YOHO AI

标签： AI基础设施

  • 内存芯片紧缺让美光赚翻了，AI算力狂潮背后的隐形赢家

    美光内存芯片与AI算力
    美光科技正在从AI内存芯片紧缺中收获惊人的增长

    AI热潮捧红了一堆创业公司和亿万富翁，但它还造成了一个不那么明显的结果：内存芯片严重紧缺。这个问题预计会持续到2027年，而最大的美国内存芯片制造商美光（Micron），正在成为这场”RAMageddon”里最耀眼的赢家。

    从830亿到1.2万亿，美光的股价坐了火箭

    2024年初，美光的股价还在83美元左右徘徊，市值大约910亿美元。而本周，美光的股价已经冲破1048美元，市值站上1.2万亿美元。

    这个涨幅有多夸张？不到两年半的时间，股价翻了超过12倍。带动这一切的核心动力只有一个：AI。

    AI模型对内存的需求是出了名的贪婪。训练要内存，推理也要内存，而且随着模型越来越大，这个需求还在加速。美光作为全球最主要的内存芯片供应商之一，站在了这场需求爆炸的正中央。

    财报数字让人咋舌

    美光本周三收盘后公布了第三财季财报，数字让华尔街分析师集体重新审视自己的模型。营收同比翻了四倍，达到414.5亿美元；净利润从去年同期的18.8亿美元暴涨到282亿美元。

    财报发布后，美光股价当天飙升超过13%。公司对第四财季的指引同样亮眼：预计营收在490亿到510亿美元之间。

    这些数字背后是一个简单的供需逻辑：AI数据中心对HBM（高带宽内存）和企业级DRAM的需求远超供应，美光手里握着的订单已经排到了未来几个季度。

    跟Anthropic绑在了一起

    美光这周还有一件事值得注意：它跟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。更意味深长的是，美光还参与了Anthropic的最新一轮（Series H）融资——虽然它没有披露具体投了多少钱。

    这个动作很有意思。芯片厂商投资AI实验室，本质上是在用资本绑定未来的客户需求。Anthropic现在是Claude的开发者，也是AI领域最炙手可热的公司之一。美光通过投资锁定供应链关系，这步棋下得相当精明。

    消费者也在为内存紧缺买单

    内存芯片紧缺不只是企业端的问题，它正在向消费端传导。苹果CEO库克一周前刚警告说，苹果产品涨价已经不可避免——背后的重要原因之一就是内存成本飙升。

    这波涨价会落到每一个买手机、买电脑的消费者头上。AI很酷，但买单的不只是科技巨头，还有每一个普通用户。

    美光的狂欢能持续多久？这个问题没有确定答案。内存芯片行业的周期性是出了名的，供不应求可以在几个季度内变成供过于求。但至少在目前，AI算力扩张的势头还没有放缓的迹象，美光的好日子可能还会持续一段时间。

    对于那些还在犹豫AI基础设施投资机会的人来说，美光的股价走势提供了一个参考：在AI浪潮里，不一定非要去投模型公司，给这些公司提供”粮食”的芯片厂商，可能是更稳的赌注。

  • Databricks前AI负责人创业：用振荡器架构把AI电费砍到千分之一

    AI最烧钱的不只是显卡，还有电费。训练一次大模型，数据中心消耗的电够一个小城市用一天。推理规模上去之后，这笔运营成本更是惊人。

    Naveen Rao见过这笔账。他曾任Databricks的AI负责人，现在出来创业，公司名叫Unconventional AI。他们的目标听起来像吹牛：把AI推理的功耗降低1000倍。

    用的不是更先进的芯片制程，而是一套完全不同的计算机架构——基于振荡器的计算方式。

    未来感AI芯片架构概念图
    Unconventional AI的振荡器架构概念图 | 图：AI生成

    一声”hello world”

