FPGA能否在端侧AI场景挑战GPU地位？_CPU

1. 无需训练，直接「算出」最强AI！理想汽车发现端侧Scaling Law

2. 都在问泡沫何时破，老黄直接下了更大的赌注 #英伟达#黄仁勋#ces2026#GPU#AI新星计划

3. 端侧 AI 的定义权，面壁智能先拿下了

4. 上交大和辉羲把LLM刻进ROM！推理性能冲2万token/s，GPU时代终结？

5. GTC台湾上，Jensen透露出更多的CPU相关的信息：Vera CPU- Vera CPU今年三季度量产- 首批确认客户：OpenAI，Anthropic，SpaceX- 性能：Vera做到Intel的1.8倍PC CPU- Blackwell架构- PC客户：Dell，联想，微软- Follow苹果SOC垂直整合5万亿美金的英伟达已经走到了一个重新增长的困境，很难再有业务可以支撑新的5万亿的增长。主要的客户已经开始自研AI ASIC，特别是在Token时代，自研推理ASIC芯片的成本远低于采购GPU，而且可以根据自己的模型进行客制化的定制，提升能效，降低TCO。CPU这个赛道还是非常的有吸引力，不仅是数据中心的核心，还是端侧/边缘侧的入口。这个赛道还会进入更多的厂商，而且也会以ASIC的方式进入。AI硬件和芯片在6月份还有很多可期待的内容。

6. 【中国芯片震撼突破：能效提升228倍，GPU神话或被终结？】北大团队在《Nature》子刊发表的模拟计算芯片成果，直接改写了算力游戏的底层规则！核心突破点：• 228倍能效比：1台新芯片=过去228台GPU服务器• 成本革命：数据中心电费从100元骤降至1元量级• 真场景验证：已在推荐系统实现商用级验证技术三大跨越：1️⃣ 24位高精度：解决模拟计算"算不准"痛点 2️⃣ 并行矩阵运算：速度提升12倍，能耗暴降 3️⃣ 28nm工艺量产：完全自主可控的技术路径行业冲击波：▸企业：AI开发不必再堆砌天价GPU ▸用户：推荐/图像处理响应更快更准 ▸国家：绕开7nm卡脖子困境的新赛道这场突破不是简单的"国产替代"，而是用物理定律重构了算力经济学。当算力成本断崖式下跌，你认为哪个行业会最先被颠覆？#科技突破 #中国芯片 #AI革命（注：基于北大孙仲团队研究成果整理）

7. 华为乾崑技术深度赋能，启境GT7化身会跑的AI终端

8. 英伟达很快会反超谷歌TPU，AI模型的竞争格局会在2026年1季度变天#英伟达 #马斯克 #算力 #Gemini3#TPU #GPU #AI模型#算力集群

9. 狙击推理时代！英伟达200亿美元收购Groq，能否巩固AI帝国护城河？

10. 面壁智能「开源周」：一场定义端侧 AI 终局的系统性「亮剑」

11. GPU时代落幕？硅谷巨头集体「叛逃」，英伟达1500亿疯狂自救

12. 如果AI的终极形态不是在屏幕里，而是在现实世界里替人类干活。你觉得下一个爆发点会先出现在机器人，自动驾驶，还是医疗？#大咖观察 #红衣聊AI #科技 #人工智能 #黄仁勋

13. 数据比模型更值钱，国内最大的「端侧」训练数据开源了！600B 预训练+千万级 SFT 核心数据配方公开

14. 【M5 Max芯片MacBook Pro上手：终极生产力】春季发布会的高端货，M5 Pro/Max芯片版MacBook Pro到来。跟没后缀的M5不同，它们是全新融合架构，笔记本端首次实现双芯片无缝联动，每颗GPU都带神经元加速器，本地大模型推理、AI绘图秒响应，性能拉满还冷静，存储速度翻倍。而且起步1TB存储，当然，价格也拉起来了，钞能力换无上限体验。 http://t.cn/AXVXFYTv

15. 看完联发科MDDC天玑开发者大会2026，能明显感觉到天玑不再只堆硬件性能，整体布局更偏向完整生态化。这次核心是全域芯智能，从终端到AI基建全覆盖，AI引擎、开发套件数据涨幅很亮眼，3.0版本在模型部署、功耗控制上的提升实打实，端侧AI实用性拉满。游戏侧星速引擎也做了细节升级，搭配全新调优工具。能看出联发科正补齐AI、游戏、生态短板，发力打造成熟的端侧AI平台方案。#联发科天玑开发者大会2026#

