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

2026-10-29198 篇

刷新

Construction Physics作者Brian Potter:聚变或可大幅降低同位素制造成本

专题 · 同位素制造成本实质变化
2026-10-29 23:45

医学影像中广泛使用的锝-99m依赖钼-99的衰变,而钼-99仅由全球少数几座核反应堆生产。2024年,部分反应堆停机检修就引发了全球短缺。按克计价,同位素是地球上最昂贵的材料之一,供应链也极其脆弱。Construction Physics作者Brian Potter分析了这一困境的技术根源,并提出一个可能的出路:聚变。

当前制造同位素的主要路径之一是粒子加速器。加速器利用电磁场加速带电粒子,因此只能作用于电子、质子或带正电的原子核。质子与靶原子核之间存在库仑排斥,导致转换效率很低:美国通用电气医疗的PETtrace 800用质子轰击氧-18来生产氟-18,每800个质子中仅约1个能进入氧原子核。一台医用加速器造价数百万美元,运行功率约75千瓦,每小时只能产出灰尘大小的材料。

另一条路径是利用核裂变。裂变反应堆释放的中子可轰击靶材生产同位素,例如将钴-59置于反应堆中通过中子俘获生成钴-60。但裂变中子能量普遍不高——平均约1.5至2兆电子伏,在动力堆中还会被慢化剂降至约0.025电子伏以维持链式反应。即便不经过慢化,大多数裂变中子能量仍不足以驱动许多有用的核反应。此外,裂变反应堆受到高度监管,建设困难且昂贵。

Potter指出,聚变反应能可靠产生高能中子。氘氚聚变释放的中子能量达14兆电子伏以上,而裂变中子中仅约0.1%超过10兆电子伏。更关键的是,聚变设施在制造同位素的同时还能输出能源。加速器只能生产同位素,所有设施成本必须由同位素售价回收;而聚变设施若采用合适的反应组合,可以用电力销售收入分担设施建设和运营成本。Potter认为,在恰当的反应安排下,某些同位素的制造成本可能大幅下降,但他明确限定这一判断至少对某些同位素和反应而言成立。

如果同位素成本大幅下降,几个领域将受到直接影响。医学方面,锕-225是一种有前景的癌症治疗同位素,但当前供应极为有限,每年仅有少数患者能接受治疗;更廉价的制造流程可能扩大其可及性,甚至催生全新的医用同位素。核能原料方面,聚变堆需要锂-6来在循环中产生氚,裂变堆需要高纯锂-7,一些新型反应堆如美国TerraPower的熔盐堆需要氯-37——这些同位素目前要么只能克级生产,要么依赖俄罗斯和中国的昂贵浓缩工艺。材料方面,同位素纯硅-28因其不同的量子力学特性被认为对构建量子计算机有用,同位素纯金刚石的热导率远高于普通金刚石;历史上生产同位素纯材料极为困难,以至于该领域许多性质仍属未知。

Potter以太阳能光伏、贝塞麦炼钢法和福特T型车为例说明:一项技术的影响力往往取决于它能变得多便宜。聚变驱动的核化学能否真正改写同位素制造的经济性,目前仍处于探索阶段——美国Marathon Fusion、SHINE Technologies以及意大利SORGENTINA-RF项目、新西兰OpenStar等公司正在推进相关方案,但尚无已验证的大规模生产实例。Potter的态度是条件性的:他认为这一方向值得持续关注。

信息源:construction-physics.com

研究

ElevenLabs 产品与增长方向的 Jake Tennant:删字段比调提示词更能提升检索型智能体准确率

专题 · ElevenLabs实质变化
2026-10-29 20:00

ElevenLabs 产品与增长方向的 Jake Tennant 在博客中介绍了该公司内部使用 ElevenAgents 智能体的运营经验。这些智能体覆盖销售、支持、工程和产品营销团队,公司自报每月节省超过 1200 小时、回答超过 5000 个问题、创建超过 150 个工单。

但真正值得同行注意的不是这些数字,而是作者在「我们学到了什么」部分给出的工程判断。Tennant 写道,他们对检索型智能体回答质量的最大提升来自删减字段,而非调整系统提示词。每一个多余的列或对象字段都给了模型一个猜错的机会;把数据模式裁剪到关键子集,效果超过他们尝试过的任何提示词改动。

