YOHO AI

标签： AI芯片

  • AMD把「太阳神」搬进机房：Helios机架系统正面刚英伟达

    AMD Helios 机架级 AI 系统
    AMD 首款机架级 AI 系统 Helios，集 GPU、CPU、网络与软件于一体（概念图）

    7月20日，AMD 把憋了好久的一张王牌亮了出来——名叫 Helios 的机架级 AI 系统。名字取自希腊太阳神，摆明是要当算力界的「太阳」。这不是一块显卡，而是一整柜子：GPU、CPU、网络、软件全打包，直接对标英伟达那些动辄几百万美元的 AI 机柜。

    微软带头，巨头排队下单

    最让 AMD 长脸的是客户名单。就在发布当天，微软 CEO 纳德拉亲自表态，要在 Azure 数据中心部署 Helios，还顺手推出两款基于 AMD 新「Venice」CPU 的计算实例。更早之前，Meta 已经承诺逐步部署高达 6 吉瓦的 AMD GPU，其中 1 吉瓦今年就通过 Helios 机架交付；OpenAI 和甲骨文也点头要在年内大规模铺开；印度的塔塔咨询服务也在列。

    这背后是 AMD 十年的翻身账。它靠着三代产品路线图的严格执行，加上收购赛灵思、ZT Systems，一步步把 CPU 和 GPU 都做起来了。现在它敢说，Instinct GPU 已经服务全球前十 AI 公司里的八家，包括 OpenAI 和 SpaceX AI。

    苏姿丰此前放话：Helios 在推理、内存带宽和容量上，相比英伟达的机架系统有「显著优势」。

    算的是总账，不是单项性能

    AMD 数据中心业务负责人 Forrest Norrod 反复强调一个词：TCO，也就是总拥有成本。他说 Helios 追求的是最低的「每 token 综合成本」。道理不复杂——对微软、Meta 这种要养几吉瓦算力的巨头来说，单卡跑分高一点，不如整柜更省电、更便宜。

    不过现实也很骨感。研究机构 Futurum Group 估算，一台 Helios 机柜成本大约 500 万到 550 万美元，比英伟达第二代机架 Vera Rubin 的 350 万到 400 万美元还要贵；而且它重达 7000 磅，个头也更大。更要命的是份额：英伟达占数据中心 GPU 市场超过 95%，AMD 只有约 4.5%。

    • 分析师 Daniel Newman 认为，如果 AMD 执行到位，份额有望冲到 20%–25%，对应数千亿美元收入空间
    • AMD 一季度数据中心营收同比增长 57%，已是公司收入主力
    • 公司预计从 2027 年起，数据中心 AI 年收入将达到数百亿美元，大头来自 Helios

    硬件追上了，软件才是硬仗

    Counterpoint 的分析师 Neil Shah 点破了一层窗户纸：AMD 硬件已经和英伟达站到同一水平，但胜负手在软件生态。英伟达的 CUDA 护城河太深，AMD 这几年猛补 ROCm 开源生态，就是想拆这道墙。

    Helios 的早期部署马上就要展开。接下来一两年，市场会检验一件事：AMD 到底是靠真技术赢，还是仅仅因为英伟达产能紧缺捡了漏。对用算力的公司来说，多一个能打的供应商，怎么都不是坏事。

  • 谷歌悄悄研发新 AI 芯片 Frozen v2：要让 Gemini 省下大笔电费

    Google 自研 AI 芯片相关示意图
    大厂自研 AI 芯片已成趋势，Google 的 Frozen v2 瞄准的是推理能效（图源：TechCrunch）

    Alphabet 正在悄悄搞一颗新的服务器芯片，内部代号叫 Frozen v2，专门用来让自家的 Gemini 模型跑得更省、更稳。消息来自 The Information 的爆料，说这颗芯片大概会在 2028 年前后亮相。

    能效说是现在的六到十倍

    按那篇报道的说法，Frozen v2 的衡量标准是「每消耗一单位电力能生成多少 token」，在这个口径下，它要比 Google 现有的 AI 芯片高效 6 到 10 倍。对此 Google 既没承认也没否认，只给了一句四平八稳的回应。

