过去三年，人工智能投资的主线简单粗暴：谁卖算力，谁就是赢家。英伟达的 GPU、云厂商的数据中心、内存芯片厂，几乎吃下了资本市场对 AI 的全部想象。但进入 2026 年，这条逻辑正在松动。雅虎财经援引 Axios 对市场风格的观察指出，AI 交易的下一阶段，赢家可能长得和英伟达、美光完全不同——它们不一定是造铲子的人，而是真正把铲子用起来、跑出回报的企业。

第一阶段的逻辑：卖基础设施就能涨

AI 热潮从 2022 年算起，第一阶段奖励的是「基建层」。英伟达把芯片卖给全行业，数据中心疯狂扩建，内存供不应求，相关公司的股价跟着订单走。这一时期投资者的判断标准很朴素：谁在搭建 AI 的物理底座，谁就值钱。

问题在于，这种「卖铲子就能赢」的共识正在被重新审视。Futurum 首席市场策略师沙伊·博洛尔（Shay Boloor）对 Axios 的表述很直白：现在游戏进入了「ROI（投资回报）说了算」的阶段。当潮水退去、估值被反复拷问，光是「AI 基建的一环」已经不够，市场开始追问——谁能把 AI 变得更高效、更 responsive、更个性化。

这意味着资金偏好可能转移：推理和内存相关公司更有机会获得青睐，而传统基建名字对投资者的吸引力可能减弱。一个被点名的「输家」方向是散热厂商——英伟达首席执行官黄仁勋在消费电子展上宣布了一款不需要散热的新芯片，直接压制了给服务器供风扇和液冷的公司。

旅游业的活样本：Airbnb、Booking、Expedia 的回报答卷

文章用一个行业把抽象逻辑讲得很实：旅游业。2026 年 5 月中旬以来，旅游股从低点普遍起飞，先是航空公司领跑；但到了 8 月，领导权换了人——爱彼迎（Airbnb）、缤客（Booking Holdings）、亿客行（Expedia）持续爬升，而酒店走平、航空和邮轮回吐了部分涨幅。这三家预订平台自 5 月 19 日起中位数涨幅接近 40%，酒店则大致持平。

更关键的是，这几家公司开始把 AI 的回报「说出了数字」，而不只是秀 Demo。爱彼迎方面，由其 AI 助手接手、从源头发起的客服问题，近 45% 在没有人工介入的情况下就解决了；每个订单的客服成本较上年同期下降约 16%，AI 被认为是改善的推动因素之一。爱彼迎首席执行官布莱恩·切斯基（Brian Chesky）对雅虎财经称，AI 是「发生在爱彼迎身上最好的事」。

缤客呈现出类似的回报曲线：每个订单的客服成本以两位数速率下降，管理层表示其 AI 投入已经产生正回报。不过，来自 AI 聊天机器人的推荐在总间夜数中仍只是极小一部分——也就是说，早期的回报主要发生在企业内部（客服、搜索、个性化、生产力），而不是靠外部流量。

连锁酒店的逆袭窗口：Choice 与 Wyndham

有意思的是，真正「剧情张力」更大的，是还没涨起来的那两家。精选酒店（Choice Hotels）和温德姆（Wyndham）也开始汇报硬邦邦的 AI 收益：精选酒店一款 AI 销售工具把团体预订的转化提升了 360 个基点（3.6 个百分点），一个 AI 客服试点把运营求助请求砍掉了约 40%；温德姆的 AI 礼宾把参与酒店的直接贡献提升了 500 多个基点，自主预订的平均每日房价比电话订房高出约 15%。

但这两家自 5 月 19 日以来股价是跌的， Forward 市盈率都在 15 倍左右，营业利润率高于 25%，过去三个月分析师盈利预期下调了约 7%。文章的点评正在于此：AI 的收益已经出现，可华尔街的预期和股价都还没转身——这种「预期与基本面错配」反而构成了观察窗口。

航空业也在用 AI，但低利润率和燃油、人力等巨大变量说明，技术好不等于投资好。结论很克制：投资者要找的，是真正把 AI 用成利润的公司。

分析师的判断：应用层才是主战场

美国银行的全球策略师哈伊姆·以色列（Haim Israel）在一次媒体电话会上提醒，市场犯了一个错误——把 ChatGPT 或 Gemini 当成「AI 的全部」。他的比喻是：说 AI 就是 ChatGPT，等于说互联网革命就是为了做个 Spotify。AI 的价值在各行各业的应用里，投资者也可以把沃尔玛这类用 AI 降本的老经济股票纳入视野。

摩根大通在 2026 年展望里写到，AI 正在拉动创纪录的资本开支、大宗商品需求和多元创新生态，标普 500 有望在 2026 年突破 8000 点；但驱动涨幅的赢家可能换面孔，因为 AI 建设和它的瓶颈都在变。博洛尔则把终局一句话点透：「AI 的归宿是智能体（agents）。」要做到那一步，需要真正能当同事的模型——记住你的偏好、沿途存下数据。

