1. #KimiK3#卧槽，2.8万亿参数是个什么概念？直白点说，这已经是妥妥的“超级巨无霸”级别，国内大模型的技术和资金门槛直接被拉到了新高度。从技术和行业角度，简单聊聊我的几点看法：第一，这背后是恐怖的“算力军备竞赛”。要训练并跑通2.8万亿参数的模型，背后的算力消耗和电费都是天文数字。这不仅是拼算法，更是在拼物理基建和资金实力。月之暗面这次能把参数量堆到这个级别，说明其背后的算力储备和工程集群调度能力已经达到了国内最顶尖的梯队。第二，模型架构大概率把MoE玩到了极致。如果是传统的Dense（稠密）模型，2.8万亿的推理成本会高到无法商用。所以KimiK3几乎必然采用了极其复杂的MoE（混合专家）架构。如何在这么庞大的体量下，精准调度不同的“专家”模块，同时把首字延迟和推理成本压下来，这极其考验工程调优的硬实力。第三，行业竞争格局要加速洗牌了。2.8万亿这个数字一出来，直接把通用大模型的入场券变成了“百亿俱乐部”专属。腰部和尾部的创业公司以后很难在通用底座上跟跑了，行业会迅速向少数几家头部大厂和超级独角兽集中。接下来的看点，就是看KimiK3在实际的长文本和复杂推理场景中，能不能真正硬刚国际一线的顶尖模型。参数规模决定了模型的上限，虽然大不代表一切，但在这个体量下，量变大概率会再次引起质变。这波神仙打架，最受益的还是像我们这样普通用户，我已经准备好怎么用了……#Kimi K3参数达2.8万亿##KimiK3发布#

2. #微博声浪计划##听见微博# 中国AI模型价格优势突出，Token单价低至美国1/4到1/8，高频场景下不用中国模型反而需向CFO解释。价格优势源于架构优化、人才成本、电力成本和市场策略。市场反应积极，中国模型在Agent和代码生成领域占比超85%，美国企业采用率显著增长。谯华的微博音频

3. DeepSeek又出手了，这一次直接打穿了价格底线。近日，DeepSeek正式发布V4预览版并开源：百万字超长上下文，Agent能力大幅提升，世界知识和推理性能双项领先。同一时间，V4-Pro API价格永久调整为原价的四分之一：每百万Tokens输入，缓存命中仅0.025元。创全球大模型价格新低。这不是第一次降价。DeepSeek的打法一直很清晰：用性价比把OpenAI和Anthropic拖入价格战，自己靠出货量赢。数据显示，换用中国大模型后，推理成本降幅达30%至95%，性能差距却只有1%至4%。定价低六到九成。美国企业正在用钱包投票。Coinbase把中国大模型设为工程师默认工具，Lindy因API费用超过全员工资直接切换，DeepSeek已连续七周登顶海外市场。与此同时，首轮融资规模扩大至700亿元，国家大基金领投，估值450亿美元。DeepSeek的目标不只是中国市场。它要做的是全球基础设施。中国AI出海，你看好吗？

4. 【东方算芯在WAIC 2026展出全球首颗3D AI芯片DF1000】2026 世界人工智能大会（WAIC 2026）在上海举行。东方算芯在会上首次展出全球首颗软件定义近存计算 3D AI 芯片 ——DF1000，并荣获 2026 SAIL 奖（卓越人工智能引领者奖）。据介绍，DF1000 依托全国产供应链打造，通过空间并行与时分复用设计提升硬件利用率，算力可达 520 TFLOPS。采用 3D 混合键合技术实现晶圆级堆叠，有效提升访存带宽，降低供应链依赖，拥有自主编程框架和软件生态，可为 AI 产业提供稳定的国产算力底座。同时，该产品以“软件定义＋3D 堆叠近存计算”的东方范式，破解了中国高端算力芯片发展面临的三大核心瓶颈。通过软件定义芯片技术实现软硬件解耦与动态重构，在 14nm 工艺节点下实现 520TFLOPS@BF16 的算力。查询公开资料获悉，上海东方算芯科技有限公司成立于 2024 年 5 月 20 日，总部设于上海张江，在北京、南京、西安、成都、苏州、深圳等设有分部，目前团队规模超 500 人。东方算芯宣称依托自主原创的软件定义芯片、近存计算两大核心技术，基于全国产化供应链体系，研发打造了高性能、高能效、高灵活性的大算力芯片产品，搭建自主可控的生态系统。公司产品包括软件定义超高性能近存计算芯片、基础软件与应用软件、高性能服务器和大规模集群系统解决方案等。

