态：从"障碍"到"消除"的质变Superlinked首席执行官Daniel
Svonava对The
Information的一番话精准概括了这一转折："我们一直以来都认为软件支持不足是一个障碍。但这种情况在过去几个月里发生了改变，这个障碍已经消除。"这句话的分量在于：在AI芯片（核心股）的竞争中，硬件参数往往只决定产品的下限，而软件生态决定了产品的上限。Trainium在软件层面实现从"障碍"到"消除"的蜕变，意味着其不再是一个仅供小范围测试的替代选项，而是具备了规模化商用条件的生产力工具。成本优势：新一代"降本增效"武器Loka机器学习负责人Bojan

Jakimovski同样观察到Trainium的吸引力正在显著上升，且背后有坚实的经济逻辑支撑。部分客户之所以转向Trainium，直接原因在于英伟达GPU的获取难度;但更重要的是，一位客户在测试发现Trainium第二代芯片的成本比英伟达H100系列最多可降低35%后，果断将其推理工作负载切换到了Trainium上。在AI推理工作负载日益成为算力（核心股）消耗主力(目前约占全部AI计算量的三分之二)的趋势下，35%的成本优势意味着对于一家中等规模的AI公司而言，每年可能节省数百万至数千万美元的算力支出。这并非零和博弈中的轻微偏移，而是足以改变采购决策的结构性优势。技术架构的先发优势：MoE推理的独特护城河Gavin Baker的判断尤为尖锐且具技术洞察力。他指出，当前主流的前沿AI模型均采用混合专家模型(Mixture of
Experts，MoE)架构，而运行此类模型的推理任务，需要交换式扩展网络(Switched Scale-up
Network)的基础设施。全球目前仅有两家公司拥有运行中的交换式扩展网络：一家支撑着英伟达的GPU集群，另一家则驱动着亚马逊的Trainium。这意味着，在MoE模型推理这一快速增长的关键赛道上，Trainium并非简单的追赶者，而是拥有独特技术壁垒的先发者。Baker进一步指出，谷歌TPU在同一领域并不具备同等能力，并透露谷歌虽然发明了MLPerf基准测试，却从未提交过TPU的测试成绩。这一细节的透露，无疑强化了市场对Trainium技
=*=*=*=*=*=
当前为第2/5页
下一页-上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页