启示：从「建 AI」到「用 AI」

这套分析对市场的启示很清晰：AI 的上半场，钱流向做模型、卖芯片、盖机房；下半场，钱会慢慢流向把 AI 用到极致的传统行业与公司。对关注 AI 落地的观察者来说，真正的信号不在哪家又发了新模型，而在哪家企业的客服成本、转化率和运营效率被 AI 实打实改写了。

需要提醒的是，原文讨论的是美国市场的股价表现，属于产业与投资趋势观察，不构成对任何个股的买卖建议。但对「AI 能否从演示走向利润」这一普遍命题，旅游业的数字已经给出了一组可验证的样本。

来源：Yahoo Finance / Axios（作者 Jared Blikre，2026 年 8 月）

人工智能的算力竞赛，正在把一种原本低调的芯片推上风口：高带宽内存（HBM）。全球最大的 HBM 制造商 SK 海力士，正押注 7200 亿美元（约合人民币 5 万亿元），在韩国建设号称全球最大的内存工厂网络。CNBC 近日获准深入其扩建现场，揭开这场「内存之战」的一角。

一栋楼顶 50 层公寓那么高

最直观的冲击来自建筑本身。在美国，新建芯片厂往往是一层平铺的大体量建筑；而在韩国，SK 海力士选择向上生长。龙仁（Yongin）半导体集群的第一座厂房，设计高度将与一栋 50 层公寓楼相当，内部由六层洁净室跨楼层相连。CNBC 记者于 2026 年 7 月 21 日探访了仍在施工中的龙仁集群，并走进清州（Cheongju）的内存洁净室——这是该厂首次接受镜头参观。

HBM 由多层通用动态随机存取存储器堆叠而成，是带宽最高、能支撑 AI 处理器快速取数的内存。正因为这些堆叠耗用了大量 DRAM 产能，消费电子的内存供应反而被挤压；AI 巨头们签下的采购合同，也从过去短期的「大宗商品」变成了长达数年的长约。

市场高度集中，供不应求

据 Counterpoint Research 数据，今年第一季度，SK 海力士掌控了高带宽内存市场 58% 的份额，韩国同行三星与美国美光各占 21%。行业高度依赖少数几家玩家，而 AI 芯片巨头为了锁定供应，愿意承担更高风险。

SK 海力士自身的体量也随之膨胀：过去一年市值增长超过五倍，目前已突破 1 万亿美元。为给扩建筹资，公司 7 月在纳斯达克上市募资 265 亿美元，创下境外企业赴美上市的最高纪录。不过新投资者近一个月并不轻松——美股价从 7 月 14 日近 195 美元的高点回落约 21%，最新报 154.41 美元，与 AI 芯片板块及韩国市场的整体波动同步。

「这就像一场战争」

SK 集团会长崔泰源（Chey Tae-won）在首尔接受 CNBC 采访时直言：「这就像一场战争。人人都想买内存芯片，没有它，就造不出 AI 算力和 AI 芯片。」他坦言「价格涨得太快」，希望这轮大扩产能缓解局面。

需求端的紧迫可见一斑：英伟达 CEO 黄仁勋在一片晶圆上给崔泰源留言「请多造一些」。7 月，SK 海力士宣布与多家大客户签署 10 份长期协议；英伟达则作为 SK 集团 5000 亿美元合作的一部分，锁定了稳定的 HBM 供应，并约定共同开发下一代内存，其中还包括到 2027 年与 SK 电讯合建新数据中心。黄仁勋、AMD CEO 苏姿丰近期都曾亲赴韩国洽谈内存供应，崔泰源也时常与微软、谷歌、Meta 的掌门人碰面。

不止是周期，更是拐点

这轮扩产并非 SK 海力士一家之事。韩国总统李在明（Lee Jae Myung）6 月公布计划，要在五年内将本国内存产能翻一番，其中也包括三星的多座大型新厂。崔泰源认为，AI 智能体的普及将在十年内把内存总需求推高近十倍——需求不再受人口规模限制，而取决于智能体的数量。他判断，2026 年可能是「最困难的芯片短缺年」，尽管存储行业历史上充满泡沫与过剩，但这一次的 AI 需求是「真正的转折点」，而非单纯的周期上行。

来源：CNBC（记者 Katie Tarasov、Jeniece Pettitt），原文发布于 2026 年 8 月 13 日前后。

与动辄几千亿参数的旗舰大模型不同，这款模型走的是「小而快、专干执行层苦力活」的路线。英伟达给它的定位，不是负责复杂规划的「大脑」，而是在多智能体系统里承担代码审查、安全监控、数据处理等高频、重复、对速度与成本极其敏感的执行任务。

