AI动态

分类：科技 标签：RISC-V、英伟达、GPU、开源硬件 在大多数人的认知中，英伟达（NVIDIA）的 GPU 是凭借庞大的 CUDA 核心和 Tensor 核心来统治人工智能与图形渲染领域的。然而鲜为人知的是，在每一个现代英伟达 GPU 的内部，还默默运行着数量惊人的辅助处理器。 根据英伟达透露的数据，其 GPU 产品在 2024 年一年的出货量中，就共计使用了超过 10 亿个 RISC-V 核心。这些开源架构的核心并没有参与图形渲染的重任，却在幕后支撑着整个硬件的高效运转。 从私有走向开源：Falcon 的退役与演进 在全面转向 RISC-V 架构之前，英伟达长期依赖其自研的私有微控制器架构 —— FAst Logic CONtroller（简称 Falcon）。 辉煌的历史：Falcon 最早于 2005 年随着 G98 显卡引入。在随后的十年里，其应用规模急速膨胀，到 2016 年时，单个 GPU 芯片内集成的 Falcon 引擎数量就已经超过 15 个。在 Falcon 的生命周期中，英伟达累计生产了大约 30 亿个此类核心。 痛点与局限：Falcon 本质上是一个 32 位核心，且缺乏现代处理器标配的数据缓存。随着 GPU 复杂度的指数级上升，Falcon 逐渐无法满足英伟达在功能密度、灵活性和性能上的更高要求。 为什么最终选择了 RISC-V？ 为了寻找 Falcon 的合格接班人，英伟达对市面上的主流指令集架构进行了全面评估，其中包括 Arm 和 MIPS 等成熟方案。最终，英伟达将目光投向了开源的 RISC-V。 相比于传统的闭源架构，RISC-V 拥有极高的灵活性、模块化特性以及零授权费用的优势。这使得英伟达能够根据具体的辅助任务需求，对处理器进行高度定制，而不必受制于第三方指令集的冗余设计。 幕后功臣：这些核心在做些什么？ 虽然不直接参与游戏画面的渲染或大模型的矩阵计算，但这 10 到 40 个分布在每个 GPU 内部的 RISC-V 核心却各司其职，是硬件稳定运行的基石： ...

分类：科技 标签：苹果、iPhone 18 Pro、人工智能、A20 Pro 随着端侧人工智能技术的蓬勃发展，智能手机本地运行大语言模型已从概念走向现实。近期针对搭载 A20 Pro 芯片的 iPhone 18 Pro 的实测表明，苹果在端侧 AI 算力上迎来了质的飞跃。凭借全新的硬件架构，iPhone 18 Pro 成功在本地流畅运行高达 270 亿参数的 AI 模型，其运行速度较上一代实现了翻倍增长。 硬件架构升级：双 16 核神经网络引擎与高速内存 iPhone 18 Pro 与 iPhone 18 Pro Max 搭载了全新的 A20 Pro 芯片，在 Apple Silicon 发展史上首次引入了双 16 核神经网络引擎。该引擎专为高强度的人工智能运算负载设计，其峰值吞吐性能甚至超越了芯片内部的 7 核 GPU。 除了算力核心的倍增，硬件层面的另一大亮点在于内存配置： 全系标配 12GB、96 位位宽的 LPDDR5X 内存。 内存带宽最高可达 115.2GB/s，相比前代产品有显著提升。 硬件的强强联合，为手机端本地运行大模型打下了坚实的底层基础。 实测表现：Bonsai-27B 运行如飞 在实际演示中，科技爱好者通过 iPhone 18 Pro 成功运行了 Bonsai-27B 这一规模庞大的 AI 模型。从测试画面中可以看到，模型在生成词元（token）时的速度表现极为惊艳，整体运行过程行云流水，并未出现明显的降速或卡顿现象。 相比之下，初代 Bonsai 属于 1 比特量化 AI 模型，对硬件要求相对较低，4GB 内存的设备即可轻松驾驭。而面对体量更大的 270 亿参数模型，A20 Pro 凭借其强大的统一内存带宽与双 16 核神经网络引擎，展现出了足以媲美轻量级云端服务器的端侧推理能力。 ...

