供应链密集拜访：富士康、台积电，下一站韩国

苏姿丰在中国台湾地区接受采访时表示：”随着 2026 年的推进，我们已经能确保增加供应。到 2027 年，我们将大幅增加供应。”

据悉，她此次行程访问了富士康、台积电，目的是确保 AMD 能够扩大 CPU 和 GPU 产能，满足不断增长的 AI 需求。据 TechRadar 报道，她的下一站是韩国，将与三星、SK 海力士会面，进一步保障内存芯片供应——这也是 AI 服务器最紧缺的环节之一。

AI 业务高利润，消费级只字未提

值得注意的是，苏姿丰此番表态完全没有提到消费级产品。从商业层面看，AI 加速器的利润远高于消费级 CPU、GPU，AMD 自然把资源向数据中心倾斜。

AI 需求的旺盛程度也超出寻常。苏姿丰表示，AMD 预计未来几年需求都会”非常、非常高”，因此公司已开始按未来三到五年的维度规划产能，而不只是看下一年度。作为英伟达在 AI GPU 市场最重要的竞争对手之一，AMD 的 Instinct 系列 GPU 与 EPYC 服务器处理器需求快速增长，公司市值近期首次突破 1 万亿美元。

消费级用户为何该关心

对普通玩家而言，这意味着 Radeon 显卡与 Ryzen 处理器的供应短期内难有惊喜。此前已有不少分析指出，内存芯片供应明年可能进一步趋紧，而 AMD 此番表态等于确认：产能会继续优先满足数据中心。

从 ChatGPT 兴起以来，AI 算力对消费级硬件供应链的挤压就一直在持续。至少从 AMD 的规划看，2027 年之前，这一趋势恐怕不会逆转。

据《金融时报》10 月 2 日报道，亚马逊正考虑将价值约 80 亿美元（按当前汇率约合 537.15 亿元人民币）的英伟达 Grace Blackwell AI 芯片，转入一家新设的特殊目的实体（SPV），再从该实体回租使用。该消息随后被路透社等媒体跟进援引。截至发稿，亚马逊与英伟达均未就此作出公开回应。

交易怎么运作

根据报道，这笔交易涉及的芯片为数千颗英伟达 Grace Blackwell 加速卡，已部署在亚马逊美国五个州、十余个数据中心内。亚马逊计划把这些昂贵的半导体资产移交给 SPV 后，继续从 SPV 租用并照常使用；SPV 则通过发行债券引入外部投资者，并可能向外部投资者提供该载体最多 10% 的股权。

由于亚马逊自身拥有双 A 级（AA）信用评级，市场预计该 SPV 将获得投资级信用评级，从而向保险公司、养老基金等更宽广的投资者群体敞开参与空间。对亚马逊而言，这种方式可以把硬件及其对应的债务从自身资产负债表上移开，转向更轻资产的运营结构。

为什么这么做

亚马逊近年来在 AI 基础设施上的投入规模空前。据《金融时报》报道，亚马逊预计 2026 年资本支出将达到约 2000 亿美元量级，主体用于 AWS 的 AI 数据中心与加速器采购。在如此庞大的支出面前，把部分加速器的资本开支与资产风险转移给外部投资者，有助于释放资产负债表空间，同时不丧失对算力的实际掌控——物理上的超级计算机没有改变，改变的是所有权与出资结构。

业内人士指出，类似的 GPU 抵押融资结构并非孤例，此前在 CoreWeave 以及英伟达向客户提供的融资支持中已出现过，显示这类安排正逐渐成为 AI 基础设施融资的常规工具，而非一次性补救。

并非”缺钱”信号

需要厘清的是，这一安排并不等同于亚马逊资金紧张。报道援引的市场数据称，亚马逊 2026 年第二季度净利润升至约 626 亿美元，远超第一季度的 303 亿美元；消息传出后，亚马逊股价不跌反涨约 1.34%。分析认为，市场将其解读为资产负债表”工程”，而非紧急变现。