5. 字少事大，密码太多全藏在里面WAIC直击：分布式推理已成AGI刚需，一个冷知识，去年春节我有个小小预判如今落地兑现，神玑外供有望单开千亿市值空间。今年WAIC，独立分拆后的安徽神玑首次单独参展，重磅落地分布式智能体平台，自研分布式推理引擎打通多机多盒互联，单集群可稳定承载400B超大模型，彻底解决本地大模型算力不足、云端推理延迟高、成本昂贵的行业痛点。这件事目前信息量依旧没有透露太多，但很多事敏锐的人可以自己发散思维，一定要和储能电力结合好去看哈哈哈哈非常令我感慨的是，早在去年春节我就专门产出一期想象力短视频，大致提出分布式推理是下一代AI落地的核心底层解法：单纯单机算力盒子只是短期过渡，多节点协同、边缘分布式调度，才是覆盖自动驾驶、人形机器人、本地Agent全场景的通用算力底座。彼时行业扎堆内卷单机硬件参数，极少机构看好分布式长期路线，如今神玑展台产品大致印证我的想象力判断。更关键的是，神玑分拆独立运营后，正式开启全面对外外供周期，成长天花板彻底打开。此前NX9031X芯片仅内部配套蔚来、乐道全系车型，出货突破30万颗，是国内唯一实现千T算力5nm车规芯片大规模量产的产品；现在完整NX9031系列（X/U/C）同步面向全行业开放供货，一边向其他车企输出高阶智驾中央域控方案，一边靠“睿动”具身平台为人形机器人、无人物流车提供国产机器人大脑，分布式Agent BOX还能给政企、AI厂商提供本地化大模型推理集群。依托成熟车规验证、全套自研工具链、CUDA兼容三大核心壁垒，神玑实现“智驾自用降本+全行业外供盈利”双向飞轮，同时打通自动驾驶、具身智能、Agent推理三大万亿赛道算力需求。国内高阶智驾、人形机器人、边缘分布式推理市场持续爆发，叠加国产替代长期红利，神玑从车企自研配套芯片，转型全域全场景通用算力供应商，多重成长曲线叠加之下，再造一家千亿市值芯片企业绝非空谈。#电动兄弟##一起加电#

6. 中国AI正在下一盘大棋，悄悄拿走全球AI定价权 #AI #大有学问 #燃起来了大国重器 #高盛

7. A股千亿算力巨头，预计业绩大增超247%！

8. 27.58万亿Token！中国大模型周调用量达美国四倍，应用生态进入爆发期说个可能被忽视的重要数据。据每日经济新闻基于OpenRouter的测算，上周全球大模型总调用量54.6万亿Token，其中中国大模型调用量达到27.58万亿Token，占全球一半以上，环比再增17.61%。更夸张的是对比：美国同期调用量约6.33万亿Token。中国调用量已经是美国的四倍以上，而且连续七周增长，连续十一周超过美国。我在新媒体这行感触很深。前两年大家还在讨论"大模型有没有用"，现在身边的团队每天睁开眼就是调API、跑工作流。写文案、做客服、拆数据、生成图片、辅助编程——调用量涨得最猛的地方，就是AI真正落地的地方。在苏州那会儿，我看过不少AI创业团队。他们不关心谁的模型参数最大，只关心调用成本能不能再降一降、响应速度能不能再快一点、输出质量能不能更稳定。这说明中国AI已经从"技术崇拜"进入"成本敏感"的实用阶段。我判断：调用量只是开始，接下来真正的竞争是"谁能把高调用量转化为用户留存和商业变现"。你最近高频使用哪个AI工具？评论区聊聊。