    本周，Unconventional发布了第一个AI模型Un-0，一个图像生成工具。输出质量跟Stable Diffusion、OpenAI的GPT Image 1相当，但底层计算方式完全不一样。公司在论文里说，他们用软件模拟了振荡器芯片架构，在上面跑通了完整的图像生成模型，性能不输当前最先进的扩散模型。

    Rao跟TechCrunch说：”这是新型计算机的一声’hello world’。接下来一年，你会看到一些相当有意思的消息。”

    振荡器架构简单说就是用电子振荡器的物理特性做计算，而非传统晶体管的开关逻辑。这个想法在神经形态计算领域已经存在多年，但做出跟主流AI模型兼容的实用系统，Unconventional可能是第一家。

    AI scaling难，因为能源就摆在那里。这会是未来几年的根本限制，你绕不过去，归根结底是个能源受限的问题。

    50人的团队，1000倍的野心

    当然，Un-0目前还跑在软件模拟器上。真实芯片的设计图很快就会公开。公司的计划是：先开源芯片设计，然后自己搭完整的推理栈——芯片、系统、算力供应一条龙。

    Rao说：”我们会用我们的芯片搭建一套新系统，在上面跑AI模型。提示词从网线进来，推理结果从那边出去——但耗电量只有现在的千分之一。”

    这家公司目前不到50个人。从论文和软件模拟器到真实可用的芯片系统，中间隔着的东西太多了。但Rao不是随便说说的人——Databricks的AI业务是他亲手带起来的。

    如果Unconventional真的能做到他们声称的事情，整个AI数据中心的经济账就要重算了。全球在AI基础设施上的投入以千亿美金计，电费是其中越来越大的一笔。把这笔成本砍掉99.9%，意味着什么不言而喻。

    接下来一年，真实硬件会出来。到时候就知道，这个1000倍是营销话术还是真的。

  • 帮AI云提速的网络自动化公司Netris，刚拿了a16z的1500万美元

    AI neocloud网络自动化概念图
    Netris平台提供数据中心网络抽象与硬件加速自动化（图源：Netris）

    AI热潮之下，人人都想开数据中心。问题是，GPU买到了，机房租好了，真正能把集群跑起来、开始对外提供算力服务，中间还有很长一段路。

    网络配置、存储对接、多租户隔离——这些脏活累活能把一支工程师团队耗上好几个月。而GPU这东西，闲着就是烧钱。谁先上线，谁就能先产生收入。

    不是SDN，是硬件加速的”SDN”

    Netris做的事情很简单：让数据中心网络配置自动化。他们的软件跑在网络交换机上，把设置、配置、日常运维全部自动跑起来，帮neocloud运营商把上线周期从几个月压缩到几周甚至几天。

    CEO Alex Saroyan说了一句很实在的话：AI场景下的网络，纯软件方案不够用，流量太大了，必须硬件加速。传统数据中心用的SDN（软件定义网络）在AI时代已经跟不上了。Netris提供的就是”像SDN一样灵活、但是完全硬件加速”的方案。

    “AI不是确定性的，它有时候会自己’发挥’，做创意工作很好，但改几千条交换机配置的时候，你不需要它有创意，你需要它非常稳定、可重复。”——Netris CEO Alex Saroyan

    Nvidia先成了他们的推销员

    这个故事最有意思的部分在这里：两年前，Nvidia看到Netris的演示后印象深刻，主动把这家公司推荐给了自己的好几个客户。

    目前Netris已经在全球35个以上的GPU集群上线，涵盖约100万颗GPU，客户名单里有Lightning AI、Foxconn、HPE、Tensorwave、Telus等。Nvidia自己不做这块，但它知道客户有这个痛点，所以帮Netris打开了门。

    Netris的平台是供应商中立的，不管用的是Nvidia还是AMD的服务器，都能跑。这对neocloud运营商来说是个实用的卖点——他们往往同时跑多种硬件。

    a16z为什么要投

    Neocloud这个概念火了以后，市场上冒出了不少玩家——专门做AI推理或训练的云服务商，跟AWS、Azure这种大厂错位竞争。但这些玩家很多是AI或算力公司出身，网络这块并不是他们的强项。

