科技动态：Anthropic与Akamai签下116亿美元七年期云协议把CPU而非GPU推向前台、Crusoe以39亿美元F轮估值309亿美元押注模块化AI工厂、Inferact开源TPU大内核让Kimi K3在TPU v7上比GB200快57%、Google Cloud计划2030年前把巴西基础设施翻倍并开放境内处理、EasyStack发布EAF把企业云底座从云原生推向AI原生
9月27日的科技新闻呈现出一种此前少见的结构性变化：AI基础设施的话题重心正从”谁有更多GPU”转向”GPU之外还有什么，以及谁来承载推理侧的规模”。最醒目的信号来自Anthropic——它与Akamai签下了一份七年、116亿美元的基础设施协议，若行使扩容选项可达200亿美元，而报道明确指出这标志着前沿模型开发从GPU主导向CPU算力的显著转向。同期，vLLM原始团队创办的Inferact开源了TPU大内核，证明TPU v7 Ironwood在跑Moonshot的Kimi K3时单流解码709 tokens/s，对比16块GB200的452 tokens/s——在规格全面落后（BF16峰值2.31对2.5 PFLOPS、带宽7380对8000 GB/s）的情况下快了约57%。这两条新闻指向同一件事：算力效率的竞争正在从硬件参数表转向软件栈与部署位置的优化，而Crusoe的39亿美元F轮（投后估值309亿美元）则说明资本仍在向”把电力瓶颈变成制造问题”的方向压注。
主要新闻 (Main News)
Anthropic与Akamai签下116亿美元七年期云协议：前沿模型首次把CPU而非GPU写进基础设施主合同
AI Business Review报道，Anthropic与Akamai达成一份为期七年的云基础设施协议，价值116亿美元，若Anthropic行使扩容选项则可能达到200亿美元。报道将其列为AI基础设施史上最大的资本承诺之一，并指出这标志着前沿模型开发出现了值得注意的、面向CPU算力的转向——相对于OpenAI与Google DeepMind所采取的GPU主导策略。协议包含Anthropic按需扩展计算资源的条款，116亿美元是七年期内的保底最低消费，而200亿美元的上限将在其计算需求超出初始预期时触发，报道称Anthropic领导层鉴于对Claude模型系列的预期需求，很可能认为这一情形会出现。合作将覆盖训练与推理两类工作负载。
这桩交易的结构性含义被报道点得很清楚。Akamai传统上是CDN服务商，近年重投边缘计算基础设施，在135个国家运营超过4100个站点，其分布式云平台可为Anthropic的API客户降低延迟，同时相对集中式GPU集群有潜在的成本优势。对Anthropic而言，最关键的是战略独立性：它此前依赖Google Cloud与AWS的组合，而这两家都曾向Anthropic投资数十亿美元、同时开发着竞争模型；这份协议实质性降低了对云厂商的依赖，尽管Anthropic会为特定工作负载保留既有云关系。报道同时提出一个尖锐的资本效率问题：116亿美元除以七年，其基础设施承诺规模可与许多资本充足的AI实验室的融资总额相当。文章最后给出应持续监测的观察点：Anthropic关于CPU优化模型架构的技术披露、Akamai交付承诺算力与性能的能力、以及这种合作模式是否会吸引其他寻求替代超大规模云厂商的AI实验室。
Source: Anthropic’s $11.6B Akamai Cloud Deal Signals CPU Shift
Inferact开源TPU大内核：Kimi K3在16块TPU v7上单流解码709 tokens/s，比16块GB200快57%
由vLLM原始团队成员创办的Inferact发布了一组推理基准，并同步以Apache 2.0开源了inferact/tpu-megakernels仓库（基准报告与代码均于9月23日发布）。测试对象是Moonshot AI的Kimi K3，运行在16块Google TPU v7 Ironwood上，单流解码速度达709 tokens/s；对照组16块Nvidia GB200为452 tokens/s，前者快约57%。先看两侧的原始规格：单块TPU v7的BF16峰值算力2.31 PFLOPS、FP8为4.61 PFLOPS、HBM 206GB、带宽7380 GB/s；单块GB200对应2.5 PFLOPS与5 PFLOPS、HBM 186GB、带宽8000 GB/s。GB200在算力与带宽两项上都领先，TPU唯一的优势是多了20 GB的显存容量——换言之，57%的解码吞吐优势完全来自软件栈，而非硬件。
对Moonshot AI而言，这份基准提供了一条在非Nvidia硬件上部署Kimi K3的可行路径。Kimi K3是一个2.8万亿参数的开放权重模型，这个规模让自建集群成为很高的门槛；随着开源的TPU内核可用，租用云上的TPU来运行K3成为另一个选项。这也解释了为什么这类工作值得被独立验证：它把”在TPU上跑开源权重模型”从工程轶事变成了可评估的容量规划选项，而开源内核的存在意味着其他团队可以复现这一结果。