9. 中国 K3 大模型震惊 AI 界，美巨头高价模式还能撑多久？

10. Claude Code最强平替来了：Kimi K3超越Opus 4.8，登榜史上最大开源模型！

11. 清华系“Token工厂”半年融资超10亿，AI Token生产是一门什么生意？今天聊一家可能被低估的公司。7月13日，趋境科技宣布完成A轮融资，半年累计融资超10亿元。这家清华系公司做的是AI Token生产服务，定位是“AI Token工厂”。它的核心产品ATaaS平台，解决的是模型在实际生产环境中的推理效率、资源利用、缓存复用、弹性扩缩容、成本控制这些脏活累活。目前已建成日均万亿级Token产能项目，部分业务已经盈利。这很重要。我在苏州园区接触过很多AI应用创业者，大家张口闭口都是模型能力，但真到落地，才发现推理成本、并发稳定性、延迟控制才是生死线。趋境科技切的就是这块，而且由郑纬民院士、武永卫教授领衔技术班底。它不是做应用的，而是给所有做应用的人提供“水电煤”。这和当年云计算刚兴起时的逻辑一样：应用百花齐放，但底层基础设施才是最稳的生意。当然，阿里云、华为、百度、字节这些大厂也在做，创业公司必须在特定场景里做出差异化。我的判断：AI infra接下来两年会是大浪淘沙，谁能帮客户把Token成本压下去、稳定性提上来，谁就能活下来。如果你现在创业，你会做AI应用，还是做AI基础设施？

12. Kimi K3 实测：国产 3T 大模型能写代码写稿吗？

13. 刚刚，WAIC杀出国产「桌面超算」！150B大模型，放你桌上跑

14. #微博声浪计划##听见微博# 中国自研AI芯片取得架构突破，东方算芯DF1000通过软件定义芯片与三维近存计算双架构创新，14纳米制程实现520TFLOPS算力。配套全栈工具链，形成完整产品矩阵，国产算力生态集体爆发，2026年国产AI芯片预计占国内市场80%份额。科技晓鑫的微博音频

15. 目标价翻倍至2581元！高盛：英伟达推动3.2T光模块需求加速，中际旭创迎来估值重塑

16. Kimi K3 正式发布！开源模型，代码能力直逼 Claude Fable 5？首发实测，免费领会员！ | 零度解说

17. #小米发布具身领域首个统一生成模型#我之前一直好奇，车有大模型，那么机器人会不会也有类似的东西？不然那么多关节，平衡稳定都得重新开发吗？然后我就看到这个新闻，小米牵头解决具身机器人领域的行业问题，解决机器人数据荒。自动驾驶有百万台车天天跑，极端路况数据都还是不够用，机器人面对的世界比开车复杂得多，数据却更少。真机采集成本极高，小米这个模型能让少量真机轨迹被放大成大量可用合成数据，在保持几何一致性的前提下大幅增强，训练成本真的会大幅降低。而且一个380亿参数的模型干了四个模型的活，效率提升82.9倍。WorldArena榜单全球第一，分布外场景成功率提升近30%，这架构思路在具身领域确实是首创。

18. 百度千帆Token Plan实测：DeepSeek-V4、GLM-5.2、Kimi-K2.6，同一个任务谁更强？

19. 看一期视频播客，在AI几轮的高速扩张之下，高质量的人类文本正在迅速枯竭。据EPOCH AI 推算， 2026-2028年之间人类的语料库会彻底见底，如果用AI生成的文本回炉训练的话，会导致模型崩溃和严重的过拟合，版权的定价权急剧反转，出售数据的开始坐地起价。比如，Reddit之前把用户发的帖子打包授权给谷歌、open ai等公司训练模型，一年只收1亿多美金，现在续约接近5亿美元/年。而且购买方式也在发生改变，由买断改为模型每调用一次就抽一次成。对于大模型公司而言，最烧钱的数据成本由一次性买断永远都交不完还年年涨的房租，基础模型的边际训练成本在指数级的恶化。独属于人类的、个性化的、有瑕疵、有温度的情感和文本仍然是具有价值的。

