# 硬件的所有文章

在 HTX 新闻中心浏览与「硬件」相关的最新资讯与深度分析。潘盖市场趋势、项目动态、技术进展及监管政策，提供权威的加密行业洞察。

突发：OpenAI芯片元老加入Anthropic

OpenAI自研芯片团队早期核心成员Clive Chan宣布离职，并已正式加入竞争对手Anthropic。Clive Chan是OpenAI硬件团队的“002号员工”，全程参与了公司自研芯片项目从组建到推进的过程。他在声明中高度评价了OpenAI芯片团队的人才实力，但表示自己渴望“重新攀登一座新山”，因此选择加入Anthropic，并对Anthropic团队的人才、价值观和野心印象深刻。关于OpenAI的自研芯片进展，Clive Chan未透露更多细节，但提及了OpenAI与博通在2025年10月公布的合作计划。根据该计划，双方将共同建设总规模达10GW的AI加速器系统，首批机架预计在2026年下半年开始交付。 Clive Chan毕业于滑铁卢大学，曾先后在谷歌、SpaceX、特斯拉等公司从事AI基础设施相关工作，于2024年1月加入OpenAI。此次跳槽后，Anthropic内部员工表示了欢迎，而网友则调侃这像“离开皇马加盟巴萨”。近期，OpenAI与Anthropic之间人才流动频繁，此前OpenAI联合创始成员Andrej Karpathy也已加盟Anthropic。随着Anthropic近期完成巨额融资，估值逼近万亿美元，其与OpenAI在人才和资源上的竞争将持续受到关注。

marsbit06/07 06:25

marsbit06/07 06:25

Deepseek 能否为中国节省 1 万亿美元？

《DeepSeek 能否为中国节省 1 万亿美元？》一文探讨了DeepSeek如何通过技术创新，可能大幅降低中国AI基础设施的建设成本。核心在于，AI硬件的成本正从计算芯片向昂贵的内存（如HBM）倾斜。DeepSeek通过三方面技术突破，系统性降低了对这类稀缺硬件的依赖： 1. **压缩“记性”**：采用多头潜在注意力（MLA）等技术，将长上下文对话所需的缓存（KV Cache）压缩至原来的极小部分，极大节省显存。 2. **按需唤醒“身体”**：利用混合专家（MoE）模型架构，每次只激活部分参数，并结合智能的存储调度，将多数参数移出昂贵显存。 3. **复用计算结果**：将算过的上下文作为缓存复用，用低成本的内存读取替代高成本的重复计算。这些技术协同，使DeepSeek V4等模型在长上下文场景下，用同等硬件可能产出数倍的有效Token，等效于大幅提升硬件效率、摊薄单位成本。文章据此进行推演：到2030年，全球AI硬件投资预计达数万亿美元。若DeepSeek的技术路线能使中国未来AI基建的硬件需求等效减少75%，在日均Token消耗达到数千万亿级的规模时，节省的投资额可能接近1万亿美元（约7万亿元人民币），相当于少建数万座智算中心。更重要的是，此举将产业价值从受制于人的尖端算力芯片，部分转移至中国已有所突破的存储芯片及系统工程领域，提升了供应链安全性。DeepSeek的意义不在于“消灭硬件”，而在于通过极致优化，降低行业对最昂贵、最稀缺硬件的边际依赖，让AI能力更普惠，重塑未来AI基建的账本。（注：文中关于万亿节省的具体数字属于基于行业趋势的推演观点。）

