Open Artwork System Interchange Standard
1. 3 秒看懂
OASIS（鏈-芯-核體系） 是定義 AI 2.0 時代基礎設施與智慧應用邊界的三層技術架構，由“鏈 (Orchestration & Platform)”、“芯 (AI Chip)”、“核 (Core Algorithm & Model)”協同構成。它並非單一產品或技術，而是描繪了從物理算力生成、叢集排程最佳化到頂層智慧湧現的完整價值閉環。理解 OASIS，等於掌握了審視全球 AI 產業分工、技術路徑博弈與商業壁壘的核心架構。簡單來說，核決定智慧的上限，芯決定智慧能否落地，鏈則決定智慧覆蓋的範圍與成本。這三者相互咬合，構成了未來十年數字文明的基礎動力學結構。
2. 3 分鐘產業解釋
用資訊產業的生理學類比來解構 OASIS 再直觀不過：
-
核 (Core)：等價於大腦皮層與思維範式。驅動 AI 表現的核心演算法、大型語言模型和多模態模型均屬此類。它定義了“如何思考”與“能思考到什麼程度”。2023 年以來，以 Transformer 為基座的大型模型“湧現能力”成為“核”的代名詞，其複雜度的指數級躍遷直接定義了產業的天花板。從 GPT-4 到 Llama 3，再到 Gemini Ultra，“核”的競爭本質上是對人類知識表徵和推論方式的重新編碼。
-
芯 (AI Chip)：等價於神經元與突觸的物理載體。GPU、NPU、類腦晶片等專用硬體，承載著演算法模型的海量平行計算。它決定了智慧能夠在多大的物理功耗、時延和成本約束下實現。脫離了高能效的“芯”，再先進的演算法也只能停留在論文裡。當前一臺滿載 H100 的伺服器功耗已突破 10kW，晶片能效比 (TOPS/W) 直接等同於 AI 服務的毛利率。
-
鏈 (Orchestration & Platform)：等價於迴圈系統與神經網路通路。它解決的是如何將數以萬計的“芯”高速互聯（如 NVLink、超乙太網路），並通過軟體定義的方式將它們池化為一個“超級計算機”。這包括算力排程平台（如 Kubernetes 改造）、分散式訓練架構、模型即服務 (MaaS) 平台等。“鏈”的效率直接決定算力是成為活水還是死水。據統計，在千卡以上叢集訓練中，通訊開銷若佔比超過 20%，整體有效算力可能下降 40% 以上。
三者關係是深度耦合、螺旋演進的。2017 年 Transformer 架構（核）的提出，催生了對大規模平行計算（芯）和萬卡級叢集互聯（鏈）的剛需；而 NVIDIA H100 晶片（芯）與 Quantum-2 InfiniBand 網路（鏈）的成熟，反過來使訓練萬億引數模型成為可能，為“核”的下一輪進化提供了物質基礎。如果“核”是戰略意圖，“芯”就是彈藥，而“鏈”就是精確制導的武器系統與後勤保障。三者之中任何一環出現短板，都會在整體系統層面形成“木桶效應”，制約智慧釋放的全部潛能。
3. 技術原理
OASIS 並非簡單的三層堆疊，其技術核心在於垂直整合與協同設計，旨在打破傳統計算體系中的“記憶體牆”、“功耗牆”與“規模牆”。每一層的進步都依賴於對相鄰層物理約束的深刻理解與突破。
3.1 芯 (AI Chip)：從馮·諾依曼瓶頸到領域專用架構
-
架構革命的物理驅動力：傳統 CPU 遵循馮·諾依曼架構，計算與儲存分離，資料搬運產生的能耗和延遲遠超計算本身，這就是“記憶體牆”。據《IEEE Spectrum》2023 年文章引用業界資料，在 7nm 工藝下，資料搬運的能效開銷可佔整體 80% 以上。AI 晶片的核心變革在於存算一體與近存計算，通過在物理空間上將儲存單元與計算單元逼近，大幅降低資料搬運成本。例如，採用高頻寬記憶體 (HBM，High Bandwidth Memory) 的 GPU（如輝達 H200），其 HBM3e 記憶體頻寬可達 4.8 TB/s，較上一代提升 1.4 倍以上（來源：NVIDIA，2023 年秋季 GTC 大會），這是當前緩解“記憶體牆”的主流工程方案。更前沿的路徑，如存內計算，ReRAM 或 SRAM 整合技術，仍處於產業化早期。
