美国批准向中国出售英伟达H200人工智能晶片，中国外交部回应称，中国一贯主张中美通过合作实现互利共赢。
中国外交部发言人郭嘉昆星期二（12月9日）主持例行记者会。有记者提问，美国总统特朗普称将批准向中国出售英伟达H200人工智能晶片。请问中国是否会允许购买这些H200晶片？另外，特朗普何时将这一决定告知中国？中美领导人之间是否通过电话？
郭嘉昆回答：“我们注意到有关报道。中方一贯主张中美通过合作实现互利共赢。”
特朗普宣布，他将允许英伟达向中国及其他国家的经批准客户供应H200人工智能晶片，条件是能够确保美国国家安全继续强大。
路透社报道，特朗普星期一（12月8日）在X平台说，美国商务部正在敲定具体细节，同样的方案也将适用于超微半导体（AMD）、英特尔以及其他美国公司。
特朗普在自家社媒平台Truth Social贴文说，他已将这一决定告知中国国家主席习近平，习近平做出了“积极回应”。
美国超微半导体（AMD）已获得向中国出口部分MI308晶片的许可，并准备好在出口后向美国政府缴纳销售所得营收的15%。
路透社报道，AMD首席执行官苏姿丰当地时间星期四（12月4日）在科技媒体Wired于美国旧金山举办的会议上披露了上述信息。
有媒体今年8月引述美国官员报道，英伟达（Nvidia）与AMD已同意把在中国销售H20晶片和MI308晶片所得营收的15%上缴美国政府，以此项特殊安排换取半导体出口许可。
有出口管制专家指出，这类安排史无前例，从未有企业为取得出口许可而同意上缴部分营收。也有法律专家认为，这一做法可能触及美国宪法禁止对出口征税的条款。
针对上述安排，中国外交部发言人林剑星期五（12月5日）在例行记者会上说，希望美方以实际行动维护全球产供链的稳定畅通。
AMD的MI308晶片是其Instinct MI300X系列的降级版本，专为出口中国设计。该晶片与英伟达的H20晶片一样，于今年4月被美国列入对华出口管制清单。
又到了一年一度科技厂商发表财报的时候。只不过今年除了财务数据之外，在对于未来的业务预测中，各大厂商不约而同地表达了一项惊人一致的警告：
受到全球存储行业成本上升影响，明年的产品价格将有所上调。
图｜GIGAZINE
这一轮涨价所波及的范围，要比爱范儿上个月有关内存涨价的文章中提到的更广——现在不仅仅是你的手机和电脑，更上游的显卡、板卡厂商也没能幸免。
这对于本就风雨飘摇的 DIY PC 圈子来说，无疑是个坏消息。
因为明年原本就是 CPU 和 GPU 工艺制程从 3nm 跨步到 2nm 的节点，如果再叠加上内存涨价，「装配一台电脑」的成本将变得惨不忍睹。
更地狱的是，如果按照现在的内存价格计算，买一台 512GB 内存的 Mac Studio，就相当于只花了内存的钱，M3 Ultra 处理器、外壳、雷雳 5 控制器甚至硬盘等等其余部分全都是白送的。
真 · 买内存送电脑
换句话说，前方等待着我们的，将是一场旷日持久的苦战。
在之前的文章中，爱范儿已经和大家详细解析了最近一段时间手机 SKU、内存条、固态硬盘携手涨价的原因。
然而我们没有预料到的是，涨价的幅度和速度会如此夸张。
和之前文章中的编辑部同事类似，小编也在年初重组了自己的电脑，选择了一套金百达（KingBank）的 DDR4 3600 双 16GB 内存，一月份的售价为 349 元。
而今天再查时，这套的价格已经是年初的三倍了：
我们之前提到过，2025 年下半年的存储行业集体涨价，初始诱因就是飞速增长的 AI 产业。
无论是 OpenAI 的「三万亿美元 AI 基础设施计划」星门（Stargate），还是微软、亚马逊、苹果都在加快脚步推进的新数据中心建设，都离不开专门的企业级高带宽内存（High Bandwidth Memory, HBM） 。
而放眼全球，能够大规模生产 HBM ——或者说更广泛的 DRAM 产品的，无非就是三大垄断巨头：韩国的三星、SK 海力士（SK Hynix），以及美国的美光（Micron）。
图为 2023 年全球 DRAM 市场份额，三家长期保持市占率 95% 左右，近乎完全垄断｜YOLE Intelligence