    「我们的团队一直在研究和试验各种新方案，为用户和客户带来极致的性能与效率。」

    大厂为什么都在自己造芯

    把模型训练和推理从通用 GPU 上挪到自己定制的芯片上，已经成了大厂的共同动作。动机很直白：一是让自家模型跑得更划算，二是摆脱对英伟达的依赖——这家公司长期把持着 AI 芯片市场，也让所有大模型厂商都被它的硬件绑住。

    就在今年 6 月，OpenAI 刚亮出第一颗自研推理芯片 Jalapeño；本月初又有消息说，Anthropic 正在和三星谈新的芯片合作。Google 自己本来就有 TPU 这条线，Frozen v2 像是把这条路继续往下走。

    • 代号 Frozen v2，目标 2028 年前后发布，专供 Gemini 使用。
    • 能效按 token / 单位电力计，号称达现有芯片 6 到 10 倍。
    • 背景是 OpenAI、Anthropic 相继布局自研芯片，全行业试图降低对英伟达的依赖。

    股价先涨为敬

    这类消息背后，其实是投资者的算盘。大家一直担心 Alphabet 为了 AI 基建砸下的天价开支——公司年初说今年要花 1800 亿到 1900 亿美元。钱花出去了，得证明能回本。Frozen v2 一旦坐实，等于给市场一个「我们在把成本压下来」的信号。报道出来后，Google 股价周一上午就涨了大约 3%。

    当推理成本变成卖点，AI 的故事就从「大力出奇迹」变成了「谁更会过日子」。

  • AI芯片又一笔10亿美元：SambaNova估值冲到110亿，摩根大通把算力搬回自家机房

    SambaNova 这家公司，你可能没怎么听过，但在 AI 芯片这条赛道上，它刚干了一件挺有象征意义的事。7 月初，这家 2017 年成立的帕罗奥图创业公司宣布完成 10 亿美元 F 轮融资的第一笔交割，投后估值来到 110 亿美元。领投方是老牌成长基金 General Atlantic，贝莱德、卡塔尔投资局、Intel Capital 等一众机构跟投。

    有意思的是，这笔钱距离它上一次融资只隔了不到五个月。今年 2 月它才拿下 3.5 亿美元 E 轮，同时发布了第五代芯片 SN50。换句话说，资本市场的钱还在疯狂往 AI 基础设施里灌。

    SambaNova 的 CEO Rodrigo Liang 说了一句很直白的话：摩根大通这种级别的银行开始自己搭私有、安全的算力底座来跑推理，这个信号会传到银行业之外。

    它到底造的是什么芯片

    SambaNova 走的是和英伟达不一样的路子。它的芯片不是要取代英伟达，而是贴着英伟达一起用。公司主打”高端推理”——把今天动辄几万亿参数的前沿大模型，塞进一个机柜里跑，而且跑得飞快。Liang 对外说过，SN50 跑推理的解码部分比竞品快五到十倍。

    SambaNova AI 芯片
    SambaNova 的 AI 推理芯片（图源：TechCrunch）

    今年 2 月发布的 SN50 基于数据流架构，计算能力是上一代 SN40 的 5 倍，网络带宽是 4 倍，预计 2026 年下半年开始向客户发货，软银是它的第一个部署伙伴。

    三类客户，和一个 IPO 悬念

    Liang 把客户分成三块：一是主权云，各国政府出钱扶植本地私有云；二是新云（neocloud）；三是自建自用的大企业。除了摩根大通，沙特阿美、英特尔以及一些日本企业也在客户名单上。

    • SambaNova 成立以来累计融资规模已相当可观，本轮后现金储备进一步增厚
    • 资金一大用途是锁供应链——在汹涌的需求面前先把产能和物料攥在手里
    • 与英特尔的关系也在加深，双方从投资到联合开发产品一起推向市场

    至于公司未来，Liang 话讲得很活。被问到连续融资是不是意味着铁了心独立，他说”一直有人来找我们”，这扇门在动态的 AI 市场里还开着，但增长势头更可能把公司推向”某天上市”。据 CNBC 报道，他甚至提到了 2027 年 IPO 的可能性，大概率选美国。

