{"source":{"id":"2084996304099291210","title":"光抢GPU已经满足不了AI大厂了。 他们开始自己下场造底座。 Claude背后的开发商Anthropic正式确认，正在组…","url":"https://mubeitech.com/p/2084996304099291210"},"method":"semantic-similarity","count":5,"items":[{"rank":1,"id":"2058992279717920944","account":"mubei","brand":"@mubei","title":"亚马逊给出了最高 330 亿美元的支持。 谷歌的筹码高达 430 亿美元。 英伟达掏了 100 亿美元。 微软也出了 5…","summary":"亚马逊给出了最高 330 亿美元的支持。 谷歌的筹码高达 430 亿美元。 英伟达掏了 100 亿美元。 微软也出了 50 亿美元。 这四家巨头全在投资同一家 AI 公司，Anthropic。 但 Anthropic 没打算把命交给他们中的任何一个。 他们最新的动作，是去找微软谈…","body":"亚马逊给出了最高 330 亿美元的支持。\n谷歌的筹码高达 430 亿美元。\n英伟达掏了 100 亿美元。\n微软也出了 50 亿美元。\n这四家巨头全在投资同一家 AI 公司，Anthropic。\n\n但 Anthropic 没打算把命交给他们中的任何一个。\n他们最新的动作，是去找微软谈采用 Maia 芯片。\n\n把时间线拉开，你能看到一套严密的防御体系。\n他们早就和亚马逊深度绑定了 Trainium 芯片。\n四月份又和谷歌敲定了规模高达 3.5 GW 的 TPU 算力部署。\n同时，依然维持着对英伟达 GPU 的庞大需求。\n\n现在又拉微软的 Maia 入局。\n所有的动作都在服务于一个目标，定价权。\n在 AI 的算力军备竞赛里，一旦模型底层被单一硬件架构锁死，未来只有任人宰割的份。\n\nAnthropic 要求自己的模型架构必须在不同类型的芯片上都能跑出顶级性能。\n不管用 Trainium、TPU、GPU 还是 Maia，业务都能有效扩展。\n巨头们确实都用巨额支票买到了牌桌上的位置。\n但通过极致的硬件制衡，Anthropic 确保了没有任何一方能单独坐庄。","category":"其它","score":100,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-05-26 09:36:17","created_at":"2026-05-26T11:26:03.975297","url":"https://mubeitech.com/p/2058992279717920944","markdown_url":"https://mubeitech.com/p/2058992279717920944/markdown"},{"rank":2,"id":"2044468295957635392","account":"mubei","brand":"@mubei","title":"全球最强的三个AI大模型，有两个已经不用英伟达的芯片了。 Claude和Gemini的底层算力，全跑在谷歌的TPU上。…","summary":"全球最强的三个AI大模型，有两个已经不用英伟达的芯片了。 Claude和Gemini的底层算力，全跑在谷歌的TPU上。 英伟达的铁王座要塌？ 面对当面质疑，黄仁勋的回应狂到了极点。 “我不介意别人去试其他芯片。” “如果不去试，他们怎么会知道英伟达有多好？” 硬核的对决从来都靠数…","body":"全球最强的三个AI大模型，有两个已经不用英伟达的芯片了。\nClaude和Gemini的底层算力，全跑在谷歌的TPU上。\n\n英伟达的铁王座要塌？\n\n面对当面质疑，黄仁勋的回应狂到了极点。\n“我不介意别人去试其他芯片。”\n“如果不去试，他们怎么会知道英伟达有多好？”\n\n硬核的对决从来都靠数据说话。\n黄仁勋直接甩出战书。\n针对推理成本的基准测试工具全网开源。