16. 这次天玑开发者大会，MediaTek 想把端侧 AI Agent 这件事真正做成生态。天玑 AI 智能体化引擎 2.0，主打低功耗全时感知；天玑 AI 开发套件 3.0，继续降低模型部署、压缩和端侧迁移的门槛；再加上 OPPO、小米、传音展示的系统原生 Claw，方向已经很清楚了：AI 不应该只停留在某个 App 里，而是要进入系统层、芯片层和跨应用执行层。说白了，未来手机上的 AI，不只是你问一句它答一句，而是它能理解场景、主动执行，还尽量把隐私和数据留在本地。游戏这边也有不少硬货：移动端光追、虚拟几何体、32ms LE Audio 低延迟、倍帧 3.0、自适应调控 5.0。手游接下来卷的也不只是跑分，而是画质、帧率、功耗和延迟一起卷。一句话总结：天玑这次讲的不是单点技术，而是想把端侧 AI 和移动游戏体验，都变成长期可迭代的生态能力。

17. AI生意的本质是卖电，很多人没理解这一点。先进制程芯片全生产周期内能源成本在30-45%的水平，加上使用周期里的电费，全生命周期总能源成本提高到70%以上，如果是在数据中心那妥妥超过90%。因为未来十五年核能应用会大跃进，无论是聚变，还是快堆等技术显著提高铀利用率（从1%提升至90%），结果都是将根本上改变能源的成本、能源市场格局，算力成本，和计算市场。NPU，推理ASIC，挖矿ASIC，FPGA，内存和Flash，这些芯片的特点都是结构相对简单，容易验证，开发周期大大缩短。最后在竞争的就是市场需求和功能密度。内存和Flash不能用于计算，在存储市场专用，FPGA密度太低成本不划算，只在诸如电信设备等需求量被定在百万片每年的市场上。挖矿没有高天花板。而NPU和推理ASIC不同，他们在不需要精确的领域大杀四方，成为另一种意义上的「模糊通用处理器」，而x86/arm/risc只能称为「精确通用处理器」。这就是AI的底层逻辑，北美巨头们殊死搏斗的不是人类的进步，而是在未来印钞的权力。#优势在彼#

18. 一夜告别Token账单！端侧AGI真来了

19. 物理 AI 将重构汽车生产模式｜凡拓数创叶密兴分享智造新路径

20. 高盛加入“AI瓶颈交易”：MLCC是新存储，已成AI服务器GPU和内存后“第三大成本”

21. 摩尔线程试图把GPU公司往前推一步

22. 高通大涨12%创历史新高，AI终端设备浪潮重塑估值

23. 华尔街见闻说了个事，说懂W开始支持机器人的发展了，估计自己买了很多机器人的股票了昨天晚上美股中机器人方向大涨。懂W不愧是股神，自己就可以画K线。美国开始从专注于算力发展，到开始专注于应用端，从懂W的这一动作，至少能看到三点一，美国不仅想在算力上领先，还想在应用上领先。利用现有科技优势，全球吸金。二，对美国应用端追赶速度最快的是中国，美国现在端侧，中国基本都有替代。而且中国所有端侧，从机器人，到AI手机，大模型，AI眼镜，没有一个产品输给美国。三，这场算力革命，最终赚大钱的，还在端侧，算力投入不能形成产品，卖向全球，最后各大公司可能都要进入亏损状态。对于投资来说，现在不仅要重视算力的硬件，更要盯好端侧的供应商，哪个产品爆掉，买核心产业链的公司。目前重点观察三样，人形机器人，AI眼镜，商业航天。这几个东西现在发展是最快的国内人形机器人，目前宇树链上市是最快的。主要龙X，襄Y，卧L。而特斯拉链，主要供应商就是拓P，三H,万X。。。美国已经开始从算力硬件的时代，慢慢进入端侧的时代。A股很多公司，也将受益。

24. 剑指“AI时代的安卓”，千问抢滩AI硬件核心入口

25. 模型恰恰是不适合用 FPGA 的。因为每次迭代需要修改的东西太多了，搞不清楚。你全部用成本太高，速度慢，功耗又上去了。//@alextsen:fpga？//@李楠或kkk:这是必然发生的，利好端侧，唯一的问题是现在模型迭代太快了。要么柔性生产（每次都生产一个小批量，新的模型出来了，快速设计、快速发版、再生产小批量），要么，就指望很快出现一个能长期稳定的小模型。

26. 黄仁勋最新访谈（3/3）：3-5年后，机器人会到处都是，中国的优势非常明显#黄仁勋 #英伟达 #Ai #机器人 #自动驾驶

27. 历史性时刻！M芯片Mac支持雷电外接GPU进行AI大模型计算！

28. DeepSeek以低成本高性能挑战全球，字节则以多模态与应用场景取胜。小米的MiMo，则以端侧AI的精准定位切入消费电子的蓝海。每一个AI大模型皆如操盘手的精心布局，针对不同赛道，谋求最大回报，国内AI的发展是真强！#小米发布最新MiMo大模型#

