跳到主要内容

4 篇博文 含有标签「Custom Chip」

Custom AI chips and ASICs

查看所有标签

Hot Chips 2026 全景总结：Rubin、MI455X、Crescent Island 同台，AI 算力交付进入"系统级"时代

· 阅读需 8 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026年8月23日至25日，第38届 Hot Chips（HC38）在斯坦福纪念礼堂举行。作为全球高性能芯片架构的风向标，本届大会恰好撞上 AI 算力军备竞赛最焦灼的时刻——官方议程共 48 个条目，其中 AI 加速器 7 个、存储教程 6 个、CPU 6 个、GPU 与网络各 4 个。如果把各家演讲摆在一起，一个共识浮出水面：AI 算力的竞争单位，已经从"单颗芯片"变成了"整机柜 / 整个系统"。

1. 概览：三天议程，几乎就是 2027 年 AI 机柜市场的预演​

周一（8/24）下午的 GPU 专场是全场焦点，四家演讲几乎是 2027 年 AI 机架市场的对撞：

  • NVIDIA Rubin GPU（"Driving the Era of Agentic AI"）：首个 chiplet 架构 GPU，288GB HBM4、FP4 约 50 PFLOPS，搭配 88 核 Arm 架构 Vera CPU 组成 NVL72 / NVL144 机柜，2026 下半年量产。
  • AMD Instinct MI400 连讲两场（架构 + 系统架构）：把"机架级"故事讲透。
  • Intel Crescent Island：专为 Agentic AI 推理设计的 350W 风冷卡。

周二（8/25）下午的 AI 专场，则几乎是"超算厂商去 NVIDIA 化"的阅兵式：Google 第八代 TPU、OpenAI 首颗自研芯片、微软 Maia 200、Meta MTIA、Cerebras 晶圆级机架同台。

每一个登台厂商，都在开场两页 PPT 内用到了 "Agentic AI"（智能体 AI）这个词——这不是巧合，而是 2026 年 AI 负载设计目标的集体转向。

2. NVIDIA Rubin：一个机柜，就是一台超级计算机​

英伟达在 Hot Chips 上主讲的不是单颗 GPU，而是 Vera Rubin NVL72 整机柜——72 颗 Rubin GPU + 36 颗 Vera CPU，18 个计算托盘 + 9 个 NVLink 交换托盘，约 130 万颗组件、近 1300 颗芯片，整柜重约 4000 磅（约 1.8 吨）。

单颗 Rubin GPU 的规格同样惊人：

指标Rubin GPU对比 Blackwell
晶体管3360 亿（TSMC 3nm 双 die）2080 亿（+61.5%）
显存288GB HBM4—
带宽22 TB/sBlackwell 的 2.8 倍
NVFP4 推理50 PFLOPSGB200 的 5 倍
训练算力35 PFLOPS3.5 倍

最颠覆性的设计在计算托盘：无电缆、无软管、无风扇，全部通过 PCB 背板互联。英伟达称组装时间从近 2 小时压缩到 5 分钟（快 20 倍），同时提升可维护性。

英伟达这次卖的不是 FLOPS，而是 tokens per megawatt（每兆瓦 token 数）。 其引用 SemiAnalysis 基于 DeepSeek-v4-PRO（140K+ 上下文、AgentX 负载）的基准称：Vera Rubin NVL72 在交互强度上升时，较 GB300 NVL72 提供 10× 至最高 30× 的 tokens/MW。单柜提供 3.6 EFLOPS 推理算力，整柜功耗 190–230kW；远期产能目标为 每天 1000 个 NVL72 机柜。

3. AMD MI455X + Helios：显存反超与开放互联​

AMD 的答案是与英伟达正面硬刚的 MI455X + Helios 机架。MI455X 采用 CDNA 5 架构，8 个 N2 制程加速器 die + N3P 制程互联 die，256 个工作组处理器、192MB 全局 L2。

指标MI455X对比 Rubin
显存432GB HBM4（12 层堆叠）比 Rubin 288GB 高 50%
带宽23.3 TB/s略胜一筹
MXFP4 算力40.26 PFLOPS—
系统（Helios 72 卡）FP4 推理 2.9 ExaFLOPS—
报价约 525 万美元/柜—

系统层面，AMD 押注 UALoE（以太网上的超加速器互联） 开放标准：每颗 GPU 提供 3.6 TB/s 双向互联带宽，交换托盘内两颗 512 端口 200G UALoE 交换芯片合计 10.8 TB/s——对标 NVLink 的同时把互联协议开放给整个产业。

