公司业务动态：Wing无人机配送网络扩张 - Wing计划在未来数月内将高速住宅无人机配送服务引入旧金山湾区 标志着其向构建全国性无人机配送网络又迈进一步 [2] - Wing已累计完成超过75万次家庭配送 服务范围覆盖美国休斯顿、亚特兰大、达拉斯等主要城市超过200万客户 [2] - 公司与沃尔玛和DoorDash等合作伙伴共同运营 其服务最初在谷歌山景城园区进行测试 展示了快速与便捷的运输能力 [3] 公司业务动态：谷歌AI开发工具升级 - 谷歌在Google AI Studio中推出了完全重新设计的编码体验 由Google Antigravity编码代理驱动 可将简单提示转化为可用于生产环境的应用程序 [4] - 升级后的系统能够处理更高级的工作 包括构建多人游戏功能、添加数据库、通过Firebase进行身份验证、集成外部库以及连接现实世界服务 [4] - 系统能自动识别应用需求并配置相应服务 如自动设置Cloud Firestore或Firebase Authentication 平台新增支持Next.js框架 [5] 公司股价表现 - Alphabet股票在发布时上涨0.03% 报收于298.88美元 [6]

人工智能与能源需求 - 谷歌高层表示，美国当前的电力建设速度可能无法满足人工智能扩张的需求，对能否为AI数据中心提供足够电力表示担忧 [1] - 人工智能的扩展需要消耗巨大的电力，这给能源基础设施带来了压力 [1] 能源行业动态 - 伊朗向印度提供的原油价格高于布伦特基准油价 [3] 航空与运输行业动态 - 法国航空公司延长了往返迪拜、利雅得、特拉维夫和贝鲁特航班的停飞时间 [3] 建筑与房地产行业动态 - 美国1月份的建筑支出出现意外下降，与市场预期不符 [3] 媒体与娱乐行业动态 - F1赛车所有者自由媒体集团被认为能够经受住中东冲突带来的影响 [3]

Wing公司业务扩张 - 公司计划在未来几个月内，在加利福尼亚州旧金山湾区开始使用无人机向家庭配送包裹 [1] - 此次扩张标志着公司回归其起源地，该公司于2012年在湾区作为Alphabet旗下X部门的一部分成立 [2] 公司背景与商业模式 - Wing是Alphabet旗下的无人机配送公司，属于Alphabet的“登月工厂”X研究部门，该部门负责自动驾驶公司Waymo等实验性项目并将其分拆为独立公司 [3] - 公司致力于通过使用轻量级自动化无人机，为密集住宅区提供直接上门的配送服务，以解决小件家居用品和餐食“最后一英里”配送面临的障碍 [2] - 公司已为沃尔玛提供30分钟内的杂货和家居必需品无人机配送服务，并与DoorDash合作，提供来自温迪和帕纳拉等连锁餐厅的快速食品配送 [3] 运营规模与网络建设 - 公司迄今已完成超过75万次配送，为美国部分地区的超过200万客户提供服务 [4] - 公司在湾区推出服务的同时，正致力于建设专注于小型和本地配送的物流网络，并努力扩大在早期试点市场之外的采用率 [4] 技术合作与试点 - 公司于2024年10月与Serve Robotics启动了一项试点计划，由Serve的地面机器人从餐厅取餐，然后转移给Wing的无人机进行空中配送 [5]

文章核心观点 - 谷歌的Gemini模型正成为硅谷科技巨头的“托底王”，当Meta、苹果等公司自研AI模型进展不及预期时，会考虑或已经采用Gemini作为关键的外部技术底座，这反映了Gemini在行业中的地位已从竞争对手转变为可依赖的基础设施供应商 [5][8][12] - Gemini的崛起得益于其强大的模型性能、完整的工业化产品谱系以及谷歌成熟的云与开发平台打包方案，这使其相比OpenAI等AI初创公司，更符合大企业对稳定性、合规性和集成性的要求 [16][20][22][24] - 