AI芯片[5]
Databricks AI负责人Naveen Rao离职创业 瞄准AI计算成本瓶颈
Databricks前AI负责人Naveen Rao离职创业，新公司聚焦AI算力成本优化，获Databricks战略投资。当前AI算力成本成行业瓶颈，推理成本占比超60%且持续增长，其将通过硬件架构创新破局。作为连续创业者，Rao过往项目曾推动AI训练部署成本下降，新方向或加速AI技术普及。
xAI/OpenAI竞逐自研芯片：台积电3nm工艺2026量产，AI算力自主竞赛升温
xAI自研AI推理芯片X1曝光，采用台积电3nm工艺，计划2026年第三季度量产，首批产量30万块，旨在解决算力瓶颈，支撑五年内实现5000万英伟达H100等效算力目标。当前自研芯片已成AI巨头标配，谷歌TPU、Meta MTIA、OpenAI XPU等竞相布局，算力自主化竞赛加剧。X1与OpenAI XPU均瞄准2026年量产，却分野于“完全自研”与“半自研”路线，技术与人才争夺白热化。台积电凭借3nm代工超90%市占率成关键变量，其产能分配直接影响巨头算力野心。此外，特斯拉AI5/AI6芯片与X1形成战略协同，共同推进马斯克生态算力布局。
AWS携手Anthropic押注Trainium2 争夺生成式AI算力市场份额
2025年生成式AI算力竞赛中，AWS正通过与Anthropic深度合作及自研Trainium2芯片实现战略破局。面对Azure（35%份额）、谷歌云（28%份额）的挤压，AWS以“芯片+伙伴”组合拳反击：联合Anthropic落地“规模化法则”，后者依托协同优化实现收入从2023年1亿冲刺2025年50亿；Trainium2芯片单卡160 TFLOPS算力，通过300W低功耗、60kW高密度机柜设计，使AI训练TCO降低25%-30%，Claude 3模型训练成本降40%。双方软硬件协同设计（定制指令集、数据中心适配）成行业模板，推动Top 10 AI实验室加速采用“定制芯片+专用软件栈”策略，重塑全球AI算力格局。
滑铁卢大学与Intel突破脉冲神经网络：类脑算法与神经拟态硬件开启计算革命
脉冲神经网络（SNNs）作为模拟人脑脉冲放电机制的新兴技术，正引领AI能效革命。与传统人工神经网络（ANNs）不同，SNNs通过事件驱动计算实现超低功耗，在神经拟态硬件支持下迎来突破：Intel Loihi 2芯片能效比GPU提升300倍，已赋能奔驰车载感知（延迟降82%）、松下工业质检（5000帧/秒）等场景。滑铁卢大学团队算法创新更让SNNs性能跃升，动态控制误差比GRU低37%，功耗仅为ANN加速器1/8；其构建的250万神经元Spaun模型，可复现大脑认知功能，为类脑研究提供关键工具。当前SNNs在低延迟、高能效领域落地加速，未来随着硬件量产与算法成熟，有望重塑边缘计算、脑机接口等AI应用格局。
谷歌TPU入驻第三方云数据中心挑战英伟达霸权
谷歌TPU首次计划入驻第三方云数据中心，打破自2016年发布以来仅在Google Cloud流通的惯例，已与AWS、微软Azure等主流云厂商洽谈合作，首阶段瞄准医疗、金融等算力敏感行业，直接挑战英伟达AI芯片霸权。此举旨在扩大市场覆盖、争夺AI生态主导权，其TPU v5e芯片在相同性能下功耗比H100低40%，能效优势显著。不过，TPU需克服技术适配（依赖JAX/TensorFlow软件栈、硬件基础设施兼容）与生态壁垒（英伟达CUDA生态深厚）。当前AI芯片竞争已进入硬件算力、软件易用性、部署灵活性“三维战争”，谷歌开放TPU或推动行业向多元生态发展，成AI芯片格局分水岭。