Google 與聯發科深化 TPU v9 合作，開發升級版 Triggerfish，聚焦 AI 代理、強化學習與有效算力最大化 1. 我最新的產業調查顯示，Google 將在 TPU v9 / Humufish 的基礎上，開發代號可能是 Triggerfish 的升級版 v9 晶片，並由聯發科獨家取得此單價更高的新增訂單。 2. 此升級版晶片是以 Humufish 為基礎的延伸新案，定位為更強推論能力的 v9 改版，可同時緩解 CPU wall 與 memory wall。此案也進一步驗證聯發科是 Google 在 TPU v9 世代的合作首選廠商。 3. 此 v9 改版與 Humufish 的主要差異，在於：SRAM 容量顯著提升至 Humufish 的 2–3 倍、新增 simulation die、升級至 HBM4E（vs. Humufish 的 HBM4）。 4. 新增 simulation die 的可能功能除了本地 TPU 管理、訓練 / 推論模式切換等，關鍵聚焦在強化學習（RL）與 AI 代理協作。 5. 更大容量的 SRAM 可將更多 RL 與 AI 代理所需的活躍工作集（active working set）留在 TPU 本地，降低資料搬移成本，提升超低延遲 decode 階段的效率。 6. 在 Humufish 生命週期 400‒500 萬顆出貨預估不變下，Google 額外追加 100–200 萬顆 Triggerfish 訂單，預計 2027 年底開始生產、2028 年放量；因Triggerfish 單價較 Humufish 高約 30%，有望成為聯發科 2028 年營運動能的新增量。

電子級氫氟酸產業 1. 產業背景：電子級氫氟酸在晶圓製造中的角色 電子級氫氟酸是半導體晶圓製造過程中關鍵的濕式電子化學品，主要用於清洗與蝕刻兩大核心工序，是單位晶圓耗量最大的濕式電子化學品之一。 清洗環節：氫氟酸用於去除晶圓表面的自然氧化層、金屬離子污染及顆粒殘留。隨著製程從 28nm 向 7nm 及以下演進，清洗步驟數從約 100 步增加至 200 步以上。在 3nm 製程中，由於極紫外光刻（EUV）對光刻膠表面缺陷的敏感度更高，清洗步驟進一步增至 300 步以上。每一步清洗均需使用稀釋氫氟酸（DHF）或緩衝氧化蝕刻液（BOE）。單片 12 吋晶圓在先進製程廠的耗酸量較 28nm 廠高出約 2-3 倍。 蝕刻環節：氫氟酸用於二氧化矽及氮化矽的選擇性蝕刻。在 3D NAND 快閃記憶體中，隨著堆疊層數從 128 層向 176 層、232 層乃至 300 層以上邁進，高深寬比蝕刻（High Aspect Ratio etch，簡稱 HAR etch）的次數呈指數級增長。更高的堆疊層數意味著更深的溝槽與孔洞，對氫氟酸的純度、蝕刻速率及蝕刻選擇比提出更嚴格的要求。 AI 算力拉動方面：AI 訓練與推理晶片（如 H100、B200、MI300 系列）採用先進製程與大尺寸晶片設計，單片晶圓面積較通用邏輯晶片更大，等效耗酸量相應提升。隨著 AI 資料中心資本開支持續擴張，台積電、三星、英特爾等頭部晶圓廠的先進製程產能利用率維持高位，直接拉動濕式電子化學品的消耗量成長。 根據 SEMI 數據，2025 年全球半導體設備支出約 1255 億美元，中國區占比持續提升，晶圓廠擴產是濕式電子化學品需求成長的底層驅動。 2. 邊際變化：價格、供給與認證 2.1 價格端 根據百川盈孚數據，2026 年 6 月 29 日相較年初，UP 級（對應 G3-G4）電子級氫氟酸價格上漲約 19%，UPS 級（對應 G5）上漲約 17%。價格上漲來自兩端：成本端螢石、硫酸價格上行形成支撐；需求端晶圓廠擴產帶動耗酸量提升，而日系供應商擴產節奏緩慢，供需邊際趨緊。 2.2 供給端事件 據韓媒 The Elec 報導（2026.5.14），韓國半導體材料企業所需無水氫氟酸約 90% 從中國進口，2026 年 5 月以來出現高價搶貨現象。該事件雖未構成「斷供」，但反映出日系產能瓶頸下，中國已通過認證的 G5 級供應商在供給端地位的提升。 2.3 認證進展 中國企業中，多氟多 G5 級電子級氫氟酸已向台積電、三星電子、華虹半導體、長鑫存儲等主流晶圓廠批量供貨。 3. 產業格局：日系主導與中國國內突破 日系主導格局：高端電子級氫氟酸（G5 級及以上）長期由日本企業主導，Stella Chemifa 是全球少數具備 G6 級電子級氫氟酸量產能力的企業，森田化學在 G5 級市場佔據主要份額。兩家日系企業均無在華規模化產能，中國下游廠商的電子級氫氟酸採購依賴進口或貿易商轉口。 中國突破難點體現在三個面向： 一、純度控制：根據 SEMI G5/G6 標準，G5 級要求金屬離子含量低於 10ppt，G6 級進一步要求低於 1ppt，對原料選型、設備材質、潔淨環境的要求極為嚴苛。 二、設備材質：電子級氫氟酸具有強腐蝕性，儲罐、管道、泵閥等接觸部件需採用 PFA（全氟烷氧基樹脂）等高純氟材料，以防止金屬離子析出造成二次污染。 三、批次一致性：半導體廠要求批次間的金屬離子含量、顆粒度、蝕刻速率等指標波動控制在極小範圍內，認證週期通常為 12-24 個月，新進入者從送樣到批量供貨需要較長時間的工藝磨合。