    AI 基础设施建设的热度，从这 10 亿美元里就能看出来。当大行都不愿意把最敏感的模型推理完全交给云厂商，像 SambaNova 这样专做”把大模型安全跑在自己地盘上”的芯片公司，就有了存在的理由。

  • AI抢走了内存芯片，印度人先买不起手机了

    几个月前分析师就提醒过，AI 疯狂吃内存芯片，早晚会传导到我们买的手机、笔记本上。现在印度成了第一个明显中招的地方——手机越卖越贵，出货量掉得厉害。

    印度智能手机市场受内存芯片涨价冲击
    AI 数据中心和你的手机，正在抢同一批内存芯片

    先说清楚问题出在哪。手机里的 RAM 和存储芯片，跟建 AI 数据中心要的其实是同一类东西。三星、SK 海力士、美光这些厂商发现，把产能挪去做 AI 加速器用的高带宽内存（HBM），单片晶圆赚的钱多得多，于是纷纷转产。结果就是给手机、电脑用的普通内存供给变少、价格上去了。

    印度为什么比中国还惨

    按出货量算，印度是仅次于中国的全球第二大手机市场。据 Counterpoint Research 的数据，今年第二季度（4 到 6 月）印度智能手机出货同比掉了 10%，是六年来第二季度跌得最狠的一次。同期中国只跌了 2%。

    印度大约 60% 的手机市场集中在 2 万卢比（约合 210 美元）以下的价位段，内存一涨价，最先扛不住的就是这批便宜机。

    Counterpoint 的研究副总裁 Tarun Pathak 告诉 TechCrunch，越便宜的机型，内存涨价占成本的比重越高，所以印度受的冲击比中国大得多。更极端的是 1.5 万卢比（不到 150 美元）以下这一档，出货直接同比暴跌了 45%。中国品牌恰好扎堆在入门和中端，它们在印度的合计份额跌到了 2020 年以来第二个季度的最低点。

    谁受伤，谁还撑得住

    不同品牌的日子差别很大。第二季度只有三星在印度实现了出货增长，同比涨 2%；苹果反而跌了 3%，不过那更多是供货和库存受限，iPhone 想多发都发不出来。走高端路线的品牌明显更抗跌——买贵手机的人对涨价不太敏感，加上分期付款把门槛拉低了不少。

    压力大了，厂商的打法也在变。这周中国品牌一加就宣布，要停掉在欧洲和北美的新品发售，只保留印度市场。Counterpoint 的数据显示，一加第一季度有 74% 的出货去了中国，比一年前的 59% 还高；印度的占比却从 30% 掉到了 19%。说白了就是收缩到还能赚钱的地方，其他战线先让出去。

    最后买单的还是消费者

    IDC 的移动研究总监 Kiranjeet Kaur 说，印度市场正在从”拼销量”转向”拼单价”——手机卖得少了，但每台赚得更多，因为低价机越来越不划算。据 Pathak 估算，不同型号的印度手机价格已经涨了 4% 到 68% 不等。面对涨价，消费者要么咬牙买贵的，要么拖着不换，要么转去二手市场。换机周期也从原来的约 3.5 年拉长到了 4 年左右。

    • 分期付款成了”能不能买得起”的关键，厂商和渠道还在节日季前囤货锁定低成本；
    • IDC 预计印度二季度出货会两位数下滑，比一季度的 4.1% 跌幅还陡；
    • Kaur 判断，内存紧张和手机涨价至少要持续到 2027 年底。

    对印度消费者来说还是双重打击：卢比走弱让进口更贵，厂商的利润压力最终又转嫁到了买家头上。AI 的算力盛宴还在继续，可账单已经悄悄摊到了普通人的口袋里。

  • 首笔推理芯片抵押贷落地：4亿美元押注AI算力的下一站

    算力生意的下半场

    训练一个大模型要烧掉天文数字的算力，但模型训好之后真正天天在跑的，是”推理”——也就是你每次提问、它给答案的那一下。最近一笔 4 亿美元的融资，把赌注压在了这块过去被忽视的市场上。