300 亿参数，每次只激活 30 亿

Nemotron 3.5 Lightning 采用混合专家（MoE）架构，总参数为三百亿，但每次推理只激活约三十亿参数。这种「总量大、激活小」的设计，让它在资源占用与推理效率之间找到了新的平衡点。

英伟达称，与同级别开源模型相比，它的输出速度最高可提升四倍，相应地把智能体任务的整體完成速度加快约三成。需要指出的是，单项输出速度提升明显，但由于多智能体协作中存在通信与调度开销，整体任务的加速比并没有达到四倍——这也是它被定位为「特定任务」加速器，而非通用全流程加速器的原因。

在基准测试方面，该模型在 PinchBench 上拿到 86 分，与 OpenAI 的 gpt-oss-120b 相当，仅落后规模为其四倍的 Nemotron-Super 两分。英伟达强调，它的核心价值不在绝对性能排名，而在智能体工作流里的执行效率。

本地就能跑，还能自动路由

部署门槛是这款模型的一大卖点。它可以直接运行在本地 AI 设备上，包括搭载 RTX 显卡的 PC、DGX Spark、Jetson 边缘设备，也能扩展到数据中心与云端。发布当天，vLLM、Ollama、llama.cpp 与 LM Studio 等主流推理框架即宣布提供支持。

英伟达同时放出了配套的 NeMo Switchyard 路由库。它允许开发者定义模型池与路由策略，把工作流的每一步调度到最合适的模型上。内部基准显示，借助路由，系统能在维持前沿级任务完成度的同时，把成本压到单独运行 Opus 4.8 的大约三分之一。已有企业在真实场景中验证这套方案：LangChain 在一百四十四个多轮智能体任务里，仅把百分之七的调用量路由给前沿模型，就实现了百分之七十四的成本下降；Ramp 在 SWE-Bench 基准上匹配了前沿模型性能，同时降低百分之五十八的成本与百分之三十三的运行时间。

从卖芯片到卖整套 AI 工作流

多家媒体指出，Nemotron 3.5 Lightning 与 Switchyard 的打包推出，标志着英伟达正从单纯的硬件供应商，向全栈 AI 生态服务商实质性转型。当企业 AI 应用从「单模型对话」走向「多智能体协作」，执行层模型的市场空白正在被打开。

值得注意的是，英伟达并未停下更大模型的脚步。据多家媒体报道，公司还在开发参数规模至少达到一万亿的开源模型 Nemotron 4，意图与全球领先的开源大模型正面竞争。对开发者而言，一个由芯片厂商主导、软硬件协同优化的开源模型生态，正在快速成形。

来源：CNBC / The New Stack / NVIDIA（2026 年 8 月 11 日）

「在 AI 领域，算力就是收入。」英伟达首席执行官黄仁勋说，「我们正把全球领先的长期资本提供方聚到一起，独立为 AI 基础设施提供承销。」

钱花在哪：数据中心与芯片工厂

这笔资金将同时投向英伟达自己的项目，以及合作伙伴正在推进的项目。由该基金支持的基础设施项目，预计包括新建数据中心，用于容纳、运行并冷却成排堆叠的计算芯片——正是这些芯片在处理 AI 的数据与操作。资金还将支持新建芯片工厂，扩大 AI 芯片产能，让买方更容易拿到货。

「算力已经成为一种关键的基础设施资产。」KKR 联席首席执行官乔·贝和斯科特·纳托尔在一份联合声明中表示，「随着我们在数字基础设施上把打法做大，我们学到的一点是：难的不是野心，而是交付。」

眼下几乎每一家主要的科技与 AI 公司，都在用英伟达的计算芯片，也就是图形处理器（GPU），来支撑自家的服务、AI 平台和聊天机器人。使用者名单里包括谷歌、Meta、亚马逊、微软、SpaceX、特斯拉、OpenAI 和 Anthropic。这些公司在过去三年里，仅在 AI 项目与基础设施上就合计投入超过 1 万亿美元，而且后续支出预计还会大幅增加。对英伟达芯片与服务的需求，也把这家公司的股票市值在三年内推高了五倍。

「AI 工厂」：一种可投资的新型基础设施

在周一发布的声明中，黄仁勋把英伟达作为芯片制造商的角色称为公司的起点。「今天，我们在帮助创造一类新的、有生产力的、可投资的基础设施：AI 工厂。」他说。

有了从合作银行与投资方那里调动资金的新渠道，这些机构将能够为这轮 AI 热潮提供更多融资。阿波罗管理着超过 1 万亿美元资产，其总裁吉姆·泽尔特表示：「现代算力已经成为一种稀缺的、任务关键型的资产类别。」他补充说，算力还「有望驱动可观的长期经济增长与生产率提升」。

