YOHO AI

标签： AI基础设施

  • MIT联手微软搞了个新系统，让AI Agent工作流省电73%、省钱75%

    MIT联手微软搞了个新系统，让AI Agent工作流省电73%、省钱75%

    AI Agent工作流正在成为云计算的骨干，但它们也是耗能和成本的”黑洞”。好消息是，MIT和微软的研究人员最近开发了一个叫Murakkab的新系统，可以把AI Agent工作流的计算需求降低65%，能耗降低73%，成本降低75%——而且不影响性能。

    这个成果发表在了USENIX操作系统设计与实现研讨会上。论文第一作者Gohar Chaudhry（MIT研究生）说：”Agent工作流正变得非常复杂，迅速成为云服务商业务的核心。能耗是一个巨大的担忧。”

    MIT Murakkab系统
    Murakkab系统优化AI Agent工作流的资源配置

    Agent工作流为什么这么费资源？

    Agent工作流是由多个AI模型、工具（数据库、Python程序）组成的系统，动态完成多步骤任务。问题在于：这些工作流非常碎片化，配置空间巨大，开发者很难手动优化。

    “即使你想手动完成所有配置，你也不太可能最优地配置工作流，因为可能的配置空间太大了。”—— Gohar Chaudhry, MIT研究生

    Murakkab怎么做：自动配置+动态调整

    Murakkab（乌尔都语，意思是”事物的组合”）的核心是让系统自动处理配置和优化。开发者只需要用大白话描述想让工作流做什么，Murakkab会自动识别最好的模型和工具，判断哪些可以并行，动态优化配置。

    最关键的是，这个系统是动态的。如果明天出了一个新的AI模型或GPU加速器，开发者不需要做任何改动——Murakkab会自动适配。

    性能数据：省电73%，省钱75%

    研究人员在视频问答和代码生成等场景测试Murakkab，结果非常亮眼：只需要其他方法所需计算量的约35%，只消耗约27%的能源，成本不到25%。

    Chaudhry说，这种级别的优化，开发者手动几乎不可能做到。系统在准确度只下降约2%的情况下，把工作流的能耗降低了一个数量级以上。

    下一步：扩展到更复杂的场景

    研究团队计划把Murakkab扩展到更复杂的工作流和更大的计算集群。Chaudhry说：”有很大潜力让这些工作流变得更加资源优化，但我们需要在大型云平台的规模上思考这个问题。”

    这项研究由半导体研究公司和DARPA部分资助。随着AI Agent工作流变得越来越复杂，像Murakkab这样的优化系统会变得至关重要——在AI能耗越来越受关注的当下，这是一个值得关注的突破。

  • 联合国出手了：AI公司必须公开数据中心耗水耗电的「隐藏账单」

    联合国秘书长古特雷斯在伦敦气候行动周上说了一段话，说得很直接：AI公司必须公开它们的数据中心到底耗了多少电、用了多少水、占了多大地方。

    “不要再转嫁成本了，不要再让最没能力承担的人买单。是时候说真话了。”

    一个谁都没认真算过的账单

    联合国大学水与环境健康研究所本月早些时候发了一份报告，说目前对AI环境成本的评估，大多只盯着训练模型产生的碳排放。但这只看到了画面的一小部分。

    每一度用于AI的电，背后都有水足迹（来自冷却和发电）和土地足迹（来自基础设施和供应链）。把这三者加在一起，数字大到不太真实。

    根据报告估算，到2030年，全球AI数据中心每年可能消耗945太瓦时的电力——比全世界几乎所有国家的用电量都高，大约是法国2025年用电量的两倍。

    要把这笔碳账抵消掉，到2030年需要种大约67亿棵树，连续种10年。

    数据中心发电所消耗的水，相当于撒哈拉以南非洲13亿人的一年基本用水需求。占用的土地面积超过1.45万平方公里——大约是雅加达大都会区的两倍。

    联合国AI环境透明倡议概念图
    联合国呼吁AI公司披露数据中心环境成本

    社区开始说不了

    在美国，反对的声音已经从社交媒体走到了投票箱。

    今年6月，洛杉矶县的蒙特雷帕克市，成为美国第一个通过全市投票禁止数据中心的市。此前，当地一个拟建数据中心的开发商已经在4月撤出了项目，原因就是社区反对情绪越来越强，加上监管不确定性。

