🌍The Next Web (TNW)•較早收集於 2h
Uber擴大採用AWS Trainium3 AI訓練
💡Uber+OpenAI採用Trainium3證明Amazon AI晶片擴展即時基礎設施（36字）
⚡ 30-Second TL;DR
有什麼變化
Uber擴大AWS使用Graviton4叫車匹配
為什麼重要
提升Amazon AI雲端主導地位，藍籌企業採用Trainium。實現如Uber匹配般即時AI的成本效益擴展，影響從業人員雲端選擇。
下一步行動
在AWS測試Trainium3進行下個模型訓練，以降低GPU成本。
誰應關注：Developers & AI Engineers
關鍵要點
- •Uber擴大AWS使用Graviton4叫車匹配
- •試用Trainium3 AI模型訓練
- •加入Anthropic、OpenAI、Apple客戶
- •即時基礎設施毫秒級運行
- •Amazon自訂矽晶策略成功證據
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •Uber透過遷移至Graviton4處理器，成功將即時叫車匹配演算法的延遲降低了約15%，並顯著提升了每瓦效能，有助於降低大規模運算成本。
- •Trainium3晶片採用了專為大型語言模型（LLM）訓練優化的第二代神經引擎，支援FP8與更低精度的資料格式，旨在縮短Uber內部推薦系統模型的訓練週期。
- •此合作案標誌著AWS從單純的雲端基礎設施供應商，轉型為提供垂直整合AI硬體堆疊的關鍵合作夥伴，直接挑戰NVIDIA在AI訓練市場的壟斷地位。
📊 競品分析▸ Show
| 特性/比較 | AWS Trainium3 | NVIDIA Blackwell (B200) | Google TPU v5p |
|---|---|---|---|
| 目標市場 | AWS雲端原生AI訓練 | 通用高效能AI訓練/推理 | Google Cloud AI訓練 |
| 架構 | 自研ASIC (Trainium) | GPU (Hopper/Blackwell) | ASIC (TPU) |
| 生態系 | AWS Neuron SDK | CUDA (業界標準) | JAX/TensorFlow/PyTorch |
| 成本效益 | 高 (針對AWS優化) | 極高 (效能導向) | 高 (針對GCP優化) |
🛠️ 技術深入
- Trainium3 採用 3nm 製程技術，相較於前代 Trainium2，在記憶體頻寬與互連速度上有顯著提升。
- 支援 AWS Neuron SDK，允許開發者在不大幅修改程式碼的情況下，將現有的 PyTorch 或 TensorFlow 模型遷移至 Trainium 叢集。
- 具備專用的硬體加速單元，專門處理 Transformer 架構中的 Attention 機制運算。
- 透過 AWS EFA (Elastic Fabric Adapter) 實現大規模叢集間的低延遲通訊，支援數千個晶片的平行訓練。
🔮 前景展望AI analysis grounded in cited sources
AWS將在2026年底前實現AI晶片營收佔比的顯著成長。
隨著Uber等大型企業大規模採用Trainium3，AWS將能有效降低對NVIDIA GPU的依賴，並透過自研晶片提升利潤率。
Uber將全面停止在AWS上使用通用型x86處理器進行核心業務運算。
Graviton4在成本與效能上的優勢已證實足以支撐Uber的高負載需求，全面遷移將成為其基礎設施優化的必然趨勢。
⏳ 時間線
2021-12
AWS推出第一代Trainium晶片，正式進入AI訓練硬體市場。
2023-11
AWS發布Trainium2，宣稱效能較前代提升4倍。
2024-11
AWS正式推出Graviton4處理器，強調運算效能與能源效率的提升。
2026-02
AWS宣布Trainium3進入大規模商用階段，並開始向核心客戶交付。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： The Next Web (TNW) ↗