正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

黄仁勋手上提的这个东西叫NVlink 英伟达最被低估的硬件整个部分全部采用纯铜打造现在训练大模型的最大瓶颈不是高带宽内存是通信延迟延迟决定了GPU利用效率延迟 >内存>算力>算法

墓碑科技

68,917 subscribers

184,779 次观看 • 1 年前 •via X (Twitter)

科学技术新闻政治教育

Anya Rossi• Live Now

Private livecam show

3 条评论

Michael Chao e/acc🇸🇬🇺🇲🇮🇱 的头像

Michael Chao e/acc🇸🇬🇺🇲🇮🇱1 年前

听起来像是个魔法工具，真想看看它能如何“链接”我的思维！

Pwnage 的头像

Pwnage1 年前

Stormbreaker Max CF design to production Get the next generation of high end performance gaming mice. Shop now:

Hello,2025! 的头像

Hello,2025!1 年前

nvlink技术能用于局域网就好了

相关视频

美国的算力规模是中共国的十倍。这曾是硅谷最大的安全感来源。播客主Dwarkesh的账算得很完美。靠着算力碾压，美国能率先跑通最强模型，提前堵死网络漏洞。只要卡住高端芯片，就能把对手的一百万个AI黑客压制成一千个。黄仁勋直接掀翻了这个逻辑。训练Mistral这种级别的模型根本不需要顶级GPU。中共国手握全球一半的AI研究员，普通算力更是不计其数。买不到最顶级的硬件怎么办？死磕代码。算力上的饥饿感，逼出了最极致的算法优化。 DeepSeek的突围就是最扎实的证据。黄仁勋抛出了一个更危险的推演。现在全球开源大模型的大量贡献来自中共国。如果持续封锁把这些模型全部逼到华为的技术栈上。几年后，中东和东南亚将跑满基于非美国标准的AI应用。美国等于亲手把全球生态的定价权拱手让人。硬件的墙挡不住写代码的手。大国博弈最后拼的还是底层生态的统治力。

美国的算力规模是中共国的十倍。这曾是硅谷最大的安全感来源。播客主Dwarkesh的账算得很完美。靠着算力碾压，美国能率先跑通最强模型，提前堵死网络漏洞。只要卡住高端芯片，就能把对手的一百万个AI黑客压制成一千个。黄仁勋直接掀翻了这个逻辑。训练Mistral这种级别的模型根本不需要顶级GPU。中共国手握全球一半的AI研究员，普通算力更是不计其数。买不到最顶级的硬件怎么办？死磕代码。算力上的饥饿感，逼出了最极致的算法优化。 DeepSeek的突围就是最扎实的证据。黄仁勋抛出了一个更危险的推演。现在全球开源大模型的大量贡献来自中共国。如果持续封锁把这些模型全部逼到华为的技术栈上。几年后，中东和东南亚将跑满基于非美国标准的AI应用。美国等于亲手把全球生态的定价权拱手让人。硬件的墙挡不住写代码的手。大国博弈最后拼的还是底层生态的统治力。

