关键要点
- 构建世界模型（模拟物理而非生成文本）的AI初创公司正优先选择AWS Trainium作为训练芯片。
- Odyssey在Trainium上实现了80%的模型浮点运算利用率（MFU），约为行业平均水平（40%-50%）的两倍。
- AWS同时提供Trainium和Nvidia GPU，支持客户根据工作负载灵活选择基础设施。
Anthropic、OpenAI等头部企业已在亚马逊AI芯片上进行开发。与此同时，平台正涌现出一类新型客户：专注于训练“世界模型”的AI初创公司。这类模型不生成文本，而是模拟物理规律、环境及现实世界的交互，代表了AI领域计算密集型的前沿方向。
什么是世界模型？为何需要差异化基础设施？
世界模型是用于模拟物理世界运行方式的AI系统。与预测下一个词不同，它们需综合考虑重力、光线、运动及物体相互作用来预测场景下一帧，广泛应用于机器人、自动驾驶、游戏引擎及工业仿真等领域。
此类模型的训练依赖巨大且持续的计算能力。不同于可分阶段训练的大语言模型，世界模型要求长时间不间断的高利用率运行，因此单位有用计算成本成为核心指标。
Odyssey如何在AWS Trainium上实现卓越计算效率
专注于物理模拟的世界模型初创公司Odyssey，在Trainium3上实现了80%的模型浮点运算利用率（MFU）。该指标衡量芯片理论峰值性能在实际负载中的实现程度，行业优化良好的标准通常为40%-50%，80%堪称卓越，意味着每美元提取的有用计算量近乎翻倍。
亚马逊Trainium副总裁兼杰出工程师Ron Diamant高度评价Odyssey团队，指出其在极少外部支持下独立完成了深度优化。
Trainium为何被设计为通用型AI加速器
Trainium并非专为单一架构打造。亚马逊芯片团队研究了Transformer、视觉编码器、扩散模型及世界模型等多种负载，将底层计算原语泛化为灵活的指令集，以实现对各类工作的通用加速。
“我们不是在构建Transformer或世界模型加速器。我们研究这些工作负载，逆向推导所需原语，并泛化出一套通用计算指令集，从而仍能极好地加速这些任务。”
—— Ron Diamant，Amazon Trainium副总裁兼首席架构师
随着新架构不断涌现，这一设计理念成效显著。由于每个世界模型均有差异，Trainium的泛化方法使初创公司无需大量定制优化即可获得高性能。
持续性能对AI训练至关重要
Trainium的另一大优势在于长时间训练中保持高利用率且不降频过热。亚马逊从软件到散热、供电的全栈投资，确保了这一点，而许多竞品难以兼顾。对于需经济高效扩展服务的通用模型公司而言，这种持续性能直接转化为经济效益。
AWS提供多元芯片选择赋能AI初创企业
除Odyssey外，DeCart AI利用Trainium进行实时视频生成，性能达传统芯片四倍；Neura Robotics借此推进物理AI发展；Splash Music将训练成本降低高达50%；Poolside则通过Amazon Bedrock上的Trainium推理服务，实现了企业级代码生成的经济性。
随着AWS同时提供Trainium和Nvidia GPU，客户拥有了最广泛的基础设施选择。对于超越聊天机器人的AI创新者而言，亚马逊AI芯片正成为越来越重要的选项。