软件介绍

兔崽爱喷水使用指南

第一步：导入文件

打开软件

，点击"?增长 兔崽爱喷水"按钮

，从电脑当选择《兔崽爱喷水》文件

，或直接将其拖拽至软件界面中
。

第二步：配置解析

软件会自动鉴别并解析导入的文件

，您可凭据界面提醒选择所需的保留蹊径或下载体式
。

第三步：起头下载

确认无误后

，点击"起头下载/处置"按钮
。期待进度条读取结束

，即可在设定的文件夹中查看下载好的正版文件
。

拆掉Token暴利墙

，云厂商下场造芯 | 企服国际观察

，兔崽爱喷水

图片起源@unsplash

一家云推算厂商是否选择自研芯片

，还是底第三方的产品技术

，能够从产业链分工的角度去思虑这个问题
。企业越靠近上游

，越必要出格大的规模效应

，对技术的整合能力、需要的共性把握要求会更高

，例如做GPU的英伟达、CPU的英特尔

，就是处于上游地位

，云推算厂商通常是很难撬动这样的市场
。但若是这个领域发生变动

，就可能产生新的机遇

，这个机遇可能让云推算厂商在竞争中产生一些阶段性的优势

，或者对内业务可能提供更高的性价比

，这就值得云推算厂商去加大投入去做
。

如今

，这个变动叫做Agent发作驱动下的大模型训练和推理需要增长

，这个投入的机遇则是自研芯片蕴含不限于AI推理/训练、X86等规划
。事实上

，全球头部云厂商不谋而合地加快了自研芯片的措施
。

代替英伟达
？自研芯片进入贸易化阶段

在笔者看来

，海表云厂商的自研芯片大体经历了三个阶段
。

第一阶段是为自身业务降本

，例如AWS早期推动的Graviton

，主题指标是提高云内部效能；第二阶段是抢夺市场话语权

，随着x86芯片起头规；坎

，并在云基础设施中占主导职位

，芯片起头成为云厂商吸引客户、界说架构的重要工具；第三阶段是当芯片具备自我造血能力后

，萦绕AI需要重构基础设施

，重点是通过多样化芯片供给

，削减对单一供给商的依赖

，把推理和训练产生的利润更多把握在自己手中
。而AWS、微软云、谷歌云的自研芯片蹊径也就此正式分化：

公开信息显示

，AWS已将Trainium和Graviton作为主题自研芯片产品

，别离覆盖AI训练、推理及通用云推算厂商
。据安迪·贾西在今年4月披露的信息中

，其芯片业务正持续扩张

，并成为云业务的重要组成部门

，其中

，Trainium3比上一代效力提升4倍、能耗降低40%

，AI训练与推理成本最多可削减50%
。 谷歌云的自研张量处置器TPU一向是AI芯片领域的标杆

，尤其最近谷歌云颁发向其客户销售TPU反映出市场对其芯片的强烈需要
。Google Cloud Next大会上

，谷歌云将第八代TPU拆分为两款独立芯片——TPU 8t（训练）和TPU 8i（推理）

，这体现出其对AI工作负载分工的判断
。谷歌云宣称

，TPU 8t的训练性价比力上一代提升约2.7倍

，TPU 8i的推理性价比提升80%
。 微软方面

，更左袒于推力侧优化
。今年1月

，微软颁布第二代AI芯片Maia 200

，用于Azure AI和Copilot有关推理业务

，其机能对标谷歌第七代TPU
。为了实现机造推理效力

，微软进行了一个关键性设计弃取

，仅原生支持低精度推算（FP8/FP6/FP4）

，并基于尺度以太网的新型双层可扩大网络设计

，不依赖于专有网络架构
。目前Maia 200优势在于与其Azure云服务生态、OpenAI前端业务深度绑定

，以及Microsoft 365、Teams等海量用户场景

，以提升芯片设计优势
。

整体来看

，AWS采取的是训推一体思路

，强挪用Trainium、Graviton等芯片组合覆盖从训练到推理的业务场景；谷歌最新的动态则批注其更偏差于训练和推理解耦

，第八代TPU已经分工明确；微软聚焦推理侧

，Maia 200的定位就是支持Azure AI和Copilot蹬爪用场景中的低成本、高效能推理需要
。

这种分化反映出三家公司对AI产业阶段的分歧判断：AWS更强调全栈节造和规模效应

，谷歌更看重专用化带来的机能和效能

，微软则将重点放在企业级推理需要和利用入口上
。不外

，AWS目前明确暗示并不试图代替英伟达

，例如其Trainium4支持英伟达NVLink Fusion

，而谷歌和微软则更偏差于与英伟达发展竞争
。

而究其自研芯片能企业推理成本降低几多
？以及在多大水平上能造衡英伟达的定价权
？

市场反映已经给出部门答案
。

AWS官方披露

，Trainium2全面售罄

，Trainium3靠近满订