墓碑科技

47,009 次观看 • 5 个月前

很多人卸载了沉浸式翻译，我看上了里面那个贼快的模型供应商卸载沉浸式翻译之后，用其他翻译插件明显感觉翻译变慢了，是肉眼可见的差异，所以去看了一下它的免费模型供应商，才发现它用的是 Stepfun。 Stepfun 有一个专门面向开发者的订阅计划叫 Step Plan，里面主推的模型是 Step 3.5 Flash 2603，官方定位就是“低延迟推理 + Agent 工作负载”。这正解释了我之前的体验：不是翻译插件本身写得有多好，而是底层模型的推理管道极短，首 token 延迟压得很低。为了验证这个结论，我直接买了一个 Step Plan，打算把它接到自己的翻译脚本上，量化看看它到底快在哪。测试环境很简单，没有用现成的翻译插件，而是自己写了一个极简的网页翻译工具：浏览器扩展抓取当前页面选中文本，通过 API 发给 Step 3.5 Flash 2603，要求直接返回中文译文，不做额外解释。我选了五个真实的英文网页做测试：一篇 Medium 技术博客（约 800 词）、一段维基百科词条（约 1500 词）、一份 arXiv 论文摘要页（约 3000 词）、再加一篇完整的英文报道（约 10000 词）。每个网页取整页正文，连续测 10 次取平均值，同时用另一个主流 Flash 级模型做相同任务的对照。结果可以说非常直观： - 800 词的技术博客，Step 3.5 Flash 2603 首 token 延迟平均 0.17 秒，我几乎感知不到等待。 - 1500 词的维基词条，首 token 延迟 0.20 秒，长段落也稳。 - 3000 词的论文摘要，首 token 延迟 0.25 秒，对比模型在这个量级已经开始出现首 token 延迟跃升到 0.5 秒以上。 - 10000 词的完整报道，这是最考验推理引擎的场景，首 token 延迟 0.34 秒，全程没有限流、没有中断，译文质量也没有因为速度快而出现乱翻或漏段。对照模型在 3000 词以后的首 token 延迟普遍在 0.5-0.8 秒之间，10000 词时甚至接近 1 秒。而 Step 3.5 Flash 2603 关闭推理后把“首字延迟”控制在 0.3 秒上下，这个数字正好是大多数人感知“即时反馈”的阈值。也就是说，从你松手到译文出现，它快得像是提前算好了一样。 StepFun ⬇️

很多人卸载了沉浸式翻译，我看上了里面那个贼快的模型供应商卸载沉浸式翻译之后，用其他翻译插件明显感觉翻译变慢了，是肉眼可见的差异，所以去看了一下它的免费模型供应商，才发现它用的是 Stepfun。 Stepfun 有一个专门面向开发者的订阅计划叫 Step Plan，里面主推的模型是 Step 3.5 Flash 2603，官方定位就是“低延迟推理 + Agent 工作负载”。这正解释了我之前的体验：不是翻译插件本身写得有多好，而是底层模型的推理管道极短，首 token 延迟压得很低。为了验证这个结论，我直接买了一个 Step Plan，打算把它接到自己的翻译脚本上，量化看看它到底快在哪。测试环境很简单，没有用现成的翻译插件，而是自己写了一个极简的网页翻译工具：浏览器扩展抓取当前页面选中文本，通过 API 发给 Step 3.5 Flash 2603，要求直接返回中文译文，不做额外解释。我选了五个真实的英文网页做测试：一篇 Medium 技术博客（约 800 词）、一段维基百科词条（约 1500 词）、一份 arXiv 论文摘要页（约 3000 词）、再加一篇完整的英文报道（约 10000 词）。每个网页取整页正文，连续测 10 次取平均值，同时用另一个主流 Flash 级模型做相同任务的对照。结果可以说非常直观： - 800 词的技术博客，Step 3.5 Flash 2603 首 token 延迟平均 0.17 秒，我几乎感知不到等待。 - 1500 词的维基词条，首 token 延迟 0.20 秒，长段落也稳。 - 3000 词的论文摘要，首 token 延迟 0.25 秒，对比模型在这个量级已经开始出现首 token 延迟跃升到 0.5 秒以上。 - 10000 词的完整报道，这是最考验推理引擎的场景，首 token 延迟 0.34 秒，全程没有限流、没有中断，译文质量也没有因为速度快而出现乱翻或漏段。对照模型在 3000 词以后的首 token 延迟普遍在 0.5-0.8 秒之间，10000 词时甚至接近 1 秒。而 Step 3.5 Flash 2603 关闭推理后把“首字延迟”控制在 0.3 秒上下，这个数字正好是大多数人感知“即时反馈”的阈值。也就是说，从你松手到译文出现，它快得像是提前算好了一样。 StepFun ⬇️

耳朵

44,320 次观看 • 4 个月前

突发：英伟达(NVDA)向OpenAI投资1000亿美元，并提供10GW的计算能力。2个月前，北京拒绝黄仁勋之后，英伟达含泪将火力集中到美国本土，进行AI全产业链投资覆盖。刚刚投资英特尔(INTC)只是开胃小菜。黄仁勋：“这是历史上最大的基础设施项目…我认识的每个人都在使用 ChatGPT”。

突发：英伟达(NVDA)向OpenAI投资1000亿美元，并提供10GW的计算能力。2个月前，北京拒绝黄仁勋之后，英伟达含泪将火力集中到美国本土，进行AI全产业链投资覆盖。刚刚投资英特尔(INTC)只是开胃小菜。黄仁勋：“这是历史上最大的基础设施项目…我认识的每个人都在使用 ChatGPT”。