    Netris相当于给这些neocloud提供了一套”开箱即用”的网络自动化平台。a16z合伙人Guido Appenzeller将加入Netris董事会，他在声明里提到，AI基础设施的下一波竞争，很大程度上会落在谁能更快、更高效地把算力交付给客户。

    顺便说一句，Netris成立已经8年了，做网络自动化比AI boom早得多。他们用的都是自研算法，没有往里面堆大模型。Saroyan的态度很明确：改交换机配置不需要AI来”创意”，需要的是稳定和执行力。

    • Netris此轮融资1500万美元，由a16z领投
    • 平台已在35+个GPU集群、约100万颗GPU上部署
    • 核心差异化：硬件加速网络自动化，适配Nvidia和AMD环境
    • Nvidia曾主动向客户推荐Netris

  • Amazon向印度追加130亿美元，全球AI军备竞赛打到南亚了

    Amazon印度AI数据中心概念图
    Amazon宣布向印度追加130亿美元AI基础设施投资 | 概念图

    Andy Jassy这次去新德里，不只是拜访总理莫迪那么简单。6月25日，Amazon宣布将在2030年前向印度追加130亿美元的AI和云基础设施投资，重点是扩建AWS在孟买和海得拉巴的数据中心容量。

    这是Amazon三年内对印度做出的第三笔重大承诺。2023年Jassy与莫迪会面后，公司宣布到2030年投资150亿美元（其中127亿给AWS）；2025年12月又追加了超过350亿美元。三笔加起来，Amazon在印度的总投资承诺现在已经到了480亿美元。

    科技公司的长期投资承诺通常既包括资本支出，也包括运营支出，并不全是新基础设施的投入。但480亿美元这个数字本身，已经足够说明Amazon对印度市场的押注力度。

    不只是Amazon在押注印度

    全球科技巨头正在排队往印度砸钱。微软去年12月说要在2029年前投175亿美元，谷歌去年10月承诺花150亿美元建AI枢纽和数据中心基础设施。除了美国公司，澳大利亚的AirTrunk承诺投300亿美元在印度建5GW的AI数据中心，加拿大养老金投资局也进来了。

    印度本土财团也没闲着。Reliance Industries今年2月公布了1100亿美元的AI投资计划，Adani Group承诺投入1000亿美元建AI数据中心。印度政府也在推政策激励，对新德里去年预算中提出的措施——对外国云厂商从印度数据中心销往海外的工作负载，提供至2047年的税收豁免。

    Amazon的另一条战线：即时零售

    基础设施之外，Amazon也在印度零售战场上加码。公司计划今年新开20多个履约中心、超过100个最后一英里配送站，同时把即时零售服务Amazon Now扩展到全国300多个城市。

    这个市场已经很挤了。Eternal旗下的Blinkit、Swiggy的Instamart、Zepto，还有沃尔玛旗下的Flipkart都在抢。Flipkart本周还说要在2026年底前在全印度开1500个微型履约中心。

    Amazon这次把AWS基建和零售物流两件事放在一起宣布，意图很明显：既要做印度AI的基础设施层，也要做面向消费者的最后一公里。这种打法在其它市场也有，但在印度同时推进，考验的是执行力和本地化深度。

  • OpenAI拿出第一块自研芯片，但它不想和你聊参数

    终于不再只靠英伟达，OpenAI拿出第一块自研芯片

    OpenAI昨天（6月24日）正式发布了首款自研AI芯片”Jalapeño”，这是一块与博通（Broadcom）合作开发的ASIC专用集成电路，专门用来跑AI推理任务——也就是处理你发给ChatGPT的那些请求。