与此同时，AI + 数据中心的技术模式不仅没有停歇的势头，反而随着 AI 应用的日常化，变得更加兴旺起来。
即使把 AI 视作一个泡沫，那也是一个异常坚挺的泡沫。
在这种环境下，位于 DRAM 供应链顶端的三家巨头根本不需要玩「火龙烧仓」的把戏，直接将现有产能和扩产指标转入企业级产品，就能够轻易赚到比在消费级市场强行控货多得多的利润。
2018 年无锡 SK 海力士工厂起火，旋即涨价
而这种生产策略的调整，结果就是上面说到的——
现在的存储缺货已经不再限于 DDR4、DDR5 之类的个人电脑内存，也进一步扩散到了显卡使用的 GDDR6、GDDR7 等高速内存上。
面对这样的形势，强势如英伟达也不得不采取措施了。
根据一份近期的爆料，英伟达已经与生产非公版显卡的板卡厂商（如华硕、技嘉、七彩虹等）协商调整销售模式，英伟达后续将不再配套销售 GPU 核心和显存，而是仅销售核心、板卡厂商需要自行采购显存颗粒：
图｜NiceHash
虽然这项泄露还未得到英伟达或板卡厂商的正式回应，但从商业策略角度分析是完全合理且可能的。除了向外转移库存风险之外，英伟达自己也更需要这些显存颗粒。
因为它不仅有公版 RTX 这样的消费级产品，还有诸如 A800、H800、DGX 之类的业务，这些动辄 80GB 显存的企业级产品才是真正的大头，此次调整的一部分原因就是要把手中的闪存库存留给自家的 AI 产品。
图｜Nvidia
另一边，最新的 AMD Radeon RX 9000 和 RTX 50 系显卡一样是 GDDR6 和 GDDR7 客户，虽然目前没有消息或新闻表明 AMD 也将改变板卡销售模式，但在存储行业整体涨价的背景下，可能性还是很高的。
因此，一边是 AI 巨头和数据中心加大采购量，一边是存储厂商削减消费级产品的产能，两者叠加，就构成了近期主流消费级内存产品价格单月增长 100%～200% 的疯狂现象：
自此，这场震动已经从垄断全球的三家 DRAM 厂商拓展到了英伟达这样的中上游企业，进而波及到消费级 PC 市场的 OEM 厂商与 DIY 玩家，而最终也将波及到同为 DRAM 需求大户的手机行业。
根据集邦咨询（Trend Force）的一份调查报告，今年第四季度 DRAM 合约价格相比去年同期涨价超 75%，并且是 DRAM（内存）和 NAND Flash（硬盘）同时上涨。
基于这样的背景，集邦咨询在报告中预估，2026 年的手机整机零件成本（BOM cost）将会在今年的基础上涨价约 5% 至 7%，甚至有可能上探到 10% 左右。
图｜iFixit
比如一台售价 5499 元的手机，内存 + 硬盘的总成本占整机 BOM 成本的 15% 左右，如果闪存涨价一倍，涨幅并不会直接平移到售价上，而是叠加利润需求，让售价最终上涨 500～700 元左右。
这种涨幅的冲击，对于原本定价就在六千元左右的旗舰机型来说或许还能消化，但对于那些在三四千元档位、锱铢必较地拼参数的中高端机型来说，涨价 500 元是完全无法接受的。
换句话说：三四千元档手机也能 24GB + 1TB 的时代，恐怕是一去不复返了。
与此同时，高端手机市场也并不能从存储涨价中独善其身。高规格的存储在 BOM 中的比例或许目前仍在控制范围内，但在目前的涨价速度面前同样不容小觑。
此外，与 PC 遇到的问题一样，2026 年同样是手机处理器从 3nm 升级 2nm 的关键节点。
台积电的 2nm 处理器报价原本就已水涨船高，更夸张的是，2nm 芯片的首发客户甚至有可能不是长年以来的苹果，而是 OpenAI ——
没错，现在 AI 不仅要和你抢内存，更是要和你抢处理器了。
内外交困之下，明年的手机涨价已经不再是个「是或否」的问题，而是「涨多少」的问题了。从目前存储行业的趋势推测，2026 年各家主流手机品牌「中低端减配」和「中高端涨价」将会变成共识。
不过在这一波涨价潮之中，也有几个特殊的身影。
比如刚刚发布的 Mate 80 标准版虽然踩在了涨价潮中间，但标价相比去年其实还有所下调。这和华为一直倾向于和存储供应商签一年期的「长协」不无关系，应对价格冲击的能力要明显强于按季度签协议的其他品牌。
