铃阅
❌

普通视图

黄仁勋事变之后,AI算力建设进入垃圾时间了吗?

2026年11月16日 18:59

原创 藏狐 2026-11-16 18:59 天津

AI算力的黄金时代,是不是结束了?

10月中旬,我开始准备一篇关于AI算力进入垃圾时间的文章。

当时,海外AI产业链已经传出调整信号,纳斯达克的科技股最大下跌幅度30%,我明显感觉到,AI算力要进入一个阶段性的调整期,也就是垃圾时间。

没想到,这篇稿子命运多舛。每次打算落笔,就会出现一个无法忽视的大新闻。比如,美国中期选举了。

【反数据中心】成为美国各地的投票议题,反对声浪让特朗普连丢两院,随后蔓延全球。

当时,我正在安徽考察数据中心、智算中心,发现中国的算力建设远没有到顶,海外的情况不能简单套用到中国。

实际上,就在今天11月16日,国民级AI应用DeepSeek,就因为算力不足,不再支持超过7天不活跃的长对话,还会限制每日的对话额度。

(某国内数据中心售卖的英伟达裸机资源)

一个最直观的见闻是,各地都有不少老旧的数据中心,为了尽快满足不断增长的AI算力需求,只能在原有机房的基础上进行简单改造。

但因为电路没法大改,供电跟不上,有的机房服务器一台只能跑两张AI算卡,远远没有达到八卡满配的设计能力。明明机房条件不行,也要硬跑AI,就是因为算力需求上涨得太快了,而基础设施远没有建设到位。

于是,我准备把这些实地见闻写下来:不能因为海外资本市场的一轮波动,就认为AI算力已经没有建设价值。

没想到,黄仁勋事件又火了,全球网友集体吃瓜,在11月12日发展为辞任。靠卖AI算力成为全球市值第一的公司的创始人,就这样被赶出英伟达。可仔细一想,难道黄仁勋的外遇不曝光,英伟达的股票就不会跌了吗?开篇我们就说了,海外资本市场已经出现AI泡沫破裂的迹象。

总之,每一次重大消息的出现,都要求从业者思考与回答一个问题:AI算力的黄金时代,是不是结束了?

其实我的判断一直没有根本改变,那就是,过去那种不计成本的军备竞赛式扩张,肯定不能一直持续,泡沫破灭只是早晚。算力建设是要变,但不是要进入垃圾时间。

智算中心建设,是否会在黄仁勋事件之后,进入发展停滞的垃圾时间?这取决于之前建的怎么样,之后还需不需要用。

而恰恰是美国的英伟达禁令,让中美的AI算力建设花开两朵,各表一枝。

先说海外。国际清算银行在2026年的经济报告中,专门讨论了海外AI产业的循环融资问题。简单来说,芯片厂商比如英伟达,超大规模云服务商比如微软Azure、亚马逊AWS,通过投资AI公司或算力服务商,后者再承诺购买芯片或计算服务,资本在产业链中形成相互支撑的关系。

这种左脚踩着右脚上天的增长模式,是用未来的增长预期支撑今天的投资,再用今天的投资证明未来的增长预期,当然不可能持续。

但国内的实际情况呢,却是另外一番样子。

以芜湖为例,我们考察了解到,当地对计算中心建设提出了90%以上国产化率的要求。这意味着,相关项目在规划和建设之初,就需要优先考虑国产算力产品。

但是,受生产能力、制造良率等因素制约,国产算力产品的供给并不能完全跟上市场需求。据我们与行业的交流,部分国产算力产品的订单,已经排到了两三年之后。

与供给紧张相对应的,是算力需求正在超出很多人的预期。但这次走访产业,发现工业甚至科研中,AI已经在核心业务里独当一面了。

比如创造新分子,以前觉得是科学家才能干的工作,但在中科大精准化学实验室,AI已经开始参与从分子设计、候选方案生成到自动化实验验证的过程,全程都需要调用大模型和智能体。

(某高校的智能化学实验室,突破算力限制)

从这个角度看,算力需求的长期增长逻辑依然存在。当然,这不是说中国的智算中心就该继续搞算力军备竞赛。因为,有算力需求不等于有算力消费能力。这是目前AI算力消纳,最大的瓶颈所在。

在某个中部城市,我们注意到当地政府不仅在推动计算中心建设,也在通过财政补贴培育算力消费。其中,算力券补贴规模已达到上亿元人民币。

这说明,当地企业已经有了使用AI的需求,但还没有能力独立承担全部算力成本。

但是,如果算力中心的建设需要政府投入,企业使用算力又需要政策补贴,那么这种供给和需求两端都依赖财政推动的发展模式,究竟能够持续多久?

所以,对于当前的智算中心建设,我们既不能担心泡沫,就错过AI大规模应用所需要的基础设施建设窗口,但如何建出一批缺乏真实需求支撑的数字烂尾楼,那不仅会造成经济损失,还可能引发政治追责。

既然算力需求并没有见顶,就要继续建设算力中心,但必须转变过去的建设模式。

过去一段时间,数据中心建设已经暴露出不少问题。在美国,体现在对公共利益的损害,比如服务器占据了当地的电力供应,运行时的噪声等,十分影响当地居民的生活环境。

但中国的问题不太一样。

依托全国一体化算网和“东数西算”工程,中国能够在更大范围内统筹算力、电力和区域资源。西部地区丰富的风能、太阳能资源,为智算中心建设提供了能源和环境方面的优势。从我们的实地考察来看,国内多个数据中心,PUE已经控制在1.5以下。

当环境不是问题,那什么是中国算力建设的真正问题?是大量的低质量数据中心存在。

2023年大模型兴起之后,为了快速承接算力需求,市场上出现了大量由传统数据中心改造而来的算力设施。但这些机房最初是按照传统服务器的部署需求设计的,只能解决一时的问题,根本无法适应高密度AI计算的要求。

比如,传统机房的服务器、供电和制冷设施往往集中在同一层空间,楼板承重能力不够,而一台高密度AI超节点,就有1吨多重。就算塞进去了,原有的供电系统也带不起来,散热更成问题。

所以,目前业内一些比较先进的数据中心方案,例如最新的3D数据中心方案,就通过分层的三明治设计,水冷层、计算层、供电层各占一个单独的楼层,承载不同功能,能承载超节点这样高密度的AI算力集群,后续的设备扩容和日常运维也更方便。

(一些先进计算中心的冷却层)

从中,我们可以看见,智算中心建设的逻辑正在发生变化:

一个是算电协同。在建设智算中心之前,就要考虑到电力资源和自然条件的匹配,让算力与能源协同发展,不给当地环境带来负面影响。一位从业者告诉我,现在有些智算中心已经不按算力单位P来规划了,改为电力单位GW来规划。

另一个是系统设计。过去数据中心是以机柜、服务器数量作为指标,那后面就要走向面向AI的专业化设计,充分考虑供电能力、承重设计、整体运维等。

比如我们走访的一个智算中心,户外的冷冻水蓄冷罐就是按一个小时来设计的,而传统数据中心只规划了15分钟。对于金融AI等对业务连续性要求极高的场景,这样的冗余设计尤为重要。

(较为先进的智算中心,增加了冗余设计)

总结一下,接下来,智算中心不是不能建了,只是不能再按照过去那样一味追求规模,按同质化的方式去建,要面向AI从头全面设计。

建完了到底有没有用,谁说了算呢?答案还是,产业。

很少有一个领域,像今天的算力一样,让人觉得如此难以分析。

跟算法相比,ChatGPT刚刚出现的时候,我们虽然也无法准确预测它的未来,但还可以按照技术的积累、模型发展的路线、复制的门槛,大概预测未来的发展方向。

但今天的AI算力产业,已经将太多东西绑在了这辆战车上,被演绎得十分复杂。今天是资本阴谋,明天是政治博弈,后天又变成了领军人物的桃色八卦。

穿越这些纷繁复杂的讨论,回到产业最基本的问题上。那就是谁在用这些算力?谁愿意为它付费?又有多少人能够持续承担这笔费用?

这些问题,每个人都能从日常生活中找到一些答案。

比如普通消费者,使用AI越来越频繁,但并没有自动转化为模型厂商的收入。一些国产大模型仍然需要对免费用户设置调用次数和额度限制,或者在高峰期限制访问。因为每调用一次,厂商都要承担相应的推理成本。这本商业收入和算力成本的账,目前还打不平。

(一些地区的补贴政策,要求算力必须用于实际业务需要)

企业端也是如此。地方政府可以用补贴“扶上马送一程”,但不可能永远替企业买单。等到政策补贴退出,企业还愿不愿意拿出真金白银去购买算力服务?如果AI进入实际生产后,没有带来足够的经营收益,那企业的算力需求也会止步于薅羊毛。

这些瓶颈,比黄仁勋的桃色花边新闻来得更真实,更值得追问。从这个角度看,黄仁勋事件不过是掀开了AI算力产业的一块遮羞布。这也提醒我们,不要被每一条热点新闻牵着鼻子走。

智算中心还没有进入垃圾时间,但我们必须对重复建设的低质量智算中心说NO,对没有商业回报支撑的算力投资说NO。

跳转微信打开

脑机接口试验背后:志愿者开始争取更多话语权

2026年11月16日 17:41

原创 Jessica Hamzelou 2026-11-16 17:41 上海

接受实验性脑植入设备的志愿者,正在争取更多认可与尊重。

(来源:麻省理工科技评论)

几十年来,科学家一直在探索解码大脑活动的方法。研究团队已经开发出多种脑植入设备,不仅能够帮助使用者控制机械臂和计算机,甚至还能让他们通过意念“说话”。

在这些设备的临床试验中,自愿参与的受试者为研究作出了重要贡献,他们理应得到认可。曾于 2014 年在自己脑中植入设备的伊恩·伯克哈特(Ian Burkhart)表示。他目前正与研究人员合作,为脑机接口(BCI)的研发制定一套指导原则。

临床试验本身已有相应的伦理规范,但脑机接口试验有其特殊性。参与这项指导原则制定的渥太华大学法律与神经伦理学教授詹妮弗·钱德勒(Jennifer Chandler)指出:“这些受试者需要在脑内长期植入设备,有些人参与试验的时间甚至长达数年。他们投入了大量时间、身体精力和智力劳动。”

2010 年,19 岁的伯克哈特在一次潜水事故后胸部以下瘫痪。大约四年后,他自愿参加一项脑植入设备的临床试验,成为首位尝试通过脑植入设备控制手部动作的人。研究人员将一组包含 96 个电极的阵列植入他大脑中负责运动控制的区域,再通过一根连接至头部的电缆,将电极与计算机相连。计算机中的算法负责解析这些神经信号,并将其传输至一组佩戴在伯克哈特手臂上的袖套式电极,从而让他能够通过大脑活动控制手臂。

最初,他只能完成一些幅度很小的动作,但随着系统不断完善,伯克哈特逐渐能够利用它将瓶子里的珠子倒出来、移动小巧而精细的物体,甚至还能玩《吉他英雄》(Guitar Hero)游戏。不过,这些操作当时只能在实验室环境中完成。这项研究也因此成为脑机接口领域的一项重要科学突破。

在脑中植入电极阵列的七年半时间里,伯克哈特先后参与了两项为期数年的临床试验。“那是一段非常棒的经历。”他说,“但如果以我现在的认知重新经历一次,有些事情我肯定会希望做得有所不同。”

2022 年,伯克哈特共同创立了 BCI Pioneers Coalition,这是一个为脑机接口临床试验参与者提供交流平台的组织,成员既可以彼此分享经历,也可以直接向研究人员反馈自己的体验。过去一年,该组织的成员根据自身经历,共同制定了一套指导原则,旨在帮助高校研究人员、临床医生和企业开展符合伦理要求的试验,同时充分尊重参与者的自主权。

这套指导原则于周二正式发布,共涵盖 13 个类别,列出了一系列具体建议。其中一项专门讨论如何认可并补偿临床试验参与者的贡献。回忆起自己参与试验的经历,伯克哈特说:“当时我每周要去实验室两到三天,每次待四个小时。如果只计算投入的时间,这实际上已经相当于一份兼职工作了。”

随着试验不断推进,伯克哈特对研究的了解越来越深入,也逐渐能够针对系统的有效之处和存在的问题提出更有建设性的反馈。他认为,自己已经成为研究团队的重要成员。对于其他处于类似位置的参与者而言,如果能够以共同作者的身份出现在科学论文中,或者被公开列为研究合作者,也许会是一种值得考虑的认可方式。不过,伯克哈特和同事们也承认,并非所有参与者都希望以这种方式公开自己的身份。

这套指导原则还涉及一个棘手的问题:隐私保护。公众始终对脑机接口这类前沿生物技术抱有浓厚兴趣,因此,研究人员也有责任提前告知参与者,他们可能面临媒体关注,甚至在某些情况下,很难完全隐藏参与者的真实身份。

而当涉及脑数据的隐私时,情况则更加复杂。研究团队需要获取、分析这些数据,并至少在一段时间内进行存储。对于伯克哈特而言,这并不是什么特别令人担忧的事情,因为科学家收集的是与运动有关的神经活动数据。但对于那些植入脑机接口、通过解读意念将思想转化为语言的人来说,情况可能就截然不同了。

指导原则明确提出,脑数据“应当被视为参与者的个人信息”。研究团队希望确保参与者能够随时访问自己的脑数据。此外,他们还强调,研究人员不应通过保密期限制或保密协议(NDA),阻止参与者将自己的脑数据分享给医生。此类协议通常旨在防止研究结果提前泄露给竞争对手。

“在很多临床试验中,严格的保密协议其实并不常见。”伯克哈特说,“但我们希望确保,这种情况不会发生。”

这套指导原则还特别关注临床试验结束后的问题。伯克哈特植入设备大约五年后,研究团队遇到了资金问题。几年前,我们曾再次采访过他,当时他回忆说,研究人员曾告知他必须先接受手术取出植入设备,等团队获得新的资金后,再重新植入。(需要强调的是,这意味着要再次接受脑部手术。)

最终,伯克哈特一直保留着这套设备,直到 2021 年。由于连接设备与头皮的电缆植入处开始出现感染迹象,研究人员不得不将其取出。然而,在使用设备多年之后再次失去它,对伯克哈特而言并不容易。他曾经重新获得了控制手臂运动的能力,如今却又一次失去了这种能力。

澳大利亚女性丽塔·莱格特(Rita Leggett)也曾在脑中植入设备,以治疗癫痫。她表示,自己感觉已经与这套植入设备“融为一体”。然而,两年后,制造这套设备的公司倒闭,设备最终在未经她同意的情况下被移除。伦理学家认为,这一行为可能构成对人权的侵犯。

针对临床试验结束后的安排,指导原则建议,研究人员应承诺在试验结束后继续维护脑植入设备一段“合理的时间”,并给予参与者充足的准备时间,以便他们能够从容应对设备移除手术。此外,研究团队还应预留额外资金,用于支持那些需要接受设备移除手术的参与者。

当然,这套指导原则仍存在一些不足。部分建议的表述比较宽泛,可能与现有的临床试验伦理规范有所重叠,也并非每一项建议都给出了明确的解决方案。此外,这套原则目前主要基于一小部分参与者的反馈制定,毕竟,全球真正植入脑机接口设备的人数仍然非常有限。研究团队希望今后能够吸纳更多参与者,不断完善和扩展这套指导原则。伯克哈特也计划在即将举行的神经科学会议上,与其他研究人员进一步讨论这些建议。

“这是一份需要持续更新的文件,而目前发布的只是第一个版本。”钱德勒说,“它仅仅是一个起点。”

原文链接:

https://www.technologyreview.com/2026/11/13/1148474/more-autonomy-fewer-ndas-volunteers-have-new-requests-for-brain-implant-trials/

跳转微信打开

生成现实时代,人类该如何拥有彼此?