    距离OpenAI官宣与博通合作造芯片，刚好过去了九个月。背后的算盘其实很清楚：减少对英伟达GPU的依赖。现在AI芯片紧缺，各家都在想办法摆脱”英伟达税”，微软、Meta、亚马逊也都在这条路上跑了，只是性能暂时还追不上英伟达。

    博通CEO Hock Tan在接受路透社采访时说，Jalapeño的性能可以对标英伟达的Blackwell芯片和谷歌的TPU。

    这里得解释一下，Jalapeño是一块ASIC芯片，意思就是它为特定任务而生——AI推理。推理和训练是两回事：训练是让模型”学东西”，需要吞掉海量数据；推理是用训练好的模型去回答用户问题、跑Codex这种智能体。推理芯片的要求和训练芯片不太一样，OpenAI选择从这个场景切入，算是一步稳棋。

    OpenAI把这块芯片称为”多代计算平台的第一步”，预计2026年底之前部署上线。官方说法挺克制：”虽然还在测最终性能，但早期测试显示Jalapeño的每瓦性能会比当前最先进的芯片明显更好。”

    OpenAI自研芯片Jalapeño
    OpenAI首款自研AI芯片Jalapeño，专为推理任务设计（配图为OpenAI办公室）

    这件事的意义不止于”OpenAI有了自己的芯片”。它折射出的是整个AI行业对算力的焦虑：大家都想摆脱对单一供应商的依赖，都在自研芯片这条路上加码。问题是，英伟达的护城河不只是芯片本身，还有CUDA生态——这块Jalapeño到底能不能在实际 workload 中打过Blackwell，还得等真正部署之后才能见分晓。

    有意思的是芯片名字Jalapeño（哈雷佩尼奥辣椒）。OpenAI内部给项目起食物名字不是第一次了，之前GPT系列的内部代号也用过料理-Related命名。这种做法让一家AI巨头看起来没那么”钢铁直男”，虽然本质上这还是一场算力争夺战。

    顺带一提：如果你在关注AI基础设施这条线，这块芯片值得记住——它不一定会颠覆英伟达，但会让OpenAI在和云服务商谈判时多一张牌。推理成本如果能压下来，ChatGPT的定价逻辑可能也会跟着变。

  • 英伟达说它的AI数据中心可以不用水了

    英伟达说它的AI数据中心可以不用水了

    AI数据中心耗水这件事，过去一年里被翻来覆去地骂过了。从美国中西部 farmers 抱怨地下水被抽干，到环保组织把数据中心称为”数字吸血鬼”，舆论的压力终于让产业链里最有话语权的人坐不住了。

    英伟达在本周的一篇博客里给出了自己的答案：把数据中心的设计改成100%液冷，同时让服务器运行在更高的温度——最高到45摄氏度（113华氏度）。两套组合拳打下来，英伟达说，传统冷却塔系统每兆瓦每年要耗掉约260万加仑水，而新设计可以”把用水量降到接近零”，最高减少100%。

    热一点，反而省水

    这套设计的核心逻辑其实不难理解。传统数据中心用冷却塔把热量排到水里，水被加热后蒸发，带走热量——但这也意味着大量的水就这么没了。英伟达的Rubin代参考设计改用了全液冷：热量在芯片上就被”抓住”，通过液体回路传递出去，而且液体本身可以跑很高的温度。

    温度越高，室外的干式冷却器就越容易把热量排出去——因为温差大了。结果是，一年里有大部分时间，根本不需要用水来冷却。英伟达的可持续发展负责人乔什·帕克说，从传统冷却塔系统的约260万加仑/兆瓦/年，可以降到”接近零”。

    “热量在芯片上被直接捕获，通过液体回路以高得多的温度传输，让室外干式冷却器在一年中的大部分时间里都能高效排热。”——英伟达官方博客

    不是所有人都买账

    当然，英伟达的这篇博客出来之后，质疑的声音也不少。Gizmodo的文章就指出了一个很现实的问题：英伟达没有提这套液冷数据中心的建设成本比传统风冷贵多少。如果贵到大部分公司不愿意改，那”参考设计”再好也就是个参考。

