AI云计算公司Corvex签署多年协议，提供英伟达Blackwell GPU
相关推荐
黄仁勋：CUDA可延长英伟达GPU经济使用寿命，使算力成为可融资资产
Odaily星球日报讯 英伟达 CEO 黄仁勋在 X 平台转发“CoreWeave 将英伟达 A100 GPU 租赁合同延续至 2029 年”的消息表示，2020 年推出的 A100 GPU 预计直到 2029 年仍可继续承担计算任务，英伟达的计算平台并不仅仅依赖芯片本身，CUDA 能够让开发者和英伟达工程师在 Ampere、Hopper 和 Blackwell 等架构的整个使用周期内持续进行升级和优化。 黄仁勋称，CUDA 提升了英伟达算力的通用性和不同代际计算资源的可替代性，从而提高 GPU 利用率并延长其经济使用寿命，使英伟达算力成为一种“可出租、耐用且可融资”的生产性资产。
英伟达考虑降低Rubin Ultra GPU配置，以缓解HBM供应短缺
PANews 8月7日消息，据The Information报道，英伟达正在考虑调整下一代Rubin Ultra GPU的设计方案，通过减少高带宽内存（HBM）配置来应对先进HBM芯片供应紧张问题。 知情人士透露，过去几周英伟达已测试至少三种不同版本的Rubin Ultra GPU，其中部分版本搭载的显存容量低于公司此前公布的规划。英伟达考虑推出低显存版本，主要原因是市场可能无法获得足够数量的先进HBM芯片。 HBM是AI加速器的关键组件，能够提供更高的数据传输速度，成为训练和推理大型AI模型的重要基础。随着AI算力需求快速增长，HBM供应已成为限制高端AI芯片产能的重要因素之一。
Cursor重排GPU流水线，MoE模型训练提速41%
据动察 Beating 监测，Cursor 开源 Mixture-of-Kittens（MoK），用于加速 MoE 大模型训练。它把原本分开的 GPU 数据传输和计算，合进一个 kernel（直接在 GPU 上运行的底层程序）。 MoE 会把模型拆成大量「专家」，每次只调用其中一部分。专家分散在不同 GPU 上，数据需要频繁搬运，有时会占掉一半以上的训练时间。 MoK 让 GPU 一边传数据，一边做计算，减少等待。在 512 块 GB300 GPU 的实际训练中，整体吞吐提高 41%。单独测试 MoE 层时，最高比公开方案快 2.37 倍。 MoK 已用于 Cursor 数万块 GPU 的 Composer 训练，并以 Apache 2.0 开源。目前只支持英伟达 Blackwell GPU，主要面向拥有 GB200、GB300 NVL72 集群的机构。
韩国政府计划投入约4万亿韩元采购1万枚英伟达Vera Rubin GPU
Odaily星球日报讯 韩国政府计划明年投入约 4 万亿韩元，采购 1 万枚英伟达最新 GPU Vera Rubin，以支持“全民 AI”等面向公众的服务扩展及国家级 AI 基础设施建设。 韩国科学技术信息通信部计划延长“AI 计算资源利用基础强化项目”，并将明年引入的 GPU 全部配置为 Vera Rubin。该项目由运营数据中心的云服务提供商等民营企业负责 GPU 购买、建设和服务全流程，资金来自政府预算。 韩国政府过去两年通过该项目等方式累计 확보超过 3 万枚 GPU，并向公共和民间部门提供。Vera Rubin 相比上一代 Blackwell 架构，训练性能最高提升 6 倍，推理性能提升逾 8 倍。 韩国科学技术信息通信部相关人士表示，GPU 확보计划和预算规模尚未确定。行业人士表示，目前数据中心空间余量不足，明年前 확보大规模新增资源并不容易，政府正在评估多种替代方案。
Boundless 将 4000 张 GPU 网络从 ZK 扩展至 AI 推理
PANews 7月14日消息，据The Block报道，分布式算力初创公司 Boundless 宣布将其约 4000 张 GPU 的网络从为以太坊、Base 等链提供零知识证明（ZK proving）结算，扩展至支持 AI 推理（inference）工作负载。公司称已对硬件、任务调度和路由进行优化，将继续并行运行原有 ZK 网络，并计划要求 AI 运营方质押原生代币 ZKC 方可加入网络，质押规模与其收益上限挂钩。Boundless 称，通过利用消费级 GPU 及用于挖矿、证明的既有硬件，其异步推理成本较主要云服务商可降低最高约 50%。
