阅读研究雷达投资体系
登录 / 注册
全部阅读技术产品投资二级市场其他

阅读

2026-11-2034 篇

刷新

美众院公布文件:商务部已核准逾87.9万颗AI芯片销中,买家含阿里腾讯及军方关联企业

结构性
2026-11-20

美国众议院外交事务委员会于2026年11月19日公布文件显示,截至今年5月,美国商务部下属的工业与安全局(BIS)已核准向中国出售超过87.9万颗人工智能(AI)芯片。获准交易的买家包括阿里巴巴、腾讯等科技巨头,部分企业更被美国国防部列为“中国军事企业”。这一披露正值前英伟达CEO黄仁勋因个人丑闻辞职后,国会加强对先进芯片流向中国审查之际。

委员会指出,从2025年12月至2026年5月,涉及英伟达H200及同等性能超微半导体(AMD)芯片的对华销售申请总数高达340万颗。申请人名单中还包含字节跳动、特斯拉上海工厂及百度。众议院外交事务委员会主席Brian Mast特别点名两家名为Maginfra和New Matrix的企业,称其疑似为芯片走私提供掩护的空壳公司,并援引《纽约时报》报道指这两家公司办公室空无一人且与受制裁实体有关联。

民主党首席议员Gregory Meeks批评BIS未能有效落实出口管制规定,强调公众有权了解这些决定是如何做出的。此次文件公开依据《出口管制改革法》,该法律允许国会在认定保密违反国家利益时解密并公布出口资料。尽管商务部、英伟达和AMD在截稿前均未立即回应置评要求,但此举已加剧华盛顿对现行管制政策执行力的质疑。

随着黄仁勋预定于12月1日接受国会闭门询问,以及商务部长Howard Lutnick面临处理不力批评,两党议员正推动立法以收紧对敌对国家出售先进AI芯片的限制。此外,超微半导体亦因做空机构Hunterbrook Media报告指控其向被列黑名单的中国服务器厂商浪潮信息(IEIT Systems)提供新版固件而股价下跌,进一步凸显半导体行业在地缘政治合规方面的脆弱性。

信息源:INSIDE

研究

微软与英特尔深化合作:Azure自研芯片首次采用EMIB先进封装,锁定多年期Xeon产能

实质变化
2026-11-20

美国科技巨头微软(Microsoft)与英特尔(Intel)于2026年11月20日宣布扩大双方数十年的合作关系,共同推进Azure基础架构的发展。此次合作的核心突破在于,微软首度宣布在其自研的Azure芯片中采用英特尔晶圆代工(Intel Foundry)提供的EMIB(嵌入式多晶片互连桥接)先进封装技术。这一举措标志着微软在AI基础设施供应链上对英特尔制造能力的进一步认可。

除了封装技术的引入,双方还确立了Intel Xeon处理器的多年期产能供应协议,其中包括代号为Diamond Rapids的新一代服务器CPU。这项长期协议旨在确保微软在面对日益增长的云计算和AI工作负载时,能够获得稳定且可预测的计算资源。通过结合英特尔的芯片设计与封装技术以及微软的云端工程专业知识,双方试图在效能、效率、扩展性及安全性方面为Azure量身打造差异化基础架构。

在具体技术应用层面,微软将与英特尔在支持Compute Express Link(CXL)的Intel Xeon处理器展开合作,以提升Azure的内存效率。例如,Azure M系列v4虚拟机搭配CXL内存及Intel Flat Memory Mode,据称可为高性能工作负载带来最高2.3倍的效能提升。此外,通过Intel QuickAssist技术(Intel QAT),Azure上的SQL备份速度预计可提升高达2.5倍。这些系统层级的优化方案显示了双方在硬件协同设计上的深度整合。

