台部署，換言之，輝達向OpenAI投資的千億美元，最終將成為OpenAI支付給輝達購買AI晶片和服務的費用。10月6日，OpenAI與超微半導體（AMD.US）宣佈達成6吉瓦算力協議，AMD將為OpenAI下一代AI基礎設施部署多代AMD Instinct GPU。首批1吉瓦規模的AMD Instinct MI450 GPU叢集計畫於2026年下半年啟動部署。據行內專家估算，這項晶片供應交易的貨值為900億美元。作為協議組成部分，為進一步強化戰略協同，AMD已向OpenAI發行可以每股0.01美元名義行權價認購1.6億股普通股的認股權證，該權利將隨特定里程碑達成分批生效。首期權益隨首批1吉瓦部署啟動，後續權益將隨採購規模擴大至6吉瓦逐步釋放。權證生效還與AMD達成特定股價目標、以及OpenAI實現規模化部署所需的技術與商業指標緊密關聯。需要注意的是，AMD當前的股價為216.42美元，OpenAI若悉數行使全部權證，則可免費獲得價值346.27億美元的AMD股份。換言之，AMD為了拉攏OpenAI這個客戶，不惜“貼股”達成買賣，OpenAI可通過行權並出售AMD的股份套現，來支付給AMD。再加上這次與博通的合作，OpenAI在短短三周內就達成了超過30吉瓦的算力部署，而根據CNBC的報導，OpenAI當前營運的算力只有2吉瓦。根據早前黃仁勳等透露的一些資料，1吉瓦資料中心的成本大約為500億美元，其中350億美元用於晶片，這意味著30吉瓦的資料中心總成本可達1.5兆美元，其中晶片成本或達到1.05兆美元。從以上的交易來看，“星際之門”的費用可能由軟銀通過其在金融方面的專長來融資埋單，而輝達和AMD傾向於通過入股或“貼股”為OpenAI輸血，再由OpenAI出資購買其產品，對於與儲存晶片供應商和博通的交易，OpenAI均沒有披露財務條款，未知這份帳單是否由OpenAI支付，但可以預計，即使有輝達、軟銀等大佬的資助，OpenAI為組建算力、營運和研發，仍需要巨大的資本支援。OpenAI表示其周活躍使用者已突破8億，並且獲得了全球跨國企業、中小企業和開發者的廣泛應用，但就算有如此多的使用者，OpenAI的收入似乎並不足以支撐其投資，其收入主要來自訂閱、API介面許可費、企業定製解決方案、廣告業務等。The Information早前曾透露，OpenAI今年上半年或錄得收入43億美元，較2024年全年營收還要高出16%，其今年的目標或是要實現130億美元的年收入。即便如此，該機構預計，OpenAI的2024年研發開支或達到25億美元，2025年上半年更飆升至67億美元，遠超其產生的收入，以此來看，要支付數以千億計的資本開支，仍是杯水車薪。當前，OpenAI的估值或達到5,000億美元，超越字節跳動和馬斯克的航天公司SpaceX，成為全球估值最高的獨角獸，但其5,000億美元是建立在AI未來的強勁增長預期上，其最大股東或仍是微軟（MSFT.US），但通過與輝達、AMD、軟銀等的合作和深度股權繫結，後者不僅與其擁有密切的業務往來，還鎖定了股權的利益關係。一旦OpenAI的投資回報不如預期，宏大的藍圖出現裂痕，其引發的連鎖反應可能席捲整個科技行業，甚至演變成一場波及全球資本的科技泡沫。巨頭的押注與潛在的隱憂OpenAI的“攤子”之所以能越鋪越大，核心在於其成功地將自身塑造成了AI時代的“關鍵資產”，吸引了各大巨頭不得不下注的“牌桌”。微軟需要它來鞏固雲業務和Copilot生態；輝達和AMD需要通過它的認證來證明其GPU（及未來CPU/GPU）的競爭力；博通等基礎設施供應商則依賴其巨額訂單來驅動增長。軟銀等財務投資者更是將其視為抓住下一代技術浪潮的船票。這種深度繫結看似穩固，實則暗藏風險。從合作方層面來看，輝達、AMD、軟銀等“輸血者”首當其衝。輝達千億美元投資本質是“以投資換長期晶片訂單”，若OpenAI算力需求不及預期，不僅千億美元投資難以收回，還可能導致輝達GPU產能過剩——要知道這筆投資對應的10吉瓦資料中心，需數百萬顆GPU支撐，一旦部署放緩，輝達的晶片庫存、營收增長都會直接承壓。AMD向OpenAI發行的1.6億股認股權證，行權價僅0.01美元，若OpenAI因資金問題無法完成6吉瓦算力採購，或AMD股價因合作不及預期下跌，OpenAI將無法行權，AMD“以股權換大客戶”的策略將落空；更關鍵的是，AMD為適配OpenAI需求投入的GPU定製研發成本，也將成為沉沒成本。軟銀作為“星際之門”的早期參與者，其對資料中心的基建投資依賴OpenAI的長期租賃訂單，若OpenAI縮減部署規模，軟銀在俄亥俄、德州的站點建設可能陷入“建成即閒置”的困境，前期土地、硬體投入難以變現。對博通而言，雖未披露財務細節，但風險隱藏在“長期協議”的繫結中。