    民间组织Data Center Watch的数据说，2024年5月到2025年3月之间，全美各地推迟或阻止的数据中心项目，总价值大约640亿美元。

    行业游说团体当然有另一套说法。美国数据中心联盟说，数据中心能带来税收、建筑和技术岗位，还提供云计算、科研和AI开发需要的基础设施。至于它们会不会推高普通家庭的电费，行业方面也在反驳。

    但古特雷斯在伦敦的演讲里说了一句话，很有意思：”数据中心所在地的社区，往往得不到什么好处，却对身边正在拔地而起的基础设施的环境影响一无所知。”

    欧盟也在动了

    欧盟在本月早些时候说，要为新老数据中心制定最低能效标准，2027年之前完成”需求评估”。此外还在规划一个数据中心的可持续性标签，覆盖用水和清洁能源供应等标准——不过这个标签的推出已经被推迟了。

    古特雷斯在演讲之后的问答环节被问到，AI公司的反应怎么样。他说”走着瞧吧”，没有透露更多细节。

    但他的潜台词很清楚：透明度对AI行业来说，长远来看是好事。因为总有一天，会有人跳出来说，某家公司的AI，耗的电比它对外宣称的多得多。

  • 谷歌限制Meta使用Gemini，AI算力短缺连大客户也照顾不过来

    谷歌限制Meta使用Gemini
    谷歌对Meta实施Gemini使用限制，AI算力短缺凸显

    一件挺有意思的事发生了：谷歌告诉Meta，你们用我们Gemini用太多了，得限一限。这件事背后，其实是整个AI行业都在面对的一个尴尬现实——即便你是有钱有势的大客户，也不一定能买到足够的AI算力。

    三月的一通电话改变了什么

    根据《金融时报》的报道，今年3月左右，谷歌告知Meta，无法满足其全部Gemini算力需求。这让Meta有些措手不及——毕竟这两家公司虽说是对手，但在AI算力这块，Meta一直依赖谷歌的云服务。

    结果就是，Meta的一些内部AI项目因为算力短缺而被迫延期或者调整计划。受影响的不止Meta一家，谷歌的其他客户也遇到了类似情况，只不过Meta受到的冲击最大，因为它的需求量实在太惊人了。

    据FT报道，由于受到限制，Meta已经开始鼓励员工更”节约”地使用AI token——那些用来衡量AI使用量的计算单位。

    谷歌自己的麻烦也不小

    这件事其实也暴露了谷歌的一个软肋。今年第一季度，谷歌云的收入增长到200亿美元，看起来很亮眼对吧？但CEO Sundar Pichai承认，算力限制阻止了更高的增长，而且直接导致云业务积压订单几乎翻了一番。

    也就是说，即便像谷歌这样的巨头，在AI算力需求暴涨的当下，也感到力不从心。他们一边在芯片和数据中心上砸几百亿美元，一边还是跟不上需求的增长速度。

    AI算力短缺会成为新常态吗

    这件事其实预示了一个趋势：AI算力可能会像石油一样，成为战略资源。谁能拿到足够的算力，谁就能在AI竞赛中占据主动。

    对于Meta来说，这次被谷歌”卡脖子”，说不定会加速他们自建算力基础设施的决心。毕竟扎克伯格已经在AI上投入巨资，如果再被供应商限制，那确实有点被动。

    而对于其他依赖第三方AI服务的公司来说，这件事也是一个提醒：如果你的核心业务建立在别人的AI能力上，那你可能需要在某个时候认真考虑一下备选方案了。

    • 谷歌今年3月告知Meta，无法满足其全部Gemini算力需求
    • Meta的一些内部AI项目因此延期或调整
    • 谷歌云Q1收入200亿美元，但算力限制阻止了更高增长
    • Meta鼓励员工更节约地使用AI token
    • AI算力短缺可能成为新常态，影响大客户优先级

  • 数据中心抢电太凶，有人想了个新办法：让它们跟着电网的节奏走

    AI热潮把数据中心的电费账单推到了前所未有的高度，但问题不止是钱。电网自己也开始叫苦了——这么多数据中心同时开工，电网吃不消。

    一场足球赛暴露的问题

    去年12月，英格兰和德国踢了一场足球赛。上半场0:0，数百万英国人集体松了口气，然后去做他们压力大的时候常做的事：烧水喝茶。

    这一波电水壶同时开机，电网的负荷瞬间飙升。但英国国家电网公司（National Grid）早有准备。AI程序在那时候给伦敦的一个数据中心发了指令，让它将部分耗电芯片降速。这一减，正好补上了需求缺口，避免了停电风险。

