OpenAI今日确认与Oracle公司签署协议,将在约五年时间内采购价值3000亿美元的计算基础设施,这是其此前宣布的Stargate数据中心建设计划的一部分。
这笔交易代表了历史上最大的云计算合同之一。这是一项巨额承诺,远超OpenAI目前的收入水平,反映了硅谷公司在人工智能数据中心方面疯狂的支出速度。
据《华尔街日报》报道,OpenAI和Oracle将建设4.5吉瓦的数据中心计算能力,这大致相当于两个胡佛大坝的发电量,或约400万美国家庭的用电量。
该消息公布后,Oracle股价在周三飙升超过42%,此前该公司报告在最新季度新增了3170亿美元的未来合同收入。Oracle首席执行官萨夫拉·卡茨在分析师电话会议上表示,公司与三家客户签署了合同,其中一家现在已知是OpenAI。
这笔交易的首个迹象出现在6月,当时Oracle在监管文件中表示已同意一项云服务协议,该协议将在2027财年产生超过300亿美元的收入。随着更多数据中心基础设施上线,其收入将逐年增加。一个月后,OpenAI透露已同意从Oracle采购4.5吉瓦的计算能力,但当时未披露合同规模。
Stargate项目于1月在白宫宣布,OpenAI首席执行官萨姆·奥特曼和Oracle创始人兼首席技术官拉里·埃里森与美国总统特朗普一同出席,特朗普表示这完全是为了确立美国在人工智能领域的领导地位。两家合作伙伴最初承诺建设至少价值1000亿美元的数据中心,随后在"未来几年"将这一努力扩大到5000亿美元。
OpenAI后来确认Stargate是其所有数据中心基础设施计划的品牌,但尚未透露该协议的具体细节,该协议还涉及技术投资者软银集团。在宣布Stargate后,OpenAI已经获得了5000亿美元目标中超过一半的承诺,建设工作已在德克萨斯州阿比林的一个地点展开。
这两家公司并非唯一竞相尽快建设人工智能数据中心设施的大型科技公司。包括亚马逊网络服务、微软、谷歌和Meta在内的竞争对手已承诺今年在建设自己的巨型数据中心方面合计投资3000亿美元。
但OpenAI和Oracle的合作可能被一些人视为风险更大。OpenAI远未盈利,相反,它正在大量烧钱。6月份披露的数据显示,其年收入约为100亿美元,而每年在建设数据中心和从其他数据中心运营商租用计算能力方面的支出将达到600亿美元,收入还不到支出的五分之一。
与此同时,Oracle将很大一部分未来收入押注在一个客户身上。它可能需要承担债务来资助购买计划数据中心所需的AI芯片。
奥特曼已经承诺了许多看似有风险的投资。据报道,他的公司还在与博通合作开发自己的定制AI芯片,并试图制造与苹果iPhone竞争的设备。这家已获得数十亿美元资金的公司,烧钱速度比历史上几乎任何初创公司都快。据报道,奥特曼去年告诉投资者,他预计OpenAI最早要到2029年才能盈利,而且可能需要花费440亿美元才能实现这一目标。
因此,OpenAI和Oracle的交易是一场赌博,押注ChatGPT的爆炸性增长将继续加速,最终被全球数十亿消费者和数千家企业使用。但它面临着来自谷歌等竞争对手和Anthropic等其他AI初创公司的激烈竞争,与其主要财务支持者微软的关系也日趋紧张。
《华尔街日报》表示,相对于现金持有量,Oracle的债务负担比微软、亚马逊和Meta要大得多。其在AI基础设施方面的投资已经超过了现金流,总债务股本比为427%,而微软仅为32%。
OpenAI和Oracle还承诺了一项单独的计划,将在阿联酋建设一个大型数据中心综合体,这是特朗普与该国政府谈判达成的协议的一部分。这是一个合资企业,还涉及软银和阿联酋投资公司G42等其他利益相关者。
不过,G42也将为OpenAI在美国的数据中心提供资金,协议规定每在阿联酋投资1美元,就要在美国数据中心投资等额资金。
Q&A
Q1:OpenAI与Oracle签署的合作协议规模有多大?
A:OpenAI与Oracle签署了价值3000亿美元的云计算合作协议,合作期约五年。双方将建设4.5吉瓦的数据中心计算能力,这相当于两个胡佛大坝的发电量,是历史上最大的云计算合同之一。
Q2:Stargate项目是什么?进展如何?
A:Stargate是OpenAI所有数据中心基础设施计划的品牌,1月在白宫宣布,目标是建设价值5000亿美元的数据中心。目前已获得超过一半目标的承诺,建设工作已在德克萨斯州阿比林展开。
Q3:OpenAI目前的财务状况如何?
A:OpenAI目前远未盈利,正在大量烧钱。年收入约100亿美元,但每年在数据中心建设和计算能力租用方面的支出达600亿美元。据报道,奥特曼预计最早2029年才能盈利,需要花费440亿美元实现目标。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。