全球算力发展三大趋势

在6月的2025 台北国际计算机展(COMPUTEX 2025)主题演讲中，美国芯片巨擘英伟达(Nvidia)创办人兼行政总裁黄仁勋，首次详细披露下一代人工智能(AI)平台：Rubin GPU (R100)采用台积电的N3P(3纳米增强版)工艺，并首次商业化集成HBM4高频宽内存。

最引人注目的创新是，Rubin平台将集成一颗专门的神经处理单元(NPU)作为「智能体辅助处理器」(AqentCo-processor)，旨在以极低功耗高效处理AI智能体在任务上的规划、环境感知、工具调用时的决策辑，把大模型的核心推理与Agent的「思考」过程在硬件层面上分离，大幅提升复杂A任务的执行效率。

另外，台积电在本月的技术论坛宣布，其备受期待的2纳米N2已顺利进入风险性试产阶段，首批客户包括苹果和英伟达。更重要的是，台积电首次公开了1.6纳米A16的初步技术细节。A16将采用更先进的垂直堆栈纳米片晶体管(CFET)与背面供电网络(BacksidePower Delivery)技术，旨在把晶体管密度和效能再提升15%至20%。此举目的是巩固其在2027年至2028年技术节点上的领先地位，满足未来训练万亿级参数模型及「通用人工智能(AGI)系统的超庞大算力需求。

这些突破性进展，共同描绘出全球算力发展的三大核心趋势:

1. 从「单卡算力」到「系统带宽」：竞争焦点已不再是单个图像处理器(GPU)的浮点运算(FLOPS)值，而是整个计算集群的系统级性能，特别是节点间的互联带宽及内存带宽，这决定了训练万亿参数模型时的扩展效率和实际樽颈。

2. 推理成本成为核心战场：随着大模型应用的普及，AI推理的总算力消耗，已开始追平甚至超过训练的算力需求。

3. 算力异构与软件协同：中央处理器(CPU)、GPU、神经处理单元(NPU)以及各种专用加速器(ASIC)的异构计算成为常态。胜负在于软件栈能否无缝地协同、调度不同类型的算力资源，为开发者提供统一、高效的程序设计界面。

有这样卓越的硬件，怎能不提一下OpenAl向开发者小规模展示的GPT-5预览版中，一个名为「持续认知」(Persistent Cognition)」功能所引起的热议。该功能允许模型在长达数周的时间跨度内，使用记忆与特定用户的交互历史和偏好，并在不同任务中主动运用这些「记忆」推理。例如，它能记住用户是一位心脏科专家，在后续讨论中自动使用更专业的医学术语，这标志着模型从「无状态」工具向有状态的个性化迈出了关键一步。