信息源:BenchLife.info

研究

韩国建站平台 I'mweb 称其 AI 代理提交超百次代码合并请求,客服人工干预降至 2% 以下

快讯
2026-11-20 08:56

韩国网站构建平台 I'mweb(아임웹)在其技术交流会“Techground 26”上披露了内部 AI 应用的最新进展。据该公司首席技术官 Kim Hyung-seop 介绍,团队引入了能够自主参与工作流的 AI 代理。其中,一个被设计为“AI 同事”的代理在与超过 60 名团队成员沟通后,独立编写并提交了超过 100 个 Pull Request(PR),且完成了从代码修改到部署的全过程。

在客户服务领域,I'mweb 实现了更高程度的自动化。产品工程师 Lee Jung-min 表示,通过逐步优化 AI 对客服回复质量的判定流程,人工介入的比例已从最初的 100% 降低至不足 2%,最终在实际运营环境中完全移除了人工判定环节。这一变化依赖于对 AI 判定准确性的持续验证和规则调整。

平台工程师 Choi Sung-guk 指出,AI 代理在处理任务时,关键在于设定何时需要向人类求助以及哪些决策需由人共同做出,而非单纯追求自动化执行。此外,基础设施团队在引入 AI 辅助运维时,强调了命令执行前的严格验证机制,以确保系统稳定性。这些案例展示了中型互联网公司在将 AI 融入核心工程与运营流程时的具体实践与量化结果。

信息源:스타트업 생태계의 모든 것 \'플래텀(Platum)\'

研究

韩国AI基础设施公司MOREH在SC26发布TIDE框架,称推理吞吐量提升1.66倍

快讯
2026-11-20 07:43

韩国AI基础设施软件公司MOREH在美国芝加哥举行的超级计算大会(SC26)上发布了名为TIDE的推理框架。该框架旨在优化大型语言模型(LLM)服务中常用的“推测解码”技术。推测解码通过让较小的辅助模型预测多个后续词元,再由较大的目标模型进行验证,从而加速生成过程。然而,当用户请求模式发生变化时,静态训练的辅助模型往往预测不准,导致性能下降甚至低于基准线。

TIDE的核心机制是利用大模型在推理过程中产生的“中间隐藏状态”来实时重新训练辅助模型。这种方法无需单独运行大模型以生成训练数据,从而降低了计算开销,并使辅助模型能够适应不断变化的流量模式。系统会实时监控推测解码的效果和辅助模型的预测准确率,在效果不佳时暂停该功能,并在模式改变时触发重训。

据MOREH在SC26公布的结果显示,与不使用推测解码的传统方法相比,TIDE将推理吞吐量提高了最多1.66倍,同时将辅助模型的训练时间减少了最多3.02倍。此外,该公司还演示了一种异构GPU策略,即在Nvidia H100 GPU上运行大模型推理,而在AMD Instinct MI250 GPU上训练辅助模型,声称这使系统整体吞吐量比单一GPU配置提高了最多1.22倍。这些均为厂商自测数据,尚未经过独立复现。

信息源:스타트업 생태계의 모든 것 \'플래텀(Platum)\'

研究

安谋科技发布“星辰100e”AIoT原型平台,搭载新处理器Cortex-M42

实质变化
2026-11-19 12:02

11月18日,安谋科技(中国)有限公司举办新品说明会,深度解析了Arm Cortex-M42 CPU,并正式推出基于该产品的“星辰100e”AIoT原型平台。Cortex-M42由安谋科技与Arm合作开发,在中国市场命名为“星辰”STAR-MC3,此次正式纳入Arm Cortex-M全球产品路线图。

Cortex-M42面向对成本和面积敏感的智能端点设备,基于Armv8.1-M架构,具备三大核心能力:Arm Helium技术加速向量处理,带来更强的机器学习和数字信号处理性能;Arm自定义指令支持针对特定工作负载优化处理性能;基于AHB的紧凑设计沿用成熟微控制器系统架构,无需复杂内存子系统即可集成至现有设计中。与前代Cortex-M33相比,其向量计算能力提升至3倍,向量能效提升至2倍。

