註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 H200,这是一款用于训练和运行先进人工智能模型的高性能处理器。
H200,这是一款用于训练和运行先进人工智能模型的高性能处理器。 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 H200,这是一款用于训练和运行先进人工智能模型的高性能处理器。 的搜尋結果
英伟达临时首席执行官表示,该公司已停止向中国供应高性能人工智能芯片,这让华盛顿与北京谈判达成的一项特殊许可协议的未来充满不确定性。 在黄仁勋上周辞职后临时接替其职位的科莱特·克雷斯(Colette Kress)在周二的财报电话会议上透露,截至10月25日的上一季度,英伟达向中国销售了价值24亿美元、获准出口的Hopper架构数据中心产品。 但她表示,目前并无后续发货计划。 克雷斯没有解释英伟达为何停止供应这些处理器,也未说明这​​种停供状态是否会长期持续。 Hopper系列包括 #H200,这是一款用于训练和运行先进人工智能模型的高性能处理器。# 美国于2022年对这些芯片实施出口管制,并随后进一步收紧了中国获取这些芯片的渠道。 不过,在去年与中国国家主席习近平举行峰会后,美国总统特朗普表示,他将允许向获批的中国客户销售H200芯片。 今年1月,美国放宽了针对H200的许可政策,允许在满足安全条件的前提下,对出口申请进行逐案审查。 这一决定是在黄仁勋进行了数月游说后作出的。黄仁勋后来因被指与一名疑似中国间谍以及两名英伟达员工存在婚外情而面临指控,并辞去职务。 H200芯片由全球最大芯片代工厂台积电在台湾为英伟达生产。此外,针对向中国出口的相关安排,还规定对进口至美国、随后再转运至中国的符合条件的芯片,加征25%的关税。 根据路透社此前报道,华盛顿已批准向10家中国公司销售H200芯片,其中包括阿里巴巴、腾讯以及TikTok母公司字节跳动。 不过,随着中国寻求减少对美国技术的依赖,北京方面此后限制了H200进口,尽管中国企业对AI算力的需求不断增长。 路透社本月早些时候报道称,由于北京方面未批准大规模进口,约有60万枚H200芯片目前存放在香港,等待运往中国内地。 路透社援引知情人士的消息报道称,近几个月来,几家中国主要互联网公司各自已获得约1万枚H200芯片。
顯示更多
一篇不错的解读:《META出租H100与购买先进算力并不矛盾》 Meta 做 NeoCloud 与继续租 Crusoe 1.6GW,并不矛盾 昨天盘前,Meta 被报道正在考虑把多余 AI 算力对外商业化,甚至做成类似 NeoCloud 的业务。市场第一反应非常剧烈:Meta 盘前上涨接近 6%,但 AI算力和 neocloud 相关股票则受到负面 Narrative 影响, 市场担心的是:如果 Meta 也开始把 GPU 算力对外卖,是否会直接导致算力过剩? 这个反应可以理解,但我们认为市场把问题想简单了。 首先,Meta 这件事本质上不是“AI 算力需求见顶”,也不是“Meta 不需要继续买算力”。相反,Meta 同时还在继续锁定非常大规模的新算力。根据 Bloomberg/Reuters 报道,Meta 最近与 Crusoe 签署了新的 AI computing capacity 协议,将从 Crusoe 位于 Texas Childress 和 Missouri Warrenton 的两个数据中心获得合计约 1.6GW 的容量。 同时,Meta还在向其他Neocloud购买算力。我们在去年3Q25 META Preview中就提到过META正在向NeoCloud寻求购买3GW算力。 所以表面上看,这里确实有一个矛盾:如果 Meta 自己已经有多余算力,为什么还要继续向 Crusoe 租 1.6GW? 