    AI 推理云创业公司 General Compute 拿到了 Upper90 的 4 亿美元贷款。有意思的是，这很可能是第一笔拿”推理专用芯片”做抵押的买卖。所谓推理芯片，专门用来高效跑已经训好的模型，不像训练芯片那么贵、那么吃水和电。

    General Compute 推理芯片
    General Compute 的推理芯片主打低功耗、免水冷（图源：TechCrunch）

    General Compute 的 SN50 芯片来自英特尔支持的 SambaNova，主打省电、不用昂贵的水冷，所以能比 GPU 更快铺进各种数据中心。公司声称推理速度能到 GPU 云的 16 倍。问题只有一个：作为一家新公司，怎么搞到足够多的芯片。

    “我们当年第一批给英伟达 GPU 融资时，市场还很低效，早进场的人能拿到风险补偿。”Upper90 的 Billy Libby 说。

    从 GPU 转向推理层

    这就轮到 Upper90 出场了。它的老板 Billy Libby 是个前高盛量化交易员，2021 年就曾给能源型数据中心创业公司 Crusoe 做 GPU 采购融资——他自称那是第一笔拿高端芯片做抵押的贷款。当时传统银行躲得远远的，怕芯片贬值太快；等 CoreWeave 把这种”芯片抵押”做成生意、还顺手搞出个轰动 IPO，大家才反应过来。

    现在 GPU 行情大家都摸透了，甚至有点买过头，Upper90 就把目光转向了 General Compute 这样的推理层公司。这个转向背后有个判断：不是谁都需要超级计算机，但谁都需要推理。开源模型越来越能打——月之暗面刚发的 Kimi K3 在编程基准上已经逼近 Anthropic 和 OpenAI 的旗舰——跑这些开源模型，便宜的推理芯片就够了。Groq、Cerebras 这类芯片公司也因此被收购方和公开市场盯上。

    General Compute 押注英伟达体系之外的芯片，逻辑和 TensorWave 绑定 AMD 类似：当替代方案越来越多，不被英伟达锁死的计算提供商，反而可能在成本上占优。

    “有一批芯片正在起量，总拥有成本惊人地好，速度也比英伟达快，但买家不多。”CEO Finn Puklowski 说，”和 Upper90 合作，不是’一个酷公司拿到钱买算力’这么简单，这是资本第一次组织起来，去敲碎英伟达的垄断。”

    对普通人来说，这事儿离得有点远。但它决定了你以后用 AI 是贵还是便宜：当推理产能不再被一家芯片厂卡脖子，模型跑起来的成本才会真正降下来。

    一句话看清这笔融资

    • General Compute 获 Upper90 的 4 亿美元贷款，或为首笔以推理芯片为抵押的融资
    • SN50 芯片（SambaNova）主打低功耗、免水冷，推理速度号称 GPU 云 16 倍
    • 资本从 GPU 转向推理层：开源模型崛起让低成本推理需求激增，英伟达之外的芯片有了空间
    📎 原文来源：Why the first GPU financiers are turning to inference chips in a $400 million deal（TechCrunch / Tim Fernholz，2026-07-17）

  • OpenAI 自研芯片 Jalapeño 出炉：九个月造出推理加速芯，英伟达不再是唯一答案

    一颗用墨西哥辣椒命名的芯片

    6月24日，OpenAI 把第一颗自己设计的芯片亮了出来，代号 Jalapeño，就是墨西哥菜里那颗青辣椒。这颗芯片不是找人代工贴牌，而是 OpenAI 自己定架构，博通负责把设计变成硅片，台积电用 3 纳米工艺代工生产。它也不是一颗通用 GPU，OpenAI 管它叫”智能处理器”（Intelligence Processor），说白了就是专门为大模型推理场景打造的一块加速芯片。

    要理解它为什么重要，得先想清楚一件事：你每次问 ChatGPT 一句话、开发者调一次 API、Codex 跑一个任务，背后都是一次推理。这是 OpenAI 每天发生最频繁、也最烧钱的动作。把这部分成本攥在自己手里，比再去买一堆英伟达 GPU 更有战略意义。Google 老早有自己的 TPU，亚马逊有 Trainium 和 Inferentia，头部的 AI 公司走到一定规模，都会补上自己的算力路线。