博通為OpenAI定製的AI加速器與乙太網路機架，需匹配OpenAI自研系統的技術標準，屬於“非通用化產品”——若OpenAI因資金或技術調整放棄部分部署，博通已投產的定製晶片、機架元件可能無法轉售給其他客戶，導致產能浪費。從OpenAI自身來看，攤子鋪得越大，資金鏈斷裂的風險越高。當前其年收入目標僅130億美元，卻要支撐千億級的資本開支，即便有合作方的“股權補貼”“延遲付款”等靈活條款，仍需依賴外部融資填補缺口。若未來AI應用市場增長放緩、面對競爭不得不“卷”價格，導致企業客戶減少ChatGPT API採購或是壓價、消費者對訂閱服務的付費意願下降而轉向性價比更高的同類產品，OpenAI的營收增長將失速，進而無法吸引新的VC/PE投資。一旦外部融資管道收緊，OpenAI可能陷入“拆東牆補西牆”的惡性循環：要麼縮減算力部署，要麼暫緩模型研發，導致技術迭代落後於GoogleGemini、Anthropic Claude等競爭對手，形成營收下滑—研發停滯—市場份額流失的負面循環。更深遠的影響可能波及整個AI產業鏈。OpenAI作為全球AI行業的“標竿企業”，其大規模算力投資原本是帶動晶片、資料中心、儲存等上下游產業增長的重要引擎——三星、SK海力士為支撐其需求計畫每月擴產90萬片DRAM晶圓，若OpenAI採購放緩，儲存晶片市場可能從“供不應求”轉向“供過於求”，三星、SK海力士的擴產計畫或被迫擱置，進而影響整個半導體行業的產能規劃。此外，OpenAI的高估值也帶動了一批AI獨角獸的融資熱情，若其投資回報不及預期，資本市場對AI行業的信心將大幅降溫，中小AI企業的融資難度會陡增，整個行業可能從“狂熱擴張”回歸“理性收縮”，甚至引發AI領域的“退潮效應”。當然，OpenAI並非毫無緩衝空間——其8億周活使用者、與微軟的深度合作仍是“安全墊”。但問題在於，當前的投資規模已遠超“使用者基數”能支撐的合理範圍：8億使用者帶來的營收，連維持現有模型的訓練成本都顯緊張，更遑論支撐新的算力部署。若OpenAI不能在未來1-2年內找到營收規模化增長的突破口（比如推出高附加值的企業級AI解決方案、探索更多的變現模式），終將面臨要麼兌現增長、要麼被迫收縮的抉擇。而無論那種結果，與其深度繫結的合作方、依賴其拉動的產業鏈，都將為這場不確定性“買單”。 (財華網)

牢A技術部落格一則GPUOpen是AMD的官方開源論壇，最新帖子討論了新的被稱為Dense Geometry Format 密集幾何格式的支援。這項技術可以通過著色器在現代GPU上使用，而真正的硬體加速DGF將用於未來的GPU，可能被稱為RDNA5，或者是UDNA。DGF實際上在2024年已亮相，在今年夏天AMD還為其發佈了初步Vulkan擴展。DGF將網格的小塊（最多64個定點和64個三角形）打包到128字節的塊中，每個塊都以緊湊的方式儲存，並使用輕量拓撲方案。新的示例演示了如何通過混合GPU上的頂點然後將更新的位置寫回這些塊來渲染動畫。在我們熟知的3D遊戲中，所有三維物體都是由三角形幾何體構成的，三角形越多對象就越平滑越真實，但在傳統方案下，這些三角形是以佔用空間大且不方便GPU快取的方式儲存的，導致需要大量記憶體空間，而GPU也很難快速和連續訪問這些連續資料，從而致使渲染變慢。DGF便是將巨大的幾何體網格分解成小塊，每個小塊包含頂點和三角形，隨後DGF對每個小塊進行失真壓縮，記錄相對於小塊中心的微小偏移量，從而大大減少所需的儲存空間。DGF使得GPU可以只進行一次記憶體訪問就可以獲取整個塊，並且該設計允許光線追蹤加速結構直接使用壓縮資料，而不需要先解壓成三角形幾何體。根據AMD的說法，這項技術成本很低，在RX 7900XT上，部落格中描述道不需要1%的幀時間進行大包，大部分時間資源仍然用於建構BVH和光線追蹤，模型移動和變形時的記憶體使用量大大降低，對快取友好。從技術上來說，DGF在每個GPU上都可以運行，但AMD正在為後來的新圖形架構提供硬體支援。Reddit討論中，指出輝達實際上在RTX 40上就提供了相關幾何壓縮/叢集技術，並且在RTX 50上實現了擴展。RDNA5或者是UDNA 預計於2026年年底推出，同樣這項技術也將出現在後續的遊戲機SoC中，也就是PS6、XBOX後續機型中。 (AMP實驗室)

