rickawsb

ai的尽头是光刻机，光刻机的尽头是镜头
--- 光刻机镜头为什么难？
EUV和高端DUV光学，是整个超精密工业体系的极限集合。它同时依赖材料、镀膜、计量、装调、热控制、振动控制、算法、误差建模和长期经验积累。真正限制扩产的，往往不是单一零件，而是整个“精度闭环”。
这个闭环里最核心是：你无法制造出比自己测量能力更精确的东西。
EUV的13.5nm波长几乎会被所有材料吸收，所以EUV根本不能使用传统透镜，只能使用多层反射镜。蔡司的EUV镜面，本质上是一套原子级反射系统。镜面表面误差通常要求进入几十皮米级别。
1 pm=10−12 米
原子直径大约100pm，意味着很多EUV镜面的允许误差已经接近半个原子层。
比做这样一面镜子更难的，是如何稳定测量这种误差。如何在热漂移、空气扰动、振动下完成测量。如何在大尺寸镜面上保持一致性。如何形成长期稳定的工业化重复制造。因为这时候测量的已经不是长度，而是光波相位本身。
EUV测量系统本身，就是一套超高端产业链。里面包括激光干涉仪、超稳定激光源、reference optics（参考镜）、超低热膨胀材料、主动隔振系统、超精密位移台、波前传感器、真空系统和长期漂移补偿算法。很多核心供应商，全球可能只有1-3家。
而这些计量系统也需要更高等级的计量系统来制造。于是形成一种递归（死循环）：先进的计量设备制造需要更先进的计量设备。
以其中瓶颈之一，refe

周末行研---AI拉动的电力电子系统大基建里SiC、GaN 与硅MOSFET的份额浅析
AI数据中心疯狂建设推动的电网大升级，正在让另一个长期被低估的领域重新回到舞台中央：功率半导体。
电力系统核心在于高效地控制电流。而控制电流最核心的器件，就是MOSFET（Metal-Oxide-Semiconductor Field-Effect Transistor）金属-氧化物-半导体场效应晶体管。
过去几十年，全球功率器件几乎都建立在硅MOSFET之上。硅便宜、成熟、产业链完整，因此长期统治整个行业。但随着AI服务器功率暴涨、EV进入800V时代、数据中心向高压化演进、高频电源需求提升，传统硅开始逐渐碰到物理极限。于是，SiC（碳化硅）与GaN（氮化镓）开始崛起。
SiC更像重工业路线。它的核心优势，在于高压与大功率。SiC拥有更高击穿电压、更强导热能力，在高压、高电流场景下效率明显优于传统硅IGBT。因此EV主驱逆变器、光伏逆变器、储能、工业高压驱动、电网、高压UPS这些领域，正在快速SiC化。尤其特斯拉推动的800V平台，本质上是整个SiC产业爆发的重要转折点。过去几年，新能源车一直是SiC最大的驱动力。Wolfspeed、onsemi、STMicroelectronics、Infineon Technologies、ROHM、Mitsubishi Electric等公司，都在这一轮

半导体产业链之上，数字孪生之前：良率提升的隐形冠军分析
如果把半导体制造当成一个系统来看，会发现一个被长期忽视的位置：在产业链之上、在数字孪生真正落地之前，存在一层尚未被完全定义的跨企业，全流程的“认知层”。PDF Solutions的价值，就来自这里。
它处理的不是单点数据，而是贯穿设计、工艺、设备、测试的因果链：某个设计结构，在某个工艺步骤、某台设备上形成特定缺陷，最终映射为电性失效。单个fab或者检测机构可以拥有某些环节的全部原始数据，但很难把这些数据稳定地连接成可复用的因果模型，这就是PDFS切入的本质。
为什么EDA、fab、设备厂没有把这件事自己做完？不是做不到，而是没有动力做到那一步。
设计端如Synopsys、Cadence Design Systems只能做到前馈优化，缺乏制造后的反馈闭环；
fab如TSMC、Intel数据最全，但系统割裂、组织分散，跨流程整合成本极高；
设备厂如KLA Corporation、Applied Materials掌握检测和控制，但视角局限在单工序。
每一层都在优化局部，跨边界问题无人承接，于是在产业链之上，自然出现了一层“解释系统”的空白，这正是PDFS所在的位置。
产业链使用PDFS，是因为数据之间的断层——设计看设计，工艺看工艺，设备看缺陷，但没有统一机制把这些信息串成一条可解释的因果链。PDFS的作用，本质上是提供一种跨环节

