之前人们想用 ASIC 取代英伟达 GPU，是因为想省钱，现在发现 AI 实在太赚钱了，直接溢价拿货 GPU 反而更省钱，因为时间更值钱，花得越多反而赚得越多，非常反直觉。 当 AI 的边际收入增长速度高于 GPU 溢价成本时，买更贵的 GPU 反而是更便宜的选择。

澳大利亚证券与投资委员会（ASIC）警告，一种名为Pump and Dump的股市骗局在过去两周内已从数十名毫无戒心的澳大利亚人手中骗取了数百万澳元。南澳大学商学院金融规划专业高级讲师袁国栋博士指出，骗子一般会逐渐把投资者引向一些很小众的股票类型。

澳大利亚证券和投资委员会（ASIC）宣布，将数字资产服务商申请新加密牌照的宽限期延长三个月至 2026 年 9 月 30 日，以配合该国更新后的加密资产监管框架。符合条件的企业可在过渡期内继续运营，并完成相关牌照申请。

🔥 前AMD高管深度拆解：ASIC战局与芯片巨头的隐秘关系 ⠀ $NVDA 之外的世界，正在悄悄重组 👇 ⠀ 1️⃣ 为什么 $GOOGL TPU 需求暴增？ ⠀ 市场迫切需要 $NVDA 以外的选择 ⠀ 推理端需求爆发，TCO成为新战场 ⠀ 前几代TPU主打训练，现在全面转向推理 ⠀ 2️⃣ 推理时代的新指标 ⠀ 不再只追求原始算力和最大功耗 ⠀ 转向每瓦性能和每美元性能 ⠀ 效率才是下一轮竞争的核心 ⠀ 3️⃣ $GOOGL TPU 背后谁在撑场？ ⠀ 核心架构：$GOOGL 自研 ⠀ SerDes IP 等关键知识产权：来自 $AVGO ⠀ 两家深度绑定，不是简单的甲乙方关系 ⠀ 4️⃣ $MRVL 的下一张牌 ⠀ $GOOGL 将与 $MRVL 合作开发下一代内存处理单元 MPU ⠀ 最大瓶颈：ASIC与内存之间的数据传输速度 ⠀ 解法：把部分计算直接卸载到内存，减少吞吐瓶颈 ⠀ 5️⃣ $INTC 的逆袭机会 ⠀ $GOOGL TPU 第九版将采用 $INTC 的 EMIB 封装技术 ⠀ $META 计划2027年用 $INTC 开发自研ASIC ⠀ 这些都是代工订单，不直接影响 $AVGO 和 $MRVL 的设计业务 ⠀ 但 $INTC 代工端将显著受益 ⠀ 💡 一句话总结 ⠀ AI芯片格局正在从 $NVDA 一家独大 ⠀ 演变成 $GOOGL · $AVGO · $MRVL · $INTC 多方分食 ⠀ 每一层都有赢家，关键是你蹲在哪一层 ⠀ ❓ 你最看好哪家从这轮ASIC浪潮中获益最多？ ⠀ 评论区告诉我 👇

提到的5只 #CPU# 和 #ASIC# 赛道的投资标的，#INTC# 押注成功，业绩超预期，盘前直接大涨22%！ 舒服了😌恭喜麦通 @MSX_CN 的小伙伴，马前炮提前提示！

吴说获悉，澳大利亚证券和投资委员会（ASIC）公告称，地产开发商 David McWilliams 已因涉嫌 1000 万澳元欺诈计划出庭，面临 13 项刑事指控。ASIC 指控其涉嫌挪用原本用于残障人士专项住房项目的投资者资金，涉款合计 10,138,587 澳元（约合 670 万美元），相关资金被用于高风险投资、房地产交易、加密货币投资和豪车等用途。ASIC 表示，相关 6 个项目中仅 1 个开始施工，未有项目完工。McWilliams 如被定罪，最高可面临 20 年监禁。

6月18日，JP摩根发布了一份非常重要的ASIC行业报告，我提取了一些关键内容和大家分享。 报告最核心的观点是：AI时代正在推动定制芯片ASIC进入新一轮黄金周期，而最大的受益者是Broadcom和Marvell。对的，Mrvl最近风头十足！！独占存储，光通讯，Asic芯片设计三大热点赛道，难怪股价走势如此坚挺！😄 接着报告提到为什么云剧透要设计自己的XPU芯片：AI训练几乎被NVIDIA GPU主导。GPU的优势是通用性强、生态完整，但问题是成本高、功耗高，而且很难针对云厂商自己的软件栈和模型架构做深度优化。因此，Google、Amazon、Microsoft、Meta、OpenAI、SoftBank等公司都在加速开发自己的AI ASIC芯片。 然后报告提到值得关注的一个预测：JP摩根预计，到2027年，AI ASIC/XPU的出货量将首次超过GPU。报告预测2027年ASIC/XPU出货量达到1250万颗，而GPU出货量为1090万颗。也就是说，ASIC/XPU占比达到53%，GPU占比为47%。 我认为这是整份报告里最重要的产业趋势判断。因为这意味着未来AI加速器市场可能不再是NVIDIA GPU单一主导，而是进入“GPU + ASIC双轨制”的时代。这个判断非常大胆，也非常值得美股投资者关注。 另外报告还解释了为什么云厂商不能完全自己做XPU芯片的原因：云厂商虽然有软件能力、模型能力和系统架构能力，但并不一定具备完整的底层芯片工程能力。真正困难的部分包括高速SerDes接口、HBM接口、chiplet设计、先进封装、2nm/3nm物理设计、功耗验证、热设计、tape-out等，这些能力需要十年以上的积累，正是Broadcom和Marvell的护城河。 对于Broadcom， JP摩根预计Broadcom AI收入将从2025年约200亿美元，大幅增长到2027年超过1500亿美元，这个涨幅非常惊艳，目前市场上很少有这么乐观的预期，值得关注。另外JPM海列举 了AVG目前的Asic项目名称：Google TPU、Meta MTIA、Anthropic TPU、OpenAI ASIC，以及SoftBank/ARM XPU。

