8月18日 AI 早报：NVIDIA 为俄亥俄算力项目提供 1050 亿美元担保，Google 关停 Imagen

覆盖时间：2026 年 8 月 17 日 07:45 至 8 月 18 日 07:45（上海时间）。本期按全球影响、已落地程度，以及对算力、模型供应链和应用约束的牵引力排序。

Reuters 8 月 17 日报道，NVIDIA 同意为 OpenAI 租用的俄亥俄州数据中心提供最高 1050 亿美元担保，并计划投资 15 亿美元入股 SB Energy。NVIDIA 还会成为该园区的独家 AI 计算基础设施提供商。2

NVIDIA 官方稿把项目放在 Pike County 的 PORTS-Pike Technology Campus。SB Energy 将负责建设、拥有和运营数据中心，OpenAI 按 20 年租约使用。项目总容量最高 8 IT-GW，首期设计为 4.25 IT-GW，NVIDIA 还保留增加 3.75 IT-GW 的选择权；官方预计园区从 2028 年起分阶段上线。1

这笔交易的关键不只是金额。NVIDIA 过去主要通过出售芯片和系统获得收入，这次则把土地、电力、机房外壳和客户租约一起纳入算力扩张安排。Reuters 称，NVIDIA 的担保覆盖租赁和电力支付的一部分，以及园区的最低价值，不等于替 OpenAI 承担全部项目成本。2

SB Energy 和 SoftBank 计划建设至少 10 GW 的新增发电能力，并通过与 AEP Ohio 的合作投入至少 42 亿美元建设区域电网；OpenAI 与 SB Energy 还承诺投入 8000 万美元社区基金。这些都是项目计划或承诺，不能当作已经上线的发电和算力。1

对行业的实际影响，要看担保最终如何落到股权、项目融资和债务结构上。AI 数据中心的瓶颈已经从「有没有 GPU」扩展到「有没有可锁定的电力和可融资的园区」。

TechCrunch 8 月 17 日报道，Groq 完成 3.5 亿美元融资，Disruptive 领投，NVIDIA 计划参与，交易估值为 35 亿美元。Groq 对 TechCrunch 表示，这不是一次下轮融资，而是 NVIDIA 授权交易后的新估值。3

Groq 原本研发自己的 LPU 芯片，与 NVIDIA 争夺推理市场。创始团队在 NVIDIA 的授权交易后，公司的重点转为云服务和数据中心，改为运营搭载 NVIDIA 系统的基础设施。公司计划把容量从 54 MW 扩大到 2027 年的 200 MW 以上；TechCrunch 还援引公司口径称，Groq 目前在北美、欧洲、中东和亚太地区运营 13 个数据中心。3

这个转向说明，推理云的差异化已经不只在芯片架构。公司还要解决机房容量、GPU 采购、客户负载和资本成本。Groq 能否把容量增长变成稳定现金流，仍取决于设备利用率和债务成本，而不是融资额本身。

Reuters 8 月 17 日报道，ByteDance 与美国电影协会（MPA）签署协议，加强其 AI 视频和图像生成模型的版权保护。协议覆盖视频模型 Seedance 和图像模型 Seedream，此前 MPA 曾在 2 月就这些工具发出停止侵权函。4

报道确认的变化包括：ByteDance 表示新版模型加入了更强的知识产权保护；两边会继续合作，为受版权保护的内容建立防护措施；这些模型通过 TikTok、CapCut 和 Dreamina 等服务提供。报道没有给出一份可以逐项核对的技术控制清单，因此眼下能确认的是协议范围和合作关系，不能把它写成已经统一的行业标准。4

从形式上看，这是一份企业间协议，不是监管机关发布的法规。它的重要性在于，内容行业开始直接参与模型产品的防护设计：迪士尼等制片厂担心模型生成未经授权的电影角色和名人形象，模型方则要把版权争议转化为产品规则。后续真正要看的，是哪些内容会被拦截、权利人怎样申诉，以及这些措施能否覆盖不同地区的产品版本。

Google AI for Developers 的官方文档写明，Imagen 模型自 2026 年 8 月 17 日起停止运行，并建议迁移到 Nano Banana。文档给出的替代模型是 gemini-2.5-flash-image。5

这次迁移至少有三处接口变化：模型名从 Imagen 改为 Gemini 图像模型；调用方法从 generate_images 改为 generate_content；返回结果从专门的图像响应对象改为内容片段，其中可能包含图像数据。5

因此，模型下线对开发者不是简单的「把一个字符串换成另一个字符串」。调用链、响应解析、错误处理和输出评测都要重新测试。Google 这次把迁移路径写进官方文档，说明模型供应商会把产品替换和停止服务一起纳入 API 的常规生命周期管理。

Flatiron Institute 的研究人员为 Muon 优化器开发了 Polar Express。优化器负责在训练过程中调整模型参数；Polar Express 则用逐轮更新的多项式近似，计算 Muon 所需的矩阵极分解方向，让 GPU 更高效地完成关键步骤。6

Simons Foundation 的报道给出了两个可比较的结果：2024 年 5 月，缩小版 ChatGPT nanoGPT 的训练纪录是 45 分钟；采用 Muon 最新版本后，nanoGPT 的训练时间降到 1.23 分钟。报道还称，重新训练 OpenAI 原始 chatbot nanochat 的成本曾是 4.3 万美元，采用 Muon 和 Polar Express 后降到 48 美元。6

这些数字来自训练竞速和研究项目的记录，不等于所有模型都能得到同样的降幅。它们仍然说明了一个常被忽略的变量：如果训练算法减少了所需的步数，算力成本曲线就不只由 GPU 数量和芯片价格决定。Polar Express 是否能在更大规模的前沿模型训练中保持优势，是下一步更值得验证的问题。

这五条消息不是一条因果链，但它们共享一个约束：AI 的规模化正在把模型之外的条件写进产品和商业模式。NVIDIA 和 Groq 争的是电力、机房与资本；ByteDance 面对的是版权方能否接受生成式产品；Google 把模型下线变成开发者必须处理的接口迁移；Polar Express 则把训练效率交回数学和软件。

所以今天最值得记住的，不是又多了一个模型名字，而是 AI 的下一轮竞争同时发生在四个地方：谁能锁定算力，谁能持续提供推理，谁能把版权边界做成产品规则，谁能用更少的训练计算得到可复现的结果。

接下来只需要盯住五个验证点：俄亥俄园区的担保结构和 2028 年上线进度，Groq 扩到 200 MW 以上后的利用率，MPA 协议是否公布可执行的技术措施，Imagen 用户迁移后的兼容性，以及 Polar Express 能否从竞速记录走向更大规模训练。