把算力当成资产来经营，并非孤例。贝莱德上个月与 Meta 单独达成协议，为德州的一座数据中心提供融资并取得多数股权。Anthropic 近期也与麦格理资产管理和新加坡投资机构 GIC 达成协议，投资自有的 AI 基础设施。该公司没有披露交易规模，但表示需要更多融资，原因是旗下聊天机器人 Claude 太受欢迎，「需求要求大量新增算力」。

从芯片供应商，到把数据中心和芯片工厂包装成可承销、可投资标的的组织者，英伟达的角色正在发生位移。而当长期资本第一次把 GPU 集群与传统的机场、港口、电网放进同一个资产分类框架里，AI 基建的融资逻辑也随之改变——它不再只是科技公司的资本开支，而是一门要向出资人交付现金流的生意。

来源：BBC News（记者 Kali Hays）

在英伟达阵营的那些年里，他主要用「NVIDIA 控制面板」调整各项显卡设置。这款软件界面停留在 XP 时代，尽管带点怀旧滤镜，但英伟达早该更新了。英伟达其实在 2024 年初就放出了全新的 NVIDIA app 测试版，承诺逐步取代老控制面板，可直到他换卡前，仍有大量选项只存在于老面板里，用户不得不两个软件来回切。这一局面一直持续到 2026 年 5 月，英伟达才正式退役那款经典控制面板，把功能全部并到新 app。

换成 RX 9070 XT 后，Damnjanovic 被 AMD Software：Adrenalin Edition 的好用程度震住了。它界面现代、选项丰富，比英伟达那款老态龙钟的控制面板领先了不止一个身位。需要调的设置触手可及，新驱动一发布软件就弹窗提醒，录屏也极其简单，逐游戏配置更是被放在了醒目位置，让用户能快速为每款游戏单独设定显卡参数。

更让他满意的是，给 RX 9070 XT 做降压和超频完全不用第三方工具。在英伟达这边，像 Afterburner 这类软件长期是超频降压的标配；而 AMD 把这些能力直接做进了 Adrenalin，点开「性能」里的「调整」选项卡、启用自定义预设，几步就能完成，甚至还能按游戏分别设定——有些游戏能吃更高的降压值，有些则会立刻崩溃，逐游戏配置非常实用。AMD 软件还允许用户自定义显卡风扇曲线，这是英伟达 app 至今缺失的功能。

当然，软件体验占优不代表 AMD 在功能上全面领先。多帧生成至今仍是 AMD 的空白，而英伟达和英特尔都已经提供了一段时间；作者尤其羡慕英伟达的 RTX HDR，配合 OLED 显示器效果出众。不过在他眼里，RX 9070 XT 依然是每款游戏里的猛兽，运行安静清凉，FSR 4 的观感已逼近 DLSS 4，配合 OptiScaler 还能在一切支持 DLSS 的游戏里开启。他用的这块是蓝宝石 NITRO+ 版本，16GB 显存，售价约 720 美元。

对正在挑选显卡的用户来说，这或许是个提醒：除了跑分和光追，日常天天打交道的驱动软件，同样值得放进对比清单。

来源：How-To Geek

问题出在 TAA（时间抗锯齿）身上。现在的游戏几乎都靠它消锯齿，原理是把前后好几帧的信息混着算，比传统 MSAA 省性能得多。但混帧的代价是画面发软：草丛、远景、栏杆这类细长结构，镜头一动就糊。哪怕跑的是原生 4K，细节照样被抹掉一层。

换成 DLAA，先看游戏里有没有

DLAA 同样属于时间抗锯齿，但它用的是 DLSS 超分辨率背后那套 AI 模型，而且不降低内部渲染分辨率，纯做抗锯齿。细节保得住，动起来也不糊。

操作很简单：进游戏画质设置，找到抗锯齿或超分辨率一项，下拉里如果有 DLAA，直接选上。

游戏里没这个选项，用驱动强开

支持 DLSS 的游戏未必单独给 DLAA 选项。这种情况可以在 NVIDIA App 里强制打开：「图形」→「全局设置」→「DLSS 覆盖 – 超分辨率模式」，下拉菜单里选 DLAA。

代价和取舍

性能上，DLAA 多数场景掉 5%–10% 的帧数，比开路径追踪动辄腰斩温和太多。Rozario 的经验是：1440p 带鱼屏上 CPU 拖了显卡后腿时，与其让显卡闲着，不如开 DLAA 把画面吃干榨净。

如果纯按画质排序，他给的顺序是 DLAA 最好，DLSS 质量档紧随其后，原生分辨率配 TAA 垫底。前两者差距小到不刻意找几乎看不出来，所以对大多数人来说 DLSS 质量档更实用——毕竟它还能涨帧。

