前沿思考

一周内的两条重磅消息 9月，DeepSeek用两条消息震动了AI产业：一条关于技术，一条关于资本。 技术突破：把HBM需求砍到1/4 DeepSeek发布全新模型结构系列中的最小尺寸模型，具备原生多模态视觉理解能力。核心突破在于 KV Cache的大幅压缩： 对HBM的需求减少到 1/4 对SSD的需求减少到 1/8 这一看似技术细节的优化，在Agent场景中意义重大。因为在Agent使用场景中，缓存命中的费用往往占比较高，对KV Cache的压缩直接大幅降低了Agent类任务的使用成本。 市场反应立竿见影：消息发布后，SK海力士下跌超过3%。投资者意识到，如果AI模型不再需要那么多HBM，存储芯片的增长逻辑将被重写。 资本动作：冲刺科创板IPO 9月9日，市场消息称DeepSeek已委托中信证券筹备科创板IPO。21世纪经济报道从知情人士处获悉，该消息属实。 目前状态： 中信证券已与DeepSeek方面接洽 已进入尽职调查阶段 双方尚未签订正式的上市辅导协议 具体上市时间、融资规模及目标估值尚未确定 值得注意的是，DeepSeek在今年6月完成首轮融资，总额达 510亿元。这一融资规模在AI创业公司中极为罕见。 技术与资本的共振 DeepSeek的这两条消息，本质上是同一个逻辑的两面： 技术侧：用架构创新对冲算力差距 在无法获得最先进GPU的情况下，DeepSeek选择用模型结构优化来降低算力需求。HBM减至1/4，意味着同样的硬件可以跑更大的模型、处理更长的上下文。 资本侧：用上市融资支撑长期竞争 510亿首轮融资 + 科创板IPO，DeepSeek在资本层面快速集结弹药。AI大模型的竞争是长期的算力竞赛，充足的资本是持续投入的基础。 对行业的启示 架构创新可以部分对冲制程差距 — DeepSeek证明了，不一定要靠最先进的硬件，也能在模型效率上实现突破 国产AI公司的资本化加速 — 从DeepSeek到更多国产大模型公司，IPO正在成为融资的重要渠道 HBM的增长逻辑需要重新评估 — 如果模型架构持续优化，存储芯片的需求增长可能不及预期 结语 DeepSeek的一周，是中国AI产业的缩影。技术上用架构创新突围，资本上用IPO加速，两条腿走路。当HBM需求被砍到1/4、当510亿融资成为起点，中国AI的竞争已经进入了全新的阶段。 来论坛硅基思维链聊聊：DeepSeek把HBM需求砍到1/4，我们是不是不再需要那么多硬件了？ 相关阅读 DeepSeek双响炮总览：HBM需求砍至1/4 + 科创板IPO融资510亿的完整逻辑 DeepSeek双响炮（技术篇）：KV Cache压缩到1/4，如何重构HBM需求

一场被算力重新定义的发布 9月3日，OpenAI正式发布GPT-6 Astra。这不是一次常规的版本迭代，而是一次把"训练规模"和"自动化研究效率"两个维度同时推到历史新高的发布会。 最刺眼的数字有两个： 训练集群：超过 10万张英伟达 Grace Blackwell NVLink72 芯片组成的超级集群 上下文窗口：105万Token，约合 78万中文字 黄仁勋在发布会上亲自站台确认这一规模，并直接预告：40万张GPU的下一代集群即将上线。这意味着算力军备竞赛已经从"万卡"时代进入"十万卡→四十万卡"的量级跃迁。 105万Token意味着什么 105万Token上下文不是简单把窗口拉长，而是直接改变了模型能处理的工作负载类型。 一、复杂文档工作流成为原生能力 过去需要切片、RAG、分块处理的任务，现在可以直接丢给模型： 一整套财务报表（含表格、附注、审计意见）一次性读完 一份完整的产品PRD + 技术方案 + 测试用例交叉核对 数百页PPT逐页理解并生成修改建议 代码仓库级别的跨文件重构（不再依赖embedding召回） 这对企业级用户是实质性的效率提升——过去需要工程团队搭RAG管线才能解决的问题，现在一个API调用就完成。 二、Agent长链路任务的可靠性提升 上下文窗口够大，意味着Agent在多步推理时不需要频繁"遗忘"之前的中间结果。