    数据中心电网灵活性概念图
    数据中心可以根据电网负荷调节用电，而不是一味猛吃电力（图：AI生成）

    对数据中心来说，这种操作是颠覆性的。它们平时可不管别人需不需要电，只管自己猛吃。但现在，有公司在试验一种”灵活用电”的模式。

    数据中心不再是电网的”电老虎”，而是可以成为调节电力供需的弹性资源。这对AI基础设施的可持续发展是个新思路。

    不建电厂，建软件

    现在的头部公司怎么做的？微软、甲骨文这些巨头，做法是自己建天然气发电厂，不靠公用电网。xAI在田纳西州孟菲斯的Colossus数据中心，为了赶进度，直接把燃气轮机拉到现场。结果现在被监管机构和当地居民追着投诉，因为污染排放超标。

    问题是，全世界的燃气轮机加起来都不够满足数据中心的需求。

    GridCare的CEO Amit Narayan说了一句话，我觉得挺有意思。他说：”如果你是一家航空公司，飞机利用率只有30%，你不会去买更多飞机。如果电网的利用率也是30%，那把它提升到60%没有什么科学上的理由不支持。”

    他的依据是斯坦福大学2025年的一项研究，发现北美西部输电线路的传输容量其实有很大冗余。电网的设计思路是”按最高需求建”，但一年里只有很少的时间会达到那个峰值。其余时间，电网的能力其实是闲置的。

    灵活性有三种玩法

    数据中心怎么做到”灵活用电”？目前有三种思路：

    • 自己配储能设备或备用发电机，电网忙的时候用自备电——当然，这得自己掏钱。
    • 通过虚拟电厂（VPP）来调节。电网让参与VPP的用户（可能是工厂，也可能是装了太阳能板的家庭）在这时候少用电，数据中心给他们付钱买这种”灵活性”。
    • 最简单粗暴的办法：高峰时段直接少用电。这听起来数据中心肯定不干，但Emerald AI的首席科学家Ayse Coskun说，现在运营商越来越愿意用一定的灵活性来换取更快的并网速度。”先跑起来”的诱惑，可能比想象的要大。

    AI来帮忙

    GridCare这家硅谷初创公司，做法是把电网的每一个部分——发电厂、输电线路、变电站、家庭用电——都喂进一个生成式AI模型，为不同的电网配置创建”数字孪生”。然后它把结果输入另一个基于电气元件物理规律训练的模型，确保方案是现实可行的。

    这套玩法如果真的跑通，数据中心的上线周期可以大幅缩短。不用等新建电厂，不用跟电网公司扯皮好几年，直接用现有电网的冗余容量，加上智能调度软件，数据中心就能开工。

    杜克大学2026年2月的一项研究发现，灵活性可以让电价降低0.5%到2.8%。数据中心用这种方式摊薄了固定成本，其他电力用户也能跟着沾光。

  • 美光被华尔街当成下一个英伟达：一个月股价涨236%，AI内存短缺让它飞起来了

    美光科技的股票在过去一个月里涨了236%，收盘价1132美元。这家总部位于爱达荷州博伊西的内存芯片制造商，市值一度在周四短暂超过了Meta和特斯拉，虽然周五又跌回去了，但也差不多和它们持平了。

    从存储卡厂商到AI豪赌赢家

    大多数普通消费者提到美光，想到的还是那种给电脑、手机扩容用的小内存卡。但这家公司现在赚的钱，跟那个产品线已经没太大关系了。

    AI数据中心的扩建潮造成内存芯片严重短缺，无论是系统内存DRAM还是闪存NAND，美光都生产，尤其是高带宽内存（HBM），一块AI服务器需要的内存量是笔记本电脑的好几个数量级。英伟达这样的AI系统制造商，还有微软、亚马逊AWS、谷歌、Meta、甲骨文这些超大规模云厂商，都在疯狂采购内存。