2026年11月16日 17:00

原创 周政华 2026-11-16 17:00 北京

人工智能不再只是工具。

周政华 《互联网前沿》执行主编

早晨七点,你被手机闹钟唤醒,没有立刻起床,先看天气,再看消息。昨夜发生的冲突被剪成四十秒的视频,朋友的婚礼浓缩在九张照片里,远方的山火在直播间里翻滚。接着,一位虚拟主播向你推荐衬衫,另一个数字人在讲解当天新闻,聊天软件则替你写好一句得体的迟到说明,你删改两个字,发给同事。

从清晨睁眼到推门外出,你还没见到今天的太阳,就已经在手机里刷过了好几个“世界”:有记者记录的新闻、朋友精挑细选的动态、算法推送的热点,还有 AI 凭空合成的场景。真实的、精修的、虚构的,全都塞在这一块小小的屏幕里。

我们总习惯说“AI 正在改变我们”,但真正重塑生活的,恐怕不单单是 AI,而是发光的屏幕与无形的 AI 彻底结合在一起的那一刻。屏幕负责把世界变成可观看、可互动的界面,人工智能不再只是“推荐”既有内容,而是实时为你生成专属的报道、视频、证据逻辑乃至情感互动。

在漫长历史中,人借助工具改造世界,如今,一条新的反馈链路正在形成,人、屏幕、人工智能与世界彼此嵌套,互相塑造。屏幕不再只是窗口,人工智能也不再只是工具,它们开始共同参与现实的制作。在算法不仅造万物、甚至能造“真理”与“情感”的今天,我们与他人的真实联结已经到了必须被重新审视、主动关怀的临界点。

世界成为可观看之物

屏幕最先改变的不是世界本身,而是世界抵达人的方式。

在电影和电视普及之前,人们感受世界的方式是全方位而立体的:吹过皮肤的风、泥土湿润的气味、打在脸上的雨滴……然而,发光的屏幕却把这片复杂真实的世界,压缩成了指尖下可以随时缩放、滑动和裁剪的照片和视频。

电视时代,千家万户在同一个时段看同一个节目。远方的战场、体育比赛、登月、庆典和广告,被电视台编排进固定的时段。观众可以换台,却无法改变节目菜单。媒介机构决定什么值得被看见,播出顺序又暗示什么更加重要。晚间新闻不只是报道一天,更是安排了一天要闻的轻重缓急。这种共同观看当然包含着权力的筛选,但也创造了一种已经逝去的公共节奏。第二天上班,人们谈论昨晚同一场比赛,同一部电视剧和同一则新闻,大家虽然观点各异,但起码还有共同的关注点。

互联网时代,各色网站扑面而来,用户可以搜索,点击,评论,也可以绕过编辑部直接发布。内容选择权似乎从机构回到个人。一个爱好冷门音乐的人能够找到同伴,一个乡镇青年可以旁听世界名校的课程,一位母亲也能记录自己的一日三餐、喜怒哀乐。被主流媒介忽略的个体经验,第一次以如此低的门槛进入公共空间。

但无限的选择很快带来另一个问题,没有人能真正面对无限。所以,搜索引擎要排序,社交平台要推荐,信息流要决定下一条出现什么。于是,选择权没有简单地从电视台转交给个人,而是在个人、平台和算法之间重新分配。

早在 1922 年,沃尔特·李普曼就在《公众舆论》中写道,人们面对复杂环境时,会在头脑中形成一个关于世界的图像,他称之为拟态环境。屏幕时代把这个原本主要由报纸、传闻和个人经验构成的环境,变成了一套全天候运行,可以度量反应并不断调整的系统。

我们看到什么,会影响我们关心什么,我们关心什么又会成为下一轮推荐的依据。这是一个温和而顽固的循环。屏幕一方面映照欲望,另一方面也在训练欲望。

屏幕彻底改变了我们看人的眼光。

以前看电视,镜头里的人都被简化成了“人设”:输赢看运动员,颜值看明星,苦难看灾民,道理看专家。镜头就那么长,装不下一个人完整的生活,只能给人贴上某种鲜明的标签。到了社交媒体时代,这种“立人设”套在了我们每一个人头上。我们开始靠一张头像、几条朋友圈、几个标签和几段短视频去认识一个朋友,也用同样的方式把自己打包成一个符号,展示给别人。

这并不意味着虚伪。人类一直会在不同场合展示不同侧面,从文艺复兴时期欧洲宫殿里的贵族油画,到今天许多打工人在工位上摆放的自己和家人的照片,这些从来不是未经选择的呈现。变化在于,展示从一种小众行为,逐渐成为大众日常生活的文化自觉。

我们观看别人的精选内容,也为别人制作自己的精选内容。久而久之,生活出现了一种舞台感,事件仿佛只有进入屏幕才算完整,情感仿佛只有被表达、被点赞、被转发才获得证实。正如哲学家居伊·德波在《景观社会》中所指出的那样:整个生活表现为景观的巨大聚积。屏幕不仅是传输信息的管道,它反向重构了现实的发生逻辑,一个事件、一片风景乃至一种生活方式,只有被屏幕拍摄、转译并呈现出来,它才被赋予了被看见与真实发生的合法性。

未经屏幕中介的现实,仿佛不值得、也未曾发生过一般。

在大型演唱会或体育赛事现场,常出现一个荒谬而普遍的景象:数万名观众花费高昂门票来到物理现场,离舞台只有数十米,却全程高举智能手机,通过 6 英寸的手机屏幕去观看舞台上的表演。肉眼的直接注视(也就是从眼睛到现实)反而让现代人感到缺乏安全感或不真实,只有通过屏幕录制与呈现(也就是从眼睛—屏幕—现实),这场体验才算真正被捕捉与确认。于是,演唱会现场沦为屏幕画面的生产车间。

此外,从冰岛的黑沙滩到城市里的网红咖啡馆,山川湖海这些地理空间也正在经历屏幕的改造。人们驱车数百公里前往一个景点,目的不再是感受当地的风土人情与历史沉淀,而是“打卡”,找到能够复刻社交平台上那个最佳取景框的地理坐标,拍下一组精美的照片。风景不再是为了被生活或被体验而存在,它服务于在屏幕上呈现。

显然,山还是那座山,海还是那片海,屏幕并没有改变现实,但它建立了一套全新的现实度量衡。当一切物理存在都必须先穿过那块发光的屏幕才能抵达人的意识时,人类便从世界中的参与者,演变成了坐在一块块屏幕前的终身观众。

现实不再必须先发生

常识告诉我们,发生永远是呈现的前提。比如往往是先发生了一起车祸、一场演说或一次爆炸,相机和麦克风将其记录下来,转化为图像与音频,二者不仅时间上有先后之分,同时还有明确的因果关系。

但在生成现实时代,这一因果链条被斩断:算法可以直接凭空制造出“完美的呈现”,而当这个拟像被投射到社会网络中时,它会立刻扣动物理世界的扳机,倒逼出真实的社会反应。

现实不再必须先发生,标志着人类社会信息生态中最根本的因果律倒置。

让我们先看一个无中生有的金融事件。

2023年5月22日,一张据称是美国五角大楼附近发生剧烈爆炸的照片在社交平台 X 上迅速疯传。照片中浓烟滚滚,具有极高的逼真度,甚至获得了多家认证账号的转发。事实上,当天五角大楼风平浪静,没有任何爆炸发生,但该照片还是引发了华尔街高频交易算法与恐慌性抛售,美国标普 500 指数在几分钟内快速下跌,全美股市市值一度蒸发数千亿美元,黄金和国债等避险资产瞬间暴涨。爆炸没有发生,但财富的转移、算法的响应和投资者的真实亏损,在物理世界里实打实地发生过了。AI 图像先于物理现实存在,并凭空制造了经济现实。

未曾发生的“操纵对话”甚至还能改变选举走向。

2023年9月,在斯洛伐克议会选举进入禁止竞选宣传的冷静期,也就是距投票仅剩 48 小时时,一段亲欧洲候选人米哈尔·希梅奇卡(Michal Šimečka)的音频在网络上爆发。音频中,他正在与一名记者讨论如何通过贿赂选民和操纵选票来赢得大选。专家随后证实该音频完全是由 AI 语音克隆技术合成的。然而,由于发生在大选前夕,候选人无法在冷静期内进行有效的澄清。最终,该候选人未能胜选,斯洛伐克的外交取向也随之出现转向。这一事件被全球政治学者和网络安全专家视为生成式 AI 技术被武器化以操纵民主选举的里程碑式案例。

不过,在生物科技与材料科学领域,“现实不再必须先发生”这一趋势正在展现出更为积极的一面。

过去,人类是先在自然界中发现某种蛋白质或材料,再去解析其结构。而现在,如 AlphaFold 和 ESMFold 等 AI 模型,能够直接凭空“设计”出自然界中从未存在过的全新蛋白质三维结构。这些生命分子在地球数十亿年的演化史中从未存在过。AI 在数字空间里先完成了它们的“现实设计”,随后科学家再根据 AI 生成的蓝图,在实验室里通过基因工程将其物理合成出来。物理实体不再是研究的起点,而是算法拟像在物理世界中的追认与落脚点。

这些案例共同揭示了一个深刻的转变:人类社会正从事实驱动信息的时代,全面迈入信息制造事实的时代。当 AI 生成的内容具备了直接驱动物理世界、金融杠杆和群体行为的能力时,真实与虚构的界限就不再取决于它是否真的在物理空间里发生过,而取决于它在数字空间被生成的那一刻,引发了多大程度的现实阵痛。

当证据失去力量

很长时间里,人们把照片、录音和视频当作一种带有物理痕迹的证据。如今,这种眼见为实的信任正在松动。

2024年,一项发表于计算机安全领域的研究,邀请美国、德国和中国的 3002 名参与者辨别由人工智能生成的图像,音频与文字。结果显示,面对当时先进的生成内容,多数参与者的判断近乎猜测,图像的平均识别准确率低于一半,其他媒介也未超过六成。研究不能证明人类从此永远无法辨别生成物,却说明仅靠肉眼和直觉,已经不是稳妥的办法。

当信任松动,第一个严重后果随之浮现:人人未必都会相信假内容,但习惯拒绝真内容。

2023年,在加州法院审理一起涉及特斯拉自动驾驶系统的致死车祸诉讼时,原告引用了埃隆·马斯克在2016年的一段真实公开演讲视频,以证明马斯克曾对自动驾驶能力做出过夸大承诺。马斯克的律师团队在法庭上提出了一项极具破坏性的辩护策略:他们要求法官拒绝采纳该视频作为证据,理由是马斯克作为公众人物,网上有大量关于他的深度伪造视频,因此这段看似真实的视频完全可能也是 AI 伪造的。尽管法官最终驳回了这一荒谬的辩护,但这标志着AI 伪造正式成为在法庭上拒绝真实证据的常规策略。

同年,印度泰米尔纳德邦财政部长 PTR 的一段私人通话录音被泄露,他在录音中严厉指责自己所在政党的领导人家族涉嫌巨额腐败,甚至报出了具体的涉案金额。这段录音引发了当地政坛地震。PTR 随即发表声明,强烈否认录音的真实性,并声称这是政敌通过先进的 AI 和深度伪造技术机器合成的。在缺乏权威第三方鉴定的情况下,公众永远无法确认录音的真伪,丑闻的杀伤力被大幅稀释。

这两个案例揭示了一个比假新闻泛滥更危险的深层危机:当任何人都可以用这是 AI来抵消确凿的证据时,举证责任就被翻转了。证明一件真事是真的,其成本将变得无限高。未来的权力博弈,将不再是谁能制造出最逼真的谎言,而是谁掌握了判定什么是真的最终解释权。

第二个严重后果是,原创与模仿的边界开始融合。

传统法律与文化习惯只保护具体的表达,如特定的一幅画、一段特定的旋律,而不保护风格或审美范式。生成式 AI 恰恰打穿了这一缝隙,它不需要直接抄袭任何像素或音符,而是通过吞噬海量数据学会某人的艺术基因,随后以极低成本批量生产高度神似的内容。这导致原创者的独特风格被算法剥夺、稀释乃至合法地掠夺。

波兰知名奇幻概念艺术家格雷格·鲁特科夫斯基(Greg Rutkowski)的作品具有极高辨识度的古典油画光影风格。在 Midjourney 和 Stable Diffusion 早期,他的名字成了全球用户最常用的提示词之一,AI 生成的数百万张画作,没有一张直接复制了他过去的既有作品,于是在版权法上难以判定为侵权,但每一张都充斥着他的审美特征。当他在谷歌搜索自己的名字时,搜出来的几乎全部是 AI 生成的仿作,他真实的原创作品反而被挤到了几十页之后。原创者的个人艺术签名,被降级成了一个人人皆可调用的免费算法滤镜。

2024年5月,OpenAI 推出了 ChatGPT 的Sky语音模式,其声音的语气、声调、甚至略带沙哑的亲切感,与斯嘉丽·约翰逊(Scarlett Johansson)在电影《Her》中配音的 AI 操作系统萨曼莎极其相似。此前 OpenAI 曾联系斯嘉丽希望授权其声音,但被她拒绝。OpenAI 强调他们聘请了一位真实的配音演员,并没有直接提取斯嘉丽的声音数据进行克隆。尽管在技术层面规避了直接复制,但其呈现出的神态与气质拟态达到了让公众和斯嘉丽本人都无法区分的程度。这证明了 AI 可以在不触犯传统复制权的前提下,完美掠夺人类艺术家的核心公信力与视听符号。

人类创作本就来自学习、记忆和重组,没有一位作家完全脱离前人的语言,也没有一位画家不受既有风格影响。问题在于,当模仿原创的边际成本降为零,而原创的成本依然居高不下时,社会将面临严重的劣币驱逐良币。曾经某种独特的画风、某种惊艳的编曲逻辑,在数百万件 AI 衍生的平庸模仿品冲击下快速贬值,引发公众的审美疲劳。真正的原创者失去了靠独特风格获取商业回报的保护屏障。当人类创作者因无法抵御算法的免费无授权模仿而放弃创作时,AI 最终也将失去用来训练和模仿的新素材,导致整个文化生态陷入低水平的自我循环。

第三个严重后果是,经验与模拟不再容易区分:人脑难以在神经科学层面将AI 施加的逼真刺激与真实发生过的经历区别开来。

2023年,科技界爆发了一场关于计算摄影的著名争论。当用户使用三星 Ultra 系列手机的 100 倍变焦拍摄夜空中的月亮时,手机捕捉到的原本只是模糊的圆光,但内置的 AI 算法会在瞬间匹配高清月面纹理,并将其贴在照片上。用户主观上坚信:这是我今晚抬起头、亲眼看到并亲手用镜头记录下的月亮的真实经验。但实际上,这张照片是由算法在云端数据库中调取的高清模型合成出来的数字模拟。算法在用户毫无察觉的情况下,用完美模拟偷偷替换了用户的真实物理记录。当人类的视觉记录不再反映真实的物理经验,而是被算法自动美化与修补时,我们以为自己记录的是客观现实,实则生活在 AI 构筑的拟像之中。

近年来,越来越多的科技公司开始提供AI 逝者重现服务。例如,韩国纪录片《遇见你》中通过 VR 与 AI 语言模型让一位母亲重逢去世的女儿;或是通过语音克隆和视频生成技术,让去世的祖父母在屏幕里与晚辈们对话。认知心理学研究表明,人类的记忆具有极强的可塑性。当亲人长期与 AI 模拟的逝者对话、看它做出逼真的表情和语言互动时,大脑会将这些AI 生成的合成体验逐渐编码进对该逝者的真实自传体记忆。几年后,亲人甚至无法分辨:这句话是当年他生前对我说的,还是后来 AI 模拟出来的?AI 的模拟模糊并污染了人类最宝贵的真实情感记忆,用无菌的算法仿真替换了带有瑕疵却真实的生命经验。

随着 Midjourney 和 Sora 等工具的普及,大量高精度的虚构历史照片/视频在网络上传播。2023年火爆全网的1912 年泰坦尼克号沉没前的游客自拍、AI 生成的1970 年日全食狂欢现场,或是拟造的1920 年代老上海彩色动态纪录片,尽管这些影像都会被发布平台打上AI 生成的标签,人们在很久以后依然记得那个极其逼真的画面,却忘记了那个画面是来自于 AI 的模拟,从而在潜意识里将其确认为真实的历史经验。当一代人对过去的感知建立在 AI 模拟的视觉上时,人类的集体历史记忆便被重构了。

从观众到世界生成者

屏幕时代制造了观众,社交媒体把观众变成演员和内容生产者,生成式人工智能又提供了一个新位置:世界生成者。

如果说社交媒体时代的内容生产依然极度依赖真实的物理素材,那么生成式 AI 则消解了物理世界的约束和个人技术的门槛。消费者不再需要拿相机去拍摄现实,也不需要亲自出镜去表演。只需通过自然语言下达指令,AI 就能瞬间构筑出具备物理碰撞逻辑、光影折射与完整叙事的无限宇宙。人的身份从物理现实的表演者,蜕变为了虚拟现实的规则制定者与创世主。一个从未学过 3D 建模和电影导演的普通人,在 Sora 或 Runway 等视频生成工具中输入一行文字:一个蒸汽朋克风格的空中飞艇城市,夕阳西下,飞艇在云层中穿行,镜头以电影级运镜穿过烟囱。几秒钟内,一个在物理逻辑上高度自洽、在光影上极其逼真且从未存在过的微观世界就被凭空创造了出来。你甚至可以生成无限分支的叙事宇宙,在基于大模型的互动游戏中,玩家不再是玩别人设计好的固定关卡,而是通过实时对话直接生成 NPC 的性格、城镇的历史乃至整个世界的物理法则。使用者即是神,随时可以在这个数字世界里创造光与万物。

历史上的媒介革新常常伴随旧权威的焦虑。印刷术扩大写作和阅读,摄影术没有终结绘画,录音也没有消灭现场演奏。人工智能同样可能释放大量未被看见的创造力。一个人的想象不必再完全受制于手艺不足、预算有限或表达障碍。对残障人士,语言能力有限者和缺乏专业训练的人而言,这种帮助尤其具体。

世界生成者不仅生产作品,也生产自己的环境。

数字人可以替你出现在视频会议、游戏和社交空间里。人工智能助手能够筛选来信、概括文件、规划日程,甚至预先判断什么值得阅读。伴侣型聊天机器人则更进一步,它记住使用者的偏好,随时回应,很少疲倦,也不必拥有自己的生活。人与机器之间可以形成真实情感,即使机器是否具有情感仍是另一回事。

2023年,人工智能伴侣应用 Replika 一度修改亲密互动功能,不少用户表示自己熟悉的伴侣仿佛突然变了。此后的研究把这次更新视为一次特殊的观察机会,发现部分用户出现了失落、愤怒乃至哀悼。这件事最值得注意的,不是嘲笑人竟会爱上一套软件,而是承认关系的感受可以是真的,即便关系的一方由商业系统模拟。也正因为感受真实,平台对模型、记忆和收费方式的修改,才不再只是产品升级,而可能像未经协商地改造一个人的亲密关系。

AI 伴侣确实能安抚孤独,给不善言辞的人留出一个安心倾诉的避风港。但它也容易让人习惯一种“完全顺着自己”的关系。现实中的人会误解你,会有自己的心思,会在不凑巧的时刻沉默,还会希望你做出改变;而机器却能被设计得无比顺从,甚至连争吵的分寸都能拿捏得刚刚好。长期浸淫在这样完美的关系里,你或许能得到安稳与陪伴,却也失去了与另一个真实的生命相互磨合、共同成长的机会。