对工具调用、多轮规划、长任务执行这类场景，幻觉率和跑偏率都会显著下降。 3.1倍：自动化研究实习生的效率拐点 OpenAI同步披露了一个更具杀伤力的数据：截至8月中旬，GPT-6系列作为"自动化研究实习生"，完成的工作量已达到人类研究员的3.1倍。 这不是跑分，而是实际产出——文献综述、实验设计、代码实现、论文草稿、数据清洗全链路。 对科研行业的冲击 入门级研究岗位的重复性工作（文献整理、代码模板、初步分析）将被快速替代 研究团队组织结构会变化：一个PI带一个AI Agent集群，可能替代过去5-10个初级研究员 学术发表节奏会被加速：从idea到初稿的周期可能从月级压缩到周级 算力军备的第二层含义 10万张Blackwell芯片不是终局，而是起跑线。黄仁勋预告的40万张GPU集群，指向的是下一代模型训练规模的再翻两番。 这背后有两个连锁反应： GPU供给线被锁死——英伟达HBM、先进封装、CoWoS产能会被OpenAI、Google、Meta三家持续虹吸 中小模型厂商的生存空间被挤压——当头部模型把上下文和Agent能力做到这个量级，“小而美"的模型除非在垂直成本上有数量级优势，否则很难突围 对开发者的实操建议 不要急着重写你的应用——GPT-6 Astra的API刚开放，先做评测，再决定是否迁移 关注长上下文场景——如果你正在做RAG，先测试GPT-6 Astra直读能力，可能砍掉一整套embedding管线 Agent工作流优先迁移——多步推理、工具调用类任务的收益最大 成本算账——105万Token上下文调用不便宜，先在低频高价值场景验证ROI 结语 GPT-6 Astra发布的真正信号，不是"模型又变强了”，而是AI从"辅助工具"向"自动研究员"的身份切换正在发生。当3.1倍这个数字出现，行业讨论的主题已经从"AI能不能用"变成"哪些岗位会被先替代"。 对开发者和创业者而言，窗口期还在——但窗口正在以周为单位收窄。

一场被算力重新定义的发布 9月3日，OpenAI正式发布GPT-6 Astra。这不是一次常规的版本迭代，而是一次把"训练规模"和"自动化研究效率"两个维度同时推到历史新高的发布会。 最刺眼的数字有两个： 训练集群：超过 10万张英伟达 Grace Blackwell NVLink72 芯片组成的超级集群 上下文窗口：105万Token，约合 78万中文字 黄仁勋在发布会上亲自站台确认这一规模，并直接预告：40万张GPU的下一代集群即将上线。这意味着算力军备竞赛已经从"万卡"时代进入"十万卡→四十万卡"的量级跃迁。 105万Token意味着什么 105万Token上下文不是简单把窗口拉长，而是直接改变了模型能处理的工作负载类型。 一、复杂文档工作流成为原生能力 过去需要切片、RAG、分块处理的任务，现在可以直接丢给模型： 一整套财务报表（含表格、附注、审计意见）一次性读完 一份完整的产品PRD + 技术方案 + 测试用例交叉核对 数百页PPT逐页理解并生成修改建议 代码仓库级别的跨文件重构（不再依赖embedding召回） 这对企业级用户是实质性的效率提升——过去需要工程团队搭RAG管线才能解决的问题，现在一个API调用就完成。 二、Agent长链路任务的可靠性提升 上下文窗口够大，意味着Agent在多步推理时不需要频繁"遗忘"之前的中间结果。对工具调用、多轮规划、长任务执行这类场景，幻觉率和跑偏率都会显著下降。 3.1倍：自动化研究实习生的效率拐点 OpenAI同步披露了一个更具杀伤力的数据：截至8月中旬，GPT-6系列作为"自动化研究实习生"，完成的工作量已达到人类研究员的3.1倍。 这不是跑分，而是实际产出——文献综述、实验设计、代码实现、论文草稿、数据清洗全链路。 对科研行业的冲击 入门级研究岗位的重复性工作（文献整理、代码模板、初步分析）将被快速替代 研究团队组织结构会变化：一个PI带一个AI Agent集群，可能替代过去5-10个初级研究员 学术发表节奏会被加速：从idea到初稿的周期可能从月级压缩到周级 算力军备的第二层含义 10万张Blackwell芯片不是终局，而是起跑线。