这一发现与当前主流的提示词工程思路形成张力。许多团队默认在提示词层面做精细调优,但 Tennant 的经验表明,当智能体依赖外部数据检索时,输入给模型的数据结构本身就是更大的质量瓶颈。字段越少,模型需要猜测的空间越小。

作者给出了一个具体实现:Salesforce 的 deal stage 或 account type 等字段是 picklist,即一组固定合法值。如果让模型自由生成,它可能造出一个听起来合理但 Salesforce 中并不存在的选项。ElevenLabs 的做法是在启动时拉取合法值列表,注入到 MCP 工具的类型定义中,使模型只能从真实选项中选择。

此外,他们还在工单创建后加入任务验证步骤:智能体创建 Linear 工单后,自行检查字段是否正确、是否分配给了对的团队。Tennant 称这减少了偶发的幻觉和错误分派。

需要指出的是,这是 ElevenLabs 对自身产品的自述。1200 小时节省没有给出计算方法论,工程经验可能与其特定技术栈和内部数据规模相关。但这些具体做法——删字段优先于调提示词、用类型约束替代自由生成、创建后验证——对其他团队来说是可以直接在自己环境中测试的。

信息源:ElevenLabs

研究

NVIDIA称TF32x3可加速机器学习原子间势并保持能量守恒,单遍TF32则无法收敛

快讯
2026-10-29 23:00

机器学习原子间势(MLIP)用神经网络预测原子间能量和力,成本远低于密度泛函理论等量子力学方法,但精度要求并未因此降低。力是能量对原子位置的导数,在分子动力学模拟中每一步的力都决定原子速度和位置更新,数值误差会沿轨迹累积。因此即使GPU在低精度矩阵乘法上的吞吐量远高于FP32,许多MLIP仍坚持用FP32推理。

NVIDIA在其技术博客中评估了两种Tensor Core FP32模拟方法。BF16x9在Blackwell GPU上将每个FP32操作数分解为三个缩放BF16分量,计算九对乘积后在FP32中累加;通过设置环境变量CUBLAS_EMULATE_SINGLE_PRECISION=1即可启用,无需修改模型代码。TF32x3在Ampere GPU上将每个FP32操作数分为前导TF32分量和残差TF32分量,计算三个交叉乘积(前导×前导、前导×残差、残差×前导),省略最小的残差×残差项,通过CUTLASS的OpMultiplyAddFastF32算子实现,输入输出仍为FP32,对模型其余部分透明。

真正的区别不在单点精度,而在物理一致性。NVIDIA团队用三项测试验证:将CO分子从Pt(111)表面拖离时,TF32x3沿用了FP32的平滑能量曲线,而单遍TF32引入了可见的逐点波动;在192原子水盒的NVE模拟中,TF32x3与FP32表现出相当的有界能量涨落,单遍TF32则出现系统性漂移;在539原子Cantor合金薄片的结构弛豫中,TF32x3在218–222步内达到1.0×10⁻³ eV/Å的力收敛标准(与FP32的218步相当),而单遍TF32即使将步数限制加倍到1000步仍无法收敛,力停滞在约1.2×10⁻³ eV/Å。

在性能方面,BF16x9在17280原子体系上实现端到端1.7倍加速(192原子体系为1.1–1.2倍),其误差低于模型自身的非确定性水平;TF32x3在A100上加速MD步约1.5倍,力误差约为FP32重编译间差异的三倍。但加速幅度取决于体系大小和GEMM在总运行时间中的占比——小体系中启动开销和非GEMM工作占比更大,收益更有限。TF32x3的性能还依赖针对具体矩阵形状和硬件的内核调优。两种方法均无需重训或改变模型架构,可作为独立性能层与其他软件优化组合使用。

