AI 的下一场竞争，不再只是谁的 GPU 最快，而是谁能用新的晶片架构，降低资料搬运成本，提供更高效率、更低功耗的算力，把战线从「晶片有多快」推向「晶片有多大」。

随着 OpenAI 与新创公司 Cerebras (CBRS-US) 签下一纸金额上看 200 亿美元的算力采购合约，加上特斯拉 (TSLA-US) 、台积电 (2330-TW) 与多家中国研究机构相继公布进展，曾经被视为工程奇想的「晶圆级晶片」，如今正快速转为一门可交付、可量产的产业生意。

今年稍早，OpenAI 与美国晶片新创 Cerebras 签署了一份为期三年的算力采购协议，涵盖规模最高达 750MW 的运算容量，交付期程排到 2028 年，市场估算合约总值可能超过 200 亿美元。

这笔订单的意义不只在于金额庞大，更在于它把「晶圆级晶片」从一项制造技术，正式推上算力产业版图的台面。

Cerebras 的核心产品，是一种颠覆传统封装逻辑的「整片晶圆」晶片：不同于一般晶片制造流程中把晶圆切割成上百颗独立裸片，Cerebras 选择让整片晶圆维持完整、彼此互连，形成单一巨型逻辑系统。

今年稍早公司在美股挂牌后，首季财报显示营收达 1.93 亿美元，年增 94%，其中云端服务营收更是年增 178%。

值得注意的是，押注晶圆尺度的不只 Cerebras 一家。特斯拉重启了自家的 Dojo 3 训练晶片计划；在中国多所高校、科研院所与企业也陆续发表 12 吋晶圆级验证样机、多芯粒原型与产品路线图。

晶圆级运算，正从少数玩家的豪赌，演变为整个产业认真评估的选项。

瓶颈不在算力，而在「搬运」

要理解晶圆级晶片为何兴起，得先回到当前 AI 系统真正的痛点。它已经不单纯是运算能力不足的问题，而是资料搬运的成本失控。

大型模型运作时，庞大的权重与中间运算结果必须不断在运算单元与储存单元之间往返，一旦系统涉及多颗晶片协同工作，这些资料还得跨晶片交换、同步。

而只要资料离开晶片本体，就得经过封装的输入输出介面、电路板、网路卡、交换晶片，乃至光模组层层转手。

丛集规模愈大，花费在通讯上的电力与成本占比就愈高，新增的运算单元也愈难转化为等比例的实际算力产出。

面对这个问题，产业目前分成两条路线因应。

第一条路是把「机架」做得更像一台电脑。辉达 (NVDA-US) 的 GB200 NVL72 透过 NVLink 把 72 颗 GPU 整合为单一液冷机架系统；华为的 CloudMatrix 384 则以 384 颗升腾 910C 晶片搭配高速互连，组成所谓的超节点。

这条路线靠的是更强大的交换晶片、铜缆或光纤连接与系统软体，让大量独立晶片协同运作时尽量减少延迟。

第二条路，则是晶圆级运算选择的方向。直接缩短资料传输的物理距离。把原本发生在电路板之间、机柜之间的资料交换，直接压缩进封装内部甚至同一片晶圆内部，用毫米级的互连取代原本动辄公分甚至公尺级的网路传输。

这条路线的核心价值，不是塞进更多运算单元，而是从根本上减少资料搬运的距离与代价。

分析指出，两条路线各有取舍。超节点的软体生态成熟、扩容与更换硬体相对容易，但必须承担较高的网路成本；晶圆级系统则用高度客制化的制造、供电、散热与软体投入，换取更高频宽、更低延迟与更佳能效表现。

值得一提的是，今年 7 月，超微半导体 (AMD-US) 与 Cerebras 公布了一项「分离式推理」合作方案。由超微半导体的 Helios 系统负责运算密集的预填充阶段，Cerebras 的晶圆级引擎则专注处理对延迟敏感的解码阶段。

双方测算，这种混合搭配相较单独使用晶圆级引擎，每瓦产出的 token 数最高可提升五倍，代表晶圆级晶片未必要取代 GPU，更可能的走向，是成为异质化资料中心里专门承接通讯密集、延迟敏感任务的一层架构。

一整片晶圆，还是重新拼装的晶粒?

