投資人信了。 兩年前，OpenAI 拿出 5 億美元想買下 Medal，一個遊戲錄影分享平台。創始人 Pim de Witte 拒絕了。 這個決定當時看起來可能有點莽。 General Intuition 創始人 Pim de Witte｜圖片來源：techcrunch

Sakana AI提出大模型訓練新思路。 智東西6月22日報導，今天，日本AI獨角獸Sakana AI發佈了Sakana Fugu系列編排器模型，包括Fugu Ultra和Fugu兩款模型。其中Fugu Ultra模型在工程、科學和推理基準測試中，性能接近或超越了Fable 5以及Mythos Preview等頂尖模型。 和傳統大語言模型不同的是，Sakana Fugu不會自己回答問題，它會呼叫世界上各種模型來完成任務。簡單來說，Sakana Fugu像一個“總指揮”，會根據任務選擇最佳的模型來處理。 Fugu在日文中是河豚的意思，從官方發佈的動畫可以看出，Sakana Fugu是要用多個“小魚”匯聚成一個“大河豚”這種美味食材。

當前，生成式 AI 正由技術探索邁向產業深度應用，大模型訓練、微調、推理、部署全流程最佳化，已成為企業實現 AI 高效落地、提升核心競爭力的關鍵支撐。IDC 發佈《大模型訓練推理最佳化部署的最佳實踐》報告，基於行業實踐與技術演進趨勢，系統梳理大模型全生命周期關鍵最佳化技術，並結合產業真實案例，為企業提供系統、可落地的技術指引。 01. 生成式 AI 落地提速，市場需求持續攀升 生成式 AI 應用正從網際網路場景向金融、製造、醫療、能源、政府與公共事業等核心行業全面滲透，由單點試點轉向規模化部署。據 IDC 調研與預測： 2026 年近半數中國企業部署的生成式 AI 應用場景將達到 10 個以上，AI 智能體成為數位化轉型核心驅動力；

當前，生成式 AI 正由技術探索邁向產業深度應用，大模型訓練、微調、推理、部署全流程最佳化，已成為企業實現 AI 高效落地、提升核心競爭力的關鍵支撐。IDC 發佈《大模型訓練推理最佳化部署的最佳實踐》報告，基於行業實踐與技術演進趨勢，系統梳理大模型全生命周期關鍵最佳化技術，並結合產業真實案例，為企業提供系統、可落地的技術指引。 1 生成式 AI 落地提速，市場需求持續攀升 生成式 AI 應用正從網際網路場景向金融、製造、醫療、能源、政府與公共事業等核心行業全面滲透，由單點試點轉向規模化部署。據 IDC 調研與預測： ● 2026 年近半數中國企業部署的生成式 AI 應用場景將達到 10 個以上，AI 智能體成為數位化轉型核心驅動力；

高盛在3季度業績發佈及調研後，對中國網際網路行業策略大轉向：把“雲與資料中心”提到了首選類股，排到了遊戲和出行之前。AI帶來的算力需求和資本開支（Capex）擴張，已經是最確定的增長邏輯了。1、最大預期差：雲與資料中心成為“新王” ☁️高盛這次非常堅決，把雲和資料中心類股從原來的第三提升到第一。邏輯很硬：AI訓練和推理的需求持續爆發，加上巨頭們都在搞“多晶片策略”，資料中心的訂單量非常飽滿。核心邏輯：不僅是輝達，國產晶片的供應上來後，算力基建的利用率和回報率都在提升。2、AI助手的“入口之戰”是個大隱憂 🤖報告專門討論了一個長線風險：字節跳動的“豆包手機助手”。這東西能直接在作業系統層面（OS-level）幫使用者跨APP操作，比如比價、點外賣。這對現有的APP生態是個降維打擊。雖然目前微信等巨頭因為安全隱私原因封鎖了它的介面，但這種“超級AI代理”對使用者流量入口的爭奪，是未來幾年最大的變數。字節系App現在霸榜iOS免費榜前五中的四席，攻勢很猛。3、本地生活：燒錢該結束了，關注利潤修復 🛵外賣和即時零售打得太凶，三季度行業大概虧了700億人民幣，太誇張了。高盛判斷，這種非理性的補貼戰不可持續。格局推演：美團、阿里、京東的市場份額最終可能會穩定在 5:4:1。美團：雖然長期單均利潤預期被微調（從0.8元降到0.7元），但在這個價位，壞消息已經Price-in了，隨著補貼退坡，利潤修復是大機率事件。4、最新的“核心股票池”名單 📝根據最新的類股偏好，高盛更新了首選名單：雲/資料中心：阿里巴巴、萬國資料、世紀互聯。遊戲（防守反擊）：騰訊、網易。出行（格局穩固）：滴滴、滿幫。電商（新面孔）：快手（新增為關鍵推薦，看好其AI模型Kling的突破和電商變現）。5、估值怎麼看？ 📊現在中概網際網路類股的2026年預期市盈率（P/E）中位數大概是18倍。之前的上漲主要靠殺估值修復（Multiple Expansion），接下來的漲幅，必須得靠實打實的每股收益（EPS）增長來驅動了。所以，選利潤兌現能力強的公司，比單純博反彈要穩妥得多。總的來說，風向變了，硬科技基礎設施（資料中心）的優先順序在上升，而純流量變現的生意面臨AI新玩法的挑戰。 (硬AI)