信息源:NVIDIA Technical Blog

研究

Berkshire Partners投资人Richard Lichtenstein:AI助手或许需要一个数字孪生

实质变化
2026-10-29 18:03

Richard Lichtenstein是Berkshire Partners的投资人。他在2026年10月29日的个人博客中提出了一个探索性想法:Muse、Instinct、Dots这类AI助手要更好地自主处理业务任务,他认为是时候给它们建一个数字孪生了。他的原话是

I've been thinking about what would make these tools better, and I think what they really need is a good digital twin

语气是个人思考而非确定结论。他的基本逻辑是:如果AI助手更了解用户偏好和组织运作方式,就能在更少人工干预下做出更多决策。

他借用工业数字孪生的概念来解释这一思路。宝马为三十多座工厂建立了数字副本,在新车型上线前先在虚拟产线上测试是否会碰撞,把原本需要四周的物理测试压缩到三天。他的类比是:如果我们对人也建一个数字副本——一次物理扫描,之后购物时永远选对尺码、裤子预裁到腿长——退货问题就会大幅减少。

但他自己承认这个消费者版本不切实际,转而提出一个更可行的思路:为个人建立心理数字孪生。他举例说,如果把过去五次家庭旅行的行程和坦率的得失总结交给AI,他打赌它应该能很好地规划下一次。但他同时指出,这需要相当可观的前期投入,而且可能要几次旅行才能回本。当前这些助手也没有主动索取反馈的机制——他用Instinct订了餐厅,它从不问他体验如何,他认为这是一个错失的机会。

文章的重心在商业版本。Lichtenstein认为企业侧可能更容易实现,因为更多想法已经被文档化。他描绘了一个场景:如果你有一个公司的精确镜像,你可以让AI助手监控前三十家供应商,一旦出现负面新闻就自动制定备选方案并联系替代供应商;跟进逾期客户时注意特殊条款和历史豁免;在联系人中找出该联系的人并重新发起沟通。

对于私募股权投资人,他提出一个更具体的应用:进入一家新被投公司后,先在数字孪生上试跑价值创造计划的部分环节,再在真实业务上执行。

然而他给出了全文最关键的限定:连接所有文档并不等于建立数字孪生。文档告诉你公司应该如何运作,不总是实际如何运作。大量重要信息仍然存在于人脑中。这意味着即使企业把合同、SOP、供应商评分卡、关键会议演示文稿都放进SharePoint或Google Drive,再让AI接入ERP、CRM、邮件和即时通讯,得到的仍然是一个不完整的镜像。

他最后表示,企业数字孪生比消费者扫描更容易实现,方向已经在推进。但文章以一个开放问题结束——

What do you most want to build a digital twin of?

邀请读者留言,而非给出确定结论。对AI投研实践者而言,这篇短文的价值在于它明确指出了一个具体限制:评估AI助手能否自主处理组合公司任务时,文档接入的便利性不能替代对实际运作知识的获取,而后者目前仍大量存在于人脑中,尚未被任何数据架构所捕获。

信息源:artificialinvestment.substack.com

研究

No Priors访谈:Serval CEO Jake Stauch谈用AI编码代理挑战ServiceNow

专题 · Serval实质变化
2026-10-29 18:00

在2026年10月29日发布的No Priors播客节目中,主持人Sarah Guo和Elad Gil采访了AI初创公司Serval的联合创始人兼首席执行官Jake Stauch。本期节目聚焦于Serval如何试图通过引入代码生成代理(coding agents)来改变企业IT部门的工作方式,并直接挑战现有的企业自动化和服务管理系统记录者ServiceNow。

根据节目简介,Stauch解释了Serval的核心价值主张:让企业IT用户能够安全地成为“构建者”。他提到,Serval平台允许用户在严格的确定性审批(strict deterministic approvals)和审计跟踪的保护下,利用AI进行开发,从而在提升效率的同时保障权限安全。此外,Stauch还讨论了公司的ProServal团队,该团队将自动化工程师直接嵌入客户组织中,以提供持续的支持和服务。

对于关注AI产业投资的读者而言,这期节目提供了观察AI如何渗透传统企业软件市场的一个窗口。Stauch在节目中探讨了AI作为挑战ServiceNow的关键解锁因素,他对编码代理未来发展的押注,以及为何他认为消费级AI是预测企业级趋势的风向标。他还涉及了关于“SaaS末日”(SaaS-pocalypse)可能更倾向于整合而非颠覆的观点,以及后台代理(background agents)在企业软件中仍属遥远目标的看法。