图｜华为官网
另一方面，三星自家的产品由于近水楼台先得月，受到年末存储涨价风波的影响也相对较小，目前普遍预测即将发布的 S26 系列新机的涨价幅度在 50 美元左右，属于勉强接受的范畴。
图｜Android Authority
而苹果这边的消息就没有那么好了，虽然苹果对于供应链的议价能力极强，但面对这种「近乎垄断」的供应链情况也无从下手。
传闻中为了 Apple Intelligence 而全系标配的 12GB 内存，很有可能成为 iPhone 18 系列涨价的主因。
图｜MacRumors
祸不单行，还有消息称台积电除了 2nm 涨价之外，还计划对 5nm 以下产品提价以平摊 2nm 制程的研发费用，最直接影响的就是苹果的 A20 Pro 处理器。一句话——
明年的 iPhone 18 系列新机很可能涨价 1000 元左右，如果需要买 iPhone，马上下单可能是最实惠的方案。
同时，手机的主流配置从 12 或 16GB 缩水回 12GB，也给软件设计和系统优化提出了更高的要求，未来一两年里，系统优化和软件瘦身将会成为厂商的重点之一——
图｜彭博社
或许「安迪-比尔定律」的提出者也没有想到，这个定律竟然会碰到「安迪把东西收回去」的情况。
我们需要注意到，消费电子产品将受到越来越多来自 AI 的挤压。2025 下半年的 DRAM 全行业涨价并不是传统的「技术-市场」周期内的涨价，而是产能被从外部夺走了，这和 2nm 处理器涨价的原因不同。
这仅仅是手机，对于 DDR4 和 DDR5 依赖更明显、利润率参差不齐的 PC 领域更是几乎碰到了死局。
或许等到明后年，我们就能见到「内存条和硬盘自备」的准系统笔记本上架了：
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
2000 亿参数、3 万块人民币、128GB 内存，这台被称作「全球最小超算」的机器，真的能让我们在桌面上跑起大模型吗？
▲ 图片来自 x@nvidia
前些天，黄仁勋正式把这台超算送到马斯克手上，而后也亲自去到 OpenAI 总部，送给奥特曼。从 CES 登场到如今落地，这台个人超算终于要来到我们手上。
▲官网发售情况，售价 3999 美元，也提供了华硕、联想、戴尔等七个电脑品牌的发售版本；链接：https://marketplace.nvidia.com/en-us/developer/dgx-spark/
NVIDIA DGX Spark，一台个人 AI 超级计算机，目标用户是科研人员、数据科学家和学生等，为他们提供高性能桌面级 AI 计算能力，帮助他们完成 AI 模型的开发和创新。
听着很强大，但普通人能想到的玩法，无非还是：
▲ 部分显卡租赁平台显示的 A100 售价为 7元/时
实际上，DXG Spark GB10 Grace Blackwell 超级芯片的能力，或许可以拓展它的应用场景，但是具体能做些什么？又做得怎么样？3 万块的售价，能租 4000 小时的 A100，你真会把它放在桌上跑跑大模型吗？
我们收集了目前网络上关于 DGX Spark 多个详细评测，试图在我们的实际体验之前，带大家看看这台设备，到底值不值 3 万块。
太长不看版：
话不多说，先看数据。
▲ 每秒处理填充和解码的平均 token 数量，DGX Spark 排在 RTX 5080 后，图片由 ChatGPT 制作
DGX Spark 对比 Mac Mini M4 Pro 还是要强上不少，尤其是在 Prefill 阶段。但是在 Decode 阶段，优势就没有这么明显了。Mac Mini M4 Pro 在 DeepSeek R1 开源模型上的 TPS 能做到 17.8，而 DGX Spark 也才 33.1。
快速做个名词解释，来看看 AI 推理的两个阶段到底是什么
简单来说，当我们在 AI 聊天框里输入问题，模型生成答案的过程可以分为两个关键步骤：
1. Prefill（预填充/阅读理解阶段）
AI 拿到我们的问题后，快速阅读和理解你输入的每一个字（即提示词）。