我们的理解是,这不是矛盾,而是算力代际切换。 过去两年,Meta 已经采购和部署了大量 H100/H200。这些 GPU 不是没价值,恰恰相反,它们对 inference、fine-tuning、企业模型服务、图像/视频生成、传统 ML workload 仍然非常有价值。但对于下一代 frontier model training,尤其是 3T+ 参数规模的 MoE、长上下文、多模态和 RL-heavy post-training,H100/H200 的训练经济性会明显下降。 关键不是 H100 不能训练,而是单位有效 token 成本变差。 当模型进入 3T+ 规模后,瓶颈不再只是单卡 FLOPS,而是 HBM 容量/带宽、GPU 间通信、scale-up 网络、checkpoint/restart、expert routing、sequence parallel、pipeline bubble、以及大规模 collective communication。H100 集群当然还能跑,但训练 wall-clock 更长,通信开销更高,集群利用率更难维持,最终表现为同样训练一个 frontier model,成本和时间都不如 GB200/GB300,未来更不如 Vera Rubin。 因此,Meta 现在面对的是一个很典型的资产配置问题: 最先进的 GB200/GB300/Rubin,要优先留给下一代模型训练;上一代 H100/H200,则应该尽量转成 inference 或外部商业化收入。 这也是为什么“做 NeoCloud”和“继续租 Crusoe 1.6GW”可以同时成立。 Meta 继续向 Crusoe 锁定 1.6GW,本质上是在为更长期、更先进、更大规模的 AI infrastructure 做准备。这种资源对于 Meta 来说,更多是未来 GB200/GB300/Rubin 时代的战略性产能,而不是简单补 H100 的缺口。 另一方面,Meta 既然已经买了大量 H100/H200,就不可能让这些资产在 frontier training 代际切换后闲置。Meta 内部当然有广告、推荐、内容排序等大量推理 workload,但这和 OpenAI/Anthropic 那种直接面向外部客户卖 token 的 LLM inference 业务并不完全一样。Meta 如果没有足够多可以直接 monetization 的外部 token demand,把 H100/H200 做成 cloud capacity 或 hosted model API 对外销售,是非常合理的资本回收方式。 这其实和 xAI / SpaceX 的思路有相似之处。xAI 今年公开宣布与 Anthropic 达成 compute partnership,向 Anthropic 提供 Colossus 1 算力;xAI 官方称 Colossus 1 包含超过 22 万张 NVIDIA GPU,包括 H100、H200 和 GB200,并可支持 training、fine-tuning、inference 和 HPC workload。(xAI) 这说明即使是 frontier AI 公司,也可能把一部分已有 GPU fleet 对外出租,同时把最新、最稀缺、训练效率最高的下一代集群保留给自己的 frontier model。 所以今天市场担心“Meta 进入 NeoCloud 会打垮所有 NeoCloud”,我们觉得有些过度。 更准确的判断应该是: AI 算力市场正在从单一的 GPU shortage,进入多代 GPU 分层定价和分层使用阶段。 