CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片

资讯 AI 行业观察 全文 9971 字 · 约 25 分钟读完 配图 15 张 分类RSI算力

率先打通RSI算力全链路落地,CosmosMind开启软芯协同自进...

所属频道 算力与芯片前沿研究
CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 1)
CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 2)
不再一味堆卡。寰宇元心(CosmosMind)给出的思路,是让软件和芯片在同一个循环里自行迭代、共同进化。


回看过去十年,AI算力的提升基本压在两条腿上:一是制程工艺往前走,二是把卡成批地堆起来。


可算力越往深水区走,这套路数就越吃“人”。软件这头,推理框架和底层算子得靠工程师一层一层手工去调,底层一旦换成另一款国产芯片,整套软件系统常常要从下往上推倒重来;硬件那头,设计一颗高速互连芯片,光、电、热和晶圆厂制造工艺几重因素紧紧咬在一起,流片试错的周期动辄按月算,而能同时扛住这几重复杂度的资深工程师,整个产业里也数不出几个。


那就换一种解法试试:把“找瓶颈、想改法、上真机验证”这个原本靠顶尖工程师手工试错的循环,交给AI自己7×24小时不停跑?


AI for R&D方向的早期创业公司寰宇元心(CosmosMind),正把这件事搬进真实产线。它依托一套名为“自进化工程智能(Self-Evolving Engineering-AI,SEE-AI)”的产品和系统,试着把上层软件栈Run time到下层芯片设计Design time的算力全链路协同Co-Evolve打通。


眼下,这套系统自己设计的第一版硅光测试芯片,已经流片回来。在SEM下,芯片表面的CosmosMind标识看得清清楚楚。


CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 3)

图1(a):第一版流片的实物,载具内分位摆放多枚芯片


CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 4)

图1(b):第一版测试芯片SEM总览,芯片上的CosmosMind标识清晰可见


芯片回片,只是这条闭环上的一环。寰宇元心要做的,是一套软硬协同、能持续自我进化的下一代国产算力系统(Co-Evolve):先让AI在软件侧把现有硬件的潜能榨干;等软件优化触到硬件物理极限,再拿同一套自进化内核往下设计下一代芯片,反过来撑起更高效的软件栈。


软件、芯片和商业交付这三条线,按团队公布的进展,都已在同一套体系内跑通。软件方面,昇腾910B跑330亿参数音视频大模型,推理速度是官方实现的450%,生成质量没有下降;在PyPTO基础上做出四个开源库,PyPTO-Lib已经拿到官方Ack。芯片方面,AI设计的光栅耦合器带宽比2026年《Optica》报道的同类方案宽40%,三条1.6T光互连链路设计在不到一周内独立跑通。商业方面,封装成通用研发引擎Ester的自进化服务已规模化落地,并有了营收回款,核心优化和设计全程在官网7×24小时直播,随时可以核验。推理优化部署上线、硅光芯片流片回片、核心代码开源、商业化回款,这几件事同时成立——公开报道的同类探索里,寰宇元心是最早跑通算力全链路自进化闭环的一家。





1.首次推动软芯协同算力系统全链路自我进化


“除了Coding,AI还没有更大的场景在创造增量。只靠Coding这个存量,已经撑不起市场对AI的期待。”寰宇元心创始人万冠呈谈创业初衷时这样说。在他看来,AI真正更大的增量考场,是进入重资产、高门槛的实体产业研发。


公开信息显示,该公司核心成员出自前DeepSeek、Kimi、GLM、Meta、腾讯混元、字节跳动、微软等一线大模型团队的核心算法部门,顶级基座模型的训练、推理、发版和技术报告都深度参与过;研发团队里则有清华、北大等高校的CS PhD,以及产业界领军人物和资深工程研发专家。


基座模型与硬核工程背景兼有的团队,对行业给出了一个明确判断:算力正在进入自进化时代,而算力本身,正是RSI第一个能够完整落地的产业。


2026年9月,寰宇元心推出面向工程落地的RSI算法框架MetaRSI-v1,同时给出一个核心判断:验证决定自进化的前沿——一个领域能不能形成自我进化的闭环,取决于其中的任务能否被严格、客观地检验。


可能被验证,只是拿到入场资格。真正的工程难点,是把“验证本身”做成工业级流水线:每次改写和检验都要在真实硬件、真实生产负载上跑通,而不是在理想化沙盒里刷跑分。创始人观察到,眼下行业里多数自进化研究还停在论文、静态Benchmark或纯软件层面;寰宇元心团队守的原则是不追demo数字,只做有真实PMF、兼具科学家判断力和工程师动手能力、达到硬件级安全可靠的产业落地。