信息源:traffic.megaphone.fm

研究

Anthropic IPO申报:算力支出主要流向研发,未来TPU与GPU合同达8000亿美元

专题 · Anthropic上市实质变化
2026-10-29 19:30

AI初创公司Anthropic向美国证券交易委员会(SEC)提交的S-1首次公开募股(IPO)申报文件披露了其详细的财务与运营数据。根据Tom's Hardware对文件的分析,在2026年上半年总计89亿美元的算力账单中,Anthropic仅花费24亿美元用于直接服务付费客户,其余大部分资金被投入到模型训练、研究以及Claude的内部使用上。这一分配比例揭示了前沿AI实验室当前的成本结构特征:尽管面向客户的推理服务已实现盈利,但维持技术领先所需的研发投入仍占据绝对主导地位。

数据显示,Anthropic的营收效率显著提升。从2025年第一季度的每美元算力产生0.40美元收入,跃升至2026年第二季度的2.08美元。公司将其归因于提前12至18个月购买的算力容量。在扣除服务成本后,Anthropic每美元收入保留约85美分,远高于去年同期的12美分。然而,这种高毛利状态部分得益于当前算力供应受限的环境,使得服务成本被压低而非单纯由效率提升驱动。

更引人注目的是其庞大的未来资本承诺。申报文件详细列出了总额约8000亿美元的TPU和GPU采购合同,涵盖Broadcom、Google、Amazon、SpaceXAI、Microsoft、Nscale、Lambda和AMD等供应商。其中,与Broadcom的五年设备租赁租金约为1612亿美元,与Google的TPU合同至少为1145亿美元,与Amazon的Trainium芯片合同至少为1100亿美元。这些多年度、大额度的固定或最低采购义务,意味着一旦交付开始,公司的年度现金支出将大幅攀升。

对于投资者而言,关键矛盾在于当前的高增长预期与未来沉重的基础设施债务之间的平衡。虽然Anthropic目前声称服务成本已被覆盖,但其签署的未来合同年均成本估计高达1030亿美元,远超其2026年第二季度约460亿美元的年化营收水平。公司在文件中警告,随着新硬件在支持相应营收之前落地,利润率可能会受到压缩。这一披露为评估AI行业从“烧钱换增长”向“可持续盈利”转型的实际难度提供了具体样本。

信息源:Tom's Hardware

研究

Thrive Holdings达成153亿美元收购ADT私有化协议,溢价约46%

专题 · ADT私有化收购案实质变化
核验于 2026-10-29 23:36

美国安防公司ADT(ADT Inc.)今日宣布,已与Thrive Holdings达成最终协议,将被后者以全现金方式私有化。根据协议,ADT的企业价值约为153亿美元,股权价值约为76亿美元。这一价格对应每股10美元,较ADT在10月27日的收盘价溢价约46%。

此次收购的融资来源颇具看点:资金将由阿波罗全球管理公司(Apollo Global Management)旗下基金管理的资金提供。值得注意的是,阿波罗曾是ADT的所有者,并在五个月前刚刚出售了其持有的剩余股份。Thrive Holdings是由Josh Kushner旗下的Thrive Capital于去年成立的永久资本投资工具。

ADT主要向住宅和小企业客户销售安全系统、摄像头和智能家居技术,并通过月度监控订阅产生经常性收入。这是ADT十年内第二次被私有化;此前阿波罗曾在2016年将其私有化,并于2018年重新推动其在纽约证券交易所上市。

该交易目前设有“寻找买家”期(go-shop period),持续至11月28日。交易预计在2027年第一季度完成,但需获得ADT股东批准及监管机构的许可。花旗集团和高盛担任ADT的财务顾问,Evercore则担任Thrive的顾问。