    另一个更根本的问题是，数据中心耗水只是它环境足迹的一部分。建设过程中混凝土和钢材的碳排放、运行时的耗电量（哪怕水冷更有效率，AI训练本身还是要吃大量电力）、还有为这些数据中心配套的新增发电能力——这些都没有因为液冷而消失。

    换句话说，英伟达解决了一个真实但局部的问题。至于整个AI基础设施是不是在一条不可持续的发展路径上狂奔，那是另一篇文章的话题了。

    亚马逊也在做类似的事

    英伟达不是唯一一个在这个方向上发力的人。亚马逊最近也高调宣传了自己数据中心的”更高耐热 tolerance”设计，通过让服务器允许运行在更高温度，减少冷却所需的能量和水。只不过亚马逊的数据中心大部分还是风冷的，改进幅度没有英伟达的100%液冷那么激进。

    有意思的是，英伟达在博客里说”每一个为Rubin代建设云服务和数据中心的运营商都在做这个转型”。如果这是真的，那意味着从2026年开始，新建的大型AI数据中心会大规模转向液冷——这对那些还在用老设计的公司来说，可能会面临越来越大的舆论和客户压力。

    Nvidia液冷AI数据中心设计
    英伟达Rubin代参考设计，100%液冷方案 | 图源：Nvidia

    这件事的真正意义

    把这件事放在更大的背景里看，它其实标志着AI基础设施竞争的一个新阶段。过去大家比的是谁的芯片快、谁的模型准，现在开始有人比谁的数据中心更”干净”了。

    这对消费者来说可能是无感的——你不会因为你用的AI服务跑在液冷数据中心里就觉得它更好用。但对那些正在被数据中心”围困”的社区来说，这是一个实实在在的差异。如果英伟达的说法经得起独立验证，那它至少给行业指出了一条路——AI不一定非要以耗尽当地水资源为代价。

    当然，路有了和大家都走，是两回事。成本、标准、监管，这些才是决定液冷能不能真正普及的关键。英伟达开了口，接下来要看云服务商们跟不跟了。

  • Nvidia说数据中心水问题”基本解决了”，但算盘打错了地方

    Nvidia数据中心水冷却系统
    Nvidia推出新型温水冷却系统

    Nvidia最近高调宣布了一套温水冷却系统，声称能大幅减少数据中心的水消耗——按照Nvidia一位高管的说法，这套系统能消除数据中心内部”几乎所有的水消耗”。听起来很美，对吧？

    Nvidia的首席可持续发展官Josh Parker甚至直接跟Axios说：”数据中心的水消耗挑战基本解决了。”这话挺大的。

    数据的”边界游戏”

    问题出在哪儿？关键在于Nvidia怎么算数据中心的耗水。按照这家公司的算法，它们给数据中心画了个圈——圈里面的算，圈外面的不算。

    说白了，Nvidia这套系统确实能在数据中心内部兑现承诺——冷却液在封闭循环里跑，只需要加一次水，然后就能一直循环使用下去，芯片冷却不需要消耗新水。在气候合适的地方，这一招能做到现场耗水减少100%。

    但数据中心外面呢？主要是发电和芯片制造这两个环节，它们消耗的水可能会让整个设施的总水足迹翻倍甚至三倍。这意味着，Nvidia的解决方案大概只能覆盖AI数据中心总耗水量的四分之一到三分之一。

    发电才是耗水大户

    这套系统的巧妙之处在于，它把冷却液泵进机架时的温度设在了45°C。对人类来说这挺热的，但对芯片来说不算啥。冷却液穿过服务器之后，出来的时候已经升到了55°C，带走了大量热量。

    在这个温度下，大多数气候区的室外空气都能通过被动散热器把热量带走，不需要蒸发冷却，在某些情况下连风扇都不需要。没有风扇和冷水机组的数据中心不仅更省水，效率更高，也更安静。