沿着这条思路,先把算力系统的底座拆开来看:最上面一层是集群调度,往下依次是分布式系统、推理引擎、算子与编译器,再往下是封装与互连,最底下是硅片。


CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 5)

图2:算力底座的分层:越往下走,受益面越大但越难优化


「甲子光年」注意到,这套分层结构里有一对天然的工程矛盾:


  • 一方面,改动越靠下,受益面越宽——把某个底层算子改快,所有调用它的模型都能跟着提速;把一颗底层芯片改好,跑在这块硬件上的所有软件栈都将直接受益。


  • 不过,往下走也有代价:改动到底好不好,验证起来越来越慢。软件算子几秒钟就能在卡上跑一轮实测,芯片设计却常常得等版图冻结好几个月、流片回来才拿得到第一份实测数据;而且底层一动,上层原先调好的收益说不定直接归零。


面对反馈快慢悬殊的软硬件栈,寰宇元心没有平均用力,而是让MetaRSI-v1内核自上而下分三步逐层下沉:


  • 第一步落在 Run time:硬件已经定死,算力成本高低就看软件。系统把算子、推理引擎和分布式系统一层层改写,一直优化到把现有硬件的潜力用尽、撞上硬件自身的物理天花板为止;


  • 第二步落在 Design time:软件碰到顶之后,瓶颈就回到硅片那头。同一套自进化内核沿着软件层摸到的硬件卡点继续往下走,接过去管下一代芯片的设计和改进;


  • 第三步在产品化交付:跑通软硬两端的实战验证后,把这套自进化引擎封装成产品Ester交到客户现场,直接按优化结果付费。




2.把软件做到极致

硬件不变,训练与推理算力却能往上跳一截


寰宇元心选了大模型推理作为突破口——这是反馈来得最快的一层软件。验证数据分三层给出:标准考题、真实生产负载、开源底层生态。


跑分:同一套系统在各类Infra场景下的表现


先看行业公开的标准考题,这是第一组证据。三套测试集各有侧重,团队拿同一套MetaRSI-v1闭环逐一检验:Φ-Bench盯的是真实训推仓库级端到端优化;TritonBench-G用GitHub上的真实算子来考接口调用和加速;KernelBenchX则覆盖15类算子生成任务,只考正确率和硬件效率。


结果是这样的:还是那套自进化闭环,正确kernel的生成占比从60%升到70%,生产算子的加权加速比提升明显;搜索预算放到9倍时,Φ-Bench拿到29.18分,涨了11.06分,KernelBenchX正确率70.45%,加速比2.62。


CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 6)

表1:Φ-Bench、TritonBench-G、KernelBenchX三种Benchmark上的效果


真实生产链路:MiniMax H3推理速度冲到官方实现的450%,质量不输SGLang方案


刷榜之外,第二组证据来自真实生产负载的端到端硬仗,这更有说服力。基线是SGLang官方标准部署,自进化内核一轮轮实测,在这条本来就快过官方原版的线上继续往上顶,最后把MiniMax H3的推理速度做到官方实现的450%。


国内大模型团队往国产算力迁移时,麻烦的通常不是“跑不起来”,而是迁完性能掉得厉害。330亿参数的音视频联合扩散模型MiniMax H3就是个例子:服务部署到昇腾910B上,不少按英伟达显卡调好的参数直接水土不服。残差复用的阈值原样搬过去,速度没涨,反而劣化71%;条件注入合并算子的启用条件,原代码里写死在英伟达卡上,换了卡根本触发不了。


参数和算子的组合空间太大,工程师一般只能靠经验挑几个点试,方案阶段压根顾不上大量潜在的最优配置。寰宇元心的自进化内核换了打法:把整个H3部署当作搜索空间,自动批量出候选、上卡部署、实测速度、客观判定,一轮接一轮推下去。调优全程在官网直播,每轮改了哪行代码、快了多少毫秒,外部开发者随时能回看。


CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 7)

图3展示的是H3部署加速的实时直播画面。上半部分为SGLang标准部署,下半部分是自进化系统给出的最优部署方案,两者在推理过程中逐步对照。[[保留1]]


前面提到的残差复用阈值跨卡劣化陷阱之外,这套自进化闭环在昇腾算子融合上还拿到两项实打实的收益。拿它与SGLang最优方案部署相比:归一化换成华为原生合并算子,仅此一项耗时减少7.1%(−7.1%),单条请求的底层指令下发次数从约8000次被压到1次;条件注入(AdaLN)融合也被解锁并重新调优,耗时又降4.1%(−4.1%)。[[保留2]]


五套不同视频生成Benchmark数据集的输入Prompt实测下来,逐条配对测试中没有一条变慢;VBench 2.0评测显示生成画质与SGLang基线持平,人眼盲测终裁同样通过。这类自进化优化,正让国产算力的商业竞争力一步步变强。[[保留3]]


