动手学深度学习-李沐
OpenAI 和 Anthropic 人员结构图
| 类别 |
OpenAI（约 7200 人） |
Anthropic（约 2300–2500 人） |
| 研究 & 基础研发 |
~30% (~2,100–2,200) |
~30% (~700–750) |
| 工程 & 基础设施 |
~25% (~1,800) |
~25% (~575–625) |
| 产品 & 商业化 |
~15% (~1,080) |
~15% (~350–375) |
| 数据工程 & 数据治理 |
~10% (~720) |
~10% (~230–250) |
| 安全 / 对齐 |
~10% (~720) |
~15% (~350–375) |
| 运营 / 非技术 |
~10% (~720) |
~5–10% (~115–250) |
数据来源
- OpenAI 的数据策略是 “大力出奇迹”：通过海量资金买断全球媒体资源，配合强大的合成数据流水线，追求模型的广度和多模态能力。
- Anthropic 的数据策略是 “精耕细作”：通过宪法 AI 生成极其干净的合成数据，配合高水平的人类专家反馈，追求模型的深度和安全性。
2026 年全球 AI 巨头资本支出计划对比表
| 巨头类别 |
公司名称 |
2026年预计支出 (USD) |
支出性质与核心投向 |
市场信号 / 备注 |
| 云基建巨头 |
Amazon (AWS) |
~$2,000 亿 |
全球数据中心扩建、自研芯片 (Trainium 3)、核能电力买断。 |
规模之王：支出规模已超越多数中型国家年度基建。 |
| 云基建巨头 |
Alphabet (谷歌) |
~$1,800 亿 |
TPU v6/v7 量产、Gemini 系列研发、深层地热能等绿色基建。 |
全栈闭环：试图在芯片、模型、能源上实现完全自给。 |
| 社交/开源巨头 |
Meta (脸书) |
~$1,300 亿 |
Llama 5 训练、万亿级参数集群维护、大规模采购 AMD 芯片。 |
开源杠杆：通过高额支出维持开源霸权，降低 AI 行业门槛。 |
| 软件/云巨头 |
Microsoft |
~$1,150 亿 |
Azure AI 全球节点、Stargate (星际之门) 项目、OpenAI 专属算力。 |
战略金主：作为 OpenAI 的“算力银行”，重点在于生态绑定。 |
| 独角兽 (巨舰) |
OpenAI |
~$170 - 200 亿* |
推理成本优化、下一代前沿模型 (o3/o4) 训练、人才激励 (SBC)。 |
战术调整：2026年开始下调远期预期，转向追求高 ROI。 |
| 独角兽 (精锐) |
Anthropic |
~$100 - 120 亿* |
Claude 4 系列研发、企业级 Agent (Claude Code) 快速部署。 |
人效冠军：营收增长极快 (ARR $140亿)，亏损率正大幅收窄。 |
*注： 对于非上市的 OpenAI 和 Anthropic，该项反映的是其年度现金支出（Cash Burn），主要流向为向微软/亚马逊/谷歌租赁算力的费用。数据基于 2026 年 Q1 财报指引及行业调研。
2026 年 AI 芯片来源比例分布表
| 厂商名称 |
自研芯片比例 (约) |
主要采购来源 |
自研芯片代号与用途 |
| Alphabet (谷歌) |
~55% |
NVIDIA, Broadcom |
TPU v6 / v7：承担谷歌内部 90% 以上训练与推理任务，自给率全球最高。 |
| Amazon (AWS) |
~40% |
NVIDIA, AMD |
Trainium 3 / Inferentia 3：大规模部署，面向 Anthropic 及 AWS 云客户提供训练与推理服务。 |
| Meta (脸书) |
~25% |
NVIDIA, AMD |
MTIA v2 / v3：主要用于推荐系统和广告算法；LLM 训练仍高度依赖 NVIDIA GPU。 |
| Microsoft |
~20% |
NVIDIA, AMD |
Maia 200：用于 Azure 内部服务及部分 OpenAI 推理任务；起步较晚但增长较快。 |