    Micron AI内存芯片与股市上涨概念图
    美光科技搭乘AI内存热潮，股价一路飙升（图：AI生成概念图）

    财报数字确实吓人

    上周美光发布的第三财季财报，用”爆炸”来形容都不为过：营收414.5亿美元，是去年同期的4倍；利润从18.8亿美元直接跳到282亿美元。第四财季的营收指引更是给到490亿到510亿美元之间。

    华尔街一直在找下一家能像英伟达那样长期赚钱的AI概念公司，美光看起来符合这个想象。

    美光当前的市值约1.27万亿美元，Meta是1.39万亿，特斯拉是1.42万亿。几个月前，美光的的股价还在100美元以下徘徊了好几年。

    长期协议能不能扛过周期？

    内存芯片行业有个老问题：扩建生产线又慢又贵，等产能上来，需求往往已经掉了，然后就是供过于求、价格暴跌。美光这次能不能不一样？

    美光自己在财报电话会上强调，已经签了一堆长期供应协议，包括和英伟达以及AI实验室Anthropic的协议。公司说在数据中枢、消费和汽车市场段签了16个战略客户协议，这会”从根本上改变商业模式”。

    William Blair的分析师Sebastien Naji在一份研究报告中写道，需求增长继续超过新洁净室空间的上线速度，”考虑到未来几个季度ASP（平均售价）持续上涨的可能性很大，加上与关键客户的长期协议（SCA）迅速增加带来了更好的营收能见度，我们认为盈利增长有潜力变得更持久。”

    内存短缺的局面（有人叫它”RAMageddon”）预计会持续到2027年，已经在推高苹果产品和Xbox主机等消费电子的价格。美光能不能真正成为”下一个英伟达”，还是会在下一轮内存周期里被打回原形，接下来几个季度见分晓。

  • 一家初创公司声称突破了制约LLM的瓶颈，AI效率竞赛迎来新变量

    一家初创公司声称突破了制约LLM的瓶颈，AI效率竞赛迎来新变量

    大语言模型有个绕不开的数学瓶颈——”二次方爆炸”。处理的文本越长，计算量不是线性增长，而是平方级暴涨。这个瓶颈卡了业界快十年，但现在有家迈阿密的小公司说他们解决了。

    AI模型架构突破
    Subquadratic稀疏注意力机制示意图（AI生成图）

    Subquadratic公司5月从隐身模式走出来，发布了模型SubQ。他们声称用”稀疏注意力”替代了传统Transformer的”密集注意力”，把计算复杂度从二次方降到了——你猜对了——亚二次方。

    “我们希望开启一个效率新时代。几年后，没人会用Transformer搭建模型了。”

    ——Justin Dangel，Subquadratic联合创始人兼CEO

    二次方瓶颈到底卡在哪

    今天所有主流大模型都基于Transformer架构，核心是”密集注意力”机制。处理一段文本时，模型把每个词（token）编码成数字，然后让每个数字和所有其他数字相乘——用来捕捉词与词之间的关系。

    1万个词的文本，要算近5000万次乘法。文本长度翻倍，计算量翻四倍。这就是为什么长文档处理这么烧钱，也是为什么各家公司在拼命堆GPU。

    Subquadratic的思路很简单：不是所有词之间的关系都重要。稀疏注意力只挑重要的词做运算，跳过不相关的。问题难在——怎么判断哪些重要？以前的办法都用固定模式（比如”第1个词总是和第5个词比较”），效果不好。

    SubQ的”秘密酱料”是动态选择——对每段输入的文本，实时判断哪些词之间的关系值得计算。联合创始人Alex Whedon不肯透露具体怎么实现的，只说”这是我们的核心秘密”。

    质疑声：AI界的Theranos？

    第一次发布时，Subquadratic只给了几个自测跑分，没有第三方验证。AI工程师Dan McAteer在X上发文：”SubQ要么是Transformer之后最大突破，要么就是AI界的Theranos。”

    一个月后，Subquadratic找了第三方评测机构Appen来跑分。结果有些惊人：在LiveCodeBench编程测试上，SubQ得分89.7%，和顶级模型在同一个水平线。处理长文本时，SubQ的上下文窗口可达1200万token（主流模型一般是100万）。

    成本数据更夸张。跑同样的测试（从大文档里检索信息），Anthropic的Opus 4.6花了2600美元；SubQ花了8美元。

    但质疑没有完全消散。SubQ的底层权重是用中国开源模型Qwen”启动”的（在Qwen基础上微调），而不是从零训练的。这让一些研究者怀疑：这到底是一个全新架构，还是Qwen的一个高效变种？

