因此，很明显，CPU单核性能的提升遇到了巨大的瓶颈。换句话说，即使考虑到多核性能，整个CPU的性能提升在电子行业中也算是比较缓慢的。但是，科技热点中的高算力计算任务通常都可以被并行化，因此，GPU自然就比CPU更重要了。毕竟，当GPU疯狂扩充核心数量的时候，CPU的单核性能几乎在原地踏步。CPU无法为了增加核心数量而牺牲单核性能（这就是为什么小核被批评的原因），因此，无论怎样，CPU都无法追赶上G

最近，OpenAI悄悄扔出了一颗“反内卷”炸弹——Circuit-Sparsity模型。这个参数量仅0.4B、99.9%权重为零的“迷你模型”，没有追逐参数规模的竞赛，反而剑指AI领域最顽固的痛点：大模型的“黑箱困境”。它用一种近乎“反直觉”的方式告诉行业：理解AI不需要拆解混沌的密集网络，而是从源头构建透明的稀疏系统。这不仅是可解释性领域的一次突破，更可能改写未来大模型的设计范式。

最近，OpenAI悄悄扔出了一颗“反内卷”炸弹——Circuit-Sparsity模型。这个参数量仅0.4B、99.9%权重为零的“迷你模型”，没有追逐参数规模的竞赛，反而剑指AI领域最顽固的痛点：大模型的“黑箱困境”。它用一种近乎“反直觉”的方式告诉行业：理解AI不需要拆解混沌的密集网络，而是从源头构建透明的稀疏系统。这不仅是可解释性领域的一次突破，更可能改写未来大模型的设计范式。

维度PCIe 版SXM 版通用性✅ 高❌ 仅限 NVIDIA 定制平台带宽性能中等（依赖 PCIe 或双卡 NVLink）⭐ 极高（全互联 NVLink + NVSwitch）扩展性一般（多卡通信瓶颈明显）强（8卡高效协同）成本相对较低高（整机+服务绑定）PCIe 是“经济适用型”，SXM 是“性能旗舰型”。如果你正在规划 AI 基础设施，务必根据实际 workload 和预算权衡选择。对于超大规

算力的计算单位TFLOPS和TOPS的区别

当全球半导体产业陷入中美技术战漩涡，这位掌舵全球第二大芯片设计公司的女性，正以每小时数万亿美元的算力，重新定义人工智能时代的竞争规则。看这个（指向MI300X），我们融合了CPU、GPU和加速器的最佳模块，计算密度比竞品高40%，成本却降低30%。"不是我的保时捷"，她晃了晃车钥匙，"今天坐公司的特斯拉"。车窗外，得克萨斯州的阳光洒在AMD总部，那些日夜运转的服务器，正在为人类文明计算着下一个可能

这场对话的最终价值，不在于给出 “AGI 何时到来” 的标准答案，而在于打破了 “AGI 是未来概念” 的认知误区 —— 正如黄仁勋所说 “我们今天就在用 AGI 级智能工作”，李飞飞强调 “某些领域 AI 已超越人类”，Hinton 预判 “20 年内将看到机器赢下所有辩论”。

LLM 不是 “喂得越多越好”，输入质量直接决定它能活多久。对处理社交数据的开发者来说，“先过滤垃圾、再逼它思考、最后持续修正”，才是让 AI 保持 “聪明” 的唯一路径。如果你的场景是电商评论分析、短视频标签生成，欢迎在评论区说具体需求，我帮你补专属的 “过滤规则” 和 “Prompt 模板”！

开源成为本次大会的高频词，中国开源参与者数量位居全球第二，众多开源大模型技术和产品取得突破，如 DeepSeek 的开源模型以及上海阶跃星辰智能科技有限公司发布的全球参数量最大的开源视频生成大模型 Step - video - T2V 等。随着 AI 技术不断拓展应用边界，服务器市场需求持续增长且走向多元化、定制化，只有不断提升服务器硬件性能、优化算力供给，才能更好地支撑 AI 产业的无限可能，推

主持人的第一个问题就戳中核心：“超级智能到底是什么？” 两人的回答，直接划分了当前AI技术的两大认知阵营。施密特的“3年”与李飞飞的“远未开始”，本质是技术发展的“快变量”（算力、数据）与“慢变量”（因果推理、创造力）的博弈。技术深耕：聚焦“因果推理”“世界模型”等基础能力，突破当前大模型的局限性；场景落地：选择“高壁垒+强需求”的赛道（如工业AI、医疗AI），避免陷入“通用大模型内卷”；