亚洲金融 Asia Finance

353,585 次观看 • 1 年前

英伟达最新开源的一款ASR：Nemotron Speech ASR，专攻低延迟实时语音智能体场景，多人同时对话不爆延迟单句最终转录锁定只需24ms，端到端全程<500ms，长语音不会累加等待时间核心是其在FastConformer架构里加了一套缓存感知机制，已经算过的语音特征全部缓存在显存，不再二次编码新音频只算增量，帧级复用。好比说，以前每翻一页书都要把前面几页重读一遍，现在直接夹书签只读新段落延迟模式可动态配置，80、160、560毫秒、1.12 秒等，无需重新训练，可根据应用需求灵活选择来平衡延迟和WER 基于Nemotron Speech ASR还给了一个AI语音助手构建示例，LLM用的Nemotron 3 Nano 30B，TTS是Magpie 在此配置下，Nemotron Speech ASR实现了最终转录的中位时间为24毫秒，且不受话语长度影响，长音频片段与短音频片段一样可以快速完成转录 #ASR #NemotronSpeechASR #AI语音助手

英伟达最新开源的一款ASR：Nemotron Speech ASR，专攻低延迟实时语音智能体场景，多人同时对话不爆延迟单句最终转录锁定只需24ms，端到端全程<500ms，长语音不会累加等待时间核心是其在FastConformer架构里加了一套缓存感知机制，已经算过的语音特征全部缓存在显存，不再二次编码新音频只算增量，帧级复用。好比说，以前每翻一页书都要把前面几页重读一遍，现在直接夹书签只读新段落延迟模式可动态配置，80、160、560毫秒、1.12 秒等，无需重新训练，可根据应用需求灵活选择来平衡延迟和WER 基于Nemotron Speech ASR还给了一个AI语音助手构建示例，LLM用的Nemotron 3 Nano 30B，TTS是Magpie 在此配置下，Nemotron Speech ASR实现了最终转录的中位时间为24毫秒，且不受话语长度影响，长音频片段与短音频片段一样可以快速完成转录 #ASR #NemotronSpeechASR #AI语音助手

AIGCLINK

24,216 次观看 • 8 个月前

NVIDIA 发布了类似豆包语音聊天的大模型 NVIDIA 放出了 PersonaPlex-7B-V1, 一个 7B 参数的全双工实时语音对话模型, 你可以理解为开源版的豆包语音聊天! 这玩意儿最牛的地方在于: 真正的全双工, 也就是说它能一边说一边听. 你打断它? 没问题, 它能立刻停下来听你说. 你俩同时说话? 也能处理. 这就是为啥叫 "Full Duplex" (全双工), 跟打电话一样自然. 技术上怎么实现的? 采用双流配置架构, 监听流和说话流同时运行. 模型基于 Moshi 架构魔改, 用 Mimi 编码器把语音压缩成神经编解码器 Token, 然后 7B 的 Transformer 同时预测文本和音频 Token, 最后 Mimi 解码器输出语音. 整个过程是流式的, 延迟极低. 还有个骚操作: 双重提示条件化. 你可以给它一段声音样本当 "声音提示", 它就能模仿那个声音风格说话; 再给个文本提示定义角色人设, 比如 "你是一个耐心的客服", 它就按这个人设来对话. 声音 + 人设, 都能定制. 跑分成绩: 在 FullDuplexBench 基准测试上, 平滑轮换成功率 90.8%, 用户打断处理成功率高达 95%, 响应延迟只有 170ms, 打断延迟 240ms. 官方说在对话动态、延迟、任务一致性上都优于其他开源和商业系统. 限制嘛: 目前只支持英语, 推荐硬件是 A100 80GB 或 H100, 不是一般人能跑得起的. 看了下训练数据用的是 Fisher English 数据集, 不到 1 万小时. 好消息是采用 NVIDIA Open Model License, 商用可用! 模型地址:

NVIDIA 发布了类似豆包语音聊天的大模型 NVIDIA 放出了 PersonaPlex-7B-V1, 一个 7B 参数的全双工实时语音对话模型, 你可以理解为开源版的豆包语音聊天! 这玩意儿最牛的地方在于: 真正的全双工, 也就是说它能一边说一边听. 你打断它? 没问题, 它能立刻停下来听你说. 你俩同时说话? 也能处理. 这就是为啥叫 "Full Duplex" (全双工), 跟打电话一样自然. 技术上怎么实现的? 采用双流配置架构, 监听流和说话流同时运行. 模型基于 Moshi 架构魔改, 用 Mimi 编码器把语音压缩成神经编解码器 Token, 然后 7B 的 Transformer 同时预测文本和音频 Token, 最后 Mimi 解码器输出语音. 整个过程是流式的, 延迟极低. 还有个骚操作: 双重提示条件化. 你可以给它一段声音样本当 "声音提示", 它就能模仿那个声音风格说话; 再给个文本提示定义角色人设, 比如 "你是一个耐心的客服", 它就按这个人设来对话. 声音 + 人设, 都能定制. 跑分成绩: 在 FullDuplexBench 基准测试上, 平滑轮换成功率 90.8%, 用户打断处理成功率高达 95%, 响应延迟只有 170ms, 打断延迟 240ms. 官方说在对话动态、延迟、任务一致性上都优于其他开源和商业系统. 限制嘛: 目前只支持英语, 推荐硬件是 A100 80GB 或 H100, 不是一般人能跑得起的. 看了下训练数据用的是 Fisher English 数据集, 不到 1 万小时. 好消息是采用 NVIDIA Open Model License, 商用可用! 模型地址:

karminski-牙医

25,426 次观看 • 8 个月前

首尔。世界上最聪明的CEO黄仁勋，受到明星式追捧。如想做一位成功的CEO，要多看几遍黄仁勋的演讲。从战略格局，老黄早在2006年，就押注GPU从图形渲染转向通用计算；黄仁勋不是纯商业CEO，而是半导体架构师出身，他理解硬件瓶颈，同时能把软件、网络、数据整合在一起。韩国人最喜欢的美股有哪几个？特斯拉(TSLA)、英伟达(NVDA)和微软(MSFT)。所以，做B2B的黄仁勋，必须保持热度，因为散户投资者就是B2C。

首尔。世界上最聪明的CEO黄仁勋，受到明星式追捧。如想做一位成功的CEO，要多看几遍黄仁勋的演讲。从战略格局，老黄早在2006年，就押注GPU从图形渲染转向通用计算；黄仁勋不是纯商业CEO，而是半导体架构师出身，他理解硬件瓶颈，同时能把软件、网络、数据整合在一起。韩国人最喜欢的美股有哪几个？特斯拉(TSLA)、英伟达(NVDA)和微软(MSFT)。所以，做B2B的黄仁勋，必须保持热度，因为散户投资者就是B2C。

亚洲金融 Asia Finance

62,349 次观看 • 11 个月前

🎉牛逼！没有最快，只有更快！比Jev 快50倍是什么体验？！本地跑 laya-mlx 原地起飞✈️ 这种意图决策模型最大的瓶颈就是网络延迟 Laya 是一个开源的、基于文本输出概率的分类系统我正式，开源社区已经有人将其移植到了 Apple MLX 框架，并进行了深度性能优化！我用M2 Po实测，仅占用1G内存，每秒 60次的决策速度玩转贪吃蛇😄 丝滑！👇🏻

🎉牛逼！没有最快，只有更快！比Jev 快50倍是什么体验？！本地跑 laya-mlx 原地起飞✈️ 这种意图决策模型最大的瓶颈就是网络延迟 Laya 是一个开源的、基于文本输出概率的分类系统我正式，开源社区已经有人将其移植到了 Apple MLX 框架，并进行了深度性能优化！我用M2 Po实测，仅占用1G内存，每秒 60次的决策速度玩转贪吃蛇😄 丝滑！👇🏻

