#計算
全球首個!中國量子計算新突破
2月24日,安徽省量子計算工程研究中心宣佈,中國首款自主研發量子電腦作業系統“本源司南”正式開放線上下載。這是全球首個開放下載的量子電腦作業系統,將有效降低開發門檻,加速中國量子計算生態自主化建設。“本源司南”由本源量子計算科技(合肥)股份有限公司(以下簡稱“本源量子”)自主研發,2021年首次發佈。此後,“本源司南”歷經多輪迭代升級,已成為相容超導、離子阱、中性原子等多種主流技術路線的“量超智”融合先進計算作業系統,目前已部署在本源量子的“本源悟空”系列量子電腦上並對外開放。量子作業系統與軟體、量子計算雲平台、量子計算應用軟體作為量子計算的三大關鍵軟體環節,是技術落地生態核心。量子電腦作業系統是量子電腦的“大管家”,不僅承擔著資源調度、軟硬體協同管理等核心職能,還具備量子任務平行計算、量子位元自動校準等關鍵能力,能夠顯著提升量子電腦整機運行效率。當前國際範圍內尚無成熟量子電腦作業系統完全開放本地下載部署——美國IBM、Google等科技巨頭僅提供Qiskit、Cirq等量子程式設計框架與雲服務,底層作業系統並未對外開放。“本源司南”則通過統一程式設計介面與標準化驅動體系的開放,打破了量子計算核心軟體的技術壁壘,讓全球科研機構、高校及開發者都能夠便捷獲取中國自主量子電腦作業系統。“本源司南”研製團隊負責人竇猛漢介紹:“使用者只需要通過‘本源量子’官方網站完成下載,借助一鍵式自動化指令碼即可快速完成本地部署,高效對接多種物理體系量子晶片,並依託QPanda等自主程式設計框架開展量子程式設計,在不同物理體系量子晶片上執行量子計算任務,滿足科研探索與商業化應用需求。”安徽省量子計算工程研究中心主任郭國平表示:“量子電腦作業系統是量子計算生態建構的‘軟心臟’,‘本源司南’面向全球開放下載,標誌著中國量子計算產業正從技術攻堅邁向生態體系建設,既是踐行‘全國一盤棋’的關鍵落子,更是推動量子計算創新資源高效流動、惠及全球創新主體的重要一步。”2025年9月,本源量子在安徽證監局完成IPO輔導備案,成為繼國盾量子、國儀量子後,合肥市高新區第三家開啟IPO處理程序的量子科技企業。本源量子IPO輔導機構為中信建投證券。備案報告顯示,本源量子成立於2017年9月11日,註冊資本3000萬元,法定代表人張輝。截至2025年6月30日,郭國平直接持有公司21.08%的股份,並通過合肥億斯特立股權投資合夥企業(有限合夥)、合肥博睿精思企業管理合夥企業(有限合夥)、合肥聚高聖科技合夥企業(有限合夥)、合肥聚智興本企業管理合夥企業(有限合夥)等持股平台合計控制公司超過30%的表決權,為公司控股股東、實際控制人。據公司官網介紹,本源量子團隊技術起源於中國科學院量子資訊重點實驗室。本源量子聚焦量子計算產業生態建設,打造自主可控工程化量子電腦,圍繞量子晶片、量子計算測控一體機、量子作業系統、量子軟體、量子計算雲平台和量子計算科普教育核心業務,全端研製開發量子計算,積極推動量子計算產業落地。 (上海證券報)
美企CEO:美國可以用AI技術和量子計算來突破中國的稀土管制,讓中企幾十年建立起來的優勢蕩然無存
01前沿導讀美國科技公司SandboxAQ首席執行長傑克·希達裡提出,可以利用ai技術以及量子計算技術來研發新型材料,縮短在獲取關鍵原材料上面所需的時間。ai和量子計算可以幫助科學家在軟體上不斷嘗試各種材料設計合金,從而合成出足以替代中國稀土的關鍵材料。該技術有望繞開發展傳統稀土產業所需的10年甚至20年時間,將獲取關鍵稀土材料所需的時間壓縮至數年以內。02彎道超車希達裡還對此解釋稱,從傳統產業來說,我們需要尋找、開採然後加工稀土資源。而量子技術與ai技術的出現,改變了這種情況。將ai訓練成物理、材料、能源領域的生成式虛擬專家,通過量子計算不斷的嘗試各類材料,最終找到一條不需要依靠中國供應鏈的稀土產業體系。該技術方案遭到了美國相關機構的反對,關鍵礦產研究所聯合主席傑克·利夫頓對此分析稱,現階段的ai並不具備完全替代人類進行判斷的能力,中國在稀土和礦產領域所建立起來的優勢,並不是一朝一夕形成的。而且中國發展關鍵礦產資源不去追求短期利潤,更注重規模化以及可持續發展能力,這是中國佔據礦產資源主導地位的核心因素。依靠長遠的佈局,中國企業在合金冶煉方面有著相當深厚的專業知識和技術經驗,這是其他競爭者在短期內無法比擬的。據國內機構《大公國際》發佈的產業報告指出,2024年全球稀土總儲量超過了9000萬噸,中國以4400萬噸的儲備量位居世界第一,佔全球總儲量的40%以上,優勢明顯。在產量上面,全球總稀土產量達39萬噸,中國產量27萬噸,佔全球總產量的69%,依然位居世界第一。並且中國的稀土產業已經形成了南北區域的鮮明地理格局,以內蒙古為核心的北方稀土產業,其儲量最大的資源是輕稀土礦床,佔中國輕稀土儲量的80%以上。而南方地區則是以鏑、鋱等中重稀土元素為主,佔全球可經濟開採中重稀土儲量的80%以上。這種在地域資源上面的差異,直接塑造了中國稀土產業的雙規發展模式——北方輕稀土、南方中重稀土。為了杜絕稀土產業胡亂開採的情況,從2011年開始,中國開始大力合併稀土精煉產業,形成了中國稀土集團和北方稀土公司雙寡頭的核心掌控局面。這兩大企業佔據了98%的稀土配額,並且其礦產產量佔全球總產量的95%以上,冶煉分離產量佔比超過90%。並且中國是全球唯一具備完全稀土產業鏈體系的國家,涵蓋了地質勘探、礦山開採、冶煉分離、精深加工、技術研發、流通貿易等所有環節。從資源開採到精煉加工,再到最後的運輸銷售,稀土礦產資源已經為中國的能源產業建構出一道穩定深厚的護城河。03技術侷限性據《中國科學院》新聞指出,2025年美國麻省理工學院聯合研究團隊開發出一項通過ai來加速量子材料發現的新技術。該技術生成了超過一千萬個具有阿基米德晶格特徵的候選材料,經過篩選之後,保留下來了大約一百萬種材料,目前這些材料正處於實驗階段。針對採用ai技術生成新材料這種方法,英國發展研究所研究員沈威對媒體指出,美國已經在實驗室中設計出了新材料,但是其想要實現商業化還需要面對多種問題,例如材料的穩定性、規模化生產能力、供應鏈成本控制等。稀土礦產屬於能源產業,其追求的是產業長遠的發展目標,所以必須要具備完整的工業生產體系。在過去幾十年當中,中國企業已經建立起了一套完善並且可持續發展的產業鏈體系,這是用幾十年時間建立起來的優勢。而美國打算通過ai技術和量子計算試圖打造全新的稀土合成方式,目前來看還只是停留在試驗階段,距離實現商業化還有一大段距離。與此同時,中國的ai產業和材料產業並不比美國落後,甚至在部分技術環節雙方不分高低。既然美國打算用ai技術和量子計算突破中國的稀土管控,那麼中國企業也可以用同樣的方法來應對美國企業的突破。中國稀土產業的強大,是各企業拿時間拿技術換來的,這種結構優勢是美國企業短時間無法達到的水平。 (逍遙漠)
低溫蝕刻,下一代3D NAND的關鍵技術支撐
邊緣計算和雲端運算對儲存需求的激增,正推動各類應用對大容量快閃記憶體的需求持續攀升。3D NAND技術每12至18個月發佈一次,其擴展速度在替換率和性能提升方面超越大多數其他半導體器件。每推出新一代產品,NAND供應商都能實現讀寫速度提升50%、位密度提高40%、延遲降低以及能效增強。3D快閃記憶體製造商通過堆疊和連接儲存單元來維持這種驚人速度,這些儲存單元通過微小的深溝槽進行連接,且每一代產品都會變得更小更深。一項突破性技術——低溫蝕刻技術,能在僅100奈米的開口中鑽出數十億個深度達10微米的溝槽孔,且具有近乎垂直的輪廓。在注重能效和可持續性的行業中,這些創新蝕刻工具的設計目標是能耗僅為傳統低溫方案的一半,同時將碳排放量降低80%以上。在NAND刻蝕工藝中,關鍵挑戰在於如何在保持合理刻蝕速率的同時,確保從溝道頂部到底部的垂直輪廓均勻。建模技術在最佳化工藝配方方面發揮著日益重要的作用,以確保儲存孔內部的垂直輪廓無CD變化、無彎曲變形、無孔形畸變。即便資料集有限,人工智慧也能助力最佳化這些特徵的輪廓。這些儲存孔輪廓之所以至關重要,是因為其均勻性直接關係到NAND性能——具體表現為讀寫速度和程式設計/擦除效率。3D NAND晶片的主要生產商包括三星電子、西部資料、Kioxa(東芝旗下)、SK海力士等企業。通過採用更薄的二氧化矽與氮化矽交替層疊結構(ON),每代產品可增加30%的字線數量。隨後,深反應離子刻蝕(DRIE)技術會在晶片表面鑽出數十億個高縱橫比圓柱體(縱橫比超過50:1)。DRIE反應器能優先實現離子垂直定向,從而建構深溝槽隔離、矽通孔、MEMS腔體等垂直結構的平行排列。在NAND快閃記憶體中,若這些特徵的原子級輪廓與目標參數存在微小偏差,就會導致器件電學性能下降,不僅降低良率和性能,還可能影響可靠性。在100奈米孔徑、10微米深度的蝕刻工藝中,允許的輪廓偏差僅為10奈米。“若將10奈米的輪廓偏差作為深度的函數來考量,其偏差率不足0.1%,這一表現確實令人驚嘆,”藍思科技全球蝕刻產品副總裁金泰元表示。3D NAND技術的規模化發展路徑主要通過三種方式實現。首先,快閃記憶體單元可採用更緊密的排列方式(x和y方向縮放),或通過垂直連接進行堆疊。自2014年行業從2D轉向3D NAND以來,製造商主要在垂直方向進行整合,同時將邏輯電路置於儲存陣列下方以進一步縮小晶片尺寸(稱為陣列下晶片, CUA)。其次,晶片製造商在不增加面積的前提下,通過提升每個單元的儲存位數實現技術突破——從單位元發展到4位元(四態單元)甚至更高,從而顯著增加電壓狀態的數量。我們是如何走到這一步的?NAND晶片製造商之間的競爭異常激烈,他們致力於在每個製造步驟中實現卓越的均勻性和可重複性。其中關鍵工藝是儲存孔溝槽刻蝕。其他重要的高縱橫比NAND刻蝕工藝包括:槽口,用於隔離字線的蝕刻區域,確保電路正常運作;多層觸點,連接不同金屬布線層的孔洞; 樓梯結構,各層字線的接入通道。垂直溝槽刻蝕工藝完成後,氧化層、捕獲層及多晶矽溝道會沿孔側壁沉積。這種結構常被稱為通心粉溝道。在大多數NAND儲存器產品中,垂直排列的電荷陷阱單元已取代了原先位於源極/漏極上方的浮柵(FG)電晶體。儘管這兩種器件的工作原理相似,但電荷陷阱單元位於柵氧化層(源極與漏極之間)沉積的氮化物層中,本質上是一種內部含有氮化矽陷阱層的垂直MOSFET器件。當完成單元陣列後,晶片製造商通常會製作第二層或堆疊結構,這些結構隨後會被串聯起來。“但要確保貫穿這層約 30µm 厚的堆疊結構的線性直徑,會帶來越來越高的加工複雜度和成本,這對高堆疊沉積和高縱橫比刻蝕步驟提出了挑戰,”imec儲存工藝整合團隊的高級整合研究員薩娜·拉希迪指出。雖然採用多層短層結構可以減輕高縱橫比刻蝕工具的負擔,但也增加了成本和複雜度——特別是因為同一層中的多個儲存孔需要與第二層的孔對齊,以便後續連接。在必須對齊的短層結構與推動刻蝕性能以在ON堆疊中雕刻更深區域之間,存在著權衡關係。目前,NAND晶片供應商正採取雙層堆疊工藝:先在單層中整合儘可能多的儲存單元,再建構第二層。“另一個趨勢是將外圍CMOS電路最佳化到不同晶圓上,通過混合鍵合技術將其連接到儲存陣列堆疊,”拉希迪解釋道,“為控制不斷攀升的工藝成本,業界正推進垂直方向的進一步縮微,即所謂的z軸間距縮微。”為何要採用低溫工藝?傳統反應離子刻蝕工藝中,隨著微小孔洞內材料的不斷去除,刻蝕速率會逐漸下降。2010年代,刻蝕製造商開始探索低溫處理技術(0℃至-30℃),試圖通過低溫工藝與替代化學試劑的結合,既提升反應離子刻蝕系統的處理效率,又能最佳化垂直結構的垂直剖面。通過保持晶圓低溫,高能氟離子和氧離子承擔了去除氧化物-氮化物層及相關雜質的主要任務。“較低的溫度抑制了不必要的側壁刻蝕,同時增強了離子遷移率和轟擊效果,”Lam Research的Kim表示。該超低溫環境是通過在刻蝕平台上使用低溫機以及對晶圓進行氦氣冷卻實現的。從化學機制來看,蝕刻速率的提升源於表面擴散增強和中性物質物理吸附的增加。關鍵在於工藝工程師需要控制孔洞頂部聚合物的形成,這會阻礙離子流到達特徵底部。“通過精準調控晶圓溫度和氣體化學成分來控制孔洞輪廓,這種調控方式利用了蝕刻側壁上中性物質從化學吸附向物理吸附轉變的溫度依賴性特徵,”金解釋道。所需的蝕刻深度持續增加。TEL的Yoshihide Kihara及其同事估計:“對於未來具有超過400層的代際產品,為了維持當前的雙層堆疊結構,至少需要 8µm /層深度的儲存通道孔蝕刻。”