| OpenAI |
~5% |
NVIDIA（主）, AMD |
自研项目（未公开）：目前 95% 以上算力仍依赖 NVIDIA；2026 年开始增加 AMD 采购。 |
| Anthropic |
~15% |
Google (TPU), AWS |
不直接自研硬件；通过适配 TPU 与 Trainium 降低对 NVIDIA 依赖。 |
OpenAI VS Anthropic 硬件策略
| 维度 |
OpenAI 的做法 |
Anthropic 的做法 |
| 显卡获取 |
举债 / 融资，大规模向 NVIDIA 直接采购。 |
接受巨头投资，直接使用巨头的云算力。 |
| 芯片种类 |
主要是 NVIDIA（90% 以上）。 |
三足鼎立：NVIDIA + Google TPU + AWS Trainium。 |
| 财务影响 |
负债率高，资本支出（CapEx）巨大。 |
人效比极高，营收（ARR）与开支比例健康。 |
Anthropic 股权结构
| 股东类别 |
代表机构 |
估算持股比例 (约) |
角色与性质 |
| 战略科技巨头 |
Amazon (亚马逊) |
~8% - 10% |
最大单一战略股东，累计投入超 $80 亿，用于算力与生态布局。 |
| 战略科技巨头 |
Google (Alphabet) |
~12% - 14% |
早期进入，总投入约 $30 亿，包含大量云抵扣券，提供基础设施支持。 |
| 战略科技巨头 |
Microsoft & NVIDIA |
~4% - 6% |
2025-2026 年间新入场，主要为算力合作与生态占位。 |
| 机构领投方 |
GIC (新加坡主权基金) |
~5% - 7% |
Series G 领投方，目前最活跃的长期财务投资人。 |
| 机构领投方 |
Coatue & MGX |
~5% |
阿联酋背景的 MGX 进场，标志着主权资本对 AI 的争夺。 |
| 创始人与员工 |
Amodei 兄妹及核心团队 |
~15% - 20% |
虽经多次稀释，但通过 A/B 股及信托保留核心决策权。 |
| 早期 VC 与其他 |
Founders Fund, Spark 等 |
~剩余部分 |
包含数十家硅谷顶级风投及早期机构投资者，提供早期资金与战略建议。 |
Anthropic 是典型的“多方分权制”，亚马逊和谷歌相互制衡，安全性由外部信托控制
OpenAI 股权结构
| 股东类别 |
代表机构 |
估算持股比例 |
估算价值 (基于 $830B 估值) |
权利与性质 |
| 主导投资方 |
Microsoft (微软) |
~27% |
~$2,240 亿 |
核心战略伙伴，拥有模型 IP 永久授权（至 2032 年）。 |
| 非营利母体 |
OpenAI Foundation |
~26% |
~$2,150 亿 |
控制权核心：保留任命董事会的权利，拥有超额认股权证。 |
| 员工与管理层 |
Sam Altman 及核心团队 |
~15% - 20% |
~$1,200 - 1,600 亿 |
包含 2026 年 2 月刚开启的员工套现计划。 |
| 最新战略投资者 |
NVIDIA (英伟达) |
~4% - 5% |
~$300 - 400 亿 |
2026 年 2 月通过 300 亿美金直接注资获得股份。 |
| 全球资本盟友 |
SoftBank, Thrive, GIC |
~剩余部分 |
~$1,800 亿 |
多为 2025 年大额融资进入，支持 IPO 进程。 |
OpenAI 是典型的“中心集权制”，虽然非营利基金会在法律上控制董事会，但 Sam Altman 和 微软 构成了实际的业务驱动轴心
复杂的交叉持股
| 核心投资方 |
被投 / 合作方 |
投资性质 |
战略目的 |
| NVIDIA (英伟达) |
OpenAI / Anthropic |
股权投资 + 算力优先权 |
“锁定下游”：确保顶级实验室长期使用 NVIDIA 架构，构建硬件护城河。 |
| Microsoft (微软) |
OpenAI / Anthropic |
