新聞速讀｜中國晶片堆疊在出口封鎖下挑戰 Nvidia AI 規則

InfoAI 編輯部

當製程升級被出口管制鎖住，真正的競爭就從「幾奈米」轉向「怎麼用手上零件組出夠聰明的系統」。

01｜理解事件

這則新聞的主角是中國半導體圈在美國出口管制壓力下，提出的一條新路線：改打「晶片堆疊＋近記憶體運算」，試圖在不用先進製程的前提下，縮小與 Nvidia 高階 AI GPU 的差距。提出這個構想的是中國半導體行業協會副會長、清華大學教授魏少軍，他在產業會議上拋出一種新架構：用 14 奈米邏輯晶片疊合 18 奈米 DRAM，經由三維混合鍵合（3D hybrid bonding） 垂直堆疊，把運算單元搬到記憶體附近，形成「軟體定義近記憶體運算」 的 AI 加速器。

美國自 2022 年起收緊出口管制，把製造設備與相關技術的門檻，鎖在 16/14 奈米 FinFET 邏輯、18 奈米 DRAM 半節距，再加上 EUV 等關鍵設備無法取得，等於大幅拉高中國往 5 奈米、4 奈米 前進的難度。魏少軍的設計刻意「貼著紅線邊緣」，選擇理論上仍可在本土供應鏈完成的 14nm＋18nm 組合，希望藉由堆疊與封裝，把原本要靠更細製程才能改善的效能與頻寬問題，改用「往上蓋樓」來彌補。

這種 3D 混合鍵合，關鍵在於把邏輯與記憶體之間的連結縮短到亞 10 微米級的銅對銅接點，減少資料在處理器與記憶體之間來回奔波的距離與延遲，對於高度依賴資料搬運的 AI 工作負載特別重要。魏少軍宣稱，這樣的設計理論上可以做到約 120 TFLOPS 的峰值效能、每瓦約 2 TFLOPS，並主張有機會接近 4 奈米級 Nvidia GPU，甚至在部分條件下超越 A100。

值得注意的是，目前公開資訊顯示，這比較像是一套被詳細勾勒的概念架構與目標數字，尚無清楚證據顯示實體晶片已經完成並經過大規模測試。換句話說，現在討論的，是一條被中國官方學界視為「可嘗試的技術路線」，而不是今天就能直接下單，替代 H100／B200 的現成產品。

02｜解讀新聞

從技術面來看，這項「晶片堆疊策略」代表中國在做一個明確轉向：從「比製程」轉為「比系統設計」。在無法取得 3 奈米、2 奈米量產能力與相關設備的前提下，工程資源被迫集中在封裝、架構與資料搬運方式，例如 3D 混合鍵合、近記憶體運算、運算與儲存協同設計等。這種做法的精神，與目前全球廣泛採用的 HBM 高頻寬記憶體堆疊 有相似之處，但中國試圖把它擴展成一整套 本土 AI 運算平台，而不只是單一零組件。

然而，一旦把這個構想放進實務場景，就會看到幾道不容易跨過的關卡。

第一是熱管理與功耗：14 奈米邏輯本身功耗就不低，把多層邏輯與記憶體堆在一起，要有效導熱非常困難；再加上 3D 堆疊一旦某一層出現瑕疵，整疊報廢，良率風險與成本壓力都會放大。

第二是 能效差距：魏少軍提出的目標是約 2 TFLOPS/W，相較之下，Nvidia 新一代 Blackwell 架構 GPU（如 B300） 的能效被估計可達 每瓦 10 TFLOPS 以上，也就是一個量級的差距。即便總體效能「在同一量級內」，在大型資料中心環境裡，能效差距會直接轉成電力與機房成本。

第三道牆則是軟體生態與開發成本。Nvidia 靠的是 CUDA＋完整工具鏈與生態系，讓開發者可以在相對穩定的抽象層上工作；中國若採用與現有 GPU 顯著不同的架構，一方面可以避開 CUDA 壟斷，另一方面卻必須自己扛起編譯器、程式庫、開發工具、社群支持 等長期投資。對雲端服務供應商與企業 IT 主管來說，是否願意承擔這個轉換成本，會是這條路線能不能真正「商用落地」的關鍵。

03｜延伸思考

AI 時代有一個很關鍵的底層邏輯：算力不是只有「單顆晶片規格」的競賽，而是整個系統怎麼協調資料搬運、記憶體頻寬與能耗。當先進製程與關鍵設備都被鎖在門外，中國試圖用成熟製程堆出「夠用的算力」，本質是在思考：在資源受限的世界裡，怎麼用比較笨、但可取得的零件，拼出足夠聰明的系統。

對讀者來說，這提供了一套更精準的觀察框架。第一，遇到任何「XX 晶片可追平 Nvidia」的說法時，不能只看數字，還要追問：這個數字是在什麼運算型態、什麼功耗條件下得到？是單一場景峰值，還是能在實際訓練、推論工作負載中穩定維持？是否需要為它改寫大量軟體與模型框架？數字可以相近，但總擁有成本可能完全不同。

第二，要學會把目光放在「可量產性與生態成本」：3D 堆疊的良率、散熱、封裝供應鏈是否穩定？有沒有足夠的工具與開發者能支援？這些都會直接決定，它是成為大規模採用的主流方案，還是停留在少數示範專案。這也提醒我們，在閱讀任何 AI 硬體新聞時，不要只停留在「技術好厲害」的感嘆，而是要問：在真實世界的限制條件下，它能否被大量複製、維運、升級？