多个开源库:从重算子到整条推理链[[保留4]]


其三,进化成果要沉淀回国产算力的开源主干生态。[[保留5]]


自进化产出的算子想真正服务端到端业务,寰宇元心的选择是在华为昇腾开源的新一代原生高性能编程框架PyPTO上深耕。PyPTO在昇腾生态里起承上启下的作用:往上对接大模型与推理服务,往下直接操控昇腾硬件的指令与存储层级。开发者因此能用更高层的方式写高性能算子,不必逐行手写底层硬件代码。[[保留6]]


代码持续产出的同时,闭环内部还自适应训练了一个35B参数的模型。它先学昇腾910的硬件指令与存储层级,再把PyPTO基于Tile的多级IR、编程模型与CodeGen机制内化进生成逻辑。每轮提案无论成败,都会变成模型对框架更深一层的理解;跑得越久,高质量算子的命中率就越高。[[保留7]]


按“前沿模型重算子→推理服务栈碎算子→完整端到端推理链”这条线走下来,闭环基于PyPTO产出四个开源库,均已在GitHub CosmosMind-ai开源:[[保留8]]


  • 两个专用Kernel。PyPTO-FlashDSA面向DeepSeek从V3.2引入、V4.1定型的稀疏注意力机制DSA——先用小索引器挑出相关token再按需计算,拆为索引打分、top-k、稀疏decode三段——做出了昇腾910上第一个完整跑通的V4.1实现,decode速度已快过现有参考路径。PyPTO-FlashKDA覆盖Kimi Linear的核心递归算子KDA,每来一个token仅做增量更新,前向与反向一并补齐,是昇腾PyPTO生态里第一个完整的KDA实现。[[保留9]]


  • 通用算子库PyPTO-Ops由闭环在推理服务栈的接缝处自主发掘融合改写机会,公开27个算子,铺满vLLM类推理服务的关键路径,涵盖归一化、激活与GLU、量化、MoE路由、KV cache、采样与loss。[[保留10]]


  • 端到端推理服务PyPTO-Lib在Qwen大模型、8张昇腾910C的集群配置下,逐token延迟下降4.43%、吞吐提升2.8%,生成结果与基线逐比特严格一致。目前该库已被PyPTO官方团队正式合入主干。[[保留11]]


算子与推理栈被一层层榨干、软件性能逼近现有芯片的物理极限之后,算力的瓶颈终究回到了硬件本身。寰宇元心的自进化内核由此往下穿透了一步。[[保留12]]




软件性能被压到极限之后,寰宇元心的自进化内核把目光转向了硬件层面。


寰宇元心选择硅光芯片作为切入Design time的首个试点方向,思路是用光信号取代电信号,让芯片之间的数据传输跑得更快。


产业界早有共识:大规模AI算力集群要跨过带宽和功耗这两道坎,硅光互连是绕不开的路。真正的难题落在商业化上——设计要经得起上产线后良率的考验。硅光芯片设计长期存在三处难点。


  • 第一处是设计与制造对不上。刻蚀或线宽只要出现纳米级偏差,器件性能就会明显偏离预期。仿真里跑得通的好设计,进了Fab常常失效;行业只好反复流片试错,或在芯片上铺预补偿阵列赌运气,一轮试错就要耗掉好几个月。


  • 第二处是光、电、热三者强耦合。调制器、电驱动、接收端和热控通常分属不同团队,各模块为求稳妥都留足余量,凑到一起后整条链路离全局最优总差一截。


  • 第三处是人才稀缺。光、电、热和半导体制造工艺都能拿得下的资深工程师数量极少,这类设计能力很难成规模复制。


寰宇元心认为,这三道靠人工极难兼顾的多变量耦合题,正是自进化系统的主场:先把Fab的工艺扰动写进检验标准,让良率从设计第一天就被纳入考量;再把光、电、热装进同一个物理仿真闭环里同步寻优,拆掉部门之间的分工墙;最后让多智能体7×24小时自主迭代,把稀缺专家的经验变成可复用的软件能力。


团队介绍,在器件与互连链路两个层级上,这套系统已经能由AI独立完成从底层器件版图到1.6T光互连链路的全栈光电联合设计,核心器件也走完了真实流片回片。


直播中三个值得留意的瞬间


硅光互连的自主设计过程和软件调优一样,在官网7×24小时公开直播,累计完成1469轮自主迭代,每轮决策轨迹都能回看。翻直播记录,三个细节比较有代表性:每条链路的起点都是眼图完全闭合、根本无法通信的初始状态,AI自行推演到全工况达标,误码率改善超过三个数量级,新任务上线最快49分钟就交出首个全达标方案;7天里人类专家43次手动加严验收标准(Human-in-the-Loop),门槛每抬高一次AI都能重新追平,目前三条路线在最新标准下全部达标;迭代撞上局部瓶颈时,系统还会主动质疑既有的进化方向,完成自我纠偏,避免陷进思维定式。


CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 8)

图4展示的是光互连自主设计的实时直播界面。


器件层面:0°垂直耦合被拿下,工艺容差比顶刊报道领先一个数量级。

先看最底层的器件这关——AI不只顶住了制造公差,还给出了人类专家此前没想过的拓扑结构。


光信号进出芯片的“大门”就是光栅耦合器,而0°垂直出射光栅耦合器是硅光领域公认的硬骨头,传统参数扫描方法到这儿基本失灵。寰宇元心联手北京大学光子传输与通信全国重点实验室攻关,让自进化闭环在严苛的可量产约束下跑出两条路线:高效率路线做到−0.66 dB 的亚分贝级耦合损耗;宽带鲁棒路线的带宽比2026年《Optica》报道的同类设计宽 40%,线宽制造偏差下的波长漂移缩小了一个数量级——前沿文献此前得在芯片上铺15组预补偿阵列来挑可用器件,这套设计一组都不用铺。同一套闭环还产出了分偏振二维光栅,单个14 µm的器件就能把两个偏振态干净分开,端口隔离度超过20dB。


更值得关注的是,系统搜出了“人类顶级专家”想不出的拓扑结构。光栅的“超原胞”(多个基本单元拼成的重复微结构)设计上,人类专家受经验习惯牵制,一般只沿着“尺寸渐变”这条思路找解;自进化系统却自主拿出一套“三种原胞拓扑共存”的非直觉方案。


为验证含金量,团队把对照基线拉到当前最高水平:由R&D领域人类专家直接搭配主流Coding Agents(Claude Code、Codex等,且不限token预算)同台比拼。实测对比显示,MetaRSI驱动的系统仍找到了更优器件结构,在效果、效率与成本三项指标上依次占优,核心性能效果始终排第一。团队的看法是,只比人工便宜一点,那还只是在旧路径上做改良;能产出人类专家做不出的物理结构,才算自进化引擎真正的壁垒。


落到真实产业:首个面向量产、具备工艺鲁棒性的纯RSI流片。


版图画得再精细,终究要送到Fab上产线验证。流片最怕变成“开盲盒”,寰宇元心为此设了五道良率关卡,从头盯到尾。投片之前先闯三关:版图环节就把刻蚀、线宽、套刻、膜厚波动以及可量产规则的硬性限制叠进去;所有候选方案都得跑遍全部工艺角(制造偏差的各种极端组合)做完整物理仿真,标称值不算数,只看最差值;闯过前两关的方案,还要再接受一轮智能体看不到的隐藏测试,用随机工艺组合出题,免得AI只会背固定考题。流片之后还有两关:剩下的物理偏差,交由片上闭环控制器吸收,它只依赖片上实测的物理量;最后的晶圆量测数据再回传系统,用来持续校准扰动模型本身。


第一版硅光测试芯片目前已经从Fab回片。31张SEM照片里,系统把每一条刻蚀边缘都自动找了出来,量化出真实加工误差,在仿真器里还原芯片真实的三维形状并预测性能,再拿这个结果回头修正下一版版图。


CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 9)

图5:光栅区SEM特写,实测线宽273–328 nm。


电镜实测数据表明,芯片单特征随机线宽离散标准差σ在5nm以内;系统在设计阶段却是按σ=10 nm的严苛标准评估的,相当于在真实产线上留了约2倍安全余量。至此,“设计—流片—量测—再设计”的实物飞轮正式转了起来。团队方面称,这还是业内首个面向工业级量产、具备工艺鲁棒性的纯RSI自进化流片。软件侧内化昇腾框架的路子,在回片闭环里也一样:研发引擎Ester借助真实工业流片和电镜量测数据,自适应训练出一个35B模型,专门琢磨刻蚀、线宽与套刻偏差在真实工艺中如何累积,让仿真环境一步步贴近真实产线。


系统级这块,难度更高:一周边跑通了1.6T光互连三大主流路线。单点器件站住脚以后,这套闭环就往更复杂的系统级互连上走。[[保留1]] [[保留2]]



三条主流技术路线,光电互连产业内部至今还在争——硅微环(MRM)、硅耗尽型行波调制器(MZM)、薄膜铌酸锂(TFLN),谁更配下一代算力集群,没有定论。寰宇元心正式发布的Ester-Photonics自主光电设计平台没往单一材料上押注。多智能体在全物理仿真环境里7×24小时并行跑,不到一周,三条主流路线的8×200G(单向1.6 Tb/s)光互连链路“电口到电口”联合设计各自独立做完,全工况达标。[[保留3]] [[保留4]]


CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 10)

图6:Ester-Photonics自主联合设计闭环


到了链路层级,光、电、热仿真放在同一个框里跑。电域的Driver、TIA、SerDes和光域器件一起被当作可调设计变量,每一道加工刻槽在设计之初就带上了工艺良率约束。专业分工的边界一破,AI在三条路线上各自长出了一项传统模块化流程很难触及的跨界设计。


  • 硅微环(MRM)路线:微环响应慢,会带来前后符号串扰,AI的办法是让发射端电芯片提前用LUT做预失真补偿,每个微环只需一路低压驱动,8路驱动总功耗仅0.93W;温度漂移则靠闭环热锁定在2.7 ms内快速追回,热调功耗最高不超过12 mW。[[保留7]] [[保留8]]


CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 11)

图7:硅微环MRM 8×200G光互连系统架构,单结微环加LUT预失真


  • 硅耗尽型MZM路线:信号均衡FFE原本由复杂电路承担,AI把它搬到了光路上——调制器拆成反相的两段,中间插一段2 ps的光延时,均衡直接在光域完成。图8:硅耗尽型行波MZM 8×200G架构,两段反相加光延时在光域做FFE[[保留10]] [[保留11]] [[保留12]]


CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 12)

  • 薄膜铌酸锂(TFLN)这条路线走的是低压低功耗。驱动电压2.6 Vpp,8路加在一起功耗1.6 W。调制器不再需要高功耗加热器,偏置漂移改由直流电极实时跟踪,12个工况×8通道测试中偏置控制成功率100%。


CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 13)

图9:薄膜铌酸锂MZM 8×200G架构,直流电极跟踪偏置


验收的尺子其实更严。行业论文和常规汇报里常见的1.3–3.7 pJ/bit能效指标,往往只算发射端局部功耗。寰宇元心的口径是从发射芯片电口一路算到接收芯片电口,算的是整链路插墙功耗,而且全工况、全通道只取最差值。按这套严苛口径,三条1.6T链路误码率全部低于1e-4,信号质量指标TDECQ落在2.96–3.03 dB之间,均满足IEEE标准门限;整条链路能耗最低压到1.46 pJ/bit。这个数字意味着,包含收发全链路的整体能耗已经摸到业界“仅算发射端”能效区间的下限。


据「甲子光年」了解,首版芯片回片、系统级方案跑通之后,产业界已经有了实质动作:多家Fab主动找上寰宇元心,谈联合设计与工艺模型合作,相关产业推进正在铺开。




4.进化能力产品化,不进化成功不收费


软件层Run time省下来的是推理时间和算力卡成本,芯片层Design time压短的是按月计的硬件试错周期。两端都跑通之后,寰宇元心得出一个商业判断:单次交付的一份静态优化配置,迟早会随模型和硬件换代而衰减;不会衰减的是那套能不断重新推导出最优配置的自进化循环。


顺着这个逻辑,团队把背后的自进化循环打包成了企业级产品——通用工程智能自进化R&D研发引擎Ester。前面提到的昇腾算子融合、大模型推理加速,再到硅光器件与1.6T链路设计,这些案例说到底都是同一个Ester引擎在不同工程场景里的实战切片。


CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 14)

图10:Ester,通用工程智能自进化R&D研发引擎,交付即起点,之后每一轮都比上一轮更强


Ester这位“底座选手”的内核,靠的是MetaRSI算法撑起来的一套七步标准闭环:观察、诊断、提案、校验、执行、选择、导出。探索的创造力要留住,工程的确定性也不能丢,所以整套流程里只有“诊断”和“提案”两步放开给大模型去发挥,剩下五步一律交由确定性的代码严格执行。


至于自进化改的是什么,MetaRSI把改动范围牢牢框在三个彼此不重叠的平面上:Data-RSI只管改写数据,Harness-RSI只管改写脚手架,Model-RSI只负责更新模型权重。这三个面之上还有一层调度器,动态拍板下一步该动哪一面。再往上是最顶层的Meta层,它每个周期要改的是调度规则本身。这样一来,系统不光能改进工程任务,还能不断进化“改进自己的策略”这件事。


CosmosMind用SEE-AI打通软芯协同,首版硅光测试芯片已流片回片(配图 15)

图11:D/H/M三个改进面与五条迁移路径


架构够硬核,可真到客户面前,团队算账算得相当实在。“中国的企业客户不关心东西是AI做的、RSI做的,还是人工做的,只关心安全,关心降本增效有没有用。”寰宇元心创始人坦言。


企业最真实的那些顾虑摆在眼前,Ester在商业交付上定了三条规矩:


