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

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

科技媒体 How-To Geek 的作者 Ismar Hrnjicevic 盘点了 4 颗曾经风光、如今已不建议继续用来打游戏的 AMD 处理器。它们发布时都是相当亮眼的游戏芯片，但现代游戏的负载越来越重，这些芯片的年龄开始成为硬伤——继续用下去，省下的升级费可能还不够填别的坑。

AMD FX-9590：5GHz 的梦，如今是场噩梦

FX-9590 发布于 2013 年，出现在这份名单上并不意外，但仅用”年代久远”来解释并不完整。

2013 年到 2017 年之间，AMD 手里并没有一款能对抗英特尔（Intel）酷睿 i7 逐代更新的旗舰桌面处理器。除去 APU 产品线，AM3+ 平台就是全部家当，因此在第一代锐龙问世之前，FX-9590 是 AMD 消费级最强的处理器。

它确实够猛：这是第一颗出厂即可把加速频率推到 5.0GHz 的消费级桌面处理器，远高于当时热门的 FX-8350 的 4.2GHz。对一颗 8 核芯片来说，这是相当可观的成绩。不过所谓 8 核大体只是名义上的——推土机（Bulldozer）及后续的打桩机（Piledriver）架构采用 4 个模块、每模块 2 个整数单元的设计，实际表现更接近传统四核。这套颇具误导性的宣传后来还引发了一场以 AMD 败诉告终的集体诉讼。

如今这颗芯片的年龄暴露无遗。同时期 AMD 的每周期指令数（IPC）明显落后于英特尔，导致 FX 系列在游戏中表现平平，而游戏越复杂，情况越糟。

真正致命的是功耗。为了达到那个听起来很唬人的 5GHz，这颗芯片的热设计功耗高达 220W。除了必须配一套强力散热器，它的耗电量几乎相当于一块显卡，换来的却是并不出色的游戏体验。作者的判断是，换一颗更新、更省电的芯片，几个月内省下的电费就足以覆盖差价，在 2026 年把它塞进游戏主机毫无道理。

有意思的是，FX-9590 反倒成了收藏品，eBay 上不少卖家的开价超过 100 美元。

AMD 锐龙 5 1600：救活 AMD 的性价比之王，风光已过

初代锐龙对 AMD 的意义再怎么强调都不为过，它不仅彻底改变了这家公司，也搅动了整个处理器市场和游戏行业。

锐龙 5 1600 及略快的 1600X 尤其值得一提：这是主流消费级处理器第一次以如此亲民的价格提供 6 核 12 线程。尽管单线程性能稍弱、在游戏中会输掉几个百分点，但它们让当时只有 4 核、且缺少超线程的英特尔酷睿 i5 产品线显得相当过时。如果既要有像样的游戏性能，又想兼顾直播、多任务和生产力，锐龙 5 1600 基本就够了。

6 核 12 线程的设计后来老得相当体面。开放世界游戏和其他吃处理器的大作逐渐普及，反而让它多撑了好几年。但初代 Zen 架构终究到了尽头：偏低的 IPC、老旧的架构，加上不受 Windows 11 官方支持，这颗芯片的游戏黄金期已经结束。

好消息是，很多 AM4 主板刷新 BIOS 后可以支持更新、更强的锐龙处理器，升级路径清晰。

AMD 锐龙 3 3200G：名字像 Zen 2，骨子里不是

2019 年 AMD 推出 Zen 2 架构的锐龙 3000 系列，迅速成为玩家的新标准。这批芯片采用台积电当时最新的 7nm 工艺，而英特尔因为 10nm 工艺一再延期，还困在 14nm 上。简单说，Zen 2 尤其是极受欢迎的锐龙 5 3600，让 AMD 真正在处理器市场站稳了脚跟。

锐龙 3 3200G 却不在此列。尽管它与 Zen 2 芯片同期发布、挂着 3000 系列的名号，内里却是 2018 年的 Zen+ 架构——也就是锐龙 2000 系列的底子。作者直言这是一个值得商榷的营销决定：消费者看到”3000″和代表核显的”G”，很容易以为这是一颗全新的 Zen 2 核显芯片，可以拿来装办公机顺便轻度游戏，实际上它不过是换了标的锐龙 3 2200G。

它当年就算不上出色，如今更是糟糕。4 核 4 线程是原因之一，但不是全部：这颗芯片只有 4MB 三级缓存（锐龙 3 3300X 是 16MB），严重拖累 1% 最低帧，容易出现明显卡顿；此外它只提供 8 条 PCIe 3.0 通道给独立显卡，搭配显卡时必须格外小心，否则会形成严重瓶颈。

