晶圆级芯片，正在升温

晶圆级芯片开始走向台前。

今年，OpenAI与Cerebras签订了一份为期三年的算力采购协议。协议涉及最高750MW的计算容量，分批在2028年前交付，外界估算，这份协议的潜在总价值超过200亿美元。

Cerebras的产品正是晶圆级芯片，采用整晶圆一体制造方式，完全靠光刻能力将整张晶圆制造成一个芯片。同时，今年Cerebras也在美股上市。上市后首季公布的财报数据显示：营收达到1.93亿美元、同比增94%，云服务收入同比增178%。

Cerebras的订单，让晶圆级芯片从制造技术问题变成计算产业问题。而同时，押注晶圆尺度的不只有Cerebras。特斯拉重启Dojo 3；中国这边高校、科研机构和企业陆续公布了12英寸验证样机、多芯粒原型和产品规划。晶圆级芯片正在变成AI算力产业的现实选择。

AI系统的瓶颈正在从计算转向数据搬运。模型运行时，权重和激活值需要在计算与存储之间反复传输，多颗芯片还要持续交换和同步数据。数据一旦离开芯片，就要经过封装I/O、PCB、网卡、交换芯片和光模块。集群越大，花在通信上的功耗和成本越高，新增GPU也越难转化为等比例的有效算力。

产业目前有两种解决思路。一种方式是继续扩大机架级计算域。比如说英伟达的GB200 NVL72把72颗GPU通过NVLink组织为一个液冷机架；华为的CloudMatrix 384则以384颗昇腾910C和高速互连构成超节点。也就是以超节点的形式，把许多独立芯片通过更强的交换芯片、铜缆或光连接、系统软件，把机架做得更像一台计算机。

另一种方式是缩短物理距离。晶圆级系统把原本发生在板间、机柜间的数据交换，压缩到封装内甚至晶圆内，用毫米级互连替代厘米级、米级网络。它的核心价值不是增加更多计算单元，而是减少数据搬运。

两条路线各有取舍。超节点软件生态成熟，更容易扩容和更换硬件，但要承担更高的网络成本；晶圆级系统以高度定制的制造、供电、散热和软件换取更高带宽、更低延迟和更高能效。

今年7月，AMD与Cerebras公布分离式推理合作，由AMD Helios负责计算密集的prefill，Cerebras WSE负责延迟敏感的decode。两家公司测算，这种组合相较单独使用WSE，Token/瓦最高可提升5倍。这说明，晶圆级芯片未必取代GPU，更可能成为异构数据中心的一层，接管通信密集、延迟敏感的工作负载。

传统大芯片首先受到光刻尺寸约束。先进光刻单次曝光覆盖的区域大约在800多平方毫米，这就是常说的掩模尺寸极限。以英伟达H100为例，其裸片面积约814平方毫米，已经接近这一范围。

继续增加晶体管，过去主要依靠制程微缩；随着先进制程的研发、设计和制造成本持续上升，产业开始用Chiplet拆分复杂芯片，再通过先进封装重新组合。晶圆级计算则把系统边界从一个封装扩展到接近整片晶圆。严格来说，产业界通常所说的“晶圆级芯片”，实际包含两类晶圆级计算系统。

第一类是整片晶圆单一逻辑系统。Cerebras的Wafer Scale Engine（WSE）是目前最典型，也是真正形成商业交付的产品。晶圆完成制造后不再切割成独立裸片，而是通过跨曝光区域互连，将整片晶圆组织为一个连续的逻辑系统。

Cerebras的选择是：一整片晶圆就是一颗芯片，先解决良率，再控制整套系统。WSE-3采用5nm工艺，面积46,225平方毫米，集成4万亿晶体管、90万个AI核心，峰值算力125 PFLOPS。作为对照，先进GPU的裸片面积仍受单次光刻区域约束，WSE-3的面积相当于数十个光罩区域。

高度一体化也使Cerebras必须控制更多产业环节。WSE不能像PCIe加速卡一样插入普通服务器，公司需要同时设计晶圆级封装、供电、液冷、整机、编译器和集群软件。Cerebras实际销售的不是一颗标准芯片，而是一套从硅片延伸到云服务的计算系统。

第二类是重构式多芯粒晶圆级系统。这类方案先制造、切割和测试芯粒，再把已知良品重新集成到晶圆尺度的互连平台上。Tesla Dojo是最具代表性的产业案例：Tesla负责D1芯片、训练架构和软件，台积电通过InFO_SoW晶圆级扇出封装，将25颗D1芯片组成一个Training Tile。

与Cerebras相比，这条路线不需要让存在缺陷的整片逻辑晶圆继续工作。芯片完成制造后可以分别测试，只选择良品进行集成，从而降低前端制造的良率风险。它也更容易混合不同工艺、不同功能的芯粒。