Lonely

102,735 次观看 • 12 天前

Google 发布了第八代 TPU 最核心的变化：以前一颗芯片什么活都干，这次拆成了两颗，各管一头。 - TPU 8t — 专门用来训练模型 - TPU 8i — 专门用来推理，跑模型为什么要拆？因为这两件事要的东西已经彻底不一样了：训练要的是"能一次吞下海量数据"，慢一点无所谓；而跑模型要的是"反应快"——你问一句它得立刻答上来。现在 AI 进入了Agent时代（AI 自己一步步干活、反复思考），一个任务要来回想很多轮，每轮慢一点点，加起来用户就等不了了。 TPU 8t（训练）：定位为：万亿参数级大模型预训练，一组 9600 颗芯片，121 exaflops 算力、2 PB 共享内存，峰值性能是上一代的 3 倍 TPU 8i（推理）：后训练 + 实时推理，通信密集任务延迟最多少一半

Google 发布了第八代 TPU 最核心的变化：以前一颗芯片什么活都干，这次拆成了两颗，各管一头。 - TPU 8t — 专门用来训练模型 - TPU 8i — 专门用来推理，跑模型为什么要拆？因为这两件事要的东西已经彻底不一样了：训练要的是"能一次吞下海量数据"，慢一点无所谓；而跑模型要的是"反应快"——你问一句它得立刻答上来。现在 AI 进入了Agent时代（AI 自己一步步干活、反复思考），一个任务要来回想很多轮，每轮慢一点点，加起来用户就等不了了。 TPU 8t（训练）：定位为：万亿参数级大模型预训练，一组 9600 颗芯片，121 exaflops 算力、2 PB 共享内存，峰值性能是上一代的 3 倍 TPU 8i（推理）：后训练 + 实时推理，通信密集任务延迟最多少一半

小互

42,510 次观看 • 2 个月前

英伟达现在每天产生的收入是10亿美元。在这个数字基础上，英伟达预计明年还能实现约70%的收入增长。要不是内存受限的话，这个数字还会更高。而华尔街的共识预期是40%+。这个巨大的差异说明了什么？一般公司发布前瞻数据，不会一下子拉到这么高。另外，基于英伟达的估计，那么2028年每股收益将达到20美元。英伟达的股价目前是220美元不到。可以算一下这个远期PE是多少。这个是AI泡沫所产生的数据？

英伟达现在每天产生的收入是10亿美元。在这个数字基础上，英伟达预计明年还能实现约70%的收入增长。要不是内存受限的话，这个数字还会更高。而华尔街的共识预期是40%+。这个巨大的差异说明了什么？一般公司发布前瞻数据，不会一下子拉到这么高。另外，基于英伟达的估计，那么2028年每股收益将达到20美元。英伟达的股价目前是220美元不到。可以算一下这个远期PE是多少。这个是AI泡沫所产生的数据？

徐老猫

10,974 次观看 • 1 个月前

被问到为啥现在发PC，这个净利润率仅为2-5%的市场？黄仁勋：什么高利润、低利润，我对钱不感兴趣，关键是能不能创造价值！这就是未来的个人电脑，恭喜英伟达 $NVDA 已拿到 AI Agents 时代的船票！

被问到为啥现在发PC，这个净利润率仅为2-5%的市场？黄仁勋：什么高利润、低利润，我对钱不感兴趣，关键是能不能创造价值！这就是未来的个人电脑，恭喜英伟达 $NVDA 已拿到 AI Agents 时代的船票！

Annie 所长

29,110 次观看 • 4 个月前

是算力不够用，被卡住了脖子。算力缺口到底有多大？ AMD的CEO苏姿丰，给了几个数字。她说，未来4-5年，全球AI算力需要增长100倍。 100倍是什么概念？她造了个新词：Yottaflop。 1后面跟着24个零。地球上所有沙滩的沙子数量，大概是1后面22个零。用来驱动AI的算力，将比地球上所有的沙子还多。这些算力要用来干什么？她说，为了让AI无处不在。渗透进每个人的工作和生活。提高所有人的生产力。这里的关键问题是，谁来定义“生产力”？是华尔街的精英，还是俄亥俄的普通工人？是达沃斯论坛，还是美国的铁锈带？ AI的进化方向，不应该只由硅谷的几家巨头决定。这种巨大的算力，如果集中在少数人手里，到底是赋能，还是控制？我们是在创造一个辅助人类的工具，还是在打造一个数字上帝？技术狂飙的背后，谁在制定规则？谁又在真正受益？这些问题，比Yottaflop后面有多少个零，重要得多。

