从GPU到云：AI算力基建的完整硬件链路解析
本文以通俗易懂的方式，从微观到宏观详细拆解了AI算力基础设施的物理构成。文章按照 HBM、GPU、PCB、服务器、机柜、计算中心到云的层级顺序，解析了各硬件的连接关系与核心作用，并补充了硅中介层、交换芯片、散热系统及数据中心与云的区别等关键知识点。
相关文档
AI算力狂飙下的“黑话词典”：一文读懂2026年科技圈高频缩写
文章整理了一份2026年科技圈的高频缩写表，涵盖AI算力、服务器硬件、网络互联、存储及模型架构等核心技术领域。通过通俗解读GPU、ASIC、CPO、LPO、MoE等关键术语，揭示了AI产业链的底层逻辑与未来技术演进方向。
Proprio Robotics：实现自主数据中心
Proprio Robotics 推出新型机器人，能够处理服务器的组装、维护和退役全生命周期，使数据中心实现无人化运营。其创始人来自伯克利和哈佛机器人实验室，已成功在办公室建立并运行小型 AI 数据中心。
ESP32 + AI 能做什么？我调研了整个生态，给出保姆级种草指南！
作者在无硬件知识背景下，借助 Claude Code 等 AI 工具为 ESP32 开发板制作了多套固件，遇到 ESP32-C3 单核性能瓶颈后系统调研了 ESP32+AI 生态。文章介绍了小智 AI、StackChan、SenseCAP Watcher、ESP-Hi 机器狗等开源项目，讲解了 ESP32-C3/S3/P4 三款主力芯片的差异与选型要点，梳理了乐鑫芯片发展时间线，并按随身穿戴、视觉、语音对话、桌面机器人、屏幕游戏等场景给出保姆级硬件挑选指南。作者计划下一步打造一款带屏幕的桌面实体 Agent 交互终端。
AI 省钱攻略：一个人+AI 逆向固件
作者面对 PCB 固件逆向 5000 元、全新设计 3-5 万的报价，决定用 AI 自己动手。投入约 1176 元购买 J-LINK、电烙铁等工具，在 Codex 的指导下先抄板逆向电路原理图（通过反馈测试结果让 AI 结合芯片数据手册还原设计），修复了原板 JTAG 布线的奇葩设计后成功读出固件，并完成 100% 原理图还原。整个复刻过程约 3 天，作者认为 AI 大幅降低了硬件逆向门槛，让个人可以完成过去团队数月的工作。
我天天用微软，却一直以为它是免费的——美股七姐妹拆解·第三期：微软
本文是美股七姐妹拆解系列第三期，作者从大学生视角出发，探讨微软的商业模式。文章解释了为何用户感觉微软产品免费却仍在付费（厂商预装授权、学校权益等），分析了Windows的生态锁定与转换成本、企业办公服务的订阅收费逻辑，以及护城河的构成：软件设备生态、企业流程积累和云服务。文章还讨论了Azure与AWS的云计算竞争，以及Copilot等AI功能能否带来新增长——作者认为关键在于能否真正减少操作、稳定完成任务，而非'内置AI'标签本身。
Disaggregated Inference From The Ground Up
本文由 Cerebras 撰写，从基础原理讲解推理系统中的分离式推理技术。文章先介绍加速器的构成（计算单元与存储），并引入算术强度概念，通过矩阵加法与矩阵乘法的实例说明数据搬运与计算的关系。随后分析 LLM 推理的两个阶段：prefill（处理整个 prompt，计算密集型）与 decode（逐 token 生成，受限于内存带宽），解释二者对硬件需求的不同。Cerebras 提出异构分离式推理，将不同类型芯片分配给不同推理阶段，在相同硬件数量下将吞吐量提升 5 倍且不损失单用户生成速度。
深度拆解 OpenAI 自研推理芯片 Jalapeño：英伟达 GPU 的推理瓶颈与软硬协同解法