    “我们对自己要跑的负载理解很深，一直在找那些现有芯片没服务好的工作，然后想办法把它加速。”OpenAI 总裁 Greg Brockman 在自家播客里这么解释他们的思路。

    九个月，AI 帮着设计自己的硬件

    最让人意外的是速度。Brockman 说，Jalapeño 从最初的架构设计到完成制造流片，前后只花了大约九个月。作为对比，Google 第一代 TPU 从架构到流片花了差不多三年，传统芯片公司做同等规模的项目通常要五到七年。OpenAI 自己的说法是，这可能是高性能半导体领域有史以来最快的 ASIC 开发周期。他们半开玩笑地说，参与设计的还有 OpenAI 自己的模型——AI 正在帮着造跑自己的硬件。

    早期测试的数据挺漂亮：OpenAI 称 Jalapeño 的每瓦性能明显好于当前最先进的方案。不过公司没公布具体的基准数字，目前也还没有第三方独立验证。按定位，它主打推理而不是训练，像预训练这种吃算力的重活，短期还得靠英伟达。哪怕推理成本只降一点点，对 OpenAI 的账本也是实打实的好处。

    OpenAI 首颗自研芯片 Jalapeño
    OpenAI 与博通联合打造的首颗自研推理芯片 Jalapeño（图源：TechCrunch）

    全栈野心与冷现实

    OpenAI 的算盘不止一颗芯片。它和博通的合作要部署到吉瓦级的数据中心，计划 2026 下半年开始落地，到 2029 年全部完成，外界估算整个盘子可能花掉数千亿美元。OpenAI 想的是把模型、产品、芯片、数据中心全捏在自己手里，每一层都朝着”更快、更稳、更便宜”同一个目标优化。

    但别急着宣布英伟达时代结束。训练、显存、集群网络、软件栈，任何一环都不是单颗芯片能独立解决的，更何况 CUDA 生态、供应链和部署经验是 AI 公司绕不开的现实。Jalapeño 的出现更像一个信号：OpenAI 不想永远只当算力的买家了。

    • Jalapeño 是推理专用芯片，不是用来替代英伟达做训练的通用 GPU。
    • 从设计到流片约九个月，AI 模型本身也参与了设计流程。
    • 和博通、台积电合作，瞄准吉瓦级数据中心，2026 下半年起逐步部署。
  • OpenAI 首颗自研芯片 Jalapeño 出炉，不再只靠英伟达

    OpenAI 首颗自研芯片 Jalapeño 出炉，不再只靠英伟达

    OpenAI 首颗自研推理芯片 Jalapeño
    OpenAI 与博通联合发布首颗自研推理芯片 Jalapeño（图源：TechCrunch）

    OpenAI 一直被看作做模型的，6 月 24 日这天它跨过了那条线——和博通联合发布了一颗叫 Jalapeño（墨西哥辣椒）的芯片，这是 OpenAI 第一颗自己定制的 AI 处理器。合作去年 10 月就官宣了，但真把芯片摆到台前，还是头一回。

    专门为跑模型而生

    Jalapeño 的定位很明确：它是推理芯片，不是训练芯片。说人话就是，它负责把已经训练好的模型跑起来、响应用户指令，而不是从零去炼模型。OpenAI 在公告里特别强调，它在跑实时 coding 模型（比如 Codex）时运营成本很低。像预训练这种更吃算力的重活，短期内还得靠英伟达的 GPU，但光是把推理这一块的成本往下压，对 OpenAI 的账本就已经意义不小。

    我们不只是做前沿模型、在模型上搭产品，我们连底下的基础设施都自己设计了——芯片架构、内存系统、网络、调度、部署，全在一层一层地把同一件事优化到极致。

    AI 参与设计了自己的硬件

    最让我觉得绕的一个细节是：OpenAI 自己的 AI 模型，参与了这颗芯片的设计过程。从架构设计到把版图数据交给晶圆厂（tape-out），整段只用了大约九个月。OpenAI 自己说，这可能是高性能半导体领域有史以来最快的 ASIC 开发周期。硬件负责人 Richard Ho 来头也不小，在谷歌待了快九年，是 Cloud TPU 项目的核心工程师。