第一层是最新训练算力:GB300、Rubin,以及后续更大 scale-up domain 的系统,主要服务 frontier model training。这部分供给仍然稀缺,客户仍然会向 Crusoe、CoreWeave、Nebius、Oracle、Microsoft 等各类供应商锁产能。 第二层是上一代高端算力:H100/H200/部分 GB200,更适合 inference、fine-tuning、enterprise AI、hosted model、agent workload 和中小模型训练。这部分不是没有需求,而是从“最稀缺的训练资源”变成“可以规模化商业化的推理资源”。 第三层是更通用的 GPU cloud 和 long-tail enterprise workload,对价格更敏感,但需求弹性也更大。 在这个框架下,Meta 的行为其实很合理:它不是停止建设 AI infrastructure,而是在把不同代际的 GPU 放到最适合的经济用途上。 因此,我们不认为这是 AI infrastructure 的大问题。真正重要的判断是:下一代 frontier model training 对 GB200/GB300/Rubin 的需求仍然非常强;同时,H100/H200 这类上一代 GPU 也不会被废弃,而会进入 inference monetization 和外部算力销售阶段。 这对整个 AI supply chain 的含义反而是: GPU fleet 开始变成多代际资产,而不是一次性训练工具。旧 GPU 不归零,新 GPU 继续稀缺。Meta 做 NeoCloud,不是需求崩了,而是算力资产终于开始金融化和商业化。
顯示更多
中国已经建设的AIDC是24GW, 这是公开统计的数字 包括乌兰察布/贵州/苏州无锡/河北等所有报备的的数字 不包括潮州电信改造这种类似的小项目 也不包括新疆靠近中亚地区的在建项目 卡的缺口是无限大的 如果有兴趣, 可以去乌兰察布和廊坊等地参观一下 空置率一大半, 除了墙上的“为国囤卡”的大标语, 啥也没有 博主预测的15GW空闲, 都是保守的 苏州无锡超过1.5GW全空的, 本来是为了阿里平头哥建设的, 贷款了上千亿 到现在没有机器, 只能找二手H20和海外的廉价机器去填, 但就这, 也根本找不到卖家 大部分的机器, 是deepseek梁文峰和游戏互联网老板们, 在美国禁令之前囤的H100, A100, 少部分H200, 和大量的阉割版H20, Pro6000(84G)这些 实在没办法, 很多人就把AIDC倒退回IDC, 就是传统服务器先上去顶着, 卖云先 外行根本不知道AIDC空关的浪费程度, 冷却设备和各种配套多花钱, 为了维护随时ready的状态需要多少钱 这些全是贷款, 几乎所有地产公司/地方城投都在加杠杆上 风险非常非常高 这一切的起因, 都是华为之流为了骗主席的3000+1200亿补贴, 吹嘘国产芯片马上超过H200, 为了真实性狂发AIDC采购意向协议, 导致全行业火热入场, 结果牛皮圆不起来, 又不肯进口H100和H200(中国有10个主体是可以买的) 终将崩溃
顯示更多
0
10
154
15
轉發到社區
懂这条信息的含金量吗? 💎美国已批准约10家中国公司购买英伟达H200芯片。 💎美国批准的英伟达芯片中国买家包括阿里巴巴、字节跳动和腾讯。 对于你的 DRAM 40 Call: 这是一个重大利好消息。它坐实了 2026 年下半年存储芯片“供不应求”的预期。 只要 H200 开始源源不断运往中国,DRAM 的价格逻辑就会从“周期复苏”转向“疯狂缺货”。
顯示更多
0
12
36
3
轉發到社區
真正的罪过从来不是那段绯闻,而是黄仁勋在 2025 年与特朗普政府达成的交易:提供 25% 的收入分成,以换取 H200 芯片对华出口批准。 这是一场正常的商业谈判,却被上台的民主党重塑为对美国 AI 主权的危险妥协。
