十八层宝塔：昇腾十年与中国芯片的系统突围
本文剖析了中国AI芯片（如华为昇腾）的发展演进与系统突围之路。文章指出，AI算力是一座“十八层宝塔”，外部环境限制打破了全球产业链分工，迫使中国芯片从只负责单层设计转向全栈系统协同。从昇腾910到950的演进，体现了在现实约束下通过软硬协同、超节点互联和重构生态寻找破局之路，中国半导体真正积累的是强大的全产业链工程组织与持续迭代能力。
相关文档
DeepSeek，华为，「必须成功」：十六万颗萤火照进荒原
文章讲述了DeepSeek与华为两条看似毫无交集的技术路线如何走向深度结盟的故事。幻方量化创始人梁文锋早在2019年就囤积算力（萤火一号、二号），而华为通过海思备胎计划在实体清单后推出昇腾芯片。在英伟达对华禁售后，DeepSeek以极致工程能力用低配H800训练出V3和R1，震撼硅谷并引发英伟达市值暴跌。2026年，梁文锋押上200亿元，联合华为将下一代旗舰模型迁移到纯国产昇腾底座，并在内蒙古规划16万颗昇腾芯片的超大型数据中心。这是一场被地缘封锁逼出来的、别无选择的技术突围。
DeepSeek 采购华为昇腾芯片：The Information 报道中的细节解读
The Information 报道称，华为最早将于 2026 年 Q4 向 DeepSeek 大规模交付 16 万枚老款 950DT 芯片，用于内蒙古新数据中心，总价值约 26 亿美元，将是已知规模最大的华为 AI 芯片集群之一。文章分析指出，DeepSeek V4 延迟发布与华为芯片供应延迟有关，确定性比性价比更重要。华为昇腾芯片 2026 年实际产量受 HBM 短缺制约预计仅 20-30 万枚，远低于 75 万目标，封装产能也紧张。DeepSeek 同时自研推理芯片以避免依赖外部供应。文章认为中国大模型厂商在算力缺口下仍紧咬美国，值得尊重。
摩尔线程的崛起与隐患：国产GPU的替代真相
本文深度剖析国产GPU公司摩尔线程赴港二次上市背后的商业逻辑。公司上半年营收暴增主要得益于英伟达受制裁退出中国市场，以及其主打低“搬家成本”兼容生态、转型售卖智算集群。但光鲜背后仍面临实际亏损、技术落后、大客户依赖及极高估值四重隐患。文章总结商业经验，指出其高市值部分建立在外部环境之上，未来需持续观察其大客户拓展与技术突破情况。
华为「韬定律」V2 版论文深度研究报告
本文深度解析了华为何庭波发布的「韬定律」（τ 定律）V2 版论文。V2 版本在 V1 的理论框架基础上，补充了工程落地细节、麒麟 2026 实测数据及未来产品路线图。核心思想是将芯片进步的驱动力从“晶体管几何缩微”转向“时间常数缩微”，通过逻辑折叠（3D Folding）、统一总线（Unified Bus）和光互连等技术，在不依赖先进光刻工艺的情况下实现性能代际提升。文章还分析了其战略意义及面临的产业生态挑战。
韬定律:后摩尔时代的工程方法论(官方论文解析)
文章解析了关于华为“韬定律”的官方论文，指出其并非传统摩尔定律的延续，而是一种以后摩尔时代时间预算为中心的全新工程方法论。通过LogicFolding、3D堆叠和Unified Bus等技术，旨在优化从晶体管到系统的全链路延迟，将竞争焦点从单纯的晶体管尺寸转移到系统时间效率的优化。
华为“韬定律”深度解析：以“时间缩微”突破芯片封锁
本文深度解析了华为在ISCAS 2026上发布的“韬定律”，这是中国半导体产业首次提出指导发展的新原则。文章指出，面对摩尔定律失效和外部制裁，华为通过“逻辑折叠”技术和“时间缩微”路径，试图在不依赖EUV光刻机的情况下，实现芯片性能的代际跨越。文章还详细介绍了麒麟9050及灵衢总线的战略意义，分析了华为从“跟随者”向“规则制定者”的转变。