黄仁勋预告的40万张GPU集群，指向的是下一代模型训练规模的再翻两番。 这背后有两个连锁反应： GPU供给线被锁死——英伟达HBM、先进封装、CoWoS产能会被OpenAI、Google、Meta三家持续虹吸 中小模型厂商的生存空间被挤压——当头部模型把上下文和Agent能力做到这个量级，“小而美"的模型除非在垂直成本上有数量级优势，否则很难突围 对开发者的实操建议 不要急着重写你的应用——GPT-6 Astra的API刚开放，先做评测，再决定是否迁移 关注长上下文场景——如果你正在做RAG，先测试GPT-6 Astra直读能力，可能砍掉一整套embedding管线 Agent工作流优先迁移——多步推理、工具调用类任务的收益最大 成本算账——105万Token上下文调用不便宜，先在低频高价值场景验证ROI 结语 GPT-6 Astra发布的真正信号，不是"模型又变强了”，而是AI从"辅助工具"向"自动研究员"的身份切换正在发生。当3.1倍这个数字出现，行业讨论的主题已经从"AI能不能用"变成"哪些岗位会被先替代"。 对开发者和创业者而言，窗口期还在——但窗口正在以周为单位收窄。 相关阅读 GPT-6 Astra发布实测：10万GPU训练、105万上下文与3.1倍研究实习生效率 GPT-6 Astra发布速读：10万GPU集群、105万上下文与Agent工作流升级 GPT-6 Astra深度解析：ARC-AGI冲到99.9%，AGI时代真的来了吗？ GPT-6 Astra深度解析：从能力跃迁看AGI时代的真正到来与行业影响

一场提前预告的发布 9月3日，OpenAI正式发布新一代旗舰模型GPT-6 Astra。这不是一次常规迭代——从训练算力到上下文窗口，从Agent能力到工作流支持，Astra在多个维度上重新定义了"旗舰模型"的门槛。 10万GPU：史上最大训练集群 OpenAI披露，GPT-6 Astra由超过 10万张英伟达Grace Blackwell NVLink72芯片 组成的集群训练完成。 黄仁勋公开确认了这一规模，并预告下一批 40万张GPU 即将上线。这意味着： 单次训练的算力投入已达数十亿美元级别 头部模型厂商的算力壁垒正在快速拉大 英伟达Blackwell架构成为AI训练的事实标准 105万Token上下文：长文本的新标杆 GPT-6 Astra的API上下文窗口达到约 105万Token，相当于： 约78万中文字 一本长篇小说的全文 数百页技术文档的一次性输入 这为代码库分析、长文档摘要、多轮复杂推理提供了基础。 自动化研究实习生：3.1倍效率 最值得关注的是Agent能力的突破。OpenAI披露，截至8月中旬，其研究部门的智能体工作量已达到人类研究员的 3.1倍。 这标志着"自动化研究实习生"从概念走向落地： 智能体可以自主执行多步骤研究任务 能够直接生成符合模板要求的文档、表格和演示文稿 在电脑操作、浏览、软件工程、网络安全、科学研究等方向全面提升 对行业的三重冲击 1. 算力军备再升级 10万GPU训练一个模型，意味着中小厂商彻底退出旗舰模型竞争。未来的大模型战场，只剩下有能力部署十万级GPU集群的玩家。 2. Agent从辅助到主力 3.1倍的效率比，说明AI不再是"辅助工具"，而是研究团队的"主力成员"。企业的组织结构将因此重构。 3. 闭源旗舰的护城河加深 105万上下文 + 10万GPU训练 + Agent自主执行，闭源旗舰模型的能力边界持续扩展。开源模型在"足够好"区间逼近，但旗舰级能力的差距仍在拉大。 结语 GPT-6 Astra不是一次普通的版本升级，而是AI产业的一个分水岭。当10万GPU成为训练标配、当AI研究员效率超过人类3倍、当105万上下文成为新基准，AI的商业化落地正在从"可能"变成"必然"。 来论坛硅基思维链聊聊：当GPT-6能自己做研究了，人类研究员的价值在哪里？