当初买它的人图的是 Radeon Vega 8 核显，发布时确实能应付一些轻度游戏。但在二手市场上 Zen 2、Zen 3 芯片遍地都是的今天，把它装进游戏主机基本没有价值。

AMD 锐龙 3 3300X：曾经的预算之王，后继无人是有原因的

锐龙 3 3300X 比前面那颗 3200G 强出一大截。它以 120 美元的价格上市，迅速成为预算有限玩家的爆款。全新的 Zen 2 架构带来大幅性能提升，而 2020 年的很多游戏还无法充分利用 6 核或 8 核，4 核 8 线程的锐龙 3 3300X 因此显得非常合理：省下的钱可以加到显卡上换更高帧率，而处理器瓶颈很少成为问题。

它火到 AMD 一度供不应求，很快就难以按建议零售价买到，这也是不少人最终转向锐龙 5 3600 的原因之一。

问题在于，2020 年的优点到 2026 年变成了缺点。四核设计在当年帮助压低了售价，如今却远不如同期的锐龙 5、锐龙 7 耐用。目前的情况是，在一些高负载游戏中，连 6 核处理器都开始相对 8 核型号显出吃力，AMD 也早已把桌面产品重心从锐龙 3 转向锐龙 5。

锐龙 3 3300X 在它的时代是一颗优秀的预算游戏芯片，但四核架构终究拖了后腿，现在再为它花钱已不值得。

来源：How-To Geek

FX-9590。2013 年的 AM3+ 平台，推土机架构，标称八核实际是四模块八整数单元，性能更接近传统四核，当年因为”八核”宣传吃过集体诉讼。加速频率 5.0GHz 听着唬人，但每周期性能太低，配上 220W 的功耗设计，电费比性能更有存在感。

锐龙 5 1600 / 1600X。初代 Zen，6 核 12 线程的规格今天看仍不算寒酸，问题是架构太早、单线程偏弱，而且没有官方 Win11 支持——想升级系统就得绕路。

锐龙 3 3200G。名字带 3000，实际是 Zen+ 架构，本质就是 2200G 换个壳。4 核 4 线程、三级缓存只有 4MB（同代的 3300X 有 16MB），留给独显的 PCIe 3.0 通道只剩 8 条。Vega 8 核显当年勉强能应付轻量游戏，现在 1% 最低帧惨不忍睹。

锐龙 3 3300X。Zen 2 架构、4 核 8 线程，2020 年 120 美元的定位很讨喜，但面对吃多核的新游戏已经吃力，AMD 自己也早就放弃了桌面端锐龙 3 产品线。

我的判断是，这四颗的共同问题是缓存和线程数被现代游戏卡住了脖子，换不换取决于主板还剩多少余地：不少 AM4 主板刷个 BIOS 就能直接上锐龙 5 5600 或 3600，成本远低于整套换新；要是打算一步到位，AM5 平台的锐龙 7 7700 这类型号仍是稳妥选择。

来源：How-To Geek

这份配置最近登上 Hacker News，作者 Ryan Zhou 把整套东西开源在 GitHub 上：一张 AMD MI300X 显卡，直接跑官方发布的 deepseek-ai/DeepSeek-V4-Flash-0731 权重，不做额外量化，也不做分层卸载，模型以出厂状态运行。仓库里包含 Docker Compose 部署栈、锁定哈希值的文件覆盖层、对照上游的差异补丁和调优参数表。

能塞下的原因是显存，不是算力

DeepSeek V4 Flash 是一个混合专家（MoE，指模型内部分成很多”专家”子网络，每个词只激活其中一小部分）架构的模型，基础设计 2840 亿参数、每个词激活 130 亿。0731 这一版额外附带了推测解码草稿模块，模型卡上标注的参数量因此是 3040 亿。它以 FP4 加 FP8 的混合精度发布——专家权重用四位、注意力和路由用八位——整个检查点在硬盘上约 149 GiB。

这个数字正是关键。它装不进 H100 的 80GB，也装不进 H200 的 141GB，所以官方推荐方案要么四张 H200，要么一整块 GB200 NVL4 托盘。而 MI300X 有 192GB 显存和 5.3 TB/s 带宽，容量是 H100 SXM5 的 2.4 倍，刚好装得下。

实际加载后，权重占 156.67 GiB，旁边还能放下 20GB 的键值缓存，另有 96 GiB 溢出到内存层，所以主机需要约 235 GiB 系统内存。显存峰值是 205.8GB 里的 204.5GB——余量不到一个 GB，非常紧。

