AMD掷出50亿美元!AI领域最大芯片商直接注资第一单,Anthropic获资本+产能双绑定

源自49位全网作者

09:58

内容由AI生成

精选参考来源

1. 消息称AMD与Anthropic签署数百亿美元芯片采购协议

2. 消息称 AMD 与 Anthropic 签署数百亿美元芯片采购协议,并最高向 Anthropic 投资 50 亿美元

3. AMD将向Anthropic至多投资50亿美元 后者将采购至多2吉瓦Instinct MI450芯片

4. AMD与Anthropic达成芯片与投资协议:将投至多50亿美元

5. AMD将向Anthropic投资50亿美元,作为算力交易的一部分

6. Anthropic与AMD据悉签署芯片采购协议,将获后者至多50亿美元投资

7. 新浪芯片热点小时报丨2026年07月23日00时_今日实时芯片热点速递

8. 不只有芯片交易与投资承诺:AMD将在内部应用Anthropic Claude

9. 2026全球与中国AI 算力加速卡行业市场深度剖析:趋势、机遇与挑战全解析

10. 超前点映AMD Advancing AI 2026:AMD AI YES?

11. CPU狂飙 AMD终于要熬出来了吗 数据中心成中流砥柱

12. AMD2025财年四季度数据中心收入大增39%

13. AMD Q1 营收 102.5 亿美元、净利润 13.8 亿美元

14. 微软AMD深化战略合作 Azure云将全面落地下一代AI芯片

15. 英伟达市值再破5万亿美元

16. 单季752亿美元,毛利率78%:NVIDIA正在成为AI时代的标准石油

17. 英伟达大客户集体转向,CUDA垄断地位正在崩塌

18. 市值十天蒸发6560亿美元,OpenAI博通联合自研芯片降成本50%

19. AMD与Anthropic达成数百亿美元合作:芯片采购加投资,共拓AI算力新未来

20. AMD将向Anthropic投资高达50亿美元

21. AMD拟投Anthropic高达50亿美元并签大额芯片协议

22. 硅谷继续“烧钱”堆算力:OpenAI预算升至7500亿,Anthropic、AMD“股权换订单”

23. 消息称AMD与Anthropic达成重大芯片与投资协议

24. 【训练与微调篇10】训练成本优化

25. 2026中国主流10款AI显卡盘点:训练/推理/国产替代全场景选型指南

26. 2026年GPU与AI芯片渠道价格走势及企业采购策略指南

27. 不是投资,是买单:Anthropic背后650亿美元的资本局

28. Amazon追加50亿美元投资Anthropic,并承诺未来最高再投200亿美元

29. 80亿美元变606亿美元,亚马逊对Anthropic投资获巨额账面回报

30. Anthropic与亚马逊继续深度绑定。【Anthropic 从亚马逊获得 50 亿美元投资,承诺未来在云端投入 1000 亿美元作为回报】 Anthropic近期宣布亚马逊同意追加 50 亿美元新投资,使亚马逊对该公司的总投资额达到 130 亿美元。 作为交换,Anthric 同意未来十年在亚马逊云科技(AWS)上投入超过 1000 亿美元,获取最高 5 吉瓦的全新算力,用于训练和运行 Claude 大模型。 这笔交易与亚马逊两个月前与 OpenAI 达成的协议如出一辙。当时亚马逊参与了 OpenAI 一轮 1100 亿美元融资,出资 500 亿美元,使这家 ChatGPT 开发商投前估值达到 7300 亿美元。该交易同样部分采用云基础设施服务的形式,而非直接现金支付。 这笔交易的核心是亚马逊定制芯片:低功耗 CPU Graviton,以及与英伟达相竞争的 AI 加速芯片 Trainium。与 Anthropic 的协议明确涵盖 Trainium2 至 Trainium4 芯片,尽管 Trainium4 目前尚未推出,最新一代 Trainium3 芯片已于去年 12 月发布。此外,Anthropic 还获得了未来亚马逊新芯片上市后的算力采购优先权。 据报道,风险投资机构已向Anthropic提出投资意向,相关交易对其估值或超过 8000 亿美元。

31. 学习英伟达刺激芯片销售,AMD为“AI云”借款做担保

32. 都想学英伟达“芯片换融资”,谷歌和AMD都要扶持“AI云”

33. 伯恩斯坦资深分析师:这是职业生涯第一次真正的“芯片超级周期”,“瓶颈”才是造富机器

34. OpenAI和Anthropic都要“自研芯片”,除了成本,更重要的是算力控制权

35. ROCm 生态大测评,HIPify 转码顺畅度与 LLaMA-Factory 微调体验报告

36. AMD GPU租赁:如何选择最适合的方案?成本、性能与场景全解析

37. 显卡贵40%反而卖更好,AMD这波逆操作会给你的云服务账单带来哪些连锁反应?

