AI芯片与硅产业盘点 2026

摘要

• NVIDIA的Vera Rubin VR200被称为2026年最受期待的发布，叙述者预计它“很可能再次登顶”。 该芯片基于TSMC N3B工艺，配备HBM4，单个封装目标是35 PFLOPS FP4算力，拥有288 GB显存、22 TB/s带宽，并通过NVIDIA的NVLink扩展网络扩展成NVL72机架——但需要注意，22 TB/s只是“NVIDIA目前设定的目标速度”。
• AMD的2026年可能成为转折点，前提是执行到位：“如果MI455X和Helios Rack能按时交付”。 CDNA 5采用3200亿个晶体管，由12个2纳米和3纳米逻辑芯粒组成，并通过先进的3.5D封装连接；其核心优势在于内存：432 GB新一代HBM4，带宽接近20 TB/s。这一优势将“至少持续到Rubin Ultra发布，后者将配备完整的1 TB HBM”。
• 本期的结构性判断是：“越来越多的推理任务正在从NVIDIA转向定制芯片。” Microsoft Maia 200拥有1400亿个晶体管、216 GB HBM3E，在FP8和FP4下的算力分别超过5 PFLOPS和10 PFLOPS，未来将运行 ChatGPT 模型；Meta的MTIA v3很可能采用HBM，并且“能带来不错的利润率”，因此外部硬件可以承担训练，内部推理则转向自研。
• Trainium 3凭借Trainium 2的部署规模，被视为未来大规模部署的头号竞争者。 AWS在Canton和New Carlisle数据中心已经部署了数十万颗Trainium 2；Anthropic的Claude Code在Trainium上训练并运行，而“OpenAI将从今年开始使用2 GW的Trainium算力”。
• 如果外部客户能像Google一样使用Ironwood（TPU v7），它将成为效率领域的重量级产品。 该芯片配备192 GB HBM3E，很可能拥有超过1000亿个晶体管，并通过光学电路交换机——“微小的物理镜面”——连接最多容纳9,216颗TPU的superpod。
• Qualcomm押注LPDDR，1年前可能是个绝妙主意；但如今内存价格“全面飙升”，LPDDR5X也不例外。 搭载768 GB LPDDR5X的AI 200不太可能掀起波澜，但AI 250据称将采用计算贴近内存的架构；Qualcomm称，搭配LPDDR6后，该架构能带来10倍有效带宽提升——“先别急着戴上派对帽，但要记住Qualcomm”。
• SRAM路线的异类产品值得尊重，但还不足以形成确信：NVIDIA认为Groq的确定性LPU“价值大约200亿美元”，而Cerebras搭载44 GB片上SRAM的WSE3“已经不太够用了”，即便它采用的是SRAM。 Intel的Jaguar Shores采用18A工艺并配备288 GB HBM4，纸面上具备竞争力，但目前看并非面向2026年，可能要到2027年才推出。

精读

参考音频是一段由单一叙述者完成的脚本式盘点，以下引述均归于该叙述者。叙述者将2026年定义为AI硬件的大年，覆盖GPU、ASIC及更多方向，并指出这个行业已经不再处于萌芽期：Google在2015年推出TPU，NVIDIA则在2017年推出首款Tensor Core GPU。

1. Vera Rubin与Helios——内存容量成为新战场

• 叙述者对NVIDIA的判断是：采用TSMC N3B工艺、配备HBM4的VR200，单个封装提供35 PFLOPS FP4算力、288 GB容量和目标22 TB/s带宽；放进NVL72机架后，“很可能再次登顶。还是说，不会？”
• 真正需要关注的变量是：MI455X拥有3200亿个晶体管、432 GB新一代HBM4和约20 TB/s带宽，在内存上占优，“至少持续到Rubin Ultra发布，后者将配备完整的1 TB HBM”。如果MI455X和Helios Rack按时交付，AMD的2026年可能成为转折点。
• Intel的Jaguar Shores采用18A工艺、1750亿个晶体管和288 GB HBM4，纸面上具备竞争力，但目前看并非面向2026年，可能要到2027年才推出。Intel必须证明芯片本身和配套软件都能过关。

2. 超大规模云厂商的ASIC正在把推理任务从NVIDIA手中夺走

• 核心脉络是：“越来越多的推理任务正在从NVIDIA转向定制芯片。” Maia 200芯片面积约825 mm²，拥有1400亿个晶体管、216 GB HBM3E，在FP8和FP4下的算力分别超过5 PFLOPS和10 PFLOPS，未来将运行 ChatGPT 模型。
• 按叙述者的说法，Meta“非常清楚自己的内部工作负载需要什么”——包括AI聊天机器人和推荐模型，但不是 AGI——因此自研推理芯片可以提供不错的利润率，同时让Meta用外部硬件训练新模型。具体规格尚未公开，但这款芯片很可能采用TSMC N3P工艺，晶体管数量超过1000亿，并配备HBM；此前的MTIA版本采用LPDDR5X。
• Trainium 3是未来大规模部署的头号竞争者：它同时支持训练和推理，而AWS的Canton和New Carlisle数据中心已经部署了数十万颗Trainium 2。Claude Code在Trainium上训练并运行，OpenAI则将从今年开始使用2 GW的Trainium算力。

3. Google凭借光交换技术享有十年先发优势

• Ironwood（TPU v7）采用N3E工艺，很可能拥有超过1000亿个晶体管，并配备192 GB HBM3E，主要用于运行Gemini推理任务；它真正的“超能力”是光学电路交换机，也就是连接最多容纳9,216颗TPU的superpod的物理镜面。
• 到目前为止，TPU只有Google自己在使用；只有当外部客户也能像Google一样使用Ironwood时，它才会成为“高效、低成本推理领域的重量级产品”。

4. Qualcomm的内存押注与SRAM路线的逆行者

• Qualcomm近期搭建的1,024颗芯片AI 100集群规模很小，“对2026年无关紧要”。AI 200选择LPDDR5X而不是供应受限的HBM，这个押注1年前可能很漂亮，但如今内存价格“全面飙升”，LPDDR5X也未能幸免。AI 200今年不太可能掀起大波澜，市场希望转向AI 250的计算贴近内存设计：Qualcomm宣称，搭配速度更快的新一代LPDDR6后，有效带宽可提升10倍。
• Groq——“名字里是Q，不是K”——用内存换取确定性：230 MB SRAM、不依赖外部内存，并通过类似钟表般的执行机制，“基本消除了GPU需要处理的延迟问题”；但“即便运行更小的模型，也需要连接大量LPU。一切都是权衡。”NVIDIA收购了Groq，并认为其价值约200亿美元。2026年是否会有产品尚不确定，真正值得关注的是基于Samsung 4纳米工艺的第二代LPU。
• Cerebras的晶圆级WSE3拥有4万亿个晶体管、44 GB SRAM，理论带宽为21 PB/s，在超高速服务器领域依然“非常独特”且具备竞争力；但“即便是SRAM，44 GB也已经不太够用了”。目前只能把希望寄托在WSE4官宣上。

5. 尚未回答的宏观问题

• 盘点结束时，叙述者留下了一个悬而未决的问题：“现在，所有曲线都还在向上，但这种情况还能持续多久？”随后话题转向SemiAnalysis的Accelerator和HBM模型，以及覆盖真实加速器基准测试的免费Inference X仪表盘。