根據米切爾航空航天研究所於2025年9月發佈的報告《贏得下一場戰爭》，美國空軍（USAF）正面臨其歷史上最嚴峻的危機。報告指出，當前的美國空軍是其歷史上“規模最小、機齡最老、戰備最差”的部隊，其在能力、容量和戰備狀態的全面滑坡，已構成對美國國家安全的生存性威脅。報告作者警告說，數十年的預算削減、錯誤的“剝離再投資”戰略以及持續的高強度作戰任務，已經嚴重侵蝕了空軍的根基。報告的核心論點是，若不立即採取果斷行動扭轉這一趨勢，美國在下一場大國衝突中將面臨失敗的真實風險。報告將當前空軍的狀態與1987年冷戰高峰時期的空軍進行了詳細對比。1987年的空軍被視為一支能夠威懾並擊敗蘇聯的強大力量，其能力、容量和戰備水平均是今天的空軍無法比擬的。通過這一歷史對比，報告旨在揭示美國空軍當前存在的巨大差距。衡量空軍實力的三大支柱報告將空軍的戰鬥力分解為三個核心宏觀變數，這三大支柱共同決定了一支空軍的威懾力和實戰效能： 容量（Capacity）：指作戰相關飛機的總數量。足夠數量的飛機是維持持續作戰、覆蓋廣闊戰區和承受戰時損耗的基礎。 能力（Capability）：指部隊裝備的技術先進性，即擁有能夠主導或至少與對手競爭的先進武器系統。這包括隱形技術、先進感測器、網路化作戰能力等。 戰備（Readiness）：這是一個綜合指標，包括飛機的任務妥善率和空勤人員的訓練水平。高戰備意味著飛機隨時可以出動，飛行員具備在複雜高威脅環境下執行任務的精湛技能。報告指出，美國空軍在這三個方面均面臨著“令人衰弱的挑戰”。這種局面並非一朝一夕形成，而是多屆政府和國會在短期全球環境和預算壓力下，要求空軍“用更少的資源做更多的事”所導致的長期後果。歷史的鏡鑑：1987年的美國空軍為了量化當前危機的嚴重程度，報告詳細回顧了1987年美國空軍的狀況。當時，空軍被建設和維持用來對抗一個明確的、強大的對手——蘇聯。戰鬥機部隊：規模龐大，戰備精良1987年，美國空軍現役部隊擁有約1,941架作戰編碼戰鬥機，編入81個全面戰備的現役中隊。這些飛機平均機齡僅為14年，並享有高達81%的健康任務妥善率（MC Rate）。此外，空中國民警衛隊和空軍預備役還擁有1,389架戰鬥機，隨時準備增援。加上歐洲盟友，北約每天可出動11,442架次的戰鬥機。在訓練方面，當時的戰鬥機飛行員每年平均飛行超過200小時，相當於每周三到四次飛行，遠超保持戰備狀態的最低要求。這種高強度的訓練確保了飛行員在戰時能發揮出裝備的最大潛能，以質量優勢彌補了蘇聯在數量上的優勢。轟炸機與偵察機部隊：戰略威懾的基石1987年，空軍擁有325架轟炸機（B-52和FB-111），並計畫增加100架B-1和132架B-2隱形轟炸機。其空中偵察機隊同樣強大，擁有309架飛機，包括RF-4、U-2、SR-71和E-3等。這些資產不僅數量充足，而且部署靈活，能夠從歐洲和太平洋的前沿基地有效執行任務。表1：1987年冷戰時期空軍力量對比（美國/盟友 vs. 蘇聯）該表顯示了1987年美國及其盟友在歐洲戰區相對於蘇聯的空中力量部署和潛在作戰能力。嚴峻的現實：2025年的美國空軍與1987年的輝煌形成鮮明對比，報告描繪了2025年美國空軍的慘淡景象。長期的“和平紅利”削減、反恐戰爭（GWOT）的消耗以及現代化項目的延誤或取消，共同導致了今天的困境。戰鬥機部隊：規模萎縮，技術代差縮小如今，美國空軍的總戰鬥機數量僅為1,184架（現役加預備役），不到1987年容量的三分之一。更令人擔憂的是，戰鬥機機隊的平均機齡已達26年，平均任務妥善率僅為59%。這意味著在任何給定時間，只有一小部分飛機能夠執行作戰任務。在技術能力上，只有28%的戰鬥機隊具備在現代高威脅環境下生存所需的第五代特性（如隱形、先進感測器等）。與此同時，飛行員的訓練水平也急劇下降，年均飛行小時數降至140小時以下，甚至低於冷戰時期蘇聯飛行員的水平。報告直言，這種狀態下的部隊“最多隻能執行部分戰時任務”。上圖展示了1987年與2025年美國空軍戰鬥機聯隊在和平時期的結構對比，突顯了飛機妥善率和飛行員戰備狀態的顯著下降。轟炸機與ISR部隊：高齡服役，捉襟見肘轟炸機部隊的狀況同樣堪憂。機隊規模縮減至140架，平均機齡高達46年，整體任務妥善率僅為52%。這意味著在任何一天，只有約73架轟炸機可用。其中，具備隱形能力的B-2轟炸機僅佔總數的14%，這對於穿透現代一體化防空系統至關重要。空中情報、監視與偵察（ISR）機隊雖然在無人機領域有所發展（如MQ-9），但其核心有人駕駛平台（如RC-135、E-3）的平均機齡已達50年，同樣面臨維護困難和妥善率低下的問題。中國的崛起與趕超報告用大量篇幅分析了美國空軍面臨的主要“步調挑戰者”——中國人民解放軍空軍（PLAAF）。與美國空軍的衰退相反，PLAAF正在經歷一場前所未有的現代化和擴張。報告指出，PLAAF在多個關鍵指標上已經或即將超越美國空軍： 飛行員訓練：據稱，PLAAF戰鬥機飛行員的年均飛行小時數已超過200小時，遠高於美國空軍的水平。 第五代戰鬥機採購：PLAAF的殲-20隱形戰鬥機年產量據報已達120架，幾乎是美國空軍F-35採購速度的三倍。 數量優勢：中國擁有約2,225架戰鬥機，其中超過1,600架是第四代和第五代飛機。在潛在的台海衝突中，PLAAF能夠利用其地理優勢和數量優勢，每天產生數千架次的作戰飛行。這種此消彼長的態勢，使得冷戰時期美國空軍所依賴的“質量勝於數量”的優勢正在被迅速侵蝕。 (稻香湖下午茶)