Dojo之后，台积电开始把晶圆级集成从单一客户项目扩展为通用代工平台。按照台积电公布的路线图，SoW-X计划进一步集成逻辑芯粒、HBM和I/O，目标在2027年进入生产。SoW-X不是Dojo的下一代产品，而是台积电面向更多HPC和ASIC客户提供的下一代晶圆级平台。

除此之外，还有一组容易与晶圆级计算混淆的技术，包括晶圆级封装、混合键合和3D堆叠。这些工艺在晶圆阶段完成重布线、封装或垂直连接，但最终产品可能仍然是一颗普通尺寸的封装。它们是晶圆级计算的重要技术基础，却不等于晶圆级计算系统。

过去两年，国内晶圆级计算出现了相当不错的进展，虽然还没有出现与Cerebras同等成熟度的商业系统，但已经不只是概念研究。

高校方面，2025年清华大学尹首一、胡杨团队有三项晶圆级计算成果同时进入ISCA，研究对象分别是全晶圆计算拓扑、集成架构和大模型推理映射。三项工作对应的是一台晶圆级计算机的三个层次：底层怎样连接芯粒，中间怎样组织计算与存储，上层怎样把大模型映射到硬件。 

论文实验中，其拓扑方案相对Dojo实现2.39倍吞吐提升；集成架构在相同成本模型下实现2.90倍算力、2.11倍通信带宽和11.23倍内存带宽；WSC-LLM映射方案相对论文选定的GPU集群，平均性能提升3.12倍。同时，团队联合清微智能成功研制了12寸晶圆级AI芯片验证样机，实现“一片晶圆即一颗芯片（One Wafer One Chip）”。 

另一项值得重视的成果，是中国科学院计算技术研究所等机构研制的“映天湖”。“映天湖”由中国科学院计算技术研究所、中国电子科技集团公司第五十八研究所和无锡芯光互连技术研究院共同完成。采用“计算模组—互连基板”解耦架构，尝试在同一平台兼容CPU、AI、DSP、交换和存储等不同芯粒。

论文披露，团队完成了由16个计算模组组成的原型系统，相关芯片采用TSMC 28nm工艺流片，单晶圆达到千万亿次计算能力。论文设定的实验中，高性能线性代数和深度学习推理任务的相关指标分别改善约1.45倍和1.78倍。

Ouroboros的分层架构

今年，中国科学院计算技术研究所的研究团队提出了Ouroboros。这是一种基于晶圆级SRAM 的存算一体架构。采用了宏大的晶圆级集成方案。在一块 12 英寸的晶圆上，研究团队集成了 54GB 的SRAM。这一容量足以将主流的 7B、13B 乃至更大规模的模型参数、激活值和 KV Cache 完全驻留在第一级存储中。能够实现，平均吞吐量达到现有顶尖系统的4.1倍，平均能效提升至4.2倍。而在13B参数规模的模型上，表现尤为突出：吞吐量最高达9.1倍，能效比甚至提升到17倍，采用单晶圆推理Llama 13B模型、在WikiText‑2数据集上进行测试时，系统吞吐量可稳定达到 15万tokens/s。

企业侧也开始释放产品化信号。今年5月，新紫光集团发布“紫弦”三维化近存计算架构采用3D DRAM与首创的3.5D异质异构集成路线，通过先进封装将存储单元与计算单元三维堆叠，大幅缩短数据传输距离。从数据来看，存储带宽可达30TB/s，优于行业最新HBM4标准；PNM近存计算模式下访存延迟最大降低18倍；模拟仿真显示，同等算力条件下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’架构将10到20颗不同种类的裸片集成在单一芯片内，已逼近单芯片微缩的物理边界，下一步更深度的集成，必须依托晶圆级技术来实现。”

据了解，清微智能的可重构计算已经从1.0、2.0发展到此次发布的3.0，下一步将进入面向晶圆级计算的4.0；产品则从支持数据流和网格计算的TX81，演进到支持三维计算的TX82，再到规划中的晶圆级芯片。

在互连环节，井芯微电子已经推出软件定义互连芯片和桥接产品。其SDI3210最多支持32个端口或32路高速通道，PRB0400 PCIe Gen2/RapidIO Gen2桥接芯片已经量产。2026年，公司又发布面向晶上系统的RDMA对等通信IP和专用中间件。

当前，晶圆级计算已经从技术验证走向产业验证。接下来比拼的不再是面积和晶体管数量，而是真实负载下的性能、功耗、成本和交付能力。

它不会取代GPU和超节点，但可能率先进入通信密集的AI推理与专用计算。对中国而言，机会也不是复制一颗WSE，而是把芯粒、互连、封装和软件组合成可用的晶圆级系统。

晶圆级芯片，将成为下一个竞争关键。