严格来说，产业里通称的「晶圆级晶片」其实包含两种截然不同的技术路径。

传统大型晶片的第一道天花板，来自先进微影技术单次曝光所能覆盖的面积上限，业界称之为「掩模尺寸极限」，大约落在 800 多平方毫米。以辉达 H100 为例，其裸片面积约 814 平方毫米，已经逼近这个物理边界。

过去产业靠制程微缩持续塞入更多电晶体，但随着先进制程的研发与制造成本不断攀升，业界开始改用 Chiplet 拆分复杂晶片、再透过先进封装重新组装。而晶圆级运算，则是把整个系统的边界，从一个封装直接扩展到接近整片晶圆的规模。

第一类：整片晶圆，单一逻辑系统。 这正是 Cerebras 晶圆级引擎所采用的方式，也是目前唯一真正形成商业交付规模的产品类型。

晶圆制造完成后不再切割成独立裸片，而是透过跨曝光区域的互连技术，把整片晶圆组织成一个连续运作的逻辑系统。

Cerebras 的逻辑是，先把良率问题解决，再去掌控整套系统。最新一代的 WSE-3 采用 5 奈米制程，面积达 46，225 平方毫米，整合 4 兆颗电晶体、90 万个 AI 运算核心，峰值算力达 125 PFLOPS。换算下来，其面积相当于数十个标准光罩区域的总和。

这种高度一体化的做法，也代表 Cerebras 必须亲自掌控更多产业环节。晶圆级引擎没办法像一般 PCIe 加速卡那样直接插进伺服器里使用，公司得同时包办晶圆级封装、供电系统、液冷方案、整机设计、编译器与丛集软体的开发。

换句话说，Cerebras 卖的其实不是一颗标准晶片，而是一整套从矽晶圆延伸到云端服务的完整运算系统。

第二类：先拆后拼的多晶粒晶圆级系统。 这类方案采取相反的逻辑，先各自制造、切割并测试独立晶粒，再挑选其中的良品，重新整合到晶圆尺度的互连平台上。

特斯拉的 Dojo 计划是最具代表性的案例。特斯拉负责 D1 晶片本体、训练架构与软体，台积电则透过 InFO_SoW 晶圆级扇出封装技术，把 25 颗 D1 晶片组装成一片「训练砖」。

相较于 Cerebras 的做法，这条路线不需要让带有缺陷的整片逻辑晶圆继续运作，晶片制造完成后可以个别测试、只挑选良品进行整合，大幅降低前段制造的良率风险，也更容易混搭不同制程、不同功能的晶粒。

在 Dojo 之后，台积电已经着手把晶圆级整合技术，从单一客户的专案，扩展为对外开放的通用代工平台。

根据台积电公布的技术路线图，下一代 SoW-X 平台计划进一步整合逻辑晶粒、HBM 高频宽记忆体与输入输出模组，目标在 2027 年进入量产阶段。

台积电强调，SoW-X 并非 Dojo 的直接后继产品，而是面向更广泛高效能运算与 ASIC 客户群的下一代晶圆级平台。

此外，还有一组容易与晶圆级运算混淆的技术，包括晶圆级封装、混合键合与 3D 堆叠。这些制程虽然都在晶圆阶段完成重布线、封装或垂直连接工序，但最终产出的产品仍可能只是一颗尺寸正常的封装晶片。

它们是支撑晶圆级运算的重要技术基础，却不能与真正的晶圆级运算系统画上等号。

中国队伍：从论文走向样机

过去两年，中国在晶圆级运算领域的进展相当显著，虽然目前还没有出现成熟度足以比肩 Cerebras 的商业化系统，但已经明显跳脱纯概念研究的阶段。

在学术端，清华大学尹首一、胡杨团队于 2025 年一口气有三项晶圆级运算研究成果登上国际顶尖电脑架构会议 ISCA，研究范畴分别涵盖全晶圆计算拓扑、整合架构，以及大模型推理在晶圆级硬体上的映射方法。

三者恰好对应一台晶圆级电脑的三个层次：底层如何连接晶粒、中层如何组织运算与储存、上层如何把大模型有效映射到硬体资源。

根据论文披露的实验数据，团队提出的拓扑方案相较 Dojo 架构可实现 2.39 倍的吞吐量提升；整合架构方面，在相同成本模型下分别达成 2.90 倍算力、2.11 倍通讯频宽与 11.23 倍记忆体频宽的提升；而其大模型映射方案 (WSC-LLM)，相较论文所选定的 GPU 丛集，平均效能提升达 3.12 倍。

