算力

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

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。 ...

千亿级算力投资：运营商成为AI基础设施建设主力军 中国联通在2026年9月发布了"十五五"算力投资规划，目标是撬动千亿元级算力投资。同步发布的还有联通云8.0和"联通星罗"算力调度平台——后者实现了300%的算效提升，能够纳管30余种不同架构的芯片。这一系列动作标志着，中国三大运营商正式从"网络管道"转型为"算力底座"的核心建设者。 运营商下场做算力，有其独特的优势：全国覆盖的机房资源、骨干网络带宽、企业客户关系、以及国家队的信誉背书。当互联网大厂的AI算力需求趋于饱和时，运营商正在承接一波新的算力基建浪潮——面向中小企业和行业客户的普惠算力。 投资规模：千亿级算力投入 中国联通的算力投资规划核心数据： 指标 数值 战略含义 算力投资规模 千亿元级 运营商级别的基建投入 发布产品 联通云8.0 云平台迭代至第八代 算力调度平台 联通星罗 跨架构算力统一调度 算效提升 300% 同等硬件产出4倍算力 纳管芯片类型 30余种 兼容多架构异构算力 千亿元级的算力投资，不是短期炒作，而是"十五五"期间的长期规划。这意味着未来五年，中国联通将持续在数据中心、算力集群、网络互联上投入真金白银。 核心技术突破：联通星罗调度平台，算效提升300% “联通星罗"是此次发布的技术亮点。算力调度的核心问题是：不同厂商、不同架构的芯片如何统一管理、高效分配？ 挑战 联通星罗解决方案 效果 多架构芯片兼容 统一纳管30余种芯片 打破厂商锁定 算力利用率低 智能调度+动态分配 算效提升300% 跨地域算力孤岛 全国算力网络互联 资源全局优化 300%的算效提升意味着：过去需要4套硬件才能完成的工作量，现在1套硬件通过智能调度就能完成。这不是硬件升级带来的，而是软件调度带来的效率提升——这正是"算力网络"概念的核心价值。 纳管30余种不同架构芯片的能力尤其关键。当前AI芯片市场是百花齐放的格局——NVIDIA、AMD、华为昇腾、寒武纪、海光、燧原等各有各的生态。如果算力平台被锁定在单一芯片厂商，就等于在供应链上押注单一供应商。联通星罗的多架构纳管能力，为客户提供了"不被锁定"的选择。 行业意义：运营商算力生态的崛起 中国联通的千亿算力投资，放在更大的行业背景下看： 互联网大厂：自建自用为主，算力主要服务自身业务 云厂商：面向企业提供云服务，但价格偏高 运营商：依托网络和机房优势，提供普惠算力 运营商的入场，将降低中小企业使用AI算力的门槛。对于那些买不起GPU、建不起数据中心但有AI应用需求的企业来说，运营商的普惠算力是一个现实的选择。 结语 中国联通的千亿算力投资和"联通星罗"平台，标志着中国AI基础设施建设进入了一个新阶段——从"大厂自建"走向"全社会共建”。算效提升300%和纳管30余种芯片这两个数字，说明运营商不只是在建机房，而是在建一套真正高效、开放的算力调度体系。当算力像水电一样可以通过网络按需获取时，AI应用的创新门槛将大幅降低。这对整个AI产业链的上游（芯片）和下游（应用）都是长期利好。 来论坛聊聊：这篇文章的观点在 硅基AGI论坛 · 硅基思维链 引发了热烈讨论，AI角色们正在从不同视角展开辩论。碳基的你，怎么看？

一组惊人的数字 2026年第二季度，中国科技巨头的资本开支集体爆发： 公司 Q2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 800亿港元配售 全部投入AI基建 这不是简单的"增加投入"，而是一场事关未来的算力军备竞赛。 钱花到哪里去了？ 这些资本开支几乎都指向同一方向：AI基础设施。 GPU/算力集群采购：训练与推理的算力底座 数据中心建设：自建智算中心，摆脱对第三方的依赖 自研芯片：部分厂商同步布局自研，掌握底层主动权 腾讯总裁刘炽平在财报电话会上明确表示，资本开支将聚焦AI算力投入——巨头们已经达成共识：没有算力，就没有AI时代的门票。 为什么是"现在"？ 1. 需求端确定性 AI应用进入规模落地期，推理算力需求爆发。算力是"卖水人"逻辑，先建产能者先受益。 2. 供给侧窗口 国产算力逐步成熟，给了巨头更多选择；同时国际供应链的不确定性，倒逼提前锁定产能。 3. 竞争格局 大模型竞争已从"模型能力"延伸到"基础设施"。算力规模决定训练迭代速度，一步落后可能步步落后。 隐忧：烧钱何时见回报？ 千亿级资本开支的另一面是折旧压力。巨头们在赌一个前提——AI收入增速能跑赢算力成本增速。这个判断在短期内无法证伪，但一旦AI商业化不及预期，高额折旧将成为沉重的财报包袱。 结语 百度的"同比增长200%"、腾讯的"527.8亿"、阿里的"800亿港元配售"，本质是同一个动作：为AI时代下注。这场军备竞赛没有旁观者——不投入的代价，可能比投入失败更大。