當地時間 12 月 2 日，亞馬遜雲端運算服務（AWS）在美國拉斯維加斯舉辦的年度雲端運算盛會“AWS re:Invent 2025”上發佈了全新的自研 Trainium3 晶片，以及採用 Trainium3 晶片的 Trainium3 UltraServer 伺服器。根據首席執行官 Matt Garman 的介紹，新款 Trainium3 晶片的性能是前代產品的 4 倍，並採用台積電 3 奈米工藝製造。每個晶片都配備了 144 GB 的 HBM3E 記憶體，記憶體頻寬為 4.9 TB/s，提供 2.52 FP8 PFLOPs 的算力。（來源：社交媒體 X）Trainium3 UltraServer 單機最多整合 144 顆 Trainium3 晶片，總共配備 20.7 TB HBM3E、706 TB/s 記憶體頻寬，可提供最高 362 FP8 PFLOPS 的算力，時延降低 4 倍，可更快訓練超大模型，並大規模支撐推理服務。其計算性能比 Trainium2 UltraServer 高出 4.4 倍，能源效率高出 4 倍，記憶體頻寬也高出近 4 倍。在使用 OpenAI 的開源大模型 GPT-OSS 進行測試時，Trainium3 UltraServer 的單晶片吞吐量可提升 3 倍，推理響應速度提升 4 倍。這意味著企業可以在更小的基礎設施規模下應對峰值需求，顯著最佳化使用者體驗，同時降低每次推理請求的成本。AWS 以垂直整合方式打造 Trainium3 UltraServer，從晶片架構到軟體棧全鏈路協同。核心之一是新一代網路基礎設施，用於消除傳統分佈式 AI 計算的通訊瓶頸：NeuronSwitch-v1 提供 2 倍 的 UltraServer 內部頻寬；增強型 Neuron Fabric 將晶片間通訊延遲降低至 10 微秒以內。這種強大的配置使得它非常適合處理下一代最前沿的 AI 工作負載，例如：訓練大規模AI模型，可以將複雜模型的訓練時間從數月縮短至數周；處理高並行的 AI 推理請求，以低延遲即時處理數百萬使用者的請求，例如智能對話、視訊生成等；運行特定複雜任務，如智能體系統、專家混合模型和大規模強化學習等。包括 Anthropic、Karakuri、Metagenomi、NetoAI、Ricoh、Splash Music 等客戶，已經借助 Trainium 將訓練和推理成本降低最多 50%。其中，Decart 在即時生成式視訊方面實現了 4 倍推理速度提升，成本僅為 GPU 的一半；而 Amazon Bedrock 已經在生產環境中使用 Trainium3 提供服務。（來源：社交媒體 X）對於需要更大規模的客戶，EC2 UltraCluster 3.0 可連線千台 UltraServer，構成擁有多達 100 萬顆 Trainium 晶片的叢集——是上一代的 10 倍。這使得此前完全不可能的任務成為現實：從在兆級 token 資料集上訓練多模態模型，到為數百萬並行使用者提供即時推理服務。自研晶片是亞馬遜的重要戰略項目之一，目標是避免過度依賴昂貴的輝達硬體。而對於 Trainium3 來說，一個關鍵問題在於：有多少大型外部客戶會願意採用這套硬體。尤其是在Google旗下的 TPU 持續搶佔 AI 晶片市場的背景下。另一個重要變數是 AI 初創公司 Anthropic 的晶片採購分配。今年 10 月，Anthropic 宣佈與Google達成合作，將使用多達 100 萬顆Google TPU 晶片，以實現除亞馬遜和輝達之外的供應多元化。Anthropic 表示，亞馬遜仍是其主要訓練合作夥伴與雲服務提供商。該公司預計，到今年年底，將使用超過 100 萬顆 Trainium 2 晶片，其中包括運行在擁有近 50 萬顆 Trainium 處理器的 Project Rainier 超級電腦之上。此外，AWS 也預告了下一代 AI 訓練晶片 Trainium4的研發進展。其在各方面都將實現大幅性能躍升，包括處理性能（FP4）至少提升 6 倍、FP8 性能提升 3 倍、記憶體頻寬提升 4 倍。結合持續的軟硬體最佳化，其實際性能提升將遠超基準數值。其中，FP8 提升 3 倍是一次基礎性飛躍。模型訓練至少快 3 倍，推理吞吐量也至少提升 3 倍，並且隨著軟體最佳化將獲得進一步加成。FP8 已成為現代 AI 工作負載在精度與效率之間的行業標準格式。為進一步提升單機擴展性能，Trainium4 將支援 NVIDIA NVLink Fusion高速互聯技術。該能力將使 Trainium4、AWS Graviton 處理器及 Elastic Fabric Adapter（EFA）能在統一 MGX 機架內協同工作，為客戶提供支援 GPU 與 Trainium 的成本更優、性能更強的機架級 AI 基礎設施。這一整合將建構一個靈活、高性能的平台，最佳化應對未來對訓練與推理都極其苛刻的 AI 工作負載。 (問芯)