是算力不够用，被卡住了脖子。算力缺口到底有多大？ AMD的CEO苏姿丰，给了几个数字。她说，未来4-5年，全球AI算力需要增长100倍。 100倍是什么概念？她造了个新词：Yottaflop。 1后面跟着24个零。地球上所有沙滩的沙子数量，大概是1后面22个零。用来驱动AI的算力，将比地球上所有的沙子还多。这些算力要用来干什么？她说，为了让AI无处不在。渗透进每个人的工作和生活。提高所有人的生产力。这里的关键问题是，谁来定义“生产力”？是华尔街的精英，还是俄亥俄的普通工人？是达沃斯论坛，还是美国的铁锈带？ AI的进化方向，不应该只由硅谷的几家巨头决定。这种巨大的算力，如果集中在少数人手里，到底是赋能，还是控制？我们是在创造一个辅助人类的工具，还是在打造一个数字上帝？技术狂飙的背后，谁在制定规则？谁又在真正受益？这些问题，比Yottaflop后面有多少个零，重要得多。

墓碑科技

50,534 次观看 • 8 个月前

美光1.2倍是半导体涨幅最大的今年超过英伟达，凭什么一个内存典型周期行业咸鱼翻身？ AI 时代最火的故事是算力，大家都盯着 GPU，看谁的芯片更快、更强，谁能抢到英伟达份额。但真正懂技术的人都知道GPU 只是发动机，内存才是油箱。内存还能继续吗？会不会24-27将进入一个超级周期… AI 的瓶颈不在算力，而在记忆力。没有足够快、足够大的内存，AI 就像一个健忘的天才，算得快但记不住。所以接下来的主角，不再是 GPU，而是内存。全世界的内存产业正进入一个罕见的“超级周期”。核心产品叫 HBM（高带宽内存）。它的本质，就是把DRAM内存一层一层叠起来。AI 模型越大、推理越复杂，就越离不开它。但能做 HBM 的，全世界只有三家公司：三星、SK 海力士、美光。不是因为别人不想做，而是因为这东西太难了。这是一层层堆叠要精密级，良率要高，散热要稳，功耗还要低。谁能把这几个平衡点同时拿下，谁就能成为 AI 世界的“记忆中心”。现在这个超级周期已经走到一半，需求没问题，供给也没问题，技术更是大突破。唯一的风险是价格。当三家都量产、都认证通过，2026 年开始价格下滑几乎是必然。这就是资本主义永远有竞争谁也不会一家独大，这是良性的，每次被新闻头条什么降价之类的杀情绪的时候、要记住：这是一个被 AI 锁定的四年超级周期，HBM 是绝对的核心战场。拿住 ALL IN。关注我，有逻辑变化，我会及时发布展望。

美光1.2倍是半导体涨幅最大的今年超过英伟达，凭什么一个内存典型周期行业咸鱼翻身？ AI 时代最火的故事是算力，大家都盯着 GPU，看谁的芯片更快、更强，谁能抢到英伟达份额。但真正懂技术的人都知道GPU 只是发动机，内存才是油箱。内存还能继续吗？会不会24-27将进入一个超级周期… AI 的瓶颈不在算力，而在记忆力。没有足够快、足够大的内存，AI 就像一个健忘的天才，算得快但记不住。所以接下来的主角，不再是 GPU，而是内存。全世界的内存产业正进入一个罕见的“超级周期”。核心产品叫 HBM（高带宽内存）。它的本质，就是把DRAM内存一层一层叠起来。AI 模型越大、推理越复杂，就越离不开它。但能做 HBM 的，全世界只有三家公司：三星、SK 海力士、美光。不是因为别人不想做，而是因为这东西太难了。这是一层层堆叠要精密级，良率要高，散热要稳，功耗还要低。谁能把这几个平衡点同时拿下，谁就能成为 AI 世界的“记忆中心”。现在这个超级周期已经走到一半，需求没问题，供给也没问题，技术更是大突破。唯一的风险是价格。当三家都量产、都认证通过，2026 年开始价格下滑几乎是必然。这就是资本主义永远有竞争谁也不会一家独大，这是良性的，每次被新闻头条什么降价之类的杀情绪的时候、要记住：这是一个被 AI 锁定的四年超级周期，HBM 是绝对的核心战场。拿住 ALL IN。关注我，有逻辑变化，我会及时发布展望。