在硅片面积与功耗方面,官方数据显示,在采用台积电22ULL工艺、150MHz频率的配置中,与Cortex-M52相比,Cortex-M42在提供相近标量和向量性能的同时,硅片面积减少10%、功耗降低15%,适用于不需要丰富内存子系统的设计。

“星辰100e”是Cortex-M42 CPU搭配Arm Ethos-U55 NPU的异构计算平台。安谋科技已在FPGA平台上搭建该系统,并跑通了关键字检测、目标识别、自动语音识别等典型AI用例。实测数据显示,与单独使用Cortex-M42相比,搭配Ethos-U55后,关键字检测推理性能提升95倍,目标识别提升超132倍,自动语音识别提升超340倍。

安谋科技CPU产品总监朱晓鸣表示,该平台致力于为低功耗端侧设备提供各种类型的高效算力。不过他也强调,芯片设计并非简单的“搭积木”,仅组合IP无法自动得到具市场竞争力的芯片,设计企业仍需结合对应用和算法的理解开展大量原创性架构设计与系统优化。

信息源:量子位

研究

三块退役V100显卡以千美元成本在长上下文推理中超越五千美元Mac Studio

快讯
2026-11-19

据Tom's Hardware报道,一位名为esologic的自建实验室(homelab)构建者对三块二手Nvidia Tesla V100 GPU进行了基准测试,结果显示其在运行Qwen 3.6 35B混合专家(MoE)模型时,总成本约1,042美元的硬件配置在长上下文场景下的推理速度超过了售价5,399美元的Apple M5 Max Mac Studio。

该测试使用llama.cpp框架,对比了不同量化精度和上下文长度下的生成速度。在8位量化(Q8)下,三块V100在4K上下文时达到100.8 tokens/秒,在128K上下文时降至72.7 tokens/秒。相比之下,配备40核GPU和128GB统一内存的M5 Max Mac Studio在4K时略快(105.5 tokens/秒),但在64K和128K长上下文时落后于V100集群,后者在128K时比前者快约19%。

值得注意的是,V100是较旧的“电子垃圾”级企业GPU,其优势在于显存容量和带宽的组合使得多卡并行能处理更大的模型或更长的上下文,而现代消费级设备如Mac Studio虽在短上下文和能效上可能占优,但在特定长文本负载下被低成本旧硬件超越。该构建者还指出,V100的能耗约为同数量P100的一半。由于测试基于不同的运行时环境(llama.cpp vs MLX),数据仅供参考,且未包含独立第三方验证。

信息源:Tom's Hardware

研究

AWS工程师Chambers:一次前向传播的决策模型可让智能体跳过不必要的记忆检索

快讯
2026-11-20 09:37

对AI智能体说一声早上好,它可能会先去长期记忆里搜索一番再回复你。某个服务在后台执行语义检索,试图判断你的问候是否需要理解你的饮品偏好。即便你对咖啡极其认真,为两个词动用这么多基础设施也显得过度。

AWS高级AI DevEx工程师Mike Chambers在AGNTCon + MCPCon North America 2026上向The New Stack主编Nick Lucchesi介绍了一种应对思路:用决策模型(decider model)来处理智能体内部那些不断累积的小判断。这类模型也被称为判断模型或系统一模型,它们从固定选项中选择或对输入进行评分,返回校准概率而不生成自由文本。这个概念由TypeSafe AI的Jev推广,AWS的Strands Labs在10月1日发布了开源的Strands Decider 2B,参数量为二十亿。

Chambers把这种方法描述为代码里有一个由智能体驱动的、带语言感觉的if语句。开发者使用分类器已有多年,但这一代决策模型的不同之处在于:通用预训练让你无需先训练自己的模型就能尝试新的分类任务。你提供自然语言上下文,提出一个问题,得到一个数值分数,应用程序据此选择分支。在Chambers描述的模型中,这个分数在单次前向传播中返回,没有token序列需要生成。

