一句话看懂：LinkedIn 决定下个财年不扩张 AI 数据中心，而是通过提升现有 GPU 效率来支撑新功能。在微软整体巨额投入 AI 算力的背景下，这成了一个值得关注的另类样本。
事件核心：发生了什么
LinkedIn 工程 CTO Erran Berger 近日对 Wired 表示，公司计划在下一财年保持 GPU 投资与计算、存储规模持平，不再扩建 AI 数据中心。支撑这一决定的是效率提升：过去六个月，LinkedIn 通过改善 GPU 利用率、优化工作负载分配、将大模型蒸馏为小模型，以及重新划分训练/推理/存储等环节的任务，让现有 GPU 的产出大致翻了一倍。基础设施 CTO Raghu Hiremagalur 强调，全年不增加增量存储和计算对 LinkedIn 这样的规模而言并不容易。一个关键背景是：LinkedIn 曾在 2019 年启动迁往 Azure 的“Blueshift”计划，2022 年搁置，转而自建数据中心。当时被视为退步的决定，如今被解读为效率优化的前提——自建基础设施让 LinkedIn 能打通全栈做精细调优。
为什么重要
LinkedIn 的选择与母公司微软形成鲜明对比。微软最近一个季度资本开支达 410 亿美元，当季新增 31 个数据中心，全年新增 88 个，并预期下季度投入超过 500 亿美元。需要说明的是，微软的投入主要由 Azure 客户需求及对 OpenAI 的算力供给驱动，LinkedIn 的算力体量在微软大盘中占比很小。但 LinkedIn 依然提供了一个不同的行业样本：消费级平台可以在不增加硬件的情况下持续添加生成式 AI 功能。这打破了“AI 功能增长必然伴随算力扩张”的普遍假设，让“效率优先”成为算力策略中的一条真实路线。
对用户/开发者/创作者的影响
对普通用户来说，LinkedIn 的 AI 功能（如招聘文案生成、职位匹配建议、消息辅助撰写等）不会因为缺乏算力而停滞，反而可能因效率优化而更快落地。开发者和企业采购方则可以把这次表态看作一个参考信号：在 GPU 短缺和成本高企的环境下，模型蒸馏、工作负载调度、利用率监控等手段能释放多少实际空间；采购新硬件并非承载 AI 功能的唯一路径。对基础设施团队而言，LinkedIn 给出的效率翻倍经验——六个月完成而非单点突破——说明优化是一项持续性投入，不是一次性的成本削减。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
有几个具体观察点值得跟踪。一是 LinkedIn 的效率提升能否转化为可量化的功能上线速度或推理成本下降，这是验证该策略是否可持续的关键；二是微软内部其他业务是否会参考这一做法，尤其是在 Azure 算力供给压力缓解之后；三是 LinkedIn 未来若推出更大规模的生成式 AI 产品（例如面向招聘者的多模态工具），现有的“零新增算力”路线是否仍然成立，届时效率红利的天花板也会浮现。
来源：TechRadar