性能数据

作者给出的实测结果如下：单条流解码中位数 168.6 词元/秒；调优后的预填充速度约 7.9 到 8.5K 词元/秒；八条并发流合计 542 词元/秒，每条中位 90.3；六十四条流突发时合计 830 词元/秒，没有显存溢出，也没有引擎报错；上下文验证到 256K，架构本身支持 100 万。

这些数字不是白来的。调优 21 个反复出现的矩阵乘形状，让单双流解码提升了 42% 到 62%，八到六十四流场景提升 10% 到 35%。融合 SiLU 激活加快速路由之后，原生解码从 34.5 提到 56.6 词元/秒，路由内核每层耗时从 42.6 微秒降到 11.9 微秒。还有一处很实用的调度改动：把调度预算设成 2048 词元、长预填充上限设成 1024 词元后，排在一个 5.2 万词元冷提示后面的短请求，首字延迟从 8.2 秒降到 0.5 秒。

代价是九个补丁

真正值得注意的是这套东西为什么需要九个补丁覆盖层。

一处是精度格式。MI300X 用的是 AMD 与 Graphcore 的 fnuz 变体八位浮点，而 MI325X 以及更新的卡用的是行业标准格式。一个假定标准格式的内核跑在 MI300X 上，缩放值可能直接差两倍。另一处更隐蔽：专家路由的位矩阵内核在填充块列时，掩码比对的是全局张量边界而不是逻辑块大小，高并发下填充通道会污染路由矩阵，表现出来是长提示下工具名字对不上、模式被遗忘——而这恰好是这个模型主打的智能体场景。修复只有一行。

软件侧的落差同样明显。vLLM 在 v0.21.0 的发布说明里声称支持 DeepSeek V4 的 ROCm 版本，但官方镜像在 AMD 硬件上启动就崩，报错指向一个只有英伟达 Hopper 架构才有的特性，与此同时官方配方仓库把所有 AMD 型号标为不支持。到 vLLM 0.25，官方配方验证了 MI325X，但只在张量并行度 1、4K 上下文下。MI300X——这张在 AMD 自家开发者云上 1.99 美元一小时就能租到的卡——至今不在官方支持矩阵里。

我的判断

AMD 那笔硬件账其实早就算得过来了：内存受限的混合专家推理场景，单卡显存容量才是硬约束，而 AMD 卖的就是更大的容量，MI325X 到了 256GB，MI355X 是 288GB。真正拖后腿的是硬件之下的那一层。

一个人花九个补丁、一套自建调优表填上的这段路，本该由芯片厂商自己走完。对准备用 AMD 卡做推理的团队来说，这份仓库是难得的参考；但它同时也是一份并不好看的进度报告。

你所在的团队评估过 AMD 卡做推理吗，卡在了哪一步？

来源：GitHub / ryanzhou 项目页，Hacker News

H3是个通用多模态生成模型，输出15秒、2K分辨率（短边约1440像素）、24帧每秒的视频，画面与原生立体声音频在同一次生成中同步产出。同一段提示词里可以塞进至多9张图、3段视频、3段音频。比如”参考视频1的希区柯克运镜，让图片2里的角色按音频3开口唱歌”，H3会自己理顺上下文的关系。

核心架构由四部分撑起来：Contextual Omni Representation把上百K token的原始素材压缩到约4K token，让语言成为跨模态的通用桥梁；H3-VAE把序列有效长度扩展4倍，配合原生2K输出；H3-Omni Transformer把理解与生成的算力分离，训练吞吐约提高30%；In-Context Regeneration让2K输出由模型自身在上下文内重画，不用外挂超分模块，小字、品牌标识都能保住。

生成任务分三档：纯文本驱动的t2va、首尾帧关键帧驱动的fl2va，以及参考素材驱动的ref2va——后者能绑定主体图像与参考音色，做口型同步与语音克隆。

价格上，2K同档每秒单价不到主流闭源模型的三分之一，768p每秒不到主流模型720p的一半。硬件适配是同步推进的：AMD用SGLang在MI355X和MI300X上跑出Day 0支持，8卡序列并行；摩尔线程同日在国产AI训推卡MTT S5000上完成适配。开源采用MiniMax Community License，权重将在未来几天放出。

说白了，H3的看点不是又一个”文生视频”，而是把图像生成、参考控制、编辑拉到同一个框架里。OpenAI Sora 2、字节Seedance 2.5与谷歌Gemini Omni Flash分占不同赛道，H3在编辑与可控参考上领先，但纯文生视频和图生视频环节未必都第一。