我的判断是，这个开关被严重低估了：光追只在反射、阴影、光源这类场景里惊艳，DLAA 则是每一帧都受益。手上是 RTX 卡、帧数还有富余，不妨先开它，再考虑要不要碰光追。

来源：XDA Developers

8 月 6 日美股收盘后，AMD 宣布已与加拿大 AI 芯片初创公司 Taalas 签署最终收购协议。交易金额未披露，需通过监管审批，预计在第四季度完成交割。据 The Register 了解，这是一笔实打实的收购，而非只挖团队的「人才收购」。

不用显存，把权重直接烧进硅片

Taalas 成立于 2023 年，总部位于加拿大多伦多，累计融资约 2.19 亿美元。它的技术路线与主流方案完全不同：无论是常规 GPU，还是 Groq、Cerebras 那类数据流架构加速器，模型权重都存放在高带宽内存里，芯片运行时反复读取——数据在内存与计算单元之间来回搬运，带来功耗、延迟和封装成本。

Taalas 的做法是把权重直接蚀刻进硅片。从结构上看，它的芯片由两个区域构成：存放模型权重的掩模只读存储区，以及承载键值缓存和微调适配器的静态随机存储区。这类芯片本质上是「模型专用集成电路」，一颗芯片只服务一个模型。

这套方案并非停留在纸面。今年 2 月，Taalas 发布了首款测试芯片 HC1，采用台积电 6 纳米工艺制造。初步基准测试中，它运行 Meta 的 Llama 3.1 8B 模型达到每秒 16960 个词元——按当时的对比口径，这一速度是英伟达 GPU 的 48 倍、Cerebras 加速器的 8.5 倍。Llama 3.1 以今天的标准看已属老模型（2024 年年中发布），这枚光罩尺寸的芯片主要目的是验证概念可行。

第二代 HC2 芯片计划于今年夏季推出，单芯片参数量目标提升至 200 亿。这个数字听起来不大，但与 GPU 一样，权重可以通过流水线并行分散到多颗芯片上。按每颗 200 亿参数计算，支撑一个万亿参数模型只需 50 颗加速器——而 AMD 恰好拥有机架级计算平台和自研系统设计团队。作为对照，英伟达近期发布的 LPX 系统跑同等规模模型，需要数十颗 GPU 外加至少 2000 颗 Groq 加速卡。

AMD 的算盘：GPU 处理提示词，专用芯片吐词元

据了解，AMD 打算把基于 Instinct 的 Helios 机架与 Taalas 技术芯片配对，构成一套解耦架构：计算密集的提示词处理交给 GPU，词元生成任务卸载到 Taalas 加速器。另一种可能的模式是形成「验证—迁移」的迭代节奏，客户先在 Instinct 加速器上部署调试模型，确认效果后再迁移到 Taalas 芯片。

AMD 人工智能高级副总裁 Vamsi Boppana 在声明中表示：「AMD 正在构建全栈 AI 平台，让客户能够为每一种 AI 工作负载灵活选择合适的计算方案。」

这笔交易的背景，是行业竞争焦点正从训练转向推理。过去几年芯片厂商比拼的是谁能连接更多 GPU、提供更大显存和更高集群带宽；随着模型进入实际业务，推理变成了持续发生、反复计费的负载，客户开始追问每个词元的成本、响应延迟和数据中心功耗。这笔收购距离英伟达与 Groq 达成 200 亿美元交易仅隔约七个月，也印证了推理芯片已成新战场。

AMD 近年在这条线上动作密集：2024 年以 6.65 亿美元收购模型开发商 Silo AI、以 49 亿美元收购服务器厂商 ZT Systems 为 Helios 机柜奠基，此后又拿下推理软件公司 MK1；今年 6 月收购内存优化公司 MEXT，7 月与 Cerebras 达成合作。财务上也支撑得起：AMD 第二季度营收 115 亿美元、同比增长 50%，其中数据中心业务 67 亿美元、同比增长 107%，占总营收的 58%。

代价：芯片一旦流片，就跟这个模型绑死了

速度虽快，代价也很直白——芯片部署后就被锁死在那个模型上。任何超出 LoRA 适配器级别的改动，都需要重新流片，既贵又耗时。生成式 AI 热潮进入第四年，新模型几乎按月迭代，要享受这项技术红利，客户必须对自己的模型选择有十足把握。

不过据 Taalas 说法，情况没那么糟：换新模型虽需重新流片，但不必从零开始，只需改动两层金属，成本和周期都低得多。今年 2 月该公司曾对科技媒体 The Next Platform 表示，把模型权重蚀刻进硅片的开销，比训练一个前沿模型低 100 倍。

The Register 判断，这项技术的主要用户会集中在模型开发商、其基础设施供应商，以及少数推理服务商。AMD 在这方面有谈判优势：OpenAI、Anthropic 和 Meta 都是 Instinct 的重要客户，未来看到某个 GPT 或 Claude 跑在 Taalas 与 Instinct 的混合方案上，并不令人意外。