从屏幕观众到社交媒体达人,再到今天的世界生成者,人类获得了前所未有的自由度与操控感。然而,一个深刻的悖论也随之诞生:当现实可以被随意生成,当一切摩擦、不确定都被算法过滤掉,人类确实成为了自身宇宙里的创世主,但这也意味着,我们可能将永远失去与真实之物、真实之人深度相遇的机会,困在一个由自己欲望所生成的单人宇宙之中。

从信息茧房到单人宇宙的忧虑

算法推荐时代,人们担心被困在信息茧房中;而生成式人工智能带来的问题不止于此,它已经完成了从过滤已有信息到即时渲染现实的跨越。

传统的信息茧房意味着人们生活在同一个客观世界里,只是被算法包裹在不同的信息切面中,社会仍存在一个底层的共同现实;而生成式 AI 带来的则是公共共识的溶解,现实不再需要先于物理世界发生,算法可以根据每个人的偏好、情绪和隐性偏见,即时合成独占的语言、视觉乃至事实陈述,将人类囚禁在彼此互斥的现实中,由此,我想到了一个词来描绘这种情境:单人宇宙。

如果说信息茧房描述的是人们在同一栋大楼里透过不同角度的窗户看风景,那么单人宇宙则意味每个人被装进了由算法实时编织的独立幻象胶囊中,这个胶囊就是单人宇宙。

在单人宇宙中,事实变成了按需供给的消费品。AI 能够根据提问者的政治立场、知识背景乃至当下情绪,即时拼接逻辑自洽但互斥的事实证据链。人们不再需要妥协,因为算法为每个人都定制了一套能完美印证其偏见的专属真相。

单人宇宙的核心心理机制是祛除他者。无论是 AI 伴侣、定制化数字人还是算法生成的内容,它们永远顺从、永远包容、随时可被重写或重置。个体在这种无摩擦的环境中获得了空前的安全感,却也失去了与真实世界发生深度碰撞的能力。

在单人宇宙中,信息不再记录现实,而是凭空制造现实。未经物理发生的 AI 拟像,同样可以直接扣动真实世界的扳机。单人宇宙中的虚构体验,由此拥有了凌驾于物理现实之上的实体杀伤力。

单人宇宙也带有天生的双重悖论,用户看似获得了无与伦比的权力,只需输入提示词就能一键生成世界、导演剧本、编排 Agent 军团。但这种创世是虚幻的:你的想象力边界、情绪被抚慰的方式、甚至使用的语言逻辑,都被底层大模型的训练集与商业公司的对齐算法暗中规训。人类在享受造物主般快感的同时,将认知主动权让渡给了算法。

谁来制造现实

我们看到的现实,从来不是由某一种力量独自塑造出来的。它是真实的物理世界、社会规则、公共声音和我们个人经历交织在一起的结果。

在这场塑造中,互联网平台决定着把信息推送给谁,AI 模型决定着造出内容的难易度,媒体与专业机构守着核实真伪的门槛;而每一个手握屏幕的普通人,则决定着是否按下发送键、是否去追问来源,以及是否愿意看一眼那些不合自己心意的观点。

技术改变的,只是这几股力量之间的比重。它并没有替我们做决定,只是把我们每一次选择的后果,放大了无数倍。

值得警惕的,其实不是人工智能会制造出多少假内容,而是当每个人都能拥有一个为自己即时渲染的世界时,共同现实的维护成本会陡然上升。共同现实并不要求所有人意见一致,它只要求争论的双方仍站在同一块地面上,承认有些事情可以核查,有些事实无须协商。

屏幕不会熄灭,人类更不会退回到没有 AI 的时代。我们不必去怀念一个“没有技术”的过去,因为那样的过去根本就不存在。

未来最稀缺的能力,恐怕并不是某种辨别真伪的技术。真正关键的,是我们能否看清眼前的滤镜,明白看到的景象是被谁挑选、裁剪,知道什么时候该去追查源头,什么时候该暂别屏幕,走出门去。这些能力并不新鲜,只是在今天,它们第一次变得如此不可或缺。

如若您期待获得《互联网前沿》杂志,可扫码或点击链接填写问卷。限于印量,我们将竭力满足您的免费订阅需求。纸刊获取链接:https://wj.qq.com/s2/10660690/ae0f/

图片

纸质刊物获取地址👆

投稿及任何意见可以联系《互联网前沿》执行主编:周政华 (brickzhou@tencent.com)

推荐阅读

王强:《从AI机遇到现实生产力》

刘金松:《进入“双智能”时代,我们该如何与AI相处?》

👇 点个“在看”分享洞见

跳转微信打开

对话一线从业者:具身融资遇冷?出清会在两到三年后到来

2026年11月16日 11:45

原创 有态度的 2026-11-16 11:45 北京

具身智能融资分化,资本更看重订单与落地验证情况。

出品|网易科技《态度》

作者|路永丽

编辑|丁广胜

近日,OpenAI解散独立机器人团队,研究人员并入通用模型研发核心部门,应用与硬件团队划入应用业务线。这家全球头部AI公司选择用通用模型“吞掉”机器人专用团队。

这一事件恰好撞上了国内一级市场正在蔓延的一句表态:“不投、不看具身智能。”一时间,似乎投资人“一刀切”的撤退有了体面注脚。

但产业水温远比一句表态复杂。一边是宇树、优必选等加速推新品、冲量产,头部项目排队IPO,细分赛道逆势吸金;另一边是无境动力陷入欠薪停摆、深兰机器人子公司进入破产清算。

灵御智能CEO金戈告诉网易科技:“狂热的‘盲投’与一刀切的‘不投’,本质上都是不专业。”投资机构董事总经理、投委会成员沈屹(化名)则点出另一面:投资机构的表态往往受持仓和退出需求影响,“想买的时候唱空,想卖的时候唱多。”

具身智能水温究竟如何,是真不投还是假撤退?

泡沫在出清

冷热并不均匀

从市场预算、招聘需求到融资节奏,具身智能都在降温,但水温并不均匀。据钛媒体统计,2025年2月至2026年9月,破产、解散、清算和业务线关停的机器人公司超过20家。

某具身“大脑”公司品牌公关负责人林岚(化名)告诉网易科技,近期确实弥漫着观望情绪,部分企业已大幅缩减市场预算,推广“全靠资源置换”;专注机器人行业的猎头宋衡(化名)则观察到,机器人基础岗位缩招明显,但高P岗位仍有需求。简言之,不是不招人,只招核心能打仗的人。

但冷意之外,海洋机器人、巡检等细分赛道仍在逆势拿钱,有公司表示刚融完就被机构催着开下一轮。

某活跃于具身智能赛道的投资机构合伙人李维舟(化名)表示,市场没到“特别冷”的地步,新公司确实没那么好融了,但头部和早期优质项目仍被追投,只是估值被卡住了,分化在加剧。其所在机构已布局多个具身智能项目,既包括已进入IPO排队的头部团队,也包括若干优质早期项目。

他进一步指出,估值200亿元以上的头部企业排队IPO,不急于融资,但随着IPO收紧面临一定股东压力;受影响最明显的是50-100亿的中腰部公司:无明显商业化或收入体量,又没到上市阶段,正密集找地方国资接盘;尾部本就承压,但今年冒头的优秀团队依然抢手。

中腰部的尴尬是融资、退出与现金流三线挤压的结果。融资上,据IT桔子统计,2026年上半年具身智能领域前20家企业合计融资额约550亿元、占比59%,腰部并不突出;退出端,IPO收紧叠加50-100亿元高估值,市场化融资更难、折价又不现实;需求侧更致命,目前落地场景集中在科研教育、文娱商演,订单含金量本就有限,还可能夹杂大量框架协议,而签单、交付、验收、回款,每一环都可能断裂,每一环都要垫钱。三线交汇,腰部卡在中间:既没有头部的现金垫,也没有尾部的“船小好调头”。   

沈屹所在机构在具身智能赛道已有多个已投项目。他认为这次降温本质是“泡沫出清”,前期热钱涌入推高估值,但技术与产品未跟上预期;叠加二级市场(如部分人形机器人企业)近期的回调情绪传导,推高了整体风险。但具身智能“长坡厚雪”的底层逻辑未变,当前处于第一波出清期,分歧在于实现周期是3-5年还是10年。

灵御智能联合创始人兼CEO金戈有十几年投资人背景,曾任远镜创投管理合伙人。他认为,“市场降温不等于具身智能遇冷,投资人转而关注可行商业路径、长期核心竞争力”,这是一个理性化过程。

“一刀切”不投是伪命题

从听故事到看验证

据网易科技观察,“不投、不看”仅代表少数机构,资本并未集体离场。随着各大投资机构布局基本成型,降温后出手更谨慎,估值容忍度和验证标准有所调整,但对真实需求、核心技术、强执行团队和合理估值的要求未变。

据IT桔子统计,2026年9月国内具身智能赛道发生60起融资,披露总额110.28亿元;截至10月29日,10月发生33起融资,总额101.05亿元。交易数量环比减少约45%,金额下降约8.4%,单笔均值由1.84亿元升至3.06亿元左右。具身智能赛道正迈入“数量退潮、金额集中”的阶段,早期广撒网式投资收缩。

沈屹坦言,其所在机构尽调核心逻辑一直未变,变的是不同估值对应的验证要求、出手频率和融资画像。他表示:“一年半以前,估值才三四个亿,现场展示一下产品就行;现在估值几十亿了,就一定要看到订单。”他将这一变化概括为:“早期看技术故事,现在就看订单、落地场景和客户。”

这一转变在灵御智能身上体现得尤为明显。 金戈称,前期不少投资人“不做模型、不做大脑,就一眼不看”,现在“你们已经在真实场景部署了,我们来聊聊”,甚至有机构“反身找回来”。

金戈认为,核心原因之一是上市预期变差:港股IPO渠道窄、上市后频频破发,行业还有迎合上市指标的乱象。具身智能“绝大多数还没有找到真正的PMF”,抢上市、博估值并不切实际。资本逻辑由此从“抢上市、搏估值”转向“看收入、看PMF、看可持续”。

李维舟表示,其所在机构“一直偏商业化,希望公司有落地、有收入”。上半年投了不少新公司,最近投得少了,原因有二:一是项目同质化加剧,本体和模型“都比较同质化”,因此转向看背景差异化、特定场景标的,模型公司年中后基本没再出手;二是9月梅卡曼德上市及创始人炮轰行业乱象事件后内部评估更谨慎。

值得一提的是,多位投资人都提到行业同质化问题,整机层面尤为集中。国家发改委此前披露,我国人形机器人企业已超150家,半数以上为初创或“跨行”入局,并明确提示要防范重复度高的产品“扎堆”上市。
中国信通院联合发布的产业图谱显示,截至2026年10月8日,国内具身智能相关企业约405家,北京、广东、上海三地合计占比超六成。企业数量在涨,但真正能进入规模化交付的仍是少数,随着泡沫出清,整机层或将成为出清最先发生的地方。

出清之外

数据缺口、预期透支与验证困境

在业内人士看来,这波降温远未到洗牌时刻,行业正经历泡沫回调与渐进出清。中国信通院在相关报告中判断:未来两至三年,行业将完成首轮出清,淘汰缺乏真实商业闭环的企业与模式。

短期压力已在退出端显现。微亿智造暂缓港股上市、环动科技撤回科创板,智元则被曝转开新一轮融资,IPO窗口收窄正传导至一级市场。

出清节奏上,业内主流观点认为周期在2-3年。沈屹判断“大量出清需要2-3年,企业要做产品历练和模型训练”;李维舟补充,27年不会有并购潮,“估值太贵”,头部和融过钱的公司“5年内都不会倒闭,只要创始人愿意开”,而早期融资不顺、第一二轮找了不活跃或非市场化资金的,“明年可能会解散”。

主流之外,金戈相对乐观,认为市场情绪可能在明年中回暖,但也给出风险边界:“若27年底仍没转热,会看到老股集中流转。”

比起出清节奏,更值得关注的是行业真正的卡点。金戈、李维舟均认为最突出的瓶颈是数据:缺口大、供给乱、补得慢。金戈表示,具身智能数据量“离理想状态,至少差了4到5个数量级”,高质量真机数据贵且少,而替代数据要么效率不高,要么资源投入巨大。

李维舟进一步明确了缺口量级与时间表:今年10万小时,明年可能小几百万小时,“Scale 30倍”,27、28年才可能看到GPT-2、GPT-3的时刻;全球一年三四百万小时,“跟1亿小时比还差得远”。

供给端也不乐观。李维舟指出,线下采数“一天6小时,只有1到2小时可用,好公司利用率能到50%”。数据公司多是买数卖数的“数商”,真正高质量采数的少。

金戈提及行业“数据贩子”乱象:低价数据可能只有市场价四分之一到五分之一,但往往不是一手,渠道未必合法,且以无本体数据为主,这类数据“75%、80%都不能用”,算下来实际比市场价还贵。他认为,解决这一问题要靠品牌、标准和稳定的供求关系,也要靠模型厂商试出正向数据。

与此同时,过度表演和Demo式宣传拉高客户预期,造成的落地Gap是行业面临的另一重困境。此前有业内人士向网易科技透露,经常有客户拿着流畅、精美的Demo视频问企业“你们能不能做到”。金戈确认,灵御智能也遇到过这种情况,并连用两个“非常”表达自己的担忧。

“我觉得这种情况非常非常严重,这是今天阻碍具身智能真实落地发展的最大阻力。”他引用梅卡曼德创始人邵天兰提出的Level 0-10产业分级框架:Level 0-3“全是Demo”,Level 4-7是POC,Level 8-10才是规模化,真正商业成功基本要到Level 7-10。“大家现在拿着Level 0-3的东西,去讲Level 10的故事,肯定是不行的。”这种预期失真直接导致落地Gap,也是市场变冷的核心原因之一。

此外,沈屹补充,行业评价标准尚未收敛,刷榜和叙事仍在替代真实价值判断,商业闭环并未真正打通.

在泡沫出清、行业从“听故事”转向“看验证”的当下,正如沈屹所言,“创业者想拿钱,光讲老故事不行,要展示出在具体商业场景中优异的能力和泛化能力”,更要证明这种能力能跑通商业闭环。

——社群推荐——

与前沿大脑同步在线,让思维时刻领先。

欢迎扫描下方二维码,加入你的科技同行圈。

▲欢迎加入粉丝群▲

—— END ——

排版 | 张京菁    审核 | 北辰

跳转微信打开

硅谷研究机构实探中国版“星际之门”:速度、成本与系统能力令人瞩目

2026年11月16日 16:18

原创 张锦怡 2026-11-16 16:18 北京

“美国算力路线图中的诸多问题,都可以在这里找到思路。”

监管、民意和融资等多重压力之下,美国 AI 基础设施建设正面临新的挑战。

刚刚结束的美国中期选举,让数据中心建设引发的争议进一步受到关注。多地限制性公投获得通过,电力供应、土地占用等问题成为地方政策讨论的焦点。

与此同时,美国 AI 基础设施旗舰项目“星际之门”(Stargate)也面临融资和项目推进方面的压力。据彭博社 11 月 5 日报道,荷兰 ING 集团正寻求出售约 5 亿美元的数据中心贷款资产,其中涉及“星际之门”项目融资。而早在今年 9 月,甲骨文就曾针对该项目位于新墨西哥州的一处数据中心发出援引不可抗力的通知,以应对潜在的项目延期风险。

就在美国 AI 数据中心扩张面临诸多挑战之际,一份关于中国大型算力基础设施的实地考察报告引起了行业关注。

今年 9 月,美国半导体与 AI 基础设施研究机构 SemiAnalysis 来到中国内蒙古乌兰察布,实地考察了远景科技集团设计开发的星河基地。11 月 7 日,研究团队发布了题为《我们走访了中国内蒙古的“星际之门”》(We Visited China’s Stargate in Inner Mongolia)的深度报告。

报告将同样拥有广阔土地和丰富能源资源的内蒙古比作中国的“西得州”(West Texas),并将星河基地与美国得州的“星际之门”项目进行比较。研究团队直言,“美国算力路线图中诸多悬而未决的问题,都可以在这里找到解题思路。”

(来源:SemiAnalysis)

SemiAnalysis 对星河基地的建设速度、规模、低成本和垂直整合能力给予了较高评价。

这不是海外机构第一次关注乌兰察布。今年 8 月,高盛就曾发布研究报告,分析当地算力集群的增长情况;美国科技媒体也陆续报道了这里的数据中心建设进展。不过,此前的讨论更多集中在投资规模和产业布局,SemiAnalysis 此次考察则披露了更具体的工程与技术细节。

星河基地一期 120MW 设施从开工到交付不到一年,单位建设成本约为美国可比项目的五分之一。园区还配套规划了风电、储能等设施,以提高绿色电力的使用比例。

而在下一代供电技术上,星河基地已经率先迈出一步。这里采用固态变压器(SST)的 800V 直流供电系统已投入实际运行。这是全球首套在大型 AI 数据中心实现商业化运行的同类架构。

与美国“星际之门”相比,星河基地的优势也体现在能源供应和系统设计上。从风电场到服务器机柜,远景将多个环节纳入统一规划,并率先推动下一代供电技术在实际项目中落地。

过去,中国基础设施建设的优势往往体现在设备成本和施工效率上。而在星河基地,远景从项目规划阶段就统筹发电、输电、配电和算力负荷,通过系统设计与集成,减少不同环节之间的协调成本。

这种从能源开发延伸到机房内部供电的全链路能量管理能力,也为星河基地控制建设成本、缩短交付周期提供了支持,成为中国 AI 基础设施建设的一项重要竞争优势。

中国版“星际之门”,领先在哪里?