    SubQ目前还没开放公测，等候名单上有几万人。在更多人真正用上之前，判断它是突破还是泡沫，还为时过早。但有一点是确定的：效率竞赛已经打响，谁能把大模型的计算成本打下来，谁就掌握了下一个回合的主动权。

  • 英伟达开源MoE微调加速工具，一行import让微调提速3.7倍

    英伟达开源MoE微调加速工具，一行import让微调提速3.7倍

    MoE（混合专家）架构已经成为当前大模型的主流选择。从DeepSeek-V3到Qwen3，再到Google的Gemini，几乎所有最新发布的顶尖模型都在用MoE。但MoE有个麻烦——训练起来比普通Transformer麻烦得多，专家并行、通信融合、kernel优化，这些工程细节没有一个省心的。

    英伟达6月底开源了一个工具，试图让这件事变得简单。叫NeMo AutoModel，基本思路是：站在HuggingFace Transformers v5的肩膀上，不改你原来的代码API，只加一行import，就能把MoE模型的微调速度提升3.7倍，同时把GPU显存占用降低近三分之一。

    英伟达MoE微调加速工具概念图
    英伟达NeMo AutoModel通过一行import实现MoE模型微调加速

    3.7倍加速是怎么来的

    具体数字挺直观的。在单节点8张H100 80GB GPU上，用Qwen3-30B-A3B做微调，原来的Transformers v5每秒每GPU能处理3075个token，换成NeMo AutoModel之后直接拉到11340，提升3.69倍。显存这边，峰值占用从68.2GiB降到48.1GiB，省了29%。

    英伟达 team还测了Nemotron 3 Nano 30B-A3B，结果类似：吞吐提升3.4-3.7倍，显存降低32%。他们甚至拿550B参数的Nemotron 3 Ultra做了全参数微调测试——16个H100节点、128张GPU——这时候Transformers v5已经直接爆显存了，连对比的机会都没有。

    显存省下来的部分不是白给的——你可以拿它去跑更大的batch size，或者处理更长的序列。对于本来就卡显存的大模型训练来说，这两个操作直接决定了你能不能把模型训出来。

    核心技术：三板斧

    NeMo AutoModel在Transformers v5的基础上加了三样东西：专家并行（EP）、DeepEP、TransformerEngine。每一样都针对MoE训练的一个具体瓶颈。

    专家并行解决的是显存问题。MoE模型虽然每次推理只激活部分专家，但训练的时候，所有专家的参数都得放在GPU显存里。专家并行把这些参数分散到多张GPU上，8张GPU就每张只持1/8的专家参数。Qwen3测下来，这项技术能把MoE层的显存占用直接从68.2GiB压到48.1GiB。

    DeepEP解决的是通信开销。MoE训练的时候，每个token得先被路由到对应的专家，这个过程需要跨GPU通信。传统做法是”先分发、再计算”，DeepEP把它融合成了一个优化的GPU内核，”分发”和”计算”在时间上重叠了起来，通信的时间就被藏掉了。

    TransformerEngine提供的是基础运算加速。注意力机制、线性层、RMSNorm这些，都有专门的融合kernel实现。不只加速MoE层，普通Transformer层也能占到好处。

    一行import怎么做到

    用法确实简单。如果你原来就在用Transformers v5，切换到NeMo AutoModel只需要在文件开头加一行：

    • 把from transformers import AutoModelForCausalLM改成from nemo_automodel import AutoModelForCausalLM
    • 原来的训练代码几乎不用动
    • API完全兼容HuggingFace的接口约定

    这个设计思路很聪明。它不搞”全新框架”，而是在现有生态上做增强。这样用户的迁移成本几乎为零，英伟达那边也能持续从HuggingFace的生态里受益——相当于”我帮你提速，你继续用HuggingFace的接口”。

    为什么这件事值得关注

    MoE架构的普及速度比很多人预期的快。2026年上半年，几乎所有主流大模型发布都用了MoE或者类MoE的稀疏激活架构。原因很简单：在相同参数规模下，MoE的推理成本远低于稠密模型，但训练成本却高得多——因为所有专家的参数都得加载进显存，通信开销也大。