20. 专访趋境科技艾智远：把少数头部模型跑稳，是一门更大的生意｜甲子光年

21. 【1.5TB统一内存：苹果给本地AI画的饼有多大】苹果计划在2028年推出支持1.5 TB Unified Memory的M7 Ultra芯片，让开发者能在本地运行完整权重的SOTA模型。虽然价格预测从2.5万到10万美元不等，但相比拼凑多张Nvidia显卡，这依然是个极具吸引力的本地算力方案。苹果的策略是避开大模型训练的红海，通过硬件锁死本地生态。不过，本地大模型运行的瓶颈在于带宽。如果带宽无法突破，Token生成速度仍会受限。同时，上游巨头正转向高附加值内存，指望硬件降价并不现实。硬件终将成为本地AI的隐形壁垒。 reddit.com/r/LocalLLaMA/comments/1uvbzul/apple_m7_ultra_chip_planned_with_up_to_15_tb_of #人工智能##AI创造营##硬件生态#

22. 在 2026 世界人工智能大会上，壁仞科技推出下一代 NPO 光互连、分布式解耦架构超节点方案，支持单个超节点 1024 卡 Scale-up 扩展。官方表示，壁仞科技业界首创 Chiplet（芯粒）架构大算力芯片，新一代 BR2xx 系列 GPU 沿用这一技术路线。BR2xx 支持 FP8/FP4 低精度高算力计算，拥有更大显存带宽，并原生集成了超节点互连能力。IT之家获悉，其自研的 BLink2.0 超节点互连协议，可让最多 1024 张 GPU 共享同一个内存空间。此基于 BR2xx 和 BLink2.0，壁仞科技构建了三级超节点产品矩阵：16 卡标准服务器超节点（电互连）128 卡高密整机柜超节点（电互连）1024 卡分布式解耦架构超节点（NPO 光互连）其中，16 卡 / 128 卡超节点适用于中小客户 / 千亿-万亿参数落地需求，NPO 光互连、大规模扩展超节点尤其适用于大客户 / 数万亿参数场景。#这一秒过火强吻好尬#

23. 如何评价月之暗面kimi最新发布的大模型 k3？对比全球其他大模型能力如何？

24. 苏州园区又冲出一匹光芯片黑马。7月14日，度亘核芯光电技术（苏州）股份有限公司创业板IPO正式进入问询阶段。这家园区企业要募28.04亿元——放在A股半导体板块都算大额了。几个数据你看看：37.4%的国内激光芯片市占率，全国第一。2025年营收5.18亿，三年复合增速37.55%。不光做芯片，连外延生长、晶圆制造、封装测试全链条都自己干，IDM模式。但也有让人捏把汗的地方——三年累计亏损5.33亿，2025年研发投入1.39亿，占营收26.76%。典型的"用亏损换技术壁垒"打法。老谭说实话，在苏州见识过不少硬科技企业。度亘这种全产业链自控的路子，前期烧钱是必然的。但它家产品已经打进了TRUMPF、BOSCH这类国际大客户供应链，980nm单模泵浦模块打破了Coherent和Lumentum两家美国企业长期垄断。换句话说，它不是画饼，是真有订单、真进供应链了。491项专利，其中220项发明专利。度亘预计2027年扭亏。你赌它赢不赢？评论区说说。

25. 如何评价 7 月 16 日Kimi 发布的 2.8 万亿级开源模型 K3？

26. CPO+硅光+液冷！公司液冷产品已大批量出货，大多数供货给国内外Tier1厂商

27. #副局长自购10亿token月费20多# ① 10 亿 token 为什么只要 20 多？token 是大模型的最小运算单位，可理解为 AI 的 “计算流量”。不同模型定价差异极大，高端旗舰模型百万 token 收费数十元，而轻量化通用模型成本极低。该副局长订阅的是平价年卡套餐，折算后百万 token 成本不足 0.2 元，10 亿 token 分摊 20 余元完全符合市场行情。② 会不会泄露涉密信息？小程序设置四级分级权限，不同层级仅能查看对应范围的数据；隐患点位为公开信息，底图采用官方天地图，从权限机制到底层数据都做了合规处理，不存在泄密问题。

