Marvell科技周四收漲7.27%，報$310.58。此前彭博社報導，亞馬遜正就向外部企業銷售其Trainium人工智慧晶片展開談判，允許這些企業將其用於自建資料中心。這一戰略轉向被投資者視為定製晶片市場的重大擴張訊號，而Marvell正是這一市場的核心基礎設施合作夥伴。 Marvell是亞馬遜雲服務（AWS）定製Trainium AI晶片的主要設計與製造合作夥伴，因此將直接受益於該平台的對外擴展。當日MRVL成交量約達1.88億股，超過其三個月日均成交量約3,600萬股的五倍。 此次消息標誌著AWS的重大戰略轉變。長期以來，AWS一直將自研晶片用於內部雲服務，從未對外銷售。亞馬遜人工智慧負責人彼得·德桑蒂斯（Peter DeSantis）向彭博社透露，公司目前正與潛在買家進行積極洽談，但未透露具體對象。 AWS發言人多倫·阿倫森（Doron Aronson）對此予以確認，表示："雖然我們過去一直拒絕直接出售晶片的請求，但安迪指出，未來我們很可能會向第三方出售整機架晶片。"

“我們的晶片業務火熱。”這句話既不是出自輝達、英特爾，也不是Google、微軟，而是來自於亞馬遜CEO安迪·傑西（Andy Jassy）最新的股東信。他還補充到，Trainium晶片的需求正在爆發。這聽起來多少有點反直覺。因為過去一段時間，你聽到的亞馬遜，大機率不是這個故事。你聽到的應該是亞馬遜如何裁員，是自由現金流被AI基建吞掉，是AWS增速被質疑，是它和甲骨文一起被放進了“AI包工頭”那一撥裡。在很多人的印象裡，亞馬遜根本就不是一家站在AI潮頭的公司。模型這邊，OpenAI有ChatGPT，Anthropic有Claude，Google有Gemini。如果我問你亞馬遜最強的模型叫什麼，很多人可能還真得先搜一下。但在大家沒怎麼注意的地方，亞馬遜其實已經暗度陳倉了。在這封股東信裡說寫到，AWS的AI業務年化收入已經超過150億美元。更關鍵的是，包含Graviton、Trainium和Nitro在內的亞馬遜自研晶片業務，年化收入已經超過200億美元，而且還在以三位數同比增長。安迪表示，如果把這塊業務單獨拆出來，像輝達、英特爾那樣直接向第三方賣晶片，它的年化規模大約可以達到500億美元。這個規模就不能再管它叫“內部降本工具”了，這是一塊真正長出來的新業務。更重要的是，亞馬遜現在不是只做晶片。它有底層晶片，有資料中心，有AWS，有Bedrock，有Anthropic這樣的深度繫結客戶，也有OpenAI、蘋果這些外部大客戶。換句話說，雖然模型本身沒那麼亮眼，不過亞馬遜的確是一家全端AI公司了。微軟還在OpenAI、Copilot、Azure和Maia之間摸索主軸，但亞馬遜的方向反而越來越清楚。讓AI儘可能跑在AWS上，儘可能消耗AWS自己的晶片，最後把AI時代的利潤率和控制權重新抓回自己手裡。所以我才覺得，晶片正在成為亞馬遜的“AWS”。就比如Anthropic，現在他們的Claude模型，全都已經在亞馬遜的晶片上跑過了。為了吃定Anthropic這個大客戶，亞馬遜還專門建了一個AI算力叢集，叫Project Rainier。這個叢集是全球已知最大的非Nvidia算力叢集之一，僅印第安納州New Carlisle這一處園區，當時就已經部署了大約50萬顆Trainium2晶片。到2025年底，規模已經擴大到100萬顆晶片。而這些晶片存在的目的就一個，跑Claude。亞馬遜都這麼客氣了，Anthropic自然也得禮尚往來，後者直接參與了亞馬遜Trainium3晶片的設計工作。以前都是晶片公司有什麼晶片，AI公司才能訓練怎樣的模型。現在反過來了，AI公司開始教雲廠商怎麼造晶片。問題也隨之而來。亞馬遜為何非要自己造晶片？它真的是為了挑戰輝達，還是只是想把AWS的利潤率再抬高一點？