中国DFSX提供两倍于NVIDIA GB200的内存带宽

# 中国DFSX以14nm SuperNode提供2倍于NVIDIA GB200 NVL72系统的内存带宽，省去微凸块打造垂直计算-存储塔 来源：https://wccftech.com/chinas-dfsx-offers-2x-the-memory-bandwidth-of-nvidias-gb200-nvl72-system-with-a-14nm-supernode-that-skips-microbumps-for-vertical-compute-memory-towers/ 中国的东方算芯（DFSX）正在努力证明，内存带宽——而非对制程微缩的执念——才是为AI工作负载解锁可观规模经济的关键，其DF1000以及即将推出的DF2000芯片就是最好的证明，这些芯片通常以TY64 SuperNode形式排列，与NVIDIA的GB200 NVL72系统一较高下。 ## 由14nm DF2000芯片组成的DFSX TY64 SuperNode将提供960TB/s的内存带宽，而NVIDIA GB200 NVL72系统仅为576TB/s 为了让可能不了解情况的读者明白，DFSX的DF1000芯片采用成熟的14nm制程制造，但搭载了一种新颖的[3D近存计算架构](https://www.chinadaily.com.cn/a/202607/28/WS6a6802f4a310986e2b4679f3.html)，其中内存直接堆叠在计算层之上，并通过3D晶圆级混合键合连接，将两层的铜互连通道融合在一起，完全省去了微凸块或导线，如同数千万部超快垂直电梯，而非一条水平高速公路。 相比之下，预计将于2026年第四季度在14nm节点上推出的DF2000芯片更进一步。DF2000并非仅在计算层之上堆叠单一内存层，而是将多个堆叠式内存-计算塔并排组合在基座之上，DFSX称之为3.5D Infinity Chiplet布局。该芯片本质上是采用定制工程化的[3D动态随机存取存储器（DRAM）](https://wccftech.com/china-develops-first-3-5d-infinity-chiplet-3d-dram-tech-as-it-tackles-external-constraints/)布局取代基本存储层，大幅增加了可直接容纳在其结构内部的临时数据量。 > DFSX芯片长什么样？这里展示了3D混合键合方法如何有效提升推理速度。DF2000采用多个逻辑芯粒+多层DRAM，今年即可实现1.6T互连+15TB/s内存带宽，以及1000T BF16算力。pic.twitter.com/Ly3Ou82vdm (https://t.co/Ly3Ou82vdm) > — tphuang (@tphuang) 2026年8月1日 (https://x.com/tphuang/status/2083643170525528440?ref_src=twsrc%5Etfw) 基本上，DFSX正在尝试解决AI工作负载中一个长期存在的问题：GPU大部分时间都在等待数据从内存层到达，因而处于空闲状态。DFSX认为，内存墙——而非制程微缩——才是这里最大的瓶颈。 现在，我们有了支持这些主张的数据。例如，每颗DF2000芯片提供15TB/s的带宽。当以TY64 SuperNode形式堆叠时，总内存带宽增加到960TB/s。相比之下，NVIDIA的GB200 NVL72系统仅提供[576TB/s](https://www.nvidia.com/en-us/data-center/gb200-nvl72/)的总内存带宽！ 当然，当人们查看各自的BF16性能时，4nm芯片与14nm芯片之间的差异显而易见：基于DF2000的TY64 SuperNode提供64 PFLOPS的BF16算力，而GB200 NVL72系统则为[360 PFLOPS](https://polarise.eu/ai-factories/hw/gb200/)。但DFSX押注其2倍的内存带宽能够弥补基于DF2000的TY SuperNode在原始算力上的任何不足。 > 随着旗舰大语言模型不断变大，主要的吞吐量限制因素早已从单芯片算力转向系统集成、内存容量、内存带宽、互连速度及其周边所有供应链环节。这是"为什么FLOPS是错误的"多线程系列的开端...https://t.co/95h6Ri2B76pic.twitter.com/NEudRMbV5J (https://t.co/NEudRMbV5J) > — tphuang (@tphuang) 2026年8月1日 (https://x.com/tphuang/status/2083639895193534579?ref_src=twsrc%5Etfw) 基本上，DFSX认为在AI工作负载方面，FLOPS是一个错误的关注指标，内存吞吐量才是最重要的指标。请注意，DF3000芯片预计将提供20TB/s的内存带宽，以TY64 SuperNode形式排列时可达1,280TB/s。与此同时，NVIDIA的Vera Rubin NVL72系统提供的总内存带宽为[1,580TB/s](https://lambda.ai/vr-200)，仅比基于DF3000的TY64 SuperNode高出23%。 [Rohail Saleem照片](https://wccftech.com/author/rohail/) **关于作者 (https://wccftech.com/author/rohail/)：**写作是我不可动摇的热爱。在过去的六年里，他撰写了超过2,200篇关于金融和科技主题的独立文章，总字数接近100万。自2025年以来，他一直担任[Wccftech移动设备](https://wccftech.com/topic/gadgets/)团队的成员。作为多伦多大学罗特曼商学院项目的校友，我为所报道的每一个话题都带来细致入微的见解、深入的知识和独特的视角。当我不写作时，我会环游世界，作为一名有抱负的美食鉴赏家探索隐藏的糖果店和餐厅。 [在Google上关注Wccftech](https://profile.google.com/cp/Cg0vZy8xMWM3NDB2MmIyGgA)，获取更多我们推送的新闻报道。