一家由中國科技企業家創立的美國初創公司Enther AI，近日正式發佈了其首款自研AI訓練晶片——Enther TPU。據公司宣稱，該晶片在運行特定AI模型時，其速度可達輝達2020年發佈的A100 GPU的1.5倍，能效提升42%。Enther AI由前Google工程師郭志雄（Zhixiong Guo）於2023年創立。公司在推出Enther TPU的同時，也展示了整合該晶片的E1伺服器節點。每個E1節點搭載4顆Enther TPU，可提供高達10.8 petaFLOPS的BF16訓練算力。Enther AI進一步提出了建構萬卡叢集的藍圖，其設計的“E1超級叢集” 通過光學電路切換網路連線多達2500個E1節點（即10,000顆TPU），旨在為兆參數大模型提供訓練支援。值得注意的是，儘管Enther AI總部位於美國，但其研發活動具有鮮明的跨太平洋特徵。公司的研發團隊主要在中國，這使其發展路徑和動向備受業界關注。在軟體生態方面，Enther AI推出了E-SDK，聲稱其能“無縫”將基於NVIDIA GPU的AI訓練項目遷移至其Enther TPU平台上，並支援PyTorch、JAX等主流AI框架。不過，目前該晶片的公開性能資料均來自Enther AI自身的測試報告，尚未有第三方機構的獨立驗證。此外，Enther TPU作為市場新入者，其實際量產交付能力、在更廣泛AI工作負載下的穩定性以及能否成功建構起持續的開發者生態，仍是其未來需要面對的關鍵挑戰。在全球AI算力競爭日益激烈的背景下，Enther AI的亮相為市場帶來了新的選擇。然而，從技術發佈到獲得產業界的廣泛認可和採用，這家年輕的初創公司仍有很長的路要走。其後續發展，特別是產品的實際應用表現，將成為衡量其成功與否的真正試金石。 (晶片行業)

