

> 芯片巨头正完成史上最深刻的战略转身。百亿美元级别的开源大模型投入不仅是对自身底层算力的极限施压，更是一次试图改写行业规则的生态降维打击。

## 巨资重仓打造研发梦之队

英伟达近期向全球人工智能行业抛出了一份重磅战略规划，宣布将在未来五年内斥资260亿美元用于研发前沿开源大模型。这一庞大数字标志着这家长期稳居底层硬件垄断地位的硅谷巨头，正在向包含 OpenAI 和 DeepSeek 在内的顶尖人工智能实验室发起直接挑战。

从资金规模来看，这绝对是一场降维打击。260亿美元的预算大盘将全面覆盖基础模型研发、专属算力基础设施建设以及全球顶尖算法人才的招募。与之形成鲜明对比的是，OpenAI 在训练上一代明星模型 GPT-4 时的总耗资约在30亿美元规模。英伟达以高出竞争对手八倍以上的资金体量入局，展现出极强的市场侵略性。

凭借对全球核心算力资源的绝对控制权，英伟达内部的秘密研发团队已取得突破性进展。最新消息指出，公司已成功完成一个规模高达5500亿参数超级大模型的预训练工程。官方强调，这种极限规模的模型研发不仅是为了验证算法可行性，更是对其自身生产的存储单元、高速网络通道等超算级基础设施进行高压测试的绝佳手段。
![32.png](https://static.downly.cn/images/3d0c76507b7736f8bd6c0da450c3c776.png) <center>图源备注：图片由AI生成</center>

## 开放权重切中企业定制痛点

在技术流派的抉择上，英伟达并没有盲从市场的现有框架，而是开辟出了一条极具商业谋略的中间道路。区别于 OpenAI 严苛的闭源高墙，也不同于 Meta 毫无保留的全面开源，英伟达主打开放权重的全新理念。

该策略主张向外界公开模型的核心关键参数，允许企业级客户下载至本地或私有云环境中独立运行。同时，这些庞大的模型代码将从底层专门针对英伟达自家的 GPU 架构进行深度绑定与效能调优，确保其在原生硬件上的运行效率大幅碾压市面上的通用模型产品。在数据安全焦虑蔓延、企业急需高透明度定制模型的当下，这一刀法精准地切中了 B 端市场的核心诉求。

![33.png](https://static.downly.cn/images/b7bc6f85a9bbc3a0d1b36b11d2912ba8.png) <center>图源备注：图片由AI生成</center>

## 商业野心与百亿美元增收预期

华尔街金融分析机构普遍认为，这笔巨额支出绝非防御性的资本消耗。凭借软硬件一体化的协同优势，一旦英伟达能够在基础模型市场占据10% 的份额，预计在三年内将为公司每年带来高达500亿美元的额外营收流水。

当前全球大模型产业正处于闭源与开源势力相互制衡的微妙阶段。面对来自全球各地开源社区的猛烈冲击，英伟达亲自下场构建开源基座，不仅是一次针对硬件销量的护盘行动，更是对未来 AI 工业标准的强力争夺。据悉首批具备行业统治级的模型成果将于2026年底至2027年初正式交付，大模型赛道的下半场竞争正迎来最具实力的破局者。

英伟达掷两百六十亿美元下场造大模型 硬件霸主剑指开源生态定义权



> 英特尔 CEO 陈立武在思科 AI 峰会上正式宣布 GPU 战略转型，确立了从 CPU 霸主向 AI 算力挑战者的跨越。通过重金组建梦之队并瞄准推理市场，英特尔试图在英伟达垄断的版图中撕开缺口。

## 核心布局 组建工程梦之队

为了确保 GPU 战略的执行力，英特尔正在进行一场高层人才的“换血”与集结。

**凯沃尔克·凯奇奇安** 被委以重任，统筹整个 GPU 项目。这位前 Arm 高管目前担任数据中心事业部执行副总裁，展现了英特尔整合外部血液的决心。

更引人注目的是技术端的引援。曾在高通任职 13 年的工程泰斗 **埃里克·德默斯** 已于今年 1 月正式加盟，出任首席 GPU 架构师。这一人事变动被业界解读为英特尔技术路线修正的关键信号，德默斯在移动端与低功耗高性能架构上的经验，或将为英特尔的 AI 芯片带来差异化优势。