15 年，從裝置商到生態加速器。今年 7 月，調研機構 IDC 發佈的報告顯示，大模型及智能體在工業企業中的滲透率正快速提升，2025 年應用比例從 2024 年的 9.6% 激增至 47.5%。其中，超過 73.7% 的企業的應用已不再停留於試點，而是將 AI 擴展到公司內十數個乃至數十個具體場景。Google 雲去年 10 月發佈的《生成式 AI 的投資回報》報告顯示，在接受調查的 2500 多位企業高管中，超過 70% 表示其公司在部署生成式 AI 後的第一年便獲得了回報。2025 年，人工智慧正從輔助工具與前沿探索，全面邁入實際生產流程，評判標準不再僅是技術是否先進，而是投資能否在回報上兌現。相應地，客戶需求也從早期的技術驗證，轉向更明確的實效導向——他們開始計算 AI 的 “投資回報率”，期待解決方案提供商能夠幫助其獲得切實的業務增長與財務回報。在這種需求轉向下，華為 9 月的全聯接大會上主動回應，分享了諸多關於行業智能化轉型的最新實踐，並行布了多項重要產品和解決方案。作為華為服務金融客戶的窗口，華為數字金融軍團不僅在全聯接大會上回顧了過往案例，更重點推出了應對 AI 落地挑戰的 FAB（FinAgent Booster）金融智能體加速器。幫助客戶快速建立自己的 Agent 能力，縮短開發周期，讓 AI 加速融入業務流程。華為 FAB 金融智能體加速器，旨在幫助客戶快速開發智能體、提升利用 AI 的效率。華為數字金融軍團 CEO 曹沖在演講上說，華為作為一家技術公司，定位絕不是簡單為客戶提供 AI 底座，而是要全面幫助客戶推進 AI 轉型和商業成功。金融業的 AI 變革雖處早期，卻蘊含著巨大的結構性機會。這對方案商提出了更高要求——必須從技術、生態到服務建構系統性能力，才能滿足客戶在加速期的新需求。華為數字金融基於昇騰算力底座，一是在 AI 智能體平台、模型與場景應用上持續迭代升級； 二是擴大生態合作，目標是在算力之上建構一個覆蓋 AI 平台、模型、場景各層的開放體系，幫更多使用者獲得商業回報。從數字金融到 AI 金融1970 年代，中國的銀行業處於完全手工的階段：所有客戶的帳戶資訊、業務憑證都要整理成紙質檔案，存放在專用的檔案櫃裡。若需要查詢歷史記錄，工作人員必須手動翻找檔案，基礎業務高度依賴人工，效率與精準性受限，且憑證容易丟失損壞。轉機始於 1978 年，中國銀行從日本引進第一套理光 - 8 型主機系統，並於 80 年代批次成套引進日立 M150 小型電腦，逐步實現了儲蓄、對公、聯行、會計報表等日常業務的自動化處理，這標誌著中國金融行業數位化的開端。第一個階段是數位化，把原本人工操作的業務搬到電腦裡去，到 21 世紀初，隨著網際網路技術的普及，金融行業邁入了資訊化階段，大量業務資料化、智能化，大量的業務也可以線上完成，2002 年，招商銀行率先基於簡訊 /WAP 服務推出了 “掌上銀行”，智慧型手機時代，線上匯款、購買基金、股票交易等也逐步普及。隨著人工智慧技術的不斷發展，金融行業也開始嘗試在對內對外的各項業務中引入 AI 技術，眼下，行業正在走向第三個階段——金融數智化、AI 化的變革。2021 年《“十四五” 數字經濟發展規劃》中明確提到，合理推動巨量資料、人工智慧、區塊鏈等技術在銀行、證券、保險等領域的深化應用。技術迭代、技術演進，讓金融企業開始加速 AI 落地，今年 6 月，工行半年報中提到，已有 100 余個對內對外的業務中嵌入了  AI 智能體；郵儲銀行披露，已開展 230  余項大模型場景建設，智能審貸助手” 每天支援三農、信用卡等信審場景超 3 萬筆業務。AI 的價值開始直接體現在財務回報上。中國銀行業協會黨委書記、專職副會長邢煒在今年的服貿會演講中披露，人工智慧技術顯著提升了資產組織效率，數位化領先的商業銀行的股東回報年均增長率為 8.2%，明顯高於落後銀行的 4.9%。金融行業對於人工智慧的態度，已經從早期的技術探索過渡到務實的業務融合，目標開始明確指向效率提升與價值兌現。金融機構希望通過 AI 降本增效、方案商們希望通過技術升級帶來更有競爭力的方案，獲得更多客戶，這對於雙方都是機會、也都是挑戰。資料安全、模型可信度、演算法透明性、算力不足，尤其是中小銀行人才和資源的短板，仍是行業普遍困擾，服務商們需要提升安全性、技術可靠性、效率、可用性等方面的能力，滿足日益增長、變化的需求。華為數字金融 15 年：賣硬體——做軟體——提供系統解決方案作為中國最早、最重要的技術基礎設施供應商之一，華為服務金融客戶已有超過 15 年的歷史。2010 年左右，華為作為 ICT 裝置提供商，為銀行等金融機構提供建構其 IT 系統所需的基礎硬體，如伺服器、交換機、儲存等等，滿足金融機構對穩定、可靠、高性能 IT 基礎設施的需求。