29. 独家 | 清华00后博士融资数千万，打造全球现象级端侧算力引擎，性能领跑行业

30. 推理需求暴增，SRAM 如何解决 GPU 不够用的问题？

31. Nvidia花200亿买Groq，是GPU推理真到瓶颈了还是单纯消灭对手？

32. 中国团队突破瓶颈！不加GPU，万卡集群算力暴涨15%

33. NVIDIA cuVSLAM重磅开源：CUDA全栈加速视觉SLAM，多目/惯导/RGBD全支持，边缘端实时定位建图天花板

34. 今日汇总：1、长鑫科技一季度净利超300亿 AI算力红利持续释放2、安路科技发布ELF5与凤凰新产品，国产FPGA迎来“替代到引领”分水岭3、台积电追加200亿美元投资苹果芯片“美国制造”计划加速推进4、荣耀AI首席科学家黃非：AI必将从chatbot进人到AgenticOS时代5、小米卢伟冰：下半年部分国产旗舰直板机价格或将破万元6、苹果首款折叠屏iPhone Ultra试产受阻7、台积电提出“AI三层蛋糕”概念强调未来将朝向三方面整合进展【头条】单季盈利330亿,中国半导体茅台诞生！安路科技发布ELF5与凤凰新产品,国产FPGA迎来“替代到引领”分水岭

35. 中国机器人，今年又在春晚舞台炸场了！这不仅仅是场表演，而是在向全世界摊牌：中国已经具备把智能规模化落地的能力。 #大咖观察 #红衣聊AI #春晚 #机器人 #AI

36. #科技先锋官# 机器人与实时视觉正成为全球AI技术竞争的核心赛道，各大巨头纷纷加码布局，通过多模态融合、本地智能升级、感知体系革新等创新方向。这一突破重构了机器人的环境交互能力，更拓宽了AI在工业、服务、创意等多场景的应用边界。谷歌DeepMind的创新极具颠覆性，其发布的Gemini Robotics On-Device实现关键突破，成为首个可在机器人本地独立运行的视觉-语言-动作模型。该模型摆脱云端依赖，通过多模态Transformer架构深度融合视觉感知、语言理解与动作规划，响应延迟降至毫秒级，弱网环境下任务完成率超95%，仅需50-100次演示即可让机器人掌握新技能，大幅降低部署成本。OpenAI则通过o3/o4-mini多模态模型强化视觉推理能力，实现带图思考的全新范式，能将图像融入思维链，在医学影像分析、图表解析等场景展现出精准的视觉理解与决策能力。腾讯鸿元发布HY-Motion 1.0模型，聚焦高质量3D动作生成，为机器人实时动画、虚拟人交互提供核心技术支撑；智谱与华为联合推出的GLM-Image多模态模型，在图像生成与编辑领域实现突破，适配国产算力底座。行业层面，DA3通用三维视觉模型、OpenTau开源训练平台等技术的涌现，正推动机器人视觉从多模型适配走向统一化、轻量化，为产业规模化落地奠定基础。#AI生活指南##一条vlog回顾2025##AI创造营# 种斌Marco的微博视频

37. 智元邓泰华宣布：具身智能行业进入「部署态」

38. 今年联发科MDDC26。联发科开始聊“AI 怎么真正跑起来了”。这次天玑 AI 智能体化引擎 2.0，已经不只是简单语音助手逻辑，而是开始做主动感知、跨应用执行、端侧 Agent OS。包括和 OPPO、小米、传音展示的系统原生 Claw，其实已经有点“AI 自己帮你处理事情”的味道了。而且联发科这次不只是讲概念，参数也挺猛。天玑 AI SDK 3.0 里：模型部署效率提升 50%，模型压缩率提升 58%，常驻 AI 功耗降低 42%，端侧大模型部署时间最高缩短 90%。游戏这块也开始越来越“主机化”。这次直接展示了移动端 RTP 光追，还实现了移动端超10亿级三角面渲染，在 1.5K 分辨率下能持续 1 小时满帧运行。包括 32ms 超低延迟音频、144/165 帧倍帧、自适应调控 5.0、GPU Dynamic Cache 这些技术，现在已经不只是单纯拼帧率，而是在兼顾高画质、低功耗和长时间稳定体验。感觉现在的天玑，已经不只是手机芯片了。

39. 创新Transformer！面壁基于稀疏-线性混合架构SALA训练9B模型，端侧跑通百万上下文

40. 为什么在生产环境部署多智能体系统（Multi-Agent）容易出现成本失控，有哪些常见的踩坑场景？

41. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

42. 17000 token/s，比B200快48倍！Taalas AI 芯片能否颠覆英伟达GPU？

43. 我就说一句，Intel绝对被错杀了，现在连英伟达都要讨好Intel（去年下半年50亿美元入股），Physical AI 不能没有Intel的 x86架构啊。。工业机器人里的各种控制协议、传感器驱动、PLC 接口，过去三十年几乎都是基于 x86 开发的。要把 AI 装进机器人里，你不可能要求全世界的工厂一夜之间把所有基础架构都换成 ARM，Physical AI 需要 GPU 做视觉大脑，但需要 CPU 做逻辑控制和精细动作的“小脑”。Intel 在这种低延迟、长期考验的稳定性，也就是功耗稍微不理想一点点。只要Physical AI成立，intel就不会黄。。。同志们