[2]替代化學技術在降低碳足跡的同時實現了更快的蝕刻速率和孔深。TEL補充道:“通過使用氫氟酸氣體進行蝕刻,可以大幅降低傳統氯氟烴氣體的分壓,因此與第一代低溫工藝相比,溫室氣體的碳足跡可減少84%。”該公司還發現少量含磷氣體(三氟化磷)可作為催化劑促進氫氟酸與二氧化矽之間的反應,在低溫操作下提高蝕刻速率。低溫蝕刻技術的必要性已顯而易見。金指出,藍思科技已在3D NAND應用的量產晶圓廠中安裝了1000個腔室。RIE可採用兩種反應器類型——電容耦合電漿體和感應耦合電漿體系統。通常,ICP更為常見,因其兩個電極可獨立控制離子能量和離子密度,而射頻偏置功率則加速活性物種進入空穴。目前有多家RIE(反應離子刻蝕)裝置供應商,包括應用材料公司、Plasma-Therm公司、牛津儀器公司和森泰克儀器公司,但在高產量製造的低溫刻蝕領域,藍思科技和TEL公司佔據主導地位。TEL於2023年推出了首款低溫刻蝕機,而藍思科技則在2024年7月推出了第三代低溫刻蝕機。藍思科技的金先生指出,這三代反應器採用了三種不同的化學工藝。成功刻蝕的另一個關鍵要素是用於形成孔洞和狹縫的光刻掩模。晶片製造商使用厚非晶碳硬掩模(通過 CVD 沉積),並在其上旋涂玻璃和光刻膠以形成硬掩模圖案。這種厚掩模能保護在刻蝕過程中應保留的ON/ON/ON區域。Lam Research公司還採用電漿體脈衝技術在刻蝕模式與鈍化模式間切換。刻蝕工藝的副產物至關重要,因其能鈍化側壁,防止特徵結構彎曲。垂直溝槽刻蝕的縱橫比已接近70:1,而向100:1縱橫比的過渡將面臨更嚴峻的控制挑戰。輪廓控制、人工智慧與蝕刻工藝配方建模技術在提升製造精度方面發揮著日益關鍵的作用。以NAND垂直溝道蝕刻工藝為例,其蝕刻配方的最佳化需要考慮30余項可調參數,包括溫度、氣體流量、功率、工藝時長等關鍵指標。由蔡成恩(Cheng-En Tsai)領導的Macronix公司工程師團隊,揭示了一種基於人工智慧的方法,用於最佳化垂直通道(VC)結構中蝕刻後的輪廓,以最小化形狀變形(包括晶圓中心、中部及邊緣區域),以最佳化蝕刻工藝配方,從而降低CD變異。該方法可減少配方開發相關的成本與時間投入。蔡及其同事報告稱:“半導體行業面臨的關鍵挑戰之一是在配方開發初期即實現晶圓消耗最小化,這對成本效益和加速產品開發周期至關重要。”該人工智慧程序能夠最佳化33個蝕刻參數,以降低頂部CD、弓形CD(最寬點)、CD畸變及CD條紋水平的變異。Macronix公司AI輔助調校方法的核心策略,是基於全面資料集對預訓練Transformer模型進行微調。該微調過程通過將機器學習演算法應用於實際晶圓和設計實驗(DOE)分割的小型資料集。“通過將預測的刻蝕參數輸入模型,最終獲得的VC剖面圖使系統能夠以高精度模擬和預測VC結構,”Macronix團隊強調了領域知識的作用。“為提高模型預測的精準性,我們根據領域專家知識設定了特定約束條件的預設參數。這一步驟對最佳化模型輸出至關重要,確保預測結果符合實際可行的刻蝕條件。”通過使用在VC剖面圖10多個深度位置進行的TEM斜切測量,記錄了關鍵尺寸(CD)變化,並由機器學習確定了33個刻蝕參數的最佳化值。“該方法不僅通過生成高精度刻蝕剖面圖提升了刻蝕結構質量,還為半導體行業帶來了顯著的成本節約。通過先進的最佳化技術,AI輔助調諧方法確保最終形成的VC架構在最小化形狀變形和保持對CDs的精準控制方面展現出卓越性能。“最重要的是,新工藝配方顯著降低了特徵失真,這與NAND的性能和可靠性直接相關。”“在初始工藝中觀察到的VC形狀嚴重失真時,會出現明顯的突變閾值電壓,這表明3D NAND程式設計過程中存在性能不穩定現象。”AI輔助蝕刻工藝徹底消除了這種閾值電壓行為,使得器件性能變得可預測且經過最佳化。未來工藝製程面臨怎樣的挑戰?為實現每代產品新增更多ON層,縮小字線間距(現有器件中約為40奈米)是合理選擇。但國際微電子公司(IMEC)研究團隊警示,當NAND製造商在現有材料上持續製程縮小時,將引發兩大物理問題——橫向電荷遷移與單元間干擾。電荷遷移和訊號干擾會降低閾值電壓、增強亞閾值擺動、減少資料保持時間,並增加程式設計/擦除電壓。“當進一步減薄字線層厚度時,電荷陷阱電晶體的柵極長度會相應縮短。結果,柵極對溝道的控制力逐漸減弱,導致相鄰單元間的靜電耦合增強。除了單元間干擾外,儲存單元在垂直方向上的縮小還會引發橫向電荷遷移(或垂直電荷損失)。被困在SiN層內的電荷傾向於通過垂直SiN層遷移,從而影響資料保持能力,”imec研究人員表示。為抑制單元間干擾,工藝改進方案之一是採用低介電常數空氣間隙替代氧化物介質作為字線間隔。值得注意的是,二維NAND器件此前已採用空氣間隙技術。但相較於平面結構,垂直結構中引入空氣間隙的工藝難度顯著增加。Imec近期開發出一種可重複的氣隙方案,該方案在沉積 ONO 堆疊前對柵間氧化層進行凹陷處理。“氣隙通過與字線自對準的方式引入,可實現精準定位並提供可擴展的解決方案。”該方案及其他類似方案將被研究人員和製造商繼續採用,以推進3DNAND的尺寸縮小。低溫蝕刻是RIE工藝的重要發展,它能形成極深極薄的腔體,用於3D NAND器件的垂直接觸、狹縫、階梯接觸和外圍接觸。晶片製造商正在最佳化30多個蝕刻參數,以確保從特徵頂部到底部的CD變化較小的垂直輪廓。隨著這項極具挑戰性的技術不斷拓展,工藝模擬與人工智慧輔助技術可在無需運行數百片開發晶圓的情況下,對配方最佳化發揮重要作用。此舉既節省成本又縮短上市時間。因此,該行業很可能將更多依賴虛擬製造來完成這些及其他關鍵製造步驟。 (銳芯聞)
a16z 深度長文:如何正確理解量子計算對區塊鏈的威脅
實現密碼學相關量子電腦的時間表常被誇大——這導致人們呼籲緊急、全面地過渡到後量子密碼學。但這些呼籲往往忽視了過早遷移的成本和風險,並忽視了不同密碼學原語之間截然不同的風險特徵:儘管後量子加密價格高昂,但需要立即部署:“ 先採集後解密 ”(HNDL)的攻擊已經開始。因為即使量子電腦問世還需要幾十年,今天被加密的敏感資料在未來仍然具有價值。後量子加密的性能開銷和實施風險確實存在,但對於需要長期保密的資料而言,面對 HNDL 攻擊我們別無選擇。後量子簽名面臨著不同的考量。 它們不易受到 HNDL 攻擊,但其成本和風險(更大的尺寸、性能開銷、實現不成熟和漏洞)要求我們採取深思熟慮而非立即遷移的策略。這些區別至關重要。誤解會扭曲成本效益分析,導致團隊忽視更突出的安全風險。後量子密碼學的真正挑戰,在於將緊迫性與實際威脅相匹配。下文將澄清關於量子威脅對密碼學(涵蓋加密、簽名和零知識證明)的常見誤解,並特別關注這些威脅對區塊鏈的影響。時間進展儘管一些知名人士聲稱在 2020 年代可能會出現具有密碼學意義的量子電腦,但這種說法極不現實。我所說的“具有密碼學意義的量子電腦”,是指一台容錯、糾錯的量子電腦,其規模足以在合理的時間範圍內運行肖爾演算法來攻擊橢圓曲線密碼學或 RSA(例如,最多用一個月的持續計算就能破解 secp256k1 或 RSA-2048)。根據對公開里程碑和資源估算的合理解讀,我們距離製造出具有密碼學意義的量子電腦還遙遙無期。一些公司聲稱 CRQC 很可能在 2030 年之前或 2035 年之前問世,但公開的進展並不支援這些說法。作為背景,在所有現有的架構中——囚禁離子、超導量子位元和中性原子系統——目前沒有任何一個量子計算平台能夠接近在 RSA-2048 或 secp256k1 上運行肖爾演算法所需的數十萬到數百萬個物理量子位元(具體取決於錯誤率和糾錯方案)。限制因素不僅是量子位元的數量,還包括門保真度、量子位元連接性,以及運行深度量子演算法所需的持續糾錯電路深度。雖然有些系統目前的物理量子位元數量已超過 1,000 個,但僅看原始量子位元數量是有誤導性的:這些系統缺乏進行密碼學相關計算所需的量子位元連接性和門保真度。近期的系統已接近量子糾錯開始發揮作用的物理誤差率,但沒有人展示出超過少數幾個能夠維持糾錯電路深度的邏輯量子位元……更不用說運行肖爾演算法實際需要的數千個高保真、深電路、容錯的邏輯量子位元了。證明量子糾錯原理可行與實現密碼分析所需的規模之間,仍然存在巨大的鴻溝。簡而言之:除非量子位元數量和保真度都提高幾個數量級,否則具有密碼學意義的量子電腦仍然遙不可及。然而,企業新聞稿和媒體報導很容易讓人感到困惑。一些常見的誤解和混淆來源包括:有些演示聲稱具有“量子優勢”,但針對的是人為設計的任務。 選擇這些任務並非因為其實際用途,而是因為它們可以在現有硬體上運行,同時表面上展現出巨大的量子加速效果——這一事實往往在公告中被掩蓋。有些公司聲稱擁有數以千計的物理量子位元。 但這通常指的是量子退火機,而不是運行 肖爾演算法攻擊公鑰密碼所需的門模型機器。有些公司濫用“邏輯量子位元”這個術語。 物理量子位元是有噪聲的。如上所述,量子演算法(如肖爾演算法)需要數千個邏輯量子位元。利用量子糾錯技術,可以用許多物理量子位元(通常是數百到數千個,具體取決於錯誤率)來實現一個邏輯量子位元。但有些公司將該術語延伸到了無法辨認的地步。例如,最近一份公告聲稱使用距離 2 的碼實現了48個邏輯量子位元,每個邏輯量子位元只有兩個物理量子位元。這簡直荒謬:距離為 2 的程式碼只能檢測錯誤,而不能糾正錯誤。真正用於密碼分析的容錯邏輯量子位元需要數百到數千個物理量子位元,而不是兩個。更廣泛地說,許多量子計算路線圖使用“邏輯量子位元”一詞來指代僅支援克利福德運算的量子位元。這些操作可以被經典電腦高效模擬,因此不足以運行肖爾演算法,後者需要數千個糾錯的 T 門(或更一般的非克利福德門)。即使某份路線圖的目標是“到某年實現數千個邏輯量子位元”,但這並不意味著該公司期望在同一年運行肖爾演算法來破解經典密碼學。這些做法嚴重扭曲了公眾對“我們距離具有密碼學意義的量子電腦還有多遠”的認知,即使是資深觀察者也受到了影響。話雖如此,一些專家確實對取得的進展感到興奮。例如,Scott Aaronson 最近寫道,鑑於“目前驚人的硬體發展速度”,我現在認為,在下屆美國總統大選之前,我們擁有一台能夠運行肖爾演算法的容錯量子電腦是有可能實現的。但 Aaronson 後來澄清,他的聲明並不是指一台具有密碼學意義的量子電腦:即使完全容錯的肖爾演算法運行分解 15 = 3×5比用鉛筆和紙還慢,他也會將其視為已實現。目前的標準仍然是肖爾演算法的小規模運行,而非具有密碼學意義的運行,因為之前在量子電腦上對 15 進行分解時使用的是簡化的電路,而不是完整的、容錯的肖爾演算法。這些實驗之所以始終選擇 15 作為分解目標,是有原因的:模 15 的運算在計算上很容易,而分解稍大一些的數字(比如 21)則要難得多。因此,聲稱能分解 21 的量子實驗通常依賴於額外的提示或捷徑。簡而言之,期望在未來 5 年內出現一台具有密碼學意義的量子電腦,能夠破解 RSA-2048 或 secp256k1(這對於實際密碼學來說才是最重要的),並不受支援。即使是 10 年也依然充滿不確定。考慮到我們距離具有密碼學意義的量子電腦還有多遠,對進展的興奮之情與‘十年以上’的時間線是完全相容的。那麼美國政府將 2035 年定為政府系統全面遷移到後量子時代的最後期限是怎麼回事? 我認為這是一個完成如此大規模過渡的合理時間表。然而,這並不意味著預測屆時就會出現具有密碼學意義的量子電腦。HNDL 攻擊適用及不適用情況“先採集後解密 ”(HNDL) 攻擊指的是對手先儲存加密流量,然後在有密碼學相關的量子電腦存在後再解密。國家級敵對勢力肯定已經在大規模地存檔來自美國政府的加密通訊,以便在多年後,當 CRQC 出現時解密這些通訊。這就是為什麼說加密技術今天就需要轉型——至少對於那些有 10-50 年以上保密需求的人來說。但是,所有區塊鏈都依賴的數位簽名與加密技術不同:它不存在可追溯攻擊的保密性問題。換句話說,如果出現了與密碼學相關的量子電腦,那麼從那時起,偽造簽名將成為可能,但過去的簽名並不像加密資訊那樣“隱藏”秘密。只要你知道數位簽名是在 CRQC 出現之前生成的,它就不可能是偽造的。這使得向後量子數位簽名的過渡不如加密領域的後量子轉型緊迫。各大平台正採取相應措施:Chrome 和 Cloudflare 推出了用於 Web 傳輸層安全協議加密的混合 X25519 + ML-KEM 加密方案。(為了便於閱讀,本文中使用“加密方案”一詞,但嚴格來說,像 TLS 這樣的安全通訊協議使用的是金鑰交換或金鑰封裝機制,而不是公鑰加密。)