歸根結底，亞馬遜造晶片這件事，表面看是個硬體故事，但你只要往深處看，就會發現還是亞馬遜那套平台邏輯，把別人的增長，變成自己的基礎設施收入。01一場從2015年開始的豪賭Annapurna Labs成立於2011年，然後他們就一直處於隱身模式。這家公司由三位工程師創立，他們採用了一種很叛逆的設計理念，從雲端運算、資料流量、實際需求倒推回去，再設計晶片。這種反向思維方法，恰好與亞馬遜的工作方式完全契合。2015年初，亞馬遜以3.5億美元收購了一家以色列晶片創業公司Annapurna Labs。沒有新聞發佈會，在亞馬遜的財報中，也只有一條簡短聲明。當時所有人都覺得，這只是亞馬遜眾多投資中不起眼的一筆。收購完成後，亞馬遜並沒有急於推出產品。Annapurna Labs的團隊先是參與了AWS相關項目，後來開始給Nitro System的底層做硬體設計。Nitro System是AWS的一套雲基礎設施底層架構。它是把原來由伺服器主CPU和傳統虛擬化軟體負責的很多事情，拆出來交給專門的硬體去做。Annapurna Labs就是負責來設計這個硬體。有一說一，這只是小打小鬧，或者你可以直接理解為Annapurna Labs在融入亞馬遜這個大家庭之前的一次團建，真正的故事要從2018年開始講起。3年之後，AWS推出了Inferentia，這是一款專門用於推理的機器學習晶片。亞馬遜認為，與訓練相比，推理任務對晶片的要求略低，更容易切入。這屬於人之常情，很多國內做AI晶片的廠商也秉持著相同的想法。2019年，搭載Inferentia晶片的Inf1實例正式上線。這玩意到底性能如何呢？亞馬遜之前有一套搭載輝達T4 GPU的雲伺服器，主打圖形渲染、視訊處理和機器學習推理。Inf1比G4多了最高3倍的吞吐，每次推理成本最多低40%。但是，Inf1在市場上卻沒什麼聲量。原因在於它是專門為推理場景做了最佳化，特別適合用來做推薦系統、圖像識別、語音識別、NLP推理這些。可問題就在於，亞馬遜的整個晶片生態剛起步，你想用Inf1，就必須得用亞馬遜自己的AWS Neuron SDK。這個SDK的框架雖然支援TensorFlow/PyTorch/MXNet，但相容性和成熟度遠不如輝達的CUDA。並且早期編譯器限制很多，比如控制流、模型大小、BERT序列長度等都有約束。所以Inf1更像是個概念產品，只是給市場打了個樣，亞馬遜自己也深知這一點。不過Inf1的表現還是超出了亞馬遜的預期，於是接下來，亞馬遜開始高歌猛進。2021年，AWS正式發佈了首款面向客戶用於訓練AI模型的晶片Trainium。訓練晶片的技術難度遠高於推理晶片，第一代Trainium基於7奈米工藝，擁有約550億個電晶體，於2022年開始為EC2 Trn1實例提供算力。亞馬遜表示，在特定工作負載下，Trainium的每token成本比A100叢集低54%。對於GPT類模型，Trainium的吞吐量與A100相當，但成本只有一半左右。2023年底，亞馬遜在re: Invent大會上發佈了第二代Trainium2晶片。這款晶片採用5奈米工藝，計算核心數量是第一代的4倍，訓練速度提升4倍，記憶體容量顯著增加。Trainium2針對生成式AI訓練做了專門最佳化，支援結構化稀疏性，能夠更高效地處理大語言模型的訓練任務。且相較於基於H200/H100的同類雲配置，價格性能可再提升30%到40%。2024年12月，亞馬遜在re: Invent大會上首次公佈了新一代Trainium3晶片。這是AWS首款採用3奈米工藝的AI晶片。到2025年底，Trainium3被正式整合到Trn3 UltraServer中，每台伺服器搭載144顆晶片，提供362 petaflops的總算力。這些伺服器採用液冷技術，能效比前代提升約4倍。