-
計算範式從向量到矩陣的演化：AI 計算的核心是張量運算，本質上是大規模的矩陣乘法與卷積。GPU 憑藉其數千個計算核心的並行架構，成為當前事實標準。然而，為追求更高能效比，針對特定 AI 運算元最佳化的領域專用架構 (DSA，如 NPU、TPU) 興起。衡量 AI 晶片效能的關鍵引數已從單純的每秒浮點運算次數，轉向綜合評估吞吐率、精度（如 FP32、BF16、INT8）以及功耗比 (TOPS/W)。例如，針對大型模型推論，支援低精度 INT8 或 FP8 運算的晶片單位能耗產生的 Token 數遠高於高精度晶片，這直接決定了推論服務的商業成本。Google TPU v5p 在 BF16 下的峰值算力達 459 TFLOPS，同時通過片上 SparseCore 稀疏計算引擎提升有效吞吐，體現了 DSA 的顯著優勢。
-
先進封裝與片間互聯：隨著單晶片逼近光罩極限，Chiplet（芯粒） 和先進封裝（如 CoWoS、EMIB）成為延續摩爾定律的關鍵。通過將大晶片分解為多個小芯粒，不同功能模組可採用不同製程工藝異構整合，提升良率、降低成本。NVLink-C2C 可實現 25 GB/s 的片間頻寬，為超大規模 SoC 提供了可能。封裝內的互聯密度已超過 10,000 根導線/mm²，這為晶片設計帶來了前所未有的靈活性。
3.2 鏈 (Orchestration & Platform)：算力從池化到服務化的軟體定義過程
-
互聯的物理層：從單機 Scale-up 到叢集 Scale-out。單張 AI 晶片的效能已逼近物理極限（供電、散熱），建置大型叢集成為獲得更強算力的唯一路徑。當前千卡乃至萬卡叢集的互聯方案高度依賴高頻寬、低延遲的專用網路。NVIDIA Quantum-2 InfiniBand 可提供 400 GB/s 埠和小於 1 微秒的延遲，通過自適應路由與擁塞控制確保資料在網路中無阻塞傳輸。超乙太網路聯盟 (UEC) 則致力於改造標準乙太網路，使其適用於 AI/HPC 場景，力圖打破 InfiniBand 的封閉生態。
-
軟體定義算力池化與資源抽象：在物理互聯之上，必須有一層作業系統將分散的 GPU、NPU 資源抽象為一個統一的算力池。這類似於虛擬化技術在 CPU 時代的角色，但更復雜——因為 AI 訓練需要 GPU 之間的高速直接通訊（如 NCCL 集合通訊）。Kubernetes 與 Volcano 等排程器被深度改造，支援拓撲感知排程，確保 AllReduce 等通訊模式中的 GPU 節點物理上緊鄰，最大化利用頻寬。在此基礎上，訓練架構如 PyTorch Fully Sharded Data Parallel 和 DeepSpeed 實現了混合並行（資料並行、張量並行、流水線並行），將超大型模型自動切分到數千張卡上，使得萬億引數模型的訓練成為可能。
-
模型即服務 (MaaS) 與推論引擎：鏈不僅僅是訓練的管道，也是推論部署的生命線。將訓練好的模型高效地提供為 API 服務，需要最佳化推論引擎（如 vLLM、TensorRT-LLM）、請求排程、KV 快取管理以及模型量化分發。通過持續批處理、分頁注意力等技術，推論吞吐可提升十倍以上。這一層直接對接終端應用，將“核”與“芯”的複雜工程封裝為一行 API 呼叫，實現智慧的普惠分發。
3.3 核 (Core Algorithm & Model)：智慧湧現的認知引擎
-
Transformer 架構的統治與變體：自“Attention is All You Need”以來，自注意力機制幾乎是所有大型模型的基石。為突破上下文長度的限制，研究人員提出了稀疏注意力、環形注意力、狀態空間模型 (如 Mamba) 等變體。同時，MoE（混合專家）架構通過稀疏啟用在引數規模與計算量之間取得平衡，Mixtral 8×7B 僅以約 12B 的推論算力實現了接近 70B 密集體模型的效果，代表了核設計對算力友好性的回應。
-