顯示更多
我是刺哥,今天把话彻底说透。 外面都在喊AI泡沫破了,海力士跌了13%就是铁证。我告诉你,那叫不懂算术。海力士二季度营业利润60.4万亿韩元,同比暴涨556%。全地球任何行业任何公司任何时代,你找不到第二个这种数字。这他妈叫业绩崩了?这叫业绩炸穿天花板。 跌13%是因为市场之前把预期顶到65万亿,那是幻想DRAM和NAND涨上天,海力士全吃。结果长协锁价把现货涨价的空间锁死了,合同签太早,吃不到额外红利。这叫幻想破了,不叫需求破了。商业模式从现货赌狗变成长期饭票,昨天叫护城河,今天叫天花板,翻书比翻脸还快。 真正的泡沫破裂长什么样?我给你四个信号。需求断崖,云厂商砍GPU订单,现在没有,英伟达积压订单还在排队。库存暴雷,渠道堆满卖不掉的卡,现在是反的,H200和B200交付周期半年以上。下游死亡,AI应用公司批量倒闭,目前头部营收在涨。融资冻结,AI初创融不到下一轮,这个还没大面积出现。四个灯一个没红,你跟我说破裂? 今天这叫估值修正,把信仰区的期权费挤掉。不是坏事,是排雷。真正的危险不在今天,在7月16日台积电财报。如果台积电也说AI增速放缓,那第二个信号才开始闪。如果台积电说产能继续爆满,那海力士这13%就是假摔,量化踩踏的钱一两天全回来。 那对BTC有什么影响?刺哥给你划重点。短期看,科技股杀估值会带崩整体风险情绪,量化资金踩踏,BTC跟跌一下很正常,这是流动性抽离的副作用。但中期看,海力士的长协锁价恰恰证明AI算力需求是刚性的,客户愿意签三五年单子,HBM4价格还要翻倍,整个半导体资本开支不会停。算力就是新石油,而BTC的算力网络和AI的算力基建是同一条根。市场把预期挤干净,反而让BTC的长期叙事更干净更硬。如果台积电财报给力,这波修正就是黄金坑。如果台积电也不及预期,那才是真正考验的开始。但现在,别自己吓自己。刺哥说完了,你细品。#btc#
顯示更多
也是时候调整自己了,生活还是要向前看,让时间消化一切吧☀️ 今天偶然间在 pyq 看见这张图,提供了一个跟目前的主流声音截然不同,却更能精准对标现在 AI 周期所处的位置,有点启发 确实越想越觉得,AI 产业里很多我们原本「看不懂」的东西,一旦套到房地产的商业模式上,反而会变得异常清晰 🟨融资工具的进化,是 AI 周期能否持续的关键 房地产行业之所以能延续二十年长周期,本质上并不是因为开发商们自己多有钱,而是因为围绕着房地产,长出了一整套多层次、多期限、低成本的融资体系 ➡️通过银行贷款支持拿地 ➡️通过开发贷支持建设 ➡️信托和地产基金参与股权投资 ➡️商业地产可以做 REITs 退出 ➡️最后,甚至连购房按揭都可以变成一个长达三十年的金融工具 如果没有这整套的融资体系,再厉害的开发商也撑不过一轮周期 而现在的 AI 产业,最缺的就是这套体系 今天的大科技公司,本质上都是在用自己的信用、自己的现金流、自己的股票做融资担保 谷歌、Meta、亚马逊、微软这些巨头,即便账上现金再多,也不可能实现无限扩张 他们迟早需要把手里那几千亿美元的 AI 基础设施,打包成可以被外部资金持有的资产 这条路其实已经开始出现苗头了 CoreWeave、Lambda、Nebius 这些独立算力供应商的兴起,本质上就是「专业开发商」在崛起 他们用私募基金的钱建设数据中心,签长期租约给大模型公司,再把这些数据中心打包融资 相信未来几年里,我们将一定会看到: AI 数据中心 REITs、AI 算力基金、GPU 租赁资产证券化、算力收益权凭证这些金融工具的陆续出现 甚至,主权基金、养老金、保险资金这些长期资本,也会慢慢成为 AI 基建最重要的资金来源,就像当年的保险公司就是地产行业最大的长期资金一样 可以预见,谁能先把 AI 资产的证券化、标准化、可交易化这条路打通,谁就掌握了下一个十年的金融话语权 这也是为什么英伟达已经开始自己下场做投资、做生态、做长期客户绑定 GPU 厂商正在变成「卖地+放贷+做物业」的三合一角色 🟨AI 时代的「土地」,是电力、是冷却、是不动产 曾经,房地产开发商最关心的是什么来着? 