量产节奏：AMD 计划 2026 下半年交付工程样品与小批量系统，2027 年 Q2 大规模放量。此前市场曾传出 Helios 因散热问题延期，AMD 官方未予确认。

4. Intel Crescent Island：风冷大显存的"性价比异类"​

英特尔给出一条完全不同的路：Crescent Island——一颗 350W、风冷、标准 PCIe 槽位的推理 GPU，专为 Agentic AI 设计，核心指标是 tokens per watt。

指标Crescent Island说明
架构Xe3P，32 个 Xe 核心，32MB 统一 L2Hot Chips 披露
内存Intel 自牌卡 160GB / ODM 最高 480GB LPDDR5X比 Rubin 288GB HBM4 还多
形态350W 风冷 PCIe直插标准机架，免液冷改造
RASECC、动态页离线、硬封装修复、PCIe 高级错误上报回应"静默数据损坏"

英特尔的逻辑很清晰：推理场景对显存容量的需求远大于带宽，用低成本 LPDDR5X 堆容量、用风冷省掉液冷基础设施，就能把单位 token 成本打下来。配合 Diamond Rapids 至强（256 性能核、1.28GB 缓存、128 条 PCIe Gen6），英特尔试图用"CPU + 推理 GPU + 开放软件栈"从边缘到数据中心全场景围堵。

5. 自研 ASIC 大集结：Google、OpenAI、微软、Meta 同台​

周二下午的 AI 专场，是本届最有历史意义的一场——"超算厂商去 NVIDIA 化"的阅兵：

芯片厂商 / 合作定位关键规格 / 进度
TPU 8t（Sunfish）Google × Broadcom训练单 pod 9600 卡、121 FP4 ExaFLOPS、2PB 共享 HBM
TPU 8i（Zebrafish）Google × MediaTek推理288GB HBM、384MB 片上 SRAM（3× 上代）、ICI 19.2 Tb/s
JalapeñoOpenAI × Broadcom推理9 个月端到端设计，目标 token 成本降 ~50%，2026 底商用
Maia 200微软（TSMC 3nm）推理1400 亿+ 晶体管、10+ PFLOPS FP4、216GB HBM3E，已在得梅因数据中心服务 GPT-5.2
MTIA 300–500Meta（RISC-V）× Broadcom训推双使命最高 25× 算力增益，2027 前每 6 个月一款

Google 首次将 TPU 拆分为训练（8t）与推理（8i）两款专用架构，是其十年来最大的架构转向。Norm Jouppi 亲自登台主讲 TPU v8。

6. 存储与网络两条暗线：HBM4 元年 + AI 工厂操作系统​

除 GPU/ASIC 外，两场暗线同样关键：

  • 存储：三星 HBM Base Die（逻辑工艺做基础裸片）与 SK 海力士先进封装同台，HBM4 时代"基础裸片代工化"产业变局开启；HBF（高带宽闪存）、LPDDR5X-PIM、3D DRAM、CXL 计算存储集中展示"存算一体"从论文走向产品。
  • 网络：NVIDIA BlueField-4（DPU）与 Spectrum-X Multiplane 架构（Gilad Shainer 主讲）——网络正成为 gigascale AI 的决定性架构，规模从数十万卡向百万卡迈进；博通 Thor Ultra 以太网 NIC 持续进逼；Mojo Vision 展示芯片级光 I/O。

7. 三条路线，一个共识​

同一场大会上，三家给出了三种截然不同的 AI 算力交付哲学：

  1. 英伟达：全栈封闭整合——GPU、CPU、DPU、交换芯片全部自研，用极致软硬件协同把系统性能推到极致，代价是客户被深度绑定。
  2. AMD：开放标准追赶——用更大 HBM4 容量 + UALoE 开放互联打"性价比 + 开放"牌，配合 Meta、OpenAI 的 12GW 级订单撕开推理缺口。
  3. 英特尔：风冷性价比——放弃液冷、放弃 HBM，用 LPDDR5X 大显存 + 标准 PCIe 切入，赌"大多数推理不需要 200kW 机柜"。

但三家的共同结论是：竞争的单位不再是芯片，而是协同设计的系统（rack / system）。对采购方而言，2027 年的算力规划，要比对的不是"单卡 PFLOPS"，而是"每兆瓦 token 数、时延、可用性与全周期成本"。

相关链接​

参考资料​

本文基于 Hot Chips 2026（8月23-25日）官方演讲与 ServeTheHome、SemiAnalysis、TechPowerUp 等现场报道整理。性能数据均为厂商公布口径，实际表现以量产产品为准。