我的判断是，2026年下半年AI视频工具的PK标准会从”几秒高清”改成”多模态可控+开源可改+多硬件可跑”。H3把三条都点上了。想试的话，盯紧开源权重放出的那一天。

来源：MiniMax Research 官方博客、AMD Developer Blog、36氪

在架构上，这是一款 Decoder-only 的稀疏专家模型：总参数量 160 亿，但每处理一个 token 只激活 28 亿参数。它包含 27 个解码层、隐藏维度 2048，采用门控多头潜在注意力（Gated MLA）。专家层面设有 2 个共享专家与 64 个路由专家，每个 token 实际只激活其中 6 个路由专家，再加上 2 个共享专家——稀疏结构让它的计算开销更接近一个参数少得多的稠密模型。

训练方面，Instella-MoE 在 AMD Instinct MI300X 与 MI325X 显卡、ROCm 软件栈上完成了 7.1T（万亿）tokens 的预训练，上下文窗口从初始的 4K 经 YaRN 位置编码扩展至 64K。后训练依次经历监督微调、DPO 偏好对齐与强化学习蒸馏，并推出了”Think”思考模型。

基准表现上，基础模型在标准评测平均得分 76.7，为当时全开放模型最高；在 WinoGrande 拿到 86.5，HumanEval+ 为 65.7，64K 长上下文 RULER 平均 79.4。思考模型平均 73.22，其中 IFEval 83.70、AIME25 73.40、AGIEval 82.50。横向比较，其基础模型强于 SmolLM3-3B、OLMo-3-7B、OLMoE 等开放模型，略低于 Qwen3.5-4B-Base（79.5）；思考模型则高于 Olmo3-7B-Think、Gemma-4-E4B、Qwen3.5-4B 等开放权重模型。

需要留意的是，Instella-MoE 采用 Research RAIL 许可证，仅限学术与研究用途，并非完全自由的商业授权。它的意义更多在于展示 AMD 的 ROCm 生态与开放模型路线——在英伟达几乎主导训练硬件的背景下，一个能完整复现训练全程的开放 MoE，对想要摆脱单一厂商绑定的研究团队颇具价值。

来源：AMD ROCm Blogs《Instella-MoE》（Jiang Liu 等，2026-07-24）

Intel：AI驱动的强势反弹

Intel 2026年二季度财报表现远超市场预期。数据显示，超大规模云服务商（Hyperscaler）和企业客户的强劲需求推动数据中心与AI业务成为主要增长引擎，Intel预计将进一步提升资本开支以满足下游算力投资带来的CPU强劲需求。

具体来看，Intel Q2营收达到161.28亿美元，同比增长25.4%，超过此前指引的117-127亿美元区间。其中DCAI（数据中心与AI）业务营收51亿美元，同比增长22%，环比增长7%。管理层预计Q3营收将达158-168亿美元，同比增长约18%。

资本开支方面，Intel将2026年资本开支上调至200亿美元以上，设备投资同比增长40%，且预计2027年资本开支将显著高于2026年水平，其中绝大多数将投入美国本土的晶圆厂建设。

AMD：上调TAM，新品加速放量

AMD在2026年7月23日旧金山Advancing AI大会上释放了一系列积极信号。AMD大幅上调了远期市场空间测算：将2030年AI整体可服务市场（TAM）从1.2万亿美元提升至2万亿美元，其中AI加速器单独市场规模上调至1.4万亿美元。

在量产节奏上，AMD的MI455X将在三季度小批量出货、四季度大规模爬坡，Zen6 EPYC也将同步在四季度上量交付。大客户层面，AMD已敲定Meta的6GW超大规模定制GPU集群订单，微软、OpenAI、Anthropic同步扩大AMD算力集群的测试部署。

SK集团与英伟达：5000亿美元战略合作

7月25日，SK集团与英伟达宣布计划建立一项超过5000亿美元的综合性合作伙伴关系，共同建设满足全球计算需求激增的AI基础设施。SK电信将建设2吉瓦的英伟达Vera Rubin DSX AI工厂。同时，英伟达与SK海力士建立长期合作关系，共同保障并开发包括HBM在内的下一代AI内存解决方案。

对于英伟达而言，先进内存已从过去的配套组件升级为平台级核心部件。通过与SK海力士签订长期协议，英伟达能够提前锁定关键内存资源，在HBM/DRAM行业供需紧张周期中获得供货优先权及价格折让，保障新一代平台的稳定交付。

