80286处理器的历史地位与产品特性 - 英特尔于1982年推出80286处理器，该产品被公司称为“惊艳之作”和“彻底颠覆了微处理器在个人计算领域应用前景”的主打产品 [2] - 80286是一款16位、完全兼容x86软件的CPU，在性能和架构上比前代8086/8088有显著提升，一直生产并应用到20世纪90年代 [2] 80286处理器的技术规格与性能 - 处理器设计采用134,000个晶体管，架构为16位，内部使用24位运算 [4] - 是第一款具有保护模式和内存管理单元（MMU）的x86 CPU，对OS/2和Unix等高级操作系统的多任务处理非常友好 [4] - 最大寻址内存从8086的1MB提升至16MB，并可选配80287数学协处理器以加速CAD、电子表格等应用的浮点运算 [6] - 在相同时钟频率下，其速度比前代8086快100% [6] - 运行频率最终被提升至25 MHz，而典型8086频率为5 MHz，最强版本为10 MHz，因此最终286 PC的性能可能比8086提升300%到500% [6] 80286的市场推广与产业影响 - 处理器发展势头在1984年IBM推出PC/AT标准后显著增强，该标准催生了克隆机浪潮，并重新定义了IBM PC为灵活的商用工作站 [7] - 到1988年5月，英特尔Fab 3工厂已生产并出货1000万颗80286芯片 [7] - 286系统凭借大众化定价和“足够好”的性能，使其向下一代80386处理器的过渡较为缓慢，高速兼容机帮助其维持了市场占有率 [7] 80286的衰落与市场更替 - 当时主流操作系统DOS未能充分发挥386处理器的潜力，其统治地位加上价格差距阻碍了386的普及 [8] - 英特尔推出价格更亲民的386SX处理器，使得286的成本优势在1991年左右开始消失 [8] - 1992年Windows 3.1发布，取消了实模式支持并将最低配置要求更新为386SX处理器，最终将286处理器淘汰出局，巩固了Wintel的霸主地位 [8]

人工智能半导体市场增长趋势 - 人工智能半导体正推动半导体市场前所未有的增长，预计到2025年将占总销售额的近三分之一，到2029年占比将超过50% [1] - 算力芯片需求激增是AI产业发展的巨大牵引力和增长极 [1] AI芯片产业供需格局 - AI芯片商业闭环的良性发展需要芯片企业提供高性价比、高能效比、高易用性、高稳定性的产品，英伟达和AMD因领先的软硬件布局成为早期赢家 [2] - 国内外互联网巨头是AI算力的关键“大买家”，海外四大超大规模数据中心运营商（微软、Meta、Alphabet、亚马逊）的资本支出预计从2025年的约3500亿美元增至超过4700亿美元 [3] - 国内方面，预计到2028年，字节跳动、阿里巴巴和腾讯的AI资本支出将占据中国AI资本支出的近50% [3] - 能否持续获得更多加速卡成为大厂的头等大事，促使企业采取多管齐下的算力获取策略，包括自研、采购与合作 [4] 中国AI产业的算力合作模式 - 由于获取国际领先算力受限，国内算力需求方需要可靠优质的AI芯片供应商，算力提供方与使用方的强合作成为破局关键 [4] - 腾讯与燧原科技的合作被视为国产智算产业发展的新样本，双方经历了从验证到深度战略合作的阶段，形成了稳定的合作关系 [4][5] - 燧原科技自研迭代了四代架构5款云端AI芯片，构建了覆盖芯片、加速卡、集群和软件平台的完整产品体系 [5] - 燧原科技为腾讯多个国民级应用提供国产算力支持，例如基于其推理卡的方案降低了Agent部署门槛，应用于AI换装、聊天机器人、代码生成等场景 [5] - 基于燧原芯片构建的甘肃庆阳超大规模推理集群接入了腾讯专有云平台，纳管超过1200个算力节点，为数十家算力用户提供支持 [6] - 通过与腾讯的合作，燧原科技获得了丰富的人工智能应用场景，并提升了服务其他客户的能力 [6] AI芯片公司的“单一大客户”现象 - 燧原科技对前五大客户的销售金额占营业收入比例极高，报告期内分别为94.97%、96.50%、92.60%和96.41%，其中对腾讯的销售占比从8.53%增长至71.84% [8] - 客户集中度较高在行业内普遍存在，例如寒武纪第一大客户营收占比79%，海光信息前五大客户营收占比98.17%，摩尔线程前五大客户营收占比98.16% [9] - 高研发投入是行业特点，燧原科技2022年至2024年及2025年前三季度的研发费用分别为9.88亿元、12.29亿元、13.12亿元、8.9亿元，占各期营业收入比例高达1096.12%、408.01%、181.66%、164.77% [9] - “单一大客户”现象被视为AI芯片企业发展过程中的必经阶段，是与大客户协同研发、优化产品的重要过程，也是未来拓展更多客户的基础 [8][9] - 燧原科技在深化与腾讯合作的同时，也在拓展政企、智算中心及网络运营商等领域的客户 [10] AI芯片行业竞争态势 - AI芯片赛道玩家众多，即使英伟达也通过投资和收购加高护城河以应对市场变化 [10] - 国内AI智算产业竞争加剧，硬件快速迭代、软件系统优化、芯片产能稳定是企业持续获得市场认可的关键要素 [10]

传闻中的苹果与英特尔潜在合作 - 市场传闻称英特尔可能重回苹果供应链，为2027年出货的入门级M系列芯片和2028年出货的非Pro版iPhone芯片提供18A-P工艺制程 [2] - 报告指出苹果定制的ASIC（预计2028年推出）将采用英特尔的EMIB封装技术 [2] - 苹果已与英特尔签署保密协议，并获得了18A-P工艺的PDK样品用于评估 [2] 苹果定制AI服务器芯片进展 - 苹果与博通合作开发首款AI服务器芯片，内部代号“Baltra”，最新报告显示其交付时间可能推迟至2028年 [3] - 此前有报道预计该芯片将于2027年正式出货 [3] 英特尔工艺技术特点与潜在挑战 - 英特尔的18A-P工艺是其首个支持Foveros Direct 3D混合键合技术的节点，允许通过硅通孔堆叠多个芯片 [3] - 与台积电策略不同，英特尔在其尖端的18A和14A制程节点上全面采用了背面供电技术 [3][4] - 背面供电技术通过背面更短、更粗的金属路径供电，可降低电压降，允许更高、更稳定的工作频率，并释放正面布线资源以提高晶体管密度或减少拥塞 [5] 业内对合作可能性的质疑 - 业内人士在SemiWiki论坛发表评论，对英特尔代工苹果iPhone芯片的可能性表示悲观，核心在于其18A和14A节点全面采用背面供电技术 [3] - 对于移动芯片，背面供电带来的性能提升有限，但会导致更严重的自热效应，需要对芯片进行额外的冷却 [5] - 所需的散热器必须在热点区域保持比芯片温度低约20°C的温度，这在许多依赖空气冷却或有最高允许外壳温度的应用中难以实现 [5] - 基于散热问题，业内人士认为英特尔近期内“几乎不可能”为苹果生产iPhone芯片，但M系列处理器或许仍有可能 [5] 英特尔业务发展动向 - 英特尔正准备建立一个专门的ASIC部门，以帮助企业流片定制芯片，满足其独特需求和工作负载 [3]

全球AI/HPC芯片竞赛进入2纳米世代 - 全球AI与HPC芯片竞赛正式迈入2纳米世代，台积电已启动“备战模式”[2] - 英伟达执行长黄仁勋与台积电高层餐叙，市场解读为科技巨头“卡位先进制程”大战一触即发[2] 台积电2纳米制程需求与产能 - 台积电董事长魏哲家表示，客户对2纳米的需求强到“做梦也想不到”[2] - 供应链指出，台积电N2产能几乎已被一线客户预订完毕[2] - 市场预估台积电2纳米家族将成为大型且长生命周期节点，一开始规模就有望大于3纳米[3] - 2纳米于2026年进入量产爬坡，下半年将推出延伸版N2P及A16[3] 