Tigris | 会讲课教授是好老师

172,785 次观看 • 1 年前

造出一颗能跑万物的芯片，需要多久？黄仁勋给出的答案是：33年。来看看英伟达掏出来的怪物：N1X。这是他们和联发科（MediaTek）联手打造的新玩具。黄仁勋在台上，这是世界上迄今为止造出来的最惊人的芯片。为什么是一颗需要“33年”才能造出来的芯片？因为硬件的背后，是时间堆出来的巨大护城河。英伟达百分之百的软件栈，全都能在这颗芯片上完美运行。你想跑数字生物学？没问题。想做地震数据处理、天体物理计算？也没问题。所有跟 CUDA 绑定的物理、生物、基因组学、AI 和计算机图形学，它全都能接得住。但这还没完。微软和英伟达联手，对它进行了极其苛刻的底层优化。结果就是，英伟达创造过的所有应用，Windows 跑过的所有应用，它全包了。它几乎能运行这个世界上已经被创造出来的所有数字心血。不仅如此，它现在已经开始支持运行 AI 智能体（Agents）了。这块硅片，承载着英伟达过去三十多年打下的算力江山，是通向未来的门票。

造出一颗能跑万物的芯片，需要多久？黄仁勋给出的答案是：33年。来看看英伟达掏出来的怪物：N1X。这是他们和联发科（MediaTek）联手打造的新玩具。黄仁勋在台上，这是世界上迄今为止造出来的最惊人的芯片。为什么是一颗需要“33年”才能造出来的芯片？因为硬件的背后，是时间堆出来的巨大护城河。英伟达百分之百的软件栈，全都能在这颗芯片上完美运行。你想跑数字生物学？没问题。想做地震数据处理、天体物理计算？也没问题。所有跟 CUDA 绑定的物理、生物、基因组学、AI 和计算机图形学，它全都能接得住。但这还没完。微软和英伟达联手，对它进行了极其苛刻的底层优化。结果就是，英伟达创造过的所有应用，Windows 跑过的所有应用，它全包了。它几乎能运行这个世界上已经被创造出来的所有数字心血。不仅如此，它现在已经开始支持运行 AI 智能体（Agents）了。这块硅片，承载着英伟达过去三十多年打下的算力江山，是通向未来的门票。

墓碑科技

59,283 次观看 • 4 个月前

三个月前，黄仁勋访问韩国，并与三星会长李在镕一起吃炸鸡。很多人以为这次会面是韩国方面希望黄仁勋向他们出售英伟达的GPU，但事情并没有这么简单。事实上，黄仁勋此行更重要的目的，是希望李在镕向英伟达供应更多的内存芯片。英伟达的GPU需要一种叫做**高带宽内存（HBM）**的技术，没有它，这些芯片就无法高效运行大型AI模型。目前全球只有三家公司能够供应先进的DRAM内存，而韩国的三星电子和SK海力士控制着超过70%的市场份额。由于供应紧张，2025年DRAM价格已经上涨了约200%，甚至连苹果和微软这样的科技巨头也开始感到压力。这也说明，如今的AI产业链已经高度相互依赖。一旦其中任何一家公司出现问题，整个行业都会受到冲击。这是否意味着一场巨大的泡沫正在酝酿，并可能即将破裂？

三个月前，黄仁勋访问韩国，并与三星会长李在镕一起吃炸鸡。很多人以为这次会面是韩国方面希望黄仁勋向他们出售英伟达的GPU，但事情并没有这么简单。事实上，黄仁勋此行更重要的目的，是希望李在镕向英伟达供应更多的内存芯片。英伟达的GPU需要一种叫做高带宽内存（HBM）的技术，没有它，这些芯片就无法高效运行大型AI模型。目前全球只有三家公司能够供应先进的DRAM内存，而韩国的三星电子和SK海力士控制着超过70%的市场份额。由于供应紧张，2025年DRAM价格已经上涨了约200%，甚至连苹果和微软这样的科技巨头也开始感到压力。这也说明，如今的AI产业链已经高度相互依赖。一旦其中任何一家公司出现问题，整个行业都会受到冲击。这是否意味着一场巨大的泡沫正在酝酿，并可能即将破裂？