這裡的“混合”指的是將後量子安全方案(即 ML-KEM)和現有方案(X25519)疊加使用,以獲得綜合安全保障。這樣一來,有望能夠通過 ML-KEM 阻止 HNDL 攻擊,同時萬一 ML-KEM 即使面對當今的電腦也存在安全漏洞,仍能保持 X25519 提供的經典安全性。蘋果的 iMessage 也通過其 PQ3 協議部署了這種混合後量子加密技術,Signal 的 PQXDH 和 SPQR 協議也是如此。相比之下,後量子數位簽名在關鍵網路基礎設施中的推廣應用正被推遲,直到真正具有密碼學意義的量子電腦即將問世,因為當前的後量子簽名方案引入了性能退化(本文後面會詳細說明)。zkSNARKs(零知識簡潔非互動式知識論證)是區塊鏈長期可擴展性和隱私性的關鍵,其處境與簽名類似。這是因為即使對於那些非後量子安全的 zkSNARKs(它們使用橢圓曲線密碼學,就像今天的非後量子加密和簽名方案一樣),它們的零知識屬性也是後量子安全的。零知識屬性確保在證明過程中不會洩露任何關於秘密見證的資訊——即使是量子對手也不會知道——因此不會有任何機密資訊可供“採集”以便以後解密。因此,zkSNARKs 不會受到“先採集後解密 ”攻擊。正如今天生成的非後量子簽名是安全的一樣,任何在具有密碼學意義的量子電腦出現之前生成的 zkSNARK 證明都是可信的(即被證明的命題絕對為真)——即使 zkSNARK 使用了橢圓曲線密碼學。只有在具有密碼學意義的量子電腦出現之後,攻擊者才能找到令人信服的虛假陳述的證明。這對區塊鏈意味著什麼大多數區塊鏈不會受到 HNDL 攻擊:目前大多數非隱私鏈,如比特幣和以太坊,主要使用非後量子密碼進行交易授權——也就是說,它們使用數位簽名,而不是加密。再次強調,這些簽名並非 HNDL 風險:“先採集後解密”攻擊適用於加密資料。例如,比特幣區塊鏈是公開的;其量子威脅在於簽名偽造(推匯出私鑰以竊取資金),而非解密已公開的交易資料。這消除了 HNDL 攻擊帶來的直接密碼學緊迫性。不幸的是,即使是來自聯準會等可信來源的分析也存在問題,錯誤地聲稱比特幣容易受到 HNDL 攻擊,這種錯誤誇大了向後量子密碼學過渡的緊迫性。也就是說,緊迫性降低並不意味著比特幣可以等待:它面臨著與更改協議所需的巨大社會協調所帶來的不同的時間壓力。(下文將詳細介紹比特幣的獨特挑戰。)目前的例外是隱私鏈,其中許多會對接收者和金額進行加密或其他方式的隱藏。這種保密性現在就可以被收集,一旦量子電腦能夠破解橢圓曲線密碼學,就可以追溯性地去匿名化。對於這類隱私鏈,攻擊的嚴重程度取決於區塊鏈的設計。例如,對於門羅幣採用的基於曲線的環簽名和金鑰鏡像(一種用於防止雙重支付的每個輸出的連結標籤),僅憑公共帳本就足以追溯重建支出圖譜。但在其他區塊鏈中,損失則更為有限——可以參見 Zcash 加密工程師兼研究員 Sean Bowe 的討論以瞭解詳情。如果使用者非常在意自己的交易不被具有密碼學意義的量子電腦洩露,那麼隱私鏈就應該盡快過渡到後量子原語(或混合方案)。或者,它們應該採用避免將可解密的秘密資訊放在鏈上的架構。比特幣特有的難題:治理 + 被遺棄的代幣尤其對於比特幣而言,有兩個現實因素促使人們迫切需要開始轉向後量子數位簽名。而這兩個因素都與量子技術無關。一個令人擔憂的問題是治理速度:比特幣的變革速度很慢。任何爭議性問題都可能引發破壞性的硬分叉,因為社區無法就合適的解決方案達成一致。另一個令人擔憂的問題是,比特幣向後量子簽名的轉換不能是被動遷移:持有者必須主動遷移他們的代幣。這意味著被遺棄的、易受量子攻擊的代幣無法得到保護。一些估算認為,存在量子漏洞且可能被遺棄的 BTC 數量達數百萬枚,按當前價格計算(截至 2025 年 12 月)價值數千億美元。然而,量子技術對比特幣的威脅並非突如其來的災難,而更像是一個有選擇、循序漸進的過程。量子電腦無法同時破解所有加密——肖爾演算法必須逐個攻擊單個公鑰。早期的量子攻擊成本極高且耗時。因此,一旦量子電腦能夠破解單個比特幣簽名金鑰,攻擊者就會有選擇地攻擊高價值錢包。此外,那些避免地址復用且不使用 Taproot 地址(Taproot 直接在鏈上暴露公鑰)的使用者,即使在協議沒有變更的情況下也基本受到保護:他們的公鑰會一直隱藏在雜湊函數之後,直到代幣被花費。當他們最終廣播一筆花費交易時,公鑰就會暴露出來,此時會出現一場短暫的即時競賽:一方是需要確認交易的誠實花費者,另一方是任何擁有量子計算能力的攻擊者,他們試圖找到私鑰並在真正所有者的交易最終完成之前花費這些代幣。因此,真正脆弱的代幣是那些公鑰已經暴露的:早期的 P2PK 輸出、重複使用的地址和 Taproot 持倉。對於那些已被棄用的脆弱代幣來說,沒有簡單的解決辦法。一些可行的方案包括:比特幣社區同意設立一個“旗幟日”,之後所有未遷移的代幣都將被視為銷毀。任由被遺棄的、易受量子攻擊的代幣被任何擁有密碼學相關量子電腦的人攫取。第二種選擇會引發嚴重的法律和安全問題。即使聲稱擁有合法所有權或出於善意,使用量子電腦在沒有私鑰的情況下獲取代幣,也可能在許多司法管轄區引發盜竊和電腦欺詐法下的嚴重問題。此外,“被遺棄”本身就是一種基於不活躍狀態的推定。但實際上,沒有人知道這些代幣是否有能夠訪問金鑰的在世所有者。即使證據表明你曾經擁有過這些代幣,也未必能提供足夠的法律依據來破解加密保護並取回它們。這種法律上的模糊性,增加了被遺棄的、易受量子攻擊的代幣落入惡意行為者手中的可能性,而這些惡意行為者往往會無視法律約束。比特幣特有的最後一個問題是其低交易吞吐量。即使遷移計畫最終確定,將所有易受量子攻擊的資金遷移到後量子安全地址,按比特幣當前的交易速率計算也需要數月時間。這些挑戰使得比特幣現在必須開始規劃其後量子時代的轉型——這並非因為在 2030 年之前可能會出現具有密碼學意義的量子電腦,而是因為遷移價值數十億美元的代幣所涉及的治理、協調和技術後勤問題將需要數年時間才能解決。比特幣面臨的量子威脅確實存在,但時間壓力並非來自即將到來的量子電腦,而是來自比特幣自身的侷限性。其他區塊鏈也面臨著量子易受攻擊資金帶來的挑戰,但比特幣的特殊之處在於:其早期交易採用的是“支付到公鑰(P2PK)”輸出,這直接將公鑰置於鏈上,使得相當大比例的 BTC 極易受到密碼學相關量子電腦的攻擊。這種技術差異——再加上比特幣的運行年限、價值集中度、低吞吐量以及治理機制的僵化——使得這個問題尤為嚴重。請注意,我上面描述的漏洞指的是比特幣數位簽名的密碼學安全性,而不是比特幣區塊鏈的經濟安全性。這種經濟安全性源於工作量證明共識機制,該機制不易受到量子電腦攻擊,原因有三:PoW 依賴於雜湊演算法,因此僅受格羅弗搜尋演算法的二次方量子加速影響,而不受肖爾演算法指數級加速的影響。實現格羅弗搜尋的實際開銷使其極不可能讓任何量子電腦在比特幣的工作量證明機制上實現那怕是適度的實際加速。即使實現了顯著的速度提升,這些速度提升也只會讓大型量子礦工比小型礦工更有優勢,但不會從根本上破壞比特幣的經濟安全模型。後量子簽名的成本和風險要瞭解為什麼區塊鏈不應該急於部署後量子簽名,我們需要瞭解性能成本以及我們對後量子安全性的信心(這種信心仍在不斷發展)。大多數後量子密碼學基於以下五種方法之一:雜湊 (hashing)編碼 (codes)格 (lattices)多元二次方程系統 (MQ)同源性 (isogenies)為什麼會有五種不同的方法? 任何後量子密碼原語的安全性都基於這樣一個假設:量子電腦無法高效地解決特定的數學問題。問題的“結構化”程度越高,我們基於此建構的密碼協議就越高效。但這有利有弊:額外的結構也為攻擊演算法提供了更多可利用的攻擊面。這就造成了一種根本性的張力——更強的假設能夠帶來更好的性能,但代價是潛在的安全漏洞(也就是說,假設被證明是錯誤的可能性更大)。一般來說,基於雜湊的方法在安全性方面最為保守,因為我們最有信心量子電腦無法有效地攻擊這些協議。但它們的性能也是最差的。例如,即使在最小參數設定下,NIST 標準化的基於雜湊的簽名大小也為 7-8 KB。相比之下,如今基於橢圓曲線的數位簽名只有 64 字節。這大約是 100 倍的大小差異。格方案是當今部署的重點。目前唯一的加密方案以及 NIST 選定的三種簽名演算法中的兩種都基於格。其中一種格方案(ML-DSA,原名 Dilithium)生成的簽名大小範圍從 2.4 KB(128 位安全等級)到 4.6 KB(256 位安全等級),比目前基於橢圓曲線的簽名大約大 40 到 70 倍。另一種格方案 Falcon 則具有較小的簽名(Falcon-512 為 666 字節,Falcon-1024 為 1.3 KB),但它包含複雜的浮點運算,NIST 本身也將其標記為特殊的實施挑戰。Falcon 的建立者之一 Thomas Pornin 稱其為“我迄今為止實現過的最複雜的加密演算法。”實施安全性在基於格的簽名方案中也比基於橢圓曲線的方案更具挑戰性:ML-DSA 存在更多敏感的中間值,且非平凡拒絕採樣邏輯需要側通道和故障保護。Falcon 增加了恆定時間浮點運算的擔憂;事實上,針對 Falcon 實現的多個側通道攻擊已經恢復出了私鑰。這些問題構成了直接的風險,這與具有密碼學意義的量子電腦這一更為遙遠的威脅截然不同。在部署性能更優異的後量子密碼方案時,謹慎行事是完全合理的。歷史上,像 Rainbow(一種基於 MQ 的簽名方案)和 SIKE/SIDH(一種基於同源的加密方案)這樣的領先候選方案都在經典電腦上被破解了——也就是說,是用今天的電腦而不是量子電腦破解的。這件事發生在 NIST 標準化流程的後期階段。這體現了科學的健康運作,但也說明過早的標準化和部署可能會適得其反。如前所述,網際網路基礎設施正在採取審慎的方式進行簽名遷移。考慮到網際網路加密轉換一旦開始就需要很長時間,這一點尤其值得注意。MD5 和 SHA-1 雜湊函數(儘管網路管理機構多年前就已在技術上棄用)的遷移,實際上花費了數年時間才在整個基礎設施中真正實施,並且在某些語境下仍在進行中。即使這些方案已經完全被破解,而不僅僅是可能容易受到未來技術的影響,這種情況依然發生了。區塊鏈與網際網路基礎設施相比的獨特挑戰幸運的是,由開源開發者社區積極維護的區塊鏈(例如以太坊或 Solana)比傳統網路基礎設施升級速度更快。另一方面,傳統網路基礎設施受益於頻繁的金鑰輪換,這意味著其攻擊面移動速度比早期量子電腦所能瞄準的速度更快——這是區塊鏈所不具備的奢侈條件,因為代幣及其關聯金鑰可以無限期地暴露在外。但總的來說,區塊鏈仍然應該遵循網際網路在簽名遷移方面採取的審慎方法。這兩種場景都不會受到針對簽名的 HNDL 攻擊,而且無論金鑰的保存時間長短,過早遷移到不成熟的後量子方案的成本和風險仍然十分巨大。區塊鏈特有的挑戰也使得過早遷移變得尤為危險和複雜:例如,區塊鏈對簽名方案有著獨特的要求,特別是快速聚合大量簽名的能力。如今,BLS 簽名之所以被廣泛使用,是因為它們能夠實現非常快速的聚合,但它們並不具備後量子安全特性。研究人員正在探索基於 SNARK 的後量子簽名聚合。這項工作很有前景,但仍處於早期階段。就 SNARKs 而言,目前社區主要關注基於雜湊的構造方法,將其視為後量子時代的主流選擇。但重大轉變即將到來:我相信在未來的幾個月和幾年裡,基於格的選項將成為極具吸引力的替代方案。這些替代方案在諸多方面都將優於基於雜湊的 SNARK,例如顯著縮短證明長度——類似於基於格的簽名比基於雜湊的簽名更短。目前更大的挑戰:實施安全性在未來數年內,實現漏洞將比具有密碼學意義的量子電腦構成更大的安全風險。對於 SNARKs 而言,主要問題是漏洞。漏洞對於數位簽名和加密方案來說已經是一個挑戰,而 SNARKs 則要複雜得多。實際上,數位簽名方案可以看作是一種非常簡單的 zkSNARK,它證明了“我知道與我的公鑰對應的私鑰,並且我授權了這條消息”這一陳述。對於後量子簽名而言,直接風險還包括諸如“側通道攻擊”和“故障注入攻擊”之類的實現攻擊。這類攻擊已有充分的文獻記載,並且能夠從已部署的系統中提取私鑰。它們構成的威脅遠比遙遠的量子電腦更為緊迫。社區將持續數年時間來識別和修復 SNARKs 中的漏洞,並加固後量子簽名實現以抵禦側通道和故障注入攻擊。由於後量子 SNARK 和簽名聚合方案的塵埃尚未落定,過早過渡的區塊鏈可能會將自身鎖定在次優方案中。一旦出現更優方案或發現實現漏洞,它們可能需要再次遷移。我們應該怎麼做?7 條建議基於上述情況,我將最後向包括建構者和政策制定者在內的各利益相關方提出建議。