在计算材料学与分子动力学（MD）领域，科学家长期受困于一个“不可能三角”：计算精度、通用泛化性与计算速度不可兼得。 这对已经具备海量材料候选结构生成能力的最新的ai模型来说，让“验证与筛选”变成了主要的新材料研发的瓶颈。 第一性原理计算（DFT）：具备量子力学精度与全元素通用性，但算力开销极高，通常只能处理几百到几千个原子的微观体系。 经典经验势（如 MEAM / EAM）：将原子相互作用简化为经验公式，速度极快、可模拟上亿原子，但缺乏通用性，换一种合金或相变条件往往需要重新拟合参数。 通用机器学习势（MLIP）：通过神经网络拟合量子化学势能面，兼顾了精度与泛化能力，但复杂的等变网络（Equivariant Networks）架构极其笨重，计算速度比经典经验势慢上数个数量级。 来自深势科技（DP Technology）、北京科学智能研究院（AISI）与北京应用物理与计算数学研究所的联合团队在 论文《Universal Machine-learning Molecular Dynamics at the Speed of Empirical Potentials》中提出了名为 DPA4C 的全新通用机器学习原子间势函数，首次在保持近第一性原理精度的同时，将计算速度推向了经典经验势的级别。 以往的 AI for Science 研究多聚焦于扩大模型参数与增加训练数据量，但在实际部署中，复杂的张量积与高阶等变特征计算往往导致 GPU 显存带宽与算力利用率低下。 DPA4C 摒弃了纯算法维度的单点优化，采用了软硬件协同设计（Software-Hardware Co-design）范式： 等变物理架构精简：在严格保留旋转与平移对称性的前提下，重构了特征表达路径。 极端压缩的定制 CUDA 算子：针对推理部署的物理约束，手写并融合了底层 GPU 算子，最大限度减少了内存搬运与内核启动开销。 全尺度模型族覆盖：发布了参数量跨度达 49 倍 的 5 种模型变体，构建起覆盖极端轻量到高精度的“精度—吞吐量”前沿阵面。 DPA4C 在精度、推理吞吐量与并行扩展性上均给出了极具冲击力的实测数据（见附图） DPA4C 为 AI 材料研发带来了四个维度的结构性变革： 1. 疏通高通量初筛的“算力堰塞湖” AI 生成的海量晶体结构往往存在大量亚稳态甚至不稳定的虚假构型，必须经过晶格弛豫、有限温度 MD 与相图计算来校验动力学稳定性。DPA4C 将高通量动力学校验的耗时从“数月”直接压缩至“数天”，使下游验证吞吐量得以匹配前端生成能力。 2. 从“理想晶胞”跨越到“工程微观组织” 实际工业材料的力学强度、抗疲劳与腐蚀性能，往往取决于晶界、位错、空位聚集以及微裂纹扩展等非均匀微观结构。以往由于算力限制，高精度模拟无法涵盖这些大尺度缺陷；而 DPA4C 支持的十亿级原子动力学模拟，让 AI 材料设计能够直接模拟多晶组织演变与断裂力学行为。 3. 赋能自驱实验室（Self-Driving Labs）的高速闭环 在“设计 $\to$ 计算筛选 $\to$ 机器人合成 $\to$ 表征反馈”的自动化实验闭环中，DPA4C 极高的推理速度允许系统在机器人合成前，对熔融、结晶与溶液反应路径进行毫秒级的动态预演，将闭环迭代周期大幅缩短。 4. 攻克多元复杂系统与动态相界面 针对成分组合空间极其庞大的高熵合金，以及固态电池中高度复杂的固-固电解质界面演化、原位催化表界面重构等传统方法难以建模的场景，通用势函数的跨元素泛化能力与经验势级速度提供了前所未有的研究工具。 一句话总结，DPA4C 标志着 AI for Science 正在从“纯算法精度探索”迈向“以硬件部署与工业吞吐为导向”的成熟工程阶段，为计算化学与先进材料研发铺设了真正可落地的底层基础设施。