Source: Google’s TPU v7 Beats GB200 by 57% Running Kimi K3 - News - Cocoloop
Crusoe完成39亿美元F轮、投后估值309亿美元：把数据中心变成制造问题
AI基础设施提供商Crusoe完成39亿美元F轮融资，投后估值309亿美元，该轮超额认购，由Atreides Management、Mubadala Capital与Valor Equity Partners联合领投，Nvidia、Founders Fund、GIC、Radical Ventures、卡塔尔投资局与TPG参与。资金将加速”Crusoe Spark”模块化单元的部署，标志着这家总部位于丹佛的公司的战略转向：公司此前聚焦于大规模垂直整合的数据中心园区，新资金则用于把AI基础设施部署从”建设周期”改写为”制造周期”，以应对电力可得性、劳动力短缺与冗长建设工期这三项瓶颈。
具体形态是工厂预制、模块化的AI工厂，在美国制造，可在数周而非数年内部署到有电力的地点；其科罗拉多基地具备年产最多1 GW Spark容量的制造能力。模块单元专为AI推理工作负载而设计，相比模型训练的高密度要求更易灵活部署；公司采用垂直整合方式管理从发电（电网、核电、电池、热能与可再生能源）到云服务交付的整条价值链。已签约的规模同样惊人：数据中心与云业务已签约总容量超6 GW（其中1 GW已投运），平台层面总合同价值超1400亿美元；Crusoe Cloud今年预订量同比增长20倍以上，得益于Crusoe Managed Inference的推出，该产品已达到超1亿美元的年度经常性收入。这一部署模式代表了行业向分散化、快速可部署AI算力的明显趋势，为集中式数据中心地产与电力容量的稀缺提供了技术解法。
Source: Crusoe Raises $3.9 Billion to Accelerate Modular AI Infrastructure Deployment
Google Cloud计划2030年前把巴西基础设施翻倍：境内处理、Skills Registry与Agent Sandbox同期落地
Alphabet准备在2030年前把Google Cloud在巴西的技术基础设施翻倍，报道给出的理由是企业对本地AI处理、GPU容量、数据驻留与Agent治理的需求正在加速。扩建将增加本地化的计算、存储与AI处理能力，Google Cloud未披露巴西建设的具体资本支出数字，因此该计划应以容量目标而非投机性项目估值来描述。具体时间点有三个：从10月15日起，网页版Gemini Enterprise将支持Gemini 3.5 Flash在巴西的境内处理，补充既有的本地存储能力；同时Google开始从圣保罗云区域提供搭载NVIDIA RTX PRO 6000 Blackwell Server Edition GPU的G4虚拟机。
报道对”境内处理”的边界给出了相当克制的说明：符合条件的Gemini Enterprise活动可留在巴西基础设施内，而不必为每一步处理自动依赖远端区域；这对金融机构、公用事业、医疗集团等受内部或监管数据位置规则约束的组织具有意义，对需要频繁与模型交互的应用也可降低延迟。Google称客户数据与输出在未经明确同意的情况下不用于训练基础模型，而数据驻留并不能消除所有隐私或安全关切，但它给了企业设计Agent与敏感内部系统交互方式的另一个控制手段。AI工具本身也同步引入：Google Cloud推出Skills Registry用于治理特定Agent或员工可以使用哪些能力——当企业运营多个而非单一集中式AI应用时，这变得愈发重要；Agent Sandbox提供隔离环境，使Agent能执行代码、使用命令行工具或与计算机环境交互，而不获得对核心企业系统的非受控访问；Google同时扩展Model Armor，并通过Wiz向巴西组织提供安全暴露评估。公司还计划在巴西提供1万张免费专业认证优惠券，并承诺到2030年培训300万巴西人的AI与云技术技能。Google引用的客户案例是Bradesco使用Gemini Enterprise将部分文档流程从约一小时缩短——这一类成果正是巴西能否成为Google Cloud在拉美最关键AI市场的判断依据。
Source: Google Cloud plans to double Brazil infrastructure by 2030 as agentic AI demand grows
EasyStack发布EAF：把企业云底座从云原生推向AI原生，支持昇腾与海光DCU