不过，这类结构也带来新的风险考量：Grace Blackwell 芯片随着英伟达产品迭代贬值较快，SPV 投资者实质上是在押注租出的 AI 芯片能保有足够残值以偿付所募债务。随着此类融资安排增多，如何为残值风险定价正受到行业广泛关注。

核心规格：单芯片性能为上一代 3 倍

真武 V900 基于自研并行计算架构设计，搭载 216GB 大容量显存，片间互联带宽达 1200GB/s，单芯片性能为真武 M890 的 3 倍。它原生支持 FP8、FP4 低精度计算，在大幅提升算力密度的同时降低推理成本，可覆盖万亿级参数大模型的训练、推理全场景。按照规划，该芯片将于 2027 年第一季度量产售卖，并在阿里云数据中心规模化部署。

超节点：上千颗芯片像一颗“超级芯片”

真武 V900 通过平头哥自研的 ICN Switch 互联芯片，具备原生内存语义与内存统一编址能力，可实现千卡全带宽高速互联，让上千颗芯片像一颗“超级芯片”一样协同工作，为超大参数模型的训练与推理提供高吞吐、低延迟的算力。与之配套的新一代磐久超节点服务器，集成真武 V900、ICN Switch、磐脉智能网卡以及镇岳 SSD 主控芯片，实现算、存、网全栈系统级协同，单一集群可扩展至 50 万卡规模。

上一代已经过验证：跑通超 2 万亿参数模型

基于真武 M890 的超节点已大规模应用，跑通了 Qwen3.8、Kimi K3 等超 2 万亿参数的大模型。平头哥透露，截至 2026 年 6 月，真武系列已服务超过 650 家企业客户，覆盖智驾、金融、大模型、具身智能、能源、制造等领域，是场景应用最广的中国自研 AI 芯片之一。吴泳铭表示，随着产品线成熟与客户广泛应用，平头哥 AI 芯片的年出货量将大幅提升。

CPU 路线图首次公开

针对智能体（Agent）对 CPU 的强依赖，平头哥首次公布倚天服务器 CPU 的规划：2027 年推出倚天 720 与倚天 730 两代产品，其中倚天 730 首次基于全自研 CPU 微架构，单核性能最高可达倚天 710 的 1.4 倍；后续还将推出搭载第二代自研核的倚天 750，支持自研 ICN 片间互联，使 CPU 与真武 AI 芯片直接互联。平头哥还预告了下一代 AI 芯片真武 J900，自研并行计算架构将迎来跨越式革新，计划 2028 年第三季度上市。

在基础设施层面，吴泳铭给出了更长远的目标——到 2032 年，阿里云运营的全球数据中心规模将超过 20GW。从芯片、互联、存储到服务器与云，一条围绕 AI 算力的完整链路正在被逐段补齐。

云栖大会定调：AI 基建成阿里长期战略

2026 云栖大会于 9 月 22 日上午在浙江杭州开幕。阿里巴巴集团 CEO 吴泳铭在会上表示，当前客户对人工智能的需求非常强劲，阿里将全力投入 AI 基础设施建设，目标到 2032 年，阿里云运营的全球数据中心规模超过 20GW。

本届云栖大会上，英伟达位列巅峰合作伙伴，是最高等级合作伙伴；英特尔、AMD 分获钻石、红宝石合作伙伴。阿里巴巴集团 CEO 吴泳铭、阿里千问大模型（LLM）项目负责人刘大一恒等将在大会上发表主题演讲。云计算、人工智能、智能制造等领域的国内外头部企业，以及多家算力、大模型产业链厂商集中亮相，算力生态合作成为本次大会的一大看点。

机器思考将承担 99.9% 的思考工作

吴泳铭在演讲中给出了一个判断：今天机器动力已经承担了 99.9% 的物理工作，未来人类的思考总量还会继续增长，但机器思考将以更快的速度扩张，预期将会承担 99.9% 的思考工作。