这使得决策模型适合放在每个请求的关键路径上。Chambers用开源的Strands框架和Amazon Bedrock AgentCore Memory做了实验:把Strands Decider放在记忆查找前面,判断传入的消息是否需要从过去的对话中获取信息。问候可以直接通过;依赖用户先前所说内容的请求仍然触发搜索。他还在检索之后使用决策模型:记忆服务可以返回最相关的匹配结果,但有些可能与当前任务关系不大,决策模型可以在智能体将结果纳入上下文之前对每条结果进行相关性评分。

一个决策可以省掉一次服务调用,另一个可以让模型少处理无关材料。模型路由器也可以用分数把常规提示发给较小的模型,把更复杂的任务留给能力更强的模型,节省来自路由决策本身和它省下的下游工作。

但Chambers明确称他的记忆实验为实验性的。一个可预测JSON字段中的数字让决策模型容易接入应用,但那个数字是否可靠到足以据此行动,需要测试。

数字是否正确?这需要你的测试来搞清楚,他说。当风险升高时——智能体即将花钱,而不是推荐一杯咖啡——Chambers主张在智能体循环之外设置检查,对难以逆转的决策要求人工批准。

信息源:The New Stack

研究

AI代码审查公司CodeRabbit实测GPT-6.2 Astra:多捕获7个已知问题但精确率降至12%

快讯
2026-11-20 04:00

在代码审查中,捕获更多问题并不自动意味着更好的审查体验。AI代码审查公司CodeRabbit在自身管线中测试GPT-6.2 Astra后发现,新模型确实多找到了几个已知问题,但代价是评论量大幅增加、精确率显著下降——这恰恰是审查工具最不希望看到的组合。

CodeRabbit在83个已知问题的基准集上对比了Astra 6.2与上一代Astra集成。Astra 6.2捕获了58个问题(69.9%),比上一代的51个(61.5%)多出7个。但报告评论从331条增至847条,精确率从21.74%降至12.22%——每发布约8条可操作评论,只有1条能对应到基准中的已知问题。作者强调,这些结果不能确立纯粹的模型改进,因为基线配置中使用了Sol 6.1及其他模型,各配置只运行了一次。

评论量膨胀带来的问题不只是数字上的。在589条常规可操作评论中,只有72条匹配了已知问题;其余517条可能包含基准未标注的真实问题,但作者明确表示理解它们的价值需要逐条阅读。CodeRabbit指出,每一条评论都在要求作者分辨有用发现和噪音。当PR被低价值反馈填满时,作者可能最终停止阅读或处理评论,有用的发现也会被忽略。

Sol 6.2呈现出类似但幅度较小的模式。在81个已知问题的测试中,Sol 6.2高推理配置比6.1多捕获2个问题(74.1%对71.6%),但评论量从187条增至290条,精确率从35.3%降至25.9%,记录成本高出约48%。同样,这些运行不能隔离推理级别的效果,因为管道中不同部分替换了不同模型。

在代码生成方面,作者们没有运行匹配的基准测试,只分享了实际编码体验。Astra从简短提示中经常能产出有用的第一版界面,在长任务中也能在偏离后回到原始目标。Sol 6.2则需要更多方向指引,初始UI设计没有比6.1有改善,还反复给出错误的配置文件,团队不得不逐一验证项目能否实际启动。

CodeRabbit的结论是暂不切换。Astra的额外捕获伴随着大量评论增加,集成还需要与固定路由配置的对比;Sol的小幅增益则伴随着更多评论和更高成本。作者建议,在切换之前先阅读增量发现,并重新测试每个配置停止捕获的问题。OpenAI宣称新模型能以更少输出token完成高要求任务,但实际审查成本还取决于委托调用和重试次数,更低的token单价本身不能确立更低的审查成本。