AWS表示在部分訓練和推理場景下，客戶可將成本進一步壓低至輝達GPU方案的一半左右。從2015年到2026年，亞馬遜在晶片業務上的投入是漸進式的，因此越後面投入越大。2025年，亞馬遜的資本支出達到約1250億美元，其中絕大部分流向AI所需的資料中心、電力和晶片。2026年，這個數字預計將達到2000億美元，比分析師預期高出近40%，也超過了Google宣佈的1850億美元上限。02亞馬遜的晶片為何能賣出去？錢，不能只花不賺。前文提到亞馬遜晶片業務的年化營收已超過200億美元，是這個數字包括Graviton處理器、Trainium訓練晶片和Nitro網路晶片的總收入。這封信還透露，如果晶片業務作為獨立公司營運，像輝達或英特爾那樣直接向第三方銷售晶片，年化營收規模可達500億美元。Graviton本質上就是Annapurna Labs開發的一款Arm伺服器CPU，用來替代英特爾和AMD那類傳統x86處理器，負責跑Web服務、資料庫、容器和各種企業應用。你可能要問了，那為何要有這玩意呢？我用英特爾的CPU不行嗎？AWS上有大量的工作負載，其實根本不需要GPU，也不需要什麼AI晶片，這些東西吃的就是最普通、最穩定、最長期的伺服器CPU算力。對這些常見的工作負載來說，Graviton更便宜、更省電，還更容易推廣。目前，亞馬遜的晶片主要通過AWS以租用形式提供給客戶，而不是直接銷售硬體。客戶購買的是EC2實例的計算能力，背後可能是Graviton、Trainium或Inferentia晶片。這種商業模式與傳統晶片廠商完全不同，倒是和網上一些租顯示卡的個體戶很像。從後來的結果看，Graviton也確實成了亞馬遜自研晶片裡最早跑通商業閉環的產品。它不像Trainium那樣需要客戶重寫大量訓練流程，也不像Inferentia那樣強依賴特定推理場景。在AWS彈性計算產品的1000個最大客戶中，超過90%正在使用Graviton晶片。AWS還披露，有超過5萬名客戶在使用Graviton。知名企業如蘋果、SAP、Pinterest、Datadog都是Graviton的使用者。所謂一分錢難倒英雄漢，很多公司遷移到Graviton，就是因為它便宜、穩定，而且遷移成本低。Graviton先幫亞馬遜證明了一件事，只要價格便宜，客戶並不介意自己用的是什麼晶片。而這件事一旦被證明，Trainium和Inferentia後面的故事才真正有了繼續講下去的底氣。Trainium和Inferentia的客戶就相對少一些，它們最大的客戶是Anthropic。2024年底，Anthropic宣佈了Project Rainier，將使用一個擁有近50萬顆Trainium2晶片的算力叢集訓練Claude模型，文章開頭我就提到了。這個叢集在2025年投入使用，是當時世界上最大的機器學習訓練叢集之一，算力是Anthropic之前使用叢集的五倍以上。2025年，OpenAI先與AWS達成了規模達380億美元的長期雲合作承諾。到了2026年2月，亞馬遜又宣佈向OpenAI投資500億美元，並確認OpenAI將通過AWS基礎設施消耗約2吉瓦的Trainium計算容量。考慮到Anthropic和亞馬遜自己的Bedrock服務已經使用了大量Trainium晶片，亞馬遜竟然還能騰出手接下OpenAI這筆大單子，可見當時的亞馬遜已經All In晶片了。除此以外還有蘋果，它們的搜尋產品採用了Graviton 4和Inferentia 2，機器學習推理工作負載的效率提高了40%以上。蘋果還在早期階段測試Trainium 2，初步結果顯示，在Trainium 2上對模型進行預訓練，效率將提升50%。然而正當亞馬遜以為自己的晶片功法就要煉成的時候，有人給他們潑了一盆冷水。