    英伟达这笔账算得很清楚：如果MoE是未来，那么控制MoE训练的工具链，就等于在AI训练基础设施里多插了一脚。HuggingFace占据了模型使用的入口，英伟达则通过NeMo AutoModel占据了”高性能训练”的入口——而且是以兼容HuggingFace的方式，用户几乎没有理由拒绝。

    代码、配置文件和基准测试脚本都已经放在GitHub上了（github.com/NVIDIA-NeMo/AutoModel），文档也在docs.nvidia.com上线了。感兴趣的人现在就能去试试，看看那3.7倍加速在自己的模型上能不能复现。

  • 美光成AI内存危机最大赢家：股价一年涨12倍，还投资了Anthropic

    美光AI内存芯片业务概念图
    美光科技从AI内存危机中获益，业绩爆发式增长

    AI热潮带火了一堆创业公司，也催生了一批新的亿万富翁。但它还造成了一个严重的后果：内存芯片严重短缺。这个问题预计会一直持续到2027年。而现在，有一家美国公司正在从这场”RAMageddon”里大把赚钱。

    美光股价一年涨了12倍

    美光（Micron）是美国最大的计算机内存芯片制造商，目前市值1.2万亿美元。但它的股价并不是一直都这么高——2024年初，美光的股价还在83美元左右（当时市值约910亿美元），而本周三收盘时，股价已经冲到了1048.51美元。

    这个涨幅有多夸张？如果你在2024年初买了1万美元的美光股票，现在值12万美元。

    背后的财务数据更夸张。美光周三收盘后发布了第三财季财报，结果让股价当天暴涨超过13%。营收同比翻了4倍，达到414.5亿美元。利润更是从去年同期的18.8亿美元飙到了282亿美元——这个数字已经接近一些中型国家的GDP了。

    美光给第四财季的营收指引是490亿到510亿美元之间——这个数字比很多科技公司的全年营收都高。

    不只是卖芯片，还在投资AI公司

    美光这波业绩爆发，核心驱动力就是AI数据中心对内存芯片的疯狂需求。训练大模型需要海量内存，而这些内存目前只有少数几家供应商能做——美光就是其中之一。

    但美光不只是被动地卖芯片。本周，美光宣布跟AI实验室Anthropic签了一份战略协议，将向Anthropic供应内存和存储芯片。更有意思的是，美光还透露自己参与了Anthropic的H轮融资——虽然没披露具体投了多少钱。

    这个动作很值得玩味。美光不只是把自己定位成”芯片供应商”，而是在往”AI生态合伙人”的方向走。你既要买我的芯片，我还要投你的股票——这种打法，英伟达和AMD估计都在看。

    消费者在为AI买单

    但”RAMageddon”不只是企业的问题。随着需求激增、供应紧张，内存芯片的价格在上涨，而这个成本正在向消费者传导。苹果CEO Tim Cook一周前刚警告说，苹果产品涨价”不可避免”——背后的重要原因之一就是内存芯片涨价。

    换句话说，科技公司在AI上砸的钱，最后有一部分是消费者在买单。你买的新款MacBook Pro贵了300美元，有一部分就是为AI数据中心的内存埋单。

    内存芯片短缺的问题预计会持续到2027年。这意味着美光的好日子可能还会持续一段时间。但反过来想，如果有一天AI内存需求降温，或者新的竞争对手杀进来，美光的股价能不能守住现在的位置，就是个很大的问号了。

    毕竟，从83美元到1048美元只用了一年多，这种涨幅背后积累的风险，可能跟它带来的收益一样大。

  • 这台机器卖4亿美元，全球只有一家公司造得出来——没有它，AI芯片根本造不了

    这台机器卖4亿美元，全球只有一家公司造得出来——没有它，AI芯片根本造不了

    你知道吗，一块英伟达H100芯片背后，站着一台比双层巴士还大、重150吨、售价4亿美元的机器。这台机器来自一家荷兰公司ASML，它垄断了全球90%以上的高端芯片光刻设备市场。没有它，摩尔定律早就死了，这轮AI热潮也无从谈起。

    光刻：把电路图案”印”到芯片上

    芯片制造的核心逻辑是通过光刻将电路图案转移到硅晶圆上。光刻设备的性能核心取决于光源波长：波长越短，可制造的芯片特征尺寸越小。行业长期遵循”升级光源波长—提升数值孔径—再升级波长”的迭代路径。