主要客户采用时间与规划 - AMD计划今年起以2纳米打造CPU[2] - 谷歌计划明年第三季、AWS计划明年第四季竞相导入2纳米[2] - 英伟达预计将以弯道超车之姿，率先采用A16制程[2] - 英伟达计划在2028年推出“Feynman AI”GPU，预计导入晶背供电技术的A16制程[2] - 明年开始通用型GPU、ASIC将全面放量，例如AMD MI系列GPU、谷歌第八代TPU、AWS Trainium 4[2] 技术节点竞争与重要性 - 台积电2纳米制程是半导体产业从FinFET迈向GAAFET架构的重大转折[2] - 芯片业者分析，未来高阶AI芯片若仍停留在N3甚至N4节点，等同直接丧失高阶市场入场券[3] 先进封装技术发展 - 随着AI芯片全面进入多晶粒与超大封装尺寸时代，单颗芯片已难以满足算力需求[3] - CoWoS-L、SoIC、Hybrid Bonding几乎成为标准配备[3] - 台积电今年CoWoS月产能挑战年增7成以上，并逐步验证更高阶的CoWoP、CPO次世代技术[3] 行业面临的瓶颈 - 2/3纳米先进制程都面临瓶颈，HPC与行动芯片争抢产能[2] - 供需失衡是目前最大的瓶颈，包括2纳米晶圆制造以及“能做出高良率的大型系统级封装”[3]

公司股价与市值表现 - 周四，Tower Semiconductor股价再次飙升，推动其市值突破150亿美元 [2] - 过去六个月，公司股价上涨超过160%，今年大幅上涨使其估值倍数甚至超过了英伟达 [4] - 当前市值约为英特尔两年前放弃收购前承诺支付的50亿美元价格的三倍 [2] 业务转型与市场定位 - 公司从一家长期被忽视的专业模拟芯片制造商，转型成为人工智能基础设施建设中最受瞩目的受益者之一 [4] - 随着数据中心在AI工作负载下不堪重负，市场重新思考信息传输方式，公司大力投资的硅光子技术成为关键 [4] - 硅光子技术以光传输取代传统铜缆连接，能以更低能耗实现更高吞吐量，解决AI领域的能耗瓶颈 [4] 产能扩张与财务预测 - 公司宣布将投资3亿美元扩建其硅光子生产线，此前已于今年早些时候披露了3.5亿美元投资 [5] - 大部分新增产能将建在以色列米格达尔哈埃梅克的主要生产基地，建成后将成为公司最大的光子学中心 [5] - 预计2026年上半年扩建完成后，光子学相关业务收入将增长两倍，仅AI相关产品年收入就将接近10亿美元 [5] - 预计到2026年底，公司40%至45%的收入将来自数据中心应用 [5] - 公司预测第四季度营收将创下4.4亿美元的纪录，预计2025年全年营收将达到15亿美元，同比增长14% [5] - 预计2025年盈利将接近2亿美元 [5] 历史事件与战略影响 - 英特尔两年前放弃收购（承诺支付50亿美元）被普遍视为公司的一次挫折，但如今越来越像一个转折点 [2] - 交易失败后，公司获得了3.5亿美元的补偿，但失去了稳妥的退出机会 [6] - 公司保持了独立性，在漫长的监管审查期间继续积极投资，最终在AI基础设施的关键领域占据了稳固地位 [6]

存储半导体价格走势 - 2024年1月主流PC DRAM产品（DDR4 8Gb 1Gx8）的平均固定合同价格达到11.50美元，较上月的9.30美元上涨23.66%，并创下自2016年6月开始追踪以来的历史新高 [2] - DDR4内存的平均价格已连续10个月呈上涨趋势，从去年4月的1.65美元涨至当前水平 [2] - 1月份主流NAND闪存产品（128Gb 16Gx8 MLC）的平均固定合同价格飙升至9.46美元，较上月的5.74美元大幅上涨64.83%，这是连续第13个月上涨 [3] 价格上涨的驱动因素 - DDR4价格上涨主要由于供应短缺，因为AI普及导致供应商优先保障服务器用高附加值DRAM的供应 [2] - NAND闪存价格上涨部分原因是成熟工艺产品供应减少，供应商优先将产能分配给3D