分类：科技 标签：人工智能、大模型、开源项目、科技前沿 天文观测，或许是极少数能让普通人瞬间产生浪漫想象的科学。巨大的穹顶缓缓打开，镜筒转向无垠的深空，数十亿年前赶来的微光落入探测器，向人类倾诉超新星爆炸、中子星合并的壮丽史诗。 然而，浪漫的背后是极其琐碎且高压的现实。以国家天文台兴隆观测基地为例，冬季漫长的夜班里，值班人员需要彻夜盯着控制软件，实时核对目标位置、气象云图、设备状态并不断调整参数。而对于瞬变天文观测（如超新星、伽马暴爆发）而言，挑战则更为严苛——这些极端事件无法提前推算，且早期特征稍纵即逝，科研团队发现得越早、响应越快，留下的宝贵科学数据才越完整。 面对“天上掉馅饼”般的瞬变事件，如何打破传统繁琐的线性调度？近期，国家天文台科研团队联合千问办公给出了一份充满未来感的解法。 01 自动望远镜已久，为何依然需要 Agent？ 长期以来，望远镜的自动化建设主要分为三个阶段：发现异常、分析异常与资源调度。 虽然现代巡天望远镜（如即将全面运行的 Vera C. Rubin Observatory）每晚可以产生数百万条科学告警，但适合进行后随观测的望远镜时间依然极其有限。海量异常到底值不值得跟踪？选哪一个？用哪台设备？判断的成本居高不下。 此前，国家天文台银河系三维结构组与兴隆观测基地便已开始尝试将 AI 引入其中。由双方合作开发的“星语望远镜（StarWhisper Telescope）”以大模型为基座，打通了观测计划、设备控制与数据处理，被斯坦福大学《AI Index Report》列为代表性的科学 AI Agent。 但固定工作流面对复杂的真实观测现场依然略显僵化。当科研团队试图让 Agent 拥有更强的主动决策能力时，一个残酷的现实摆在眼前：真实的科研望远镜极其昂贵且经不起试错。 02 3 天造出一台可以反复试错的“仿真望远镜” 国际主流的 10 米级地面光学望远镜，单个有效观测小时的运行成本高达数万元，且任何错误的硬件控制都可能带来巨大的设备风险。 在千问办公的协助下，国家天文台科研团队决定先为 Agent 打造一个科研级仿真望远镜环境。传统开发一套专业仿真系统往往需要数月时间与高昂成本，而借助千问办公的 Agent Harness，团队仅用不到 3 天、千元左右的成本便跑通了全套数据链。 这套仿真系统展现出了强大的适应性： 数据链跑通：Agent 读取专业程序与天气、设备接口返回的结构化数据，自动生成观测计划。 硬件模拟响应：引入真实设备的运动日志与传感器限制，让机械限位和合法参数受到底层约束。 策略极限演练：面对“多目标竞争”、“突发天气恶化”等现实中难以人为制造的复杂场景，系统可以在仿真中提前演练多套调度策略，大幅加速后续的真实决策。 03 从仿真走向真实夜空：接入“司天”工程 仿真跑通后，Agent 正式对准了真实的夜空。 在千问办公的框架下，当瞬变候选目标出现时，多维数据被实时对齐，Agent 能够与科研人员并行推进工作。目前，这套 Agent 框架已经正式接入我国大型分布式米级巡天望远镜阵列项目——**“司天”工程（GOTTA）**的探路者和原型机，并已成功预警约 8 颗极早期超新星候选。 随着“司天”工程未来构建起覆盖全球的百余台望远镜网络，面对海量设备协同、多站点天气博弈与高并发目标抢占，传统的人工调度已难以为继。而基于 AI Agent 的智能分布式调度，将成为人类探索宇宙深空不可或缺的超级副驾驶。 当一束光跨越数百万年抵达地球，留给人类捕捉的时间窗口往往只有不可逆的几个小时。从日常办公到前沿科研，AI Agent 正在用极致的效率革新，帮人类在群星闪烁的宇宙中，跑赢宝贵的时间。

