英伟达已获得推理芯片设计公司Groq的知识产权授权,并聘用了其部分高级管理人员,但并未进行完全收购。
英伟达发言人在周二通过电子邮件表示:"我们已获得Groq知识产权的非独家授权,并聘用了Groq团队的工程人才加入我们,共同致力于提供世界领先的加速计算技术。"不过他强调:"我们并未收购Groq。"
Groq专门设计和销售针对AI推理优化的芯片。这些被Groq称为语言处理单元(LPU)的芯片,相比英伟达设计销售的GPU具有更低功耗和更低价格特点。英伟达的GPU目前主要用于训练AI模型。随着AI市场的成熟,使用需求从创建AI工具转向使用AI工具,对推理优化设备的需求可能会增长。
Groq还通过名为GroqCloud的推理即服务业务出租其芯片。
Groq于12月24日宣布了这项交易和高管变动,表示"已与英伟达就Groq的推理技术达成非独家授权协议",作为协议的一部分,"Groq创始人Jonathan Ross、总裁Sunny Madra以及Groq团队的其他成员将加入英伟达,帮助推进和扩展授权技术。"
据TechCrunch报道,这项交易价值可能高达200亿美元。
AI应用芯片供应链存在紧张局面,英伟达首席财务官在最近的财报电话会议中报告称,其部分芯片已"售罄"或"完全利用"。分析师认为,造成这种情况的因素之一是高带宽内存短缺。让AI运营减少对稀缺内存芯片的依赖,正成为AI供应商和企业买家的关键目标。
Groq芯片设计与英伟达之间的显著差异在于各自使用的内存类型。英伟达最快的芯片设计用于搭配高带宽内存,由于生产能力有限和AI相关应用需求上升,高带宽内存价格如同其他快速内存技术一样正在飙升。而Groq则将静态RAM集成到其芯片设计中。公司表示,SRAM比竞争芯片技术使用的动态RAM更快、更节能,另一个优势是它不像其他地方使用的高带宽内存或DDR5 DRAM那样稀缺。授权Groq的技术为英伟达多元化内存采购开辟了道路。
通过将与Groq的关系构建为知识产权授权交易,并聘用最感兴趣的工程师而非收购其雇主,英伟达避免了接手GroqCloud服务业务。据报道,英伟达正在退出自己的服务业务DGX cloud,并将其重组为内部工程服务。这也可能避免完全收购所带来的大部分反垄断审查。
英伟达未回应关于所聘用前Groq高管姓名和职务的询问。
然而,根据LinkedIn资料显示,Groq创始人Jonathan Ross现在是英伟达的首席软件架构师,而Groq前总裁Sunny Madra现在是英伟达的硬件副总裁。
Groq剩余业务将由Simon Edwards负责运营,他此前担任销售自动化软件供应商Conga的首席财务官,三个月前刚加入Groq担任首席财务官。
Q&A
Q1:英伟达为什么要授权Groq的推理芯片技术?
A:英伟达通过授权Groq技术来多元化内存采购。Groq芯片使用静态RAM而非高带宽内存,可以缓解当前AI芯片供应链中高带宽内存短缺的问题,同时获得更快速、更节能的推理处理能力。
Q2:这项交易对英伟达有什么好处?
A:英伟达避免了完全收购带来的反垄断审查,不需要接手GroqCloud服务业务,同时获得了Groq的推理技术和核心工程人才,能够在AI市场从训练转向推理应用的趋势中保持竞争优势。
Q3:Groq的LPU芯片与英伟达GPU有什么区别?
A:Groq的语言处理单元(LPU)专门针对AI推理优化,功耗更低、价格更低,使用静态RAM。而英伟达GPU主要用于AI模型训练,使用高带宽内存,功耗和价格都更高。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。