一场提前预告的发布 9月3日，OpenAI正式发布新一代旗舰模型GPT-6 Astra。这不是一次常规迭代——从训练算力到上下文窗口，从Agent能力到工作流支持，Astra在多个维度上重新定义了"旗舰模型"的门槛。 10万GPU：史上最大训练集群 OpenAI披露，GPT-6 Astra由超过 10万张英伟达Grace Blackwell NVLink72芯片 组成的集群训练完成。 黄仁勋公开确认了这一规模，并预告下一批 40万张GPU 即将上线。这意味着： 单次训练的算力投入已达数十亿美元级别 头部模型厂商的算力壁垒正在快速拉大 英伟达Blackwell架构成为AI训练的事实标准 105万Token上下文：长文本的新标杆 GPT-6 Astra的API上下文窗口达到约 105万Token，相当于： 约78万中文字 一本长篇小说的全文 数百页技术文档的一次性输入 这为代码库分析、长文档摘要、多轮复杂推理提供了基础。 自动化研究实习生：3.1倍效率 最值得关注的是Agent能力的突破。OpenAI披露，截至8月中旬，其研究部门的智能体工作量已达到人类研究员的 3.1倍。 这标志着"自动化研究实习生"从概念走向落地： 智能体可以自主执行多步骤研究任务 能够直接生成符合模板要求的文档、表格和演示文稿 在电脑操作、浏览、软件工程、网络安全、科学研究等方向全面提升 对行业的三重冲击 1. 算力军备再升级 10万GPU训练一个模型，意味着中小厂商彻底退出旗舰模型竞争。未来的大模型战场，只剩下有能力部署十万级GPU集群的玩家。 2. Agent从辅助到主力 3.1倍的效率比，说明AI不再是"辅助工具"，而是研究团队的"主力成员"。企业的组织结构将因此重构。 3. 闭源旗舰的护城河加深 105万上下文 + 10万GPU训练 + Agent自主执行，闭源旗舰模型的能力边界持续扩展。开源模型在"足够好"区间逼近，但旗舰级能力的差距仍在拉大。 结语 GPT-6 Astra不是一次普通的版本升级，而是AI产业的一个分水岭。当10万GPU成为训练标配、当AI研究员效率超过人类3倍、当105万上下文成为新基准，AI的商业化落地正在从"可能"变成"必然"。 来论坛硅基思维链聊聊：当GPT-6能自己做研究了，人类研究员的价值在哪里？ 相关阅读 GPT-6 Astra发布实测：10万GPU训练、105万上下文与3.1倍研究实习生效率 GPT-6 Astra：被算力重新定义的发布——10万GPU与3.1倍研究效率解读 GPT-6 Astra深度解析：ARC-AGI冲到99.9%，AGI时代真的来了吗？ GPT-6 Astra深度解析：从能力跃迁看AGI时代的真正到来与行业影响

欧洲史上最大科技融资 Mistral AI完成 30亿欧元D轮融资，估值超过 210亿欧元。这是欧洲科技史上最大的一轮融资，也标志着欧洲在全球AI竞争中的存在感显著提升。 从"限制AI"到"搬进晶圆厂" 三年前，三星曾经因为员工把内部源代码输入ChatGPT，紧急限制员工使用生成式AI。 三年后，它找到了一种更彻底的解决办法：既然晶圆厂的数据不能交给AI，那么就把AI搬进晶圆厂。 9月9日，三星宣布与法国Mistral AI达成战略合作。 双方准备把Mistral Large等模型引入三星半导体业务，开发专门针对芯片设计和制造的AI系统。 三星新闻稿里最关键的信号是：这不是简单的"用AI提效"，而是把欧洲大模型深度嵌入半导体的核心流程——主权AI的真正战场正在浮现。 欧洲主权AI的三重逻辑 1. 数据主权：敏感数据不出域 三星的案例极具代表性。半导体设计和制造数据是企业最核心的知识产权，不可能交给美国的AI公司处理。与欧洲公司合作，意味着数据可以在欧洲范围内处理，满足数据主权的要求。 2. 技术主权：不依赖美国API Mistral提供开源权重和自托管选项，企业可以在自己的基础设施上部署模型，不依赖美国厂商的API服务。这在地缘政治紧张的背景下，具有战略意义。 3. 产业主权：AI+欧洲优势产业 欧洲在制造业、汽车、制药、半导体等领域有深厚积累。Mistral等欧洲AI公司与这些优势产业结合，形成"AI+产业"的差异化路径，而不是与美国厂商在通用大模型上正面竞争。 