NAND和高容量产品，限制了SLC和MLC等产品的市场供应 [3] - 工业、汽车和电信等特殊应用领域对NAND闪存的强劲需求加剧了价格上涨 [3] - AI热潮是驱动本轮3C产品通胀的主因，AI服务器需求大爆发增加了对IC载板等关键零组件的需求 [4] 价格倒挂与市场结构 - DDR5内存模块相对于DDR4内存模块的折扣率已从去年第四季度的6%扩大到今年1月份的12%，价格倒挂现象加剧 [3] - 市场研究机构TrendForce评估DRAM市场已进入非常强劲的上升阶段，DDR4 8Gb模块价格自低点上涨了115-120%，平均价格达到85美元 [2] - 今年上半年，以供应商为中心的定价结构在供应比需求更受限的市场结构中根深蒂固，高价趋势短期内可能不会出现调整 [3] 供应链的连锁反应 - 除存储芯片外，IC载板、被动元件、铜箔基板等电子零组件也陆续涨价，导致3C产品价格涨势凶猛 [4] - IC载板的关键材料“玻纤布”因技术门槛高、生产量能有限而出现供货缺口，进而影响载板产能并推动涨价 [4] - 用于智能手机的BT载板自去年第二季起已开始涨价，用于CPU和GPU的ABF载板近日也开始调涨价格 [4] - 被动元件等产品涨价也受到白银、铜、铝、镍等贵金属原材料价格上涨的影响 [5] 行业展望与周期判断 - 预计2024年第一季度PC DRAM合约价格将比上一季度上涨105%-110% [3] - 美光客户端业务部行销副总裁指出，受AI需求成长影响，全球记忆体短缺局面预计持续到2028年 [5] - 全球EDA大厂新思科技执行长预期，这波记忆体供应紧缩问题不只今年难以改善，还将持续到明年 [5] - 产业界人士认为，若记忆体大厂调整产线配置，DDR4、DDR5等记忆体产量缺口有机会逐步缩小，最快明年供货可回复平稳 [5] - AI带来结构性调整，改变了产业循环，可能形成至少五年内缺货难解的“准超级循环” [7] AI对存储产业的深远影响 - 记忆体成为所有AI产品必备元件，也是AI建立模型必备运算核心，连谷歌等全球云端服务业者都直接下场抢货，引发产业结构性大调整 [6] - AI发展需要比传统记忆体更高的频宽，HBM（高频宽记忆体）成为关键，若AI加速器是引擎，HBM就是高速公路 [6] - 去年下半年，Open AI、Meta、谷歌、亚马逊及英伟达等大厂已大举包下SK海力士、美光和三星等三大厂的HBM产能，导致DRAM缺货风暴蔓延 [6] - 业界指出，AI霸主英伟达已率先全球导入HBM4，未来可能推进到HBM4E、HBM5、HBM6 [6]

文章核心观点 - 人工智能模型，特别是大型语言模型（LLM）的训练和服务，正面临日益严重的“内存墙”瓶颈，其制约已超过计算能力本身[2][4] - 过去20年，服务器硬件峰值计算能力（FLOPS）增长6万倍，远超DRAM带宽（增长100倍）和互连带宽（增长30倍）的增速，导致内存成为主要性能瓶颈[8][10] - 解码器架构的Transformer模型（如GPT）因自回归推理特性，其内存操作量更大、算术强度更低，使得内存带宽瓶颈尤为突出[17] - 为应对挑战，需要在模型架构设计、训练算法、部署策略以及硬件设计等多个层面进行系统性重新思考和创新[18][31] 硬件性能增长趋势与“内存墙”问题 - 过去20年间，服务器硬件的峰值浮点运算能力（FLOPS）以每两年3.0倍的速度增长，而DRAM带宽和互连带宽的增速分别仅为每两年1.6倍和1.4倍[10] - 自1998年以来，服务器级AI硬件的峰值计算能力增长了6万倍，而DRAM峰值带宽仅增长100倍，互连带宽仅增长30倍，差距巨大[8] - “内存墙”问题涉及内存容量、带宽及延迟的限制，涵盖芯片内、芯片与DRAM间以及多处理器间的数据传输，其改进速度均落后于计算能力增长[6][8] - 