多模態與具身智慧：核的能力正在從單一文本向多模態（文本+影像+影片+感測器）融合進化。Sora、Gemini 等多模態模型已經展現出對物理世界的初步理解能力，這要求核能夠處理不同模態的對齊與聯合表徵。更為前沿的是具身智慧的“核”，它將模型嵌入到機器人的感知-規劃-行動閉環中，對即時性與魯棒性提出了新的挑戰，驅動著演算法與晶片的聯合設計。
-
對齊、安全與可解釋性：核的最後一個關鍵技術維度是使其行為與人類價值觀對齊。RLHF（基於人類反饋的強化學習）、直接偏好最佳化 (DPO) 以及紅隊測試等機制正成為核不可或缺的組成部分。它們不僅是社會倫理的要求，也直接影響著模型在產業落地時的可靠性，構成“核”最終能否被市場接受的准入門檻。
4. 體系動力學：三者如何相互定義
OASIS 的核心魅力不在於各層的獨立先進，而在於它們之間形成的正反饋與相互塑造。當“核”發明了一種新的稀疏化演算法，它會立刻改變對“芯”的需求——不再需要密集的 FP32 算力，轉而飢渴地吞食稀疏 INT8 吞吐。這又反過來催生支援動態稀疏處理的新型 NPU。與此同時，“鏈”為了適應這種稀疏通訊模式，必須設計更高效的集合通訊庫，甚至推動新的網路拓撲。這種“演算法定義硬體，硬體啟蒙演算法，系統連結一切”的迴圈，是全棧自研廠商（如 NVIDIA、Google、華為）的核心護城河，也是開放生態（如 AMD+ ROCm + PyTorch）面臨的巨大挑戰。
5. “核”的進化圖譜：從專業模型到世界模型
核的發展可大致劃分為三個階段：
- 1.0 時代 (2012-2017)：以 CNN/RNN 為代表的監督學習模型，擅長影像分類、機器翻譯等單點任務。每個模型專精於一個領域，泛化能力弱。
- 2.0 時代 (2018-2023)：預訓練大型模型爆發。GPT、BERT 等用海量無標註資料習得通用知識表示，通過微調適應下游任務，展現出“湧現”能力。引數規模從億級迅速膨脹至萬億級，Scaling Law 成為鐵律。
- 3.0 時代 (2024- )：世界模型與代理智慧萌芽。模型開始具備系統 2 慢思考能力（樹搜尋、思維鏈自動化）、工具使用、甚至生成影片（預測未來幀）來建置內部世界模型。這一階段的核不再僅僅是一個語言生成器，而是在往與世界互動、推論、規劃的方向演化，直接對應“芯”與“鏈”的新一輪海嘯式需求。
6. “芯”的產業地圖：從一家獨大到群雄並起
AI 晶片市場競爭空前激烈，可劃分為四大流派：
- 訓練之王——GPU 帝國與挑戰者：NVIDIA 憑藉 CUDA 生態和持續的架構迭代（Hopper 到 Blackwell）佔據 80% 以上訓練市場份額。AMD Instinct MI300X 和 Intel Gaudi 3 正在硬體引數上快速追趕，但軟體棧的成熟度仍是決勝關鍵。
- 推論暗戰——ASIC 與 NPU 的浪漫：推論市場對功耗和總擁有成本 (TCO) 更敏感，為自研 ASIC 打開了視窗。Google TPU v5p、AWS Trainium/Inferentia、微軟 Maia 100 等雲端運算大廠自研晶片湧入，憑藉與自家業務的深度協同實現極致能效。初創公司如 Groq 的 LPU（語言處理單元）以確定性排程實現極速推論，展示了架構創新的可能性。
- 端側覺醒——手機與 PC 的 AI 引擎：Apple M4、高通驍龍 X Elite、英特爾 Lunar Lake 紛紛整合 NPU，強調 40 TOPS 以上的本地 AI 算力。端側推論因其隱私、低延遲和離線可用性，成為“芯”的下一個重要戰場。
- 存算一體與新型計算：以 HBM 為代表的近存計算已是主流，而基於 ReRAM 等的存內計算被視為可能的顛覆者，一旦成熟，能效比將比當前 GPU 提升數個量級，從根源上瓦解記憶體牆。
7. “鏈”的技術縱深：從光纖到排程器
鏈的價值鏈由下而上包括：
- 物理層：光纖、交換器、光互聯。800G 光模組已規模商用，1.6T 處於驗證期。可插拔光學、共封裝光學 (CPO) 將降低功耗與成本。
- 網路協議層：InfiniBand RDMA 提供“記憶體語義”訪問，為 AI 訓練提供不可或缺的低延遲。RoCE v2 和 UEC 意在通用乙太網路上覆現同等效能，降低依賴單一供應商的風險。