信息源:Axios

研究

德国科技媒体t3n:用日常语言对话迭代出AI代理,无需开发团队

专题 · t3n AI代理工作流快讯
2026-10-29 22:15

德国科技媒体t3n的广告业务有一个重复性流程:每笔成交产生一份PDF格式的订单确认书,列出客户购买的所有服务(如播客赞助或两篇赞助文章),每一项服务需要在Asana项目工具中创建独立任务及子任务和截止日期。截至2026年8月中旬,这一工作由广告执行团队手动完成,大额订单耗时可达40分钟。

t3n团队没有开发资源,而是直接问Claude需要哪些材料才能自动化这个流程。他们提供了简要的流程文档和10份真实订单确认书,让Claude对照团队已经手动录入过的订单,比较自己的输出与已有条目之间的偏差。一个下午,第一版指令从这些偏差中产生。

第一版不够用于日常。团队在Slack线程中继续工作,用普通语句指出错误,Claude将每次修正写入自己的指令。24小时后,指令到达第12版。关键前提是工具链已经就绪:Claude已连接公司内部工具,Asana看板有固定字段和模板。

8月中旬,代理直接以真实订单上线,团队从未创建测试副本看板。此后只需在Slack线程中把订单确认书标记给Claude,代理自动创建任务,团队负责核验其输出:简单订单不到5分钟,大订单最多10分钟。团队报告在最初两个多月内没有错误渗透到日常运营中。

需要强调的是,这是t3n对自身内部流程的第一手描述,属于归因性自述而非独立验证。'两个月无错误'未给出订单总量分母,无法计算实际错误率。更关键的是,整个方法的前提是Claude已接入内部工具、Asana模板已存在——对于工具链尚未打通的团队,这套对话迭代路径能否同样奏效,原文未提供证据。

信息源:t3n.de

研究

台湾高雄市政府展示“AI灯塔”初步成果:导入Cosmos Reason 2推理事件原因,道路坑洞派工最快缩短至约2分钟

专题 · 高雄AI灯塔计划实质变化
2026-10-29 18:54

2026年10月29日,台湾高雄市政府对外展示了「高雄AI灯塔」计划的初步成果。该计划始于2024年,由高雄市政府与Nvidia、中华电信、鸿海等企业合作启动,旨在打造一套城市级的主权AI治理架构。其核心目标是改变过去高度仰赖人力和民众通报的被动模式,让AI扮演城市大脑的角色,从摄影机和感测设备中主动发现异常并分析原因。

该计划的关键技术突破在于AI能力从单纯的影像辨识走向理解与推理。初期导入的视觉语言模型(VLM)能够用文字描述影像中的城市情境,例如判断某路段出现车流停滞。随后导入的Nvidia Cosmos Reason 2(CR2)模型则进一步具备推论能力,能综合多张影像与连续事件资讯,分析造成壅塞或异常的背后原因,例如区分交通事故、道路积水或施工占道。目前高雄也在持续测试后续版本的Cosmos Reason 3模型。

为了让AI的分析结果真正进入行政流程,高雄市政府建置了Smart Governance City(SGC)城市智慧治理平台。当AI发现道路坑洞、积淹水或环境污染等异常后,SGC平台会整合事件资讯并自动通知对应的权责单位。以道路巡检为例,高雄利用45辆移动载具和135支摄影机搜集影像,工务局强调透过AI流程整合,从发现问题到派工最快可在约2分钟内完成,而过去可能需要数十分钟甚至数小时。

在防汛和交通治理方面,AI同样展现了提前预警的能力。水利局整合了400处水情监测站和超过1.3万支摄影机,在8月22日的高大雨事件中,透过AI主动侦测的事件占整体事件的52%。交通局则利用VLM和CR2模型,强调比传统人工纪录提前14分钟发出路网异常告警。环保局导入AI辨识黑烟和非法弃置,能在30秒内推播异常资讯,在冈山一处火警案例中,AI发现黑烟并通报的时间比消防局收到报案早约3分钟。

高雄市长陈其迈表示,此计划解决了过去各局处系统独立造成的资料孤岛和经费重复负担问题。他认为这种经过验证的新型态城市治理模式不仅适用于高雄,未来国内其他城市也能透过购买的方式直接采用这套城市AI大脑,避免重新建置的成本。

