据报道,Meta Platforms正在与Google商讨斥资数十亿美元购买Google的AI芯片,进一步推动了这家搜索巨头在人工智能技术领域挑战英伟达领导地位的发展势头。
这项交易将标志着Google芯片产品发展动力的增强,以及其长期挑战英伟达市场主导地位的潜力。此前,Google已同意向Anthropic供应多达一百万颗芯片。
Google母公司Alphabet有望在周三纽约交易时段首次触及4万亿美元市值。英伟达股价在盘前交易中下跌约4%。
据消息人士透露,Meta正在讨论在2027年在其数据中心使用Google的芯片——即张量处理单元(TPU)。Meta还可能在明年从Google云计算部门租用芯片。
该协议将有助于确立TPU作为英伟达芯片替代方案的地位。英伟达芯片目前是从Meta到OpenAI等大型科技公司和初创企业开发和运行人工智能平台所需计算能力的黄金标准。
英伟达股价已面临阻力,投资者担心更广泛的AI泡沫。曾因在2008年金融危机期间做空房地产市场而闻名的迈克尔·伯里,在《大空头》一书中被详细描述,现在正对这家芯片制造商的循环AI交易、硬件折旧和收入确认进行审查。
在Google与Anthropic的交易公布后,Seaport分析师杰·戈德伯格称其为TPU的"真正有力验证"。他表示:"很多人已经在考虑这个问题,现在可能有更多人在思考。"
Google发言人表示:"Google云计算正经历对我们定制TPU和英伟达GPU需求的加速增长;我们致力于支持两者,正如我们多年来一直所做的那样。"
Meta的代表拒绝置评。
周二亚洲早盘交易中,与Alphabet相关的亚洲股票大幅上涨。在韩国,向Alphabet供应多层板的IsuPetasys公司股价跳涨18%,创下盘中新高。在台湾,联发科股价上涨近5%。
与Meta——全球数据中心和AI开发最大支出者之一——的交易将标志着Google的胜利。但很大程度上取决于张量芯片是否能展现出成为长期可行选择所需的能效和计算能力。
张量芯片最初是十多年前专为人工智能任务开发的,现在在其母公司之外作为训练和运行复杂AI模型的方式获得发展势头。在全球公司担心过度依赖英伟达的时代,其作为替代方案的吸引力不断增长,在这个市场中,即使是AMD也是遥远的第二名。
图形处理单元(GPU)是英伟达主导的芯片市场部分,最初是为加速图形渲染而创建的——主要用于视频游戏和其他视觉效果应用——但后来证明非常适合训练AI模型,因为它们可以处理大量数据和计算。另一方面,TPU是一种专门产品,被称为专用集成电路,即为特定目的设计的微芯片。
张量芯片还被改进为Google自有应用中AI和机器学习任务的加速器。由于Google及其DeepMind部门开发像Gemini这样的尖端AI模型,公司能够将这些团队的经验反馈给芯片设计师。同时,定制芯片的能力也使AI团队受益。
Q&A
Q1:什么是TPU芯片?与英伟达GPU有什么区别?
A:TPU是张量处理单元,是Google开发的专用集成电路,专门为人工智能任务设计。与英伟达GPU不同,GPU最初是为图形渲染创建的,而TPU从一开始就是为AI和机器学习任务量身定制的专用芯片。
Q2:Meta为什么要选择Google的TPU芯片?
A:Meta选择TPU芯片主要是为了减少对英伟达的过度依赖,寻求AI芯片供应的多样化。TPU作为替代方案能够提供训练和运行复杂AI模型所需的计算能力,同时Google已经通过与Anthropic的合作证明了其技术实力。
Q3:这次合作对Google和英伟达市场地位有什么影响?
A:这次合作将有助于确立TPU作为英伟达芯片替代方案的地位,推动Google在AI芯片市场的竞争力。对英伟达而言,这意味着其市场主导地位面临挑战,投资者对AI泡沫的担忧也导致英伟达股价承压。
好文章,需要你的鼓励
随着AI广泛应用推动数据中心建设热潮,运营商面临可持续发展挑战。2024年底美国已建成或批准1240个数据中心,能耗激增引发争议。除能源问题外,服务器和GPU更新换代产生的电子废物同样严重。通过采用模块化可修复系统、AI驱动资产跟踪、标准化数据清理技术以及与认证ITAD合作伙伴合作,数据中心可实现循环经济模式,在确保数据安全的同时减少环境影响。
剑桥大学研究团队首次系统探索AI在多轮对话中的信心判断问题。研究发现当前AI系统在评估自己答案可靠性方面存在严重缺陷,容易被对话长度而非信息质量误导。团队提出P(SUFFICIENT)等新方法,但整体问题仍待解决。该研究为AI在医疗、法律等关键领域的安全应用提供重要指导,强调了开发更可信AI系统的紧迫性。
超大规模云数据中心是数字经济的支柱,2026年将继续保持核心地位。AWS、微软、谷歌、Meta、甲骨文和阿里巴巴等主要运营商正积极扩张以满足AI和云服务需求激增,预计2026年资本支出将超过6000亿美元。然而增长受到电力供应、设备交付和当地阻力制约。截至2025年末,全球运营中的超大规模数据中心达1297个,总容量预计在12个季度内翻倍。
威斯康星大学研究团队开发出Prithvi-CAFE洪水监测系统,通过"双视觉协作"机制解决了AI地理基础模型在洪水识别上的局限性。该系统巧妙融合全局理解和局部细节能力,在国际标准数据集上创造最佳成绩,参数效率提升93%,为全球洪水预警和防灾减灾提供了更准确可靠的技术方案。