鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

微软,为什么放任OpenAI“另寻新欢”?

编程导航
编程导航
2025-10-17 12:30
阅读 248
编程导航
2025-10-17 12:30
阅读 248

10月17日消息,企业合作关系的裂痕,往往以不欢而散告终。然而,微软与OpenAI却为科技联盟探索出一种全新范式:微软主动放宽排他性协议,允许OpenAI与其他云服务商展开合作。

这一转变的背后是OpenAI急速膨胀的计算需求。据预测,到2030年,OpenAI在甲骨文等第三方云服务上的服务器支出,甚至可能超过其对微软的支出。面对AI训练对算力的巨大渴求,微软高管也对过度投资数据中心可能带来的产能过剩与回报风险心存顾虑。为此,双方最终选择以更开放的姿态重塑合作框架。

这一决策不仅揭示了超大规模AI模型对算力资源的惊人消耗,也预示着头部科技企业正在探索更具弹性的新型合作伙伴关系。

翻译全文

过去三年间,OpenAI从一家小型AI研究实验室迅速成长为全球估值最高的初创企业。在此期间,其每年用于支持AI运算的数十亿美元服务器开支,几乎全部由微软一家承担。然而,近期OpenAI接连宣布与微软的多家竞争对手达成巨额合作协议,表明其所需的计算规模已超出其原独家云服务伙伴的承载能力。

据知情人士透露,这些新合作的规模之大,预计将使OpenAI在2030年之前在甲骨文等微软竞争对手平台上的服务器租赁支出,反超其对微软的投入。OpenAI为此规划的服务器总预算高达惊人的4500亿美元。

微软与OpenAI的合作曾被视为AI时代最具影响力的联盟,既推动了微软Azure云业务的增长,也支撑了OpenAI的快速崛起。但随着OpenAI计算需求的爆炸式增长,微软的独家合作条款反而被视为制约其发展的瓶颈,双方在过去一年中就合作条款进行了多轮艰难谈判。

这种合作摩擦的背后是双方的不同立场。对OpenAI而言,其逐月倍增的计算需求已呈井喷之势。首席执行官山姆·奥特曼(Sam Altman)不断敦促微软加速扩容。而微软方面则表示,数据中心建设受制于电网接入等基础设施环节,无法完全按OpenAI期望的速度交付。

转机出现在2024年夏天。据知情人士称,奥特曼与微软首席执行官萨提亚·纳德拉(Satya Nadella)达成共识:鉴于OpenAI的发展速度,微软已难以继续担任其唯一云服务提供商。微软随后允许OpenAI寻求其他云服务伙伴。

其中,OpenAI与甲骨文的合作最为引人注目,OpenAI计划在该平台投入数千亿美元。此外,该公司还与CoreWeave签订了价值224亿美元的云服务合同,与谷歌达成合作,并获英伟达1000亿美元投资用于自建数据中心。

尽管部分微软股东更希望保持独家合作,但微软管理层认为开放合作是正确的选择。根据现有协议,微软仍可从OpenAI快速增长的收入中获得20%的分成,并保留其模型的无偿使用权。更重要的是,微软目前仍是唯一为OpenAI提供模型训练所需专用超级计算机的云服务商,这是其计算工作中至关重要的部分。

不过,微软内部对OpenAI的新合作持保留态度。有高管认为,甲骨文在2032年前提供4.5吉瓦数据中心容量的承诺在实施层面存在困难,同时担心下一代芯片定价未明可能导致预算超支。相较之下,投资者普遍认为,微软在数据中心投资方面采取了比甲骨文更审慎的策略。

坎坷的谈判之路

2023年初,当微软向OpenAI注资100亿美元时,这家初创公司还远未展现出如今的行业地位。当时OpenAI仅推出了ChatGPT的“研究预览版”,尚未实现任何商业化收入。然而,这款聊天机器人以超出预期的速度快速积累用户,促使双方重新评估并提升了原定的计算能力合作规模。值得一提的是,当时OpenAI的服务器开支仍完全依赖于微软的投资资金。

双方合作关系的重大考验出现在2023年11月,当时OpenAI董事会突然宣布解雇奥特曼。这一决定令微软深感意外。尽管奥特曼很快官复原职,但此事促使微软管理层开始重新审视与OpenAI的合作模式,考虑将其从“战略合作伙伴”调整为更接近常规Azure客户的关系。

不过,OpenAI最终仍是微软最重要的客户之一。在接下来的一年里,微软投入了空前的资源为OpenAI定制超级计算机。

据知情人士透露,2024年初,双方高管开始商讨为OpenAI建设超大规模数据中心的计划。据称,微软与OpenAI内部将此项目命名为“星际之门”(Stargate)。而微软内部另有一个代号“水星”(Mercury)。