    从早期400纳米可见光，到193纳米深紫外光（DUV），再到2017年ASML推出首代极紫外（EUV）光刻机——研发花了16年、投入超100亿美元，特征分辨率达到13纳米，售价超1亿美元。那一代机器让摩尔定律又续了命。

    4亿美元一台，它到底长什么样

    新一代High-NA EUV光刻机，特征分辨率达到8纳米——相当于40个硅原子的宽度，是当前可量产的最先进光刻设备。数值孔径从0.33提升到0.55，别看这小数点后面两个数，带来的精度提升是代际级的。

    ASML High-NA EUV光刻机
    ASML的High-NA EUV光刻机，重150吨，体积相当于双层巴士（图片来源：MIT Technology Review）

    这台设备有多大？大小相当于双层巴士，重超150吨，体积超200立方米。内部包含数千条管道、线缆和加压罐，工程师需要通过电梯才能到达设备顶部操作。把这么个大家伙造出来，全球只有ASML一家能做到。

    核心光学系统由德国蔡司供应。新一代反射镜尺寸是上一代的2倍，投影系统重达12吨，是上一代的7倍。镜面光滑度达到蔡司有史以来最高水平——因为EUV光会被几乎所有材料吸收，所以每一层反射镜都必须做到极致光滑，否则光还没到晶圆上就损耗殆尽了。

    EUV光源的产生方式也很疯狂：用激光轰击每秒数万次的熔融锡滴，产生13.5纳米波长的极紫外光。新一代设备的激光轰击频率从上一代的每秒2万次提升至3万次，激光系统规模已经达到填满整个房间的程度。

    ASML首席技术官Marco Pieters说：”我们可以支持客户实现更小的特征尺寸，这为当前AI领域的发展打开了空间。目前我们看到的只是冰山一角。”

    谁在买，谁在等

    4亿美元一台，但芯片厂商还是抢着买。2025年ASML共售出近50台EUV系列光刻机，总营收接近400亿美元，公司市值超5000亿美元。这不是”智商税”，是实打实的产能焦虑——AI数据中心对高端芯片的需求实在太猛了。

    英特尔是首台High-NA EUV光刻机的客户。2024年春季，300名ASML工程师前往英特尔俄勒冈工厂完成设备安装调试。英特尔希望通过率先部署该设备，夺回在芯片制造领域的优势，推进代工业务和台积电竞争。目前设备已用于部分精密组件制造，后续将逐步扩大应用范围。

    台积电则持观望态度，表示会在技术成熟、能为客户带来最大价值时再部署，预计大规模采购要等到2030年之后。台积电的算盘是：现有EUV设备通过多重图案化技术仍可满足需求，且4亿美元的单台成本过高，不如把现有设备的潜力先榨干。

    地缘政治的”霍尔木兹海峡”

    为了阻碍中国发展先进AI芯片，2019年美国政府向荷兰政府施压，禁止ASML向中国出售高端EUV光刻机。这件事在半导体行业里被叫作”也许是最重要的瓶颈”——ASML相当于芯片供应链中的霍尔木兹海峡，掐住它就能掐住全球算力的喉咙。

    中国为此投入数十亿美元研发自主EUV技术。2025年有报道称，中国政府专项研发团队已经造出原型机，但尚不具备工业级量产能力。短期内中国仍然会通过深紫外（DUV）光刻结合多重图案化技术，尽可能挖掘现有设备的潜力。与此同时，中国也在软件层面优化大模型（如DeepSeek等轻量化LLM），用算法弥补硬件算力不足。

    SemiAnalysis分析师Jeff Koch有个判断：中国不需要达到ASML的设备效率，只要能造出每小时仅处理1片晶圆、运行成本极高的设备，中国也会大规模部署，以此摆脱对西方技术的依赖。这话听起来夸张，但放在地缘政治的背景下，并不是没有可能。

    垄断者也有压力

    ASML的垄断地位和高昂的设备成本催生了新的竞争者。目前已有几条路线在试图打破这个格局。

    一条路是中国持续投入巨资研发自主EUV技术，目标实现高端芯片供应链自主可控。这条路最难，但政治意愿最强。

    另一条路是初创公司寻找替代技术路线。美国旧金山初创公司Substrate研发基于粒子加速器产生的X射线光源的光刻设备，宣称可实现和High-NA EUV相同的精细图案制造能力，目标是2030年实现芯片量产，且计划自建晶圆厂，将晶圆制造成本降至1万美元/片（仅为行业预期成本的1/10）。不过该公司暂未公开核心技术细节，外界持保留态度。

