•
2026年開年，AI晶片領域就傳出兩則重磅的消息：
埃隆·馬斯克在社交平台確認特斯拉重啟Dojo 3超級電腦項目，其表示特斯拉將成為全球最大的AI晶片廠商；
同為AI晶片行業的重要參與者Cerebras Systems則與OpenAI則與敲定了一份價值超百億美元、承諾交付750兆瓦算力的多年採購協議，該產能將在2028年前分批投入使用。
一個是自研訓練晶片的“死而復生”，一個是晶圓級系統的商業突破——兩條迥異新聞背後，讓“大晶片”這一曾被視為異類的技術路線再次站回了聚光燈下。
在AI晶片的演進史上，大晶片從來不是一個精確的技術術語，而更像是對兩種截然不同設計的概括。
一種是以Cerebras為代表的晶圓級單片整合，另一種則是特斯拉Dojo這類介於單晶片與GPU叢集之間的“晶圓級系統”。前者追求大道至簡，用一整片300毫米晶圓建構單一處理器，後者則走中間路線，通過先進封裝將多個預測試晶片整合為類單晶片系統。
這種分野的根源，在於對“記憶體牆”和“互連瓶頸”兩大痛點的不同解法。
傳統GPU架構下，處理器與記憶體的分離導致資料不斷在HBM與計算核心間往返。根據技術文獻，輝達從A100到H100，計算能力增加約6倍，但記憶體頻寬僅增長1.7倍，這種失衡讓訓練時間的主導因素從計算能力轉向了記憶體頻寬。而多GPU系統更是將這種開銷放大——即便NVLink 6.0已將單GPU頻寬推至3.6TB/s，晶片間通訊的延遲依然是片上互聯的數百倍。
2024年發佈的Cerebras WSE-3用4兆電晶體、90萬個AI核心和44GB片上SRAM給出了一個自己的答案：把計算和儲存塞進同一塊矽片，讓資料足不出戶就能完成處理。其片上互聯頻寬達到214Pbps，是輝達H100系統的3715倍，記憶體頻寬高達21PB/s，是H100的880倍。這種極致的整合密度帶來了極致的性能提升，在Llama 3.1 8B模型上跑出1800 token/s的生成速度，而H100僅為242 token/s。
但這種極致也帶來了極致的工程挑戰。一整片晶圓的良率問題幾乎是反摩爾定律的：面積越大，缺陷機率指數級上升。Cerebras的破局之道是將每個AI核心縮小到0.05平方毫米——僅為H100 SM核心的1%，並通過冗餘設計和智能路由繞過缺陷區域。這種蟻群式的容錯機制讓單顆晶片即便存在瑕疵也能維持整體性能，但代價是需要專門的韌體對應和複雜的散熱系統，WSE-3的23千瓦功耗需要定製的液冷循環和混合冷卻劑。
相比之下，特斯拉Dojo走的是介於兩者之間的晶圓級系統路線。D1晶片本身只有645平方毫米，但通過5×5陣列排列在載片上，利用台積電InFO封裝技術實現高密度互連，讓25顆晶片像單一處理器般協同工作。這種設計既避免了單片晶圓的良率風險.每顆D1都可以預先測試，又在一定程度上緩解了多晶片系統的互聯瓶頸，晶片間延遲僅100納秒，遠低於傳統GPU叢集的毫秒級。
2025年8月，彭博社報導特斯拉解散Dojo超算團隊，這一度被視為自研訓練晶片路線的終結。但在短短半年後，Dojo就迎來了重啟，二它背後邏輯也已發生根本性轉變。
馬斯克在社交平台透露，AI5晶片設計狀況良好，特斯拉將重啟Dojo 3的工作，其將採用AI6或AI7晶片，目標不再是訓練地球上的自動駕駛模型，它將專注於“太空人工智慧計算”。
這個轉向耐人尋味。原本Dojo被定位為對標10萬張H100的通用訓練平台，摩根士丹利一度估值其能給特斯拉帶來5000億美元增量。但現實是核心團隊接連離職，項目在2024年底被叫停，特斯拉轉而採購6.7萬張H100等效算力組建Cortex叢集。背後原因不難理解，儘管D1紙面性能強大，但訓練晶片的關鍵並不是單晶片性能。
輝達的護城河，是CUDA生態的十幾年積累、CoWoS先進封裝產能的鎖定、HBM供應鏈的深度繫結。對比之下，特斯拉的自研Dojo2方案即便流片成功，也要在軟體適配、叢集調度、可靠性工程上補課數年，而這段時間輝達早已迭代兩至三代產品。
特斯拉如今選擇的是訓練外采和推理自研，其本質上是對機會成本的重新計算。馬斯克表示，特斯拉在兩種完全不同的AI晶片設計上分散資源不合理，AI5、AI6及後續晶片在推理方面將非常出色，至少在訓練方面也相當不錯。AI5晶片採用3nm製程，由台積電代工，預計2026年底量產，單顆性能接近輝達Hopper等級，雙晶片配置則可接近Blackwell架構。
在競爭愈發激烈的當下，大晶片路線的生存空間究竟有多大？
要知道，AI晶片市場早已人滿為患，去年6月，AMD推出了MI350X和MI355X兩款GPU，訓練及推理速度與 B200 相當或更優，而在今年1月，輝達又在CES上推出了Rubin平台，這兩家晶片早已到了一個令人咋舌的更新速度。
當GPU市場走向一超多強，留給第三條技術路線的窗口期急劇縮小——客戶可以用AMD這樣的通用GPU廠商避險輝達，何必冒險押注尚未成熟的晶圓級系統?
大晶片再度走入大家的視線，但“大”的邊界似乎已悄然改變。
首先是物理尺寸上的“大”——Cerebras那塊佔據整片晶圓的單晶片依然是技術奇蹟，但商業價值被限定在特定場景。Cerebras WSE系統大約需要200萬至300萬美元，迄今為止部署在阿貢國家實驗室、梅奧診所等機構，以及與G42合作的Condor Galaxy設施。
其次是系統整合度上的“大”——無論是特斯拉的晶圓級封裝，還是輝達GB200 NVL72的整櫃方案——正在成為主流。
最後是商業模式上的“大”——這是真正的分水嶺。OpenAI與Cerebras的合作被廣泛視為領先科技公司吸收有前途的AI晶片初創公司的又一例證，無論是通過直接收購，還是通過獨家、大規模的商業合作關係，有效地將這些初創公司納入一個主導的生態系統。SambaNova、Groq和Cerebras各自採用了不同的技術方案，多年來被視為少數幾家能夠在特定工作負載方面與AI晶片市場行業領導者競爭的利基挑戰者，但隨著競爭加劇和客戶接受度持續有限，許多此類初創公司難以突破與主要客戶的試點部署階段。
特斯拉Dojo的停擺與重啟，本質上是一次昂貴的商業試錯——它驗證了全端自研訓練晶片對非雲巨頭不具可複製性，但也為推理側的自主可控保留了技術儲備。Cerebras與OpenAI的聯姻，則是在推理爆發前夜的一次精準卡位，用晶圓級架構的極致性能換取垂直場景的定價權。
在摩爾定律放緩、先進封裝接力、AI場景碎片化的三重背景下，晶圓級整合這條看似小眾的技術路線，正在以意想不到的方式重新定義“大”的邊界。
它們不是要復刻輝達的成功，而是在AI算力版圖的裂隙中，找到那些被通用方案忽視的價值窪地。從這個意義上說，它不是崛起或沒落的二元敘事，而是一場關於如何在巨人陰影下生存，並最終開闢新疆域的持久戰。 (EDA365電子論壇)