分类：AI动态 标签：具身智能、大模型、机器人、开源项目 在当今的 AI 浪潮中，数字世界的模型正在向持续学习和自进化迈进。而在物理世界中，机器人是否也能拥有类似的能力？最近，乐享科技推出了一项颇具挑战性的技术路线，其具身智能模型「以太（Aether）」宣称能够在部署和执行过程中持续更新，成为全球首个具备自进化能力的具身智能模型。 这一概念在行业内引发了不小的争议。在机器人仍需攻克基础稳定执行的阶段，「自进化」究竟是噱头，还是具身智能通往下一阶段的关键钥匙？ 一、 从模仿动作走向理解因果世界 过去几年，具身智能的主流思路是将视觉、语言和动作串联起来：机器人观察环境、接收任务，随后输出动作。这种路线让人形机器人能够通过大规模数据学习人类示范，将复杂指令落地为具体行动。 然而，乐享科技团队指出，这种“输入-动作”的映射存在根本限制：它擅长回答「下一步做什么」，却未必理解「为什么要这样做」，更不懂这些动作会对真实世界产生什么后果。 VLA（视-语-动）的局限：不懂因果关系，只停留在已有数据的动作规律模仿。 传统世界模型的问题：往往陷入“可生成、不可执行”的怪圈，预测出的未来无法被机器人的关节、力矩及控制系统真正实现。 真实世界充满了接触力、摩擦、滑动、遮挡和形变。面对不断变化的物理环境，以太模型引入了由世界状态、内部状态和能量状态耦合而成的动力系统——由能量驱动的状态转移（energy-driven state transition）。这不仅让机器人拥有了主动感知的意图，也为其「自进化」奠定了现实基础。 二、 真正的自进化：不仅是临场适应，而是一套闭环机制 乐享科技所定义的“自进化”，绝不仅是一次性的状态调整或任务补救，而是一套贯穿执行全过程的闭环机制。 预测与纠偏：机器人在行动前形成预测，执行后观察结果，并将真实结果与预期进行偏差比较。如果世界发生变化，系统将自主更新内部状态并重新规划。 错题本机制（经验筛选）：在线学习的最大风险在于将偶然扰动当成规律。以太模型通过分层记忆和筛选机制，判断经验是否可靠、新颖且可泛化，决定哪些经验应该被保留或清除。 参数层面的长期沉淀：经过严格验证的经验能够进一步影响模型权重，从而实现真正的策略和模型层面的演进。 在多本体迁移方面，以太模型通过接入双臂、双足和轮式等不同形态的机器人进行自主探索，认知本体的性能差异和关节限位，最终生成适配不同形态的动作轨迹，实现了软硬件解耦。 三、 开启具身智能的 Next Level 如果机器人只是被训练好的执行机器，它就能把规定动作做得精准，但任务之外的经验很难沉淀，更换场景和身体也往往需要重新开始。 乐享科技的探索表明，当机器人能够将现实世界里的经历变成可积累、可验证、可迁移的能力时，它就不再只是一个被动部署的硬件工具，而开始具备某种「生长性」。 当然，关于自进化，行业仍有诸多疑问需要解答：泛化能力能跨越多大差异？模型变化如何被精确量化？长期运行后如何确保旧能力不退化？ 但毫无疑问，衡量机器人的标准正在悄然发生改变。未来的核心问题将不再仅仅是「它现在会做什么」，而是——「它做完之后，学会了什么？」

分类：科技 标签：苹果、iPhone 18 Pro、人工智能、芯片 随着端侧人工智能技术的飞速发展，智能手机正在成为运行大型语言模型的重要阵地。苹果在端侧 AI 领域的布局迎来了重大突破，搭载 A20 Pro 芯片的 iPhone 18 Pro 在本地运行大模型时展现出了令人瞩目的硬件实力。 A20 Pro：双 16 核神经网络引擎的实力登场 苹果最新的 A20 Pro 芯片在 Apple Silicon 发展史上首次搭载了双 16 核神经网络引擎。这套专为人工智能运算负载打造的硬件架构，在性能上实现了对历代 SoC 的全面超越。 在实际测试中，数码爱好者通过 iPhone 18 Pro 成功运行了 270 亿参数的 Bonsai-27B 模型。得益于硬件升级，其模型生成词元（token）的速度相比上一代 iPhone 17 Pro 直接翻倍，运行过程流畅且高效。 硬件规格全面升级：大内存与高带宽的支撑 端侧大模型的本地运行，对设备的内存容量与带宽提出了极高的要求。iPhone 18 Pro 系列在此次迭代中迎来了关键升级： 统一内存规格：全系配备 12GB、96 位位宽的 LPDDR5X 内存。 极致传输带宽：内存带宽大幅提升，可达 115.2GB/s。 算力分配优化：双 16 核神经网络引擎在处理特定 AI 任务时的峰值吞吐性能，甚至超越了芯片内部的 7 核 GPU。 在这些顶级硬件的加持下，即便是初代 Bonsai 等大模型，在 12GB 内存的 iPhone 18 Pro 上也能行云流水般运行，不会出现明显的降速或卡顿。 ...