乌兰察布发展数据中心已有十多年。2013 年前后,华为率先在当地布局,此后阿里巴巴、苹果、快手等企业陆续进入。最初,这些设施主要承担数据存储、备份和通用云计算等业务,近年来随着生成式 AI 兴起,当地开始迎来新一轮大型算力投资。

风能资源丰富、平均气温较低、距离北京较近,是乌兰察布长期吸引数据中心的原因。如今,大模型训练和推理需要部署大量高功率芯片,机房对稳定供电和散热的要求不断提高,当地的能源条件也因此有了新的价值。

今年 9 月,SemiAnalysis 研究团队来到乌兰察布,实地考察了远景科技集团开发的星河基地。该基地分四期建设,其中一期 120MW 已于今年 8 月交付。这也是远景在乌兰察布总计约 3GW 数据中心规划中的首个大型园区。

图|星河基地(来源:远景科技)

为了说明这一项目的规模,SemiAnalysis 将其与美国得州阿比林的“星际之门”进行了对比。后者由 AI 基础设施公司 Crusoe 开发,并租赁给甲骨文(Oracle),由甲骨文为 OpenAI 提供算力服务。其核心区域规划了 8 栋建筑,总供电规模约 1.2GW,对应 IT 容量也与星河基地规划的大体相当。

两座园区的建设速度很接近,都耗时不到一年便完成交付。然而,SemiAnalysis 估算,星河基地一期的单位建设成本仅为美国的五分之一左右。

这一成本优势,除了中国设备和施工成本优势,也与星河基地的电力系统设计有关。

阿比林主要依靠公共电网,并配置现场燃气轮机作为补充。星河基地则从项目规划阶段,就将配套风电场、专用输电线路、储能设施和数据中心统一考虑,甚至延伸到机房内部的供电架构。通过统一规划和设备集成,可以减少不同系统之间的重复配置、现场调试和工程衔接,从而进一步控制建设成本和交付周期。

这种建设方式与远景长期积累的能源技术有关。远景最早从风机技术制造起家,后来逐步进入储能、电力电子和全链路能量管理领域。在星河基地项目中,它既承担数据中心开发,也参与深度布局与整合配套能源设施和机房供电系统的设计与集成的 AI 全价值链服务。

SemiAnalysis 在报告中评价,远景是其研究团队见过的“垂直整合程度最高的数据中心参与者之一”。

(来源:SemiAnalysis)

与传统数据中心开发商相比,远景参与的环节更为广泛。从自建风电场、铺设专用输电线路,到储能系统制造、低压配电和 800V 直流供电架构设计,再到预制式变电站的联合开发,星河基地将能源供应与算力设施建设纳入同一套系统。

传统数据中心通常先确定算力规模,再分别协调电网接入、供电设备和工程建设。远景则从项目规划阶段,就将当地风光资源、电网条件、储能配置和 GPU 负荷统一考虑,并根据数据中心的用电需求设计相应的能源设施。

这种从电源侧到 AIDC 负荷侧的全链路设计,是远景区别于传统开发商的核心优势。它能够在项目建设之初协调不同设备的配置和运行要求,减少系统之间的衔接工作,同时为后续的能源调度和算力负荷管理打下基础。

在工程建设方面,星河基地采用预制式变电站,提前在工厂完成模块生产和测试,再运输到现场安装,将交付周期压缩到三个月以内,而传统室内变电站通常需要约六个月。机房冷却系统也充分利用乌兰察布寒冷的气候条件,减少对传统机械制冷设备的依赖。

从能源供应、设备制造到工程交付,远景将多个环节的技术能力整合起来,高效地全链路能量管理,也让星河基地在建设成本、交付效率和绿色能源利用方面形成优势。

更重要的是,这套 AIDC 系统还将电力管理延伸至服务器负荷侧,使能源供应能够更好地适配 AI 计算的实际需求。这与国内正在推动的“算电融合”方向高度一致,也代表着大型 AI 数据中心从单纯建设算力设施,向能源与算力一体化规划发展的技术趋势。

在 SemiAnalysis 此次考察中,最能体现这种系统能力的技术成果,是星河基地已经投入商业运行的 800V 直流供电系统。这项技术也是英伟达正在推动的下一代 AI 数据中心供电方向。

星河基地,如何成为下一代 AI 供电的技术灯塔?

随着 AI 芯片功耗持续增加,单机柜功率正从过去的几十千瓦向数百千瓦发展。

例如,英伟达规划中的 Kyber 架构,单机柜功率预计达到约 600kW。如此高的功率密度,对数据中心的电力输送和转换效率提出了更高要求。

传统数据中心主要采用交流供电,电力进入机房后,需要经过低压变压器、不间断电源(UPS)、整流等多个环节,再送至服务器。这些设备会产生转换损耗,也占用机房空间。为此,英伟达正在推动 800V 直流供电架构,通过提高供电电压、减少转换环节,满足下一代高密度 GPU 集群的需求。

在星河基地中,远景采用固态变压器(SST),将 10kV 交流电直接转换为 800V 直流电,再输送至服务器机柜,由机柜内的 DC/DC 模块进一步降压。这种设计省去了传统方案中的低压变压器、UPS 和独立整流等中间环节,有助于降低电力损耗和设备占地。

这是全球首套在大型 AI 数据中心实现商业化运行的一体化 SST 直转 800V 高压直流供电系统。SemiAnalysis 的实地考察确认,该系统已在真实机房中运行,而美国同类架构仍处于较早的部署阶段。

(来源:远景科技)

不过,提出技术架构与将其投入商业运行,面临的挑战并不相同。AI 服务器的用电负荷会随计算任务快速变化,一旦发生设备故障,供电系统还需要及时隔离故障,避免影响其他正在运行的服务器。

因此,远景在系统设计阶段,就将 SST、储能、保护装置和控制策略放在一起考虑,提前确定故障隔离范围、关键负荷的供电保障和恢复顺序。

例如,同样是直流母线电压下降,如果由 GPU 负荷突然增加引起,储能系统需要及时补充功率;如果是某条支路发生短路,保护装置则要迅速切除故障,阻止其他电源继续向故障点供电。

这种协同设计要求不同设备围绕同一套运行工况进行验证。星河基地的实际运行,也让远景能够将 GPU 负荷波动、设备响应和故障处理过程中积累的经验,反馈到产品设计和系统验证中,持续改进供电架构。相比单纯提供某一类设备,这种从系统设计到商业运行的工程能力,是其重要优势。

而在机房之外,远景还将能源管理延伸到风电场、输电线路和储能设施,形成从电源侧到算力负荷侧的完整供电体系。

根据 SemiAnalysis 的介绍,星河基地规划了两座相距约 80 公里的风电场,这两座风场可以利用不同地点的风况差异,减少同时处于低风速状态的时间。配合四小时电池储能系统,规划绿电覆盖比例超过 80%。

为了协调风电出力与数据中心的用电需求,远景还将气象预测和能源管理技术应用到园区。其远景天机气象预测系统可以提前预测风电出力,天枢能源管理系统则结合发电情况、储能状态和算力负荷,动态调整能源调度策略。

例如,预测显示未来几个小时风电出力可能下降,系统便可以提前调整储能充放电计划,协调其他电源补充;而当 GPU 负荷突然增加时,机房内部的供电设备则负责快速调节功率,维持电压稳定。

从数小时尺度的发电预测和储能调度,到瞬时的功率控制,远景将不同时间尺度的能源管理连接起来。这也是其所强调的“全链路能量管理”,在规划阶段统筹能源资源和算力需求,并在运行过程中持续优化电力的生产、输送和使用。

其目标是让每度电产生更多算力和 Token。随着 AI 数据中心的用电规模持续扩大,能源利用效率也需要从机房内部延伸到整个供电链路。减少电力转换损耗、提高新能源利用率,并保障高密度 GPU 集群稳定运行,最终都有助于降低单位算力的能源成本。

下一场 AI 基建竞赛,AIDC 电力系统成为关键变量

中国的 AI 数据中心建设正加速推进,大型园区不断落地,新型供电技术也开始投入商业运行。然而在大洋彼岸,美国的数据中心扩张却遭遇了新一轮阻力。

过去几年,得州凭借充足的土地、相对低廉的能源价格和税收优惠,吸引了大量超大型数据中心项目。但随着算力需求迅速增长,电网扩容和电力接入逐渐成为建设瓶颈,一些项目开始额外部署燃气轮机、燃料电池和储能设施,以保障供电。

与此同时,大型数据中心带来的设备噪声、土地占用、水资源消耗,以及居民对电价上涨和电网稳定性的担忧,也引发了越来越多的反对声音。

在近期美国中期选举中,这种反对情绪进一步显现。据美国选举信息网站 Ballotpedia 统计,11 月 3 日举行的 41 项数据中心相关地方公投中,40 项结果倾向于限制开发。其中,27 项限制性措施获得通过,另有 13 项便利建设的提案遭到否决。

美国数据中心面临的这些挑战,也凸显出能源供应与算力建设协同的重要性。中国拥有丰富的新能源资源、成熟的电力设备供应链,以及大规模工程建设能力,为 AI 基础设施扩张提供了有利条件。

远景星河基地便是其中一个案例。依托自身在新能源装备、电力电子和能源管理领域的积累,远景能够在项目规划阶段就统筹发电、储能、输电和机房用电需求,并通过设备制造、系统集成和工程建设之间的协同,提高交付效率、控制建设成本。

把中美两座“星际之门”放在一起看,差异已经十分清楚:在建设成本和下一代供电架构的实际应用上,星河基地展现出领先优势。尤其是 800V 直流供电系统率先实现商业化运行,体现了中国企业在 AIDC 电力系统设计、集成和工程落地方面的技术能力。

这背后是两条不同的建设路径。美国依托资本、芯片和云计算生态持续扩大算力规模,电力供应却日益成为制约因素;以星河基地为代表的中国项目,则把新能源、电力装备和工程制造能力融入数据中心建设,从风电场到 GPU 机柜统一设计,让每一度电尽可能多地转化为算力。

而星河基地的意义,也不止于中美两座“星际之门”的比较。

随着算力需求持续增长,AI 基础设施的竞争将越来越多地延伸到能源领域。全世界都在寻找一条以更低成本、更清洁的方式将电力转化为算力的路径。星河基地已经展示了绿色电力与高密度算力相结合的工程方案,也让下一代 AI 基础设施建得更快、成本更低、能源利用更加高效成为可能。

从这个角度看,中国版“星际之门”的进展,体现了中国新能源产业、工程制造和电力系统技术长期积累的成果,也为全球 AI 基础设施建设提供了一种新的思路。

参考链接:

1.https://newsletter.semianalysis.com/p/we-visited-chinas-stargate-in-inner

2.https://www.wired.com/story/the-unlikely-place-at-the-center-of-chinas-ai-boom/

3.https://www.crusoe.ai/resources/newsroom/crusoe-blue-owl-capital-and-primary-digital-infrastructure-enter-joint-venture

4.https://www.xxquant.com/en/institution/institutional-research/7d948f57e18365ce62c9e29381543012 

运营/排版:何晨龙

注:封面/首图由 AI 辅助生成

跳转微信打开

报名中|12月3日,先进封装开发者大会@香港

2026年11月16日 12:53

半导体行业观察 2026-11-16 12:53 上海

2026 年 12 月 3 日,2026 先进封装开发者大会(APDC)将于香港科学园举行。

香港特别行政区行政长官李家超、华润集团董事长王海民、香港科技园董事局主席钟郝仪、中国半导体行业协会理事长陈南翔等重磅嘉宾将带来开场致辞。

来自腾讯集团、长电科技、京东方、北方华创、爱德万、Cadence、恩智浦、香港科技大学、天津大学、美国国家工程院等产学研各界的专家学者齐聚一堂,就AI与高性能计算、CPO与光互连、高密度互连、仿真、测试、热管理等前沿方向,带来40场精彩演讲,探讨先进封装的机遇与挑战。

欢迎扫描海报中的二维码,提交参会信息,我们期待与各位先进封装技术开发者现场交流。

跳转微信打开

星际荣耀彭小波:双曲线三号首飞或迎新变化,多年创业的“得与失”

2026年11月16日 12:20

原创 值得关注的 2026-11-16 12:20 北京

最新进展。

图片

【编者按】本系列聚焦全球商业航天产业的新一轮变革。本期为该系列03期,对话星际荣耀董事长、总经理彭小波,探讨商业航天的未来趋势与竞争格局,回顾多年创业的“得与失”。

文|李海伦

编辑|徐青阳

11月的一个清晨,早上9点,星际荣耀董事长、总经理彭小波已经坐在办公室里。

他的面前是一张宽阔的木质办公桌,给人一种不苟言笑的印象。谈起公司和行业,他直言不讳,很少回避问题。

当被问到双曲线三号的最新进展时,他坦言,由于试车设施建设进度等原因,原定于2026年底的首飞计划可能再次推迟,争取在2027年上半年完成。

谈到同行不断取得技术突破,是否会感到焦虑时,他表示:“焦虑肯定会有”。

不过,焦虑归焦虑。在彭小波看来,火箭研制仍有其客观规律。有些工作可以通过并行试验加快进度,但必要的研发环节和验证流程无法省略。

他用植物生长作比喻,即使把每天的光照时间从12小时延长到24小时,也未必能让植物生长得更快。“有时候慢可能也是快。”他说。

而谈及商业火箭行业的竞争壁垒,以及星际荣耀有哪些难以被同行复制的优势时,彭小波的回答是:“我觉得没有什么是其他公司完全无法复制的”。

彭小波认为,技术本身并不是绝对的壁垒,最终还是要看企业能否把技术转化为可靠的产品,并形成批量化交付能力。”

彭小波是中国最早一批投身商业火箭创业的航天人。

1994年,彭小波从北京航空航天大学毕业,自此投身航天事业,至今已深耕三十余载。

2015年前后,中国商业航天迎来第一波创业潮。新一波民营火箭企业相继成立,星际荣耀也在其中,2016年正式成立,成为国内最早一批民营商业火箭企业。

那时,民营企业能否独立研制运载火箭、市场是否足够大、资本能否支撑漫长的研发周期,都还是未知数。

2019年7月,星际荣耀研制的双曲线一号遥一运载火箭成功入轨,成为国内首家实现运载火箭成功入轨的民营企业。这次突破也引起了SpaceX创始人马斯克的关注,他在社交平台上回应“Wow cool!”。

一年后,彭小波登上《福布斯》中国版9—10月刊封面,成为中国商业航天早期发展阶段受到关注的创业者之一。

到现在,近七年过去,中国商业航天的竞争环境已经发生明显变化。

随着低轨卫星组网需求持续释放,国内多家商业火箭企业相继推进大运力液体火箭首飞和重复使用技术验证。商业火箭的竞争日趋激烈,竞争焦点已从能否成功入轨,逐步转向如何实现可靠发射、重复使用和规模化交付,并进一步降低发射成本。

更重要的一点是,猎鹰9号曾是中国商业火箭企业追赶的重要标杆,不过这款曾经改变全球商业发射市场的火箭,现在已经被SpaceX列入逐步退役的计划,目前SpaceX已停止接受2028年以后的猎鹰9号火箭预订,后续转向以星舰(Starship)为核心的两级完全重复使用、超重型运载和高频次发射。

这一变化带来的问题是:当下商业火箭企业面临的挑战,除了迭代现有的技术,还包括如何应对下一代火箭技术迭代带来的市场竞争。

同样,对于曾经率先实现民营火箭入轨的星际荣耀而言,如何把握技术迭代的节奏、商业化以及下一代火箭的研发投入,也是当下的关键问题。

目前,星际荣耀正沿两条路并行推进的方式:一方面,双曲线三号仍在推进首飞前的试验与准备工作;另一方面,公司已经启动下一代重型火箭双曲线九号的预研,提前布局技术难度和资金投入更大的两级重复使用领域。

近日,腾讯科技与彭小波进行了一次独家交流。从双曲线三号的首飞进展,到下一代重型火箭的技术布局,再到过去的创业经历、管理反思和行业竞争,他分享了对公司发展和商业航天未来趋势的思考与判断。

星际荣耀董事长、总经理 彭小波,图片由AI生成

01

“双曲线三号首飞的最新进展”

问:星际荣耀此前表示计划于2025年底实现双曲线三号首飞入轨及海上回收,随后将首飞时间调整至2026年底。目前,双曲线三号的研制进展如何?距离首飞还有哪些关键试验和技术节点需要完成?

彭小波:目前来看,首飞时间可能还会推迟。一方面,还有一些任务需要协调;另一方面,我们计划在海南文昌自建的动力试车台上进行试车,但试车台的建设周期比原来预想的更长。

预计11月下旬完成试车台建设,调试后先进行二级试车,再开展后续工作。

整体来看,主要是相关能力和设施建设存在一定滞后,包括试车台建设、发动机试车等环节,进度都比原来预计的慢一些,这是目前比较大的瓶颈。我们争取在2027年上半年实现首飞。

问:首飞进度延迟,你觉得是否可能错过重要的市场窗口?

彭小波:从我国低轨互联网星座建设周期来看,2027年至2030年,甚至更往后,都会是需求高峰期,从时间周期看可能会略晚一点,但我认为不会错过。

问:目前国内多家商业火箭公司都在推进火箭入轨和一级回收技术验证。双曲线三号为何选择在首飞时同时挑战入轨和回收两个目标?这一方案是否会增加首飞风险?