44. #天玑开发者大会#当AI从云端走向端侧，当智能体重构全场景体验，MediaTek天玑开发者大会MDDC 2026重磅启幕。以全栈芯片平台为基，以双NPU强劲算力为翼，天玑AI智能体化引擎2.0登场，SensingClaw技术赋能全时低功耗感知，联合OPPO、小米、传音打造系统原生Claw，实现主动感知、跨端流转与隐私安全并存。天玑AI开发套件3.0四大升级，模型部署效率提升50%、压缩率高达58%、功耗节省42%、移植耗时锐减90%，让端侧大模型落地零门槛。更有光追技术、虚拟几何体、倍帧3.0与AI Play加持手游，10亿级三角面渲染、144帧满帧畅玩、音画合一低延迟，解锁次世代沉浸感官。全域芯生，智能无界，MediaTek携手生态伙伴，让智能体体验无处不在，赋能千行百业增长新曲线。

45. AI行业普遍陷入先造硬件、后补软件的内卷怪圈！这种模式的AI 硬件厂商九成 AI 会为自己的选择付出代价！看似省钱试错，实则适配脱节、落地即翻车。传统大模型看图全靠模糊臆测，精细操作完全拉胯，这也是无数 AI 硬件产品水土不服的根本原因。DeepSeek 凭视觉原语思考打破行业规则不盲目内卷参数，不强迫用户更换设备，先打磨软件适配全端侧硬件，再对接真实市场需求。AI 时代真正的核心竞争力，从来不是硬件堆砌，而是软件底层实力！#专业视频创作季##AI创造营##科技先锋官# 种斌Marco的微博视频

46. 今天聊一下三星自研 GPU 这件事，说清楚 Exynos 2600 到 2800 的真实含义，以及它对 Galaxy 旗舰的长期影响。第一点，Exynos 2600 并不是“还在用 AMD GPU”，而是已经迈入实质性自研阶段。需要先把一个被误解的点说清楚：Exynos 2600 里的 GPU，并不是简单“买 AMD IP 装上去”。从行业信息来看，它的设计与工程实现已经是三星自研，只是计算架构仍然借用了 AMD 的框架。换句话说，是三星用自己的技术，把一套 AMD 架构真正“做成了一颗可量产、可控功耗、可进系统的移动 GPU”。这一步，已经不是象征性的合作，而是自研能力的实质落地。第二点，从芯片工程角度看，三星在 2600 上至少完成了三分之二的 GPU 自研。如果把 GPU 能力拆成三层：架构、实现、生态，那么 Exynos 2600 已经把“实现层”牢牢握在自己手里，包括移动端低功耗控制、Android 系统优化，以及从 PC/主机级 GPU 逐步缩到手机级的工程能力。它没碰的，是“架构层”的最后一块拼图；而“生态层”则本来就是长期工程，不可能一代完成。所以 2600 的意义，不在于性能王者，而在于三星终于把 GPU 从外部 IP，变成了内部可演进的核心模块。第三点，Exynos 2800 才是真正的分水岭，是从“可控”走向“主权”。按照目前披露的信息，2027 年的 Exynos 2800 将首次搭载架构与实现完全自研的纯三星 GPU。这一步的本质不是换供应商，而是把 GPU 的“方向盘”拿回来。一旦架构在自己手里，三星就可以决定指令调度、并行计算策略、图形与 AI 任务的资源分配方式，这些决定的不是某一代跑分，而是未来多年端侧体验的上限。第四点，在端侧 AI 时代，GPU 已经是 Galaxy 旗舰的核心变量之一。现在旗舰手机的差距，早就不只是性能数字和摄像头参数，而是实时影像、生成式 AI、低功耗推理、长时间稳定运行。这些能力最终都依赖 GPU 的并行算力和调度能力。继续使用通用 GPU，并非不强，但永远要在通用设计中妥协；而自研 GPU，才有可能为 Galaxy 做真正贴合的优化。第五点，纯自研 GPU，对 Galaxy 的意义是“体验上限重写”。当 GPU 架构掌握在自己手里，三星才能为 Galaxy 定制图形管线、AI 推理路径和功耗曲线。它追求的不是单点爆发，而是同功耗下更稳、更顺、更一致的长期体验。这种体验差异，往往不是首发评测能完全体现的，却是高端用户日常感知最强的部分。第六点，Galaxy 只是起点，三星要的是端侧 AI 的通用算力平台。手机是最成熟、最容易规模化的试验场。一旦这套 GPU 架构在 Galaxy 旗舰上跑通，它会自然外溢到智能眼镜、车载系统、人形机器人、XR 设备等必须离线运行的终端。这也是为什么三星会把 GPU 视为系统半导体的核心资产，而不是单一产品组件。第七点，从更长周期看，这是一场关于 System LSI 命运的豪赌。Exynos 2600 证明三星已经具备移动 GPU 的独立工程能力；Exynos 2800 则决定它能否成为真正意义上的端侧 AI 芯片设计平台。如果成功，System LSI 将不再只是“给自家手机服务”的部门，而是有机会向外输出定制算力，走向更高阶的 ASIC 业务。第八点，一句话总结这条路线的重量。Exynos 2600 是独立的开始，Exynos 2800 是主权的确立。三星赌的不是一代 Galaxy，而是未来十年端侧 AI 的体验边界。