這也是華為服務金融客戶的起點。當時華為的業務模型相對簡單，但華為依靠技術與服務，很快打開了市場。隨著能力積累，其佈局已演進為覆蓋軟體、硬體、雲、資料與 AI 的全端式體系，這構成了華為作為技術供應商的核心壁壘。這一優勢直接體現在市場地位上：根據沙利文（Frost & Sullivan）與 IDC 的統計，華為雲在 2023 年及 2024 年中國金融行業大模型市場份額均位列第一。曹沖介紹，過去 15 年，華為目前已經擁有 150 多家金融解決方案生態夥伴，在金融行業，華為已經攜手全球超過 11000 傢伙伴，在 80 多個國家和地區服務超過 5600 家金融客戶。這個過程中，華為積累了若干經驗，不光是技術本身，還有關於金融行業的數智化轉型經驗、大型銀行的創新場景思路等等。2023 年，華為數字金融軍團明確了戰略方向：構築韌性的基礎設施、加速應用現代化，躍升決策數智化、助力業務場景創新；2025 年，面向 AI 時代的到來，數字金融將最後的助力業務場景創新升級為賦能 AI 業務變革，又新下設了證券軍團和保險軍團，服務更多元的客戶。本次全連接大會上，華為數字金融軍團結合過去的技術積累和對客戶需求的洞察，將 AI 創新方案、生態實踐、與夥伴的聯合方案、工程化經驗沉澱下來，推出一套全新的解決方案 FAB（FinAgent Booster）-金融智能體加速器。在 AI Agent 商業化元年，華為沒有直接給客戶提供 Agent 本身，而是提供了一個軟體開發平台，加速客戶的開發，讓他們更高效地擁有自己的智能體與 AI 能力。曹沖說，AI 給金融行業帶來了結構性的變革，服務從 GUI（圖形介面互動）被動服務向 LUI（自然語言互動）主動服務轉型、人機協作從人 + 工具向人 +AI 同事轉型、規則 + 結構化資料向知識 + 智能體轉型、計算中心從通用計算向智算結合通算轉型。為了讓客戶能適應這種劇烈的變化，幫助他們開發自己的能力、而不是提供通用的解決方案，是更合理、更高效的方式，他解釋說，金融企業級 AI 架構，必須要將能力 “解耦”，對智能體進行功能解耦，避免煙囪式開發；對模型能力分層解耦，通過強化學習和領域知識結合，建構細分場景的 “業務專家” 模型，支撐 AI 決策的專業性不斷提升。華為將 FAB 的特點總結為三點：開箱易用：包含 50+ 專用場景的工作流、合作夥伴積累的 30+ 原子化能力，實現 AI 能力的 “樣板間”，把典型場景智能體的開發時間從月級縮短為周級；開箱隨用：提供 MCP 生態和知識庫，客戶可以方便地定製、組裝各種能力，與自己或其他第三方服務快速連接。開箱暢用：典型場景的調優，通過資料合成、提示詞最佳化， 強化學習，讓模型精度和效果快速提升，實現 90% 以上的意圖識別精準率， 85% 以上的任務調度精準率。華為通過技術手段最佳化 FAB 的使用門檻，希望做到讓客戶開箱即用。華為多年積累的行業經驗與技術能力，是實現上述能力的基礎。去年曹沖在演講中曾總結，華為數字金融從為客戶提供可靠的基礎硬體，到提供金融級的平台軟體，再到系統性的解決方案，現在，華為數字金融希望能加速客戶的數智化處理程序，助力他們更方便、高效地通過 AI 能力提升效率、獲得商業回報。“安全要求極高” 是金融行業區別於其他行業的一大特點，方案商必須提供可靠的基礎設施、魯棒性極強的軟體保障系統安全。駭客的技術也在與日俱進，傳統計算需 1 兆年破解的加密，量子計算僅需 100 秒，華為此次發佈了一系列安全方案，包括包括零信任園區網即時動態鑑權；量子安全廣域網實現抗量子解密；AI 訓推保護方案防推理模型投毒；資料安全黑匣子抗極限網路攻擊。安全基礎之上，是高效，AI 落地到業務中表現如何，依賴的依然是 AI 大模型三要素：演算法、算力和資料。華為的優勢是自己生態內有完整的技術支援，算力方面，昇騰算力叢集提供低延遲、高效率的計算能力，提升推理資源利用率。資料上，華為提供了一套全鏈路、全要素的資料處理能力，將金融行業傳統的資料湖升級為知識湖，在保留原有資料的情況下，疊加一層知識圖譜的結構、語義與業務上下文，AI 在呼叫資料前，能先經過知識湖，理解沉澱下來的經驗，提高精準率與效率，讓 AI 智能體能夠像資深專家一樣，進行深度的推理和決策。“要像管理資料一樣管理知識，包括我們的經驗、語義等一切在數位化時代不能量化的東西，這樣 AI 才能更懂業務。” 曹沖介紹說。以 “融海計畫”  引領生態共贏金融本身是一個極其依賴生態、合作的行業。一筆完整的金融業務，往往涉及多個環節和機構，以確保資金的的安全和高效流轉。同時強監管的特性，也決定了單靠機構自身難以完成合規驗證。而隨著全球化合規要求日益嚴峻、技術全球化協作加深，不管是作為需求方還是供應方，都需要共同面對急劇變化的環境，科技企業單打獨鬥的時代已經過去。