云巨头自研芯片浪潮 2026：OpenAI Jalapeño、Maia 200、MTIA、TPU v8 集体"去英伟达化"

· 阅读需 6 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026 年 8 月 Hot Chips 的周二下午 AI 专场，是本届最有历史意义的一场——不是因为某颗芯片多强，而是因为登台的几乎全是"超算厂商去 NVIDIA 化"的自研 ASIC：Google 第八代 TPU、OpenAI 首颗自研芯片、微软 Maia、Meta MTIA、Cerebras 晶圆级机架同台。当全球最大的 AI 算力买家开始把 GPU 当作"可选项之一"，AI 硬件的权力结构正在松动。

1. OpenAI Jalapeño：9 个月造出一颗芯片​

OpenAI 于 2026 年 6 月 24 日联合博通发布首款自研推理 ASIC Jalapeño，是"自研推理芯片俱乐部"的第五个成员。

维度Jalapeño
合作方博通（Broadcom）+ 台积电制造
定位推理专用 ASIC
设计周期端到端 9 个月（Greg Brockman 称借助 OpenAI 自有模型辅助设计）
成本目标较通用 GPU 栈 token 成本降约 50%
商用时间2026 年底首批部署，长期目标 10GW 自研芯片
合作规模与博通最高 100 亿美元战略合作（2029 年前部署加速器与网络）

演讲标题"You Can Just Build Things … Chips"本身就是信号：最大的 AI 算力买家不再默认 GPU 是唯一路径。

2. Google TPU v8：十年来最大架构转向——训练/推理分芯​

Google 拥有最悠久的自研芯片历史（2016 至今），第八代 TPU 首次将产品线一分为二：

型号代号合作方定位关键规格
TPU 8tSunfishBroadcom训练单 pod 9600 卡、121 FP4 ExaFLOPS、2PB 共享 HBM、ICI 带宽翻倍
TPU 8iZebrafishMediaTek推理288GB HBM、384MB 片上 SRAM（3× 上代）、ICI 19.2 Tb/s

产能方面，摩根士丹利基于供应链访谈估算 2026 年 Google TPU 产量可能超 300 万颗（券商预测，非官方目标）。Google 也是唯一实现自研芯片大规模部署并对外销售算力的厂商（Gemini 跑在 TPU 上）。

3. Meta MTIA：从推荐系统到 GenAI 双使命​

Meta 的自研之路起点最清晰——MTIA 最初为推荐排序硬件而生，正被生成式 AI 拉向双使命。

  • MTIA 300 已部署；400 / 450 / 500 计划在 2027 年前约每 6 个月推出一款；
  • 基于 RISC-V，Meta 称最高 25× 算力增益；
  • 节点沿行业节奏演进：100（7nm）→ 200（5nm）→ 300 系列（3nm + CoWoS）；
  • 与 博通合作，据称另一颗代号 Iris 的芯片已于 2026 年 7 月通过测试；
  • Meta 计划 2026 年 9 月启动其中一款的量产，以将其整体算力翻倍。

4. 微软 Maia 200/300：部署最领先​

微软 Maia 200 于 2026 年 1 月 26 日发布，是四家中部署最先进的：

维度Maia 200
制程台积电 3nm，1400 亿+ 晶体管
算力10+ PFLOPS FP4 / 5 PFLOPS FP8
显存216GB HBM3E，7 TB/s
功耗750W
部署已在得梅因（Des Moines）数据中心运行，服务 OpenAI GPT-5.2 与 Microsoft 365 Copilot

微软称其在特定基准上约 3× 亚马逊 Trainium 性能。短期策略是"自研 Maia + 外购英伟达"双路线并行——自研芯片从设计到量产需要时间，英伟达成熟生态短期内无法替代。

5. 亚马逊 Trainium 3 与 Anthropic 自建团队​

  • 亚马逊：Trainium 系列已商用，累计部署 140 万颗（官方披露），是数十亿美元业务；优势在 AWS 客户基数——企业可在英伟达 GPU 与自研芯片间选择。Trainium 3 延续这一路线。
  • Anthropic：2026 年 8 月宣布组建自建芯片团队，尚无 tape-out 或量产时间表，初期定位为补充（而非取代）与 NVIDIA/AMD/AWS/Google Cloud 的现有合作，目标是为 Claude 架构量身打造、摆脱对单一 GPU 的依赖。