\n结果非常尴尬。\n谷歌的TPU不敢来跑分。\n亚马逊的Trainium不敢接战。\n对手在宣发时动辄吹嘘几十倍的性能优势。\n真到了比拼总体拥有成本（TCO）的公开场子，连个人影都看不见。\n\n近日Anthropic签下了博通和谷歌的巨额算力大单。\n外界惊呼大模型公司要摆脱英伟达的控制了。\n老黄直接泼下一盆冷水。\nAnthropic的转向是一个彻头彻尾的孤例。\n除开这单一客户，TPU和Trainium的市占率增长约等于零。\n连整天谋划自研芯片的OpenAI，基本盘依然被英伟达死死捏在手里。\n\n半导体行业最不缺的就是豪言壮语。\n每年都有无数个声称要推翻英伟达的项目胎死腹中。\n自研一款专用的ASIC芯片很容易。\n难的是性能真能打。\n最绝望的是挑战者面对着一家每年都在进行跨越式迭代的庞然大物。\n\n只要英伟达自己不犯下致命失误，现有的护城河根本跨不过去。\n算力霸权之争没有捷径。\n所有的颠覆者最后都得乖乖站到公开测试场上交答卷。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2044531593625178206","translated_status_id":"2044531593625178206","published_at":"2026-04-15 21:40:57","created_at":"2026-04-15T23:07:43.445918","url":"https://mubeitech.com/p/2044468295957635392","markdown_url":"https://mubeitech.com/p/2044468295957635392/markdown"},{"rank":3,"id":"2043052190982639797","account":"mubei","brand":"@mubei","title":"英伟达换一次半导体工艺，迁移三千个标准单元库曾经需要8个人干10个月。 现在单张GPU跑一夜就能搞定。 最终产出的功耗和…","summary":"英伟达换一次半导体工艺，迁移三千个标准单元库曾经需要8个人干10个月。 现在单张GPU跑一夜就能搞定。 最终产出的功耗和延迟数据，直接盖过人类工程师的图纸。 这家公司把过去三十年历代GPU的底层源码和绝密文档全盘喂给AI。 练出了一个专供内部的超级大脑ChipNeMo。 新手遇到…","body":"英伟达换一次半导体工艺，迁移三千个标准单元库曾经需要8个人干10个月。\n现在单张GPU跑一夜就能搞定。\n最终产出的功耗和延迟数据，直接盖过人类工程师的图纸。\n\n这家公司把过去三十年历代GPU的底层源码和绝密文档全盘喂给AI。\n练出了一个专供内部的超级大脑ChipNeMo。\n新手遇到不懂的底层原理直接找大模型连环追问。\n资深老手彻底从基础答疑里解放出来。\n连抓Bug、分析错误源头、给具体模块指派责任人的活，全由AI一手包办。\n\n进位先行链是一个从上世纪五十年代就被反复研究的底层难题。\n英伟达让强化学习程序像打街机游戏一样疯狂试错。\n它只要勉强满足时序底线，就把体积和功耗往死里压。\n最终系统吐出的架构图纸诡异至极。\n人类设计师根本画不出那种走线。\n测试台上的硬性指标硬生生比人工精调的方案高出30%。\n\n如今英伟达内部的AI群体已经在接管新架构的参数探索。\n首席科学家Bill Dally描绘了硬件制造的终局。\n开局甩给系统一句指令：去把下一代GPU设计出来。\n人类工程师直接去度假滑雪。\n几天后回来，拿着跑完验证流程的完美图纸找台积电流片。