    可问题是，任何数据中心都离不开电力供应，而许多类型的发电厂本身就是耗水大户。美国的化石燃料发电厂是最大的水用户之一，每天消耗27亿加仑水，大部分都用来做蒸发冷却了。

    天然气发电厂每发一度电要消耗1.17升水，煤炭电厂更夸张，要2.2升。根据IEA的数据，化石燃料发电厂目前约占数据中心总供电量的一半。

    可再生能源才是真解

    水电大坝供了大约10%的数据中心电力，它消耗水的方式不太一样——水库蒸发掉的水，平均每度电要损失6.8升。地热能的数字则差异很大，取决于具体技术路线。

    相比之下，风能和太阳能的水消耗小到可以忽略——分别只有每度电0.01升和0.03升，这还包括了制造和清洗面板用掉的水。

    IEA预测，虽然可再生能源在新装机容量中的占比在不断提升，但到2030年，天然气和煤炭仍将满足超过40%的数据中心新增电力需求。如果这条轨迹不出现重大变化，那么无论Nvidia在数据中心围墙里面做什么，数据中心整体还是会消耗大量水。

    Nvidia的冷却系统是个不错的进步，但它解决的是局部问题。要想真正把AI的水足迹降下来，得从电力供应这个根子上动刀。

  • SpaceX把Colossus算力租给Reflection AI，开源阵营终于有大玩家了

    马斯克的SpaceX最近又签了一笔大单。这次的买家是Reflection AI——一家成立才两年的开源AI实验室。合同金额不算夸张，每月1.5亿美元，从今年7月算起，一直签到2029年7月，总价值63亿美元。

    这个数字听起来很大，但放在SpaceX的算力出租业务里只能算中等。Anthropic每月付12.5亿美元，Google每月付9.2亿美元，Reflection的1.5亿连零头都不到。当然，对于一家还没有正式发布产品的创业公司来说，能拿到Colossus 2数据中心的算力配额，本身就是一种背书。

    SpaceX xAI Logo
    SpaceX的Colossus数据中心现在向外部AI实验室开放算力租赁（图源：TechCrunch）

    开源AI的生存逻辑

    Reflection AI的两个创始人都是从Google DeepMind出来的，2024年创业，主打一个”开源对抗封闭”的叙事。他们的逻辑很简单：Anthropic和OpenAI那种黑箱模型，你根本不知道它怎么想的，也不让你改。Reflection要把模型权重公开，让企业和政府自己去部署、去审计、去改。

    这个叙事在政府禁令出来之后突然变得很值钱。美国那边刚把Anthropic的Fable和Mythos两款闭源模型给禁了，理由是”国家安全”。结果这一禁，反而让不少人开始认真看开源替代品。你总不能连开源模型也禁吧？那跟把所有螺丝刀都管制起来没区别。

    Reflection自己的声明说得很直白：”最近的事态说明开源对AI生态有多重要。越来越多的国家和企业意识到，只依赖闭源模型是有风险和成本的。”这话翻译过来就是：谢谢政府的神助攻。

    Colossus到底是谁的？

    这里有个细节挺有意思。Colossus数据中心最早是xAI建的——就是马斯克那家AI公司，Grok的大本营。后来xAI并进了SpaceX，数据中心也就归了SpaceX。所以现在的情况是：SpaceX拿着这批英伟达最新的GB300芯片，自己用不完，也不想全用来训Grok，干脆租给外面的人。

    Anthropic租了，Google租了，现在Reflection也租了。马斯克一边公开骂Anthropic的模型有安全问题，一边收着人家的租金，这个画面多少有点微妙。不过做生意归做生意，马斯克最近公开说那些长期合同”随时可以取消”，这是在向谁表态，大家心里都有数。

    63亿美元能买到什么

    Reflection拿到的是”立即访问权”——Colossus 2数据中心里的最新GB300芯片和配套硬件，从7月1日起就用。合同写了双方都可以在头三个月之后提前90天通知终止，这个条款基本上是照抄Anthropic和Google的合同模板。