    为什么非得自己造？说白了是想少依赖英伟达的 GPU。这条路上谷歌有 TPU、亚马逊有 Trainium，都是同一个思路——用专门加速机器学习的硅，把特定工作负载跑得更快更省。OpenAI 总裁 Greg Brockman 的话很直白：我们太懂这个工作负载了，就去找那些没被伺候好的环节，想办法加速它。

    全栈公司的必然一步

    把视角拉高一点看，造芯是 OpenAI 从模型公司往全栈基础设施公司走的自然一步。模型、产品、数据中心、再到芯片，每一层它都想攥在自己手里。据外界披露，微软还承诺包销了 Jalapeño 首期大约 40% 的产能。芯片计划先以工程样片在实验室跑通 GPT-5.3-Codex-Spark 这类模型，后续再放到吉瓦级别的数据中心里规模部署。

    • Jalapeño 是 OpenAI 首颗自研推理芯片，由博通代工实现、台积电 3nm 制造
    • AI 模型参与芯片设计，九个月走完从设计到流片
    • 目标不是取代英伟达，而是把最贵的推理成本压下来

    这不是要和英伟达掀桌子，而是 OpenAI 想把自己最贵、也最日常的那块成本，从别人手里拿回来一部分。当一家公司的模型每天被几亿人调用，每一分钱的推理开销乘上去都是天文数字——自己造芯，只是时间问题。

  • 苹果造车计划黄了，却意外成就端侧AI最强芯片

    苹果造车计划黄了，却意外成就端侧AI最强芯片

    苹果芯片与神经网络引擎
    苹果十年造车梦碎，却意外喂出了端侧 AI 最硬的底牌（图源：The Verge）

    苹果那辆传了十年的车，最后还是没造出来。项目在 2024 年被悄悄砍掉，前后烧掉上百亿美元，外界大多把它当成苹果少有的滑铁卢。但彭博社 Mark Gurman 在最新的 Power On 通讯里捅破了另一层窗户纸：那场失败的豪赌，其实给今天的苹果 AI 埋下了一块最硬的底牌。

    一辆车逼出来的芯片

    故事得回到项目刚启动那会儿。苹果当时瞄准的是 L5 级全自动驾驶——车子完全不用人管，自己跑。要做到这一点，车必须在本地实时处理海量的感知和决策数据，对算力的要求高到当时的手机芯片根本扛不住。于是工程师们一头扎进机器学习研究和定制芯片，想做一颗专门塞进车体的 AI 处理器。

    结果这颗车规级芯片最终没流片，一辆车也没装上。但它在研发过程中催生的一套底层能力，并没有跟着项目一起进垃圾桶，而是演变成了后来人人都熟悉的神经网络引擎（Neural Engine）——今天几乎所有苹果设备里负责 AI 运算的那块核心。

    那笔钱没有白花。一个没能交付的产品，反而成了苹果在端侧 AI 起跑时偷偷抢到的身位。

    从认脸到跑大模型

    神经网络引擎第一次亮相，是 2017 年随 iPhone X 和 A11 仿生芯片一起登场的。那会儿它还很朴素，主要干计算机视觉的活儿：让 FaceID 在暗光下认出你的脸、把表情实时映射到 Animoji、再撑起一些 AR 效果。这些功能有个共同点——原本要传到云端处理的敏感图像，现在全锁在设备本地完成。

    真正让逻辑变清楚的，是 M 系列芯片把这块加速单元搬上了 Mac。消费级电脑开始能跑过去只有云端服务器才扛得动的模型。这一步，也给苹果后来那套隐私优先的叙事，提供了实打实的硬件支点：本地能算的越多，离开设备的数据就越少。