亚洲股市 AsiaStock

24,327 次观看 • 7 个月前

在摩根大通闭门会上，马斯克交了底！！埃隆说SpaceX要上市，不是缺钱，是要把10万颗卫星送上天。第三代星链带宽将是现在的100倍，延迟减半。这是为AI和机器人铺路，计算机带宽是人类峰值的一万亿倍，而我们目前使用的能量还不到太阳万亿分之一。人类文明在宇宙中，真的只是一粒尘埃。

在摩根大通闭门会上，马斯克交了底！！埃隆说SpaceX要上市，不是缺钱，是要把10万颗卫星送上天。第三代星链带宽将是现在的100倍，延迟减半。这是为AI和机器人铺路，计算机带宽是人类峰值的一万亿倍，而我们目前使用的能量还不到太阳万亿分之一。人类文明在宇宙中，真的只是一粒尘埃。

比特币橙子Trader

99,570 次观看 • 3 个月前

AMD推出平价本地算力设备，打破英伟达长期垄断的高端算力格局，支持离线运行千亿级大模型。该设备凭借超大共享内存架构，推理性能远超同价位英伟达显卡，硬件实力优势突出。设备性价比极高、回本周期短，大幅降低个人AI算力门槛，实现民用算力平权。玩推理，AMD有两把刷子啊！

AMD推出平价本地算力设备，打破英伟达长期垄断的高端算力格局，支持离线运行千亿级大模型。该设备凭借超大共享内存架构，推理性能远超同价位英伟达显卡，硬件实力优势突出。设备性价比极高、回本周期短，大幅降低个人AI算力门槛，实现民用算力平权。玩推理，AMD有两把刷子啊！

WangNextDoor

21,708 次观看 • 3 个月前

黄仁勋对Marvell $MRVL 会是下一个万亿市值评论，让公司股价直接起飞，但其实昨天公司CEO Matt Murphy 在 Computex 演讲中的核心观点才更有意思，值得反复观看核心观点是：AI基础设施的下一个瓶颈已从“算力”和“内存”转向了“连接”，光互连技术将成为未来10年AI竞争的关键 1⃣. AI瓶颈转向连接：AI基础设施的瓶颈正从算力、内存转向“连接”。单颗处理器再强也无法满足需求，未来决定AI系统性能的关键是数百万颗芯片间的数据传输效率。Marvell已彻底转型，数据中心业务营收占比超75% 2⃣. 光通信必然趋势：铜缆面临物理极限，400Gbps速率下将无法连接整个机架。黄仁勋定调“能用铜用铜，必须用光用光”，未来AI数据中心将大规模引入光互连，而共封装光学（CPO）是解决密度与功耗的终极方案 3⃣. 中立但深度绑定：英伟达已向Marvell投资20亿美元，双方联合开发NVLink Fusion技术。同时Marvell定位为行业“瑞士”，既与英伟达深度合作，也为所有大型云厂商提供定制化芯片，扮演中立且关键的互连角色

黄仁勋对Marvell $MRVL 会是下一个万亿市值评论，让公司股价直接起飞，但其实昨天公司CEO Matt Murphy 在 Computex 演讲中的核心观点才更有意思，值得反复观看核心观点是：AI基础设施的下一个瓶颈已从“算力”和“内存”转向了“连接”，光互连技术将成为未来10年AI竞争的关键 1⃣. AI瓶颈转向连接：AI基础设施的瓶颈正从算力、内存转向“连接”。单颗处理器再强也无法满足需求，未来决定AI系统性能的关键是数百万颗芯片间的数据传输效率。Marvell已彻底转型，数据中心业务营收占比超75% 2⃣. 光通信必然趋势：铜缆面临物理极限，400Gbps速率下将无法连接整个机架。黄仁勋定调“能用铜用铜，必须用光用光”，未来AI数据中心将大规模引入光互连，而共封装光学（CPO）是解决密度与功耗的终极方案 3⃣. 中立但深度绑定：英伟达已向Marvell投资20亿美元，双方联合开发NVLink Fusion技术。同时Marvell定位为行业“瑞士”，既与英伟达深度合作，也为所有大型云厂商提供定制化芯片，扮演中立且关键的互连角色

美股金虫哥

34,116 次观看 • 4 个月前