2025年7月，一份亞馬遜內部標註為“機密”的文件顯示，AI初創公司Cohere發現Trainium 1和Trainium 2晶片的性能“不及”輝達的H100 GPU。開發了Stable Diffusion的圖像生成公司Stability AI也得出類似結論，認為Trainium 2在延遲方面表現不佳，使其在速度和成本上“競爭力較弱”。新加坡AI研究機構AI Singapore的測試表明，配備輝達GPU的AWS G6伺服器在多個使用場景下的成本性能都優於Inferentia 2。亞馬遜對此回應稱，這些反饋“並非當前情況”，Trainium和Inferentia已經在Ricoh、Datadog、Metagenomi等客戶那裡取得了“出色成果”。03雲巨頭造晶片儘管如此，需求仍在快速增長。亞馬遜的股東信中透露，兩家大型AWS客戶曾要求購買2026年所有的Graviton實例容量，但亞馬遜因需要照顧其他客戶的需求而婉拒了這兩筆大單子。AWS在2025年新增了3.9吉瓦的電力容量，預計到2027年底總電力容量將翻倍。亞馬遜造晶片的故事，從2015年的一筆低調收購，到2026年成為年化200億美元的業務，用了11年時間。你要非得說這個增長多高多快，那也未必見得，但至少說得過去。問題就在於，這條路能走多遠，能否真正複製AWS的成功。亞馬遜造晶片的核心邏輯很簡單，降低成本，提高利潤率。但這個邏輯能否成立，取決於三個問題：晶片真的更便宜嗎？客戶願意為此付出遷移成本嗎？多久能收回投資？首先，客戶需要使用AWS的Neuron SDK對程式碼進行適配。Anthropic的工程師透露，將訓練流程遷移到Trainium3大約需要三周時間，這比早期幾代定製晶片所需的數月時間大幅縮短，但仍然是一筆不小的工程投入。其次，不是說所有的模型架構它都能用Trainium來跑。有些架構需要CUDA進行特定操作，而且一些公司它是財大氣粗的類型，要求算力必須達到極限，而這時候，仍然只能使用輝達的產品。如果把視角再往外拉一點，你會發現亞馬遜對晶片這件事的執念，其實也和它自己在AI戰場上的尷尬處境有關。我就舉一個例子，如果問你，亞馬遜的模型是啥，你如果不去搜尋，能立馬回答得上來嗎？亞馬遜不是沒做模型，相反，它很早就佈局了自己的Titan模型家族，後來又推出了Nova，想把文字、圖像、視訊這些生成能力都補齊。後面還有覆蓋消費端到企業端的各種AI產品，比如Bedrock、Q，再到升級版Alexa。問題在於，亞馬遜每一步都跟著摻和了，但是每一步都沒有讓客戶們滿意。這就導致亞馬遜在AI產業上面掉隊了。除了亞馬遜，雲巨頭也都在重塑AI晶片市場。Google的TPU已經迭代到第五代，微軟也在開發自己的AI晶片Maia。Google雖然不直接賣TPU，不過好歹還建了個雲平台，對外銷售TPU的算力。微軟倒好，這個Maia就從來沒有對外放出來過。然而Maia的現狀，並不樂觀。2023年的時候，微軟本想用Maia 100來跑OpenAI、Copilot這些大模型，但等產品剛開始部署的時候發現，Maia 100的算力遠遠不夠支撐當時的ChatGPT，所以OpenAI也只能選擇輝達。2025年，微軟下一代Maia被爆出難產，因此其量產時間從2025年推遲到了2026年，原因包括設計中途變更、團隊流動和工程推進不順，而且按當時外媒透露的消息，新Maia的性能也比不上輝達剛剛發佈的Blackwell。到了2026年1月，微軟總算是正式拿出了採用3nm工藝的Maia 200，但它的定位是推理，並不能像輝達的GPU一樣用來訓練大模型。然而市面上已經充滿了替代產品，微軟不僅技術上沒有領先，就連產能和鋪設速度也比不過亞馬遜和Google，這就導致微軟的Maia沒能掀起什麼風浪。未來的AI晶片市場可能會分化為兩個層次，一個是輝達、AMD主導的通用市場，另一個是雲巨頭各自的封閉生態。