股权投资 + 算力抵扣 |
“多头下注”：重仓 OpenAI 的同时入股 Anthropic，降低对单一供应商依赖。 |
| Amazon (亚马逊) |
Anthropic |
深度控股级投资 |
“算力消化”：让 Anthropic 成为 AWS 自研芯片（Trainium）的最佳实验场。 |
| OpenAI / AMD |
相互持股 / 认股权证 |
芯片换股权 |
“去英伟达化”：OpenAI 获得 AMD 股份，作为使用 AMD 芯片激励，联合对抗 NVIDIA。 |
Mac Studio 的发布历史
| 型号 |
CPU 核心 |
GPU 核心 |
最大统一内存 |
内存带宽 |
定位 |
| M1 Max (2022) |
10 |
24–32 |
64GB |
400GB/s |
初代高性能 |
| M1 Ultra (2022) |
20 |
48–64 |
128GB |
800GB/s |
首代旗舰 |
| M2 Max (2023) |
12 |
30–38 |
96GB |
400GB/s |
性能升级 |
| M2 Ultra (2023) |
24 |
60–76 |
192GB |
800GB/s |
专业旗舰 |
| M4 Max (2025) |
14–16 |
32–40 |
128GB+ |
500GB/s级 |
AI 优化新架构 |
对单律师或小律所，M4 Max 就够用；需要高并发、多文档处理或企业内部部署，选择 M2 Ultra 最稳妥
部署 ChatLaw 硬件性能对比表
| 维度 |
Mac Studio (Ultra) |
NVIDIA DGX Spark |
| 可运行模型规模 |
33B+（满血） |
33B（高性能） |
| 检索响应 (RAG) |
⭐⭐⭐⭐⭐ |
⭐⭐⭐⭐⭐ |
| 推理速度 (TPS) |
⭐⭐⭐⭐ |
⭐⭐⭐⭐⭐ |
| 系统兼容性 |
macOS（法律软件需适配） |
Windows / Linux（极好） |
| 部署难度 |
简单（图形化工具 + macOS生态） |
较高（依赖 Docker / CUDA） |
| 价格区间 |
$3999+（高配更贵） |
$3999–$4299（标准版） |
参数对比
| 维度 |
Mac Studio Ultra |
NVIDIA DGX Spark |
| 定位 |
专业工作站 |
企业级 AI 推理超算 |
| CPU |
Apple Silicon（多核心高效能） |
多路 x86 服务器 CPU |
| GPU 架构 |
Apple GPU + Neural Engine |
NVIDIA GPU (Ampere / Hopper/Blackwell) |
| AI 加速单元 |
Neural Engine + Metal + GPU |
CUDA + Tensor Cores + NVLink |
| 最大统一内存 |
192 GB（可选） |
各卡内存总和（数百 GB+） |
| 显存总量 |
依统一内存共享 |
多 GPU 独立显存（≥ 80 GB / 卡 x 多卡） |
| 推理吞吐能力（相对） |
⭐⭐⭐⭐（高） |
⭐⭐⭐⭐⭐⭐（更高） |
| 可支持模型规模 |
33B+（满血，本地） |
33B+（高性能，多卡并行） |
| 推荐场景 |
单机大模型推理 / AI 办公 |
企业级集群推理 / 多用户并发 |
| 系统兼容性 |
macOS + Metal |
Linux + CUDA / Kubernetes |
| 部署复杂度 |
⭐⭐（简单） |
⭐⭐⭐⭐（复杂） |
| 典型价格区间 |
~$4000+ |
~$4000–$4300 / 单节点（不含集群） |
NVIDIA DGX Spark是被美国出口管制的
合规风险： 即使您通过灰色渠道买到了 DGX Spark，未来其内置的 DGX OS（基于 Ubuntu 的专用系统）在更新驱动或访问 Nvidia 企业级 AI 库时，可能会因为 IP 识别而遭到封锁。替代方案： 如果您所在的律所对合规性要求极高，Mac Studio M4/M5 Ultra 是目前风险最小的高端选择。