这项技术还可能反向影响模型开发。开发者压制幻觉的手段之一叫「测试时扩展」，做法很简单——让模型在回答前多「想」一会儿。缺点是消耗大量词元，既费钱又让用户等更久。如果 Taalas 能把单位词元成本压下来、把输出速度提升 10 倍到 20 倍，模型开发者或许会选择把推理时间拉得更长。

AMD 首席执行官苏姿丰此前多次表示，AI 芯片市场不存在「一种芯片通吃所有应用」的情况：GPU 凭通用性仍会占据大部分份额，因为它能支撑不断演进的新模型；但不同场景也需要更专业化的加速器共同构成完整生态。Taalas 补上的，正是最靠近专用计算的那一端。

来源：The Register

Taalas 的技术路线在业内被称为”模型专用集成电路”（MSIC）。传统 GPU 靠高带宽内存（HBM）存储模型权重，每次推理都要从内存反复读取；Taalas 则把权重直接烧进芯片的掩模只读存储（Mask-ROM）区域，省掉了绝大部分数据搬运开销。其芯片由两个核心区域组成：掩模 ROM 存储固定权重，高速 SRAM 存储 KV 缓存和微调适配器。

说白了，这是用灵活性换极致性能的赌注。一旦芯片出厂，上面跑的模型就锁死了——想换模型就得重新流片（重新设计光罩）。不过 Taalas 称，更换模型时只需修改两层金属布线，成本和时间远低于从头设计新芯片。

这笔交易发生在英伟达以 200 亿美元收购 Groq 仅仅七个月之后。两家公司的思路有相似之处——都瞄准低延迟、高吞吐量的”高级推理”市场，也就是 AI 智能体、代码助手这类对首字延迟极其敏感的应用场景。但 Groq 走的是数据流架构路线，而 Taalas 走的是更激进的”模型固化”路线。

AMD 方面没有披露交易金额。Taalas 自 2023 年成立以来累计融资 2.19 亿美元，创始团队来自 AMD 和 Tenstorrent 的前员工。AMD 计划将 Taalas 技术整合进 Instinct GPU 产品线，采用解耦架构：复杂的前端提示处理交给 GPU，高频 Token 生成交给 Taalas 加速器。

这意味着什么？如果 Taalas 的技术能在量产中兑现承诺，AI 推理的成本结构可能被重写——不是比拼谁买了更多 GPU 卡，而是比谁能把最常用的模型”固化”下来、以最低成本持续输出 Token。对正在评估推理基础设施的企业来说，值得密切关注这条技术路线的后续进展。

来源：The Register / AMD 官方新闻稿 / 网易科技

先说硬件：Olympus 确实够硬

Vera 采用 88 核单片计算裸片。Olympus 是一颗 10 发射宽度的 Arm v9.2 乱序核心，配备值预测、图预取器、每核 2MB 私有二级缓存，全芯片共享 164MB 末级缓存，并通过 8 个 LPDDR5X 内存接口提供 1.2TB/s 带宽。

具体到核心内部：前端每周期可解码 10 条指令，每周期最多处理两个已跳转分支；英伟达还提到了神经分支预测器、内存重命名、大指令窗口、6 条 128 位 SVE 管线、4 条加载管线、2 条存储管线、96KB 一级数据缓存，以及访问 2MB 私有二级缓存约 10 个周期的延迟。88 颗这样的核心挂在一条 3.4TB/s 的一致性总线后面，共享一块分布式的 164MB 系统级缓存。

内存子系统同样激进：8 个 SOCAMM2 LPDDR5X 模块，最高 1.5TB 容量、1.2TB/s 带宽，而英伟达称整套内存子系统功耗仅约 50 瓦。传统的 EPYC 或至强平台可以用容量更大、更换更方便的内存条，但要为这份灵活性付出板卡面积和功耗的代价。

独立测试也支持这一判断。今年 5 月，Phoronix 的迈克尔·拉拉贝尔（Michael Larabel）用一套早期 Vera 系统对比了当下的 Arm 和 x86 服务器。在英伟达允许的测试范围内，Vera 的几何平均成绩比主频 5.0GHz 的 EPYC 9575F 高出 10%，是至强 6980P 的 1.55 倍、上一代 Grace 的 1.63 倍——这是目前公开测试中性能最强的 Arm 服务器处理器。

不过这场测试有几处重要限制：可测的工作负载范围由英伟达指定，不允许监测频率和功耗，被测系统是预生产版本，测试窗口只有一天。真正全面的评估，得等 Vera 流入市场而不只是待在英伟达的实验室里。