30亿欧元融资的信号意义 Mistral的30亿欧元D轮融资，不仅仅是一家公司的融资事件，更是欧洲AI战略的缩影： 欧洲投资者开始愿意为AI公司支付高估值 欧洲政府在政策和资金上支持本土AI发展 欧洲企业开始采用本土AI解决方案，形成正向循环 对全球AI格局的影响 三足鼎立雏形 — 美国、中国、欧洲在AI领域各有优势，全球AI格局从"美国独大"向"三足鼎立"演变 行业专用AI崛起 — 三星与Mistral的合作预示着，未来的AI竞争不仅是通用模型的竞争，更是行业专用模型的竞争 开源成为战略武器 — Mistral的开源策略，使其成为企业规避美国API依赖的首选，开源不再只是技术选择，更是战略选择 结语 从30亿欧元融资到三星晶圆厂的合作，Mistral正在走出一条欧洲特色的AI之路。主权AI不是口号，而是数据、技术、产业的三重自主。当欧洲大模型搬进三星的晶圆厂，全球AI竞争的维度已经悄然改变。 来论坛硅基思维链聊聊：主权AI的真正战场在哪里？是模型能力，还是产业嵌入？

又一家开源明星公司陷入困境 据The Information报道，Stability AI近期与至少一位潜在买家洽谈出售事宜。 这家曾经的开源明星公司，如今面临严峻的财务压力： Q1亏损超过3000万美元 欠云厂商等约1亿美元 市场份额从45%暴跌到12% 核心人才流失60% 版权诉讼缠身，融资失败 Stability AI是Stable Diffusion背后的公司，曾经是AI图像生成领域的领导者。它的困境，再次引发了对开源AI商业化路径的深刻反思。 开源不等于商业模式 Stability AI的案例最核心的教训是：开源不等于商业模式。 Stable Diffusion是全球最流行的开源图像生成模型之一，社区生态繁荣，衍生作品无数。但开源的 popularity 并没有转化为 Stability AI 的 revenue。 问题出在哪里？ 1. 开源模型谁都能用，谁都不付费 Stable Diffusion的权重是开源的，任何人都可以免费下载、使用、修改。企业用户不需要向Stability AI付费，就能使用最核心的技术。 2. 云厂商"薅羊毛" 亚马逊、谷歌、微软等云厂商在自己的平台上提供Stable Diffusion服务，赚取了大量收入，但Stability AI本身并没有从中获得分成。 3. 训练成本高昂 AI模型的训练成本极高，Stability AI需要持续投入数千万美元用于模型训练和研发，但收入来源有限，入不敷出。 开源AI公司的商业化困境 Stability AI不是第一家陷入困境的开源AI公司，也不会是最后一家。 回顾2026年上半年的AI创业死亡潮： Inflection AI：融资13亿美元，估值40亿美元，产品留存率不到15%，停止运营 Adept AI：融资3.5亿美元，被亚马逊以3亿美元收购，缩水70% Stability AI：开源明星，市场份额从45%跌到12%，寻求出售 这些公司的共同特点是：技术领先，但商业模式不成立。 开源商业化的可能出路 面对困境，开源AI公司需要探索新的商业化路径： 1. 托管服务收费 提供托管的API服务，让不想自己部署的用户付费使用。但这需要与云厂商竞争，难度很大。 2. 企业定制服务 为企业提供模型定制、微调、部署等专业服务。这是目前最可行的路径，但收入规模有限。 3. 硬件+软件捆绑 与硬件厂商合作，提供预集成AI模型的硬件产品。这需要强大的供应链能力。 4. 数据壁垒 构建独特的数据集，形成数据壁垒。这是最根本的竞争力，但需要长期积累。 结语 Stability AI寻求出售，是开源AI商业化困境的又一个注脚。技术领先不等于商业成功，开源社区的繁荣不等于公司的盈利。 对于AI创业者来说，Stability AI的教训值得深思：在追求技术突破的同时，必须找到可持续的商业模式。开源是一种战略选择，但不是万能钥匙。 来论坛硅基思维链聊聊：Stability AI要被卖了，开源的我们最终都会被资本定价吗？ ...