47. 计算所严明玉团队新作： Attention 并非永远是瓶颈，多 GPU 并不一定更快

48. 随着智能体AI逐渐成为我们与终端交互的新方式，未来的终端需要实时感知、决策和行动。这对无线连接提出了更高要求——不仅要快，更需要低时延与稳定性。借助无缝漫游、边缘性能优化和多接入点协调等多项突破特性，Wi-Fi 8能够为边缘AI时代提供具备超高可靠性的连接，赋能下一代无线连接体验。As Agentic AI emerges as a new interface paradigm, future smartphones and devices will need to sense, decide, and act in real time. Wireless performance must advance - not only in speed, but also in latency and reliability. Wi-Fi 8 introduces breakthrough innovations such as seamless roaming, edge performance optimization, and multi-access point coordination, delivering ultra-reliable connectivity for the edge AI era and empowering the next generation of wireless experiences.

49. 图像传感器正在成为边缘智能的 “决策节点”

50. 重磅官宣｜端侧大模型领军者面壁智——能亮相2026 AI赋能汽车闭门研讨会！

51. 30W超低功耗驱动190 TOPS超强算力！联想AI主机P7以极致能效比重塑端侧AI设备标杆，小体积、强性能、低噪音、可移动供电，搭配天行AI计算架构与三维堆叠技术，重新定义个人与家庭边缘AI中心的形态与能力，让高性能AI更普及。#天禧AI我的专属超能搭档 # #联想AI主机#

52. 把AI大模型塞进手掌心？铭凡智能体新品探展

53. 这次MDDC 2026我觉得重点很清楚：天玑不只是拼芯片参数，而是在把AI和游戏生态一起做深。AI这边，天玑AI智能体化引擎2.0、AI开发套件3.0都来了，低功耗全时感知、端侧模型部署提速、功耗降低这些，听起来更像是在给未来的Agent OS铺路。游戏这块也挺猛，移动端光追、10亿级三角面渲染、倍帧3.0、32ms低延时蓝牙，还有和《王者荣耀》《三角洲行动》《鸣潮》等合作，基本覆盖画质、帧率、延迟、功耗。我的感觉是，MediaTek这次不只是秀技术，而是在告诉开发者：天玑平台已经能把AI体验和手游体验一起往前推一大步。

54. 鸿蒙6.0.0.328版本有的机型有18GB，端侧大模型就有9-10GB左右，很多靠云端处理的任务，端侧就能搞定，埋下了很多AI能力，等正式版来了就知道了！试想未来，有10亿台华为手机，相当于10亿个小算力节点在每天训练大模型……

55. WWDC 2026 端侧 AI 升级，看似要强势逆袭，实则全是 “硬伤”！嘴上喊着重构系统级 AI，推出独立 Siri App，实际 M 系列芯片的端侧模型，压缩再厉害也抵不过国产大模型的先发优势。最关键的 —— 国行 iPhone 直接用不了！境外设备切中国大陆账户也被限制，隐私优势直接变成 “摆设”。国产 AI 早就落地本土化功能，实时翻译、场景化助手随手可用，苹果还在磨 “端侧技术”。一边是国行可用、适配本土的成熟方案，一边是 “遥遥领先” 却用不了的 “纸面实力”。你觉得苹果这波 AI 升级，是真能翻盘，还是被国产 AI 彻底碾压？#AI生活指南##微博超有用视频大赛##科普大作战##科技先锋官# 种斌Marco的微博视频

56. 昨天英伟达发布的RTX Spark处理器，是面向AI智能体时代的全新PC超级芯片。它采用台积电3nm工艺，集成20核Grace CPU与Blackwell架构GPU（6144 CUDA核心），最高配128GB统一内存。核心优势在于1 Petaflop本地AI算力，可离线运行120B参数大模型，支持百万Token上下文。与微软深度适配Windows，优化AI智能体安全运行，兼顾创作、游戏与AI开发。能效出众，轻薄本也能全天续航，兼具旗舰性能与便携性。你们会买英伟达处理器的笔记本吗？ #黄仁勋称无所不能的电脑来了# 两大芯片巨头互攻

