跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

博通向Anthropic提供贷款上限420亿美元,美国数据中心计划跑在芯片供应前面

路透社周四援引Anthropic的IPO招股书报道,博通已同意向Anthropic提供最高420亿美元贷款,用于支付AI基础设施。这笔贷款约占Anthropic承诺的五年期谷歌设计TPU租赁总额1252亿美元的三分之一。

科技分析林晓雯发布: 2026年10月1日6 分钟阅读资料来源 12
博通向Anthropic提供贷款上限420亿美元,美国数据中心计划跑在芯片供应前面

博通已同意向Anthropic提供最高420亿美元贷款,帮助其支付AI基础设施。路透社周四援引这家AI公司的IPO招股书报道了这一消息。这笔贷款大约能覆盖Anthropic承诺的五年期张量处理单元租赁总额1252亿美元的三分之一。这些芯片由谷歌设计,博通参与制造。路透社称,博通和Anthropic均拒绝置评。

资金将通过可转换为Anthropic股票的可转换票据提供。博通还可以指定一家融资合作方。Anthropic表示,预计在IPO之前不会出售任何票据。

招股书还点出一个结构性问题。博通既是Anthropic的硬件供应商,又是它的贷款方,招股书称之为“潜在利益冲突”。招股书警告,这些冲突可能影响Anthropic获得所需算力。博通在定价和硬件上的决定,可能限制这家公司能购买多少基础设施。某些付款或履约违约还可能让大部分租赁义务一下子到期。Anthropic表示,在这种情况下,它只能有限度地动用这420亿美元额度来应付。

根据招股书,Anthropic在2026年4月为博通的利益向一个受限账户存入了现金。在某些情况下,它可能还需要追加。同月,它宣布扩大与谷歌和博通的合作。协议涵盖从2027年开始的多吉瓦下一代TPU产能。8月,彭博社报道博通正寻求超过600亿美元债务,为Anthropic的芯片融资。

路透社报道,Anthropic有望在2027年成为博通最大的算力客户。博通预计2027财年AI芯片收入约为1150亿美元,2028财年为2300亿美元。招股书显示,Anthropic在2025年亏损420亿美元,同期收入增长12倍。其IPO估值可能达到2万亿美元。

这一安排与英伟达的做法相似,后者一直用资产负债表支持自家芯片销售。本周《金融时报》报道,英伟达已与保险公司讨论以其芯片为担保的贷款。Seaport Research分析师Jay Goldberg对路透社说,英伟达“动用了大量资产负债表,博通不得不跟进”。罗斯柴尔德公司管理合伙人Robert Leitao对路透社说,现在“感觉相当集中地押注于两家公司能否创造足够收入,来支撑已经发生的全部融资”。

融资消息叠在一个更早出现的供应问题之上。9月30日,《The Register》报道了Jefferies的一份分析。分析引用卫星数据分析公司SynMax,后者逐周跟踪数据中心选址的清场和施工进度。SynMax估计,美国部署规模将从2025年约11 GW总容量升至2026年的16至18 GW,高于此前14至16 GW的预测。它认为2027年的实际上限在20吉瓦出头。

这远低于一些已宣布的项目储备和2028年芯片需求模型所暗示的超过80 GW。新项目的清场已经停滞。Jefferies早前一份报告发现,美国计划于2026年投运的容量中只有一半在建。2028年项目储备中多达80%尚未开工。

先进封装是第二个瓶颈。制造加速器裸片只是工作的一部分。在原始设备制造商把它们装进服务器之前,还必须与高带宽内存等组件封装在一起。即使在美国本土制造的芯片,也可能需要运往海外封装,通常是台湾。

SynMax估计,现有先进封装产能可支持总功耗约13 GW的加速器。算上CPU、内存、冷却和其他负载,这相当于约17.5 GW的数据中心总功率。两个预计2027年上线的额外封装项目可再支持6 GW。除非产能扩张快于预期,否则实际天花板就在20吉瓦出头。

中国最大的两家芯片买家正朝相反方向走。华为轮值董事长徐直军本周在一份问答式发布中称,公司Ascend系列神经网络处理单元在中国市场份额已超过英伟达。他说:“很难收集英伟达在中国市场份额的数据,但根据我们收集的数据,Ascend已经超过英伟达。”徐直军还说,华为芯片可能没那么先进,“但至少供应有保障,不用天天担心芯片供应”。

周三,DeepSeek开源了六个专为华为Ascend芯片定制的软件模块。其中包括兼容Ascend的TileLang,这是它用于高性能内核的编程语言。《南华早报》报道,该项目的GitHub页面现在列明支持Ascend 950加速器,并具备原生代码生成能力。