    对Reflection来说，这笔钱花得值不值，取决于它能不能在接下来三年里做出真正能打的开源模型。现在开源阵营里最强的是DeepSeek，但DeepSeek是中国公司，在美国市场多少有点尴尬。Reflection如果能在美国做出一个同等水平的开源模型，机会是有的。前提是钱够烧、算力够用、人够聪明。

    63亿美元听起来很多，但摊到三年里，每月1.5亿，也就是每年18亿。Anthropic每年烧的钱比这个只多不少。AI军备竞赛的入场券，就是这么贵。

  • SK海力士把三星拉下马了，AI存储器大战的真正赢家终于浮出水面

    6月22日，韩国股市发生了一件历史性时刻——SK海力士以1.35万亿美元市值超越三星电子，成为韩国市值最高的上市公司。三星自2000年以来占据这个位置已经超过四分之一个世纪，这次被超越，本质上是AI浪潮把一家差点破产的内存厂商推上了王座。

    SK海力士与AI芯片
    SK海力士成为韩国市值最高公司，AI存储器需求是核心驱动力 图：生成配图

    从垃圾股到AI宠儿

    把时间拨回2002年，当时的海力士半导体（SK海力士前身）深陷债务危机，几乎要把自己卖给美光，交易最后黄了，公司进入债权人管理状态长达近十年。2003年，它的股价跌到最低的135韩元，在韩国被戏称为”东田株”（便士垃圾股）。

    谁也没想到，二十几年后，这家曾经的差点破产的企业，会成为AI时代最大的赢家之一。驱动力很简单：HBM（高带宽内存）。这种专门服务于AI训练和推理的高端内存芯片，是英伟达和谷歌等巨头AI系统的核心组件，而SK海力士在这个细分市场的份额高达61%。

    SK海力士今年以来的股价涨幅超过340%，AI浪潮把它从破产边缘直接送上了韩国市值第一的宝座。

    AI重新定义了内存芯片的价值

    过去，内存芯片是典型的周期货——DRAM和NAND闪存的价格大起大落，所有厂商一起卷产能、卷成本，利润薄得像纸。但AI改变了一切。HBM不是普通内存，它是垂直堆叠的超高带宽内存，专门为GPU和其他AI加速器设计，技术门槛高得多，利润率也完全不在一个量级。

    SK海力士几乎独占了HBM3和HBM3E的高端市场，英伟达最新的H100/B200训练集群用的就是它的芯片。与此同时，三星虽然在努力追赶HBM4，但进展并不顺利——有出口数据显示，三星的HBM4产品可能还需要一段时间才能真正量产交付。

    业绩反转的力度

    数字最能说明问题。2023年，内存行业的严重低迷让SK海力士报出了7.73万亿韩元的年度营业亏损。仅仅一年后，AI boom全面爆发，微软、谷歌、Meta疯狂采购AI芯片，SK海力士直接录得23.5万亿韩元的年度营业利润，创下历史纪录。

    这种反转速度在半导体行业也不多见。美利兹证券的高级分析师Kim Sunwoo说得很直白：”定制化AI内存的出现从根本上改变了行业的经济规律，让SK海力士得以确立市场领导者的地位。”

    三星为什么掉队了

    三星的业务比SK海力士复杂得多——它不光做内存，还做逻辑芯片和整机电子产品。在AI内存这个细分赛道上，三星的动作明显慢了半拍。HBM需要先进的封装技术，而SK海力士在这个领域积累了更多经验。等到三星反应过来，SK海力士已经把英伟达和谷歌这两大客户牢牢握在手里了。

    6月22日当天，SK海力士股价上涨5.7%，市值达到2082.5万亿韩元（约1.35万亿美元），而三星电子的市值停在2081.3万亿韩元。差距不大，但象征意义极强——AI时代，卖”更专业的芯片”比卖”更多的芯片”更值钱。

