晶圓級晶片開始走向臺前。
今年，OpenAI與Cerebras簽訂了一份為期三年的算力採購協議。協議涉及最高750MW的計算容量，分批在2028年前交付，外界估算，這份協議的潛在總價值超過200億美元。
Cerebras的產品正是晶圓級晶片，採用整晶圓一體製造方式，完全靠光刻能力將整張晶圓製造成一個晶片。同時，今年Cerebras也在美股上市。上市後首季公佈的業績數據顯示：營收達到1.93億美元、同比增94%，雲服務收入同比增178%。
Cerebras的訂單，讓晶圓級晶片從製造技術問題變成計算產業問題。而同時，押注晶圓尺度的不只有Cerebras。特斯拉重啓Dojo 3；中國這邊高校、科研機構和企業陸續公佈了12英吋驗證樣機、多芯粒原型和產品規劃。晶圓級晶片正在變成AI算力產業的現實選擇。
AI為什麼需要走向晶圓級？
AI系統的瓶頸正在從計算轉向數據搬運。模型運行時，權重和啟動值需要在計算與記憶體之間反覆傳輸，多顆晶片還要持續交換和同步數據。數據一旦離開晶片，就要經過封裝I/O、PCB、網卡、交換晶片和光模塊。叢集越大，花在通訊上的功耗和成本越高，新增GPU也越難轉化為等比例的有效算力。
產業目前有兩種解決思路。一種方式是繼續擴大機架級計算域。比如說輝達的GB200 NVL72把72顆GPU通過NVLink組織為一個液冷機架；華為的CloudMatrix 384則以384顆昇騰910C和高速互連構成超節點。也就是以超節點的形式，把許多獨立晶片通過更強的交換晶片、銅纜或光連接、系統軟件，把機架做得更像一臺計算機。
另一種方式是縮短物理距離。晶圓級系統把原本發生在板間、機櫃間的數據交換，壓縮到封裝內甚至晶圓內，用毫米級互連替代釐米級、米級網絡。它的核心價值不是增加更多計算單元，而是減少數據搬運。
兩條路線各有取捨。超節點軟件生態成熟，更容易擴容和更換硬體，但要承擔更高的網絡成本；晶圓級系統以高度定製的製造、供電、散熱和軟件換取更高帶寬、更低延遲和更高能效。
今年7月，AMD與Cerebras公佈分離式推理合作，由AMD Helios負責計算密集的prefill，Cerebras WSE負責延遲敏感的decode。兩家公司測算，這種組合相較單獨使用WSE，Token/瓦最高可提升5倍。這說明，晶圓級晶片未必取代GPU，更可能成為異構數據中心的一層，接管通訊密集、延遲敏感的工作負載。
晶圓級晶片，有兩條路
傳統大晶片首先受到光刻尺寸約束。先進光刻單次曝光覆蓋的區域大約在800多平方毫米，這就是常說的掩模尺寸極限。以輝達H100為例，其裸片面積約814平方毫米，已經接近這一範圍。
繼續增加晶體管，過去主要依靠製程微縮；隨著先進製程的研發、設計和製造成本持續上升，產業開始用Chiplet拆分複雜晶片，再通過先進封裝重新組合。晶圓級計算則把系統邊界從一個封裝擴展到接近整片晶圓。嚴格來說，產業界通常所說的「晶圓級晶片」，實際包含兩類晶圓級計算系統。
第一類是整片晶圓單一邏輯系統。Cerebras的Wafer Scale Engine（WSE）是目前最典型，也是真正形成商業交付的產品。晶圓完成製造後不再切割成獨立裸片，而是通過跨曝光區域互連，將整片晶圓組織為一個連續的邏輯系統。
Cerebras的選擇是：一整片晶圓就是一顆晶片，先解決良率，再控制整套系統。WSE-3採用5nm工藝，面積46,225平方毫米，整合4兆晶體管、90萬個AI核心，峰值算力125 PFLOPS。作為對照，先進GPU的裸片面積仍受單次光刻區域約束，WSE-3的面積相當於數十個光罩區域。
高度一體化也使Cerebras必須控制更多產業環節。WSE不能像PCIe加速卡一樣插入普通服務器，公司需要同時設計晶圓級封裝、供電、液冷、整機、編譯器和叢集軟件。Cerebras實際銷售的不是一顆標準晶片，而是一套從矽片延伸到雲服務的計算系統。
第二類是重構式多芯粒晶圓級系統。這類方案先製造、切割和測試芯粒，再把已知良品重新整合到晶圓尺度的互連平台上。Tesla Dojo是最具代表性的產業案例：Tesla負責D1晶片、訓練架構和軟件，台積電通過InFO_SoW晶圓級扇出封裝，將25顆D1晶片組成一個Training Tile。
與Cerebras相比，這條路線不需要讓存在缺陷的整片邏輯晶圓繼續工作。晶片完成製造後可以分別測試，只選擇良品進行整合，從而降低前端製造的良率風險。它也更容易混合不同工藝、不同功能的芯粒。