EasyStack正式发布企业AI基础设施软件平台EAF，将于2026年9月30日GA。公司的定位是帮助企业从云原生演进到AI原生基础设施，从开放云基础设施走向开放的云与AI基础设施。EAF明确不是把AI组件简单叠加在传统云平台之上，而是让企业在既有云底座上平滑扩展AI能力而不必另建一套AI基础设施软件。平台提供单一云中对多种芯片架构的统一管理，支持包括NVIDIA、海光DCU与华为昇腾在内的异构AI加速器资源；通过多层推理优化与虚拟切分提升GPU利用率，跟踪推理token用量，并支持策略治理与跨部门自动成本分摊。EAF提供三种部署形态：单节点一体机、高可用融合与大规模解耦，目标是支持从PoC验证到多租户生产推理工作负载（带微调功能）的平滑升级。该平台补齐了EasyStack的完整产品组合，与ECF云底座、ECNF云原生平台及Cortex企业Agent平台协同，提供从基础设施到AI业务能力的端到端交付。EAF运营主流开源技术，按AI卡数计费，不绑定特定硬件或模型。EasyStack称其服务全球2000多家企业客户，业务遍及东南亚、中国、中亚、中东、非洲、欧洲与美洲。
Source: EasyStack Launches EAF, an AI-Native Cloud Foundation for Enterprises
竞争格局的一点注脚：马斯克承认Grok 4.7落后于Claude Opus 5.5
AlexTech综合七份来源报道，Elon Musk在中国媒体集团（CMG）于特斯拉工程总部的采访中公开承认Grok 4.7的表现不及Anthropic于9月22日发布的Claude Opus 5.5。他把自己的模型描述为”扎实的驮马（solid workhorse）”，同时承认入行更久的Anthropic仍保有技术领先；他估计SpaceXAI最快明年可追平前沿模型。报道援引Finance与Europe Says指出，本周发布的Grok 4.7在agentic coding上排名第三，落后于OpenAI与Anthropic。为扭转这一趋势，报道称Musk押注一个独特的竞争优势——来自SpaceX与特斯拉的真实世界物理数据，他把这形容为”令人头晕”。硬件侧，报道称SpaceXAI的目标是在年底前整合144万块Nvidia GPU以支撑模型训练。在语言模型落后的情况下，Musk对Grok Bot保持乐观，称该数字助理正以每月100%的速度增长；同时他称赞中国AI实验室的效率，表示中国在单位算力性能上表现最佳，并预测北京将在两三年内解决其芯片制造限制。这条新闻的信息量有限，其价值主要在于作为本周整体竞争格局的一个坐标点。
Source: Elon Musk admits Grok 4.7 trails Anthropic’s Claude Opus 5.5 — AlexTech.ai
分析 (Analysis)
把Anthropic/Akamai这笔交易与Inferact的开源内核并读，会看到算力竞争的重心在两周内完成了一次明显的位移。历史上前沿模型的算力叙事是”买更多GPU”，因为GPU是稀缺品，瓶颈在交付；而116亿美元/七年的结构把问题换了一个问法：当算力在物理上可得、约束转移为供电、机房与资本的时候，稀缺的是”在给定硬件上把模型跑得多快”的工程能力。 Inferact的基准恰好是这个新问法的量化答案：TPU v7在BF16峰值与带宽两项上都低于GB200，唯一的硬件优势是20 GB显存，却在单流解码上快57%。这说明在解码（memory-bound、batch=1）这一今日AI负载的主体形态上，硬件峰值算力根本不是瓶颈——瓶颈是内存访问模式、kernel fusion与调度开销，而这些全部在软件层。开源inferact/tpu-megakernels的意义因此超出一次benchmark：它把一个原本依赖厂商内部工程能力的优势变成了任何人都可复现、可审计、可移植的公开资产，而这类资产的扩散会系统性地压低”绑定特定加速器”的收益。这与Anthropic选择Akamai（而非再加一家GPU超大规模云厂商）在经济上是一致的：当单卡效率可以通过软件而非采购来提升，采购规模的边际回报就下降了，而”把算力放得离客户更近以降低延迟”的收益上升了。战略独立性只是这项计算的副产品，不是目的。
Crusoe的39亿美元则把同一趋势推到了物理层，而这才是真正的瓶颈所在。三年间AI基础设施的约束已经从”GPU供给”迁移到”电力与建设工期”，而Crusoe的方案是用制造业的组织形式替代建造业的组织形式：把数据中心从”一个需要数年的现场工程项目”改成”一个可在数周内发运的预制模块”，并把1 GW/年的制造能力本身当作产能指标来经营。这条路径的技术前提是工作负载性质的改变——报道明确指出Spark模块专为AI推理工作负载设计，相比模型训练的高密度要求更易灵活部署。这与上一节的分析形成了完美闭环：训练是对算力密度敏感、但对单卡效率不敏感；推理是对密度不敏感、却对每美元decode tokens与延迟极度敏感。训练买的是峰值算力，推理买的是延迟与单位成本。 当产业的重心从训练转向推理交付（一个成功的企业部署会产生数千到数百万次模型调用，而非 handful of employee prompts），可快速部署、对密度要求宽松的模块就获得了结构性优势。这也解释了为什么1400亿美元的合同总额与309亿美元的估值可以同时成立：合同锁定的是长达十年的容量需求，估值定价的是制造能力本身。