分类：[科技] 标签：[数据中心]、[人工智能]、[能源危机]、[云计算] 随着全球数字化转型与大模型的爆发式增长，数据中心已经成为名副其实的“吞电巨兽”。根据美国俄勒冈州最新发布的官方报告显示，当地的数据中心建设正呈指数级扩张，其带来的能源消耗压力已经引发了广泛关注。 狂飙突进的数字基建 根据报告披露的数据，目前俄勒冈州共有 111 个投入运营的数据中心，总建筑面积达到 2210 万平方英尺。然而，这只是冰山一角： 现状：2025 年，仅这些运营中的数据中心就消耗了该州总用电量的 23%。 未来增量：目前还有 32 个数据中心正处于建设或规划阶段，未来将新增 690 万平方英尺的建筑面积。 2030 年预测：预计到 2030 年，该州数据中心的能耗将飙升至近 25TWh，占全州总电力需求的 31% 到 32% 之间。这一耗电量将相当于 250 万户美国家庭的年用电总和。 繁荣背后的就业失衡 高能耗与高产值往往伴随着人们对经济效益的期待，但在数据中心行业，这一比例却显得极不对称。 报告指出，庞大的数据中心集群在当地仅直接提供了 2630 个就业岗位，这一数字仅占该州总人口的 0.06%。这种“极高能耗 x 极低直接就业”的特点，让地方政府在享受科技基建红利的同时，不得不重新评估其对公共资源的挤占效应。 科技发展与能源供给的拉锯战 俄勒冈州的现状并非个例。随着人工智能、云计算和大数据计算需求的狂飙，全球各大科技巨头都在疯狂加码算力基础设施。当电网负荷逼近极限，能源供应瓶颈、碳排放目标以及绿电采购成本，将成为制约下一代科技革命的关键痛点。如何在算力狂欢与能源可持续之间找到平衡点，将是摆在全行业面前的一道必答题。

分类：科技 标签：iPhone 18 Pro、A20 Pro、端侧AI、大模型 随着端侧人工智能技术的飞速发展，智能手机正在演变为真正意义上的个人 AI 计算中心。在最新的硬件实测中，搭载 A20 Pro 芯片的 iPhone 18 Pro 展现出了惊人的本地大模型处理能力，成功将手机端侧 AI 性能推向了全新高度。 A20 Pro：双 16 核神经网络引擎的暴力美学 苹果最新的 A20 Pro 芯片在 Apple Silicon 发展史上首次搭载了双 16 核神经网络引擎（Neural Engine）。这一专为处理高强度人工智能运算负载打造的硬件模块，其计算性能全面超越了以往的所有移动端 SoC。 在硬件规格上，iPhone 18 Pro 与 iPhone 18 Pro Max 均配备了 12GB 的 LPDDR5X 内存（96 位位宽），配合高达 115.2GB/s 的统一内存带宽，为本地运行庞大 AI 模型提供了坚实的硬件基础。实测表明，在神经网络专用任务下，A20 Pro 的双 16 核神经网络引擎峰值吞吐性能甚至超越了芯片内部的 7 核 GPU。 实测表现：本地驾驭 270 亿参数模型 海外数码爱好者近期在 iPhone 18 Pro 上进行了直观的端侧 AI 压力测试，成功运行了体量达到 270 亿参数的 Bonsai-27B 模型。 ...

