Uber 采用 Amazon 定制 AI 芯片处理 ML 工作负载

Uber 采用 Amazon 定制 AI 芯片处理 ML 工作负载受到 BTW Media 关注，因为公开证据将其与互联网基础设施、治理、运营依赖性或市场可见性联系起来。

发生了什么

作为网约车和食品配送平台，Uber 深化与 AWS 的合作，在计算成本上升的背景下，利用定制芯片运行 AI 工作负载。

Uber 正在扩大对 Amazon Web Services (AWS) 定制芯片的使用，为其人工智能工作负载提供动力。该公司正在利用 AWS 的专用芯片——外界普遍认为包括 Trainium 和 Inferentia 处理器——来提高训练和部署 AI 模型的效率。

这一转变正值 Uber 寻求优化其 AI 运营的成本效益平衡之际，这些运营支撑着诸如乘车匹配、定价算法和配送物流等核心服务。通过使用 AWS 芯片，Uber 旨在减少对 Nvidia 通常供应的更昂贵通用 GPU 的依赖。

作为美国电商和云计算巨头，Amazon 将其定制芯片定位为大规模 AI 工作负载的低成本替代方案，特别是在推理任务和某些训练场景中。Uber 的采用反映了科技公司在 AI 基础设施需求激增之际，寻求多样化其计算栈的更广泛趋势。

随着 AI 需求导致芯片短缺和云成本上升，采用超大规模云商芯片的企业获得了定价杠杆和架构灵活性，重塑了 AI 基础设施的竞争格局。

Uber 的举措凸显了 AI 生态系统的结构性转变：云服务商不再只是基础设施供应商，而是日益在芯片层面竞争。通过采用 AWS 定制芯片，Uber 不仅降低了成本敞口，也更接近 Amazon 垂直整合的 AI 体系。这可能加速创新周期，同时加剧供应商锁定风险。

更广泛而言，这一决定凸显了专有云芯片与 Nvidia 主导的 GPU 生态系统之间竞争的加剧。随着超大规模云商改进其自研处理器，企业可能会越来越多地采用混合计算策略——平衡性能、成本和可用性——以维持大规模 AI 增长。