大型國有銀行、股份制銀行與區域性中小銀行，在業務重點、技術能力、業務需求上都有顯著不同，有的更關注增長、有的更關注合規；各個國家和地區都有著各自的政策、體系與商業規則，單一方案商提供的單一產品難以形成足夠的競爭力，往往需要多方協同，比如結合全球獨立軟體開發商（ISV）的通用技術與本地系統整合商（SI）的落地經驗，高效服務當地客戶，前者提供行業領先的、通用的技術方案，後者因地制宜，提供當地市場獨特的 know-how。華為數字金融軍團也在這個背景下，繼續加速生態建設。2021 年，華為就曾推出智慧金融夥伴出海計畫（簡稱 “FPGGP”），希望建立一個幫助中國金融夥伴走向全球市場的平台，它是全球優秀獨立軟體開發商和本地系統整合商的橋樑，把雙方的經驗與優勢互補。去年，根據使用者加速數智化轉型的需求，華為將其升級為 “融海計畫”，下設三個子計畫，不再只圍繞出海，而是從 “出海” 即金融夥伴出海計畫（FPGGP）、“開發驗證” 方案精築計畫（OBP）、“孵化創新場景” 睿變創新計畫（MVP）三個維度，幫助生態內的合作夥伴。金融夥伴出海計畫已經幫助一些中國企業加速走向了全球市場、讓全球客戶受益，華為與長亮科技合作，為菲律賓數字銀行 UnionDigital 開發新一代核心業務平台，用時 35 天完成貸款核心系統上線；方案精築計畫主要是與合作夥伴溝通深度開發和整合驗證，提高數智化轉型的效率，提升 AI 系統在業務中應用的速度與精度。華為與神州資訊合作開發了一套新的分佈式系統，能夠同時處理每秒超過 10000 筆的聯機交易和聯機批處理任務，結息日批處理時間縮短至 60 分鐘以內。睿變創新計畫則是幫助客戶孵化 AI 創新的應用場景，華為基於昇騰生態的輕量化金融大模型，幫助某銀行客戶建構智能信貸助手，智能生成信貸報告，時間從數天縮短到數小時。華為數字金融軍團還披露了人才培養上的一些努力，華為已經完成 30 多家金融機構的 AI 實訓，培養超過 2000 以上的 AI 人才；曹沖提到，接下來的目標是在國內 AI 人才培養覆蓋 5000 人，在海外數智化人才覆蓋培養 5000 人；同時，完成 5 期銀行數位化轉型海外班。在全聯接大會上的演講中，曹沖總結，華為過去是靠算力變現，但在 AI 時代，華為要和客戶用共創的模式，從底座、模型、知識、平台和工程、架構，場景，人才和生態八個方面，全面建構能力，支撐客戶 AI 變革有效落地。“很多金融機構，對 AI 的戰略和價值落地仍有很多困惑和困難，我們認為，一定要堅信 AI 對行業的變化是深遠的，決不能低估 AI 對金融的長期價值，要面向未來積極佈局和探索；同時，也不能高估 AI 的短期價值，要一步一個腳印去實踐。” 曹沖說。 (晚點LatePost)

性能5倍暴漲背後，Arm晶片黑科技如何顛覆手機AI體驗？今天，AI正給整個手機產業帶來巨大影響和變革，從底層晶片到作業系統，再到上層應用生態，幾乎都在被AI重構。越來越複雜的模型、越來越強大的AI Agent，都對計算效率、延遲、功耗、記憶體頻寬等方面提出了新的挑戰。從蘋果到三星、聯發科、小米，手機晶片玩家們都在加速AI能力在晶片端的整合，上周蘋果剛剛發佈的A19晶片，直接在GPU的每一個核心中都塞入了一顆神經網路加速器。晶片底層技術創新，是加速端側AI落地、推動AI手機體驗升級的核心支撐。在這樣的行業趨勢下，晶片底層技術領域的核心玩家Arm再次向行業拋出一枚AI重磅大招。近日，Arm在上海正式亮出了旗艦級Arm Lumex計算子系統（CSS）平台，這也是Arm CSS平台的一次重要更名和升級。Arm Lumex包括新的CPU、GPU、DSU等模組，在性能、能效顯著提升的同時，突破性地將第二代可伸縮矩陣擴展（SME2）技術引入到CPU中，這也是這類技術首次在Android手機晶片中落地。而據筆者瞭解，蘋果晶片CPU中使用的仍然是第一代SME技術。Arm特別強調稱，這是一個完整的“AI優先”的平台。今天，AI正成為全行業瞄準的核心方向，而面向這一新時代，Arm的計算平台正成為AI與個人計算發展不可或缺的計算底座。此次Arm重磅技術升級背後有那些關鍵思考、對產業和消費者有那些價值和意義？我們將一起深入挖掘。01. CPU裝上“AI加速器” 攜手支付寶、vivo等企業讓端側AI從“能用”到“好用”AI手機經過近兩年的迭代，在發展方向和AI功能種類上已經基本達成行業共識。今天各家的重點毫無疑問是端側AI體驗的最佳化。在端雲結合的混合AI成為基礎模式之下，如何更高效地在手機上落地模型、如何在手機上實現更佳的AI應用體驗，成為需要行業共同破解的難題。縱觀Arm整場發佈會，AI是當下Arm技術迭代圍繞的核心主題，正如Arm高級副總裁兼終端事業部總經理 Chris Bergey所說，新的Arm Lumex是一個“AI優先”的平台。