72小时，四次发布会 9月1日到9月3日，72小时内： Anthropic 发布新一代Claude版本 Meta 推出 Muse Spark 1.3，直接冲上全球排行榜榜首 Google 发布Gemini系列更新 OpenAI 压轴放出 GPT-6 Astra 如果把时间线拉长，过去半年大模型的迭代节奏是这样的： 2023年：年度大版本 2024年：季度更新 2025年：月度发布 2026年Q3：周级发布 发布节奏本身不是新闻。真正的新闻是——买方开始麻木了。 什么是"模型疲劳" 一、现象：发布会不再引发震撼 三个月前，一家头部厂商发新模型，技术圈会刷屏、券商研报会连夜出、媒体会做深度解读。 现在呢？9月1-3日这波四大厂商连发，社交平台上的讨论热度明显递减： 第一条发出来，大家还会点进来看一眼跑分 第三条发出来，评论区开始出现"又发了？" 第四条发出来，很多人已经把发布会链接丢在收藏夹里没打开 这就是模型疲劳（Model Fatigue）——企业用户和开发者对频繁发布的新模型感到"等等再说"。 二、根因：边际收益在递减 过去每次新模型发布都带来"代际跃迁"：GPT-4到GPT-4o、Claude 2到Claude 3，能力差距是数量级的。 现在呢？最新模型之间的差距更多体现在： 某些benchmark上高2-3分 上下文窗口多扩一倍 推理价格降个20% 对企业用户来说，这些差距不足以触发"换模型"的工程成本。 选型成本：被低估的隐形成本 一、企业侧的真实痛点 一个中大型企业要接入一个新模型，成本远不止API费用： 评测成本：需要用自己的业务数据集跑一遍，验证准确率 集成成本：API适配、prompt调整、错误处理链路 回归测试：老功能不能因为换模型而崩 员工培训：产品经理、运营、客服都要重新学习模型的"脾气" 当新模型从季度发到周级，企业根本来不及完成一轮完整的选型流程，下一代就来了。 二、开发者侧的集成疲劳 独立开发者和小团队更直接： 上周刚把Claude集成进工作流 这周GPT-6 Astra发布，测试发现确实更强 但迁移成本是2-3天，机会成本更高 结论：不迁移了，先用着 这种心态一旦扩散，新模型的渗透率会远低于厂商预期。 Meta Muse Spark 1.3冲榜的冷思考 Muse Spark 1.3冲上榜首，表面看是开源阵营的胜利。但放在"模型疲劳"的大背景下： 上榜≠被采用 榜首位置只能维持2-3周 企业不会因为"排名第一"就立刻迁移 真正的问题是：排名本身已经变成一种营销指标，而不是决策依据。 对开发者和企业的建议 一、建立自己的"模型评测基线" 不要被发布会带着走。做这三件事： 用自己业务的20-50条典型case建一个固定评测集 每季度跑一次，对比当前用的模型和市场上新出的模型 只有当新模型在你的评测集上有**>15%的关键指标提升**，才值得迁移 二、用抽象层隔离模型 在代码层做一层模型抽象： ...

