Broadcom公司股价今日上涨超过9%,此前该公司宣布与OpenAI达成为期四年的基础设施合作伙伴关系。
该合作计划将在未来四年内部署价值10吉瓦的数据中心硬件。据OpenAI透露,这些基础设施将由与Broadcom共同开发的定制人工智能处理器提供支持。在今日发布的播客中,OpenAI总裁Greg Brockman表示,该AI提供商使用自己的神经网络来设计芯片。
"我们已经能够大幅缩减面积,"Brockman详细解释道。"你可以拿到人类已经优化过的组件,然后投入大量计算资源,模型就会提出自己的优化方案。"
现成的显卡面向广泛的客户群体,这意味着对某些用户重要的模块对其他用户来说可能并不必要。构建定制处理器可以移除不需要的模块,从而节省功耗和空间。这些节省的功耗和空间可以重新分配给为公司工作负载优化的电路。
OpenAI计划将其定制处理器部署在同样基于内部设计的机架中。这些系统将配备来自Broadcom的PCIe和以太网网络设备。PCIe主要用于连接内部服务器组件,而以太网则用于服务器之间的连接。
Broadcom在上周三推出了新的AI优化以太网交换机TH6-Davisson。该设备每秒可处理102.4太比特的流量,该公司表示这是最接近竞争对手吞吐量的两倍。TH6-Davisson用于通过网络传输数据的激光发射器采用现场可更换设计,旨在简化维护工作。
通常情况下,以太网交换机与称为可插拔收发器的设备一起部署。这些设备负责将电子数据转换为可通过光纤网络传输的光信号,反之亦然。TH6-Davisson配备内置收发器,无需外部光学模块,从而降低成本。
OpenAI没有明确说明将在合作中使用Broadcom的哪些PCIe产品。这家芯片制造商销售名为PEX系列的PCIe交换机产品线。它还生产重定时器,这是一种防止数据在PCIe链路传输过程中出现错误的模块。
"OpenAI和Broadcom在过去18个月里一直在合作,"OpenAI首席执行官Sam Altman在今日的播客中表示。"通过能够在整个技术栈中进行优化,我们可以获得巨大的效率提升,这将带来更好的性能、更快的模型和更便宜的模型。"
OpenAI和Broadcom计划在2026年下半年部署通过合作开发的首批数据中心机架。据这家芯片制造商透露,其余系统将在2029年之前上线。这些设备预期的10吉瓦功耗相当于数百万家庭的能源使用量。
Broadcom和OpenAI没有透露该项目的预期价格。今年8月,英伟达公司首席执行官Jensen Huang表示,1吉瓦的AI数据中心容量成本为500亿至600亿美元。他补充说,这笔资金的大部分用于英伟达硬件,这表明Broadcom有望从与OpenAI的新合作中获得数十亿美元的收入。
Q&A
Q1:OpenAI与Broadcom的合作具体包括什么内容?
A:这是一个为期四年的基础设施合作伙伴关系,将部署价值10吉瓦的数据中心硬件,使用两家公司共同开发的定制人工智能处理器,并配备Broadcom的PCIe和以太网网络设备。首批数据中心机架计划在2026年下半年部署。
Q2:定制AI处理器相比现成显卡有什么优势?
A:定制处理器可以移除不需要的模块,节省功耗和空间,然后将这些资源重新分配给为公司特定工作负载优化的电路。OpenAI还使用自己的神经网络来设计芯片,实现了大幅的面积缩减和性能优化。
Q3:这个合作项目的规模有多大?
A:项目预期功耗为10吉瓦,相当于数百万家庭的能源使用量。根据英伟达CEO的估算,1吉瓦AI数据中心容量成本约500-600亿美元,这意味着整个项目价值可能达到数千亿美元规模。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
浙江大学等高校研究团队开发的VolSplat系统,通过"体素对齐"替代传统"像素对齐"方法,实现了快速高质量的3D场景重建。该技术仅需6张普通照片即可生成精确3D模型,在RealEstate10K等标准数据集上显著超越现有方法,为机器人导航、增强现实、建筑设计等领域提供了新的技术选择,代表了3D重建领域从二维思维向三维思维的重要转变。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
武汉大学团队与字节跳动公司合作,提出MAPO混合优势策略优化方法,解决AI训练中的"一刀切"问题。该方法能根据问题难度动态调整评分策略,避免传统方法中的优势反转和优势镜像问题。通过轨迹确定性判断和权重动态调整,在几何推理和情感识别任务上都取得显著提升,为AI自适应学习提供新思路。