不是房价,是地段 而地段的核心是什么?是稀缺资源 AI 时代的稀缺资源并不是硅片 真正的稀缺资源是电力、冷却水源、网络枢纽位置、政府的审批牌照,是当地电网的承载能力 GPU 可以每年迭代,而变电站的审批和建设周期是 5-7 年,核电就更狠了,一座新核电站从规划到投产要 10-15 年 将来谁手里有电力指标,谁就是手里有未出让土地的开发商 马斯克把 xAI 的最大数据中心放在孟菲斯,是因为那里有田纳西河流域管理局提供的廉价电力 亚马逊 AWS 在弗吉尼亚北部的疯狂扩张,是因为那里既有便宜的水电,又有美国东海岸最大的人口聚集区 微软重启三里岛核电站,是因为这将提供稳定、低碳、24 小时运转的基载电力,而这,才是数据中心最稀缺的「土地」 未来十年里,AI 产业的「拿地」大战,本质上是一场关于电力、冷却资源、网络时延的战争 甚至,连地理位置都会分层: 一线数据中心会建在能源富集区 二线数据中心会建在用户密集区 边缘计算节点嵌入到每一座城市 这种分层结构,是不是有熟悉的感觉了,几乎和城市核心区、郊区、卫星城的房地产分层逻辑一模一样 🟨周期是逃不掉的,房地产的教训 AI 行业必须早学 房地产行业最伟大的智慧 —— 是周期 涨多了会跌,跌多了会救,救完又会涨,涨完又会跌 二十年来,央行、政府、开发商、购房者都在与这个周期共舞 如今的 AI 产业也不能例外 现在很多人以为 AI 是没有周期的,会一直涨下去,这是一个非常危险的错觉 GPU 会换代,大模型会过时,数据中心会折旧,客户会流失,利率会上升,资本开支会放缓 当全球大科技公司的资本开支增速开始见顶的那一天,AI 产业链的上游会最先感受到寒意 就像房地产周期里,工程机械、水泥、玻璃这些上游周期股,永远是周期最敏感的方向 未来几年里,AI 产业链里最大的风险不是模型的能力不够强,而会是产能的过剩 当所有大科技公司都建好了足够多的数据中心 当所有大模型公司都签了足够多的算力合约 当英伟达一年能卖出几千万颗 GPU 需求端只要稍微放缓一个季度,整个产业链就会进入库存调整期 这个时候,能活下来的公司只会有两类: 一类是成本最低的全产业链龙头 一类是绑定了长期需求的服务商 这就是为什么众多云计算厂商(AWS、Azure、GCP)一旦建成,就是他们自身最强的护城河 就像真正穿越房地产周期的,不是开发商,而是那些采取收租模式的物业公司 🟨折旧与「拆迁」,是这个 AI 时代最被低估的风险 房地产行业有着一个很重要的特征:房子很难过时 一栋楼一旦盖好,可以用 50 年、70 年,即使户型过时了,只要地段还在,主结构还在,折旧相对都是可控的 但反观 AI 基础设施的折旧速度,会比房地产快上几十倍 H100 还没大规模铺开的时候,H200 就来了,Blackwell 还没交付多久,Rubin 又在路上了 每一代 GPU 的性能提升,都是对上一代资产的「功能性报废」 这就相当于在地产周期里,房子盖好两年就要被强制拆迁 这种「技术性折旧」才是 AI 时代最大的资本风险,投出去的成本还没收回来就不能用了 英伟达之所以能一直维持这么高的估值,本质上不是因为它卖了多少 GPU 给众多 AI 公司,而是因为通过 CUDA 生态,能把所有客户都锁死在它的折旧节奏上 客户用得越深,迁移成本就越高,英伟达的护城河也就越深 这就是为什么英伟达毛利率可以维持在 75% 以上,本质上,这已经不是一家卖产品的芯片公司了,而是一家「AI 时代的房地产收租公司」 