marsbit06/03 00:47

总统 Q1 持仓披露：特朗普的钱，加速投向 AI 基建？

2025年以来，市场高度关注特朗普的个人持仓动向。近期披露的Q1财务状况显示，其相关账户交易活跃，交易规模超2.2亿美元，交易方向呈现明显调整：大幅减持微软、亚马逊、Meta等上一代消费互联网平台公司及部分防御型ETF，将资金系统性转向人工智能基础设施领域。具体加仓方向覆盖AI基建全链条： 1. **半导体**：买入英伟达、博通、AMD、美光、英特尔等，涵盖GPU、CPU、存储及芯片设计工具（EDA）环节。 2. **AI硬件与服务器**：增持戴尔、英特尔，后者兼具美国半导体本土制造的政策标签。 3. **企业软件**：买入甲骨文、ServiceNow、Adobe等，布局AI嵌入企业工作流带来的价值。 4. **消费电子与宽基指数**：增持苹果作为AI终端入口，并配置标普500等ETF维持市场整体敞口。此次调仓折射出“聪明钱”的产业判断：投资主线正从上一轮互联网应用转向AI基础设施供给侧，包括芯片、服务器、本土制造及企业软件AI化。这既与市场寻找新增长点的逻辑吻合，也部分反映了美国当前推动半导体制造、供应链安全等产业政策的重点方向。值得注意的是，持仓变动不宜作为直接跟投信号，因其披露存在滞后且具体决策机制不明，但其揭示的结构性方向——资金从旧平台流向AI基建——值得投资者关注。

marsbit06/02 08:35

marsbit06/02 08:35

英伟达、AMD、高通 CEO 齐聚台北：你的芯片能不能卖，台湾组装厂说了算

本文揭示了科技行业一个被忽视的真相：在Computex台北电脑展上，决定芯片巨头（如英伟达、AMD、高通）产品命运的，并非戴尔、惠普等终端品牌，而是中国台湾的模组、散热和组装供应链工程师。展会表面是CEO演讲和新品发布，但真正的权力核心在于展会现场及背后的闭门会议。台湾供应链掌握着从电路板设计到散热管理的实际制造能力。如果模组商不愿围绕某芯片设计，或组装厂不投入资源集成，该芯片几乎注定失败。品牌商的决策高度依赖下游供应链的配合意愿与工程能力。科技硬件周期短、利润薄，这种自下而上的合作与实用主义是行业高速运转的关键。因此，全球科技CEO齐聚台北，实质是向掌控制造命脉的台湾供应链“朝圣”，在展会中建立关系、解决工程难题，以确保自身产品能在生态系统中被接纳并成功推向市场。

marsbit06/02 04:30

marsbit06/02 04:30

黄仁勋的「Agent工厂」里，装了什么新故事？

在COMPUTEX 2026期间，英伟达CEO黄仁勋发表了主题演讲，核心聚焦于“Agent AI”时代的到来。此次发布的关键在于，英伟达正围绕智能体生态，构建从芯片、数据中心到软件平台的全栈技术体系。硬件层面，专为Agent工作负载设计的Vera Rubin平台已进入量产，其处理Agent任务的效率是上一代Grace Blackwell平台的10倍。该平台引入共封装光学（CPO）网络技术以降低能耗，并强化了机密计算安全能力。同时，英伟达推出了新型处理器“Vera” CPU，这是首款为AI智能体设计的CPU，与Rubin GPU通过高速NVLink互联，优化了Agent任务中的数据传递。软件与模型方面，英伟达推出“AI工厂运营工具箱”DSX，整合了设计、仿真、建设到运营的全流程。发布了5500亿参数的混合专家模型Nemotron 3 Ultra，以及配套的NemoClaw、OpenShell等工具，旨在帮助企业构建能安全接入业务流程的“数字同事”。此外，面向物理AI的世界基础模型Cosmos 3正式发布，它能统一理解、生成和预测物理世界信息。在物理AI领域，英伟达联合宇树发布了基于Isaac GR00T平台的人形机器人参考设计H2 Plus，旨在降低开发门槛。还开源了一套物理AI技能工具集，让智能体能直接调用标准化操作。产品布局上，推出了“DGX Station for Windows”桌面AI超算工作站，让Agent能在企业本地Windows环境中安全运行。并与微软合作推出基于Arm架构的RTX Spark SoC，瞄准AI PC市场。最后，英伟达升级了AI原生存储架构，在BlueField-4 STX中强化了针对Agent数据访问的安全管控能力。总结来看，英伟达正通过Vera Rubin、DSX、Nemotron、Cosmos 3、H2 Plus等一系列产品，从算力供给、模型智能、安全管控、物理形态到部署运营，全方位构建服务于Agent的基础设施，宣告一个以智能体为核心的新计算时代已经开启。