摩根大通：AI定制芯片出货量或在2027年反超GPU，Broadcom和Marvell站上风口
火星财经消息，6 月 22 日，摩根大通表示，随着大型云计算公司和科技巨头寻求降低 AI 计算成本、提升能效并摆脱对通用 GPU 的单一路径依赖，定制芯片 ASIC 市场正进入新一轮增长周期，Broadcom 和 Marvell 有望成为这一趋势中的最大受益者。 在一份近日发布的半导体行业研报中，摩根大通分析师 Harlan Sur 和 Mayur Ramdhani 估计，数字 AI ASIC 市场到 2026 年将达到约 600 亿至 700 亿美元，并在未来几年保持 40% 至 50% 以上的复合增长率。报告称，Broadcom 目前在高端 ASIC 市场占据约 80% 至 85% 的份额，Marvell 位列第二，份额约 10% 至 12%。 AI 计算需求的快速增长正在改变芯片采购结构。摩根大通认为，Google、Amazon、Meta、Microsoft、OpenAI 和 SoftBank/Arm 等客户正加速推进自研或定制 AI 处理器，以获得更好的性能、功耗和总拥有成本。与 Nvidia 和 AMD 的通用 GPU 不同，ASIC 通常为特定客户、特定软件栈或特定平台设计，更适合拥有大规模内部工作负载的超大规模云厂商。 报告预计，Broadcom 的 AI 收入将从 2025 财年的约 200 亿美元大幅增长至 2026 财年的 600 亿美元以上，并在 2027 财年跟踪达到 1500 亿美元以上。其项目管线包括 Google TPU、Meta MTIA、ByteDance AI 视频和网络芯片、OpenAI XPU、SoftBank/Arm XPU 以及 Anthropic 相关 TPU 机架级方案。 Marvell 方面，摩根大通预计其数据中心收入将从 2025 年的约 61 亿美元增至 2026 年的约 93 亿美元，并在 2027 年达到约 146 亿美元。增长动力包括 Amazon Trainium 3 和 Trainium 4、Microsoft Maia、Google SmartNIC/DPU、CXL 控制器，以及 800G/1.6T 光 DSP、coherent lite 和初期 CPO 方案。 报告还提出一个关键判断：到 2027 年，AI ASIC/XPU 的单位出货量将超过 GPU。摩根大通预计，2027 年 AI 加速器总出货量将达到 2330 万颗，其中 GPU 为 1090 万颗，占 47%；ASIC/XPU 为 1250 万颗，占 53%。这意味着，尽管 GPU 仍将保持增长，定制芯片可能会在新增 AI 算力部署中占据更大份额。 摩根大通以 Google/Broadcom TPU7x Ironwood 与 Nvidia Blackwell 为例称，AI ASIC 在性价比和功耗效率上具备竞争力。报告显示，TPU7x Ironwood 的 FP8 算力接近 Nvidia B200/B300，但估算售价约为 1.3 万美元，低于 B200 的 3.5 万美元和 B300 的 4 万美元；其每美元算力和每瓦算力也优于对照 GPU。 这一判断并不意味着 Nvidia 需求将迅速减弱。相反，它指向 AI 基础设施投资的分化：GPU 继续服务于通用训练和推理需求，而云厂商自研 ASIC 将在大规模、稳定、可预测的内部工作负载中获得更高渗透率。 对投资者而言，摩根大通的报告强化了 AI 硬件链条从 GPU 向 ASIC、先进封装、HBM 接口、SerDes、光互联和 CPO 扩散的逻辑。若报告中的预测兑现，Broadcom 和 Marvell 将不只是 AI 网络或连接芯片供应商，而会成为下一阶段 AI 计算架构迁移中的核心平台型公司。