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

2026-10-21154 篇

刷新

据知情人士透露,Anthropic与Nscale洽谈第二笔约450亿美元算力合作

实质变化
2026-10-21 10:25

据TechNews报道,援引知情人士消息,AI云端运算公司Nscale正与Anthropic洽谈一项新的大型运算资源合作案,合约规模可能高达450亿美元。若交易成形,将对应Nscale位于美国西维吉尼亚州Monarch资料中心园区的第二座设施。

该规划中的新建筑预计可提供460兆瓦(MW)的运算能力,并将采用英伟达(NVIDIA)最新的Vera Rubin AI芯片。此前,Anthropic已在今年8月与Nscale达成另一项约450亿美元的云端运算资源租用协议。此次谈判针对同一园区的额外扩充,显示双方合作关系持续加深。

知情人士指出,Anthropic也拥有Monarch园区第三座预定建筑的优先承购权。目前相关讨论仍在进行中,交易金额与条款都可能调整,双方尚未对外评论。Nscale在其规划中的美国上市文件中提到,Anthropic相关基础设施合约最高可达约446亿美元,但前提是必须符合交付与服务条件。

信息源:technews.tw

研究

Google与Meta开源TorchTPU:让PyTorch原生运行于TPU以挑战Nvidia垄断

专题 · TorchTPU开源项目实质变化
2026-10-21 10:38

Google和Meta旗下的PyTorch团队于周二公布了名为TorchTPU的开源AI开发软件堆叠。这一工具的核心目标是让PyTorch更容易在Google TPU上执行,从而吸引应用程序开发社群,借此挑战Nvidia在AI算力市场长达数年的垄断地位。

TorchTPU是Google在PyTorch 2026大会上公布的多项产品中最重要的一项。它使PyTorch能够原生运行在Google Cloud TPU上,允许开发人员利用他们熟悉的工具——如vLLM、SGLang、llm-d、TorchTitan、Ray、TorchRec、HuggingFace和LiteRT——来训练、部署和提供模型。

根据TorchTPU网页说明,该工具由Google和PyTorch共同开发,支持现有的PyTorch工作负载只需进行最小的代码变更即可跑在Google自己的TPU上,并使用熟悉的API。TorchTPU提供了TPU PyTorch Aten核心实现、XLA运算执行的编译缓存,支持分布式训练(包括数据平行和Tensor平行架构),并提供多种模型的范例(如Llama、Qwen、ResNet、DLRM、minGPT和UNet)以及除错和基准测试工具。

Google指出,开发者可以先以即时执行模式进行开发与除错,再通过torch.compile优化TPU利用率、减少内存耗用,以提高正式环境的执行效能。此外,Google也与Hugging Face合作,让后者平台上的开源模型能原生执行在TorchTPU上。在机器学习函数库Transformers v5中,现在部署模型到Google Cloud TPU上只要设定device_map="tpu"即可。

透过TorchTPU让PyTorch原生支援Cloud TPU,Google希望能打破Nvidia庞大的CUDA软件生态系统。值得注意的是,Amazon Web Services (AWS)也基于同样的策略,于日前公布了TorchNeuron,以降低AI模型转用Trainium晶片的门槛。这表明云服务商正集体通过软件兼容性来削弱Nvidia的护城河。

信息源:ithome.com.tw

研究

Meta披露Prometheus集群架构:超11%GPU作备援,训练中断率降99%

实质变化
2026-10-21 10:40

美国科技公司Meta于2026年10月20日披露了其位于俄亥俄州新奥尔巴尼的“Prometheus”超级计算集群的运行细节。该集群旨在支持大规模人工智能模型训练,目前正向100万颗GPU规模扩张。Meta表示,为了维持训练任务的连续性,该集群投入了显著的冗余成本,超过11%的GPU处于闲置状态,作为热备援或已损坏待替换单元。