這代表：面對 AI 基礎建設的投資與導入決策，關鍵不再是單純追問「幾奈米、跑多快」，而是要進一步追問，「在我的工作場景與預算限制之下，這套系統能不能以合理成本、長期穩定地跑起來？」這會是接下來十年，評估 AI 技術真實價值時最重要的思考素養之一。

04｜重點提煉

• 中國在美國出口管制與無法取得先進製程設備的壓力下，提出一條 「14 奈米邏輯＋18 奈米 DRAM、3D 混合鍵合堆疊」 的新路線，由魏少軍主張透過 軟體定義近記憶體運算，打造 AI 專用加速器，理論目標約 120 TFLOPS、2 TFLOPS/W，對標 4 奈米級 Nvidia GPU 與 A100 等產品。

• 這條路線在技術上，試圖將原本靠製程縮小才能改善的效能與頻寬問題，轉化為 封裝與系統設計問題，但現階段仍面臨熱管理困難、3D 堆疊良率風險高、能效顯著落後 Nvidia 新一代 Blackwell GPU、軟體與開發者生態尚未成熟 等現實挑戰，因此更像是一個中長期的技術賭注，而非可立即量產替代 H100／B200 的成熟方案。

• 從產業與戰略角度看，中國正在從「追逐製程節點」轉向「用成熟製程＋創新封裝＋本土可控供應鏈 組出可用算力」，在地緣政治與出口管制之下尋找「不被掐喉」的路線；這可能無法短期撼動 Nvidia 在高階訓練市場的優勢，但有機會在特定推論與資料分析場景，提供一種本土、成本可控的選項。

• 這則新聞提醒我們：評估 AI 晶片與算力基礎建設時，不能只看製程與 TFLOPS，還要一起考量能效、適用工作負載、量產良率、散熱設計，以及軟體生態與導入成本；真正重要的，是培養能在各種限制條件下，判斷「這套系統在我的情境裡能不能穩定又可負擔地運作」的思考能力。

05｜後續觀察

這條「晶片堆疊＋近記憶體運算」路線，接下來有幾個值得持續觀察的指標。

第一，是否會出現實際量產的晶片與公開基準測試數據：包含在大型語言模型訓練、推論、資料分析等不同負載下的效能與能效，是否能與 A100、H100 或 Blackwell 同代產品放在同一張表上比較。沒有可驗證的量測數據，再漂亮的理論架構都很難說服採購與技術決策者。

第二，出口管制是否會進一步延伸到先進封裝與 3D 鍵合設備與材料，一旦相關工具也被納入限制，中國「用成熟製程堆出高效能」的空間就會被壓縮，整體戰略又得重新調整。第三，還要看中大型雲端服務供應商與國內 AI 項目，是否願意在生產環境導入這類架構，而不只是在實驗室做概念驗證。這些後續發展，將決定晶片堆疊究竟是過渡時期的權宜之計，還是真正重塑 AI 晶片版圖的新主角。

InfoAI 近期活動預告

參考資料：

• Can China's chip stacking strategy really challenge Nvidia’s AI dominance?

AI 素養｜AI 為什麼會亂講話？揭開大型語言模型的「黑盒子」運作邏輯
理解 AI 為何能回答、也會胡說八道的真正原因

AI 時代的思考力革命｜AI 素養，不是學技術，而是拿回主導權的能力升級
與 AI 一起思考，成為能定義方向的人

AI 時代的知識遷徙策略｜從「學會掌握」到「洞察驗證」
聞道不必有先後，高下立判見深用；術業專攻仍需要，深廣變通顯智慧。

版權聲明與授權須知

本內容由 InfoAI 擁有著作權。如有引用、轉載或任何商業用途的需求，請來信聯絡： contentpower688@gmail.com。

用內容建立信任
用洞察塑造品牌

在 AI 時代，真正有力量的行銷不是廣告聲量，而是持續輸出的深度思考。InfoAI 把全球 AI 趨勢與報告，轉譯成清楚、精準、有觀點的內容，讓企業不只是跟上變化，而是成為洞察的提供者，讓品牌變成被信任的決策夥伴。如果你不想只是「談 AI」，而是想「透過 AI 影響市場與客戶」，那就從內容開始。歡迎來信： contentpower688@gmail.com

如果你覺得這篇解讀對你有幫助，歡迎訂閱 InfoAI 電子報，我們將持續為你精選 全球 AI 新聞與趨勢洞察，幫助你看懂新聞背後的真正意義。也別忘了加入透過［QRCode］／［按鈕］加入 Line 社群 ，隨時掌握值得關注的 AI 發展與專業觀點。

AI 協作聲明：

本篇文章由 InfoAI 團隊策劃，並透過人工智慧工具協助資料整理與內容撰寫，最終內容由編輯進行人工審閱與優化。

InfoAI｜讀懂 AI 如何改變世界

在 AI 改變世界之前
助你先讀懂 AI 世界

每日精選全球 AI 新聞
AI 趨勢 + 新聞 + 深度解讀

Content Power ｜賦能你在 AI 時代的專業能力
專注於「AI × 專業 × 工作方法」的知識平台
透過框架、流程與方法
協助你在 AI 時代重建專業能力