57. 78ms的VLA推理！浪潮信息开源自驾加速计算框架，大幅降低推理时延

58. 本地运行大模型推理经常需要复杂配置，llama.cpp 通用性强但针对性不足，各种框架兼容性问题层出不穷，调试优化耗时费力。ds4 把 DeepSeek V4 Flash 的本地推理优化到极致，提供了专为 Apple Silicon 的高性能 Metal 推理引擎。不仅支持 100 万 token 超长上下文、高质量思考模式，还提供磁盘 KV 缓存持久化、OpenAI/Anthropic 兼容 API，甚至 2bit 量化在 128GB MacBook 上流畅运行。GitHub：github.com/antirez/ds4主要功能：- Metal 专用 DeepSeek V4 Flash 推理引擎，M3 Max 达 84 t/s；- 100 万 token 上下文窗口 + 超压缩 KV 缓存，支持磁盘持久化；- 兼容 OpenAI/Anthropic API，支持工具调用和 SSE 流式输出；- 2bit/4bit 特殊量化，128GB RAM MacBook 即可运行 284B 参数模型；- 多种思考模式（normal/max），思考长度随问题复杂度自适应；- CLI 交互 + Server 模式，完美适配 coding agent（如 opencode、Pi）。支持 macOS（Metal），make 编译后即可运行，适合开发者、研究者和 AI 爱好者。#DeepSeek##本地大模型##AppleSilicon#

59. 算力革命的总设计师！英伟达未来10年的AI蓝图！如何重构全栈生态？「超极氪」

60. 这可能是我今年用过最合理的AI硬件形态

61. 专访北电数智谢东：从单点到系统，星火・AI云 2.0如何重构AI时代生产力体系｜甲子光年

62. 全球范围看，有两家厂商的端侧AI加速芯片进展都很顺利。其他有近10家公司都在追赶中。这些芯片一旦商用，在边缘和端侧的小尺寸模型的Token成本将接近于零（大尺寸模型则必须用云端）。期待明年在手机、PC和车机上的应用。一旦这个技术商用，端侧模型使用的带宽将直接达到TByte/s级别。坚信这个方向从技术和商业角度都是正确的。

63. 【国产重大突破！寒序科技实现亚洲首个8nm eMRAM AI芯片流片】据媒体报道，国产AI芯片企业寒序科技（ICY Tech）宣布，联合三星生态设计伙伴SEMIFIVE，基于三星8nm eMRAM工艺成功完成边缘AI芯片流片。这是亚洲首个8nm嵌入式MRAM（eMRAM）商业化部署案例，由寒序科技主导底层核心技术研发，标志着国产AI芯片在先进存储与存算架构领域实现重大突破。作为项目的核心技术提供方，寒序科技凭借在MRAM定制开发与存算架构方面的深厚积累，成功进入三星稀缺的8nm eMRAM工艺窗口。与常规ASIC项目不同，寒序全程主导了MRAM比特单元、外围电路、高带宽读出电路以及大模型推理算子加速等底层方案设计；SEMIFIVE则负责后端硅实现与MPW流片支持。双方形成了“底层架构自研+国际生态落地”的独特合作模式，彻底摆脱了标准IP调用的局限。在技术层面，寒序科技创新性地采用了“MRAM+SRAM”混合存储架构，直击传统AI芯片面临的“内存墙”痛点。该方案用eMRAM替代大规模片上SRAM，有效解决了工艺微缩后SRAM面积效率低、功耗高的问题；同时结合近内存处理（PNM）架构与GEMV计算，加速Transformer推理中的关键算子。该芯片可支持20亿参数大模型的端侧运行，性能对标国际顶尖推理芯片路线，并在存储密度与能效比上实现超越。该芯片主要聚焦私有AI Agent、人形机器人等端侧场景，同时可适配具身智能与云端推理中心，作为GPU/HBM体系之外的高能效推理加速模块。eMRAM兼具非易失、高带宽、低功耗等特性，无需刷新即可长期保存数据，单元尺寸远小于SRAM，特别适用于功耗与空间受限的边缘设备，为国产端侧AI应用提供了核心算力支撑。此次流片成功，是寒序科技依托北京大学物理学院应用磁学中心的技术积淀，在自旋电子学与存算一体领域取得的重要成果。

64. 【英特尔发布酷睿 Ultra Series 3 移动处理器，采用 18A 工艺】CES 2026 上，英特尔发布了新一代酷睿 Ultra Series 3 处理器，是首个基于 18A 工艺制造的 AI PC 处理器。这些处理器早前代号为 Panther Lake，将来会成为英特尔最广泛应用的 AI PC 平台。在整个酷睿 Ultra Series 3 家族中，定位最高端的是酷睿 Ultra X9 和 X7。旗舰型号搭载最多 16 个 CPU 核心、12 个 Xe 图形核心和 50TOPS NPU 算力，其多线程性能最多提升 60%，游戏性能最多提升 77%，并且可以给设备提供最多 27 小时的电池续航时间。新一代的 Ultra 处理器可以提供快 1.9 倍的大语言模型性能、快 2.3 倍的每瓦每美元端到端视频分析性能、快 4.5 倍的VLA 输出能力。其 SoC 架构也提供了更优的使用成本，相较于传统的多 CPU 和 GPU 架构。Series 3 家族还包括英特尔酷睿处理器，其定位于主流移动系统。其使用和 Ultra 相同的基本架构，在更低的价位段提供更高性能和更好的能效。并且 Series 3 处理器最大的突破是加入了面向终端应用的产品，包括集成式和工业用途。首批搭载酷睿 Ultra Series 3 的消费级笔记本电脑将会在 1 月 27 日正式上市，今年上半年我们也会见到更多采用该处理器的笔电。

