中國 DFSX 挑戰 NVIDIA AI 架構！14nm DF2000 靠 960TB/s 記憶體頻寬叫板 GB200 NVL72

中國 AI 晶片公司 Dongfang Suanxin（DFSX）近日公布其最新 AI 運算架構規劃，提出與 NVIDIA 完全不同的技術路線。DFSX 認為，限制大型 AI 模型效能的關鍵並非持續追求更先進的製程，而是如何突破記憶體頻寬瓶頸（Memory Wall），讓 GPU 或 AI 加速器能持續取得資料，而不是長時間等待記憶體傳輸。

DFSX 現有的 DF1000 晶片採用成熟的 14nm 製程製造，但導入獨特的 3D Near-Memory Compute（近記憶體運算）架構。不同於傳統 GPU 將運算核心與記憶體分離配置，DF1000 將 DRAM 直接堆疊於運算層上方，並利用 3D Wafer-Level Hybrid Bonding 技術直接連接上下兩層銅導線，完全省去傳統封裝中的 Microbumps 與導線。這種設計可建立大量垂直資料通道，大幅縮短資料移動距離，提高資料傳輸效率。

即將於 2026 年第四季推出的 DF2000，則在 DF1000 架構基礎上進一步升級。DFSX 不再只是堆疊單一記憶體層，而是採用名為 3.5D Infinity Chiplet Layout 的新架構，將多組運算與記憶體塔（Compute-Memory Towers）排列於同一基底上，同時搭配客製化的 3D DRAM 結構，使更多暫存資料能直接儲存在晶片內部，降低資料搬移成本。

DFSX 認為，目前大型語言模型與生成式 AI 的主要瓶頸並不是 GPU 算力不足，而是 GPU 經常因等待資料從記憶體傳輸而處於閒置狀態。因此，相較於持續追求更高 FLOPS，提升記憶體吞吐量才是未來 AI 基礎設施更重要的方向。

根據 DFSX 公布的規格，每顆 DF2000 可提供 15TB/s 的記憶體頻寬，若組成 TY64 SuperNode，整體頻寬可達 960TB/s，高於 NVIDIA GB200 NVL72 的 576TB/s，約提升 67%。

然而，在純運算能力方面，兩者仍存在明顯差距。DF2000 所組成的 TY64 SuperNode 可提供約 64 PFLOPS 的 BF16 算力，而 NVIDIA 採用 4nm 製程打造的 GB200 NVL72 則可達 360 PFLOPS，約為 DFSX 的 5.6 倍。DFSX 認為，高記憶體頻寬將有機會彌補部分算力落差，使整體 AI 工作負載維持較高效率。

DFSX 也透露下一代 DF3000 已在規劃中，每顆晶片預計可提供 20TB/s 的記憶體頻寬，若同樣組成 TY64 SuperNode，整體頻寬將提升至 1,280TB/s。作為對照，NVIDIA 下一代 Vera Rubin NVL72 系統預計可提供約 1,580TB/s 的總記憶體頻寬，僅比 DF3000 TY64 SuperNode 高約 23%。

整體而言，DFSX 正試圖建立一套不同於 NVIDIA 的 AI 晶片設計哲學，不以最先進製程為核心競爭力，而是透過近記憶體運算、3D Hybrid Bonding、3.5D Chiplet 與超高記憶體頻寬，改善 AI 系統在大型模型訓練與推論時的資料傳輸效率。未來這條技術路線是否能在實際 AI 工作負載中證明其優勢，仍有待 DF2000 正式上市後進一步驗證。