對於初創公司和中小企業來說，選擇那個雲平台，就意味著選擇了背後的晶片架構。如果深度依賴AWS的Trainium，將來遷移到其他平台的成本會非常高。亞馬遜以前掉隊了，所以它才想要去鎖定中小企業未來，指不定能在AWS上再養出來幾個OpenAI、Anthropic這樣的企業。但從另一個角度看，雲巨頭的自研晶片也在推動整個行業的進步。輝達之所以能夠長期維持高利潤率，部分原因是缺乏有效競爭。當亞馬遜、Google、微軟都開始自己造晶片，就會去倒逼輝達降價、加快迭代。最終受益的是整個AI行業。亞馬遜造晶片能否成為下一個AWS，取決於如何定義“成功”。如果成功意味著像AWS那樣創造一個全新的行業，改變整個科技生態，那麼顯然，它並不能成為下一個AWS。晶片行業已經存在了幾十年，亞馬遜不是在創造新市場，而是在重新分配現有市場的份額。但如果成功意味著建立一個可持續的、有競爭力的業務，為AWS提供成本優勢和戰略控制權，那麼亞馬遜已經在這條路上走得很遠。200億美元的年化營收，90%以上的頭部客戶採用率，Anthropic和OpenAI這樣的標竿案例，這些都足以證明Trainium的成功。更重要的是，當你擁有從晶片到資料中心到軟體平台的完整堆疊，你就可以針對特定工作負載進行端到端的最佳化，這是購買通用晶片無法實現的。從這個意義上說，亞馬遜造晶片的故事，不是關於能賺多少錢，而是關於誰掌握控制權。在AI時代，算力就是石油，誰控制了算力的生產和分配，誰就掌握了未來。亞馬遜不想把這個控制權完全交給輝達，就像它當年不想把雲基礎設施的控制權交給英特爾一樣。就算到最後，Trainium不能與輝達平起平坐，它也已經證明了雲巨頭有能力挑戰晶片巨頭的壟斷地位。這本身也是一種成功。 (字母榜)

輝達計畫推出一款專為幫助 OpenAI 和其他客戶建構更快、更高效的工具而量身定製的新處理器，這將對其業務進行重大變革，並有望重塑人工智慧競賽格局。據知情人士透露，該公司正在設計一套用於“推理”計算的新系統，這種處理方式可以讓人工智慧模型響應查詢。知情人士稱，這個新平台將於下個月在聖何塞舉行的輝達GTC開發者大會上亮相，並將採用初創公司Groq設計的晶片。推理計算一直是行業競爭的焦點。Google和亞馬遜等競爭對手都設計出了能夠與輝達旗艦級系統相媲美的晶片。此外，科技行業自主程式設計能力的爆炸式增長，也催生了對能夠更高效處理複雜人工智慧相關任務的新型晶片的需求。據知情人士透露，OpenAI已同意成為這款新型處理器的最大客戶之一，這對輝達來說是一項重大勝利。作為輝達最大的客戶之一，ChatGPT的開發商OpenAI在過去幾個月裡一直在尋找比輝達晶片更高效的替代方案，並於上個月與一家晶片初創公司簽署了一項協議，為其提供了新的選擇。周五早些時候，OpenAI在宣佈將從輝達購買大量“專用推理能力”以及獲得這家晶片巨頭300億美元投資時，就暗示了這款新型處理器的存在。此外，OpenAI還簽署了一項重要新協議，使用亞馬遜的Trainium晶片。輝達一直主導著GPU（圖形處理器）的設計和銷售業務，GPU是一種可以同時執行數十億個簡單任務的處理器。但自人工智慧熱潮興起以來，它首次面臨其旗艦產品的侷限性。隨著市場向推理方向轉變，輝達感受到來自部分客戶的壓力，要求其生產能夠更高效地驅動人工智慧應用的晶片。該公司強大的 Hopper、Blackwell 和 Rubin 系列 GPU 被認為是訓練大型 AI 模型的最佳選擇，價格也居高不下。大多數分析師估計，輝達控制著 90% 或以上的 GPU 市場份額。輝達首席執行長黃仁勳一直聲稱，輝達的 GPU 在訓練和推理方面都是市場領導者，這種多功能性是該產品的一個關鍵吸引力。但過去一年，隨著企業部署人工智慧代理和其他工具，對高級計算的需求已從訓練轉向推理。