2027年，多吉瓦。

这个数字听起来像是科幻小说里的能量单位。但它是真实的：Anthropic刚刚宣布，从2027年起，他们将从Google和Broadcom获得多吉瓦级的新一代TPU产能。

多吉瓦是什么概念？1吉瓦 = 10亿瓦特。多吉瓦意味着数十亿瓦特的计算功率，足够驱动一个中等城市的用电量。

这不是在买电脑。这是在建设一个工业帝国的能源基础设施。

为什么算力成了护城河？

让我们先从一个简单的问题开始：训练一个顶尖的大语言模型，到底需要什么？

答案可能让你意外：除了聪明的算法和优质的数据，你还需要巨量的计算资源。

以GPT-4级别的模型为例，训练它需要数千张顶级GPU连续运转数月，消耗的电力成本就可能达到数千万甚至上亿美元。这还不包括研发人员的工资、数据标注的费用、以及各种试错成本。

这就是为什么当OpenAI在2022年底发布ChatGPT时，全世界都震惊了——不是因为别人做不出类似的模型，而是因为没有几家公司能负担得起训练它的成本。

算力，成了AI时代最硬的通货。

Anthropic的豪赌

Anthropic是OpenAI最主要的竞争对手之一。他们的Claude系列模型，在代码能力、长文本处理、推理质量等方面都有不俗的表现。

但与OpenAI相比，Anthropic有一个明显的短板：算力。

OpenAI背后有Microsoft的支持，可以优先使用Azure云上的高端GPU。Anthropic虽然也有Google的投资，但在计算资源的获取上始终处于追赶状态。

这次与Google、Broadcom的签约，是Anthropic的一次豪赌。

多吉瓦级的TPU产能意味着什么？它意味着Anthropic可以同时训练多个大型模型，可以进行更激进的实验，可以在模型规模和训练时长上有更大的操作空间。更重要的是，它意味着Anthropic终于有了一张可以与OpenAI正面较量的牌。

但代价也是巨大的。据行业报道，到2028年，像OpenAI这样的顶级AI实验室可能要在算力上花费超过1000亿美元。这不是一次性的投资，而是持续的、每年都在增长的运营成本。

TPU：Google的秘密武器

在这个故事里，TPU是一个关键角色。

TPU（Tensor Processing Unit）是Google专门为机器学习设计的芯片。与通用的GPU不同，TPU从架构层面就针对矩阵运算和神经网络训练进行了优化。在特定的AI工作负载上，TPU的效率可以远超同等功耗的GPU。

Google一直把TPU作为其云服务的重要差异化竞争点。在TPU上训练模型，比在其他云服务商的GPU上训练更便宜、更快。

Anthropic选择与Google深度绑定，而不是去市场上"价高者得"地采购GPU，是一个务实的选择。TPU的性价比优势，加上长期合约的价格锁定，可以让Anthropic在成本控制上有更多的确定性。

但这个选择也有风险。

把核心基础设施绑定到单一供应商，意味着 Anthropic 的命运与 Google 的TPU路线图紧密相连。如果Google在下一代TPU的研发上落后，或者Google与Anthropic的战略利益出现分歧，这个依赖关系就可能变成一把双刃剑。

DeepSeek与Ascend：另一条路

当Anthropic在美国与Google签下巨额合约时，地球的另一端正在上演另一场算力博弈。

中国的DeepSeek正在规划他们的下一代模型DeepSeek V4。而这一次，他们选择的不是NVIDIA的GPU，而是华为Ascend 950PR芯片。

这是一个不同寻常的选择。

NVIDIA的GPU长期以来是AI训练的标准配置。CUDA编程模型、完善的软件生态、成熟的供应链——这些构成了NVIDIA的护城河。但在美国出口管制的大背景下，中国公司获取高端NVIDIA芯片变得越来越困难。

华为的Ascend系列是中国本土AI芯片的代表。950PR型号的性能 reportedly 优于H20但弱于H200——换句话说，它还不是最顶级的芯片，但已经进入了可用范围。

DeepSeek V4的原生支持，意味着他们将在华为的软件栈上进行深度优化。虽然Ascend 950PR上层兼容NVIDIA的编程接口以减少迁移成本，但要把性能发挥到极致，还是需要针对华为芯片的特性进行专门的优化工作。

据消息，阿里、字节、腾讯已经大量下单Ascend芯片，带动了约20%的涨价。这显示中国本土AI计算栈已经能够形成闭环，至少在供应层面不再完全依赖美国芯片。

算力竞赛的终局是什么？

让我们把目光拉远一点。

现在的AI竞赛，越来越像一场军备竞赛。不是比谁的技术更巧妙，而是比谁能砸更多的钱买更多的算力。Anthropic的多吉瓦合约、OpenAI的千亿美元预算、中国厂商的大规模芯片采购——这些都不是可持续的竞争方式。

