快科技9月14日消息，据报道，微软Azure硬件系统与基础设施总裁Rani Borkar近日表示，单纯增加存储芯片产能无法解决AI基础设施的瓶颈。她批评道："存储不应被视为供应或组件问题，本质上是系统问题。"
Borkar指出，AI推理模型越来越大、对话上下文越来越长，存储与电力正成为比计算芯片更难绕开的硬限制。许多AI系统由多层架构组成，受限于数据传输延迟与带宽限制，系统往往仅能发挥约20%的实际性能。
她提出的解决路径是"从芯片到系统"的跨层协同设计，涵盖模型、编译器、芯片、网络到供电的联合优化。目标是在相同存储容量与电力条件下，让更多计算资源持续工作并产出更多token。
以微软自研AI加速器Maia 200为例，Borkar表示微软并非只靠增加存储容量处理瓶颈。Maia 200采用台积电3nm工艺，搭载216GB HBM3e高带宽内存，同时从模型压缩、数据科学与架构设计三方面降低KV Cache需求。
网络方面，微软采用双层Scale-up网络，将网络接口控制器直接整合进芯片，搭配定制化传输层。此举降低延迟的同时减少昂贵加速器因拥塞、故障恢复或配置不当而闲置。
电力端同样面临巨变。AI机柜功耗已从数十千瓦升至数百千瓦，数据中心园区以吉瓦规模规划。微软导入固态变压器与800V直流供电架构，并将精细电压与时钟控制器直接整合至Cobalt 200的每个核心内。
Borkar强调，没有任何一项创新能单独消除瓶颈，但放在一起就能大幅提高相同存储资源所交付的成果。微软提出的"有效产出"新指标，正将AI基建竞争从堆砌芯片数量转向系统级效率比拼。
AI“货币化困境”：ChatGPT收入增长停滞，微软Github Copilot收10元倒赔20元
AI领域正面临严峻的“货币化困境”，ChatGPT收入增长停滞、微软GitHub Copilot“收10元赔20元”等现象，揭示了生成式AI在商业化过程中成本高企、用户留存率低、价值证明困难等核心问题。以下从具体案例、成本结构、用户行为和市场趋势四个维度展开分析：
一、ChatGPT：收入增长停滞，流量连续下滑 二、GitHub Copilot：客户越多，亏损越大 三、用户留存率低，AI未成“必需品” 四、市场趋势：泡沫消退，行业面临洗牌 核心矛盾：技术潜力与商业现实的脱节生成式AI的困境源于技术成熟度与商业化节奏的错配：
未来突破口或在于：
当前，AI行业正从“技术狂欢”转向“价值验证”阶段，能否跨越货币化鸿沟，将决定其是昙花一现还是持续进化。
微软AI公开折磨微软员工，修Bug唯一贡献是改了PR标题，GitHub评论区成吃瓜现场
微软AI Copilot在 Runtime项目中尝试修Bug引发围观，表现不佳
近日，微软著名的开源项目 Runtime的GitHub评论区成为了全球程序员的吃瓜现场。 原因竟是微软新推出的Copilot代码智能体在尝试自动修复Bug时，表现不尽如人意，甚至引发了众多程序员的嘲笑和质疑。
一、Copilot修Bug越帮越乱
事情起因于一个正则表达式的小问题，被分配给微软员工斯蒂芬（Stephen）和Copilot合作解决。 Copilot在方案描述中虽然头头是道，但提交的代码直接检查不通过，报错信息一长串。 最终，Copilot唯一的“贡献”竟是改了Pull Request（PR）的标题，这一行为被网友戏称为“学会摸鱼的精髓”。
斯蒂芬老哥在请Copilot修复样式问题并把测试挪到之前的文件中后，Copilot的回复却让人大跌眼镜。 它不仅没有成功修复问题，反而导致许多正则表达式测试失败。 这一PR迅速引起了程序员们的注意，几百人点了“好笑”。
二、AI闯祸还得AI自己收拾
面对自己闯下的祸，Copilot尝试修复错误，并总结到“最初的修复方案过于激进”。 然而，这位先进的AI智能体却被更原始的程序Bot打脸，提示“此操作被取消，后续步骤可能不包含预期的日志”。
围观的网友对此纷纷发表评论，有人认为“与其让真人花时间编写无法运行的代码，不如让计算机自己去编写无法运行的代码，至少提高了写无效代码的效率”。 最终，这条PR被斯蒂芬手动关闭，他认为是由于配置问题，智能体无法访问所需的依赖项。
三、AI修Bug，没修好还狡辩
在另一个有关正则表达式的PR中，bug是由于堆栈回溯时数组越界出现异常。 Copilot给出的方案是添加一个边界检查，当超出数组长度时返回“不匹配”，避免抛出异常。 然而，这一方案被斯蒂芬评价为“治标不治本”，没有解决根本问题。
当斯蒂芬指出新的问题时，Copilot不仅没有给出新的解决方案，反而说了一大套理由论证自己的方案已经有效解决了问题，还是“优雅地”。 这一行为让斯蒂芬也无法说服AI，只能继续指出新的问题。
四、微软员工回应：不是强制性要求
面对Copilot的糟糕表现，围观的程序员开始思考这对于整个行业来说意味着什么。 有人结合微软刚刚大裁员3%，并披露公司20%-30%的代码由AI生成的消息，怀疑Copilot就是用来替代被裁掉的6000人的。
然而，斯蒂芬回应称，使用Copilot不是公司强制性的要求，团队一直在实验AI工具以了解在当前和未来的局限性。 他认为，任何不考虑如何利用这些AI工具的人，将来都会被淘汰。
五、Copilot目前仅能辅助代码审核
在整个运行时代码库中，Copilot自动修Bug成功合并代码的案例寥寥无几，且都是合作的人类程序员反复提示修改后才成功。 不过，Copilot在辅助代码审核方面表现较为顺利，基本都成功了。
这一结果表明，目前Copilot智能体主要还是能胜任自动补全、总结代码内容等辅助性工作。 而真正修Bug的任务，还得靠人类程序员来完成。
综上所述，微软AI Copilot在尝试自动修复 Runtime项目中的Bug时，表现并不理想。 虽然AI技术在不断发展，但在某些领域和场景下，人类的专业知识和经验仍然是不可或缺的。 因此，在利用AI技术的同时，我们也需要保持理性和审慎的态度。
全球AI算力对比，美国占69%，中国仅15%，差距巨大， 形势严峻？
全球AI算力对比中，美国占69%（68.9%），中国仅15%（14.5%），但算力差距不直接等同于AI实力差距，中国AI发展形势并非完全严峻，仍有破局路径。
算力占比的差距是事实，但远非终局。 历史上日本半导体、欧洲3G技术都曾领先，但最终因架构创新、标准更新等原因被超越。 AI竞赛的本质是有效智能的可持续生产，而非算力军备竞赛。 当中国团队用算法补偿硬件时，硅谷的算力霸权正出现裂缝，中国“低算力高智能”模式或将成为全球AI效率的新范式。