最重要的原則是:需要認真對待量子威脅,但不要基於“具有密碼學意義的量子電腦將在 2030 年之前到來”這一假設而急切採取行動。 目前的進展並不支援這種假設。儘管如此,我們現在仍然可以而且應該做一些事情:我們應該立即部署混合加密。或者至少,在長期保密性至關重要且成本可以接受的地方部署。許多瀏覽器、CDN 和即時通訊應用(例如 iMessage 和 Signal)已經部署了混合方案。這種混合方案——後量子 + 經典——既能抵禦 HNDL 攻擊,又能規避後量子方案中潛在的弱點。能接受簽名體積比較大的前提下,應立即採用基於雜湊的簽名。軟體/韌體更新——以及其他此類低頻、對大小不敏感的場景——現在就應該採用混合雜湊簽名。(採用混合簽名是為了防範新方案中的實現漏洞,而不是因為對基於雜湊的安全假設存在疑問。)這種保守的做法為社會提供了一個明確的“救生艇”,以防萬一具有密碼學意義的量子電腦意外地過早出現。如果沒有預先部署好後量子簽名的軟體更新機制,一旦 CRQC 出現,我們將面臨冷啟動問題:我們將無法安全地分發抵禦所需的補丁。區塊鏈不需要急於實現後量子簽名——但現在就應該開始規劃。區塊鏈開發者應效仿 Web PKI 社區的做法,採取審慎的方式部署後量子簽名。這允許後量子簽名方案在性能和我們對其安全性的理解上繼續成熟。這種方式也為開發者提供了時間,讓他們能夠重新設計系統架構以處理更大的簽名,並開發更優的聚合技術。對於比特幣和其他 L1:社區需要制定針對被遺棄的、易受量子攻擊資金的遷移路徑和政策。被動遷移是不可能的,因此規劃至關重要。由於比特幣面臨著一些特殊的挑戰,這些挑戰大多是非技術性的——治理緩慢,以及大量高價值的、可能被遺棄的、易受量子攻擊的地址——因此,比特幣社區現在就開始規劃尤為重要。與此同時,我們需要讓後量子 SNARK 和可聚合簽名方面的研究更加成熟(可能還需要幾年時間)。再次強調,過早遷移可能會導致鎖定在次優方案中,或者需要進行二次遷移來解決實現漏洞。關於以太坊帳戶模型的說明: 以太坊支援兩種帳戶類型,對後量子遷移有不同的影響——外部擁有帳戶 (EOA),即由 secp256k1 私鑰控制的傳統帳戶類型;以及具有可程式設計授權邏輯的智能合約錢包。在非緊急情況下,如果以太坊加入了後量子簽名支援,可升級的智能合約錢包可以通過合約升級切換到後量子驗證——而 EOA 可能需要將其資金轉移到新的後量子安全地址(儘管以太坊很可能也會為 EOA 提供專門的遷移機制)。在量子緊急情況下,以太坊研究人員提出了一種硬分叉計畫,凍結存在安全隱患的帳戶,並允許使用者通過使用後量子安全 SNARK 證明其知曉助記詞來恢復資金。此恢復機制適用於 EOA 和任何尚未升級的智能合約錢包。對使用者而言,實際意義在於:經過良好審計、可升級的智能合約錢包或許能提供略微更順暢的遷移路徑——但這種差異微乎其微,而且還會帶來對錢包提供商的信任以及升級治理方面的權衡。比帳戶類型更重要的是,以太坊社區仍在繼續推進後量子原語和應急響應計畫的工作。給建構者的更廣泛設計經驗: 如今許多區塊鏈將帳戶身份與特定的加密原語緊密耦合——例如比特幣和以太坊與 secp256k1 上的 ECDSA 簽名耦合,其他區塊鏈則與 EdDSA 耦合。後量子遷移的挑戰凸顯了將帳戶身份與任何特定簽名方案解耦的價值。以太坊正朝著智能帳戶的方向發展,其他鏈上的帳戶抽象努力也反映了這一趨勢:允許帳戶升級其認證邏輯,而無需放棄其鏈上歷史記錄和狀態。這種解耦不會使後量子時代的遷移變得輕而易舉,但它確實比將帳戶硬編碼到單一簽名方案中提供了更大的靈活性。(這也支援了諸如代付交易、社交恢復和多重簽名等其他功能。)對於加密或隱藏交易詳情的隱私鏈,如果性能可以接受,則應優先考慮儘早過渡。目前,這些區塊鏈上的使用者隱私面臨 HNDL 攻擊的風險,儘管不同設計方案的嚴重程度有所不同。僅依靠公共帳本就能實現完全追溯去匿名化的區塊鏈面臨著最緊迫的風險。考慮採用混合(後量子+經典)方案,以防止表面上的後量子方案最終被證明在經典層面上也不安全,或者實施架構變更,避免將可解密的秘密放在鏈上。近期內應優先考慮實施安全性,而不是量子威脅緩解。尤其對於 SNARKs 和後量子簽名等複雜的密碼原語而言,在未來幾年內,漏洞和實現攻擊(側通道攻擊、故障注入)將比具有密碼學意義的量子電腦構成更大的安全風險。現在就投資於審計、模糊測試、形式化驗證和縱深防禦/分層安全方法——不要讓量子擔憂掩蓋了更緊迫的漏洞威脅!為量子計算發展提供資金。以上所有因素對國家安全有著重大影響,那就是我們需要持續投入資金並培養量子計算人才。如果某個主要對手在美國之前獲得了具有密碼學意義的量子計算能力,將會對我們以及世界其他國家構成嚴重的國家安全風險。對量子計算相關公告保持理性態度。隨著量子硬體的日趨成熟,未來幾年將會湧現出許多里程碑式的進展。然而,矛盾的是,這些公告的頻繁發佈本身就證明了我們距離真正具備密碼學應用價值的量子電腦還有很長的路要走:每一個里程碑都代表著我們在到達那個點之前必須跨越的眾多橋樑之一,而每一個里程碑的出現都將引發媒體的頭條報導和興奮。將新聞稿視為需要批判性評估的進度報告,而不是倉促採取行動的提示。當然,可能會出現一些出人意料的發展或創新,從而加快預計的時間表,就像可能會出現嚴重的擴展瓶頸從而延長時間表一樣。我並不認為五年內出現一台具有密碼學意義的量子電腦在字面上是“不可能”的,只是可能性極低。上述建議對這種不確定性具有魯棒性,遵循這些建議可以避免更直接、更可能發生的風險:實現漏洞、倉促部署以及密碼學轉型過程中常見的各種問題。 (W3C DAO)
量子計算風險進入機構定價模型,比特幣“數字黃金”敘事遭遇新挑戰
圍繞量子計算對加密資產安全性的潛在衝擊,機構投資者開始將這一技術變數納入資產配置評估框架。多家研究機構與市場參與者近期警告稱,比特幣部分存量地址在未來量子計算能力突破後可能面臨被破解風險,這一問題正從長期理論討論轉向現實資產定價因素。Coinbase:約三分之一比特幣供應存在潛在量子暴露Coinbase 全球投資研究主管 David Duong 表示,約 32.7% 的比特幣供應量可能在未來量子計算攻擊場景下暴露於風險之中,涉及約 651 萬枚比特幣。其核心風險來源包括地址重複使用、早期指令碼結構以及部分多重簽名與 Taproot 設定方式。研究機構 Project 11 的資料指出,接近 70% 的脆弱地址與地址復用有關,這在傳統計算環境下影響有限,但在量子計算環境中可能顯著降低破解難度。Duong 指出,量子威脅主要集中在兩條技術路徑:一是量子演算法對橢圓曲線數位簽名演算法(ECDSA)的潛在破解能力;二是對支撐比特幣工作量證明系統的 SHA-256 雜湊機制的長期挑戰。Jefferies 清倉比特幣轉向黃金,部分機構開始調整配置結構Jefferies 全球股票策略主管 Christopher Wood 表示,其已在 1 月中旬將模型投資組合中 10% 的比特幣配置全部出售,並轉而配置 5% 實物黃金與 5% 黃金礦業股。Wood 指出,量子計算突破的時間窗口可能早於此前市場普遍預期的“數十年後”,而是存在在未來數年內取得實質性密碼學能力突破的可能性,這將削弱比特幣作為長期價值儲存工具的核心假設。他強調,對養老金與長期資產管理機構而言,任何可能動搖加密安全模型的結構性風險,都將直接影響可接受風險區間。市場表現分化,比特幣與黃金相關性出現逆轉年初以來,比特幣相對黃金價格下跌約 6.5%,而黃金同期累計上漲超過 50%。比特幣兌黃金比率在本月降至約 19 水平,顯示部分資金正在重新評估“數字黃金”與傳統避險資產之間的配置權重關係。技術面上,比特幣近期多次在 100 日均線附近受阻,市場關注 8.5 萬美元附近的關鍵支撐區間是否能夠維持。社區面臨治理難題,量子抗性升級路徑仍存爭議比特幣開發社區目前正在測試引入量子抗性密碼演算法的升級草案,但尚未形成可快速落地的統一路線。部分開發者指出,從技術設計到全網遷移,可能需要 5–10 年協調周期。與此同時,社區內部也出現分歧:是否應提前凍結或銷毀已暴露風險的存量地址資產以保護系統完整性,仍存在激烈爭論。該問題在協議安全與私有財產權之間形成直接衝突。與傳統金融體系可通過集中決策強制實施系統升級不同,比特幣網路缺乏單一執行主體,使得應對系統級技術風險的協調成本顯著更高。市場觀點分化,長期看法仍未形成共識部分行業人士認為量子威脅仍處於可控時間區間。Blockstream 首席執行長 Adam Back 認為實際風險可能在 20 年之後顯現;Strategy 董事長 Michael Saylor 則認為網路最終將通過協議升級化解風險。但也有研究者給出更激進時間表。卡爾加里大學量子計算研究員 Pierre-Luc Dallaire-Demers 認為,若量子硬體發展疊加 AI 最佳化演算法突破,實際攻擊能力可能在五年左右出現。在機構層面,態度亦呈現分化。部分大型機構仍在增加數位資產配置比例,但更多投資者開始將量子計算視為中長期系統性不確定變數,而非純技術噪音。市場解讀:技術變數正在進入資產配置底層假設分析人士認為,量子計算議題的核心影響不在於短期價格衝擊,而在於其正在改變機構對加密資產“長期不可篡改性”的基礎假設。在生成式 AI、先進半導體與量子科研資本同步加速投入的背景下,密碼學安全已不再是靜態前提,而成為需要持續維護的動態工程體系。這一變化,正在逐步反映到跨資產配置邏輯之中。 (方到)
百兆規模!輝達最新Rubin平台AI計算架構及產業鏈深度剖析!2026
前言:AI算力產業的時代拐點與Rubin平台的戰略意義1.1 全球AI算力產業發展現狀與趨勢進入2026年,全球人工智慧產業已從技術探索期邁入規模化應用的關鍵階段,而算力作為AI產業的核心基礎設施,正迎來爆發式增長的黃金周期。根據IDC最新發佈的《全球人工智慧算力發展白皮書》資料顯示,2025年全球AI算力市場規模已突破60兆元,預計到2026年底將達到120兆元,正式邁入百兆規模時代。這一增長背後,一方面是大模型參數規模持續擴大,從千億級向兆級跨越,對算力的需求呈指數級增長;另一方面,AI應用場景從網際網路領域向金融、醫療、製造、自動駕駛等傳統行業深度滲透,催生了多元化的算力需求。在這一產業背景下,算力供給能力成為制約AI產業發展的核心瓶頸。傳統計算架構由於存在資料傳輸延遲高、能效比低、協同調度能力弱等問題,已難以滿足新一代AI任務的需求。行業迫切需要一款具備高性能、低成本、高可靠性的一體化計算平台,來破解算力供給難題,推動AI應用的規模化普及。輝達作為全球AI算力領域的領軍企業,此前推出的Blackwell平台已在全球範圍內獲得廣泛應用,而2026年1月6日在CES 2026展會上正式推出並宣佈全面量產的Rubin平台,憑藉其顛覆性的架構設計和性能突破,被業內視為開啟百兆級AI算力時代的關鍵引擎。1.2 Rubin平台的推出背景與戰略定位輝達CEO黃仁勳在Rubin平台發佈會上強調:“AI計算正從少數巨頭的專屬資源走向全民普惠,Rubin平台的使命就是通過技術創新,大幅降低AI算力的使用成本,讓每一家企業、每一個科研機構都能享受到頂尖AI算力帶來的創新紅利。” 這一定位背後,是輝達對AI產業發展趨勢的深刻洞察。從產業競爭格局來看,隨著亞馬遜、Google、微軟等雲廠商加速佈局自研AI晶片,以及寒武紀、壁仞科技等國內企業的崛起,全球AI算力市場的競爭日趨激烈。輝達需要通過持續的技術迭代,鞏固其在高端AI算力領域的領先地位。從技術發展邏輯來看,此前的Blackwell平台雖然實現了算力的大幅提升,但在MoE(混合專家模型)訓練效率、推理成本控制等方面仍有最佳化空間。Rubin平台正是在這一背景下應運而生,通過6款全新晶片的協同設計,實現了性能與成本的雙重突破,旨在進一步擴大輝達在AI算力領域的市場份額,推動全球AI產業進入規模化普及階段。結合華安證券2026年1月12日發佈的行業周報資料顯示,Rubin平台推出後,全球四大雲巨頭亞馬遜AWS、Google雲、微軟Azure和甲骨文雲已確認將於2026年率先部署基於Vera Rubin的實例,CoreWeave、Lambda等專業AI算力服務廠商也將同步跟進。這一市場反響充分印證了Rubin平台的行業認可度,也預示著其將在全球AI算力市場中佔據重要地位。