信息源:CodeRabbit

研究

JEDEC预览DDR6标准:模块长度缩至74毫米,带宽提升超50%

实质变化
核验于 2026-11-20 10:40

半导体标准化组织JEDEC于2026年11月18日发布了下一代DRAM标准“DDR6”的预览。该标准目前仍在开发中,其展示的功能反映了当前的计划,并可能在后续的审批过程中发生变更。

在性能方面,DDR6 RDIMM的数据传输速率将从12.8 GT/s起步,目标提升至14.4 GT/s以上。数据总线宽度从DDR5的64 DQ扩展至96 DQ,增加了50%。这一架构调整旨在通过更宽的通道和更高的频率,在引入阶段即实现超过50%的带宽增长。

对于硬件设计者而言,最显著的变化在于物理尺寸。DDR6模块的长度定为74毫米,打破了自SDRAM时代以来持续约30年的133.35毫米(5.25英寸)标准。这种小型化不仅提高了系统内的内存密度,还可能模糊台式机与笔记本电脑之间的模块界限,因为74毫米仅略大于当前DDR5 SO-DIMM的69.6毫米。

DDR6采用了伪通道(pseudo-channel)架构来分割内存访问,并将Bank数量翻倍,以优化刷新操作和数据总线效率。此外,单颗DRAM芯片的密度最高支持128Gb,并通过封装内的堆叠优化进一步提升单位面积的容量。

在可靠性与能效上,DDR6支持多种系统级错误校正码(ECC)实现,允许设计者在成本、功耗和可靠性之间进行平衡。接口针对高容量模块进行了优化,明确指向通用计算以及需要靠近CPU的大容量和高性能的AI推理及代理型AI应用。

信息源:jedec.org

研究

美国众议院委员会要求微软就向字节跳动出售AI模型进行说明

实质变化
2026-11-20 09:58

美国众议院中国问题特别委员会于11月18日要求微软(Microsoft)向议员进行简报,原因是据科技媒体The Information报道,该公司接近与字节跳动(ByteDance)达成一项约5亿美元的交易,允许后者通过Azure云平台使用OpenAI的模型。

委员会主席、密歇根州共和党籍众议员John Moolenaar表示,微软不应向字节跳动出售AI工具。他指出,美国企业协助中国在AI竞赛中迎头赶上令人严重关切,且微软作为五角大楼承包商,向字节跳动出售AI服务是不可接受的。

据报道,OpenAI自身限制多数中国企业直接使用其模型,但微软拥有销售OpenAI技术的权利,并未设下同样限制,使字节跳动有机会经由Azure取得原本无法直接使用的模型。目前这些内容仍属于谈判中的报道,两家公司均未宣布交易完成。

微软发言人回应称,公司认真对待AI服务遭滥用的问题,承诺落实服务条款并遵守适用法律,但不评论涉及客户的机密谈判。此次争议显示华盛顿对AI出口管制的焦点正从芯片硬件延伸至云端模型服务。

信息源:INSIDE

研究

欧盟委员会证实遭AI渗透工具ARTEX攻击,部分内部系统仍无法使用

实质变化
2026-11-20 09:53

欧盟委员会(European Commission)周四(11月19日)对外证实,该机构于10月22日侦测到一起使用AI工具的网络安全攻击。这是欧盟最高行政机构首次公开确认自身成为此类自动化攻击的目标。截至目前,部分内部系统仍无法正常使用,员工个人数据是否外泄尚待厘清。

据Politico报道及欧盟委员会后续确认,此次攻击影响了多项内部关键系统,包括处理薪资、请假及工时记录的人力资源平台Sysper、医疗费用报销系统MyPMO以及内部翻译服务。攻击者使用了名为ARTEX的开源AI渗透测试框架。该框架由开发者“Autumn-27”于2026年7月在GitHub发布,旨在通过大语言模型(LLM)驱动的智能体自动执行漏洞扫描、系统侦察、利用及权限提升等任务。