这种“竞合”关系加速了AI在消费端的应用并摊薄了行业风险，但也可能强化谷歌的生态控制权，引发对行业创新多样性和巨头自研能力可持续性的担忧 [29][30][32][34] 根据相关目录分别进行总结 Meta的“牛油果”项目与Gemini的潜在角色 - Meta的新模型“牛油果”项目因效果不及预期而推迟，其性能被认为介于谷歌去年3月的Gemini 2.5和去年11月的Gemini 3.0之间 [5] - 有消息称，Meta高层曾讨论在自研模型成熟前，暂时使用谷歌的Gemini模型来支撑业务，这对于一家资本开支高达1150亿至1350亿美元并押注超级智能的公司而言，意义重大 [5][8] 苹果与谷歌的合作深化 - 苹果最初在2024年6月将OpenAI的ChatGPT接入Siri，但其角色仅限于按需调用的“外围救场”，并非核心骨架 [10] - 2026年1月，苹果与谷歌达成多年合作协议，计划在新版Siri及“苹果智能”核心功能中采用Gemini模型，谷歌技术被评估为“苹果基础模型”最有能力的基础，标志着Gemini角色升级为核心层支撑 [10][11][12] - 此次合作消息一度推动谷歌母公司Alphabet市值冲上4万亿美元，自2019年以来首次反超苹果 [34] Gemini成为“托底王”的原因 - 模型性能强大：谷歌主推的Gemini 2.5 Pro专注于复杂推理、编码和多模态任务，Gemini 2.5 Flash则强调速度与成本平衡，两者均支持100万token上下文，形成了完整的产品梯队 [17][18] - 提供完整的工业化解决方案：谷歌通过Google Cloud的Vertex AI平台和Gen AI SDK，将模型、云资源、开发工具链和运维能力打包提供，便于大企业集成与扩展 [21][22] - 定位为可靠的基础设施供应商：相较于有独立品牌和入口野心的AI初创公司（如OpenAI、Anthropic），谷歌更类似于提供“白牌能力”的老牌供应商，其角色更容易被寻求标准化、低风险解决方案的巨头所接受 [23][24] - 规避供应链与合规风险：初创公司（如Anthropic）面临的治理和政策争议，会提醒大型客户在高合规场景下选择更稳定供应商的重要性 [25] 对行业格局的影响与潜在隐忧 - 积极影响：为Meta、苹果等公司提供了产品快速上市的后路，允许其“边用边补自研短板”，加速了AI在消费端的实际应用，并形成了务实的“竞合”关系，摊薄了单家公司模型失速带来的行业风险 [27][28][29][30] - 潜在风险：谷歌借此获得长期生态控制权，可能加剧AI领域“赢者通吃”的局面，巨头对Gemini的长期依赖可能削弱其自研雄心，并影响整个行业的创新多样性 [32][34] - 未来展望：这种依赖关系可能是暂时的，若Meta的“牛油果”或苹果的自研能力取得突破，依赖会减弱，但谷歌已借此将自己定位为AI时代的“隐形平台”基础设施 [34][35]

文章核心观点 - 当前AI初创公司面临全球化发展的新浪潮，其核心在于从创立之初就面向全球市场，并需要精准定位应用、场景与渠道 [1][2] - 通过举办线下沙龙，汇集了来自科技公司、云服务商、电商平台及AI工具公司的多位一线实践者，旨在分享可复用的AI产品出海经验，探讨全球化创业的真实逻辑 [4][5][6] 沙龙议程与嘉宾分享要点 - 活动于3月26日周四14:00在北京中关村创业大街举行，议程包括主题分享、AI初创开放麦、圆桌对谈及自由交流环节 [6][7][9] - **FluxA CTO邱鸿霖**将分享其作为AI智能体支付领域连续创业者的经验，其背景包括前蚂蚁&阿里架构师 [9][13] - **声网AI产品增长负责人杨帆**将分享其在对话式AI引擎商业化方面的经验，背景涵盖爱奇艺、淘宝直播等核心音视频业务 [9][18] - **Google Cloud解决方案架构师韩源**将进行主题分享 [9][15] - **圆桌对谈嘉宾**包括： - **小影科技业务副总裁林晓冬**：主导公司向生成式AI升级转型，其打造的印度市场视频编辑工具mAst位列当地该类应用第一，旗下AI音乐应用Rythmix登顶东亚多国音乐榜单前五 [9][11][12] - **京东开放平台产品负责人李杰雨**：聚焦通过AI重塑电商生产力，京东服务市场正开放招募AI服务商以共创电商新场景 [9][16][17] - **Meshy产品3D美术负责人徐墅木**：负责AI 3D产品中美术方向的设计与落地，推动AI 3D在游戏与影视场景中的应用与价值转化 [9][19] 行业趋势与机会 - 信息差被快速抹平，为AI初创公司带来了全球化的新创业浪潮 [1] - AI初创公司全球化的本质是“生于AI原生时代”，从创立之初就需定位全球市场的应用、场景与渠道 [2] - 活动旨在为已经出海、正在筹备出海或希望理解全球AI创业逻辑的参与者提供交流平台 [6]

云计算行业竞争逻辑的切换 - 行业核心竞争逻辑已从追求“规模”和“基建”转向“转化”能力，即如何将AI算力投入转化为持续健康的现金流 [1] - 2025年第四季度的财报成为行业分水岭，标志着全球云计算产业从“基建时代”迈向“智能时代” [2] 主要云厂商的业绩表现与结构性分化 - 2025年第四季度，亚马逊AWS营收增长24%且加速，谷歌云增长48%，微软Azure增长39%，表面呈现繁荣景象 [5] - AWS的云业务收入虽仅占集团总收入的17%，但贡献了超过50%的运营利润，得益于对底层算力成本的极致掌控和自研芯片（Trainium, Graviton）的规模化变现 [5] - AWS通过“预订未来产能”（如Trainium3芯片）的模式，从“卖算力”升级为“卖确定性AI产能” [5] - 谷歌云70%的客户已在使用AI相关产品，实际使用量超出承诺额度30%，其Gemini模型拥有7.5亿月活跃用户，形成从C端反哺B端的独特能力 [6] - 微软Azure的39%高增长背后，存在内部产能分配矛盾，GPU资源优先供给Copilot和OpenAI等内部产品，导致外部企业客户面临资源被“挤占”的困境 [6] AI资本开支竞赛与商业模式差异 - 云厂商资本开支进入“千亿”量级：AWS预计2026年达2000亿美元，谷歌预计在1750至1850亿美元之间，微软单季度资本开支达375亿美元 [8] - 行业竞争进入“电力+芯片”的重资产时代，AWS 2025年新增电力容量达3.99GW，并计划在2027年翻倍 [9] - AWS采用“极致外供模型”，将大部分AI算力直接卖给客户，模式现金流确定性强，但面临周期性波动风险 [9] - 微软采用“内部优先模型”，GPU资源优先供给内部AI产品，优势在于构建生态闭环，但云业务增长可能被压制，利润率或长期承压 [10] - 谷歌坚持“技术驱动模型”，依托自研TPU体系，强调数据与模型一体化，技术领先但商业化节奏可能较慢 [10] - 行业出现“算力金融化”趋势，客户被要求提前签署长约锁定产能，类似期货合约，虽锁定收入但也增加了资产交付责任和技术路线颠覆的风险 [10] 阿里云的战略路径与差异化优势 - 2025年第四季度，阿里云营收增速达36%且持续加速，AI相关收入连续10个季度保持三位数增长，但资本开支远低于海外巨头 [12] - 阿里云的增长基于中国市场特性：中国企业上云率和AI商业化应用仍有巨大空间，面对的是增量市场，更注重投入产出比（ROI） [13] - 