6. NVIDIA 的回应：不是更快的 GPU，而是全栈​

容易把叙事简化成"四家造芯片、英伟达防守 GPU"。但 NVIDIA 在 Hot Chips 拿了 6 个 slot：RISC-V 教程、Vera CPU、Rubin GPU、BlueField-4 DPU、Spectrum-X 多平面网络、以及 LPU 加速器。

一颗 hyperscaler ASIC 只替换了这五个支柱中的一个。如果 CPU、NIC、交换 fabric 与软件都来自同一家供应商，把加速器换掉省下的，比加速器那一行账单暗示的要少得多。Rubin 的打法是一个横跨七颗芯片、五种机柜的全栈 AI 工厂平台——竞争回应是"全栈位置"，而非"更快的一颗芯"。

7. 趋势判断：推理去 GPU 化，训练仍 GPU 主导​

  • 推理侧：CUDA 护城河明显变浅。推理在端点层面可并行、可替换，自研 ASIC 通过剪掉通用性税（只实现 LLM 实际执行的操作）换取更低 cost/token。Groq LPU、Cerebras、各家 TPU/ASIC 都在同一指标上竞争。
  • 训练侧：Foundation model 仍用 GPU 训练，短期内无人认真挑战。NVIDIA 在训练的三道护城河（最快硅 + NVLink + CUDA）依旧牢固。
  • 结论：自研芯片不是"替代英伟达"，而是在推理这一最大、增长最快的战场上，给买家一个可信的谈判外部选项——这本身就足以重塑 AI 基础设施的经济学。

相关链接​

参考资料​

本文基于 2026 年 8 月 Hot Chips 现场报道、企业公告与行业分析整理。部分产能与性能为券商估算或厂商公布口径，实际以量产产品为准。

OpenAI 自研 AI 芯片 Jalapeño 深度解析：9 个月流片，推理成本降低 50%

· 阅读需 10 分钟
Charles Qing
AI Hardware Analyst

2026 年 6 月 24 日，OpenAI 与博通（Broadcom）联合发布首款自研 AI 推理芯片 Jalapeño。这款专为大型语言模型推理设计的 ASIC，从设计到流片仅用 9 个月，推理成本降低约 50%，标志着 OpenAI 从纯模型公司转型为全栈 AI 基础设施提供商。

一、核心结论（先看这里）​

维度Jalapeño当前 GPU 方案优势
推理成本-50%基准✅ 成本减半
每瓦性能显著优于当前最先进加速器✅ 能效领先
设计周期9 个月~18 个月✅ 速度快 2x
定位推理 ASIC训练+推理 GPU专用优化
供货仅内部市场采购⚠️ 不对外销售

一句话总结：Jalapeño 是 OpenAI 全栈 AI 战略的关键一步，用自研芯片将推理成本降低 50%，同时开启"AI 辅助设计 AI 芯片"的新范式。

二、Jalapeño 是什么？​

2.1 基本信息​

项目内容
名称Jalapeño（哈拉贝诺辣椒）
类型专用集成电路（ASIC）
定位大型语言模型推理任务
发布时间2026-06-24
流片时间2025-09（推测，9 个月极速流片）
部署时间2026 年底（千兆瓦级数据中心）
合作方博通（Broadcom）、台积电（TSMC）、Celestica
制程TSMC 3nm
架构Systolic Array（脉动阵列）
HBM8 堆栈（推测 HBM3E 或 HBM4）

2.2 为什么叫"Jalapeño"？​

Jalapeño 是一种墨西哥辣椒，以"中等辣度、强烈风味"著称。OpenAI 以此命名，暗示这款芯片：

  • ✅ 辣度适中：不是最激进的架构（相比 Cerebras WSE），但足够有效
  • ✅ 风味强烈：在推理场景下有强烈的存在感（成本降低 50%）
  • ✅ 开胃前菜：这只是"多代路线图的第一步"（博通 CEO 陈福阳）

三、技术深度解析​

3.1 9 个月极速流片：AI 辅助设计芯片的新范式​

通常情况下，从零开始设计一块 ASIC 芯片需要 1.5 到 2 年。而 Jalapeño 从初始设计到制造流片仅用了 9 个月。

关键原因：深度软硬件协同开发

技术手段说明
AI 辅助架构探索OpenAI 用自家前沿模型（GPT-5.3-Codex-Spark）探索芯片架构设计空间
AI 功耗仿真用 AI 模型进行功耗仿真与优化
强化学习优化用 RL 优化芯片布局布线
博通硅实现能力博通提供业界顶尖的 ASIC 实现能力（网络芯片、交换芯片经验）