如何實現AI優先，Arm此次最核心的改進是將SME2技術引入了CPU中。在5倍性能提升、3倍能效提升這些亮眼數字的背後，Arm實際上在做的就是給CPU這一手機中最核心、通用性最強的模組配備新的矩陣加速器，讓AI時代的各類複雜計算變得更快、更省電，進而讓我們能在智慧型手機上獲得更好的AI體驗。目前，SME2這一技術已經獲得了阿里巴巴、支付寶、三星System LSI、騰訊、vivo等科技領域頭部企業的支援和採用。基於SME2技術，Arm與這些合作夥伴深度合作，已經在諸多AI應用中實現了直觀的升級。總體來看，這種AI體驗的升級最突出的特點就是讓AI功能從“能用”到“好用易用”前進了一大步。如何去定義“好用易用”呢？就是要讓裝置“更懂你”，且能“無縫響應”。手機行業的創新與競爭，是最貼近使用者應用場景的領域之一。過去捲攝影、快充等，是最佳化單點場景痛點；如今在AI時代，生成式AI應用以及AI與計算攝影、通訊、性能等各領域的融合成為焦點，其本質是用AI重構各場景價值，實現從“被動響應”到“主動服務”的轉變。我們在現場看到了一項“智能瑜伽教練”的演示，在演示中，AI教練可以快速流暢地將文字轉換為語音進行輸出，據稱其生成速度提升了2.4倍之多，這樣使用者就可以在健身過程中即時獲得姿勢反饋與指導，並且全程都不用擔心裝置的電池續航問題。▲智能瑜伽教練其實AI健身教練類似功能我們並不陌生，但讓AI真正能夠像真人一樣快速、精準、高效地與我們進行交流、互動，仍是產業持續努力的目標，Arm無疑將這一願景向現實推近了一大步。在Arm與支付寶和vivo的三方深度合作中，AI手機體驗的升級給我帶來了更多驚喜。支付寶端側AI引擎xNN整合了SME2技術，在vivo的旗艦智慧型手機上完成了基於Arm SME2技術的大語言模型推理驗證，在預填充與解碼階段，性能分別實現了超過40%和25%的提升，大語言模型互動響應時間縮短了40%。據稱，在SME2加持下，vivo手機實現了額外20%的性能提升。從應用效果來看，vivo手機在一些視覺、語音、文字等AI計算任務中，性能都實現了顯著加速，比如在全域離線翻譯這樣的真實場景中，AI響應時間明顯加快，讓整個翻譯的過程更加流暢自然。▲本地離線即時翻譯可以說，這些翻倍式的改善，都標誌著CPU後端能力的重大突破，證明了SME2可為終端裝置帶來更快的即時生成式AI體驗，端側AI的各類本地功能，都得到了顯著提升。再來看看使用者非常看重的計算攝影。搭載SME2單核心運行神經攝影機降噪功能，可以在1080P解析度下實現每秒120幀的超高影格率，即使在4K高解析度下，也能實現每秒30幀的影格率表現。這意味著，我們日常使用手機拍照，即使在光線昏暗的場景中，也可以拍出更加清晰、銳利的照片。縱觀此次發佈的產品和技術，從CPU、GPU到軟體庫的一系列升級，都讓我們看到了Arm Lumex在AI時代給廠商、開發者、消費者帶來的價值。而對於開發者而言，從軟體工具到生態層面的完善支援更能讓他們迅速將這些新技術與自身的產品相結合，將AI創新成果更快推向市場。根據Arm預測，到2030年，SME與SME2技術將為全球超過30億台裝置新增超100億TOPS的計算能力，端側AI性能呈現指數級提升。02. 深耕計算數十年，年均兩位數IPC提升用技術和生態領跑行業今天，我們看到Arm基於底層技術創新實現了移動裝置端側AI性能的大幅提升，實現這一切，一方面源於Arm的技術硬實力，另一方面也源於數十年來Arm在移動技術和生態領域的持續引領，在技術和產業發展的關鍵節點，Arm始終跑在前列。從技術演進來看，Arm對AI的佈局實際已持續十餘年：Armv8架構時代，通過最佳化NEON模組以提升AI效率；Armv9架構引入SVE2與SME以適配更多AI場景；到Armv9.3-A架構時代，整合SME2技術，最佳化現代AI工作負載的吞吐量、延遲與精度。Arm通過架構層面改進SoC設計，為AI應用的爆發提前蓄力。如今，智能裝置的海量爆發讓計算變得無處不在，從手機、PC、汽車到各類AIoT裝置，萬物智聯的趨勢變得愈發顯著。與此同時，產業對能效比的極致追求、對功耗的死磕、對大模型的支援最佳化、對AI算力的需求都成為行業共同面對的挑戰——Arm終於等到了AI的東風。回到手機行業，如果只是架構上的革新，還不足以跟上端側AI應用的步伐。ArmLumex計算子系統（CSS）平台給出了新的解題思路，它從系統性層面，整合搭載SME2技術的最高性能Arm CPU、GPU及系統IP，加速端側AI的落地和普及。軟體工具和生態層面，KleidiAI已經整合至所有主流移動作業系統及AI框架中。開發者能在各類Arm裝置上獲得最佳AI性能，無需進行任何額外操作。