28. 周一舆情热度：①人工智能-工信部重要会议强调，要牢牢把握人工智能等数智技术创新变革机遇，支持人工智能芯片、光电子等产业发展，坚持硬件、软件、标准和专利布局协同推进。（太极集团、拓斯达、长信科技、利扬芯片、利和兴、申菱环境、华建集团、星网锐捷等）②芯片半导体-韩国央行称，全球半导体市场目前仍处于供不应求的状态，由人工智能（AI）驱动的芯片超级周期预计还将持续一段时间。（利扬芯片、中国软件、长信科技、浪潮软件、利和兴、国子软件等）③业绩-中报预告高发期，部分超预期个股受到资金的关注。（拓斯达、亚联机械、哈药股份、晋亿实业、宏桥控股、北京君正等）④华为昇腾-华为昇腾950超节点将首次真机亮相超大规模算力基础设施领域再上新台阶；（华丰股份、长信科技、利扬芯片、利和兴、申菱环境、拓维信息、润和软件、软通动力等）⑤机器人-工信部甘小斌：我国智能体等加速迭代，今年人形机器人全年整机产量有望突破10万台；特斯拉三代Optimus初步定型，马斯克给供应链定下量产红线；（拓斯达、鑫宏业、长信科技、利扬芯片、昊志机电、威尔高、利和兴、绿的谐波等）

