周二,亚马逊宣布Uber扩大其AWS云服务合约,将更多打车功能迁移到亚马逊芯片上运行。Uber将特别扩大对AWS Graviton芯片(低功耗ARM架构服务器CPU)的使用,并开始试用Trainium3——AWS对标英伟达的AI芯片。
这项合作与其说是对英伟达的长期威胁,不如说是亚马逊对AWS云计算竞争对手谷歌和甲骨文的有力回击。
虽然Uber历史上一直运营自己的数据中心,但在2023年,这家打车公司签署了与甲骨文和谷歌的大型多年云计算合约。该公司表示,计划将大部分IT基础设施从自有数据中心迁移到这两个云平台。
即使在去年12月,Uber仍在博文中公开重申这一目标:"2023年2月,Uber开始使用OCI和谷歌云平台从本地数据中心向云端转型,面临着迁移大规模工作负载和在此前以x86为主导的环境中引入ARM架构计算实例的双重挑战。"
Uber在那篇博文中特别提到了在甲骨文云中使用Ampere制造的ARM芯片。这里事情变得有趣起来。
如果想了解硅谷错综复杂关系的速成课程,不妨看看Ampere的历史。
Ampere由前英特尔高管雷妮·詹姆斯创立,她在未能升任该芯片制造商CEO后离职创业。她动用了所有关系,包括她在私募股权公司凯雷的投资者身份影响力,以及在甲骨文的董事会席位,筹集资金创办了这家公司。甲骨文拥有该公司约三分之一股份,詹姆斯因这项投资不得不放弃在甲骨文的独立董事地位。
(顺便说一下,詹姆斯是帮助推动甲骨文2016年以93亿美元收购NetSuite的关键董事会成员,拉里·埃里森是NetSuite的主要股东。这笔交易引发了股东诉讼,指控甲骨文收购价过高,但诉讼最终败诉。)
去年12月,Ampere的主要竞争对手软银收购了该公司,甲骨文出售股份获得了27亿美元的可观税前收益。詹姆斯于2024年底离开甲骨文董事会,不再在Ampere工作。
甲骨文正在尽快筹集资金,为OpenAI和Stargate项目建设数据中心。埃里森表示,甲骨文出售Ampere是因为他认为为数据中心内部设计芯片不再是竞争优势。该公司更愿意采购芯片,并与英伟达签署了大规模合约。
值得注意的是,甲骨文、软银和英伟达也是OpenAI循环交易圈的一部分,这些交易旨在资助这家模型制造商的大规模数据中心建设。
但现在AWS宣布,凭借内部设计的芯片,从甲骨文的明星客户Uber那里获得了更大合约。
Uber加入了Anthropic、OpenAI和苹果的行列,成为因AWS AI芯片而签约或增加使用AWS服务的大型科技公司。去年12月,亚马逊CEO安迪·贾西表示,Trainium已经是一项价值数十亿美元的业务。
Q&A
Q1:Uber为什么选择扩大与AWS的合作?
A:Uber扩大与AWS的合作主要是为了利用亚马逊的自研芯片技术。具体包括扩大使用AWS Graviton低功耗ARM架构服务器CPU,以及试用Trainium3 AI芯片。这些芯片能够更好地支持Uber的打车服务功能运行。
Q2:AWS Trainium芯片业务规模有多大?
A:根据亚马逊CEO安迪·贾西在去年12月的表态,Trainium已经发展成为一项价值数十亿美元的业务。除了Uber,还有Anthropic、OpenAI和苹果等大型科技公司都因为这些AI芯片而签约或增加了AWS服务的使用。
Q3:甲骨文为什么要出售Ampere股份?
A:甲骨文CEO拉里·埃里森表示,出售Ampere是因为他认为为数据中心内部设计芯片不再是竞争优势。甲骨文更愿意直接采购芯片,已经与英伟达签署了大规模合约。此次出售为甲骨文带来了27亿美元的税前收益。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。