内存带宽瓶颈不仅存在于单芯片内部，在分布式训练/服务中，加速器间的网络通信带宽也是更慢、效率更低的瓶颈[9] 大型语言模型（LLM）的发展趋势与挑战 - 2018年至2022年间，训练LLM所需的计算量（FLOPs）以每两年750倍的速度激增，而模型参数规模以每两年410倍的速度增长[4][9] - 模型规模的扩展速度（410倍/两年）已超过单个芯片的可用内存容量，迫使采用分布式内存并行，但面临更严峻的通信带宽挑战[9] - 即使模型能装入单芯片，芯片内部不同层级内存（如寄存器、缓存、全局内存）间的数据传输也日益成为保持计算单元利用率的关键瓶颈[10] Transformer模型案例研究：编码器 vs. 解码器 - 编码器模型（如BERT）并发处理所有token，涉及矩阵-矩阵运算；解码器模型（如GPT）以自回归方式运行，涉及重复的矩阵-向量乘法[13] - 算术强度（每字节内存操作可执行的FLOP数）是衡量性能瓶颈的关键指标，解码器模型因矩阵-向量运算而具有更低的算术强度[14][16] - 性能分析显示，在模型配置和总FLOPs相近的情况下，GPT-2的推理延迟显著高于BERT-Base，这归因于其更高的内存操作量和更低的算术强度[17] - 该案例清楚地表明，对于解码器模型（尤其是在小批量大小下），内存带宽而非计算能力是主要瓶颈[17] 突破内存瓶颈的潜在解决方案：模型与算法创新 - 需要重新思考人工智能模型的设计，当前基于简单扩展规则（如缩放基础Transformer架构）的方法效率有限[18] - 开发更高效的训练算法，如对超参数调优更具鲁棒性的二阶随机优化方法，但需解决其内存占用是其他方法3-4倍的问题[22] - 采用重物化（激活检查点）技术，通过增加约20%的计算量，可减少高达5倍的内存占用，使单芯片训练更大模型成为可能[23] - 设计对低精度训练鲁棒的算法，例如混合使用FP8、FP16甚至FP4精度，以更高效利用硬件并腾出芯片资源改善内存性能[24] 突破内存瓶颈的潜在解决方案：部署与硬件 - 通过量化、剪枝或设计小型语言模型来压缩模型，以利于高效部署[25] - 量化可将推理精度降至INT4，使模型占用空间和延迟最多降低8倍，但使用更低精度（如低于INT4）仍是挑战[27] - 剪枝可移除冗余参数，现有方法可剪枝高达30%的结构化稀疏神经元或高达80%的非结构化稀疏神经元，且对精度影响极小[27] - 小型语言模型若能完全集成到芯片上，可带来数个数量级的速度提升和能耗降低，是推动AI广泛应用的新方向[28] - 重新思考AI加速器设计，在峰值计算能力和内存带宽间寻求更好权衡，例如采用更高效的缓存层次结构和更高容量的DRAM[29]

文章核心观点 - 半导体产业链中存在众多来自传统行业的“隐形冠军”企业，它们凭借在原有领域积累的底层核心技术，成功跨界进入并垄断了半导体制造中的关键环节 [2][31] - 这些企业的跨界成功并非偶然，其共同点在于深刻理解自身技术本质，并将其在纯度、精度和稳定性上推向极致，以解决半导体制造中的特定难题 [31][32] - 跨界路径可分为两类：日本企业更依托材料化学的同源性延伸；欧美企业则更侧重于将核心工艺推向极限后应用于新场景 [32][33] - 这些企业通常选择并深耕利基市场，凭借极高的技术壁垒和客户转换成本，构建了长期稳固的垄断地位 [32] 从拖拉机到洁净室：唐纳森公司 - 上世纪20年代，为解决拖拉机发动机吸入尘土问题，弗兰克·唐纳森发明了世界上第一个实用的拖拉机空气滤清器，能捕捉99%以上的尘埃颗粒 [4] - 公司工程师发现半导体工厂防止化学污染物损害光刻机的问题，与百年前保护拖拉机引擎的本质相同 [7] - 公司将用于拖拉机滤清器的纳米纤维技术升级，纤维直径仅0.1-0.3微米，能捕捉酸性气体、有机物分子等，为芯片制造洁净室提供空气过滤系统，确保空气纯度达到高标准 [7] - 2024年，台积电3纳米工厂中价值数千万美元的化学气体过滤系统，其核心技术正源于此 [5] 八十年磨“砂轮”：迪思科公司 - 公司起初生产工业磨刀石和砂轮，1968年推出厚度仅40微米的超薄切割轮 [9] - 为匹配超薄砂轮性能，公司于1970年自主开发了专用切割机，采用空气轴承和精密导轨，将振动控制在亚微米级别 [9] - 公司重新定义核心业务为“切、削、磨”能力，而非具体产品，从而顺利进军激光切割等新领域 [10] - 公司切割设备精度可控制在2微米以内，相当于头发丝直径的1/35 [12] - 针对硬度是硅4倍的碳化硅材料，公司开发出KABRA激光切片技术，将切割时间从传统方法的3.1小时大幅缩短，并降低了材料损耗 [13] - 公司在晶圆切割和研磨设备领域拥有全球70%-80%的垄断性市场份额 [13] 胶片企业的绝地反击：富士胶片 - 面对数码相机冲击，公司于2006年左右进行战略转型，关闭多数胶卷工厂，裁减5000名员工（占全球胶卷部门员工总数的1/3） [15] - 公司将胶卷领域积累的感光材料核心技术（光化学反应、化学配方、纯度控制等）移植到半导体光刻胶领域 [18] - 2018年，公司摄影相关业务营收占比从2001年的54%降至16%，胶卷业务从19%降至1% [19] - 公司成功转型为多元化高科技集团，形成六大业务板块，2024年营收超过2.5万亿日元，是2000年的近1.5倍 [19] 从登山冲锋衣到EUV线缆：戈尔公司 - 1969年，公司创始人发明膨体聚四氟乙烯材料，其微孔结构可实现防水透气，1976年推出Gore-Tex面料 [21] - 在ASML开发EUV光刻机时，公司利用ePTFE材料技术，制造出在真空中不释放气体、足够柔软的特种电缆，解决了真空污染和布线难题 [21][23] - 该特种电缆成为价值1.5亿美元的EUV光刻机的关键部件，几乎用于每一台ASML EUV光刻机 [23][24] 其他跨界企业案例 - **TOTO**：日本知名马桶制造商，将陶瓷成型、烧结和微缺陷控制经验迁移至半导体设备，生产用于固定晶圆的静电卡盘，该业务在2022财年成为增长最快板块之一 [26] - **JSR**：原为合成橡胶制造商，凭借在高分子聚合物化学领域的积累，于1979年进入光刻胶市场，到2023年成为全球最大的ArF光刻胶供应商，市场份额约39% [27] - **HOYA**：原以水晶玻璃和眼镜片闻名，凭借百年光学玻璃工艺，生产达到原子级平整度的EUV光罩基板，支撑3nm及更先进制程 [28] - **汉高**：原为洗涤剂公司，利用在表面活性剂和界面化学的积累，生产用于先进封装的毛细底部填充胶，在该市场近乎垄断 [29] 跨界成功的共同密码 - 核心在于对技术本质的深刻理解，以及将现有核心能力与半导体新领域需求窗口进行连接的能力 [31] - 跨界门槛在于能否将工艺做到极致的纯度、精度与长期稳定性，这需要数十年的连续迭代与长期主义投入 [31] - 半导体材料竞争本质是“隐性知识”的竞争，如配方比例、工艺曲线等know-how需在生产线上反复试错积累，难以快速复制 [32] - 企业多主动选择并深耕利基市场，这些环节不可替代、客户转换成本高、市场规模有限，易于构建长期技术与利润壁垒 [32] - 日本企业跨界更依托材料化学的同源性延伸；欧美企业则更侧重于将核心工艺推向极限后应用于新场景 [32][33]