一、深度拆解輝達Rubin平台AI計算架構與核心技術2.1 Rubin平台整體架構設計:一體化協同計算的創新突破與傳統計算平台“晶片堆疊”的設計思路不同,Rubin平台採用了“全端協同最佳化”的架構理念,由6款全新晶片組成一個有機的整體,分別承擔計算、互連、儲存、網路等核心功能,通過深度協同實現了整體性能的躍升。Rubin平台由6款全新晶片組成:Vera CPU、Rubin GPU、NVLink6交換機、ConnectX-9SuperNIC、BlueField-4DPU及Spectrum-6乙太網路交換機,協同設計整合為AI超級電腦,可以大幅縮短AI訓練時間並降低推理Token生成成本。Rubin平台五項關鍵技術深度融合,實現性能提升和成本降低雙重突破:1)新一代NVLink互連技術建構起高速資料傳輸通道,確保多晶片協同工作時的低延遲與高頻寬;2)第三代Transformer引擎針對AI任務最佳化,大幅提升模型訓練與推理效率;3)機密計算技術為敏感AI資料提供全流程安全防護,滿足金融、醫療等行業的合規需求;4)RAS引擎(可靠性、可用性與可維護性引擎)保障平台在7x24小時高負載運行下的穩定表現;5)專為代理推理設計的Vera CPU。從架構邏輯來看,Rubin平台建構了“三層協同架構”:底層為硬體基礎層,由6款核心晶片組成,負責提供基礎的計算、儲存和網路資源;中間層為協同調度層,通過輝達自研的CUDA-X AI軟體棧,實現對各硬體資源的高效調度和協同工作;頂層為應用適配層,針對不同的AI應用場景,提供專用的演算法庫和工具集,確保平台能夠快速適配各類AI任務。這種架構設計的核心優勢在於,打破了傳統硬體之間的“資料孤島”,實現了資料在各元件之間的高效流轉,大幅提升了整體計算效率。根據輝達公佈的官方資料,Rubin平台的訓練性能達到前代Blackwell平台的3.5倍,運行軟體性能提升5倍,推理每Token生成成本相比Blackwell平台可降低10倍,且在訓練MoE模型時所需的GPU數量減少至原來的四分之一。這些性能指標的提升,正是得益於其一體化協同架構的創新設計。2.2 核心元件解析:各晶片的功能定位與技術優勢2.2.1 Rubin GPU:AI計算的核心引擎Rubin GPU是整個平台的核心計算元件,專為新一代AI任務進行了深度最佳化。該GPU採用了輝達最新的Ada Lovelace-Next架構,搭載了第三代Transformer引擎,能夠大幅提升大模型訓練和推理的效率。與Blackwell GPU相比,Rubin GPU的CUDA核心數量增加了50%,張量核心性能提升了70%,在處理FP16、BF16等高精度計算任務時,表現出更為卓越的性能。值得注意的是,Rubin GPU針對MoE模型進行了專門的硬體最佳化。MoE模型作為當前大模型發展的主流方向,通過將模型分為多個“專家”模組,僅在處理特定任務時啟動部分專家,能夠在提升模型性能的同時,降低計算成本。但傳統GPU在處理MoE模型時,存在專家調度效率低、資料傳輸延遲高等問題。Rubin GPU通過引入專用的MoE調度單元,實現了專家模組的快速啟動和切換,將MoE模型的訓練效率提升了3倍以上,這也是其訓練MoE模型所需GPU數量大幅減少的關鍵原因。2.2.2 Vera CPU:專為代理推理設計的高效處理器Vera CPU是輝達首款專為AI代理推理設計的CPU,打破了傳統CPU在AI計算中“輔助角色”的定位,成為AI任務的核心處理器之一。隨著AI代理技術的發展,AI系統需要具備更強的自主決策和任務調度能力,這對CPU的平行處理能力、低延遲響應能力提出了更高的要求。Vera CPU採用了ARM架構,擁有64個核心,支援超線程技術,最大快取容量達到256MB。與傳統x86 CPU相比,Vera CPU的能效比提升了2倍,在處理多工平行推理時,延遲降低了30%以上。此外,Vera CPU還整合了專用的AI加速單元,能夠直接處理部分輕量級的AI推理任務,減少了對GPU的依賴,進一步提升了整個平台的協同計算效率。2.2.3 NVLink 6交換機:高速互連的“資料高速公路”在大規模AI計算中,多晶片之間的資料傳輸效率是制約整體性能的關鍵因素。Rubin平台搭載的NVLink 6交換機,是輝達新一代的高速互連技術,實現了晶片之間的低延遲、高頻寬資料傳輸。根據官方資料,NVLink 6的單鏈路頻寬達到1.6TB/s,是上一代NVLink 5的2倍,單個交換機最多可連接32個GPU,形成一個高速互連的計算叢集。NVLink 6採用了全新的互連協議,支援自適應路由和錯誤恢復功能,能夠在保證資料傳輸速度的同時,提升傳輸的可靠性。此外,NVLink 6還實現了與PCIe 5.0的相容,能夠與傳統的儲存和網路裝置進行高效對接,進一步擴大了平台的相容性和應用範圍。通過NVLink 6交換機,Rubin平台建構了一個高效的“資料高速公路”,確保了多晶片協同工作時的資料流暢通,為大規模平行計算提供了堅實的支撐。2.2.4 ConnectX-9 SuperNIC:智能網路的核心元件ConnectX-9 SuperNIC是一款高性能的智能網路介面卡,專為AI計算場景進行了最佳化。該網路卡支援200Gb/s的乙太網路速率,整合了專用的AI加速引擎,能夠對網路資料進行即時的處理和分析,減少了CPU和GPU的網路處理負擔。在AI訓練場景中,大量的資料需要在計算節點之間進行傳輸和同步,ConnectX-9 SuperNIC通過支援RDMA(遠端直接記憶體訪問)技術,實現了資料在不同節點記憶體之間的直接傳輸,無需經過CPU的中轉,將資料傳輸延遲降低了50%以上。此外,該網路卡還支援網路虛擬化技術,能夠將物理網路資源劃分為多個虛擬網路,為不同的AI任務提供隔離的網路環境,提升了網路資源的利用率和安全性。2.2.5 BlueField-4 DPU:資料處理的“專用引擎”BlueField-4 DPU(資料處理單元)是Rubin平台中負責資料儲存和處理的核心元件,能夠承擔傳統CPU的部分資料處理任務,提升整體計算效率。該DPU整合了ARM架構的處理器核心和專用的資料處理引擎,支援對儲存資料的即時加密、壓縮和格式轉換,能夠大幅提升資料處理的效率。在AI計算場景中,大量的訓練資料需要從儲存裝置中讀取並進行預處理,這一過程往往會佔用大量的CPU資源。BlueField-4 DPU通過將資料預處理任務從CPU解除安裝到DPU,能夠將CPU的佔用率降低40%以上,讓CPU能夠專注於核心的計算任務。此外,BlueField-4 DPU還支援儲存虛擬化技術,能夠對不同類型的儲存裝置進行統一管理,提升了儲存資源的利用率和可擴展性。2.2.6 Spectrum-6乙太網路交換機:高速網路的“骨幹支撐”Spectrum-6乙太網路交換機是Rubin平台的網路骨幹元件,支援100Gb/s和200Gb/s的乙太網路速率,能夠為大規模的AI計算叢集提供高速、穩定的網路連線。該交換機採用了全新的晶片架構,支援高密度連接埠設計,單個交換機最多可提供64個200Gb/s連接埠,能夠滿足大規模計算叢集的網路需求。Spectrum-6乙太網路交換機還支援先進的流量控制技術,能夠根據不同AI任務的網路需求,動態調整網路頻寬分配,確保關鍵任務的網路資源供應。此外,該交換機還整合了網路安全功能,支援對網路流量的即時監控和威脅檢測,能夠有效防範網路攻擊,保障AI計算叢集的網路安全。2.3 五大關鍵技術:Rubin平台性能突破的核心驅動力Rubin平台之所以能夠實現性能與成本的雙重突破,關鍵在於五大核心技術的深度融合。這五大技術相互協同,共同建構了Rubin平台的技術壁壘。2.3.1 新一代NVLink互連技術:打破資料傳輸瓶頸如前文所述,新一代NVLink互連技術是Rubin平台的核心技術之一。該技術通過提升資料傳輸頻寬和降低延遲,實現了多晶片之間的高效協同。與上一代技術相比,NVLink 6不僅在硬體性能上實現了躍升,還通過軟體層面的最佳化,實現了對多晶片叢集的高效管理。例如,輝達推出的NVLink Fabric Manager軟體,能夠即時監控多晶片之間的資料傳輸狀態,動態調整傳輸路徑,確保資料傳輸的高效和穩定。在實際應用場景中,新一代NVLink互連技術的優勢尤為明顯。以訓練千億參數的大模型為例,採用NVLink 6互連技術的Rubin平台,能夠將資料同步時間縮短60%以上,大幅提升了訓練效率。同時,由於資料傳輸延遲的降低,平台能夠支援更大規模的晶片叢集,進一步提升了整體計算能力。2.3.2 第三代Transformer引擎:AI任務的高效加速器第三代Transformer引擎是Rubin GPU的核心技術,專為Transformer架構的AI模型進行了深度最佳化。Transformer架構是當前大模型的主流架構,廣泛應用於自然語言處理、電腦視覺等領域。第三代Transformer引擎通過硬體層面的創新,實現了對Transformer模型中關鍵運算的加速。具體來看,第三代Transformer引擎最佳化了矩陣乘法和softmax運算的硬體實現方式,將這兩種運算的效率提升了50%以上。同時,該引擎還支援混合精度計算,能夠在保證計算精度的前提下,採用更低精度的資料格式進行運算,進一步提升了計算效率和能效比。在處理自然語言處理任務時,採用第三代Transformer引擎的Rubin GPU,能夠將推理速度提升3倍以上,推理成本降低70%以上。2.3.3 機密計算技術:敏感資料的全流程安全防護隨著AI應用在金融、醫療等敏感行業的滲透,資料安全問題日益凸顯。Rubin平台搭載的機密計算技術,能夠為敏感AI資料提供全流程的安全防護,滿足行業合規需求。該技術基於硬體層面的加密機制,能夠在資料儲存、傳輸和計算過程中進行即時加密,確保資料不被洩露或篡改。具體來說,機密計算技術通過建構“可信執行環境”(TEE),將AI任務的計算過程限制在安全的硬體區域內。在可信執行環境中,資料和程式碼均以加密形式存在,只有經過授權的程序才能訪問。同時,該技術還支援遠端認證功能,能夠確保計算節點的硬體和軟體環境的安全性。在金融行業的AI風控場景中,機密計算技術能夠有效保護使用者的金融資料安全,避免資料洩露帶來的風險;在醫療行業的AI診斷場景中,該技術能夠保護患者的隱私資料,符合醫療資料安全的相關法規。2.3.4 RAS引擎:高負載運行下的穩定保障RAS引擎(可靠性、可用性與可維護性引擎)是Rubin平台保障穩定運行的核心技術。AI計算任務往往需要長時間的高負載運行,對平台的穩定性提出了極高的要求。RAS引擎通過硬體層面的故障檢測、錯誤糾正和冗餘設計,能夠有效提昇平台的可靠性和可用性。具體來看,RAS引擎能夠即時監控平台各元件的運行狀態,包括CPU、GPU的溫度、電壓、負載等參數,一旦發現異常,能夠及時發出告警並採取相應的措施。例如,當某個GPU出現故障時,RAS引擎能夠自動將該GPU上的任務遷移到其他正常的GPU上,確保任務的持續運行。同時,該引擎還支援錯誤糾正碼(ECC)技術,能夠自動檢測並糾正記憶體中的資料錯誤,提升資料儲存的可靠性。通過RAS引擎,Rubin平台能夠實現7x24小時的高負載穩定運行,滿足大規模AI計算任務的需求。2.3.5 代理推理專用最佳化技術:AI代理的高效支撐隨著AI代理技術的發展,AI系統需要具備更強的自主決策和任務執行能力。Rubin平台通過Vera CPU和專用的代理推理最佳化技術,為AI代理的高效運行提供了堅實的支撐。該技術能夠最佳化AI代理的任務調度邏輯,提升代理的決策效率和響應速度。具體來說,代理推理專用最佳化技術通過建構專用的任務調度模型,能夠根據任務的優先順序和資源需求,動態分配計算、儲存和網路資源。同時,該技術還支援多代理協同工作,能夠實現多個AI代理之間的高效通訊和協作。在智能客服場景中,採用該技術的AI代理能夠快速響應使用者的需求,精準處理使用者的問題;在自動駕駛場景中,AI代理能夠即時分析路況,做出快速、精準的決策,保障行駛安全。2.4 Rubin平台與前代平台及競品的對比分析為了更清晰地展現Rubin平台的優勢,我們將其與輝達前代Blackwell平台以及市場上的主要競品進行對比分析。2.4.1 與Blackwell平台的對比從性能指標來看,Rubin平台的訓練性能達到Blackwell平台的3.5倍,運行軟體性能提升5倍,推理每Token生成成本降低10倍。