Dojo之後，台積電開始把晶圓級整合從單一客戶項目擴展為通用代工平台。按照台積電公佈的路線圖，SoW-X計劃進一步整合邏輯芯粒、HBM和I/O，目標在2027年進入生產。SoW-X不是Dojo的下一代產品，而是台積電面向更多HPC和ASIC客戶提供的下一代晶圓級平台。
除此之外，還有一組容易與晶圓級計算混淆的技術，包括晶圓級封裝、混合鍵合和3D堆疊。這些工藝在晶圓階段完成重佈線、封裝或垂直連接，但最終產品可能仍然是一顆普通尺寸的封裝。它們是晶圓級計算的重要技術基礎，卻不等於晶圓級計算系統。
中國晶圓級晶片，有新進展
過去兩年，國內晶圓級計算出現了相當不錯的進展，雖然還沒有出現與Cerebras同等成熟度的商業系統，但已經不只是概念研究。
高校方面，2025年清華大學尹首一、胡楊團隊有三項晶圓級計算成果同時進入ISCA，研究對象分別是全晶圓計算拓撲、整合架構和大模型推理對應。三項工作對應的是一臺晶圓級計算機的三個層次：底層怎樣連接芯粒，中間怎樣組織計算與記憶體，上層怎樣把大模型對應到硬體。
論文實驗中，其拓撲方案相對Dojo實現2.39倍吞吐提升；整合架構在相同成本模型下實現2.90倍算力、2.11倍通訊帶寬和11.23倍內存帶寬；WSC-LLM對應方案相對論文選定的GPU叢集，平均性能提升3.12倍。同時，團隊聯合清微智能成功研製了12吋晶圓級AI晶片驗證樣機，實現「一片晶圓即一顆晶片（One Wafer One Chip）」。
另一項值得重視的成果，是中國科學院計算技術研究所等機構研製的「映天湖」。「映天湖」由中國科學院計算技術研究所、中國電子科技集團公司第五十八研究所和無錫芯光互連技術研究院共同完成。採用「計算模組—互連基板」解耦架構，嘗試在同一平台相容CPU、AI、DSP、交換和記憶體等不同芯粒。
論文披露，團隊完成了由16個計算模組組成的原型系統，相關晶片採用TSMC 28nm工藝流片，單晶圓達到千兆次計算能力。論文設定的實驗中，高性能線性代數和深度學習推理任務的相關指標分別改善約1.45倍和1.78倍。
今年，中國科學院計算技術研究所的研究團隊提出了Ouroboros。這是一種基於晶圓級SRAM 的存算一體架構。採用了宏大的晶圓級整合方案。在一塊 12 英吋的晶圓上，研究團隊整合了 54GB 的SRAM。這一容量足以將主流的 7B、13B 乃至更大規模的模型參數、啟動值和 KV Cache 完全駐留在第一級記憶體中。能夠實現，平均吞吐量達到現有頂尖系統的4.1倍，平均能效提升至4.2倍。而在13B參數規模的模型上，表現尤為突出：吞吐量最高達9.1倍，能效比甚至提升到17倍，採用單晶圓推理Llama 13B模型、在WikiText‑2數據集上進行測試時，系統吞吐量可穩定達到 15萬tokens/s。
企業側也開始釋放產品化信號。今年5月，新紫光集團發佈「紫弦」三維化近存計算架構採用3D DRAM與首創的3.5D異質異構整合路線，通過先進封裝將記憶體單元與計算單元三維堆疊，大幅縮短數據傳輸距離。從數據來看，記憶體帶寬可達30TB/s，優於行業最新HBM4標準；PNM近存計算模式下訪存延遲最大降低18倍；模擬模擬顯示，同等算力條件下Token吞吐率較國際旗艦級產品高出1.5至2倍以上。新紫光集團聯席總裁陳傑表示：「『紫弦』架構將10到20顆不同種類的裸片整合在單一晶片內，已逼近單晶片微縮的物理邊界，下一步更深度的整合，必須依託晶圓級技術來實現。」
據瞭解，清微智能的可重構計算已經從1.0、2.0發展到此次發佈的3.0，下一步將進入面向晶圓級計算的4.0；產品則從支援數據流和網格計算的TX81，演進到支援三維計算的TX82，再到規劃中的晶圓級晶片。
在互連環節，井芯微電子已經推出軟件定義互連晶片和橋接產品。其SDI3210最多支援32個連接埠或32路高速通道，PRB0400 PCIe Gen2/RapidIO Gen2橋接晶片已經量產。2026年，公司又發佈面向晶上系統的RDMA對等通訊IP和專用中間件。
結語
當前，晶圓級計算已經從技術驗證走向產業驗證。接下來比拚的不再是面積和晶體管數量，而是真實負載下的性能、功耗、成本和交付能力。
它不會取代GPU和超節點，但可能率先進入通訊密集的AI推理與專用計算。對中國而言，機會也不是複製一顆WSE，而是把芯粒、互連、封裝和軟件組合成可用的晶圓級系統。
晶圓級晶片，將成為下一個競爭關鍵。 (鈦媒體)