本文深度拆解 OpenAI 自研推理芯片 Jalapeño 的设计哲学。首先指出英伟达 GPU 在推理场景的三大缺陷：访存密集型任务下 SIMT 掩盖延迟失效、UMA 与庞大 L2 Cache 导致高延迟、全局同步与网络 I/O 瓶颈。接着分析 Jalapeño 的激进重构：砍掉全局 L2 Cache 采用去中心化 Core Slice 架构、在 SM 内塞入超标量控制核心、实现网络直达核心缓存。最后提出行业三大结论：别盲目搞 CUDA 兼容、训练与推理算力格局将两极分化、AI 设计芯片的闭环正在到来。
8 Software Books AI Has Made More Relevant
作者探讨了在AI能大量生成代码的时代，哪些软件工程书籍反而变得更加重要。文章推荐了八本书，覆盖从产品决策到交付的核心领域：《Escaping the Build Trap》强调构建正确的产品、《Specification by Example》统一需求理解、《Learning Domain-Driven Design》明确业务含义、《Software Architecture: The Hard Parts》权衡架构取舍、《Designing Data-Intensive Applications》理解数据保证、《Threat Modeling》识别安全威胁、《Release It!》应对生产故障、《Accelerate》改进交付流程。核心观点是：委派给编码Agent的实现越多，识别其决策是否合理的能力就越有价值。
Let's Talk About Buying Compute
作者指出 GPU 行业最大的瓶颈并非芯片、CoWoS 或电力，而是信用与残值市场的缺失。银行将 GPU 折旧后残值建模为零，导致资产难以证券化、缺乏对冲工具，小玩家融资成本高达 SOFR+900bps，需巨额首付。文章分析了 NVIDIA 对 OpenAI 数据中心的残值担保、Lambda 和 CoreWeave 的贷款结构，指出这些交易实际依赖客户信用而非硬件清算价值；并对比二手车（Manheim 指数）等行业，介绍 Kalshi H100 合约、Silicon Data 租赁基准及 CME 计划上市的 H100/B200 租赁期货，探讨 GPU 残值定价与算力融资市场的未来。
普通人为数据中心辩护
作者以非技术背景的普通人视角，阐述数据中心对美国再工业化的重要性。作为a16z American Dynamism团队的参与者，他指出机器人制造、AI训练和模拟测试都依赖数据中心的算力支持。文章进一步论证数据中心将同时解决三个相互关联的问题：制造业空心化、高等教育泡沫化以及美国男性的孤独危机。作者以Hadrian公司为例，说明自动化不仅没有抢走工作，反而让工厂能建在美国本土，创造了数百个高薪岗位，为年轻人提供了用双手劳动、获得归属感的就业选择。
AI基础设施的牛鞭效应
文章分析AI基础设施供应链中的牛鞭效应：从2023年GPU短缺开始，压力依次传导至内存、服务器CPU，再到2026年的大容量存储短缺。HBM生产挤占传统DRAM产能导致SSD价格暴涨，Agent工作流推动CPU需求上升。同时数据中心建设成本高达每吉瓦200亿美元，变压器和涡轮机交付周期长达数年。作者警告，若终端软件收入无法匹配巨额资本支出，2027-2028年新增产能交付时或将面临产能过剩危机。
AI下一个类Coding的大场景在哪？聊聊AI发展中的四个时间差
文章分析了为什么Coding成为AI第一个杀手级应用，指出其成功源于数据数字化、结果可验证、流程可拆解等条件。作者认为下一个大场景不会是单一的“第二个Coding”，而是客服、财务、IT运维、医疗、法律、供应链等数百条业务流程同时Agent化的总和。通过微软Foundry、M365 Copilot和Agent 365三组数据，文章判断企业AI正处于从第二阶段向第三阶段扩散的过程中，呈现“广而不深”的特点。最后展望了个人行动Agent和AI科学发现两大长期机会。