之前做LLM推理芯片架构探索的时候，我把四大AI推理ASIC公司的架构都翻过一遍。Groq、SambaNova、Tenstorrent、Cerebras。前三家的思路虽然各有侧重，但底层逻辑都在同一个框架里：片上大SRAM + dataflow架构 + 确定性调度，核心差异在NoC拓扑、内存层级、编译器抽象这些维度上展开。 Cerebras是里面让我真正被震惊到的一家，而它却这四家里马上第一个拿到IPO结果的。 这家公司的选择比其他三家都激进一个量级：不做芯片，直接做整片wafer。 单颗WSE-3，21.5cm × 21.5cm的整片晶圆，90万个PE通过scribe-line stitching在物理上连成一片连续的silicon。这个工艺是Cerebras和TSMC联合定制的，把原本用于晶圆切割的窄条改造成跨reticle的金属导线，让所有reticle在物理上拼接成一整块芯片。（配图二展示了单颗WSE-3内部结构：左半边是整片晶圆的reticle网格和scribe-line拼接，右半边放大了单个PE的微架构。） 单个PE的结构极简：8-wide FP16 SIMD计算核，48KB本地SRAM直连，没有cache层级，所有数据访问都是确定性的单周期。加上一个5端口路由器（N/S/E/W + loopback），相邻PE之间的通信延迟也是单周期。关键在于，跨reticle边界的mesh在物理参数上和reticle内部完全一致，编译器和runtime完全不需要感知reticle边界的存在。 从LLM推理的视角看，这个均匀性的价值非常大。 LLM推理的瓶颈在decode阶段。每生成一个token，模型权重要被完整读取一次，计算量却很小，典型的memory-bound场景。GPU集群在这个环节的核心问题是数据搬运：HBM带宽有限，多卡之间还要经过NVLink → NVSwitch → InfiniBand → Ethernet四层互联，每一层带宽和延迟都差几个量级，编程模型必须显式处理每一层的拓扑边界。 Cerebras的做法完全绕开了这个问题。单片wafer内部fabric带宽27 PB/s，权重从外部的MemoryX存储集群通过SwarmX流入wafer后，在PE之间按数据流模式传播执行，同一套placement和routing算法跑遍整片wafer。（配图一展示了这个系统级架构：MemoryX参数存储集群到SwarmX互联fabric，再到底层最多2048台CS-3节点，权重广播和梯度规约的数据流方向一目了然。） 90万个PE各自带48KB SRAM，合计约42GB片上存储，每个PE对自己本地SRAM的访问是单周期确定性的，PE间通信每跳single-cycle，延迟和曼哈顿距离成正比。对于推理场景，前提是weight streaming的编译器能把权重有效地分配到对应的PE上，这42GB分布式片上SRAM的聚合带宽远超GPU的HBM方案，没有cache层级带来的访问不确定性，没有跨芯片搬运的开销。 回到我自己的体感。做推理芯片架构的时候，NoC拓扑和内存层级的权衡花了大量精力，因为芯片边界是硬约束，跨芯片通信的成本和片内通信之间永远存在断层。Cerebras的做法等于从片内通信的角度消除了这个断层，代价是整条制造和封装链都要重新定义。 这也解释了Cerebras的工程取舍。所有架构创新集中在wafer内部，scale-out方向直接复用100GbE + RoCE的以太网生态。wafer内27 PB/s对比跨CS-3的SwarmX在Tbps量级，几个数量级的差距全部交给商品化网络承担。推理场景下单wafer内部的带宽和延迟优势可以直接转化成token生成速度。 OpenAI选择和Cerebras合作做推理，从架构层面看逻辑是通的。大规模在线推理需要低延迟、高吞吐、确定性时延，这三点恰好是wafer-scale架构在片上通信均匀性方面的结构性优势。 但这套架构也有几个结构性的问题值得正视。 良率和成本是绕不开的。整片wafer做单颗芯片，任何一个reticle的缺陷都影响整体。Cerebras靠冗余PE和路由绕行来应对，但冗余比例和良率数据从未公开过。一片wafer的制造成本本身就远高于切割后卖单颗die的模式，叠加23kW、15U的单系统功耗和体积，部署密度和TCO在大规模推理集群的经济性上面临考验。 最关键的是KV cache的容量瓶颈。42GB片上SRAM看起来很大，但长上下文推理场景下KV cache随序列长度线性增长。以Llama 70B为参考，FP16下128K上下文的KV cache就要吃掉约40GB，即使做KV cache量化，长序列场景下的容量压力仍然显著。片上放不下的部分必须依赖MemoryX做外部存储，数据要经过SwarmX回传，这条路径的带宽在Tbps量级，和wafer内部27 PB/s的差距意味着长序列场景下decode速度会被外部带宽卡住。这可能是Cerebras在推理场景面临的最核心的架构约束。