这个阶段处理得越快，我们等待 AI 吐出第一个字的时间就越短，也就是常用来宣传 AI 能力的指标，首字响应时间，TTFT（Time To First Token, TTFT） 越短。
2. Decode（解码/生成答案阶段）
就像 AI 已经想好了答案，开始逐字逐句地打字输出给我们。
决定 AI 打字的速度，也就是我们常说的 TPS（每秒生成词元数）。这个数值越高，我们看到答案完整显示的速度就越快。
TPS 是 Token Per Second（每秒处理词元数）的简称，可以理解为 AI 的工作效率或打字速度。
Prefill 阶段的 TPS： 代表 AI 读懂问题的速度。
Decode 阶段的 TPS： 代表 AI 给我们生成答案的速度。
所以 DGX Spark 在给我们回答时，第一个字很快能出来，但是后续它的打字速度，很慢。要知道，Mac Mini M4 Pro 的价格才 10999 元，24GB 统一内存的版本。
为什么会这样？这项测试是由大模型竞技场的团队 LMSYS，在他们的 SGLang 项目和 Ollama 上，选择上图中六个不同的设备，运行多个开源大语言模型完成的。
▲ SGLang 是由 LMSYS 团队开发的高性能推理框架，FP8、MXFP4、q4_K_M、q8_0 是指大语言模型的量化格式，即对大模型进行压缩，用不同的二进制存储方式
测试的项目包括了 1200 亿参数的本地大模型，也有 80 亿的较小模型，此外 Batch Size 批次大小和 SGLang 与 Ollama 两种框架的差别，都会对 DGX Spark 的表现，产生不同的影响。
例如，评测团队提到，DGX Spark 在批次大小为 1 时，每秒解码的次元数只有 20 个，但是当批次大小设置为 32，每秒解码词元上升到 370。一般说，批次大小设置越大，每次要处理的内容越多，对 GPU 的性能要求越高。
而 DGX Spark 的 AI 能力，根据其所采用的 GB10 Grace Blackwell 芯片架构，以及 1 PFLOP 的稀疏 FP4 张量的性能，定位是在 RTX 5070 和 RTX 5070 Ti 之间。
所以开头那张显示结果的图，其实并不能全面的展示 DGX Spark 的能力，因为它平均了所有模型测试的结果。但不同批次大小的模型推理、以及不同参数的模型，它最终展示出的性能，都会有所不同。
综合来看，DGX Spark 的优点是：
但它的短板，致命且清晰——带宽。
Prefill 阶段拼的是算力（脑子快不快），Decode 阶段拼的则是带宽（嘴巴快不快）。
DGX Spark 的问题就是：脑子（算力）很快，但嘴巴（带宽）跟不上。
打个比方，它的数据通道就像一根细水管：
这就是为什么 DGX Spark 在打字阶段（Decode）表现平平的根本原因。
LMSYS 将评测的详细结果放在了 Google 文档中，我们把数据交给 Kimi 智能体，得到了一份详细的可视化报告，原始数据的预览，也可以点击 Kimi 预览报告下载选项获取。
▲ https://www.kimi.com/chat/199e183a-7402-8641-8000-0909324fe3fb
带宽是短板，但已经有更极客的团队，找到了榨干 DGX Spark 全部算力的方法，那就是找一个带宽更快的桌面设备，Mac Studio M3 Ultra，利用其 819 GB/s 的速度，把大模型的推理速度愣是整体提升了 2.8 倍。
拿到两台 DGX Spark 早期访问权限的 EXO Lab，就直接把大模型推理的 Prefill 和 Decode 两个阶段，分别给了 DGX Spark 和 Mac Studio 来承担，这又叫做 PD 分离。
和我们之前介绍的预填充、解码两个阶段一样，一个依赖算力，一个依赖带宽。如上图所示，黄色代表预填充阶段，它决定着 TTFT，首个次元生成时间；而蓝色代表解码阶段，它决定了 TPS，每秒生成的词元数。
▲ EXO Lab 的做法就是将 Decode 交给 Mac Studio。
但 PD 分离的实现也不并不简单，EXO 团队要解决的还有一个问题，如何将 DGX Spark 设备上，预填充阶段生成的内容（KV 缓存），传输到处理解码的设备上。