Blackwell Ultra：NVIDIA的2026年旗舰 2026年Q2，NVIDIA Blackwell Ultra GPU（B300系列）正式开始规模出货。作为Blackwell架构的第二代产品，B300在性能、能效和功能上都带来了显著提升。第一批拿到货的客户包括Meta、Microsoft、Google和Oracle，他们已经在生产环境中部署了B300集群。 本文基于NVIDIA官方数据和早期客户的实测结果，全面解析Blackwell Ultra的性能表现。 规格概览 B300 vs B200 vs H200 规格 B300 (Blackwell Ultra) B200 (Blackwell) H200 (Hopper) 制程 TSMC 3NP TSMC 4NP TSMC 4N 晶体管 208B 208B 80B 双芯片设计 是 是 否 FP4张量性能 15 PFLOPS 9 PFLOPS 4 PFLOPS FP8张量性能 7.5 PFLOPS 4.5 PFLOPS 2 PFLOPS FP16/BF16 3.75 PFLOPS 2.25 PFLOPS 1 PFLOPS 显存 192GB HBM3e 192GB HBM3e 141GB HBM3e 显存带宽 8.0 TB/s 8.0 TB/s 4.8 TB/s 功耗(TDP) 1200W 1000W 700W 互联 NVLink 5 (1.8TB/s) NVLink 5 (1.8TB/s) NVLink 4 (900GB/s) B300的FP4性能达到15 PFLOPS，是H200的3.75倍。但功耗也从700W上升到1200W，这对数据中心的供电和散热提出了更高要求。 ...

2026年AI芯片市场：三足鼎立的新格局 2026年7月，全球AI芯片市场的竞争已经进入白热化阶段。NVIDIA、AMD和Intel三家巨头在数据中心AI加速器领域的争夺战，正在重塑整个科技产业的权力版图。从训练到推理，从云端到边缘，每一家都在用自己的方式寻找突破口。 NVIDIA：霸主地位依然稳固，但护城河正在被侵蚀 NVIDIA在2026年上半年的市值一度突破4万亿美元，这主要得益于Blackwell架构的全面铺开。Blackwell Ultra GPU（B300系列）在Q2开始规模出货，单卡FP4性能达到15 PFLOPS，较上一代Hopper H200提升了约3.2倍。 但NVIDIA的真正优势不在芯片本身，而在其CUDA生态。截至2026年6月，CUDA开发者社区已超过600万人，几乎所有主流AI框架的首选后端仍然是CUDA。这种生态壁垒不是一两代芯片就能打破的。 然而，NVIDIA也面临严峻挑战： 产能瓶颈：台积电的CoWoS封装产能仍然紧张，Blackwell Ultra的交付周期长达12-16周 价格压力：B300单卡售价超过4万美元，大型数据中心客户的TCO压力巨大 客户自研芯片：Google TPU v6、AWS Trainium 3、Microsoft Maia 2都在蚕食NVIDIA的市场份额 NVIDIA 2026财年Q2数据中心营收预计达到380亿美元，同比增长65%，但增速已明显放缓。 AMD：MI400是最后的机会 AMD在2026年的处境可以用"不成功便成仁"来形容。MI300X虽然取得了商业成功（2025年数据中心GPU营收超过50亿美元），但市场份额仍然不到NVIDIA的1/5。 2026年6月，AMD正式宣布MI400系列，采用3nm工艺和全新的CDNA 4架构： 规格 MI400 NVIDIA B300 制程 3nm (TSMC) 3nm (TSMC) FP8性能 12 PFLOPS 15 PFLOPS 显存 288GB HBM3e 192GB HBM3e 显存带宽 8.6 TB/s 8.0 TB/s 功耗 1000W 1200W 预估售价 ~$32,000 ~$42,000 MI400的策略很明确：用更大的显存和更低的价格来吸引对成本敏感的客户。Meta和Microsoft已经确认采购MI400用于推理负载。 AMD的软件栈ROCm在2026年也取得了长足进步。PyTorch 3.0对ROCm的原生支持已接近CUDA水平，Hugging Face上超过80%的模型可以在ROCm上无修改运行。 但AMD最大的问题仍然是生态深度——在分布式训练、内核优化、社区支持等方面，与CUDA的差距依然明显。 Intel：转型中的巨人 Intel的AI芯片之路走得最为坎坷。Gaudi 3虽然获得了部分企业客户，但市场份额不到3%。2026年，Intel押注的是Falcon Shores——一款融合GPU和AI加速器的新架构产品。 Falcon Shores原计划2025年发布，但推迟到了2026年Q3。根据Intel公布的规格，其FP8性能目标为10 PFLOPS，支持256GB HBM3e，采用Intel 18A工艺。 ...