同理,AMD、博通、Marvell 这些公司如果想挑战英伟达,核心也不是堆算力,而是要建立自己的生态 没有生态的算力,就相当于过去空置的写字楼 🟨需求侧:AI 不是为了「住人」,是为了「生产」 「房地产满足的是居住需求,AI 满足的是生产力需求」 这是 AI 和地产最大的区别,同样也是 AI 最大的希望 居住需求是有上限的,毕竟一个人只能住一套房子,而生产力的需求没有上限,只要有真实的效率提升,一个企业可以无限叠加 AI 能力 如果 AI 能持续提升企业的利润率,提升整个社会的产出效率,那么这场算力建设周期的天花板,就会比房地产高得多 这也是为什么我虽然对短期 AI 资本开支的泡沫保持着高度警惕,但对 AI 产业的中长期需求充满信心 关键变量是 —— AI 创造的价值,能不能持续大于 AI 消耗的算力成本 如果答案是肯定的,那么这场建设周期还可以持续 20 年,甚至 30 年 如果答案是 no,那么今天所有的数据中心、所有的 GPU、所有的资本开支,都会变成明天的折旧负担 应用层跟得上,就是又一个黄金十年,应用层跟不上,就是下一个日本 90 年代拉开序幕 这个问题的答案,就不是任何一家公司能单独回答的了,它需要整个产业去回答 🟨回到投资:谁是这个时代的「卖铲子的人」? 如果整个 AI 周期是真实存在的 如果「卖铲子」的逻辑是持续成立的 如果应用层真的是会爆发的 那么未来十年,最值得长期持有的标的,就不一定是模型公司和云厂商了 而是那些在产业链中游、无法被绕开的「材料和工具」供应商 GPU 厂商们是显而易见的,但真正被低估的,会是那些不起眼的基础设施供应商: 电力设备公司、冷却系统公司、光模块公司、高速互联公司、机柜结构件公司、电源管理公司 这些公司会像房地产周期里卖水泥、卖钢筋、卖防水材料的公司 他们的题材不性感,上不了台面儿,不会轻易被媒体讨论 但他们的现金流稳定,毛利率可控,订单可见性极强 每一次新的数据中心开工,他们都会是最先拿到订单的 每一次数据中心的交付,他们都是最先收到回款的 他们才是这个 AI 时代的「隐形收租人」 如同上个房地产周期里一样 🟨最后 —— 一个或许不一样的结尾 相比一个互联网行业故事的重复,这次的 AI 或许是更贴近地产行业的故事 如果用互联网的思维去理解 AI,会持续高估软件、低估基建 而用房地产的思维理解 AI,相信至少在未来 3-5 年的时间维度下,会更接近真相 但也要指出,不同的是,AI 的需求侧可能会是下一场工业革命级别的叙事 这就意味着,AI 产业既会有房地产式的周期波动,同时也会有工业革命式的长期红利 作为聪明的投资者,我们应该做的是: 在房地产式的周期里,找到工业革命式的长期赢家 周期是逃不掉的,但长期趋势,更是挡不住的 我们这代人,正在见证的,可能就是人类有史以来最大的一次算力建设周期,也是最大的一次生产工具革命 潮水最终会退去 但这次 潮水退去之后留下的 会是一个完全不同的世界吧 #AI#
顯示更多
0
142
90
2
轉發到社區
基于未来是视频时代不是文本时代, 先说结论:闪迪和海力士研究的HBF会成为未来AI领域主导的存储方案。 1.闪迪的 Optimus HBF Gen1分析; 单堆栈容量: 起步 512GB(未来可达数 TB),是当前 HBM 容量的 10 倍以上。 带宽水平: 目标带宽超过 1.6 TB/s,虽然延迟略高于 HBM,但读速度已极度接近。 物理结构: 采用 16 层以上的高速 NAND 堆叠,支持通过 TSV(穿硅通孔)技术直接与 GPU/NPU 互联。 成本优势:HBF 的单位成本仅为 HBM 的几分之一。 2. 视频 AI 场景下的优劣分析; HBM 的优势:实时生成与扩散模型的“加速器” 优势: 视频 AI(如 Sora、Runway、SeenDance 2)在生成每一帧时,需要进行海量的矩阵运算和参数读取。