这部分数据量很大，如果两台设备之间，传输时间太长，甚至可能会抵消性能提升的效果。
EXO 的答案是：流水线式分层计算与传输。DGX Spark 在处理第一层预填充时，计算出的 KV 缓存会立即开始传输给 Mac Studio，而 DGX Spark 则继续进行第二层的预填充工作。
这种分层流水线的方式，能让计算和数据传输的时间完全重叠。最终，当所有层的预填充完成，Mac Studio 已经拿到完整的 KV 缓存，可以立即开始解码。
虽然这套方案，在某种程度上解决了 DGX Spark 带宽限制的问题，提升了 3 倍的速度，但是费用也涨了 3 倍。两台 DGX Spark 和一台 Mac Studio M3 Ultra 的费用，快接近 10 万元人民币。
如果还是用来跑一个本地大模型，未免太过于杀鸡用牛刀。
273 GB/s 的带宽，也并不是 DGX Spark 的全部，128GB 的统一内存，用在数据中心级别的 GB10 架构显卡，支持每秒一千万亿次计算（1 Petaflop），以及桌面级设计，都有机会拓展它的应用场景。
我们在 YouTube 上找了一些博主的开箱和上手体验视频，一起看看这台优点和短板都很明显的设备，可以做点什么。
本地 AI 视频生成
生文模型现在基本上都免费使用，但是生视频的模型，大多数都需要充值会员，或者积分制。
博主 BijianBowen 利用 ComfyUI 框架，以及阿里的 Wan 2.2 14B 文本到视频模型，直接根据 DXG Spark 官方的 Playbooks（操作指南），配置了一个视频生成项目。
▲ NVIDIA DGX Spark – 非赞助的评测（与 Strix Halo 对比、优缺点）视频来源：https://youtu.be/Pww8rIzr1pg
在视频生成过程中，他提到即使命令后显示 GPU 的温度已经达到了 60-70 摄氏度，但是听不到一点噪音，风扇转动的声音也没有。
▲大部分博主有提到，DGX Spark 确实比较「安静」，设备拆解相当工整，来自 storagereview.com
除了用在视频生成和图像生成的 ComfyUI 提供了在 DGX Spark 上操作的指南，还有在本地运行大模型的桌面工具 LM Studio，也发布了博客提到支持 DGX Spark。
工具调用，搭建多智能体聊天机器人
Level1Techs 分享了自己用 DGX Spark 并行运行，多个 LLMs 和 VLMs，来实现智能体之间的交互。
▲ 深入探讨英伟达的 DGX Spark，视频来源：https://youtu.be/Lqd2EuJwOuw
得益于 128GB 的大内存，他可以选择 1200 亿参数的 GPT-OSS、67 亿的 DeepSeek-Coder、以及 Qwen3-Embedding-4B 和 Qwen2.5-VL:7B-Instruct 四个模型，来处理不同的任务。
这个项目也是 Nvidia 官方提供的指南，在他们官网，提供了超过 20 种玩法，并且每一种用法，都给出了预计需要的时间，以及详细的步骤。
▲ https://build.nvidia.com/spark
像是搭建一个文本到知识图谱的系统，把非结构化文本文档，转换为结构化知识结点。
视频搜索和摘要总结。
我们在 Reddit 上也发现一些拿到了 DGX Spark 的用户，开启了 AMA（Ask Me Anything） 活动。博主分享了自己的测试结果，同样提到 AI 能力对标 RTX 5070。还有有人问，是否可以运行一波 Karpathy 新推出的 nanochat 项目。
后续应该还会有更多 DGX Spark 的基准测试结果，和更全面的使用指南更新，APPSO 的 DGX Spark 正快马加鞭赶来。
DGX Spark 的存在，看起来更像是 AI 狂飙时代下的一个实验，一台数据中心级算力的桌面机器，试探着我们对本地 AI 的幻想边界。
真正的问题除了 DGX Spark 能不能跑，还有当我们每个人都能拥有一台超算时，我们可以拿它做什么。
