Marvin Lee

AI and Amoeba, Fighting Together — Learning intelligence and mediating intelligence — AI 与变形虫并肩作战:学习智能与中介智能

Masashi Aono(AMOEBA ENERGY)'Lab to Fab' 系列第四篇。区分'让个体变聪明的学习智能'(AI/深度学习/Physical AI)与'让众多个体在共享资源上同时成立的中介智能'(变形虫优化引擎),论证半导体 gigafab 的相变——从靠缓冲吸收不确定性的防御系统,转向靠可预测性与实时重调度同步整厂的进攻系统。TSMC 2nm 单晶圆 ~3 万美元、单制程代年产值数百亿美元,整厂流量提升 1% 即可达数亿美元/年量级。英文原文(Medium 公开全文,无付费墙)+ 中文深度解读。

From GPT-2 to Kimi K3, Explained — 从 GPT-2 到 Kimi K3:注意力架构演进全解(中文翻译 + 模块化解读)

本地文档《From GPT2.0 to Kimi3.0, Explained》技术 worklog 的中文翻译与模块化解读:从 GPT-2 (124M) 到 Kimi K3 (2.8T,22,580×) 的注意力架构演进——线性注意力、DeltaNet、Gated DeltaNet、Kimi Linear(KDA)、MLA/MoE/AttnRes/SiTU。含 23 张架构/公式配图,已全部本地化嵌入,原文与译文均未遗漏。

Advanced Packaging Co-Design: The Thermodynamic and Mechanical Constraints of High Power GPUs — 先进封装协同设计:高功耗 GPU 的热力学与力学约束

Silicon Code (Chad) 从 ECTC 2026 与《Hybrid Bonding, Advanced Substrates...》一书出发,拆解高功耗 GPU 先进封装协同设计所需的热力学与力学第一性原理:三种传热机制、热阻欧姆类比、应力-应变、CTE 失配与翘曲。英文原文(免费段,含 Figure 1–6)+ 中文深度解读。付费段(翘曲三大来源/四种失效模式/耦合建模/缓解方案)未含。

CPO's Biggest Bottleneck Is Not Optics—It Is High-Volume Testing — CPO 的最大瓶颈不是光学,是量产测试

TSPA Semiconductor 深度分析:当 CPO 从实验室走向量产,真正的瓶颈不是光子芯片设计、不是封装,而是能否建立可重复、自动化、标准化、经济可行的光电混合测试体系。Advantest 在 SEMICON Taiwan 2025 的演讲指出了硅光/CPO 量产测试的四大关键方向与三大缺口。英文原文 + 中文深度解读。