29. 用光子算数学：中国造出全球最大光计算芯片，耗电直降99%

30. 大模型厂商为何集体“造芯”？推理芯片的底层逻辑是什么？

31. 光本位作为重点企业亮相WAIC生态展，全球首发256×256光子存内计算芯片

32. 256*256矩阵规模！WAIC首发目前国际算力密度及精度最大光计算芯片

33. 【人工智能】突破算力存储瓶颈！光本位全球首发 256×256 光子存内计算芯片，开启光电融合千 TOPS 时代

34. 中国光学芯片重大突破，仅需极少计算能力即可将AI速度提升100倍，仅九分之一算力

35. 中国大模型Token成本全球最低，训练成本仅为Meta 18%怎么做到的

36. 光速破局：全球算力密度最高的光子存内计算芯片在中国诞生

37. 全光神经网络芯片功耗骤降90%，光计算能否颠覆传统硅基算力？短期做不到全面颠覆，但它会撕开硅基算力天花板，成为AI算力不可或缺的核心补充，未来很长一段时间会走光电混合协同的路线，而非单纯取代GPU、CPU这类硅基芯片。最近国际顶尖期刊刊登的实验成果给出亮眼数据，全新存算一体衍射型全光神经网络芯片，在图像分类、回归等AI任务里，运算精度对标主流电子神经网络，数字运算功耗直接砍掉九成，这个数字放在当下算力行业，冲击力足够惊人。很多普通读者看不懂“功耗降90%”意味着什么，咱们拿大家熟悉的AI服务器举例子。现在各大互联网、大厂的数据中心，堆了成千上万块硅基GPU，跑大模型推理时发热、耗电是两大痛点。一块主流AI加速显卡满载功耗能到400瓦，机房还要配套大功率制冷设备，电费常年占据算力运营成本一半以上。如果换成这款全新全光芯片，同等算力输出下，设备功耗直接压缩十分之一，制冷投入也能同步大幅缩减，对常年被电费绑架的算力企业来说，吸引力可想而知。之所以能实现这么夸张的能耗优化，根源在于光子和电子天生的物理差异。传统硅基芯片靠电子流动完成计算，电子在金属导线里穿梭会持续产生焦耳热，数据在内存和计算单元来回搬运，还要额外消耗七成以上能耗，也就是行业常说的存储墙、功耗墙两道坎。光计算完全换了一套逻辑，用光子传递、处理数据，光在光波导里传播损耗极低，运算过程几乎不产生多余热量，同时依靠波长、相位多路并行运算，不用像电子芯片那样排队串行处理数据。简单打个通俗比方，硅基电子芯片像狭窄单车道公路，车辆（电子）来回穿梭容易拥堵、摩擦发热。全光芯片是多车道高速，不同波长的光信号互不干扰同时通行，全程几乎没有能量损耗，运算速度还能拉到纳秒级，处理图像、文本这类大模型核心矩阵运算时，效率碾压传统硅基方案。不少人看到功耗暴跌的数据，直接断言硅基GPU要被淘汰，这个想法有点乐观过头。光计算现在还有好几道绕不开的硬门槛，短期内没法单独扛起全部计算任务。第一个难题是光学存储短板。电子芯片有成熟的内存、缓存，能随时读写、存储海量参数，但光子没法长时间留存数据，现阶段全光芯片只能做实时流式运算，复杂模型的参数存储，依旧要依靠硅基电子存储单元配合，纯光系统无法独立完成完整AI流程。第二是非线性运算实现难度高。深度神经网络离不开激活函数这类非线性计算，早期光芯片只能完成简单线性矩阵运算，想要实现完整深度学习，必须搭配电子元件辅助转换信号，频繁的光电、电光转换会抵消一部分低功耗优势，这次功耗大降90%的突破，也是靠优化架构、减少转换环节才实现的，还没彻底根除这个问题。第三是集成度与成本短板。硅基芯片制程已经摸到3nm、2nm，晶体管能做到纳米级尺寸；而光学波导、调制器器件最小只能到微米级别，同等面积下能集成的运算单元远少于硅芯片。而且光芯片配套激光器、光电探测器工艺复杂，量产良率偏低，单块芯片成本现阶段远高于成熟硅基GPU，大规模商用还要等产业链打磨。理清优势和短板就能看清行业真实走向，光计算不是来“掀翻”硅基算力，而是专门补齐硅芯片的弱项。大模型推理、机器视觉识别、云端海量并行运算这些重度矩阵计算场景，全光芯片可以充当算力加速器，承担九成以上高耗能运算，硅基芯片负责逻辑控制、数据存储、复杂非线性调度，二者搭配形成光电混合计算架构，才是未来几年产业落地的主流方案。国内科研团队也在同步追赶这条赛道，华中科大、清华、上海交大先后推出自研光子神经网络芯片，上海交大去年在《科学》刊发的全光生成芯片，已经能支撑图像生成类大模型运算。清华团队攻克深层光计算误差累积难题，实现亿级参数百层光子网络，国产光芯片和国际前沿差距正在快速缩小。站在产业视角看，摩尔定律放缓后，硅基芯片性能提升速度逐年下滑，单纯缩小晶体管已经很难再大幅提升能效，光计算是为数不多落地可行性高的替代路线。这次功耗骤降90%的实验突破，证明全光架构在能效层面的潜力完全经得起验证，接下来的发展重心，会从实验室原型转向简化器件、提升集成度、完善配套软件生态。普通消费者暂时不用期待手机、家用电脑装上光芯片，民用设备对芯片体积、通用性、成本要求极高，短期很难普及。最先落地的场景集中在云端算力机房、自动驾驶车载视觉终端、卫星星上智能处理设备，这类设备对功耗、算力延迟要求苛刻，能完美发挥全光芯片优势。总结来说，硅基算力不会被彻底颠覆，但算力行业的变革已经启动，过去十几年算力升级全靠硅基晶体管堆叠，接下来十年，光计算会和硅基芯片形成互补格局，靠着极致低功耗优势，分担海量AI运算压力，慢慢重构整个算力产业的成本与效率体系。