在核心技術方面,Rubin平台採用了新一代的NVLink 6互連技術、第三代Transformer引擎等,而Blackwell平台採用的是NVLink 5互連技術和第二代Transformer引擎。此外,Rubin平台新增了專為代理推理設計的Vera CPU,進一步拓展了平台的應用場景。從應用場景來看,Blackwell平台主要面向大規模大模型訓練場景,而Rubin平台不僅在大模型訓練方面表現更優,還在推理場景和AI代理場景中具備顯著優勢。例如,在推理場景中,Rubin平台的低成本優勢能夠推動AI應用的規模化普及;在AI代理場景中,Vera CPU的加入能夠提升AI代理的運行效率。2.4.2 與市場主要競品的對比當前市場上的主要競品包括亞馬遜的Trainium晶片、Google的TPU v5、寒武紀的思元590等。與這些競品相比,Rubin平台具有以下優勢:一是性能優勢。Rubin平台的訓練性能和推理效率均領先於市場上的主要競品。例如,與GoogleTPU v5相比,Rubin平台的訓練性能提升2.8倍,推理效率提升3.2倍。二是架構優勢。Rubin平台採用了一體化協同架構,由6款核心晶片協同工作,而競品大多採用單一晶片或簡單的晶片堆疊設計,協同效率較低。三是生態優勢。輝達擁有完善的CUDA-X AI軟體生態,能夠為Rubin平台提供豐富的演算法庫和工具集,而競品的軟體生態相對薄弱,難以滿足多樣化的AI應用需求。四是成本優勢。Rubin平台通過技術創新,大幅降低了推理成本,相比競品,其推理每Token生成成本降低了50%以上。當然,Rubin平台也存在一定的挑戰。例如,其硬體成本相對較高,對於中小企業來說,初期投入較大;此外,平台的部分技術處於領先地位,相關的人才儲備相對不足,可能會影響平台的推廣和應用。二、全產業鏈解析Rubin平台帶動的百兆AI算力生態Rubin平台的推出,不僅自身具備強大的性能優勢,還將帶動整個AI算力產業鏈的發展。AI算力產業鏈涵蓋上游核心硬體、中游算力服務、下游應用場景等多個環節,Rubin平台將通過技術溢出效應,為產業鏈各環節帶來新的發展機遇。3.1 上游核心硬體環節:晶片、零部件與材料的機遇上游核心硬體環節是AI算力產業鏈的基礎,主要包括晶片設計、晶圓製造、封裝測試、零部件(如光模組、PCB、散熱器等)和材料(如光刻膠、靶材等)。Rubin平台的大規模量產,將大幅拉動上游核心硬體的需求。3.1.1 晶片設計與製造Rubin平台的6款核心晶片均由輝達自主設計,採用台積電的先進製程工藝(3nm製程)。隨著Rubin平台的大規模量產,台積電的3nm產能將得到充分釋放,同時也將帶動相關晶片設計工具廠商的發展。例如,Synopsys、Cadence等晶片設計EDA工具廠商,將為輝達的晶片設計提供技術支撐。此外,國內的晶片設計廠商也將受益於Rubin平台的技術溢出效應,通過學習和借鑑輝達的晶片設計理念,提升自身的技術水平。3.1.2 封裝測試Rubin平台的晶片採用了先進的CoWoS封裝技術,這種封裝技術能夠實現晶片的高密度整合,提升晶片的性能和可靠性。隨著Rubin平台的量產,CoWoS封裝的需求將大幅增長,帶動封裝測試廠商的發展。例如,日月光、ASE、長電科技等封裝測試廠商,將為Rubin平台的晶片提供封裝測試服務。此外,封裝測試所需的相關裝置和材料,如封裝基板、鍵合絲等,也將迎來新的發展機遇。3.1.3 零部件Rubin平台的大規模部署,將帶動光模組、PCB、散熱器等零部件的需求。光模組方面,Rubin平台的ConnectX-9 SuperNIC和Spectrum-6乙太網路交換機均需要高速光模組的支撐,200Gb/s及以上速率的光模組需求將大幅增長,受益廠商包括中際旭創、新易盛、天孚通訊等。PCB方面,由於Rubin平台的晶片整合度高,對PCB的性能要求也更高,高多層、高密度的PCB需求將增加,受益廠商包括深南電路、滬電股份、生益科技等。散熱器方面,Rubin平台的高負載運行需要高效的散熱解決方案,液冷散熱器的需求將增長,受益廠商包括曙光數創、高瀾股份、英維克等。3.1.4 材料晶片製造和封裝測試所需的材料,如光刻膠、靶材、拋光液等,也將隨著Rubin平台的量產而需求增長。光刻膠方面,台積電3nm製程需要使用先進的EUV光刻膠,受益廠商包括東京應化、信越化學、南大光電等。靶材方面,晶片製造所需的銅靶、鋁靶、鈦靶等需求將增加,受益廠商包括江豐電子、有研新材、阿石創等。拋光液方面,晶片製造過程中的晶圓拋光需要使用高性能的拋光液,受益廠商包括安集科技、鼎龍股份等。3.2中游算力服務環節雲廠商與算力租賃的爆發中游算力服務環節是連接上游硬體和下游應用的橋樑,主要包括雲廠商的算力實例服務、專業算力租賃服務、算力調度平台等。Rubin平台的推出,將為中游算力服務環節帶來新的發展機遇。3.2.1 雲廠商的算力實例服務如華安證券行業周報所述,亞馬遜AWS、Google雲、微軟Azure和甲骨文雲四大雲巨頭已確認將於2026年率先部署基於Vera Rubin的實例。這些雲廠商將通過Rubin平台的高性能和低成本優勢,推出更具競爭力的算力服務產品。例如,亞馬遜AWS可能會推出基於Rubin平台的P4d實例,針對大規模大模型訓練和推理場景;微軟Azure可能會推出NDm v5實例,滿足企業客戶的AI算力需求。隨著雲廠商部署基於Rubin平台的算力實例,企業客戶將能夠以更低的成本獲取頂尖的AI算力,這將進一步推動AI應用的規模化普及。同時,雲廠商的算力服務收入也將迎來大幅增長,根據摩根士丹利的預測,2026年全球雲廠商的AI算力服務收入將達到30兆元,其中基於Rubin平台的算力服務收入將佔比超過40%。3.2.2 專業算力租賃服務除了雲廠商,CoreWeave、Lambda、Nebius和Nscale等專業AI算力租賃廠商也將跟進部署Rubin平台。這些專業廠商主要面向AI創業公司、中小企業和科研機構,為其提供靈活的算力租賃服務。與雲廠商相比,專業算力租賃廠商的服務更加專注於AI場景,能夠提供更個性化的解決方案。Rubin平台的低成本優勢將使專業算力租賃廠商能夠降低服務價格,吸引更多的客戶。例如,CoreWeave可能會推出基於Rubin平台的算力租賃套餐,價格相比基於Blackwell平台的套餐降低50%以上。這將為AI創業公司和中小企業提供更多的創新機會,推動AI技術的創新和應用。3.2.3 算力調度平台隨著AI算力需求的增長,算力調度平台的重要性日益凸顯。算力調度平台能夠實現對分散算力資源的整合和調度,提升算力資源的利用率。Rubin平台的推出,將對算力調度平台提出更高的要求,同時也將推動算力調度平台的發展。國內的算力調度平台廠商如平行科技、優刻得等,將需要針對Rubin平台的特性進行技術最佳化,實現對基於Rubin平台的算力資源的高效調度。同時,算力調度平台還將與雲廠商和專業算力租賃廠商合作,建構多元化的算力資源池,為客戶提供一站式的算力服務。3.3 下游應用場景環節AI應用的規模化普及下游應用場景環節是AI算力產業鏈的終端,涵蓋網際網路、金融、醫療、製造、自動駕駛、教育、環保等多個領域。Rubin平台通過降低算力成本,將推動這些領域AI應用的規模化普及。3.3.1 網際網路領域:大模型應用的深化網際網路領域是AI應用的先行領域,也是算力需求的主要來源之一。Rubin平台的推出,將推動網際網路領域大模型應用的深化。例如,在自然語言處理領域,基於Rubin平台的大模型能夠實現更精準的語音識別、機器翻譯、文字生成等功能;在電腦視覺領域,大模型能夠實現更高效的圖像識別、視訊分析、目標檢測等功能。國內的網際網路企業如百度、阿里、騰訊等,將利用Rubin平台的算力優勢,進一步提升其大模型的性能和應用體驗。例如,百度的文心一言大模型可能會基於Rubin平台進行訓練和推理,提升模型的響應速度和生成質量;阿里的通義千問大模型可能會拓展更多的應用場景,如智能辦公、智能創作等。3.3.2 金融領域:智能風控與個性化服務的升級金融領域是AI應用的重要場景,Rubin平台的機密計算技術能夠滿足金融領域的資料安全需求,推動智能風控、個性化服務等應用的升級。在智能風控場景中,基於Rubin平台的AI模型能夠即時分析使用者的交易資料,精準識別風險交易,降低金融機構的風險損失;在個性化服務場景中,AI模型能夠根據使用者的需求和偏好,提供個性化的金融產品推薦和服務。國內的金融IT企業如同花順、恆生電子、東方財富等,將受益於Rubin平台的推出。例如,同花順可能會基於Rubin平台最佳化其智能投顧產品,提升產品的精準度和使用者體驗;恆生電子可能會推出基於Rubin平台的智能風控解決方案,為金融機構提供更高效的風險防控服務。3.3.3 醫療領域:AI診斷與藥物研發的突破醫療領域的AI應用能夠提升醫療服務的效率和質量,Rubin平台的高性能和低成本優勢將推動醫療領域AI應用的突破。在AI診斷場景中,基於Rubin平台的AI模型能夠快速分析醫學影像,精準識別疾病,輔助醫生做出診斷;在藥物研發場景中,AI模型能夠模擬藥物分子的相互作用,縮短藥物研發周期,降低研發成本。國內的醫療AI企業如推想科技、鷹瞳科技、藥明康德等,將利用Rubin平台的算力優勢,提升其產品的性能和競爭力。例如,推想科技的肺部AI診斷產品可能會基於Rubin平台進行最佳化,提升診斷的精準率和速度;藥明康德可能會利用Rubin平台加速藥物研發處理程序,推出更多的創新藥物。3.3.4 製造領域:工業質檢與智能生產的普及製造領域的AI應用能夠提升生產效率和產品質量,Rubin平台的推出將推動工業質檢、智能生產等應用的普及。在工業質檢場景中,基於Rubin平台的AI模型能夠即時檢測產品的缺陷,提高質檢的效率和精準率;在智能生產場景中,AI模型能夠最佳化生產流程,實現生產資源的合理配置。國內的工業軟體企業如用友網路、鼎捷數智、賽意資訊等,將受益於Rubin平台的推出。例如,用友網路可能會基於Rubin平台最佳化其工業網際網路平台,為製造企業提供更高效的智能生產解決方案;鼎捷數智可能會推出基於Rubin平台的工業質檢產品,幫助製造企業提升產品質量。3.3.5 自動駕駛領域:高階自動駕駛的落地自動駕駛領域對算力的需求極高,Rubin平台的高性能和低延遲優勢將推動高階自動駕駛的落地。根據華安證券行業周報資訊,聯想車計算與韓國SWM合作的L4級自動駕駛計程車平台基於NVIDIA DRIVE AGX Thor晶片,而Rubin平台的推出將進一步提升自動駕駛系統的算力和效率。國內的自動駕駛企業如小鵬汽車、理想汽車、蔚來汽車等,以及自動駕駛解決方案提供商如Mobileye、小馬智行等,將利用Rubin平台的算力優勢,提升自動駕駛系統的性能。例如,小鵬汽車的XNGP自動駕駛系統可能會基於Rubin平台進行升級,實現更複雜路況下的自動駕駛;小馬智行可能會推出基於Rubin平台的L4級自動駕駛解決方案,加速自動駕駛的商業化落地。3.3.6 教育與環保領域:公益應用的拓展除了商業領域,Rubin平台還將推動AI在教育、環保等公益領域的應用拓展。在教育領域,基於Rubin平台的AI模型能夠實現個性化教學,為學生提供定製化的學習方案;在環保領域,AI模型能夠即時監測環境資料,預測環境變化,為環境保護提供決策支援。國內的教育科技企業如好未來、新東方等,可能會基於Rubin平台最佳化其線上教育產品,提升教學效果;環保科技企業如聚光科技、先河環保等,可能會利用Rubin平台的算力優勢,提升環境監測和分析的效率。三、AI應用普及分析Rubin平台驅動的產業變革4.1 AI應用普及的核心驅動力:成本降低與性能提升Rubin平台對AI應用普及的核心驅動作用,源於其在成本降低和性能提升方面的雙重突破。一方面,推理每Token生成成本相比Blackwell平台降低10倍,這將大幅降低AI應用的營運成本,使更多的企業和機構能夠負擔得起AI技術的應用;另一方面,訓練性能提升3.5倍,運行軟體性能提升5倍,這將提升AI應用的體驗和效率,拓展AI應用的場景範圍。以智能客服場景為例,此前基於Blackwell平台的AI客服系統,由於推理成本較高,僅大型企業能夠應用。Rubin平台推出後,推理成本降低10倍,中小企業也能夠部署AI客服系統,實現客戶服務的自動化。同時,性能的提升使AI客服能夠更準確地理解使用者的需求,提供更優質的服務,進一步推動智能客服的普及。再以藥物研發場景為例,傳統藥物研發周期長達10年以上,成本高達數十億美元。