AI安全和对抗攻击 AI消除幻觉 AI伦理 AI for science AI for 心理学/计算化学生物物理材料/教育 AI可解释性 这几个就跟“可控核聚变”、“攻克一切癌症”、“人造子宫”、“量子计算”一样靠谱， 遇见张口闭口这几个方向的，尤其是给别人天天瞎鸡巴画大饼的，无论是工业界还是学术界，我建议你离他们远一点。

每一年我都要骂一遍。自动化（控制科学与工程）是典型的万金油专业，所有专业都蹭一点点。 强电电机电力拖动光伏新能源整流逆变蹭一点，弱电电子信息蹭一点，信号蹭一点，计算机和嵌入式蹭一点，过程控制与化工蹭一点，航空航天飞行器蹭一点，测控仪器仪表蹭一点， 就本专业里面，自动控制学还学不完 ，模式识别是吃前50年计算机image processing和cv的剩饭，凸优化也是借来的，各种时域频域信号处理也是偷来的， 最玄学的各种专家系统、模糊控制、遗传算法、鱼群算法等等灌水重灾区，完全是1950年代美国古典人工智能时代偷来的。 现代控制理论是唯一一个自留地，没有任何工业和商业价值，成了应用数学里面最烂大街、最臭不可闻、门槛最高、落地价值为0、灌水最踊跃的小方向。 这个专业有一个好，就是各行各业的外行大傻逼们，都以为你是自己人， 科技互联网也能让你混进去，面machine learning engineer的时候算法题一愣一愣的，新能源电机光伏储能也能进去，整流逆变起手就在白板上画，弱电嵌入式各种消费电子也能进去，工业控制传感器PLC也能进去，图像处理美颜也能混进去，航空航天飞机大火箭也能进去滥竽充数，大化工大制造业过程控制也能进去，生物医疗器械各种CT和X光机器设备厂也能进去，什么数学物理计算化学计算材料计算生物跑模拟也能进去， 什么物联网、AIoT、遥感等等，全都是自动化专业出身这批混子们的身影，你不上一次当，你永远以为自动化毕业生是诸葛亮，无所不知，无所不能，解答世间万物。 这批自动化最牛逼的，是炒热具身智能这个方向，一堆人靠简单的运动控制，能瞒天过海组团上春晚，所有人都被这个骗局吓傻了，几十亿几百亿往里投钱，开始意淫星球大战、黑灯工厂、解放全人类了。 自动化是当代中国最成功的专业，是工科里真正的跳大神、画皮、国学，兼容并包，一切都会，一切都能干，真正中国工程界的安宫牛黄丸、板蓝根、片仔癀。

我个人建议吧， 无论是清华还是教育部直属985、211，一律取消所有高考优待、加分、体育、艺术、特招、保送、自主招生，仅仅保留全国数学物理化学生物计算机的竞赛特长生保送资格。 中国top 40大学严格按照高考分数录取。 其他所有优待、加分、体育、艺术、特招、保送、自主招生，只留给完全100%省属 、市属、地方型大学，你们省内100%自主经费的大学，你们省里面自己随便玩，就不要占用教育部和核心教育资源了。 你们说支持不支持？

2025年圣地亚哥地区高校教师年收入中位数：生命科学$166,850，计算机科学$166,550，物理$152,190，社会学$141,950，经济学$140,700，化学$138,300，数学$135,860，历史$135,420，传播学$134,110，英语$132,500，教育学$129,100，心理学$126,690，工程学$126,680，商学$126,140，文化研究$118,970，健康职业$107,650，外语$106,050，政治科学$105,090，地球科学$105,080，人类学$104,160，哲学$103,140，艺术$101,010。其他教师年收入中位数：中学$102,810，初中$78,460，小学$97,000，幼儿园$71,690，学前$44,940

国家统计局： 2026年1—7月份全国规模以上工业企业利润增长17.6% 最亮眼： 计算机、通信和其他电子设备制造业，+110%； 有色金属冶炼和压延加工业，+91.8%； 化学原料和化学制品制造业，+56.6%； 煤炭开采和洗选业，+50.4% 最拉： 黑色金属冶炼和压延加工业，-51.2%； 非金属矿物制品业，-48.2%； 汽车制造业。-20.4%； 农副食品加工业，-12.3%

试了试这个将任意教学主题转化为3D交互网页的Skil，效果不错啊，适合物理/化学/生物/数学/天文/编程，试了试计算机网络方面的主题也能用，辅助学习神器😎

2025年圣地亚哥地区工程师年薪中位数：全部：$118,100；计算机工程：$174,440；电子工程（不含计算机）：$156,480；航太工程：$135,010；生物工程：$128,270；电气工程：$127,270；材料工程：$124,180；机械工程：$121,750；环境工程：$119,390；工业工程：$119,050；海洋工程：$118,100；土木工程：$108,900；矿业工程：$107,590。化学工程：缺。