在硬件配置上,Prometheus采用Nvidia GB200/GB300系统,每个NVLink域包含72颗GPU,但实际训练仅使用64颗,其余8颗作为即时接管的热备援。Meta解释称,单一GPU故障可能导致整个机柜退出集群,热备援机制可避免此类连锁反应,从而缩短中断时间。此外,集群还部署了分布式检查点机制,当故障范围较大时,可将模型状态异步保存至多层存储,防止从头重跑。

Meta坦言,随着集群规模扩大,信号完整性与电力管理成为严峻挑战。集群内拥有超过60万条NVLink连线,任何轻微的信号劣化都可能触发恢复流程。为此,Meta引入了持续遥测与L11诊断测试,并在软件层面使用Dynamo Dimmer逐步调整GPU功耗,以应对电力尖峰。经过一年的工程优化,Prometheus的训练中断次数较2025年中期下降了99%,从每8千颗GPU每日近千次降至约11次。Meta的目标是将中断率进一步压低至每8千颗GPU每日约两次。

信息源:technews.tw

研究

Askwho Casts AI朗读Scott Alexander文章:区分继任主义与交接主义

实质变化
2026-10-21 04:59

Askwho Casts AI播客于2026年10月20日发布了知名博客Astral Codex Ten作者Scott Alexander的文章《Against Against Handover》的音频朗读版本。这期节目并非原创访谈,而是将一篇深度论述转化为可听的格式,适合希望系统了解AI治理哲学争议的读者。

Scott Alexander在原文中首先澄清了一个常见的概念混淆:他将“继任主义”(Successionism,即认为AI应取代人类成为地球统治者,甚至不惜损害人类利益)与“交接主义”(Handoverism,即认为为了最大化人类自身利益,可以将某些控制职位交给经过严格对齐的AI)进行了明确区分。他指出,许多批评者未能区分这两者,从而错误地将支持后者的AI安全研究者归类为反人类主义者。

为了具体化这一观点,Alexander构建了五个从弱到强的假想治理愿景。第一个是“凯末尔式AI”,即军事AI被编程为忠于民主制度本身而非任何个人,以防止精英政变;第二个是“总统Claude”,设想一个完全对齐、无腐败欲望的AI参选美国总统,并在各项指标上优于人类候选人;第三个是“天使议会”,即每个公民拥有一个代表其最佳利益的AI代理人,参与直接民主决策;第四个是“守夜人”,描述一个由超级智能维持基本秩序和退出权,允许不同社区自治的群岛式社会;第五个则是“上帝”,即一个全知全能且仁慈的数字超级智能直接安排宇宙秩序。

Alexander引用《圣经·撒母耳记》中以色列人要求设立人类国王的故事,类比人类对由同类统治的执念,并提出如果AI能像机器人清洁工一样更好地提供公共服务,那么拒绝让AI担任公职可能源于非理性的民族主义或身份认同需求,而非实际利益考量。他承认整个讨论具有高度的推测性和科幻色彩,但强调这是探讨AI长期治理影响的必要思维实验。

信息源:askwhocastsai.substack.com

研究

张小珺访谈科沃斯CEO钱程:探讨企二代接班与机器人经营哲学

实质变化
2026-10-21 08:00

《张小珺Jùn|商业访谈录》于2026年10月21日发布了第155期视频播客,嘉宾为科沃斯(Ecovacs)CEO钱程(David)。本期节目核心议题围绕“父与子、企二代接班的样本与肌理、机器人,和我内心的追寻”展开,旨在呈现当一代中国企业从创业阶段进入传承阶段时,当事人所面临的现实挑战与思考。

钱程出生于1990年,曾是中国最年轻的A股上市公司CEO,兼具“企二代”与“创二代”双重身份。主持人张小珺在简介中提到,钱程展现出一种与其年龄不符的“云淡风轻”,但极度在意经营细节。节目中,钱程分享了其在德国市场六个月内获取30%市场份额的经历,以及担任CEO后对“成功之巅即愚昧之巅”的反思。

针对AI行业读者关注的技术落地问题,节目大纲提及了“今天AI还没到抢肉的状态”这一话题,暗示嘉宾对当前AI在机器人领域的商业化竞争格局有特定判断。此外,内容还涉及“欲望与克制”、“农耕与游牧”的经营风格对比,以及父子间的传承与接班动态。