    软件掉队，硬件领跑

    客观说，苹果在 AI 软件上的节奏一直被吐槽——Apple Intelligence 落地慢、Siri 升级跳票，外界没少阴阳怪气。但硬件这一边，确实拿得出手。Gurman 透露，苹果接下来打算跳过即将到来的 M6 芯片的 Pro、Max 和 Ultra 版本，直接加速推进 M7，预计 2027 年上半年登场，神经网络引擎会有大幅升级。M7 Ultra 还会成为苹果新一代服务器产品的基础，最高支持到 1.5TB 内存。

    • 十年造车梦碎，却催生了贯穿全系设备的神经网络引擎
    • 端侧算力让苹果敢把隐私当核心卖点，数据尽量不离开设备
    • M7 提前加速，Ultra 版本直奔 1.5TB 内存的服务器场景

    回过头看挺有意思：一个烧掉上百亿、折腾十多年的失败项目，最后可能变成苹果在端侧 AI 时代最划算的一笔长期投资。当整个行业都在把大模型往设备本地搬的时候，那颗没能上车的芯片，倒先一步给了苹果抢跑的资格。

  • Meta的自研AI芯片要量产了：9月上线，想少给英伟达交「算力税」

    Meta 自研 AI 训练芯片概念图
    Meta 自研 AI 训练芯片 MTIA 概念图（配图由 AI 生成）

    Meta 最近被路透社爆出一个消息：他们最新一代的自研 AI 芯片，最快今年 9 月就要开始量产了。这事听起来挺技术宅的，但背后其实是 Meta 在算一笔很现实的账——它不想再被英伟达的 GPU 价格卡着脖子。

    据路透社看到的内部备忘录，至少有一款芯片用大约六周时间就顺利走完了测试阶段。Meta 找了博通（Broadcom）一起做芯片设计，真正代工交给台积电。配套的存储和零部件也铺开了：内存买三星的，存储用闪迪（Sandisk），光纤设备来自住友电工。换句话说，一颗芯片背后，是一整条被重新梳理过的供应链。

    「每一代 MTIA 都建立在上一代之上，用模块化小芯片、更短的迭代节奏，跟上 AI 需求的快速变化。」——Meta 官方谈自研芯片路线

    一颗芯片背后的千亿赌注

    这套芯片属于 Meta 的 MTIA 项目（Meta Training and Inference Accelerator，训练与推理加速器）。Meta 今年 3 月专门介绍过这四颗新芯片，走的「模块化小芯片」路线——说白了就是把芯片拆成一个个乐高块，哪块不够用了就换哪块，好跟上 AI 需求几个月一变的速度。

    Meta 为什么这么急？最直接的原因是钱。在 GPU 严重短缺的当口，向英伟达和 AMD 买算力越来越贵。自研芯片能帮它省下一部分采购开支，尤其是用来跑推荐算法、排序，以及给自家 App 做推理。当然，Meta 也明确说了，该花的钱还是得花，和英伟达、AMD 的合作不会断。

    这件事有个时间背景：Meta 今年 4 月给出的资本开支指引是 1250 亿到 1450 亿美元，大头都砸在 AI 上。为了给新的 Muse Spark 系列模型备好算力和电力，它在全球签了一堆数据中心和供电协议，光今年就要部署 7 吉瓦的算力，明年还要翻倍。从 2023 年开始，Meta 就在自己搞 AI 芯片了，现在算是把这条路走到了量产节点。

    不是 Meta 一家在「去英伟达化」

    其实不止 Meta 一个人在这么干。大家都想在同一个目标上少被英伟达抽成：把最贵的那部分算力，握在自己手里。看看这一圈玩家就明白了：

    • OpenAI 上个月刚公布了和博通合作的自研推理芯片；
    • Anthropic 据传也在和三星谈自研芯片；
    • 亚马逊有 Trainium，谷歌有 TPU，都是自家用的 AI 芯片；
    • 再加上一堆初创公司，全都在抢同一块「自己造 AI 芯片」的蛋糕。

    对 Meta 来说，自研芯片量产是个里程碑，但也只是开始。芯片造出来能不能真正撑起训练任务、能不能比买英伟达更划算，还得等真刀真枪跑起来才知道。不过有一点是确定的：当最烧钱的几家 AI 公司都开始自己造「发动机」，算力这门生意的玩法，已经悄悄变了。