最近提交ipo的ai芯片的新宠Cerebras火遍硅谷。
其芯片在小模型场景下，其推理速度最高可达 H100 的 20 倍；而超大规模模型（如 400B 参数量级），Cerebras CS-3 系统的单用户响应速度约为 B200 的 2.4 倍
那么cerebras究竟是如何做到的呢？ 它是否会成为英伟达杀手呢？
我们需从算力演进的本质开始。
AI算力的演进，正在从“算力本身”转向“通信与系统结构”。在这条演进路径上，Cerebras Systems提供了一种完全不同的答案：不是优化分布式，而是尽可能消灭分布式。
一、两条路线：消灭通信 vs 优化通信
当前AI算力本质上分为两种架构哲学：一条是以NVIDIA为代表的路线：
多芯片（GPU），高速互连（NVLink / CPO），scale-out（横向扩展）
另一条是Cerebras路径：单芯片做到极限（wafer-scale）
片内网络替代跨节点通信，scale-up（纵向放大）
核心区别是：一条在解决“如何连接更多芯片”，另一条在解决“如何不需要连接”。
二、为什么这条路现在才成立
wafer-scale并不是新概念，80年代就有人尝试，90年代商业化失败。原因是：
良率无法承受
没有容错机制
软件无法支撑
行业因此形成共识：小die + 高良率 + 分布式。
Cerebras的突破在于三件事同时成立：
1）容错机制工程化

周末深度：从CPO + ELS光源趋势看独立激光器玩家的的位置、边界与终局
AI算力的瓶颈正在从计算转向带宽。随着GPU规模扩大，节点间通信接近N²增长，电互连在功耗与距离上触顶，光互连从“可选项”变成“刚需”。
在这一过程中，CPO（Co-Packaged Optics）与ELS（External Laser Source）开始重构产业链：激光器从模块内部被剥离，成为系统级资源。
独立激光器玩家SIVEF正处在这个变化的一个关键节点。
一、SIVEF做什么
公司核心是基于InP平台的WDM DFB laser array。
简单说：
DFB：稳定单波长激光器
WDM：多波长复用
array：多激光器一体化
本质不是卖“激光器”，而是提供多通道光带宽能力。
在CPO + ELS架构下：
传统：每个模块一个激光器
新架构：一个光源供多个通道
激光器从“分布式组件”变成“集中资源”，这就是价值重分配的起点。
二、为什么是WDM DFB array
AI数据中心的约束很清晰：单通道速率接近极限，电互连功耗不可扩展，带宽必须靠“并行化”
唯一可扩展路径是：
多波长（WDM）
而WDM的前提是：稳定、可控的单波长光源（DFB）
因此，WDM DFB array是当前工程上最优解。尽管不是最先进的理论方案，但它是唯一可规模化落地的方案。
三、SIVEF的优势本质
SIVEF的优势不在“技术独占

新记录！20万人口规模城市级别的15年超长期电力合同将给ai数据中心上下游带来哪些影响？
Applied Digital Corporation（apld） 今天宣布与一家美国投资级 hyperscaler 签下了一份 300MW、15年期、总额约75亿美元的长约。
股价应声大涨近20%。
300MW的规模已经接近20万人口城市级负载，15年的期限明显超出传统数据中心合同；而按容量锁定的模式，也不同于按GPU或按小时计费的算力租赁。
这在“超大规模 + 超长周期 + 明确算力用途”的基础设施级AI合同上，创了新的记录。
这背后对应的是行业属性的变化。截止目前的数据中心，本质是还是IT服务，尽管之前有一些长达5年的合同，但扩容仍按需进行，资源可以迁移和替换；
而现在则逐步变成基础设施资产，开始用类似电力PPA或能源的15年的长期合同的方式锁定供给。
算力不再是可以随时采购的资源，而是需要提前规划、提前占位的生产能力。
为什么会发生这种变化，本质原因是资源开始稀缺，和储存，芯片，光模块一样，对hyperscaler来说，如果不提前锁定，未来可能根本拿不到资源。
在接下来的演进中，电力资产会被重新定价，甚至重新定义。
有电，有接入能力，和高达100–300MW甚至GW级别的电力扩展能力，同时具备网络连接条件和开发可行性，都将成为新资产定价的属性。
归根结底，这一切指向同一个变化：AI竞争