![Google_AI_Studio_2026-02-04T03_15_39.176Z.png](https://static.downly.cn/images/01bf8a337021fcdedbfdbaada9df5a0c.png) <center>图源备注：图片由AI生成</center>

## 战略突围 瞄准AI推理与存储瓶颈

面对英伟达超过 80% 的市场份额，陈立武选择了避其锋芒，侧翼突围。

英特尔的新型芯片将重心放在 **AI 推理** 与 **模型训练** 的能效比上。陈立武敏锐地指出，当前 AI 发展的最大拦路虎并非单纯的算力，而是日益严峻的内存墙问题。英特尔计划利用其先进的封装技术（Advanced Packaging），解决 GPU 在高负载下的内存消耗痛点，为客户提供比竞品更具性价比的解决方案。

## 行业预判 存储危机下的生态重构

峰会上，陈立武抛出了一个悲观但冷静的预测 **存储芯片的供应短缺将至少持续至 2028 年**。

这一判断构成了英特尔新战略的基石。在算力受限于存储的时代，能够提供更优内存架构的厂商将获得入场券。英特尔此时入局，意在利用其 18A 工艺节点建立一套完整的代工与产品生态，试图在“后摩尔定律”时代重新定义半导体行业的竞争规则。

英特尔高调进军GPU战场 挖角高通大牛剑指英伟达



> 导语 本周科技圈爆出猛料，曾经的“开源卫士”Meta 将于 2026 年春季发布闭源模型“牛油果”，且训练过程使用了阿里的 Qwen 模型。这一举动伴随着 Llama 4 的丑闻、高层大换血以及 FAIR 实验室的裁员，标志着扎克伯格 AI 战略的彻底转向。

## 从开源旗手到闭源“牛油果”

曾经高举开源大旗、自诩为“AI 时代的安卓”的 Meta，正悄然走上一条截然相反的道路。据彭博社最新爆料，Meta 计划于 2026 年春季发布代号“Avocado”（牛油果）的全新 AI 模型，而这款模型极有可能是闭源的。

更令人震惊的是，这款试图终结开源时代的闭源产品，其训练过程竟直接使用了阿里巴巴的开源大模型 Qwen。这一消息瞬间引爆市场，阿里巴巴美股盘前一度飙升 4%。网友戏称“硅谷闭源模型，竟是用中国开源模型喂出来的”。讽刺的是，Meta 如今不得不依赖阿里 Qwen、谷歌 Gemma 和 OpenAI 的 gpt-oss 等全球开源社区的成果来打造自己的私有护城河。

![image.png](https://static.downly.cn/images/e6bf2e39048aa02a45c69ed09036b086.png)

## 信仰崩塌与高层大洗牌

这不仅是技术路线的转变，更是一场战略信仰的崩塌。转折点源于 2025 年 4 月 Llama 4 的惨淡发布，该模型在权威评测中被曝存在“刷榜作弊”嫌疑，声誉一落千丈。扎克伯格震怒之下，迅速边缘化原 Llama 团队，并开启了“梦之队”招募计划。

在这场大洗牌中，Meta 新任首席 AI 官亚历山大·王（Alexander Wang）浮出水面。这位从 Scale AI 空降而来的高管是闭源路线的坚定支持者。他迅速掌控 AI 战略，其领导的 TBD Lab 成为公司新核心。然而，这种高压关注也带来了副作用，据传王对扎克伯格这位“贴身导师”的过度干预已显不耐。

![image.png](https://static.downly.cn/images/06278565362d9a1f3c8ebfaa57fa0e86.png)

## 开源理想主义的挽歌

随着战略转向，Meta 的开源根基被系统性瓦解。FAIR 实验室遭遇大规模裁员，连研究科学家总监田渊栋都未能幸免。更具象征意义的是，“卷积神经网络之父”杨立昆（Yann LeCun）因公司不再支持其开源方向而黯然离场。

Meta 的“大象转身”是一曲开源理想主义的挽歌。而在全球 AI 竞赛中，那个曾被低估的东方开源力量，正悄然成为他人闭源野心的基石。



Meta 放弃开源转向闭源 竟用阿里 Qwen 训练自家模型



> **导语**
> 近日，一项来自 Sakana AI 的研究突破了当前大模型竞争的格局。 他们提出了一种名为 Multi-LLM AB-MCTS 的新算法，首次实现了让 OpenAI、谷歌和 DeepSeek 的顶尖模型在推理时协同工作，组建成一支“AI梦之队”。 这个“三模合一”的集体智能在极具挑战性的基准测试中，展现出远超任何单一模型的能力，将解题成功率提升了超过30%。