阿里云正从传统的IaaS（基础设施即服务）向MaaS（模型即服务）转型，未来MaaS收入目标超过IaaS，通过通义千问等自研模型深入客户场景，按效果和调用量分成，追求更高的利润率和客户粘性 [13] - 阿里云通过“软硬协同”优化成本结构，如自研模型优化推理成本、贴近应用层的架构设计，旨在为价格敏感的中小企业提供更低成本的推理服务，从而掌握应用生态主动权 [14] 行业未来格局展望 - 行业格局呈现分化：AWS是凭借芯片自研和外供模式跑通现金流的“现金奶牛”；谷歌云是利用技术优势追赶的“技术追赶者”；Azure是因内部资源博弈陷入瓶颈的“生态博弈者”；阿里云是注重投入产出比的“效率变革者” [15] - 未来3至5年，行业可能分裂为两种模式对决：一是依靠巨额资本开支构建壁垒的“重资产算力帝国”；二是依靠模型优化和应用场景落地的“轻模型+应用生态” [15][16] - 重资产模式初期有规模优势，但面临电力瓶颈和折旧压力，边际效益将递减；轻资产模式更贴近业务价值，抗风险能力更强，更容易在长尾市场形成网络效应 [16] - 行业竞争的终局关键在于“变现效率”，即让每一单位算力（如每一瓦特电力）产生多少商业价值，而非单纯追求算力规模 [16]

文章核心观点 - 全球云计算行业正经历一场由AI驱动的“算力涨价潮”，这是云厂商在多年价格战后首次系统性向下游传导成本压力 [2][3] - 在同样的成本压力下，国内云厂商采取了三种截然不同的定价策略：精准调价、全面提价、不涨反降，这反映了各厂商基于自身市场地位和战略目标的复杂商业考量 [4][15][17] 需求端：AI应用爆发推高算力消耗 - AI应用迭代导致算力需求呈指数级增长，新一代应用的算力消耗成倍放大，例如Agent的Token消耗量是传统Chatbot的100–1000倍 [8] - 具体案例显示，用户仅执行一个简单的查询天气并写入文档的任务，就消耗了约10万tokens，凸显了tokens消耗的快速与成本感知的增强 [9][10] - 一段15秒的多模态视频，消耗就达到30.88万Tokens [8] 供给端：成本攀升与物理约束 - 为应对需求，云厂商资本开支大幅增长，但GPU产能受限、电力与机房资源存在物理约束、集群损耗普遍在30%–60%，导致投入无法完全转化为可用算力 [10] - 自去年三季度起，上游供应链成本持续攀升，从GPU、光模块、PCB到存储、先进制程乃至CPU，成本压力最终传导至云服务层 [11][12] 全球涨价潮的启动 - 海外云厂商率先行动：AWS于2026年1月将H100/H200/B100等GPU云服务价格上调15%（部分实例从34.6美元/时涨至39美元/时） [12] - 谷歌云上调全球数据传输服务价格，例如北美每GB价格从0.04美元提升至0.08美元 [12] - 国内云厂商陆续跟进：优刻得（2026年2月11日）、腾讯云（2026年3月13日）、阿里云（2026年3月18日）、百度智能云（2026年3月18日）均发布涨价公告 [13][14] 国内云厂商的三种策略路径 精准调价派（以阿里云、百度云、腾讯云为代表） - 策略特点是“只涨该涨的，不动基本盘”，涨价主要集中在AI训练相关产品上 [18] - 例如阿里云对平头哥真武810E等算力卡相关服务价格上涨5%-34%，CPFS（并行存储）价格上涨30%，但标准ECS、RDS及对象存储（OSS）等基础云产品未涨价 [13][18] - 此策略旨在平衡成本压力与市场竞争，避免因全线提价导致客户流失给如火山引擎等竞争对手 [21] - 阿里云设定涨价“窗口期”（2026年4月18日前已购服务不受影响），可能促使订单前置，冲刺2026财年（截止3月31日）业绩及长周期续约 [22][23][24] - 华为云、火山引擎暂未公开表态，仍在权衡涨价对市场扩张节奏或营收目标（如火山引擎目标追上腾讯云营收规模）的影响 [25] 全面调价派（以优刻得为代表） - 策略特点是GPU、存储、CDN等核心产品几乎全线提价，影响所有客户 [26] - 敢于全面涨价的原因包括：客户体量相对较小，影响有限风险可控；作为上市公司需修复利润；以及通过紧跟AI热点（如首发接入OpenClaw、跟进算力涨价）来提振股价，其股价曾从1月的20多元涨至40多元 [27][28] 不涨反降派（以京东云为代表） - 策略是在其他厂商涨价时，宣布短期内不跟随涨价，反而在多款产品上加大优惠力度 [30] - 原因为其在AI基础设施上投入规模较小，成本压力有限；同时，利用价差吸引对成本敏感的客户，是一种差异化的市场竞争策略 [31]

全球股市表现 - 3月23日，亚太股市全线重挫 [1] - 欧洲股市集体低开低走，欧洲斯托克50指数跌近1.7%，德国DAX指数跌近2%，英国富时100指数和法国CAC40指数均跌超1.5% [1] - 欧洲斯托克600指数下跌1.6%，较2月份高点下跌11% [1] - 美股三大股指期货集体跳水，道琼斯指数期货跌0.61%，标普500指数期货跌0.73%，纳斯达克100指数期货跌0.82% [2] 欧洲主要股指详情 - 英国富时100指数报9761.84点，下跌156.49点，跌幅1.58% [2] - 法国CAC40指数报7544.87点，下跌120.75点，跌幅1.58% [2] - 德国DAX指数报21945.48点，下跌434.71点，跌幅1.94% [2] - 俄罗斯MOEX指数报42029.48点，下跌811.42点，跌幅1.89% [2] - 意大利MIB指数报2867.44点，上涨2.55点，涨幅0.09% [2] - 欧洲STOXX50指数报5408.25点，下跌93.03点，跌幅1.69% [2] 美股科技与芯片股表现 - 美股大型科技股、芯片股盘前普跌 [4] - 美光科技盘前跌超3.5%，台积电盘前跌超2%，超威半导体盘前跌近2% [4] - 脸书、谷歌、亚马逊盘前均跌超1% [4] - 超微电脑盘前下跌超5%，该股上周收盘重挫超33% [4] 美股主要科技公司股价详情 - 苹果盘前股价247.610美元，下跌0.15% [5] - 亚马逊盘前股价202.600美元，下跌1.35% [5] - 微软盘前股价379.480美元，下跌0.63% [5] - 超威半导体盘前股价197.680美元，下跌1.81% [5] - 脸书盘前股价586.800美元，下跌1.16% [5] - 谷歌C类股盘前股价294.750美元，下跌1.35% [5] - 台积电台股股价329.240美元，下跌2.82%；美股盘前股价321.880美元，下跌2.24% [5] - 特斯拉盘前股价361.400美元，下跌1.78% [5] - 英伟达盘前股价171.660美元，下跌0.60% [5] - 美光科技盘前股价407.770美元，下跌3.58% [5] 黄金与相关板块动态 - 北京时间23日午后，国际黄金白银价格大跳水，现货黄金一度失守4100美元/盎司关口，现货白银跌破61美元/盎司 [6] - 受国际金价动荡影响，美股金矿股盘前下挫 [5] - 西比尼·斯蒂尔沃特公司盘前跌9.7%，纽蒙特公司盘前跌7%，巴里克黄金公司盘前跌近6%，哈莫尼黄金公司盘前跌5% [5]

