硬件

把两个看似无关的数字放在一起：GPT-6 Luna 的 API 输入价是每百万 token 0.10 美元；而 GB300 NVL72 的推理成本基准约为每百万 token 0.123 美元。一个是模型公司卖给你的零售价，一个是硬件跑推理的出厂成本。它们几乎拉平了。这不是巧合，而是一个时代信号：模型的售价，正在贴住它跑在硬件上的物理成本。当这两件事相等，过去十年支撑 AI 公司估值的「模型溢价」，就要开始蒸发了。 模型售价为什么会向硬件成本收敛？ 任何商品化的市场都遵循一条规律：产品一旦大同小异，价格就会被压到接近成本。十年前模型是稀缺品，谁能做出聪明模型谁定价；现在开源模型追得紧，各家 API 价格一路打下来。到 Luna 这档，便宜模型的售价已经低到和 GPU 硬件成本差不多——这意味着卖模型本身，几乎不赚钱了。 0.10 美元卖出去，0.123 美元的硬件成本，这中间甚至可能是亏的。模型公司在这档上不图利润，图的是把用户圈进来、把生态占住，真正赚钱靠的是 Sol、Astra 那些高档位。 溢价消失之后，价值流到哪里去了？ 当模型本身不再溢价，钱就往两端跑。一头是最顶尖的那一小撮模型——Astra、Sol Ultrafast 这种，靠绝对智能差距还能收智商税。另一头是模型之上的东西：数据、工作流、用户关系、品牌。中间那层「我有一个还不错的模型」的公司，会被两头挤扁。 这正是为什么 Manus 这种公司拼命做 Agent 工作流、做产品体验，而不是去卷模型本身。它很清楚：模型迟早会白菜价，能守住的壁垒是用户离不开你的那套流程。 这对做产品的人到底意味着什么？ 模型价格向硬件成本收敛，是长期趋势。今天 Luna 是 0.10，明天可能就是 0.01。这意味着任何建立在「我调了一个好模型」之上的商业模式，都很脆弱——别人明天用更便宜的硬件跑出差不多的效果，你的定价权就没了。 真正该押注的，是那些不会随模型降价而贬值的东西：你积累的私有数据、你打磨的工作流、你和客户之间的信任。模型会变成像电一样的公用事业，价格由硬件成本决定。而你要做的，是在这个免费又便宜的电力之上，盖一座别人搬不走的房子。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：模型成本收敛

什么是具身智能 AI不再只处理文字和图片，而是通过身体与物理世界交互——理解、操作、适应真实环境。 2026年进展 人形机器人：步态稳定、能搬东西 操作技能：抓取、装配、精细操作 世界模型：对物理规律的理解 代表 特斯拉Optimus Figure AI 国内：宇树、智元 挑战 硬件成本高 泛化能力弱（换个环境就懵） 安全性 判断 5年内具身智能从实验室走向工厂、仓储、家庭。真正的机器人助手比想象中更近。

功能 实时翻译（面对面对话） 会议录音转写摘要 全天候语音助手 健康监测 代表产品 华为FreeBuds Pro 4 苹果AirPods Pro 3 字节Ola Friend 趋势 手机可能不是下一个计算平台，耳机才是。

AI芯片市场的格局之变 NVIDIA在AI训练芯片领域占据了超过80%的市场份额，但2026年的竞争格局正在发生深刻变化。从AMD的MI400到华为的昇腾910C，挑战者们正在从不同角度发起冲击。 NVIDIA Blackwell：延续统治地位 Blackwell架构核心创新 B200 GPU的Blackwell架构带来了几项关键突破： 第二代Transformer Engine：原生支持FP4精度，在保持训练精度的同时将推理吞吐量提升到Hopper的30倍。FP4的实现在于新的缩放因子机制，每个tensor块附带一个FP8缩放因子，动态调整表示范围。 576TB/s的NVLink域：Blackwell支持576个GPU的全互联，形成巨大的NVLink域。这意味着大规模训练任务可以在单一互联域内完成，减少跨节点通信开销。 确定性计算：Blackwell引入了确定性计算模式，相同输入始终产生相同输出。这对大规模训练中的调试和复现至关重要。 实际性能表现 在Llama-3-70B推理场景下： B200 vs H100：吞吐量提升约15倍（FP4量化） B200 vs H100：延迟降低约8倍 单卡可支持1000+并发用户 但B200的功耗也达到1000W，对数据中心供电和散热提出了极高要求。 AMD MI400：紧追不舍的挑战者 MI400的差异化优势 AMD在2026年推出的MI400系列（Instinct MI400X）在几个维度上对NVIDIA构成了真正的竞争压力： 显存容量：MI400X配备288GB HBM3E显存，超过B200的192GB。这使得单卡可以加载更大的模型，减少多卡并行的通信开销。 统一编程模型：ROCm 7.0终于成熟到可以与CUDA生态正面竞争。HIP（Heterogeneous-Compute Interface for Portability）提供了CUDA到ROCm的自动转换工具： // CUDA代码 __global__ void kernel(float* data) { ... } // 转换为ROCm代码 __global__ void kernel(float* data) { ... } // 几乎无需修改 性价比：MI400X的定价策略比B200低约30-40%，在推理场景下的性价比优势明显。 生态差距 AMD最大的挑战仍然是软件生态： PyTorch对ROCm的支持已基本完善，但边缘case仍有问题 Triton等编译器对MI400的支持落后于NVIDIA 深度学习框架的最新优化通常先在CUDA上实现 华为昇腾910C：国产之光 架构设计 昇腾910C采用达芬奇架构3.0，核心特点： Cube+Vector双引擎：Cube引擎负责矩阵运算（GEMM），Vector引擎负责元素级运算。两个引擎可以并行工作，提高计算单元利用率。 片上互联：采用HCCS（Huawei Cache Coherent System）互联，单服务器内8颗910C的互联带宽达392GB/s。 CANN软件栈 华为的CANN（Compute Architecture for Neural Networks）软件栈日趋成熟： # 使用MindSpore + CANN import mindspore as ms from mindspore import nn class Model(nn.Cell): def construct(self, x): return self.dense(x) # 自动编译为昇腾可执行文件 model = Model() model.compile(target="ascend") # 编译到Ascend 910C 实际能力 昇腾910C在Llama-3-70B推理上的性能约为A100的70-80%。虽然在绝对性能上与B200有差距，但在国产替代场景下已经可以满足大部分需求。 ...