作者｜赵赛坡
头图｜视觉中国
本期首先聚焦美国芯片限售令的最新进展，原定 30 天的缓冲期已提前生效，一系列芯片限售将对中国 AI 产业带来哪些负面影响，本期将从三个方面进行解析。
英特尔正迎来糟糕时刻，高通发布新一代面向 PC的 CPU，英伟达、AMD 蠢蠢欲动，桌面计算的变革大幕徐徐拉开。
本期还将关注以下议题：
财报季：微软、Google 财报展示生成式 AI 发展情况；
市场：微软投资澳洲、市场认可“与英伟达站在一起”的公司；
研究：大模型透明度指数、训练大模型的能耗争议等。
接下来，欢迎和我一起复盘围绕数据与智能的产业关键事件。
计算·中美
先看美国芯片限售令的最新进展，英伟达本周向 SEC 提交的一份文件里称，美国商务部的新一轮限售令已经在周一提前生效。原本这项措施将在 10 月 17 日之后的三十天内生效，英伟达并未透露美国政府为何提起实施该措施。
受到该法令影响的 AMD 还没给出进一步消息，而在中国市场销售 Gaudi2 芯片的英特尔表示正在评估法规带来的潜在影响。
根据英伟达的文件，此次限售令受到影响的芯片产品包括但不限于 A100、A800、H100、H800、L40、L40S 和 RTX 4090 产品，这其中，A800/H800/L40S 的限售令已经生效。
此次限售令将给中国人工智能产业，特别是大模型领域带来巨大影响。首先，大模型的创业以及竞争门槛将大幅拉高，创业公司不仅要拿到足够的钱，还需要找到足够的 GPU，方式或许是多种多样——或灰或黑，方法或许比困难多，但成本一定高出不少。
其次，对于像百度、阿里巴巴这样的巨头公司，虽然此前已经通过各种渠道囤积了众多 GPU，而且还重金向英伟达预订了新一批 GPU，但随着限售令的出现，英伟达能否交付订单，以及交付多少订单，存在诸多不确定性。
更进一步，FT 援引消息人士的话称，百度、阿里自研 AI 芯片的尝试如今也面临一系列挑战，作为全球唯二代工高端芯片的公司，台积电、三星能否取得美国政府的许可，从而为中国公司生产这些在某些规格上已经超越英伟达 GPU 的 AI 芯片，已经变得极其渺茫。
第三，除了灰市或黑市之外，科技公司们也会通过采购英伟达过往芯片——比如 2017 年发布的 V100 系列——来持续为大模型的训练提供算力，毕竟这批产品还未进入限售清单，当然，也仅仅是目前。
不过这并非长久之计，因为训练成本和效率之间的冲突会越来越大。如果你了解这几年 GPU 的发展速度，大致可以明白这些芯片在算力、能耗方面与当下最新芯片的差距，这无疑将进一步增加中国公司训练大模型的成本。
未来会如何呢？半导体产业链的复杂性，让限售令的执行落地存在众多可以“灵活运作”的地方；另一方面，也是最重要的一点，仅仅依靠所谓“口号”、“精神”，绝无可能可以在短期内——比如 10 年——复制一条独立于全球的半导体产业链。
计算·产业
对英特尔来说，本周充满了一系列坏消息，这并不是因为英特尔又错过了什么，而是它的的地盘——PC 处理器市场——来了一群“野蛮人”。
路透社的独家消息称，英伟达已经开始基于 ARM 架构，设计支持 Windows 的 CPU；同样这样布局的，还有 AMD。
而就在北京时间周三，高通正式发布了一款基于 ARM 架构的 CPU Snapdragon X Elite，这款采用和苹果 M 系列类似封装架构的处理器，将在 2024 年出现在 Windows PC 市场。
这些消息叠加在一起，英特尔股价过去一周呈现持续下滑的态势。
很长一段时间里，英特尔依赖于两大“法宝”控制着 PC 市场：其一是和硬件制造商达成深度绑定关系，通过补贴等一系列方式，形成了一个相对稳固的利益共同体；其二，利用英特尔在 x86 架构的生态优势，强化与微软操作系统的协同，进一步增强开发者在 x86 上的忠诚度。