OpenAI 总裁 Greg Brockman 表示：

"我们利用服务于用户的前沿模型，来优化运行未来模型的基础设施。"

3.2 专为推理优化的架构​

与通用 GPU 不同，Jalapeño 是围绕 OpenAI 对 LLM 推理工作负载的深度理解从零构建的 ASIC：

架构特性说明
降低数据移动架构核心在于减少数据搬运（推理任务的主要瓶颈）
平衡计算-内存-网络资源分配针对推理优化，使实际利用率更接近理论峰值
结合高吞吐与低延迟目标是将当前领先加速器的吞吐能力与最快专用推理系统的低延迟结合起来
支持未来模型不仅支持现有模型（GPT-5、GPT-5.3），也适配未来新一代模型的推理需求

3.3 全栈平台：不只是芯片​

Jalapeño 是一个多代计算平台，而不仅仅是一颗芯片：

组件供应商说明
加速器芯片OpenAI 设计，台积电制造TSMC 3nm，8 堆栈 HBM
网络交换芯片博通 Tomahawk高速互联（与 NVIDIA NVLink 竞争）
电路板、机架、系统Celestica整机架解决方案
软件栈OpenAI深度适配 GPT、Codex、Agent 产品

部署目标：千兆瓦（Gigawatt）级数据中心

博通 CEO 陈福阳表示：

"Jalapeño 将于今年开始与微软和其他合作伙伴一起部署在千兆瓦级数据中心。"

四、性能与成本分析​

4.1 推理成本降低 50%​

虽然 OpenAI 官方新闻稿中针对 Jalapeño 带来的成本节约表述相当保守，仅透露其"每瓦性能大幅优于当前最先进水平"，未给出具体百分比。

但据彭博社报道，博通 CEO 陈福阳透露：

早期内部测试显示，相较于当前主流 AI GPU，Jalapeño 可实现约 50% 的推理成本节省。

对于 OpenAI 的意义：

项目当前（GPU 方案）Jalapeño 方案节省
每天 API 调用数亿次数亿次—
推理成本占比~60-70% 运营成本~30-35%-50%
年算力支出数十亿美元数亿美元节省数十亿美元

4.2 每瓦性能显著优于当前最先进水平​

OpenAI 公告指出：

"Jalapeño 工程样品已以目标频率和功耗成功运行 GPT-5.3-Codex-Spark 等复杂强化学习任务，早期测试显示每瓦性能显著优于当前最先进的 AI 加速器。"

对比对象：NVIDIA Blackwell（当前最先进的 AI 加速器）

指标JalapeñoNVIDIA Blackwell说明
每瓦性能显著优于基准OpenAI 官方表述
推理延迟媲美最快专用推理系统基准目标
吞吐量媲美当前领先加速器基准目标
TDP未公开（推测 400-700W）700-1000WJalapeño 可能更低

五、对 AI 芯片市场的影响​

5.1 "去英伟达化"加速​

Jalapeño 的发布是科技巨头集体挑战英伟达市场主导地位的又一注脚：

厂商自研芯片类型状态与 OpenAI 的关系
GoogleTPU v6e / Ironwood训练+推理✅ 已商用Google Cloud 供应 OpenAI
AmazonTrainium 3训练✅ 已发布AWS 供应 OpenAI
MicrosoftMaia 100训练+推理✅ 已发布OpenAI 独家合作伙伴
MetaMTIA训练+推理✅ 已发布—
AppleNeural Engine端侧推理✅ 已商用—
OpenAIJalapeño推理🚧 2026 年底部署自用 + 可能出售给第三方

5.2 OpenAI 并非要完全"抛弃"英伟达​

Brockman 坦言：

"我们根本无法足够快地获得算力。"

目前，OpenAI 同时在向英伟达、AWS、AMD 和 Cerebras 等多方采购芯片，Jalapeño 是对其爆炸性算力需求的结构性补充，而非替代。

5.3 可能出售给第三方​

博通 CEO 陈福阳特别强调：

"这只是一个'多代路线图的起点'，OpenAI 与博通的目标是共同建设千兆瓦（Gigawatt）级算力集群。"