marsbit06/01 12:04

marsbit06/01 12:04

戴尔暴涨，这波AI行情会扩散到哪些标的？

戴尔股价盘后大涨约39%，主要受AI数据中心建设需求推动。公司第一季度营收同比增长88%至438.4亿美元，并大幅上调全年业绩预期，将2027财年AI服务器收入预期从500亿美元上调至约600亿美元。这一表现显示AI热潮正从上游芯片和模型，向下游的服务器、存储及数据中心设备等硬件基础设施传导。戴尔凭借其供应链、客户关系和交付能力，成为科技巨头加大AI资本开支的直接受益者。此外，其旗下部门获得美国国防部97亿美元合同，进一步强化了增长确定性。市场分析认为，戴尔的强劲业绩意味着AI投资正进入更实体化的阶段，能够将核心芯片转化为可交付基础设施的硬件厂商，有望获得价值重估。

marsbit05/29 04:57

marsbit05/29 04:57

“主动式”AI的风吹到了硅谷，Hark获得7亿美元融资

一家2025年底创立、尚未发布产品的AI创业公司Hark以60亿美元估值获得7亿美元A轮融资，由Parkway Venture Capital领投，NVIDIA、AMD、英特尔、高通、Salesforce等巨头跟投。公司创始人Brett Adcock曾创办机器人公司Figure，其目标是打造“主动式”AI原生硬件，通过“自研基础模型+定制硬件”组合构建下一代通用人机接口。这类设备具备多模态感知、端到端语音交互和个性化记忆能力，旨在让人工智能从被动工具转向主动协作者，在真实世界中自然互动。文章指出，当前AI虽智能强大，但仍依赖传统设备与交互方式（如屏幕与聊天界面），而AI原生硬件有望像iPhone重塑移动互联网一样变革人机关系。实现“主动式”AI需系统整合模型、硬件、交互与记忆能力，是综合性工程。中国创业公司在此领域具备供应链、市场与政策三重优势，更有可能推动该方向发展。本轮融资印证了AI未来将超越屏幕、深入现实世界的趋势。

marsbit05/28 10:21

marsbit05/28 10:21

散户“带头大哥”Serenity vs 新晋股神Leopold：两大顶级猎手如何掘金AI“物理极限”？

过去两年，单纯买入英伟达的策略已逐渐失效。如今，两位风格迥异的投资者成为AI投资领域的新风向标。一位是匿名交易者Serenity，他隐藏在社交媒体背后，通过拆解AI供应链最底层的“卡脖子”环节进行投资。他提出“紫苏叶理论”，专注于寻找那些市值小、技术垄断性强、对产业链不可或缺的隐形厂商，例如在光电共封装（CPO）等领域的关键材料供应商。据称，其投资年内获得了惊人收益。另一位是年仅24岁的Leopold Aschenbrenner，他曾是OpenAI研究员，后创办规模超百亿美元的对冲基金。他的核心理念是，AI发展的真正瓶颈在于电网、土地、数据中心等物理基础设施，而非算法本身。其投资策略是“基础设施套利”：一方面重仓押注存储硬件、算力云和比特币矿企等物理资源；另一方面，大规模做空半导体板块，认为芯片估值已严重脱离基础设施的实际建设速度。两人策略的核心共同点是：抛弃软件层叙事，重仓受物理法则约束的硬件和基础设施。他们都认为，谁掌握了物理世界的稀缺资源，谁就掌握了AI时代的“算力买路财”。然而，两种策略也各有风险。Serenity推荐的微盘股面临流动性低、波动性巨大的风险，且其个人背景未经证实，跟单需谨慎。Leopold的宏观押注则面临市场情绪滞后和巨头股价持续强势的挑战，可能导致其空头头寸承受巨大压力。他们的走红标志着AI投资逻辑的转变：产业价值正从半导体本身，向更底层的材料、设备、能源和土地等物理瓶颈环节迁移。