当市场上存在大量搭载 x86 架构处理器的硬件与大量支持 x86 架构的软件，一个行之有效的“闭环”也就形成了，“外人”很难染指。
但过去几年，计算领域发生了很多有趣的变化。一方面是苹果依托自研的 ARM 处理器，不仅迅速获得消费者的认可，也让外界看到 ARM 架构在能耗之外的性能优势；与此同时，随着智能手机市场增长放缓，高通也在探索新的增长空间，这家公司自 2017 年就开始围绕“ARM+Windows”进行尝试，只是效果不佳。
也是过去几年，在 AI 领域大赚特赚的英伟达，继续强化在游戏加速市场的领先地位，AMD 持续探索低成本下的算力提升，以及，高通此番的重磅发布，也宣告整个个人计算市场将迎来一次巨大变化。
接下来，我们会看到一个无比激烈的个人设备之上的算力竞争场面：架构之争（x86 vs ARM）、AI 之争（英伟达 VS 高通）、成本之争（英特尔 VS AMD/高通）以及理念之争（苹果 VS 其他）。
有一点已经非常确定，英特尔的糟糕日子，才刚刚开始。
巨头·财报季
本周又将进入一轮密集的财报发布季，正如我在此前多期 AI Insider 里所言，各大云计算公司每一季度的财报，都可以作为观察生成式 AI 落地，特别是如何驱动产业发展的重要切入口，这次也不例外，两份云计算巨头——微软、Google——的成绩单显示，围绕生成式 AI 的商业化探索，并不容易。
先看微软。智能云业务本季度营收 242.6 亿美元，同比增长 19%，高于华尔街分析师预测的 234.9 亿美元；公有云 Azure 的营收增长也达到 29%，高于市场普遍预计的 26% 的增长。
结合财报分析师会议透露的消息，微软对于 AI 的重金押注已经在云服务上初见成效：
Azure 上的 OpenAI 客户达到 18000，相较 7 月份增长了 11000 个；
Azure 增长中的 3% 来自于人工智能，这个百分比高于三个月前的预测，当时给出的数字是 2%；
与此同时，微软生产力和业务流程部门也实现了 185.9 亿美元的营收，同比增长 13%，超过分析师 181.9 美元的营收预期。这个部门的产品包括微软 365、Dynamics 以及 LinkedIn 等，鉴于微软将在下月正式向企业客户销售微软 365 Copilot（价格为 30 美元/人/月），下一季度这个部门的营收值得关注。
上图展示了微软各大业务的增长情况，这家以操作系统起家的公司，早已成为依托基础设施（智能云）、生产力软件（Office 等）的巨头，借助生成式 AI 带来的产品创新体验，Azure 和 Office 还会迎来新的增长空间。另一个略微恐怖的数字是，截至目前，今年微软股价已经上涨了 35%，远高于标准普尔 500 指数同期 11% 的增长率。
与微软相比，Google Cloud 的财报显得极为平庸。本季度 Google Cloud 营收 84.1 亿美元，同比增长 22.5%，这是过去 11 个季度增长最慢的一次。
根据 Alphabet CFO Ruth Porat 的说法，云计算增长放缓的原因是“云上客户优化”，但并未给出更进一步的消息。
所谓“云上客户优化”，可以理解为云计算客户通过各种途径——包括但不限于重新使用本地基础设施、采用多云架构等——降低云上的成本支出，这也是目前包括 AWS、Azure 以及中国云计算巨头们所面临的共同问题。
但分析师看来，营收基数本身就低的 Google Cloud，其营收放缓只会进一步拉大与 AWS、微软的差距，而生成式 AI 现阶段与云计算服务之间的脱节，进一步引发市场对于 Google Cloud 发展的担忧，其母公司 Alphabet 股价在财报发布会跌幅超过 9%。
本周其他几家巨头的财报：
Meta 新一季财报营收同比增长 23%，该公司股价今年已经上涨 150%，扎克伯格表示将继续向 AI 领域投资，并降低某些非 AI 项目的优先级；