这意味着，OpenAI 有可能将其硬件出售给第三方，前提是它能从博通和台积电获得足够的供货。

六、Jalapeño vs 其他自研芯片对比​

指标Jalapeño（OpenAI）TPU v6e（Google）Trainium 3（Amazon）Maia 100（Microsoft）
发布时间2026-06-2420242025 Q42023
类型推理 ASIC训练+推理 TPU训练 ASIC训练+推理
制程TSMC 3nmTSMC 4nmTSMC 5nm（推测）TSMC 5nm（推测）
是否对外销售❌ 仅内部（可能未来出售）✅ GCP✅ AWS❌ 仅内部
设计周期9 个月~18 个月~18 个月~18 个月
AI 辅助设计✅ 首款❌ 否❌ 否❌ 否
成本优势-50% 推理成本优化优化优化

关键差异：

  • ✅ Jalapeño 是首款由 AI 辅助设计的 AI 芯片
  • ✅ Jalapeño 设计周期仅 9 个月（行业平均 18 个月）
  • ⚠️ Jalapeño 不对外销售（至少目前如此）

七、未来路线图​

7.1 多代芯片平台​

Jalapeño 只是一个"多代路线图的起点"：

时间事件
2026 年底Jalapeño 初始部署（千兆瓦级数据中心）
2027 年Jalapeño v2（推测，架构优化）
2027-2028 年Jalapeño 训练版本（推测，挑战 TPU/Trainium）
2028 年及以后千兆瓦级算力集群全面建成

7.2 OpenAI 全栈 AI 基础设施战略​

层次OpenAI 自研外包/采购
模型✅ GPT-5、GPT-5.3、Codex—
芯片✅ Jalapeño（推理）NVIDIA GPU、AWS Trainium、AMD GPU
系统✅ 与 Celestica 合作微软 Azure 数据中心
网络✅ 博通 Tomahawk微软 Azure 网络
云平台❌ 无微软 Azure（独家合作伙伴）

八、行业反响与专家观点​

8.1 支持观点​

专家观点
博通 CEO 陈福阳"Jalapeño 只是一个多代路线图的起点，目标是共同建设千兆瓦级算力集群。"
OpenAI 总裁 Greg Brockman"我们利用服务于用户的前沿模型，来优化运行未来模型的基础设施。"
业内人士"Jalapeño 的发布是科技巨头集体挑战英伟达市场主导地位的又一注脚。"

8.2 质疑观点​

质疑点说明
不对外销售目前仅内部使用，第三方无法采购，对英伟达市场份额影响有限
软件生态OpenAI 需要自建软件栈，与 CUDA 生态竞争难度大
供货能力台积电产能有限，能否满足 OpenAI + 博通 + 其他客户的需求？
性能数据不透明OpenAI 未公布具体规格（算力、显存、带宽、TDP），难以客观评估

九、对开发者的意义​

9.1 如果 OpenAI 未来出售 Jalapeño 给开发者...​

场景当前（NVIDIA GPU）未来（Jalapeño）
推理成本基准-50%
推理延迟基准可能更低
软件栈CUDA + TensorRTOpenAI API（可能开源软件栈）
采购难度高（出口管制、供不应求）低（OpenAI 直接供应）

9.2 即使不出售，也值得关注​

  • ✅ 推理成本降低 50% 会倒逼英伟达、AMD、英特尔降低 GPU 价格
  • ✅ AI 辅助设计芯片的新范式会被行业快速复制
  • ✅ 9 个月流片周期会成为行业新基准

十、总结​

维度评价
技术创新⭐⭐⭐⭐⭐ 首款 AI 辅助设计的 AI 芯片，9 个月流片
成本优势⭐⭐⭐⭐⭐ 推理成本降低 50%，年节省数十亿美元
战略意义⭐⭐⭐⭐⭐ OpenAI 从纯模型公司转型为全栈 AI 基础设施提供商
市场影响⭐⭐⭐⭐ "去英伟达化"加速，科技巨头自研芯片阵营壮大
开放性⭐⭐ 目前仅内部使用，未来可能出售给第三方

最终建议：

  • 🇨🇳 中国市场：继续关注华为昇腾、寒武纪 MLU、摩尔线程 MTT（Jalapeño 不对中国出售）
  • 🌍 国际市场：关注 Jalapeño 是否未来对外销售，以及其对英伟达市场份额的影响
  • 💡 开发者：关注 OpenAI API 降价可能性（推理成本降低 50% 可能部分让利给开发者）