彭小波:实际上,我们从双曲线二号开始,就在逐步开展重复使用技术验证,包括地面试验和飞行试验。

2023年11月2日,我们在酒泉卫星基地完成了首次全尺寸试验箭垂直起降试验,飞行高度约180米,初步验证了垂直回收技术的可行性。大约一个月后,我们使用同一枚火箭进行了第二次垂直飞行,飞行高度约350米,进一步验证了火箭经过检测后再次使用的可行性。

虽然这两次试验的飞行高度相对较低,但我们已经对发动机、加注输送、防热、测控等与回收相关的技术进行了初步验证,为双曲线三号的研制积累了一定的技术基础。

双曲线三号从设计之初就是一款可重复使用火箭。在确定首飞方案时,我们曾对一次性飞行和回收飞行两种方案进行过详细的分析和论证。

如果首飞不进行回收,而是按照一次性火箭的状态执行任务,实际上会偏离双曲线三号最初的标准设计状态,反而需要增加额外的设计、试验和验证工作。

因此,虽然首飞同时挑战入轨和回收会增加任务难度,但从减少对标准设计状态的偏离、简化状态控制以及提高飞行成功率的角度考虑,按照可重复使用的标准设计状态执行首飞任务,是更符合我们整体技术方案的选择。

经过综合论证,我们最终确定了首飞同时争取入轨和一级回收两个目标。

问:当时有哪些团队参与双曲线三号首飞方案的论证?主要考虑了哪些因素?

彭小波:主要是型号设计队伍及相关参与方,包括总体、动力、控制等系统。因为在标准设计状态之外增加其他状态,会给各系统带来额外的工作量。

问:首飞同时挑战入轨和回收,意味着需要承担更大的风险。如果首飞失利,是否会对后续研发和发射计划造成较大影响?

彭小波:我们首飞批次一共投入了三发火箭,目标当然是争取首飞就实现入轨和回收。

但如果首飞过程中出现问题,我们也有后续安排。按照航天管理要求完成故障归零后,可以继续推进双曲线三号遥二、遥三的发射任务,争取尽快开展后续飞行验证。

问:火箭实际飞行中的一些天地耦合问题,很难通过地面试验完全验证。对于这类风险,双曲线三号如何在首飞前进行评估和控制?

彭小波:火箭研制需要从完整的飞行轨迹和飞行过程出发,在设计、仿真和试验阶段,尽可能对能够在地面验证的工况进行逐步验证。对于部分复杂工况,还需要开展组合验证。

但真实飞行和地面试验毕竟存在差异,火箭在实际飞行中面临的工况更加复杂,这就是我们通常所说的“天地一致性”问题。

地面试验能够验证其中一部分,但无法做到完全覆盖。有些问题只有通过实际飞行才能得到验证。

因此,要提高首飞成功率,就需要在设计阶段尽可能全面地考虑各种飞行工况,特别是对恶劣工况和边界条件提出更加严格的要求,通过仿真和地面试验尽量模拟真实飞行环境,降低不确定性。

但即便如此,也不可能做到百分之百覆盖,仍然会有一部分风险只能在实际飞行过程中得到验证。

问:双曲线三号首飞完成后,后续发射任务有哪些规划?在一级回收后的检测、复飞及重复使用验证方面,又有哪些具体计划?

彭小波:如果首飞能够成功实现入轨和一级回收,我们目前考虑了两种策略。

第一种是对首飞回收的一级火箭进行检测,再配装新的二级,尽快开展复飞,验证回收火箭的重复使用能力。不过,回收后的检测和验证可能需要较长时间。

第二种是首飞成功后,先对回收的一级进行检测,同时安排已经准备好的遥二火箭发射,争取再次实现一级回收。这样,我们就可以对两次回收的一级火箭进行比较,分析它们的状态和偏差,在综合评估风险后,再决定下一步的复飞安排。

目前,这两种策略都在考虑之中,还没有最终确定。

问:即使双曲线三号首飞成功,距离真正实现规模化商业发射,还有哪些关键技术和能力需要突破?

彭小波:首飞成功能够初步验证入轨和回收技术的可行性,但要真正实现规模化商业发射、降低发射成本,还必须完成火箭的重复使用验证。

也就是说,一级火箭回收后,要经过检测,再次成功完成飞行任务。只有真正实现复飞,走通重复使用这条技术路线,发射成本才有可能进一步降低。

与此同时,还需要逐步提升火箭的运载能力。因为首飞通常会采取相对保守的设计方案,预留一定的设计余量。首飞完成后,我们会根据实际飞行数据和遥测结果,分析火箭实际状态与设计状态之间的偏差,逐步释放设计余量,提升运载能力。

这是一个持续验证和能力提升的过程,最终才能逐步达到规模化商业应用的要求。

02

“两级复用已成新战场”

问:星际荣耀近期宣布启动双曲线九号预研。当前双曲线三号尚未实现首飞,为什么选择在这个阶段提前布局下一代重型火箭?

彭小波:双曲线三号的运载能力与猎鹰9号比较接近,但略小一些。

从国际商业航天的发展来看,美国的“超重型助推器+星舰”系统已经进行了多次飞行试验。按照我们当时掌握的情况,已经完成了15次飞行试验,在一级垂直回收、二级再入和降落等方面取得进展。

这类重型火箭一旦实现两级重复使用,在重复使用状态下仍有望具备百吨级运载能力,可以满足未来大规模空间部署、太空算力等需求,也能够通过近地轨道交会对接等方式支持载人登月,未来的应用空间非常大。

更重要的是成本。如果两级重复使用的技术路线走通,发射成本还有很大的下降空间。

目前,猎鹰9号的发射价格大约为每公斤3000至4000美元。如果未来星舰实现两级重复使用,进入轨道的成本有可能下降到每公斤400美元左右。这对于中国商业航天企业来说,将带来很大的成本和价格压力。

但这类火箭的研制难度也非常大。以星舰系统为例,其起飞重量超过5000吨,起飞推力达到7000多吨,技术难度、资金需求和研制周期都远高于现有的中大型火箭。

以我们目前的资源和能力,还不具备全面开展这类重型火箭研制的条件。但对于其中研制周期最长、技术难度最大的部分,必须提前开展预研和技术储备,为下一阶段的发展做好准备。

问:行业中有人将双曲线九号称为“中国版星舰”。你是否认可这一说法?两者在整体技术路线上有多大相似性?

彭小波:如果都是采用两级重复使用的技术路线,那么从整体构型来看,应该会有一定的相似性。但在具体技术方案上,我们还需要结合自身的实际情况,进行一些有针对性的设计,并不意味着所有方案都会与星舰相同。

问:如果与星舰采用相似的两级重复使用构型,双曲线九号未来可能在哪些关键技术方案上形成差异?

彭小波:一个比较重要的区别,可能体现在发射和回收方式上。星舰目前采用返回发射场的回收方案。但从实际情况来看,返回原发射场回收可能存在一定难度,对安全条件的要求也比较高。

考虑到实际发射条件和任务需求存在差异,未来在具体的发射和回收方式上,我们可能需要采取不同的技术方案。

问:从双曲线三号到双曲线九号,火箭运力规模将明显提升。双曲线九号的运力目标是如何确定的?在设计过程中需要综合考虑哪些因素?

彭小波:从火箭设计的角度来看,运力目标的确定,需要在多种约束条件之间寻求平衡。

如果单纯从应用需求和发射成本考虑,火箭规模越大,通常分摊到每公斤载荷上的成本就越低。但实际设计中,还要受到运输条件、生产布局、发射场等因素的制约。

例如,火箭直径究竟选择3.35米、3.8米、4.2米、4.5米还是5米,就需要综合考虑生产、运输以及发射场的条件。

直径确定以后,还需要考虑火箭的长细比,也就是在一定直径条件下,火箭的长度能够达到多少。

这些因素会进一步影响火箭的起飞重量、总体规模和运载能力。因此,最终的运力目标并不是单纯追求更大的吨位,而是在多种约束条件下综合权衡的结果。

问:双曲线九号未来主要面向哪些发射任务?与双曲线三号相比,其应用方向会有哪些变化?

彭小波:双曲线九号已经可以归入重型火箭范畴。

未来,我们希望它能够服务于更大规模的空间部署和空间应用需求,包括太空算力、太空制造等领域。这些都可能成为重型火箭未来的重要应用方向。

问:过去几年,国内商业火箭企业大多以猎鹰9号为技术参照,重点突破一级垂直回收。但随着星舰推进两级重复使用,一级重复使用会不会很快面临下一代技术的竞争?

彭小波:从火箭垂直回收的技术路线来看,国内不少企业采用的方案与猎鹰9号确实没有太大差异。但国内也出现了一些技术创新。例如,长征十号乙采用的海上网系回收方案,通过箭体挂钩与回收网系相配合,可以省去传统的箭上着陆腿。

从整体技术路线来看,这类方案与猎鹰9号仍有相似之处,但在具体着陆和回收方式上进行了创新。

另外,从猎鹰9号的发展过程来看,一级火箭回收后的检测和复用周期一直在缩短。

早期,回收后的检测和再次使用可能需要半年甚至更长时间。经过不断改进,后来同一枚火箭的周转周期已经能够缩短到两周左右,这已经是非常快的速度。

03

“有时候慢也是快”

问:从投身商业航天至今,你对行业发展前景和市场需求的认识发生了哪些变化?

彭小波:还是有变化的。早期,对商业航天行业究竟会如何发展、未来市场需求到底有多大,大家心里还是比较模糊的。但随着低轨互联网星座的部署需求越来越明确,市场需求也越来越清晰,行业发展的态势越来越好。

从最初对市场前景的不确定,到如今需求逐步明确,商业航天的发展方向已经比十年前清晰得多。

问:从公司成立到双曲线三号、九号的布局,最难做的战略决策是什么?

彭小波:公司成立之初就瞄准可重复使用火箭,并经过论证确定了液氧甲烷的技术路线。但早期,国内投资市场对火箭行业还比较陌生。

当时投资人经常问,做出一款液体可重复使用火箭需要多少钱?

从图纸起步,算上产品、研发、运营等费用,可能需要20亿元。但公司那时手上只有几千万元。即使研发顺利,也未必能持续融资到产品首飞。如果中途资金链断裂,可能连最终产品都做不出来。

于是我们考虑,能不能先做一款满足初步市场需求的最小可行产品。固体火箭不需要液体发动机和相应的加注输送系统,研制进度相对可以更快一些,所以先做了小型固体运载火箭。

这个选择当时很纠结。我们想做的是液体可重复使用火箭,但为了先活下去,又不得不先做小型固体火箭。固体火箭是为了给液体火箭创造条件、争取融资窗口和时间,是一个过渡产品。

技术路线怎么选,最终要综合考虑商业闭环需要多长时间、资金能支撑多久。

问:受限于当时的融资环境和研发投入,公司选择先研制小型固体火箭,再逐步推进液体火箭。回顾这一发展路径,如果重新回到2019年,是否还会作出同样的选择?

彭小波:如果重新走一遍,我们可能会更重视提高固体火箭的成功率,同时让液体技术路线与固体火箭并行推进,但也不会简单地停止固体火箭。因为在一定时期内,固体火箭仍能满足小规模、机动灵活、快速发射的市场需求,有其价值。

问:近年来,越来越多商业火箭企业加快技术研发和首飞进度。面对后来者的追赶,你是否感到竞争压力和焦虑?

彭小波:焦虑肯定会有,但火箭行业有自己的客观规律,有些工作确实需要时间。我有时跟团队交流,会用植物生长来打比方:春种、夏长、秋收、冬藏,不是把每天的光照从12小时增加到24小时,就一定能让它生长得更快。

我们可以在合理范围内加快节奏,通过并行试验缩短一些时间,但该做的工作不能省,该走的流程不能减。有时候慢可能也是快,关键是追求最终的成功率。这更符合我们的实际情况。

问:从双曲线一号、二号到三号和九号,公司的战略发生过重大转向吗?

彭小波:没有特别大的转折性变化。科创板第五套上市标准(全称为“《上海证券交易所发行上市审核规则适用指引第9号——商业火箭企业适用科创板第五套上市标准》)公布后,对行业技术路线和发展格局有一定积极引导作用。如果营收达到相应标准,可以考虑其他上市标准;如果适用第五套标准,就对可重复使用技术有相关要求。

因此,我们一个相对较大的调整是更加集中精力,加快液体可回收火箭的研制,把小型固体火箭的投入逐步收缩。

问:公司从最初发展到现在,在这一过程中,公司的组织架构和管理方式经历了哪些变化?近年来业内人员流动比较频繁。星际荣耀是否也面临同样的问题?

彭小波:公司最初建立的时候只有几个人。发展到现在完全覆盖运营、研发、生产、试验各环节的人员规模,组织管理上的变化我认为还算可以承受。2022年至2024年,经历发射失利的阶段,人员流失相对多一些。现在团队比较稳定。

问:是的。商业火箭研发周期长、投入大,还需要面对技术攻关和发射失利等不确定性。作为董事长、总经理,你如何在这些挑战中维持团队的信心和凝聚力?

彭小波:创业本身就是很难的事。我的体会是,创业团队不完全是刻意塑造或者挑选出来的,很多时候是经过长期考验之后留下来的。

就像长征一样,经过艰难过程,最后留下来的人形成了队伍。我们当然希望团队尽可能稳定、完整,但创业过程中出现人员变化也是正常的。

问:回顾此前的发射失利,你认为公司在管理或决策方面走过哪些弯路?

彭小波:我认为有。早期,国内创业市场很推崇互联网式创业,强调快速扩张、扁平化管理。我们当时也希望把一些模式借用到航天领域。

但回头看,不同行业有不同的要求。互联网的管理思路和模式,在软件或互联网行业可能有优势,但航天具有更强的硬科技、制造业属性,系统架构也更像金字塔,互联网式的管理不一定完全适用。

比如互联网企业强调扁平化,协调和响应可能更加灵敏、快速。但一枚火箭从总体到分系统、单机,从设计到生产、试验和交付,具有自上而下的系统工程属性。分系统必须服从总体,单机必须服从分系统,这个层级关系不能随意跨越。

因为系统构成非常复杂,试错成本很高,如果混淆管理层级,就容易带来问题。

问:目前国内多家商业火箭企业都在推进液体火箭和重复使用技术研发。与其他公司相比,你认为有哪些优势是竞争对手难以复制的?

彭小波:其实,我觉得没有什么是其他公司完全无法复制的。大家都在沿着各自的技术路线推进研发,最终能否形成竞争优势,还是要看产品的可靠性、交付能力以及成本控制水平。

问:经历此前的发射失利后,你对失败的心态上发生了哪些变化?

彭小波:每次火箭发射任务,从总体单位、分系统和单机配套单位到外协合作单位,参与的人可能成千上万。一次失利带来的损失和代价非常大。

所以在点火、发射之前,要尽可能把想到的问题都考虑周全、解决到位。如果失利已经发生,就必须接受结果,按照航天要求完成归零,再开展后续复飞。更重要的是要进一步追问:为什么这些问题在发射前没有被发现或解决、背后的深层原因是什么。

04

“星舰级火箭,研制可能需要十年以上”

问:如果展望未来三到五年,中国商业航天在技术突破、发射能力和产业发展方面,将出现哪些重要变化?

彭小波:我认为,未来三到五年,可重复使用火箭技术在中国一定会取得突破,并逐步进入常态化发射阶段。

随着重复使用技术不断成熟,工程能力持续提升,以及生产配套规模不断扩大,火箭的发射成本和市场价格还会进一步下降。

问:随着重复使用技术逐步成熟,你预计未来国内商业火箭的发射价格和年发射频次有望达到什么水平?

彭小波:未来发射价格有可能下降到2万至3万人民币这一量级。在发射频次方面,单一型号火箭的年发射次数可能达到10至20次。

问:目前行业已经开始关注星舰级别的重型火箭和两级重复使用技术。你预计这一代超大型火箭的研制周期需要多长时间?

彭小波:我预估星舰这一规模的火箭,研制周期可能需要十年左右,甚至更长。

问:除了技术研发,星舰级别的超大型火箭对资金、生产制造和发射基础设施还会提出哪些新的要求?星际荣耀未来将如何布局?