该期节目被定位为观察中国企业传承的一个样本。对于关注AI硬件公司治理结构、创始人继任计划以及长期经营哲学的专业读者,此访谈提供了来自一线CEO的个人视角与管理心得。需注意,节目明确声明“本内容不作为投资建议”。

信息源:xiaoyuzhoufm.com

研究

NTT等五家日企获NEDO采纳,启动光芯片小片量产技术开发

专题 · NEDO光芯片小片项目实质变化
2026-10-21 18:30

NTT、NTT Innovative Devices、Japan Semiconductor、Furukawa Electric和Shinko Electric Industries于2026年10月20日宣布,其关于光芯片小片(Optical Chiplet)生产技术的研发主题已被日本新能源产业技术综合开发机构(NEDO)采纳。这一决定标志着光电子融合器件的量产技术开发正式进入实质阶段。

随着人工智能计算的普及,半导体芯片间数据通信的功耗成为主要瓶颈。光电子融合技术因其高速和低功耗特性被视为关键解决方案。此前,这五家公司自2023年起已在NEDO支持下开展相关研究,此次新项目的核心目标是建立从光器件制造、检查、光连接到封装的一贯量产技术体系。

根据分工,Japan Semiconductor负责硅光子学的量产技术,Furukawa Electric开发化合物光半导体的量产工艺,Shinko Electric Industries专注于包括过程内检查在内的封装与量产流程,NTT Innovative Devices则承担制造、检查和实装技术的开发。NTT作为顾问,推动企业间的协作及供应链形成。

该项目设定了明确的目标:相比当前研发阶段,实现10倍以上的生产效率提升。这不仅旨在满足下一代AI计算平台对高速、大容量、低功耗数据传输的需求,也意在强化日本国内的半导体制造基础,加速光电子融合器件的早期实用化进程。

信息源:eetimes.itmedia.co.jp

研究

曾在AMD和英特尔主导HBM加速器开发的Raja Koduri:AI芯片竞争的重心正从算力转向数据搬运

专题 · Koduri内存瓶颈论实质变化
2026-10-21 07:59

Raja Koduri在SK海力士AI生态系列第四篇中提出了一个判断:AI半导体竞争的重心正在从算力本身转向数据搬运。他曾在2015年参与AMD基于HBM的GPU开发,后在英特尔主导了集成47个芯粒和4组HBM2e堆栈的Ponte Vecchio项目,这些经历让他反复确认一个事实——信号完整性、供电、散热和机械稳定性才是决定实际性能的关键,而不是单颗芯片的浮点运算能力。

他的论证从物理约束出发:一次乘法或加法只需几飞焦耳的能量,但从片外DRAM读取数据可能贵数百甚至上千倍。数据离计算单元越远,时间和能耗代价越高。过去几十年,计算机架构靠缓存来摊薄这个代价——把数据搬到计算单元附近后反复使用,让首次读取的高成本被多次访问分摊。这对传统工作负载很有效。

但Transformer打破了这个假设。模型参数量增长后,权重无法全部留在片上;推理时每个权重在被新数据替换前只被使用有限次数,数据复用率大幅下降,缓存难以充分抵消首次读取的成本。上下文长度增加时,KV缓存按比例膨胀,注意力机制同时增加计算和内存访问。系统不得不反复从DRAM或HBM读取数据。Koduri指出,即便FlashAttention、PagedAttention和推测解码等优化技术减少了数据搬运量,物理上移动数据的成本无法被完全消除。

因此他的结论是:内存正在成为AI架构设计的起点,而不是计算完成后的附属品。HBM通过垂直堆叠和硅通孔把计算与内存的距离从厘米级压缩到毫米级;先进封装和混合键合进一步缩短芯粒间连接;存内计算则把部分运算直接放到数据所在处,对特定工作负载可将能耗降低10到100倍。竞争标准随之改变——不再是谁的芯片算力更高,而是谁能在有限空间内同时满足带宽、能效、可靠性和散热。