  • Nvidia 迎来真正对手？这家 AI 芯片创业公司估值冲到 50 亿美元

    如果你最近关注 AI 芯片赛道，可能听说过 Etched 这个名字。这家 2022年成立的创业公司，昨天（6月30日）发了一则进展更新，数字相当夸张：TSMC 今年早些时候成功量产了他们的芯片，而现在，他们已经拿到了 10 亿美元的合同订单。

    Etched AI芯片概念图
    Etched 的 AI 推理芯片直接对标 Nvidia

    估值方面，Etched 最新一轮（去年12月）融了 5 亿美元，投后估值 50 亿美元。加上更早的融资，到现在总共拿了 8 亿美元。

    30 页 memo，换来一堆拒绝

    芯片行业的门槛高到离谱，一般人听到”我们要做 AI 芯片挑战 Nvidia”这种话，第一反应大概是”又来一个”。但 Etched 的故事有一点不太一样：他们的创始人当年给投资人写了一封 30 页的 memo，论证 AI 未来一定需要专用芯片（而不是通用 GPU），结果被每一个见过的投资人拒了。

    那是 2023 年。公司每个月都在担心现金流断掉。

    现在的环境简直像另一个星球。AI 相关的东西，投资人追着跑，尤其是能加速推理（inference）的芯片技术。推理是用户提交 prompt 之后发生的事——这是目前最大的瓶颈，也是 AI 公司服务用户时最大的成本中心，所以谁能解决这个问题，资本就往谁那里涌。

    Etched 把这第一波产品叫做”frontier inference clusters”——说白了就是搭载他们芯片的完整系统，连带定制机架和软件一起卖。他们的说法是，这套东西跑推理比竞争对手更快、更便宜、更省电。

    投资人名单像一份 AI 名人录

    Etched 的投资人名单读起来像一份 AI 圈名人录：Andrej Karpathy、Geoffrey Hinton、Fei-Fei Li、Arthur Mensch、Scott Wu 都投了个人天使轮。机构方面，Jane Street、Two Sigma、Hudson River Trading 这些量化巨头都在列，领投最新一轮的是 Ribbit Capital。

    两个创始人——CEO Gavin Uberti 和总裁 Robert Wachen——都是从哈佛辍学出来的 Thiel Fellow。Uberti 2024 年的时候跟 TechCrunch 聊过他们的芯片计划，那时候公司还在”隐形模式”里苦苦支撑。

    整个行业都在做同一件事

    现在”隐形”的状态算是正式结束了。竞争对手们也都没闲着：Cerebras 今年5月完成了 55 亿美元的 IPO，是 2026 年第一个重磅 IPO；AI 芯片公司 Groq 刚融了 6.5 亿美元；Amazon、Google、Microsoft 都在自研 AI 芯片；甚至连 OpenAI 都宣布了第一颗定制芯片，由 Broadcom 代工。

    换句话说，整个行业都在做同一件事：摆脱对 Nvidia 的依赖。

    Etched 的差异化点在哪里？他们的芯片是专门为推理设计的，而不是像 GPU 那样既管训练又管推理。这种”专芯专用”的思路，在 AI 圈其实有不少支持者——Karpathy 早就说过，未来的 AI 基础设施一定是异构的，不同类型的工作负载跑在不同的芯片上。

    现在下结论还为时过早

    现在下结论说 Etched 能不能真正威胁到 Nvidia 还为时过早。10 亿美元的订单听起来很多，但跟 Nvidia 一个季度的营收比，还是小意思。

    真正值得看的是：这些 specialized inference chip 公司，能不能在接下来两年里把产品稳定交付给客户，并且真的在成本和能耗上打赢 GPU。

    如果做到了，AI 芯片市场的格局可能真的会变。如果做不到，那就是又一堆漂亮的 PPT 和一堆打水漂的投资。

    Etched 的产品现在还在客户测试阶段，大规模交付的时间表还没有公开。但至少从资本的温度来看，这次投资人是认真的了。