英伟达推理份额大降，AI革命进入二阶段机会在哪？
文章深入分析了 AI 从训练时代进入推理时代的投资机遇。随着推理成本占比提升至 80%-90%，算力需求呈几何级增长，但英伟达在推理市场的份额已下滑至 60-75%。AMD 凭借大显存优势及 OpenAI 等巨头的订单，正在抢占市场。ASIC 定制芯片也成新势力。文章对比了英伟达与 AMD的投资逻辑：英伟达仍是行业 beta，而 AMD 是份额转移的直接受益者。
台积电这份报告，把AI算力真正的底层逻辑讲透了
文章深入解读了台积电2026年技术研讨会报告，指出半导体行业已进入由AI驱动的超级周期，预计2030年市场规模将达1.5万亿美元。核心观点包括：先进制程从单纯的节点微缩转向平台优化（如A16、A12的背面供电技术）；竞争维度从“谁的晶体管更小”升级为“谁能把算力系统造出来”；以及算力增长的真实引擎在于CoWoS、SoIC等先进封装技术与HBM的系统级集成。
2026 年人工智能工程师路线图
文章指出，未来的 AI 工程师将从简单的封装开发者转型为系统架构师。作者提出了 5 个按难度分级的生产级项目（从基于 SLM 的移动应用到自主企业工作流代理），旨在帮助开发者掌握编排、内存管理、多模态集成及深度上下文处理等核心技能，从而在 2026 年的市场中获得高薪竞争力。
AI大模型把Arduino、ESP32变成可交互的在线实验室
文章认为入门AI硬件开发的最佳方式是在AI生成的交互式在线实验室中学习，而非先购买开发板。这种实验室由大模型生成的交互式UI、硬件行为模拟和渐进式教程流组成。文章介绍了Learn Arduino、Claude 3D设备拆解和ESP Labs三个项目：分别提供3D电路学习、可拆装的设备模型和完整的ESP32开发板教学平台。大模型在结构建模、原理动画、状态逻辑和固件映射方面能力已足够强，大幅降低了开发成本。文章同时指出其边界：模拟不等于真实芯片仿真，AI生成内容需专业人员把关，并给出了学习路线和维护者建议。
文心 Unlimited OCR 2 横评：杀手锏不是读得多，而是每一步只看该看的
作者基于此前多次 OCR 横评经验，介绍百度文心团队开源的 Unlimited OCR 2。作者实测 1665 页《平凡的世界》图片版 PDF，40 分钟完整解析，3623 页《哈利·波特》也只需 90 分钟。其核心创新是 SR-SWA（稀疏参考滑动窗口注意力），通过 Page Gate 划定相关页面、Token Sieve 挑选 top-k 视觉块，使每步计算量不随页数增长；配合无限解码机制，百页文档峰值显存从 47GB 降至 1.77GB。与全注意力相比快 7 倍，在 MarathonDocBench 上保持 SOTA。短板是全局结构信息（如标题层级）保留不足。
FDE 实战案例：海量多模态数据清洗成可信数据的八步方法
作者以美妆企业 FDE 落地项目为例，讲解如何将小红书、抖音、视频号、微博等平台采集的多模态数据（文字、图片、音频、视频）清洗成一套可信、可查询的结构化数据。文章提出八步通用链路：定数据规范、保留原始内容、梳理用户/帖子/评论关系、多模态归一处理、冲突与质量清洗（含证据分级）、生成结构化数据、执行验收、按规则和版本入库。文中还给出 OCR/ASR 工具选型建议（FFmpeg、PaddleOCR、Whisper 等）以及大模型结构化输出的实践经验。