论坛概况 - 论坛将于2026年3月18日在上海新国际博览中心举办，主题为“从器件到网络的协同创新论坛”，由半导体行业观察独家承办 [1] - 论坛定位为“能落地、有订单、攒人脉”的产业硬仗，强调提供“能复用的技术方案”，而非概念演讲 [1] - 论坛定向邀约产业链核心从业者，线下观众规模严格控制在200人 [7] 参与方与资源 - 论坛汇聚10家以上头部企业，并定向邀约中国移动、中国联通、中国电信三大运营商，以及阿里云、腾讯云、浪潮云等头部云服务商组成“需求端天团” [1][7] - 承办方半导体行业观察拥有95万以上粉丝覆盖产业链，并已联动50万家以上头部企业、2万家以上专项基金资源 [12] 展示的核心技术与产品 - **电子科技大学周恒教授**：展示面向6G基站的光电融合集成芯片方案，能将器件体积缩小40%、功耗降低25% [6] - **朗矽科技**：展示自研高可靠硅电容，已在1.6T光模块中实现“百万小时无故障运行”，并批量供货头部AI服务器厂商 [6] - **国科光芯**：展示氮化硅硅光芯片量产进展，400G/800G数通芯片已通过阿里云测试，1.6T产品即将送样，能帮光模块企业将成本降低30% [7] - **硅芯科技**：展示2.5D/3D EDA全流程设计工具，已支持5nm芯片仿真验证，设计效率提升30% [7] - **光鉴科技**：展示纳米光子芯片与3D视觉感知全栈解决方案，其自研亚波长光场调制芯片打破海外供应链依赖 [7] - **曦智科技**：发布基于自研光子芯片的算力方案，在AI推理场景下能效比超传统GPU 10倍，已完成某头部云厂商算力测试验证 [7] - **图灵量子**：详解三维光子芯片工艺，芯片集成度提升80%，首版样片已通过可靠性测试 [7] - **万里眼**：推出90GHz超高速示波器，采样率达200GSa/s，已批量交付华为、中兴等企业 [7] 市场需求与合作机会 - **运营商需求**：三大运营商将发布“6G空天地一体化通信”器件采购需求，重点寻找国产化光芯片、高功率化合物半导体器件供应商，年内有千万级订单落地计划 [8] - **云服务商需求**：头部云服务商将抛出“算力中心光互联”合作清单，需要1.6T光模块、低功耗硅光芯片等产品，用于新建AI算力集群，优先选择能快速交付的国产企业 [8] - **对接机制**：论坛设置“闭门对接环节”，参会企业可提前提交技术方案进行一对一洽谈；去年同类活动中，已有8家企业通过该环节达成合作，订单金额超5000万元 [7]

英伟达对台积电产能的需求与预期 - 英伟达首席执行官黄仁勋表示，台积电今年需要非常努力工作，因为英伟达需要很多晶圆和CoWoS先进封装产能 [2][3] - 黄仁勋预期，未来十年台积电的产能可能会成长超过百分之百，这是非常显著的规模扩张，是人类史上最大规模的基础设施投资，而仅为了满足英伟达的需求，产能就需要翻倍 [2][3] 英伟达的产品进展与市场地位 - 英伟达已经全面投产Blackwell和Vera Rubin芯片，其中Vera Rubin包含六款不同的芯片，每款都是世界上最先进的芯片 [3] - 英伟达技术发展快速，创新速度也很快，其技术成本最低，因为最高效能意味着最低成本，这是公司的核心优势 [4] - 英伟达产品无所不在，遍布所有云端平台、电脑系统、机器人及汽车等领域 [4] - 英伟达全球拥有500至600万名开发者，世界上所有人工智能开发者都会使用英伟达的软件 [4] 英伟达的研发投入与竞争信心 - 英伟达一年的研发预算高达200亿美元，且可能每年都增加50%的预算 [4] - 对于特殊应用芯片（ASIC）的竞争挑战，黄仁勋信心满满，不认为ASIC累积出货量会超过英伟达的GPU [3][4] - 黄仁勋强调，英伟达正在建构整个人工智能基础设施，不仅提供GPU，也与所有的AI公司合作，包括Google、OpenAI、xAI等 [3] 供应链伙伴关系与行业活动 - 黄仁勋在台北宴请供应链伙伴高层，出席者包括台积电、联发科、广达、英业达、纬创、鸿海、宏碁、矽品、和硕、华硕、纬颖、台达电、仁宝及云达等公司董事长或首席执行官，与会者身价合计破兆元，该活动被外界形容为「兆元宴」 [2][3] - 餐叙结束后黄仁勋亲自送台积电董事长魏哲家离开，显见对台积电的重视程度 [2]