- 集合通訊庫：NCCL 是事實標準，其環形、樹形演算法最佳化集體操作（AllReduce）效率。新興的通訊原語如 One-shot AllReduce 試圖進一步壓縮延遲。
- 叢集排程與容錯層：萬卡叢集一天內硬體故障機率極高，檢查點策略、熱遷移、彈性訓練等機制決定了有效訓練時長。利用強化學習進行自動並行切分與調優正在成為新趨勢。
- 聯邦學習與資料牆：在資料孤島和隱私法規下，鏈還需解決跨資料中心、跨機構的合規算力排程與資料協同，使得“資料不出域”的分散式訓練成為現實。
8. 全棧協同的工程實踐：三個典型範例
- 案例一：NVIDIA GB200 NVL72 機架級系統。通過 NVLink 5 將 72 塊 Blackwell GPU 連線成一個巨型的共享記憶體池，徹底打破單機 Scale-out 的邊界。這套系統本身就是鏈-芯-核垂直設計的極致體現：晶片設計時預留了高密度片間介面，系統網路拓撲圍繞 AllReduce 最佳化，軟體層 (CUDA) 讓開發者幾乎無感地在一個 72-GPU 巨型虛擬 GPU 上程式設計。
- 案例二：Google Pathways 系統。其在“核”層面訓練了 540B 引數的 PaLM 模型，在“鏈”層面使用自研的路徑網路與排程器跨越數千塊 TPU v4，在“芯”層面利用了 TPU 的 3D-torus 網路拓撲，實現了軟體定義的靈活並行策略，是超大規模稀疏模型的成功實踐。
- 案例三：特斯拉 Dojo 超級計算機。自研 D1 訓練晶片+晶圓級互聯+定製編譯器，專為純視覺自動駕駛的“核”定製。其鏈-芯-核完全封閉，只為解決一個終端場景，展現了垂直整合用於特定垂直領域的強大能量和成本控制力。
9. 商業模式與價值再分佈
OASIS 的每一層都在催生不同的商業模式：
- “核”的貨幣化：從開源模型建置生態（Meta Llama）、API 呼叫計費（OpenAI、Anthropic）、企業級私有化部署，到與作業系統深度整合（Microsoft Copilot）。價值逐漸從模型權重本身向資料飛輪和使用者粘性轉移。
- “芯”的貨幣化：傳統晶片銷售、雲端例項租賃。自研芯廠商將晶片作為成本中心，不直接出售，而是通過降低雲端服務價格獲取市場份額，形成降維打擊。
- “鏈”的貨幣化：雲端算力排程平台收取編排服務費、分散式訓練加速軟體許可費、以及資料合規流通平台作為資料經紀人的價值分成。未來的智算中心運營商將成為數字時代的基礎設施 REITs，其估值取決於“鏈”的利用率與排程效率。
10. 全球競爭格局與地緣科技
OASIS 已成為大國科技競爭的實質焦點。美國在“核”（頂尖大型模型）與“芯”（GPU、HBM、EDA 工具）上具備壓倒性優勢，並通過出口管制限制中國獲取高階算力。中國則採取“多維突圍”策略：在“核”上，DeepSeek、智譜、Qwen 等模型以高效架構與資料最佳化縮減差距；在“芯”上，華為升騰系列聯合國產 HBM 正在建置自主替代體系；在“鏈”上，依託東數西算工程和龐大的端側市場，加速算力內迴圈。未來的全球 OASIS 生態將可能分化為兩個技術體系，標準之爭即是主權之爭。
11. 應用場域：從數字孿生到具身智慧的落地映象
OASIS 不僅是實驗室裡的璀璨煙花，它在產業中的落地深度決定了其真正價值。
- 生命科學與製藥：AlphaFold 3 使用擴散模型進行分子結構預測，背後需要大量 GPU 叢集進行訓練與推論。“芯”的浮點精度與“鏈”的快速引數同步直接關係到蛋白質動力學模擬能否在可接受時間內完成，加速新藥研發。
- 金融風控與量化交易：即時流式大型模型推論要求極低時延的“芯”（通常需在 PCIe 上直連 FPGA 加速卡），同時需要“鏈”提供跨資料中心的一致性與容災能力。
- 智慧製造與自動駕駛：工廠邊緣端的視覺質檢模型需要端側輕量化“核”+低功耗 NPU“芯”，並與中心雲端的“鏈”進行增量訓練和模型下發，形成雲端-邊-端協同的 OASIS 微迴圈。
