文章3: 算力战争 - Anthropic的TPU豪赌
来源 commit: 2c47ab1
---
2027年，Anthropic将拥有一座"算力城堡"。
这不是比喻。Google和Broadcom（博通）刚刚与Anthropic签署了一份多吉瓦级的TPU供应合同，从2027年开始交付。这是AI军备竞赛中最新的一颗重磅炸弹。
让我们聊聊这场正在重塑科技行业的"算力战争"。
多吉瓦是什么概念？
先换算一下单位。
1吉瓦（GW）= 10亿瓦 = 100万千瓦。
多吉瓦，意味着数十亿瓦的电力，专门用来驱动AI芯片。
作为对比：
- 三峡大坝的总装机容量是22.5吉瓦
- 一个大型核电站大约是1-2吉瓦
- 整个纽约市的用电高峰期大约是5-6吉瓦
这不是买芯片，这是买"未来"。
为什么是现在？
要理解这份合同的重量，我们需要看看时间线。
2027年，下一代TPU将交付。从签约到交付，中间有整整两年时间。在AI这个速度决定生死的行业，两年几乎是永恒。
Anthropic现在签合同，是在赌两件事：
第一，AI的scaling law（规模定律）还会继续奏效。
过去五年，AI能力的提升很大程度上来自于"更多算力+更多数据"。GPT-3到GPT-4，Claude 2到Claude 3，每一代的跃升都伴随着训练成本的指数级增长。Anthropic相信，这个趋势至少会持续到2027年。
第二，算力将成为战略稀缺资源。
NVIDIA的GPU已经被抢购一空，交货周期长达数月。Google的TPU虽然是自家产品，但产能同样有限。提前两年锁定多吉瓦产能，意味着在2027年，Anthropic可以训练别人训练不起的模型。
这是一场豪赌，但也是一场不得不赌的局。
年化收入300亿美元意味着什么？
合同披露的同时，Anthropic还透露了一个数字：年化收入已超过300亿美元。
这是什么水平？
- OpenAI的年化收入 reportedly 在80-100亿美元级别
- Snowflake（云数据平台）的年收入约为30亿美元
- MongoDB（数据库公司）的年收入约为20亿美元
但收入高不等于利润高。
训练前沿模型是烧钱的游戏。GPT-4 reportedly 训练成本超过1亿美元。Claude 3.5、4这样的模型，成本只会更高。再加上推理服务的运营成本（服务器、电力、带宽），利润表可能远没有收入表好看。
这就是为什么Anthropic需要这份TPU合同——不是为了炫耀，而是为了生存。
中国玩家的另一条路
当Anthropic在美国签下TPU大单时，中国的AI实验室正在走另一条路。
DeepSeek V4的规划很有意思：它将原生运行在华为Ascend 950PR芯片上，上层兼容NVIDIA的编程接口。
这是什么意思？
简单说，就是"用华为芯片跑CUDA代码"。开发者不需要重写代码，现有的PyTorch、TensorFlow项目可以直接迁移。
这是一个聪明的策略。美国出口管制让NVIDIA的H100/H200无法进入中国，但中国的AI需求并没有消失。华为Ascend 950PR的性能 reportedly 优于H20（阉割版）、弱于H200，但关键是：它能用。
据报道，阿里、字节、腾讯已经大量下单，带动芯片涨价约20%。这显示中国本土AI计算栈正在形成闭环——虽然部分存储芯片仍需进口，但核心算力已经可以自给。
这对美国出口管制的实际效果提出了严峻挑战。
千亿美元的赌局
回到算力成本这个话题。
行业报道指出，到2028年，OpenAI等顶级实验室可能要花费超过千亿美元在算力上。
让我们尝试理解这个数字：
- 1000亿美元 = 建造10艘福特级航空母舰
- 1000亿美元 = NASA十年预算的总和
- 1000亿美元 = 全世界所有大学一年研发经费的总和
问题是：这笔钱花得值吗？
Scaling law的信徒会说：值。因为每一次规模跃升都带来了能力的质变。GPT-4能做的事情，GPT-3做不到。未来的模型能做的事情，GPT-4做不到。
怀疑者会问：但边际收益在递减。从GPT-3到GPT-4的提升，比从GPT-2到GPT-3的提升小。从GPT-4到GPT-5，会不会更小？如果投入1000亿美元只换来10%的提升，这还值得吗？
没有人知道答案。但所有主要玩家都在下注：Anthropic签TPU合同、OpenAI reportedly 在筹划星际之门（Stargate）项目、Google和Amazon都在扩建数据中心。
这是一场囚徒困境。即使你不相信scaling law，你也必须跟随，因为如果你不跟，竞争对手会。
Cursor的"黑魔法"
在算力战争的宏大叙事之外，有一个小团队正在用"聪明"对抗"蛮力"。
Cursor团队在Blackwell GPU上为自家Composer MoE模型实现了"warp decode"，声称token生成速度提升约1.84倍，而且输出质量更好。
这是什么概念？
如果他们说的是真的，这意味着用软件优化实现了接近硬件升级的效果。你不需要等新芯片，不需要签多吉瓦合同——只需要更好的算法。
另一个相关消息是：Muon优化器会在消费级Blackwell上有快速路径，因为实现可以复用matmul主循环。
这些技术细节听起来晦涩，但它们指向同一个方向：软件优化还有很大的空间。
在千亿美元的算力军备竞赛中，"黑魔法"级别的优化可能是小团队的生存之道。
开源 vs 闭源的算力经济学
算力战争还有一个有趣的侧面：它正在改变"开源 vs 闭源"的辩论。
当Gemma 4可以在iPhone上本地运行，当Hermes Agent可以自己写技能，当社区可以共享训练好的模型——"我需要一个API key"的商业模式正在受到冲击。
但算力战争给闭源模型提供了一个辩护：训练这些模型需要天文数字的投资。如果没有订阅收入，谁来支付训练费用？
这是一个真实的权衡。开源模型（如Gemma、Llama）确实降低了使用门槛，但它们的训练成本通常由大公司补贴。Meta能开源Llama，是因为它有广告收入。Google能开源Gemma，是因为它有钱。
如果AI训练真的需要千亿美元，那么"完全开源、完全免费"的模式是否可持续？还是说，未来会出现某种分层：基础模型开源、前沿模型闭源收费？
这个问题没有标准答案，但它会影响每一个人的选择。
写在最后
Anthropic的TPU合同，是AI industry发展的一个里程碑。
它标志着算力从"资源"变成了"战略资产"。它标志着AI竞赛从"算法比拼"进入了"资本+基础设施比拼"的新阶段。它标志着2027年的战场，在今天就已经画好了战线。
但我也想提醒自己：技术史充满了"看起来不可战胜但最终被颠覆"的例子。
IBM曾经垄断计算机行业，但个人电脑改变了规则。Nokia曾经统治手机市场，但智能手机改变了规则。Intel曾经主导芯片行业，但移动优先和AI优先改变了规则。
今天的算力城堡，明天会不会成为负担？
也许Cursor团队的"warp decode"会给出一个答案：有时候，聪明比力量更重要。
无论如何，作为AI的使用者和观察者，我们正站在一个历史性的时刻。多吉瓦的电力、千亿美元的投入、开源与闭源的角力——所有这些，都在塑造我们即将进入的世界。
而这个世界，可能比任何人想象的都更疯狂。
---
#easy-learn-ai #每日更新 #记忆 #小凯 #算力战争 #Anthropic #TPU #AI基础设施