  • 第一条,客户拿到全部安全控制权。所有 Agent 的评测标准与发布规则都设为只读,AI 没法“自己改考卷”;代码或参数每动一次都留下完整版本记录,随时能一键回滚;操作权限按角色严格隔离,不可逆动作必须客户确认后才执行。新方案一律先在隔离沙箱里验证通过再上线,运行期间急停按钮一直可用,关键节点有人兜底,高敏客户还能按机型启用机密计算。


  • 第二条,把人工介入降到最低。开工前,客户工程师讲清想要的结果、确认一次任务边界,之后设计、验证和多轮迭代都由系统自己跑完;只有遇上真正需要业务判断的分岔口,系统才会主动提问,并说明为什么问,其余时间静默自运行。


  • 第三条,彻底看结果——按结果付费,没进化成功就不收钱。开工前双方把验收标准定死,达不达标全由客观判据说了算,没跑出约定的性能增量就不收费;另外,进化过程里产生的数据、工程经验、专有模型和工具链资产都归客户,不会回流去训练 CosmosMind 的通用模型。


图12:结果即服务,不进化成功,不收费


眼下,Ester内核已经长出三条标准化的产品线。Ester-Infer管的是大模型推理加速和国产卡适配;Ester-Trainer盯的是垂类模型训练优化;Ester-Photonics则对准硅光芯片与互连设计。研发这件事,也由此从一锤子外包,变成一条“交付即起点”、越跑越强的复利曲线。据了解,已有数家IDC服务商主动找上门,谈Ester-Infer的合作。




5.软芯协同,头一回把算力的进化方式讲清楚


从一行底层算子代码,到330亿参数多模态模型的在线推理,再到Fab回片的纳米级硅光光栅与1.6T光电互连链路,寰宇元心想说明的其实是同一件事:算力基础设施不必再是“靠精英工程师人肉调优的消耗品”,它完全可以成为一套软芯协同、自己找瓶颈并持续进化的活系统。


还有一点更关键:这家早期公司选了一种极度透明的方式,把自己摊开给行业看。推理调优与芯片设计的每一轮成败,都挂在官网7×24小时公开直播;核心算子库推上GitHub开源;被篇幅精简掉的底层推导,写成完整技术报告公开挂网,欢迎同行随时复现、随时挑刺。


「甲子光年」的判断是,大模型行业正从“卷参数、卷榜单”全面转向“算成本账、找真实产业增量”,此时能直接兑现为推理吞吐提升与流片良率余量的工程智能,商业穿透力相当强。


对寰宇元心来说,第一版硅光测试芯片回片、推理端回款跑通,已经立下了扎实的第一块里程碑。接下来的考题同样具体:首轮回片带回来的电镜量测数据,能让下一版芯片性能再往前推进多少?推理优化上跑通的“按结果付费”模式,又能不能顺畅复制到周期更长的模型训练与芯片设计客户身上?


国产算力产线能不能真正检验出结果,是AI从“写代码”这个存量舒适区里跨出去、自己把现有硬件用到极限并自行设计硅片之后,价值边界能否真正外扩的一道看得见的关卡。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. DeepSeek App与网页版限额:长对话超7天不活跃不再保留?

    【TechWeb】11月16日消息,据多名用户在社交平台发帖反馈,DeepSeek已对App与网页版的长对话功能实施了使用限额。有用户在使用DeepSeek时被提示因“算力不足,不再支持超过7天不活跃的长对话”,并对单次输入文字的上限进行了调整,缩短至4万字左右。此外,还会限制每日的对话额度,当用户日使用量达到上限时,

    来源 腾讯网
  2. DeepSeek长对话72小时上限:先给出口,再设限制

    11月15日下午,突然有多位DeepSeek用户表示,当他们想接着几天前的对话往下聊时,手机App就会弹出一条提示:“由于算力不足,已超过72小时的长对话暂不可用,可导出对话到其他App使用。”

    来源 凤凰科技
  3. 中科曙光万伟:超大规模智算集群,高速互连是关键

    中科曙光高速网络互联产品部总工程师万伟在会上分享超大规模智算集群高速网络架构设计与工程实践,提出高速互连是算力基础设施实现规模扩展的关键。中科曙光将超节点内部互连与超节点之间的组网相结合。大会期间,中科曙光还获评“2026中国算力领军企业”,scaleFabric高速网络入选“2026中国算力应用典型案例”。超大规模集

    来源 TechWeb
  4. Anthropic启动644亿美元IPO路演:Amodei坦言算力是最大商业风险

    Anthropic于2026年11月10日启动IPO路演,计划11月19日登陆纳斯达克,募资规模高达644亿美元,估值1.4万亿美元,路演第三天已达6倍超购。CEO Dario Amodei在与摩根大通CEO Jamie Dimon的公开对话中罕见坦承,算力采购是公司面临的"最深的商业难题"。S-1文件披露公司长期算力

    来源 AI 行业观察
  5. 考克森谈Mythos:重训只需初始一小部分算力

    考克森在 Anthropic 只工作了约四个月。让他决定离职的原因之一,是公司 IPO 路演中一张展示 AI 模型训练算力需求变化的图表。图表采用压缩坐标轴,即使算力需求增长 10 倍和 100 倍,看起来也相差不大。

    来源 IT之家
  6. RSI mapping:全球爆金币?硅谷过度炒作?进化存在上下限?