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
刚刚，Google 正式启动数据中心登月计划，打算把自己的算力都放到太空。他们还给这个计划起了个很酷的名字，叫做 Project Suncatcher，太阳捕手计划。
Google 的想法很简单，与其在地球上争抢日渐枯竭的资源，不如去太空中直连太阳能。这个全新的登月计划，目标也只有一个，在太空中建立一个由太阳能驱动的、可扩展的 AI 基础设施。
前些天，OpenAI 的 CEO 奥特曼和微软 CEO Satya Nadella 纳德拉，在播客节目上表示，
我今天的问题不是芯片供应问题；事实是，我没有足够的暖壳（warm shells）来插入它们。
听着相当凡尔赛，毕竟在这场 AI 浪潮之前，我们一直以为算力就是一切。
▲奥特曼和纳德拉
但就像奥特曼在节目里面说，AI 的未来，更多地需要能源上的突破，订购的 AI 芯片太多，配套的数据中心和电力跟不上也是白搭。
AI 耗电有多离谱，根据国际能源署 (IEA) 的数据，到 2030 年，全球数据基础设施的耗电量，预计将与整个日本的国家耗电量相当。
不只是电，还有水。世界经济论坛的数据显示，一个 1 兆瓦的数据中心，每天消耗的水量，与大约 1000 名发达国家居民的用水量相同。
▲一块英伟达 H100 芯片的最高功耗可达到 700W，大约是家用微波炉的功耗，而一个数据中心的 H100 显卡数量是以万为单位，且不间断运行
而就在最近五年，数据中心的需求开始狂飙，但增长速度已经远远超过了，规划新发电能力的速度。
Google 为了解决同样的问题，他们的计划，是发射一个由太阳能驱动、搭载 Google 自研 TPU 芯片（用于计算，类似英伟达的 GPU）的卫星星座，在太空中组建一个「轨道 AI 数据中心」。
为什么是太空？Google 的理由简单粗暴。
1、8 倍效率： 如果搭载芯片的卫星，在正确的轨道上，太阳能板的效率是地球的 8 倍。
2、7*24 不间断供电： 太空没有黑夜和云层，对比地球上的太阳能板，可以持续产生电力。
▲ 马斯克发 X 说太空的 AI 卫星能保护地球
3、零资源消耗： 在太空，数据中心不需要消耗地球有限的土地，也无需消耗大量水资源做冷却工作。
▲ 苹果、华为、腾讯、以及移动等公司在贵州设立数据中心，图片来源：新华社
目前地球上的数据中心，越来越接近能源瓶颈，建在冰岛、挪威，是为了冷；建在内华达沙漠，是为了电。像在国内，多数大厂的数据中心都放在贵州、宁夏中卫等，靠环境来降温。
但是太空的环境，远比地球复杂。Google 在自己的研究论文里面，详细提到目前遇到的难点，以及用于应对的方法。
难题一：太空「局域网」？
AI 训练需要海量芯片协同作战，彼此间的连接带宽和延迟要求极高。在地球上我们可以用光纤实现数据的高速传输，在太空怎么办？
Google 的方案：编队飞行 + 激光通信。
他们计划让卫星「飞得非常近」，彼此相距仅公里级或更近。
在他们一个 81 颗卫星的模拟星座中，每颗卫星都配有太阳能阵列、辐射冷却系统，以及高带宽光学通信模块；且卫星间的距离仅在 100-200 米之间动态变化。
在如此近的距离上，它们可以通过自由空间光通信（FSO ISL，Free-Space Optical Inter-Satellite Links），实现高速互联。Google 在论文中透露，他们的演示已经成功实现了 1.6 Tbps 的双向传输速率。
难题二：宇宙「辐射」？
太空环境极其恶劣，太阳在提供能源的同时，也喷射出致命的高能粒子（辐射），这对尖端芯片直接是毁灭性打击。
▲ 图源 NASA
Google 的方案：硬扛。
他们把自家的 Cloud TPU v6e (Trillium) 芯片送进了实验室，用 67 MeV 的质子束轰击它。
结果是「惊人地抗辐射 (surprisingly radiation-hard)」，TPU 最敏感的高带宽内存 (HBM)，在承受了 2 krad(Si) 的剂量后才开始出现异常，这几乎是 5 年任务预期辐射剂量（750 rad(Si)）的近 3 倍。