HBM 的低延迟确保了显存与 GPU 核心之间的数据交换没有“毫秒级”卡顿。 劣势: 容量焦虑。目前顶级 HBM(如 H200)也就 141GB,这导致长视频生成或 4K 高质量视频训练时,显存经常爆掉(OOM),必须通过昂贵的集群来拆分任务。 HBF 的优势:打破“视频素材墙”的“大水管” 优势: 视频数据极其庞大。HBF 允许 AI 模型直接在存储层进行“近内存计算”。 超长视频生成: 当 HBM 装不下权重模型时,HBF 充当“二级显存”,其高带宽保证了模型参数加载到 GPU 的过程不需要像普通 SSD 那样等待。 视频特征检索(RAG): 在处理海量视频素材库时,HBF 能以超高速扫描 TB 级数据,寻找匹配的素材特征,这是传统存储无法想象的。 劣势: 虽然带宽上去了,但 寻址延迟 依然高于 HBM。对于需要极高实时性反馈的 AI 交互场景,HBF 会有微小的滞后。 3. 视频 AI 场景下的“成本帐” 假设你要搭建一个能够实时生成 10 分钟 4K 视频的 AI 工作站: 全 HBM 方案: 你需要部署多块 H200/B200 显卡,仅显存成本可能就超过 5 万美元,且依然可能因为显存容量限制(141GB 封顶)无法处理超长上下文。 HBM + HBF 混合方案: 你只需要少量 HBM 负责核心运算,配合 4TB 的 HBF 存储 作为“大显存池”。总成本可能降至 1.5 万美元 左右,且能处理比前者多出 30 倍 的视频素材量。 根据以上我们可以很直观的判断出, 未来AI存储发展方向至少会演化成少量的HBM负责核心计算,搭配海量的HBF存储芯片。 那么现阶段谁最先掌握了的HBF全栈技术, 谁就能在接下来的视频AI浪潮中获取海量的利润! 毫无疑问现在西部数据wdc的彻底退出, 相当于给闪迪的估值模型松绑, 是闪迪真正走向堪比英伟达一样巨头的起点。
顯示更多
存储需求恐怕又要因为seedance2的出现指数级暴增. gpt3.5带来了文本时代,真正的视频时代,是seedance2带来的. 同样是几个提示词,视频ai消耗的存储将达到几百m,随着ai视频制作时长的增加这个体积还会更大. 这次衍生的存储需求会是原来文本的很多倍. 毕竟现在刷视频成瘾的群体是真多, 全球范围内从婴幼儿到老头老太太谁都逃不过,他们可能不爱看书不爱看新闻但绝对爱刷短视频. 基于此,又会产生新的投资需求. 视频ai需要的存储类型跟文本ai肯定有差异. gemini给出的现阶段抖音与yputobe采用的存储架构实录. 目前的视频存储并非单一介质,而是复杂的多级冷热分层架构 (Tiered Storage Architecture)。 A. 架构组成 1. 极热层 (Ultra-Hot Tier):用于应对瞬时爆发的流量(如顶流网红刚发布的视频)。 • 类型:NVMe SSD 集群 + 内存级缓存(Redis/Memcached)。 • 核心指标:**IOPS(每秒输入输出操作数)**和极低的延迟。 2. 热/温层 (Warm Tier):用于存放日常活跃观看的视频。 • 类型:高性能企业级机械硬盘 (HDD) 或大容量 QLC SSD。 • 核心指标:吞吐量 (Throughput) 与成本的平衡。 3. 冷层 (Cold/Archive Tier):用于存放数年前、几乎无人问津的长尾视频。 • 类型:高密度氦气硬盘 (HDD) 甚至物理隔离的磁带机。 • 核心指标:每 TB 持有成本 (TCO)。 B. 痛点:I/O 墙与存储孤岛 传统架构下,存储是“静态”的。但 AI 视频时代(SeenDance 2)要求存储从“仓库”变成“流水线”,这直接导致了存储逻辑的崩溃。 根据以上视频公司存储的现状与困境可以延伸出其三个未来发展方向. 