65. 谷歌的TurboQuant算法炸锅了，把大模型内存压缩到1/6，速度提升8倍，直接带崩存储芯片股，市值蒸发超900亿刀。技术原理是两步压缩+无需微调，有人实测精度无损。市场现在担心AI硬件需求萎缩，但我觉得短期看空，长期可能反转。效率提升反而刺激新应用喷发涌现，比如端侧AI。存储厂商得赶紧转型软硬结合了。#谷歌新算法暴击全球存储巨头#

66. 基于FPGA的边缘AI与图像识别方案

67. 端侧推理

68. 硬核干货｜FPGA/GPU/ASIC AI加速深度对比做AI硬件加速必看❗️选对赛道少走十年弯路

69. 端侧算力芯片架构的最优解？

70. FPGA在边缘人工智能中日益扩大的作用

71. 高速 AI 时代，FPGA 正在悄悄接管更多关键工作负载

72. FPGA 未来发展的乐观视角

73. GPU不擅长的事

74. 功耗大降80%！FPGA凭什么成为下一代边缘AI的最优解？

75. GPU不适合做推理？黄仁勋为何开始推FPGA？

76. FPGA正式成为AI推理标配，GPU+FPGA异构成主流，百亿市场爆发

77. 为什么AI加速卡都爱用FPGA做底层？看完秒懂🔥

78. 黄仁勋将FPGA列为AI推理标准单元，能打开600亿美元增量市场吗

79. GPU慌了！英伟达引入FPGA，AI推理芯片战争打响

80. 2026算力新格局🔥FPGA封神｜大模型AI推理刚需标配

81. 震惊🤯FPGA功耗比GPU低100倍？硬件人必看冷知识

82. 黄仁勋GTC2026实锤

83. 黄仁勋力推FPGA，AI推理算力为何走向三类芯片共存格局

84. AI+FPGA爆发！2026边缘AI落地潮，FPGA工程师薪资疯涨

85. AI推理FPGA市场年复合增长率超过30%，国产厂商投资价值有多大

86. 黄仁勋力推FPGA

87. FPGA与AI的深度融合

88. GTC 2026 点燃 AI 推理新引擎，FPGA 百亿级增量空间开启国产替代黄金窗口

89. FPGA逆袭之路🔥从小众芯片封神成AI时代核心

90. 分析丨FPGA 新角色

91. FPGA成AI推理标配

92. 冷知识｜人形机器人的核心控制居然靠FPGA？不是GPU！🤖

93. 为什么黄仁勋要将FPGA纳入英伟达全栈AI平台

94. IEEE TCAS-I 2025｜EdgeLLM

95. FlightLLM

96. TRETS 2024｜16nm FPGA 比 7nm A100 快1.9倍？空间架构加速LLM推理深度解析

97. 2026🔥FPGA五大核心行业趋势｜看懂当下风口

98. 2026 多模态边缘 AI

99. 2026 边缘 AI 爆发

100. 2026 硬核刚需赛道！FPGA 五大高薪应用领域，每一个都是长期铁饭碗

101. AI视觉的“中国方案”来了

102. 一文讲清 FPGA 和 NPU 的关系

103. FPGA 在大模型时代的「角色重塑」

104. 初创公司硬刚英伟达，FPGA要掀翻GPU！成本爆砍50倍、功耗大降80%

105. 算力 ≠ GPU

106. 一文分清某某XXU

107. GPU和FPGA有何关系?谈一谈GPU和FPGA

108. 如何使用熟悉的工具在 FPGA 上部署边缘 AI

109. ai硬件之，算力新贵FPGA

110. ARM+FPGA AI方案开发板选型指南

111. FPGA能否用于AI模型的训练与应用？

112. 端侧 AI 推理三国杀

113. 边缘计算芯片：低延迟场景的“硬核密码”，这些技术要求缺一不可

114. GPU、CPU下一站：FGPA登上AI算力中心舞台

115. FPGA如何加速AI