伯克希尔哈撒韦管理层变动与投资组合 - 沃伦·巴菲特于12月31日卸任伯克希尔哈撒韦首席执行官 结束了约60年的掌舵 [1] - 在其任内 公司A类股累计涨幅超过6,000,000% [1] - 其继任者格雷格·阿贝尔将负责管理规模达3130亿美元的投资组合 [2] 投资组合中的核心人工智能股票敞口 - 格雷格·阿贝尔将管理总计640亿美元与三只人工智能股票相关的投资 [2] - 这三只股票分别是苹果、Alphabet和亚马逊 [2] 苹果公司投资分析 - 伯克希尔对苹果的投资资产价值为579亿美元 [3] - 公司被视为消费品公司 但其未来与人工智能在硬件平台上的整合密切相关 [3] - 2024年6月推出生成式AI系统“Apple Intelligence” 并整合了ChatGPT [4] - 公司正推广订阅服务 以提升利润率、增强客户忠诚度并平滑iPhone升级周期带来的收入波动 [5] Alphabet公司投资分析 - 伯克希尔对Alphabet的投资资产价值为55亿美元 [7] - 巴菲特于2025年第三季度首次建仓43亿美元 后增至55亿美元 [7] - 公司核心未来现金牛业务是云基础设施服务平台Google Cloud [8] - Google Cloud在截至12月的季度中销售额增长达48% 云服务利润率远高于广告业务 [8] - 公司拥有华尔街最大的股票回购计划之一 自2016年初以来已回购3460亿美元股票 [9] 亚马逊公司投资分析 - 伯克希尔对亚马逊的投资资产价值为4.9亿美元 [10] - 尽管巴菲特在最后一季减持了77%的持仓 该头寸仍被保留 [10] - 公司是双行业领导者 在电子商务和云服务（AWS）领域均占据主导地位 [11] - AWS占全球云基础设施服务支出的近三分之一 [11] - AWS整合生成式AI和LLM能力 推动第四季度按固定汇率计算的销售额增长24% 年度运营收入达1420亿美元 [11] - 相对于未来现金流 公司估值处于历史低位 目前股价仅为2027年预测现金流的9.9倍 而2010年代中位数则为30倍 [12]

文章核心观点 - 人工智能与硬件的发展密不可分，但当前缺乏统一的长期战略愿景来协调两者，导致创新碎片化、效率低下且能源消耗不可持续 [3][4] - 文章提出一个为期十年的AI与硬件协同设计与开发路线图，核心目标是实现人工智能训练和推理效率提升1000倍，并构建节能、自优化、无缝衔接云端与边缘的AI系统 [4][20] - 实现这一愿景需要根本性的跨层协同设计，涵盖硬件技术、算法范式及应用社会影响三个抽象层，并通过学术界、产业界、政府及社区的深度合作与协调行动来推动 [21][22][70] 重塑计算和人工智能基础，实现1000倍效率提升 - 核心挑战是数据传输已成为主要瓶颈，其速度超越了计算、内存和互连技术的进步，解决方案是转向内存沉浸式计算，通过计算与内存的密集三维集成实现超高带宽和低能耗 [7] - 需要开发低复杂度但高质量的人工智能模型，如混合模型、香农启发式模型等，以在不牺牲精度的前提下降低计算和内存需求，同时硬件感知模型需通过冗余减少、低精度训练等技术适应系统约束 [7] - 结合跨层优化和透明的硬件无关基准测试框架，推动模型、编译器、运行时、架构等紧密协同演进，以最大化“每焦耳智能”，开启可持续AI计算新时代 [7] 革新设计生产力和适应性 - 人工智能创新速度远超硬件和系统设计速度，需构建“人工智能在环”设计工作流程，将AI融入开发的每个阶段以弥合差距 [8] - 开放数据集和标准化基准对于电子设计自动化（EDA）的透明度、可复现性和进步至关重要 [8] - 利用专门的大型和小型语言模型，实现细粒度的任务-智能体对齐，可以自动化并加速设计子任务，结合上下文工程技术将催生AI原生设计方法 [8] 构建可靠且值得信赖的人工智能系统 - 随着AI普及，可靠性和可信度需通过权衡准确性、鲁棒性和效率（包括复杂性、能耗和延迟）来理解，鲁棒性必须涵盖模型和硬件 [9] - 需要设计方法明确管理这些权衡，并为系统行为提供保证，实现这一点需要形式化验证、基于物理的约束和运行时监控 [9] - 