美国联邦调查局(FBI)在11月13日发布的安全警报中指出,ARTEX自8月起已被黑客滥用,受害对象遍及金融、政府、科技等多个行业。FBI强调,部分攻击从锁定目标到获取特权访问权限耗时不到3小时。尽管原开发者已于10月8日将ARTEX下架,但相关代码仍在网络上广泛流传。Cloudflare和Spectrum Security的调查显示,ARTEX及其衍生版本在开放网络上的部署数量持续增加,且常被修改以规避检测。

欧盟网络安全机构CERT-EU早在11月5日就发出警告,指出ARTEX可能被用于针对欧盟机构的攻击,但未点名具体受害者。此次欧盟委员会的确认填补了这一空白。发言人Thomas Regnier表示,虽然目前尚未发现大规模员工数据外泄的证据,但调查人员正在核实攻击者是否获取了姓名、薪资职等、住址及联系方式等敏感信息。截至11月19日,Sysper已恢复运作,但医疗系统JSIS仍处于离线状态。

信息源:iThome

研究

AI游戏伴侣Kult创始人Omid Ashtari:用决策模型按置信度路由,轻量模型先答、不确定时升级

实质变化
2026-11-20

一个坐在玩家旁边的AI游戏伴侣,需要同时满足三个相互矛盾的要求:回答要快(游戏是实时的),答案要准(每个游戏有自己的物品、系统和词汇),成本要低(始终在线的伴侣每次会话处理多轮对话,每轮都必须便宜到消费者产品能承受)。伦敦初创公司Kult的创始人兼CEO Omid Ashtari在Google Cloud博客中解释了他们如何用模型路由架构解决这个三难问题。

核心思路不是选一个模型,而是让不同层级的模型各做各的事。最轻量的Gemini Flash层级处理高频率重复工作——Kult为每添加一个游戏要发起数千次小调用。Gemini Flash运行每一轮对话:它判断玩家在问什么,然后基于Kult自己构建的游戏知识库写出答案,快到能跟上游戏节奏。而最新、最重的Gemini模型只处理每个游戏一次的罕见深度推理。Ashtari指出,最新Flash模型在价格、速度和质量之间达到了他们在别处没有找到的平衡点,这正是始终在线的游戏伴侣能作为消费者产品运转的原因。

但光有层级划分还不够,还需要一个机制来决定什么时候该升级。Kult使用一个名为Jev的决策专用模型来处理这类判断:它不写文章,只返回一个选择和一个校准过的置信度分数。置信的案例在极短时间内以极低成本解决,不置信的则升级到更大的Gemini模型。Ashtari解释,系统中很多工作本质上是决策而非写作——需要理解查询关于哪个游戏、问题是否需要查找、答案是否覆盖了要点。这些决策不需要大模型,但需要可靠。

这套路由之所以能工作,有一个前提条件:答案的准确性不来自模型的记忆,而来自Kult自己构建的结构化知识库。游戏每次更新补丁都可能改变内容,通用模型的训练截止日期意味着它们可能落后数月。Kult为每款覆盖的游戏自动构建结构化知识库并保持更新,模型的工作是对这些知识进行推理,而非依赖训练数据中的记忆。Ashtari的设计将事实来源和推理能力分开:知识库提供事实,模型负责推理和表达。

Kult目前覆盖超过100款游戏,添加新游戏是自动化流程而非人工项目。这让他们这样一个小团队能够瞄准玩家随时拿起的游戏,包括新发售作品——而新游戏的大部分游玩发生在发布后的头几周。公司目前处于alpha阶段,正在逐步向更多玩家开放。

需要强调的是,这是Kult自报的架构描述。Jev模型未公开,无法独立检验其置信度校准的质量;产品处于alpha阶段,没有公开的性能数据证明该路由策略在规模化后仍有效。但Ashtari给出的设计逻辑——用最小能做对的模型做对的事,用决策模型判断什么时候该升级——对任何构建多轮对话型消费者AI产品的团队都有参考价值。

信息源:Google Cloud Blog

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系