分类：AI动态 标签：具身智能、大模型、机器人、开源项目 在当前的具身智能浪潮中，大模型让机器人学会了看懂环境并听懂指令。然而，大多数机器人依然停留在“执行预定动作”的阶段，面对复杂的现实世界，它们往往缺乏因果理解与持续学习的能力。 最近，乐享科技推出了一项颇具挑战性的技术主张：其具身智能模型“以太”（Aether）大模型能够在部署和执行过程中持续更新，并将其概括为全球首个能“自进化”的具身智能模型。这一概念引发了行业的广泛讨论：机器人的“自进化”究竟是噱头，还是具身智能通往下一阶段的必经之路？ 一、 从模仿动作走向理解世界 过去几年，具身智能的主流路线是将视觉、语言和动作串联起来（VLA），让机器人接收任务后直接输出动作。这种路线虽然能借助大规模数据学习人类示范，但存在一个根本限制：它擅长回答“下一步做什么”，却未必理解“为什么要这样做”。 真实世界充满了接触力、摩擦、滑动、遮挡和物体形变。画面上“看起来合理”的动作，与身体上“真的做得到”之间，往往存在巨大鸿沟。 乐享科技的“以太”大模型并没有将重点放在单纯的动作预测上，而是将其视为一个由世界状态、内部状态和能量状态耦合而成的动力系统： 能量驱动的状态转移：系统内部贯穿了一张评价地形（landscape），用来衡量哪些状态值得靠近、哪些应该舍弃，以及接下来应该把计算和注意力放在哪里。 主动感知意图：感知不再是被动接收画面，而是带着问题寻找答案。为了继续行动，机器人会主动改变观察位置来消除不确定性。 这种从模仿动作到理解行动后果的转变，为“自进化”奠定了基础。 二、 自进化是一套严密的闭环机制 “自进化”不能只是一句口号，它必须回答三个核心问题：机器人能否发现偏差？能否判断哪些经验值得留下？能否将经验迁移到新场景？ 乐享科技给出的解法是一套完整的闭环机制： 预测误差修正：机器人在行动前形成预测，执行后观察结果。如果现实与预测不符，系统会更新内部状态并重新规划，这个过程伴随着每一次行动持续发生。 错题本与分层记忆：在线学习最大的风险是把偶然扰动当成规律。以太模型通过分层记忆来规避风险：短期经验用完即清，而经过反复验证、具备泛化能力的规律则会被筛选并沉淀，甚至影响模型权重。 跨本体迁移与一脑多形：目前该模型已经在双臂、双足和轮式等约五家不同形态的机器人上积累经验。通过自主探索认知不同本体的关节限位与性能差异，模型实现了软硬件的解耦与适配。 三、 具身智能的 Next Level 如果机器人能够通过每一次实际行动校准对世界的理解，并在反馈中沉淀出可迁移的规律，那么它将不再只是被动执行指令的自动化机器，而是具备了某种“生长性”。 当然，“自进化”的概念仍需接受更多严苛测试的检验：泛化能力能跨越多大差异？学习可以持续多久？长期运行后旧能力是否会退化？ 但毫无疑问，乐享科技的探索把行业的问题向前推了一大步。衡量机器人的标准，或许将不再只是“它现在会做什么”，还要加上一句：“它做完之后学会了什么？”当机器人真正能够在世界中持续获得经验，具身智能的真正变革或许才刚刚开始。

分类：AI动态 标签：人工智能、大模型、开源项目、Agent 天文观测，或许是最容易让普通人产生浪漫想象的一类科学。巨大的穹顶缓缓打开，镜筒转向几亿光年之外，一束跨越宇宙深处的微光落在探测器上，向人类诉说着超新星、伽马暴和中子星合并的秘密。 但当浪漫落地为日常的天文望远镜操作时，往往变得琐碎而辛苦。冬季漫长的黑夜里，值班人员需要彻夜守候，盯紧目标位置、天气与设备状态，调参数、排任务。更让人头疼的是瞬变观测：超新星等事件无法提前推算，其亮度和光谱在爆发初期会快速变化，科研团队发现越早、跟得越快，留下的观测数据才越完整。 面对这种「天上掉馅饼」却转瞬即逝的机遇，传统的人工调度显得捉襟见肘。今年，国家天文台科研团队在千问办公的协助下，做了一次将 AI Agent 引入天文观测的全新尝试。 01 自动望远镜已经发展了几十年，为什么还需要 Agent？ 望远镜自动化并不是大模型时代才出现的技术。简单来说，它可以分为三个阶段：发现异常、分析异常和资源调度。 在资源调度方面，全球机器人望远镜网络已经能够根据目标可见性、天气和设备状态自动安排任务。而在发现异常方面，新一代巡天望远镜每天能产生海量的科学告警。然而，一个新的问题随之出现：候选数量随巡天能力迅速增长，适合做后随观测的望远镜时间却始终有限。 面对海量异常，到底选哪一个跟踪、在有限时间里用哪台设备跟踪，判断的代价并没有同步下降。 为此，国家天文台团队自 2025 年起尝试引入 AI。由银河系三维结构组与兴隆观测基地合作开发的星语望远镜（StarWhisper Telescope）以千问为基础模型，将观测计划、望远镜控制和数据处理整合进同一套 Agent 框架中。