算力[16]
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。
Triton官方GPU编程教程：破解AI大模型算力瓶颈，优化核心算子效率
AI大模型时代GPU算力需求激增，传统编程面临底层优化门槛高、算子效率低等痛点。Triton官方GPU高性能编程教程通过Python抽象与结构化实践，提供从调用API到定制高性能内核的进阶路径。教程涵盖基础运算、深度学习核心算子（矩阵乘法、融合注意力机制）及硬件级优化，重点解决Transformer注意力机制显存读写频繁、矩阵乘法算力浪费等问题。其中融合注意力在A100 GPU提速1.8-2.3倍，矩阵乘法吞吐量达GPU理论峰值85%，低内存Dropout显存占用降低30%以上。支持Libdevice函数调用，适配新GPU架构，助力开发者高效挖掘硬件性能，推动AI模型训练与推理效率革命。
英伟达15亿美元租Lambda H100服务器：巩固GPU霸权对抗自研芯片
2024年全球AI算力竞争白热化之际，英伟达与Lambda签署15亿美元GPU服务器租赁协议，涉及1.8万台搭载H100 Tensor Core GPU的服务器，总算力达1.8 EFLOPS。此举是英伟达应对亚马逊、谷歌等巨头自研芯片冲击的“内循环”战略落子：通过资本绑定Lambda等中小云服务商，以“投资-采购-回租”模式巩固GPU生态，如CoreWeave从挖矿公司逆袭为190亿估值巨头的案例所示。其核心逻辑在于依托CUDA软件生态壁垒，锁定开发者群体，对冲大客户流失风险。该交易不仅巩固英伟达GPU霸权，更推动AI算力市场分层——头部厂商主打通用算力，英伟达系服务商聚焦高性能训练，加速算力从稀缺资源向标准化商品转变，为AI技术普及注入动力。
清华等机构开源全球首个具身智能“渲训推一体化”强化学习框架RLinf
具身智能训练面临渲染与模型资源竞争、效率低下的行业难题，清华大学等机构联合开源全球首个“渲训推一体化”强化学习框架RLinf，为这一痛点提供突破性解决方案。该框架创新混合式执行模式，消除传统共享/分离式执行的算力浪费，将系统气泡降至零，算力利用率提升至近100%；通过六层架构与多后端集成，灵活适配“大脑”（具身VLM）与“小脑”（VLA）等多样化模型需求。实测显示，RLinf训练效率提升40%-60%，VLA模型训练周期从数周缩至数日，数学推理模型在AIME24数据集准确率超GPT-4，GPQA-diamond得分超越Claude 3。框架GitHub首周星标破800，已成为具身智能研发新基建，加速AI从“感知”到“行动”的跨越。
OpenLight获3400万美元A轮融资，光子芯片成数据中心互联新引擎
随着AI、云计算发展，数据中心面临带宽与功耗挑战，光子芯片成突破互联瓶颈关键。创新企业OpenLight近日完成3400万美元A轮融资，由知名机构联合领投。其核心竞争力在于PASIC芯片与异质集成技术，解决激光器“最后一毫米”集成难题，封装复杂度降低60%，光耦合损耗控制在1dB以下；开放PDK模式将客户开发周期从18个月压缩至6个月。公司瞄准AI数据中心高带宽需求，计划推出1.6Tb/s和3.2Tb/s标准化PIC产品，有望重塑光模块供应链，为数据中心互联提供高效解决方案。