## AI“梦之队”的诞生

长期以来，人工智能领域的竞争主要围绕着单个模型的性能展开，各大科技巨头都在努力打造更强大的“单体”AI。  然而，Sakana AI 的研究提供了一个全新的思路：与其追求单一的“最强王者”，不如将不同模型的独特优势结合起来，形成“群体智慧”。 
![image.png](https://static.downly.cn/images/23c4baff447514f237b78b3376f40ed7.png)
这项研究并非一次企业级的合作，而是一次技术层面的创举。  研究人员利用他们开发的 Multi-LLM AB-MCTS 框架，将三个来自不同公司的前沿模型——o4-mini、Gemini-2.5-Pro 和 DeepSeek-R1-0528——有效地整合在一起。 这个系统能够在解决复杂问题时，像一个团队一样，动态地调用最适合当前任务的模型来执行特定步骤。 

![image.png](https://static.downly.cn/images/d453041821c2c39af4bcdf6c8205e62e.png)
## 解密核心技术 AB-MCTS

这项突破的核心是一种名为“自适应分支蒙特卡洛树搜索”（AB-MCTS）的算法，它属于“推理时扩展”（Inference-Time Scaling）技术的一种。 简单来说，就是让AI在面对难题时，通过投入更多的计算资源进行“深度思考”和“反复试错”，而不是只给一次机会。 
![image.png](https://static.downly.cn/images/8a2db571aa03e2e2727d402317eb5131.png)
过往的方法通常要么是“深度优先”，即对一个想法不断优化；要么是“广度优先”，即产生许多个全新的想法。  这两种方式各有局限。  而 AB-MCTS 算法巧妙地扩展了AlphaGo所使用的蒙特卡洛树搜索技术，能够在“深入优化一个方案”和“探索全新可能性”之间取得动态平衡。

在此基础上，Multi-LLM AB-MCTS 增加了第三个维度：AI选择。  在每一步决策时，算法不仅要决定是“走深”还是“走宽”，还要决定该任务由哪个模型来执行最有效，从而实现真正的优势互补。

![image.png](https://static.downly.cn/images/f56352a3c54271bf5d4b67524d048624.png)

## 1+1+1 > 3 惊人的实验结果

为了验证“AI梦之队”的真实战力，研究团队在极具挑战性的 ARC-AGI-2 基准测试上进行了实验。 结果令人瞩目：
![image.png](https://static.downly.cn/images/88006959a41d99488482df279f9e298a.png)
通过让三个模型协同工作，Multi-LLM AB-MCTS 最终解决了超过 30% 的问题。  相比之下，作为性能最强的单一模型之一，o4-mini 即便使用了新的 AB-MCTS 算法，成功率也只有 27.5%，而使用传统的重复采样方法更是只有 23%。  这证明了群体智慧的巨大优势。

更有趣的发现是，协作的价值并非简单地让最强的模型去解决问题。  实验中，一些单个模型表现不佳的案例，却在多模型协作中迎刃而解。 比如，o4-mini 先生成一个不完全正确的初步答案，而 DeepSeek-R1-0528 能够在这个错误答案的启发下，接力修正并最终得出正确解法。 这充分展示了不同模型间思维碰撞产生的火花。

![image.png](https://static.downly.cn/images/88eb4924125ce0320fa12f21d4a9cf07.png)

## 未来展望 群体智能的黎明

Sakana AI 的这项研究标志着AI发展的一个重要转向，即从追求“模型规模”转向探索“模型使用”的智慧。  它证明了通过智能算法将现有顶尖模型的能力进行组合，可以有效突破单一模型的性能瓶颈。

正如人类历史上众多伟大的成就都源于协作而非个人英雄主义，AI的未来或许也并非由一个无所不能的“超级AI”主宰，而是由无数个各具特长的AI组成的、高效协作的“集体智能”来开创。 为了推动这一领域的发展，Sakana AI 已经将该算法框架以“TreeQuest”之名开源，供全球的研究者使用和探索。 

搜索结果: 梦之队