彭小波:这类火箭的资金需求非常大,对发射场和生产设施的要求也很高。

由于火箭规模过大,远距离运输和转运都比较困难,因此生产设施需要尽可能靠近发射场。这也意味着,超大型火箭的研制和生产布局,与国家相关产业规划密切相关。

我们会紧跟国家战略,随着相关产业规划和整体布局逐步清晰,再适时调整公司的发展安排。

推荐阅读

跳转微信打开

Qwen4-Max 正式上线

2026年11月16日 10:29

阿里研究院 2026-11-16 10:29 浙江

正式发布 Qwen4-Max——与你并肩工作、创作和探索的全天候 AI 新同事。Qwen4-Max 基于 Qwen4 系列全新结构,拥有 2.4 万亿参数,具备原生视觉能力,支持百万 token 上下文窗口。

文章转载自公众号

图片

我们正式发布 Qwen4-Max——与你并肩工作、创作和探索的全天候 AI 新同事。Qwen4-Max 基于 Qwen4 系列全新结构,拥有 2.4 万亿参数,具备原生视觉能力,支持百万 token 上下文窗口。

Qwen4-Max 以更强的专业工具运用、长程任务执行与成果交付能力,推动真实世界生产力的提升。从专业工作的深度到无限创意的广度,从 3D 建模与游戏开发到复杂精密的工业制造,从金融、法律、医疗到前沿科学探索,在与你的协作中,Qwen4-Max 能够理解工作全貌并持续推进项目,让每一个目标都拥有抵达现实的路径,实现人与 AI 协同工作的全新可能。

Qwen4-Max现已上线千问AI平台对外提供API服务,缓存命中每百万Tokens低至0.5元,用户也可通过阿里Token Plan调用新模型,或在千问办公、Qoder、千问APP、Qwen Studio等应用中直接体验。Qwen4系列的中小尺寸模型将陆续开源发布。

性能表现

编程、办公及长程任务综合性能对比

相比 Qwen3.8-Max,Qwen4-Max 的整体能力显著提升。

图片

Code Arena:WebDev 

Qwen4-Max前端编程能力出色,在Code Arena盲测榜单中位居全球前列。

图片

Token 效率与成本

Qwen4-Max 以更少的 token 消耗取得了优于 Qwen3.8-Max 的性能:在 Work360 上,Xhigh 和 High 两档推理强度下的 token 消耗分别减少约 24% 和 35%;在 Terminal-Bench 4.0 上,分别减少约 48% 和 49%。与此同时,相比 Qwen3.8-Max,我们全面下调了 API 定价,尤其大幅降低了缓存命中价格。在我们 Work360 的评测中,单个任务的平均费用从 26.58 元降至 11.16 元,降低了 58%。

Work360 与 Terminal-Bench 4.0 的 token 效率。

预训练

Qwen4-Max 采用 Qwen4 系列的全新架构,拥有 2.4T 总参数,每个 token 激活 71B 参数,另有 328B N-gram Embedding 参数。该架构围绕Attention、Residual 和 Embedding三个方面对稀疏 MoE 模型进行系统升级,优化计算效率、模型容量和训练稳定性:

  • GDN + Qwen Sparse Attention(QSA): 每四层中,三层 Gated DeltaNet 将历史信息压缩为固定大小的状态,另一层 QSA 通过轻量级索引器,以 block 为粒度选择相关上下文,降低长序列的注意力计算与索引开销。

  • Gated Residual(GR): 将残差流扩展为四条并行分支,通过动态读写门控增强跨层信息传递,提升训练稳定性。

  • N-gram Embedding: 根据局部上下文查表,在第二层引入局部 token 模式的额外表示,以较低的额外计算开销扩展模型容量。

图片

Qwen4-Max 模型结构

在 2.4T 参数规模下,Qwen4-Max 的预训练过程平稳,loss 持续下降,全程未出现 loss spike。这主要得益于模型架构和训练优化的改进。

图片

Qwen4-Max 平稳的预训练过程

在知识、代码、问答和 STEM 四类内部评测中,Qwen4-Max-Base 的每字节比特数(BPB)在全部五个参评模型中均为最低。相比 Qwen3.8-Max-Base,在总参数量同为 2.4T 的情况下,其各领域 BPB 下降约 5–13%,同时每个 token 的激活参数减少约 25%。

图片

内部评测:指标为 10 × BPB,越低越好。参数量按激活参数 / 总参数标注。GLM-5.3 和 Kimi-K3.1-Pro 为后训练模型,后训练可能影响其与基座模型的比较。

驱动真实生产力

Qwen4-Max 深度融入千行百业的复杂工作流,以更强的专业能力推动高质量成果交付,成为驱动真实生产力的 AI 新同事。

工业与专业应用

为全面提升模型在工业与专业场景中的协作能力,我们构建了 Work360 综合场景建模框架。该框架对复杂行业场景进行系统解构与细粒度分类,建立了涵盖 26 个一级领域、182 个二级子领域和 721 个三级细分领域的层级分类体系,实现对工业与专业场景的全方位覆盖。基于这一分类体系,我们构建了极具挑战性的 Work360 行业基准测试。在最新评测中,Qwen4-Max (52.69 分) 相较于上一代模型 Qwen3.8-Max (47.74 分) 取得了显著进步,在更广泛的行业场景中成为更强大的专业生产力工具。

Qwen4-Max vs Qwen3.8-Max 模型对比

图片

任务样例

图片

三维世界理解与生成

Blender:三维建模与场景创作

Qwen4-Max 展现出强大的三维创作能力。它能够熟练使用 Blender 工具,串联几何建模、场景搭建、材质配置与灯光渲染等环节,将创意逐步转化为细节丰富、风格鲜明的三维作品。

从建筑与室内空间,到自然景观和科幻场景,Qwen4-Max 展示了对空间布局、物体结构与视觉效果的综合把握。

这种三维创作能力被进一步应用于游戏开发场景,并通过 3D 打印成为实体作品,将数字创作与后续开发、制作流程相衔接,为设计探索、内容创作和原型制作提供支持。

游戏开发:基于专业引擎的游戏创作

Qwen4-Max 能够熟练驾驭 Unity、Unreal Engine、Godot 等主流游戏引擎。 只需简单的自然语言需求,它就能合理利用外部资产,独立完成场景搭建、玩法逻辑开发、资产整合、材质配置、HUD 设计与特效制作,交付一个上手就能玩的游戏。

开发过程中,它会实际运行游戏,根据画面与交互反馈调整各种细节,如镜头跟随、角色动作、命中效果与打击感、光影与节奏配合,通过持续的运行测试与迭代,将场景、玩法和视听效果整合为可直接运行和体验的 3D 游戏。

喵出法随:Qwen4-Max 在 Unreal Engine 中打造猫咪法师冒险游戏。玩家可施放多种法术、选择能力强化,并挑战逐波敌群与首领。

汽车制造:从产线规划到零件设计与加工提效

在三丰智能装备、泛海统联精密的实际生产场景中,Qwen4-Max 将图纸理解、参数化建模与专业工具调用等能力融入工程流程,支持汽车制造中的产线规划、零件设计与加工验证等任务。其将设计生成、工具执行与反馈验证串联起来,展示了贯穿汽车制造全链路应用能力,带来可量化的效率提升。

在产线层面,Qwen4-Max 根据二维布局图与工艺参数,调用既有设备库构建三维产线,并开展节拍仿真与 PLC 虚拟调试;在零件层面,它完成车门总成、摩擦轮等部件的建模与设计,并辅助开展加工工艺规划、刀路生成与仿真核验。Qwen4-Max 通过根据仿真反馈迭代加工方案,在上机前发现过切、少切等问题。

在所展示的加工案例中,单个工件加工编程所需的人工投入由约 475 分钟降至 24 分钟,减少约 95%。

Agentic 视频创作

借助 Qwen4 与万镜一刻,您可以构建端到端的视频创作工作流。从打磨分镜脚本、搭建静态资产,到在白模预演中驱动相机动画、渲染生成独立片段,最终剪辑成连贯的多场景影片。

Qwen4 强大的语言、多模态以及智能体能力给复杂视频创作带来了知识注入、可控性和稳定性:

  1. 知识以文本或参考图prompt的形式注入到生成模型,使得生成更能反应创作者的知识和逻辑。

  2. 参数化白模预演确保复杂静态资产中几何结构、比例尺度与空间关系的一致性,也可精确控制动态运镜中的相机路径、动作和事件的时间轴卡点。

  3. 人机交互的自然语言化以及预演的可控性使得最终的成品更加稳定可解释。期待您使用Qwen4创作更多精彩的内容。

金融、法律、医疗落地实践

在专业垂直领域,Qwen4 深入金融投研、法律尽调与临床医疗三大高门槛场景,不仅可以处理繁杂的原始资料,更能完成深度的逻辑推演与证据链溯源,真正实现从“信息检索”到“专业交付”的跨越。

金融投研

Qwen4 可熟练调用 90 个 MCP 工具,全面获取 A 股、港美股、债券、基金及衍生品市场的行情、财务、利率与分红数据,并结合搜索对公开资料进行交叉核验。面对复杂的投研需求,它能够跟踪行业供需与订单变化、研判宏观利率与信用利差、比较股债性价比,并开展多因子回测以评估风格暴露。

以下案例以沪深 300 股指衍生品为例,展示了模型如何综合资金成本、股息率与合约期限计算理论基差、分析实际贴水,并考察隐含与历史波动率的差异。

最终,投研成果以 Excel 底稿和可编辑的 PPT 报告形式交付,并提供双重溯源保障:一是来源可查,点击单元格链接即可直达原始数据出处;二是图表可对照,PPT 图表与 Excel 底稿完全对齐,研究人员可随时从报告回溯至底稿,精准核对数值与计算公式。

企业 IPO 法律尽调

Qwen4-Max 展现出处理长程复杂法律实务的卓越能力。

面对客户分批提供的 198 份格式混乱、命名不一的散乱底稿,模型能有效排除干扰,按实质内容重命名并归类为 14 个目录,自动编制底稿文件清单;同时主动检索工商登记、知识产权、司法及信用等公开信息,与底稿进行多源交叉核验,核实发行人相关事实。

在核心的风险把控上,模型能深挖协议细节并剖析法律风险(如精准识别“对赌协议恢复条款”等潜在隐患),进而提供可执行的整改建议。

最终,它按严苛的实务标准交付了一份 86 页、6 万余字的完整尽调报告,全面覆盖历史沿革、股权架构等 12 个模块及 14 项具体法律问题,且所有结论均附有底稿引用以便追溯,在大幅提升尽调效率的同时,有力支持律师将精力聚焦于核心风险判断。

危重症临床医疗

在危重症临床医疗场景中,患者往往并发症多、病情变化快,伴随高频次的检查化验,产生了体量巨大且形态各异的医疗数据——包括几十份检验单、上万字的病程记录、多份医嘱以及 1,433 张原始影像。

视频中的患者在颈动脉支架术后经历室颤并复苏,拔管后出现胸痛,并于第六天再次插管。Qwen4 在单次对话中通读了整份复杂病历,完成了从信息提取到辅助决策的闭环:查指标(跨日期精准定位特定 CRP 结果)、理病程(将六天内的复杂事件对齐为清晰的时间线)、读影像(将影像归为六类序列,定位目标胸部 CT,通过多窗口并行读取数百张原始图像,准确识别出“双肺背侧实变”,与主管医生诊断完全一致)、做决策(综合多模态信息进行权衡,给出四条处置建议,与医生当日医嘱逐条对应)。

通过深度的医疗协同,模型能够高效整合多源证据,为临床一线决策提供坚实可靠的辅助支持。

驱动长周期智能体(24/7 Agents)

Qwen4-Max 支持智能体全天候推进长周期任务,通过自主规划与持续迭代,分阶段交付可用成果,兼顾自主执行与用户掌控。

持续交付:边做边交付,方向全掌控

长程智能体经常蒙头做事,缺少阶段性反馈,导致用户难以实时掌握进展、发现偏差和调整方向。为此,Qwen4-Max 融入 Live Delivery 能力,先交付可用首版,再持续交付更新版本,逐版扩展内容、提升质量。用户可依据每版交付成果评估进展、校准方向,Agent 可结合用户反馈动态调整计划,让长程任务的交付进展可见、执行方向可控。

我们同步开源 Qwen-Live-Delivery-Plugin,安装插件即可体验持续交付能力。

云资源调度:

提升模型自身应用、推理与训练的资源效率

Qwen4-Max 具备围绕复杂目标与约束进行运筹建模、求解与验证的能力,从而交付高质量的优化决策方案。该能力在阿里云真实业务场景中落地,实现了模型自主迭代并优化自身所需调度方案的闭环,涵盖数据标注中的多模型调用调度、云计算 GPU 资源的在线分配调度,以及云计算 CPU 资源的离线重调度。

在这一过程中,模型根据任务设定自主生成候选算法,协同阿里自研求解器 MindOpt 对可行性、目标值与耗时进行评估并获得反馈,进而通过修改代码、交叉验证来迭代更优策略。从上层模型调用到底层云资源调度,Qwen4-Max 依托可量化的反馈持续进化,直接优化了支撑其自身应用、推理与训练的运行系统,而由此带来的成本降低与资源效率提升,又将为下一轮模型迭代提供更坚实的算力支撑。

在相应场景中,数据标注场景模型调用调度费用对应参考基线平均降低 10.42%,GPU 在线分配相对基线的整机空闲容量时长提升 4.62%,CPU 离线重调度场景中达到最优目标的求解速度提升超 14.61 倍。

图片

驱动科学发现

干湿实验闭环:

Qwen4自主设计与合成新型冷却液材料

面向下一代高功率芯片给数据中心带来的散热挑战,Qwen4依托深度原理Mira提供的一体化干湿实验环境,自主完成了一种新型冷却液分子的设计、实物合成与测试验证,最终获得真实材料样品。

在连续48小时的自主Agent运行中,Qwen4全自动完成路线调研,构建包含270万个分子的候选空间,并依次开展结构筛选、MPA性质预测、第一性原理计算、逆合成设计与实验规划。

Qwen4进一步调度自动化湿实验室完成真实物料的配制、合成、分离纯化与测试,将屏幕上的分子结构转化为实验室中的实体样品。经过4轮“分子设计-合成测试-主动学习”的闭环迭代,Qwen4最终获得经过实验验证的新型冷却液分子。

从用AI探索材料,到用材料支撑AI基础设施建设,本次任务为破解数据中心散热难题探索了新的材料路径,展现了Qwen4跨越数字世界与物理世界的长程科学发现能力。

药物发现:

以自主科研探寻延缓认知衰退的新路径

阿尔茨海默病逐步损害患者的记忆与认知能力,也给家庭和社会带来长期照护负担。神经炎症是其重要病理环节,参与这一过程的 NLRP3 炎症小体,为探索新的干预策略提供了重要研究方向。

围绕这一靶点,Qwen4-Max 在深势科技 PharmMaster 平台上,展示了贯穿靶点研究、分子优化设计与计算评估的全链路能力。它不只是生成分子结构,更将文献与专利理解、专业工具调用和计算反馈融入持续迭代的科研流程。

在这一过程中,Qwen4-Max 自主检索文献与专利证据,选择参考分子并建立评估基线,随后通过多轮结构设计、性质预测与分子对接,根据评估反馈调整优化方向,最终结合跨轮指标比较与相对结合自由能(RBFE)评估完成候选优选。整个流程累计调用工具 454 次,完成 3,239 项计算指标评估,设计优化 24 个候选分子,将证据检索、设计生成、工具执行与反馈验证串成一条完整链路。

相比专利起点,最终优选分子在多项核心计算指标上实现全面改善。RBFE 计算估计显示,其与目标靶点的名义结合亲和力达到起点的约 3.6 倍。深势科技的专家认为,该分子具有较高的研究价值,值得进一步开展湿实验验证。从疾病相关靶点到高潜力候选分子,Qwen4-Max 将证据驱动的设计、专业工具执行与计算反馈相结合,展示了自主推进长程科研任务、持续优化分子并形成有价值研究成果的能力。

图片

“模型-框架-产品”协同设计

在 Qwen4-Max 的研发过程中,我们与 Qoder 等产品团队紧密合作,协同设计模型、智能体运行框架与产品。我们从用户在日常办公和专业设计中的实际需求出发,明确模型需要解决的问题,并以端到端任务的交付质量检验整体效果。在此基础上,持续提升任务执行能力、优化用户体验,帮助用户把想法落到实处,交付可直接使用的成果。

安全

我们以六大人工智能发展原则为指导,即:以人为本、包容诚信、隐私保护、安全可靠、可信可控以及开放共治,将模型治理贯穿于整个模型生命周期——从最初的设计与研究,到开发、训练、部署以及实际应用——确保负责任的人工智能是原生内嵌于设计之中,而非事后补充。

在软件工程训练任务中,我们在功能性检查的基础上新增了代码安全检测,以增强模型的内生安全编码能力。在 Last Secure Code Bench 的“无安全提示代码重建”及“功能与漏洞双重检验”中,Qwen4-Max 的函数级功能与安全双通过率从前代(Qwen3.8-Max)的 22.0% 提升至 31.8%;在函数,文件,仓库三个粒度上的同时生成安全代码比例从 8% 提升至 14.7%,接近翻倍。

模型在规避注入、内存安全和越权访问等核心风险上表现尤为突出,能显著减少默认生成的代码漏洞,协助开发者从源头压缩系统受攻击面。 

在网络安全方面,我们按任务的具体用途筛选,保留用于漏洞验证、检测和修复等防御任务的数据,剔除用于提升攻击能力等进攻任务的数据。经过内部安全专家对长程任务运行轨迹(包含完整 CoT)审查发现,Qwen4-Max 的网络安全防御能力大幅提升,针对攻击性用途的防护能力也显著增强。尚未发现模型产生大规模网络安全风险的能力。 

在 CBRN 方面,我们设计了安全数据并在安全后训练阶段提升了 Qwen4-Max 的内生安全。在内部评测中,Qwen4-Max 在未产生过度拒答的同时,识别出更多含有潜在风险的请求并给出安全回答。经过内部专家对模型作答(包含完整 CoT)审查发现,模型提出的方案不具备真正的创新性,也无法端到端的完成任务。尚未发现模型能够将相关知识转化为显著提升使用者能力的风险。

总结

Qwen4-Max 是面向工作、创作与探索场景的全天候人工智能协作伙伴。

它融合先进推理、原生视觉与长程任务执行能力,将复杂目标转化为可用的交付成果与具体的研究产出。依托持续交付(Live Delivery)机制,以及模型、智能体运行框架与产品层面的协同设计,Qwen4-Max 能够持续推进项目,根据用户反馈进行动态调整,并提供可供审阅和进一步拓展的成果。Max 只是 Qwen4 的第一款模型,系列中的小尺寸模型也将陆续开源:同源的技术路线、同一代的训练与对齐积累,面向小模型真正擅长的场景做取舍。 