38. 一台1499刀的AMD盒子,如何成了AI咨询师的印钞机?

39. 硅谷继续“烧钱”堆算力:OpenAI预算升至7500亿,Anthropic、AMD“股权换订单”

40. 逼玩家选N卡!A卡涨价自捅一刀:这下更没人买了

41. 朋友买股票问我AMD怎么看? 上次聊完英伟达之后,朋友隔了两周又来找我。这次他明显做了一点功课,上来就说:“我看了下,AMD 好像也有 AI 芯片?叫 MI 什么的东西。那它能不能跟英伟达掰掰手腕?” 我说:“能,但是得看你怎么定义‘掰手腕’。” 他问什么意思。我说:“你想象一下,英伟达像个富二代——要钱有钱,要资源有资源,周围所有人都捧着他。AMD 呢,像个创业公司,东西做得不差,但就是缺人缺生态缺信仰。你要说硬件能不能打——能打。但你要说‘我买回来插上就能跟英伟达一样爽’——那可能还要再等等。” 他皱着眉头说:“那不就等于不能打吗?” 我说:“别急,故事没这么简单。” 先讲硬件。 AMD 这几年在 AI 加速卡上确实不是吃素的。MI250、MI300 系列,尤其 MI300X,规格堆得非常狠。192GB 的 HBM3 显存,什么概念?英伟达 H100 是 80GB,H200 才提到 141GB。单看显存容量,AMD 甚至反超了。对于大模型推理来说,显存大就意味着你能塞下更大的模型、更长的上下文,或者同样的模型你用更少的卡跑——这直接省钱。 我有个朋友在某个超算中心干活,他们那边部署了一套 MI300X 的集群。他跟我说,跑 Llama 2 70B 推理的时候,单卡就能塞下,批处理吞吐量很漂亮。相比之下,H100 得用两张卡才能舒服地跑同样规模。所以如果你主要是做推理,尤其做大模型部署,AMD 的性价比是真的香。 训练呢?也不差。FP16 算力、BF16、FP8 这些关键指标,MI300X 基本追平甚至略超 H100。而且 AMD 走的是“CPU+GPU”融合路线,他们家的 Epyc 处理器配上 Instinct 加速卡,在机群通信上可以做很多优化。这在 HPC(高性能计算)领域——比如气象模拟、流体力学、分子动力学——是实打实的优势。 但问题来了。 “纸面数据”漂亮,不代表你上手就舒服。有朋友做过一个特别蠢的实验:去年有个小项目,想在 AMD 上跑一遍对比结果。她花了一整个下午装驱动、配 ROCm(AMD 的 CUDA 替代品)、编译 PyTorch。结果跑第一个 demo 的时候,报错说某个算子不支持。后面查了一下,那个算子在 CUDA 上早就优化好了,在 ROCm 上得用另一个写法。又花了半天改代码。 最后跑通了,速度还不错,但时间没了。 朋友听到这里笑了:“那她这不等于帮 AMD 打工吗?” 我说:“对。所以普通用户或者小团队,不会这么折腾。大家要的是‘啪一下就能跑’。这就是英伟达最狠的地方——不是算力,是省心。” 这就引出了那个绕不开的话题:软件生态。 CUDA 这个东西,做 AI 的人都知道。你装好驱动,torch.cuda.is_available() 返回 True,然后你就可以把模型.to(‘cuda’),剩下的事它帮你搞定。所有主流框架——PyTorch、TensorFlow、JAX——底层全是 CUDA。你要写自定义算子?CUDA C++ 写起来繁琐,但文档齐全,社区问答多,Stack Overflow 上什么坑都有人踩过。 AMD 的 ROCm 呢?这几年进步确实大。从 ROCm 5.x 到 6.x,支持的范围越来越广,PyTorch 官方也提供了 ROCm 版本。但你要说“无缝体验”,还差一截。 举个例子。你跑一个 Hugging Face 上的 Transformer 模型,用 CUDA 基本上直接跑。用 ROCm,大概率也能跑——但如果是比较新、比较冷门的模型,或者用到了一些特殊的融合算子,就可能出问题。你去看 GitHub issues,经常见到“ROCm 上这个 kernel 编译失败”“某个 attention 实现在 ROCm 上比 CUDA 慢 30%”之类的帖子。 然后你怎么办?要么等社区修,要么自己改。