他认为，顶级思考将从奢侈品变成可规模化供给的商品，每个细分领域都可以拥有上百万量级的 AI 科学家和专家，这将给人类社会带来巨大改变。吴泳铭表示，AI 模型、AI 芯片和 AI 云是机器智能时代的三大基石，阿里巴巴将坚定投入这三项基础设施建设，这是阿里的长期战略选择。

全栈 AI 体系与万亿参数模型

阿里巴巴集团董事会主席蔡崇信在会上表示，AI 发展已迈入全新阶段，正持续从前沿技术突破转向真实场景的规模化价值创造。目前 AI 已深度赋能自动驾驶、具身智能、世界模型等核心领域，有效赋能千行百业、提升产业生产力。

蔡崇信透露，阿里巴巴正持续坚定加码全栈 AI 体系建设，搭建起覆盖芯片、云模型、模型服务、智能体应用的五层协同完整架构。该体系可形成从底层技术研发到全域产业落地的完整闭环，高效推动各项 AI 技术成果转化为实体产业进步。

此外，阿里巴巴计划训练一款参数量为 5 万亿至 10 万亿的人工智能模型。

销量翻倍的预期

黄仁勋在会上强调，AI 安全“至关重要”。他表示，如果企业无法对产品的安全性充满信心，就不应该推出相关产品。这一表述呼应了近期业界对 AI 监管走向的高度关注。

监管博弈

与此同时，《华尔街日报》报道称，黄仁勋、Meta CEO 马克·扎克伯格以及 SpaceX CEO 埃隆·马斯克近期曾就一项拟议中的行业资助监管机构向美国总统唐纳德·特朗普表达担忧。据报道，三人的介入最终使这一计划暂时搁置。

市场反应

IT之家注意到，在上述表态发布后，英伟达股价盘前上涨 2.1%，报 218.4 美元。作为 AI 算力的主要供应商，英伟达的芯片出货预期被视为整个 AI 基础设施投资景气度的风向标。

黄仁勋对 2027 年销量的乐观判断，延续了过去两年 AI 加速器需求持续走高的趋势。不过，最终出货量仍取决于数据中心客户资本开支节奏、供应链产能以及全球监管环境的变化。

强调”设计+制造+封装”一体化

陈立武在主题演讲中回答思科总裁兼首席产品官 Jeetu Patel 关于英特尔晶圆厂重要性的提问时表示，芯片企业同时掌握设计、制造和先进封装能力至关重要。他认为，晶圆代工业务需要先进制程技术，并对良率、缺陷率、生产周期和工艺波动进行严格管理，以保证产量可预测；不同客户的需求各不相同，代工厂还需具备相应知识产权并支持电子设计自动化（EDA）工具。

先进封装成竞争焦点

陈立武特别强调了先进封装的重要性，即将 CPU、内存、输入输出设备及不同硅芯片整合到同一封装中。他对英特尔 EMIB（嵌入式多芯片互连桥）技术表示信心——该技术通过硅桥连接不同芯片，使多个裸片协同工作，正被英特尔作为与台积电 CoWoS 竞争的先进封装方案。他同时指出，封装基板是当前面临的主要挑战之一，日本和中国台湾地区的企业通过预付款锁定了大量基板供应。

警示 AI 芯片代工过度集中

陈立武表示，全球 AI 芯片制造不应过度依赖单一代工企业。他指出，若将 95% 的订单交给台积电，供应链风险将显著增加。目前英伟达、AMD 和苹果等美国企业几乎都将 AI 芯片生产交给台积电。根据市场研究机构 Counterpoint 的数据，台积电 2026 年第一季度占全球晶圆代工收入的 70% 以上，领先三星电子、中芯国际和英特尔。