同日，三星与博通再签超2000亿美元合作，覆盖HBM、2nm先进工艺与封装。据韩国总统办公室消息，SK集团、三星等韩国企业与全球科技巨头达成的一系列框架合计约9500亿美元。

AI硬件链条全面受益

中信建投认为，AI硬件链条景气度正从模型侧持续传导至应用落地。CPU正重新成为AI基础设施核心支柱——AI Agent、物理AI的爆发带动CPU与GPU配比重构，推理算力需求成为核心增量。

研报继续看好GPU、CPU、存储、高速网络及算力租赁服务等全产业链环节。在AI基础设施建设从”训练驱动”向”推理驱动”切换的关键节点，CPU作为服务器算力的基石，有望持续受益于这一结构性转变。

*文章来源：本文基于中信建投2026年7月27日研报”头部CPU公司财报亮眼，持续推荐AI产业链”改写，数据补充自同花顺、财联社、腾讯自选股等公开信息。*

从”零机会”到”大有可为”

SemiAnalysis在一篇深度分析中指出，他们对AMD在AI加速器领域的判断经历了三次更新。最初，SemiAnalysis认为AMD在软件层面与英伟达的差距过于悬殊，给出了”0%机会”的悲观评价——当时AMD软件问题丛生，团队甚至连续数月成为AMD Bug报告最多的提交者。

但六个月后，情况发生变化。SemiAnalysis观察到AMD有了真正推动变革的领导力，而非委员会式的决策模式。AMD CEO苏姿丰（Lisa Su）亲自与分析师沟通并采纳了多项建议，AMD软件团队的紧迫感明显增强。SemiAnalysis将评级从0%上调至”有一定机会”。

到了2026年中，信号变得更加强烈。基于对AMD软件栈的深入体验，SemiAnalysis再次更新判断——只要AMD能解决两大关键风险，就有”很大机会”在AI加速器市场取得成功。

Anthropic、微软、OpenAI纷纷转向AMD

重磅信号来自AMD的客户名单。Anthropic已公开宣布将部署2GW的AMD芯片，Anthropic计算主管Tom Brown甚至在周末用Claude的”/goal”功能在AMD硬件上完成了内部Claude推理栈的适配。

更引人注目的是微软的转变。2023年，微软因HBM内存不可靠和软件质量差而放弃了AMD MI300X，并跳过了MI325X和MI355X两代产品。但2026年，微软180度转向，宣布将部署MI455X Helios系统。据SemiAnalysis分析，OpenAI将是Azure上MI455X机架的主要终端客户。

AMD还在与Cerebras达成合作，采用类似英伟达-Groq交易策略，实现PD分离（Prefill-Decode Disaggregation）以提供超快速交互式推理。

两大风险：产能爬坡与开发集群稳定性

尽管前景乐观，AMD仍面临两个严峻挑战。

第一，Helios机架系统的产能爬坡遇到困难。由于AMD未采用无电缆托盘设计，加上SerDes设计较弱，每个机架高达85%的背板需要重定时（Retiming），需要超过550个博通以太网重定时器。背板可靠性问题正在拖累量产节奏。

第二，内部GPU集群严重不足。AMD工程师最普遍的抱怨是缺乏稳定的GPU集群用于内部软件开发和自动化测试CI。这个问题正在阻碍AMD的进步速度——因为每个AI编码Agent本身也需要GPU才能运行和测试。

竞争升级：从”GPU对决”到”平台对决”

英伟达自然不会坐视不理。其正从GPU供应商转型为全栈AI基础设施提供商，通过收购网络技术公司和扩展软件堆栈实现硬件、软件与互联的垂直整合。英伟达还通过推出AI CPU正式进军数据中心CPU市场，瞄准约2000亿美元潜在市场，直接挑战AMD的传统优势领域。

但市场格局已经出现结构性变化。Gartner分析师指出，AI推理工作负载占比持续提升——2023年还是训练占2/3、推理占1/3，到2026年推理市场已增长至训练市场的2.16倍。推理占比越高，CUDA的生态锁定效应越弱，这对AMD更为有利。

高盛已将AMD目标价从240美元上调至450美元，伯恩斯坦上调至525美元。整个AI芯片赛道的投资逻辑，正在从”追逐英伟达训练芯片的垄断红利”转向”布局多元算力兼容的新方向”。

*文章来源：本文基于SemiAnalysis 2026年7月分析报告”Can AMD break the CUDA Moat? AMD Advancing AI 2026″改写，并综合Gate博客、雪球、同花顺等渠道信息补充。*