云计算公司包括Oracle公司、微软公司和Meta平台公司已承诺在未来几年内总共花费5000亿美元用于数据中心租赁,这一天文数字凸显了科技行业对人工智能的巨大押注。
根据彭博社对季度财报的分析,随着科技巨头签署服务器机房租赁协议,这些义务在最近几个季度稳步攀升。
这些未来成本是在现有租赁之外的额外支出,在公司开始支付之前不会出现在资产负债表上。通常情况下,这些租赁与数据中心相关,但也可能包括办公室或仓库等设施。一些租赁还包含允许公司在特定条件下解除未来义务的条款。
Oracle在数据中心租赁方面承诺的资金最多,仅在截至11月的三个月内就签署了价值约1500亿美元的租赁协议,使其总承诺额达到2480亿美元。该公司正在进行历史性的数据中心建设,以支持OpenAI最新模型的训练和部署。
在这场支出狂潮中,华尔街越来越关注可能持续长达19年的数据中心租赁。在Oracle在一份文件中悄然披露其租赁计划后,已经对其不断上升的支出感到不安的投资者抛售了该公司股票。DA Davidson分析师Gil Luria上周写道:"我们认为这一额外披露表明Oracle将面临严重的资金短缺。"
数据中心研究公司DC Byte创始人Ed Galvin表示,虽然整个行业的支出承诺都在激增,但Oracle是个例外。与亚马逊公司、微软和Alphabet旗下的谷歌相比,其云业务规模较小,而今年与OpenAI达成的每年300亿美元的重磅交易使其"面临巨大的单一客户风险"。
租赁而非建设数据中心意味着避免许多前期开发成本。例如,Meta正在从一家特殊目的实体租赁其位于路易斯安那州的旗舰AI数据中心,该实体将承担数百亿美元的债务来建设该中心。这家社交媒体巨头已承诺在尚未开始的租赁上花费580亿美元,是一年前披露数字的三倍。
这些租赁成本通常与资本支出不同,后者是数据中心支出更常被引用的指标。资本支出包括直接购买服务器或建设场地的成本,以及与服务器机房无关的员工笔记本电脑等项目的支出。在过去四个季度中,所分析的六家公司的这些成本总计为3720亿美元。
其他成熟公司,如微软和谷歌,也需要承担数百亿美元的租赁费用。但到目前为止,它们强劲的现金流让投资者更加放心。微软的租赁成本在2023年激增,早于大多数同行,当时它开始处理来自合作伙伴OpenAI的大量计算需求。
谷歌传统上拥有并开发其大部分数据中心。但在最近几个季度,它也报告了租赁设施计划的激增。截至9月,其未来租赁承诺为426亿美元,约为一年前同期的七倍。
Q&A
Q1:为什么科技公司要花5000亿美元租赁数据中心?
A:云计算公司包括Oracle、微软和Meta等正在大举投资数据中心租赁,主要是为了支持人工智能技术的发展。租赁而非建设数据中心可以避免许多前期开发成本,同时快速获得所需的计算能力来训练和部署AI模型,特别是像OpenAI这样的大语言模型。
Q2:Oracle为什么在数据中心租赁上投入最多?
A:Oracle承诺了2480亿美元的数据中心租赁,是所有公司中最多的。这主要是因为该公司正在进行历史性的数据中心建设,以支持OpenAI最新模型的训练和部署。今年Oracle与OpenAI达成了每年300亿美元的重磅交易,这使其需要大量的计算基础设施。
Q3:数据中心租赁成本和资本支出有什么区别?
A:数据中心租赁成本是指公司承诺在未来支付的租赁费用,在开始支付前不会出现在资产负债表上。而资本支出包括直接购买服务器或建设场地的成本,以及员工笔记本电脑等其他项目的支出。过去四个季度,被分析的六家科技公司的资本支出总计为3720亿美元。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。