代工复苏与制程进展

对于英特尔代工业务的复苏，陈立武表示晶圆代工”并非易事”，需要谨慎推进并投入大量资本，但”过去 18 个月情况已经有所改善”。英特尔此前在 14A 制程良率上遇到困难；2026 年 4 月，公司同意向由特斯拉和 SpaceX 主导的 Terafab 项目提供 14A 制程技术，首款产品预计 2028 年年中推出。2026 年 6 月，英特尔聘请前 SK 海力士 CEO 李锡熙（Lee Seok-hee）担任高级副总裁，负责代工部门先进封装及后端技术研发与制造。

陈立武认为，随着面向推理的 AI 智能体数量持续增长，未来将需要更多计算资源与安全能力。GPU 主要用于 AI 模型训练，而 CPU 负责协调大量 GPU 协同工作并管理应用程序，因此在 AI 推理时代仍具重要作用。

从 Arke 到 Astrid

Meta 于 2023 年公布自研 AI 芯片计划，目前正在测试第三代产品 MTIA 450（代号 Arke）。下一代 MTIA 500（代号 Astrid）预计约一个月后完成设计，并于 2027 年底进入数据中心。相比前几代产品，Meta 计划更大范围地部署 Astrid。负责 Meta 定制芯片项目的工程副总裁 Yee Jiun Song 接受采访时指出，每一代产品都会在技术上承担稍高一些的风险，同时换来更好的性能。新一代芯片不仅要提高能效，也要在同等投入下提供更强性能。

降本增效与去英伟达化

Meta 正大举建设 AI 基础设施，自研芯片是其中的重要一环。芯片由 Meta 与博通（Broadcom）合作设计、台积电负责制造，目标之一是减少对英伟达领先 AI 处理器的依赖。若按能耗规模衡量，Meta 计划在 12 个月内部署超过 1GW（吉瓦）规模的自研芯片，后续部署速度预计还会加快，前提是 AI 市场和需求不出现大幅下滑。Meta 超级智能实验室也参与芯片调校，向硬件团队提供未来 AI 模型以及推理阶段所需能力的信息。Yee Jiun Song 称，由于大量工程工作由 Meta 自行完成，自研芯片运行自家 AI 模型时，可以比”英伟达当前出货的任何产品”更高效。

9 月 1 日，台积电向 Meta 交付 12 枚新型号芯片，实测性能与此前模拟结果的差距只有 2% 至 3%。拿到芯片当天，团队便成功运行 Meta 自家模型，以及 DeepSeek 和阿里巴巴的模型。初步测试未发现芯片设计缺陷，但后续仍需要数月测试和调优，工厂也将在此期间逐步提高产量。四代芯片基本都采用高带宽内存，定位并非追求极致响应速度的超高速推理市场，这些产品将成为用于通用推理的主力芯片。

实测表现与后续路线

Meta 此前还规划过一款代号 Olympus 的芯片，希望同时承担 AI 训练和推理任务，原定 2028 年或 2029 年推出，后来取消了该项目，转而集中资源开发推理芯片。成本是主要考虑之一：当容量扩大到数 GW 级别时，成本会变得非常重要；若同时兼顾训练和推理会让芯片成本提高 30%，在这种规模下”完全无法接受”。

Astrid 开发完成后，Meta 下一阶段将重点提高芯片速度和吞吐量，即单位时间内能够处理的 AI 任务规模，同时利用光纤技术进一步提升性能。Yee Jiun Song 表示，产品路线图非常完善，未来几年会继续开发性能足以与供应商产品竞争的芯片。

全栈自研：从芯片到科学计算一条龙

太初元碁的 AI4S 平台于今年 7 月正式上线，覆盖硬件、基础组件、加速库、模型框架和开发套件全链路。平台以自研异构众核 AI 芯片为算力底座，兼容龙芯、申威、飞腾、x86 等国内外主流中央处理器，并深度适配 PyTorch、JAX、飞桨、MindSpore 等主流 AI 框架。

配套的 DevKit 开发套件大幅降低了算子开发和性能调优门槛。算法工程师杜非凡表示，平台的目标是让”中国芯”直接赋能科学计算，让科研团队不必再依赖国外专用硬件。目前平台已在气象预报、量子模拟、基因分析、材料仿真等方向与清华大学、湖南大学、山东大学、百度、东润等高校与机构落地合作。