争议一：换个名字，SMT 还是 SMT

白皮书的图 5 把「传统 SMT（x86）」与英伟达的空间多线程（Spatial Multithreading）放在一起对比。x86 那一侧被画成分支预测器、解码、执行、访存各级流水线在两个线程之间交替；配图说明称 Vera 通过在两个硬件线程之间划分资源，避免了「机会性的时间分片」。

Chips and Cheese 指出，这张图对 SMT 的通常实现方式给出了误导性的印象。实际的 SMT 实现中，取指、解码、分配等阶段一般是按周期选择服务哪个线程，而执行和访存阶段则与线程无关，同一个周期内可以同时处理两个线程的微操作。只要两个线程都有指令可喂，这些阶段并不会像图里暗示的那样空转。在没有单线程停顿的情况下，静态分区和按周期选择给出的平均吞吐是一样的；一旦出现停顿，按周期选择反而能把闲置的吞吐让给没有停顿的那个线程。反过来，像英伟达建议的那样静态划分资源，可能出现一个线程算力吃紧却用不了另一半执行单元的情况——因为那部分被留给了另一个线程。

英伟达的文字强调空间多线程在「确定性、隔离性和服务质量」上的优势，唯独没有提性能。考虑到目标市场，服务质量可能确实比吞吐更重要，这未必是个糟糕的设计取舍。问题在于配图的纵向布局容易被读成时间轴，让人误以为空间多线程能带来比传统 SMT 更大的性能收益。

还有一个细节值得注意：当同一核心上的同伴线程结束后，Olympus 核心需要约 1 万个周期才能切回单线程模式。这意味着软件在往 Olympus 核心上启动第二个线程时必须格外谨慎，除了分区方案本身的代价之外，还要承担切回单线程的延迟。

争议二：32 个 NUMA 节点是个稻草人

白皮书接着告诉读者，一套双路 x86 大系统可以暴露「多达 32 个 NUMA 域」，而 Vera 每路只有一个。

这个数字并非杜撰。在多小芯片的 EPYC 系统上，管理员确实可以把缓存本地区域作为独立的 NUMA 节点暴露出来，如果把所有局部性相关的开关都调到最细粒度，节点数就会变得很大。

英伟达没说的是，这是可配置的。AMD 的调优指南列出了 NPS4、NPS2、NPS1 乃至 NPS0 等多种模式，可选的「末级缓存即 NUMA」设置能把每个末级缓存域单独暴露出来。换句话说，「32 个 NUMA 节点」不是小芯片架构 CPU 不可避免的用户体验，它只是局部性控制光谱的一个极端。英伟达把一种可选的高粒度配置，说成了 x86 系统的必然现实。

每路一个域确实简化了调度和内存放置，而多个域则让调优过的软件可以利用物理局部性。Vera 选择了更简单的呈现方式，英伟达完全有理由主张这更贴合自家软件栈。但操作系统看到的 NUMA 节点只是一层抽象，不是虫洞。Vera 依然有 88 个核心、分布式的缓存与归属节点、环绕大裸片布置的内存控制器，以及一条包交换的一致性总线。扁平的软件拓扑可以让这些距离更加一致，却无法让它们消失。

白皮书里的核对核延迟热力图本该是量化这项优势的好地方，结果给出的只是一堆彩色方块：没有核心编号、没有最小/中位/最大值表格、没有分布、没有测量方法。「最高降低 50%」记录的是英伟达拿到的最好成绩，而不是 Vera 的典型表现。

争议三：把 SPEC 测试说成「智能体基准」

到了跑分环节，这份本该讲 CPU 的白皮书开始戴上一枚不知从哪儿捡来的 AI 会议胸牌。

英伟达从 SPEC CPU 2026 整数测试中挑出四个子项——CPython、GCC、LLVM 和 Cppcheck——称之为「智能体基准」。而 SPEC 官方对它们的描述是：一个 Python 解释器、两个优化编译器和一个 C/C++ 静态分析器。

这些都是正经的 CPU 程序，会给指令占用、分支密集代码、内存分配和依赖链带来压力，智能体当然也可能调用这类程序。但它们本身不是智能体：没有模型在输出 token，没有智能体运行时在挑选工具，没有沙盒启动、没有 I/O 阻塞、没有检索上下文、没有评估答案、也没有把观测结果反馈进策略。把它们叫作「智能体基准」，等于把一部分重叠说成了完整的端到端负载。

争议四：归一化数字放大了优势

白皮书正确地把 SPEC 结果标注为估计值，因为运行时 Vera 参考硬件尚未普遍上市。图 15 显示，在满载双路系统下按物理核心归一化后，这四个选定子项有 1.7 到 1.8 倍的优势。

但翻到配置页会看到另一组数字：完整的 SPECrate 2026 Integer Base 估计总分，双路 Vera 为 925，双路 EPYC 9755 为 898——系统吞吐优势只有 3.0%。