116. AI重写FPGA规则🔥软件硬件边界彻底消失谁懂啊！FPGA开发正在被AI彻底颠覆，软硬边界直接融化，门槛直接砍半！ ✨ AI编译器：从“写硬件”变“写软件” 以前搞FPGA，必须啃Verilog/VHDL，懂时序、懂布局布线，纯硬件工程师专属现在：Python/C++/自然语言描述→AI自动生成RTL→一键编译到FPGA AI直接接管：逻辑综合、布局布线、时序收敛、功耗优化，比人类专家快10倍+ 一句话需求，AI就能给你出可跑的比特流，软件工程师也能玩转FPGA 🧠 自动优化+混合协同：设计效率爆炸 • AI自动探索最优架构，流水线/并行/存储一键拉满，性能涨30%-50% • 数模混合设计不再分家：AI自动平衡模拟精度+数字复杂度，跨域协同零障碍 • 从算法到硬件全栈自动优化，开发周期从数月缩到数周 🚀 FPGA从“加速器”变“平台硬件” 以前FPGA是“专用加速卡”，现在变成通用计算平台 • 支持CPU/GPU/FPGA一键编译切换，算力自由调度 • 硬件随算法实时重构，AI模型迭代→硬件秒级更新，告别ASIC长周期高成本 • 边缘/云端/工业全场景通吃，低时延+高能效+可编程三位一体 💡 对我们意味着什么？ 1. FPGA人才缺口暴增：懂AI+FPGA的工程师薪资再涨30%+ 2. 开发门槛大降：软件/算法工程师轻松入局，行业爆发期来了 3. 国产FPGA加速突围：AI工具链+国产器件，弯道超车就在眼前 2026就是AI+FPGA黄金元年，还在观望的，赶紧上车！ #FPGA #AI芯片 #硬件开发 #半导体 #数字IC

117. AI时代的“数字大脑”：一文看懂CPU、GPU、NPU、FPGA

118. 性能不降功耗大减！FPGA 低功耗设计指南

119. 谁说FPGA的AI加速功耗下不来？这5步操作后，我把芯片功耗打下来了

120. FPGA视觉处理板行业发展现状、机遇与未来趋势分析 - 哔哩哔哩

121. 干货分享|深度学习计算的FPGA优化思路

122. 用FPGA构建运维全栈式AI加速解决方案——掌握这个，让求职过程全面“加速”！

123. Altera 创新者大会系列视频｜FPGA 加速计算时代

124. CPU、GPU、NPU、FPGA的区别，一文搞懂🤔

125. 接口瓶颈突破后，机器视觉图像采集卡的核心发展桎梏剖析

126. AMD Spartan UltraScale+: 值得信赖的 FPGA，关键指标表现优异

127. FPGA 功耗分析与优化，一篇搞懂降功耗，建议收藏

128. PolarFire® FPGA，低功耗AI边缘推理新选择

129. FPGA 每日开源更新21｜llama-fpga--FPGA 上跑起 LLaMA2-7B

130. 端侧 400B 模型与自主代理的博弈：2026 年 AI 工程化的临界点

131. 从核心板到机器视觉，辰祥科技以FPGA赋能智能装备升级

132. 国产可重构AI加速芯片优质厂商推荐

133. 边缘计算的“闪电调度”——如何在微秒级完成AI任务分配？

134. 哪个芯片的能效比最高？

135. 端侧AI爆发：2026年AI硬件的机会在哪？

136. FPGA+CPU异构计算｜硬件界的“最强搭档”✨ 还在疑惑FPGA和CPU咋联手干活？一张手绘笔记图，把异构原理讲得明明白白！ 🧠 先搞懂：俩芯片各有啥绝活？ • CPU：硬件界“总指挥”，擅长复杂逻辑、系统调度、通用计算，串行处理一把好手 • FPGA：硬件界“闪电突击队”，靠并行计算狂飙，低延迟、可重构，专啃计算密集型硬骨头 🔗 异构的核心：1+1>2的配合逻辑 1. 任务分配：CPU管全局调度、复杂指令，FPGA专攻并行加速（比如AI推理、5G信号处理） 2. 高速互联：通过PCIe/AXI/CXL总线传数据，共享内存减少拷贝，速度拉满 3. 工作流程：CPU下发任务→FPGA硬件电路并行计算→结果回传CPU→CPU做后续处理 💡 为啥要搞异构？ • 单靠CPU：并行弱、延迟高，扛不住高算力需求 • 单靠FPGA：没法跑系统、搞复杂调度，通用性差 • 异构后：通用能力+极致加速，自动驾驶、数据中心、高频交易全靠它！一句话总结：CPU管“指挥”，FPGA管“冲锋”，这对搭档把硬件性能玩到了极致！ #FPGA #CPU #异构计算 #芯片科普 #AI

137. 基于FPGA的云数据中心AI加速器全栈解决方案

138. 基于 FPGA 的千兆网 GigE Vision 视频传输方案实现（A7/K7 实战篇）

139. 集成千兆网+HDMI+双目视觉！三款高集成度安防监控FPGA开发板方案选型

140. 边缘推理：边缘GPU部署LLM特性分析

FPGA能否在端侧AI场景挑战GPU地位？

精选参考来源