这意味着 Google 的 TPU 可在低地轨道连续运行 5 年，无永久损伤。
Google 计划在 2027 年前与 Planet 公司合作，发射两颗原型卫星，测试实际运行环境。
▲ Planet 公司官网，主要从事卫星图像和地球数据的分析
难题三：数据回传
在太空上，各个 GPU 之间的数据传输是做到了快速高效，但是就算在太空算完了，数据怎么高速传回地球？
这是一个 Google 在论文中承认、尚待解决的重大挑战。
延迟问题： Google 选择的「晨昏同步轨道」，虽然太阳能拉满，但论文承认这将会增加到某些地面位置的延迟。
带宽瓶颈： 目前的「地-空」光通信的最高纪录，还是 NASA 在 2023 年创下的 200 Gbps。
200 Gbps 听起来很快，但对于一个太空 AI 数据中心来说，这根水管远远不够用。
然而，在所有这些（局域网、辐射、地面通信）高难度的技术挑战之上，还压着一个最根本、最致命的障碍，它决定了前面的一切是否值得去解决，上天成本。
这曾是最大的障碍，把一公斤重的东西送上天，曾经比同等重量的黄金还贵。
▲ 一系列低地轨道卫星的发射费用对比
Google 在论文中计算过一笔账，如果 SpaceX 的发射成本能降到 $200/kg（预计 2035 年左右），则太空数据中心的单位功率成本，能与地面数据中心持平，约 $810/kW/年，与美国本土数据中心的 $570–3000/kW/年区间完全重叠。
换句话说，当火箭便宜到一定程度，太空就会比地球更适合建数据中心。
然而，现实是目前的发射价格，是这个理想价格的十倍以上。
Google 在他们的论文里，明确采用了 SpaceX 的学习曲线假设：每当总发射质量翻倍，单位发射成本下降 20%。
▲ 自首次成功发射猎鹰 Falcon 1 号以来，按最低实现价格计算的 SpaceX 有效载荷质量，针对不同类别火箭逐步变化
从 Falcon 1 到 Falcon Heavy，SpaceX 已把发射成本从 $30000/kg 降到 $1800/kg；而 Starship 的目标，是 10× 可重复使用率下的 $60/kg，极限情况下可降到 $15/kg。
这意味着，SpaceX 很有可能成为支撑 Google 太空数据中心经济模型的公司。
如果说英伟达垄断了地球上的 GPU，那么 SpaceX，将来就可能垄断太空中的算力空间。
在地球上，英伟达卖 GPU；在太空里，SpaceX 卖轨道。
就在 Google 发布论文的几天前，11 月 2 日，英伟达强大的 H100 GPU 已经「首次」被送入太空。
这颗 H100 被搭载在一家名为 Starcloud 的初创公司的卫星上，其在轨算力比以往任何太空计算机强 100 倍。
▲Starcloud 创办于 2024 年，诞生之初就是致力于在太空建立数据中心，获得了英伟达、YC 等投资。
它们的任务更直接，在轨实时处理数据。Starcloud 的 CEO 举例：一颗 SAR（雷达成像）卫星的原始数据极其庞大，与其下载数百 GB 的原始数据，不如在轨用 H100 分析，只传回 1KB 大小的结果，比如「一艘船在某位置，速度 多少」。
而当被问到这一切如何实现时，Starcloud 的 CEO 同样指向了马斯克：他们的愿景，完全依赖于「SpaceX Starship 带来的成本降低」。
搭载了英伟达 H100 GPU 的 Starcloud-1 卫星，正是通过马斯克的 SpaceX，Bandwagon 4 Falcon 9 航班发射升空的。
过去五年，英伟达一次次刷新最高市值记录，关键在于它提供了最强的算力单元（GPU）；它掌控了 CUDA（英伟达通用计算平台）生态，形成软件锁定；它成为所有 AI 公司（OpenAI、Anthropic、Google）的算力上游。
而在太空算力时代，这三点都可能都将被重新分配，那个时候，算力空间才是下一个红利。
AI 的极限，也许才刚刚开始。
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
Login