这项工作还被列入了斯坦福大学《AI Index Report 2026》报告的 Science 章节，成为当年物理、天文、化学和材料科学领域的代表性 AI Agent。 尽管固定工作流能够串联模型与接口，但在真实观测现场，波段选择、曝光时长、突发高价值目标的处理等参数仍需人工不断调整。当团队试图让 Agent 深入设备端时，却遇到了一个无法绕过的问题：真实望远镜根本经不起反复试错的折腾。 02 先造一台可以反复试错的仿真望远镜 国际主流地面光学望远镜运行成本高昂，且承担着繁重的科研任务，绝不可能腾出时间让 Agent 反复尝试各种失败策略。 为此，在千问办公的协助下，国家天文台科研团队先为 Agent 准备了一台仿真望远镜。过去开发一套专业仿真系统往往需要数月时间和数万元成本，而千问办公将这段过程压缩到了 3 天左右。 这套仿真系统不仅跑通了从候选识别、可见性计算、天气与设备状态读取到生成观测计划的数据链，还通过 Model Context Protocol（MCP）调用仿真设备完成模拟指向与曝光。通过在仿真中演练各种可能的天文环境变量与调度策略，研究人员可以提前比对不同方案的优劣，攻克现实中难以重复制造的多目标竞争与设备故障难题。 03 让一颗候选成为一个观测对象 仿真解决了策略演练的问题，而真实瞬变链路则要解决机会出现时的响应效率。 在千问办公的 Harness 框架中，模型首先输出候选信息，专业程序计算可见性，天气和设备状态被实时读入，相关工具通过 MCP 接入 Agent。定时任务持续检查结果，Agent 进而生成后随方案，并通过消息系统通知科研人员触发下一步操作。 目前，这套 Agent 框架已接入「司天」探路者和原型机，并成功预警约 8 颗极早期超新星候选，其中 2 颗在天气条件允许时触发了后续观测。这不仅彻底改变了过去逐项人工排查的线性流程，也为我国面向时域天文学的大型分布式巡天望远镜阵列项目——**「司天」工程（GOTTA）**未来的百台望远镜协同调度打下了坚实基础。 04 尾声 一边是几亿光年之外的恒星爆发，一边是企业级 AI Agent。 过去，我们很难将这两者联系起来。但本质上，无论是日常办公还是尖端科研，人类被消耗掉最多的时间，都是在不同系统间传递信息、调整参数和重新对接流程。 当一束光跨越几万年、几百万年甚至更久抵达地球，留给人类的观测时间窗口往往只有昂贵且不可逆的几个小时。在宇宙的尺度下，哪怕将决策过程加速 1 分钟，也弥足珍贵。

分类：科技 标签：RISC-V、英伟达、GPU、硬件架构 当我们在讨论英伟达 GPU 时，往往聚焦于其强大的 AI 算力、CUDA 核心或是光线追踪性能。然而鲜为人知的是，在庞大的图形与 AI 计算背后，有一支庞大的“幕后军团”正在默默维持着芯片的运转。 数据表明，英伟达在 2024 年的产品线中总共使用了超过 10 亿个 RISC-V 核心。这些核心并不参与直接的图形渲染，而是作为微控制器（MCU），在 GPU 内部处理各类繁杂的辅助任务。根据芯片型号的不同，每个现代英伟达 GPU 内部实际上集成了 10 到 40 个不等的 RISC-V 核心。 从私有走向开源：Falcon 的退场 在全面拥抱 RISC-V 架构之前，英伟达长期依赖自家的私有微控制器架构，也就是被称为 FAst Logic CONtroller（简称 Falcon）的引擎。 历史回溯：Falcon 最早于 2005 年伴随 G98 芯片问世。 规模巅峰：到 2016 年左右，单颗 GPU 芯片集成的 Falcon 引擎数量已经超过了 15 个。在长达十年的时间里，英伟达累计使用的 Falcon 核心总数达到了惊人的 30 亿个。 主要职责：这些核心在幕后处理视频编解码、电源管理、安全引擎等关键任务。 为什么选择 RISC-V？ 随着技术演进，传统的 Falcon 架构逐渐显现出局限性。它本质上是一个 32 位核心，且缺乏现代计算不可或缺的数据缓存机制，已经无法满足英伟达日益复杂的芯片管理需求。 为了寻找更强大、更具扩展性的替代方案，英伟达对市场上的主流架构进行了全面评估，其中包括 Arm 和 MIPS 等。最终，英伟达将目光投向了开放、灵活且生态蓬勃发展的开源指令集架构——RISC-V。 总结 从早期的私有 Falcon 到如今无处不在的开源 RISC-V，英伟达的硬件设计哲学正在悄然发生变化。这些隐藏在 GPU 内部的几十个 RISC-V 微控制器，虽然不常出现在消费者的视野中，却是确保显卡高效、安全、稳定运行不可或缺的中坚力量。这也从侧面证明了 RISC-V 架构在现代高性能计算芯片中的成熟度与可靠性。