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2043630500820984119","translated_status_id":"2043630500820984119","published_at":"2026-04-13 09:10:37","created_at":"2026-04-13T10:24:46.914463","url":"https://mubeitech.com/p/2043052190982639797","markdown_url":"https://mubeitech.com/p/2043052190982639797/markdown"},{"rank":4,"id":"raw_15664e857d3b36ee","account":"mubei","brand":"@mubei","title":"Anthropic 一家做大模型的软件公司，正在把 15 个吉瓦（GW）的算力直接压给博通的专用芯片。 15 个吉瓦是什…","summary":"Anthropic 一家做大模型的软件公司，正在把 15 个吉瓦（GW）的算力直接压给博通的专用芯片。 15 个吉瓦是什么概念？ 相当于 15 座大型核电站机组的满负荷输出，或者整座纽约市在用电高峰时的全部电力负荷。 这家原本给谷歌和亚马逊做模型的软件实验室，2027 年要部署…","body":"Anthropic 一家做大模型的软件公司，正在把 15 个吉瓦（GW）的算力直接压给博通的专用芯片。\n15 个吉瓦是什么概念？\n相当于 15 座大型核电站机组的满负荷输出，或者整座纽约市在用电高峰时的全部电力负荷。\n这家原本给谷歌和亚马逊做模型的软件实验室，2027 年要部署 5 个吉瓦的 TPU v8i，2028 年还要再追加 10 个吉瓦。\n它将一举超过谷歌，变成博通全球最大的定制芯片客户。\n另一边的 OpenAI 也在干同一件事。\nOpenAI 自研的第一代推理专用芯片 Jalapeño 刚刚开始量产出货，2027 年要部署 1.3 个吉瓦，2028 年目标直接拉到 5 个吉瓦以上。\n华尔街大部分人还在盯着英伟达卖了多少张通用显卡。\n为什么两家最顶尖的模型公司，算力规模一旦冲到吉瓦级别，都不约而同绕开了英伟达？\n答案藏在半导体物理与电网配电的一条硬约束里：定制硅分流。\n算力扩张到了吉瓦这个量级，真正的瓶颈早就不是买芯片的预算，是变电站的审批和电网的物理承载力。\n电力成了限制智能扩张的硬天花板。\n英伟达的通用显卡为了兼顾各种科学计算、图形渲染和前沿算法探索，芯片上留了大量冗余电路、复杂的通用调度模块和高精度计算单元。\n这些通用设计，每分每秒都在耗电。\n但当模型架构在工业级推理场景下固定下来，每天要处理几十亿次请求时，那些为了通用性保留的电路就变成了纯粹的电力浪费。\n专用芯片做的事情，是把所有多余的电路全部砍掉。\n它把模型最核心的矩阵乘法和数据传输通道直接固化在硅片上。\n在固定的电力预算下，专用芯片的能效比可以达到通用显卡的 2 到 3 倍。\n同样是一座 5 吉瓦的数据中心，用专用芯片能跑出来的推理吞吐量，能翻上一倍到两倍。\n省下几十亿美元电费只是附带结果，更关键的是直接突破了电网给每个数据中心划定的功率死线。\n很多人会问：既然是自研芯片，为什么它们都要找博通？\n因为把数十万颗芯片连在一起，算力只占一半，另一半全在高速互联。\n芯片算得再快，数据如果卡在传输通道上，芯片就会在空转中白白烧电。\n博通手里握着全球顶级的 SerDes 高速接口技术、Tomahawk 交换机芯片和先进封装连接专利。\n模型公司负责出算法架构，博通负责把这些计算核心用极低延迟的高速通道绑成一个庞大的算力集群。\n这条路径让模型公司同时甩掉了两道枷锁：一道是第三方通用芯片 70% 以上的毛利溢价，另一道是公有云厂商层层加价的租赁成本。\n算力竞赛的底层规则已经变了。\n探索期买通用显卡找方向，规模化部署就必须走专用芯片抢电网。\n未来的顶级人工智能竞争，不看谁囤了更多显卡。\n看谁能把变电站输进来的每一瓦电力，以最高的效率换成智能。