，Trainium4提前一年半被预约大半

？突Р忝

，Anthropic已颁发承诺向AWS定造芯片投入高达1000亿美元

，而Meta也于近日与AWS达成在Graviton采购用于AI推理场景的合作
。

去年底

，钻研机构SemiAnalysis颁布汇报指出

，从总体占有成本（TCO）角度看

，谷歌第七代TPU芯片在成本效能上对英伟达组成显著优势
。并且受竞争压力

，OpenAI已从英伟达获得约30%的算力报价折扣
。近期

，黑石集团颁发与谷歌成立的美国合伙公司

，向客户提供数据中心容量、网络、运维以及Google Cloud TPU的compute-as-a-service服务

，能够理解为新GPU云入口
。表界以为

，此举将与CoreWeave、Crusoe这样的新兴GPU云厂商发展正面竞争
。

扩大本钱开支

，云厂商的一本经济账

目前来看

，云厂商的角色已经变动

，不再是单纯的算力出租方
。从前传统云推算时期重要依附虚构化和资源调度获取收益

，而AI业务也更多依赖租赁GPU实现AI服务扩张

，如今AI时期的需要更集钟注更重资产

，芯片、网络和软件栈的一体化设政战术也可能更容易地将AI算力利润留在平台
。

也能够理解这一变动是为拆掉“Token暴利墙”：一壁是上游芯片厂商凭借供给稀缺性占有较强定价能力

，另一壁是大量AI利用企业因推理成本不休推高而承压
。尤其在视频天生、Agent、多轮对话、编程等高算力亏损场景中

，单元Token的成本已经成为影响贸易化速度的关键变量
。

云厂商加码自研AI芯片还有一个现实布景：AI需要已经大到不齐全适合传统租云模式
。头部大模型公司和AI利用企业起头更器重自建或半托管AI基础设施

，而中型体量客户则但愿获得更便宜、更不变、更易规；腁I算力供给
。在这种情况下

，云厂商若是不能提供更具性价比的规划

，就可能在将来的AI基建的竞争中被边缘化
。

AWS、微软云、谷歌云与OpenAI、Meta、xAI等头部大模型企业的关系

，也不再是单一的算力采购

，而上升为基础设施协同和生态绑定
。这类合作一方面援手云厂商验证自研芯片和基础设施规划的可行性

，例如AWS与Meta的合作

，微软此前与OpenAI的深度绑定

，以及谷歌与Anthropic的合作
。

云厂商近年来频仍扩张AI有关本钱开支
。亚马逊在2026年一季度本钱开支达到432亿美元

，并将整年本钱开支指引上调至约2000亿美元；Alphabet将2026年本钱开支指引提高至1800亿至1900亿美元；微软同样维持高强度投资

，2026财年本钱开支指引约为1900亿美元
。

市场普遍以为

，这轮投入短期内不定直接改善利润

，但有助于云厂商降低单元推理成本

，并加强客户黏性
。财政上能否回本

，取决于三类成分：一是单元推理成本是否降落

，二是客户是否因而扩大使用规模

，三是云厂商能否吧自研芯片与大模型托管包装成为更强的贸易模式
。

当然

，芯片自身不定对于云厂商是利润中心

，但它可能决定云服务的利润上限
。尤其在高算力亏损场景中

，Token价值一功夫不成能打下来
。

值得关注的是

，国内云厂商目前也在加快自研芯片和数据中心等有关布局
。公开信息显示

，阿里已推动在最新万卡集群数据中心中使用自研AI芯片“真武”；华为昇腾950系列AI芯片因国内AI订单需要大幅提升

，打算2026年出产约75颗950PR芯片；腾讯则打算用792亿元重要用于AI基础设施投入

，索求提升算力利用效能
。

同样是GPU芯片紧缺布景下

，相比海表云厂商

，国内蹊径更强调供给链可控、软硬件协同以及行业落地能力
。这种模式目前尚未能以单点芯片竞争为指标

，而是通过Scale-out互联将单集群规模推高至万卡以上

，两者叠加从而构建超万卡集群的大算力底座

，这种奇妙的变通规划

，只管会带来肯定现实挑战

，但已经吸引到了不少国内企业客户
。

当然

，云厂商下场造芯这件事件不是从今天才起头的

，短期内

，英伟达在GPU芯片市场的主导职位依然难以被迅速撼动
。从前十年

，散布式云推算构建经典的“削峰填谷”和“资源池化”

，以更好地实现云服务的弹性调度
。大模型场景下

，算力必要大规模集中式训练

，服务器也无法被切分成单个虚机

，云厂商再也无法通过超卖获得超额的利润回报
。

从这个角度看

，云厂商起头更多地精力投入在自研造芯这件事件上

，争的是将来对AI市场的定价权

，谁能更有效地压低Token成本

，谁就更有机遇把AI造成一门可持续的生意
。

（作者 | 杨丽

，编纂 | 杨林）