AI基础设施的竞赛，正在从”堆GPU”转向”拼连接”。当所有人盯着英伟达的算力数字时，Meta悄悄解决了一个更棘手的问题：如何让近1000个AI GPU像一台机器那样协同工作。而帮它捅破这层窗户纸的，不是英特尔，不是AMD，而是一家韩国小型芯片初创公司——Panmnesia。
这件事的意义，远比表面看起来要大。
**一、GPU越多，越像一群聋子开会**
大模型训练的本质，是让成千上万个计算单元同时读写同一批数据。问题是，GPU之间的通信带宽和延迟，远远跟不上算力增长的速度。你把1000个GPU塞进一个数据中心，它们并不能自动变成一个”超级GPU”。相反，每个GPU都在自己的内存里打转，等待数据搬运的时间可能远超实际计算时间。
这就是AI基础设施的”扩展墙”：算力可以线性堆叠，但内存和互联是非线性的。传统做法是用NVLink或InfiniBand把GPU连起来，但这些都是”设备到设备”的点对点方案，连接数一多，拓扑复杂度指数级上升。Meta想要的，是在一个连贯的数据中心域内运行近1000个AI GPU——这相当于让一千个大脑共享同一套记忆，而不是各自背着自己的小本子。
**二、CXL：被低估的”内存语义”革命**
Panmnesia给出的答案，是CXL。全称Compute Express Link，一种建立在PCIe物理层之上的高速互联协议。它的核心突破在于”内存语义”：设备之间不仅能传数据，还能直接互相读写内存，就像访问自己的本地内存一样。
这听起来很技术，但打个比方就清楚了。传统互联像打电话：你说一句，对方听一句，说完挂断。CXL像共享文档：所有人同时看到同一份内容，谁改了立刻生效。当1000个GPU共享一个内存池时，数据不再需要反复拷贝，延迟大幅下降，带宽利用率飙升。
Meta的算力集群之所以卡在”连贯域”这个门槛上，就是因为传统方案做不到让这么多加速器共享同一片内存空间。Panmnesia的CXL设计，跨多个机架连接CPU、加速器和内存，把加速器协调能力从两个设备扩展到每个……十六个。注意这个数字：16。它不是简单的数量增加，而是拓扑结构的质变。两个设备之间是”连线”，十六个设备之间是”网络”。网络的价值，随节点数呈平方级增长。
**三、小公司撬动大难题，说明什么？**
Panmnesia是一家韩国初创公司，名气远不如英伟达或博通。但恰恰是这种小公司，在CXL这种”底层协议”上做出了突破。这揭示了一个被忽视的趋势：AI基础设施的瓶颈，正在从”芯片制造”转向”系统架构”。
英伟达的GPU再强，也得靠互联才能组成集群。而互联协议的设计，不需要3纳米光刻机，不需要千亿美元资本开支，它需要的是对内存层级、缓存一致性、拓扑优化的深刻理解。这是架构师的战场，不是晶圆厂的战场。韩国在存储芯片上的积累，加上CXL的开源生态，给了小公司弯道超车的机会。
更重要的是，Meta选择与Panmnesia合作，而不是自己从头研发，说明即便是全球最大的AI玩家，也无法在每一个技术栈上都自给自足。AI基础设施正在变成一套”乐高积木”：英伟达提供算力块，Panmnesia提供连接块，Meta负责拼装。谁能定义连接的标准，谁就掌握了生态的钥匙。
**四、1000个GPU的”连贯域”，意味着什么？**
如果Meta真的实现了近1000个GPU在一个连贯域内运行，那它训练大模型的效率将不再受限于单机柜的物理边界。模型可以更大，并行度可以更高，故障恢复可以更快。更重要的是，这种架构让”内存池化”成为可能：空闲GPU的内存可以被其他GPU借用，整体利用率从60%提升到90%以上。
这不仅仅是技术优化，而是商业模式的改变。当算力利用率提升50%，训练成本就下降三分之一。在AI军备竞赛中，成本优势就是生存优势。
**五、真正的战争，在协议层**
大多数人关注AI，看的是模型参数、 benchmark分数、融资新闻。但真正的战争，发生在协议层。CXL、UEC、NVLink、UALink——这些拗口的缩写，决定了未来十年AI基础设施的形态。Panmnesia帮Meta解决的问题，本质上是”如何让一千个GPU说同一种语言”。
语言通了，协作才成为可能。而协作的效率，才是AI scaling law能否继续延伸的关键。当芯片制程逼近物理极限，当电力供应成为数据中心的天花板，唯一还能指数级增长的，就是互联的智慧。
这家韩国小公司捅破的，不只是Meta的技术死结，更是整个行业对”扩展”的认知边界。下一次你看到某个AI模型刷新纪录时，不妨想一想：背后可能有一张看不见的网，正把成千上万个GPU缝合成一个大脑。而织网的人，未必是站在聚光灯下的那个。
**评价引导：你觉得AI基础设施的下一步突破，会来自芯片本身，还是来自连接芯片的协议？欢迎在评论区聊聊你的看法。**