38. 告别GPU？北大最新成果百倍AI加速！

39. 突破芯片互联瓶颈！AI 推理提速百倍，算力开销仅传统方案 1/9

40. 中国光学芯片重大突破，仅需极少计算能力即可将AI速度提升100倍

41. GPT-5.6 跑得慢还烧钱？教你用“高低配”工作流省下 50% 的 Token 成本

42. 突破 AI 算力能耗壁垒，HITOP 光子芯片登上 Science Advances 封面！

43. CPO 行业深度报告复盘｜AI 算力驱动光电共封装产业进入高速增长周期（31页报告)

44. 北京大学把FPGA连上光链路，推理快100倍、算力省到九分之一，互连墙被直接掀开

45. AI分布式推理快了100倍，北京大学这套全光互联把算力瓶颈直接换成了传输瓶颈

46. 共封装光学（CPO）：点亮下一代AI算力基础设施的物理微光（深度解读 Lam Research 联合 Yole 最新技术报告）

47. CPO产业链：光与芯片的终极合体

48. 一文读懂Token工厂 | AI工业化深度解析：Token工厂如何重构AI推理成本逻辑

49. 1792TOPS算力！国产AI芯片暴降token成本，CEO揭秘4大技术诀窍

50. CPO技术持续迭代突破，光互联全面升级，重构光电产业全新竞争格局

51. CPO光电共封装：AI算力互联的“最后一次缩短”

52. 英伟达悄悄换道超车？康宁玻璃桥技术让AI互连成本大降，传统光模块要凉？

53. 破解 3D IC SI瓶颈：混合键合与 CPO 光互连双技术协同突围

54. 英伟达力推CPO！光互联三大技术谁将胜出？

55. 被低估的光电产业：撑起AI、算力、自动驾驶的核心底层赛道

56. 光通信的“芯”变量：硅光芯片技术进展深拆

57. 武汉，掀起芯片“带宽”革命

58. 清华系发布国产Token工厂：兼容10余种国产芯片，日吞吐千亿Token

59. 大模型公司集体"背叛"英伟达：一笔算不过来的经济账

60. 每刻深思、壁仞科技与阶跃三方联手打造光电融合 AI智算底座

61. 每Token成本定成败：Vera Rubin如何改写AI基础设施法则

62. 光子芯片算力超传统硅基芯片，光计算能否替代电子芯片赛道？短期完全不可能彻底替代，中长期只会形成光电协同的新格局，光子芯片是电子芯片的超强算力辅助，而非替代品。不少自媒体渲染“光芯片淘汰GPU”，其实是忽略了两者底层逻辑、适用场景、产业生态的巨大鸿沟，今天咱们抛开噱头，用大白话捋清楚光子芯片的真实定位与发展天花板。很多人第一次听说光子芯片，都会被“能效超GPU百倍、算力提升上千倍”的数据震撼，这组数据并非造假，但存在关键限定条件。传统硅基芯片靠电子流动运算，电子在导线里跑会产生电阻、持续发热，数据来回传输还要排队走单通道，这就是行业常说的“功耗墙”“内存墙”。而光子芯片用激光在芯片内部光波导传播，光接近光速、几乎无热损耗，同一根光路能同时跑几十束不同波长的光，相当于并行开启百条高速路，天然擅长AI大模型最核心的矩阵乘法运算央视财经。拿权威实验室成果举例，国内团队研发的光子张量处理器，同等算力下能耗仅为高端GPU的百分之一；商用光子加速器PACE，算力延迟比传统电子芯片低两个数量级，专门处理图像识别、大模型推理时优势拉满。放在智算中心场景里，一块指甲盖大小的光子芯片，就能承担几十块GPU的并行算力任务，散热压力直接砍半，单机房电费能省下一大截，这也是资本扎堆光计算赛道的核心原因。但优势集中，短板同样扎眼，第一个硬伤就是计算精度受限。央视财经采访光计算企业创始人时专门提到，光子计算属于模拟计算，没办法像电子芯片那样精准区分海量小数位运算。