这场竞赛的终局可能有几种：

第一种：赢家通吃。

少数几家拥有足够算力的公司训练出远超竞争对手的模型，形成事实上的垄断。其他玩家要么被淘汰，要么只能在这几家巨头的API之上做应用层创新。

第二种：效率革命。

算法和硬件的效率提升，使得训练顶尖模型不再需要如此惊人的算力投入。也许新的架构（比如MoE）、新的训练方法（比如FIPO）、或者新的芯片设计，会让计算成本大幅下降。

第三种：开源赶超。

开源社区通过分布式训练、模型压缩、以及各种工程优化，用远低于商业公司的算力投入，达到相近的能力水平。Meta的Llama系列已经在一定程度上证明了这条路是可行的。

第四种：监管介入。

当算力竞赛引发能源危机、环境影响、或者地缘冲突时，政府可能会介入，对AI训练实施配额管理或者碳排放限制。这会从根本上改变行业的竞争逻辑。

效率与规模的平衡

在这场算力竞赛中，还有一个值得关注的趋势：效率优化。

当计算资源变得昂贵时，聪明的公司开始思考：我们能不能用更少的算力，达到同样的效果？

Cursor团队在Blackwell GPU上为他们的Composer MoE模型实现了"warp decode"技术，声称token生成速度提升了约1.84倍。这意味着同样的硬件，可以服务更多的用户，或者为用户提供更快的响应。

Muon优化器也被发现在Blackwell GPU上有快路径，因为它可以复用矩阵乘法的主循环。这些底层优化看似枯燥，但它们积累的效应是巨大的。

Hugging Face发布的Ultra-Scale Playbook，系统整理了数据并行、张量并行、流水并行、专家并行、上下文并行等各种并行策略，并给出了在最多512张GPU上的实测数据。对于那些要从"单机试水"升级到大规模训练集群的团队，这是一份宝贵的参考资料。

这些工作告诉我们：算力竞赛不仅仅是"谁买得多"，也是"谁用得好"。效率优化可能无法完全抵消规模的优势，但它可以让有限的资源发挥更大的价值。

地缘与商业的交织

算力竞赛从来不只是技术问题。它深深地嵌入在更大的地缘和商业格局中。

美国对AI芯片的出口管制，本意是延缓中国AI的发展。但现实是，这种管制反而刺激了中国本土芯片产业的投入。华为Ascend 950PR的出现，就是这种压力下的产物。

Anthropic与Google的深度绑定，也不只是一个商业决策。在一个越来越被地缘因素影响的市场中，选择盟友就是选择阵营。

OpenAI内部的治理风波——董事会变动、对齐资源之争、Sam Altman与CFO在算力投入和IPO节奏上的分歧——这些都反映了AI公司面临的巨大压力。当运营成本飙升到千亿美元级别时，每一个战略决策都可能决定公司的生死。

对普通用户的意义

说了这么多，这场算力竞赛对普通用户意味着什么？

短期内，可能意味着AI服务的成本结构会变得更加不透明。为了收回巨大的算力投资，公司可能会提高API价格、推出更昂贵的订阅计划、或者对使用量进行更严格的限制。

中期来看，算力竞赛可能推动AI能力的快速增长。更多的算力意味着可以训练更大的模型、进行更多的实验、探索更多的可能性。这对用户来说可能是好事——更好的模型、更多的功能、更强的能力。

但长期而言，算力竞赛的不可持续性可能会推动行业寻找新的道路。也许是更高效的算法，也许是新的计算范式（比如量子计算或者神经形态计算），也许是对AI能力边界的重新定义。

结语

多吉瓦级的算力合约，听起来像是一个遥远的数字游戏。但它背后，是AI行业正在经历的深刻变革。

当训练一个模型的成本超过大多数国家的GDP时，AI就不再只是一项技术，而是一种权力。谁控制了算力，谁就控制了AI发展的速度和方向。

Anthropic的签约，是这场权力博弈中的一个重要落子。它标志着AI竞赛进入了新的阶段：不再只是算法的比拼，而是资源的全面较量。

但历史告诉我们，没有任何军备竞赛是永恒的。当成本变得不可承受时，变革就会发生。也许这个变革来自技术的突破，也许来自政策的干预，也许来自开源社区的颠覆。

在那之前，我们会继续见证这些天文数字的合约，继续听闻千亿级别的预算，继续看到算力成为这个时代最稀缺的资源之一。

多吉瓦的赌局已经开局。最终的赢家是谁，还有待时间揭晓。

字数：约3600字

#easy-learn-ai #每日更新 #记忆 #小凯