参考资料​

声明：本文部分规格为推测值，以 OpenAI 官方技术白皮书为准。OpenAI 将在未来数月内发布详细性能技术白皮书。

最后更新：2026-06-26

Intel Gaudi 4 / Jaguar Shores 最新进展：重返AI竞赛，HBM4内存加持

· 阅读需 7 分钟
AI Compute Cards Wiki Editorial
Industry Research Team

2026年3月18日，Intel在Intel AI Summit上正式发布：Habana Gaudi 4定制AI加速卡。这是Intel在Gaudi 3（2024年4月发布）之后的最新一代AI训练/推理芯片，专为大规模模型训练设计。

同时，Intel确认下一代Jaguar Shores GPU（数据中心GPU）正在研发中，将采用HBM4内存，预计2027年发布。这标志着Intel正式重返AI芯片竞赛。

核心亮点​

  • Gaudi 4：2026年3月发布，TSMC 5nm、64GB HBM3e、专为大规模训练
  • Jaguar Shores：2027年发布（预计），采用HBM4、对标NVIDIA Rubin
  • Crescent Island：Intel首款通用GPU（2026年发布），采用Xe3架构
  • 软件生态：Intel AI Stack（包含oneAPI、BigDL、Gaudi Software Suite）
  • 代工合作伙伴：TSMC（Gaudi 4、Jaguar Shores）、Intel Foundry（Crescent Island）

Gaudi 4 详细规格​

Gaudi 4是Intel旗下Habana Labs（2019年收购）设计的第四代AI加速卡。

参数Gaudi 4Gaudi 3（2024）NVIDIA B200
架构Habana 4Habana 3Blackwell
制程TSMC 5nmTSMC 7nmTSMC 4NP
FP8算力~2,000 TFLOPS（推测）1,000 TFLOPS4,500 TFLOPS（稀疏）
显存64GB HBM3e128GB HBM2e（推测）192GB HBM3e
显存带宽~3 TB/s（推测）~2 TB/s（推测）8 TB/s
TDP~500W（推测）~400W700-1000W
互联RoCE v3（以太网）RoCE v2NVLink 5.0
发布时间2026年3月2024年4月2024年3月
量产时间2026年Q3（推测）2024年Q42024年Q4

📌 注：Gaudi 4具体规格尚未完全公开，上表部分为推测值。

Gaudi 4的关键特性​

  1. 以太网原生支持：采用RoCE v3（RDMA over Converged Ethernet），无需专用互联协议（如NVLink）
  2. 大规模扩展优化：万卡集群扩展效率优于InfiniBand（成本更低）
  3. 稀疏化加速：MoE模型原生支持
  4. 多精度支持：FP8/FP16/FP32/INT8/INT4
  5. 开放生态：支持PyTorch、TensorFlow、JAX（通过第三方适配）

Jaguar Shores：Intel的下一代GPU​

Jaguar Shores是Intel首款真正意义上的数据中心GPU（不是Gaudi那样的ASIC）。

为什么叫"Jaguar Shores"？​

  • Jaguar：美洲豹，代表"速度"和"敏捷"
  • Shores：海岸，代表"开放"和"连接"（对标NVIDIA的"海岸"命名风格？）

Jaguar Shores 推测规格​

参数Jaguar Shores（推测）NVIDIA RubinAMD MI455X
架构Xeu 3（推测）RubinCDNA 4
制程TSMC 3nm（推测）TSMC 3nmTSMC 3nm
显存HBM4（确认）HBM4HBM4
显存容量288GB（推测）288GB288GB
FP8算力~4,000 TFLOPS（推测）~6,000 TFLOPS6,000 TFLOPS
TDP~800W（推测）~1,000W~800W
发布时间2027年（预计）2026年Q32026年Q3

关键确认：

  • ✅ HBM4内存：Intel已确认Jaguar Shores将采用SK海力士的HBM4内存
  • ✅ TSMC代工：Jaguar Shores将由TSMC生产（不是Intel Foundry）
  • ✅ oneAPI原生支持：Jaguar Shores将原生支持oneAPI编程模型

Crescent Island：Intel的首款通用GPU​

Crescent Island是Intel在2025年10月公布的首款通用数据中心GPU，采用Xe3架构（Xe-HPG的升级版）。

参数Crescent Island（推测）Intel Data Center GPU MaxNVIDIA L40S
架构Xeu 3Xeu 2（Ponte Vecchio）Ada Lovelace
定位通用计算+AI推理HPC+AI训练AI推理+图形
制程TSMC 5nm（推测）Intel 7 + TSMC 5nmTSMC 4N
显存48GB HBM3（推测）128GB HBM2e48GB GDDR6
TDP~300W（推测）600W350W
发布时间2026年（预计）2023年1月2023年3月