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2095429617913930059","translated_status_id":"2095429617913930059","published_at":"2026-09-03 10:27:47","created_at":"2026-09-03T10:27:47.421982","url":"https://mubeitech.com/p/raw_15664e857d3b36ee","markdown_url":"https://mubeitech.com/p/raw_15664e857d3b36ee/markdown"},{"rank":5,"id":"mb-20260831-98330a","account":"mubei","brand":"","title":"一家做大模型的软件公司，用 16 个月做出来的一块自研芯片，在推理能效上把 Nvidia 最强的 Blackwell 超","summary":"一家做大模型的软件公司，用 16 个月做出来的一块自研芯片，在推理能效上把 Nvidia 最强的 Blackwell 超","body":"一家做大模型的软件公司，用 16 个月做出来的一块自研芯片，在推理能效上把 Nvidia 最强的 Blackwell 超了。\n过去十年，整个算力工业都把黄仁勋的 CUDA 生态当成不可撼动的物理定律。\n硬件架构容易画，但数以万计由顶尖工程师手写的底层算子库，能把所有挑战者活活耗死。\n没有任何一家芯片初创公司能活着跨过这条软件护城河。\n为什么 OpenAI 第一次下场造芯，就能在推理吞吐和能效上跑出将近两倍的优势？\n答案不在半导体制程，在一台被掩盖了十年的隐形机器：通用算力税与软件自举。\nNvidia 的 GPU 是一台什么都能算的通用机器。\n它要兼顾大模型训练、图形渲染、科学仿真、双精度浮点、光线追踪，还要兼容上百万种不同的历史算法。\n为了照顾这种通用性，芯片上大比例的硅片面积、控制逻辑和功耗，都在为那些你永远用不上的功能待命。\n但今天 AI 商业的核心战线，已经彻底从训练转向了推理。\n推理是一道纯粹的物理题。\n模型架构是固定的，矩阵乘法的尺寸是确定的，注意力机制的数据流是透明的。\n在推理的世界里，决定运营成本的不看纸面算力，看每焦耳能量能吐出多少个字符。\n当你在通用显卡上跑推理，买下的每一个核心，都在替那些闲置的通用电路交税。\nOpenAI 找博通合作自研的这块芯片，代号 Jalapeño，从第一天起就做了一件事：把通用包袱全部砍光。\n700 瓦功耗，单包封装塞进 15.4 TB/s 显存带宽的 HBM4，只保留专为大模型定制的矩阵引擎和权重静态脉动阵列。\n在 SemiAnalysis 的基准测试里，它的每瓦吞吐量做到了 Blackwell 的 1.5 到 1.9 倍，端到端延迟降低了数倍。\n如果只是在硬件上做减法，过去无数 ASIC 芯片公司也尝试过，全都撞得粉身碎骨。\n因为它们撞上了一堵无法逾越的高墙：底层软件库。\n想让一块新芯片跑出极致性能，需要数百名顶尖工程师花几年时间，一行一行手写汇编级内核。\nOpenAI 拆掉这堵高墙，靠的是两样核心工具。\n第一样叫 Triton 和 Gluon。\n他们自己搭建了编译器，用代数规则直接把张量映射到芯片寄存器，彻底绕开了 Nvidia 的闭源底层库。\n第二样更致命：让 AI 自己写驱动。\nOpenAI 直接调用内部的 Codex 模型，去生成并调优成千上万行繁重复杂、精细到寄存器的底层汇编算子。\n人类工程师需要耗费数月攻坚的代码调优，大模型在几天之内就能遍历出最优解。\n从 2024 年年中组建团队，到 2025 年 11 月流片，整个开发周期只用了 16 个月。\n真正瓦解旧垄断的，往往不是更先进的光刻机。\n是当你的业务规模大到可以直接定制硬件，同时用自己的软件编译器和 AI 工具链，抹平所有生态迁移成本。\n当制造顶级芯片的门槛，从数百名硬件专家的手艺沉淀，变成编译器加模型自举，旧霸主的护城河还能守住多久？","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-31 10:58:52","created_at":"2026-08-31 10:58:52","url":"https://mubeitech.com/p/mb-20260831-98330a","markdown_url":"https://mubeitech.com/p/mb-20260831-98330a/markdown"}]}