自己改的话,你要懂 HIP(AMD 的 CUDA 转译层),那又是一个学习成本。 所以目前 AMD 的生态状态,总结一下:能用,但不爽;在进步,但不快;社区活跃,但规模差了一个数量级。 我朋友问:“那有没有可能有一天 AMD 追上?” 我说:“理论上可能。但你要知道,CUDA 发展了快二十年,积累了无数闭源和开源代码、工具、库、习惯、教程。这玩意儿不是光靠砸钱就能超的——它更像一种语言。你说英语难学吗?对中国人来说不简单,但全世界都在说,你绕不开。你非要发明一门新语言,语法更优美,发音更规则,但没人说,那有什么用?” 他沉默了一下,说:“那 AMD 不就是个备胎?” 我想了想,说:“备胎这个词不太对。应该叫‘另一个选项’。而且这个选项在某些场景下,其实更合适。” 什么地方更合适? 第一,HPC 和科学计算。很多超级计算机用的是 AMD CPU,配上 AMD GPU 可以做到极致的内存一致性优化。这类用户不追求“最新 AI 模型秒级部署”,他们追求的是长期稳定的运行、可预测的性能、以及预算友好。AMD 在这块确实有优势。 第二,预算敏感的大规模推理。如果你要部署一个服务,每天处理百万级请求,卡的数量直接决定成本。MI300X 单卡显存大,意味着你可以用更少的卡跑更大的 batch,单位 token 的成本更低。AWS、Azure 上现在都有 MI300 实例,一些做 AI 推理服务的创业公司已经开始切一部分流量过去了。 第三,开源社区驱动的用户。有些人就是不想被锁死在英伟达生态里——可能是出于技术理想,可能是为了供应链安全,也可能就是喜欢折腾。ROCm 是开源的,你甚至可以自己编译、自己改 kernel。这种自由度,英伟达给不了。 我朋友说:“那听起来也不是一无是处。” 我说:“当然不是。你要把 AMD 说得一文不值,那它市值两千多亿美金是天上掉下来的?问题是,你得接受它目前的不完美。” 说到这里,我想起上次聊英伟达时提到的一个观点:他们搞算法的人,其实一直在做“降低单位智能所需算力成本”这件事。这个逻辑对 AMD 来说同样适用,甚至更关键。 为什么?因为 AMD 目前的处境是:算力不差,软件生态稍弱。那如果你能用算法层面的优化,减少对软件生态的依赖,AMD 的劣势就会被缩小。 比如,你做模型量化——把 FP16 压到 INT4。很多算子优化其实是在编译层完成的,不一定要依赖 CUDA 特有的库。AMD 的 ROCm 里也有类似的推理优化工具,比如 MIGraphX。如果你把模型量化的足够轻量,算子的复杂度足够低,那 CUDA 和 ROCm 的差距就没那么大了。 再比如,你做算子融合。把好几个小操作合并成一个大的 kernel,减少 kernel launch 开销。这种优化很多时候是在框架层(比如 PyTorch 的 inductor)或者编译层(比如 TVM、MLIR)完成的。只要 AMD 的硬件支持这些指令,你写出来的优化代码两边都能跑。 看过一篇论文,讲的是在固定推理延迟下,用 AMD MI250 跑优化过的量化模型,和用 H100 跑原始精度模型,前者的能效比居然更高。说明算法优化可以在一定程度上“抹平”硬件和生态的差距。#AMD#苏姿丰#英伟达#CPU #美股

42. 第9期 | 1530亿晶体管的赌注:AMD凭什么跟Nvidia掰手腕

43. DeepSeek-V4-Flash在AMD MI300X上的实操全记录

44. 闲鱼流出1.5TB显存显卡模组,DeepSeek 671B全精度不在话下

45. 卧槽!AMD显卡推4倍推理速度?

46. AI时代的“水电煤”告急!算力租赁成万亿新风口,这些公司已抢先布局

47. AI免费时代落幕:算力租赁,正在成为所有人绕不开的「AI水电煤」

48. 2026 算力租赁深度观察:AI 时代轻资产入局,算力租赁已成产业刚需

49. AI算力时代下的算力租赁和云服务全拆解

0
扫一下,分享更方便,购买更轻松
0评论

当前文章无评论,是时候发表评论了
提示信息

取消
确认
评论举报

最新文章 热门文章