Google Cloud的巴西扩建看起来是地域性商业新闻，实际上是这场竞争的第三条战线——数据驻留与主权。报道的克制值得称道：它明确指出境内处理”并不能消除所有隐私或安全关切”，只给了企业”另一个控制手段”；同时它把投资逻辑落在利用率上——”技术容量只有在巴西与拉美客户消费足够算力、存储与AI服务时才能创造价值”。但其中几项产品的设计意图已经超出了单纯合规：Skills Registry治理的是”特定Agent或员工可以使用哪些能力”，Agent Sandbox提供的是”Agent能执行代码、使用命令行工具，而不获得对核心企业系统的非受控访问“。这两者本质上是同一件事：把Agent当作一个需要被授予身份、被限制权限、被审计的主体来管理，而不是一个跑在企业网络里的进程。在多个Agent并存的企业里，”哪个Agent能做什么”很快会成为一个比”哪个用户能做什么”更难回答的问题——前者没有HR流程可循。这也解释了为什么EasyStack的EAF在把异构加速器（NVIDIA、海光DCU、华为昇腾）统一纳管并提供”跨部门自动成本分摊”时，同步推出策略治理能力：在异构算力与大模型并存的现实下，治理的主要对象不是人而是工作负载，治理的主要动作不是授权而是归属与计费。**
一个贯穿本周的判断：AI基础设施的瓶颈已经从”能不能拿到算力”转移到”能不能把算力的效用最大化、并且把Agent的行为约束在可审计的边界内”。 三个看似无关的方向——CPU优先的采购合同、开源的内核、多区域的主权扩建——都在服务同一个目的：把每一单位已投入的资本转化为更多的有效输出。而EasyStack那种”按AI卡数计费、不绑定特定硬件或模型”的定价方式，以及GKE Agent Sandbox那种把隔离做成基础设施原语的做法，是这一逻辑在产品层的直接体现。
结论 (Conclusion)
9月27日的科技新闻可以归纳为一句判断：AI基础设施的竞争已经从”谁能拿到更多GPU”迁移到”谁能以更低成本、更高效率、更少约束地把推理交付出去”，而这三条战线本周同时出现了实质性进展。 Anthropic用116亿美元把Akamai的边缘云写进主合同、Inferact用开源内核证明TPU在解码上反超GB200 57%、Crusoe用39亿美元把数据中心从建设问题改写为制造问题、Google Cloud用2030年翻倍巴西容量为拉美的主权需求预留身位——它们分别从采购、软件、物理与地域四个方向压同一个成本。
对实践者，本周可执行的动作清单是：(1) 重新审视推理侧的算力选型逻辑——若当前把解码性能建立在硬件峰值算力或单卡显存容量上，值得做一次对照测试，因为TPU v7在规格落后的情况下取得57%优势说明软件栈可能是更大的杠杆；同时inferact/tpu-megakernels以Apache 2.0开源，可直接作为评估起点；(2) 把容量规划的重心从训练峰值转向推理的每美元token产出——为不同工作负载（高并发服务 vs 低延迟交互 vs 批处理）分别核算单位成本，而非用统一的GPU小时数计价；(3) 在多Agent的企业环境中，优先建立Agent的身份与权限登记册——参考Google Cloud的Skills Registry与Agent Sandbox两种形态，把”哪个Agent能访问什么”作为一项显式的治理对象纳入IAM体系，而非依赖各团队自建；(4) 对异构加速器方案保持架构层面的可移植性——EasyStack按卡计费不绑硬件的做法与Inferact开源内核的方向一致，若计划引入非NVIDIA加速器，优先验证驱动与kernel抽象层，而非在业务代码中引入加速器特定路径。
值得持续跟踪的观察点有四个：其一，Anthropic是否会公开CPU优化模型架构的技术披露——这决定了116亿美元是一次采购套利还是一次架构押注，两者对整个行业的示范效应完全不同；其二，Crusoe的Spark模块能否在真实推理负载上复现”数周部署”的承诺，因为目前1 GW年产能与1400亿美元合同都还是产能口径而非交付口径；其三，Google Cloud巴西的10月15日境内处理节点是否会被受监管行业的客户实际采用，这决定了数据驻留能否成为云厂商AI收入的独立驱动因素，而非仅仅是进入某些市场的门票；其四，Inferact之后是否出现第二家第三方为GB200或TPU之外的其他加速器开源大内核——这类资产的扩散速度是衡量硬件厂商软件护城河侵蚀程度的最佳先行指标。
本文基于2026年9月27日公开资讯整理，来源URL均经核验可访问。