信息源:iThome

研究

盖洛普报告:美国员工敬业度降至2011年以来最低,远程与混合办公者受AI影响更大

实质变化
2026-10-29 23:05

根据咨询公司盖洛普(Gallup)发布的最新季度调查,2026年第三季度美国员工的敬业度降至29%,创下自2011年以来的最低水平。这一指标衡量的是员工对工作的专注度、动力和热情。

调查显示,远程和混合办公的员工受到的影响尤为严重。在已经采用AI工具的组织机构中,完全远程员工的敬业度下降了5个百分点,混合办公员工下降了2个百分点,而现场办公或无法远程工作的员工仅下降了约1个百分点。

盖洛普指出,尽管此前有迹象显示员工对AI的接受度有所回暖,但目前的趋势再次转向消极。在“AI整合型组织”中,员工的整体敬业度与非AI整合型组织趋于一致,但远程和混合办公群体依然表现出更低的工作满意度和参与度。

报告认为,物理距离可能加剧了员工与组织之间的心理疏离感。随着企业加速引入AI技术,如果缺乏清晰的预期管理和足够的支持,AI的采用速度可能会超过有效落地所需的沟通与管理配套措施。

信息源:TechRadar

研究

甲骨文联合CEO:AI算力瓶颈不在电力而在芯片产能

专题 · 甲骨文芯片产能瓶颈论实质变化
2026-10-29 19:18

甲骨文联合首席执行官Clay Magouyrk在拉斯维加斯举行的AI World大会上,针对市场关于数据中心建设延迟的担忧提出了一个反直觉的判断:真正限制AI算力扩张的不是电力,而是芯片。

他说:'我认为所有花时间思考有多少电力即将上线的人都抓错了重点。你实际上应该看的是有多少存储芯片正在被生产、有多少晶圆制造产能可用,这才是更清晰的指标,因为我们不需要没有芯片的电力。'他的逻辑是,一个数据中心即便获得了充足的电力供应,如果没有足够的GPU和配套存储,那些电力毫无用处。他用'配对集'(match sets)来描述这个关系:没有芯片,就不会有人去铺设光纤、买收发器、做机电安装。

这一论点直接挑战了当前AI基础设施讨论中最常见的叙事。市场普遍担忧的是电网能否跟上数据中心需求,Magouyrk则把约束从能源侧转向了半导体供给侧。他举例说,有人发邮件告诉他爱荷华州的一片农场可以容纳高达300吉瓦的设施,如果加上这个数字,明年就有340吉瓦——'但这不意味着我能找到任何电脑放进去。'

关于建设延迟本身,Magouyrk用了一个电影拍摄的比喻:'有时候感觉就像你醒来看到头版新闻说演员今天到了片场,但必须等灯光调好才能再录台词。拍电影就是这样!建造这种规模的大型项目本来就是复杂的,我认为任何进入这些项目而不假设它们会复杂的人都是大错特错的。'他承认甲骨文在威斯康星州的一个站点遇到了电力接入延迟,在密歇根州的项目遭遇了当地社区反对,上个月还向新墨西哥州多纳安娜县一个1400英亩园区的开发方、Blue Owl旗下Stack Infrastructure发出了一份保护性不可抗力通知。

但他认为这些不应被当作异常信号。他解释数据中心资本开支的实际构成:如果把机架、网络设备、光纤、线缆、冷却器、不间断电源全部拆走——因为这些都是可移动的——剩下的土建、场地平整和变电站变压器工作占项目总费用的比例非常小。因此一个项目的延迟可以用另一个项目的组件来弥补,'有时候就像Bob Ross说的,你有一些快乐的小意外。'

Magouyrk还试图纠正市场对'最高可达'(up to)这类营销用语的理解。他说:'人们读新闻稿,似乎完全忽略了一个非常重要的词——up to。这个词意味着无关紧要。我可以说我最高可达100英尺高,我不是,但我可以说up to。'这一说法针对的是甲骨文在同期AI World大会上宣布的与英伟达合作部署Vera Rubin AI服务器系统'规模以多吉瓦计'的表述,以及向投资者承诺的容量数字。