TecoWeatherNext：把台风轨迹装进 AI 大模型

此次外滩大会首次公开的 TecoWeatherNext 台风追踪系统，把气象数据、AI 预报模型与台风识别技术整合在一起，可在一套界面内同时展示台风轨迹、风场、海平面气压、温度、降水等图层，并适配国产气象大模型输出。

系统支持数据获取、智能预测与台风识别的一体化流程，目标是让气象防灾减灾工作从单点台风路径预报，扩展到完整气象要素场的滚动预测。对沿海省份的应急、海洋与农业部门来说，这意味着可以在同一个国产计算平台上跑出更细粒度的台风风险评估。

生态与人才：联合近 20 家高校发起倡议

平台已上架量子力学、化学材料、生物医药、气象预测、能源科学、低空经济等多款场景应用模块，并联合近 20 家国内高校、科研机构与企业发起”AI4S 国产算力创新生态校企共建倡议”，推动人工智能与科学研究的纵深融合。

在外滩大会同步设置的科技人才招聘专场上，太初元碁现场开放 AI 工程、芯片研发、基础软件等十余个核心岗位，覆盖 AI 芯片推理架构研究员、高性能算子库研究员、解决方案架构师等热门方向。校招负责人刘锐涵介绍，太初元碁硕博学历人才占比超过 70%，两年来在北京、上海、无锡累计引进校招人才 50 余位，”新任干部内培率达 90%”，并通过”启航”培养计划孵化内部高阶业务骨干超 80 位。

对正在寻找算力底座的科研团队而言，国产 AI4S 计算平台的出现，意味着从天气预报到量子模拟的关键算力，第一次有了从芯片到框架再到场景模块的完整国产路径。

主攻芯片设计、生命科学和金融服务

Friar 表示，OpenAI 目前重点布局芯片设计、生命科学和金融服务三个领域。随着企业越来越希望 AI 系统能够针对特定任务进行优化，公司也在探索更加行业化的解决方案。

与此同时，OpenAI 正在尝试按企业最终获得的业务成果，而不是模型的实际使用量来制定价格。企业客户对 AI 投资回报的要求越来越明确，这种模式成为 OpenAI 正在探索的方向。

这一转变背后是日益激烈的竞争：一方面，中国的开放权重模型持续发展；另一方面，Anthropic 等竞争对手也在争夺企业客户。AI 厂商需要证明产品能够带来可量化的商业价值。

9 个月完成自研芯片流片

Friar 透露，OpenAI 自身在使用 AI 开发芯片方面已经获得了积极经验。公司利用自研模型参与 Jalapeno 芯片的开发，并在 9 个月内完成了”流片”（tape out）。流片意味着芯片设计已经最终确定，并被送往晶圆厂进行实际生产。

这一案例也成为 OpenAI 向芯片设计行业推销 AI 能力的主要依据。

Luna 降价 80%，用量涨约 10 倍

开源和开放权重模型一直被广泛视为前沿模型的低成本替代方案。不过 Friar 表示，OpenAI 近期将旗下低成本 Luna 模型的价格下调了 80%，推动该模型的使用量增长了约 10 倍。

她还指出，对企业而言，直接部署 OpenAI 的低成本模型，有可能比通过云服务商运行中国开源模型更加便宜。她的原话是：”如果你部署 Luna，并将其与智谱（Z.ai）的 GLM 5.3 在云端环境中的成本进行比较，我们的价格更低。”

Codex 用户 2500 万，企业收入增速跑赢大盘

在开发者侧，OpenAI 的编程工具 Codex 目前拥有 2500 万用户。

企业业务的增长更为明显。Friar 透露，今年 6 月至 7 月期间，OpenAI 企业业务收入增长了 32%，同期整体年化收入的增幅为 20%。到今年年中，企业业务和消费者业务收入已经大致达到各占一半的水平，比公司原本计划在年底实现这一目标提前了半年。