基准测试必须超越MLPerf，将鲁棒性、可解释性和可持续性纳入考量 [9] 用于科学发现、机器人和自主代理的物理人工智能 - AI创新的下一个飞跃在于将数据驱动学习与物理定律相结合，物理信息AI为建模科学和工程领域的核心多尺度现象提供了原则性方法 [10] - 在现实世界中运行的机器人和自主代理等物理AI系统，对能效、实时响应和鲁棒性有严格要求，需要学习、控制和硬件之间的紧密集成 [10] - 新兴的潜在世界模型（如联合嵌入预测架构JEPA）可能为未来AI系统中符号推理、物理信息先验和更高效决策机制的集成奠定基础 [10] 解决核心瓶颈并统一人工智能与硬件演进 - 未来AI的前沿在于开发紧凑、节能的模型，使其在性能上与前沿模型媲美，同时能在边缘和嵌入式平台上高效运行，这需要超越当前主流实现方式的创新 [11] - 下一代AI计算平台将基于异构的、以内存为中心的架构构建，通过可扩展的低延迟互连集成AI加速器、可编程架构和量子处理器 [11] - 跨领域重点包括AI与硬件协同设计、全栈能耗优化、AI驱动的芯片和系统自动化以及大规模集群效率，同时需确保人机交互（HAI）始终是关注焦点 [11] 人工智能与硬件的实践：迈向协调一致的全球影响 - 一个具有韧性的AI生态系统依赖于严谨的学术研究和批判性评估，以确保技术进步能有效转化为实际应用，产业界与学术界需互补 [12] - 在整个技术栈上协调一致的AI+硬件工作对于应对系统性挑战至关重要，包括在监管限制下扩展试点系统、管理模型攀升的成本和能源需求、弥合学术研究与产业目标间的差距 [12][13] - 通过协调一致的政策、共享资源和持续合作，AI和硬件创新可以以可持续、公平且具有全球影响力的方式向前发展 [13] 构建可持续的产学研政伙伴关系 - 实现宏伟愿景需要学术界、产业界和政府之间的深度合作，扩大诸如国家人工智能研究资源（NAIRR）等政府举措，有助于实现计算、数据和模型的民主化获取 [14] - 当前挑战在于如何将学术界的长期探索性研究与产业界的短期产品驱动型开发相衔接 [14] - 弥合鸿沟需要共享基础设施、开源协作以及能够将学术创造力与产业规模和重点相结合的政策框架 [14] 背景与动机：失衡的发展与关键瓶颈 - AI模型呈指数级增长，但发展轨迹难以为继，训练前沿模型消耗数百万千瓦时能源并产生大量碳排放，现有硬件范式在物理、架构和经济方面受限 [16] - 当今以计算为中心的基础设施存在“内存墙”瓶颈，传输数据的能量超过了计算数据所消耗的能量，且AI算法与硬件开发周期不匹配，创新碎片化 [16][17] - 未来发展需重新定义“扩展”，从追求蛮力计算转向采用节能、自优化和架构自适应的系统，成功标准应从浮点运算次数转向“每焦耳的智能” [17][18] AI+硬件协同演化的多层次愿景 - 未来进步来自三个抽象层面的协同创新：硬件技术（硬件层）、算法与范式（算法层）、应用与社会影响（应用层） [21] - 这三层构成一个紧密耦合的动态反馈回路：硬件定义性能边界，算法将硬件限制转化为高效方法，应用需求驱动整个技术栈的创新 [22] - 高度的相互依赖性要求持续的跨层协同设计，其中AI帮助设计硬件，硬件加速AI，两者共同演进以响应社会优先事项 [22] 硬件层：关键方向与使能技术 - 关键方向包括：以内存为中心的架构、高密度3D单片集成与芯片堆叠、内存计算和模拟AI加速器、光子和光电互连、量子-经典融合系统 [24][25] - 需要人工智能驱动的电子设计自动化（EDA）成为硬件工作流程核心，利用语言模型自动化设计空间探索、代码生成、验证和系统级协同优化 [25] - 系统级限制（供电、散热、可靠性、数据传输）已成为主要制约因素，需要在机架和整个计算集群间进行协调的协同设计 [34] 