作为新一代智能协作伙伴,Qwen4-Max 现已就绪,可随时响应用户的协作需求。

图片

跳转微信打开

一场股权整合,折射国产硅片竞争新局

2026年11月16日 08:43

原创 夏雪 2026-11-16 08:43 安徽

10月30日,TCL中环发布停牌公告,宣布筹划发行股份购买资产暨关联交易事项。11月13日,TCL中环召开董事会审议通过交易预案,并于11月14日披露相关公告。

随着AI芯片和先进存储需求持续增长,半导体硅片这场长期由海外巨头主导的竞争,正在迎来新的变量。

10月30日,TCL中环发布停牌公告,宣布筹划发行股份购买资产暨关联交易事项。11月13日,TCL中环召开董事会审议通过交易预案,并于11月14日披露相关公告。根据最近预案,公司拟通过发行股份的方式,向无锡产发、TCL科技、国投集新等50名交易对方购买中环领先65.80%的股份。若交易完成,TCL中环持有中环领先的股份比例预计将由目前的32.72%提升至98.52%。

来源:中环领先

这笔股权整合发生的时间点很巧妙,当前正值半导体硅片市场逐步复苏的阶段,AI基础设施建设带动先进逻辑和存储芯片需求,汽车电子、工业控制、电源管理等应用也为成熟制程和特色工艺提供支撑。不同尺寸、不同工艺的硅片需求正在出现新的变化。

对于TCL中环而言,此次筹划进一步整合中环领先,既涉及到半导体材料业务的股权关系,也关系到未来数年的资本投入和业务发展。在全球硅片市场仍由少数国际厂商占据主要份额的背景下,中环领先如何发挥已有产品和制造基础,进一步提升全球竞争力,是这场股权整合背后更值得关注的问题。

半导体硅片,正在迎来结构性变化

半导体硅片是芯片制造的基础材料,晶圆厂在硅片表面经过光刻、沉积、刻蚀、离子注入等一系列工艺,最终形成集成电路。硅片的尺寸、晶体质量、表面平整度和缺陷控制能力,都会影响后续芯片制造的工艺表现和良率。

因此,硅片需求与半导体制造产能密切相关。下游芯片需求增长,需要经过晶圆厂扩产、产能利用率提升和晶圆投片量增加,才能逐步传导至硅片采购端。当前AI产业带来的变化,正沿着这一链条向上游材料延伸。

AI服务器和数据中心建设,首先带动GPU、CPU及高速互连芯片需求,也推动先进逻辑芯片制造规模扩大。与此同时,AI模型训练和推理对数据存储能力提出更高要求,HBM之外,服务器DRAM、企业级NAND等存储产品也获得新的需求支撑。需求端的改变,已经体现在市场数据中。SEMI预测,2026年全球硅片出货面积将增长11.8%,达到14,420 MSI;2026年第三季度全球硅片出货面积达到3,756 MSI,同比增长13.4%,环比增长5.1%。

在AI带来的硅片需求增长的同时,汽车电子、工业控制、电源管理、模拟芯片等产品,依然为8英寸及以下硅片提供稳定需求。尤其是AI服务器,随着服务器电源架构升级,相关功率器件需求也会向上游硅片传导。

从供给端看,当前先进逻辑芯片和主流存储芯片制造主要使用300mm硅片,对晶体质量、缺陷密度、表面平整度和批次一致性有较高要求。硅片厂商要承接新增需求,既要有相应尺寸和规格的产能,也要有足够的技术实力通过客户的验证并稳定交付。能否覆盖多种尺寸、工艺和应用,由此成为硅片厂商把握这一轮市场机会的重要条件。

国产硅片,正在建立自己的竞争优势

但是市场复苏,并不意味着现有格局会轻易松动。硅片行业具有较高的技术和客户壁垒,信越化学、SUMCO、环球晶圆、Siltronic和SK Siltron等国际头部企业,经过数十年积累,在晶体生长、硅片加工、表面处理和缺陷控制方面形成了成熟的技术体系,并与全球主要晶圆厂建立了长期合作关系。

对国产厂商来说,想要打破这种市场格局并不容易。因为硅片属于晶圆制造的基础材料,供应商需要经过客户严格的产品验证,产品切换涉及工艺参数调整、良率评估和长期可靠性测试,即使具备相应产能,也需要较长时间才能进入主流客户的供应体系。

在这样的行业环境下,中环领先的竞争基础,首先来自长期积累形成的产品体系。

中环领先成立于2017年,其技术积累可以追溯至1958年成立的天津市半导体材料厂。经过六十多年的发展,公司已经形成覆盖4英寸至12英寸的半导体硅片产品体系,布局直拉、区熔等工艺路线,产品包括轻掺、重掺硅片,以及抛光片、外延片等不同类型,应用覆盖逻辑、存储、功率、模拟和图像传感器等领域。这种跨尺寸、跨工艺、跨应用领域的产品布局,与全球头部硅片厂商保持一致,体现出中环领先向综合性硅片供应商发展的方向。根据统计,截至2026年三季度末,中环领先半导体硅片全尺寸出货面积保持国内第一、全球第六。

来源:中环领先

来源:中环领先

这种全尺寸布局的价值,首先体现在客户覆盖上。不同晶圆厂和器件厂商往往拥有不同的产线规格、工艺路线和产品需求,能够同时提供多种尺寸及工艺的产品,有助于供应商扩大客户覆盖范围,并在长期合作中形成更深的配套关系。

除此之外,成熟产品与高端产品之间能够形成业务和能力上的支撑。据了解,8英寸业务仍是中环领先重要的盈利来源,能够持续创造利润和现金流,为新产品研发、工程能力建设和人才培养提供支持。同时,持续服务不同尺寸和工艺客户,也让企业积累了处理多规格产品、复杂工艺和客户定制需求的经验。

在具体应用领域,中环领先也形成了不同的业务发展路径。

在高端逻辑方面,不同晶圆厂的工艺路线和材料需求存在差异,硅片供应商需要深入理解客户工艺,开展产品设计、工艺适配和验证。中环领先正在配合国内逻辑头部客户推进相关产品开发,通过共同研发逐步提升高端产品能力。这类业务对材料性能、工艺理解和客户协同提出了更高要求,也是公司向高端硅片市场拓展的重要方向。

存储是中环领先重点拓展的另一增长方向。当前存储市场需求量较大,部分产品规格相对集中,有利于形成规模化制造能力,也能为工厂产能利用率和经营效率提供支撑。伴随国内存储产业链发展,中环领先在相关产品开发和供货能力方面已经取得进展,市场份额也进入了国内供应商的第一梯队。下一步,公司还将继续扩大产品规模,并逐步提升海外市场参与度。

与此同时,汽车电子、工业控制和电源管理等市场,为8英寸及以下硅片提供了重要需求支撑。这些领域对硅片材料的电阻率、晶体质量和工艺适配有不同要求;区熔硅片则主要面向高压、高阻等特定器件应用,对材料性能和制造工艺提出更高要求。中环领先在功率、区熔以及CIS等产品上持续积累,形成了区别于以大尺寸逻辑和存储为主要业务方向的产品特色。

海外业务的增长,也受益于中环领先此前的业务整合和客户积累。根据财报显示,公司前三季度海外收入达到11.4亿元,同比增长19%。从业务构成来看,中环领先与欧洲、日本等市场客户保持长期合作,主要涉及功率电子和特色工艺产品。此前整合徐州业务后,公司补充了存储、高端逻辑产品和国际化团队,海外市场覆盖能力得到进一步完善。

以上这些业务的发展正在转化为经营数据上的增长,TCL中环2026年第三季度报告披露,2026年前三季度,中环领先实现营业收入49亿元,同比增长15%,整体实现盈亏平衡;第三季度营业收入18.6亿元,同比增长23%,净利润0.8亿元,单季度实现经营性盈利。

随着产品能力、制造规模和客户验证逐步推进,国内硅片企业参与国际市场竞争的条件正在改善。对中环领先而言,海外收入增长不仅意味着市场范围扩大,也意味着其产品正在进入更多国际客户的供应体系。与国际头部企业相比,国内厂商在长期工艺积累和客户合作经验方面仍有提升空间,但规模化出货和海外业务增长,已经为后续发展提供了基础。

从产品布局、规模化出货到海外客户拓展,中环领先已经建立起一定的竞争基础。国产硅片企业正在通过产品、制造和客户能力的积累,逐步扩大在全球市场中的参与度。不过,产品线铺开、客户认证推进、海外市场拓展,每一项都要依赖持续的资本开支支撑。

股权整合之后,中环领先想更进一步

众所周知,硅片行业具有明显的资本和技术密集特征。从晶体生长、切片、研磨、抛光到清洗和检测,每个环节都需要专用设备和工艺积累。尤其是12英寸硅片,产线建设投入大,设备调试、工艺优化和良率爬坡都需要较长时间。

因此,中环领先正在积极推进多基地制造布局,根据TCL中环三季报披露的规划,预计到2026年底,宜兴和徐州基地12英寸硅片产能合计将提升至100万片/月;与此同时,公司将加快深圳12英寸工厂建设,推进宜兴和天津基地8英寸产能升级,以及内蒙古基地晶体产能配套上量。按照规划,五大基地全面达产后,12英寸和8英寸硅片产能将分别达到210万片/月和140万片/月。

这类制造能力的积累,离不开持续的资本投入和工程团队建设。对于中环领先而言,进一步整合股权,正是在这一背景下展开。

据介绍,此次筹划股权整合主要考虑业务发展、资金投入和人才机制三个方面。未来三至五年,公司需要完善8英寸业务,推进现有12英寸工厂扩产,并围绕市场需求布局新的12英寸产能。若交易顺利完成,TCL中环有望进一步加强对半导体材料业务的资源统筹,为未来数年的扩产、研发和运营提供支持。

需要注意的是,股权进一步整合之后,两个业务板块仍将保持专业化经营和相对独立管理,并在此基础上加强能够共享的资源与能力协同。

对于中环领先而言,除了资本和人才,产业链协同也将影响国产硅片企业下一阶段的发展进程。硅片生产对设备、原材料和辅料有较高要求,相关产品进入生产线需要经过持续验证。目前中环领先正在与国内设备和材料供应商开展联合研发、设备验证和工艺改进。随着国内存储和逻辑厂商持续提升制造能力,材料供应商有机会更深入地参与客户工艺开发。对于硅片企业而言,客户提出的具体工艺需求,既是产品验证的标准,也是推动技术迭代的重要来源。

回到TCL中环此次筹划的股权整合,其意义在于为中环领先下一阶段的发展提供更集中的资源支持。虽然最终方案和实施结果尚未确定,但公司已经明确了未来几年在产能、研发和人才方面的投入方向。

结语

把前面几条线索合起来看,中环领先正处在一个新的窗口期。AI基础设施建设正在为半导体硅片市场带来新的增长动力,成熟制程和特色工艺需求也在逐步恢复,为国产硅片企业提供了发展机遇。

对中环领先来说,全尺寸产品布局、规模化出货、细分工艺积累和海外客户基础,构成了进一步发展的起点。因此,本次股权整合有望为后续产能建设、研发投入和人才机制提供支持。而真正决定其全球竞争位置的,仍然是能否把这些资源转化为稳定的产品能力、制造能力和客户服务能力。

国产硅片的竞争,正在进入比拼综合实力和长期经营的新阶段。

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4592期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

跳转微信打开

AI时代,FPGA再次崛起

2026年11月16日 08:43

原创 夏雪 2026-11-16 08:43 安徽

半导体行业观察:AI数据中心的快速扩张,正在为FPGA带来新的市场机会。

公众号记得加星标⭐️,第一时间看推送不会错过。

AI数据中心的快速扩张,正在为FPGA带来新的市场机会。

11月2日,Lattice公布2026财年第三季度业绩,营收达到2.91亿美元,同比增长118%;其中,FPGA收入同比增长约90%。公司CEO Ford Tamer表示,数据中心AI需求的加速,是推动业务增长的重要因素。

这组数据让FPGA重新进入产业视野。过去,FPGA曾被寄予拓展异构计算的厚望,但在AI计算市场的快速发展中,它始终未能成为主流计算平台。

如今,AI数据中心的增长正在打开另一条路径。GPU承担着越来越多的核心计算任务,但服务器、机柜和集群的规模持续扩大,也让系统管理、接口控制和安全防护变得更加复杂。FPGA的可编程特性,恰好能够在这些环节发挥作用。

从争夺计算核心,到进入系统底层,FPGA在AI产业发展中迎来了新的发展期。

巨头押注,FPGA却没能进入主流

半导体巨头曾经希望,FPGA能够成为未来计算架构的重要组成部分。

2015年,Intel宣布以约167亿美元收购Altera。当时,Intel希望将FPGA与Xeon处理器结合,为数据中心提供更灵活的异构计算方案。通过CPU与FPGA协同,用户可以针对特定工作负载进行硬件加速,在通用处理器之外获得更高的性能和能效。

无独有偶,AMD也看中了这一市场。2020年,AMD宣布以约350亿美元收购Xilinx,并于2022年完成交易。相比Intel当时强调的CPU与FPGA协同,AMD希望借助Xilinx补齐自适应计算能力,将CPU、GPU、FPGA以及相关软件技术纳入更完整的产品体系。

当时行业主流判断,数据处理需求越来越多样化,单一架构难以覆盖所有场景,能够根据应用需求灵活调整硬件逻辑的FPGA,有希望成为异构计算的重要组成部分。因此,两笔收购案的背后,承载的正是巨头对未来计算架构的共同期望。

但AI产业的发展,逐渐改变了计算市场的竞争格局。

大模型训练和推理带来了庞大的并行计算需求,GPU凭借成熟的软件生态、开发者基础和规模化部署能力,迅速成为AI数据中心的核心计算平台。与此同时,针对特定工作负载进行优化的ASIC也在不断扩大应用。前者凭借通用性和生态优势占据主流AI计算市场,后者则通过定制化设计,在特定场景追求更高的性能和能效。

夹在两条路线之间的FPGA,处境变得尴尬。面对通用计算,FPGA难以与GPU成熟的软件生态和规模化能力竞争;面对专用计算,ASIC又能围绕固定工作负载进行针对性优化。尽管FPGA具备可编程、低时延和灵活适配等优势,但较高的开发门槛、工具链和IP生态建设难度,也限制了其大规模应用。

这也让Intel和AMD当初对FPGA的设想未能充分实现,此后的业务调整,也让两笔收购的后续显得有些虎头蛇尾。

2025年,Intel宣布向Silver Lake出售Altera 51%的股权,Altera转为独立运营。数据显示,Altera在2024财年实现15.4亿美元营收,但GAAP口径下经营亏损达到6.15亿美元。而AMD虽然保留了Xilinx的产品和技术体系,但FPGA也始终没有成为其AI计算业务的核心。

因此,FPGA需要寻找新的市场落脚点,而AI数据中心的持续扩张,恰好提供了这样一片土壤。

AI数据中心,给FPGA带来新位置

AI数据中心为FPGA打开的新空间,首先来自计算系统本身的变化。

随着AI算力需求持续增长,数据中心正在从以计算芯片为中心的建设,走向计算、网络、供电和散热等多个环节协同的复杂系统。GPU负责处理核心计算任务,但要让大规模算力稳定运行,还需要大量硬件模块相互配合。服务器之间、板卡之间以及不同功能模块之间的连接和管理,也因此变得更加复杂。

这种变化,让计算之外的硬件控制需求逐渐凸显。以AI服务器为例,随着部署规模从单机扩展到整机柜和集群,GPU数量增加,高速网络、供电和散热系统日趋复杂。服务器不仅需要实时监控温度、电压和设备状态,还要协调不同模块之间的通信,并处理上电、复位、故障响应和安全启动等任务。

这里不得不再次提到AMD,虽然收购Xilinx的初衷没能实现,但是它找到了更适合FPGA的应用位置。AMD将FPGA应用在服务器主板管理中,其Spartan UltraScale+系列面向数据中心服务器I/O和主板管理控制器(BMC),在服务器主板上负责电源时序管理、温度和电压监测、风扇控制、I/O扩展及系统状态监控。2026年6月,AMD宣布Spartan UltraScale+ SU200P进入量产准备阶段,并于同年7月正式量产。

与CPU、GPU相比,这些任务不需要复杂的通用计算能力,却要求硬件能够及时响应并持续运行,FPGA可以作为专门的板级控制器承担相关工作。随着服务器主板集成的传感器、电源域和接口数量增加,FPGA在底层管理和控制中的作用也在提升。

另一边,Lattice选择将FPGA的应用从服务器主板延伸至安全管理和机柜控制。在服务器层面,Lattice的低功耗FPGA可以承担安全启动、硬件身份验证、固件保护、传感器监测和接口管理等任务;在机柜层面,则可以配合管理软件监测服务器运行状态、功耗和温度,帮助数据中心运营方进行集中管理。2026年10月,Lattice与Arm宣布合作,将Lattice FPGA、Arm AGI CPU服务器平台和AMI固件结合起来。

与前面两家不同,独立后的Altera则将FPGA进一步延伸至数据中心的数据通路。在DPU和AI网卡中,FPGA可以承担RDMA、虚拟交换、网络安全和数据预处理等任务;在存储系统中,则可以用于NVMe-oF协议处理、数据加密和压缩。这些任务如果交由CPU处理,会占用一定的计算资源。通过将部分功能卸载到FPGA,可以减少CPU负担,并利用可编程逻辑适应不同网络协议和系统架构。

可以看出,AI数据中心带给FPGA的机会,并不局限于增加计算能力。随着算力规模扩大,数据中心对底层硬件控制、设备管理和系统协同的要求也在提高。对于FPGA厂商来说,这些过去相对边缘的环节,正在成为新的市场入口。

FPGA厂商,开始争夺平台入口

FPGA进入AI数据中心,带来的变化不只是应用场景的增加,也在改变厂商之间的竞争方式。

FPGA厂商过去主要围绕芯片性能、逻辑资源、功耗和开发工具展开竞争。但在AI数据中心市场,产品能否进入服务器设计,还取决于其与处理器、固件及管理软件的协同能力。芯片之外的平台支持和生态建设,正在成为厂商争夺市场的新重点。