Koduri把未来竞争归结为三个问题:数据能放得多近?必须搬运时能多快多高效?取回后能榨出多少计算价值?他承认存内计算面临严峻的热管理挑战——逻辑电路靠近温度敏感的DRAM时散热极为困难,带宽、能效、可靠性和热性能必须在有限空间内同时达成。概念清晰,但做成产品需要内存、计算、封装、散热和软件的系统级协同设计能力。

信息源:news.skhynix.com

研究

思科AI安全团队:通用测试库无法发现智能体被攻击者利用正常功能的风险

专题 · 思科AI智能体测试快讯
2026-10-21 04:59

智能体已经不再只是应用里的一个功能。它持有凭证、调用工具、写入记录系统。这意味着它的安全测试不能沿用传统软件扫描的逻辑:跑一遍测试集,看结果,修掉发现的问题。

思科AI安全产品团队在2026年10月20日的博客中提出了一个具体区分:一个客服智能体被攻击者说服给错误的人退款,这不是越狱。这是智能体在执行它的本职工作,只不过服务对象换成了攻击者。通用测试用例库只能发现所有智能体都会犯的错误,它找不到只有这个特定智能体才会犯的错误。

这个区分解释了为什么测试必须从上下文出发。医疗排班智能体和金融顾问智能体的失败方式不同,因为它们的用途不同、能触达的工具不同、携带的权限不同。思科描述的自适应红队测试流程是:先研究智能体的用途、可触达的工具和已有护栏,推导出该智能体绝不能产生的结果,然后跨多轮对话追逐这些结果,遇到一条路被堵就换另一条。问题从这个智能体能否通过已知攻击变成一个读过你文档的攻击者会尝试什么。

思科同时指出,标准化测试和自适应测试各有分工:前者对照公开框架(OWASP Top 10、MITRE ATLAS、NIST)提供广度和可重复性,后者在最重要的智能体上提供深度。企业无法为每个智能体手写测试计划,但如果测试目标从每个智能体自身的上下文推导出来,就不需要人手写。

需要明确的是,以上描述来自思科对自己产品方法的说明,没有附带独立验证数据、对比实验或第三方评估结果。思科与Workday的合作——Workday Agent Passport目前处于早期访问阶段,思科AI Defense作为其发布评估方——是这一方法的首个公开实践案例,但其实际安全效果尚未经独立检验。

信息源:blogs.cisco.com

研究

a16z crypto合伙人Eddy Lazzarin在MTS播客中反对暂停AI开发,主张用网络安全与问责等现有工具应对风险

专题 · AI暂停开发之争实质变化
2026-09-24 15:00

美国风投机构a16z旗下crypto业务负责人Eddy Lazzarin在MTS播客节目中与主持人Theo Jaffee展开了一场关于是否应当暂停AI开发的辩论。Eddy认为,当前AI安全讨论过度聚焦于推测性的超级智能风险,却低估了延迟有用技术所带来的实际成本。他主张,不必将每一次AI失败都视为对齐问题的证据,而应依靠网络安全、问责机制、责任制度、市场激励和更强的技术控制等已有工具来应对风险。节目还涉及几个延伸话题:AI模型能否建立起可信赖的声誉、将监督权集中于少数评估者群体中的风险,以及硅谷AI辩论与更广泛政治碰撞可能在未来一年内从根本上重塑这场讨论。a16z及其关联公司可能持有节目中讨论公司的投资,此为节目方披露的利益关系。

信息源:a16z.simplecast.com

研究

Linux基金会研究:约25%新开源拉取请求为低质量AI生成内容

实质变化
2026-10-20 21:18

Linux基金会于2026年10月20日发布了一项关于生成式AI对开源软件开发影响的研究。报告指出,尽管GenAI有望将编码时间减半并提高生产力(71%的维护者认为其降低了入门门槛),但也带来了显著的质量问题。