算法层：协同工作与自演化 - 算法需具备硬件感知能力，同时硬件需具备AI自适应能力，以弥合AI（月周期）与硬件（年周期）的演进速度差距 [26] - 需将AI直接嵌入系统设计循环，AI在环设计自动化将彻底改变架构、编译器和系统的构思方式，使基于学习的方法能近乎实时优化硬件 [26] - 硬件感知的训练范式（如低精度计算、稀疏性）及新的学习范式（如物理信息学习、潜在世界模型）将提高效率并构建能推理物理过程的AI系统 [26] 应用层：需求、影响与衡量标准 - AI系统最终必须满足人类和地球需求，同时保持计算可持续性，到本十年末，训练一个前沿模型的能源消耗可能相当于整个国家的消耗 [27] - 现实应用对能源、延迟、鲁棒性等限制必须反馈到算法和硬件层，推动新的算法范式和对硬件的具体设计目标 [27] - 衡量成功的标准必须从原始吞吐量转向“每焦耳的智能”，使技术进步与全球可持续发展目标保持一致 [29] 跨层协同设计：从各自为政到协同增效 - 未来变革源于各层级进步及跨层协同设计，算法必须适应物理限制，硬件必须演进以服务于学习动态，系统软件充当连接组织 [30] - 例如，优化端到端能源利用需要统一抽象，将模型结构与芯片布局、运行时调度乃至散热策略联系起来 [30] - 利用AI模型进行硬件生成、验证和仿真，可将从概念到原型的周期从数年缩短到数月甚至数周，开放数据集和标准化基准将加速可重复性进展 [30] 重要的未来趋势 - 近期趋势（2-5年）：领域特定AI加速器、高带宽内存（HBM）、3D封装与Chiplet、硬件感知编译器、边缘/设备端AI、混合内存层次结构 [58][59][62] - 中长期趋势（6-10年）：量子-经典混合系统、芯片内/间光互连、光子加速器、密集3D异构集成、超越CMOS的新材料、超可扩展分布式AI系统 [59][60][63] - 算法趋势显示，进步正从单纯优化模型规模转向融合效率、功耗、延迟等多维度，通过协同设计构建更小、更专业、更高精度的模型 [54][57] 潜在障碍、陷阱和解决方案 - 主要障碍包括：模拟/光子系统中的噪声与校准挑战、3D集成的良率与可靠性问题、软件生态系统碎片化、静默数据损坏（SDC）风险、设计复杂性爆炸 [46][65][69] - 潜在解决方案包括：跨层可靠性监控与错误纠正、算法鲁棒性技术（如噪声感知训练）、模块化硬件/软件接口、社区驱动的开放标准、AI驱动的EDA [66][69][70] - “先有鸡还是先有蛋”的协调问题需服务提供商、系统设计及芯片供应商间进行有意识的跨层协作或垂直联合投资来解决 [88] 十年成功的定义与衡量标准 - 成功意味着AI训练和推理效率提升1000倍，构建出节能、自优化的系统，实现云端、边缘和物理AI的无缝衔接 [4][67] - 硬件成功体现在异构组件间无缝互操作、数据传输最小化、连接性透明扩展、硬件能随算法演进调整，以及模拟、数字、光子、量子组件在统一系统中共存 [67] - 具体里程碑包括：100倍的端到端能源效率、集群持续利用率≥60%、完全可互操作的异构系统、成熟的领域调整型小型语言模型（SLM）生态系统、硅设计周期加快3倍 [94][95][96] 针对各界的建议行动项目 - **学术界**：领导跨学科研究，开发反映跨层交互的开放式测试平台和基准，培养学生熟练掌握硬件和AI技能 [70] - **产业界**：投资于硬件和算法的协同设计，共享竞争前的基础设施和标准，大规模部署AI驱动的设计工作流程 [70] - **政府**：资助三维集成、光子学等领域的长期研究，支持国家共享基础设施和开放平台，鼓励跨部门合作，将评估指标转向系统效率和社会影响 [70] - **社区**：鼓励可复现性、开放性和互操作性，培养整体性、跨层次的创新文化 [70]