成果定价能走多远仍是未知数

按业务成果收费的模式在企业软件领域并非首次出现，成败关键在于如何公平地定义和衡量”成果”。OpenAI 目前尚未披露该模式的具体指标与价格档位。

对缺少深度 AI 工程团队的企业来说，把基础设施、维护等成本打包进可预测的单价确实有吸引力；但受数据合规与供应商锁定考量影响的金融、医疗等行业，可能仍倾向于把模型部署在自己的基础设施上。价格战已经打响，最终比拼的仍是单位成本之下能否交付可量化的业务结果。

500mm² 大芯片，专攻大模型推理

SEMIFIVE 表示，Bertha 的面积达到 500mm²。结合”数据中心”这一定位来看，本次量产版本应为 HyperAccel 官网公示的 Bertha 500；该公司另有一款面向端侧部署的产品 Bertha 100。

规格方面，Bertha 500 拥有 768 TFLOPS 的 FP8 算力，支持 FP16、FP8、FP4 以及 INT8、INT4 数据格式，集成 256MB 片上 SRAM 缓存，片外可连接 128GB 或 256GB 的 LPDDR5X 内存，带宽为 546GB/s（推测为 512-bit 8533MT/s 配置）。芯片 TDP 为 250W，采用双槽 PCIe AIC 外形规格。

HyperAccel 宣称，该芯片在吞吐量、成本效益、能效三个方面分别可达到英伟达 H100 的 2 倍、19 倍和 12 倍。不过这组数据来自厂商自身表述，目前尚无独立的第三方可复现基准测试结果。

从设计到量产，比原计划晚了半年

Bertha 项目合作始于 2024 年 10 月。当时双方签订开发与量产合同，计划基于 4nm 制程开发，并目标在 2026 年第一季度量产。实际量产时间落在第三季度，比原计划有所延后。

2026 年 5 月，SEMIFIVE 在圣何塞举行的三星先进代工生态论坛上表示，已基于三星晶圆代工 4nm SF4X 工艺完成 Bertha 大芯片的设计与验证工作。

据 SEMIFIVE 介绍，公司为该项目提供了覆盖前端设计、验证、封装、测试到量产供应的交钥匙服务，这也是其在三星 4nm 工艺上的首个大规模量产项目。芯片面积超过 500mm² 之后，功耗、散热与良率管理的难度显著上升，这也是先进制程大芯片量产的主要门槛。

LPU 架构：为 Transformer 推理而生

HyperAccel 将 Bertha 定位为”大模型处理单元”（LPU），架构围绕三个方向展开：可编程的 AI 专用核心、让内存带宽与算力相匹配的数据流设计（模型参数可跨核心复用），以及在模型规模扩大时让通信与计算重叠的多芯片扩展能力。

对大模型推理而言，权重与中间数据的搬运效率往往与算力同等重要，内存带宽、互联行为、批处理策略和调度方式都会影响最终的实际吞吐与延迟。这也是专用推理架构与通用 GPU 设计路线的差异所在。

SEMIFIVE 订单半年翻倍

Bertha 是 SEMIFIVE 近一年第三个进入量产的项目。此前，该公司已在 2025 年第三季度为韩华视觉的安防摄像头量产 Wisenet 9 AI 专用芯片，并在 2026 年第二季度为一家日本客户量产高性能计算 AI 芯片。

订单数据同步走高。SEMIFIVE 在 2026 年上半年获得 4230 亿韩元的新增量产订单，接近 2025 年全年 2120 亿韩元的两倍；季度订单额从第一季度的 156 亿韩元增至第二季度的 267 亿韩元，环比增长 71%，其中海外订单占第二季度订单的 45%。

SEMIFIVE 首席执行官表示，随着 AI 产业重心从训练转向推理，数据中心对专用加速器的需求正在快速上升，此次量产验证了公司在先进制程上的执行能力。