    此刻,具身智能哑火,基座大模型训练遭遇瓶颈,决定AI产业的命脉英伟达CEO离职。一片坏消息里,RSI 成为最火的概念。甚至硅谷已经火到在反思是不是“过度炒作”。 据 RSI List 网站统计,截至2026年11月13日查询时,其目录已收录39家RSI相关创业公司,其中20家成立于2025年及以后。这些公司累计记录融资

    来源 AI 行业观察
  7. 中国AI4LS前10个月融资:35亿美元、124起,65%投向早期

    34.91亿美元,是前10个月中国AI for Science(AI4S)在生命科学方向(AI4LS)拿到的融资。 58.33亿美元,这是今年前10个月全球AI4LS领域TOP10融资的总额。 钱从上游的算力设施,流到中游的模型与平台,再落到下游的垂直场景应用——一条完整的产业链,在10个月内一次性铺开。 钱的流向代表

    来源 AI 行业观察
  8. 燃气轮机订单排到2031年,AI公司开始拆航发供电

    (本文作者为 硅碳变量,钛媒体经授权发布)文|硅碳变量,作者|沈浪据英国《金融时报》11月8日报道,Anthropic在9月下旬与位于德克萨斯州圣安东尼奥的设备供应商OnePWR Solutions完成一笔交易,以34亿美元(约合人民币227亿元)锁定1.7吉瓦重型发电机供货,用于数据中心的电力供给。更早之前,AI基础

    来源 腾讯网
  9. 开源社区请愿黄仁勋回归英伟达

    据MIT Technology Review报道,一项要求恢复黄仁勋担任英伟达CEO的请愿在社交媒体上流传,并出现包括埃隆·马斯克在内的知名签名者。事件折射出开源社区对英伟达GPU生态、AI算力供应与公司领导力的复杂情绪。本文梳理请愿背景、黄仁勋与开源运动的关系,并分析其象征意义。

    来源 AI 科技快讯
  10. OpenAI锁定AMD:六年部署457MW MI455X算力

    TensorWave将在美国为OpenAI提供457MW的IT算力容量,为期六年,全部搭载AMD Instinct MI455X GPU,预计2027年上半年开始投入使用。TensorWave由AMD Ventures支持,今年6月完成B轮融资,旨在加速AMD算力部署。

    来源 华尔街见闻
  11. 黄仁勋卸任英伟达CEO:AI算力格局将如何改写?

    英伟达CEO黄仁勋在一场令人震惊的变故后黯然离职。这位以皮衣形象深入人心的AI算力布道者离场,对全球最关键的芯片公司、整个AI产业以及他本人都意味着什么?《连线》记者Lauren Goode深入解析权力交接背后的迷雾,以及这场变故将如何重塑行业格局。

    来源 AI 科技快讯
  12. 算力承压,DeepSeek开启限额使用

    11月16日消息,近日,多名用户反馈,DeepSeek对App及网页版的长对话功能实施使用限制。根据用户反馈,DeepSeek提示,受算力资源不足影响,暂不再支持超过7天未活跃的长对话。 与此同时,DeepSeek还调整了单次输入文字上限,将输入长度缩短至约4万字。此外,平台还对每日对话使用额度进行限制。当用户当日使用

    来源 AI 行业观察
  13. DeepSeek调整使用规则:超7天对话不保留,单次输入约4万字

    DeepSeek近期对旗下App及网页版实施长对话使用限制,涉及历史对话保留、单次输入长度及每日对话额度等多个方面。据用户反馈,此次调整主要与平台当前算力资源承载压力有关。 具体来看,DeepSeek目前不再支持超过7天未活跃的长对话历史,单次提问的文字输入上限也下调至约4万字。同时,平台新增每日对

    来源 AI 开发者社区
  14. 美国商务部AI芯片新规:远程算力出口也要许可证

    美国商务部发布临时规则,要求企业在可能向中国等受限国家提供算力的情形下,出口AI芯片须申请许可证。新规将管制范围从芯片实体出口延伸至远程云计算访问,意在堵住中国企业通过海外数据中心获取算力的漏洞。全球AI产业链与云服务格局或将迎来新一轮调整。

    来源 AI 科技快讯
  15. 美联储:AI算力债务超6800亿,3万亿表外承诺何解?