咱们日常电脑、手机运行系统软件，需要高精度加减乘除、逻辑判断，比如办公软件、游戏渲染、操作系统底层调度，这些精细活光子芯片根本做不明白。打个通俗比方，电子芯片是全能后勤，算账、调度、控制样样精通；光子芯片只是专攻矩阵运算的短跑运动员，专项极强，综合能力拉胯。第二道难以跨越的坎，是产业生态差距。硅基电子芯片发展六十多年，从CPU、GPU到配套编译器、开发软件，全球上千万程序员都在这套体系里开发，配套工具、驱动程序、兼容硬件已经形成完整闭环，就像随处可见的加油站。反观光子计算，商业化落地才短短几年，适配的开发工具极少，程序员想要适配光芯片，需要重新学习全新编程逻辑，企业搭建光算力集群，还要额外配套光电转换模块，整套落地成本居高不下。目前仅有头部智算中心、科研院所小批量试点，距离普及还差十万八千里。材料与量产工艺更是现实枷锁，光子芯片离不开激光器、光调制器、特殊衬底，高端磷化铟衬底九成产能掌握在海外企业手中，供需缺口超七成；薄膜铌酸锂、硅光异质集成工艺良率偏低，大规模量产成本远超成熟硅基芯片。不少读者会疑惑，既然短板这么多，各国还重金押注光计算，难道只是炒概念？其实光电融合才是行业公认的终极路线，报道都明确，光计算的定位是算力加速器，而非替代者。未来的算力架构会是“电子芯片主控+光子芯片加速”组合：CPU、GPU负责通用逻辑控制，光子芯片单独承接大模型训练、图像检测、气象模拟这类高并行算力任务，各司其职互补短板。国内已经在加速落地这套融合方案，上海建成全国首个光计算重点实验室，8英寸硅光子量产线持续推进，清华、南科大接连发布可商用光子计算原型芯片，主要供给算力枢纽、自动驾驶、工业视觉场景。在安防检测场景，光子芯片人脸识别速度达到微秒级，功耗仅传统显卡的百分之一；在云端大模型推理，光电混合服务器能把推理成本压缩三成，这些细分赛道已经显现落地价值。站在2026年当下看，光计算远没到颠覆硅基芯片的阶段，更谈不上取而代之。摩尔定律逐渐触顶，硅基芯片工艺迭代放缓，光子技术是突破算力瓶颈的重要补充，而非颠覆者。那些鼓吹“三年淘汰GPU”的说法，纯粹是放大实验室极限数据制造焦虑，忽略量产、生态、精度的现实约束。长远来看，十年内光电协同会成为算力行业常态，光子芯片会抢占AI专用加速赛道，而通用电子芯片依旧牢牢守住消费电子、通用计算的基本盘。两条赛道不会互相取代，只会相互绑定、同步升级，这才是符合物理规律与产业现实的发展趋势。

63. AI Token 经济学系列 - 第三篇成本篇：Token 价值多少？

64. Token谱系近百家企业加入，生态伙伴看中了什么？光合大会期间，开放计算Token谱系计划正式落地，近百家生态伙伴加入。有业内朋友跟我说了加入理由——Token谱系分三层：底层统一算力接口、中间打通跨平台调度、上层联合孵化应用场景。对他们这种做行业应用的厂商来说，最头疼的是底层适配，不同芯片各玩各的，适配一个平台折腾一两周。 Token谱系相当于有人把底层脏活累活干了，应用方直接调用就行。拿旷视来说，赵康给的数据就挺实在：得益于海光DCU兼容能力支持，视觉小模型适配成本降了70%，推理性能提升15%。通过端到端优化，联合方案性能提升幅度更达到150%。麒麟信安那边也说，以前做方案适配光调试就得两三周，Token谱系把调度、操作系统和应用拉通成一条流水线，现在从芯片到业务上线压缩到一周以内。算力只有变成生产力才有价值。Token能不能让这事跑通，还得看后续落地。但至少有人开始认真搞标准这件事了。 #Token谱系##算力生态# #光合组织#

65. 硅光子与先进封装：光互连时代正式来临

66. 跟踪 | Token产业全链解读，把握AI上行周期