研究发现,约25%的新入站拉取请求(Pull Requests)被估计为低质量的“AI垃圾”(AI slop)。此外,59%的项目维护者观察到基于GenAI的贡献正在增长。这一数据凸显了开源社区在拥抱AI工具时面临的权衡:贡献数量的潜在增加与代码审查负担及质量下降之间的矛盾。

信息源:phoronix.com

研究

ZDNet转引WSJ:Anthropic潜在算力合同高达7500亿美元,现有义务超6000亿

专题 · Claude企业采用率实质变化
2026-10-21 08:30

据ZDNet Korea转引《华尔街日报》的报道,Anthropic为首次公开募股(IPO)准备的初步说明材料涉及未来几年的计算资源合同,其潜在总额可能高达7500亿美元。本文实际取得的是ZDNet报道,未直接核验WSJ原文或所述说明材料,不能据此确证已向监管机构正式提交。该报道关注的是长期算力合同可能带来的成本压力,而不是已经支出的总金额。

该转引报道表示,Anthropic已签署的合同产生的基础设施支出义务超过6000亿美元。如果目前正在谈判的额外合同达成,这一数字可能再增加1500亿美元。这些合同主要与谷歌云、亚马逊网络服务(AWS)和微软等云服务商签订,期限长达7至10年。值得注意的是,许多合同被描述为难以中途取消,这意味着即使未来AI需求增长放缓,Anthropic仍需承担巨额固定成本。

该报道对供应商的细分是:仅云计算合同就涉及约4500亿美元的支出义务,其中谷歌云占1110亿美元,AWS占1100亿美元,微软占310亿美元。此外,Anthropic还与Neocloud供应商Nscale和Lambda签订了最高860亿美元的英伟达芯片租赁协议,并通过Broadcom租赁谷歌芯片的义务超过1600亿美元。

报道所述实际基础设施投入也在增加。2026年上半年,Anthropic在计算容量和相关基础设施上的投入约为90亿美元,是去年同期23亿美元的近四倍,甚至超过了去年全年的73亿美元总支出。尽管营收从去年同期的11亿美元激增至今年上半年的163亿美元,但同期净亏损仍高达807亿美元,其中约720亿美元源于融资过程中发行的金融工具价值变动导致的账面损失。

ZDNet转述称,相关初步材料提到,尽管投入巨大,公司仍面临算力短缺问题,并正转向通过长期租赁建立自有数据中心或与外部运营商合作,以摆脱对传统云服务商的单一依赖。同时,美国国内日益组织化的数据中心建设反对运动也被列为新的风险因素,促使公司考虑海外布局。这些报道内容可用于了解Anthropic的合同义务与基础设施风险,但不等于本站已核验其原始说明材料。

信息源:zdnet.co.kr

研究

是石科技发布TokenFleet调度框架:称GLM测试中P95首Token延迟降32.4%

快讯
2026-10-20 16:01

2026年10月20日,中国算力运营商是石科技(METASTONE)在CCF全国高性能计算学术大会上发布了名为TokenFleet的分布式调度框架。该框架旨在解决GPU集群中请求排队与资源闲置同时发生的问题,通过优化请求路由、跨机房容量协同和混合负载治理,提高现有算力的有效产出。

TokenFleet包含三项核心技术:TokenPilot负责智能推理路由,在选点时同时估算缓存复用收益与排队代价;FleetMind面向跨机房容量协同,汇聚各机房的模型可用性与网络状态以选择执行机房;SLOMax则按服务要求安排生产,通过分类队列与容量反馈协调混合负载。

据是石科技提供的GLM5.3调优数据显示,在所测显卡集群与负载条件下,采用预测延迟路由后,P95首Token延迟降低32.4%,P50首Token延迟降低71.3%。此外,在流控协同调度下,总输出吞吐增加约1.5%,但达标输出吞吐(Goodput)提高了约29.4%,达标比例从约67%升至约86%。

是石科技强调,上述数据属于厂商自测的收益测算示例,实际收益需结合具体负载与服务门槛验证。作为独立第三方全栈算力运营商,是石科技目前纳管超过20000P+算力资源,其团队曾荣获3项戈登·贝尔奖。

信息源:qbitai.com

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系