谷歌“封神”论文变“学术塌房”？AI Infra周报：一篇论文蒸发900亿市值，还带崩了存储股
AI Infra 周刊｜第 1 期
2026.03.28–04.03
算力·芯片·集群·数据中心·网络·工程效率
一、全球巨头算力军备竞赛
- 03.28 | 微软接管OpenAI德州数据中心项目
微软正式接手OpenAI放弃的超大规模AI数据中心，该项目位于美国德克萨斯州奥斯汀市，原本由OpenAI牵头规划建设，因算力布局调整主动放弃。此次接手后，微软将投入额外资金升级数据中心硬件配置，重点支撑OpenAI GPT-5模型训练与Azure云全球推理服务，后续将逐步扩容至10吉瓦供电规模，适配千亿、万亿参数大模型的规模化部署需求，进一步巩固自身在全球AI算力领域的领先布局优势。
📘 Infra 小科普
巨头接手同类项目，核心是快速补齐算力布局短板，避免基础设施重复建设，同时绑定核心合作伙伴（如OpenAI），实现算力资源与模型生态的双向赋能。
- 03.30 | Mistral AI获8.3亿美元债务融资，加码欧洲算力布局
欧洲AI独角兽Mistral AI获得由高盛牵头的8.3亿美元债务融资，融资资金将全部用于采购1.38万块英伟达GB300芯片，在巴黎近郊建设大型AI数据中心，该中心规划供电规模达1.2吉瓦，计划2026年二季度正式投运。此举旨在争夺欧洲区域算力话语权，降低对美系云厂商的算力依赖，同时为Mistral Large 2模型的迭代与商业化落地提供专属算力支撑，预计投运后可满足欧洲超30%的中小企业AI推理算力需求。
📘 Infra 小科普
债务融资是AI初创企业采购高端GPU、搭建算力基础设施的常用方式，可缓解现金流压力，快速完成算力储备，适配大模型迭代与商业化落地需求。
- 04.01 | 微软计划2026-2029年投入55亿美元扩建全球 AI 数据中心
微软计划在2026至2029年间投资55亿美元扩展新加坡的云计算和人工智能基础设施。该投资包括为超20万名高等教育学生提供免费Microsoft 365 Premium和Copilot访问权限，推出多项教育和培训计划。微软还将在新加坡设立研究实验室，专注开发医疗、金融和物流等关键领域的AI应用，并与新加坡保健集团合作开发精准医疗AI能力，助力新加坡巩固全球数字中心地位。
📘 Infra 小科普
AI 数据中心与传统数据中心核心差异：单机柜功率更高、互联带宽更大、GPU/TPU 占比极高，更像“专用超算工厂”。
二、芯片与硬件基础设施
- 04.03 | 韩国FuriosaAI量产RNGD推理芯片
韩国AI芯片企业FuriosaAI宣布，旗下RNGD推理芯片正式量产，该芯片采用7纳米工艺，主打高性价比AI推理场景，单卡功耗仅150W，其能效为英伟达RTX Pro 6000的2.2–7.4倍，支持多模型混部与动态算力调度。2026年产能计划达2万颗，主要面向终端设备、中小规模AI集群客户，定价仅为同性能英伟达芯片的60%，可有效降低中小厂商的算力部署成本，填补终端、中小集群的推理算力缺口。
📘 Infra 小科普
推理芯片的核心竞争力在于“能效比”，高性价比推理芯片可降低中小厂商的算力部署成本，填补终端、中小集群的推理算力缺口，推动AI推理场景的规模化落地。
三、网络与高速互联
- 03.31 | 英伟达20亿美元投资Marvell，推进CPO硅光子技术
英伟达宣布投资20亿美元与Marvell达成战略合作，双方将围绕NVLink Fusion平台联合开发硅光子技术（CPO核心），重点突破1.6T硅光模块封装与高速互联技术，大幅提升数据中心内部带宽，将单链路带宽提升至1.6Tbps，破解大模型分布式训练中的数据传输瓶颈。此次合作将为EB级算力集群的搭建奠定基础，适配万亿参数大模型分布式训练的高带宽需求，预计2027年实现该技术的规模化应用，可降低数据中心互联成本30%以上。
📘 Infra 小科普
CPO（共封装光学）技术是AI集群高速互联的核心，可将光模块与芯片封装在一起，减少信号损耗，提升传输带宽与效率，是下一代超大规模AI集群的标配技术。
四、AI 软件基础设施与工程效率
- 03.28 | 谷歌发布TurboQnt内存压缩技术
谷歌通过Google Research官方渠道发布TurboQnt内存压缩技术，该技术采用自适应无损压缩算法，可实现AI推理内存占用无损压缩6倍，在H100芯片上推理速度提升8倍，延迟降低40%。其核心优势是无需修改模型代码，可直接适配主流大模型框架，可推动千亿参数大模型在普通手机、边缘设备等终端本地运行，大幅提升AI工程部署效率，降低终端算力门槛，目前已开放技术开源接口，供行业厂商适配应用。
