全球 AI 芯片与算力加速卡速查数据库 · 硬件规格、Benchmark 评测与国产算力深度研报
  • 1
  • 2
  • 3
  • 4
  • 5

主流 AI 算力芯片核心规格速查

芯片型号 厂商 / 架构 制程 显存容量 显存带宽 峰值算力 片间互联 功耗 / 散热 解析
NVIDIA Blackwell B200Flagship NVIDIA (Blackwell) TSMC 4NP Dual-die 192GB HBM3e 8.0 TB/s FP4: 9,000 TFLOPS
FP8: 4,500 TFLOPS
NVLink 5 (1.8 TB/s) 1,000W Liquid 实测
NVIDIA Blackwell B100Dual-Die NVIDIA (Blackwell) TSMC 4NP Dual-die 192GB HBM3e 8.0 TB/s FP4: 7,000 TFLOPS
FP8: 3,500 TFLOPS
NVLink 5 (1.8 TB/s) 700W Air / Liquid 规格
NVIDIA GB200 SuperchipNVL72 Grace + 2x B200 TSMC 4NP + 4N 384GB HBM3e 16.0 TB/s FP4: 40 PFLOPS
FP8: 20 PFLOPS
NVLink-C2C (900 GB/s) 2,700W Liquid 集群
NVIDIA Hopper H200141GB HBM3e NVIDIA (Hopper) TSMC 4N 141GB HBM3e 4.8 TB/s FP8: 1,979 TFLOPS
FP16: 989 TFLOPS
NVLink 4 (900 GB/s) 700W Air / Liquid 对比
NVIDIA Hopper H100 NVIDIA (Hopper) TSMC 4N 80GB HBM3 3.35 TB/s FP8: 1,979 TFLOPS
FP16: 989 TFLOPS
NVLink 4 (900 GB/s) 700W Air / Liquid 分析
NVIDIA H20 (特供版)合规版 NVIDIA (Hopper Cut) TSMC 4N 96GB HBM3 4.0 TB/s FP8: 296 TFLOPS
FP16: 148 TFLOPS
NVLink 4 (900 GB/s) 400W Air 实测
NVIDIA L40S NVIDIA (Ada Lovelace) TSMC 4N 48GB GDDR6 (ECC) 864 GB/s FP8: 733 TFLOPS
FP16: 366 TFLOPS
PCIe Gen4 x16 (64 GB/s) 350W Air 规格
AMD Instinct MI325X256GB HBM3e AMD (CDNA 3) TSMC 5nm + 6nm 256GB HBM3e 6.0 TB/s FP8: 2,614 TFLOPS
FP16: 1,307 TFLOPS
Infinity Fabric (896 GB/s) 750W Liquid / Air 实测
AMD Instinct MI300XCDNA 3 AMD (CDNA 3) TSMC 5nm + 6nm 192GB HBM3 5.3 TB/s FP8: 2,614 TFLOPS
FP16: 1,307 TFLOPS
Infinity Fabric (896 GB/s) 750W Air / Liquid ROCm
AMD Instinct MI300AAPU AMD (CDNA 3 + Zen 4) TSMC 5nm + 6nm 128GB Unified HBM3 5.3 TB/s FP32: 122 TFLOPS
FP64: 245 TFLOPS
Infinity Fabric Unified 550W Liquid 解析
Huawei Ascend 910C (华为昇腾)DaVinci v3 Huawei (DaVinci v3) Domestic Advanced Node 64GB / 128GB HBM 1.8 TB/s FP16: ~320 TFLOPS
INT8: ~640 TOPS
HCCS (800 GB/s) 600W Liquid 全景实测
Huawei Ascend 910B (华为昇腾)DaVinci v2 Huawei (DaVinci v2) Domestic Advanced Node 64GB HBM2e 1.2 TB/s FP16: 280 TFLOPS
INT8: 560 TOPS
HCCS (392 GB/s) 400W Air / Liquid 组网实测
Cambricon Siyuan 590 (寒武纪)MLU Core Cambricon (MLU Core) 7nm Node 64GB HBM2e 1.6 TB/s FP16: 320 TFLOPS
FP8: 640 TFLOPS
MLU-Link 3.0 (400 GB/s) 350W Air / Liquid 生态评测
Biren BR100 (壁仞科技)Chiplet Biren (BR100 Arch) TSMC 7nm Chiplet 64GB HBM2e 2.3 TB/s 16-bit: 256 TFLOPS
8-bit: 1,024 TOPS
BLink (640 GB/s) 550W Air / Liquid 架构实测
Moore Threads MTT S4000 (摩尔线程)MUSA 3.0 MUSA 3.0 Core Domestic Node 48GB GDDR6 768 GB/s FP32: 25 TFLOPS
INT8: 200 TOPS
MT-Link (240 GB/s) 255W Air 转译实测
Kunlunxin XPU-P800 (昆仑芯)XPU 3.0 Kunlun XPU 3.0 7nm Node 64GB HBM 1.8 TB/s FP16: 256 TFLOPS
INT8: 512 TOPS
XPU-Link (300 GB/s) 350W Air TCO 测算
Iluvatar Tiangai 100 (天数智芯)GPGPU Iluvatar CoreX GPGPU 7nm Node 32GB HBM2 1.2 TB/s FP16: 147 TFLOPS
INT8: 295 TOPS
PCIe 4.0 x16 300W Air 选型实测
Google TPU v6 (Trillium)3nm Google DeepMind TSMC 3nm 32GB HBM 1.6 TB/s BF16: 959 TFLOPS
FP8: 1,918 TFLOPS
ICI 3.2 Tbps Direct Pod 350W Liquid / Air 对比
Google TPU v5pPod Google TSMC 5nm 95GB HBM2e 2.76 TB/s BF16: 459 TFLOPS
FP8: 918 TFLOPS
ICI 4.8 Tbps (OCS 3D Torus) 450W Liquid 组网
AWS Trainium 2Annapurna Annapurna Labs TSMC 4nm / 5nm 96GB HBM 3.2 TB/s 3x Trainium 1 Compute
BF16 / FP8 Tensor
NeuronLink-v2 (800 Gbps) 400W Air / Liquid 实测
Microsoft Maia 100Azure Microsoft (Maia) TSMC 5nm 64GB HBM2e 1.8 TB/s BF16: ~400 TFLOPS Custom Backend RoCE 500W Liquid 液冷
Groq LPU (LP-1)SRAM LPU Groq (TSP Arch) GlobalFoundries 14nm 230MB On-chip SRAM 80 TB/s (SRAM) FP16: 188 TFLOPS
INT8: 750 TOPS
Direct Mesh (Chip-to-Chip) 300W Air 架构
Intel Gaudi 324x RoCE Intel (Habana Labs) TSMC 5nm 128GB HBM2e 3.7 TB/s BF16: 1,835 TFLOPS
FP8: 1,835 TFLOPS
24x 200GbE RoCE On-die 900W Liquid / 600W Air 组网
Cerebras CS-3 (WSE-3)Wafer Scale Cerebras Systems TSMC 5nm (Full Wafer) 44GB On-wafer SRAM 21 PB/s (On-wafer) FP16: 125 PFLOPS
900,000 AI Cores
1.2 Pbps Swarm Fabric 23,000W Liquid 解析
Tenstorrent WormholeRISC-V Tenstorrent (Jim Keller) TSMC 12nm / 6nm 24GB GDDR6 288 GB/s 16-bit: 350 TFLOPS
INT8: 700 TOPS
16x 100GbE Direct Mesh 300W Air 速查