關於AI的起起落落，一切都那麼迅猛，就連裁員也是。圖片來源：unsplash11月27日，據Business Insider獲取的資訊，本周一，Uber的AI訓練計畫“Project Sandbox”中，很多項目成員已收到“裁撤通知”，即便是承諾項目僱員至少有三個月的工作期限。Uber給出的理由是，因為客戶“內部優先事項發生了變化”，他們提前被拋棄了。目前尚未清楚裁員人數。但引人關注的是，在這一輪裁員大潮中，零工和博士都未能倖免，均收到了裁員郵件。不過，由於從入職到離職太過迅速，被裁員的人中大部分都還沒能拿到第一筆工資，Uber方面稱，他們的工資可能需要再等七周，也就是原先約定的合同期限結束後。一個月前，Project Sandbox計畫啟動，據稱，主要是為Google服務，用手中的人力資源幫助其開發AI工具。該項目至少有十余家外包公司參與。根據公司官網資訊，Uber AI Solutions提供資料標註、模型測試及Agentic AI技術堆疊等企業服務。近年來，Uber一直致力於在網約車、外賣業務的基礎上加速發展AI業務，利用AI最佳化自身繫統的定價、匹配和調度效率，與Google的Waymo等公司一同佈局自動駕駛計程車（Robotaxi）。其中，Uber AI Solutions尤其受到關注。今年6月，Uber宣佈將其技術平台提供給全球AI實驗室和企業使用，利用其十年來在資料方面的積累和業務經驗，幫助客戶構造、測試，最終打造出更加智能的AI模型和應用。在Uber的目標市場中，Agentic AI尤受重視。公司官方發佈《Agentic AI技術堆疊：企業需要滿足那些條件才能在2026年大規模採用》文章中，詳述了Uber為了幫助客戶在2026年打造出真正的Agentic AI所進行的規劃。當然，其解決方案實際上離開不了“堆人工”，該公司介紹稱，將通過全球超800萬零工勞動力收集和評估實際資料，提供超過200種語言的服務，涵蓋30多個網路。今年以來，關於美國、印度等地的Uber司機、外賣人員在工作之餘通過標註視訊、圖片等完成AI訓練賺錢的貼文已經廣為流傳。不過，這項工作需要的遠不止傳統意義上的零工。就在月初的三季報財報電話會議上，Uber首席執行官達拉·科斯羅沙希（Dara Khosrowshahi）還明確表示，其人工智慧訓練任務中的不少崗位都需要博士學位，他們會在訓練中承擔更高階的任務。不管是不是所謂“AI降臨派”，或許我們都不得不承認，總有一天我們要為AI打工。今年以來，以人工喂養AI的產業愈發壯大，全球數十萬人加入了AI資料標註的工作，有的將其作為職業發展方向，有的將其視為帶來可觀收益的副業。在Google大獲成功的Gemini 3和Nano Banana Pro背後，也少不了這些為AI打工的人。Business Insider稱，Project Sandbox的參與成員完成Uber方面的註冊後，都會與Google的一名特定員工取得聯絡。目前，Surge AI、Scale AI等初創企業都致力於為科技巨頭們的AI事業提供人工訓練服務。不過，這個市場遠沒有那麼穩定，相關公司的發展歷程中，裁員往往是“常規操作”。其中典型例子，莫過於為OpenAI提供人工訓練、最早入局這片市場的Invisible Technologies，該公司在ChatGPT發佈數月後就開始了裁員。此外，AI領域的明星公司，包括GlobalLogic、Scale AI等在內，今年都啟動了大規模裁員計畫。6月，Meta宣佈收購Scale AI 49%的股權後，後者首席執行官汪滔（Alexandr Wang）隨即加入Meta，而Scale AI則因為客戶流失和經營問題、組織變動等原因進行了大規模裁員。據稱，包括佔公司總人數超過10%的200名全職員工和500餘名合同工失去了工作。雖然汪滔入職Meta後主導的TBD Lab團隊很受重視，但Meta自身的大裁員也已經在10月到11月開始。根據美國數位媒體平台Axios早先發佈的報導，Meta計畫在10到11月之間裁撤600名AI條線的員工。FAIR研究團隊的研究總監田淵棟已經離職，AI教父級人物、圖靈獎得主楊立昆（Yann LeCun）也確認自己將於年底從Meta離職創業。雖然目前多項研究顯示，AI對整體就業的衝擊尚未顯現，但全球最大求職網站Indeed的最新報告則指出，即使AI還無法取代人工，但至少已經能讓企業用更少投入做更多的事，尤其在資料分析領域，員工無需過多培訓就能利用AI來分析資料。這導致科技公司資料分析領域的職位發佈數量急劇下降，相比新冠疫情前，相關領域的職位空缺減少了40%。即使就業市場不會出現“失業潮”，但如果缺少新的招聘崗位，未來的就業結構就會變得異常畸形。即使不考慮AI，日本1990年代末泡沫經濟破裂後的情況也提示了這種危機。當時，為了保證已冗餘的在職員工有能力支付房貸，避免金融系統全方位崩潰，日本的政策決策層和大企業幾乎主動放棄了畢業生招聘，這在“失去的三十年”中導致了一系列的經濟和社會問題。那些率先啟用AI的公司或許會獲得成功，但頗為諷刺的現實是，那些最早為AI打工的人，恐怕始終逃不過被拋棄的命運。 (鈦媒體AGI)