    挪威初创公司Lace Lithography则研发氦原子束光刻技术，无需使用光源。氦原子束的精度可达0.1纳米，远低于EUV的13.5纳米。设备功耗更低、体积更小，计划2029-2030年向晶圆厂出售设备。

    ASML高管表示，目前尚未看到可替代EUV、实现大规模量产的可行技术。公司未来将继续挖掘EUV技术的潜力。下一代”Hyper-NA”EUV光刻机的数值孔径将提升至0.75，特征分辨率可达6纳米，预计7-8年后推出原型机，2030年代后期实现大规模量产。同时ASML正在研发标准化平台，让客户可以根据需求在同一尺寸的设备中配置普通EUV、High-NA或Hyper-NA模块，降低晶圆厂的部署成本。

    光刻技术的迭代周期长达数年甚至数十年，ASML的领先地位在短期内难以被撼动。但长期来看，新的替代技术终将出现。到那时候，AI芯片的”霍尔木兹海峡”可能就不再是一个荷兰小镇上的公司了。

  • 孙正义公开质疑马斯克轨道数据中心：这几年AI抢的是地球，不是太空

    孙正义公开质疑马斯克轨道数据中心：这几年AI抢的是地球，不是太空

    孙正义最近在软银股东大会上泼了一盆冷水。事情起因是马斯克一直在推销他的”轨道数据中心”愿景——把数据中心发射到太空，用卫星组成计算星座，从根本上解决AI算力短缺的问题。

    孙正义的回应很直接：在太空建数据中心，降不了什么成本，而且耗时太久。他说：”AI竞赛接下来的几年，远比十年后可能发生的事情重要得多。”

    “在AI的战斗中，接下来的几年远比十年后可能发生的事情重要。”——孙正义

    不只是孙正义一个人怀疑

    TechCrunch的Equity播客最近专门讨论了这个话题。几位资深记者拆解下来，发现这件事比马斯克在X上发几条推文要复杂得多。

    Sean O’Kane提出了一个很犀利的观点：马斯克口中的”轨道数据中心”，本质上是在给SpaceX的发射业务拉更多订单。低轨卫星寿命就几年，要维持一个”数据中心星座”，得不停地发射替换卫星——这不就是给自己的火箭找长期饭碗吗？

    轨道数据中心概念图
    马斯克的轨道数据中心愿景：卫星组成计算星座（概念图）

    Kirsten Korosec则觉得这件事”很讽刺”。软银历史上可是出了名爱下重注的——WeWork就是典型例子。现在孙正义跳出来当 skeptic，多少有点”我吃过的盐比你吃过的饭还多”的味道。

    每个人都在这个过程中”自说自话”

    播客里提到一个很有意思的概念，叫”talking your own book”——翻译过来大概是”只说对自己有利的话”。在AI基础设施这个话题上，几乎每个玩家都有自己的算盘。

    马斯克推轨道数据中心，对SpaceX的发射业务是天大的利好。孙正义质疑轨道方案，是因为软银刚宣布要在法国投75亿欧元建地球上的数据中心——他当然希望算力缺口靠地面解决。Sam Altman也对外表示过对轨道数据中心”不看好”，他和马斯克之间的过节大家都知道。

    • SpaceX推轨道数据中心 → 发射业务直接受益
    • 软银质疑轨道方案 → 地面数据中心投资才是对的路
    • OpenAI/Anthropic表态 → 关心的是算力成本和获取速度

    说到底，这件事没有”客观中立”的观察者。每个人都带着自己的利益在发言，这是读任何AI新闻时都值得记住的一点。

    轨道数据中心到底靠不靠谱？

    把技术问题先放一边，单从时间窗口来看，孙正义说得有道理。AI竞赛的窗口就是这两三年，Google、OpenAI、Anthropic都在拼命抢算力，谁能等得起十年？

    但反过来说，如果轨道数据中心真的能做出来，先发优势会是压倒性的。问题是：技术问题（散热、维修、数据传输延迟）能不能解决？成本能不能降到比地面数据中心更有竞争力？目前看，答案都是”不确定”。