2026 全球主流 AI 芯片 TCO 与 Token 成本核算模型:硬件 CAPEX、机房 PUE 能耗与每百万 Token 产出全对比

AI 芯片 TCO 与 Token 成本核算模型:算力买家的理性账本 在 AI 大模型商业化落地的白热化阶段,算力决策者已经从单纯的“追逐顶级算力参数”回归到更严谨的总拥有成本(TCO,Total Cost of Ownership)与单位产出成本(Dolla

Cerebras WSE-3 晶圆级巨型芯片解构:4 万亿晶体管、90 万 AI 核心与 44GB 片上 SRAM 的大模型计算范式突破

Cerebras WSE-3:整片晶圆铸就的算力怪兽 在芯片制造领域,传统流程是将制造完毕的 12 英寸硅晶圆通过激光切割成数百颗独立的芯片 Die,封装后焊接在 PCB 板上,再通过铜线与以太网连接。然而,Cerebras Systems 打破了这一延续半个

算力焦点速递

前沿架构与硅光趋势

算力集群选型与国产替代指南

GPU 与算力加速卡

更多 >>

云端自研与 TPU

更多 >>

谷歌 TPU v6 (Trillium) 与 TPU v5p 架构对比:OCS 光路交换网络拓扑、超节点 Pod 扩展性与能效比剖析

Google TPU v6 (Trillium):自研云端 AI 芯片的能效巅峰 从 2016 年第一代 TPU 问世至今,Google 已经走过了十年的专用张量处理器自研历程。全新的 TPU v6 (代号 Trillium) 作为 Google 支撑下一代…

NPU 与前沿架构

更多 >>

Cerebras WSE-3 晶圆级巨型芯片解构:4 万亿晶体管、90 万 AI 核心与 44GB 片上 SRAM 的大模型计算范式突破

Cerebras WSE-3:整片晶圆铸就的算力怪兽 在芯片制造领域,传统流程是将制造完毕的 12 英寸硅晶圆通过激光切割成数百颗独立的芯片 Die,封装后焊接在 PCB 板上,再通过铜线与以太网连接。然而,Cerebras Systems 打破了这一延续半个…

国产 AI 算力芯片

更多 >>

华为昇腾 910B 与 910C 全景评测:达芬奇 3D Cube 架构演进、CANN 8.0 算子库深度调优与万卡集群组网实测

华为昇腾 910 系列架构演进与国产大算力底座 随着大模型参数规模迈入千亿与万亿时代,算力基础设施的自主可控成为国内智算中心建设的头等大事。华为昇腾(Ascend)系列芯片从最初的昇腾 910(代号 Davinci Max)发展至目前的昇腾 910B 与新一代…

液冷散热与 TDP 规范

更多 >>

国产万卡 AI 算力集群三大工程痛点:RoCE v2 无损网络丢包、芯片发热与千瓦级液冷机房改造实战指南

国产万卡智算集群工程实战:网络丢包、热密度与液冷机房重构 随着大模型预训练规模向 GPT-4 及万亿 MoE(混合专家模型)演进,算力部署模式已经从早期的“单机 8 卡”、“百卡微集群”全面升级为 万卡超算中心(10,000+ Accelerators Clu…

Benchmark 评测与 TCO

更多 >>

国产 AI 芯片 CUDA 兼容性红黑榜:源码转译、LLVM 重编译与 Triton 算子生态迁移成本全面测评

国产 AI 芯片 CUDA 生态兼容性红黑榜与选型实操 在 AI 硬件界流传着一句名言:“制造一块 AI 芯片需要 100 名硬件工程师,但让它好用需要 1,000 名软件工程师。” 英伟达(NVIDIA)凭借其深耕近 20 年的 CUDA (Compute…

Copyright © 2026 AI Chips 100 | Global AI Hardware & Accelerators Database All Rights Reserved.  

网站地图 (Sitemap)