Nvidia 本周宣布,其已开始在亚利桑那州的工厂生产芯片,并将在德州建设超级计算机,这意味着构成生成式 AI 关键处理硬件的生产正在转移回美国。
这一消息发布之际,特朗普总统宣布的关税政策引发了对进口技术及历史上主要在海外生产的产品成本的担忧。本月大部分宣布的关税在经历股市剧烈下跌后已被暂缓执行,而且特朗普政府本周末还将部分电子产品(如手机、电脑)从部分关税中豁免。
详见:购买或等待指南:关税将如何改变科技产品价格以及目前应如何应对
半导体可能不会长久免受关税影响。特朗普总统上周日在其专属社交媒体平台 Truth Social 上表示,他的政府将“着手研究”半导体及电子供应链,暗示未来还可能有更多关税调整。
然而,贝恩咨询公司全球科技业务负责人 Anne Hoecker 表示,这项举措早在总统最新一轮贸易保护措施之前就已开始。“关税政策正在不断变化,并对产业产生巨大影响,但对于历经多个政府执政并不断调整的坚韧半导体供应链来说,这是一个长期趋势。” Hoecker 说道。
观看以下视频:观看 Nvidia 的 GTC 2025 主旨演讲:16 分钟内呈现所有亮点 16:26
Nvidia 的举措对你意味着什么
尽管大多数消费者不会购买芯片自行训练和运行自己的生成式 AI 模型,但硬件价格的变动将影响我们最终消费的服务成本。随着 AI 越来越多地集成到智能手机等设备及办公工具等软件中,公司在制造这些产品和服务时成本的增加可能会产生深远的连锁反应。
Hoecker 表示,即使部分半导体制造已经回迁美国,关税引发的价格上涨仍可能发生。仅仅因为某个计算机组件是在美国制造,并不代表其所用的原材料、生产设备或周边其它组件也能免受关税影响。这部分增成本很可能会转嫁给消费者。
建立更为多元化的芯片供应链可能会导致成本上升,但这能降低产业风险,毕竟目前该产业高度集中在台湾。“我相信从长远来看,消费者会因拥有一个坚韧的电子供应链而受益,” Hoecker 说,“将如此重要的组件过于集中在一个地点风险太大。”
美国芯片与超级计算机生产全面提速
Nvidia 表示,其 Blackwell 芯片正在凤凰城的 TSMC 工厂生产。针对 AI 专用数据中心设计的超级计算机将分别在休斯敦(与 Foxconn 合作)和达拉斯(与 Wistron 合作)建造。Nvidia 预计超级计算机工厂的生产将在未来一年左右加速推进。
Nvidia 首席执行官 Jensen Huang 在一份声明中表示:“世界 AI 基础设施的引擎正首次在美国构建。引入美国制造不仅帮助我们更好地满足对 AI 芯片及超级计算机日益增长的巨大需求,还能强化供应链、提升韧性。”
Nvidia 并非本周唯一披露美国芯片生产动态的企业:AMD 亦表示将开始在 TSMC 位于亚利桑那州的工厂生产处理器。
近年来,自拜登总统于 2022 年签署 CHIPS 法案以来,将半导体制造引入美国的举措持续加速。该法案为芯片制造商将生产转移至美国提供了 530 亿美元的资金支持。
将芯片制造转移至美国是一个长期项目,部分原因在于建设一家晶圆厂(简称 “fab”)需要数年时间及大量前期投入。与生成式 AI 快速发展的步伐相比,支撑其运行的硬件产业变革速度则显得十分缓慢。Hoecker 说:“这并不是一艘快艇,它需要时间。”
好文章,需要你的鼓励
本文探讨了一种防范通用人工智能(AGI)和人工超级智能(ASI)存在性风险的方法:将它们置于计算机仿真世界中进行测试。虽然这种方法看似合理,但存在诸多挑战。AGI可能会隐藏恶意行为,或因被欺骗而转向恶意。此外,仿真环境可能无法完全模拟真实世界,导致测试结果不准确。构建高质量仿真系统的成本和技术难度也不容忽视。文章认为,仿真测试虽有价值,但并非万能解决方案。
这项研究关注语音中的句子强调(即说话时对特定词的重音),它能传达说话者的潜在意图。耶路撒冷希伯来大学的研究团队发现,尽管现代语音语言模型进步显著,它们在理解句子强调方面表现不佳。团队创建了StressTest基准测试和Stress-17k合成数据集,并开发了StresSLM模型,使强调理解能力大幅提升。研究表明,通过特定训练策略,可以让AI不仅理解"说了什么",还能理解"怎么说的",从而捕捉人类交流中的微妙含义。
尽管AI在围棋等复杂游戏中表现出色,但在简单的井字棋游戏中却屡屡失败。研究显示,AI代理在模拟商业环境中的表现同样令人失望,经常出现幻觉、欺骗和任务未完成等问题。游戏测试为评估AI能力提供了直观方式,帮助普通用户理解AI的真实水平。面对当前AI行业的过度宣传,通过游戏化测试揭示AI的实际局限性,对于防范AI泡沫具有重要意义。
ViStoryBench是一个全面的故事可视化评估基准,由StepFun团队打造,用于测试AI将文字故事转化为连贯图像序列的能力。它包含80个多样化故事和344个角色参考,评估包括角色一致性、提示遵循度等多个维度。研究测试了20多种方法,发现UNO在开源方法中表现最佳,而商业软件如豆包和GPT-4o在提示一致性方面表现突出。该基准为故事可视化研究提供了统一标准,推动这一领域的创新发展。