两个数字都成立。Vera 双路共 176 个物理核心，EPYC 系统则是 256 个。用各自的物理核心数一除，Vera 在整套整数速率测试中每核约快 50%，而在选出的那几个子项上达到 70% 到 80%。Vera 的单核性能确实很强，但把这些测试包装成智能体负载、再着重展示归一化数字，会让优势显得比已披露的结果所能支撑的更宽泛。

还有一处术语打架：英伟达把图 19 称为「单线程 IPC」，描述的却是一套满载系统——公开的配置是在 176 个 Vera 核心上跑 352 个副本，在 256 个 EPYC 核心上跑 512 个副本，每个物理核心两个。到底是在同伴线程活跃时采样了一个逻辑线程，还是把计数器聚合后做了除法，白皮书没有交代。

至于 IPC 领先的归因，英伟达列出了四组计数器：视工作负载而定，Vera 号称每周期多出最高 2.3 倍的分支预测、3.5 倍的已跳转分支、2.4 倍的取指操作和 4.3 倍的后端操作。问题是这些比值都没有定义，却被当成因果证据来用。

那些「独门技术」其实都有前例

值预测确实是 Olympus 较为独特的一处加法：如果核心正确预测出某个结果，依赖它的指令就能继续推进，而不必堆在一条长延迟操作后面排队。这个方向学术界研究已久，有研究者发现苹果在自家核心中用了值预测，AMD 也谈过 Family 17h（Zen 1 和 Zen 2）能预测部分浮点指令的结果——只是 AMD 那次的实现相当受限，Olympus 看起来更接近苹果的广度。

图预取器则算不上英伟达独有。英特尔有一套类似机制叫数据依赖预取器，至少从 2022 年起就在量产芯片中出现；其最新的数据中心处理器 Granite Rapids 还有一个「指针数组」预取器，会「把为固定步长加载预取的数据当作指针，并向该指针值对应的内存地址发出预取请求」。这与英伟达描述的图预取器在生产者—消费者思路上如出一辙。英特尔的实现较为受限，英伟达的版本或许能处理更复杂的依赖链，但这个想法本身并不新。

神经分支预测器同样有前例。早在 2012 年，AMD 就在推土机改进版 Piledriver 微架构中实现了感知机分支预测器，并在 Zen 1 上延续使用。但从 Zen 2 开始，AMD 只让感知机负责初始方向预测，再由 TAGE 预测器覆盖——因为后者带来了 30% 的误预测降幅。到了 Zen 5，AMD 很可能已经全面转向 TAGE，甚至在 Zen 3 或 Zen 4 时代就完成了这一转变。

Chips and Cheese 的落点很清楚：Vera 本不需要这些额外的包装，早期的独立测试已经证明 Olympus 是一颗真正强悍的核心。硬件说得通，故事讲过了头。

来源：Chips and Cheese、Phoronix、英伟达开发者博客

100 亿美元买什么

根据彭博社援引匿名消息人士的报道，Anthropic 已签署合同，使用由英伟达支持的云初创公司 Volta 管理的数据中心算力。Volta 将联手比特币矿场转型而来的数据中心运营商 Bitdeer，在挪威建设一处设施。

• 挪威站点规划容量 133 兆瓦，将搭载英伟达最新一代 Vera Rubin 芯片架构。
• 协议为期六年，是 Volta 的招牌合同，也为这家”几天大”的初创公司提供了背书与现金流。
• Volta 本周二宣布完成 3 亿美元风险投资，投后估值 24 亿美元，投资方包括安德森·霍洛维茨、Altimeter、英伟达以及迈克尔·戴尔。

对 Anthropic 来说，把算力分散给众多供应商是一种保险：没有任何单一供应商能满足它的需求，过度依赖任何一家（包括自己的投资人）都暗藏风险。分散也是为了议价——能在亚马逊、谷歌、AMD 之间迁转工作负载的实验室，对任何一方都更少受制。

算力成了最贵的战场

Anthropic 今年以来疯狂扩充算力：与 SpaceX、AMD（50 亿美元、2 吉瓦 GPU）、Akamai 签下协议，并与 Meta 的数据中心洽谈；最大金主亚马逊已投入至多 250 亿美元，谷歌与博通的合作用量运行率已达 300 亿美元。公司今年早些时候还完成了一轮 650 亿美元融资。

Bitdeer 是众多在比特币价格走低后，把矿场改造成 AI 数据中心的矿企之一。前台 AI 实验室之所以要提前数年锁定算力，根本原因仍是 GPU 供给紧张、需求持续攀升。把 100 亿美元押在一家刚成立的公司身上并非没有风险——Volta 还得真正把设施建出来、跑起来。但在”产能就是天花板”的当下，Anthropic 愿意在任何能找到算力的地方下手，哪怕对方一年前还不存在。

来源：Bloomberg