新闻详情

新闻详情

首页 / 资讯中心 / 详情

AI前沿 | 2026年9月8日:英伟达双线下注——129 亿收购 Hugging Face 之后,又拟 30 亿美元押注 Thinking Machines

发布时间:2026/11/16 13:32:05来源:尧图网络
AI前沿 | 2026年9月8日:英伟达双线下注——129 亿收购 Hugging Face 之后,又拟 30 亿美元押注 Thinking Machines
AI前沿 | 2026年9月8日英伟达双线下注——129 亿收购 Hugging Face 之后又拟 30 亿美元押注 Thinking Machines首屏导读 · 本教程配套付费专栏《大模型工程师修炼手记》19.9 元AI 编程 · Agent 实战 · 本文同主题系统课程· 《AI时代程序员的自我提升》49.9 元AI 时代成长方法论单篇不过瘾订阅解锁全量源码、实战与答疑文末附资料包领取方式 ↓本期导读9 月 3 日英伟达官宣以 129.3 亿美元收购 Hugging Face9 月 7 日新智元报道英伟达洽谈向 OpenAI 前 CTO 米拉·穆拉蒂Mira Murati创办的 Thinking Machines Lab 注资接近 30 亿美元本轮投前估值至少 400 亿美元。一周两笔、合计近 160 亿美元——英伟达正在从「卖芯片的」变成「既当房东又当股东的」。本文拆解这笔融资的结构逻辑以及它对创业公司融资与算力战略的启示。一、一周双下注入口与模型两头都押交易金额状态/时间收购 Hugging Face129.303 亿美元9 月 3 日官宣签署拟投 Thinking Machines Lab接近 30 亿美元9 月 7 日洽谈中报道两笔交易落点不同Hugging Face 握着开放模型的分发入口与开发者社区Thinking Machines 握着下一代前沿模型、微调平台 Tinker 与一支研究团队。一头是入口、一头是模型——英伟达在开放权重这条线上把两端各下了一注新智元9.7。二、400 亿美元估值是怎么炼成的Thinking Machines 成立于 2025 年初约 19 个月前联合创始人已有数位离开年化收入刚过 1 亿美元——400 亿美元投前估值对应约400 倍营收倍数。支撑它的是三个节点2026.03.10与英伟达官宣多年战略合作——部署至少1GW 的 Vera Rubin 系统英伟达做了一笔金额未披露的重大投资2026.07.15发布首款自研模型Inkling——9750 亿总参数 / 410 亿激活100 万 token 上下文文本/图像/音频全模态完整权重开放挂在 Hugging Face含面向 Blackwell 的 NVFP4 版本本轮量级从最初传言的 10 亿美元一路涨到50~60 亿美元领投方从上一轮的 a16z 换成Accel英伟达拟包揽约一半≈30 亿美元从跟投方变成最大出资方。三、钱转一圈又买英伟达的卡这笔融资最漂亮的部分在结构上英伟达既是本轮最大出资方又是那 1GW Vera Rubin 系统的供应商。钱进了 Thinking Machines 的账户很大一部分很可能转一圈又变回英伟达的订单。3 月公告里还有一句容易被忽略的话双方要联合设计面向英伟达架构的训练与推理系统——也就是说TM 未来的模型从底层就是按 Vera Rubin 的设计「长」出来的。这正是英伟达近年一直在做的事不再满足于给 OpenAI、Anthropic 这些成名实验室供芯片而是用股权提前绑定下一代前沿玩家。Hugging Face 补分发入口Thinking Machines 补模型层——两个棋子一落开发者从 Hugging Face 下载 Inkling、在 Tinker 上微调、再跑到 Vera Rubin 上的链路就通了。四、对创业公司融资与算力战略的启示拿「算力供应商」的钱等于签一张隐形采购意向书。融资里最贵的不一定是股权而是算力架构绑定——当你拿了英伟达的钱并联合设计系统未来换芯片/换云的摩擦成本已经写进架构。「400 倍营收倍数」不是估值泡沫的证明而是叙事的定价。对早期公司来说更有意义的也许是收入刚过 1 亿美元就能撬动 400 亿美元估值——前提是你背靠一个能讲「算力军备续集」的故事。创业者该问自己的是我的故事能绑定谁的订单供应商变成股东改变的是议价规则。过去是「买卡 → 谈价格」现在是「入股 → 利益一致 锁定」的复合体。报价单上的折扣可能换来的是你三年内架构选择的锁定。启示这轮融资真正值钱的洞察是——AI 时代的资本闭环不再只是「钱 → 模型 → 应用」单链而是『钱转一圈又回到了卖铲子的人手里』。对创业者镜像是双向的要么学会接受并利用这种绑定拿供应商的钱换算力杠杆要么明确自己的多供应商独立性本身就是一种稀缺资产值得在融资时明码标价。来源新智元 / 36 氪 / 网易科技 / 界面新闻Hugging Face 收购。本文为 AI 辅助整理的真实行业事件分析不构成投资建议。 延伸阅读 · 我的付费专栏觉得这篇文章对你有帮助我把同类主题的系统化内容沉淀成了付费专栏欢迎订阅支持持续输出专栏定价内容大模型工程师修炼手记19.9 元AI 编程 / Agent 深度实战AI时代程序员的自我提升49.9 元AI 时代成长方法论 一杯咖啡的价格换来系统化的知识体系你的订阅是我持续创作的最大动力。本文配套代码 / 资料包欢迎在评论区留言「求代码」我会私信发送完整资源
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