- 內容生成與社交娛樂：以 Sora 為代表的影片生成應用是對整體 OASIS 的極限壓測，每一秒高畫質影片背後都是數千張 GPU 長時間協同推論，考驗著“鏈”的峰值排程能力和“芯”的能效成本。
12. 標準與協議：OASIS 的“巴別塔”與生態錨點
開放標準是 OASIS 走向規模化、避免被單一廠商鎖定終局的關鍵戰場。
- 互聯標準：NVLink 和 Infinity Fabric 都是封閉生態，而 CXL（Compute Express Link）建立在 PCIe 基礎上，允許 CPU 與 GPU、記憶體之間實現快取一致性共享，是整個行業邁向開放異構互聯的希望。UEC（超乙太網路聯盟）則聚集了 AMD、Intel、博通等巨頭，共同重塑乙太網路以對抗 InfiniBand。
- 軟體棧標準：MLIR 編譯器架構、OpenXLA 編譯器、ONNX 模型交換格式正在試圖建置一個跨“芯”的中間層，使得“核”可以一次編寫、多芯部署。但 CUDA 的先發優勢和開發者粘性依然難以逾越。
- 評估基準：MLPerf 成為行業公認的“芯-鏈-核”系統性能標尺，推動著從封閉環境到真實資料中心的基準演進。對於“核”，LMSys Chatbot Arena 的 Elo 評等成為衡量大型模型大眾化效能的輿論場，間接驅動著核的發展方向。
13. 挑戰與風險：OASIS 的阿喀琉斯之踵
- 能耗困境：GPT-4 一級的模型單次訓練耗電可達數十吉瓦時，推論階段的微呼叫電也在持續增長。如果不能實現晶片級能效革命，AI 的規模擴張將受到全球能源供應的硬約束，OASIS 自身演化為“電老虎”。
- 資料枯竭與版權壁壘：高質量公開文本資料接近耗盡，而影片、私有領域資料因版權保護（《紐約時報》訴 OpenAI 等）變得愈加難以獲取。“核”的資料飢餓與“鏈”的合規資料流通成為突出矛盾。
- 安全與幻覺：大型模型的幻覺和越獄攻擊在核心生產環境（醫療、司法）中不可接受。“核”的能力雖強，但缺乏可靠保證時，其推廣速度將遠低於技術曲線。晶片級可信執行環境 (TEE) 與形式化驗證的結合或許是解法之一。
- 供應鏈集中風險：從 HBM（SK 海力士佔 50% 以上市場）到先進封裝（台積電幾乎壟斷），再到 EUV 光刻機，全球 OASIS 硬體基石都建立在極少數供應商之上，地緣政治擾動可瞬間掐斷物理供給。
14. 未來趨勢：超越 OASIS，邁向通用智慧的物理板圖
- 光互連與光學計算：片內光互聯、光神經網路 (ONN) 正在實驗室取得突破，一旦商業化，將徹底重寫“鏈”和“芯”的能量-延遲乘積，使萬卡叢集的能量開銷降至現有十分之一。
- 存內計算的產業化：預計 2027 年前後，基於存算一體的大型模型推論晶片將真正在資料中心大規模部署，提供數量級的能效提升，讓大型模型的邊際呼叫成本趨近於零，引爆 AI 原生應用。
- 系統 2 慢思考與 Agent 的普及：“核”將內建規劃、反思與工具使用能力，每個 Agent 都具有自主呼叫“鏈”上算力資源的能力，OASIS 的排程將從“人排程任務”演變為“Agent 排程自身計算資源”的模式，徹底改變算力消耗的時空模式。
- 電子與生物智慧的融合：長期來看，“核”的設計將更多借鑑神經科學，類腦晶片與脈衝神經網路有望突破現有深度學習的能效架構，OASIS 最終可能演化為“矽基-碳基”共生進化的基礎架構。
15. 結語：OASIS 的投資錨點與歷史方位
我們正站在由 OASIS 三層架構定義的歷史奇點上。每一次技術架構的標準化，都催生了龐大的商業帝國——從 Wintel 到 ARM-Android，再到如今的 CUDA-GPU 與大型模型。然而，OASIS 今天的格局遠未穩定：在“芯”上，開放架構的挑戰如箭在弦；在“鏈”上，新型互聯與排程標準正群雄逐鹿；在“核”上，世界模型與 Agent 架構尚未一統。對於投資者、政策制定者和技術決策者而言，識別出哪個層面、哪個時間窗將出現“標準鎖定”訊號，是抓住下一個十年增長的最大阿爾法。OASIS 不只是一套技術架構，更是智慧時代產業文明的底層憲法。