2026年7月,Lattice完成对AMI的收购。AMI长期提供BIOS、BMC固件和数据中心基础设施管理软件,业务覆盖服务器启动、硬件管理和平台运维等环节。其中最关键的,在于AMI能提供连接处理器与底层硬件的软件和固件支持。对Lattice来说,这笔交易补充了其原本相对薄弱的软件和固件能力,也让FPGA业务有机会进入服务器更底层的管理架构。

与Lattice通过收购补齐软件和固件能力不同,Altera更侧重通过丰富FPGA的产品组合来覆盖多样化的系统需求。2026年10月,Altera发布Agilex 2X产品组合,面向数字AI基础设施、网络和物理AI等领域。其产品布局覆盖高速收发器、以太网和PCIe等连接能力,也涉及板级与机柜控制、接口桥接和硬件信任根等应用。

同时,AMD也在继续依托Xilinx的技术积累,推进自适应计算和嵌入式产品布局。由此可见,虽然各家厂商的竞争路径有所不同,但共同点在于,FPGA正在从单一芯片产品向更广泛的系统应用延伸。

除了产品和业务布局,FPGA厂商还开始参与数据中心管理标准的建设。

2026年10月,Lattice与AMI在开放计算项目(OCP)推动成立SCMP工作组,AMD、Arm、Intel、Jabil、ASPEED和Microsoft等企业参与其中。该工作组希望推动开放、厂商中立的安全控制与管理架构,改善不同设备之间身份验证和管理接口的兼容问题。

随着数据中心规模扩大,服务器内部及不同设备之间的管理关系越来越复杂。统一的管理标准有助于降低不同厂商硬件之间的集成难度,也能减少平台建设对特定供应商方案的依赖。对参与其中的芯片厂商来说,标准制定还关系到未来平台架构的话语权,以及自身产品进入产业链的机会。

中国FPGA产业,能否抓住新机会

海外FPGA厂商正在加快向AI数据中心拓展业务,中国厂商也面临着一次新的市场机会。

从市场规模来看,Grand View Research预计,中国FPGA市场将从2023年的约21.01亿美元增长至2030年的46.89亿美元,2024年至2030年的复合年增长率为12.2%。通信和工业控制仍是重要应用领域,数据中心、汽车电子和人工智能则为市场提供了新的增长方向。

但市场需求扩大,并不意味着国产FPGA能够直接分享AI算力增长的红利。尤其在数据中心领域,FPGA厂商需要针对不同应用场景提升产品能力。高性能计算和高速网络应用,要求芯片具备较强的逻辑资源、高速SerDes、先进接口和功耗控制能力;服务器管理则更看重低功耗、接口兼容、安全控制和长期稳定运行能力。不同应用方向对芯片性能、功能配置和配套生态提出了差异化要求。

前文中,海外厂商的布局提供了一种值得参考的思路:国产FPGA不必将所有资源都集中在高端计算加速市场,也可以从更具体的系统需求寻找突破口。例如,服务器板级管理、接口扩展、协议转换和安全控制等环节,对FPGA的灵活适配能力有实际需求。与直接参与GPU周边的高性能计算竞争相比,这些细分场景或许更适合作为部分国产厂商进入数据中心供应链的起点。

不过,进入数据中心供应链,需要的不只是硬件产品,还包括开发工具、IP资源、软件支持和平台适配能力。国产厂商如果希望从提供芯片进一步走向平台导入,同样需要补齐这些环节。

目前国内市场的优势在于拥有规模庞大的服务器和数据中心市场,应用场景丰富,并且本土FPGA厂商在客户沟通、定制开发和供应链协同方面也具备一定灵活性。如果能够围绕本土服务器厂商的实际需求进行产品开发,并与处理器、BMC及固件供应商建立合作,就有机会缩短产品验证和导入周期。

当然,这些优势最终仍要接受产品和市场的检验。

结语

FPGA在AI时代重新获得关注,反映出数据中心对硬件能力的需求正在变得更加多元。未来的竞争,既发生在GPU所代表的计算核心,也发生在支撑整个系统稳定运行的底层环节。

对FPGA厂商而言,这轮变化带来的价值,在于拓宽了产品的应用空间,也让软硬件协同、平台适配和生态建设成为新的竞争环节。FPGA或许不会成为AI计算的主角,却有机会在AI基础设施中占据更重要的位置。

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4592期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

跳转微信打开

CPO,还得等等!

2026年11月16日 08:43

编辑部 2026-11-16 08:43 安徽

半导体行业观察:CPO(共封装光学)正在成为AI数据中心光互连的重要技术方向。

公众号记得加星标⭐️,第一时间看推送不会错过。

CPO(共封装光学)正在成为AI数据中心光互连的重要技术方向。随着AI集群规模不断扩大,传统可插拔光模块在功耗、带宽密度以及系统集成方面面临越来越大的压力,将光引擎与交换芯片共同封装,被认为是下一代高速光互连的重要发展方向。

不过,CPO距离真正的大规模量产,可能还有一段距离。

11月13日,半导体产业研究机构FUNDA发布了一份关于CPO量产进展的深度报告。报告认为,虽然面向Scale-out交换机的CPO已经开始生产并实现小批量出货,但目前的产能爬坡受到混合键合和测试环节的限制,大规模交付可能要推迟至2027年末至2028年。

此前,市场曾对2027年CPO放量抱有较高期待。FUNDA则认为,按照目前的工艺进展,2027年的出货量可能低于此前预期。尤其是英伟达Spectrum-X CPO交换机,此前市场关注的2027年约10万台出货目标,实现起来存在较大压力。

报告将目前的量产瓶颈归结为两个问题:一是台积电COUPE平台上的混合键合良率仍然偏低,特别是W2W(晶圆对晶圆)键合;二是CPO测试环节的Insertion 2设备供应商尚未确定。

混合键合良率,成为CPO量产最大障碍

FUNDA此次重点分析的是英伟达基于台积电COUPE平台开发的CPO光引擎。该方案采用3D混合键合技术,整个制造流程涉及两道连续的键合工序,分别是D2W(Die-to-Wafer,芯片对晶圆)和W2W(Wafer-to-Wafer,晶圆对晶圆)。

简单来说,D2W主要负责将经过筛选的良品电子集成电路芯片(EIC)和透镜逐一放置到光子集成电路(PIC)晶圆上;W2W则负责将整个晶圆与载体晶圆进行键合,为后续晶圆翻转、减薄以及背面布线等工序提供机械支撑。这两道工序并不是两种相互竞争的技术路线,而是同一制造流程中的连续环节。

混合键合之所以受到重视,主要在于它能够同时实现介质层与铜-铜之间的直接连接,不再依赖传统微凸块。传统微凸块的互连间距通常在40至50微米,而混合键合能够将间距缩小到10微米以下,从而提高I/O密度,并缩短电气连接路径。这对于需要高密度互连的先进封装和光电集成而言,具有明显优势。

但工艺优势并不意味着量产已经成熟。FUNDA援引设备厂商工艺专家的判断称,目前D2W的良率约为80%,W2W的良率只有约50%。要实现稳定、具有经济效益的大规模生产,两道工序的良率都需要达到90%以上。由于两道工序连续进行,良率还会相互叠加,因此其中任何一个环节出现问题,都会影响最终光引擎的产出。

相比之下,D2W的技术成熟度相对较高。Besi是这一环节的主要设备供应商,单台设备价格约为300万美元。FUNDA估计,台积电相关产线目前已经部署约30台D2W设备,未来规划增加至约100台。从设备数量和现有产能来看,D2W暂时不是2027年CPO出货的主要限制因素。不过,随着后续需求增加,Besi的设备交付能力仍然值得关注。

真正棘手的是W2W。

问题出在透镜表面并不平整。在完成D2W之后,整个晶圆需要与载体晶圆进行键合,但由于透镜表面存在凹凸结构,当其与平整的载体晶圆接触时,界面容易形成空隙,气体被困在其中,进而产生气泡或局部未键合区域。

更麻烦的是,这些缺陷可能在后续退火过程中进一步扩大,甚至从单颗芯片扩散至相邻区域,最终影响整片晶圆的良率。FUNDA采访的工艺专家认为,EIC与PIC之间的键合工艺本身已经基本得到验证,真正需要解决的是如何将带有不平整透镜结构的表面,与平整的载体晶圆可靠地键合在一起。

目前,W2W仍主要采用非真空设备,良率约为50%。要解决这一问题,需要开发带有真空腔体的键合设备,在键合之前排出界面气体,从而减少气泡和空洞。FUNDA认为,这类设备的成熟程度,将直接影响CPO后续的量产进度。

真空键合设备展开竞争,测试也是瓶颈

在W2W设备供应商方面,FUNDA重点提到了EV Group(EVG)和东京电子(TEL)。

两家公司都具备开发真空腔体键合设备的能力。根据FUNDA的产业链调查,EVG已经拥有相关平台,但晶圆厂对其键合对准能力仍有顾虑,目前更倾向于评估TEL的方案,同时将EVG作为备选。晶圆厂也希望引入第二家供应商,不过其他设备厂商目前似乎还没有展现出能够匹配现有方案的性能。

设备研发进度同样不容乐观。报告预计,新一代真空键合设备可能在2027年下半年出现早期样机,真正成熟则可能要到2028年。至于设备价格,受访专家估计单台可能达到3000万美元,随着后续进入规模化生产,价格有望下降。

这意味着,即使CPO已经开始小批量出货,决定其能否快速扩大规模的关键工艺设备,仍然处于开发和验证阶段。

值得注意的是,单纯增加检测设备,并不能从根本上解决W2W良率问题。FUNDA指出,键合前可以通过高分辨率光学扫描检测1至2微米的颗粒,键合后则可以通过声学扫描检查空洞和未键合区域。但检测只能发现缺陷,不能消除颗粒、气泡等缺陷产生的根源。真正提高良率,仍然需要依靠设备和工艺本身的改进。

除了混合键合,测试环节也是CPO量产需要跨过的一道门槛。

与传统可插拔光模块不同,CPO将光引擎与交换芯片集成在一起,制造流程中的测试需要分布在多个不同阶段。FUNDA指出,目前测试流程中的Insertion 2设备供应商尚未确定,这也是影响后续量产进度的因素之一。

报告还援引一位测试设备领域专家的判断称,目前从PIC晶圆到最终合格光引擎的综合良率只有30%至40%。这里的30%至40%并不是单独D2W工序的良率,而是从PIC晶圆到最终合格光引擎的整体良率。由于良率偏低,加上系统集成难度较高,部分客户已经开始调整CPO导入计划,将全面采用CPO的时间推迟至2028年。

从整体来看,CPO量产并不是解决某一道工艺就能实现,而是需要混合键合、测试和后续封装等多个环节共同成熟。尤其是在目前的制造流程中,W2W键合良率偏低,已经成为限制光引擎产出的关键因素。

CPO放缓,NPO可能获得更长窗口期

对于CPO量产进度推迟,FUNDA认为,受到影响的主要是光互连需求兑现的时间,而不是需求本身。报告特别指出,光互连以及高功率外置光源的需求并未因此受到影响。

另一个值得关注的变化是NPO(近封装光学)。FUNDA认为,CPO成熟时间越长,NPO在Scale-up场景中的应用就越有可能延续更长时间。换句话说,如果CPO在制造工艺和良率方面仍需要更多时间,NPO就可能在一段时间内继续承担部分高速光互连需求。

至于英伟达下一代Scale-up系统最终采用CPO还是NPO,目前仍未有定论。FUNDA认为,虽然下一代Scale-up系统肯定会采用光互连,但目前这些制造约束使得其较早转向CPO的可能性有所降低。

从这份报告来看,CPO已经从技术验证走向了小批量出货,但距离真正的大规模商业化,仍然需要解决制造工艺和设备成熟度的问题。特别是混合键合,技术路线本身并不是最大障碍,如何把W2W良率从目前约50%提升至量产所需水平,才是接下来真正需要突破的地方。

对于产业链而言,除了关注英伟达CPO交换机的出货情况,Besi、TEL、EVG等设备厂商在混合键合领域的进展,以及后续测试设备供应商的选择,同样值得持续关注。

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4592期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

跳转微信打开

IEDM 2026前瞻:AI芯片突破,不只是制程微缩

2026年11月16日 08:43

半导体行业观察 2026-11-16 08:43 安徽

半导体行业观察:AI算力需求持续增长,正在给半导体技术带来新的挑战。更快的处理器、更高带宽的存储,以及更低的能耗,已经成为产业共同面对的课题。

公众号记得加星标⭐️,第一时间看推送不会错过。

AI算力需求持续增长,正在给半导体技术带来新的挑战。更快的处理器、更高带宽的存储,以及更低的能耗,已经成为产业共同面对的课题。即将于12月12日至16日在美国旧金山举行的2026年IEEE国际电子器件会议(IEDM 2026),将展示半导体产业在这一方向上的最新探索。

本届IEDM的主题为“Devices at the Heart of the Intelligence Revolution”(器件技术驱动智能革命)。从目前公布的技术议程来看,研究方向已经不再局限于晶体管尺寸缩小,而是进一步延伸至新型存储器、光互连、先进制造和异构集成等领域。

其中,台积电、英特尔、SK海力士、三星以及imec等企业和研究机构都将带来相关技术成果。

台积电A14:瞄准2028年量产

台积电计划在IEDM 2026上介绍A14 CMOS NanoFlex Pro平台。

这一平台采用纳米片晶体管技术,并结合互连和集成技术的改进,面向移动处理器以及AI、高性能计算等应用。按照台积电此前公布的规划,A14预计于2028年进入量产。值得关注的是,A14的技术价值并不只是进一步缩小晶体管尺寸,而是通过晶体管结构、互连以及集成技术的协同优化,提升最终产品的性能和能效。

与此同时,英特尔将展示锗晶体管相关研究成果。这项研究重点在于解决晶体管栅极堆叠结构中的一个难题:随着绝缘层不断变薄,如何在维持器件可靠性的同时,继续提升电气性能。英特尔研究人员将介绍一种新的栅极堆叠设计,在迁移率、尺寸微缩和可靠性之间取得平衡。这项研究也为未来垂直堆叠互补晶体管架构提供了潜在技术路径。

光刻与互连:继续向更高密度推进

除了晶体管本身,制造工艺也在持续演进。imec将在本届IEDM上展示高数值孔径(High-NA)EUV光刻技术的电学验证成果,采用单次曝光图形化工艺,实现18nm间距的钌互连结构。这一研究的意义在于,通过简化图形化流程,降低制造复杂度,同时支持更高密度的芯片互连。

随着先进制程继续推进,芯片性能提升越来越依赖互连技术。如何在有限的芯片面积内布置更多、更密集的连接,已经成为先进工艺的重要课题。

SK海力士:176层铁电NAND,读取能耗降低32%

存储技术同样是本届IEDM的重要看点。

SK海力士将展示一款176层铁电NAND芯片,采用多晶硅沟道结构,并与现有NAND制造工艺兼容。根据会议资料,该技术通过降低读取过程中的通过电压,将电压从6V降至3V,预计每比特读取能耗可以降低约32%。

对于需要处理海量数据的AI系统而言,存储器的能耗同样不容忽视。随着数据读取和传输量不断增加,降低存储器自身的功耗,有助于改善整个系统的能源效率。东京大学则提出了另一种存储器集成思路——IntMOSAIC。这项技术采用有机中介层进行存储芯片堆叠,已经展示了48颗芯片的堆叠结构,并避免使用硅通孔(TSV)等部分复杂集成工艺。

该架构希望通过重新设计存储芯片的物理布局,实现更大的存储容量和更高带宽,为AI处理器提供更加经济的近距离存储解决方案。这也说明,AI存储技术的发展并不只有HBM一条路径,芯片堆叠和新型中介层同样可能带来新的技术机会。

三星:电子与光子集成,探索下一代光互连

随着AI数据中心规模不断扩大,芯片之间的数据传输也成为重要瓶颈。三星将在IEDM 2026上介绍一款光引擎,将电子器件与光子器件集成在一起,利用多个波长传输数据,以提高数据传输效率。

根据会议资料,相关器件技术已经在生产级产线上完成制造、组装和测试。这意味着相关研究不仅停留在实验室器件设计层面,也开始向实际制造工艺推进。对于AI数据中心而言,随着计算规模扩大,芯片之间、设备之间需要交换的数据量持续增加。光互连有望成为解决高速数据传输和能耗问题的重要技术方向。

量子计算、散热与可靠性也进入议程

除上述技术外,本届IEDM还将设置半导体量子计算专题会议,讨论量子计算所涉及的制造工艺、控制电子学、封装以及良率问题。在散热和可靠性方面,韩国科学技术院(KAIST)将展示涉及供电、冷却和电容器工程的研究成果,imec则将研究原子级薄晶体管沟道的可靠性问题。

这些研究虽然分属不同技术领域,但都指向同一个目标:如何让更复杂、更高性能的半导体器件,在实际应用中保持稳定运行。

从本届IEDM公布的技术内容来看,AI带来的半导体创新已经深入到整个产业链。晶体管需要继续微缩,互连需要进一步提高密度,存储器需要提升带宽并降低能耗,芯片之间的数据传输也需要寻找新的解决方案。

值得注意的是,这些技术目前处于不同研发阶段,距离大规模商业化仍有一定距离。但可以确定的是,AI正在推动半导体技术从单一器件性能竞争,走向材料、工艺、存储、互连和封装等多个环节的协同创新。

(来源:编译自semiwiki)

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4592期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

跳转微信打开

❌