在需求侧,Magouyrk认为市场同样低估了AI算力的广度。他说一年前用AI做软件开发还只是一个想法,现在已经是现实,而且'每年你都会看到重要的新行业被打开'。甲骨文平台上有超过1000家AI客户,从大型模型提供商到做交易分析的机构,到需要算力的太空创业公司。他预计未来三到五年不会出现GPU供给超过需求的情况。

关于站点规模,他区分了训练和推理的不同需求:吉瓦级园区适合训练工作负载,因为需要在同一区域汇集全部算力;但推理需求增长后,甲骨文正在交付大量50兆瓦、100兆瓦、200兆瓦的站点。'大站点可以切割成很多小分配,但你不能把一堆小数据中心像大园区那样拼接在一起。'

需要指出的是,这些论述来自一家股价在过去一个日历年下跌约50%的公司的联合首席执行官。其首席财务官Hilary Maxson同期暗示资本开支将在本财年和下财年见顶,计划到2030财年额外融资不超过200亿美元。Magouyrk的论证服务于安抚投资者情绪这一明确目的,其关于芯片产能是比电力更紧约束的判断目前仍是企业高管的个人主张,尚未得到独立的行业数据验证。

不过,这一分析框架本身具有可检验性:如果未来几个季度AI算力部署速度确实受限于存储芯片和晶圆制造产能而非电力接入,那么市场将电力视为核心瓶颈的定价逻辑就需要修正。反之,如果芯片供应持续宽松而电力成为实际卡点,Magouyrk的判断就会被证伪。

信息源:diginomica

研究

Hugging Face联合多所美国大学启动ProtoStar计划,推动公共科研数据适配AI应用

专题 · ProtoStar计划实质变化
2026-10-29 08:00

Hugging Face于2026年10月29日宣布启动“ProtoStar计划”(Project ProtoStar),这是一个由研究机构、工业界和开放科学社区组成的联盟,旨在让政府资助的科学数据集、模型和代码更易于被AI系统发现、重用和构建。该计划的创始合作伙伴包括卡内基梅隆大学(Carnegie Mellon University)、普渡大学(Purdue University)、佐治亚理工学院(Georgia Institute of Technology)、亚利桑那州立大学(Arizona State University)和乔治·华盛顿大学(The George Washington University),它们通过“AI开放论坛”(Open Forum for AI, OFAI)作为大学联盟伙伴参与;此外还有Astera研究所、作为基础设施合作伙伴的Hugging Face,以及通过其“创新促进网络”作为社区合作伙伴的开放研究社区加速器(ORCA)。

这一举措针对的是美国联邦政府每年约1900亿美元的研发投入中存在的“可用性缺口”。尽管美国国立卫生研究院(NIH)和国家科学基金会(NSF)等机构加强了公开访问要求,但许多科研资源仍分散在不兼容系统中,或以静态/遗留格式存储,缺乏AI所需的元数据和文档。ProtoStar计划鼓励以“AI就绪”(AI-ready)和机器可操作(machine-actionable)的格式系统性共享这些资源。Hugging Face指出,其平台上已有超过17,000个核心科学领域的公共数据集,且2026年前九个月新增科学数据集的数量是2025年同期的三倍以上,显示需求正在加速。

为了验证这一模式,ProtoStar将组织一系列开放挑战。首个挑战名为“气候风险情报”(Climate Risk Intelligence),由卡内基梅隆大学主办,定于2026年11月2日至13日举行。参与者将利用来自210个美国城市的2018年之前的历史天气数据,预测2019年至2026年的实际城市气候条件,包括年平均温度、总降水量、最热日和冷却度日数。这种基于已观测天气而非假设未来场景的评估方式,旨在测试AI在结合公共数据源进行跨学科预测方面的能力。

对于读者而言,这一计划的意义在于它试图从制度层面解决AI训练数据中的“最后一公里”问题:即如何让非技术性的公共科研成果真正进入AI工作流。如果成功,这可能为其他国家和机构提供模板,使巨额公共研发资金产生的知识资产能更高效地转化为可计算、可复用的数字资源。

信息源:huggingface.co

研究
下一页 →
登录 / 注册
阅读研究雷达投资体系