英特尔指引疲弱,亚马逊加码AI
英特尔2026年第三季度营收165亿美元,同比增长21%,但第四季度150亿至160亿美元的营收指引低于市场约171亿美元预期。公司毛利率指引由第三季度的43%降至第四季度的38%,数据中心与AI业务营收增长78%,盘后股价仍一度下跌约21%。亚马逊第三季度营收2019亿美元,AWS营收增长39.3%,但单季资本开支达773亿美元,滚动自由现金流净流出424亿美元,全年资本开支指引为2200亿美元。
钛媒体认为,掌握客户关系和应用场景的云厂商收入可见性更强,而英特尔等硬件供应商的议价空间和利润率承压。
摘自汇总《Edge AI Daily 早报(10月30日)》
1.分布式训练的核心痛点被概括为容器的"版本税":CUDA、cuDNN、NCCL、PyTorch、Ray、EFA任意一层版本错位,错误都要等到跨节点all-reduce时才暴露,团队被迫先养一个与模型无关的"镜像工程",消耗大量时间。
2.AWS把这条供应链收进Ray Train Deep Learning Container镜像:标签ray:train-ml-cuda-v1.1已集成Ray 2.58.0、PyTorch 2.13.0、CUDA 13.0.2、NCCL 2.29.7及EFA installer、libfabric、aws-ofi-nccl,用户身份从镜像构建者变为消费者;配合KubeRay这一Kubernetes operator,用一个RayCluster manifest即可搭建集群,硬件、传输与Python依赖均从镜像外部注入。
3.方案效果与成本:样本用两台g6.12xlarge(八块L4 GPU)在EKS上微调Qwen2.5-1.5B,仅设置NCCL_DEBUG、NCCL_SOCKET_IFNAME、FI_PROVIDER、NCCL_NET_PLUGIN四个环境变量并申请vpc.amazonaws.com/efa资源,代码不改即可将跨节点吞吐量从TCP翻倍;两台g6.12xlarge合计约9.50美元/小时,节省的重点是维护镜像供应链的人力而非服务器费用。
(广角观察、Edge AI Daily等综合整理)