视频 AI 存储的三个未来发展方向 1.方向一:从 HDD 到全闪存化 (All-Flash Data Center) AI 视频训练需要并行读取海量高清素材。传统 HDD 的寻道时间太慢,会拖累昂贵的 GPU 算力。全闪存阵列 (AFA) 将从“奢侈品”变成视频公司的“基础设施”。 2.方向二:CXL 技术下的“内存-存储”融合 Compute Express Link (CXL) 协议将打破内存和 SSD 的界限。对于 SeenDance 2 这种需要处理实时动作对齐的模型,数据在 SSD 和 HBM 之间的搬运速度决定了生成的流畅度。 3.方向三:近存计算 (Computational Storage) 与其把巨大的视频数据搬到 CPU 处理,不如直接在存储主控芯片上进行初步的数据预处理(如视频抽帧、格式转换). 基于以上及图片参数对存储公司作核心竞争力与趋势分析排序评级. SK海力士(S级): 凭借 Solidigm 的 QLC 容量优势和 HBM 的统治地位,卡死了“大容量读取”和“算力吞吐”两个核心环节。视频 AI 训练集的 EB 级存储首选。 三星Samsung (A+级): 读写最均衡。其 PCIe 5.0 写入速度冠绝群雄,是 SeenDance 2 生成 4K/8K 视频流时最佳的“高速缓冲区”。 闪迪SanDisk (A级): 独立后的黑马。其 HBF(高带宽闪存) 旨在打破内存墙,让 SSD 直接参与 AI 推理,极大利好 64G 内存(如你的 M4 Pro)在本地处理大模型视频生成。 美光Micron (A级): 写入寿命与能效比极高,适合 24/7 不间断生成视频的云工厂。 • WDC (B+级): 专注于 CXL 协议,解决数据中心内内存与存储的动态调配问题。
顯示更多
0
24
174
35
轉發到社區
为什么xAI要把数据中心Colossus1租给Authropic?这篇推文应该是分析最到位的,核心逻辑是: xAI目前总共持有大约55 万+个GPU(以H100等效性能为基础),而Colossus1(22 万个)仅占总可用容量的约40%,且是一个混合 H100/H200/GB200 的训练集群。这种混合集群并不是合适训练(不同代际GPU见通信延迟很大),但是非常适合推理(推理需要远没有那么紧密同步的 GPU 间通信)。 恰恰Authropic现在最需要推理算力,而且一家就能把Colossus1的算力全部吃掉。而且Anthropic 作为单一租户占用所有22万个 GPU,多租户下出现的网络交换抖动(意外延迟)消失了。双方的技术弱点最终几乎完美互补。 老马把完全基于 Blackwell 构建的数据中心Colossus 2留给自己,用以训练xAI下一代大模型。 租赁出较旧的、混合代的 Colossus 1。作为一个混合H100/H200/GB200的训练集群,Colossus 1只能实现 11% 的MFU(利用率)。然而,一旦它被移交给单一推理客户,这个资产就转变为一个现金流资产,以大约每 GPU 小时 2.60 美元的价格出租(GPU 类型租赁率的加权平均)。对于 xAI 来说,本来是训练的“地狱集群”,在重新部署用于推理时变成了“金鹅”,每年带来50–60 亿美元的收入。 将这 60 亿美元与 xAI 的损益表对比时,其分量就更清晰了。将 xAI 的 1Q26 净亏损年化,大约每年 60 亿美元的亏损。换句话说,向 Anthropic 租赁 Colossus 1 产生的 50–60 亿美元年度收入,几乎完美对冲了 xAI 的亏损数字 不得不说、这是一次完美的合作:Authropic获得急缺的推理算力; SpaceXAI获得能弥补其AI业务年度亏损的现金流。
顯示更多
0
20
203
28
轉發到社區