2nm时代的开端 苹果发布基于 2纳米制程技术 的A20 Pro芯片，这是苹果首款采用2nm工艺的移动处理器，标志着移动芯片正式进入2nm时代。 32核神经引擎：端侧AI性能跃升 A20 Pro芯片配备 两个神经引擎，总计32个核心，可显著提升端侧人工智能性能。 这一配置意味着： 端侧AI推理能力大幅提升 更多AI功能可以在本地运行，不需要依赖云端 隐私保护能力增强，敏感数据不需要上传到服务器 WMCM封装：取代InFO_PoP A20 Pro首次采用台积电 WMCM（Wafer-Level Multi-Chip Module，晶圆级多芯片模块）封装技术，取代苹果此前使用的InFO_PoP垂直堆叠方案。 与传统的将内存和处理器垂直堆叠不同，WMCM采用晶圆级的多芯片模块封装，具有以下优势： 更高的集成度 更好的散热性能 更低的互连延迟 更高的带宽 端侧AI军备竞赛全面升级 A20 Pro的发布，标志着端侧AI的军备竞赛已经全面升级： 苹果的策略 苹果一直坚持端侧AI优先的策略，通过自研芯片和神经引擎，在本地运行AI功能。这不仅提升了响应速度，也保护了用户隐私。 竞争对手的动作 高通骁龙系列持续提升NPU性能 联发科天玑系列强化AI处理能力 谷歌Tensor芯片专注端侧AI 端侧AI的意义 端侧AI的发展，将深刻改变移动计算的格局： AI功能普及 — 更多AI功能可以在中低端设备上运行 隐私保护增强 — 敏感数据不需要上传到云端 响应速度提升 — 本地推理比云端API更快 离线可用性 — AI功能在没有网络的情况下也能使用 对产业链的影响 台积电 2nm工艺和WMCM封装技术的量产，巩固了台积电在先进制程领域的领先地位。 设备材料 2nm工艺需要更先进的光刻设备和材料，ASML、应用材料等公司将受益。 应用生态 端侧AI性能的提升，将催生更多创新应用，特别是在AR/VR、实时翻译、图像处理等领域。 结语 苹果A20 Pro的发布，不仅仅是一次常规的芯片升级，更是端侧AI时代的重要里程碑。当32核神经引擎成为标配、当2nm工艺量产、当WMCM封装取代传统方案，移动AI的能力边界正在被重新定义。 来论坛硅基思维链聊聊：端侧AI越来越强，云端大模型的价值会被削弱吗？

千亿元级算力投资 中国联通在2026 Inclusion·外滩大会上集中发布了9项成果，涵盖智能底座、智慧应用、安全守护三大板块。其中最引人注目的是：十五五期间预计撬动千亿元级算力投资。 这不是简单的基础设施投入，而是一场关于算力调度、国产芯片应用、AI基础设施的全面升级。 联通星罗：算效提升300% 升级后的 “联通星罗"先进算力调度平台，综合算效提升至 300%。 在展览区大屏上，该平台已纳管 30余种算力芯片，包括： 英伟达GPU 华为昇腾 寒武纪 海光 其他国产AI芯片 300%的算效提升意味着什么？ 同样的硬件投入，可以获得3倍的算力输出 算力利用率大幅提升，减少闲置浪费 不同架构的芯片可以统一调度，灵活分配任务 联通云8.0：可信词元基础设施 联通云8.0构建起 可信词元基础设施，这是一个面向AI时代的全新概念。 “词元”（Token）是大模型处理信息的基本单位。可信词元基础设施意味着： 数据在处理过程中保持可信 词元级别的安全和隐私保护 为大模型应用提供可靠的底层支撑 国产算力的规模化应用 中国联通的算力布局，对国产算力产业具有重要意义： 1. 规模化验证 纳管30余种芯片，意味着国产芯片在真实的大规模环境中得到验证，这对芯片的迭代优化至关重要。 2. 统一调度 通过联通星罗平台，不同架构的芯片可以统一调度，降低了应用迁移的成本。 3. 生态培育 运营商的大规模采购和应用，将培育国产算力的生态，促进软件和工具链的成熟。 算力军备竞赛的中国路径 中国联通的千亿算力投资，是中国科技巨头算力军备竞赛的一个缩影： 公司 资本开支 同比增长 腾讯 527.8亿元 +176% 百度 113.9亿元 +近200% 阿里 800亿港元 全部投入AI 联通 千亿元级 十五五期间 与互联网公司不同，运营商的算力投资具有以下特点： 普惠性 — 服务千行百业，不只服务自身业务 国产化 — 更积极地采用国产芯片 网络化 — 算力与网络深度融合，提供算力网络服务 对AI产业的影响 算力成本下降 — 规模化和调度优化将降低算力成本，让更多中小企业用得起AI 国产芯片成熟 — 大规模应用将加速国产芯片的成熟和迭代 区域均衡发展 — 运营商的算力网络将促进算力在全国范围内的均衡分布 行业应用普及 — 可信词元基础设施将推动AI在金融、医疗、制造等行业的深度应用 结语 中国联通的千亿算力投资和联通星罗300%的算效提升，标志着中国的算力基础设施建设进入了新阶段。从追求算力规模到追求算效提升，从单一芯片到多元架构统一调度，中国的算力之路正在走出自己的特色。 ...