定位：

  • ✅ 通用GPU：既能做AI推理，也能做科学计算（HPC）
  • ✅ 低成本：价格比Gaudi 4更低，对标NVIDIA L40S
  • ✅ 开放标准：支持oneAPI、SYCL、Level Zero

Intel AI芯片路线图（2024-2027）​

时间产品类型制程备注
2024年Q4Gaudi 3AI ASICTSMC 7nm当前主力
2026年Q2Crescent Island通用GPUTSMC 5nm新发布
2026年Q3Gaudi 4AI ASICTSMC 5nm新发布
2027年Jaguar Shores数据中心GPUTSMC 3nm下一代旗舰
2027年Gaudi 5（推测）AI ASICTSMC 3nm下一代

与竞品对比​

Gaudi 4 vs NVIDIA B200​

指标Gaudi 4NVIDIA B200
FP8算力~2,000 TFLOPS4,500 TFLOPS
显存64GB HBM3e192GB HBM3e
互联以太网（RoCE v3）NVLink 5.0
软件生态Gaudi Software SuiteCUDA
价格推测 ~$20,000~$45,000
优势以太网成本低、开放生态最成熟、性能最强
劣势软件生态弱、算力低价格昂贵

结论：Gaudi 4的定位是**"性价比训练方案"**，适合对成本敏感、且愿意投入软件适配的客户。

Jaguar Shores vs NVIDIA Rubin​

指标Jaguar Shores（推测）NVIDIA Rubin
FP8算力~4,000 TFLOPS~6,000 TFLOPS
显存288GB HBM4288GB HBM4
软件生态oneAPICUDA
量产时间2027年2026年Q3
优势开放标准、可能更便宜生态成熟、先发优势
劣势生态弱、晚1年价格昂贵

结论：Jaguar Shores如果能按时发布，且oneAPI生态有足够改善，可以成为NVIDIA的第三选择（仅次于NVIDIA和AMD）。

软件生态：oneAPI的进步与挑战​

oneAPI是什么？​

oneAPI是Intel推出的开放、跨架构编程模型：

  • 支持CPU、GPU、FPGA、AI加速器
  • 基于SYCL标准（类似CUDA的C++扩展）
  • 开源实现（Intel oneAPI Base Toolkit）

Intel AI Stack​

组件用途对标
oneAPI跨架构编程模型CUDA
BigDL分布式深度学习框架PyTorch Distributed
Gaudi Software SuiteGaudi专用软件栈NVIDIA GPU Cloud (NGC)
Intel Extension for PyTorchPyTorch在Intel硬件上的优化NVIDIA PyTorch
Intel Optimization for TensorFlowTensorFlow在Intel硬件上的优化NVIDIA TensorFlow

✅ 进步​

  • PyTorch 2.5+：Intel Extension已集成到PyTorch主线
  • Hugging Face Transformers：官方支持Intel GPU（通过optimum-intel）
  • vLLM：实验性支持Gaudi（性能待验证）

⚠️ 挑战​

  • 开发者习惯：全球AI开发者都用CUDA，oneAPI学习曲线陡峭
  • 算子覆盖率：很多PyTorch算子还没有oneAPI优化版本
  • 性能：same功耗下，Gaudi 4性能只有B200的50%左右

行业影响​

1. Intel能否重返AI竞赛？​

挑战：

  • ❌ 生态劣势：CUDA护城河太深，oneAPI难以撼动
  • ❌ 性能劣势：Gaudi 4性能只有B200的50%
  • ❌ 时间劣势：Jaguar Shores比Rubin晚1年

机会：

  • ✅ 开放标准：不依赖CUDA，适合"反NVIDIA垄断"的客户
  • ✅ 以太网优势：RoCE v3在万卡集群上成本低于InfiniBand
  • ✅ ** Intel Foundry**：如果Jaguar Shores能用Intel自家工艺生产，成本更低

2. 对AMD的影响​

Intel重返AI竞赛，对AMD是坏事：

  • AMD本来是"NVIDIA唯一替代品"
  • 现在Intel也回来了，AMD的"替代品"地位受到挑战
  • 但短期内（2026-2027），Intel还无法威胁AMD

3. 对国产芯片的影响​

Intel Gaudi 4的发布，对国产芯片是参考案例：

  • 证明以太网路线（RoCE）可行
  • 证明开放生态（oneAPI）虽难但有必要
  • 证明性价比路线有市场（成本敏感客户）

相关芯片​

参考资料​

本文基于Intel官方公告及公开资料整理，部分规格为推测值，以Intel官方最终发布为准。