  • 微软不再只靠OpenAI了，它悄悄练出了一套自己的AI模型

    Microsoft MAI AI模型
    微软在Build 2026上发布的MAI模型家族，标志着AI战略的重要转向（配图由AI生成）

    Microsoft和OpenAI这对搭档，这几年几乎绑定在一起。Copilot用的是OpenAI的模型，Azure上跑的是OpenAI的API，连Windows里的AI功能都离不开GPT的底层支持。但这种关系正在起变化。

    在上个月的Build 2026大会上，微软悄悄干了一件大事——它发布了一套完全自研的AI模型家族，名字叫MAI（Microsoft AI）。其中最值得说的是MAI-Thinking-1，这是微软第一个自己从头训练的推理模型。

    说”从头训练”很重要。现在很多公司做模型都是拿别人的前沿模型来蒸馏，相当于抄作业。微软这次说的是，他们的训练数据是干净的，没有从第三方前沿模型里蒸馏，是自己从零开始训的。

    MAI-Thinking-1：350亿参数，MoE架构

    MAI-Thinking-1有多大？微软给的数字是350亿活跃参数。这里说的是”活跃参数”，因为模型用了MoE（混合专家）架构——每次推理只激活需要的部分，不用把整个模型都跑一遍。这样做的好处是效率高、成本低。

    性能方面，微软说它在SWE-Bench Pro上的表现跟Claude Opus 4.6差不多，但成本要低很多。GitHub的运营负责人Kyle Daigle说这个模型是冲着”高性能高效率”去的，token价格会很有竞争力。

    一口气发了7个模型

    但光有一个推理模型还不够。微软这次一口气发了7个模型，覆盖了文本推理、代码生成、图像生成、语音转文字、文字转语音整个链路。

    • MAI-Code-1-Flash：专门给GitHub Copilot和VS Code用的代码模型，主打推理效率高，适合大规模跑
    • MAI-Image-2.5：做文生图和图像编辑，在Arena.ai的图像榜单上排第二，微软说它是市面上性价比最高的图像模型
    • MAI-Voice-2：多语言语音合成，支持15种语言，还能保留说话人的声音特征
    • MAI-Transcribe-1.5：语音识别，支持43种语言，速度是同类模型的5倍

    为什么要独立？三个原因

    这些模型现在有的已经上线Microsoft Foundry，有的还在私人预览阶段。但方向已经很清楚了：微软要把AI的每一层都掌握在自己手里。

    这件事的背后是微软和OpenAI合作条款的重新谈判。新协议签下来，微软访问OpenAI模型和技术授权到2032年，但这个授权变成了非独占的——OpenAI可以卖给别人，微软也可以自己搞。

    微软为什么这时候要独立？有三个原因说得通。第一，不能把命门捏在一个外部供应商手里。第二，自己的模型可以针对自己的产品、硬件、企业客户做优化，不用迁就别人的路线图。第三，也是实在的，跑自己的模型可以省掉一大笔给第三方模型提供商的分成。

    AI操作系统的一步棋

    更值得关注的是，微软还在做一个叫Scout的永远在线的AI助手，基于OpenClaw开源项目。这东西能帮你准备会议、管日程、起草邮件，是往”AI操作系统”方向走的一步棋。有意思的是，微软之前一直把自主AI智能体当成安全风险来看，现在直接把它做成了产品功能。

    硬件端也在布局。微软发布了Surface RTX Spark开发者盒子，用Nvidia的芯片，让开发者可以在本地跑和测试模型。还有能在Windows PC上直接跑的Aion小模型，以及跟高通一起做的基于Android的AI设备原型。

    这些动作串在一起，看得出来微软的算盘：它不想只当OpenAI的分销渠道，它要自己做模型、自己做智能体、自己做硬件、自己做企业AI平台。对用微软产品的公司和开发者来说，这意味着以后会有更多选择，也可能用上更便宜的AI能力。