基於Rubin平台的AI模型能夠大幅縮短藥物研發周期,降低研發成本。例如,利用Rubin平台訓練的藥物研發模型,能夠在幾個月內完成傳統方法需要數年的藥物篩選工作,研發成本降低50%以上。這將推動更多的製藥企業採用AI技術,加速藥物研發處理程序,為人類健康帶來更多的福祉。4.2 不同行業AI應用普及的路徑與節奏由於不同行業的數位化水平、算力需求和合規要求存在差異,Rubin平台驅動的AI應用普及將呈現不同的路徑和節奏。4.2.1 網際網路行業:快速普及,深度滲透網際網路行業的數位化水平高,算力需求旺盛,且對新技術的接受度高。Rubin平台推出後,網際網路行業將成為AI應用普及的先行領域,實現快速普及和深度滲透。預計在2026年,網際網路行業的AI應用滲透率將達到80%以上,涵蓋內容推薦、智能客服、語音識別、圖像分析等多個場景。4.2.2 金融與醫療行業:穩步推進,合規優先金融和醫療行業對資料安全和合規要求較高,雖然Rubin平台的機密計算技術能夠滿足其合規需求,但由於行業特性,AI應用普及將穩步推進。預計在2026-2027年,金融行業的AI應用滲透率將達到60%以上,主要集中在智能風控、個性化服務等場景;醫療行業的AI應用滲透率將達到50%以上,主要集中在AI診斷、藥物研發等場景。4.2.3 製造與自動駕駛行業:逐步落地,場景拓展製造和自動駕駛行業的AI應用需要與實體經濟深度融合,涉及到硬體裝置的升級和流程的改造,普及節奏相對較慢。預計在2027-2028年,製造行業的AI應用滲透率將達到50%以上,主要集中在工業質檢、智能生產等場景;自動駕駛行業的L4級自動駕駛將實現規模化落地,滲透率達到30%以上。4.2.4 教育與環保行業:公益引領,逐步推廣教育和環保行業的AI應用更多地體現公益屬性,需要政府和社會的推動。預計在2028年以後,隨著算力成本的進一步降低和技術的成熟,教育和環保行業的AI應用將逐步推廣,滲透率將達到40%以上。4.3 AI應用普及帶來的社會與經濟影響Rubin平台驅動的AI應用普及,將對社會和經濟產生深遠的影響。4.3.1 經濟影響:推動產業升級,促進經濟增長AI應用的規模化普及將推動各行業的產業升級,提升生產效率和產品質量。根據麥肯錫的預測,到2030年,AI技術將為全球經濟貢獻13兆美元的價值。Rubin平台作為推動AI應用普及的關鍵引擎,將在其中發揮重要作用。例如,在製造行業,AI應用能夠提升生產效率20-30%;在金融行業,智能風控能夠降低風險損失15-20%。同時,AI應用的普及還將催生新的產業和商業模式,創造新的就業機會。例如,AI算力服務、AI諮詢服務等新興產業將迎來快速發展;AI訓練師、AI維運工程師等新職業將不斷湧現。4.3.2 社會影響:提升生活質量,促進社會進步AI應用的普及將提升人們的生活質量,為社會進步帶來新的動力。在醫療領域,AI診斷能夠提高疾病的早期診斷率,降低死亡率;在教育領域,個性化教學能夠滿足不同學生的學習需求,提升教育質量;在環保領域,AI監測能夠及時發現環境問題,推動環境保護。此外,AI應用還將推動社會治理的智能化升級。例如,在城市管理領域,AI技術能夠實現交通流量的智能調度、公共安全的即時監測,提升城市管理效率;在政務服務領域,AI技術能夠實現政務流程的簡化和最佳化,提升政務服務水平。四、國內外AI算力基礎設施及應用相關標的梳理基於前文的產業鏈分析,我們梳理了國內外AI算力基礎設施及應用相關的核心標的,涵蓋上游核心硬體、中游算力服務、下游應用場景等多個環節,為投資者提供參考。5.1 國內相關標的5.1.1 上游核心硬體環節1. 晶片設計:寒武紀(688256)、壁仞科技(未上市)、沐曦積體電路(未上市)。寒武紀是國內AI晶片設計的領軍企業,其思元系列晶片在國內市場具有較高的知名度和市場份額,能夠為國內企業提供AI算力支撐。2. 晶圓製造:中芯國際(688981)。中芯國際是國內規模最大、技術最先進的晶圓製造企業,雖然目前的製程工藝與台積電存在差距,但隨著技術的不斷進步,將逐步滿足國內部分AI晶片的製造需求。3. 封裝測試:長電科技(600584)、通富微電(002156)、華天科技(002185)。長電科技是國內封裝測試行業的龍頭企業,具備先進的CoWoS封裝技術能力,能夠為AI晶片提供封裝測試服務。4. 光模組:中際旭創(300308)、新易盛(300502)、天孚通訊(300394)。中際旭創是全球光模組行業的領軍企業,其200Gb/s及以上速率的光模組產品能夠滿足Rubin平台的網路需求。5. PCB:深南電路(002916)、滬電股份(002463)、生益科技(600183)。深南電路是國內高多層、高密度PCB的龍頭企業,能夠為AI晶片和伺服器提供高品質的PCB產品。6. 散熱器:曙光數創(872808)、高瀾股份(300499)、英維克(002837)。曙光數創是國內液冷散熱器的領軍企業,其液冷解決方案能夠滿足AI伺服器的高散熱需求。7. 材料:江豐電子(300666)、有研新材(600206)、安集科技(688019)。江豐電子是國內高純濺射靶材的龍頭企業,其產品能夠滿足晶片製造的需求。5.1.2 中游算力服務環節1. 雲廠商:阿里雲(阿里巴巴,9988.HK)、騰訊雲(騰訊控股,0700.HK)、百度智能雲(百度集團,9888.HK)。國內三大雲廠商均在積極佈局AI算力服務,將逐步部署基於Rubin平台的算力實例,為國內企業提供AI算力服務。2. 專業算力租賃:平行科技(839493)、優刻得(688158)。平行科技是國內專業的算力調度和租賃服務提供商,能夠為AI創業公司和中小企業提供靈活的算力租賃服務。3. 算力基礎設施:中科曙光(603019)、浪潮資訊(000977)、紫光股份(000938)。中科曙光是國內高性能計算領域的領軍企業,其超級電腦產品能夠為AI計算提供強大的算力支撐。5.1.3 下游應用場景環節1. 網際網路領域:百度集團(9888.HK)、阿里巴巴(9988.HK)、騰訊控股(0700.HK)。國內三大網際網路巨頭均在積極推進大模型的研發和應用,將利用Rubin平台的算力優勢,提升大模型的性能和應用體驗。2. 金融領域:同花順(300033)、恆生電子(600570)、東方財富(300059)。同花順是國內金融資訊服務領域的龍頭企業,其智能投顧產品將受益於Rubin平台的推出,提升產品的精準度和使用者體驗。3. 醫療領域:推想科技(688212)、鷹瞳科技(688297)、藥明康德(603259)。推想科技是國內醫療AI領域的領軍企業,其肺部AI診斷產品將基於Rubin平台進行最佳化,提升診斷的精準率和速度。4. 製造領域:用友網路(600588)、鼎捷數智(300378)、賽意資訊(300687)。用友網路是國內工業軟體領域的龍頭企業,其工業網際網路平台將基於Rubin平台最佳化,為製造企業提供更高效的智能生產解決方案。5. 自動駕駛領域:小鵬汽車(XPEV.US)、理想汽車(LI.US)、蔚來汽車(NIO.US)、小馬智行(未上市)。國內的自動駕駛企業將利用Rubin平台的算力優勢,提升自動駕駛系統的性能,加速高階自動駕駛的落地。6. 其他領域:金山辦公(688111)、焦點科技(002315)、阜博集團(3738.HK)。金山辦公的辦公軟體產品將融入AI功能,提升使用者的辦公效率;焦點科技的跨境電商平台將利用AI技術提昇平台的營運效率和使用者體驗。5.2 國外相關標的5.2.1 上游核心硬體環節1. 晶片設計:輝達(NVDA.US)、AMD(AMD.US)、英特爾(INTC.US)。輝達是全球AI晶片設計的領軍企業,Rubin平台的推出將進一步鞏固其市場地位;AMD和英特爾也在積極佈局AI晶片領域,與輝達形成競爭。2. 晶圓製造:台積電(TSM.US)、三星電子(SSNLF.OTCMKTS)。台積電是全球最先進的晶圓製造企業,Rubin平台的晶片採用台積電的3nm製程工藝;三星電子也在積極推進先進製程工藝的研發,與台積電形成競爭。3. 封裝測試:日月光(ASE.US)、安靠(AMKR.US)。日月光是全球封裝測試行業的龍頭企業,具備先進的CoWoS封裝技術能力,為Rubin平台的晶片提供封裝測試服務。4. 光模組:Finisar(FNSR.US)、Lumentum(LITE.US)。Finisar是全球光模組行業的領軍企業,其高速光模組產品能夠滿足Rubin平台的網路需求。5.2.2 中游算力服務環節1. 雲廠商:亞馬遜(AMZN.US)、Google(GOOGL.US)、微軟(MSFT.US)、甲骨文(ORCL.US)。全球四大雲巨頭已確認部署基於Rubin平台的算力實例,將為全球使用者提供頂尖的AI算力服務。2. 專業算力租賃:CoreWeave(未上市)、Lambda(未上市)。CoreWeave是全球專業AI算力租賃領域的領軍企業,將部署基於Rubin平台的算力資源,為客戶提供低成本的算力租賃服務。5.2.3 下游應用場景環節1. 網際網路領域:Meta(META.US)、Google(GOOGL.US)、微軟(MSFT.US)。這些網際網路巨頭均在積極推進大模型的研發和應用,將利用Rubin平台的算力優勢,提升大模型的性能和應用體驗。2. 金融領域:摩根大通(JPM.US)、高盛(GS.US)、花旗集團(C.US)。這些國際金融巨頭將利用Rubin平台的算力優勢,最佳化其智能風控和個性化服務系統。3. 醫療領域:強生(JNJ.US)、輝瑞(PFE.US)、默克(MRK.US)。這些國際製藥巨頭將利用Rubin平台加速藥物研發處理程序,推出更多的創新藥物。4. 自動駕駛領域:特斯拉(TSLA.US)、通用汽車(GM.US)、福特汽車(F.US)。這些國際汽車企業將利用Rubin平台的算力優勢,提升自動駕駛系統的性能,加速高階自動駕駛的落地。五、未來展望展望未來,Rubin平台將成為推動全球AI算力產業發展的核心引擎,帶動百兆規模AI算力生態的建構。在技術層面,輝達將持續最佳化Rubin平台的性能,推出更先進的技術和產品,進一步提昇平台的競爭力;在產業鏈層面,Rubin平台將帶動上游核心硬體、中游算力服務、下游應用場景等多個環節的協同發展,形成完善的AI算力產業生態;在應用層面,AI應用將實現規模化普及,滲透到社會經濟的各個領域,推動產業升級和社會進步。對於國內企業來說,應抓住Rubin平台帶來的發展機遇,加強技術研發,提升自身的核心競爭力。在硬體領域,加快先進製程工藝的研發,突破關鍵零部件和材料的技術瓶頸;在軟體領域,建構完善的AI軟體生態,提升對Rubin平台的適配能力;在應用領域,積極探索AI技術在各行業的應用場景,推動AI應用的規模化普及。同時,政府應加強政策支援,完善相關法律法規,為AI算力產業的發展創造良好的環境。總之,Rubin平台的推出標誌著AI算力產業進入了新的發展階段,百兆規模的AI算力生態正在加速形成。在這一過程中,企業、政府和社會各界應加強合作,共同推動AI算力產業的健康發展,為全球經濟和社會的進步做出更大的貢獻。 (AI雲原生智能算力架構)
黃仁勳的願景由中國企業來實現:千POPS級晶片算力時代要來了