英伟达自己的数字显示中国业务跌得有多惨。在公司第二季度财报电话会上,高管称向该地区出货的H200加速器不到数据中心收入的1%。Ars Technica 9月28日报道,中国正考虑允许部分最大AI企业在未来一年进口可能多达数百万颗英伟达芯片。工业和信息化部要求阿里巴巴和字节跳动详细说明购买RTX Pro 5500的计划。

市场设计端正围绕另一套逻辑整合。OpenAI与Synopsys签署多年合作,打造GPT-Synopsys。该模型旨在推理芯片设计与验证,并直接操作Synopsys的EDA工具。两家公司表示,工程师将委派设计目标并审阅输出。早期测试已在半导体客户中展开。

Tom's Hardware 9月30日报道,Cadence、Synopsys和Siemens EDA现在都在推销用于芯片设计的智能体AI。这些工具大多建立在英伟达的技术栈上,自主性宣称从Level 4到Level 5不等。该媒体指出,所有宣称的速度提升都来自厂商或其客户自己的数据。许多附带“最高可达”或“早期评估”的限定。Synopsys在7月唯一点名的评估方AMD,除了一句背书之外没有提供分析。

在别处,封装瓶颈已有供应商回应。Emergence AI对《EE Times》表示,正将其neuroformal AI技术推进到无晶圆厂半导体公司的实际部署中。集成器件制造商要求它把工作延伸到晶圆厂。联合创始人Satya Nitta说,目标是每片晶圆产出更多裸片,而不是更快的芯片:“你没法让芯片更快,但用AI肯定能让每片晶圆良率产出更多芯片。”

本周并非所有芯片发布都关于加速器。MaxLinear发布Puma 9,称这是首个在单颗SoC上支持DOCSIS 3.1、3.1+和4.0的DOCSIS平台。它基于8nm工艺和ARM架构,而非前几代Puma使用的英特尔x86架构。公司称其成本比上一代降低30%至50%。它增加DDR5内存支持以避开DDR4供应压力,并集成用于边缘AI的NPU。基于它的调制解调器预计2027年推出。

本周新闻的共同点是,钱不再是约束条件。博通可以向一个客户承诺420亿美元,Anthropic可以向一份租约承诺1252亿美元。但两者都无法比晶圆厂和封装厂更快地变出封装好的加速器,也无法比电力和许可允许的速度更快地建数据中心。AI建设在定价上像一场资产负债表操作,在交付上却像一场工业工程。

评论 0

资料来源

12
  1. 01Broadcom to lend Anthropic up to $42bn for its chips, Reuters reportsEN
  2. 02America is planning more AI datacenters than its chip supply can fillEN
  3. 03Huawei boss claims homegrown AI chip sales top Nvidia in ChinaEN
  4. 04China's DeepSeek open-sources tools to help Huawei chips supplant Nvidia in AIEN
  5. 05Experts worry about Nvidia's AI chip sales in China and influence over TrumpEN
  6. 06OpenAI and Synopsys team up to build an AI model that designs chips like a seasoned engineerEN
  7. 07The state of agentic AI in chip design tools in 2026EN
  8. 08Emergence AI Targets Fabless Chipmakers With Neuroformal AIEN
  9. 09MaxLinear claims new 'Puma 9' DOCSIS chip is a big cost-cutterEN
  10. 10MaxLinear intros 'AI-ready' Puma 9 DOCSIS chipsetEN
  11. 11Silicon is starting to design siliconEN
  12. 12Huawei steps up Tau chip roll-out, with Mate XT 2 on track for 1 million salesEN

本文所有数字与引语均来自下列来源,未添加来源之外的内容。

本内容由编辑部在人工智能辅助下制作完成。

林晓雯

林晓雯

人工智能、模型与技术

林晓雯负责FLASH24的人工智能、模型与技术方向,主要写科技、人工智能与模型、媒体与互联网三个领域。她习惯从论文预印本、开源代码库和厂商技术文档入手,先核对训练数据来源和评测口径,再决定是否落笔。遇到模型跑分,她会自己复现一遍小规模测试,并对照独立第三方榜单,确认数字没有注水。她常联系一线工程师和产品经理,也盯着各大会议截稿日,把不同版本的技术报告放在一起比。业余时间她玩3D打印、折腾老电脑,还关心模型从网络垃圾里学到的偏见问题,这让她对数据清洗格外敏感。她有一条原则:拿不到原始数据的性能宣称,不写。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。