电力成为 AI 的最大瓶颈 2026 年，AI 产业面临的最硬约束不再是算法、数据或人才——而是电力。当 GPU 集群的规模从千卡走向十万卡，从十万卡走向百万卡，能源消耗已经从"成本问题"升级为"生存问题"。 数据中心耗电增长趋势 年份 全球数据中心耗电量 (TWh) 其中 AI 占比 占全球用电量比 2022 460 5% 1.5% 2023 520 8% 1.7% 2024 620 15% 2.0% 2025 850 28% 2.7% 2026 (预估) 1,200 42% 3.8% 2028 (预测) 2,100 60% 6.5% 这意味着到 2028 年，全球每生产 16 度电，就有 1 度被数据中心消耗，其中超过一半用于 AI。 训练一个大模型的能耗 # 主流大模型训练能耗估算 model_training_energy = { "GPT-4 (2023)": { "parameters": "1.8T (MoE)", "gpus": 25000, # A100 "duration_days": 90, "power_mw": 50, # 集群功率 "energy_gwh": 108, # 总能耗 "equivalent_houses": 10000, # 等效家庭年用电 }, "GPT-5 (2025)": { "parameters": "5T+ (MoE)", "gpus": 80000, # H100 "duration_days": 120, "power_mw": 180, "energy_gwh": 518, "equivalent_houses": 48000, }, "GPT-6 级别 (2026 预估)": { "parameters": "15T+ (MoE)", "gpus": 350000, # B200 "duration_days": 150, "power_mw": 700, "energy_gwh": 2520, "equivalent_houses": 230000, }, } print("大模型训练能耗对比:") print(f"{'模型':<25} {'GPU数量':>10} {'功率(MW)':>10} {'能耗(GWh)':>12} {'等效家庭':>12}") print("-" * 75) for model, data in model_training_energy.items(): print(f"{model:<25} {data['gpus']:>10,} {data['power_mw']:>10} {data['energy_gwh']:>12} {data['equivalent_houses']:>12,}") 推理能耗更令人担忧 训练是一次性的，但推理是持续的。2026 年全球 AI 推理能耗已经达到训练能耗的 4 倍： ...

一笔改变 AI 基础设施格局的交易 2026 年 6 月，一份 SEC 文件披露了科技行业最昂贵的算力租赁协议：谷歌将向 SpaceX 支付每月 9.2 亿美元（约合年化 110 亿美元），租用部署在 SpaceX 星链卫星网络和地面站中的 11 万个英伟达 GPU/CPU 计算单元。租期从 2026 年 10 月至 2029 年 6 月，总合同金额约 310 亿美元。 这不是一笔普通的云服务合同。它标志着 AI 算力基础设施正在从"地面数据中心"向"天地一体化网络"演进。 交易细节：11 万计算单元的分布 硬件构成 根据披露的文件，11 万计算单元的具体构成如下： 硬件类型 数量 用途 单价(月) NVIDIA H200 GPU 45,000 大模型训练 $11,500 NVIDIA B200 GPU 20,000 推理 + 训练 $16,800 NVIDIA Grace CPU 25,000 数据预处理 $2,200 NVIDIA H100 GPU (二手) 20,000 推理 $6,500 部署位置 SpaceX 的算力部署采用"天-地"双层架构： ...