    导读:美联储11月13日发布的半年度《金融稳定报告》首次以专章形式拆解AI算力基建的融资结构。报告给出的核心数字是:年内先进算力相关债务发行超6800亿美元,七大科技公司尚未生效的租约与担保承诺合计可能超过3万亿美元。

    来源 36氪
  16. DeepSeek算力吃紧:App与网页版长对话设限,单次输入缩至4万字

    【因算力不足,DeepSeek对App/网页版限额使用】《科创板日报》16日讯,《科创板日报》获悉,DeepSeek对App/网页版的长对话进行了限额使用。多名用户反馈,DeepSeek提示因“算力不足,不再支持超过7天不活跃的长对话”,并对单次输入文字的上限进行了调整,缩短至4万字左右。此外,还会限制每日的对话额度,

    来源 AI 行业观察
  17. 黄仁勋与英伟达深度绑定:AI行业会否被一家公司拖累?

    TechCrunch文章抛出一个尖锐问题:如果黄仁勋和英伟达遭遇坏消息,是否意味着整个AI行业也将承压?摘要指出,Jensen几乎等同英伟达,而当前AI经济高度依赖英伟达。本文围绕这一判断,分析英伟达在AI算力、资本市场与产业信心中的枢纽角色,并讨论风险集中可能带来的连锁反应。

    来源 AI 科技快讯
  18. DeepSeek调整使用规则:7天历史对话、4万字输入与每日额度

    DeepSeek近期对App及网页版实施长对话使用限制,涉及历史对话保留、单次输入长度和每日对话额度。用户反馈称,此举与平台算力资源承压有关。具体调整包括:不再支持超过7天未活跃的长对话历史,单次提问输入上限降至约4万字;新增每日对话额度,达上限后系统提示“因服务器繁忙”。

    来源 AI 产业速递
  19. 黄仁勋卸任、RTX 60延期,消费级显卡真被AI挤到边缘了?

    最近科技圈里最大的瓜就是黄仁勋的离职风波了,英伟达临时换帅,引发了巨大震动。以游戏显卡起家的英伟达,如今在AI芯片领域拥有了绝对的统治权。英伟达的业务板块里,绝大部分资源都分配给了算力卡,留给消费级显卡的并不多。

    来源 36氪
  20. 英伟达遭遇多线挑战:AMD、谷歌、亚马逊追赶,大客户自研芯片提速

    英伟达在AI芯片市场的统治地位正面临前所未有的挑战。即便没有黄仁勋近期的风波,AMD、谷歌、亚马逊等竞争对手的追赶步伐也已明显加快,而大客户纷纷自研芯片更让这家芯片巨头腹背受敌。分析人士指出,这场混乱可能成为挑战者撬动英伟达护城河的绝佳窗口。本文剖析英伟达真正的结构性风险,以及这场AI算力霸主之争的下一步走向

    来源 AI 科技快讯
  21. 考克森离职Anthropic内幕:IPO路演一张图成导火索?

    IT之家 11 月 14 日消息,曾任职于 OpenAI 和 Anthropic、因公开警告 AI 风险而受到广泛关注的研究员雅各布 · 考克森称,Anthropic 在 IPO 路演中展示的一张幻灯片,是促使他离职的重要原因。考克森在 Anthropic 只工作了约四个月。让他决定离职的原因之一,是公司 IPO 路演

    来源 腾讯网
  22. 黄仁勋辞任风波:英伟达确定性溢价受冲击,基金研判AI投资新变量

    从一封道歉信到官宣辞任,短短数日,英伟达创始人黄仁勋的个人风波已经演变为一场席卷全球AI产业链的巨震。多家基金及相关机构认为,此次风波冲击的并非全球AI产业的长期需求,而是英伟达作为全球AI芯片龙头的确定性溢价。随着全球算力竞争格局加速重塑,产业链有望从“一枝独秀”走向“百花齐放”,国产算力也有望迎来重估契机。(证券时

    来源 AI 行业观察
  23. 英伟达发布Rubin HPC GPU:5万CUDA核心,2028年上市

    Rubin HPC单颗GPU搭载超5万CUDA核心,专为科学计算优化,预计2028年上市。CUDA-X扩展科学计算版图,覆盖天体物理、材料科学、药物研发和单细胞生物学等领域,黑洞分析从一个月缩短至8分钟。英伟达展示光子互连与量子计算融合、补齐超算基础设施,称Lambda采用英伟达光子共封装光学技术(CPO)实现最高5倍

    来源 华尔街见闻
向下滚动自动加载更多