“AI開始展現出思維鏈能力,這意味著AI在給出答案前,需要消耗大量的算力進行多步推理、反思和規劃。”在CES發佈會上,輝達CEO黃仁勳關於算力需求的話音剛落,在大洋彼岸的中國就傳來了算力技術革命突破的大新聞——玻璃光計算晶片迎來重大進展!或許你已經猜到了,主角就是光本位。相信不少朋友都看到了這個新聞,近日光本位科技宣佈玻璃光計算晶片研發獲重大突破,以玻璃替代矽作為晶片襯底,有望打破傳統矽光平台的性能瓶頸。該晶片採用相變材料與玻璃襯底整合技術,200mm×200mm規格算力達2600POPS,是GoogleTPU的1400倍、輝達H200(非稀疏化)的1300倍,能效比超1000TOPS/W,較傳統AI推理晶片提升200倍以上。這些概念和數字可能會把讀者繞暈,這些到底是啥啥啥?為什麼會被各大媒體廣泛報導?別著急,我用1分鐘給讀者朋友把邏輯和概念釐清楚。大家都知道,人工智慧時代,不管是訓練大模型、自動駕駛識別路況,還是手機跑複雜AI功能,都需要海量算力,算力已經成為AI時代競爭的核心。而現在的矽基電子晶片(我們手機、電腦等裝置用的都是矽基晶片),電子傳輸會發熱甚者“堵車”,算力提升越來越難,這就像一條擠滿車的公路,再寬也有上限。所以這幾年算力的提升幅度就像擠牙膏一樣,以我們熟悉的智駕行業為例,華為、理想、小鵬、蔚來等企業,算力做到了500到2000TOPS,就已經是行業標竿了,而且是多塊晶片疊加的結果。聰明的你或許想到了一個方向:既然矽基晶片有這樣那樣的限制,那就想辦法實現光速傳輸啊!沒錯,下一個發展方向就是光晶片。光晶片靠光子傳資料,速度快、不發熱、不干擾,能輕鬆實現超大算力。到這裡或許有人要問了,那實現光晶片落地,需要啥材質承載呢?這個問題困擾了全球科學家多年,試驗了多種材料,比如磷化銦、薄膜鈮酸鋰等。直到這次光本位實現玻璃襯底突破,才讓業界看到這項技術商用的無限可能。玻璃光晶片,相當於給光子鋪了超順滑的專用跑道,還能搭出三維“資訊立交橋”,讓更多資料同時跑,完美適配未來AI對算力的爆發式需求,這就是它的核心突破價值。所以,光晶片相比矽晶片,壓根就不是彎道超車,而是完全換了一條賽道。值得一提的是,這項突破早已不是實驗室概念:光本位成立三年已完成五輪融資,獲得國資基金加持,第一代光電融合計算卡已拿到大模型公司訂單,第二代產品更是對標輝達旗艦。就在上周,上海市委書記陳吉寧還察看了這款玻璃光計算晶片,而上海本身就聚集了全國半壁江山積體電路創新資源,為技術落地提供了完善的產業鏈支撐。這一系列訊號都說明,玻璃光晶片已經具備大規模商用的條件。01. 錨定AI推理黃金賽道,開啟全光時代光本位科技的光計算產品,精準瞄準了AI產業的核心剛需——AI推理場景。小到語音助手的即時應答,大到智駕系統的路況識別,推理貫穿了AI落地的每一個環節。據預測,到2030年推理將佔據全球AI計算總量的75%,對應的市場規模高達2550億美元,這無疑是一片兆級的藍海市場。資本的嗅覺向來敏銳。在多數光計算初創企業還在為融資絞盡腦汁時,成立僅三年的光本位科技已完成五輪融資,頭部VC、國內網際網路巨頭、上海蘇州兩地國資基金三類資本爭相入局。更值得關注的是,光本位並未止步於單一晶片,而是提出打造下一代全光計算系統的目標。也就是讓所有AI計算任務都通過光來完成,一舉打破算力、能效比與計算效率的三重天花板。無獨有偶,上海交通大學近期也在全光計算晶片領域取得突破,產業與學術的同頻共振,似乎正在宣告:一場堪比新能源汽車的AI算力革命,正悄然拉開序幕。02. 玻璃襯底擊穿矽基瓶頸:1400倍算力+高能效比突破1400倍算力、200倍能效比、儲存6.5億個計算單元……這組驚豔的數字,是玻璃光計算晶片交出的成績單,而其核心突破,正是用玻璃替代矽作為晶片襯底。此前,全球光計算企業都選擇矽基平台,只因它能相容成熟的CMOS工藝,但矽的物理侷限也顯而易見:晶片矩陣規模從64×64升級到128×128,足足耗時三年。光本位聯合創始人程唐盛曾在牛津大學攻讀材料科學與工程博士,期間帶領團隊開發了新型相變材料,並實現了相變材料光晶片大規模整合。為什麼光本位科技選擇用玻璃代替矽再次掀起科技革命?在程唐盛看來這是要讓光計算產品在性能上遠超世界上現有用於AI推理場景的主流電計算產品,只有這樣AI計算才會迎來“光的時代”。玻璃擁有平整性、熱穩定性、寬光譜透明等天然優勢,連輝達、英特爾等巨頭都在探索用玻璃提升產品性能。更關鍵的是,玻璃能通過奈米壓印工藝突破矽基晶片的尺寸限制。矽光晶片最大隻能做到32mm×25mm,而光本位的玻璃晶片直接做到200mm×200mm,輕鬆容納更多計算單元。據程唐盛介紹,200mmx200mm的玻璃光計算晶片算力可達2600POPS,是GoogleTPU的1400倍,是輝達H200(非稀疏化)的1300倍,根據AI推理市場需求和工藝發展趨勢預測晶片尺寸仍有數倍擴大空間。能效比方面,光本位科技利用相變材料的非易失性實現了光計算晶片零靜態功耗,只需一次電驅動即可執行完一個AI計算任務。由於玻璃的非線性光學效應極弱,因此光的波導傳播損耗極低,在晶片設計時可選擇小功率的雷射器,此外玻璃在介電損耗、透光率、平整性、熱穩定性等方面的優勢也能進一步降低晶片功耗。程唐盛預測,200mm×200mm玻璃光計算晶片的能效比可以超過1000TPOS/W,相當於TPU的200倍以上。同時,“存算一體”架構讓計算單元直接變身儲存單元,6.5億個單元可儲存海量模型參數,徹底打破馮·諾依曼體系的“記憶體牆”,資料無需反覆讀取,算力自然快到飛起。03. 玻璃光計算:定義下一代AI算力規則玻璃光計算晶片的突破,只是光本位科技的“第一步棋”,其終極目標是拿下下一代AI計算技術標準的定義權。目前,光本位已完成光波導等光學器件在玻璃上的製備驗證,波導損耗甚至低於矽光平台,還打通了上下游產業鏈——上游與奈米壓印廠商聯合最佳化工藝,下游與大企業形成“研發-應用”雙向反饋機制,為全光計算系統的落地築牢基礎。所謂全光計算系統,就是讓光訊號在光域內完成反覆計算與動態暫存,改變光計算只能做“單個計算核心”的現狀,使其成為能直接運行完整大模型的計算平台。對比傳統全光計算的兩種思路,玻璃方案的優勢堪稱碾壓:它既解決了三五族平台電晶體密度不足的問題,又突破了固定場景的應用限制,晶片參數可根據不同模型即時調整,適配性更強;同時,玻璃的低翹曲率、低熱膨脹係數特性,能輕鬆整合不同平台晶片,滿足全光計算的複雜需求。對於光計算的未來,程唐盛認為,玻璃光計算晶片將改變當今光計算產品的“電主光輔”架構,形成“光電融合,以光為主”甚至“全光”的計算叢集架構,而光本位科技的“星辰大海”是為不同類型使用者提供全場景覆蓋的全端光計算解決方案,小到給C端使用者提供50P+算力的玻璃光計算盒子,等同於一個家用小型資料中心,可以驅動人形機器人等,也可以為大模型公司等提供500P+算力的“光算+光連”方案,甚至可以為政府或者大型企業通過“光算+光連+光傳”方案建設一個5000P+算力的大型資料中心。這場以光為主的算力革命,或將讓中國企業在全球AI競爭中,進入舞台中央。 (丁道師)
中信建投:量子計算產業規模有望保持高複合增長,市場增長潛力可觀
量子計算有望迎來高複合增長階段,市場增長潛力可觀。根據光子盒研究院預測,量子計算有望進入高複合增長階段,全球量子計算產業規模有望從2024年的50億美元左右,增長至2035年的8000億美元左右,佔據量子科技近90%的份額,成為其主要增長引擎。產業鏈上游發展相對成熟、增長顯著,下游處於產業初期,增長潛力巨大,有望從2024年的2.7億美元,逐步增長到2035年的2026.7億美元。量子計算招標市場聚焦上游關鍵裝置,下游科研領域應用最為主流。產業規模有望保持高複合增長,市場增長潛力可觀1.上游發展相對成熟、下游成長潛力大,2035年全球量子計算市場規模有望超8000億美元量子計算產業規模增長潛力大,2035年有望超過8000億美元。根據光子盒研究院資料,2024年,全球量子科技產業整體規模將達到80億美元,2024-2035年複合增長率將達到53.76%,到2035年量子總產業規模將有望達到9089.1億美元。2024年,量子計算產業規模達到50.37億美元,其中,北美量子計算產業規模佔比為29.73%,歐洲佔28.83%,中國佔比25.30%,亞太地區(除中國)佔比12.24%、其他地區佔比3.90%。2035年,量子計算產業規模有望達到8077.5億美元。產業上游呈現出顯著增長態勢,下游增長處於起步初期、潛力巨大。量子計算產業鏈上游市場總規模由2024年的20.4億美元增長到2035年2527.2億美元。其中,2035年,量子位元環境系統有望增長到687.3億美元,量子測控系統有望增長到996.2億美元,量子晶片有望增長到794.2億美元。下游市場正處在起步階段,各細分領域市場規模較小,但發展潛力大,有望從2024年的2.7億美元,逐步增長到2035年的2026.7億美元。2.招標市場聚焦量子計算上游領域,科研領域應用最為主流根據知了標訊,梳理近一年量子計算招標情況,篩選條件:1)公告類型:中標結果;2)項目地區:全部;3)發佈時間:近一年(截至2025年12月5日);4)搜尋範圍:標的。按照以上條件篩選出96條標訊(如附件所示),去除重複以及不合理標訊,共計89條標訊。基於上述招標情況,得出以下結論:從招標金額來看,百萬級項目居多,重點聚焦中上游關鍵裝置採購。其中,共計61條招標資訊公佈招標金額。其中,最高金額為蘇州創元量子產業發展有限公司新建量子電腦製造項目二期,主要為科研辦公樓地下車庫施工等土建工程,共計2.08億元,也是唯一超過1億元的項目。此外,中標金額在1000萬到1億之間的項目為7個,聚焦測控系統等上游關鍵裝置及元件;中標金額在100萬-1000萬資金的項目為30個;中標金額小於100萬的項目為23個,主要聚焦量子計算教研類等產品。總體來看,近一年招標項目中,並無公開具體金額的量子電腦,主要採購內容為關鍵裝置與元件、量子電腦/雲平台以及下游專業系統等,主要用於科研教學領域。從招標單位屬性來看,學校、政府及事業單位為主要招標單位,量子計算在科研領域應用為主流。其中,招標單位為國有企業共計13個、民營企業為22個、學校為28個、政府及事業單位為23個、銀行為1個以及醫院為2個。總體來看,學校及政府、事業單位(以科研機構為主)共計51個,主要用於科研領域,佔據主導地位。此外,銀行和醫院作為行業應用代表,相對來說,招標數量少,表明量子計算在醫療、金融等下游應用仍處於初期。從中標單位來看,量子計算側重基礎設施建設,產業集聚度相對較低。中標超過3次以上的企業分別是:南京乾海通訊技術有限公司(5次,量子晶片封裝、低溫測控鏈路以及微波器件研發供應)、中億豐建設集團股份有限公司(量子科技相關基礎設施建設)、北京中科弧光量子軟體技術有限公司(量子軟體、開發平台以及雲服務)、本源量子計算科技(合肥)股份有限公司(全端自主量子電腦及軟硬體、雲平台研製)以及深圳量旋科技有限公司(教育/產業級量子電腦、雲平台及軟體開發)。典型招標案例:(1)浙江大學量子計算未來學習中心裝置一批中標公告本次招標項目主要包括超導量子計算測控系統以及氦3/氦4稀釋製冷機。其中,超導量子計算測控系統分兩個供應商提供,分別為杭州正東電子(5台,共計1738萬元,單價為347.6萬元/台),杭州邏輯位元(2台,共計526萬元,單價為263萬元/台),稀釋製冷機供應商為量羲技術(3台,共計1914萬元,單價為638萬元/台)。(2)某實驗室量子電腦機時中標結果公告本次招標項目內容為某實驗室擬租賃1台量子電腦,該機器具備高保真度的量子門操作,適用於高度複雜的量子化學模擬與演算法測試,合同簽訂之日起一年或180量子計算小時全部用完。該項目中標總金額為466萬元,單價為2.59萬元/小時。(3)合肥氣象量子科技創新研究中心量子計算雲平台服務項目中標結果公告本次招標項目為合肥氣象量子技術創新研究中心量子計算平台服務,總金額為153.80萬元,中標單位為中國電信股份有限公司安徽分公司。本項目主要內容是建設面向氣象領域的專用量子計算雲平台,包含氣象門戶、學習中心、程式設計實驗室三大模組,平台支援私有化部署,支援對接外部量子計算雲平台,可實現量子計算真機的呼叫。(4)多模態醫學圖像處理與分子劑量計算測定系統中標結果公告本次招標項目為多模態圖像處理與分子計量計算測定系統,招標方為西南醫科大學附屬醫院,供應商為成都壹元科技有限公司,中標總金額為161.78萬元。(5)關於量子計算服務採購項目成交公告本次招標項目為量子計算服務,招標方為中信銀行,供應商為玻色量子。該項目細節尚未公佈,但根據玻色量子官方公眾號表明,專用計算技術在金融領域的又一次重要合作,標誌著“量子計算+金融”加速邁進商業化探索與應用新階段。(1)核心技術突破滯後風險。量子位元退相干、糾錯技術不成熟等瓶頸未破,規模化整合難度大。各技術路線均有擴展性短板,百萬級量子位元實用化目標短期難實現,制約產業進階。(2)產業生態建設不完善風險。多技術路線並存導致標準不統一,軟體工具鏈與演算法庫稀缺。核心零部件依賴進口,關鍵裝置供給受限,形成生態建設“卡脖子”隱患。(3)應用落地場景稀缺風險。量子計算多處於實驗室驗證階段,缺乏規模化商業場景。行業需求與現有算力不匹配,試點項目難複製,商業化盈利模式尚未形成。(4)政策與監管適配風險。部分國家技術出口管制趨嚴,行業標準與監管規則缺失。政策多集中研發端,應用轉化扶持不足,連續性存疑,影響產業穩定發展。(5)投入與回報失衡風險。研發需要巨額資金搭建高精度環境,企業長期虧損依賴融資。商業化回報周期模糊,投融資熱度退潮易引發資金鏈壓力,拖累產業節奏。 (中信建投證券研究)