同时，该团队也与清微智能合作，成功研制出 12 吋晶圆级 AI 晶片验证样机，实现所谓「一片晶圆即一颗晶片」的目标。

另一项值得留意的成果，来自中国科学院计算技术研究所主导、联合中国电子科技集团第五十八研究所与无锡芯光互连技术研究院共同完成的「映天湖」计划。

该计划采用「计算模组—互连基板」解耦架构，尝试在同一个平台上相容 CPU、AI 加速器、DSP、交换晶片与储存等不同种类的晶粒。

论文披露，团队已完成由 16 个计算模组构成的原型系统，相关晶片采用台积电 28 奈米制程流片，单一晶圆即可达到千万亿次等级的运算能力。在论文设定的实验情境中，高效能线性代数运算与深度学习推理任务的相关指标，分别改善约 1.45 倍与 1.78 倍。

同样来自中国科学院计算技术研究所的研究团队，今年还提出了名为 Ouroboros 的架构，即一种以晶圆级 SRAM 为核心的「存算一体」设计。

团队在一片 12 吋晶圆上整合了高达 54GB 的 SRAM 容量，足以让主流的 7B、13B 甚至更大规模模型的参数、中间运算值与 KV 快取，完整常驻在最靠近运算单元的第一级储存空间里。

实验显示，该架构平均吞吐量可达现有顶尖系统的 4.1 倍，平均能效提升 4.2 倍；在 13B 参数规模的模型上表现尤其突出，吞吐量最高达 9.1 倍，能效比甚至提升到 17 倍。

团队采用单一晶圆对 Llama 13B 模型进行推理，在 WikiText-2 资料集上测试时，系统吞吐量可稳定达到每秒 15 万个 token。

企业端同样传出产品化讯号。今年 5 月，新紫光集团发表名为「紫弦」的 3D 化近存计算架构，采用 3D DRAM 与该公司称为业界首创的 3.5D 异质异构整合路线，透过先进封装将储存单元与运算单元进行三维堆叠，大幅缩短资料传输距离。

根据新紫光公布的数据，其储存频宽可达 30TB/s，优于目前业界最新的 HBM4 标准；在近存运算模式下，存取延迟最大可降低 18 倍; 模拟结果显示，在同等算力条件下，其 token 吞吐率较国际旗舰级产品高出 1.5 至 2 倍以上。新紫光集团联席总裁陈杰表示，「紫弦」架构已将 10 到 20 颗不同种类的裸片整合在单一晶片内，逼近单晶片微缩的物理极限，下一步更深度的整合，势必要仰赖晶圆级技术才能实现。

中国企业清微智能的可重构运算技术，则已从 1.0、2.0 世代演进到刚发表的 3.0 版本，并规划下一步迈向面向晶圆级运算的 4.0 世代；产品线也从支援资料流与网格运算的 TX81，发展到支援三维运算的 TX82，并已着手规划真正的晶圆级晶片产品。

在互连环节，井芯微电子则已推出软体定义互连晶片与桥接产品，其 SDI3210 最多可支援 32 个端口或 32 路高速通道，PRB0400 这款 PCIe Gen2/RapidIO Gen2 桥接晶片也已进入量产; 2026 年，该公司再进一步发表面向晶上系统的 RDMA 对等通讯 IP 与专用中介软体。

下一步：比的不再是面积，而是交付能力

整体而言，晶圆级运算已经走过纯技术验证的阶段，正式进入产业验证的关卡。接下来各家角逐的重点，将不再是晶圆面积有多大、整合了多少颗电晶体，而是在真实工作负载下的效能表现、功耗控制、成本结构，以及能否稳定交付。

多数业界观察都指出，晶圆级晶片短期内不太可能全面取代 GPU 或超节点架构，但很可能率先切入通讯密集型的 AI 推理任务与特定专用运算场景，成为异质化资料中心里的关键一环。

随着这场竞赛逐渐从实验室走向量产线，晶圆级晶片，正在成为下一轮 AI 算力竞争的关键战场。