📘 Infra 小科普
内存压缩技术是推理侧工程效率优化的核心方向，可在不增加硬件投入的前提下，提升显存利用率，降低大模型部署成本，适配端侧、边缘侧等算力有限的场景。
五、AI Infra 重磅八卦
谷歌 TurboQuant 论文：封神 → 炸存储股 → 被指抄袭 → 学术塌房
03.28–03.29 | 谷歌 KV 量化论文引爆千亿市场，旋即陷入抄袭丑闻
-
03.28 技术发酵：谷歌 ICLR 2026 论文 TurboQuant 持续发酵，其宣称的“无损、免训练，KV 缓存压缩至 1/6、推理速度提升 8 倍”引发行业关注，此前 03.26 发布后已导致全球存储股震荡。
-
市场余波：美光、西部数据、SK 海力士等存储巨头市值仍在持续波动，累计蒸发超 900 亿美元，凸显 AI Infra 技术突破对资本市场的巨大影响。
-
03.29 持续反转：苏黎世联邦理工（ETH）华人博士后 高健扬 持续发声，补充证据证明谷歌团队刻意规避引用其 2024 年开源算法 RaBitQ，且实验数据存在刻意美化、无据贬低RaBitQ理论最优性的情况。
-
Infra 本质：KV 缓存优化是推理侧最核心内存/成本瓶颈，直接决定万卡集群规模、HBM 需求与云厂商成本结构，也是当前 AI Infra 竞争的核心赛道之一。
📘 八卦小科普
这篇论文本来是谷歌秀 AI Infra 降本神技，结果变成学术伦理大瓜，还带崩千亿市值，是 2026 年 AI Infra 最出圈、最有话题度的事件，也反映出推理侧 Infra 技术的竞争激烈程度。
六、本周 AI Infra 核心趋势
从本周新闻来看，AI Infra 领域呈现三大核心趋势：
-
大厂抢算力不拼规模了，主打区域深耕 + 绑定生态
微软一边接盘美国的算力中心支撑 OpenAI 大模型，一边砸钱布局新加坡的基建，还联动当地教育、医疗做落地；欧洲企业也自建算力中心，不想再依赖美国的云厂商。大厂的算力布局不再只追求建得大，而是盯着各个区域做深耕，还和当地生态、合作方绑在一起，让算力能真正服务于本地需求。 -
软硬件一起发力，核心就是让 AI 推理更省钱、门槛更低
硬件上出了高性价比的推理芯片，比如韩国这款芯片，能效比比英伟达高不少，价格还便宜 4 成，中小厂商用着更划算；软件上谷歌搞了内存压缩技术，不用额外加硬件，就能让大模型在普通手机、边缘设备上跑，推理的部署成本和门槛都降了。不管硬件还是软件，都是冲着推理侧的降本增效来的。 -
核心技术卡位成关键，高速互联和内存优化是两大重点
现在行业竞争不只是比谁买的硬件多，更是比谁能攻克核心技术。英伟达和伙伴联手搞高速互联技术，解决大模型训练时的数据传输慢问题，能支撑更大规模的算力集群；谷歌则聚焦内存优化，解决推理时的显存不够用难题。这两个技术一个决定了大模型训练的上限，一个决定了推理落地的效率，成了大家争抢的核心赛道。
七、一个 AI Infra 干货科普
KV Cache 到底是什么？为什么它是 AI 推理 Infra 的核心？
KV Cache，也就是键值缓存，是大模型推理环节中用来节约算力、降低延迟的关键底层组件，也是近期谷歌相关论文引发行业热议的核心议题。
简单来说，大模型在逐词生成文本时，会将每一个历史 token 对应的特征 Key 与语义信息 Value 临时缓存起来。当继续生成新 token 时，系统无需重复计算全部历史序列，直接复用缓存中的 KV 数据即可完成推理。
它的核心价值主要体现在两点：
-
一是显著降低推理延迟，避免大量重复计算，在长文本生成、多轮对话等场景下速度提升尤为明显；
-
二是有效节省算力资源，减轻 GPU 计算与显存压力，在一定程度上优化集群功耗与硬件投入成本。
也正因如此，谷歌 TurboQuant 论文才会在行业内引发强烈关注。该研究提出可将 KV Cache 实现近乎无损的 1/6 压缩，这意味着同等显存条件下，可支持更长文本序列或更高并发推理，直击当前 AI 推理最突出的显存瓶颈，对基础设施的成本优化具有重要意义。
顺带一提，KV Cache 本身就是当前推理端基础设施优化的核心方向。除了量化压缩，缓存复用、动态调度等技术也在持续落地，行业的共同目标都是在保证模型效果的前提下，进一步提升硬件效率、降低部署成本。
浙公网安备 33010602011771号