当时,微软已在菲尼克斯等地的数据中心为OpenAI提供了数百兆瓦的计算能力,并刚刚启动威斯康星州新数据中心的建设。该中心计划部署为OpenAI专设的、代号为“Fairwater”的超级计算机,预计耗资数十亿美元,电力负荷近1吉瓦,相当于一个中小城市的用电规模。按规划,该设施与微软在亚特兰大的数据中心将于2026年前投产,而威斯康星州的第二个数据中心则定于2028年启用。

但奥特曼预判,即便这些项目全部落地,仍无法满足未来的算力需求。他向微软提出,OpenAI还需要额外数吉瓦的计算容量。据双方估算,满足这一需求需再投入数百亿美元,主要用于采购英伟达芯片和保障电力供应。

然而,2024年威斯康星州数据中心的建设进度却给合作蒙上了阴影。由于施工延误,项目投产时间推迟了数月。虽然OpenAI尚未正式签署该中心的服务器租用协议,但该公司早已将部分产能纳入发展规划,迫切期待其如期交付。

为缓解算力缺口,微软通过向CoreWeave等云服务商租用服务器作为临时措施。但奥特曼对微软的推进效率日益不满,认为对方未能充分重视其需求。据知情人士透露,奥特曼及其他OpenAI高管曾多次直接向微软管理层表达这种焦虑情绪。

算力容量激增

就在奥特曼不断向微软争取更多算力的同时,他也在积极寻求修改双方协议,以打破原有的排他性约束。

2024年初夏,据知情人士透露,奥特曼正式向微软提出请求,希望获准与其他云服务商洽谈服务器租赁事宜。此时,微软正面临美国联邦贸易委员会和欧盟监管机构对其OpenAI投资案的审查,纳德拉对可能被视为“阻碍OpenAI发展”的舆论格外敏感。

在此背景下,微软于当年夏季主动放弃了在OpenAI董事会的观察员席位,以缓解监管压力。此前,埃隆·马斯克(Elon Musk)等批评者曾公开指责微软试图“控制”OpenAI。

在纳德拉的推动下,2024年初夏,微软与OpenAI达成新协议,允许后者使用其他云服务商。根据新条款,微软仍保留优先承接权,即有权优先决定是否自行满足OpenAI的新增算力需求。若无法满足,则允许其转向其他供应商。

获得授权后,OpenAI迅速展开行动。2024年7月,便与甲骨文达成协议,在得克萨斯州合作建设1吉瓦规模的新数据中心。

这一数字很快被刷新。2024年底,OpenAI向微软提出新需求:除既有及预期的算力来源外,未来数年还需额外增加数吉瓦容量。但微软Azure团队评估认为,任何厂商(包括微软自身)都难以在如此短的时间内满足其要求。

在一次关键会议上,微软高管曾向奥特曼团队提出一个假设性问题:若OpenAI未来需要数百吉瓦容量——这一目标看起来有些不切实际,且需投入数万亿美元——微软应如何应对?OpenAI方的回应很明确:微软可选择承担建设,或让位于其他愿意投入的供应商。

尽管存在分歧,微软仍作出了部分让步。2024年12月,微软承诺在威斯康星州为OpenAI增建第二座数据中心,投资逾40亿美元。同月,微软同意OpenAI与甲骨文开启新一轮扩容谈判,最终于七个月后达成4.5吉瓦容量的合作,其耗电量相当于两座胡佛水坝的发电总量。

进入2025年,OpenAI的算力布局继续扩展:先后接入谷歌云服务、与CoreWeave签订120亿美元服务器租约,并于上月宣布接受英伟达1000亿美元投资,用于自建数据中心。这也是该公司迄今最大胆的规划。

这一系列合作中,甲骨文的转型尤为引人注目。这家曾被视为云服务领域“陪跑者”的企业,在宣布未来四年将通过服务器租赁获得4000亿美元收入(主要来自OpenAI合作)后,股价于9月初应声上涨36%。

对微软而言,尽管面临竞争分流,其仍有望从中获得源源不断的巨额收入。OpenAI方面透露,至2030年预计仍将向微软支付约1350亿美元的服务器费用。

一位参与谈判的人士坦言:“与2023年签约时相比,眼下每个数字都超出了我们最初的想象。世界变化太快,我们必须找到适应之道。”

而OpenAI对算力的追求仍在升级。据透露,奥特曼近期向团队提出新目标:到2033年,实现250吉瓦的数据中心容量,这相当于美国当前峰值用电负荷的三分之一。(小小)

原文链接: 微软,为什么放任OpenAI“另寻新欢”?
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230