Trainium
亚马逊AWS推出的自研AI训练芯片，针对云上主流训练工作负载定制设计，是亚马逊定制硅战略的组成部分
核心事实
时间轴 (近 90 天)
Trainium是亚马逊为AI模型训练设计的自研芯片，Inferentia则面向推理场景。
Trainium和Inferentia在AWS资本支出中占比提升，长期看有助于改善单位算力成本结构，但短期内仍难以完全摆脱对英伟达的采购依赖。
自研芯片路线（如谷歌TPU、亚马逊Trainium）在特定场景可行，但通用性与生态成熟度与英伟达仍有差距。
Trainium AI加速器的性价比比同类产品高30%到40%。
亚马逊的Trainium和Inferentia是AWS自研的AI加速芯片，Inferentia面向推理，Trainium面向训练，均通过AWS Neuron SDK接入主流框架。
谷歌和亚马逊提供PyTorch迁移工具的战略意图是削弱CUDA的锁定效应，将AI开发者引向自家加速器（TPU、Trainium/Inferentia）。
与通用GPU相比，ASIC（如TPU、Trainium、Inferentia）在特定负载上能提供更优的能效比和单位成本，但软件生态成熟度相对不足。
Trainium和Inferentia属于专用集成电路（ASIC）路线，与英伟达的通用GPU在设计哲学上不同：GPU依靠大量通用核心和成熟的编程模型获得灵活性，ASIC则通过固化数据流与矩阵运算单元换取能效和单位成本优势。
Trainium面向训练负载，强调高吞吐与成本效率；Inferentia面向推理负载，针对低延迟、高并发场景优化。
AWS Neuron 是 AWS 为 Inferentia 和 Trainium 自研推理加速芯片提供的 SDK 与运行时栈，包含 neuronx-cc 编译器、运行时库及 PyTorch/TensorFlow 集成层，模型需先编译成 NEFF 格式才能执行。
还有 25 条时间轴事件
全部知识事实 (20)
多家大型科技公司在构建定制AI芯片团队：Google迭代TPU，Amazon开发Trainium和Inferentia，Microsoft自研Maia芯片，Meta推进MTIA项目
80%已验证Amazon已推出Trainium（训练）和Inferentia（推理）两条AI芯片产品线
75%已验证亚马逊AWS推出了面向训练的Trainium和面向推理的Inferentia两条产品线
70%已验证谷歌通过自研TPU、亚马逊通过Trainium和Inferentia芯片走上自研算力路径
65%待验证TPU的成功开启了AI专用芯片的行业浪潮，此后亚马逊推出了Trainium/Inferentia，微软开发了Maia
90%待验证推测解码、模型蒸馏、KV Cache优化等推理优化技术的持续进步正在使单位推理成本快速下降
85%待验证Amazon的AWS re/Start和AI Ready计划聚焦云计算与AI工程师的定向培养
80%待验证Trainium是亚马逊为AI模型训练设计的自研芯片，Inferentia则面向推理场景。
50%待验证Trainium和Inferentia在AWS资本支出中占比提升，长期看有助于改善单位算力成本结构，但短期内仍难以完全摆脱对英伟达的采购依赖。
50%待验证自研芯片路线（如谷歌TPU、亚马逊Trainium）在特定场景可行，但通用性与生态成熟度与英伟达仍有差距。
50%待验证Trainium AI加速器的性价比比同类产品高30%到40%。
50%待验证亚马逊的Trainium和Inferentia是AWS自研的AI加速芯片，Inferentia面向推理，Trainium面向训练，均通过AWS Neuron SDK接入主流框架。
50%待验证谷歌和亚马逊提供PyTorch迁移工具的战略意图是削弱CUDA的锁定效应，将AI开发者引向自家加速器（TPU、Trainium/Inferentia）。
50%待验证与通用GPU相比，ASIC（如TPU、Trainium、Inferentia）在特定负载上能提供更优的能效比和单位成本，但软件生态成熟度相对不足。
50%待验证Trainium面向训练负载，强调高吞吐与成本效率；Inferentia面向推理负载，针对低延迟、高并发场景优化。
50%待验证Trainium和Inferentia属于专用集成电路（ASIC）路线，与英伟达的通用GPU在设计哲学上不同：GPU依靠大量通用核心和成熟的编程模型获得灵活性，ASIC则通过固化数据流与矩阵运算单元换取能效和单位成本优势。
50%待验证AWS Neuron 是 AWS 为 Inferentia 和 Trainium 自研推理加速芯片提供的 SDK 与运行时栈，包含 neuronx-cc 编译器、运行时库及 PyTorch/TensorFlow 集成层，模型需先编译成 NEFF 格式才能执行。
50%待验证该 MCP 服务器演示中包含六个推理后端：Amazon Bedrock、一个 SageMaker 端点、EC2 g6 上的 vLLM、g5g 上的推理服务，以及 Inferentia2 (inf2) 和 Trainium (trn1) 上的 Gemma 4 模型。
50%待验证Inferentia2和Trainium的内存带宽是NVIDIA L4的2.0到2.7倍，但解码速度只有L4的0.28倍。
50%待验证Inferentia2和Trainium的内存为2×16 GiB，每个NeuronCore独享16 GiB，模型必须跨两个核心拆分或塞进16 GiB，这对embedding表占大头的E2B模型是硬约束。
50%