企業希望這些工具能夠顛覆數百個行業，並通過訂閱費創造巨額利潤。人工智慧代理是一種相對自主地代表使用者執行任務的人工智慧系統。許多建構和營運人工智慧代理的公司發現，GPU成本過高、能耗過大，而且並不適合實際運行他們的模型。隨著智能體人工智慧的迅猛發展，輝達面臨著開發成本更低、能效更高的推理晶片的壓力。上個月，OpenAI與Cerebras簽署了一項價值數十億美元的計算合作協議。Cerebras提供一款專注於推理的晶片，其首席執行長Andrew Feldman稱該晶片比輝達的GPU速度更快。《華爾街日報》此前報導稱，OpenAI的工程師去年秋天向Cerebras提出需求，希望獲得一款速度更快的推理晶片，用於智能體編碼應用，之後OpenAI便與Cerebras展開了談判。據《華爾街日報》報導，輝達去年底同意支付 200 億美元，從 Groq 獲得關鍵技術許可，並聘請其高層領導，包括創始人喬納森·羅斯，這是矽谷有史以來規模最大的“收購式招聘”交易之一。Groq設計的晶片採用了一種與Nvidia不同的架構，稱為“語言處理單元”，這種晶片在推理功能方面效率極高。然而，到目前為止，Nvidia對如何使用Groq的技術一直保持沉默。人工智慧推理計算分為兩大任務：預填充，即模型解讀使用者提示的過程；以及解碼，即模型逐字生成響應的過程。預填充通常速度更快，而解碼對於大型人工智慧模型而言往往速度較慢。編碼應用已成為企業級人工智慧最重要且最賺錢的應用之一，Anthropic 的 Claude Code通常被認為是市場領導者。但 Anthropic 主要依賴亞馬遜網路服務 (AWS) 和Alphabet旗下Google雲部門設計的晶片，而非輝達 (Nvidia) 的晶片來驅動其模型。然而，Claude 最強勁的競爭對手之一是 OpenAI 快速發展的 Codex 工具。知情人士透露，ChatGPT 的開發者 OpenAI 計畫利用輝達的新系統來改進 Codex。通常情況下，輝達會將Vera晶片（中央處理器，即CPU）與Rubin GPU搭配使用，建構高性能資料中心伺服器。但一些大型客戶發現，某些智能體AI工作負載僅使用CPU運行效率更高。本月，輝達宣佈擴大與Meta Platforms的合作關係，其中包括首次大規模部署純CPU架構，以支援Meta的廣告定向AI代理。這項合作讓我們得以窺見輝達的戰略：不再侷限於GPU，而是通過其他方式來鎖定部分AI市場份額。 (半導體芯聞)

據外媒報導，OpenAI據報導正在與投資者進行初步談判以籌集資金，這可能將其市場估值推升至約7500億美元。據熟悉正在進行的談判的消息人士稱，該公司希望從投資者那裡籌集高達1000億美元的資金。如果這筆交易達成，OpenAI的市場估值可能會從10月份報告的5000億美元躍升50%。另外有報導稱，OpenAI正在與亞馬遜進行談判，以籌集100億美元。如果這筆交易達成，OpenAI不僅能獲得資金，還將採用亞馬遜的Trainium晶片用於其AI進展。OpenAI正在為可能是歷史上最大的首次公開募股（IPO）之一做準備，潛在估值約為1兆美元。據外媒報導，OpenAI一直在為上市奠定基礎，並可能在2026年下半年向監管機構提交檔案。據外媒此前報導，OpenAI首席財務官薩拉·弗里爾（Sarah Friar）已向部分同事表示，公司目標是在2027年上市。但一些顧問預測，上市時間可能會提前至2026年末。今年10月，OpenAI完成資本重組，其非營利母體更名為“OpenAI基金會(OpenAI Foundation)”，持有新成立的營利部門“OpenAI 集團（OpenAI Group PBC）”價值約1300億美元的股權，為未來上市鋪平道路。 (TechWeb)