AI silicon beyond the GPU: NVIDIA, AMD, Huawei and custom accelerators, covering architecture, memory bandwidth, supply and what each means for inference cost.
NVIDIA is framing a shift in AI compute demand: from massive one-time training runs to continuous post-training refinement for agents, according to Moomoo — a change that reframes both the hardware market and the NVDA valuation debate covered by Yahoo Finance UK.
General Compute has closed a landmark US$400 million deal that uses inference chips as loan collateral in place of Nvidia GPUs, according to Tech Times. We unpack what it signals for AI hardware financing.
Jensen Huang says Nvidia will be the first customer for HBM4, and one AI memory stock has reportedly secured about 70% of those orders, according to Yahoo Finance and The Motley Fool.
The FBI is reportedly weighing an in-house AI LLM supercomputer built on either Nvidia B300 GPUs or Google TPUs, according to Data Center Dynamics — a rare federal signal on accelerator choice.
OpenAI and Broadcom have jointly unveiled an inference chip optimised for large language models, signalling a decisive move toward vertically integrated AI silicon.
حوّلت «هواوي» خططها المتعلقة بشرائح الذكاء الاصطناعي إلى خارطة طريق قديمة تعتمد على إصدار شريحة واحدة سنويًّا، وأطلقت نماذج «openPangu 2.0» المفتوحة المصدر، والتزمت بجعل «CANN» مفتوح المصدر. ونحن نوازن بين كل ذلك والقيود التي أغفلها الخطاب الرئيسي: سقف 7 نانومتر في SMIC، وإمدادات HBM محلية الصنع لا تكفي سوى بضع مئات الآلاف من الرقائق، وفجوة في الأداء لكل رقاقة مقارنةً بشركة NVIDIA، وهو ما تعترف به خارطة طريق هواوي نفسها.
تعمل كل من وحدة المعالجة العصبية (NPU) ووحدة معالجة الرسومات (GPU) على تشغيل الذكاء الاصطناعي، لكنهما مصممتان لأداء مهام متباينة. وفيما يلي ما يميز كل منهما في عام 2026، مع أرقام حقيقية لمعدلات TOPS وTFLOPS مستمدة من الرقائق المتوفرة فعليًّا في الأسواق.