縱觀手機行業的發展，Arm一直跑在技術浪潮的最前沿。每一個版本更新都為行業注入新的活力，給行業玩家提供最堅實的底層技術“資源池”。Arm及其生態系統在奠定計算基礎方面所做的努力，讓行業能夠時刻把握新興的機遇。03.從手機PC到全生態，算力產業激變模式轉型構築“核心基石”今天，AI新浪潮正在快速席捲整個科技行業。終端大廠們紛紛“All in AI”，從產品到服務圍繞AI升級；大模型迭代從半年更、月更到今天的周更，競爭進入白熱化階段；底層晶片層，各路晶片廠商都在產品中密集融入AI新特性。從手機、PC、汽車、物聯網到資料中心，從十億級、百億級到兆級、數十兆級模型，AI正在快速重構各行業各領域，同時也給計算產業也帶來了新的挑戰和機遇。Arm顯然是在這股AI浪潮中行動頗為積極的一家。作為驅動AI應用的技術基石，不論是要快速上市兌現性能價值，還是要深度設計配置，從高端智慧型手機、PC到新興AI智能裝置，Arm總能幫助廠商找到峰值性能、持續能效與晶片面積之間的靈活平衡“甜點”。AI浪潮之下，曾深耕幕後的底層技術廠商正逐步走向台前，以核心技術重塑產業格局。全力衝刺AI的Arm，從技術到生態，從產品到服務，已經全面做好了準備。04.結語：打牢AI時代計算根技術端側AI提速今天，從Android到蘋果生態，端側AI的快速發展需要更多底層技術創新的支撐，AI應用體驗仍有較大提升空間，Arm Lumex的發佈，給行業提供了一套紮實的計算平台基礎，讓廠商和開發者們面對AI這場硬仗有更充足的彈藥。未來，AI手機之戰會愈發焦灼，晶片層的創新仍然會長期是行業競爭的焦點領域。從廠商到開發者，面對AI時代的機遇和挑戰，Arm生態已經成為AI創新的肥沃土地。 (智東西)

9 月 10 日，輝達宣佈將在 2026 年底前推出全新人工智慧晶片 Rubin CPX。這是 Blackwell 平台的繼任者，被定位為“視訊生成與 AI 程式設計”的專用加速晶片。與傳統 GPU 最大的不同在於，Rubin CPX 高度整合了視訊解碼、編碼與推理功能。過去，生成一小時視訊所需的處理量高達百萬級 token，遠超常規 GPU 的處理邊界。Rubin CPX 的設計目標，就是為這種指數級增長的算力需求提供 專用解決方案。更引人注目的是，輝達首次公開了經濟模型：向 Rubin CPX 系統投入1 億美元，最高可帶來 50 億美元 token 收入；硬體價值不再是一次性出貨，而是與 AI 應用的 token 消耗直接掛鉤。一｜技術路徑的三步走1｜算力邊界突破Rubin CPX 內建的視訊流水線將推理吞吐提升至 Blackwell 的 3–4 倍，面向1 小時視訊 ≈ 100 萬 token 的處理量做專門最佳化。2｜系統級整合通過整合解碼、編碼、推理，CPX 取消了 CPU 與外部加速器之間的資料搬運，平均延遲縮短 40%–50%。3｜能源效率提升在同等算力下，CPX 的能耗比常規 GPU 下降 30%–35%，這是視訊場景下能否規模化部署的關鍵。二｜三個關鍵訊號🔍1｜AI 視訊生成已成算力新高地視訊生成和 AI 程式設計是未來最消耗算力的兩大場景。視訊的處理量比文字/圖像高一個數量級，未來 AI 的增長曲線幾乎註定將在視訊領域展開。🔍2｜資本邏輯正在轉向 token 維度過去，晶片的價值以 FLOPS 衡量。如今，Rubin CPX 把“投入產出比”直接對應到 token 消耗 = 現金流。這讓晶片廠商從硬體銷售變成持續的 token 分成，是資本市場更願意買單的模式。🔍 3｜AI 晶片敘事全面升級輝達從 GPU 性能 → 雲算力租賃 → token 經濟回報，不斷迭代敘事。未來誰能承接更多的 token 消耗，誰就佔據 AI 基礎設施的制高點。三｜市場觀察Rubin CPX 不只是一次硬體迭代，而是一次 商業邏輯的躍遷。它揭示了未來幾年晶片價值的核心：不再僅取決於算力極限；而在於 能否把 AI 應用的 token 消耗轉化為可見的現金流。換句話說，誰能把 token 經濟效應嵌入晶片，誰就有機會主導下一輪 AI 基建的資本溢價。四｜資本市場的故事切換對投資者而言，這不僅是技術與商業模式的更新，更可能改變資本市場對輝達的估值框架。Rubin CPX 可能意味著輝達的收入模型，從過去的 一次性硬體銷售，逐步轉向 類訂閱的持續分成模式：硬體出貨只是起點，真正的價值在於 token 消耗帶來的長尾收益；這種模式讓輝達更像一家 “雲服務+軟體平台” 企業，而不是傳統半導體公司；對資本市場而言，這相當於從周期性硬體估值 轉向穩定現金流的 SaaS 估值，敘事天花板被再次抬高。這就是 Rubin CPX 背後更大的金融含義：輝達不只是在賣晶片，而是在賣“算力+現金流”的未來。一塊晶片，不止是算力的極限，而是現金流的起點。 (方到)