marsbit05/27 15:09

散户“带头大哥”Serenity vs 新晋股神Leopold：两大顶级猎手如何掘金AI“物理极限”？

marsbit05/27 15:09

Agent化的OS：拼的不是AI，是底盘

本文探讨了操作系统（OS）进入“Agent化”时代的核心竞争要素，指出竞争焦点并非表面AI功能，而在于支撑其可靠运行的底层技术“底盘”。文章以Google、Microsoft、Apple、华为等主流OS厂商的动向为例，说明端侧OS集成主动式AI能力（Agent）已成为明确趋势。然而，发布会展示的功能背后，真正的较量在于三层核心能力底座： 1. **系统级AI Runtime**：作为调度中枢，它将端侧模型的推理能力变为OS层共享服务，统一调度算力与内存，是Agent能跨App执行系统级操作的基础。例如Google的AICore、Apple的Foundation Models框架。 2. **可控芯片**：自研或深度可控的芯片（如Apple Silicon、Google Tensor、华为麒麟）是实现深度软硬协同优化的关键，决定了端侧Agent的响应速度、功耗和体验上限。 3. **端云模型矩阵**：云端模型处理复杂任务，端侧模型（如Gemini Nano、Phi Silica、盘古端侧模型）保障日常任务的低延迟、隐私和稳定性。端侧模型需与OS和NPU深度耦合，自研是主流选择。这三层能力自下而上紧密耦合：芯片决定模型效率，模型决定Runtime能力，Runtime决定Agent的可靠性。协同越深，OS厂商在响应延迟、隐私保护、系统级上下文理解、服务可靠性等方面的产品差异化就越明显，护城河也越厚。此外，文章指出，OS Agent的长期竞争力还受制于与App厂商的博弈（通过API深度集成还是屏幕识别交互）、隐私保护体系的构建等关键变量。这场竞争已超越手机和PC，正随着多设备生态向汽车、XR眼镜等IoT领域扩展。最终，OS Agent化的成功非一朝一夕，依赖于芯片、模型与Runtime在长期迭代中的深度融合与打磨。

marsbit05/27 10:18

marsbit05/27 10:18

AMD新论文颠覆认知：FP4训练不稳定，原因不是随机性不足

AMD最新研究发现，FP4训练不稳定的主要原因并非此前认为的随机性不足，而是结构性微缩放误差在关键梯度路径上累积放大所致。过去，尝试使用FP4从头训练大模型常因训练不稳定而失败。AMD与宾夕法尼亚州立大学的论文通过实验证明，在Transformer的权重梯度计算路径上使用FP4量化会导致收敛质量显著下降。此前用于缓解量化误差的随机性策略（如随机舍入）在此场景下反而加剧了不稳定性。研究团队采用MXFP4数据格式，并引入确定性Hadamard旋转作为稳定化方法，成功在AMD MI355X GPU上完成了Llama 3.1-8B模型的全流程FP4预训练。结果显示，该方法在仅增加8-9%训练数据开销的情况下，实现了比FP8基线快9-10%的端到端训练速度。这项研究首次在原生FP4硬件上验证了低精度训练的可行性，为降低大模型训练成本提供了新方向，并指出结构性误差分析比增加随机性更为关键。基于开放标准OCP的MXFP4格式也增强了该方案在不同硬件平台间的可移植性。

marsbit05/27 06:19