IBM 新一季度营收和利润都超市场预期，该季度营收 147.5 亿美元，同比增长 4.6%，软件业务成为这家公司目前营收的主要来源，该季度营收 62.7 亿美元；
台积电新一季度营收达到 5467.3 亿新台币，同比下降 10.8%，但环比增长 13.7%，该公司还透露了一个重要趋势，芯片行业的糟糕时刻可能很快就会结束。
市场·流动性
关注金钱的流向。微软上周宣布，未来两年将在澳大利亚投资 50 亿澳元（约合 32 亿美元），用于 AI、云计算的基础投资以及生态构建、人才培训等。
路透社将微软此举看作是科技公司“政府公关”的典型案例，通过加大对当地基础设施的投资，换取当地政府在技术监管领域的支持。比如 OpenAI 涉及到的诸如版权、偏见等问题，正在成为各国政府关注的焦点，微软或可以利用这样的方式，获取一定的主动权。
在半导体市场，金钱的流向逐渐符合“谁与英伟达站在一起”。两家韩国芯片公司——SK 海力士与三星——过去一年的竞争格局发生微妙变化，海力士在成为英伟达 HBM 供应商之后，股价大涨（截至目前已经上涨 67%），反观三星，过去一年只有 24% 的涨幅，这是市场投出的票。
当然，业务庞杂的三星，并不会因为芯片业务的滞后而对公司业绩产生直接影响，但成为英伟达甚至 AMD 等公司的芯片业务供应商，足以保证一家公司的业务发展。
关注几笔并购：
研究·其他
大模型公司 Anthropic 上周发布一份关于“AI 宪法”的研究。所谓“AI 宪法”，简单理解就是 Anthropic 公司对于如何规范 AI 模型研究与训练的一系列基本立场和观点，该公司调查了 1000 多名美国人，询问他们对于“AI 宪法”的意见和建议，然后根据这些建议训练了一个新版本的 Claude 模型。
接着，Anthropic 将这个模型与该公司根据“AI 宪法”训练的模型进行对比，结果发现，两个“模型”在价值观、理念方面有 50% 的重叠，整体上表现也基本一致。
Anthropic 的这项研究旨在提高其大模型研究的透明度，但其方法论的设计还是存在问题，比如调查样本里没有种族元素，这可能会对调查结果产生影响，毕竟，此前众多 AI 模型引发的偏见问题里，种族都是关键因素。
2010 年代深度学习的快速崛起，离不开学术界与产业界大量开源、开放的算法/数据集，再加上各类学术会议的论文、交流等，使得人工智能即便在算法黑箱的背景下，还能保持产业交流的透明性。
但随着 OpenAI 逐渐成为“Closed AI”，各家公司——无论大公司还是创业企业——都对自己的技术三缄其口，不再发布与模型相关的论文，也不再展示数据集，在“商业秘密”与“安全”的宣传口号之下，整个 AI 研究的透明度大幅下降。
斯坦福大学 CRFM 研究所上周推出的大模型透明度指数也充分展示了这样的趋势。研究人员设计了 100 多个指标，包括如何构建模型、模型工作情况等，以此来衡量大模型的透明度表现。
首批重点关注的十个模型表现非常糟糕，在满分 100 的评价体系里，得分最高的只有 54 分，这意味着，没有一个主流模型能够及格，下图是是排名情况：
这项指数还几个发现：
至少 82 个指标可以被至少一家公司满足，换句话说，大模型开发者可以通过采用竞争对手的最佳实践来显著提高透明度；
开源模型的透明度明显高于闭源模型；
未来，大模型透明度指数也会根据产业的发展而不断更新，它会成为我们持续关注大模型透明度发展的重要观察入口。
关注大模型训练带来的能耗问题：
水：结合微软和 Google 公布的数据中心用水情况推断，ChatGPT 每 5 至 50 次提示，就会消耗 500 毫升水；
电：一份来自荷兰的研究称，如果按照目前的发展态势，预计到 2027 年，AI 产业的电力消耗大概相当于荷兰全国的用电量；
评论