亚马逊宣布将向Anthropic追加50亿美元投资,进一步强化与这家AI公司的财务与商业合作关系,同时加深Anthropic对亚马逊云科技(AWS)基础设施的依赖程度。
此次投资于本周一正式宣布,包括50亿美元的前期注资,以及与商业里程碑挂钩、最高可达200亿美元的后续资金支持。这一举措建立在亚马逊此前已承诺约80亿美元投资的基础之上。
亚马逊首席执行官安迪·贾西在一份准备好的声明中表示:"我们的定制AI芯片在显著降低成本的同时,仍能提供高性能表现。Anthropic承诺在未来十年内在AWS Trainium上运行其大语言模型,这充分体现了我们所取得的进展。"
与此同时,Anthropic计划在未来十年内在AWS上投入逾1000亿美元,将其用于模型训练与推理部署,并依托包括Trainium芯片和Graviton CPU在内的AWS基础设施。
HyperFrame Research驻场分析师斯蒂芬·索普科表示:"我们正在见证的,是主要AI参与者与具备规模化能力和广泛覆盖的云服务商的深度绑定——随着企业客户从试点阶段迈向从AI中获取真实回报的阶段,这一趋势尤为明显。AWS在此布局合乎逻辑。"
长期基础设施战略对齐
此次协议的意义远超普通股权投资。Anthropic的长期支出承诺将AWS确立为其主要基础设施提供商,并将公司的增长与AWS的容量和服务深度绑定。
协议的规模表明,未来数年内对AI基础设施的需求将维持在高位且持续增长。
Anthropic首席执行官兼联合创始人达里奥·阿莫代伊表示:"我们的用户反映,Claude正变得越来越不可或缺……我们需要构建相应的基础设施,以跟上迅速增长的需求。"
这一协议结构与亚马逊更宏观的战略转型方向一致——即提前布局AI基础设施以应对未来需求。据Data Center Knowledge此前报道,亚马逊计划在AI相关领域投入2000亿美元,体现出其预判未来工作负载、超前部署算力的战略取向,而非随企业采用率的增长被动扩张。
这一方式优先确保了对电力、土地和芯片的早期获取权,但若需求增长未能如期实现,也存在资源利用率不足的隐患。
此次合作还进一步强化了亚马逊在自研AI芯片领域的投入。Anthropic大规模使用Trainium芯片,为AWS提供了一个大规模部署定制芯片的实战环境,有助于AWS持续将自研芯片定位为第三方GPU的替代选项。
Q&A
Q1:亚马逊此次对Anthropic的投资具体包含哪些内容?
A:此次投资共分两部分:50亿美元的前期注资,以及与商业里程碑挂钩、上限为200亿美元的后续资金。加上此前已承诺的约80亿美元,亚马逊对Anthropic的总投资规模将大幅提升。与此同时,Anthropic承诺未来十年在AWS上投入逾1000亿美元用于模型训练与推理,双方形成深度的战略绑定关系。
Q2:Anthropic为什么要长期依赖AWS基础设施?
A:随着Claude模型的用户规模持续扩大,Anthropic需要强大且稳定的基础设施支撑日益增长的训练与推理需求。AWS提供的Trainium芯片和Graviton CPU具备高性能、低成本的优势,能够满足Anthropic大规模部署大语言模型的需求。长期合作协议也保障了Anthropic在未来十年内的算力资源供应。
Q3:亚马逊自研的Trainium芯片在此次合作中扮演什么角色?
A:Anthropic承诺未来十年在AWS Trainium上运行其大语言模型,这为亚马逊提供了一个超大规模的实际部署场景。通过Anthropic的大规模使用,AWS可以验证和优化Trainium芯片的性能,并进一步将其推广为英伟达等第三方GPU的替代方案,巩固自身在AI芯片市场的竞争地位。
好文章,需要你的鼓励
火箭实验室(Rocket Lab)宣布计划以现金加股票方式,斥资80亿美元收购主要卫星运营商铱星通信(Iridium Communications),交易预计于2027年中完成。铱星目前运营着由66颗活跃低轨卫星组成的星座网络,拥有约255万活跃用户,2024年营收达8.717亿美元。收购完成后,Rocket Lab计划借助其新型重型运载火箭Neutron及Lightning卫星平台,扩大铱星星座规模,开拓未被覆盖的市场并降低发射成本。
腾讯等机构提出ViQ框架,通过两阶段渐进量化训练,让离散视觉编码在多模态理解和图像重建上同时追平连续特征编码器,训练速度最高提升70%。
音乐流媒体平台Tidal宣布,将于7月中旬启用自动化工具,对完全由AI生成的音乐添加"AI"标识,并移除具有欺诈性质的曲目。平台还将取消AI生成音乐的版税资格,仅向真人创作、演唱的原创音乐开放变现渠道。此外,Tidal明确将高频异常上传、干扰真实艺术家等行为列为欺诈活动。Deezer、Spotify等竞争对手此前已推出类似检测机制,流媒体行业正加速构建AI内容治理体系。
香港科技大学与华为联合提出LISA训练方法,通过让副网络对齐"似然分数",将ControlNet等图像生成模型的训练收敛速度提升逾2.78倍,同时改善图像质量与条件控制精度。